Page 34 - 2024年第55卷第7期

（２）实验结果。使用迁移学习方法的全局微调策略对 Ｔｒａｊｅｃｔｒｏｎ ＋＋ 网络进行训练，加载在 ＥＴＨ数据
集上预训练的模型权重，输入为 ７条历史轨迹位置，预测未来 ６ｓ共计 １２条轨迹位置，设置最大训练
次数为 １００个 ｅｐｏｃｈ，学习率初始化为 ０．００１，使用指数衰减策略，ｇａｍｍａ为 ０．９９９９，使用旋转轨迹进
行数据增强，Ｂａｔｃｈ为 ２５６，Ａｄａｍ优化器。
轨迹预 测 常 用 的 评 估 指 标 有 最 终 位 移 误 差 （ ＦｉｎａｌＤｉｓｐｌａｃｅｍｅｎｔＥｒｒｏｒ， ＦＤＥ）和 平 均 位 移 误 差
（ ＡｖｅｒａｇｅＤｉｓｐｌａｃｅｍｅｎｔＥｒｒｏｒ，ＡＤＥ）等 ［２１，３２］ 。ＦＤＥ用于衡量预测轨迹和真实轨迹在最终时刻位置的欧
式距离，计算如式（ ５）；ＡＤＥ用于衡量预测轨迹和真实轨迹在未来一段时间内（本研究中为 ６ｓ）所有
位置的平均欧式距离，计算如式（ ６）：
１ ｎ
（ ＾ｘ －ｘ） ＋（ ＾ｙ －ｙ）
ＦＤＥ＝ ∑ 槡 Ｔ Ｔ ２ Ｔ Ｔ ２ （５）
ｉ
ｉ
ｉ
ｉ
ｎ ｉ ＝１
１ ｎ Ｔ
ｔ
ｔ ２
ｔ ２
ｔ
ＡＤＥ＝ ∑∑ 槡 （ ＾ｘ －ｘ ） ＋（ ＾ｙ －ｙ ） （６）
ｉ
ｉ
ｉ
ｉ
ｎＴ ｉ ＝１ ｔ ＝１
ｔ
ｔ
ｔ
ｔ
式中： ＾ｘ和 ＾ｙ分别为模型预测的第 ｉ个样本在 ｔ时刻轨迹位置的横纵坐标；ｘ和 ｙ分别为真实轨迹中
ｉ ｉ ｉ ｉ
第 ｉ个样本在 ｔ时刻轨迹位置的横纵坐标；ｎ为样本总数；Ｔ为预测轨迹的最终时刻。
图 ５为模型训练过程中验证集上 ＦＤＥ和 ＡＤＥ的曲线图。由图可见，经过 １００个 ｅｐｏｃｈ后，ＦＤＥ和
ＡＤＥ分别收敛至 ３．１１和 １．６１ｍ误差。图 ６显示了模型迁移学习训练完成后在测试集中 ６个视频片段
上的 ＦＤＥ和 ＡＤＥ结果，平均误差为 ２．３６和 １．１７ｍ。

图 ５ 迁移学习训练过程中验证集 ＦＤＥ － ＡＤＥ曲线 图 ６ 测试集 ＦＤＥ － ＡＤＥ结果

图 ７可视化了运输车、装载机、汽车、挖掘机、碾压机和摊铺机等施工机械在测试视频中的轨迹
预测结果。实线为预测的未来 ６ｓ的轨迹线，虚线为真实的轨迹线。由图 ７可见不同施工机械的预测
轨迹结果和真实轨迹结果都比较接近。同时可以观察到如汽车和运输车等一般行驶速度较快的施工机
械，其预测的轨迹线也较长，如碾压机等行驶速度较慢的施工机械，其预测的轨迹线也较短。综上，
在坝面大场景视频监控的测试结果验证了 Ｔｒａｊｅｃｔｒｏｎ ＋＋ 经过迁移学习训练后对各类施工机械在未来 ６ｓ
时间的轨迹预测的有效性、可行性和准确性。
４．２ 基于模糊－ 证据融合的分级预警结果 根据 Ｔｒａｊｅｃｔｒｏｎ ＋＋ 对坝面大场景视频监控中不同施工机械行
驶轨迹的预测结果，先计算其行驶速度，再根据 ３．２节介绍的方法确定其分配的最终预警等级，然后
将每个施工机械的预警等级结果在其目标框上进行半透明着色的可视化，红色为Ⅰ级预警、蓝色为Ⅱ
级预警、黄色为Ⅲ级预警，不预警则不着色。图 ８可视化了坝面大场景视频监控中 ３个不同场景的施
工机械潜在碰撞风险分级预警结果，表 ３—５分别列出了对应场景中预警施工机械的行驶接近时间和
机械最大拥挤度指标等具体计算结果。图 ８（ａ）（ｂ）（ｃ）从左到右为同一视频片段中按时间 ｔ、ｔ、ｔ时
０ １ ２
刻顺序截图结果，将其中场景 １区域放大可知，在 ｔ时刻，①２１号运输车和②２号摊铺机预测的轨迹
０
线都在后退，并有相互接近的倾向，行驶接近时间都为 ５ｓ，机械最大拥挤度都为 １辆，都进行Ⅲ级预
警，以使驾驶员等主动做好合适的行驶路径规划；在 ｔ时刻，这两辆施工机械的预测轨迹逐渐相互接
１
６
— ７ ８ —