面向自動駕駛汽車的信號交叉口行人多模態軌跡預測方法

摘 要：為了提高自動駕駛汽車在人車混行交叉口場景下的行車安全性，提出了一種面向自動駕駛汽車的信號交叉口行人多模態軌跡預測方法。考慮社會生成對抗網絡模型（SGAN）的社會屬性，將行人歷史軌跡作為輸入，通過生成器與判別器交替訓練，采用交叉熵損失函數進行模型優化，提出基于SGAN的行人軌跡預測模型；建立行人自驅力、行人間交互力、斑馬線邊界力和信號燈作用力的4種約束力模型，提出基于社會力模型（SFM）的行人軌跡預測模型，采用粒子群算法對SFM的不可測量參數進行標定；基于AdaBoost算法對SGAN和SFM的預測結果進行融合，通過多個弱學習器迭代訓練并動態優化各模型權重，以提高模型預測準確性；實驗基于西安市某交叉口行人數據進行對比驗證。結果表明：相比于單一SFM模型和單一SGAN模型，該文方法的平均位移誤差（ADE）和最終位移誤差（FDE）分別提高了約21.7%和10.5%，尤其在繞行超越、結伴等復雜行為場景中，該方法能夠實現更精準的行人軌跡預測。

關鍵詞：自動駕駛；城市交叉口；行人；軌跡預測；融合模型

A multimodal trajectory prediction method of pedestrians at signalized intersections for autonomous vehicles

Abstract： A multi-modal trajectory prediction method of pedestrians at signalized intersections for autonomous vehicles was proposed to improve the driving safety of autonomous vehicles in the mixed traffic with pedestrian and vehicles. Firstly， considering the social attributes of the Social Generative Adversarial Network （SGAN） model， the pedestrian history trajectory was taken as the model input， the generator and discriminator were trained alternately， and the cross-entropy loss function was used to optimize the model， and then a pedestrian trajectory prediction model based on SGAN was proposed. Secondly， four binding force models based on pedestrian self-drive， pedestrian interaction， zebra crossing boundary force and traffic light force were established， and then a pedestrian trajectory prediction model based on Social Force Model （SFM） was proposed. The particle swarm optimization algorithm was used to calibrate the non-measurable parameters of SFM. Finally， based on the AdaBoost algorithm， the prediction results of SGAN and SFM were fused， and the weights of each model were iteratively trained and optimized dynamically by multiple weak learners to improve the prediction accuracy of the model. Based on the pedestrian data of an intersection in Xi'an city， the experimental analysis and verification were carried out. The results show that the average displacement error （ADE） and final displacement error （FDE） of the proposed method are increased by about 21.7% and 10.5%， respectively， compared with the single SFM model and the single SGAN model. The proposed model can realize more accurate pedestrian trajectory prediction.

Key words： autonomous driving; urban intersections; pedestrian; trajectory prediction; integration model

弱勢交通參與者 （vulnerable road users，VRU） [^{1] 作為交通系統的核心組成部分，其運動軌跡的精確推理與預測對于自動駕駛技術安全落地具有重要意義。根據世界衛生組織《全球道路安全現狀報告》，每年全球道路死亡人數達到 135 萬人。其中，超過一半的事故受害者是弱勢交通參與者 [2]}。其中，行人獨特的運動特性與過街行為模式高度復雜且多變，尤其在人車混行的信號交叉口，行人可能依據車輛接近速度、信號燈狀態等因素，采取加速穿越、暫停避讓、闖紅燈甚至反向退避等多種隨機行為策略，極大地加劇了自動駕駛系統決策控制過程中的不確定性。因此，提升自動駕駛系統對行人運動軌跡的預測能力，構建更為精確且靈活的自動駕駛決策控制框架，成為推動自動駕駛技術安全發展亟需攻克的核心挑戰之一。

