CN114861554A - 一种基于集员滤波的无人艇目标轨迹预测方法 - Google Patents

一种基于集员滤波的无人艇目标轨迹预测方法 Download PDF

Info

Publication number
CN114861554A
CN114861554A CN202210622945.1A CN202210622945A CN114861554A CN 114861554 A CN114861554 A CN 114861554A CN 202210622945 A CN202210622945 A CN 202210622945A CN 114861554 A CN114861554 A CN 114861554A
Authority
CN
China
Prior art keywords
target
track
unmanned ship
vertex
time
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
CN202210622945.1A
Other languages
English (en)
Other versions
CN114861554B (zh
Inventor
林明
李洁
饶红霞
刘畅
徐雍
鲁仁全
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202210622945.1A priority Critical patent/CN114861554B/zh
Publication of CN114861554A publication Critical patent/CN114861554A/zh
Application granted granted Critical
Publication of CN114861554B publication Critical patent/CN114861554B/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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G01C21/203—Specially adapted for sailing ships
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/0206—Control of position or course in two dimensions specially adapted to water vehicles
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/048—Activation functions
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Abstract

一种基于集员滤波的无人艇目标轨迹预测方法，包括以下步骤：获取目标的历史轨迹，通过目标的当前位置以及上一时刻的位置获取目标当前的轨迹运动特征；构建无向图结构，将环境中造成影响的个体作为所述无向图结构的顶点的集合；将轨迹运动特征作为卷积网络的输入特征，得到轨迹交互特征；将轨迹交互特征、轨迹运动特征与噪声进行叠加，得出目标在当前的轨迹解码特征；使用解码器将当前的轨迹解码特征解码得到下一时刻的轨迹解码特征；通过下一时刻的轨迹解码特征计算获取目标在下一时刻的位置，确保无人艇下一时刻的位置的范围准确性，并构建出无人艇的运动轨迹，驱使无人艇朝向目标移动，保证无人艇能够准确的趋向移动至目标处。

Description

一种基于集员滤波的无人艇目标轨迹预测方法
技术领域
本发明涉及无人艇控制技术领域，特别是一种基于集员滤波的无人艇目标轨迹预测方法。
背景技术
随着大量移动设备的产生，目标轨迹预测被广泛应用于智能交通、航空航天等领域中。目标轨迹预测问题通常被分为数据驱动和行为驱动两种方法，不同移动目标的应用环境对轨迹预测方法的建模的影响是不同的，地面移动目标的轨迹预测通常可以通过基于行为驱动的移动目标轨迹预测方法建立动力学模型来实现短期的轨迹预测，但动力学模型缺乏可解释性。基于数据驱动的目标预测方法有：基于概率统计的移动目标轨迹预测方法、基于神经网络的移动目标轨迹预测方法等，但是传统的目标预测方法已经无法从大量的历史数据中学习到轨迹的结构特征和移动目标的行为特征，因此基于深度学习的目标预测方法得益于人工智能的发展可以有效学学习到轨迹的结构特征和目标的行为特征，但是同样存在着可解释性地、实施性差等问题。除此之外，目标预测问题还存在预测精度以及目标之间的交互关系以及环境变化对目标的运动轨迹影响较大等问题。
