行為分析是近年來(lái)計(jì)算機(jī)視覺(jué)領(lǐng)域內(nèi)的研究熱點(diǎn)問(wèn)題,受到國(guó)內(nèi)外學(xué)者的廣泛關(guān)注,可以應(yīng)用于視覺(jué)監(jiān)控、基于內(nèi)容的檢索、智能交通等眾多領(lǐng)域。本文分析了具有代表性的軌跡預(yù)測(cè)算法,針對(duì)現(xiàn)有算法的不足,提出一種有效的智能體軌跡預(yù)測(cè)算法,主要工作如下:（1）針對(duì)傳統(tǒng)軌跡預(yù)測(cè)算法僅依據(jù)場(chǎng)景內(nèi)其他行人的運(yùn)動(dòng)信息,沒(méi)有考慮場(chǎng)景內(nèi)環(huán)境動(dòng)態(tài)變化的問(wèn)題。本文提出一種新的融合空間注意力和時(shí)間注意力的算法,首先將原始圖像序列通過(guò)卷積神經(jīng)網(wǎng)絡(luò)輸出特征映射,通過(guò)softmax得到空間注意力的權(quán)重表示,加權(quán)操作后得到空間注意力;接下來(lái)計(jì)算場(chǎng)景中所有鄰居智能體與目標(biāo)智能體的歐氏距離作為嵌入層和多層感知器的輸入,并對(duì)輸出取極值處理,只考慮對(duì)目標(biāo)智能體路徑規(guī)劃影響大的信息。本文提出的注意力算法同時(shí)關(guān)注場(chǎng)景內(nèi)行人的運(yùn)動(dòng)信息和環(huán)境的動(dòng)態(tài)變化,使目標(biāo)智能體可以根據(jù)其所處地理環(huán)境和場(chǎng)景內(nèi)其他行人的運(yùn)動(dòng)趨勢(shì)規(guī)劃行進(jìn)路徑。（2）針對(duì)現(xiàn)有軌跡預(yù)測(cè)模型僅輸出平均軌跡,不能很好地模擬行人運(yùn)動(dòng)不確定性的問(wèn)題,本文提出基于生成對(duì)抗網(wǎng)絡(luò)的多模態(tài)的軌跡預(yù)測(cè)算法,我們使用仿真數(shù)據(jù)分別在生成對(duì)抗網(wǎng)絡(luò)和變分自編碼器進(jìn)行測(cè)試,驗(yàn)證生成模型是否可以得到多模態(tài)的輸出,... 

【文章來(lái)源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁(yè)數(shù)】：66 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２．１柵格覆蓋框架??Ｆｉ．?２．１?Ｏｃｃｕａｎｃｒｉｄ?ｆｒａｍｅｗｏｒｋ??

?基于生成對(duì)抗網(wǎng)絡(luò)的多智能體軌跡預(yù)測(cè)???智能體１?籲——？??嵌?Ｉ??智能體２?？?？?Ａ??日＼??層?英＼??智能體３?Ｈ—＾？?＼?加??＿?＿＿?＼?ｇ?１??同Ｚ和ｓ??智能體１?＿?＞?／??智能體２?畚?＾?Ｉ?，??Ｓ??智能體３?〇?？??圖２．２鄰域注意力框架??Ｆｉｇ．?２．２?Ｎｅｉｇｈｂｏｒ?ａｔｔｅｎｔｉｏｎ?ｆｒａｍｅｗｏｒｋ??表２．２鄰域注意力算法??Ｔａｂ．?２．２?Ｎｅｉｇｈｂｏｒ?ａｔｔｅｎｔｉｏｎ?ａｌｇｏｒｉｔｈｍ??輸入：智能體軌跡序列集合智能體軌跡長(zhǎng)度為？??輸出：鄰域注意力??１．?ｆｏｒ?／?＝１?ｔｏ?ｔ?ｄｏ??２．?—＞嵌入層??３．?輸出嵌入表不ｖｅ飲）ｒ??４．?｛ｘ＾ｙｌ｝?－＞ＬＳＴＭ??５．?輸出隱藏狀態(tài)？ｙＷｅ??６．?ｅｍｂｅｄｄｉｎｇ?ｖｅｃｔｏｒ—＞?ｓｏｆｔｍａｘ??７．?輸出權(quán)重吻ｋ??８．?ｈｉｄｄｅｎ?ｓｔａｔｅ?？?＊?ａｌｐｈａ??９．?輸出鄰域注意力??１０．?ｅｎｄ?ｆｏｒ??９??

ｍ￣?１?刊斷??［＼?ＬＳＴＭ?１￣￣？化?一＊ｆ?ＬＳＴＭ?Ｈ—￣■？預(yù)測(cè)軌跡——ｒ?ＬＳＴＭ?ｉ——？＊?軌跡??Ｉ?Ｉ?模??Ｊ；????＇；?５Ｂ??ｋ?丨：丨?塊丨；丨?；?丨；丨為真??ｉ?ｉ?ｉ?ｉ?ｉ?ｉ??ｉ?ｐ??ｉ?ｉ?ｐ?ｉ?ｊ—??ｉ?ｊ＂：－－??ｉ??ｉ?ＬＳＴＭ?ｉ￣￣—ｆ?ＬＳＴＭ?ｉ一￣？■預(yù)測(cè)軌跡——ｈ?ＬＳＴＭ?ｉ?？??ｉｌ＼＿??ｉｌ．．ｉ????＼ｙ：￣－ｒ－ｒｚ?—：ｌｌ????圖２．４?Ｓ－ＧＡＮ軌跡預(yù)測(cè)框架??Ｆｉｇ．?２．４?Ｓ－ＧＡＮ?ｔｒａｊｅｃｔｏｒｙ?ｐｒｅｄｉｃｔｉｏｎ?ｆｒａｍｅｗｏｒｋ??２．?２．?２?Ｓ－ＧＡＮ軌跡預(yù)測(cè)模型訓(xùn)練過(guò)程??定義場(chǎng)景內(nèi)智能體的歷史軌跡序列為Ｘ，預(yù)測(cè)軌跡序列為Ｐ，真實(shí)軌跡序列為Ｆ，??如下列公式所示：??Ｘ＝Ｘｘ，Ｘ２，Ｘ，－Ｘｎ?（２．１）??Ｙ＝Ｙｉ，Ｙ２，Ｙ３－－－Ｙｎ?（２．２）??（２．３）??Ｘ，＝（ｘ；＾；）ｅＭ２｜／?＝?ｌ，－，／ｏｆｃ?（２．４）??Ｙｉ＝ｘ；，ｙ＇ｉｅＲ２＼ｔ?＝?ｔｏｂｓ＋ｌ，－，ｔｐｒｅｐ?（２．５）??其中，《是場(chǎng)景內(nèi)智能體的數(shù)目。Ｓ－ＧＡＮ軌跡預(yù)測(cè)模型主要由生成器網(wǎng)絡(luò)和判別器網(wǎng)絡(luò)??兩部分組成。生成器網(wǎng)絡(luò)由編碼器和解碼器兩部分組成，將智能體軌跡（＜，乂）作為嵌入??層的輸入，輸出一組固定大小的向量，如公式（２．６）所示。??ｅ；?＝０（ｘ；，ｙ；；ｗｅｅ，ｂｅｅ）?（２．６）??其中０是嵌入層，＼是嵌入層的權(quán)重和偏置量。將智能體軌跡的嵌入表示通過(guò)編??碼器的ＬＳＴＭ得到智能體軌跡的隱藏狀態(tài)表示義，如公式（２．


本文編號(hào)：3060149