CN111027692A - 一种目标运动态势预测方法及装置 - Google Patents
一种目标运动态势预测方法及装置 Download PDFInfo
- Publication number
- CN111027692A CN111027692A CN201911068396.2A CN201911068396A CN111027692A CN 111027692 A CN111027692 A CN 111027692A CN 201911068396 A CN201911068396 A CN 201911068396A CN 111027692 A CN111027692 A CN 111027692A
- Authority
- CN
- China
- Prior art keywords
- time
- motion situation
- historical
- prediction
- network model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012423 maintenance Methods 0.000 claims abstract description 70
- 238000012549 training Methods 0.000 claims abstract description 58
- 230000015654 memory Effects 0.000 claims abstract description 52
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 37
- 230000007787 long-term memory Effects 0.000 claims abstract description 7
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 description 18
- 238000012937 correction Methods 0.000 description 10
- 230000009977 dual effect Effects 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000001914 filtration Methods 0.000 description 6
- 230000008447 perception Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000001629 suppression Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
- G01S13/50—Systems of measurement based on relative movement of target
- G01S13/58—Velocity or trajectory determination systems; Sense-of-movement determination systems
-
- 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
- G06N3/08—Learning methods
Abstract
本发明提供一种目标运动态势预测方法和装置,所述方法包括:获取目标在各时刻的历史运动态势参数,根据历史运动态势参数,生成目标的运动态势历史时间序列;利用运动态势历史时间序列训练长短时记忆网络模型,获取未来预设时间间隔对应的时间维预测值;利用运动态势历史时间序列和所述时间维预测值训练卷积神经网络模型,获取与所述时间维预测值对应的空间维修正值;利用长短时记忆网络模型,获取与所述空间维修正值对应的空间维修正值的预测值;根据时间维预测值、空间维修正值和空间维修正值的预测值生成目标的运动态势预测区域。本发明能共同约束目标态势预测的边界区域,具有更好的容错性,实现对目标航迹位置与运动状态的准确预测。
Description
技术领域
本发明涉及雷达智能信息处理领域,特别涉及一种目标运动态势预测方法及装置。
背景技术
目标运动态势预测是依据探测感知该目标的历史数据,形成目标运动态势(包括位置、速度等)的合理化预测。目标运动态势的预测是态势感知评估的重要组成部分。态势感知评估通过综合分析敌方战斗力量分布与活动、战场环境、敌方作战意图及敌方战场运动参数等因素,分析确定当前战场事件发生的深层次原因,为决策人员提供辅助支持,是未来信息化、智能化作战的关键环节。
