CN114049602B - 一种基于意图推理的逃逸目标跟踪方法及系统 - Google Patents
一种基于意图推理的逃逸目标跟踪方法及系统 Download PDFInfo
- Publication number
- CN114049602B CN114049602B CN202111271871.3A CN202111271871A CN114049602B CN 114049602 B CN114049602 B CN 114049602B CN 202111271871 A CN202111271871 A CN 202111271871A CN 114049602 B CN114049602 B CN 114049602B
- Authority
- CN
- China
- Prior art keywords
- target
- escape
- probability
- destination
- node
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Abstract
一种基于意图推理的逃逸目标跟踪方法及系统,涉及目标跟踪技术领域,用以解决现有技术对于逃逸目标跟踪效果差且跟踪效率低的问题。本发明的技术要点包括:根据先验信息,利用贝叶斯推理方法计算逃逸目标到达目的地集合中每个目的地的概率;根据获得的概率,利用蒙特卡洛采样方法预测逃逸目标的未来轨迹;根据预测的未来轨迹计算获得在固定时间段内发现逃逸目标的概率;根据发现逃逸目标的概率,利用蒙特卡洛采样方法规划每一时刻搜索位置;按照规划的每一时刻搜索位置搜索逃逸目标。本发明能够快速搜索逃逸出跟踪视野的目标,从而实现对目标的持续跟踪。本发明可应用于实时运动目标跟踪中。
Description
技术领域
本发明涉及目标跟踪技术领域,具体涉及一种基于意图推理的逃逸目标跟踪方法及系统。
背景技术
目标跟踪一般是首先预测目标未来的轨迹,然后根据对目标未来轨迹的预测规划无人机的动作,以最大化未来目标的检测概率或最小化目标状态的不确定性。文献[1]提出了一种路径规划算法,用于跟踪城市环境中的移动目标,目标状态由动态栅格网格建模并由贝叶斯滤波器预测,同时提出了一种基于树搜索的路径规划方法,以最大化有限范围内检测到目标的概率之和。为了更有效地利用对城市环境中运动目标的观测状态,文献[2]使用机器学习算法从观测中学习目标运动的模型,然后将其与传统的目标运动模型相结合来预测目标轨迹。文献[3]将目标跟踪问题建模为模型预测控制问题,并使用改进的灰狼优化器求解,该优化器用于获得无人机的最佳轨迹。目标的未来运动由无迹卡尔曼滤波器预测。文献[4]假设目标具有各种运动模型,并利用多模型交互滤波器与状态向量融合来预测目标运动。然后,在分布式模型预测控制框架下以博弈方法为求解器优化多无人机的路径。文献[5]将未知地面目标的搜索和跟踪问题建模为分布式预测控制框架下的模糊多目标路径规划问题。当目标沿道路移动时,目标的运动由扩展卡尔曼滤波器预测,当目标位于道路交叉口时使用概率估计。
尽管对目标跟踪问题已经有了大量研究,但上述研究并没有关注对具有规避行为的目标的跟踪。具有规避行为的目标可以通过对抗性行为逃避无人机的跟踪,从而使跟踪目标变得更加困难。利用上述文献的方法跟踪具有规避行为的目标时,跟踪效率极低,无法对目标进行实时跟踪,且当目标逃离无人机的观测视野后,很难再次捕获到目标。
发明内容
鉴于以上问题,本发明提出一种基于意图推理的逃逸目标跟踪方法及系统,用以解决现有技术对于逃逸目标跟踪效果差且跟踪效率低的问题。
根据本发明一方面,提出一种基于意图推理的逃逸目标跟踪方法,该方法包括以下步骤:
步骤一、获取逃逸目标的目的地集合;
步骤二、根据先验信息,利用贝叶斯推理方法计算获得逃逸目标到达目的地集合中每个目的地的概率;
步骤三、根据逃逸目标到达目的地集合中每个目的地的概率,利用蒙特卡洛采样方法预测逃逸目标的未来轨迹;
步骤四、根据预测的未来轨迹计算获得在固定时间段内发现逃逸目标的概率;
步骤五、根据在固定时间段内发现逃逸目标的概率,利用蒙特卡洛采样方法规划每一时刻搜索位置;
