CN112699536B - 一种自适应目标船舶轨迹预测与锁定方法 - Google Patents

一种自适应目标船舶轨迹预测与锁定方法 Download PDF

Info

Publication number
CN112699536B
CN112699536B CN202011474204.0A CN202011474204A CN112699536B CN 112699536 B CN112699536 B CN 112699536B CN 202011474204 A CN202011474204 A CN 202011474204A CN 112699536 B CN112699536 B CN 112699536B
Authority
CN
China
Prior art keywords
data
target
regression equation
prediction
track
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
CN202011474204.0A
Other languages
English (en)
Other versions
CN112699536A (zh
Inventor
李福成
陈姚节
陈黎
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.)
Wuhan University of Science and Engineering WUSE
Original Assignee
Wuhan University of Science and Engineering WUSE
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 Wuhan University of Science and Engineering WUSE filed Critical Wuhan University of Science and Engineering WUSE
Priority to CN202011474204.0A priority Critical patent/CN112699536B/zh
Publication of CN112699536A publication Critical patent/CN112699536A/zh
Application granted granted Critical
Publication of CN112699536B publication Critical patent/CN112699536B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Navigation (AREA)

Abstract

本发明公开了一种自适应目标船舶轨迹预测与锁定方法，包括：S1，对目标历史轨迹进行数据预处理，得到自适应轨迹预测的输入数据；S2，基于载体模型参数预设影响轨迹预测准确度的参数；S3，对输入数据进行多阶高斯过程回归，并进行最优回归项选择，从而获取最优回归方程以及输出置信度；S4，基于载体和目标的追击模型，结合最优回归方程，锁定目标位置；本发明在高斯过程回归基础上增加误差范围，学习阈值等参数，通过反馈结果再学习获取自适应能力，选择最优质的轨迹预测结果用于目标的锁定计算，并可以实时更新预测结果，精确预测目标在未来短时间内的位置，实现了对目标的预测与锁定。

