standard download
文库搜索
切换导航
文件分类
频道
仅15元无限下载
联系我们
问题反馈
文件分类
仅15元无限下载
联系我们
问题反馈
批量下载
(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211061521.9 (22)申请日 2022.08.31 (71)申请人 南京工业大 学 地址 211816 江苏省南京市浦口区南京工 业大学江浦校区浦珠南路3 0号 (72)发明人 朱文俊 刘洋宏 易阳 张梦怡 (74)专利代理 机构 南京群迈知识产权代理有限 公司 32690 专利代理师 安士影 (51)Int.Cl. G06T 7/246(2017.01) G06T 7/73(2017.01) G06V 20/40(2022.01) G06V 10/74(2022.01) G06V 10/77(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于图神经网络的分层融合式预测方 法 (57)摘要 本发明公开了一种基于图神经网络的分层 融合式预测模型, 包括: 上层图神经网络: 用于学 习多个行人之间的空间交互; 中层图神经网络: 用于学习行人自身的终点意图; 下层图神经网 络: 将上层图神经网络获得的行人之间的空间交 互、 中层图神经网络获得的行人自身的终点意图 和行人的历史轨迹相结合, 通过时间卷积网络 TCN预测未来轨迹。 本发明还公开了一种基于图 神经网络的分层融合式预测方法。 本发明充分考 虑了内在因素和外在因素对行人未来轨迹的影 响, 用于在每个时间步模拟整个行人场景之间的 空间和时间交互, 并预测多个未来轨迹, 通过这 种方法使得轨 迹预测精度得到提高。 权利要求书4页 说明书14页 附图3页 CN 115457081 A 2022.12.09 CN 115457081 A 1.一种基于图神经网络的分层融合式预测模型, 其特 征在于, 包括: 上层图神经网络: 用于学习多个行 人之间的空间交 互; 中层图神经网络: 用于学习行 人自身的终点 意图; 下层图神经网络: 将上层图神经网络获得的行人之间的空间交互、 中层图神经网络获 得的行人自身的终点 意图和行 人的历史轨 迹相结合, 通过时间卷积网络TCN预测未来轨 迹。 2.根据权利要求1所述的一种基于图神经网络的分层融合式预测模型的预测方法, 其 特征在于, 包括以下步骤: S01, 基于在不同场景下由固定相机采集到的视频, 将其划分为若干帧图片, 选取一定 数量的帧图片作为一组, 识别每一帧图片里的行人位置并将其从图像坐标系转化为世界坐 标系; 获取每一组中的行 人轨迹, 即每个时刻下 行人的世界坐标 (x, y) ; S02, 划分行人的历史轨迹和未来预测轨迹, 对于行人 i来说, 其历史轨迹表示为 ,tobs表示为历史轨迹的时间步长; 行人 i的未来预测轨迹表示 为 ,tpred表示为未来预测轨迹的时间步长; 假设一个场 景下有 个行人, 则该场景下所有行人的历史轨迹表示为 , 该场景下所有 行人的未来预测轨 迹表示为 ; S03, 上层图神经网络中, 为了更加方便的学习行人之间的空间交互信息, 行人轨迹用 图的构造来表示; 创建一组反映行人相对位置的空间图 Gt, 定义为 ; 其中, ,Vt是空间图 Gt的顶点集合, 顶点集合中的集合元素 的属性是行 人在每个时刻下的历史轨 迹坐标点 ; 行人被视为空间图中的节点, 顶点即为节点; ,Et所代表的是空间图 的边集合, 边集合中的集合元素 的取值是0或者1, 关系到顶点 和顶点 是否相连, 1表示连接, 0表示 不连接。 3.根据权利要求2所述的预测方法, 其特征在于, S01中, 将视频划分为若干帧的方法 为: 以25Hz的采样频率将视频划分为若干帧; 一定数量的帧图片为20帧。 4.根据权利要求2所述的预测方法, 其特征在于, S03中, 加权邻接矩阵 ARel用于描述节 点 和节点 之间的逆欧几里德距离, 欧几里德距离越近, 说明相邻节点之间互相影响的 程度越大, 相邻节点之间容 易影响其行 人轨迹; 其中,ARel (i,j)=0表示相邻节点 不连接, 距离更远的行 人不会影响行 人轨迹。权 利 要 求 书 1/4 页 2 CN 115457081 A 25.