发明内容
针对上述缺陷，本发明的目的在于提出一种基于集员滤波的无人艇目标轨迹预测方法。
为达此目的，本发明采用以下技术方案：一种基于集员滤波的无人艇目标轨迹预测方法，包括以下步骤：
步骤S1：获取目标的历史轨迹，通过目标的当前位置以及上一时刻的位置获取目标当前的轨迹运动特征；
步骤S2：构建无向图结构，将环境中造成影响的个体作为所述无向图结构的顶点的集合，并根据个体之间的距离对邻接矩阵进行改进；
对改进后的邻接矩阵输入至两层卷积网络进行叠加；
将轨迹运动特征作为卷积网络的输入特征，得到轨迹交互特征；
步骤S3：将所述轨迹交互特征、轨迹运动特征与噪声进行叠加，得出目标在当前的轨迹解码特征；
使用解码器将当前的轨迹解码特征解码得到下一时刻的轨迹解码特征；
通过所述下一时刻的轨迹解码特征计算获取目标在下一时刻的位置；
步骤S4：获取无人艇的当前位置，并将所述目标的下一时刻的位置作为所述无人艇下一时刻的预测位置并使用集员滤波对无人艇的预测位置进行修正，构建出无人艇的运动轨迹，驱使无人艇朝向目标移动；
步骤S5：重复步骤S1～S4，直到无人艇到达目标处。
优选的，所述步骤S1的具体过程如下：
步骤S11：通过目标的当前位置以及上一时刻的位置获取得到目标的相对运动位置；
步骤S12：根据所述相对运动位置以及权重函数获取得到运动特征向量，其中所述运动特征向量的获取公式如下：
Si(t)＝φ(Δxi(t),W1)，其中φ为相对位置编码函数，Δxi(t)为目标的相对运动位置，Δxi(t)＝(xi(t)-xi(t-1)),(yi(t)-yi(t-1))，其中(xi(t)，yi(t))为当前目标的位置，(xi(t-1)，yi(t-1))为目标上一时刻的位置，t表示时间，W1为权重；
步骤S13：将所述运动特征向量输入第一编码器中，获取得到所述轨迹运动特征，其中所述轨迹运动特征的获取公式如下：
Fi1(t)＝fLSTM-1(Fi1(t-1),Si(t),W2)，其中fLSTM-1为第一编码器，Fi1(t-1)为第一编码器在t-1时刻的隐藏状态，W2表示第一编码器的编码权重，Si(t)表示目标的运动特征向量。
优选的，所述步骤S2中所述无向图结构如下所示：
Gt＝(Vt,Et)，其中Vi t∈Vt，Vi t表示环境中的顶点，i∈{1,2....n}，
Figure BDA0003677564210000031
Figure BDA0003677564210000032
表示第i个顶点与第j个顶点的之间的交互关系，j∈{1,2....n}，当
Figure BDA0003677564210000033
时，代表第i个顶点与第j个顶点之间存在交互关系，若
Figure BDA0003677564210000034
时，代表第i个顶点与第j个顶点之间不存在交互关系；
所述步骤S2具体步骤如下：
步骤S21：根据各个顶点之间的位置关系重新分配顶点之间的权重；
其中顶点之间位置权重关系分配公式如下：
Figure BDA0003677564210000035
其中Xi(t)表是第i个顶点在t时刻的位置，Xj(t)是第j个顶点在t时刻的位置；
步骤S22：根据所述无向图结构中各个重新分配权重后的顶点之间不同距离的交互关系改进邻接矩阵；
其中所述邻接矩阵如下表示：
Figure BDA0003677564210000036
其中
Figure BDA0003677564210000037
表示重新分配权重后的邻接矩阵，
Figure BDA0003677564210000038
表示规范化对称邻接矩阵，
Figure BDA0003677564210000039
A表示未重新分配权重的邻接矩阵，k为中心顶点额外权重系数，I为单位矩阵，D为
Figure BDA00036775642100000310
的度矩阵；
步骤S23：将邻接矩阵输入至两层卷积网络进行叠加，获取得到目标的轨迹的输出特征；
其中输出特征的获取公式如下：
Figure BDA0003677564210000041