Description

一种自适应目标船舶轨迹预测与锁定方法
技术领域
本发明涉及船舶轨迹预测领域，具体涉及一种自适应目标船舶轨迹预测与锁定方法。
背景技术
船舶轨迹一直是研究重点，在跟踪，预警，应急管理中发挥着重要作用。当前轨迹预测大都集中于对移动对象空间位置分析，从而预测移动对象下一位置信息，从而更好的做出船舶避碰路径决策。
2017年31期《科技创新与应用》杂志上发表的论文《基于高斯过程回归的船舶航行轨迹预测》提出了一种基于高斯过程回归过程的船舶轨迹预测模型，对已有船舶航行轨迹进行仿真模拟，从而预测出船舶轨迹线路，较好解决船舶航迹预测问题。但是在模拟过程中，将预测轨迹与实际轨迹进行对比，可以发现每个点的实际偏离量随着轨迹预测不断迭代进行，偏离量也越来越大，如图1所示，预测轨迹出现偏差主要由于上一步计算输出结果作为下一步输入学习对象，误差不断累积叠加造成，导致精度偏差越来越大。
在实际应用场景中，例如智能执法水炮系统，船舶与目标多数情况下处于相对运动状态。当目标处在运动状态中，通过目标识别和跟踪模块进行目标锁定时始终处于滞后的状态，这种滞后是因船舶的运动状态不确定，例如船舶加速、减速或转弯等原因造成的。
发明内容
本发明为提高船舶轨迹预测的精度，以及解决目标锁定时由于船舶的运动状态不确定而导致的锁定滞后问题，提出了一种自适应目标船舶轨迹预测与锁定方法。
本发明提供了一种自适应船舶轨迹预测与锁定方法，包括：S1，对目标历史轨迹进行数据预处理，得到自适应轨迹预测的输入数据；S2，基于载体模型参数预设影响轨迹预测准确度的参数；S3，对输入数据进行多阶高斯过程回归，并进行最优回归选择，从而获取最优回归方程以及输出置信度；S4，基于载体和目标的追击模型，结合最优回归方程，锁定目标位置。
进一步的，步骤S1中的数据预处理，包括：去除错误数据以及冗余数据的数据过滤，具体步骤：S111，计算得到相邻数据差Δε，将相邻数据差值Δε与预设的数据差第一临界阈值ε1和第二临界阈值ε2进行比较；S112，若Δε>ε1，则继续判断Δε和第二临界阈值ε2的大小，否则该数据被认为冗余数据；S113，若Δε<ε2时，则被认定为正确数据，否则该数据被判定为错误数据；S114，过滤后得到7行n列数据矩阵
Figure BDA0002834629270000021
进一步的，步骤S1中的数据预处理还包括数据转换：S121,从矩阵P1中提出特征矩阵
Figure BDA0002834629270000022
S122，基于每一个Pi就其对目标锁定的影响程度预设权重Wi；S123，(Wi,Pi)键值对作为自适应轨迹预测的输入数据。
进一步的，步骤S2中预设的参数具体包括：用于判断预测值是否正确的误差范围、用于划分训练集和验证集的超前量、滞后量，以及用于判断回归方程是否准确的学习阈值；并基于回归方程预测准确率的变化幅度，得到各参数对预测结果置信度的影响程度。
进一步的，将历史轨迹数据按照超前量：滞后量＝8:2，划分为训练集和验证集；误差范围
Figure BDA0002834629270000023
其中width为目标在屏幕坐标系中矩形框的宽，即验证集中的位置与预测的目标位置差小于e则判定预测值正确。
进一步的，步骤S3具体包括：S31，基于高斯过程回归的多阶轨迹方程计算；
S32，自适应轨迹决策；S33，轨迹预测输出置信度与回归方程。
进一步的，步骤S31具体包括：S311,使用高斯过程回归作为底层回归算法计算预测方程；S312,对目标的6D位姿变化进行预测，回归方程fi(x)＝
Figure BDA0002834629270000031
进一步的，步骤S32具体包括：
S321,将验证集每一条数据(x,y)依次代入回归方程f1(x)中，计算出预测值y*；
S322，将y*与y值作比较，若其差的绝对值小于误差范围ε，则预测值正确；
