CN112824832A - 障碍物运动轨迹预测方法、系统、设备及计算机可读存储介质 - Google Patents

障碍物运动轨迹预测方法、系统、设备及计算机可读存储介质 Download PDF

Info

Publication number
CN112824832A
CN112824832A CN201911141808.0A CN201911141808A CN112824832A CN 112824832 A CN112824832 A CN 112824832A CN 201911141808 A CN201911141808 A CN 201911141808A CN 112824832 A CN112824832 A CN 112824832A
Authority
CN
China
Prior art keywords
function
position data
point position
tracking point
obstacle
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.)
Granted
Application number
CN201911141808.0A
Other languages
English (en)
Other versions
CN112824832B (zh
Inventor
薄帅康
虞坤霖
刘俊斌
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.)
Syrius Technology Shenzhen Co Ltd
Original Assignee
Syrius Technology Shenzhen Co Ltd
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 Syrius Technology Shenzhen Co Ltd filed Critical Syrius Technology Shenzhen Co Ltd
Priority to CN201911141808.0A priority Critical patent/CN112824832B/zh
Publication of CN112824832A publication Critical patent/CN112824832A/zh
Application granted granted Critical
Publication of CN112824832B publication Critical patent/CN112824832B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • 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
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Automation & Control Theory (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例公开了一种障碍物运动轨迹预测方法、系统、设备及计算机可读存储介质，涉及导航技术领域。其中方法包括：获取目标障碍物在连续多个时刻所对应的跟踪点位置数据，并对跟踪点位置数据进行过滤；选择函数模型，采用随机采样一致性算法根据过滤后的跟踪点位置数据求解函数模型中参数的初始值；根据函数模型构建最小二乘问题，并采用梯度下降算法结合参数的初始值求解最小二乘问题，以获取优化后的模型参数；根据优化后的函数计算目标障碍物下一时刻的预测位置。本发明实施例可以提高障碍物运动轨迹预测结果的准确性，降低算法的计算量，提高实时性；此外，还可以支持同时对多个障碍物运动轨迹进行预测。