步骤六、按照规划的每一时刻搜索位置搜索逃逸目标,从而对逃逸目标进行跟踪。
进一步地,步骤二中逃逸目标到达目的地集合中每个目的地的概率计算公式为:
式中:表示t时刻目标轨迹;表示根据t时刻目标轨迹推理出的逃逸到目的地gi的概率;表示给定目的地gi,目标由位置移动到的似然概率;表示根据t-1时刻目标轨迹推理出的逃逸到目的地gi的概率;其中,所述似然概率计算公式为:
进一步地,步骤三的具体步骤包括:逃逸目标从不同位置到不同目的地的轨迹路线总数用表示,分配给每个目的地的采样轨迹路线数目与步骤二中逃逸目标到达目的地集合中每个目的地的概率成正比例关系,采样轨迹路线数目计算公式为:
在采样的条轨迹路线上记录目标经过两个相邻位置节点的时间tT(vi)与tT(vj),其中位置节点vj为位置节点vi的邻居节点;每条采样轨迹上逃逸目标的移动速度为最后一次观测到的移动速度;将移动速度乘以时间即获得下一时刻逃逸目标所在位置,从而预测逃逸目标的未来轨迹。
进一步地,步骤四的具体步骤包括:当逃逸目标由位置节点vi向位置节点vj移动,目标搜索跟踪是由位置节点vi向位置节点vj移动,则在时间段[t1,t2]内发现逃逸目标的概率计算如下:
式中,E(vi,vj,t1,t2)表示在时间段[t1,t2]内发现逃逸目标由位置节点vi向位置节点vj移动;
当逃逸目标由位置节点vi向位置节点vj移动,目标搜索跟踪是由位置节点vj向位置节点vi移动,则在时间段[t1,t2]内发现逃逸目标的概率计算如下:
进一步地,步骤五的具体步骤包括:从位置节点的子节点采样条从位置节点到各个目的地gi深度为Hp-1的轨迹;在条采样轨迹中选择目的地gi的概率为推理得到的概率在每条采样轨迹中记录搜索跟踪经过相邻节点的时间tU(vU(t))和tU(vU(t+1));则从位置节点出发,深度为Hp-1的搜索轨迹发现逃逸目标的累计概率计算如下:
根据本发明另一方面,提出一种基于意图推理的逃逸目标跟踪系统,该系统包括:
目的地获取模块,用于获取逃逸目标的目的地集合;
概率计算模块,用于根据先验信息,利用贝叶斯推理方法计算逃逸目标到达目的地集合中每个目的地的概率;
轨迹预测模块,用于根据到达目的地集合中每个目的地的概率,利用蒙特卡洛采样方法预测逃逸目标的未来轨迹;
发现概率计算模块,用于根据预测的未来轨迹计算获得在固定时间段内发现逃逸目标的概率;
搜索位置规划模块,用于根据在固定时间段内发现逃逸目标的概率,利用蒙特卡洛采样方法规划每一时刻搜索位置;
目标搜索模块,用于按照规划的每一时刻搜索位置搜索逃逸目标,从而对逃逸目标进行跟踪。
进一步地,所述轨迹预测模块中逃逸目标到达目的地集合中每个目的地的概率计算公式为:
进一步地,所述轨迹预测模块中利用蒙特卡洛采样方法预测逃逸目标未来轨迹的具体步骤包括:逃逸目标从不同位置到不同目的地的轨迹路线总数用表示,分配给每个目的地的采样轨迹路线数目与逃逸目标到达目的地集合中每个目的地的概率成正比例关系,采样轨迹路线数目计算公式为:
在采样的条轨迹路线上记录目标经过两个相邻位置节点的时间tT(vi)与tT(vj),其中位置节点vj为位置节点vi的邻居节点;每条采样轨迹上逃逸目标的移动速度为最后一次观测到的移动速度;将移动速度乘以时间即获得下一时刻逃逸目标所在位置,从而预测逃逸目标的未来轨迹。
进一步地,所述发现概率计算模块中计算获得在固定时间段内发现逃逸目标概率的具体步骤包括:当逃逸目标由位置节点vi向位置节点vj移动,目标搜索跟踪是由位置节点vi向位置节点vj移动,则在时间段[t1,t2]内发现逃逸目标的概率计算如下:
式中,E(vi,vj,t1,t2)表示在时间段[t1,t2]内发现逃逸目标由位置节点vi向位置节点vj移动;
当逃逸目标由位置节点vi向位置节点vj移动,目标搜索跟踪是由位置节点vj向位置节点vi移动,则在时间段[t1,t2]内发现逃逸目标的概率计算如下:
