学习人车交互以预测行人轨迹

本文研究行人与车辆之间的交互，并提出一种新颖的神经网络结构，称为行人-车辆交互（PVI）提取器，用于学习行人-车辆交互。我们在序列方法（长短期记忆（LSTM）模型）和非序列方法（卷积模型）上均实现了所提出的PVI提取器。我们使用Waymo Open Dataset，该数据集包含带有行人和车辆标注的真实城市交通场景。对于基于LSTM的模型，我们将所提出的模型与Social-LSTM和Social-GAN进行了比较，使用我们提出的PVI提取器使平均位移误差（ADE）和最终位移误差（FDE）分别降低了7.46%和5.24%。对于基于卷积的模型，我们将所提出的模型与Social-STGCNN和Social-IWSTCNN进行了比较，使用我们提出的PVI提取器使ADE和FDE分别降低了2.10%和1.27%。结果表明，行人-车辆交互影响行人行为，并且使用所提出的PVI提取器的模型能够捕捉行人与车辆之间的交互，从而优于所比较的方法。