CN112465878B - 一种基于粒子滤波的位置预测方法及设备 - Google Patents

一种基于粒子滤波的位置预测方法及设备 Download PDF

Info

Publication number
CN112465878B
CN112465878B CN202110139475.9A CN202110139475A CN112465878B CN 112465878 B CN112465878 B CN 112465878B CN 202110139475 A CN202110139475 A CN 202110139475A CN 112465878 B CN112465878 B CN 112465878B
Authority
CN
China
Prior art keywords
particle
weight
substances
predicted position
content
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
Application number
CN202110139475.9A
Other languages
English (en)
Other versions
CN112465878A (zh
Inventor
景晓军
汪佳琴
穆俊生
张芳沛
崔原豪
张荣辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing University of Posts and Telecommunications
Original Assignee
Beijing University of Posts and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing University of Posts and Telecommunications filed Critical Beijing University of Posts and Telecommunications
Priority to CN202110139475.9A priority Critical patent/CN112465878B/zh
Publication of CN112465878A publication Critical patent/CN112465878A/zh
Application granted granted Critical
Publication of CN112465878B publication Critical patent/CN112465878B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20076—Probabilistic image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本说明书一个或多个实施例提供一种基于粒子滤波的位置预测方法及设备，包括：在运动目标的初始位置生成粒子集并为粒子集中的每个粒子设置初始权值；将粒子集输入预先构建的粒子滤波算法模型，得到每个粒子的预测位置；获取运动目标的轨迹信息和地理信息；将轨迹信息和地理信息输入预先构建的神经网络算法模型，得到运动目标的预测位置在每个预设区域的概率值；利用概率值和初始权值，计算得到每个粒子的新权值；根据粒子集中的每个粒子的预测位置和新权值，计算得到运动目标的预测位置。本公开通过基于轨迹信息和地理信息的预测位置对于粒子滤波算法中的粒子权值进行修正，提高了基于粒子滤波算法预测运动目标的位置的准确率。