S323，计算回归方程f1(x)验证集的命中率β，计算公式为：β＝a/n，其中a为该回归方程预测准确的次数，n为验证集大小；
S324，重复上述步骤分别计算f2(x)～f6(x)的命中率β；
S325，选取命中率β最大的回归方程作为最优回归方程，即轨迹预测回归方程；
S326，比较命中率β与学习阈值τ，若β>τ，则该回归方程可以较好进行轨迹预测；否则，代表回归方程不能较好的进行轨迹预测，重新回归计算新的回归方程。
进一步的，步骤S4具体包括：S41，获取最优回归方程和置信度；S42，建立数学追击模型；S43，与最优回归方程结合求得转动角速度w。
进一步的，步骤S43具体包括，计算载体转动的角速度w，将载体运动公式θ＝θ0+wt与最优回归方程公式θ＝a0+a1t+a2t2+…antn结合，其中，w为载体转动的水平轴或竖直轴角速度，θ0为角位置初始位置，将在t时刻θ角位置准确追击到目标，获得光电水平角Y与光电俯仰角P。
本发明的有益技术效果如下：
1、在高斯过程回归上增加误差范围，学习阈值等参数，通过反馈结果再学习获取自适应能力，通过在样本上自主学习适应选择最优质的轨迹预测结果，使高斯过程回归具有动态学习的能力。
2、对三维空间的轨迹数据进行分解和聚合，使轨迹预测精确投影到每一个空间维度。
3、能自动选择最优质的预测结果用于目标的锁定计算，并可以实时更新预测结果，精确预测目标在未来短时间内的位置，解决了目标打击滞后的问题。
附图说明
图1为基于高斯过程回归的船舶轨迹预测与锁定的偏差示意图；
图2为本发明实施例中的流程示意图；
图3为本发明实施例中的历史轨迹部分数据；
图4为本发明实施例数据过滤流程图。
图5为本发明实施例中最优回归方程选择流程示意图。
图6为本发明实施例中自适应轨迹预测与锁定效果图。
图7为本发明实施例中追击数学模型。
图8为本发明实施例中自适应轨迹预测与锁定装置示意图。
具体实施方式
为了进一步理解本发明，下面结合实施例对本发明优选实施方案进行描述，但是应当理解，这些描述只是为进一步说明本发明的特征和优点，而不是对本发明权利要求的限制。
本发明的目的在于提出了一种自适应目标船舶轨迹预测与锁定方法，从而解决目标打击位置始终在目标之后的滞后问题，下面结合实施例进行详细说明。
在本发明的下述示出实施例中，在智慧眼水炮打击目标的实验环境中，光电云台相机发送光电协议数据间隔为15ms/次，对应的轨迹数据的采集频率为66次/s，打击目标使用约0.5m长的船只模型，速度变化范围为0～3m/s。光电光心对准屏幕中心的位置(x0,y0)。并且目标在屏幕坐标系中矩形框的位置信息为(x,y,width,height)。如图2所示，是本发明的船舶轨迹预测方法流程图：
S1,对目标历史轨迹进行数据预处理，得到自适应轨迹预测的输入数据；
S2，基于载体模型参数预设影响轨迹预测准确度的参数；
S3，对输入数据进行多阶高斯过程回归，并进行最优回归选择，从而获取最优回归方程以及输出置信度；
S4，基于载体和目标的追击模型，结合最优回归方程，锁定目标位置。
在本发明的示出实施例中，对本发明方法步骤逐一描述。
步骤S1中具体包括S11，数据过滤；S12，数据转换。
训练样本容量有限，在过短的时间内采集大量的重复数据不能够表征目标的运动趋势。在实际数据采集的过程中，往往会出现大量的重复数据和数值过于接近的数据。在智慧水炮眼项目中的实验环境中，光电云台发送光电协议数据间隔为15ms/次，对应的数据戳间隔时间为15ms。如图3中的6～8行所示，形成冗余数据；载体有时会出现短暂剧烈的动荡，如图3中第12行所示，数据波动大且不连续，造成数据异常。冗余数据和异常数据的存在，会造成预测结果失真。因此在对数据进行处理之前需要对采集的数据进行过滤，流程示意图如图4所示。
在一些实施方式中，步骤S11包括去除错误数据以及冗余数据，具体包括：