Description

障碍物运动轨迹预测方法、系统、设备及计算机可读存储介质
技术领域
本发明实施例涉及导航技术领域，特别涉及一种障碍物运动轨迹预测方法、系统、设备及计算机可读存储介质。
背景技术
导航避障能力是机器人的基本功能之一，为了实现这个功能，机器人需要对障碍物的运动轨迹进行预判，以避免在导航行进过程中与障碍物发生碰撞。目前，机器人一般采用卡尔曼滤波算法对障碍物的运动轨迹进行预测，然而这种障碍物的运动轨迹预测方法需要对障碍物的运动状态(例如：运动速度及运动加速度等)有准确的了解，而且要求系统噪声和测量噪声为高斯噪声且相互独立，而这两点在实时跟踪过程中很难满足，导致预测结果的准确性低，并且这种算法的计算量大，导致实时性较差。
发明内容
有鉴于此，本发明实施例的目的在于提供一种障碍物运动轨迹预测方法、系统、设备及计算机可读存储介质，以解决上述现有的障碍物运动轨迹预测方法存在的预测结果的准备性低以及计算量大，导致实时性较差的问题。
本发明实施例解决上述技术问题所采用的技术方案如下：
根据本发明实施例的第一个方面，提供一种障碍物运动轨迹预测方法，该方法包括：
获取目标障碍物在连续多个时刻所对应的跟踪点位置数据，并对所述跟踪点位置数据进行过滤；
选择函数模型，采用随机采样一致性算法根据过滤后的跟踪点位置数据求解所述函数模型中参数的初始值；
根据所述函数模型构建最小二乘问题，并采用梯度下降算法结合所述参数的初始值求解所述最小二乘问题，以获取优化后的模型参数；
将优化后的模型参数代入所述函数模型得到优化后的函数，并根据所述优化后的函数计算所述目标障碍物下一时刻的预测位置。
其中，所述采用随机采样一致性算法根据过滤后的跟踪点位置数据求解所述函数模型中参数的初始值包括：
从过滤后的跟踪点位置数据中随机选择一组局内跟踪点位置数据，根据所述局内跟踪点位置数据求解所述函数模型对应的函数；
用求解出的函数去测试其他跟踪点位置数据，获取所述求解出的函数的假设局内点；其中，若某个跟踪点位置适用所述函数模型，则该跟踪点位置为所述函数的假设局内点；
判断所述求解出的函数的假设局内点的个数是否达到第一预设阈值；
若所述求解出的函数的假设局内点的个数达到第一预设阈值，则用所述求解出的函数的所有假设的局内点重新求解所述函数模型对应的函数；
返回到用求解出的函数去测试其他跟踪点位置数据，获取所述求解出的函数的假设局内点的步骤重复执行上述流程，直至求解出的函数的假设局内点的个数达到第二预设阈值。
其中，所述判断所述求解出的函数的假设内点的个数是否达到第一预设阈值之后还包括：
若所述求解出的函数的假设局内点的个数未达到所述第一预设阈值，则放弃所述函数模型，并返回到所述从过滤后的跟踪点位置数据中随机选择一组局内跟踪点位置数据，根据所述局内跟踪点位置数据求解所述函数模型的步骤。
其中，所述采用梯度下降算法结合所述参数的初始值求解所述最小二乘问题，以获取优化后的模型参数包括：
采用最速下降法、牛顿法、高斯牛顿法或者列文伯格-马夸尔特方法中的任一种算法结合所述参数的初始值求解所述最小二乘问题，以获取优化后的模型参数。
根据本发明实施例的第二个方面，提供一种障碍物运动轨迹预测系统，包括：
跟踪点过滤单元，用于获取目标障碍物在连续多个时刻所对应的跟踪点位置数据，并对所述跟踪点位置数据进行过滤；
模型参数估算单元，用于选择函数模型，采用随机采样一致性算法根据过滤后的跟踪点位置数据求解所述函数模型中参数的初始值；
模型参数优化单元，用于根据所述函数模型构建最小二乘问题，并采用梯度下降算法结合所述参数的初始值求解所述最小二乘问题，以获取优化后的模型参数；
位置预测单元，用于将优化后的模型参数代入所述函数模型得到优化后的函数，并根据所述优化后的函数计算所述目标障碍物下一时刻的预测位置。
其中，所述模型参数估算单元具体用于：
从过滤后的跟踪点位置数据中随机选择一组局内跟踪点位置数据，根据所述局内跟踪点位置数据求解所述函数模型对应的函数；
用求解出的函数去测试其他跟踪点位置数据，获取所述求解出的函数的假设局内点；其中，若某个跟踪点位置适用所述函数模型，则该跟踪点位置为所述函数的假设局内点；
判断所述求解出的函数的假设局内点的个数是否达到第一预设阈值；
若所述求解出的函数的假设局内点的个数达到第一预设阈值，则用所述求解出的函数的所有假设的局内点重新求解所述函数模型对应的函数；
返回到用求解出的函数去测试其他跟踪点位置数据，获取所述求解出的函数的假设局内点的步骤重复执行上述流程，直至求解出的函数的假设局内点的个数达到第二预设阈值。