Description

一种基于粒子滤波的位置预测方法及设备
技术领域
本说明书一个或多个实施例涉及位置预测技术领域，尤其涉及一种基于粒子滤波的位置预测方法及设备。
背景技术
由于粒子滤波广泛适用于解决非线性滤波问题，因此很多方法将粒子滤波作为目标跟踪算法去预测运动目标下一时刻的位置。粒子滤波算法的研究过程大致如下：模拟大量的粒子，每个粒子都有一个位置和权重，所有这些粒子的位置分布和权值共同模拟了目标位置的概率分布，可以直接把所有粒子的位置做加权平均得到估计值。在预测过程中，根据经验给粒子设置一些规则以进行位置转移，然后用观察结果带来的概率分布去更新各个粒子的权重，更加匹配观测结果的粒子赋予更大的权重，最后使用粒子和权值估计当前的位置。
但是，基于粒子滤波算法的位置预测方法存在以下缺陷：首先，粒子滤波算法需要使用大量的随机样本对位置空间进行搜索，容易导致算法的计算量过大；其次，粒子进行位置转移的规则即位置转移方程可能不符合实际情况，导致预测的准确性较差。
发明内容
有鉴于此，本说明书一个或多个实施例的目的在于提出一种基于粒子滤波的位置预测方法及设备，以解决现有的基于粒子滤波算法的位置预测方法的准确性较差的问题。
基于上述目的，本说明书一个或多个实施例提供了一种基于粒子滤波的位置预测方法，包括：
在运动目标的初始位置生成粒子集并为所述粒子集中的每个粒子设置初始权值；
将所述粒子集输入预先构建的粒子滤波算法模型，得到所述每个粒子的预测位置；
获取所述运动目标的轨迹信息和地理信息；
将所述轨迹信息和地理信息输入预先构建的神经网络算法模型，得到所述运动目标的预测位置在每个预设区域的概率值；
利用所述概率值和所述初始权值，计算得到所述每个粒子的新权值；
根据所述粒子集中的每个粒子的预测位置和新权值，计算得到所述运动目标的预测位置。
可选的，所述神经网络算法模型包括3D-CNN网络和LSTM网络；
所述将所述轨迹信息和地理信息输入预先构建的神经网络算法模型，得到所述运动目标的预测位置在每个预设区域的概率值，包括：
提取得到所述轨迹信息的特征；
将所述地理信息输入所述3D-CNN网络，得到所述地理信息的特征；
将所述轨迹信息的特征和所述地理信息的特征输入所述LSTM网络，输出所述运动目标的预测位置在每个预设区域的概率值。
可选的，所述将所述粒子集输入预先构建的粒子滤波算法模型，得到所述每个粒子的预测位置，包括：其中，
Figure DEST_PATH_IMAGE001
；
Figure 823889DEST_PATH_IMAGE002
；
其中，C pf＿x (i)表示第i个粒子在t时刻的位置横坐标；C pf＿y (i)表示第i个粒子在t时刻的位置纵坐标；
C’ pf＿x (i)表示第i个粒子在t-1时刻的位置横坐标；C’ pf＿y (i)表示第i个粒子在t-1时刻的位置纵坐标；
其中，i=1,2,…n；t=1,2,…,m；
f 1表示该粒子滤波算法模型的位置横坐标转移关系式；f 2表示该粒子滤波算法模型的位置纵坐标转移关系式。
可选的，所述利用所述概率值和所述初始权值，计算得到所述每个粒子的新权值，包括：
响应于任一粒子位于任一所述预设区域，利用所述概率值和所述初始权值，计算得到所述每个粒子的新权值：其中，
Figure DEST_PATH_IMAGE003
；
其中，p or (i)表示第i个粒子的初始权值；p co (i)表示第i个粒子的新权值；p gr (j)表示运动目标的预测位置在第j个预设区域的概率值；该第i个粒子位于该第j个预设区域；
响应于任一粒子不位于任何所述预设区域，使该粒子的新权值为零。
可选的，所述利用所述概率值和所述初始权值，计算得到所述每个粒子的新权值，包括：
利用累加的高斯分布概率值得到该粒子的新权值：其中，
Figure 879570DEST_PATH_IMAGE004
；
其中，p or (i)表示第i个粒子的初始权值；p co (i)表示第i个粒子的新权值；p gr (i)表示运动目标的预测位置在第j个预设区域的概率值；该第i个粒子位于该第j个预设区域；p gs (i,j)表示该第i个粒子在该第j个预设区域的累加的高斯分布概率值；
其中，
Figure DEST_PATH_IMAGE005
；
其中，x i 表示该第i个粒子的横坐标；y i 表示该第i个粒子的纵坐标；
μ 1j表示该第j个预设区域的中心点的横坐标；μ 2j表示该第j个预设区域的中心点的纵坐标；
σ 1表示该第j个预设区域的中心点的横坐标方向的方差；σ 2表示该第j个预设区域的中心点的纵坐标方向的方差；
ρ表示i和j的相关系数，是一个常数；
e表示欧拉数，是一个常数，约为2.71828。
可选的，所述根据所述粒子集中的每个粒子的预测位置和新权值，计算得到所述运动目标的预测位置，包括：其中，
Figure 584965DEST_PATH_IMAGE006
；
Figure DEST_PATH_IMAGE007
；
其中，C x 表示运动目标的预测位置的横坐标；C y 表示运动目标的预测位置的纵坐标；
C pf＿x (i)表示第i个粒子的位置横坐标；C pf＿y (i)表示第i个粒子的位置纵坐标；
p co (i)表示第i个粒子的新权值；
其中，i=1,2,…n。
可选的，在所述将所述粒子集输入预先构建的粒子滤波算法模型，得到所述每个粒子的预测位置之中，当有效粒子数低于预设的有效粒子数阈值时，复制权值高于预设的权值阈值的粒子，删除权值低于预设的权值阈值的粒子；其中，有效粒子数为：
Figure 915452DEST_PATH_IMAGE008
；
其中，Neff表示有效粒子数；
p or (i)表示第i个粒子的初始权值；
其中，i=1,2,…n。
可选的，在所述利用所述概率值和所述初始权值，计算得到所述每个粒子的新权值之后，还包括：
利用以下公式更新所述每个粒子的新权值，以保证所述粒子集中的粒子的新权值是归一化的：
Figure DEST_PATH_IMAGE009
；
其中，i=1,2,…n；p co (1), p co (i), p co (n)分别表示第1,i,n个粒子的新权值，p ’ co (i)表示第i个粒子更新后的权值；
则，所述根据所述粒子集中的每个粒子的预测位置和新权值，计算得到所述运动目标的预测位置，为：根据所述粒子集中的每个粒子的预测位置和更新后的权值，计算得到所述运动目标的预测位置；其中，
Figure 268198DEST_PATH_IMAGE010
；
Figure DEST_PATH_IMAGE011
；
其中，C x 表示运动目标的预测位置的横坐标；C y 表示运动目标的预测位置的纵坐标；
C pf＿x (i)表示第i个粒子的位置横坐标；C pf＿y (i)表示第i个粒子的位置纵坐标；
p ’ co (i)表示第i个粒子的更新后的权值；
其中，i=1,2,…n。
可选的，所述3D-CNN网络包括一个硬连线hardwired层、三个卷积层、二个下采样层和一个全连接层；所述卷积层包括3D卷积核。
基于同一发明构思，本说明书一个或多个实施例提供了一种电子设备，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如上所述的方法。
从上面所述可以看出，本说明书一个或多个实施例提供的基于粒子滤波的位置预测方法及设备，包括：在运动目标的初始位置生成粒子集并为所述粒子集中的每个粒子设置初始权值；利用预先构建的粒子滤波算法模型预测所述每个粒子的位置；利用预先得到的所述运动目标的基于轨迹信息的预测位置和所述初始权值，得到所述每个粒子的新权值；根据所述每个粒子的位置和新权值，得到运动目标的预测位置。本公开通过基于轨迹信息的预测位置对于粒子滤波算法中的粒子权值进行修正，提高了基于粒子滤波算法预测运动物体的位置的准确率。
