1.一种人车交互场景下行人与车辆的轨迹预测方法，其特征在于：包括以下步骤：A、对所采集的数据进行预处理；

B、人工生成足够完全复现车辆形状的数据点；

B1、将行人横、纵坐标记为 具体公式如下：

B2、将车辆前左轮、前右轮、后左轮、后右轮的横、纵坐标分别记为 具体公式如下：其中，fl表示front left，fr表示front right，rl表示rear left，rr表示rear right；

B3、计算车辆长度，并把行人长度记为LP，具体公式如下；

B4、计算车长单位向量，具体公式如下；

左边车长单位向量： ( 为单位向量)；

右边车长单位向量： ( 为单位向量)；

B5、获得总间隔数，具体公式如下：

B6、获得车长上所有点的向量，此处采用”pythonic”(python风格化)的流程，具体公式如下：for n in range(1,interval):B7、根据相似三角形，可得全部数据点坐标，并将全部坐标连接记为 具体公式如下：其中， 表示左边车长上除前左轮和后左轮的所有点坐标， 表示右边车长上除前右轮和后右轮的所有点坐标，n∈[1，interval-1]；

C、将行人及车辆位置坐标通过激活函数激活，并且嵌入参数权重，具体公式如下：其中， 为行人横、纵坐标， 为车辆四个顶点及车边长上所有数据点的横、纵坐标集合，Wep为行人坐标嵌入权重，Wev为车辆坐标嵌入权重，Φ(.)是非线性激活函数；

D、池化层结构；

D1、将目标周围网格化，判断当前状态属于车辆在行人所属网格里，行人在行人所属网格里，行人在车辆所属网格里还是车辆在车辆所属网格里，具体公式如下：其中， 代表车辆在行人所属网格里， 代表行人在行人所属网格里， 代表行人在车辆所属网格里， 代表车辆在车辆所属网格里， 代表上一时刻行人的隐藏状态， 代表上一时刻车辆的隐藏状态；

D2、激活池化网图，具体公式如下：

其中，Wpv、Wpp、Wvp、Wvv分别为嵌入权重，Φ(.)是非线性激活函数；

E、通过长短期记忆单元经过池化层后的输出，转化为长短期记忆序列信息，生成预测轨迹序列；

E1、激活上一时刻行人及车辆的坐标，具体公式如下：

其中， 表示上一时刻行人的坐标被激活后的输出量， 表示上一时刻车辆的坐标被激活后的输出量，Wlp、Wlv分别为嵌入权重；

E2、通过LSTM单元获得当前时刻行人及车辆的隐藏状态序列信息，具体公式如下：其中， 表示上一时刻行人的隐藏信息， 表示上一时刻车辆的隐藏信息，Wlstm-p、Wlstm-v分别为嵌入权重；

E3、将当前状态信息通过一个多层感知机结构转化到坐标空间，生成预测信息，具体公式如下：其中，n∈[1，interval-1]，Wpred-p、Wpred-v分别为嵌入权重；

F、训练模型：

F1、将训练集、测试集、验证集按照6∶2∶2的比例划分。在训练过程中每隔10个轮次(epochs)就用验证集验证模型训练效果；

F2、在t时刻行人及车辆轨迹点坐标服从于二维正态分布，具体公式如下：F3、训练过程中不断减小负对数似然损失函数，具体公式如下：i j

其中，L表示第i个行人的轨迹，L表示第j辆车辆的轨迹；

G、用平均偏移误差(ADE)及最终偏移误差(FDE)衡量预测轨迹准确度，具体公式如下；

行人：

车辆：

其中，*∈[fl，(ln)，rl，fr，(rn)，rr]，n∈[1，interval-1]。

2.根据权利要求1所述的人车交互场景下行人与车辆的轨迹预测方法，其特征在于，所述的预处理包括：通过图像处理技术以及视频校准技术，主要采集某场景下右转车辆与斑马线上行人的运动轨迹，此处需要采集行人的(x,y)坐标以及车辆的前左轮、前右轮、后左轮、后右轮的(x,y)坐标；

对于行人来说，记录下当前采集时刻frame id以及行人编号ped id；将采集到的所有行人信息，转换为1个[行人数量,4]的矩阵——第1列代表采集时刻frame id，第2列代表行人编号pedid，第3列代表行人的横坐标x，第4列代表行人的纵坐标y；此时要通过重采样的方法，使相邻两个采集时刻之间的间隔为0.4s(即2.5Fps)；最后，按照采集时刻frame id从小到大自上而下排列；

对于车辆来说，记录下当前采集时刻frame id以及车辆编号veh id；将采集到的所有车辆信息，转换为1个[车辆数量,10]的矩阵——第1列代表采集时刻frame id，第2列代表车辆编号veh id，第3列代表车辆前左轮的横坐标fl_x(fl表示front left)，第4列代表车辆前左轮的纵坐标fl_y(fl表示front left)，第5列代表车辆前右轮的横坐标fr_x(fr表示front right)，第6列代表车辆前右轮的纵坐标fr_y(fr表示front right)，第7列代表车辆后左轮的横坐标rl_x(rl表示rear left)，第8列代表车辆后左轮的纵坐标rl_y(rl表示rear left)，第9列代表车辆后右轮的横坐标rr_x(rr表示rear right)，第10列代表车辆后右轮的纵坐标rr_y(rr表示rear right)；此时要通过重采样的方法，使相邻两个采集时刻之间的间隔0.4s(即2.5Fps)；最后，按照采集时刻frame id从小到大自上而下排列。