其中，所述模型参数估算单元还用于：
若所述求解出的函数的假设局内点的个数未达到所述第一预设阈值，则放弃所述函数模型，并返回到所述从过滤后的跟踪点位置数据中随机选择一组局内跟踪点位置数据，根据所述局内跟踪点位置数据求解所述函数模型的步骤。
其中，所述模型参数优化单元具体用于：
采用最速下降法、牛顿法、高斯牛顿法或者列文伯格-马夸尔特方法中的任一种算法结合所述参数的初始值求解所述最小二乘问题，以获取优化后的模型参数。
根据本发明实施例的第三个方面，提供一种障碍物运动轨迹预测设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，该所述计算机程序被所述处理器执行时，实现如上述第一个方面中任一项所述的障碍物运动轨迹预测方法的步骤。
根据本发明实施例的第四个方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现如上述第一个方面中任一项所述的障碍物运动轨迹预测方法的步骤。
本发明实施例提供的障碍物运动轨迹预测方法、系统、设备及计算机可读存储介质，由于首先获取目标障碍物在连续多个时刻所对应的跟踪点位置数据，并对所述跟踪点位置数据进行过滤；然后，选择函数模型，采用随机采样一致性算法根据过滤后的跟踪点位置数据求解所述函数模型中参数的初始值；根据所述函数模型构建最小二乘问题，并采用梯度下降算法结合所述参数的初始值求解所述最小二乘问题，以获取优化后的模型参数；最后，将优化后的模型参数代入所述函数模型得到优化后的函数，并根据优化后的函数计算所述目标障碍物下一时刻的预测位置，其将障碍物运动轨迹预测问题转化为最小二乘问题，其无需知道障碍物的运动状态，对测量噪声不敏感，提高了障碍物运动轨迹预测结果的准确性，且降低了算法的计算量，提高了实时性；此外，还可以支持同时对多个障碍物运动轨迹进行预测。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例一提供的障碍物运动轨迹预测方法的具体实现流程示意图；
图2是本发明实施例二提供的障碍物运动轨迹预测系统的结构示意图；
图3是本发明实施例三提供的障碍物运动轨迹预测设备的结构示意图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅以解释本发明，并不用于限定本发明。
实施例一
图1是本发明实施例一提供的障碍物运动轨迹预测方法的具体实现流程示意图，该方法的执行主体为本发明实施例中所述的障碍物运动轨迹预测设备。参见图1所示，本实施例提供的障碍物运动轨迹预测方法可以包括以下步骤：
步骤S101，获取目标障碍物在连续多个时刻所对应的跟踪点位置数据，并对所述跟踪点位置数据进行过滤。
在本实施例中，障碍物运动轨迹预测设备上设置有激光雷达装置，其通过所述激光雷达装置扫描获取目标障碍物在连续多个时刻所对应的跟踪点位置数据，其中所述的跟踪点位置数据是指障碍物在其运动环境中的某一固定坐标系下的坐标。进一步的，所述获取目标障碍物在连续多个时刻所对应的跟踪点位置数据包括：
所述障碍物运动轨迹预测设备启动时，记录其当前所在位置，以其当前所在位置为原点建立一固定坐标系，将该固定坐标系信息存储在所述障碍物运动轨迹预测系统/设备中；
所述障碍物运动轨迹预测设备启动后，其在运动过程中通过所述激光雷达装置实时扫描目标障碍物，获取目标障碍物相对于所述障碍物运动轨迹预测设备的位置坐标，然后将所述目标障碍物相对于所述障碍物运动轨迹预测设备的位置坐标转换为所述目标障碍物在所述固定坐标系下的坐标。
在本实施例中，对所述跟踪点位置数据进行过滤包括：采用方差选择法过滤掉过于离散的点。具体地，计算各个跟踪点位置数据的方差，将方差大于预设方差阈值的点过滤掉。
优选的，在本实施例中，所述障碍物运动轨迹预测设备可以同时获取多个目标障碍物在连续多个时刻所对应的多组跟踪点位置数据，后续可同时对多组目标障碍物的跟踪点位置数据进行处理，以同时预测多个目标障碍物的运动轨迹。
步骤S102，选择函数模型，采用随机采样一致性算法根据过滤后的跟踪点位置数据求解所述函数模型中参数的初始值。
其中，选择函数模型包括根据采集到的所述目标障碍物在连续多个时刻所对应的跟踪点位置数据形成的轨迹形状来选择匹配的函数模型。例如：若所述目标障碍物在连续多个时刻所对应的跟踪点位置数据形成的轨迹近似一抛物线，则选择的函数模型为：f(x)＝ax2+bx+c；其中，x表示障碍物在所述固定坐标系下的横坐标，f(x)表示横坐标为x时对应的障碍物在所述固定坐标系下的纵坐标，a、b、c为函数模型中待求解的参数。