进一步地,所述搜索位置规划模块中利用蒙特卡洛采样方法规划每一时刻搜索位置的具体步骤包括:从位置节点的子节点采样条从位置节点到各个目的地gi深度为Hp-1的轨迹;在条采样轨迹中选择目的地gi的概率为推理得到的概率在每条采样轨迹中记录搜索跟踪经过相邻节点的时间tU(vU(t))和tU(vU(t+1));则从位置节点出发,深度为Hp-1的搜索轨迹发现逃逸目标的累计概率计算如下:
本发明的有益技术效果是:
本发明首先提出目标轨迹预测方法以准确预测目标未来轨迹,为目标搜索跟踪提供指导;进一步提出基于蒙特卡洛采样方法根据目标未来轨迹规划搜索目标行为,快速搜索到逃逸出跟踪视野的目标,从而实现对目标的持续跟踪。相比于传统目标跟踪算法,本发明具有以下优势:1)对目标意图的推理可以增强对目标行为的理解,从而对目标未来的轨迹进行有效的预测;2)当目标逃逸出跟踪范围时,可通过对目标意图的推理以及对未来轨迹的预测,指导对目标的搜索跟踪行为,从而实现在无目标信息情况下的目标搜索与跟踪;3)通过对目标未来轨迹的预测,可以有效规划对目标的搜索跟踪行为,减少了再次捕获逃逸目标的所用时间以及资源。
附图说明
本发明可以通过参考下文中结合附图所给出的描述而得到更好的理解,所述附图连同下面的详细说明一起包含在本说明书中并且形成本说明书的一部分,而且用来进一步举例说明本发明的优选实施例和解释本发明的原理和优点。
图1是本发明一种基于意图推理的逃逸目标跟踪方法的流程图。
图2是本发明实施例中搜索跟踪背景环境示意图。
图3是本发明实施例中搜索跟踪过程1示意图。
图4是本发明实施例中搜索跟踪过程2示意图。
图5是本发明实施例中搜索跟踪过程3示意图。
图6是本发明实施例中搜索跟踪过程4示意图。
图7是本发明实施例中搜索跟踪过程5示意图。
图8是本发明实施例中搜索跟踪过程6示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,在下文中将结合附图对本发明的示范性实施方式或实施例进行描述。显然,所描述的实施方式或实施例仅是本发明一部分的实施方式或实施例,而不是全部的。基于本发明中的实施方式或实施例,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方式或实施例,都应当属于本发明保护的范围。
逃逸目标意图推理是指对目标可能逃逸的若干目标地点的可能性进行推理,通过对目标意图的推理,可以有效预测目标的未来轨迹,从而指导对目标的跟踪行为。因此,为实现对具有逃逸行为的目标进行持续跟踪,本发明提出一种基于意图推理的逃逸目标跟踪方法及系统。首先根据环境区域确定目标可能逃逸前往的目标点;然后通过贝叶斯推理方法根据目标的运动轨迹推理出目标前往这些目标点的可能性大小,同时根据目标点的可能性预测目标的未来轨迹;最后根据预测的目标轨迹指导对目标的跟踪行为,实现对逃逸目标的持续跟踪。
贝叶斯推理(Bayesian inference)是推论统计的一种方法。这种方法使用贝叶斯定理,在有更多证据及信息时,更新特定假设的概率。贝叶斯推断是统计学(特别是数理统计学)中很重要的技巧之一。贝叶斯更新(Bayesian updating)在序列分析中格外的重要。贝叶斯推断应用在许多的领域中,包括科学、工程学、哲学、医学、体育运动、法律等。在决策论的哲学中,贝叶斯推理和主观概率有密切关系,常常称为贝叶斯概率。贝叶斯推理将后验概率(考虑相关证据或数据后,某一事件的条件机率)推导为二个前件、先验概率(考虑相关证据或数据前,某一事件不确定性的机率)及似然函数(由概率模型推导而得)的结果。贝叶斯推断根据贝叶斯定理计算后验概率:
式中:H表示假说;E表示证据;P(H|E)表示后验概率是在给定证据E之后假说H的机率。P(E|H)是假定H成立时,观察到E的机率。P(E)有时会称为边缘似然率。此系数对所有可能的假说都是定值,因此在判断不同假说的相对机率时,不会用到这个系数中。
蒙特卡罗方法(Monte Carlo Simulation)是一种随机模拟(或者统计模拟)方法。蒙特卡洛方法是一种近似推断的方法,通过采样大量粒子的方法来求解期望、均值、面积、积分等问题,蒙特卡洛对某一种分布的采样方法有直接采样、接受拒绝采样与重要性采样三种,直接采样最简单,但是需要已知累积分布的形式。接受拒绝采样与重要性采样适用于原分布未知的情况,这两种方法都是给出一个提议分布,不同的是接受拒绝采样对不满足原分布的粒子予以拒绝,而重要性采样则是给予每个粒子不同的权重。