附图说明
为了更清楚地说明本说明书一个或多个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说明书一个或多个实施例，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，还可以根据这些附图获得其他的附图。
图1为本说明书一个或多个实施例提供的基于粒子滤波的位置预测方法的一种流程示意图；
图2为本说明书一个或多个实施例提供的基于轨迹信息和地理信息的位置预测方法的一种流程示意图；
图3为本说明书一个或多个实施例提供的构建的预设区域的一种结构示意图；
图4为本说明书一个或多个实施例提供的LSTM网络示意图；
图5为本说明书一个或多个实施例提供的一种更为具体的电子设备硬件结构示意图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
需要说明的是，除非另外定义，本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本说明书一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
如背景技术部分所述，由于粒子滤波广泛适用于解决非线性滤波问题，因此很多方法将粒子滤波作为目标跟踪算法去预测运动目标下一时刻的位置。粒子滤波算法的研究过程大致如下：模拟大量的粒子，每个粒子都有一个位置和权重，所有这些粒子的位置分布和权值共同模拟了目标位置的概率分布，可以直接把所有粒子的位置做加权平均得到估计值。在预测过程中，根据经验给粒子设置一些规则以进行位置转移，然后用观察结果带来的概率分布去更新各个粒子的权重，更加匹配观测结果的粒子赋予更大的权重，最后使用粒子和权值估计当前的位置。
申请人在实现本公开的过程中发现，基于粒子滤波算法的位置预测方法存在以下缺陷：首先，粒子滤波算法需要使用大量的随机样本对位置空间进行搜索，容易导致算法的计算量过大；其次，粒子进行位置转移的规则即位置转移方程可能不符合实际情况，导致预测的准确性较差。申请人发现，通过基于神经网络算法来预测的运动目标的位置修正通过粒子滤波算法预测的位置，有较好的效果。但是，现有的通过神经网络算法来预测运动目标位置的方案中，仅利用到了运动目标的运动轨迹信息，申请人发现，运动目标运动轨迹所对应的地理信息，即轨迹周围的环境信息，如道路、建筑、水域等信息，对于位置预测有着较大的参考作用，所以申请人将地理信息和轨迹信息共同作用于神经网络算法，再通过神经网络预测的结果去修正通过粒子滤波算法预测的结果，因此提高位置预测的准确性。
以下，通过具体的实施例进一步详细说明本公开的技术方案。
图1为本说明书一个或多个实施例提供的基于粒子滤波的位置预测方法的一种流程示意图，参照图1，基于粒子滤波的位置预测方法，包括：
S110、在运动目标的初始位置生成粒子集并为所述粒子集中的每个粒子设置初始权值。
作为一个可选的实施例，在运动目标的初始位置随机生成粒子集。粒子集中包含多个粒子，每个粒子均具有位置横坐标x、位置纵坐标y、速度v和朝向θ四个参数作为该粒子的状态变量。位置横坐标x和位置纵坐标y表示粒子的位置，速度v和朝向θ表示粒子的运动状态。
上述实施例中以随机生成粒子集为例进行描述，但是本申请实施例并不局限于此，例如在一种可能的实施方式中，在运动目标的初始位置按照高斯分布生成粒子集。高斯分布即正态分布，按照正态分布生成粒子集可以有效减少需要生成粒子的数量。
假设粒子集中包含n个粒子，作为一个可选的实施例，设置每个粒子的初始权值
Figure 760359DEST_PATH_IMAGE012
。
上述实施例中以均匀分配每个粒子的初始权值为例进行描述，但是本申请实施例并不局限于此，例如在一种可能的实施方式中，按照经验或者预设规则设置每个粒子的初始权值。
S120、将所述粒子集输入预先构建的粒子滤波算法模型，得到所述每个粒子的预测位置。
在粒子滤波算法模型中，粒子具有速度v和朝向θ，在速度v和朝向θ的作用下，粒子进行运动，以模拟运动目标的运动，粒子在任一时刻的位置，即可能是该时刻运动目标的预测位置。
作为一个可选的实施例：其中，
Figure 64302DEST_PATH_IMAGE001
；
Figure DEST_PATH_IMAGE013
；
其中，C pf＿x (i)表示第i个粒子在t时刻的位置横坐标；C pf＿y (i)表示第i个粒子在t时刻的位置纵坐标；
C’ pf＿x (i)表示第i个粒子在t-1时刻的位置横坐标；C’ pf＿y (i)表示第i个粒子在t-1时刻的位置纵坐标；
其中，i=1,2,…n；t=1,2,…,m；
f 1表示该粒子滤波算法模型的位置横坐标转移关系式；f 2表示该粒子滤波算法模型的位置纵坐标转移关系式。
S130、获取所述运动目标的轨迹信息和地理信息。
获取所述运动目标的轨迹信息，本说明书一个或多个实施例，运动目标的轨迹信息是指带有时间戳的并按照时间戳的顺序排列的一系列位置点。
作为一个可选的实施例，从全球导航卫星系统GNSS数据中获取运动目标的轨迹信息。从GNSS数据中获取的轨迹信息包含有经度数值、纬度数值、高度和时间戳等信息。
根据所述轨迹信息，获取所述运动目标的地理信息。本说明书一个或多个实施例，运动目标的地理信息是指运动目标的运动轨迹周围的建筑、铁路、水域、土地、自然景观和道路等信息。现有的基于神经网络的位置预测方案中，输入数据为运动目标的轨迹信息，通过历史轨迹数据预测运动目标下一时刻的位置。显然，这种方案仅考虑了运动目标的历史轨迹，并没有考虑到地理信息的复杂性，随着运动目标的移动，其所处的地理环境是变化的，如果仅考虑其在已经经过的地理环境的移动特征，显然是无法准确预测其在其他地理环境的移动特征的。地理信息对于运动目标的移动是存在直接影响的，以建筑和水域为例，显然，运动目标横穿建筑和水域的可能性很低，但是传统的基于运动轨迹的预测方案并不会直接考虑到这一点，而如果结合考虑了地理信息，则可以直接排除一些可能性较低的移动路线。再以建筑为例，如果该建筑中存在与日常生活相关性较大的场所，那么，运动目标造访该建筑的可能性较其他位置点的可能性是更大的，但是，传统的基于运动轨迹的预测方案也不会直接考虑这种可能。
作为一个可选的实施例，通过获取该轨迹信息对应的地图获取运动目标的地理信息。
S140、将所述轨迹信息和地理信息输入预先构建的神经网络算法模型，得到所述运动目标的预测位置在每个预设区域的概率值。
作为一个可选的实施例，所述神经网络算法模型包括3D-CNN网络和LSTM网络；则S140包括：
提取得到所述轨迹信息的特征。
将所述地理信息输入所述3D-CNN网络，得到所述地理信息的特征。
将所述轨迹信息的特征和所述地理信息的特征输入所述LSTM网络，输出所述运动目标的预测位置在每个预设区域的概率值。
本发明将轨迹信息和轨迹信息对应的地理信息的特征引入对于运动目标位置的预测中，从而直接考虑地理信息对于运动目标位置移动的影响，有效提高了位置预测的准确率。
S140、利用所述概率值和所述初始权值，计算得到所述每个粒子的新权值。
作为一个可选的实施例，包括：
响应于任一粒子位于任一所述预设区域，利用所述概率值和所述初始权值，计算得到所述每个粒子的新权值：其中，
Figure 136163DEST_PATH_IMAGE003
；