传统的目标运动跟踪预测多是基于先验理论模型的预测方法,常用算法包括卡尔曼滤波(Kalman Filter,KF)、扩展卡尔曼滤波(Extend Kalman Filter,EKF)、无迹卡尔曼滤波(Unscented Kalman Filter,UKF)滤波和粒子滤波(Particle Filter,PF)算法等。其中,KF为线性高斯假设条件下的最优贝叶斯滤波算法。为了将KF推广到非线性条件下,分别从非线性函数的一阶泰勒展开近似和高斯分布的高阶矩近似两个角度进行改进,可以分别推导出EKF和UKF滤波算法。其中,UKF算法性能优于EKF算法性能。PF算法基于序贯蒙特卡洛技术,在预测过程中采用大量粒子近似目标状态的概率分布,被广泛应用于非线性、非高斯目标跟踪预测场景,但PF方法往往需要执行大量的粒子预测和更新、计算量较大。基于模型的预测方法,对运动模型以及量测模型的合理性提出了较高要求,未来战场目标机动性显著增强,对于高动态环境下目标态势预测,传统方法无法给出较好的先验模型,容易造成目标预测精度较差、目标容易丢失等问题。
发明内容
本发明的目的是提供一种目标运动态势预测方法及装置,以解决现有技术预测精度差的问题。
为实现上述目的,本发明的第一方面提供了一种目标运动态势预测方法,其特征在于,包括以下步骤:
获取目标在各时刻的历史运动态势参数,根据所述历史运动态势参数,生成所述目标的运动态势历史时间序列;
利用所述运动态势历史时间序列训练长短时记忆网络模型,获取未来预设时间间隔对应的时间维预测值;
利用所述运动态势历史时间序列和所述时间维预测值训练卷积神经网络模型,获取与所述时间维预测值对应的空间维修正值;
利用所述长短时记忆网络模型,获取与所述空间维修正值对应的空间维修正值的预测值;
根据所述时间维预测值、所述空间维修正值和所述空间维修正值的预测值生成目标运动态势预测区域。
优选地,所述获取目标在各时刻的历史运动态势参数,根据所述历史运动态势参数,生成所述目标的运动态势历史时间序列,包括:
获取所述目标在某一时刻t的N个历史运动态势参数,所述N个历史运动态势参数包括位置、速度、加速度;
根据所述N个历史运动态势参数构成时刻t的N维特征向量;
基于时刻t的N维特征向量生成所述目标的运动态势历史时间序列。
优选地,所述利用所述运动态势历史时间序列训练长短时记忆网络模型,获取未来预设时间间隔对应的时间维预测值,包括:
对所述运动态势历史时间序列进行切分,构成第一训练样本集;
将所述第一训练样本集输入到所述长短时记忆网络模型中生成训练好的长短时记忆网络模型;
将所述历史时间序列输入到所述训练好的长短时记忆网络模型中进行预测,获得未来预设时间间隔对应的时间维预测值。
优选地,所述利用所述运动态势历史时间序列和所述时间维预测值训练卷积神经网络模型,获取与所述时间维预测值对应的空间维修正值,包括:
根据所述运动态势历史时间序列和对应的所述时间维预测值构成第二训练样本集;
将所述第二训练样本集输入到所述卷积神经网络模型中,生成训练好的卷积神经网络模型;
将所述时间维预测值输入到所述训练好的卷积神经网络模型,获得与所述时间维预测值对应的空间维修正值。
优选地,所述利用所述长短时记忆网络模型,获取与所述空间维修正值对应的空间维修正值的预测值,包括:
将所述时间维预测值对应的空间维修正值输入到所述训练好的长短时记忆网络模型中进行预测,获得空间维修正值的预测值。
本发明的第二方面提供了一种目标运动态势预测装置,所述装置包括:
运动态势历史时间序列获取单元,用于获取目标在各时刻的历史运动态势参数,根据所述历史运动态势参数,生成所述目标的运动态势历史时间序列;
时间维预测值获取单元,用于利用所述运动态势历史时间序列训练长短时记忆网络模型,获取未来预设时间间隔对应的时间维预测值;
空间维修正值获取单元,用于利用所述运动态势历史时间序列和所述时间维预测值训练卷积神经网络模型,获取与所述时间维预测值对应的空间维修正值;
空间维修正值的预测值获取单元,用于利用所述长短时记忆网络模型,获取与所述空间维修正值对应的空间维修正值的预测值;
运动态势预测区域获取单元,用于根据所述时间维预测值、所述空间维修正值和所述空间维修正值的预测值生成目标运动态势预测区域。
优选地,所述运动态势历史时间序列获取单元用于:
获取所述目标在某一时刻t的N个历史运动态势参数,所述N个历史运动态势参数包括位置、速度、加速度;
根据所述N个历史运动态势参数构成时刻t的N维特征向量;
基于时刻t的N维特征向量生成所述目标的运动态势历史时间序列。
优选地,所述时间维预测值获取单元用于:
对所述运动态势历史时间序列进行切分,构成第一训练样本集;
将所述第一训练样本集输入到所述长短时记忆网络模型中生成训练好的长短时记忆网络模型;
将所述历史时间序列输入到所述训练好的长短时记忆网络模型中进行预测,获得未来预设时间间隔对应的时间维预测值。
优选地,所述空间维修正值获取单元用于:
根据所述运动态势历史时间序列和对应的所述时间维预测值构成第二训练样本集;
将所述第二训练样本集输入到所述卷积神经网络模型中,生成训练好的卷积神经网络模型;
将所述时间维预测值输入到所述训练好的卷积神经网络模型,获得与所述时间维预测值对应的空间维修正值。
优选地,所述空间维修正值的预测值获取单元用于:
将所述时间维预测值对应的空间维修正值输入到所述训练好的长短时记忆网络模型中进行预测,获得空间维修正值的预测值。
本发明的第三方面提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现第一方面所述的目标运动态势预测方法的步骤。
