为提高行人在复杂交通场景中交互的安全性,提出一种基于social-GAN(social-generative adversarial network)的行人轨迹预测算法SAN-GAN(social angle norm-GAN)。该算法首先以行人历史位置信息与头部信息为输入,通过轨迹生成器LSTM网络...为提高行人在复杂交通场景中交互的安全性,提出一种基于social-GAN(social-generative adversarial network)的行人轨迹预测算法SAN-GAN(social angle norm-GAN)。该算法首先以行人历史位置信息与头部信息为输入,通过轨迹生成器LSTM网络(long short term memory networks)获取行人隐藏特征信息,并基于行人视野域模块捕捉行人视野域动态变化,对所有行人建立扇形视野域并筛选有效信息,从而驱动神经网络模型预测行人未来轨迹变化。将SAN-GAN与LSTM、social-LSTM(social-long short term memory networks)、social-GAN等轨迹预测算法进行对比实验,结果表明SAN-GAN算法相较于其他算法,在预测3.2 s的行人轨迹时,ADE分别平均降低65.8%、51.2%、10.7%,FDE分别平均降低73.6%、60.9%、10.4%。SAN-GAN能够有效地预测行人在复杂交通环境中进行交互的未来轨迹。展开更多
文摘为提高行人在复杂交通场景中交互的安全性,提出一种基于social-GAN(social-generative adversarial network)的行人轨迹预测算法SAN-GAN(social angle norm-GAN)。该算法首先以行人历史位置信息与头部信息为输入,通过轨迹生成器LSTM网络(long short term memory networks)获取行人隐藏特征信息,并基于行人视野域模块捕捉行人视野域动态变化,对所有行人建立扇形视野域并筛选有效信息,从而驱动神经网络模型预测行人未来轨迹变化。将SAN-GAN与LSTM、social-LSTM(social-long short term memory networks)、social-GAN等轨迹预测算法进行对比实验,结果表明SAN-GAN算法相较于其他算法,在预测3.2 s的行人轨迹时,ADE分别平均降低65.8%、51.2%、10.7%,FDE分别平均降低73.6%、60.9%、10.4%。SAN-GAN能够有效地预测行人在复杂交通环境中进行交互的未来轨迹。