本发明实施例提供一种基于意图推理的逃逸目标跟踪方法,如图1所示,该方法包括以下步骤:
步骤一:根据目标所处的环境,推断目标可能逃逸的目的地,根据先验信息推断目标逃逸到各个目的地的可能性大小,具体包括以下步骤:
根据本发明实施例,根据目标所处的地理环境,首先推断目标可能逃逸的目的地集合g,目标的真实意图即目标的真实目的地gT(gT∈g)为目的地集合中的一个;然后可根据已掌握的先验信息,推断目标前往各个目的地的可能性大小P(gi)。
步骤二:观测目标的移动轨迹,根据目标轨迹推理目标逃逸到各目的地大小的可能性;
根据本发明实施例,采取贝叶斯推理方法推理目标的意图,即逃逸到各目的地的可能性大小。目标的轨迹记录为表示从初始时刻到t时刻观测到的目标轨迹。目标逃逸到各目的地的可能性大小则可以由贝叶斯定理推理得出,如下式所示:
目标在给定目的地之后的运动似然概率由下式计算得到:
步骤三:基于步骤二推理得到的目标逃逸到各个目的地的可能性大小预测目标的未来轨迹;
在采样的条轨迹上记录目标经过两个相邻位置节点的时间tT(vi)与tT(vj),其中节点vj为节点vi的邻居节点,即vj(vj∈χ(vi))。每条采样轨迹上目标的移动速度为最后一次观测到的目标的移动速度,将移动速度乘以时间即获得下一时刻逃逸目标所在位置。通过以上采样方法可以预测目标未来的轨迹,即未来某个时刻目标可能所在的位置。
步骤四:根据步骤三得到的目标未来轨迹计算未来发现目标的概率;
根据本发明实施例,根据预测的目标未来轨迹计算在未来时间段[t1,t2]发现目标的概率。当目标由位置节点vi向位置节点vj移动时,若目标搜索跟踪系统由位置节点vi向位置节点vj移动,则在时间段[t1,t2]内发现目标的概率计算如下:
式中:E(vi,vj,t1,t2)表示在时间段[t1,t2]内发现目标由位置节点vi向位置节点vj移动。
当目标由位置节点vi向位置节点vj移动时,若目标搜索跟踪系统由位置节点vj向位置节点vi移动,则在时间段[t1,t2]内发现目标的概率计算如下:
步骤五:根据步骤四得到的在未来发现目标的概率大小规划搜索跟踪系统的搜索行为;
根据本发明实施例,利用蒙特卡洛采样规划方法根据未来发现目标的概率规划搜索跟踪系统的搜索行为。当目标逃逸出搜索跟踪系统的视野后,搜索跟踪系统计算由当前位置节点出发,搜索深度为Hp的搜索方式发现目标的累计概率。首先从位置节点的子节点采样条从位置节点到各目的地gi(gi∈g)深度为Hp-1的轨迹,在这些采样轨迹中,选择目的地gi的概率为推理得到的后验概率搜索跟踪系统的移动速度为其最大移动速度。在每条采样轨迹中,记录搜索跟踪系统经过两相邻节点的时间tU(vU(t))和tU(vU(t+1))。从节点出发,深度为Hp-1的搜索轨迹发现目标的累计概率计算如下:
步骤六:搜索跟踪系统前往步骤五得到的位置节点搜索目标。
进一步通过实验验证本发明的有益效果。
采用数字仿真方式验证本发明的正确性以及合理性。首先在Python环境中构建一个虚拟的目标搜索环境,其中环境背景为一个城市街道环境,目标在城市街道中移动,搜索跟踪系统为一个旋翼无人机,负责对目标进行持续跟踪,验证场景如图2所示。目标的最大速度为7m/s,无人机的最大速度为5m/s,因此目标可通过加速逃逸无人机的视野。当目标逃逸出无人机的观测视野之后,无人机需要对目标的意图进行推理,然后规划其搜索路径以再次搜索到目标。仿真测试软件环境为Windows 10+Python3.7,硬件环境为AMD Ryzen 53550H CPU+16.0GB RAM。
通过一次搜索跟踪过程实验验证本发明方法的有效性。搜索过程如图3、4、5、6、7、8所示。图中,星形表示目标位置,方形框表示无人机探测范围,方形块表示目标起点,三角形表示目标的终点,点线表示目标轨迹,实线表示无人机轨迹,点划线表示目标规划的从起点到终点的全局路径,虚线圆圈表示街道交点传感器的探测范围,小圆点表示预测的目标轨迹,菱形表示预测的目标的终点位置的可能性,菱形所表示的值越大,预测其为目标终点的可能性越大。
