پديد آورنده :
حمزوي، ياسين
عنوان :
پيشبيني مسير حركت آينده عابران پياده با استفاده از مدل تركيبي مبتني بر يادگيري عميق و نيروهاي فيزيكي
مقطع تحصيلي :
كارشناسي ارشد
گرايش تحصيلي :
هوش مصنوعي و رباتيكز
محل تحصيل :
اصفهان : دانشگاه صنعتي اصفهان
صفحه شمار :
هشت، 109ص. مصور، جدول، نمودار
توصيفگر ها :
پيشبيني مسير حركت عابران پياده , مدلهاي برنامهريزي مبتني بر نيروهاي فيزيكي , تركيب يادگيري عميق و مدلهاي برنامهريزي مبتني بر نيرو , مدلهاي تركيبي پيشبيني مسير عابران پياده , كميتسازي عدم قطعيت تصادفي ذاتي
تاريخ ورود اطلاعات :
1404/04/04
رشته تحصيلي :
مهندسي كامپيوتر
دانشكده :
مهندسي برق و كامپيوتر
تاريخ ويرايش اطلاعات :
1404/04/04
چكيده فارسي :
پيشبيني مسير حركت عابران پياده در محيطهاي شلوغ و پويا يكي از چالشهاي اساسي در حوزههاي مختلفي مانند سيستمهاي خودران، رباتيك و مديريت ترافيك است. اين مسئله به دليل رفتار غيرقابل پيشبيني انسانها و تعاملات پيچيدهاي كه در ميان افراد در فضاهاي شلوغ وجود دارد، پيچيدگي زيادي دارد. در اين راستا، دو رويكرد اصلي براي پيشبيني مسير حركت عابران پياده وجود دارد: مدلهاي مبتني بر دانش و مدلهاي مبتني بر يادگيري عميق. مدلهاي مبتني بر دانش از قوانين فيزيكي و اجتماعي براي مدلسازي رفتار عابران استفاده ميكنند و قابليت تفسيرپذيري خوبي دارند، اما در محيطهاي پيچيده دقت كمتري دارند. از طرف ديگر، مدلهاي مبتني بر يادگيري عميق توانايي بالايي در استخراج الگوهاي پيچيده از دادهها دارند، ولي معمولاً از نظر تفسيرپذيري ضعيف هستند و به دادههاي آموزشي زيادي هم نياز دارند.هدف اين پژوهش تركيب مزاياي هر دو رويكرد بهمنظور كاهش محدوديتهاي هر يك و افزايش دقت پيشبيني مسير حركت عابران پياده است. در اين پژوهش، از تركيب يك مدل برنامهريزي حركت مبتني بر نيرو (به عنوان يك مدل مبتني بر دانش) و شبكههاي عصبي عميق براي پيشبيني مسير حركت عابران استفاده شده است. اين مدل برنامهريزي حركت مبتني بر نيرو بهطور خاص دو نيروي اصلي را در نظر ميگيرد: نيروي ناوبري براي حركت عابر به سمت هدف و نيروي دافعه براي جلوگيري از برخورد با ديگر عابران و موانع موجود. اين مدل بهعنوان پايهاي فيزيكي براي پيشبيني مسيرهاي حركت استفاده ميشود و قابليت تفسيرپذيري بالايي دارد.براي افزايش دقت پيشبيني و درك پيچيدگيهاي تعاملات انساني، شبكههاي عصبي عميق به اين مدل افزوده ميشوند. شبكههاي عصبي با توانايي يادگيري الگوهاي پيچيده از دادهها قادرند رفتارهاي اجتماعي و تغييرات زماني را كه در مدلهاي مبتني بر نيرو بهخوبي شبيهسازي نميشوند، ياد بگيرند. بهاينترتيب، شبكههاي عصبي عميق بهويژه براي يادگيري روابط پيچيده ميان نيروهاي فيزيكي و ويژگيهاي محيطي بهكار ميروند و متغيرهاي مختلف نيروهاي فيزيكي (مانند نيروي ناوبري و نيروي دافعه) را بهطور پويا با توجه به دادههاي ورودي از جمله موقعيت، سرعت و تعاملات اجتماعي عابران پياده بهروزرساني ميكنند.