CN107168342B - 一种用于机器人路径规划的行人轨迹预测方法 - Google Patents
一种用于机器人路径规划的行人轨迹预测方法 Download PDFInfo
- Publication number
- CN107168342B CN107168342B CN201710564076.0A CN201710564076A CN107168342B CN 107168342 B CN107168342 B CN 107168342B CN 201710564076 A CN201710564076 A CN 201710564076A CN 107168342 B CN107168342 B CN 107168342B
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- target
- pedestrians
- grid
- cluster
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Abstract
本发明涉及一种用于机器人路径规划的行人轨迹预测方法,所述方法包括全局预测方法与局部预测方法,所述全局预测方法将预测区域划分网格,根据历史行人轨迹对从某个方向进入某个网格的目标点的概率进行统计,根据该概率预测行人轨迹;所述局部预测方法在目标行人轨迹发生变化时,基于其影响者的位置预测其目标点区域。本发明可以有效地预测行人的未来行进轨迹,从而为机器人自身的行进提供指导,提高了机器人路径规划的效率。
Description
【技术领域】
本发明涉及行人模式分析领域,具体涉及一种用于机器人路径规划的行人轨迹预测方法。
【背景技术】
随着近年来机器人行业的发展,机器人不再只存在于生产线上,社交型机器人逐渐进入了人们的日常生活,它们通过在日常环境中与用户进行近距离交互,来提供一些社交类服务。在人机交互的环境中,最重要的一点就是行人的安全问题,如何科学地避障行人、避免阻塞行人成为服务机器人导航任务中的首要任务。在避障问题上,对于静态障碍物的避障已经较好地被解决,但是对有意识的行人避障不能简单地当成静态障碍物处理,如若处理不当可能会阻碍行人未来轨迹,给行人来带不好的体验。所以如何合理地避障移动中的行人是目前服务机器人研究的一个重要目标。
【发明内容】
为了解决现有技术中的上述问题,本发明提出了一种用于机器人路径规划的行人轨迹预测方法。
本发明采用的技术方案具体如下:
一种用于机器人路径规划的行人轨迹预测方法,所述方法基于预测区域全局进行预测,包括如下步骤:
(1)将整个预测区域按照一定的大小划分成多个网格,记第x行第y列的网格为g(x,y);
(2)针对任意一个网格g(x,y),统计从不同方向Vi进入该网格的行人个数N(Vi,x,y),其中1≤i≤D,D是方向的数量;
(3)在预定义的一段时间内,对以某一个方向进入某个网格的行人进行统计学习,通过对这些行人进入该网格前的历史轨迹、进入该网格后的未来轨迹,以及该行人的目标点位置这三个方面来统计相应的行人数据;
(4)根据上述步骤得到行人数据,对行人的目标点进行聚类,设目标点的聚类结果为k个簇S1,S2,……,Sk;
(5)假设对于从方向Vi进入网格g(x,y)的行人中,历史目标点位于簇Sj的行人个数为n(Vi,x,y,k),则这些行人中,最后到达Sj的概率P(Vi,x,y,j)为:
(6)基于上述概率,以及目标行人的历史轨迹,对目标行人的目标点进行预测。
进一步地,还包括行人目标点局部预测方法,所述局部预测方法包括:根据目标行人的历史轨迹,确定目标行人由于其他影响者而发生轨迹变动的时刻T,设该时刻T目标行人F的坐标位置为(XF,YF),影响者E的坐标位置(XE,YE),以E为圆心做一个半径为0.5米的个人空间圆P,过F做圆P的两条切线m和n,相对于目标行人F,两条切线m、n、圆P与视野边界所围成的范围构成了圆P的后方,该后方即为目标行人的估计目标点范围PDA。
进一步地,所述网格为边长为0.5米的正方形。
进一步地,所述方向是事先划分好的,将行人进入网格的方向分成D个区间,同一个区间内的都认为是同一个方向Vi。
进一步地,D=8。
进一步地,步骤(4)中,采用改进的自动K-means聚类方法先对行人的目标点进行聚类,具体包括:首先规定最终的优化结果为每一簇各个点到这一簇中心点的平均距离Davg(i)不超过最大平均中心距离DMAX,其中i≤k;接着遍历k,计算对于每一个k值每一簇的中心点平均距离Davg(i,k),直到某一个k值可以满足对任意i∈[1,k],Davg(i,k)≤DMAX,则认为聚类完成。
