CN109615140B - 一种预测行人运动的方法及装置 - Google Patents
一种预测行人运动的方法及装置 Download PDFInfo
- Publication number
- CN109615140B CN109615140B CN201811532533.9A CN201811532533A CN109615140B CN 109615140 B CN109615140 B CN 109615140B CN 201811532533 A CN201811532533 A CN 201811532533A CN 109615140 B CN109615140 B CN 109615140B
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- pedestrians
- speed
- data
- predicted
- 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
- 238000000034 method Methods 0.000 title claims abstract description 88
- 230000008569 process Effects 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims description 68
- 238000013528 artificial neural network Methods 0.000 claims description 32
- 238000012545 processing Methods 0.000 claims description 24
- 238000001914 filtration Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 abstract description 9
- 238000002474 experimental method Methods 0.000 description 23
- 238000012795 verification Methods 0.000 description 12
- 210000002569 neuron Anatomy 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提出一种预测行人运动的方法及装置,该方法包括:将待预测行人与所述待预测行人所在的第一预设前向空间内的其他行人之间的矢量距离数据,输入预先构建的第一速度预测模型,预测得到所述待预测行人的运动速度大小;将所述待预测行人所在的第二预设前向空间内的行人的分布情况数据,输入预先构建的第二速度预测模型,预测得到所述待预测行人的运动方向;根据预测得到的所述运动速度大小和所述运动方向,确定所述待预测行人的速度。上述行人运动预测过程摆脱了对大量计算公式和运算规则的依赖,完全基于输入数据和人工智能运算模型实现对行人运动的预测,其预测过程更客观。
Description
技术领域
本申请涉及人工智能技术领域,更具体地说,尤其涉及一种预测行人运动的方法及装置。
背景技术
近年来,因人群拥挤、冲撞而导致的事故频频发生,造成了严重的人员伤亡与财产损失,因此,开展行人动力学相关研究,揭示人群运动规律,对于探索人群运动过程安全、高效的引导策略和方法,减少人员伤亡和财产损失具有重要的理论意义和应用价值。
对行人运动进行仿真、预测,可以为公共场所的路径规划、风险评估、应急处理等提供技术支持。目前,国内外学者建立了多种适用于不同场景的行人运动模型,对行人运动过程进行了深入分析与研究。但是目前的行人运动模型大多包含繁多的数学公式和运算规则,模型建立过程复杂,并且由于参数的限制,模型校准方法也存在一定的主观性,因此这些模型对于行人运动的预测和仿真均会受到一定的主观因素影响。
发明内容
基于上述现有技术的缺陷和不足,本申请提出一种预测行人运动的方法及装置,能够实现更客观地预测行人运动速度。
一种预测行人运动的方法,包括:
将待预测行人与所述待预测行人所在的第一预设前向空间内的其他行人之间的矢量距离数据,输入预先构建的第一速度预测模型,预测得到所述待预测行人的运动速度大小;其中,所述第一速度预测模型至少根据已标注速度大小的行人与该行人所在的所述第一预设前向空间内的其它行人之间的矢量距离数据训练得到;
将所述待预测行人所在的第二预设前向空间内的行人的分布情况数据,输入预先构建的第二速度预测模型,预测得到所述待预测行人的运动方向;其中,所述第二速度预测模型至少根据包括被研究行人在内的所述第二预设前向空间内的行人分布情况数据训练得到;
根据预测得到的所述运动速度大小和所述运动方向,确定所述待预测行人的速度。
可选的,构建所述第一速度预测模型的过程包括:
确定预设行人的运动速度大小,以及确定所述行人与所述行人所在的第一预设前向空间内的其它行人之间的矢量距离数据;
根据所述第一预设前向空间内的行人数量,确定用于搭建第一速度预测模型的各个神经网络的结构;其中,所述神经网络的数量与所述行人数量相同。
可选的,所述方法还包括:
利用所述预设行人的运动速度大小,以及所述行人与所述行人所在的第一预设前向空间内的其它行人之间的矢量距离数据,对搭建的第一速度预测模型进行训练。
可选的,构建所述第二速度预测模型的过程包括:
确定所述第二预设前向空间内的行人的分布情况数据;
根据所述第二预设前向空间内的行人数量,确定用于搭建第二速度预测模型的神经网络的结构。
可选的,所述方法还包括:
利用所述第二预设前向空间内的行人的分布情况数据,对搭建的第二速度预测模型进行训练。
