摘要：针对交通碰撞场景下电动两轮车轨迹预测速度慢导致车辆无法快速预测未来碰撞风险的问题，本文提出一种电动两轮车运动轨迹预测轻量化模型 (tinyTrajectoryPrediction，TP-tiny)的建模方法。首先，构建了基于无锚框方法的检测模型 (VehicleandElectricTwo-WheelersDetection，VEDet)，解决了由于电动两轮车对骑车人遮挡导致的误检漏检问题。同时构建了轻量化跟踪网络(MobileSimpleOnlineandRealtimeTracking，MobileSort)，并采用分组卷积代替传统卷积重新排序卷积层的通道。另外使用 Arcface (Additive Angular Margin Loss)为跟踪模型的损失函数，提高了模型在交通碰撞场景下对目标物重识别的能力。其次，使用变分自编码模块学习数据隐变量空间的概率分布潜在属性，并构建新的元素实现对历史轨迹隐数据的降噪处理。采用 V-GAN (GenerativeAdversarialNetworkwith VariationalAuto-Encoder)预测模块实现电动两轮车未来轨迹预测及图像可视化。最后，基于 TRAF (DenseandHeterogeneousUrbanTrafficDataset) 和VRU-TRAVi (VulnerableRoadUsersTrafficAccidentdatabasewithVideo) 数据集分别验证了 TP-tiny 模型的预测性能和运行速度。结果表明：VEDet 模型大小为 2.1 M，分别为 Yolov4-tiny、Yolov5s 及 CornerNet 基准模型的 1/6、1/7 和 1/4，检测速度约为上述基准模型的 7.8 倍、5.5 倍和 1.3 倍；MobileSort (8.6 M) 模型大小(检测速度)分别为 DeepSort，MOTDT 的 1/10(2.25 倍) 和 1/2(2.13 倍)；TP-tiny 模型大小为 14.3 M，运行速度约为 Social-GAN、GCN 的 5.46倍 和 3.7 倍。在未来 3s 的预测时域中，TP-tiny 模型在保证电动两轮车轨迹预测精度的前提下，进一步提高了预测速度，证明了模型的有效性。
文章目录
0 引言
1 方法
1.1 整体方法架构
1.2 检测-跟踪轻量级模型
1.3 运动轨迹预测模型
2 结果
2.1 检测-跟踪轻量化模型性能
2.2 运动轨迹预测模型性能
2.3 基于真实事故案例的模型预测结果
3 结语