进一步地,根据目标行人最近时刻是从哪个方向进入到当前网格,则根据步骤5计算的概率获取该行人未来目标点所在簇的概率分布,概率最高的目标点簇和当前位置的连线就是概率最高的未来轨迹。
本发明的有益效果为:可以有效地预测行人的未来行进轨迹,从而为机器人自身的行进提供指导,提高了机器人路径规划的效率。
【附图说明】
此处所说明的附图是用来提供对本发明的进一步理解,构成本申请的一部分,但并不构成对本发明的不当限定,在附图中:
图1是本发明行人目标点局部预测结果图。
【具体实施方式】
下面将结合附图以及具体实施例来详细说明本发明,其中的示意性实施例以及说明仅用来解释本发明,但并不作为对本发明的限定。
为了更好的提前避开行人可能的轨迹,预测行人轨迹则成为了服务机器人轨迹规划中的要点。行人的轨迹实际上受其意识驱动——行人的目标点以及环境特征最终决定了行人的轨迹。如果可以直接预测出行人可能的目标点,再结合当前轨迹情况去预测轨迹,则可以从意图上来完成预测,提高预测质量。
与机器人路径规划类似,对行人轨迹的预测可以分为全局预测与局部预测两部分。全局预测就是基于环境特征(如环境边界或固定障碍物)对行人的影响,来研究在某一环境中行人轨迹如何变化。局部预测则是排除了固定的环境特征全局影响之后,基于行人与移动物(如行人、移动机器人)之间互相影响来研究行人轨迹变化的原因,从而进行局部轨迹预测。结合这两种方法则可以比较合理地根据历史轨迹来预测一个环境中的某一行人的未来轨迹,从而为机器人路径规划提供指导。
首先对本发明行人轨迹的全局预测方法进行说明,
(1)将整个预测区域按照一定的大小划分成多个网格。网格的具体大小可以根据实际情况来确定,优选的,将网格设置成边长0.5米的正方形。记第x行第y列的网格为g(x,y)。
(2)针对任意一个网格g(x,y),统计从不同方向Vi进入该网格的行人个数N(Vi,x,y)。其中1≤i≤D,D是方向的数量。
这里的方向是事先划分好的,将行人进入网格的方向均分成多个区间(下面以优选的8个区间为例,即D=8),同一个区间内的都认为是同一个方向Vi(1≤i≤8)。行人进入网格的方向可以在某种程度上代表行人的行进意图。
(3)在预定义的一段时间内,对以某一个方向进入某个网格的行人进行统计学习,通过对这些行人进入该网格前的历史轨迹、进入该网格后的未来轨迹,以及该行人的目标点位置这三个方面来统计相应的行人意图。针对每个网格的每个方向都进行上述的统计学习,可以获得大量的行人数据。
(4)根据上述步骤得到行人数据,对行人的目标点进行聚类。
得到进入某一网格的某一速度方向下的行人数据后,最有价值的数据就是视野中行人的最终目标点。但是此时我们得到的行人目标点是无规律的,无法用网格来对其进行描述,所以拟采用本发明改进的自动K-means聚类方法先对行人的目标点进行聚类。
本发明使用限制簇内平均中心距离最大值的方式来为目标点进行聚类。首先规定最终的优化结果为每一簇各个点到这一簇中心点的平均距离Davg(i)不超过最大平均中心距离DMAX,其中i≤k,k是K-means簇个数;接着遍历该K-means簇个数k,计算对于每一个k值每一簇的中心点平均距离Davg(i,k),直到某一个k值可以满足对任意i∈[1,k],Davg(i,k)≤DMAX,则认为聚类完成。
(5)得到行人目标点聚类结果后,目标点由无规律点变为离散的k个簇S1,S2,……,Sk,便于据此来计算行人轨迹目标点的概率。假设对于从方向Vi进入网格g(x,y)的行人中,历史目标点位于簇Sj(1≤j≤k)的行人个数为n(Vi,x,y,k),则这些行人中,最后到达Sj的概率P(Vi,x,y,j)为:
(6)基于上述概率,以及目标行人的历史轨迹,就可以对目标行人的目标点进行预测,从而预测其可能的轨迹。
具体地,根据目标行人最近时刻是从哪个方向进入到当前网格,则可以根据步骤5计算的概率获取该行人未来目标点所在簇的概率分布,概率最高的目标点簇和当前位置的连线就是概率最高的未来轨迹。
在行人刚开始出现时,行人轨迹只有一小部分,如果行人出现在历史轨迹比较多的位置,对其轨迹最终走向较难判断,所以这时的判断可能会发生偏差。随着时间的推移,轨迹的走向越来越明显,可以利用的信息也越来越多,就可以比较合理地预测出轨迹的目标点。
上述过程是本发明行人轨迹的全局预测过程。但是还可以根据目标行人与移动物之间的相互影响进行局部预测。如果目标行人由于某一行人而发生轨迹变化,那么目标行人很可能是想要达到此行人的后方,根据这一思路,本发明提出了一个简单有效的行人目标点局部预测方法。