可选的,所述方法还包括:
获取设定数量行人运动时的实验数据;其中,所述实验数据至少包括行人运动轨迹路径数据;
对所述实验数据进行数据预处理;
从预处理后的实验数据中,抽取所述待预测行人所在的前向空间内的行人运动数据;其中,所述前向空间包括所述第一预设前向空间和/或所述第二预设前向空间。
可选的,所述对所述实验数据进行数据预处理,包括:
对所述实验数据进行运动轨迹平滑处理;
以及,
对所述实验数据进行异常数据滤除处理。
可选的,所述对所述实验数据进行运动轨迹平滑处理,包括:
识别所述实验数据中的左右摆动行人的运动轨迹;
对所述左右摆动行人的运动轨迹进行均值滤波处理;
对所述左右摆动行人的运动轨迹进行左右摆动方向上的样条插值处理。
可选的,所述对所述实验数据进行异常数据滤除处理,包括:
将所述实验数据中的行人的运动速度转化为极坐标下的速度表示数据;
去除所述实验数据中,速度大小和/或速度方向在预设标准差之外的行人速度数据。
一种预测行人运动的装置,包括:
速度大小预测单元,用于将待预测行人与所述待预测行人所在的第一预设前向空间内的其他行人之间的矢量距离数据,输入预先构建的第一速度预测模型,预测得到所述待预测行人的运动速度大小;其中,所述第一速度预测模型至少根据已标注速度大小的行人与该行人所在的所述第一预设前向空间内的其它行人之间的矢量距离数据训练得到;
运动方向预测单元,用于将所述待预测行人所在的第二预设前向空间内的行人的分布情况数据,输入预先构建的第二速度预测模型,预测得到所述待预测行人的运动方向;其中,所述第二速度预测模型至少根据包括被研究行人在内的所述第二预设前向空间内的行人分布情况数据训练得到;
预测结果处理单元,用于根据预测得到的所述运动速度大小和所述运动方向,确定所述待预测行人的速度。
本申请利用预先构建并训练得到的第一速度预测模型和第二速度预测模型,分别对待预测行人的运动速度大小和运动方向进行预测,从而确定待预测行人运动的矢量速度。该预测过程摆脱了对大量计算公式和运算规则的依赖,完全基于输入数据和人工智能运算模型实现对行人运动的预测,其预测过程更客观。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1是本申请实施例提供的一种预测行人运动的方法的流程示意图;
图2是本申请实施例提供的一种行人前向空间示意图;
图3是本申请实施例提供的另一种行人前向空间示意图;
图4是本申请实施例提供的行人运动实验场景示意图;
图5是本申请实施例提供的行人运动实验视频示意图;
图6是本申请实施例提供的行人运动时的x轴坐标变化曲线示意图;
图7是本申请实施例提供的直角坐标系下的行人运动速度分布示意图;
图8是本申请实施例提供的与图7对应的极坐标系下的行人运动速度分布示意图;
图9是本申请实施例提供的对图8所示的行人运动速度去除速度大小在标准差之外的数据点后的行人运动速度分布示意图;
图10是本申请实施例提供的对图9所示的行人运动速度去除速度方向在标准差之外的数据点后的行人运动速度分布示意图;
图11是本申请实施例提供的建立第一速度预测模型的处理流程示意图;
图12是本申请实施例提供的建立第二速度预测模型的处理流程示意图;
图13是本申请实施例提供的一种预测行人运动的装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例公开了一种预测行人运动的方法,参见图1所示,该方法包括:
S101、将待预测行人与所述待预测行人所在的第一预设前向空间内的其他行人之间的矢量距离数据,输入预先构建的第一速度预测模型,预测得到所述待预测行人的运动速度大小;其中,所述第一速度预测模型至少根据已标注速度大小的行人与该行人所在的所述第一预设前向空间内的其它行人之间的矢量距离数据训练得到;
具体的,上述待预测行人,是指本申请实施例研究其运动速度的大小和方向的行人,即本申请实施例技术方案的研究客体。
上述待预测行人所在的第一预设前向空间,是指与待预测行人的运动方向的前向,预设大小的空间区域。例如图2所示,半圆形区域的圆心位置处表示待预测行人,在该待预测行人的运动方向的前向的半圆形区域即为上述第一预设前向空间。
经试验所得,待预测行人周边的其他行人会对待预测行人的运动产生影响,具体是其他行人与待预测行人之间的矢量距离,会对待预测行人的运动速度大小产生影响,并且当其他行人与待预测行人的矢量距离小于一定距离(2.1米)时,才会对待预测行人的运动产生影响。因此本申请实施例将待预测行人所在的第一预设前向空间内的其他行人与待预测行人之间的矢量距离,作为预测待预测行人的运动的参考。可以理解,图2所示的第一预设前向空间的半径不大于2.1米。
上述预先构建的第一速度预测模型,是指本申请实施例预先构建的,用于预测行人的运动速度大小的网络模型。一种示例性的实现方式是,该第一速度预测模型,可以利用例如神经网络等构建得到。并且,本申请实施例对预先构建的第一速度预测模型进行训练,使该模型可以在待预测行人所在的第一预设前向空间内对待预测行人的运动速度大小进行预测、计算。
鉴于对上述第一速度预测模型的功能需求,本申请实施例利用已标注其运动速度大小的行人,以及该行人所在的第一预设前向空间内的其他行人之间的矢量距离作为训练样本数据,对上述第一速度预测模型进行训练。
在完成上述第一速度预测模型的构建,以及进行训练之后,当对上述待预测行人的运动进行预测时,直接将待预测行人与待预测行人所在的第一预设前向空间内的其他行人之间的矢量距离数据,输入上述第一速度预测模型中,即可预测得到待预测行人的运动速度大小。
S102、将所述待预测行人所在的第二预设前向空间内的行人的分布情况数据,输入预先构建的第二速度预测模型,预测得到所述待预测行人的运动方向;其中,所述第二速度预测模型至少根据包括被研究行人在内的所述第二预设前向空间内的行人分布情况数据训练得到;