本发明的第四方面提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现第一方面所述的目标运动态势预测方法的步骤。
利用本发明的上述技术方案,能够有效地解决目标预测精度较差、目标容易丢失等问题。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
为了更清楚地说明本发明实施例,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种目标运动态势预测方法的流程示意图;
图2为本发明实施例提供的根据历史运动态势参数生成目标的运动态势历史时间序列的流程示意图;
图3为本发明实施例提供的利用运动态势历史时间序列训练长短时记忆网络模型,获取未来预设时间间隔对应的时间维预测值的流程示意图;
图4为本发明实施例提供的获取与所述时间维预测值对应的空间维修正值的流程示意图;
图5为本发明实施例提供的网络结构示意图;
图6为本发明实施例提供的三角区域的结构示意图;
图7为本发明实施例提供的一种目标运动态势预测装置的结构示意图。
具体实施方式
为了使本领域的技术人员更好地理解本发明的技术方案,下面将结合附图对本发明作进一步的详细介绍。
本发明提供的目标运动态势预测方法是基于多神经网络时空双重约束的目标运动预测方法。
认知雷达概念的提出者加拿大皇家学会院士Simon Haykin,强调了人工智能技术融入雷达系统的重要意义。人工智能与雷达系统的结合,形成了基于神经网络的一系列雷达智能信息处理方法。其中,基于深度学习神经网络的方法生成的预测模型近年来得到了广泛关注。该类方法一方面不依赖于先验模型,另一方面无需人工提取特征,通过训练数据集驱动完成预测模型参数的自学习,实现对运动态势特征的自主挖掘与预测。卷积神经网络 (Convolutional Neural Network,CNN)和递归神经网络(Recurrent Neural Network,RNN)是深度学习神经网络中最常见的两种网络模型。前者多用于图像或结构信号分析处理,后者多用于时间序列信号分析处理。长短时记忆网络LSTM Networks(Long Short-TermMemory)在传统RNN基础上使用了不同的函数去计算隐藏层的状态。采用元胞结构用以保存当前输入之前的状态,多个门结构决定哪些元胞兴奋。结合前面的状态、当前的记忆与当前的输出进行估计,对长序列依赖问题非常有效。
传统目标运动预测方法的整体性能与数据关联性能密切相关,依赖运动模型,缺乏全局寻优的理论依据。基于长短时记忆网络的运动预测方法,采用数据驱动的网络训练模型,对高维特征进行跨域融合,实现对目标运动的预测。基于长短时记忆网络的运动预测方法,虽然可以解决上述运动模型依赖、全局寻优等问题,然而对于目标运动估计仍不够准确,多为点迹预测,面向重点区域的预测估计方法缺失。
本发明以雷达态势感知预测为应用背景,基于多神经网络构建对目标航迹预测区域的时空双重约束,在时间维度与空间维度估计目标潜在运动位置的边界,并计算多维运动状态参数,确定探测感知的重点区域,为雷达波束扫描指向与工作方式选择、以及战场目标态势感知提供科学依据。
具体地,本发明提供了一种目标运动态势预测方法,如图1所示,为本发明实施例提供的一种目标的运动态势的预测方法的流程示意图,该方法包括S100至S500的步骤。
S100:获取目标在各时刻的历史运动态势参数,根据所述历史运动态势参数,生成所述目标的运动态势历史时间序列。
具体实施时,从雷达接收机获取雷达回波信号,经过杂波抑制、脉冲压缩、目标检测等处理流程,获得目标的运动轨迹以及速度、加速度、RCS(雷达散射截面)等能够描述目标在历史时间段中各时刻运动态势参数,进一步构成目标运动态势历史时间序列。
具体的,在本实施例中,如图2所示,所述根据所述历史运动态势参数,生成所述目标的运动态势历史时间序列,包括以下步骤:
S101:获取所述目标在某一时刻t的N个历史运动态势参数,所述N个历史运动态势参数包括位置、速度、加速度。
S102:根据所述N个历史运动态势参数构成时刻t的N维特征向量。
S103:基于时刻t的N维特征向量生成所述目标的运动态势历史时间序列。
从雷达接收机获取雷达回波信号,经过杂波抑制、脉冲压缩、目标检测等处理流程,将t时刻获得的目标运动轨迹与运动状态参数构成一个N维特征向量m(t):
m(t)=[m1(t),m2(t),...mN(t)]′,m1(t),m2(t),...mN(t)∈R
其中m1(t),m2(t),...mN(t)可分别代表所述目标的位置、速度等共N种能够描述目标t时刻运动态势的参数,从构成所述历史时间段内的所述目标的运动态势历史时间序列M={m(t)},t=t0,t0+1,t0+2,...。
S200:利用所述运动态势历史时间序列训练长短时记忆网络模型,获取未来预设时间间隔对应的时间维预测值。
本步骤中,通过构建一个面向时间维进行预测的长短时记忆网络模型,对目标在未来预设时间间隔内的运动态势进行预测,即获取时间维预测值。具体实施时所述时间维预测值,对应空间维修正值,一般为特征向量或者特征向量某几个分量的预测值,如特征向量包括位置坐标与速度,而时间维预测时只预测其中的位置坐标。
具体的,在本实施例中,如图3所示,所述利用所述运动态势历史时间序列训练长短时记忆网络模型,获取未来预设时间间隔对应的时间维预测值,包括:
S201:对所述运动态势历史时间序列进行切分,构成第一训练样本集。
S202:将所述第一训练样本集输入到所述长短时记忆网络模型中进行训练,生成训练好的长短时记忆网络模型。
S203:将所述历史时间序列输入到所述训练好的长短时记忆网络模型中进行预测,获得未来预设时间间隔对应的时间维预测值。
具体实施时,对步骤S100中获得的所述运动态势历史时间序列按时序进行切分,切分成若干历史时间序列片段,形成面向长短时记忆网络模型的第一训练样本集,其中每个训练样本由输入与标签两部分,输入为切分后的历史时间序列片段Mtrain,标签为预设时间间隔对应的目标运动态势特征向量 mlabel,将采用长短时记忆网络的时间序列预测记为一个算子L,训练的过程可以等效为最小化所述标签是训练的目标,可理解为训练中模型输出的理想值,即时时间维后续时刻的真实值,而训练的过程是时时间维预测值尽可能的逼近后续时刻的真实值。
长短时记忆网络训练完成后,输入历史时间序列,即可获得预设时间间隔对应的时间维预测值mp(t+1),从而在时间维度上建立目标的历史运动信息对预测态势的约束,即通过时间序列预测的方法,确定了对运动态势预测的一个大致范围,对预测值范围设立一个边界。
S300:利用所述运动态势历史时间序列和所述时间维预测值训练卷积神经网络模型,获取与所述时间维预测值对应的空间维修正值。
本步骤中,通过构建一个面向空间维修正的卷积神经网络模型,可针对某一时刻目标的时间维测量值与时间维预测值进行误差补偿。
具体的,在本实施例中,如图4所示,所述利用所述运动态势历史时间序列和所述时间维预测值训练卷积神经网络模型,获取与所述时间维预测值对应的空间维修正值,包括:
S301:根据所述运动态势历史时间序列和对应的所述时间维预测值构成第二训练样本集。
S302:将所述第二训练样本集输入到所述卷积神经网络模型中,生成训练好的卷积神经网络模型。
S303:将所述时间维预测值输入到所述训练好的卷积神经网络模型,获得所述时间维预测值对应的空间维修正值。
具体地,采用步骤S200中方法,通过时间维预测值获得某一时刻目标的特征向量的预测值,目标的特征向量的预测值与同一时刻目标的特征向量的实际值构成卷积神经网络模型的训练样本集。其中每个训练样本由输入与标签两部分组成,输入为时间维预测值mp(t+1),标签为同一时刻目标的特征向量的实测值m(t+1),训练卷积神经网络,实现预测值向目标测量值的误差补偿性映射。将采用卷积神经网络模型的空间修正记为一个算子C,训练的过程可以等效为最小化卷积神经网络模型训练完成后,输入时间维预测值mp(t+1)即可获得对时间维预测值的空间修正映射C,从而得到所述时间维预测值对应的空间维修正值g(t+1),在空间维度上建立对目标的运动态势的预测的约束。
S400:利用所述长短时记忆网络模型,获取与所述空间维修正值对应的空间维修正值的预测值。
具体的,在本实施例中,所述通过长短时记忆网络获取空间维修正值的预测值,具体包括:
将所述时间维预测值对应的空间维修正值输入到所述训练好的长短时记忆网络模型中进行预测,获得空间维修正值的预测值。
本步骤中,使用步骤S200中训练好的长短时记忆网络模型,以空间维修正后的时间序列g(t+1)为输入,再进行时间维的预测,得到空间维修正后的时间维预测值gp(t+1)。该步操作减小了时间维预测与空间维修正的误差,即用多神经网络级联的方式,提高了训练样本生成的多网络模型在目标的运动态势的预测过程中的精度。
S500:根据所述时间维预测值、所述空间维修正值和所述空间维修正值的预测值生成目标运动态势预测区域。
如图5所示,时间维预测可以得到mp(t+1),空间维补偿可以得到g(t+1),空间维补偿再做时间维预测可以得到gp(t+1),综合采用时空双重约束得到的预测值与修正值mp(t+1)、g(t+1)、gp(t+1),形成一个基于多神经网络时空双重约束的目标运动预测结果,该结果是以上述时空约束结果为顶点构成的三角区域,如图6所示。mp(t+1)、g(t+1)、gp(t+1)构成的三角形区域即为目标运动预测的重点区域,可用于雷达波束扫描指向确定与工作方式选择,为目标态势感知预测提供科学依据。
本发明提供的目标运动态势预测方法是基于多神经网络时空双重约束的目标运动预测方法,针对目标航迹位置与运动状态的多维态势预测,在时间与空间两个维度构建多神经网络:在时间维度上,基于长短时记忆神经网络,实现对雷达探测目标多维态势的预测;在空间维度上,基于卷积神经网络实现对目标当前态势测量值的修正。多神经网络在时间维度的预测与空间维度的修正,共同约束目标态势预测的边界区域。
本发明提出的基于多神经网络时空双重约束的目标运动预测方法不依赖于先验的运动模型与观测模型,减小了建模误差对目标预测效能的影响。采用数据驱动的方式,对目标运动属性的时间序列进行描述,能够显著提高复杂场景下目标运动预测的精度。
而且本发明涉及到的时空双重约束可以形成针对目标运动预测的区域结果,相较于点预测,区域预测具有更好的容错性,对雷达波束指向设置具有参考意义,同时减小了时间维预测与空间维修正的误差,即用多神经网络级联的方式,提高了训练样本生成的多网络模型在运动态势预测过程中的精度,实现对目标航迹位置与运动状态的准确预测,为雷达波束扫描指向与工作方式选择、以及目标态势感知提供科学依据。