S111，计算得到相邻数据差Δε，将相邻数据差值Δε与预设的数据差第一临界阈值ε1和第二临界阈值ε2进行比较；
在本实施例中，第一临界阈值ε1和第二临界阈值ε2是根据具体预测目标的尺寸变化的。如，例如目标大小为100个单位长度，预测目标位置时就可以允许0～50个单位长度的误差，因为预测到目标尾部或头部位置也算预测准确。可以根据实际需要对临界阈值进行调整。
S112，若Δε>ε1，则继续判断Δε和第二临界阈值ε2的大小，否则该数据被认为冗余数据；
S113，若Δε<ε2，则被认定为正确数据，否则该数据被判定为错误数据；
S114，过滤后得到7行n列数据矩阵
Figure BDA0002834629270000061
需要说明的是，数据矩阵的行可根据实际需要进行改变，在本实施例中，采用7行n列的矩阵。
S12，数据转换具体包括从矩阵P1中取出特征矩阵
Figure BDA0002834629270000062
Figure BDA0002834629270000063
S122，基于每一个Pi就其对目标锁定的影响程度预设权重Wi；
S123，(Wi,Pi)键值对作为自适应轨迹预测的输入数据。
数据转换将数据过滤得到的数据转换为轨迹预测算法所需要的数据。对每一个Pi视具体应用环境就其对目标锁定的影响程度设置权重Wi，得到(Wi,Pi)键值对作为自适应轨迹预测的输入数据。
在实际应用中，为保证预测结果有效，采集目标2s内产生的轨迹数据进入轨迹预测数据队列中。若错误数据或冗余数据过多，则满120条数据之后才开始进行轨迹预测。
步骤S2中预设的参数包括用于判断预测值是否正确的误差范围、用于划分训练集和验证集的超前量、滞后量，以及用于判断回归方程是否准确的学习阈值，并基于回归方程命中率的变化幅度，得到各参数对预测结果置信度的影响程度。
将步骤S1中输出的数据分为训练集和验证集，训练数据集从数据预处理得到的数据集中按采集先后顺序采样前80％数据即超前量得到，按采样先后顺序采样后20％数据即滞后量得到最优回归的验证集。这个比例按照预测时间来确定的，如果预测时间为1s，数据集一共包括5s的数据，那么4s的数据作为训练集，1s的数据作为验证集。
设置误差范围
Figure BDA0002834629270000064
用来判断该预测值是否正确，即验证集中的位置与预测的目标位置差小于e则判定预测值正确。
理想状态下，根据计算打击落点将会打击在模型的中心，但只要落点击中模型就算打中，所以可以得到船身一半长度的计算误差范围0～0.25m，考虑到计算过程中的其他因素影响，这里将条件限制的更为严格，取最大误差为0.2m，因此设置误差参数值为0.2。
由于目标运动状态在不断改变，为保证预测真实有效，设置一个学习阈值τ，在本实施例中，设置τ＝0.9，用来判断该回归方程是否准确，若不准确需要重新进行训练，实现轨迹预测的自适应。
各参数精度对置信度都有影响，影响置信度就会影响预测结果是否能够被调用这个算法的模块信任，不合理的参数设置可能会使本来可以信任的预测结果不被信任，本来不应该被信任的结果被信任。
步骤S3具体包括：S31，基于高斯过程回归的多阶轨迹方程计算。
使用高斯过程回归作为底层回归算法计算预测方程，对目标的6D位姿变化进行预测，1～6阶回归方程足够表征目标的运动趋势在短时间内的变化，回归方程为
Figure BDA0002834629270000071
需要说明的是，增加额外的维度会使回归方程在训练集上的拟合能力更好，但是会出现过拟合或欠拟合的现象，能够在某段时间内表示轨迹预测的效果，但起不到轨迹预测的效果，不具备轨迹预测能力。
为了解决高斯过程回归阶数过高导致的过拟合或欠拟合问题，将高斯过程回归得到的1～6阶回归方程在验证集中进行验证，得到最优回归方程，即为S32自适应轨迹的流程图如图5所示，具体包括步骤：