具体的,上述待预测行人所在的第二预设前向空间,是指与待预测行人的运动方向的前向,预设大小的空间区域。例如图3所示,长方形区域顶部的边的中心位置处表示待预测行人,在该待预测行人的运动方向的前向的长方形区域即为上述第二预设前向空间。
经试验所得,待预测行人周边的其他行人会对待预测行人的运动产生影响,具体是其他行人的分布情况,会对待预测行人的运动方向产生影响,并且当其他行人与待预测行人的矢量距离小于一定距离(2.1米)时,才会对待预测行人的运动产生影响。因此本申请实施例将待预测行人所在的第二预设前向空间内的其他行人的分布情况,作为预测待预测行人的运动的参考。
上述预先构建的第二速度预测模型,是指本申请实施例预先构建的,用于预测行人的运动方向的网络模型。一种示例性的实现方式是,该第一速度预测模型,可以利用例如神经网络等构建得到。并且,本申请实施例对预先构建的第二速度预测模型进行训练,使该模型可以在待预测行人所在的第二预设前向空间内对待预测行人的运动方向进行预测。
鉴于对上述第二速度预测模型的功能需求,本申请实施例利用已标注其运动方向的行人,以及该行人所在的第二预设前向空间内的其他行人的分布情况作为训练样本数据,对上述第二速度预测模型进行训练。
在完成上述第二速度预测模型的构建,以及进行训练之后,当对上述待预测行人的运动进行预测时,直接将待预测行人所在的第二预设前向空间内的其他行人的分布情况数据,输入上述第二速度预测模型中,即可预测得到待预测行人的运动方向。
S103、根据预测得到的所述运动速度大小和所述运动方向,确定所述待预测行人的速度。
具体的,利用上述的第一速度预测模型和上述第二速度预测模型分别预测得到上述待预测行人的运动速度大小和运动方向后,本申请实施例将该速度大小和运动方向进行结合,得到速度矢量,即该待预测行人的矢量速度。
需要说明的是,本申请实施例仅介绍了所提出的预测行人运动的方法的一般性处理过程,在具体实施本申请实施例技术方案时,可以连续执行本申请实施例提出的上述预测行人运动的方法的处理过程,实现对行人运动过程的速度的连续预测,从而更完整地预测行人整个运动过程。
例如,可以在第一时刻通过执行本申请实施例上述技术方案预测行人速度,进而确定行人以此速度运动设定时长后的位置;然后以行人在该位置的数据作为本申请实施例上述技术方案的输入,继续预测该行人在第二时刻的速度,然后确定该行人以该第二时刻速度运动设定时长后的位置,以此类推,可以分别预测到行人在各个时刻的速度以及运动位置,实现对行人整个运动过程的建模。
通过上述介绍可见,本申请实施例利用预先构建并训练得到的第一速度预测模型和第二速度预测模型,分别对待预测行人的运动速度大小和运动方向进行预测,从而确定待预测行人运动的矢量速度。该预测过程摆脱了对大量计算公式和运算规则的依赖,完全基于输入数据和人工智能运算模型实现对行人运动的预测,其预测过程更客观。
进一步的,本申请另一实施例还公开了构建上述第一速度预测模型、以及构建上述第二速度预测模型的具体过程。上述预测模型的构建,大体上可分为模型搭建和模型训练两部分处理。其中,模型的搭建主要是确定用于搭建模型的神经网络的具体网络结构;上述模型的训练,具体是指对搭建的模型进行数据训练,使其具备所需预测功能。
首先,介绍本申请实施例获取模型训练数据的实现过程:
本申请实施例通过组织一定数量的人员进行实地运动实验,并采集其运动数据,得到设定数量行人运动时的实验数据,该实验数据至少包括参与实验的行人的运动轨迹路径数据。
实验涉及到的总人数有350人,平均年龄为25±5.7岁,平均身高为1.76±0.09m,平均自由运动速度为1.55±0.18m/s(由42个实验人员的自由运动获得)。本申请实施例所使用的实验数据的相关实验场景图和部分视频截图如图4和图5所示,实验场景为人工搭建的简易直通道,通道长为8m,通道宽度bcor可随不同的实验场景变动,本研究所用到的通道宽度为3m。实验时,行人首先在左侧的等待区(Waiting area)等待,听到“行走”指令后开始向通道出口方向以正常行走速度行走,直到走出通道的出口,我们称该实验为直通道单向流实验。整个实验过程由两个相机记录成视频形式,后期通过PeTrack软件对视频中的轨迹进行提取。通过改变入口宽度bentrance和实验人数N,共获得了6种不同密度下的实验数据,如表1所示。这6组实验在图4中所示的8m直通道内的实验数据(即-4m≤y≤4m)即为本申请实施例中所使用的数据集。
表1
本申请实施例还公开了,在获取到上述的行人运动实验数据后,还对获取的行人运动的实验数据进行数据预处理。具体的数据预处理过程,包括但不限于运动轨迹平滑和异常数据滤除处理等预处理。
因行人在行走过程中有左右摆动的特性,为了避免因行人左右摆动而带来的误差,需要先对行人的运动轨迹进行平滑处理,具体的平滑方法如下:
首先,识别上述实验数据中的左右摆动行人的运动轨迹;然后,对所述左右摆动行人的运动轨迹进行均值滤波处理;最后,对所述左右摆动行人的运动轨迹进行左右摆动方向上的样条插值处理。
具体的,在实验数据提取过程中,设人的左右方向为x方向,前后方向为y方向。因行人在行走过程中左右摆动的方向为x方向,所以在对行人的运动轨迹进行平滑处理时仅对行人的x方向的坐标数据进行处理。我们以实验uo-080-300-300中的第一个人(ID=1)为例,该人在实验时的x坐标随时间的变化曲线如图6中的虚线所示,对该人的轨迹平滑主要分为两步:第一步主要是为了去除数据本身存在的一些噪声,采用均值滤波法,对左右摆动行人的运动轨迹进行均值滤波处理,即对某一时刻的前后两帧的x坐标取平均作为该时刻新的x坐标,得到图中的实线;第二步是主要是去除轨迹中因行人左右摆动而带来的影响,首先找到实线的拐点(图中的实心点),然后找到相邻两个拐点连线的中点(图中的三角形点),对这些三角形点做样条插值,得到的点画线曲线即为行人轨迹平滑之后的x坐标的变化曲线。