其中，所述采用随机采样一致性算法根据过滤后的跟踪点位置数据求解所述函数模型中参数的初始值包括：
从过滤后的跟踪点位置数据中随机选择一组局内跟踪点位置数据，根据所述局内跟踪点位置数据求解所述函数模型；
用求解出的函数去测试其他跟踪点位置数据，获取所述求解出的函数的假设局内点；其中，若某个跟踪点位置适用所述函数模型，则该跟踪点位置为所述函数的假设局内点；
判断所述求解出的函数的假设局内点的个数是否达到第一预设阈值；
若所述求解出的函数的假设局内点的个数达到第一预设阈值，则用所述求解出的函数的所有假设的局内点重新求解所述函数模型对应的函数；
返回到用求解出的函数去测试其他跟踪点位置数据，获取所述求解出的函数的假设局内点的步骤重复执行上述流程，直至求解出的函数的假设局内点的个数达到第二预设阈值。
假设，所述函数模型为f(x)＝ax2+bx+c，那么要求解该函数模型中的参数a、b、c至少得选择3个跟踪点位置坐标，则所述从过滤后的跟踪点位置数据中随机选择一组局内跟踪点位置数据，根据所述局内点跟踪位置点数据求解所述函数模型包括：从过滤后的跟踪点位置数据中随机选择3个跟踪点位置坐标作为一组局内跟踪点位置数据，然后根据该组局内跟踪点位置数据求解所述函数模型中的参数a、b、c的值。
然后，采用求解出的函数去测试其他跟踪点位置数据，判断该函数模型是否适用所述函数模型，具体的：计算其他跟踪点位置数据到所述函数曲线的最短距离，若该最短距离在预设距离范围内，则认为该函数适用于该跟踪位置点，将该跟踪位置点划为所述函数的假设局内点。如果有足够多的点被归类为所述函数模型的假设的局内点，即若所述求解出的函数的假设局内点的个数达到所述第一预设阈值，那么说明该函数模型就足够合理，此时再根据该函数模型的所有假设的局内点去重新估计模型，因为此模型仅仅是在初始的假设的局内点估计的，后续有扩充后，需要更新。
最后，再返回到用求解出的函数去测试其他跟踪点位置数据，获取所述求解出的函数的假设局内点的步骤重复执行上述流程，直至求解出的函数的假设局内点的个数达到第二预设阈值，则停止迭代，将此时求解出的函数的参数值作为所述函数模型的参数的初始值。
优选的，在本实施例中，在判断所述求解出的函数的假设局内点的个数是否达到第一预设阈值之后还包括：
若所述求解出的函数的假设局内点的个数未达到所述第一预设阈值，则放弃所述函数模型，并返回到所述从过滤后的跟踪点位置数据中随机选择一组局内跟踪点位置数据，根据所述局内跟踪点位置数据求解所述函数模型的步骤。
在本实施例中，若求解出的函数的假设局内点的个数未达到所述第一预设阈值，则说明求解出的函数不合理，此时放弃求解出该函数模型，然后重新从过滤的跟踪点位置数据中随机选择另一组局内跟踪点位数据求解所述函数模型，直至求解出的函数的假设的局内点的个数达到第一预设阈值，则进入一步骤。
步骤S103，根据所述函数模型构建最小二乘问题，并采用梯度下降算法结合所述参数的初始值求解所述最小二乘问题，以获取优化后的模型参数。
其中，所述采用梯度下降算法结合所述参数的初始值求解所述最小二乘问题，以获取优化后的模型参数包括：采用最速下降法、牛顿法、高斯牛顿法或者列文伯格-马夸尔特方法中的任一种算法结合所述参数的初始值求解所述最小二乘问题，以获取优化后的模型参数。优选的，在一较佳实现示例中，采用列文伯格-马夸尔特方法结合所述参数的初始值求解所述最小二乘问题。
步骤S104，将优化后的模型参数代入所述函数模型得到优化后的函数，并根据所述优化后的函数计算所述目标障碍物下一时刻的预测位置。
在本实施例中，假设求出的优化后的函数的为f(x)，已知障碍物上一时刻的横坐标为x1，障碍物当前时刻的横坐标x2，那么有：
若x1<x2，那么(x+Δx，f(x+Δx)就是障碍物下一时刻的预测位置；
若x1>x2，那么(x-Δx，f(x-Δx)就是障碍物下一时刻的预测位置；其中Δx为阈值。
以上可以看出，本实施例提供的障碍物运动轨迹预测方法由于首先获取目标障碍物在连续多个时刻所对应的跟踪点位置数据，并对所述跟踪点位置数据进行过滤；然后，选择函数模型，采用随机采样一致性算法根据过滤后的跟踪点位置数据求解所述函数模型中参数的初始值；根据所述函数模型构建最小二乘问题，并采用梯度下降算法结合所述参数的初始值求解所述最小二乘问题，以获取优化后的模型参数；最后，将优化后的模型参数代入所述函数模型得到优化后的函数，并根据优化后的函数计算所述目标障碍物下一时刻的预测位置，其将障碍物运动轨迹预测问题转化为最小二乘问题，其无需知道障碍物的运动状态，对测量噪声不敏感，提高了障碍物运动轨迹预测结果的准确性，且降低了算法的计算量，提高了实时性；此外，还可以支持同时对多个障碍物运动轨迹进行预测。
