基于数据与模型驱动的行人过街行为解析.pdfVIP

摘要

随着智能车辆的发展，保障行人和车辆的安全已成为其研究的重点与难点。无信号

灯情况下的行人过街场景是最典型的人-车交互场景，完成对该过程中的行人行为解析，

可以提升智能车辆自动驾驶及高级辅助驾驶的安全性与可靠性。本文基于模型和数据驱

动的方法对过街行人的行为进行了研究与分析，并在此基础上提出数模融合驱动的方法，

更好地完成了对行人过街行为的状态估计与行为预测任务。本文的主要研究工作如下：

（1）研究基于模型的行人过街行为解析方法。考虑到过街行人的心理特点，将多

种交通要素引入传统的社会力模型中，使该模型更适应交通场景下的行人过街行为分析。

通过无迹变换将该模型运用于本文所提出的集中式无迹卡尔曼滤波的预测过程中，实现

对过街行人的状态估计与运动行为预测。同时，基于OpenGL搭建可视化仿真环境，对

该改进社会力模型进行仿真实验。结果表明，所提出的模型在行人过街场景下较之传统

社会力模型可以更有效地完成对行人的解析。

（2）研究基于数据驱动的行人过街行为解析方法。使用时域卷积网络（Temporal

ConvolutionalNetwork，TCN）对车辆的轨迹特征进行提取，并在长短期记忆网络（Long

Short-termMemory，LSTM）中加入社交层，将车辆与周围行人的轨迹特征与目标行人

的特征进行融合。同时，在网络模型中引入多头注意力机制，使其能够自适应地学习关

键信息。为验证所提出方法的有效性，在公开数据集ETHBIWI、UCY、Euro-PVI的基

础上筛选出混合数据集，在多个数据集上与多种现有网络进行对比实验与消融实验。实

验证明，本文所设计算法在复杂人-车交互场景下可以更精准地预测行人的未来轨迹。

（3）研究基于数模融合的行人过街行为解析方法。通过定性实验比较前两种方法

的优势与缺陷后，提出数模融合的方法，用数据驱动方法的结果对社会力模型进行路径

点方面的指导，弥补实际使用中社会力模型的不足。在数据集中选取典型场景进行测试，

并将该算法部署在真实的车路协同系统中进行测试。实验结果表明，本文所设计的模型

可以在路侧视角更好地完成对行人过街行为的状态估计与预测。

关键词：智能感知，数模融合，行为解析，状态估计，轨迹预测

Keywords:Intelligentperception,data-modelfusion,behavioranalysis,stateestimation,trajectory

prediction

目录

摘要I

AbstractIII

目录V

第一章绪论1

1.1研究背景和意义1

1.2行人运动行为解析研究现状2

1.2.1行人运动跟踪与状态估计2

1.2.2行人意图识别与轨迹预测4

1.3论文研究内容及组织结构8

1.3.1课题来源8

1.3.2主要研究内容及组织结构8

第二章基于模型的行人过街行为解析11

2.1引言11

2.2基于模型的行人过街行为解析方法11

2.2.1基于集中式无迹卡尔曼滤波的状态跟踪12

2.2.2基于改进社会力模型的行人过街行为预测17

2.2.3基于演化博弈论的行人期望速度修正模型21

2.3仿真验证25

2.3.1仿真环境搭建25

2.3.2改进的社会力模型仿真25

2.3.3期望速度修正模型仿真29

2.4本章小结31

第三章基于数据驱动的行人过街行为解析33

3.1引言33

3.2行人轨迹预测网络结构设计33

3.2.1基于长短期记忆网络的行人轨迹预测34

3.2.