同时,通过观察实验视频和行人的运动轨迹,我们发现在实验过程中有少部分行人在某些时刻的运动较为异常,这些数据点将会影响到之后的网络训练结果,故需要将这些异常数据点去除,即对实验数据进行异常数据滤除处理。
具体的异常数据滤除处理过程包括:
将所述实验数据中的行人的运动速度转化为极坐标下的速度表示数据;
去除所述实验数据中,速度大小和/或速度方向在预设标准差之外的行人速度数据。
具体的,图7-图10呈现了数据异常值滤除的整个过程。表1中的6组实验中的每个人在每一时刻的x和y方向的速度vx和vy如图7所示,首先将直角坐标系下的速度(vx,vy)转为极坐标系下的如图8所示,然后根据拉依达准则,去除|v0|的3个标准差之外的数据点,如图9所示,最后根据|v0|值的大小,将数据点平均分为20类,对每一类里的数据点,根据拉依达准则,去除速度方向/>的3个标准差之外的数据点,如图10所示。
上述的数据获取及数据预处理过程,是以实验得到的原始数据的处理过程为例进行介绍,当本申请实施例对训练数据存在特殊选择时,例如选择待预测行人所在的第一预设前向空间和第二预设前向空间的行人的运动数据作为训练数据时,上述的数据预处理过程,具体还可以是针对上述第一预设前向空间和第二预设前向空间内的行人的运动数据的处理。
需要说明的是,由于对模型进行训练需要在待预测行人的前向空间内对预测模型进行训练,因此本申请实施例在完成上述时延数据获取及数据预处理后,还对上述实验数据进行选取,具体为选择其中在待预测行人前向空间(包括第一预设前向空间和/或第二预设前向空间)内的数据作为训练数据。
由于前向空间内的数据来源于上述实验数据,因此,本申请实施例介绍的对实验数据的处理,也可以等同于对训练数据的处理。
在获取上述数据后,即可参照本申请实施例技术方案构建上述的第一速度预测模型和第二速度预测模型,并对构建的模型进行训练。
其中,参见图11所示,构建上述第一速度预测模型的过程,包括:
S1101、确定预设行人的运动速度大小,以及确定所述行人与所述行人所在的第一预设前向空间内的其它行人之间的矢量距离数据;
具体的,在上述实验数据的基础上,本申请可以从上述实验得到的行人运动数据中,选择任意一个行人作为预设行人,确定该行人的运动速度大小,以及确定该行人与该行人所在的第一预设前向空间内的其他行人之间的矢量距离数据。
具体的数据选择结果如表2所示:
表2
S1102、根据所述第一预设前向空间内的行人数量,确定用于搭建第一速度预测模型的各个神经网络的结构;其中,所述神经网络的数量与所述行人数量相同。
具体的,如图2所示,对该行人运动产生影响的行人包括半圆形内的行人和边界外的行人(灰色实心),其中半圆内的行人是实验人员,边界外的灰色实心行人是为考虑边界影响而虚设的行人(具体设置为:在两个边界分别向外扩展10cm的位置,10cm等间隔排列两列虚拟行人)。假设影响所研究行人运动的总人数为nc,半圆形前向空间内行人个数为np,边界灰色实心行人个数为nw,则有:
nc=np+nw
神经网络的一个训练样本包括网络的输入和期望输出。设所研究行人(x0,y0)与半圆前向空间内的其他行人(xi,yi)之间的矢量距离为Li(二维前向距离),即
Li=(xi,yi)-(x0,y0),i=1,2,...,nc
二维前向距离的大小为
取
作为网络的输入。因为1/|Li|2为一个矢量,而网络的输入要求是具体的数值,所以假设1/|Li|2的方向与二维前向距离Li的方向一致,将1/|Li|2分解为x和y两个方向的分量,即
所以,网络的最终输入为
其中
网络的期望输出为行人(x0,y0)的速度大小|v0|。
由上式可知,神经网络的输入层神经元个数为2nc,由于行人前向空间内其他行人的个数nc可能有多个取值,当nc值不同时,产生的训练样本的参数个数不一致,不能使用同一个神经网络进行训练,为此,根据半圆形前向空间内人数nc的值,为输入参数个数相同的训练样本建立相应的神经网络,即神经网络个数与nc值保持一致。
网络的输入层和输出层神经元的个数由一个训练样本的输入和输出参数个数决定,因此,网络的输入层神经元个数为
Nin=2nc
输出层神经元个数为
Nout=1
但是网络的隐含层的层数和神经元个数并没有明确的规定,一般采用经验公式给出。本研究的隐含层神经元个数Nh由如下经验公式来确定
网络的拓扑结构(输入层×隐含层1×隐含层2×输出层)为:
Nin×Nh1×Nh2×Nout=Nin×Nh×Nh×Nout
进一步的,在按照上述介绍构建第一速度预测模型后,本申请实施例利用上述获取的预设行人的运动速度大小,以及该行人与该行人所在的第一预设前向空间内的其他行人之间的矢量距离数据,对搭建的第一速度预测模型进行训练。
具体的,本申请实施例使用MATLAB中的train函数对神经网络进行训练,训练所需的基本参数设置如表3所示。
表3
网络训练停止的条件有5个,分别为:
1).Epoch:迭代步数,当网络的迭代步数达到最大迭代步数时,网络就停止训练。
2).Performance:一般以网络实际输出与期望输出的均方误差的形式来呈现,当系统的均方误差达到设置的最小均方误差时,网络停止训练。
3).Gradient:是误差曲面的梯度,当梯度达到设置的最小梯度时,网络停止训练。
4).Mu:网络训练中更新参数的Levenberg-Marquard规则中的一个参数,当系统误差增加时,Mu也会随之变大,当Mu增加到一定值时,说明系统误差在一个较大的水平,此时没有必要再对网络进行训练,故当Mu增大到一定值时,网络就停止训练。
