基于视频流和社会力模型的行人运动行为分析文献综述

 2023-08-03 15:28:13
  1. 文献综述（或调研报告）：

当下无人驾驶技术，又称自动驾驶技术，正在飞速发展，以谷歌，特斯拉为代

表的高技术企业向全世界各地推出了他们的产品，例如特斯拉的 Model X 等。无人驾驶汽车的来临将能够解放人类的双手，降低发生交通事故发生的频率，保证了人们的安全。自动驾驶技术中，其定位与控制的研究已经有很大的突破，这就对自动驾驶中，如何让车辆识别环境，尤其是对于人、非机动车等不确定性较强的因素进行判断提出了更高的要求。

1995年德国交通流专家Helbing提出了社会力模型，该模型假定行人具有思考能力和对环境的反应能力，其行走并非完全受到外力作用，同时还受到自身的内力的作用，在此基础上建立的人的运动模型[1]。近年来，基于社会力模型进行的研究十分广泛，曹宁博等[2]考虑到行人在行进的过程中，有时会趋向于跟随前方的行人进行前进，而不会因为前方行人较慢就超越前方的行人，因此在考虑到行人的视野的条件下，他们对社会力模型中行人的内驱力进行了改进，使得他们的模型可以很好的反应出行人在前进过程中发生的，跟随前方行人进行速度、方向的改变的特点，与此同时他们也建立了冲突避让的模型，使对向行走的行人可以正确的做出避让的行为。Chen等[3]考虑到行人由于与其他行人之间的相对速度不同，行人会对未来的其他行人位置有一个预期，进而改变自己的行进策略，以此为根据他们对行人自己的内驱力进行了优化，以此解决了初始社会力模型中产生的，行人的震荡的问题，该改进后的模型还得到了钟圳伟等[4]的验证与评估，可以看出该模型既保留了原始社会力模型能够模拟人群自组织现象的能力，又能够有效缓解行人震荡问题，并能在一定预测时间步长内加快行人疏散的效率。考虑到行人在路上往往结伴而行而不是单独前进，何民等[5]以此为研究方向，引入了同伴群作用力，使得现实中的，区别于个体进行避让的行为特征在社会力模型中得以体现，使使用社会力模型进行行人的行为预测具有了更大的现实意义。Zhou[6]等考虑到行人在交通路口面对闪烁绿灯时的不同表现，对行人对自身的影响进行了优化，使得到的模型更符合交通路口的情况。

此外，行人受到障碍物的影响关系也有较为广泛的研究，张发等[7]通过研究人在碰到不同障碍物时如何选择避开障碍物的方法时的表现，对社会力模型中，障碍物对行人的期望位置的影响部分进行了改进，使模型能适用于预测多障碍存在时的行人行进的路线；Zeng等[8]根据行人改变期望位置选择最优的速度方向的特点，对行人的期望位置模型进行了改进，描述了行人在复杂场景下的期望位置分布。于萍[9]从人对于与障碍物是否会碰撞的预测的角度出发，提出了基于碰撞预测的模型，通过修正障碍物的作用力，有效的避免了社会力模型中出现的，行人与障碍物发生的反弹、穿越的现象；Sticco等[10]着重考虑了初始社会力模型中的摩擦力，并重新定义了摩擦力的作用公式，使模型中的行人等因素在发生摩擦时，可以更加真实的反应实际情况。

目前，国内将社会力模型用于行人的行为预测研究较为广泛，但主要使用方面是用于检测异常行为、研究灾难疏散等方面，如：王艳丽[11]与卢丽等[12]将社会力模型用于检测一个空间内的行人是否发生了拥挤、聚集等异常的行为；黄健等[13]使用该模型，对北京火车站的地下通道进行了分析，研究了该位置潜在的人群聚集风险；李俊[14]与洪玲等[15]使用社会力模型对公共场所的灾难疏散情况进行了研究。目前国内的研究中，较少的将社会力模型使用于室外场景下的行人行为预测。

在运用递归网络进行人体的识别方面，已经对通过人的姿势、运动轨迹来进行人的行为预测有所研究[16]，也有运用递归神经网络来进行超车预测的实例[17]。

运用递归神经网络进行行人的行为预测需要大量的数据对其进行训练，且对意外情况适应性较差，而社会力模型普适性较强，但需要更与实际相结合。本次毕设旨在提出一种改进社会力模型，并通过较少的数据进行的神经网络训练来修正所提出的模型，使得该模型能更为真实的反应在现实中，为车辆进行行人的行为预测提供更多的解决方案，在无人驾驶领域有着长远的前景以及研究意义，符合时代发展的潮流，在今后的汽车社会中有着深刻意义。

参考文献：

  1. Helbing D, Molnar P. Social force model for pedestrian dynamics[J]. Physical review E, 1995, 51(5): 4282.
  2. 曹宁博,赵利英,曲昭伟.考虑双向行人跟随行为的社会力模型[J].吉林大学学报(工学版),2019,49(03): 688-694.
  3. Chen. evacuation simulation and analysis of the relative velocity under social force modal[J]. Progress in Natural Science,2016,16:1606-1612
  4. 钟圳伟,纪庆革.考虑行人相对速度的改进社会力模型的验证与评估[J].计算机科学,2020,47(02):88-94.
  5. 何民,栾庆熊,税文兵,等.考虑同伴群的行人感知避让社会力改进模型[J].公路交通科技,2017,34(03):125-130.
  6. Zhuping Zhou, Yang Zhou, Ziyuan Pu amp; Yongneng Xu. Simulation of pedestrian behavior during theflashing green signal using a modified social force model[J]. Transport Science, 15:2, 1019-1040
  7. 张发, 宋志华, 吴诗辉,等. 多障碍物场景中的行人运动模型[J]. 系统工程理论与实践, 2018, 38(6):1599-1608.
  8. Weiliang Zeng,Peng Chen,Hideki Nakamura,Miho Iryo-Asano. Application of social force model to pedestrian behavior analysis at signalized crosswalk[J]. Transportation Research Part C,2014,40.
  9. 于萍.基于碰撞预测的障碍物社会力修正模型[J].新乡学院学报,2017,34(12):39-42.
  10. I.M. Sticco,G.A. Frank,F.E. Cornes,C.O. Dorso. A re-examination of the role of friction in the original Social Force Model[J]. Safety Science,2020,121.
  11. 王艳丽,杨巍,佘洋洋.基于社会力模型的人群拥挤风险研究[J].现代商贸工业,2015,36(21):197-198.
  12. 卢丽,许源平,卢军,等.基于社会力异常检测改进算法的人群行为模型[J].成都信息工程大学学报,2018,33(01):1-7.
  13. 黄健,曾毅,金晓宇,等.基于社会力模型的北京西站地下通道人群聚集仿真分析[J].国防交通工程与技术,2018,16(06):37-42.
  14. 李俊.结合最短路径改进的社会力人群疏散仿真模型[J/OL].计算机工程与应用:1-15[2020-05-24].http://kns.cnki.net/kcms/detail/11.2127.TP.20200331.1833.012.html.
  15. 洪玲,高佳,邱树涵,等.基于改进势能场模型的地铁车站应急疏散动态仿真[J].同济大学学报(自然科学版),2020,48(03):398-406.
  16. 李智敏，刘一鹏，郑海峰，冯心欣. LSTM递归神经网络人体活动行为识别算法研究.电气技术. 2018 第11期
  17. 王浩，黄美鑫，武志薪，鞠建敏. 基于GRU递归神经网络的城市道路超车预测.中国科技论文. 2019 第14卷第3期

剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付

以上是文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章