為了準確地預測行人的運動軌跡，近年來國內外研究者提出了諸多理論與方法。按照預測模型劃分，現有的方法主要可以分為2大類：物理模型和數據驅動模型。其中，物理模型包括切換線性動力學系統（switch- ing linear dynamical system，SLDS） [^3]、動態Bayes網絡 （dynamic Bayesian network，DBN） [4^]和社會力模型（social force model，SFM） [^5]等。數據驅動模型主要包括卷積神經網絡（convolutional neural network，CNN） [6^]、長期短期記憶網絡（long short-term memory network，LSTM） [7^]和社會生成對抗網絡模型（social generative adversarial network，SGAN） ^[8]等。如S. Eiffert等^[9]提出了利用圖注意力網絡建模車輛與行人間社會互動的方法；QUAN Ruijie等^[10]整合多種信息源以提升軌跡預測精度，提出了全局長短期記憶網絡（holistic long short-term memory network，Holistic LSTM）；XU Yi等^[11]利用圖神經網絡的可遷移性來提升模型在各種場景下的預測能力，提出了可遷移圖神經網絡（transferable graph neural network，T-GNN）框架；P. Dendorfer 等^[12]通過引入多個生成器來捕捉不同的軌跡模式，提高模型對不同軌跡分布的適應能力，提出了多生成器模型（multiple generator generative adversarial network，MG-GAN）；K. E. Kexin等^[13]通過將預測任務視為運動不確定性擴散的逆過程來建模未來運動狀態的多模態性，能夠有效處理復雜多變的運動狀態。物理模型和數據驅動模型各有優勢和局限性。對于物理模型，SLDS和DBN在處理非線性軌跡以及捕捉交通環境影響方面能力有限。SFM雖然依賴一些規則和特征能夠預測行人的即時反應，但無法處理信息的長期依賴性。對于數據驅動方法，盡管依賴時間序列在軌跡預測方面表現出較高的精度，但仍有改進空間，如數據驅動方法無法像物理方法那樣微觀描述行人的社會行為。為彌補數據驅動方法和物理方法的不足，提升行人軌跡預測的效果，需要一種融合兩者優勢的軌跡預測方法。如CHEN Hao等^[14]提出了一種基于門控循環單元 （gated recurrent unit，GRU）和SFM融合的VRU軌跡預測方法，并取得了較好的預測效果。但是，GRU在捕捉復雜的社會交互行為方面能力有限，且在面對極其復雜的非線性動態變化時表現較差。相比之下，SGAN能夠更好地模擬行人之間的互動，并且更擅長捕捉軌跡數據中的非線性動態特征，通過對抗訓練機制，能夠學習到數據中更復雜的模式。

目前，現有的行人軌跡預測方法在應對復雜行為模式時，往往難以同時考慮環境、社會關系等多種因素，導致預測精度和適用性受限。因此，如何結合行人個體和群體行為，特別是結伴和避碰行為等特征構建更精確的預測模型，成為當前研究的重要挑戰之一。基于上述研究基礎，本文提出了一種面向自動駕駛汽車的信號交叉口行人多模態軌跡預測方法，融合 SFM 和SGAN 模型的優勢特征，提高模型對行人非線性軌跡預測的精度和適應性。

1"" 信號交叉口行人軌跡特征分析與建模

在城市交通場景中，行人通過信號交叉口時，其行為表現出高度的動態性和不確定性，不僅受交通信號燈的影響，還會與其他行人和道路邊界等環境因素產生交互，增加了預測軌跡的復雜性和關鍵性。通過研究結果 ^{[15-16] 和數據分析可知，行人通行信號交叉口}時的行為特征主要體現在：