其中，p or (i)表示第i个粒子的初始权值；p co (i)表示第i个粒子的新权值；p gr (i)表示运动目标的预测位置在第j个预设区域的概率值；该第i个粒子位于该第j个预设区域；
响应于任一粒子不位于任何所述预设区域，使该粒子的新权值为零。
作为一个可选的实施例，包括：
利用累加的高斯分布概率值得到该粒子的新权值：其中，
Figure 310792DEST_PATH_IMAGE014
；
其中，p or (i)表示第i个粒子的初始权值；p co (i)表示第i个粒子的新权值；p gr (j)表示运动目标的预测位置在第j个预设区域的概率值；该第i个粒子位于该第j个预设区域；p gs (i,j)表示该第i个粒子在该第j个预设区域的累加的高斯分布概率值；
其中，
Figure DEST_PATH_IMAGE015
；
其中，x i 表示该第i个粒子的横坐标；y i 表示该第i个粒子的纵坐标；
μ 1j表示该第j个预设区域的中心点的横坐标；μ 2j表示该第j个预设区域的中心点的纵坐标；
σ 1表示该第j个预设区域的中心点的横坐标方向的方差；σ 2表示该第j个预设区域的中心点的纵坐标方向的方差；
ρ表示i和j的相关系数，是一个常数；
e表示欧拉数，是一个常数，约为2.71828。
其中，该第j个预设区域的中心点的横坐标方向的方差和该第j个预设区域的中心点的纵坐标方向的方差是预先设定的。
S150、根据所述粒子集中的每个粒子的预测位置和所述每个粒子的新权值，得到所述运动目标的预测位置。
作为一个可选的实施例，包括：其中，
Figure 3548DEST_PATH_IMAGE016
；
Figure DEST_PATH_IMAGE017
；
其中，C x 表示运动目标的预测位置的横坐标；C y 表示运动目标的预测位置的纵坐标；
C pf＿x (i)表示第i个粒子的位置横坐标；C pf＿y (i)表示第i个粒子的位置纵坐标；
p co (i)表示第i个粒子的新权值；
其中，i=1,2,…n。
在粒子滤波算法模型进行粒子滤波的过程中，随着时间的增加，会出现粒子退化的现象。权值退化会造成大量的计算量都浪费在许多无用粒子的计算上，降低了算法的效率，甚至导致滤波发散。有效的粒子越少，权重方差越大，权值退化越严重。
作为一个可选的实施例，在所述利用预先构建的粒子滤波算法模型，得到所述每个粒子的预测位置之中，当发生粒子权值退化问题时，即当有效粒子数低于预设的有效粒子数阈值时，复制权值高于预设的权值阈值的粒子，删除权值低于预设的权值阈值的粒子；其中，有效粒子数为：
Figure 794787DEST_PATH_IMAGE008
；
其中，Neff表示有效粒子数；
p or (i)表示第i个粒子的初始权值；
其中，i=1,2,…n。
作为一个可选的实施例，在所述利用预先得到的所述运动目标的基于轨迹信息的预测位置在每个预设区域的概率值和所述初始权值，得到所述每个粒子的新权值之后，还包括：
利用以下公式更新所述每个粒子的新权值，以保证所述粒子集中的粒子的新权值是归一化的：
Figure 404760DEST_PATH_IMAGE009
；
其中，i=1,2,…n；p co (1), p co (i), p co (n)分别表示第1,i,n个粒子的新权值，p ’ co (i)表示第i个粒子更新后的权值；
则，所述根据所述粒子集中的每个粒子的预测位置和新权值，计算得到所述运动目标的预测位置，为：根据所述粒子集中的每个粒子的预测位置和更新后的权值，计算得到所述运动目标的预测位置；其中，
Figure 433896DEST_PATH_IMAGE018
；
Figure 471122DEST_PATH_IMAGE011
；
其中，C x 表示运动目标的预测位置的横坐标；C y 表示运动目标的预测位置的纵坐标；
C pf＿x (i)表示第i个粒子的位置横坐标；C pf＿y (i)表示第i个粒子的位置纵坐标；
p ’ co (i)表示第i个粒子的更新后的权值；
其中，i=1,2,…n。
从上面所述可以看出，本说明书一个或多个实施例提供的基于粒子滤波的位置预测方法，包括：在运动目标的初始位置生成粒子集并为粒子集中的每个粒子设置初始权值；将粒子集输入预先构建的粒子滤波算法模型，得到每个粒子的预测位置；获取运动目标的轨迹信息和地理信息；将轨迹信息和地理信息输入预先构建的神经网络算法模型，得到运动目标的预测位置在每个预设区域的概率值；利用概率值和初始权值，计算得到每个粒子的新权值；根据粒子集中的每个粒子的预测位置和新权值，计算得到运动目标的预测位置。本公开通过基于轨迹信息和地理信息的预测位置，对于粒子滤波算法中的粒子权值进行修正，提高了基于粒子滤波算法预测运动目标的位置的准确率。
图2为本说明书一个或多个实施例提供的基于轨迹信息和地理信息的位置预测方法的一种流程示意图，参照图2，基于轨迹信息和地理信息的位置预测方法，包括：
S210、提取得到所述轨迹信息的特征。
本说明书一个或多个实施例，运动目标的轨迹信息是指带有时间戳的并按照时间戳的顺序排列的一系列位置点。
作为一个可选的实施例，从全球导航卫星系统GNSS数据中获取运动目标的轨迹信息。从GNSS数据中获取的轨迹信息包含有经度数值、纬度数值、高度和时间戳等信息。
对轨迹信息进行特征提取，得到轨迹信息的特征。可选的，一段轨迹中包含多个轨迹点，提取每个轨迹点的速度v，速度方向d v ，经度方向速度v lon 和纬度方向速度v lat ，作为轨迹信息的特征。可选的，在进行特征提取前，对轨迹信息进行预处理。
S220、将所述地理信息输入3D-CNN网络，得到所述地理信息的特征。
本说明书一个或多个实施例，运动目标的地理信息是指运动目标的运动轨迹周围的建筑、铁路、水域、土地、自然景观和道路等信息。现有的基于神经网络的位置预测方案中，输入数据为运动目标的轨迹信息，通过历史轨迹数据预测运动目标下一时刻的位置。显然，这种方案仅考虑了运动目标的历史轨迹，并没有考虑到地理信息的复杂性，随着运动目标的移动，其所处的地理环境是变化的，如果仅考虑其在已经经过的地理环境的移动特征，显然是无法准确预测其在其他地理环境的移动特征的。地理信息对于运动目标的移动是存在直接影响的，以建筑和水域为例，显然，运动目标横穿建筑和水域的可能性很低，但是传统的基于运动轨迹的预测方案并不会直接考虑到这一点，而如果结合考虑了地理信息，则可以直接排除一些可能性较低的移动路线。再以建筑为例，如果该建筑中存在与日常生活相关性较大的场所，那么，运动目标造访该建筑的可能性较其他位置点的可能性是更大的，但是，传统的基于运动轨迹的预测方案也不会直接考虑这种可能。
作为一个可选的实施例，通过获取该轨迹信息对应的地图获取运动目标的地理信息。具体的，将该地图划分为多个多边形的形式显示，每个多边形至少由四个节点构成，每个节点都有经度和纬度两个属性值，由此表示每个多边形的经度和纬度的区间范围，作为运动目标的地理信息。可选的，地图从互联网下载。
当运动目标位于某个位置点的时候，经度和纬度的坐标是可知的且是唯一的，以该位置点为中心点，选取适合的半径构建一个区域集合，该区域集合中包括多个预设区域。作为一个可选的实施例，该预设区域在地图上的显示形式为一个正方形网格。以11米m为例构造一个11m*11m的区域集合，每个网格是长度和宽度均为1m，构造的网格如图3中的a所示。图中的点表示当前时刻的位置点，上下各5个网格，每个网格的长度是1m，加上中心点那一行的网格，则纵向是5+5+1=11个网格，长度是(5+5+1)*1=11m，左向5个网格，右向5个网格，每个网格的宽度是1m，加上中心点那一行的网格，则横向是5+5+1=11个网格，宽度是(5+5+1)*1=11m，总计是11*11=121个网格，即121个预设区域。