根据权利要求2所述的预测方法, 其特 征在于, S0 3中, 上层图神经网络采用GAT模块; GAT模块的输入是将节点按照时间t编码的特 征向量集; 其中,N代表节点数目, 行人数目与节点数目相同; F表示特征向量的维度; 所有节点的 特征通过线性变换 转换为各种 中间表示; 表示W输出的维度; 表示编码节 点生成的特 征向量; 然后将图注意力机制GAT应用于这些节点, 并使用以下公式计算一对相邻节点 ( i,j) 之 间的关联系数: 其中, 代表在时间步长 t处节点j附近对节点 i的影响权重; 是连接节点 i和节点j 的权重矩阵W的连接函数; , 是可学习权重向量; T代表转换此可学习权重向量; LR 表示一种激活函数, 全称是LeakyReLU; exp是分子和分母都以e为底的指数运 算; 在获得节点之间的影响权重 后, 聚合相邻节点的特征, 节点 i在时间步长 t处的聚合 特征描述如下: 其中, 是聚合的隐藏状态, 包括 来自其他节点的空间影响; 所有 构成了交 互特征向量集合 ; 使用交叉熵损失函数 使每个节点的权重向量接近一个one ‑hot向量, 从而更容易在 行人轨迹连续的空间上分离行 人终点意图; 公式定义如下: 。 6.根据权利 要求5所述的预测方法, 其特征在于, one ‑hot向量是一种状态编码, 将图空 间中的离散节点间的特征的取值映射到欧式空间转化为[0, 1], 以概率的形式来体现节点 间的连接关系; 1表示连接状态, 0表示 不连接状态。 7.根据权利要求5所述的预测方法, 其特征在于, 中层图神经网络中, 结合历史轨迹观权 利 要 求 书 2/4 页 3 CN 115457081 A 3
专利 一种基于图神经网络的分层融合式预测方法
文档预览
中文文档
22 页
50 下载
1000 浏览
0 评论
0 收藏
3.0分
赞助2.5元下载(无需注册)
温馨提示:本文档共22页,可预览 3 页,如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档
下载文档到电脑,方便使用
赞助2.5元下载
本文档由 SC 于
2024-02-18 22:28:46
上传分享
举报
下载
原文档
(870.3 KB)
分享
友情链接
GB-T 2660-2017 衬衫.pdf
T-SDCMIA DD15—2019 中华大蟾蜍养殖技术规范.pdf
GB-T 30886-2014 环形套筒窑.pdf
GB-T 32456-2015 橡胶塑料机械用电磁加热节能系统通用技术条件.pdf
T-CNHAW 0010.1—2022 激光角膜屈光手术技术规范 第1部分:准分子激光角膜屈光手术.pdf
GB-T 30271-2013 信息安全技术 信息安全服务能力评估准则.pdf
GB-T 30491.1-2014 天然气 热力学性质计算 第1部分:输配气中的气相性质.pdf
民航 CTSO-C77b 燃气涡轮辅助动力装置(APU.pdf
DB14-T 2658—2023 农村公路工程技术标准 山西省.pdf
DB23-T 3277—2022 数字化农业服务信息系统建设规范 黑龙江省.pdf
T-CDJC 003—2022 交联聚乙烯卷材浮筑楼板隔声保温系统应用技术标准.pdf
T-CIE 052—2018 数据中心设施运维管理指南.pdf
GB-T 12572-2008 无线电发射设备参数通用要求和测量方法.pdf
GB-T 20984-2022 信息安全技术 信息安全风险评估方法.pdf
NB-T 10178-2019 煤矿在用继电保护装置电气试验规范.pdf
东吴证券 AI搜索行业深度 大模型催生搜索行业变革机遇,产品百花齐放效果几何 .pdf
美创 数据安全解决方案简介.pdf
GB-T 35273-2019 信息安全技术 个人信息安全规范.pdf
火绒安全 2021终端安全情报年鉴.pdf
DB37-T 4440.3—2021 城市轨道交通互联互通体系规范 信号系统 第3部分:工程设计 山东省.pdf
1
/
22
评价文档
赞助2.5元 点击下载(870.3 KB)
回到顶部
×
微信扫码支付
2.5
元 自动下载
官方客服微信:siduwenku
支付 完成后 如未跳转 点击这里 下载
站内资源均来自网友分享或网络收集整理,若无意中侵犯到您的权利,敬请联系我们
微信(点击查看客服)
,我们将及时删除相关资源。