融合距离阈值和双向TCN的时空注意力行人轨迹预测模型

摘要

为解决因缺乏部分行人建模思想、缺少时间维度的全局视野和忽略行人交互模式多样性,而导致交互建模不充分、低预测精度等问题,提出基于Social-STGCNN(social spatio-temporal graph convolutional neural network)的改进模型STG-DTBTA(spatio-temporal graph distance threshold Bi-TCN attention)。首先,构建PPM(partial pedestrian module)模块,对不满足距离阈值等约束条件的行人交互连接剪枝以去噪。其次,引入时空注意力机制,空间注意力动态分配交互权重,并设置多个注意力头以处理交互多样性问题;时间注意力捕捉时序数据的时间依赖关系。最后,采用双向TCN增加全局视野以捕捉轨迹数据中的动态模式和趋势,并采用门控机制融合双向特征。在ETH和UCY数据集上的实验结果表明,与Social-STGCNN相比,STG-DTBTA在维持参数量与推理时间接近的情况下,ADE平均降低8%,FDE平均降低16%。STG-DTBTA具有良好的交互建模能力、模型性能和预测效果。