买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉浙江工业大学申请的专利一种基于注意力机制的多场景自适应行人轨迹预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119579642B 。

龙图腾网通过国家知识产权局官网在2025-11-28发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411445467.7，技术领域涉及：G06T7/246；该发明授权一种基于注意力机制的多场景自适应行人轨迹预测方法是由蒋一波;周轲;陈伟杰设计研发完成，并于2024-10-16向国家知识产权局提交的专利申请。

本一种基于注意力机制的多场景自适应行人轨迹预测方法在说明书摘要公布了：一种基于注意力机制的多场景自适应行人轨迹预测方法，通过构建一种自适应的行人轨迹预测模型实现多场景下的轨迹预测，模型设计包括使用多头注意力机制提取历史轨迹特征，以及社会注意模块利用图卷积网络捕捉行人间互动，而轨迹对齐模块进一步对比和对齐不同场景下的轨迹特征；最后，通过样本加权的强化训练策略，优化模型对复杂轨迹的学习能力。本发明能够显著提高行人轨迹预测的准确性，提高整体预测性能和鲁棒性。

本发明授权一种基于注意力机制的多场景自适应行人轨迹预测方法在权利要求书中公布了：1.一种基于注意力机制的多场景自适应行人轨迹预测方法，其特征在于，所述的方法包括以下步骤： 1行人历史位置信息获取，采集场景中的图像信息，提取设定时间步长的历史观察位置作为行人轨迹预测的基本位置信息； 2设计社会注意模块以捕捉行人的互动信息，利用图卷积网络进一步学习运动趋势，输出时空特征； 3设计轨迹对齐模块以充分捕捉不同场景下个体行为的多样性，计算差异并对齐得到行人轨迹的对比差异特征，最终将其融入到主干网络以获取行人轨迹的预测结果； 4行人轨迹预测主干网络模型设计：基于多头注意力机制捕获行人历史轨迹序列的特征信息，并结合循环神经网络预测未来时间步长的行人轨迹位置，最终使得模型能够适应不同场景下的轨迹预测任务； 5行人轨迹预测模型训练：采用了样本加权的强化训练策略以加强对复杂轨迹的学习；为每个训练样本分配一个权重，并在训练过程中动态更新这些权重，对于那些行人轨迹预测精度较差的样本，增加其训练权重，使其在后续训练中得到更多关注，从而提高模型对复杂轨迹样本的预测准确性； 所述步骤1的过程如下： 1.1采集场景中的图像信息，提取时间步长的历史观察位置作为行人轨迹预测的基本位置信息，即： ； 其中，Tobs根据实际情况进行设定，表示第i个行人的基本位置信息，包括在时间步的行人二维平面位置信息，如下： ； 其中，和分别表示第i个行人在时间步下的二维横纵位置坐标信息； 1.2采集并提取第i个行人在时间步长的轨迹位置信息为： ； ； 其中，Tpre根据实际情况与Tobs进行设定，和分别表示第i个行人在时间步下的二维横纵位置坐标信息； 所述步骤2的过程为： 2.1行人轨迹预测的节点表示设计，在社会注意模块中通过图描述行人的运动轨迹，在每一个时间步长中行人之间的互动被抽象定义为图表示 其中，是图中行人的顶点集，代表在时刻所有行人，即N个行人的顶点集；的值为第i个行人在时刻观测到的坐标位置；边集合表示第i个和第j个行人之间的关系，为每两个行人相互之间均构造关系边；而特征集合定义为： ； 其中，为权重，为ReLU激活函数； 2.2计算社会软注意函数，行人之间的互动包括相向而行、相背而行以及并排行走；提出一种社会软注意函数来构建邻接矩阵，表示第i个和第j个行人之间的注意权重，计算如下： ； 其中，和分别是行人i和行人j在时刻的速度向量；和分别表示速度向量和和两个行人连接路径之间的夹角，和分别表示行人i和行人j在时刻的位置坐标； 此外，当，即两行人节点相同时，利用表示节点的自注意值，且的值根据邻接矩阵中元素的最大值被设置0.1； ①当行人双方相向而行时，两人的速度向量形成的夹角和均为锐角；此时和均大于零，计算结果大于0；则表明两个人之间具有显著影响，行人双方需要注意对方以避免正面碰撞； ②当行人双方相背而行时，两人的速度向量形成的夹角和均为钝角；此时和均小于零，的计算结果被限制为0；则表明背向离开的行人双方之间没有直接的相互影响； ③当行人双方并排行走，即行人i在前，行人j在后时，两人的速度向量形成的夹角α是钝角，而β是锐角；若行人j的移动速率明显高于行人i，则存在未来碰撞的可能性，此时注意函数输出大于0，表明有潜在的碰撞风险；相反，如果行人j的速度低于行人i，那么碰撞风险不存在，注意函数的输出将被设置为0； 碰撞风险的大小采用自然函数形式，以表示行人间随着欧氏距离和相对速度影响的非线性指数变化； 2.3轨迹域特征输出，利用图卷积网络GCN进一步提取时空特征，在时间步长时刻进行图卷积运算，即： ； ； 其中，为在时间步长时的邻接矩阵，为图的次矩阵，为单位矩阵，将时间步长到的邻接矩阵堆叠为： ； 次矩阵堆叠为： ； 同时，将GCN层级中第层的特征矩阵堆叠为： ； 因此，计算经过第层的GCN输出为： ； 其中，为第层的可学习参数，共采用三层GCN网络层提取观测轨迹的时空特征表示，则；并且定义经过最后一层GCN网络得到的特征表示为，其中为轨迹域中的行人数量，和为提取后特征的数据维度。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人浙江工业大学，其通讯地址为：310014 浙江省杭州市拱墅区朝晖六区潮王路18号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。