基于激光雷达的无人驾驶场景行人轨迹预测方法

马庆禄, 李世朋, 张杰, 刘明

交通信息与安全 ›› 2025, Vol. 43 ›› Issue (5) : 93 -102+114.

马庆禄, 李世朋, 张杰, 刘明

作者信息 +

Author information +

文章历史 +

摘要

为了提升无人驾驶场景中行人轨迹预测的精度，研究了基于激光雷达点云处理的改进型自适应交互多模型无迹卡尔曼滤波（adaptive interactive multiple model unscented Kalman filter,AIMM-UKF）的预测方法。对原始点云采用点云流式处理技术进行体素网格降采样与基于密度的空间聚类算法（density-based spatial clustering of applications with noise,DBSCAN）分割，提取行人最小外接包围盒质心作为观测输入，有效提升了输入数据的可靠性与实时性；在传统交互多模型无迹卡尔曼滤波（interactive multiple model unscented Kalman filter,IMM-UKF）IMM-UKF基础上引入3层自适应机制：基于似然函数的时变转移概率动态调整模型切换，设计模型权重二次修正因子强化优胜模型并抑制非匹配模型干扰，以及观测噪声协方差随点云密度自适应调节，以应对远距离点云稀疏问题。在园区实车测试场景下，利用VLP-32激光雷达对5～20 m的行人轨迹数据进行验证，实验结果表明：与传统IMM-UKF相比，本文方法总体预测误差降低23.02%，急转向峰值误差降低29.76%；在5～20 m范围内，误差降幅稳定在21%以上，其中20 m距离下预测误差由27.15 cm降至21.26 cm，表现出良好的远距离适应能力。与主流生成式算法（基于图注意力网络的车辆-行人互动轨迹预测模型、多尺度小波变换增强图神经网络、多行人信息融合网络）相比，本文方法的平均位移误差（average displacement error,ADE）为19.3 cm，较最优的多行人信息融合网络算法降低7.21%，同时单帧计算耗时仅62 ms，满足无人驾驶系统对实时性的高要求。该方法在结构化环境中实现了高精度、低延迟的行人轨迹预测，通过点云流式处理与自适应多模型机制的协同优化，有效提升了无人驾驶系统的动态环境感知与行为决策能力。