如图3所示,当t=20.4s时,目标在无人机的视野里,预测的目标轨迹为目标下个节点到各个目标区域的可能路径,由于目标刚开始运动,因此对目标终点位置区域的预测可能性大小相同,因此目标的预测轨迹较为均匀的分布在可能的路径上。随着目标持续向上运动,目标的终点位置分布倾向于地图上边的位置;如图4所示,同时预测的目标轨迹也向这些终点位置靠近,可以看出,在这个阶段,由于目标的加速逃逸运动,目标已经逃离了无人机的视野;由图5可以看出,无人机在搜索已经逃离其视野的目标,而目标被布置的地面传感器探测到,基于这个信息,无人机更新了对目标终点位置以及未来轨迹的预测。基于此预测信息,无人机在t=152.0s时再一次捕获目标,如图6所示。之后,在目标向终点运动的过程中,无人机可以一直跟踪目标,如图7和图8所示。
本发明可实现对逃逸目标意图的推理,从而实现对逃逸目标的持续跟踪,对跟踪具有对抗逃逸行为的目标提供了新的技术思路。
本发明另一实施例提供一种基于意图推理的逃逸目标跟踪系统,该系统包括:
目的地获取模块,用于获取逃逸目标的目的地集合;
概率计算模块,用于根据先验信息,利用贝叶斯推理方法计算逃逸目标到达目的地集合中每个目的地的概率;概率计算公式为:
轨迹预测模块,用于根据逃逸目标到达目的地集合中每个目的地的概率,利用蒙特卡洛采样方法预测逃逸目标的未来轨迹;具体步骤包括:逃逸目标从不同位置到不同目的地的轨迹路线总数用表示,分配给每个目的地gi的采样轨迹路线数目与推理得到的概率成正比例关系,计算公式如下:
在采样的条轨迹路线上记录目标经过两个相邻位置节点的时间tT(vi)与tT(vj),其中位置节点vj为位置节点vi的邻居节点;每条采样轨迹上逃逸目标的移动速度为最后一次观测到的移动速度;将移动速度乘以时间即获得下一时刻逃逸目标所在位置,从而预测逃逸目标的未来轨迹;
发现概率计算模块,用于根据预测的未来轨迹计算获得在固定时间段内发现逃逸目标的概率;具体步骤包括:当逃逸目标由位置节点vi向位置节点vj移动,目标搜索跟踪是由位置节点vi向位置节点vj移动,则在时间段[t1,t2]内发现逃逸目标的概率计算如下:
式中,E(vi,vj,t1,t2)表示在时间段[t1,t2]内发现逃逸目标由位置节点vi向位置节点vj移动;
当逃逸目标由位置节点vi向位置节点vj移动,目标搜索跟踪是由位置节点vj向位置节点vi移动,则在时间段[t1,t2]内发现逃逸目标的概率计算如下:
搜索位置规划模块,用于根据在固定时间段内发现逃逸目标的概率,利用蒙特卡洛采样方法规划每一时刻搜索位置;具体步骤包括:从位置节点的子节点采样条从位置节点到各个目的地gi深度为Hp-1的轨迹;在条采样轨迹中选择目的地gi的概率为推理得到的概率在每条采样轨迹中记录搜索跟踪经过相邻节点的时间tU(vU(t))和tU(vU(t+1));则从位置节点出发,深度为Hp-1的搜索轨迹发现逃逸目标的累计概率计算如下:
目标搜索模块,用于按照规划的每一时刻搜索位置搜索逃逸目标,从而对逃逸目标进行跟踪。
本发明实施例所述一种基于意图推理的逃逸目标跟踪系统的功能可以由前述一种基于意图推理的逃逸目标跟踪方法说明,因此本实施例未详述部分可参见以上方法实施例,在此不再赘述。
尽管根据有限数量的实施例描述了本发明,但是受益于上面的描述,本技术领域内的技术人员明白,在由此描述的本发明的范围内,可以设想其它实施例。对于本发明的范围,对本发明所做的公开是说明性的,而非限制性的,本发明的范围由所附权利要求书限定。
本发明援引文献如下:
[1]Yu H,Meier K,Argyle M,et al.Cooperative path planning for targettracking in urban environments using unmanned air and ground vehicles[J].IEEE/ASME Transactions on Mechatronics,2014,20(2):541-552.
