彭涛，黄子杰，刘军平，张自力，胡智程

(武汉纺织大学数学与计算机科学学院，武汉 430200)

0 引言

随着无人驾驶技术的逐渐成熟，随之而来的安全问题也被人们所关注。无人驾驶过程中行人的安全问题是无人驾驶的核心问题之一。行人轨迹的预测，可为紧急制动[1-3]提供可靠的依据。同时，行人轨迹预测可以在监控系统中预防危险活动[4-6]。然而，行人的活动充满了不确定性，行人在行走过程中与其他物体的互动是由常识和社会习俗驱动的，在互动的过程中，会有一种力量阻碍行人前往目的地，这种力量叫做社会力量[7]，如图1所示，它包括：

(1)行人之间的交互力[8-10]。

(2)行人与静态场景之间的交互力[11]。

(3)其他交互力[12]。

为了解决这个复杂环境下行人轨迹预测问题，在“Social-LSTM”中[13]，首次将深度学习模型和社交力量相结合应用于行人轨迹预测，该方法在一定程度上提升了行人轨迹预测的精度，但是未考虑场景信息。与此同时，为计算场景中所有行人的状态，导致模型的计算量大，实时性差[14]。

图1 场景中的行人需要遵守“社会法则”

此后，研究人员将基于循环神经网络不断改进预测结果[15-16]。例如Huynh等人提出了Scene-LSTM[17]，对“Social-LSTM”模型进行了改进。Matteo Lisotto等人也提出了一个新的池化层来改进模型，可生成对抗网络的引入，在一定程度上提升了模型的性能[18]。如Agrim等人提出的Social-GAN模型[19]。但是这些方法都有共同的问题：一是由于循环网络的使用，使得网络运行效率低，训练成本高。二是池化层的引入存在问题，无法正确表达行人之间的交互。……