依据经度、纬度与距离之间的转换关系，可计算得到每个网格中心的经度和纬度坐标。每一条图层信息都有一个经度和纬度范围，可比较网格中心点坐标与每类图层信息中每一条数据的经度和纬度坐标，以此可判断每个网格所属的图层信息。
参照图3中的a，以39.96144104，116.35002136为例构造11m*11m的区域集合，每个网格中心的经度和纬度坐标如表1所示。左上方的网格中心点坐标是116.34997136，39.96149104，右上方的网格中心点坐标是116.35007136,39.96149104，左下方的网格中心点坐标是116.34997136,39.96139103，右下方的网格中心点坐标是116.35007136,39.96139103。由表1可知，每一横行的纬度坐标是相同的，每一纵行的经度坐标是相同的。预测运动目标下一时刻的位置，可对下一时刻的位置大致位于哪个预设区域内(可认为是位于哪个网格内)做出预测。
但是本申请实施例并不局限于此，例如在一种可能的实施方式中，考虑倾斜角度因素。之前是没有考虑倾斜角度这个因素而构建的网格，实际上考虑倾斜角度而构建的网格能更好的反映两个连续位置的关系，故此处在构造下一时刻相对于当前时刻的网格时，可先求出下一时刻位置相对于当前时刻位置的倾斜角度。
之前构造每个网格长度和宽度是1m，此处构造每个网格长度是2m，宽度是1m（研究对象为车辆时是这个长度和宽度，若研究对象是其他的，例如自行车，长度和宽度就要变小）。同样以位置点为中心点，构建的网格。
如图3中的b所示，图中的点表示当前时刻的位置点。上下各3个网格，每个网格的长度是2m，加上中心点那一行的网格，则纵向是3+3+1=7个网格，长度是(3+3+1)*2=14m。左向3个网格，右向4个网格（车辆的正常行驶中，车辆的右转比左转常见，故右边设置的长度比左边设置的长度数值大），每个网格的宽度是1m，加上中心点那一行的网格，则横向是3+4+1=8个网格，宽度是(3+4+1)*1=8m，总计是7*8=56个网格(设置的横向和纵向网格个数视具体情况而定)，即有56个预设区域。
表1 以11m*11m为例构造区域集合的每个网格的中心点坐标
116.34997136,39.96149104 116.34998136,39.96149104 . .. 116.35002136,39.96149104 . .. 116.35006136,39.96149104 116.35007136,39.96149104
. . . . . . . .. . . . . .. . . . . . .
116.34997136,39.96144104 116.34998136,39.96144104 . .. 116.35002136,39.96144104 . .. 116.35006136,39.96144104 116.35007136,39.96144104
. . . . . . . .. . . . . .. . . . . . .
116.34997136,39.96139103 [116.34998136,39.96139103 . .. 116.35002136,39.96139103 . .. 116.35006136,39.96139103 116.35007136,39.96139103
可选的，一段轨迹中包含多个轨迹点，以每个轨迹点为中心点，选取适合半径，以11m*11m为例按照上述提到的方法构建区域集合，可得到每个轨迹点周围的地理信息。
其中，预设区域的中心点的横坐标方向的方差和预设区域的中心点的纵坐标方向的方差是预先设定的。关于方差的选定，有几种不同的数值：
(1)网格的长度是1m时，方差的最大数值可以取0.5，将概率值划分成几个等级，概率值越大方差越大(不超过0.5)，当网格的概率值位于某个概率区间时取其对应的方差值。
(2)当预测出位于某个网格时，但是实际位置是该网格周围的网格，即以它为中心的九个网格中，也可以认为是预测正确的，此时认为命中的区域的长度是1m*3=3m，方差的最大数值可以取1.5，将概率值划分成几个等级，概率值越大方差越大(不超过1.5)，当网格的概率值位于某个概率区间时取其对应的方差值。
(3)在(1)基础上划分等级，当网格的概率值位于某个概率区间时在其对应的方差区间内生成一个随机值作为方差。
(4)在(2)基础上划分等级，当网格的概率值位于某个概率区间时在其对应的方差区间内生成一个随机值作为方差。
(5)将每个网格的概率值乘0.5作为网格的方差。
(6)将每个网格的概率值乘1.5作为网格的方差。
将地理信息视为图像数据，即一张用网格划分的地图图像，同时考虑时间因素和空间因素，故选用3D-CNN网络处理地理信息。
作为一个可选的实施例，通过执行3D卷积在地理信息中从时间和空间维度提取特征；3D卷积是通过堆叠多个连续的帧组成一个立方体，然后在立方体中运用3D卷积核，通过这种结构，卷积层中的特征图都会与上一层中的多个相邻帧相连，从而捕获运动信息。
作为一个可选的实施例，3D-CNN网络包含一个硬连线hardwired层、三个卷积层、二个下采样层和一个全连接层。每个3D卷积核卷积的立方体是连续7帧，每帧patch大小是60x40。
可选的，硬连线hardwired层用于对原始的帧进行处理，产生多个通道的信息，然后对多个通道分别处理。可选的，每帧提取五个通道的信息，分别是：灰度、x和y方向的梯度，x和y方向的光流。
可选的，第一卷积层，用一个7x7x3的3D卷积核（7x7在空间，3是时间维）在五个通道的每一个通道分别进行卷积。
可选的，在第一下采样层用2x2窗口进行下采样，得到相同数目但是空间分辨率降低的特征maps。
可选的，第二卷积层，用一个7x6x3的3D卷积核（7x6在空间，3是时间维）在五个通道的每一个通道分别进行卷积。
可选的，在第二下采样层用3x3窗口进行下采样，得到7x4。
到这个阶段，时间维上帧的个数已经很小了，在第三卷积层，只在空间维度上面卷积，这时候使用的核是7x4，然后输出的特征maps就被减小到1x1的大小。
而全连接层就包含有128个feature map，每个特征map与S5层中所有78（13x6）个特征maps全连接，这样每个特征map就是1x1，也就是一个值了，而这个就是最终的特征向量了，共128维。
经过多层的卷积和下采样后，每连续7帧的输入图像都被转化为一个128维的特征向量，这个特征向量捕捉了输入帧的运动信息。输出层的节点数与行为的类型数目一致，而且每个节点与全连接层中这128个节点是全连接的。输出即为所述地理信息的特征。
S230、将所述轨迹信息的特征和所述地理信息的特征输入LSTM网络，输出所述运动目标的预测位置在每个预设区域的概率值。
相比于传统的循环神经网络RNN，长短期记忆LSTM网络能够解决长序列训练过程中的梯度消失和梯度爆炸问题，因此其能够实现在更长的序列中有更好的表现。
参照图4，LSTM网络有两个传输状态，一个c t （cell state，单元状态）和一个h t （hidden state，隐藏状态）。其中对于传递下去的c t 改变得很慢，通常输出的c t 是上一个状态传过来的c t-1 加上一些数值。而h t 则在不同节点下往往会有很大的区别。
首先使用LSTM网络的当前输入x t （将轨迹信息的特征和地理信息的特征共同作为输入特征向量x t ）和上一个状态传递下来的h t-1 拼接训练得到四个状态
Figure DEST_PATH_IMAGE019
、f t 、i t 和o t ：
Figure 985542DEST_PATH_IMAGE020
；