其中σ为激活函数，
Figure BDA0003677564210000042
分别为第一层卷积网络的权重以及第二层卷积网络的权重，
Figure BDA0003677564210000043
为重新分配权重后的邻接矩阵，Fi1(t)表示轨迹运动特征；
步骤S24：将所述输出特征输入至第二编码器中，获取得到轨迹交互特征，其中所述轨迹交互特征的获取公式如下：
Figure BDA0003677564210000044
其中fLSTM-2为第二编码器，Fi2(t-1)为第二编码器在t-1时刻的隐藏状态，W3表示第二编码器的编码权重，
Figure BDA0003677564210000045
表示目标的轨迹的输出特征。
优选的，步骤S3中所述轨迹解码特征的具体获取公式如下：
Di(t)＝Fi1(t)||Fi2(t)||Zi,k，其中Di(t)表示t时刻目标的轨迹解码特征，Fi1(t)表示轨迹运动特征，Fi2(t)表示轨迹交互特征，Zi,k表示有界系统噪声，Zi,k满足
Figure BDA0003677564210000046
其中
Figure BDA0003677564210000047
是已知正定的对称矩阵；
所述下一时刻的轨迹解码特征的获取公式如下：
Fi3(t+1)＝fLSTM-3(Di(t),Si(t),Wd)，其中Fi3(t+1)表示下一时刻的轨迹解码特征，fLSTM-3为解码器，Di(t)为第t时刻的目标的轨迹解码特征，Wd表示解码器的编码权重，Si(t)表示目标的运动特征向量；
所述目标在下一时刻的位置的获取公式如下：
Figure BDA0003677564210000048
其中δ为线性层。
优选的，所述步骤S4中获取无人艇的当前位置包括以下步骤：
步骤S41：构建无人艇在水面上匀速行驶的模型；
步骤S42：通过融合先验数据以及测量数据对模型进行测量，获取无人艇的测量值；
步骤S43：基于集员滤波对无人艇下一时刻的预测位置进行修正。
优选的，所述步骤S41中所述模型如下表示：
x(k+1)＝A(k)x(k)+ω(k)，其中x(k+1)为k+1时刻的模型，A(k)是k时刻的时变的系数矩阵，ω(k)表示k时刻的未知但有界的系统噪声，其中ω(k)满足ωT(k)Sk -1ω(k)≤1，表示噪声在未知但是有界的椭球域内，其中Sk椭球域的范围大小。
优选的，所述步骤S42中对模型进行测量的公式如下：
z(k)＝C(k)x(k)+V(k)；其中C(k)为k时刻的时变的系数矩阵，V(k)代表未知但有界的测量噪声，其中V(k)满足VT(k)Rk -1V(k)≤1，表示噪声在未知但是有界的椭球域内，其中Rk椭球域的范围大小。
优选的，所述步骤S43包括如下步骤：
根据所述模型以及基于图卷积神经网络建立目标轨迹的预测位置建立集员滤波器，使用集员滤波器获取模型下一时刻的预测位置，模型下一时刻的预测位置的表达式如下：
Figure BDA0003677564210000051
A(k)是k时刻的时变的系数矩阵，
Figure BDA0003677564210000052
为k时刻的模型的预测位置，z(k)为无人艇的测量值，C(k)为k时刻的时变的系数矩阵，Kk为集员滤波器参数；
获取集员滤波器误差，给定在k时刻集员滤波器误差中的椭圆限定矩阵Pk，根据数学归纳法调整k+1时刻的椭圆限定矩阵Pk+1，保持
Figure BDA0003677564210000053
使得模型在每一个状态下都在预估的水面区域内；
其中获取集员滤波器误差的公式如下：
Figure BDA0003677564210000054
在初始时刻时，滤波器误差与椭圆限定矩阵满足如下关系，
Figure BDA0003677564210000061
e0为初始时刻的集员滤波器误差。
优选的，当
Figure BDA0003677564210000062
时，通过迭代算法，优化椭圆限定矩阵Pk+1的迹，以求得集员滤波器参数Kk。
上述技术方案中的一个技术方案具有如下优点或有益效果：在本发明中首先通过无线传感器节点的检测目标来记录下目标的运动轨迹，获取到目标的当前位置，通过目标的当前位置来预测目标的下一时刻的位置，以目标下一时刻的位置来作为无人艇下一时刻的位置，来驱使无人艇朝向所述目标移动靠近，在此过程中，时间是连续的，目标的位置在不断变化，故需要不停的获取目标的下一时刻的位置来对无人艇的下一时刻位置进行更新，确保无人艇能够精确的到达目标处，在此过程中，本发明还会对无人艇的位置进行修正，确保无人艇下一时刻的位置的范围准确性。保证无人艇能够准确的趋向移动至目标处。