S321，将验证集每一条数据(x,y)依次带入回归方程f1(x)中，计算出预测值y*；
S322，将y*与y值作比较，若误差小于误差范围ε，则预测值正确；
S323，计算回归方程f1(x)验证集的命中率β，计算公式为：β＝a/n，其中a为该回归方程预测准确的次数，n为验证集大小；
S324，重复上述步骤分别计算f2(x)～f6(x)的命中率β；
S255，选取命中率β最高的回归方程作为最优回归方程，即轨迹预测回归方程；
S256，比较命中率β与学习阈值τ，若β>τ，则该回归方程可以较好进行轨迹预测；否则，代表回归方程不能较好的进行轨迹预测，重新回归计算新的回归方程。
S33，轨迹预测输出置信度与回归方程。
如图6所示，1为本发明的自适应轨迹预测曲线，1为过拟合曲线，3为欠拟合曲线。可看出，本发明的自适应轨迹预测效果的效果在轨迹预测迭代过程中，轨迹预测输出的预测回归方程也在实时更新，输出结果包括置信度与回归方程，置信度为输出的回归方程在验证集上的预测命中率。输出结果将作为目标锁定的数据源，输出的置信度为0<α<1，回归方程f(x)＝a1+a2x+…+anxn(1<n<6)。
需要说明的是，经最优回归方程选择得到的回归方程不会一直表现良好，需要不断重新回归得到更好的预测方程。但并不是无条件地循环回归更新预测结果，因为新的数据集或许并不能带来更好的轨迹预测效果，所以需要根据命中率和学习阈值验证回归方程在最新验证集上的表现效果，从而判定何时进行下一次回归过程。
步骤S4具体包括，基于载体和目标的追击模型，结合最优回归方程，锁定目标位置。
S41，获取最优回归方程和置信度；
S42，建立数学追击模型；
将打击目标由于船舶的运动状态而导致的滞后不确定问题，转换为数学追击模型。
在图7所示的实施例中，点A为射流装置位置，点B为开始目标锁定时射流落点，点C为开始目标锁定时目标位置，点D为目标锁定到的位置。在开始目标锁定时，B、C两点为初始位置，在目标锁定过程中，射流装置在转动，目标在运动，目标的锁定是个动态的过程，∠BAD为射流装置旋转角度，线段CD为目标运动距离，∠BAC为静态追击角度，∠CAD为补偿追击角度。
S43，与最优回归方程结合求得转动角速度w。
计算载体转动的角速度w，将载体运动公式θ＝θ0+wt与最优回归方程公式θ＝a0+a1t+a2t2+…antn结合，其中，w为载体转动的水平轴或竖直轴角速度，θ0为角位置初始位置，将在t时刻θ角位置准确追击到目标，获得光电水平角Y与光电俯仰角P。在本发明的实施方式中，输出结果中的光电水平角Y和光电俯仰角P都是通过联立方程计算出来的，光电云台是二自由度的，水平轴和竖直轴的运动都有自己的角速度w和对应的目标轨迹方程。固定追击时间就可以计算出水平轴从角位置θ0开始以角速度w运动在角Y处就可以追击到目标，竖直轴同上计算出P。并可通过光电水平角Y与光电俯仰角P计算出来目标距离Sg，输出至后端处理模块。
实现了改进的高斯过程回归在船舶航行轨迹预测的应用，通过计算来确定精确的锁定位置来解决打击始终打在目标之后的滞后问题。
本发明的方法适用于如图8所示自适应船舶轨迹预测装置，包括依次耦接的数据预处理模块、自适应轨迹预测模块和目标锁定模块，以及，与自适应轨迹预测模块耦接的参数设置模块；
其中，数据预处理模块接收目标历史轨迹数据，输出数据集至自适应轨迹预测模块。自适应轨迹预测模块输入数据集和参数值，输出轨迹预测方程至目标锁定模块。目标锁定模块基于轨迹预测方程和载体运动方程计算并输出光电俯仰角和水平角。
目标识别与跟踪模块将目标历史轨迹输出至自适应船舶轨迹预测装置，自适应船舶轨迹预测装置通过轨迹预测方法输出目标距离，俯仰角以及水平角至射流稳定模块，动态的实时更新预测结果，实现了目标位置的精确锁定。
以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (4)