参见附图1,根据上述原理,首先根据目标行人的历史轨迹,确定目标行人由于其他影响者而发生轨迹变动的时刻T,设该时刻T目标行人F的坐标位置为(XF,YF),影响者E的坐标位置(XE,YE),假定以E为圆心存在一个半径为0.5米的个人空间圆P(即目标行人不会接近E周围0.5米内),过F做圆P的两条切线m和n。相对于目标行人F,两条切线m、n、圆P与视野边界所围成的范围构成了圆P的后方,该后方即为目标行人的估计目标点范围PDA(Possible Destination Area)。结合该估计的目标点范围PDA,可以对上述全局预测方法得到的预测结果进行筛选,从而排除目标点不在该PDA的预测路线。
以上所述仅是本发明的较佳实施方式,故凡依本发明专利申请范围所述的构造、特征及原理所做的等效变化或修饰,均包括于本发明专利申请范围内。
Claims (6)
1.一种用于机器人路径规划的行人轨迹预测方法,其特征在于,所述方法基于预测区域全局进行预测,包括如下步骤:
(1)将整个预测区域按照一定的大小划分成多个网格,记第x行第y列的网格为g(x,y);
(2)针对任意一个网格g(x,y),统计从不同方向Vi进入该网格的行人个数N(Vi,x,y),其中1≤i≤D,D是方向的数量;
(3)在预定义的一段时间内,对以某一个方向进入某个网格的行人进行统计学习,通过对这些行人进入该网格前的历史轨迹、进入该网格后的未来轨迹,以及该行人的目标点位置这三个方面来统计相应的行人数据;
(4)根据上述步骤得到行人数据,对行人的目标点进行聚类,设目标点的聚类结果为k个簇S1,S2,……,Sk;
(5)假设对于从方向Vi进入网格g(x,y)的行人中,历史目标点位于簇Sj的行人个数为n(Vi,x,y,k),则这些行人中,最后到达Sj的概率P(Vi,x,y,j)为:
(6)基于上述概率,以及目标行人的历史轨迹,对目标行人的目标点进行预测;
该方法还包括行人目标点局部预测方法,所述局部预测方法包括:根据目标行人的历史轨迹,确定目标行人由于其他影响者而发生轨迹变动的时刻T,设该时刻T目标行人F的坐标位置为(XF,YF),影响者E的坐标位置(XE,YE),以E为圆心做一个半径为0.5米的个人空间圆P,过F做圆P的两条切线m和n,相对于目标行人F,两条切线m、n、圆P与视野边界所围成的范围构成了圆P的后方,该后方即为目标行人的估计目标点范围PDA。
2.根据权利要求1所述的方法,其特征在于,所述网格为边长为0.5米的正方形。
3.根据权利要求1-2任意一项所述的方法,其特征在于,所述方向是事先划分好的,将行人进入网格的方向均分成D个区间,同一个区间内的都认为是同一个方向。
4.根据权利要求1-2任意一项所述的方法,其特征在于,D=8。
5.根据权利要求1所述的方法,其特征在于,步骤(4)中,采用改进的自动K-means聚类方法先对行人的目标点进行聚类,具体包括:首先规定最终的优化结果为每一簇各个点到这一簇中心点的平均距离Davg(i)不超过最大平均中心距离DMAX,其中i≤k;接着遍历k,计算对于每一个k值每一簇的中心点平均距离Davg(i,k),直到某一个k值可以满足对任意i∈[1,k],Davg(i,k)≤DMAX,则认为聚类完成。
6.根据权利要求1所述的方法,其特征在于,根据目标行人最近时刻是从哪个方向进入到当前网格,则根据步骤(5)计算的概率获取该行人未来目标点所在簇的概率分布,概率最高的目标点簇和当前位置的连线就是概率最高的未来轨迹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710564076.0A CN107168342B (zh) | 2017-07-12 | 2017-07-12 | 一种用于机器人路径规划的行人轨迹预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710564076.0A CN107168342B (zh) | 2017-07-12 | 2017-07-12 | 一种用于机器人路径规划的行人轨迹预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107168342A CN107168342A (zh) | 2017-09-15 |
CN107168342B true CN107168342B (zh) | 2020-04-07 |
Family