实施例二
图2是本发明实施例二提供的障碍物运动轨迹预测系统的结构示意图，该系统可位于本发明实施例所述的障碍物运动轨迹预测设备的处理器中。为了便于说明仅仅示出了与本实施例相关的部分。
参见图2所示，本实施例提供的障碍物运动轨迹系统2包括：
跟踪点过滤单元21，用于获取目标障碍物在连续多个时刻所对应的跟踪点位置数据，并对所述跟踪点位置数据进行过滤；
模型参数估算单元22，用于选择函数模型，采用随机采样一致性算法根据过滤后的跟踪点位置数据求解所述函数模型中参数的初始值；
模型参数优化单元23，用于根据所述函数模型构建最小二乘问题，并采用梯度下降算法结合所述参数的初始值求解所述最小二乘问题，以获取优化后的模型参数；
位置预测单元24，用于将优化后的模型参数代入所述函数模型得到优化后的函数，并根据所述优化后的函数计算所述目标障碍物下一时刻的预测位置。
可选的，所述模型参数估算单元22具体用于：
从过滤后的跟踪点位置数据中随机选择一组局内跟踪点位置数据，根据所述局内跟踪点位置数据求解所述函数模型对应的函数；
用求解出的函数去测试其他跟踪点位置数据，获取所述求解出的函数的假设局内点；其中，若某个跟踪点位置适用所述函数模型，则该跟踪点位置为所述函数的假设局内点；
判断所述求解出的函数的假设局内点的个数是否达到第一预设阈值；
若所述求解出的函数的假设局内点的个数达到第一预设阈值，则用所述求解出的函数的所有假设的局内点重新求解所述函数模型对应的函数；
返回到用求解出的函数去测试其他跟踪点位置数据，获取所述求解出的函数的假设局内点的步骤重复执行上述流程，直至求解出的函数的假设局内点的个数达到第二预设阈值。
可选的，所述模型参数估算单元22还用于：
若所述求解出的函数的假设局内点的个数未达到所述第一预设阈值，则放弃所述函数模型，并返回到所述从过滤后的跟踪点位置数据中随机选择一组局内跟踪点位置数据，根据所述局内跟踪点位置数据求解所述函数模型的步骤。
可选的，所述模型参数优化单元23具体用于：
采用最速下降法、牛顿法、高斯牛顿法或者列文伯格-马夸尔特方法中的任一种算法结合所述参数的初始值求解所述最小二乘问题，以获取优化后的模型参数。
需要说明的是，本发明实施例的系统与上述实施例一的障碍物运动轨迹预测方法属于同一构思，其具体实现过程详细见方法实施例，且方法实施例中的技术特征在本设备实施例中均对应适用，这里不再赘述。
实施例三
图3是本发明实施例三提供的障碍物运动轨迹预测设备的结构示意图，为了便于说明仅仅示出了与本实施例相关的部分。
参见图3所示，本实施例提供的障碍物运动轨迹预测设备3包括存储器31、处理器32及存储在所述存储器31上并可在所述处理器32上运行的计算机程序33，该所述计算机程序33被所述处理器32执行时，实现如上述实施例一所述的障碍物运动轨迹预测方法的步骤。
其中，所述障碍物运动轨迹预测设备3包括但不限于移动机器人。
需要说明的是，本发明实施例的设备与上述实施例一的障碍物运动轨迹预测方法属于同一构思，其具体实现过程详细见方法实施例，且方法实施例中的技术特征在本设备实施例中均对应适用，这里不再赘述。
实施例四
本发明实施例四提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求1至4中任一项所述的障碍物运动轨迹预测方法的步骤。
需要说明的是，本发明实施例的计算机可读存储介质由于与上述实施例一的障碍物运动轨迹预测方法属于同一构思，其具体实现过程详细见方法实施例，且方法实施例中的技术特征在本设备实施例中均对应适用，这里不再赘述。
本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可被实施为软件、固件、硬件及其适当的组合。
在硬件实施方式中，在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分；例如，一个物理组件可以具有多个功能，或者一个功能或步骤可以由若干物理组件合作执行。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。
以上参照附图说明了本发明的优选实施例，并非因此局限本发明的权利范围。本领域技术人员不脱离本发明的范围和实质内所作的任何修改、等同替换和改进，均应在本发明的权利范围之内。

