1.一种基于多特征提取和多注意力机制的行人轨迹预测方法，其特征在于，包括以下步骤：(1)提取静态环境特征和动态环境特征，所述动态环境特征包括其他行人对目标的影响及非行人因素对目标的影响；

(2)构建静态环境特征注意力模块和动态坏境特征注意力模块；

(3)将注意力模块的输出送入长短时记忆网络实现行人轨迹预测。

2.根据权利要求1所述的基于多特征提取和多注意力机制的行人轨迹预测方法，其特征在于，步骤(1)所述的静态特征提取实现过程如下：利用现有方法获得t时刻场景图像It的语义图It,semantic；采用CNN网络提取It,semantic的深度特征Ft,static：Ft,static＝CNN(It,semantic；WCNN)                (1)其中，WCNN是权重矩阵。

3.根据权利要求1所述的基于多特征提取和多注意力机制的行人轨迹预测方法，其特征在于，步骤(1)所述的动态特征提取实现过程如下：采用LSTM网络从场景中出现的所有行人的历史轨迹中提取动态环境特征t时刻第i个行人他周围的行人动态环境特征可以定义为：将观测的时间间隔[1:Tobs]中所有的场景中存在的非行人目标的轨迹进行池化，得到一个池化向量Pti，送入到多层感知层MLP提取非行人目标的动态特征：其中，WMLP为多层感知层的权重矩阵。

4.根据权利要求1所述的基于多特征提取和多注意力机制的行人轨迹预测方法，其特征在于，所述步骤(2)实现过程如下：静态环境特征注意力模块的输入为Ft,static，输出为注意力向量Wt,static是静态环境特征注意力模块的权重矩阵：动态环境特征注意力向量为：

Wt,dynamic表示动态环境特征注意力模块的权重矩阵，定义为：Wdynamic＝δ(γ(cos(Ψ)))                (7)其中，δ(·)是sigmoid激活函数,γ(·)是1×1卷积,cos(Ψ)表示其他行人或者非行人轨迹间的方位角.假设场景中行人和非行人的数量为M， 表示第i个行人与第j个除他以外的动态轨迹之间的方位角,则cos(Ψ)为：

5.根据权利要求1所述的基于多特征提取和多注意力机制的行人轨迹预测方法，其特征在于，所述步骤(3)实现过程如下：给定t-1时刻LSTM网络的隐藏状态 记忆单元 可以通过LSTM网络计算将注意力模块的输出，送入到LSTM网络，得到预测的轨迹为：其中， 为目标i在t时刻的位置, 为预测位置，W表示LSTM网络的权重矩阵, 表示LSTM网络输出层 和隐藏状态 之间的权重矩阵，bo是LSTM网络输出层的偏置项。