5).Validation Checks:是对训练的网络的效果进行验证的一个指标,其主要作用是防止网络过度训练,一般将连续验证步数设为6。其具体含义为:在训练神经网络时,输入的样本数据集会被自动分成训练集和验证集,验证集和训练集互不重合,网络每完成一次训练时,系统会自动地将验证集输入到神经网络进行验证,当连续6次迭代,验证集的输出误差都不下降时,说明此时网络的输出误差已达到一个较小的值,为了防止网络过训练,可将此作为一个网络训练停止的标志。
以上的5个条件,满足其中的任何一个,网络即停止训练。
另一方面,参见图12所示,对上述构建第二速度预测模型的过程,包括:
S1201、确定所述第二预设前向空间内的行人的分布情况数据;
具体的,在上述实验数据的基础上,本申请可以从上述实验得到的行人运动数据中,选择任意一个行人作为被研究行人,确定该行人所在的第二预设前向空间内的行人的分布情况数据。
一种示例性的实现方式是,上述的行人的分布情况数据,可以由分布矩阵表示。
S1202、根据所述第二预设前向空间内的行人数量,确定用于搭建第二速度预测模型的神经网络的结构。
具体的,本申请实施例所选取的第二速度预测模型的一个训练样本的输入为行人的矩形前向空间内其他行人的分布情况。以图3中所研究行人为例,其前向空间内的行人分布情况可用一个分布矩阵A表示(有人的格子中填写数字1,无人的格子填写0):
将高斯加权后的离散化的行人分布矩阵作为矩形前向空间的神经网络的输入,网络的期望输出为行人(x0,y0)的极坐标形式的速度方向θv0。
矩形前向空间的神经网络的输入层神经元个数为
Nin=14×7=98
输出层神经元个数为
Nout=1
隐含层的神经元个数Nh由如下公式确定:
神经网络的拓扑结构(输入层×隐含层1×隐含层2×输出层)为Nin×Nh1×Nh2×Nout=Nin×Nh×[Nh/2]×Nout
进一步的,在按照上述介绍构建第二速度预测模型后,本申请实施例利用上述第二预设前向空间内的行人分布情况数据,对搭建的第二速度预测模型进行训练。
具体的,本申请实施例使用MATLAB中的train函数对神经网络进行训练,训练所需的基本参数设置如表3所示。
表3
网络训练停止的条件有5个,分别为:
1).Epoch:迭代步数,当网络的迭代步数达到最大迭代步数时,网络就停止训练。
2).Performance:一般以网络实际输出与期望输出的均方误差的形式来呈现,当系统的均方误差达到设置的最小均方误差时,网络停止训练。
3).Gradient:是误差曲面的梯度,当梯度达到设置的最小梯度时,网络停止训练。
4).Mu:网络训练中更新参数的Levenberg-Marquard规则中的一个参数,当系统误差增加时,Mu也会随之变大,当Mu增加到一定值时,说明系统误差在一个较大的水平,此时没有必要再对网络进行训练,故当Mu增大到一定值时,网络就停止训练。
5).Validation Checks:是对训练的网络的效果进行验证的一个指标,其主要作用是防止网络过度训练,一般将连续验证步数设为6。其具体含义为:在训练神经网络时,输入的样本数据集会被自动分成训练集和验证集,验证集和训练集互不重合,网络每完成一次训练时,系统会自动地将验证集输入到神经网络进行验证,当连续6次迭代,验证集的输出误差都不下降时,说明此时网络的输出误差已达到一个较小的值,为了防止网络过训练,可将此作为一个网络训练停止的标志。
以上的5个条件,满足其中的任何一个,网络即停止训练。
以上实施例介绍了本申请所提出的预测行人运动的方法的具体处理过程,以及介绍了模型搭建、模型训练和数据获取的具体处理过程。可以理解,上述的数据获取及模型训练可以根据模型搭建及训练需求进行适应性的调整和选取,本申请实施例不再一一详细说明。
在本申请的另一实施例中,还公开了一种预测行人运动的装置,参见图13所示,该装置包括:
速度大小预测单元100,用于将待预测行人与所述待预测行人所在的第一预设前向空间内的其他行人之间的矢量距离数据,输入预先构建的第一速度预测模型,预测得到所述待预测行人的运动速度大小;其中,所述第一速度预测模型至少根据已标注速度大小的行人与该行人所在的所述第一预设前向空间内的其它行人之间的矢量距离数据训练得到;
运动方向预测单元110,用于将所述待预测行人所在的第二预设前向空间内的行人的分布情况数据,输入预先构建的第二速度预测模型,预测得到所述待预测行人的运动方向;其中,所述第二速度预测模型至少根据包括被研究行人在内的所述第二预设前向空间内的行人分布情况数据训练得到;
预测结果处理单元120,用于根据预测得到的所述运动速度大小和所述运动方向,确定所述待预测行人的速度。
可选的,在本申请的另一个实施例中还公开了,上述装置还包括第一模型构建单元,用于构建所述第一速度预测模型;
其中,所述第一模型构建单元构建所述第一速度预测模型的过程包括:
确定预设行人的运动速度大小,以及确定所述行人与所述行人所在的第一预设前向空间内的其它行人之间的矢量距离数据;
根据所述第一预设前向空间内的行人数量,确定用于搭建第一速度预测模型的各个神经网络的结构;其中,所述神经网络的数量与所述行人数量相同。
进一步的,上述构建第一速度预测模型的过程还包括:
利用所述预设行人的运动速度大小,以及所述行人与所述行人所在的第一预设前向空间内的其它行人之间的矢量距离数据,对搭建的第一速度预测模型进行训练。
可选的,在本申请的另一个实施例中还公开了,上述装置还包括第二模型构建单元,用于构建所述第二速度预测模型;
其中,所述第二模型构建单元构建所述第二速度预测模型的过程包括:
确定所述第二预设前向空间内的行人的分布情况数据;
根据所述第二预设前向空间内的行人数量,确定用于搭建第二速度预测模型的神经网络的结构。
进一步的,上述构建第二速度预测模型的过程还包括:
利用所述第二预设前向空间内的行人的分布情况数据,对搭建的第二速度预测模型进行训练。
可选的,在本申请的另一个实施例中还公开了,上述预测行人运动的装置还包括:
数据获取单元,用于获取设定数量行人运动时的实验数据;其中,所述实验数据至少包括行人运动轨迹路径数据;
数据处理单元,用于对所述实验数据进行数据预处理;
数据抽取单元,用于从预处理后的实验数据中,抽取所述待预测行人所在的前向空间内的行人运动数据;其中,所述前向空间包括所述第一预设前向空间和/或所述第二预设前向空间。
其中,所述数据处理单元对所述实验数据进行数据预处理时,具体包括:
对所述实验数据进行运动轨迹平滑处理;以及,对所述实验数据进行异常数据滤除处理。
其中,所述数据处理单元对所述实验数据进行运动轨迹平滑处理时,具体包括:
识别所述实验数据中的左右摆动行人的运动轨迹;
对所述左右摆动行人的运动轨迹进行均值滤波处理;
对所述左右摆动行人的运动轨迹进行左右摆动方向上的样条插值处理。
所述数据处理单元对所述实验数据进行异常数据滤除处理时,具体包括:
将所述实验数据中的行人的运动速度转化为极坐标下的速度表示数据;
去除所述实验数据中,速度大小和/或速度方向在预设标准差之外的行人速度数据。
需要说明的是,上述预测行人运动的装置的各个实施例中的各个单元的具体工作内容,请参见上述方法实施例的内容,此处不再赘述。
对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本申请各实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。
本申请各实施例种装置及终端中的模块和子模块可以根据实际需要进行合并、划分和删减。
本申请所提供的几个实施例中,应该理解到,所揭露的终端,装置和方法,可以通过其它的方式实现。例如,以上所描述的终端实施例仅仅是示意性的,例如,模块或子模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个子模块或模块可以结合或者可以集成到另一个模块,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的模块或子模块可以是或者也可以不是物理上分开的,作为模块或子模块的部件可以是或者也可以不是物理模块或子模块,即可以位于一个地方,或者也可以分布到多个网络模块或子模块上。可以根据实际的需要选择其中的部分或者全部模块或子模块来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能模块或子模块可以集成在一个处理模块中,也可以是各个模块或子模块单独物理存在,也可以两个或两个以上模块或子模块集成在一个模块中。上述集成的模块或子模块既可以采用硬件的形式实现,也可以采用软件功能模块或子模块的形式实现。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件单元,或者二者的结合来实施。软件单元可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种预测行人运动的方法,其特征在于,包括:
将待预测行人与所述待预测行人所在的第一预设前向空间内的其他行人之间的矢量距离数据,输入预先构建的第一速度预测模型,预测得到所述待预测行人的运动速度大小;其中,所述第一速度预测模型至少根据已标注速度大小的行人与该行人所在的所述第一预设前向空间内的其它行人之间的矢量距离数据训练得到;
将所述待预测行人所在的第二预设前向空间内的行人的分布情况数据,输入预先构建的第二速度预测模型,预测得到所述待预测行人的运动方向;其中,所述第二速度预测模型至少根据包括被研究行人在内的所述第二预设前向空间内的行人分布情况数据训练得到;
根据预测得到的所述运动速度大小和所述运动方向,确定所述待预测行人的速度;
构建所述第一速度预测模型的过程包括:
确定预设行人的运动速度大小,以及确定所述行人与所述行人所在的第一预设前向空间内的其它行人之间的矢量距离数据;
根据所述第一预设前向空间内的行人数量,确定用于搭建第一速度预测模型的各个神经网络的结构;其中,所述神经网络的数量与所述行人数量相同;
利用所述预设行人的运动速度大小,以及所述行人与所述行人所在的第一预设前向空间内的其它行人之间的矢量距离数据,对搭建的第一速度预测模型进行训练;
构建所述第二速度预测模型的过程包括:
确定所述第二预设前向空间内的行人的分布情况数据;
根据所述第二预设前向空间内的行人数量,确定用于搭建第二速度预测模型的神经网络的结构;
利用所述第二预设前向空间内的行人的分布情况数据,对搭建的第二速度预测模型进行训练。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获取设定数量行人运动时的实验数据;其中,所述实验数据至少包括行人运动轨迹路径数据;
对所述实验数据进行数据预处理;
从预处理后的实验数据中,抽取所述待预测行人所在的前向空间内的行人运动数据;其中,所述前向空间包括所述第一预设前向空间和/或所述第二预设前向空间。
3.根据权利要求2所述的方法,其特征在于,所述对所述实验数据进行数据预处理,包括:
对所述实验数据进行运动轨迹平滑处理;
以及,
对所述实验数据进行异常数据滤除处理。
4.根据权利要求3所述的方法,其特征在于,所述对所述实验数据进行运动轨迹平滑处理,包括:
识别所述实验数据中的左右摆动行人的运动轨迹;
对所述左右摆动行人的运动轨迹进行均值滤波处理;
对所述左右摆动行人的运动轨迹进行左右摆动方向上的样条插值处理。
5.根据权利要求3或4所述的方法,其特征在于,所述对所述实验数据进行异常数据滤除处理,包括:
将所述实验数据中的行人的运动速度转化为极坐标下的速度表示数据;
去除所述实验数据中,速度大小和/或速度方向在预设标准差之外的行人速度数据。
6.一种预测行人运动的装置,其特征在于,包括:
速度大小预测单元,用于将待预测行人与所述待预测行人所在的第一预设前向空间内的其他行人之间的矢量距离数据,输入预先构建的第一速度预测模型,预测得到所述待预测行人的运动速度大小;其中,所述第一速度预测模型至少根据已标注速度大小的行人与该行人所在的所述第一预设前向空间内的其它行人之间的矢量距离数据训练得到;
运动方向预测单元,用于将所述待预测行人所在的第二预设前向空间内的行人的分布情况数据,输入预先构建的第二速度预测模型,预测得到所述待预测行人的运动方向;其中,所述第二速度预测模型至少根据包括被研究行人在内的所述第二预设前向空间内的行人分布情况数据训练得到;
预测结果处理单元,用于根据预测得到的所述运动速度大小和所述运动方向,确定所述待预测行人的速度;
第一模型构建单元,用于构建所述第一速度预测模型;
第二模型构建单元,用于构建所述第二速度预测模型;
其中,第一模型构建单元构建所述第一速度预测模型的过程包括:
确定预设行人的运动速度大小,以及确定所述行人与所述行人所在的第一预设前向空间内的其它行人之间的矢量距离数据;
根据所述第一预设前向空间内的行人数量,确定用于搭建第一速度预测模型的各个神经网络的结构;其中,所述神经网络的数量与所述行人数量相同;
利用所述预设行人的运动速度大小,以及所述行人与所述行人所在的第一预设前向空间内的其它行人之间的矢量距离数据,对搭建的第一速度预测模型进行训练;
第二模型构建单元构建所述第二速度预测模型的过程包括:
确定所述第二预设前向空间内的行人的分布情况数据;
根据所述第二预设前向空间内的行人数量,确定用于搭建第二速度预测模型的神经网络的结构;
利用所述第二预设前向空间内的行人的分布情况数据,对搭建的第二速度预测模型进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811532533.9A CN109615140B (zh) | 2018-12-14 | 2018-12-14 | 一种预测行人运动的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811532533.9A CN109615140B (zh) | 2018-12-14 | 2018-12-14 | 一种预测行人运动的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109615140A CN109615140A (zh) | 2019-04-12 |
CN109615140B true CN109615140B (zh) | 2024-01-09 |
Family
ID=66008691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811532533.9A Active CN109615140B (zh) | 2018-12-14 | 2018-12-14 | 一种预测行人运动的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109615140B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084765B (zh) * | 2019-05-05 | 2021-08-06 | Oppo广东移动通信有限公司 | 一种图像处理方法、图像处理装置及终端设备 |
US20220282980A1 (en) * | 2021-03-03 | 2022-09-08 | International Business Machines Corporation | Pedestrian route guidance that provides a space buffer |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008282097A (ja) * | 2007-05-08 | 2008-11-20 | Toyota Central R&D Labs Inc | 衝突危険度推定装置及びドライバ支援装置 |
JP2011070384A (ja) * | 2009-09-25 | 2011-04-07 | Toyota Motor Corp | 歩行者移動推定装置及び方法 |
WO2016183770A1 (en) * | 2015-05-18 | 2016-11-24 | Xiaogang Wang | A system and a method for predicting crowd attributes |
CN107657345A (zh) * | 2017-09-28 | 2018-02-02 | 北京交通大学 | 一种基于马尔可夫状态跳变的行人行走行为预测方法 |
WO2018059408A1 (zh) * | 2016-09-29 | 2018-04-05 | 北京市商汤科技开发有限公司 | 跨线计数方法和神经网络训练方法、装置和电子设备 |
CN108428243A (zh) * | 2018-03-07 | 2018-08-21 | 北京航空航天大学 | 一种基于人工神经网络的行人运动速度预测方法 |
-
2018
- 2018-12-14 CN CN201811532533.9A patent/CN109615140B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008282097A (ja) * | 2007-05-08 | 2008-11-20 | Toyota Central R&D Labs Inc | 衝突危険度推定装置及びドライバ支援装置 |