ID=59818329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710564076.0A Active CN107168342B (zh) | 2017-07-12 | 2017-07-12 | 一种用于机器人路径规划的行人轨迹预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107168342B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114153200A (zh) * | 2018-10-26 | 2022-03-08 | 科沃斯机器人股份有限公司 | 轨迹预测、自移动设备控制方法 |
DE112019006440T5 (de) * | 2018-12-27 | 2021-09-16 | Honda Motor Co., Ltd. | Pfad-Bestimmungsvorrichtung, Roboter und Pfad-Bestimmungsverfahren |
CN109782763B (zh) * | 2019-01-18 | 2021-11-23 | 中国电子科技集团公司信息科学研究院 | 一种动态环境下的移动机器人路径规划方法 |
CN111316286A (zh) * | 2019-03-27 | 2020-06-19 | 深圳市大疆创新科技有限公司 | 轨迹预测方法及装置、存储介质、驾驶系统与车辆 |
CN112286049A (zh) * | 2019-07-27 | 2021-01-29 | 华为技术有限公司 | 运动轨迹预测方法和装置 |
CN110887503B (zh) * | 2019-12-06 | 2021-10-15 | 广州文远知行科技有限公司 | 移动轨迹模拟方法、装置、设备及介质 |
CN111401233A (zh) * | 2020-03-13 | 2020-07-10 | 商汤集团有限公司 | 轨迹预测方法、装置、电子设备及介质 |
CN112215423B (zh) * | 2020-10-13 | 2023-06-06 | 西安交通大学 | 一种基于趋势引导与稀疏交互的行人轨迹预测方法及系统 |
CN112405123B (zh) * | 2020-11-19 | 2021-09-24 | 泉州华中科技大学智能制造研究院 | 基于聚类算法的鞋底打粗轨迹规划方法及装置 |
CN112327888B (zh) * | 2021-01-07 | 2021-03-30 | 中智行科技有限公司 | 路径规划方法、装置、电子设备和存储介质 |
CN113951767A (zh) * | 2021-11-08 | 2022-01-21 | 珠海格力电器股份有限公司 | 可移动设备的控制方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239556A (zh) * | 2014-09-25 | 2014-12-24 | 西安理工大学 | 基于密度聚类的自适应轨迹预测方法 |
CN105512727A (zh) * | 2015-11-27 | 2016-04-20 | 浙江理工大学 | 一种基于Markov的个人路径预测方法 |
CN106595665A (zh) * | 2016-11-30 | 2017-04-26 | 耿生玲 | 一种障碍空间中移动对象时空轨迹的预测方法 |
CN106774314A (zh) * | 2016-12-11 | 2017-05-31 | 北京联合大学 | 一种基于行走轨迹的家庭服务机器人路径规划方法 |
-
2017
- 2017-07-12 CN CN201710564076.0A patent/CN107168342B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239556A (zh) * | 2014-09-25 | 2014-12-24 | 西安理工大学 | 基于密度聚类的自适应轨迹预测方法 |
CN105512727A (zh) * | 2015-11-27 | 2016-04-20 | 浙江理工大学 | 一种基于Markov的个人路径预测方法 |
CN106595665A (zh) * | 2016-11-30 | 2017-04-26 | 耿生玲 | 一种障碍空间中移动对象时空轨迹的预测方法 |
CN106774314A (zh) * | 2016-12-11 | 2017-05-31 | 北京联合大学 | 一种基于行走轨迹的家庭服务机器人路径规划方法 |
Non-Patent Citations (2)
Title |
---|