与本发明提供的一种目标运动态势预测方法实施例相对应,本发明还提供了一种目标运动态势预测装置的实施例。参见图7,为本发明实施例提供的一种目标运动态势预测装置的结构示意图,所述装置包括:
运动态势历史时间序列获取单元100,用于获取目标在各时刻的历史运动态势参数,根据所述历史运动态势参数,生成所述目标的运动态势历史时间序列;
时间维预测值获取单元200,用于利用所述运动态势历史时间序列训练长短时记忆网络模型,获取未来预设时间间隔对应的时间维预测值;
空间维修正值获取单元,用于利用所述运动态势历史时间序列和所述时间维预测值训练卷积神经网络模型300,获取与所述时间维预测值对应的空间维修正值;
空间维修正值的预测值获取单元400,用于利用所述长短时记忆网络模型,获取与所述空间维修正值对应的空间维修正值的预测值;
运动态势预测区域获取单元500,用于根据所述时间维预测值、所述空间维修正值和所述空间维修正值的预测值生成目标运动态势预测区域。
所述运动态势历史时间序列获取单元100用于:
获取所述目标在某一时刻t的N个历史运动态势参数,所述N个历史运动态势参数包括位置、速度、加速度;
根据所述N个历史运动态势参数构成时刻t的N维特征向量;
基于时刻t的N维特征向量生成所述目标的运动态势历史时间序列。
所述时间维预测值获取单元200用于:
对所述运动态势历史时间序列进行切分,构成第一训练样本集;
将所述第一训练样本集输入到所述长短时记忆网络模型中生成训练好的长短时记忆网络模型;
将所述历史时间序列输入到所述训练好的长短时记忆网络模型中进行预测,获得未来预设时间间隔对应的时间维预测值。
所述空间维修正值获取单元300用于:
根据所述运动态势历史时间序列和对应的所述时间维预测值构成第二训练样本集;
将所述第二训练样本集输入到所述卷积神经网络模型中,生成训练好的卷积神经网络模型;
将所述时间维预测值输入到所述训练好的卷积神经网络模型,获得与所述时间维预测值对应的空间维修正值。
所述空间维修正值的预测值获取单元400用于:
将所述时间维预测值对应的空间维修正值输入到所述训练好的长短时记忆网络模型中进行预测,获得空间维修正值的预测值。
根据上述目标运动态势预测方法,本发明实施例还提供一种可读存储介质和一种计算机设备。可读存储介质上存储有可执行程序,该程序被处理器执行时实现上述一种目标运动态势预测方法的步骤;计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的可执行程序,处理器执行程序时实现上述一种目标运动态势预测方法的步骤。
综上所述,本发明的目标运动态势预测方法是一种基于多神经网络时空双重约束的目标运动预测方法。针对目标航迹位置与运动状态的多维态势预测,在时间与空间两个维度构建多神经网络:在时间维度上,基于长短时记忆神经网络,实现对雷达探测目标多维态势的预测;在空间维度上,基于卷积神经网络实现对目标当前态势测量值的修正。多神经网络在时间维度的预测与空间维度的修正,共同约束目标态势预测的边界区域,实现对目标航迹位置与运动状态的准确预测,为雷达波束扫描指向与工作方式选择、以及目标态势感知提供科学依据。
以上只通过说明的方式描述了本发明的某些示范性实施例,毋庸置疑,对于本领域的普通技术人员,在不偏离本发明的精神和范围的情况下,可以用各种不同的方式对所描述的实施例进行修正。因此,上述附图和描述在本质上是说明性的,不应理解为对本发明权利要求保护范围的限制。
Claims (10)
1.一种目标运动态势预测方法,其特征在于,包括以下步骤:
获取目标在各时刻的历史运动态势参数,根据所述历史运动态势参数,生成所述目标的运动态势历史时间序列;
利用所述运动态势历史时间序列训练长短时记忆网络模型,获取未来预设时间间隔对应的时间维预测值;
利用所述运动态势历史时间序列和所述时间维预测值训练卷积神经网络模型,获取与所述时间维预测值对应的空间维修正值;
利用所述长短时记忆网络模型,获取与所述空间维修正值对应的空间维修正值的预测值;
根据所述时间维预测值、所述空间维修正值和所述空间维修正值的预测值生成目标运动态势预测区域。
2.根据权利要求1所述的目标运动态势预测方法,其特征在于,所述获取目标在各时刻的历史运动态势参数,根据所述历史运动态势参数,生成所述目标的运动态势历史时间序列,包括:
获取所述目标在某一时刻t的N个历史运动态势参数,所述N个历史运动态势参数包括位置、速度、加速度;
根据所述N个历史运动态势参数构成时刻t的N维特征向量;
基于时刻t的N维特征向量生成所述目标的运动态势历史时间序列。
3.根据权利要求1或2所述的目标运动态势预测方法,其特征在于,所述利用所述运动态势历史时间序列训练长短时记忆网络模型,获取未来预设时间间隔对应的时间维预测值,包括:
对所述运动态势历史时间序列进行切分,构成第一训练样本集;
将所述第一训练样本集输入到所述长短时记忆网络模型中生成训练好的长短时记忆网络模型;
将所述历史时间序列输入到所述训练好的长短时记忆网络模型中进行预测,获得未来预设时间间隔对应的时间维预测值。