行人對交通規則的遵守程度不同，多數行人軌跡集中在斑馬線內部，少數行人選擇在非斑馬線區域穿行。

行人的運動狀態受信號燈狀態影響較為明顯。如當行人信號燈綠燈開始閃爍時，行人會提高行進速度以盡快通過交叉口，而斑馬線外的行人停止通行并等候。

行人結伴行為在行人通過信號交叉口場景較為普遍，他們在一段時間內將保持相似的運動狀態。

行人軌跡可能與同向或對向行人產生沖突。為了避免碰撞，行人會采取繞行或超越等方式，導致其軌跡產生波動。

為此，如圖1 所示，本文提出了信號交叉口行人多模態軌跡預測方法。首先，將SGAN 作為一個基本模型，用生成器和判別器交替訓練，并采用交叉熵損失函數來優化生成器和判別器的性能，對行人軌跡進行預測；其次，將 SFM 作為另一個基本模型對行人軌跡進行預測，建立的 SFM 模型包括自驅力、行人之間交互力、斑馬線邊界力和信號燈作用力，并用粒子群算法對模型中的不可測量參數進行多目標尋優；最后，基于這些多模態預測軌跡數據，利用 AdaBoost 算法將 SGAN 和 SFM 進行融合，輸出行人的預測軌跡。在此過程中，基本模型的預測軌跡被劃分為新的訓練集和測試集，用于融合模型的訓練和測試。

本文使用 AdaBoost 集成 SFM 和 SGAN 模型輸出的行人預測軌跡，可以充分發揮 2 種模型的優勢特征，以達到提高精度的效果。首先，SFM 側重于行人的運動狀態 （ 包括歷史位置、速度和加速度等 ），有助于模擬行人與環境及其他行人之間的相互作用；其次， SGAN 模型通過深度學習自動提取復雜的行為模式 （ 包括歷史軌跡、鄰域軌跡和時序特征等 ）。歷史軌跡捕捉行人過去的運動信息，鄰域軌跡考慮周圍行人的行為，增強群體行為的預測能力，時序特征則有助于捕捉軌跡中的時間序列依賴性，能夠對未來運動趨勢的預測精度。在 AdaBoost 集成模型中，將 SFM 和 SGAN 的預測輸出作為輸入特征，通過結合兩者的結果，動態優化特征權重，從而改善最終輸出軌跡的預測效果。集成模型通過將基本模型的預測結果與真實軌跡進行誤差估計，根據誤差調整模型的權重分配，通過迭代優化，提高模型的預測精度。

2"" 基于 SGAN 的行人軌跡預測方法

社會生成對抗網絡 （SGAN） 是由生成對抗網絡 （generative adversarial network，GAN） 改進得到的一種考慮行人簡單社會行為的模型。SGAN 結合了GAN的框架，并加入社會池化層以捕捉行人之間的互動和依賴關系。SGAN 由生成器 （generator） 和判別器 （dis- criminator） 2 個主要部分組成。生成器采用長短期記憶網絡 （LSTM） 層結構，輸入歷史軌跡數據，生成未來軌跡；判別器使用卷積層結構，評估生成行人軌跡的真實性。

生成器的網絡結構包括兩層LSTM，每層包含128個隱藏單元。具體說，給定行人i的歷史軌跡，其中T為歷史時間步數，這里取T = 20。生成器通過兩層LSTM將其映射到未來軌跡，其中T '為預測時間步數，取值為30。即用歷史20個時間步行人軌跡來預測未來30個時間步行人軌跡。生成器的輸出表示為

其中：G表示生成器，θ_G為生成器的參數。

判別器的輸入為生成軌跡和真實軌跡，經過 3 層卷積層后輸出真實性評分。設 D 為判別器，θ_D 為判別器的參數，判別器的輸出為

其中：Conv₁、Conv₂、Conv₃分別表示3層卷積層的操作。訓練過程中，生成器和判別器交替訓練，生成器試圖生成逼真的未來軌跡，而判別器則試圖區分生成的軌跡和真實軌跡。本文采用交叉熵損失函數來優化生成器和判別器的性能。生成器的損失函數定義為

