用于Traj的数据预处理 trajnet数据集的数据预处理，用于行人轨迹预测 轨迹预测现在具有一些最先进的方法。 几篇论文分析了这些方法的准确性。 除了它们各自的性能外，在某些情况下，这些方法还难以与预测相抗衡。 想法是按类型分开轨迹，即行人移动的方式以及他/他的环境与他/他的相互作用的方式。 为了更好地可视化轨迹并简化学习，所有轨迹均进行了归一化。 第一点移向原点（0,0），并且轨迹旋转，使得第一段（在第一点和第二点之间）指向上方： 移位和旋转之前： 移位和旋转后： 轨迹有两种分类方法。 第一个重点关注感兴趣轨迹周围的交互，而第二个重点关注轨迹的方向。 对于交互分类，轨迹可能有六个不同的标准： 没有相互作用的静态轨迹 具有静态相互作用的静态轨迹 具有动态相互作用的静态轨迹 没有相互作用的动态轨迹 静态相互作用的动态轨迹 具有动态相互作用的动态轨迹 静态是指行人在数据提供的20

针对长 短期记忆网络（LSTM） 在行人轨迹预测问题中孤立考虑单个行人，且无法进行多种可能性预测的问题，提出基于注意力机制的行人轨迹预测生成模型（AttenGAN），来对行人交互模式进行建模和概率性地对多种合理可能性进行预测。AttenGAN 包括一个生成器和一个判别器，生成器根据行人过去的轨迹概率性地对未来进行多种可能性预测，判别器用来判断一个轨迹是真实的还是由生成器伪造生成的，进而促进生成器生成符合社会规范的预测轨迹。生成器由一个编码器和一个解码器组成，在每一个时刻，编码器的LSTM综合注意力机制给出的其他行人的状态，将当前行人个体的信息编码为隐含状态。预测时，首先用编码器LSTM的隐含状态和一个高斯噪声连接来对解码器LSTM的隐含状态初始化，解码器LSTM将其解码为对未来的轨迹预测。在ETH和UCY数据集上的实验结果表明，AttenGAN模型不仅能够给出符合社会规范的多种合理的轨迹预测，并且在预测精度上相比传统的线性模型（Linear）、LSTM模型、社会长短期记忆网络模型（ S-LSTM）和社会对抗网络（ S-GAN）模型有所提高，尤其在行人交互密集的场景下具有较高的精度性能。对生成器多次采样得到的预测轨迹的可视化结果表明，所提模型具有综合行人交互模式，对未来进行联合性、多种可能性预测的能力。   行人轨迹预测是指根据行人过去一段时间 的轨迹，预测其未来的轨迹，该技术在自动驾驶“和服务机器人导航中都有着广泛的应用。行人在决策的过程中比较灵活主观，甚至完全相同的场景，不同的人都会采取不同的决策。

提出一种结合群体交互信息和个体运动信息的生成对抗网络GI-GAN。首先,利用编码层中的双向长短期记忆网络BiLSTM提取观测时段内所有行人自身的运动行为隐藏特征;其次,基于双注意力模块,计算与轨迹生成关联度较高的个体运动信息和群体交互信息;最后,利用生成对抗网络进行全局联合训练,获得反向传播误差和各层的合理网络参数,解码器利用已获取的上下文信息生成多条合理预测轨迹。实验表明,与S-GAN模型相比,GI-GAN模型的平均位移误差和绝对位移误差分别降低了8.8%和9.2%,并且预测轨迹具有更高的精度和合理多样性。

首先分析了行人典型动作特征所表示的行走意图，揭示了行人在不同行走轨 迹下的动态特征转移规律；通过 7 层卷积神经网络模型识别行人在不同运动状态 下的典型动作特征，并基于动作特征的变化情况模拟了 4 种行人行走意图变化过 程，简洁明了的表示出行人实际轨迹变化时间点与行走意图改变时间点的差异。 然后对过街行人运动学特性进行分析，揭示了过街行人运动轨迹的变化对无 人驾驶汽车速度控制策略的影响，并结合行人行走意图的综合考虑，提出了基于动 作特征分析的行人轨迹预测算法，提前预测行人轨迹变化情况。 其次综合考虑行人因素(Pedestrian factor)、距离因素(Distance factor)和车速因 素(Speed factor)对主动避撞控制策略的影响，建立了不同轨迹工况下的 PDS 预估 安全距离模型；在此基础上，设计了行人主动避撞算法，通过轨迹交汇时间比较、 速度误差判断等方式规划制动策略，保障行人安全的同时兼顾制动过程的平缓性。 最后搭建 Carsim/Simulink 联合仿真模型，对比分析了传统安全距离模型与本 文所提 PDS 预估安全距离模型的制动距离和制动减速度值，表明 PDS 预估安全距 离模型在行人主动避撞算法中的优势；同时对 5 种行人轨迹变化工况进行仿真分 析，验证了所设计主动避撞算法的有效性；并结合实车试验进一步证明所设计的行 人主动避撞系统的安全性和可靠性。