4.根据权利要求1-3任一所述的目标运动态势预测方法,其特征在于,所述利用所述运动态势历史时间序列和所述时间维预测值训练卷积神经网络模型,获取与所述时间维预测值对应的空间维修正值,包括:
根据所述运动态势历史时间序列和对应的所述时间维预测值构成第二训练样本集;
将所述第二训练样本集输入到所述卷积神经网络模型中,生成训练好的卷积神经网络模型;
将所述时间维预测值输入到所述训练好的卷积神经网络模型,获得与所述时间维预测值对应的空间维修正值。
5.根据权利要求1-4任一所述的目标运动态势预测方法,其特征在于,所述利用所述长短时记忆网络模型,获取与所述空间维修正值对应的空间维修正值的预测值,包括:
将所述时间维预测值对应的空间维修正值输入到所述训练好的长短时记忆网络模型中进行预测,获得空间维修正值的预测值。
6.一种目标运动态势预测装置,其特征在于,包括:
运动态势历史时间序列获取单元,用于获取目标在各时刻的历史运动态势参数,根据所述历史运动态势参数,生成所述目标的运动态势历史时间序列;
时间维预测值获取单元,用于利用所述运动态势历史时间序列训练长短时记忆网络模型,获取未来预设时间间隔对应的时间维预测值;
空间维修正值获取单元,用于利用所述运动态势历史时间序列和所述时间维预测值训练卷积神经网络模型,获取与所述时间维预测值对应的空间维修正值;
空间维修正值的预测值获取单元,用于利用所述长短时记忆网络模型,获取与所述空间维修正值对应的空间维修正值的预测值;
运动态势预测区域获取单元,用于根据所述时间维预测值、所述空间维修正值和所述空间维修正值的预测值生成目标运动态势预测区域。
7.根据权利要求6所述的目标运动态势预测装置,其特征在于,所述运动态势历史时间序列获取单元用于:
获取所述目标在某一时刻t的N个历史运动态势参数,所述N个历史运动态势参数包括位置、速度、加速度;
根据所述N个历史运动态势参数构成时刻t的N维特征向量;
基于时刻t的N维特征向量生成所述目标的运动态势历史时间序列。
8.根据权利要求6或7所述的目标运动态势预测装置,其特征在于,所述时间维预测值获取单元用于:
对所述运动态势历史时间序列进行切分,构成第一训练样本集;
将所述第一训练样本集输入到所述长短时记忆网络模型中生成训练好的长短时记忆网络模型;
将所述历史时间序列输入到所述训练好的长短时记忆网络模型中进行预测,获得未来预设时间间隔对应的时间维预测值。
9.根据权利要求6-8任一所述的目标运动态势预测装置,其特征在于,所述空间维修正值获取单元用于:
根据所述运动态势历史时间序列和对应的所述时间维预测值构成第二训练样本集;
将所述第二训练样本集输入到所述卷积神经网络模型中,生成训练好的卷积神经网络模型;
将所述时间维预测值输入到所述训练好的卷积神经网络模型,获得与所述时间维预测值对应的空间维修正值。
10.根据权利要求6-9任一所述的目标运动态势预测装置,其特征在于,所述空间维修正值的预测值获取单元用于:
将所述时间维预测值对应的空间维修正值输入到所述训练好的长短时记忆网络模型中进行预测,获得空间维修正值的预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911068396.2A CN111027692A (zh) | 2019-11-04 | 2019-11-04 | 一种目标运动态势预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911068396.2A CN111027692A (zh) | 2019-11-04 | 2019-11-04 | 一种目标运动态势预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111027692A true CN111027692A (zh) | 2020-04-17 |
Family
ID=70200890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911068396.2A Pending CN111027692A (zh) | 2019-11-04 | 2019-11-04 | 一种目标运动态势预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111027692A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111589138A (zh) * | 2020-05-06 | 2020-08-28 | 腾讯科技(深圳)有限公司 | 动作预测方法、装置、设备及存储介质 |
CN111832225A (zh) * | 2020-07-07 | 2020-10-27 | 重庆邮电大学 | 一种构建汽车行驶工况的方法 |
CN113052297A (zh) * | 2021-03-04 | 2021-06-29 | 吉林大学 | 基于卷积神经网络融合ekf的拖缆姿态解算方法及系统 |
CN113554873A (zh) * | 2021-07-20 | 2021-10-26 | 重庆大学 | 一种基于高阶矩的行程时间波动性预测方法及装置 |