判別器的損失函數定義為

其中：p_data（x）表示真實數據的分布，p_z（z）表示噪聲數據的分布。

本文基于西安開元路-正則路交叉口歷史軌跡數據，并將其分割成訓練集和驗證集。訓練SGAN模型時，讓生成器和判別器交替訓練。首先，生成器訓練，固定判別器的參數θ_D，最小化生成器的損失函數L_G，更新生成器的參θ_G；其次，判別器訓練，固定前面更新的生成器的參數θ_G，最小化判別器的損失函數L_D，更新判別器的參數θ_D；依次類推，交替進行。SGAN被用作多模態中的一種，通過生成未來軌跡，為后續的AdaBoost融合提供一種模態的訓練數據。

3"" 基于 SFM 的行人預測方法

自社會力模型提出以來，許多研究者根據不同的應用場景提出了一系列變體 ^[17-18]。本文 SFM 模型考慮了行人在通行時受到的 4 種力：自驅力、斑馬線邊界作用力、行人之間交互力以及信號燈作用力。

3.1"" 自驅力

自驅力是指行人向目標位置移動的自發驅動力，如圖2。在沒有外界干擾時，行人會沿直線路徑向目標前進。然而，當受到其它環境因素的影響時，行人的行走方向可能會發生改變，此時行人會在自驅動力作用下重新調整回到理想方向直線路徑。對此，自驅力可建模為

其中：v_d為理想速度矢量，其大小為理想速率，方向是行人的前20幀的起點和終點連線方向；v_a為實際速度矢量；τ_a為松弛時間，衡量行人反應時間。

3.2"" 斑馬線邊界作用力

行人在過馬路時通常會選擇在斑馬線內行走，這是一種心理的作用力在約束行人。本文的斑馬線邊界力據此建立。當行人因避讓等原因走出斑馬線時，斑馬線邊緣會有吸引力，促使行人回到斑馬線內；當行人在斑馬線內行走，但受周圍環境影響有可能向邊緣偏離時，斑馬線邊緣會施加排斥力，使行人保持在斑馬線內，如圖 3 所示。這種斑馬線約束力建模為

其中：A_b、B_b、A_br、B_br分別為斑馬線外約束力強度、斑馬線距離影響系數、斑馬線內約束力強度、斑馬線距離影響系數，這4個系數為不可測量參數；B_x 、B_x 為斑馬線邊界的橫坐標（圖3中假設斑馬線在二維平面上是上下走向，左右走向的斑馬線同理）；x 和v 分別為行人α的橫坐標及其對應速度的x方向分量；n₁ = [?1，0] ，n₂ = [1，0]為垂直于斑馬線邊界的2個單位向量。

3.3"" 行人之間交互力

當一個行人視野范圍內出現其他行人時，會產生避讓意圖。這個趨勢同樣也可以通過建立行人之間的相互作用力來體現，如圖 4 所示。

本文中，視野范圍設定為一個以速度方向為角平分線，半徑 R = 8 m，圓心角Angel = 170° 的扇形區域 ^[19]。行人的力場被建模為一個橢圓 ^[20]，橢圓的 2 個焦點分別是行人的當前位置以及當前狀態保持不變下一個時間步到達的位置。行人之間的相互作用力建模為：

其中：A_p和B_p分別為行人作用強度系數、行人距離影響系數，這2個系數為不可測量參數；P_α和P_β為行人α和行人β的位置向量；v_β為行人β的速度向量；Δt為時間步長；n 為力場橢圓上行人α所在點的法線方向；b 為橢圓的半短軸。

3.4"" 信號燈作用力

行人的心理狀態在信號燈變為綠閃或紅燈時會發生顯著變化，從而導致其速度、加速度產生變化。因此，信號燈的狀態可以被視為一種作用于行人的外力^[21]。當信號燈為綠燈時，對行人沒有影響；當信號燈從綠燈變為綠閃時，行人為了在綠閃結束之前通過人行橫道，會選擇加速行走；當信號燈從綠閃變為紅燈時，車輛獲得路權，行人為了自身安全需要盡快通過人行橫道，同樣會選擇加速行走。具體場景如圖 5 所示。

