于继宇,李 宪,2,杨明业

(1.青岛大学 自动化学院,山东 青岛 266071；2.青岛大学 未来研究院,山东 青岛 266071)

0 引 言

行人的轨迹信息在无人驾驶和无人配送领域是一项重要的参考数据。在行人密集的区域经常发生人流堵塞的现象,继而导致无人驾驶汽车或无人配送机器人长时间在行进路径上停滞,为此所设计的一种基于多目标检测与卡尔曼滤波的行人短时社交冲突预测模型能够提前预测出堵塞区域,有效解决上述问题。

目前对于行人轨迹预测的研究领域中主要存在深度学习类和模型类两种不同的研究方法,前者较为典型的代表有S-LSTM[1]和S-GAN[2],这类方法预测精度高,能在一定程度上描述行人间的交互情况,但网络运行速度慢,时间性能差,同时引入的注意力机制通常以行人间的距离作为生成规避动作的判定条件,缺少对静态目标与并行目标的检测,误判率高。模型类方法主要有隐马尔科夫模型[3]、卡尔曼滤波[4,5]等。隐马尔可夫模型是一种基于概率统计的模型,受目标的运动状态影响大,从而导致其预测的准确性偏低。卡尔曼滤波通过上一帧的轨迹点与当前帧的轨迹点对下一帧的轨迹点进行估计,在预测精度方面,该方法要低于深度学习类方法,但所得数据的时效性高,满足动态目标运动状态变化程度高的场景。同时,上述两种类型的方法都仅仅是针对行人的轨迹点进行预测,无法实现对于行人密集区域内即将出现的社交冲突的预测。……