[2]Cook K,Bryan E,Yu H,et al.Intelligent cooperative control forurban tracking[J].Journal of Intelligent&Robotic Systems,2014,74(1):251-267.
[3]Yao P,Wang H,Ji H.Multi-UAVs tracking target in urban environmentby model predictive control and Improved Grey Wolf Optimizer[J].AerospaceScience and Technology,2016,55:131-143.
[4]Qi S,Yao P.Persistent tracking of maneuvering target using IMMfilter and DMPC by initialization-guided game approach[J].IEEE SystemsJournal,2019,13(4):4442-4453.
[5]Hu C,Zhang Z,Yang N,et al.Fuzzy multiobjective cooperativesurveillance of multiple UAVs based on distributed predictive control forunknown ground moving target in urban environment[J].Aerospace Science andTechnology,2019,84:329-338.
Claims (8)
1.一种基于意图推理的逃逸目标跟踪方法,其特征在于,包括以下步骤:
步骤一、获取逃逸目标的目的地集合;
步骤二、根据先验信息,利用贝叶斯推理方法计算获得逃逸目标到达目的地集合中每个目的地的概率;概率计算公式为:
式中,表示t时刻目标轨迹;表示根据t时刻目标轨迹推理出的逃逸到目的地gi的概率;表示给定目的地gi,目标由位置移动到的似然概率;表示根据t-1时刻目标轨迹推理出的逃逸到目的地gi的概率;其中,所述似然概率计算公式为:
步骤三、根据逃逸目标到达目的地集合中每个目的地的概率,利用蒙特卡洛采样方法预测逃逸目标的未来轨迹;
步骤四、根据预测的未来轨迹计算获得在固定时间段内发现逃逸目标的概率;
步骤五、根据在固定时间段内发现逃逸目标的概率,利用蒙特卡洛采样方法规划每一时刻搜索位置;
步骤六、按照规划的每一时刻搜索位置搜索逃逸目标,从而对逃逸目标进行跟踪。
5.一种基于意图推理的逃逸目标跟踪系统,其特征在于,包括:
目的地获取模块,用于获取逃逸目标的目的地集合;
概率计算模块,用于根据先验信息,利用贝叶斯推理方法计算逃逸目标到达目的地集合中每个目的地的概率;概率计算公式为:
轨迹预测模块,用于根据到达目的地集合中每个目的地的概率,利用蒙特卡洛采样方法预测逃逸目标的未来轨迹;
发现概率计算模块,用于根据预测的未来轨迹计算获得在固定时间段内发现逃逸目标的概率;
搜索位置规划模块,用于根据在固定时间段内发现逃逸目标的概率,利用蒙特卡洛采样方法规划每一时刻搜索位置;
目标搜索模块,用于按照规划的每一时刻搜索位置搜索逃逸目标,从而对逃逸目标进行跟踪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111271871.3A CN114049602B (zh) | 2021-10-29 | 2021-10-29 | 一种基于意图推理的逃逸目标跟踪方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111271871.3A CN114049602B (zh) | 2021-10-29 | 2021-10-29 | 一种基于意图推理的逃逸目标跟踪方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114049602A CN114049602A (zh) | 2022-02-15 |
CN114049602B true CN114049602B (zh) | 2022-06-14 |
Family
ID=80206489
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111271871.3A Active CN114049602B (zh) | 2021-10-29 | 2021-10-29 | 一种基于意图推理的逃逸目标跟踪方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114049602B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115080879B (zh) * | 2022-07-27 | 2023-05-02 | 白杨时代(北京)科技有限公司 | 一种位置搜索方法、装置、电子设备和可读存储介质 |
CN115963856A (zh) * | 2023-01-03 | 2023-04-14 | 广东工业大学 | 一种四旋翼无人机快速目标跟踪方法 |
CN115690163B (zh) * | 2023-01-04 | 2023-05-09 | 中译文娱科技(青岛)有限公司 | 基于影像内容的目标跟踪方法、系统及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003096054A2 (en) * | 2002-05-10 | 2003-11-20 | Honda Giken Kogyo Kabushiki Kaisha | Real-time target tracking of an unpredictable target amid unknown obstacles |
CN111798491A (zh) * | 2020-07-13 | 2020-10-20 | 哈尔滨工业大学 | 一种基于Elman神经网络的机动目标跟踪方法 |
WO2020228228A1 (zh) * | 2019-05-15 | 2020-11-19 | 南京莱斯信息技术股份有限公司 | 基于雷达轨迹构建机坪场面运动目标运行意图识别的方法 |
CN113313258A (zh) * | 2021-05-10 | 2021-08-27 | 中国人民解放军空军工程大学 | 一种基于意图分解的滑动时间窗动态贝叶斯意图推理方法 |
-
2021