信號燈作用力如下：

其中：A_s、B_s分別為信號燈作用強度系數、信號燈距離影響系數，這2個系數為不可測量參數；P_α（t）是t時刻行人α的位置；P" 是沿當前理想速度方向與斑馬線邊界的交點；n_α是指向邊界交點的單位向量。

上述 4 種因素共同組成的合力作用于行人，得到行人下一個時間步的速度更新和位置更新：

其中：F 為行人α所受合力，包括：目標點對行人的作用力F_d，斑馬線對行人的約束力F_b，行人之間相互作用力F ，信號燈對行人影響力F 。上述力均已考慮行人質量，可視為加速度。P 和P" 分別為t時刻和t + 1時刻行人α所在的位置，v 和v 分別為t時刻和t + 1時刻行人α的速度，F為t時刻行人合力的大小，Δt = 0.1 s為時間步長。

參數標定

模型中A_p、B_p、A_b、B_b、A_br、B_br、A_s、B_s 等 8 個參數不可直接測得，本文基于粒子群算法^{[22] 對參數進行多}目標尋優，從而使 SFM 輸出軌跡預測的最優解。標定過程如下：

首先對粒子群進行初始化。每個粒子的位置代表 8 個需要尋優的參數，分布記作 p₁，p₂，...，p₈，初試速度也由每個粒子隨機生成。每個粒子的位置和速度都會在后續步驟中不斷調整。

初始化完成后，計算每個粒子在當前參數位置上的適應度值，適應度函數用于評估這 8 個參數對SFM 模型預測的效果。

根據當前適應度值，利用式 （14） 和式 （15） 更新每個粒子的速度和位置。新的速度使得粒子向更優解方向移動，8 個參數隨著位置的變化而更新。

其中：v_i（t）是粒子i在時間t的速度向量；w是慣性權重，控制粒子當前速度對下一步速度更新的影響程度；c₁和c₂是加速常數，通常取值為正值；r₁和r₂是在區間[0，1]內的隨機數，用于增加隨機性；p_i是粒子i的個體最優位置；g是全局最優位置；x_i（t）是粒子i在時間t的位置向量。

對每個粒子，比較其當前適應度與歷史最優適應度值，如果當前值更優，則更新粒子的個體最優參數組合。通過比較所有粒子的個體最優解，找到 8 個參數的全局最優解 g。

重復步驟2）— 步驟4），直到達到最大迭代次數。通過不斷迭代優化，8 個參數逐漸逼近最優值；輸出 8 個不可測量參數的全局最優解，SFM 最終生成全局最優的預測軌跡。

4"" 基于AdaBoost 的行人軌跡融合預測方法

AdaBoost 算法 ^{[23] 通過增加誤差較小模態的權重，}減少誤差較大模態的權重，從而調整多模態預測結果中每一種的權重。本文使用 AdaBoost 作為融合 SFM和SGAN 的元模型。

在開始訓練前，每個訓練樣本i的權重w 被初始化為相等的值。若有N個樣本，則每個樣本的初始權重為

決策樹回歸器易于實現，且能處理復雜的數據結構，因此本文使用決策樹回歸器^{[24] 作為弱學習器對} 2種方法進行融合^[25]。對于 SFM 和 SGAN 輸出的所有樣本，通過AdaBoost 算法，從第 2 個樹模型開始，每個連續的樹模型都更關注所有樣本中前一個樹模型預測誤差較大的樣本。每個樹模型的訓練過程中，SFM和 SGAN 輸出的各樣本所占的權重會根據前一個模型預測的不同精度進行調整，預測誤差大的樣本在下一個模型的訓練中會占有更高的權重，從而使模型對這些困難點針對性地處理，進而使得這些簡單的決策樹模型可以持續得到改進。

其中，誤差大小用錯誤率表示，錯誤率是指被錯誤分類樣本權重之和，權重根據樣本是否被正確分類來調整，被錯誤分類的樣本權重增加，而被正確分類的樣本權重減少。由于預測軌跡幾乎不可能與實際軌跡完全一致，本文通過計算真實軌跡與預測軌跡的偏離程度來衡量錯誤率。錯誤率 ε 和更新權重w 分別為：

