1.一种基于场景约束GAN的行人轨迹预测方法，其特征在于步骤如下：步骤1：获取训练数据集

场景图象和行人轨迹均来源于公开数据集ETH和UCY的五个场景；行人轨迹为ETH和UCY中所有的坐标序列集合 即行人轨迹；其中，N为行人数量，pi为第i个行人，t为当前时刻； 为第i个行人pi在t时刻的坐标，T为整个时间长度；{pi|i∈[1，N]}为行人集合，场景图象 为在t时刻目标行人pi所在数据集抽取的场景视频帧；

步骤2：构建场景约束GAN网络模型

所述的场景约束GAN网络模型包括场景编码器、生成器和判别器；

场景信息张量 中包含着场景对于行人轨迹的约束，由场景编码器提取；其中场景信息张量 由公式(1)得到：t

其中，I是t时刻目标行人pi所在场景的帧画面，WCNN为场景编码器的权重；

所述的生成器由编码器、解码器和池化模块构成；首先对场景中的每个行人使用多层感知机提取其位置特征张量 然后使用基于LSTM的编码器提取行人历史轨迹，其中位置特征张量 由公式(2)获得；行人历史轨迹张量 由公式(3)得到：其中，Ф(·)是加入了ReLU非线性激活函数的嵌入层函数，Wee是嵌入层的权重系数；Wen是生成器中编码器的权重，在场景中所有目标行人共享LSTM参数； 是行人pi在t时刻的隐含状态；通过Ф(·)函数将行人坐标 嵌入到向量 中，作为编码器LSTM的输入，编码器学习每个人的运动状态，并保存他们的历史信息；

池化模块能将场景信息 对于行人轨迹的约束和行人之间的交互信息 嵌入到约束张量 中；在编码器获取到场景中所有目标行人t时刻的轨迹信息与场景信息后，池化模块将场景信息及行人之间的交互进行池化，引入场景对行人轨迹的约束，并为每个目标行人生成一个约束张量 约束张量 由公式(4)、(5)、(6)得到：其中，Ф(·)是加入了ReLU非线性激活函数的嵌入层函数，Wpe是嵌入层的权重；γ(·)是加入了ReLU非线性激活函数的多层感知机，Wp是多层感知机的权重；M是一个聚合函数，将行人做出决策需要的信息和约束汇聚到约束张量解码器同样由LSTM构成，使用含有ReLU非线性激活函数的多层感知机γ(·)将池化后得到的约束张量 嵌入到编码层隐藏状态 中得到fit，张量fit由公式(7)得到；再将随机噪声z引入得到 由公式(8)得到：其中，Wc为解码器嵌入层函数的权重，z是随机噪声；

约束张量 和隐藏层状态通过多层感知机后，再与上一时刻行人位置信息 利用解码器更新张量 的值， 由公式(9)(10)得到：用多层感知机预测时间步t+1目标pi的xy坐标 由公式(11)得到：其中，Wde是LSTM的权重系数；预测的多个时间步坐标集合即为预测的轨迹；

判别器是由一个LSTM和一个分类器构成，生成器预测的轨迹与真实的轨迹经过LSTM编码后，分类器会对其隐藏状态 进行分类，得到一个判断该轨迹为真/假得分score，由公式(12)(13)得到：将该得分score使用交叉熵函数即可得出分类结果；

步骤3：训练模型

使用交叉验证方式对场景约束GAN网络模型进行训练，即使用其中4个场景的数据训练网络，剩下的1个场景的数据进行测试，对5个场景的数据进行同样的操作；训练方法为：在生成器中采用L2损失函数计算预测的轨迹和真实轨迹之间的差值，由公式(14)得到：其中,Y为真实轨迹，为预测的轨迹；

在场景约束GAN网络模型中采用多样性的损失函数训练网络，以学习到行人普遍的行走模式和最佳的模型参数；在生成的多个轨迹中我们选择L2距离最小的，也就是预测最准确的一条轨迹作为预测结果；损失函数如公式(15)所示：步骤4：轨迹预测

在行人集合中任选一个行人pi，i∈[1，N]的部分或者全部轨迹轨迹 到其中1≤tobs

2.根据权利要求1所述的基于场景约束GAN的行人轨迹预测方法，其特征在于场景编码器是卷积神经网络，权重是在公共数据集中单独训练的，如ImageNet。

3.根据权利要求1所述的基于场景约束GAN的行人轨迹预测方法，其特征在于生成器中的编码器、解码器和判别器中的LSTM都为单层。

4.根据权利要求1所述的基于场景约束GAN的行人轨迹预测方法，其特征在于步骤1中行人数量N取值为106～1536。

5.根据权利要求1所述的基于场景约束GAN的行人轨迹预测方法，其特征在于判别器中使用的交叉熵函数为二分类交叉熵函数。