1.一种自适应目标船舶轨迹预测与锁定方法，其特征在于，包括：
S1，对目标历史轨迹进行去除错误数据以及冗余数据的数据过滤的数据预处理，得到自适应轨迹预测的输入数据，所述去除错误数据以及冗余数据的数据过滤的数据，包括，
S111，计算得到相邻数据差Δε，将相邻数据差值Δε与预设的数据差第一临界阈值ε1和第二临界阈值ε2进行比较；
S112，若Δε＞ε1，则继续判断Δε和第二临界阈值ε2的大小，否则该数据被认为冗余数据；
S113，若Δε＜ε2，则被认定为正确数据，否则该数据被判定为错误数据；
S114，过滤后得到7行n列数据矩阵
Figure FDA0003763149970000011
S2，基于载体模型参数预设影响轨迹预测准确度的参数，其中，预设影响轨迹预测准确度的参数包括，用于判断预测值是否正确的误差范围、用于划分训练集和验证集的超前量、滞后量，以及，用于判断回归方程是否准确的学习阈值；并基于回归方程预测准确率的变化幅度，得到各参数对预测结果置信度的影响程度，其中，将历史轨迹数据按照超前量和滞后量的比例，划分为训练集和验证集，误差范围
Figure FDA0003763149970000012
其中width为目标在屏幕坐标系中矩形框的宽，即验证集中的位置与预测的目标位置差小于e则判定预测值正确；
S3，对输入数据进行多阶高斯过程回归，并进行最优回归选择，从而获取最优回归方程以及输出置信度，具体包括：S31，基于高斯过程回归的多阶轨迹方程计算，
S311，使用高斯过程回归作为底层回归算法计算预测方程；
S312，对目标的6D位姿变化进行预测，回归方程
Figure FDA0003763149970000013
Figure FDA0003763149970000014
S32，自适应轨迹决策；
S321，将验证集每一条数据(x，y)依次带入回归方程f1(x)中，计算出预测值y*；
S322，将y*与y值作比较，若其差的绝对值小于误差范围ε，则预测值正确；
S323，计算回归方程f1(x)验证集的命中率β，计算公式为：β＝a/n，其中a为该回归方程预测准确的次数，n为验证集大小；
S324，重复上述步骤分别计算f2(x)～f6(x)的命中率β；
S325，选取命中率β最高的回归方程作为最优回归方程，即轨迹预测回归方程；
S326，比较命中率β与学习阈值τ，若β＞τ，则该回归方程可以较好进行轨迹预测；否则，代表回归方程不能较好的进行轨迹预测，重新回归计算新的回归方程；
S33，轨迹预测输出置信度与回归方程；
S4，基于载体和目标的追击模型，结合最优回归方程，锁定目标位置。
2.如权利要求1所述的轨迹预测与锁定方法，其特征在于，步骤S1中的数据预处理还包括数据转换：
S121，从矩阵P1中提出特征矩阵
Figure FDA0003763149970000021
S122，基于每一个Pi就其对目标锁定的影响程度预设权重Wi；
S123，(Wi，Pi)键值对作为自适应轨迹预测的输入数据。
3.如权利要求1所述的轨迹预测与锁定方法，其特征在于，步骤S4具体包括：
S41，获取最优回归方程和置信度；
S42，建立数学追击模型；
S43，与最优回归方程结合求得转动角速度w。
4.如权利要求3所述的轨迹预测与锁定方法，其特征在于，步骤S43具体包括，计算载体转动的角速度w，将载体运动公式θ＝θ0+wt与最优回归方程公式θ＝a0+a1t+a2t2+…antn结合，其中，w为载体转动的水平轴或竖直轴角速度，θ0为角位置初始位置，将在t时刻θ角位置准确追击到目标，获得光电水平角Y与光电俯仰角P。
CN202011474204.0A 2020-12-14 2020-12-14 一种自适应目标船舶轨迹预测与锁定方法 Active CN112699536B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011474204.0A CN112699536B (zh) 2020-12-14 2020-12-14 一种自适应目标船舶轨迹预测与锁定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011474204.0A CN112699536B (zh) 2020-12-14 2020-12-14 一种自适应目标船舶轨迹预测与锁定方法