Claims (10)

1.一种障碍物运动轨迹预测方法，其特征在于，包括：
获取目标障碍物在连续多个时刻所对应的跟踪点位置数据，并对所述跟踪点位置数据进行过滤；
选择函数模型，采用随机采样一致性算法根据过滤后的跟踪点位置数据求解所述函数模型中参数的初始值；
根据所述函数模型构建最小二乘问题，并采用梯度下降算法结合所述参数的初始值求解所述最小二乘问题，以获取优化后的模型参数；
将优化后的模型参数代入所述函数模型得到优化后的函数，并根据所述优化后的函数计算所述目标障碍物下一时刻的预测位置。
2.如权利要求1所述的障碍物运动轨迹预测方法，其特征在于，所述采用随机采样一致性算法根据过滤后的跟踪点位置数据求解所述函数模型中参数的初始值包括：
从过滤后的跟踪点位置数据中随机选择一组局内跟踪点位置数据，根据所述局内跟踪点位置数据求解所述函数模型对应的函数；
用求解出的函数去测试其他跟踪点位置数据，获取所述求解出的函数的假设局内点；其中，若某个跟踪点位置适用所述函数，则该跟踪点位置为所述函数的假设局内点；
判断所述求解出的函数的假设局内点的个数是否达到第一预设阈值；
若所述求解出的函数的假设局内点的个数达到第一预设阈值，则用所述求解出的函数的所有假设的局内点重新求解所述函数模型对应的函数；
返回到用求解出的函数去测试其他跟踪点位置数据，获取所述求解出的函数的假设局内点的步骤重复执行上述流程，直至求解出的函数的假设局内点的个数达到第二预设阈值。
3.如权利要求2所述的障碍物运动轨迹预测方法，其特征在于，所述判断所述求解出的函数的假设内点的个数是否达到第一预设阈值之后还包括：
若所述求解出的函数的假设局内点的个数未达到所述第一预设阈值，则放弃所述函数模型，并返回到所述从过滤后的跟踪点位置数据中随机选择一组局内跟踪点位置数据，根据所述局内跟踪点位置数据求解所述函数模型的步骤。
4.如权利要求1所述的障碍物运动轨迹预测方法，其特征在于，所述采用梯度下降算法结合所述参数的初始值求解所述最小二乘问题，以获取优化后的模型参数包括：
采用最速下降法、牛顿法、高斯牛顿法或者列文伯格-马夸尔特方法中的任一种算法结合所述参数的初始值求解所述最小二乘问题，以获取优化后的模型参数。
5.一种障碍物运动轨迹预测系统，其特征在于，包括：
跟踪点过滤单元，用于获取目标障碍物在连续多个时刻所对应的跟踪点位置数据，并对所述跟踪点位置数据进行过滤；
模型参数估算单元，用于选择函数模型，采用随机采样一致性算法根据过滤后的跟踪点位置数据求解所述函数模型中参数的初始值；
模型参数优化单元，用于根据所述函数模型构建最小二乘问题，并采用梯度下降算法结合所述参数的初始值求解所述最小二乘问题，以获取优化后的模型参数；
位置预测单元，用于将优化后的模型参数代入所述函数模型得到优化后的函数，并根据所述优化后的函数计算所述目标障碍物下一时刻的预测位置。
6.如权利要求5所述的障碍物运动轨迹预测系统，其特征在于，所述模型参数估算单元具体用于：
从过滤后的跟踪点位置数据中随机选择一组局内跟踪点位置数据，根据所述局内跟踪点位置数据求解所述函数模型对应的函数；
用求解出的函数去测试其他跟踪点位置数据，获取所述求解出的函数的假设局内点；其中，若某个跟踪点位置适用所述函数模型，则该跟踪点位置为所述函数的假设局内点；
判断所述求解出的函数的假设局内点的个数是否达到第一预设阈值；
若所述求解出的函数的假设局内点的个数达到第一预设阈值，则用所述求解出的函数的所有假设的局内点重新求解所述函数模型对应的函数；
返回到用求解出的函数去测试其他跟踪点位置数据，获取所述求解出的函数的假设局内点的步骤重复执行上述流程，直至求解出的函数的假设局内点的个数达到第二预设阈值。
7.如权利要求6所述的障碍物运动轨迹预测系统，其特征在于，所述模型参数估算单元还用于：
若所述求解出的函数的假设局内点的个数未达到所述第一预设阈值，则放弃所述函数模型，并返回到所述从过滤后的跟踪点位置数据中随机选择一组局内跟踪点位置数据，根据所述局内跟踪点位置数据求解所述函数模型的步骤。
8.如权利要求5所述的障碍物运动轨迹预测系统，其特征在于，所述模型参数优化单元具体用于：
采用最速下降法、牛顿法、高斯牛顿法或者列文伯格-马夸尔特方法中的任一种算法结合所述参数的初始值求解所述最小二乘问题，以获取优化后的模型参数。
9.一种障碍物运动轨迹预测设备，其特征在于，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，该所述计算机程序被所述处理器执行时，实现如权利要求1至4中任一项所述的障碍物运动轨迹预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现如权利要求1至4中任一项所述的障碍物运动轨迹预测方法的步骤。
CN201911141808.0A 2019-11-20 2019-11-20 障碍物运动轨迹预测方法、系统、设备及计算机可读存储介质 Active CN112824832B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911141808.0A CN112824832B (zh) 2019-11-20 2019-11-20 障碍物运动轨迹预测方法、系统、设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911141808.0A CN112824832B (zh) 2019-11-20 2019-11-20 障碍物运动轨迹预测方法、系统、设备及计算机可读存储介质