CN114239974A (zh) * | 2021-12-21 | 2022-03-25 | 清华大学 | 多智能体的位置预测方法、装置、电子设备及存储介质 |
CN114547760A (zh) * | 2022-04-27 | 2022-05-27 | 江苏南通冠仟新材料科技有限公司 | 基于数据设计优化处理的高层建筑隔震阻尼寿命管理方法 |
WO2023092238A1 (en) * | 2021-11-29 | 2023-06-01 | Cognitive Systems Corp. | Context-dependent processing and encoding of motion data from a wireless communication network |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130223686A1 (en) * | 2010-09-08 | 2013-08-29 | Toyota Jidosha Kabushiki Kaisha | Moving object prediction device, hypothetical movable object prediction device, program, moving object prediction method and hypothetical movable object prediction method |
CN108268597A (zh) * | 2017-12-18 | 2018-07-10 | 中国电子科技集团公司第二十八研究所 | 一种动目标活动概率图谱构建及行为意图识别方法 |
CN108764560A (zh) * | 2018-05-22 | 2018-11-06 | 电子科技大学 | 基于长短期记忆神经网络的航空器场面轨迹预测方法 |
WO2019192172A1 (zh) * | 2018-04-04 | 2019-10-10 | 歌尔股份有限公司 | 一种姿态预测方法、装置和电子设备 |
-
2019
- 2019-11-04 CN CN201911068396.2A patent/CN111027692A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130223686A1 (en) * | 2010-09-08 | 2013-08-29 | Toyota Jidosha Kabushiki Kaisha | Moving object prediction device, hypothetical movable object prediction device, program, moving object prediction method and hypothetical movable object prediction method |
CN108268597A (zh) * | 2017-12-18 | 2018-07-10 | 中国电子科技集团公司第二十八研究所 | 一种动目标活动概率图谱构建及行为意图识别方法 |
WO2019192172A1 (zh) * | 2018-04-04 | 2019-10-10 | 歌尔股份有限公司 | 一种姿态预测方法、装置和电子设备 |
CN108764560A (zh) * | 2018-05-22 | 2018-11-06 | 电子科技大学 | 基于长短期记忆神经网络的航空器场面轨迹预测方法 |
Non-Patent Citations (1)
Title |
---|
廖鹰;易卓;胡晓峰;田园;陶九阳;: "基于三维卷积神经网络的战场聚集行为预测" * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111589138A (zh) * | 2020-05-06 | 2020-08-28 | 腾讯科技(深圳)有限公司 | 动作预测方法、装置、设备及存储介质 |
CN111589138B (zh) * | 2020-05-06 | 2022-08-02 | 腾讯科技(深圳)有限公司 | 动作预测方法、装置、设备及存储介质 |
CN111832225A (zh) * | 2020-07-07 | 2020-10-27 | 重庆邮电大学 | 一种构建汽车行驶工况的方法 |
CN111832225B (zh) * | 2020-07-07 | 2023-01-31 | 重庆邮电大学 | 一种构建汽车行驶工况的方法 |
CN113052297A (zh) * | 2021-03-04 | 2021-06-29 | 吉林大学 | 基于卷积神经网络融合ekf的拖缆姿态解算方法及系统 |
CN113554873A (zh) * | 2021-07-20 | 2021-10-26 | 重庆大学 | 一种基于高阶矩的行程时间波动性预测方法及装置 |