- 2021-10-29 CN CN202111271871.3A patent/CN114049602B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2003096054A2 (en) * | 2002-05-10 | 2003-11-20 | Honda Giken Kogyo Kabushiki Kaisha | Real-time target tracking of an unpredictable target amid unknown obstacles |
WO2020228228A1 (zh) * | 2019-05-15 | 2020-11-19 | 南京莱斯信息技术股份有限公司 | 基于雷达轨迹构建机坪场面运动目标运行意图识别的方法 |
CN111798491A (zh) * | 2020-07-13 | 2020-10-20 | 哈尔滨工业大学 | 一种基于Elman神经网络的机动目标跟踪方法 |
CN113313258A (zh) * | 2021-05-10 | 2021-08-27 | 中国人民解放军空军工程大学 | 一种基于意图分解的滑动时间窗动态贝叶斯意图推理方法 |
Non-Patent Citations (1)
Title |
---|
面向目标对峙跟踪的四旋翼协同编队控制方法;邵星灵等;《无人系统技术》;20200115(第01期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114049602A (zh) | 2022-02-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114049602B (zh) | 一种基于意图推理的逃逸目标跟踪方法及系统 | |
CN109508000B (zh) | 异构多传感器多目标跟踪方法 | |
Chan et al. | Prediction of short-term traffic variables using intelligent swarm-based neural networks | |
CN107677997B (zh) | 基于GLMB滤波和Gibbs采样的扩展目标跟踪方法 | |
Tian et al. | Multi-target tracking method based on improved firefly algorithm optimized particle filter | |
JP2012524439A (ja) | カメラネットワークによる標的の位置決定用システムおよび方法 | |
Wei et al. | Camera control for learning nonlinear target dynamics via Bayesian nonparametric Dirichlet-process Gaussian-process (DP-GP) models | |
CN113743509A (zh) | 一种基于不完全信息的在线作战意图识别方法及装置 | |
Bai et al. | Information-driven path planning | |
Jacquemart et al. | Adaptive interacting particle system algorithm for aircraft conflict probability estimation | |
Pannetier et al. | Wireless sensor network for tactical situation assessment | |
JP4389046B2 (ja) | 状態ベクトル推定方法および自律型移動体 | |
Kathen et al. | Aquafel-pso: A monitoring system for water resources using autonomous surface vehicles based on multimodal pso and federated learning | |
Ramirez-Paredes et al. | Urban target search and tracking using a UAV and unattended ground sensors | |
Leung et al. | Evaluating set measurement likelihoods in random-finite-set slam | |
de Oude et al. | High-level tracking using bayesian context fusion | |
Ryan et al. | Information-theoretic sensor motion control for distributed estimation | |
Wang et al. | Biologically adaptive robust mean shift algorithm with Cauchy predator-prey BBO and space variant resolution for unmanned helicopter formation | |
de Oude et al. | Attractor-directed particle filtering with potential fields | |
Lv et al. | An improved FastSLAM 2.0 algorithm based on FC&ASD-PSO | |
Xu et al. | TrafficEKF: A learning based traffic aware extended Kalman filter | |
Pouya et al. | Performing active search to locate indication of ancient water on mars: An online, probabilistic approach | |
Claessens et al. | Context driven tracking using particle filters | |
Barkley et al. | Multi-target tracking and data association on road networks using unmanned aerial vehicles | |
Araújo et al. | Cooperative observation of malicious targets in a 3d urban traffic environment using uavs |
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 |