其中：p" 、p分別是SFM和SGAN輸出樣本中第t輪第i個樣本的實際位置、第t輪第i個樣本的預測位置；α_t是訓練到第t輪弱學習器的權重，反映了該弱學習器在最終學習器中的重要程度；α_t通常是根據整體的錯誤率ε_t來調整，并使錯誤率高的樣本在下一輪中的權重增大，α_t的計算式為

在權重更新迭代過程結束后，需要將所有弱學習器通過它們的 α_t 值加權結合起來，形成最終的一個強學習器模型。這個組合弱學習器的過程用這樣一個決策式表示：

其中：h_t（x）是第t個弱學習器的預測函數，α_t是對應的權重，T是弱學習器個數。

通過上述過程，可以將 SFM 和 SGAN 模型進行融合，得到行人的預測軌跡。

基于 AdaBoost 的行人軌跡融合預測方法的偽代碼如算法 4-1 所示。

5"" 實驗驗證與分析

實驗基于SIND數據集^[26]中西安交叉口的行人數據進行驗證。圖6a和圖6b所示為西安尚林路-草灘四路交叉口和開元路-正則路交叉口的100 m高空俯瞰圖，兩交叉口斑馬線寬度均為6 m，長度見圖6a和圖6b中標注，相互平行的斑馬線處信號燈同時放行。本文的融合模型包含2個基本模型：SFM和SGAN模型。西安市開元路?正則路交叉口數據集被分為訓練集和驗證集用于SGAN模型，西安市尚林路-草灘四路交叉口數據集用作SFM和SGAN模型的測試集，進而得到多模態預測軌跡數據集。其中，SFM使用MATLAB 2020a搭建，SGAN使用 Python 3.7搭建。系統版本為Windows 11，CUDA 11.2， Pytorch 1.10，硬件配置為NVIDIA GeForce GTX 3090工作站。

本文對行人軌跡數據進行了一系列預處理，去除了數據集中靜止行人的軌跡以及距離斑馬線較遠行人的軌跡。將基本模型預測得到的多模態預測軌跡及其對應的真實軌跡數據對齊，作為 AdaBoost 融合模型的輸入。將多模態數據集 （1 052 條對齊軌跡） 按以 8∶2的比例劃分為訓練集和測試集。圖 7 是行人軌跡分布圖和軌跡分布熱力圖。

如圖 7b 所示，不同區域的行人密度存在顯著差異，顏色從淺藍色到深藍色表示行人密度從低到高。表明行人主要集中在斑馬線區域，其行人密度最高。基于熱力圖的形狀可以推斷出行人在這些高密度區域之間的流動路徑，尤其是在左右兩側的高密度區域之間存在明顯的通道連接。

實驗采用粒子群算法對 SFM 中的 A_p、B_p、A_b、B_b、 A_br、B_br、A_s、B_s 等 8 個參數進行多目標尋優。粒子數量設定為 50，給 ADE 和 FDE^{[27] 平均分配權重，尋找最優解使得行人預測軌跡與實際軌跡相比綜合誤差最小。具體參數標定見表 1。}

如圖 8 所示，平均信息熵值隨著幀數的增加不斷增加。當總幀數小于 20 幀時，曲線曲率逐漸由高變低且變化較快；當總幀數大于 20 幀時，曲線曲率的變化速度保持在一個較低狀態。在前期的數據中包含了行人軌跡的主要信息，因此熵值增速較快，而后期的數據中包含過多重復信息，但仍存在微小的噪聲或細微的變化，這些微小變化對熵值貢獻較小，因此上升幅度緩慢。本文 2 個基本模型的時間步長均為 0.1 s，均使用歷史 20 幀（2 s） 來預測未來 30 幀（3 s） 軌跡情況。若采用過多的歷史數據，噪聲會不斷累積，而有效信息卻沒有增加，模型需要處理大量不必要信息，進而干擾模型運算，會降低預測準確性。