WO2023092238A1 (en) * | 2021-11-29 | 2023-06-01 | Cognitive Systems Corp. | Context-dependent processing and encoding of motion data from a wireless communication network |
CN114239974A (zh) * | 2021-12-21 | 2022-03-25 | 清华大学 | 多智能体的位置预测方法、装置、电子设备及存储介质 |
CN114239974B (zh) * | 2021-12-21 | 2022-10-25 | 清华大学 | 多智能体的位置预测方法、装置、电子设备及存储介质 |
CN114547760A (zh) * | 2022-04-27 | 2022-05-27 | 江苏南通冠仟新材料科技有限公司 | 基于数据设计优化处理的高层建筑隔震阻尼寿命管理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111027692A (zh) | 一种目标运动态势预测方法及装置 | |
Kalandros et al. | Tutorial on multisensor management and fusion algorithms for target tracking | |
CN111722214B (zh) | 雷达多目标跟踪phd实现方法 | |
CN108344981B (zh) | 面向杂波的多传感器异步检测tsbf多目标跟踪方法 | |
CN107192995A (zh) | 一种多层次信息融合的纯方位水下目标跟踪算法 | |
Zhai et al. | Millimeter wave radar target tracking based on adaptive Kalman filter | |
CN114998276B (zh) | 一种基于三维点云的机器人动态障碍物实时检测方法 | |
Gongguo et al. | Sensor scheduling for ground maneuvering target tracking in presence of detection blind zone | |
CN111913484A (zh) | 一种变电站巡检机器人在未知环境下的路径规划方法 | |
CN114739391A (zh) | 跟踪目标的定位优化方法 | |
Pang et al. | 3d multi-object tracking using random finite set-based multiple measurement models filtering (rfs-m 3) for autonomous vehicles | |
Xia et al. | Extended object tracking with automotive radar using learned structural measurement model | |
CN111325776A (zh) | 一种基于变分贝叶斯t分布卡尔曼滤波的phd多目标跟踪方法 | |
Ebert et al. | Deep radar sensor models for accurate and robust object tracking | |
Rameshbabu et al. | Target tracking system using kalman filter | |
CN111739066B (zh) | 一种基于高斯过程的视觉定位方法、系统及存储介质 | |
CN111562737B (zh) | 一种模糊逻辑控制的改进agimm跟踪方法 | |
Xue et al. | Real-time 3D grid map building for autonomous driving in dynamic environment | |
CN114565020A (zh) | 一种基于深度置信网络和扩展卡尔曼滤波的飞行器传感器信号融合方法 | |
CN112083410A (zh) | 机动目标跟踪方法 | |
Zhang et al. | A fast and robust maneuvering target tracking method without Markov assumption | |
Zhang et al. | The research for a kind of information fusion model based on BP neural network with multi position sources and big data selection | |
CN113191427A (zh) | 一种多目标车辆跟踪方法及相关装置 | |
Lan et al. | Variational Nonlinear Kalman Filtering With Unknown Process Noise Covariance | |
CN109474892A (zh) | 基于信息形式的强鲁棒传感器网络目标跟踪方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200417 |