اين تركيب باعث افزايش دقت پيشبيني در محيطهاي شلوغ و پيچيده شده و همزمان قابليت تفسيرپذيري مدل را حفظ ميكند. شبكههاي عصبي بهصورت خاص بهكارگيري نيروهاي فيزيكي را بهصورت بهينه و بر اساس دادههاي تاريخي و ويژگيهاي محيطي تطبيق ميدهند، در حاليكه اين مدل برنامهريزي حركت مبتني بر نيرو همچنان رفتار عابران را در قالب نيروهاي اجتماعي و فيزيكي توضيح ميدهد. به اين ترتيب، مدل پيشنهادي از مزاياي دقت بالا و قدرت يادگيري مدلهاي يادگيري عميق و همچنين تفسيرپذيري مدلهاي مبتني بر نيرو برخوردار است. پس از تخمين اوليه مسيرها توسط مدل تركيبي پيشنهادي، يك مرحله پسپردازش با يادگيري توزيع خطاها، عدم قطعيت ذاتي را كاهش داده و دقت پيشبيني را بهبود ميبخشد. مدل پيشنهادي در مجموعه داده Dataset Drone Stanford ارزيابي شده است و نتايج نشاندهنده كاهش قابل توجه خطاي جابهجايي متوسط و خطاي جابهجايي نهايي است. اين مدل عملكرد بسيار خوبي نشان ميدهد و ميتواند در كاربردهايي مانند ناوبري خودران، شبيهسازي جمعيت و سيستمهاي مديريت ترافيك استفاده شود.مزاياي اين روش شامل دقت بالا در پيشبيني مسير، حفظ تفسيرپذيري مدلهاي فيزيكي و سرعت پردازش بالا است. اين تركيب بهطور مؤثر توانسته است محدوديتهاي هر دو رويكرد را پوشش دهد و دقت پيشبيني را بهبود بخشد.
چكيده انگليسي :
Predicting pedestrian trajectories in crowded environments poses significant challenges across autonomous systems, robotics, and traffic management. The complexity stems from unpredictable human behavior and intricate interactions in densely populated spaces. Two primary approaches dominate trajectory prediction: knowledge-based models and deep learning models. Knowledge-based models use physical and social principles to simulate behavior, offering high interpretability but reduced accuracy in complex environments. Deep learning models excel at extracting patterns from data yet lack interpretability and require substantial training datasets. This study integrates both approaches to mitigate limitations and enhance prediction accuracy. The proposed methodology combines force-based motion planning (knowledge-based) with deep neural networks for trajectory forecasting. The force-based model accounts for navigational forces guiding pedestrians toward destinations and repulsive forces preventing collisions with others and obstacles. This provides a physically grounded, interpretable framework. Deep neural networks enhance accuracy by capturing human interaction complexities, dynamically updating physical force parameters based on pedestrians' positions, velocities, and social interactions. This hybrid approach significantly improves prediction accuracy in crowded environments while preserving interpretability. Neural networks optimize physical force application by adapting to historical data and environmental features, while force-based planning continues describing behavior through physical and social forces. The model combines deep learning's accuracy and learning capacity with force-based interpretability. Post-processing employs error distribution learning to reduce uncertainties and further enhance accuracy. evaluation on the Stanford Drone Dataset demonstrated significant reductions in Average Displacement Error (ADE) and Final Displacement Error (FDE). Key advantages include high prediction accuracy, preserved interpretability, and efficient computational performance, effectively addressing limitations of traditional approaches.
استاد راهنما :
سمانه حسيني
استاد داور :
مازيار پالهنگ , مهران صفاياني