基于式 （21） 和式 （22），平均信息熵需要計算每一幀的運動變化，基于式 （23） 根據運動變化進行分箱聯合計算概率分布，最終基于式 （24） 計算得到信息熵值。

其中，（x_i，y_i）是位置信息，Δ x_i和Δy_i是每一幀之間的變化量，f （x_i，y_i）是每個分箱組合的頻數，N是總的數據點數。

5.1"" 模型對比分析

5.1.1 預測精度

本文使用 ADE 和 FDE 這 2 個量化指標評估模型的預測精度，其計算方法如式 （25） 和式 （26） 所示：

其中：P 是行人第i個軌跡點的真實位置，P 是行人第i個軌跡點的預測位置；P是行人最后一個軌跡點的真實位置，P^pre 是行人最后一個軌跡點的預測位置。

為了評估融合模型在精度上的優越性，本文對比了單一 SFM、單一 SGAN 模型以及融合模型在尚林路數據集上的行人軌跡預測精度。ADE 和 FDE 值如表 2 所示，融合模型的 ADE 和 FDE 分布情況見圖 9。

從表2可以看出，融合模型在ADE和FDE上的表現優于單一模型。與單一SFM相比，融合模型的ADE和 FDE分別降低了23.8%和19.6%；與單一SGAN相比，融合模型的ADE和FDE分別降低了11.1%和9.8%。從圖9看出融合模型的ADE和FDE分布較為集中，驗證了融合模型的有效性。

5.1.2 不同場景下的行人軌跡預測

實驗通過簡單軌跡預測逐漸過渡到較為復雜的軌跡預測，分別對比了本文模型對平穩軌跡、明顯波動軌跡、結伴行為軌跡、避碰行為軌跡的預測效果圖。在證明了融合模型預測平穩軌跡的有效性 （ 如圖 10） 以及明顯波動軌跡的優越性 （ 如圖 11） 之后，實驗進一步驗證了融合模型對行人的結伴、避碰這 2 種交互行為意圖預測的有效性 （ 如圖 12 和圖 13），并針對上述場景中對行人意圖的捕獲成功率，對比了SFM、SGAN 模型和融合模型 （ 如圖 14）。

圖10對比了單一SFM、單一SGAN模型以及融合模型在平穩場景下的預測效果（圖中紅色箭頭表示行人的行走方向）。如圖10可知，對平穩軌跡進行軌跡預測時，3種模型對真實軌跡的總體趨勢都能較好的預測，但是融合模型的輸出結果為非線性軌跡，更加貼合實際情況。證明了在平穩場景下融合模型相較基本模型的優越性。圖 11 對比了3 種模型對明顯波動軌跡的軌跡預測效果。圖11a 和圖 11b 中軌跡相對其他 2 個場景波動較小，3 個模型預測軌跡均沿相似方向，表明它們都能一定程度上模擬行人移動。SFM 和SGAN 模型軌跡在后期明顯偏離真實軌跡，盡管 SFM 在描述行人運動行為方面有優勢，但在處理非線性軌跡和時間上相對靠后的區域時精度不足。而 SGAN 則依賴時間序列學習軌跡模式，生成相對逼真的軌跡，但誤差隨著時間的推移逐漸增大。而融合模型的軌跡誤差最小，證明了其在精度方面的優勢。圖 11c 和圖 11d 展示了行人意圖變化幅度相對較大的軌跡。SFM 和SGAN 在對這種變化幅度較大的軌跡做預測時，往往輸出線性軌跡，并且易偏離正確方向。而融合模型不僅可以預測出真實軌跡的意圖方向，還能較好地擬合曲線細節，精度較高，證明了其對明顯波動軌跡預測的優越性。可見相比單一 SFM 和單一 SGAN 模型，融合模型結合了兩者的優勢，在捕捉復雜軌跡模式方面具有優越性。

