摘要
摘要
行人轨迹预测是智能交通、公共安全和自动驾驶等领域的重要研究课题,
其核心目标是基于历史轨迹数据和场景环境信息,预测行人的未来移动路径。
在实际应用中,行人轨迹预测面临诸多挑战,现有方法在处理高密度行人环境、
复杂场景下的运动约束以及多智能体交互等问题时,存在对环境信息建模不足、
个体间交互关系捕捉不充分、对长时间轨迹预测的鲁棒性较差等局限性,从而
影响了预测的准确性和泛化能力。为解决这些问题,本文提出了两种模型:
摘要
摘要
行人轨迹预测是智能交通、公共安全和自动驾驶等领域的重要研究课题,
其核心目标是基于历史轨迹数据和场景环境信息,预测行人的未来移动路径。
在实际应用中,行人轨迹预测面临诸多挑战,现有方法在处理高密度行人环境、
复杂场景下的运动约束以及多智能体交互等问题时,存在对环境信息建模不足、
个体间交互关系捕捉不充分、对长时间轨迹预测的鲁棒性较差等局限性,从而
影响了预测的准确性和泛化能力。为解决这些问题,本文提出了两种模型:
文档评论(0)