Publications (2)

Publication Number Publication Date
CN112824832A true CN112824832A (zh) 2021-05-21
CN112824832B CN112824832B (zh) 2024-07-19

Family

ID=75906928

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911141808.0A Active CN112824832B (zh) 2019-11-20 2019-11-20 障碍物运动轨迹预测方法、系统、设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN112824832B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040073368A1 (en) * 2002-05-10 2004-04-15 Hector Gonzalez-Banos Real-time target tracking of an unpredictable target amid unknown obstacles
US20120007779A1 (en) * 2009-03-19 2012-01-12 Martin Klepal location and tracking system
CN106023244A (zh) * 2016-04-13 2016-10-12 南京邮电大学 基于最小二乘法轨迹预测及智能避障模型的行人跟踪方法
US20180045814A1 (en) * 2016-08-11 2018-02-15 Rodradar Ltd. Wire and pylon classification based on trajectory tracking
CN108657176A (zh) * 2017-04-01 2018-10-16 华为技术有限公司 车辆控制方法、装置及相关计算机程序产品
CN108983777A (zh) * 2018-07-23 2018-12-11 浙江工业大学 一种基于自适应前沿探索目标点选取的自主探索与避障方法
CN109491389A (zh) * 2018-11-23 2019-03-19 河海大学常州校区 一种具有速度约束的机器人轨迹跟踪方法
CN109927719A (zh) * 2017-12-15 2019-06-25 百度在线网络技术（北京）有限公司 一种基于障碍物轨迹预测的辅助驾驶方法和系统
CN110216715A (zh) * 2019-06-28 2019-09-10 炬星科技（深圳）有限公司 机器人导航性能测试方法、系统、测试终端及存储介质
CN110244756A (zh) * 2019-04-29 2019-09-17 福州大学 无人机快速追踪协同避障方法
CN110293968A (zh) * 2019-06-18 2019-10-01 百度在线网络技术（北京）有限公司 自动驾驶车辆的控制方法、装置、设备及可读存储介质
CN110377031A (zh) * 2019-06-28 2019-10-25 炬星科技（深圳）有限公司 运动模型更新方法、装置、电子设备及存储介质