圖 12a 中，2 個行人一直保持結伴狀態，模型能夠準確捕捉到這一狀態。預測軌跡與真實軌跡總體趨勢一致，說明了融合模型在捕捉個體間相互影響和同步移動方面表現較好。圖 12b、圖 12c 和圖 12d 展示了另外 3 組結伴行為的軌跡對比。真實軌跡與預測軌跡的重合度較高，表明融合模型能夠有效模擬結伴行為，并且預測精度較高，對結伴行為的適應性較好。

圖 13a 中，行人之間互相超越，為避免碰撞，在產生足夠間距后開始改變行走方向。預測軌跡與實際軌跡擬合較好，表明模型能夠準確捕捉到行人避碰超越意圖。圖 13b 中，2 個不同方向行走的行人在區域內產生沖突，在到達沖突區域之前需要采取避碰措施。預測軌跡能較好體現兩者間的讓行避碰關系，表明模型能夠準確捕捉到行人避碰讓行意圖。圖 13c 中，2 個相向行走的行人即將發生沖突，其中一個行人繞行避碰。預測軌跡在整體趨勢上，尤其在關鍵避碰繞行時刻，與實際軌跡趨勢一致，表明模型能準確捕捉到行人避碰繞行意圖。圖 13d 中，上方行人緩慢改變方向以避免碰撞，逐漸向下方匯入。預測軌跡的方向變化在整體趨勢上與實際軌跡較為重合，融合模型在不同避碰行為場景中表現良好，表明模型能夠準確捕捉行人避碰意圖。

基于 SFM 進行軌跡預測時，預測的軌跡總體方向一直是與理想速度的方向一致，因此對行人的隨機行為難以做出準確預測。由于 SFM 中構建有行人之間的交互排斥力，因此對于避碰行為軌跡預測成功率相對較高；SGAN 模型依賴時間序列學習大量數據，并可以一定程度地描述社會行為，對行人社會意圖的識別更加充分，因此相比 SFM 對非線性軌跡有更高的適用性；而集成模型結合 SFM 對社會行為的具體細節描述以及 SGAN 模型對非線性軌跡的較高適用性優勢，對明顯波動、結伴、避碰這 3 種復雜場景預測成功率優于單一 SFM 和 SGAN 模型。如圖 14 所示，對于 3 種類型軌跡：明顯波動軌跡、結伴軌跡、避碰軌跡，通過統計測試樣本中的這 3 種類型軌跡的預測結果，得到融合模型的預測成功率分別是 73.6%、86.7%、91.3%，略高于SGAN 模型的預測成功率，遠高于 SFM 模型的預測成功率，再次驗證了集成模型在非線性軌跡意圖預測方面的優越性。

6"" 結論與展望

本文結合社會生成對抗網絡模型（SGAN） 的時間序列依賴、非線性特征捕捉能力和社會力模型（SFM）對行人運動行為的微觀描述特性，基于AdaBoost 算法提出了信號交叉口行人多模態軌跡的融合預測方法，并在西安某交叉口公開數據集進行驗證。結果表明：本文模型在累積誤差方面有顯著改善，在平均位移誤差 （ADE） 和最終位移誤差 （FDE） 這 2 種指標上與 SFM 和 SGAN 模型相比，分別提升了約 21.7%、10.5%。尤其對于明顯波動的非線性軌跡擬合效果較好，能夠更準確地預測明顯波動的行人軌跡，在細節處擬合較好。對于行人的結伴、避碰等行為意圖可以較好捕獲，能夠更準確地預測行人交互的真實動態意圖。

本研究的對象主要針對城市信號交叉口斑馬線區域，主要考慮行人之間交互以及周圍環境等因素對行人軌跡的影響，然而影響行人軌跡的因素可能還包括天氣、車輛、其他弱勢交通參與者（VRU）、道路大小及線性情況等多種因素。因此，下一步研究將考慮車輛和其他 VRU（ 如兩輪車、三輪車等 ） 或其他相關因素對行人的影響，進一步完善行人軌跡預測方法，提高預測精度。