Figure DEST_PATH_IMAGE021
；
Figure 930364DEST_PATH_IMAGE022
；
Figure 814007DEST_PATH_IMAGE023
；
其中，f t 、i t 和o t 是由拼接向量（x t 和h t-1 拼接）乘以权重矩阵（W、W f 、W i 和W o 均为权重矩阵）之后，再通过一个sigmoid激活函数转换成0到1之间的数值，来作为一种门控状态。而
Figure 287713DEST_PATH_IMAGE019
则是将结果通过一个tanh激活函数将转换成-1到1之间的值（这里使用tanh是因为这里是将其做为输入数据，而不是门控信号）。
这四个状态
Figure 991227DEST_PATH_IMAGE019
、f t 、i t 和o t 在LSTM网络内部的使用如下：
Figure 943002DEST_PATH_IMAGE024
Figure 445266DEST_PATH_IMAGE025
Figure 89874DEST_PATH_IMAGE026
其中，×是哈达玛积Hadamard Product，也就是操作矩阵中对应的元素相乘，因此要求两个相乘矩阵是同型的；+则代表进行矩阵加法。
LSTM网络内部主要有三个阶段：
忘记阶段：对上一个节点传进来的输入进行选择性忘记，具体的，通过计算得到的f t （f表示forget）来作为忘记门控，来控制上一个状态的c t-1 哪些需要留哪些需要忘。
选择记忆阶段：将这个阶段的输入有选择性地进行“记忆”，具体的，对输入x t 进行选择记忆，哪些重要则着重记录下来，哪些不重要，则少记一些。当前的输入内容由前面计算得到的
Figure 546263DEST_PATH_IMAGE019
表示。而选择的门控信号则是由i t （i代表information）来进行控制。
将上面两步得到的结果相加，即可得到传输给下一个状态的c t 。
输出阶段：这个阶段将决定哪些将会被当成当前状态的输出。主要是通过o t 来进行控制的。并且还对上一阶段得到的c t 进行了放缩（通过一个tanh激活函数进行变化）。
输出y t 往往最终也是通过h t 变化得到。
LSTM网络通过门控状态来控制传输状态，记住需要长时间记忆的，忘记不重要的信息。输入x t 为轨迹信息的特征和地理信息的特征；输出y t 为运动目标的预测位置在第j个预设区域的概率值p gr ( j)。
将轨迹信息的特征和地理信息的特征共同作为输入特征向量。将数据按照预设的比例如7:3（的比例分割得到训练集和测试集，训练数据用于模型训练，剩下的测试数据做测试计算位置预测的准确率，得到下一时刻运动目标的大致位置。
在训练的过程中，LSTM网络的损失函数是交叉熵函数：
Figure 36150DEST_PATH_IMAGE027
；
其中， L(y i ,y ’ i )表示代价函数的数值大小，n表示样本的总数，y i 表示第i个样本实际值，y ’ i 表示第i个样本的输出值。
本公开通过将轨迹信息对应的地理信息的特征引入对于运动目标位置的预测模型中，通过3D-CNN网络提取地理信息的特征，从而直接考虑地理信息对于运动目标位置移动的影响，有效提高了位置预测的准确率。
可以理解，该方法可以通过任何具有计算、处理能力的装置、设备、平台、设备集群来执行。
需要说明的是，本说明书一个或多个实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本说明书一个或多个实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
需要说明的是，上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
图5示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图， 该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线 1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU（Central Processing Unit，中央处理器）、微处理器、应用专用集成电路（Application Specific Integrated Circuit，ASIC）、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM（Read Only Memory，只读存储器）、RAM（Random AccessMemory，随机存取存储器）、静态存储设备，动态存储设备等形式实现。存储器1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中（图中未示出），也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块（图中未示出），以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式（例如USB、网线等）实现通信，也可以通过无线方式（例如移动网络、WIFI、蓝牙等）实现通信。
总线1050包括一通路，在设备的各个组件（例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040）之间传输信息。
需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述实施例中相应的方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存（PRAM）、静态随机存取存储器（SRAM）、动态随机存取存储器（DRAM）、其他类型的随机存取存储器（RAM）、只读存储器（ROM）、电可擦除可编程只读存储器（EEPROM）、快闪记忆体或其他内存技术、只读光盘只读存储器（CD-ROM）、数字多功能光盘（DVD）或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围（包括权利要求）被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本说明书一个或多个实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
另外，为简化说明和讨论，并且为了不会使本说明书一个或多个实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路（IC）芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本说明书一个或多个实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本说明书一个或多个实施例的平台的（即，这些细节应当完全处于本领域技术人员的理解范围内）。在阐述了具体细节（例如，电路）以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本说明书一个或多个实施例。因此，这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构（例如，动态RAM（DRAM））可以使用所讨论的实施例。
本说明书一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (8)