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040073368A1 (en) * 2002-05-10 2004-04-15 Hector Gonzalez-Banos Real-time target tracking of an unpredictable target amid unknown obstacles
US20120007779A1 (en) * 2009-03-19 2012-01-12 Martin Klepal location and tracking system
CN106023244A (zh) * 2016-04-13 2016-10-12 南京邮电大学 基于最小二乘法轨迹预测及智能避障模型的行人跟踪方法
US20180045814A1 (en) * 2016-08-11 2018-02-15 Rodradar Ltd. Wire and pylon classification based on trajectory tracking
CN108657176A (zh) * 2017-04-01 2018-10-16 华为技术有限公司 车辆控制方法、装置及相关计算机程序产品
CN109927719A (zh) * 2017-12-15 2019-06-25 百度在线网络技术（北京）有限公司 一种基于障碍物轨迹预测的辅助驾驶方法和系统
CN108983777A (zh) * 2018-07-23 2018-12-11 浙江工业大学 一种基于自适应前沿探索目标点选取的自主探索与避障方法
CN109491389A (zh) * 2018-11-23 2019-03-19 河海大学常州校区 一种具有速度约束的机器人轨迹跟踪方法
CN110244756A (zh) * 2019-04-29 2019-09-17 福州大学 无人机快速追踪协同避障方法
CN110293968A (zh) * 2019-06-18 2019-10-01 百度在线网络技术（北京）有限公司 自动驾驶车辆的控制方法、装置、设备及可读存储介质
CN110216715A (zh) * 2019-06-28 2019-09-10 炬星科技（深圳）有限公司 机器人导航性能测试方法、系统、测试终端及存储介质
CN110377031A (zh) * 2019-06-28 2019-10-25 炬星科技（深圳）有限公司 运动模型更新方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN112824832B (zh) 2024-07-19

Similar Documents

Publication Publication Date Title
CN110632921B (zh) 机器人路径规划方法、装置、电子设备和存储介质
US9594150B2 (en) Determining device locations using movement, signal strength
US11537138B2 (en) Adaptive region division method and system
CN109521757B (zh) 静态障碍物识别方法和装置
US10011276B2 (en) Collision avoidance device
JP6202158B2 (ja) 対象追跡方法及び装置
US11373412B2 (en) Obstacle map generating method and apparatus
CN112673277B (zh) 用于雷达应用的运动辅助泄漏去除
CN113432533B (zh) 一种机器人定位方法、装置、机器人及存储介质
CN113093221A (zh) 占据栅格地图的生成方法及装置
CN111942374A (zh) 一种障碍物地图生成方法、装置、车辆及存储介质
CN109341698B (zh) 一种移动机器人的路径选择方法及装置
JP2018066716A (ja) 物体追跡装置
CN113110498A (zh) 基于单点tof的机器人脱困方法
CN105446605B (zh) 信息处理方法及电子设备
CN114812539A (zh) 地图探索、地图使用方法、装置、机器人和存储介质
CN109218961B (zh) 一种基于虚拟节点的多站协同干扰定位方法及系统
WO2021246169A1 (ja) 情報処理装置、情報処理システム、および方法、並びにプログラム
KR102362817B1 (ko) 무선 신호세기 기반의 파티클 필터를 이용한 실내 위치추적 방법 및 장치
CN110426714A (zh) 一种障碍物识别方法
CN117250606A (zh) 轨迹跟踪方法、装置、设备及存储介质
JP7407018B2 (ja) 捜索支援システム、捜索支援方法
CN112824832B (zh) 障碍物运动轨迹预测方法、系统、设备及计算机可读存储介质
CN115437369A (zh) 路径规划方法、装置、电子设备及存储介质
CN111442777A (zh) 路径规划方法、装置、电子设备及存储介质

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 518000 Room 401, block D, building 7, Shenzhen International Innovation Valley, Dashi 1st Road, Xili community, Xili street, Nanshan District, Shenzhen, Guangdong

Applicant after: JUXING TECHNOLOGY (SHENZHEN) Co.,Ltd.

Address before: 518000 building 101, building R3b, Gaoxin industrial village, No.018, Gaoxin South 7th Road, community, high tech Zone, Yuehai street, Nanshan District, Shenzhen City, Guangdong Province

Applicant before: JUXING TECHNOLOGY (SHENZHEN) Co.,Ltd.

GR01 Patent grant
GR01 Patent grant