Publications (2)

Publication Number Publication Date
CN112699536A CN112699536A (zh) 2021-04-23
CN112699536B true CN112699536B (zh) 2022-09-13

Family

ID=75508035

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011474204.0A Active CN112699536B (zh) 2020-12-14 2020-12-14 一种自适应目标船舶轨迹预测与锁定方法

Country Status (1)

Country Link
CN (1) CN112699536B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114611206B (zh) * 2022-02-28 2024-02-23 中国船舶重工集团公司第七0七研究所 一种动力定位船的环境最优艏向定位方法
CN116778437B (zh) * 2023-08-15 2023-10-27 中国铁塔股份有限公司 目标船只轨迹监测方法、装置、电子设备及可读存储介质
CN117930854B (zh) * 2024-01-31 2024-08-06 武汉科技大学 一种水面目标自适应跟踪系统及跟踪方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102819663A (zh) * 2012-07-17 2012-12-12 哈尔滨工程大学 一种基于优化的支持向量回归参数的船舶航迹预测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7817079B1 (en) * 2008-04-17 2010-10-19 The United States Of America As Represented By The Secretary Of The Navy System and method for collection of global AIS and radar track information
CN103279810B (zh) * 2013-06-09 2016-09-07 重庆大学 基于预测误差收敛性检验和轨迹修正的短期负荷预测方法
CN105825297A (zh) * 2016-03-11 2016-08-03 山东大学 一种基于马尔科夫模型的位置预测方法
KR101729464B1 (ko) * 2017-01-23 2017-04-25 (주) 지씨에스씨 선박의 해양사고 예측 시스템
CN107610464B (zh) * 2017-08-11 2019-02-12 河海大学 一种基于高斯混合时间序列模型的轨迹预测方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102819663A (zh) * 2012-07-17 2012-12-12 哈尔滨工程大学 一种基于优化的支持向量回归参数的船舶航迹预测方法

Also Published As

Publication number Publication date
CN112699536A (zh) 2021-04-23

Similar Documents

Publication Publication Date Title
CN112699536B (zh) 一种自适应目标船舶轨迹预测与锁定方法
Rohan et al. Convolutional neural network-based real-time object detection and tracking for parrot AR drone 2
CN109800689B (zh) 一种基于时空特征融合学习的目标跟踪方法
CN107146237B (zh) 一种基于在线状态学习与估计的目标跟踪方法
CN110941272B (zh) 自动驾驶控制方法和设备
CN110738690A (zh) 一种基于多目标追踪框架的无人机视频中车速校正方法
CN109993770B (zh) 一种自适应时空学习与状态识别的目标跟踪方法
CN111461292A (zh) 一种无人机实时轨迹预测方法
CN108492324B (zh) 基于全连接网络和卡尔曼滤波器的飞机追踪方法
CN108152812B (zh) 一种调整网格间距的改进agimm跟踪方法
Baldini et al. Learning pose estimation for UAV autonomous navigation and landing using visual-inertial sensor data
CN106687871B (zh) 用于控制器适应的系统和方法
CN117311393B (zh) 一种无人机自主飞行路径规划方法及系统
CN108537825B (zh) 一种基于迁移学习回归网络的目标跟踪方法
CN109493370B (zh) 一种基于空间偏移学习的目标跟踪方法
CN113064422B (zh) 基于双神经网络强化学习的自主水下航行器路径规划方法
CN116485796B (zh) 害虫检测方法、装置、电子设备及存储介质
Shukla et al. UBOL: User-Behavior-aware one-shot learning for safe autonomous driving
CN116520890A (zh) 一种可三维全息巡视的无人机控制平台
Baldini et al. Learning pose estimation for uav autonomous navigation andlanding using visual-inertial sensor data
Shirzi et al. Active tracking using intelligent fuzzy controller and kernel-based algorithm
Shinde et al. Deep reinforcement learning based dynamic object detection and tracking from a moving platform
CN113723203A (zh) 一种面向边缘计算的人行为特征提取方法与系统
Fernández Castaño et al. Uncertainty Quantification-Based Switching Control Method for Vision-Based Object Tracking in Unmanned Aerial Vehicles
Araújo Jr et al. Towards autonomous investigation of crime scene by using drones

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
CB03 Change of inventor or designer information

Inventor after: Chen Yaojie

Inventor after: Li Fucheng

Inventor after: Chen Li

Inventor before: Li Fucheng

Inventor before: Chen Yaojie

Inventor before: Chen Li

CB03 Change of inventor or designer information