在AGV与人混行的仓库或车间中，避障是最核心的安全技术。传统AGV的避障是“反应式”的：激光雷达检测到障碍物进入安全区域后，AGV减速或停车。这种方式的缺点在于：在人员密集的环境中，AGV会频繁急停，导致效率下降；同时，急停本身也可能对行人造成惊吓。如果AGV能够预测行人的运动轨迹，提前预判行人的意图，就可以平滑地减速或绕行，而不是等到障碍物靠近才急停。成都蓉希智能开发了基于深度学习的行人轨迹预测模型，使AGV智能搬运机器人能够“预见”未来2秒的行人路径，实现主动、平滑的避障。本文详细介绍该模型的原理、效果数据和实际应用价值。
一、轨迹预测模型原理
该模型采用Social-LSTM（社会长短期记忆网络）架构，专门用于多人场景下的轨迹预测。输入是过去2秒内行人的历史轨迹（坐标序列，采样频率10Hz，共20个点），输出是未来2秒的预测轨迹（20个点）。模型的关键创新在于“社会池化”（Social Pooling）层：它不仅学习单个行人的运动模式，还学习行人之间的交互——例如，两个人迎面走来时会互相避让，结伴而行时会保持相近速度。模型在10万条真实仓库行人轨迹数据上训练（数据来自多个仓库的摄像头采集）。在测试集上，2秒预测的平均位移误差（ADE）为0.25米，最终位置误差（FDE）为0.4米，优于传统卡尔曼滤波（ADE 0.5米）。推理时间仅5毫秒，可在AGV的车载边缘计算设备（NVIDIA Jetson Orin）上实时运行。模型输出的预测轨迹被输入到AGV的局部路径规划器中，规划器据此提前调整速度或绕行轨迹。
二、实际效果数据
在某电商仓库的对比测试中：A组20台AGV使用传统避障（激光雷达+安全触边），B组20台使用轨迹预测+传统避障作为后备。测试时长1周，仓库内拣选人员密度约为50人/万平方米。结果如下：B组的急停次数比A组减少58%（急停指AGV完全停止，不包括减速）。B组的平均行驶速度（不计等待时间）为0.85m/s，A组为0.76m/s，B组提升12%。拣选人员反馈：B组的AGV“更聪明”，会提前减速让行，而不是冲到跟前急停，感觉更安全、更友好。模型推理时间仅5ms，对实时性无影响。
三、适应不同人群行为
不同仓库的行人行为模式可能存在差异：在拣选站区域，行人停留时间长、运动随机；在主要通道，行人行走速度快、方向明确。成都蓉希智能的模型支持“场景自适应”微调：仓库管理员可以在系统中标记不同区域（如“拣选区”、“通道区”），系统自动使用针对该区域训练的模型子版本。此外，模型支持在线学习：每当发生急停事件时，系统会记录该场景下的行人轨迹，定期用于模型微调，持续提升预测准确率。某仓库在连续使用6个月后，预测误差降低了15%。
四、实际案例：某电商大促期间
该电商仓库在大促期间（如双十一）会临时增加拣选员，人机混行密度从平时的50人/万平方米增加到120人/万平方米。在未使用轨迹预测的往年，AGV急停次数暴增，导致订单拣选效率下降20%。大促后统计，AGV的“拥堵时间”（因避障导致的等待时间）占总运行时间的15%。次年大促前，该仓库部署了成都蓉希智能的轨迹预测模型。在大促期间，AGV急停次数比去年同期减少65%，拣选效率保持稳定（仅下降3%），顺利度过了大促高峰。仓库管理者表示：“AGV学会了预测人的走向，这在人员密集时尤其重要。”
五、未来：行人意图识别
成都蓉希智能正在研发下一代模型，结合人体姿态识别（通过视觉相机捕捉行人的骨骼关键点），判断行人的意图。例如，如果行人身体转向侧面、头部看向AGV方向，可能表示准备横穿；如果行人手臂抬起，可能表示在示意AGV先走。结合意图识别后，预测准确率有望进一步提升到90%以上（2秒预测）。预计2027年推出原型。
总结：深度学习行人轨迹预测使AGV智能搬运机器人从“被动反应”进化到“主动预判”。成都蓉希智能的Social-LSTM模型将急停次数减少58%，速度提升12%，显著提升了人机混行场景的效率和安全性，代表了AGV避障技术的未来方向。
