面向弱势道路使用者的多目标运动轨迹预测方法

针对复杂行驶环境下弱势道路使用者（VRU）多目标轨迹预测方法存在的预测精度不足和预测性能不稳定的问题，提出一种基于历史序列信息的面向VRU的多目标轨迹预测方法（Vulnerable Road User Trajectory Predictor， VRU_TP）。首先，为了解决预测精度不足的难题，该轨迹预测方法框架融合时空的多维运动状态特征和多维外观语义特征因子，同时基于外观特征综合考虑目标的运动意图，提取多线索的轨迹预测因子作为各个VRU目标历史轨迹的编码输入。其次，为了克服现有方法预测性能不稳定的难题，在序列到序列的编解码器方法（Seq2Seq Encoder-decoder）的基础上，从网络结构设计和网络优化策略等方面提出适用于VRU轨迹预测的门循环神经网络（GRU）。该网络融合设计的plelu6激活函数，能基于历史的序列信息映射学习未来的轨迹信息，用来提高编解码器对未来轨迹的解码能力。最后，为了验证时空多元轨迹线索和门循环神经网络优化方法的有效性和实用性，在已公开的MOT16数据库和提出的VRU-Track数据库上，采用在图像空间上通用的归一化平均位置偏移（NADE）、平均重叠率分值（AOS）评价指标以及平均成功率（ASR）和成功率曲线（Success Plot）评价指标，并进行试验验证。研究结果表明：在MOT16划分的验证集中，相比于基准方法，NADE下降了19.4%，ASR提高了22.6%；在VRU-Track数据库测试集中，NADE下降了23.0%，AOS提高了17.1%，ASR提高了16.5%；提出的VRU_TP方法减少了预测值与真值之间的位置偏移，增加了预测值与真值的重叠率，提升了各类VRU目标轨迹预测的性能，而验证了该方法的有效性。