1.一种基于粒子滤波的位置预测方法，其特征在于，包括：
在运动目标的初始位置生成粒子集并为所述粒子集中的每个粒子设置初始权值；
将所述粒子集输入预先构建的粒子滤波算法模型，得到所述每个粒子的预测位置；
获取所述运动目标的轨迹信息和地理信息；
将所述轨迹信息和地理信息输入预先构建的神经网络算法模型，得到所述运动目标的预测位置在每个预设区域的概率值；所述神经网络算法模型包括3D-CNN网络和LSTM网络；所述将所述轨迹信息和地理信息输入预先构建的神经网络算法模型，得到所述运动目标的预测位置在每个预设区域的概率值，具体包括：
提取得到所述轨迹信息的特征；将所述地理信息输入所述3D-CNN网络，得到所述地理信息的特征；将所述轨迹信息的特征和所述地理信息的特征输入所述LSTM网络，输出所述运动目标的预测位置在每个预设区域的概率值；
利用所述概率值和所述初始权值，计算得到所述每个粒子的新权值；具体包括：
响应于任一粒子位于任一所述预设区域，利用所述概率值和所述初始权值，计算得到所述每个粒子的新权值：其中，
Figure 50573DEST_PATH_IMAGE001
；
其中，p or (i)表示第i个粒子的初始权值；p co (i)表示第i个粒子的新权值；p gr (i)表示运动目标的预测位置在第j个预设区域的概率值；该第i个粒子位于该第j个预设区域；
响应于任一粒子不位于任何所述预设区域，使该粒子的新权值为零；
根据所述粒子集中的每个粒子的预测位置和新权值，计算得到所述运动目标的预测位置。
2.根据权利要求1所述的方法，其特征在于，所述将所述粒子集输入预先构建的粒子滤波算法模型，得到所述每个粒子的预测位置，包括：其中，
Figure 317607DEST_PATH_IMAGE002
；
Figure 454190DEST_PATH_IMAGE003
；
其中，C pf＿x (i)表示第i个粒子在t时刻的位置横坐标；C pf＿y (i)表示第i个粒子在t时刻的位置纵坐标；
C’ pf＿x (i)表示第i个粒子在t-1时刻的位置横坐标；C’ pf＿y (i)表示第i个粒子在t-1时刻的位置纵坐标；
其中，i=1,2,…n；t=1,2,…,m；
f 1表示该粒子滤波算法模型的位置横坐标转移关系式；f 2表示该粒子滤波算法模型的位置纵坐标转移关系式。
3.根据权利要求1所述的方法，其特征在于，所述利用所述概率值和所述初始权值，计算得到所述每个粒子的新权值，具体还包括：
利用累加的高斯分布概率值得到该粒子的新权值：其中，
Figure 123069DEST_PATH_IMAGE004
；
其中，p or (i)表示第i个粒子的初始权值；p co (i)表示第i个粒子的新权值；p gr (j)表示运动目标的预测位置在第j个预设区域的概率值；该第i个粒子位于该第j个预设区域；p gs (i, j)表示该第i个粒子在该第j个预设区域的累加的高斯分布概率值；
其中，
Figure 116432DEST_PATH_IMAGE005
；
其中，x i 表示该第i个粒子的横坐标；y i 表示该第i个粒子的纵坐标；
μ 1j表示该第j个预设区域的中心点的横坐标；μ 2j表示该第j个预设区域的中心点的纵坐标；
σ 1表示该第j个预设区域的中心点的横坐标方向的方差；σ 2表示该第j个预设区域的中心点的纵坐标方向的方差；
ρ表示i和j的相关系数，是一个常数；
e表示欧拉数，是一个常数，约为2.71828。
4.根据权利要求1所述的方法，其特征在于，所述根据所述粒子集中的每个粒子的预测位置和新权值，计算得到所述运动目标的预测位置，包括：其中，
Figure 870762DEST_PATH_IMAGE006
；
Figure 794724DEST_PATH_IMAGE007
；
其中，C x 表示运动目标的预测位置的横坐标；C y 表示运动目标的预测位置的纵坐标；
C pf＿x (i)表示第i个粒子的位置横坐标；C pf＿y (i)表示第i个粒子的位置纵坐标；
p co (i)表示第i个粒子的新权值；
其中，i=1,2,…n。
5.根据权利要求1所述的方法，其特征在于，在所述将所述粒子集输入预先构建的粒子滤波算法模型，得到所述每个粒子的预测位置之中，当有效粒子数低于预设的有效粒子数阈值时，复制权值高于预设的权值阈值的粒子，删除权值低于预设的权值阈值的粒子；其中，有效粒子数为：
Figure 318109DEST_PATH_IMAGE008
；
其中，Neff表示有效粒子数；
p or (i)表示第i个粒子的初始权值；
其中，i=1,2,…n。
6.根据权利要求1所述的方法，其特征在于，在所述利用所述概率值和所述初始权值，计算得到所述每个粒子的新权值之后，还包括：
利用以下公式更新所述每个粒子的新权值，以保证所述粒子集中的粒子的新权值是归一化的：
Figure 747954DEST_PATH_IMAGE009
；
其中，i=1,2,…n；p co (1), p co (i), p co (n)分别表示第1,i,n个粒子的新权值，p ’ co (i)表示第i个粒子更新后的权值；
则，所述根据所述粒子集中的每个粒子的预测位置和新权值，计算得到所述运动目标的预测位置，为：根据所述粒子集中的每个粒子的预测位置和更新后的权值，计算得到所述运动目标的预测位置；其中，
Figure 927262DEST_PATH_IMAGE010
；
Figure 202386DEST_PATH_IMAGE011
；
其中，C x 表示运动目标的预测位置的横坐标；C y 表示运动目标的预测位置的纵坐标；
C pf＿x (i)表示第i个粒子的位置横坐标；C pf＿y (i)表示第i个粒子的位置纵坐标；
p ’ co (i)表示第i个粒子的更新后的权值；
其中，i=1,2,…n。
7.根据权利要求1所述的方法，其特征在于，所述3D-CNN网络包括一个硬连线hardwired层、三个卷积层、二个下采样层和一个全连接层；所述卷积层包括3D卷积核。
8.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任意一项所述的方法。
CN202110139475.9A 2021-02-02 2021-02-02 一种基于粒子滤波的位置预测方法及设备 Active CN112465878B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110139475.9A CN112465878B (zh) 2021-02-02 2021-02-02 一种基于粒子滤波的位置预测方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110139475.9A CN112465878B (zh) 2021-02-02 2021-02-02 一种基于粒子滤波的位置预测方法及设备