Unsupervised robot learing to predict person motion;Shuang xiao,et al.;《2015 IEEE international conference on robotics and automation(ICRA)》;20150530;全文 * |
基于轨迹预测的动态匿名算法;马佳仕等;《计算机与现代化》;20161231(第1期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN107168342A (zh) | 2017-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107168342B (zh) | 一种用于机器人路径规划的行人轨迹预测方法 | |
CN109410577B (zh) | 基于空间数据挖掘的自适应交通控制子区划分方法 | |
WO2018188200A1 (zh) | 机器人的路径规划系统、方法、机器人及存储介质 | |
CN109000645A (zh) | 复杂环境目标经典航迹提取方法 | |
Płaczek | A self-organizing system for urban traffic control based on predictive interval microscopic model | |
CN110168312B (zh) | 基于目标预测动态物体的方法和装置 | |
CN106257301B (zh) | 基于统计推断的分布式时空关联模型轨迹跟踪方法 | |
CN106714110A (zh) | 一种Wi‑Fi位置指纹地图自动构建方法及系统 | |
CN104884899A (zh) | 确定穿过交通运输网络的一或多个交叉口的轨迹的方法 | |
CN106595665A (zh) | 一种障碍空间中移动对象时空轨迹的预测方法 | |
Li et al. | Characterizing heterogeneity in drivers’ merging maneuvers using two-step cluster analysis | |
CN104200281A (zh) | 基于雷电定位系统的雷暴云移动路径的预测方法及系统 | |
CN103136393A (zh) | 一种基于网格划分的区域覆盖率计算方法 | |
CN103280110B (zh) | 高速公路旅行时间的预测方法及装置 | |
CN108961758A (zh) | 一种基于梯度提升决策树的路口展宽车道探测方法 | |
CN107818332B (zh) | 高速公路互通立交服务范围分析方法及装置 | |
CN105095984B (zh) | 一种地铁列车轨迹的实时预测方法 | |
CN107944628A (zh) | 一种路网环境下的聚集模式发现方法及系统 | |
Yue et al. | Evolution of road traffic congestion control: A survey from perspective of sensing, communication, and computation | |
Zhang et al. | Vehicle re-identification for lane-level travel time estimations on congested urban road networks using video images | |
Cui et al. | Lane change identification and prediction with roadside LiDAR data | |
Papathanasopoulou et al. | A data-driven model for pedestrian behavior classification and trajectory prediction | |
CN110232421B (zh) | 一种逐级合并od流向时空联合聚类方法 | |
CN104850657B (zh) | 一种全息位置地图的迭加方法 | |
Zhang et al. | Hybrid short-term traffic forecasting architecture and mechanisms for reservation-based Cooperative ITS |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |