基于数据驱动的社会力-GRU注意力-Transformer模型在行人轨迹预测中的研究与应用

《Digital Signal Processing》：A Data-driven Social Force-GRU Attention-Transformer for Pedestrian Trajectory Prediction

本文提出了一种新型社会力-门控循环单元注意力-Transformer（SF-GRUA-TF）模型，通过融合行人年龄性别特征、碰撞时间（TTC）、群体规模等构建过街意图模型（CIM），并基于社会心理学原理开发增强型社会力模型（ESFM）。该模型利用注意力机制动态加权多维度特征，实验表明其预测精度较现有方法提升超6%，为自动驾驶系统行人安全防护提供了创新解决方案。

　　

Highlight

社会交互建模

大量研究基于社会力模型（SFM）开展行人轨迹预测。Zhang等提出改进SFM，通过最大似然估计（MLE）校准参数，验证了模型在行人-车辆交互及人行横道边界响应场景的有效性。

行人过街意图预测模型（CIM）

假设行人在感知交通环境安全时会决定过街，反之则等待。但部分行人可能采取冒险策略，例如无视来车危险强行过街，从而引发冲突。

两个关键指标描述

本研究随机选取54,000条行人轨迹训练测试SF-GRUA-TF模型，另用5,808条轨迹进行专项评估。采用平均位移误差（ADE）和最终位移误差（FDE）作为核心指标：

{

ADE = (Σ_i=1^NΣ_t=t0+1^t=t₀+t_p‖Y?_i^t - X?_i^t‖₂)/[N(t_p-1)]

FDE = (Σ_i=1^N‖Y?_i - X?_i‖₂)/N

}

其中Y?_i^t表示预测位置...

结论

本研究针对自动驾驶领域行人轨迹预测提出SF-GRUA-TF模型，主要结论包括：

1）构建融合环境因素与行人属性的CIM，可有效预测行人面对来车时的过街/等待意图；

2）开发ESFM量化行人与其他道路使用者（含行人、自行车、电动自行车、动态车辆）的交互作用；