JP2011070384A (ja) * | 2009-09-25 | 2011-04-07 | Toyota Motor Corp | 歩行者移動推定装置及び方法 |
WO2016183770A1 (en) * | 2015-05-18 | 2016-11-24 | Xiaogang Wang | A system and a method for predicting crowd attributes |
WO2018059408A1 (zh) * | 2016-09-29 | 2018-04-05 | 北京市商汤科技开发有限公司 | 跨线计数方法和神经网络训练方法、装置和电子设备 |
CN107657345A (zh) * | 2017-09-28 | 2018-02-02 | 北京交通大学 | 一种基于马尔可夫状态跳变的行人行走行为预测方法 |
CN108428243A (zh) * | 2018-03-07 | 2018-08-21 | 北京航空航天大学 | 一种基于人工神经网络的行人运动速度预测方法 |
Non-Patent Citations (1)
Title |
---|
魏心泉 ; 王坚 ; .基于熵的火灾场景介观人群疏散模型.系统工程理论与实践.2015,(第10期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN109615140A (zh) | 2019-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | UAV autonomous target search based on deep reinforcement learning in complex disaster scene | |
CN105976400B (zh) | 基于神经网络模型的目标跟踪方法及装置 | |
CN110858973B (zh) | 小区网络流量预测方法及装置 | |
CN109615140B (zh) | 一种预测行人运动的方法及装置 | |
CA3080050A1 (en) | Training tree-based machine-learning modeling algorithms for predicting outputs and generating explanatory data | |
CN107256386A (zh) | 基于深度学习的人类行为分析方法 | |
Zhao et al. | Artificial neural network based modeling on unidirectional and bidirectional pedestrian flow at straight corridors | |
CN113536996A (zh) | 一种基于大量真实人群运动视频的人群运动仿真方法 | |
CN106815563B (zh) | 一种基于人体表观结构的人群数量预测方法 | |
CN112231964B (zh) | 基于深度强化学习的气体泄漏源自主搜索及定位方法 | |
CN106204597A (zh) | 一种基于自步式弱监督学习的视频物体分割方法 | |
CN109817338A (zh) | 一种慢性病加重风险评估与告警系统 | |
Mahmood et al. | How much more data do i need? estimating requirements for downstream tasks | |
JP2020528616A (ja) | 画像処理方法およびシステム、記憶媒体およびコンピューティングデバイス | |
Qi et al. | FedAGCN: A traffic flow prediction framework based on federated learning and Asynchronous Graph Convolutional Network | |
CN114842542A (zh) | 基于自适应注意力与时空关联的面部动作单元识别方法及装置 | |
CN107392398A (zh) | 一种农业管理方法、雾计算平台及系统 | |
Jiang et al. | Hybrid PSO and GA for neural network evolutionary in monthly rainfall forecasting | |
CN107958231A (zh) | 光场图像过滤方法、人脸分析方法及电子设备 | |
CN110610140B (zh) | 人脸识别模型的训练方法、装置、设备及可读存储介质 | |
CN109977884B (zh) | 目标跟随方法和装置 | |
CN111145169A (zh) | 基于多列异步神经网络的地铁站乘客数量调度系统及方法 | |
CN116307775A (zh) | 一种评价方法及系统 | |
CN107680278A (zh) | 一种净化器的控制方法和装置 | |
Lin et al. | Video-based bird posture recognition using dual feature-rates deep fusion convolutional neural network |
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 |