基于多信息融合网络的行人轨迹预测方法

随着自动驾驶技术的不断发展,准确预测行人的未来轨迹已经成为确保系统安全和可靠的关键要素。然而,现有行人轨迹预测研究多数依赖于固定摄像头视角,进而限制了对行人运动的全面观测,因此难以直接应用于自动驾驶车辆自车视角(ego-vehicle)下的行人轨迹预测。针对该问题,本文提出了一种基于多行人信息融合网络(MPIFN)的自车视角行人轨迹预测方法。该方法通过融合社会信息、局部环境信息和行人时间信息,实现了对行人未来轨迹的准确预测。本文构建了一个局部环境信息提取模块,结合了可形变卷积与传统卷积和池化操作,旨在更有效地提取复杂环境中的局部信息。该模块通过动态调整卷积核的位置,增强了模型对不规则和复杂形状的适应能力。同时,构建了行人时空信息提取模块和多模态特征融合模块,以实现对社会信息与环境信息的充分融合。实验结果表明,该方法在JAAD和PSI两个自车视角下驾驶数据集上均取得了先进的性能。在JAAD数据集上,累积均方误差(CF_MSE)为4 063,累积平均均方误差(C_MSE)为829。在PSI数据集上平均相对偏差(ARB)和最终相对偏差(FRB)也分别在预测时间为0.5、1.0、1.5 s时取得了18.08、29.21、44.98和25.27、54.62、93.09的优异表现。