Publications (2)

Publication Number Publication Date
CN112465878A CN112465878A (zh) 2021-03-09
CN112465878B true CN112465878B (zh) 2021-05-11

Family

ID=74802520

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110139475.9A Active CN112465878B (zh) 2021-02-02 2021-02-02 一种基于粒子滤波的位置预测方法及设备

Country Status (1)

Country Link
CN (1) CN112465878B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111771141B (zh) 2019-01-30 2024-04-09 百度时代网络技术（北京）有限公司 自动驾驶车辆中使用3d cnn网络进行解决方案推断的lidar定位

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107451552A (zh) * 2017-07-25 2017-12-08 北京联合大学 一种基于3d‑cnn和卷积lstm的手势识别方法
US20180088234A1 (en) * 2016-09-27 2018-03-29 Carnegie Mellon University Robust Localization and Localizability Prediction Using a Rotating Laser Scanner
CN108764142A (zh) * 2018-05-25 2018-11-06 北京工业大学 基于3dcnn的无人机影像森林烟雾检测和分类方法
CN109934868A (zh) * 2019-03-18 2019-06-25 北京理工大学 一种基于三维点云与卫星图匹配的车辆定位方法
CN110702093A (zh) * 2019-09-27 2020-01-17 五邑大学 基于粒子滤波的定位方法、装置、存储介质及机器人
CN111159642A (zh) * 2019-11-28 2020-05-15 南京航空航天大学 一种基于粒子滤波的在线轨迹预测方法
CN111457929A (zh) * 2019-12-31 2020-07-28 南京工大数控科技有限公司 一种基于地理信息系统的物流车辆自主路径规划与导航方法
CN111552322A (zh) * 2020-04-29 2020-08-18 东南大学 基于lstm-粒子滤波器耦合模型的无人机追踪方法
CN111771141A (zh) * 2019-01-30 2020-10-13 百度时代网络技术（北京）有限公司 自动驾驶车辆中使用3d cnn网络进行解决方案推断的lidar定位

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103985139B (zh) * 2014-05-20 2017-04-19 重庆大学 基于颜色模型与预测向量簇模型信息融合的粒子滤波目标跟踪方法
CN111127513B (zh) * 2019-12-02 2024-03-15 北京交通大学 一种多目标跟踪方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180088234A1 (en) * 2016-09-27 2018-03-29 Carnegie Mellon University Robust Localization and Localizability Prediction Using a Rotating Laser Scanner
CN107451552A (zh) * 2017-07-25 2017-12-08 北京联合大学 一种基于3d‑cnn和卷积lstm的手势识别方法
CN108764142A (zh) * 2018-05-25 2018-11-06 北京工业大学 基于3dcnn的无人机影像森林烟雾检测和分类方法
CN111771141A (zh) * 2019-01-30 2020-10-13 百度时代网络技术（北京）有限公司 自动驾驶车辆中使用3d cnn网络进行解决方案推断的lidar定位
CN109934868A (zh) * 2019-03-18 2019-06-25 北京理工大学 一种基于三维点云与卫星图匹配的车辆定位方法
CN110702093A (zh) * 2019-09-27 2020-01-17 五邑大学 基于粒子滤波的定位方法、装置、存储介质及机器人
CN111159642A (zh) * 2019-11-28 2020-05-15 南京航空航天大学 一种基于粒子滤波的在线轨迹预测方法
CN111457929A (zh) * 2019-12-31 2020-07-28 南京工大数控科技有限公司 一种基于地理信息系统的物流车辆自主路径规划与导航方法
CN111552322A (zh) * 2020-04-29 2020-08-18 东南大学 基于lstm-粒子滤波器耦合模型的无人机追踪方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于位置预测和双重匹配的视频目标跟踪方法;梁志达;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170315(第03期);全文 *
基于智能技术的一类非线性系统故障诊断与预测方法研究;余萍;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20210115(第01期);全文 *
注意力卷积长短时记忆网络的弱小目标轨迹检测;杨其利 等;《光学精密工程》;20201130;第28卷(第11期);第2535-2548页 *

Also Published As

Publication number Publication date
CN112465878A (zh) 2021-03-09

Similar Documents

Publication Publication Date Title
CN108876792B (zh) 语义分割方法、装置和系统及存储介质
Tatem et al. Super-resolution land cover pattern prediction using a Hopfield neural network
US11354906B2 (en) Temporally distributed neural networks for video semantic segmentation
CN112015847B (zh) 一种障碍物的轨迹预测方法、装置、存储介质及电子设备
KR20210006971A (ko) 지오로케이션 예측을 위한 시스템 및 방법
CN110458165B (zh) 一种引入注意力机制的自然场景文本检测方法
CN112444784B (zh) 三维目标检测及神经网络的训练方法、装置及设备
CN111612489B (zh) 订单量的预测方法、装置及电子设备
CN111127468A (zh) 一种道路裂缝检测方法和装置
CN113850129A (zh) 一种旋转等变的空间局部注意力遥感图像目标检测方法
CN114140683A (zh) 一种航拍图像目标检测的方法、设备与介质
CN112016569A (zh) 基于注意力机制的目标检测方法、网络、设备和存储介质
CN112036381B (zh) 视觉跟踪方法、视频监控方法及终端设备
CN113239914B (zh) 课堂学生表情识别及课堂状态评估方法、装置
CN112434618A (zh) 基于稀疏前景先验的视频目标检测方法、存储介质及设备
CN111179272B (zh) 一种面向道路场景的快速语义分割方法
CN112465878B (zh) 一种基于粒子滤波的位置预测方法及设备
CN115457492A (zh) 目标检测方法、装置、计算机设备及存储介质
Jasim Using of machines learning in extraction of urban roads from DEM of LIDAR data: Case study at Baghdad expressways, Iraq
CN114821823B (zh) 图像处理、人脸防伪模型的训练及活体检测方法和装置
CN115995042A (zh) 一种视频sar运动目标检测方法及装置
CN115439708A (zh) 一种图像数据处理方法和装置
CN112330079B (zh) 地表信息预测方法及装置
Wang Remote sensing image semantic segmentation algorithm based on improved ENet network
CN111639523B (zh) 目标检测方法、装置、计算机设备和存储介质

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