附图说明
图1是本发明的一个实施例的流程图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
如图1所示，一种基于集员滤波的无人艇目标轨迹预测方法包括以下步骤：
步骤S1：获取目标的历史轨迹，通过目标的当前位置以及上一时刻的位置获取目标当前的轨迹运动特征；
步骤S2：构建无向图结构，将环境中造成影响的个体作为所述无向图结构的顶点的集合，并根据个体之间的距离对邻接矩阵进行改进；
对改进后的邻接矩阵输入至两层卷积网络进行叠加；
将轨迹运动特征作为卷积网络的输入特征，得到轨迹交互特征；
步骤S3：将所述轨迹交互特征、轨迹运动特征与噪声进行叠加，得出目标在当前的轨迹解码特征；
使用解码器将当前的轨迹解码特征解码得到下一时刻的轨迹解码特征；
通过所述下一时刻的轨迹解码特征计算获取目标在下一时刻的位置；
步骤S4：获取无人艇的当前位置，并将所述目标的下一时刻位置作为所述无人艇下一时刻的预测位置并使用集员滤波对无人艇的预测位置进行修正，构建出无人艇的运动轨迹，驱使无人艇朝向目标移动；
步骤S5：重复步骤S1～S4，直到无人艇到达目标处。
在本发明中首先通过无线传感器节点的检测目标来记录下目标的运动轨迹，获取到目标的当前位置，通过目标的当前位置来预测目标的下一时刻的位置，以目标下一时刻的位置来作为无人艇下一时刻的位置，来驱使无人艇朝向所述目标移动靠近，在此过程中，时间是连续的，目标的位置在不断变化，故需要不停的获取目标的下一时刻的位置来对无人艇的下一时刻位置进行更新，确保无人艇能够精确的到达目标处，在此过程中，本发明还会对无人艇的位置进行修正，确保无人艇下一时刻的位置的范围准确性。保证无人艇能够准确的趋向移动至目标处。
在发明的步骤S4中构建出无人艇的运动轨迹，可采用现有的技术来实现，当知道了无人艇的当前位置以及需要移动的位置(目标的下一时刻的位置)后，即可直接策划出直线的路径，然后通过如使用如公开号为CN110906934B的避障技术，对路径上障碍进行规避，以保证无人艇能够顺利到达目标处，对于路径的策划不属于本发明所保护的内容，故不作过多的介绍。
优选的，所述步骤S1的具体过程如下：
步骤S11：通过目标的当前位置以及上一时刻的位置获取得到目标的相对运动位置；
在本发明中相对运动位置为上一时刻的位置与当前时刻的位置之差。
步骤S12：根据所述相对运动位置以及权重函数获取得到运动特征向量，其中所述运动特征向量的获取公式如下：
Si(t)＝φ(Δxi(t),W1)，其中φ为相对位置编码函数，Δxi(t)为目标的相对运动位置，Δxi(t)＝(xi(t)-xi(t-1)),(yi(t)-yi(t-1))，其中(xi(t)，yi(t))为当前目标的位置，(xi(t-1)，yi(t-1))为目标上一时刻的位置，t表示时间，W1为权重；
步骤S13：将所述运动特征向量输入第一编码器中，获取得到所述轨迹运动特征，其中所述轨迹运动特征的获取公式如下：
Fi1(t)＝fLSTM-1(Fi1(t-1),Si(t),W2)，其中fLSTM-1为第一编码器，Fi1(t-1)为第一编码器在t-1时刻的隐藏状态，W2表示第一编码器的编码权重，Si(t)表示目标的运动特征向量。
优选的，所述步骤S2中所述无向图结构如下所示：
Gt＝(Vt,Et)，其中Vi t∈Vt，Vi t表示环境中的顶点，i∈{1,2....n}，
Figure BDA0003677564210000091
Figure BDA0003677564210000092
表示第i个顶点与第j个顶点的之间的交互关系，j∈{1,2....n}，当
Figure BDA0003677564210000093
时，代表第i个顶点与第j个顶点之间存在交互关系，若
Figure BDA0003677564210000094
时，代表第i个顶点与第j个顶点之间不存在交互关系；
所述步骤S2具体步骤如下：
步骤S21：根据各个顶点之间的位置关系重新分配顶点之间的权重；
其中顶点之间位置权重关系分配公式如下：
Figure BDA0003677564210000095
其中Xi(t)表是第i个顶点在t时刻的位置，Xj(t)是第j个顶点在t时刻的位置；
步骤S22：根据所述无向图结构中各个重新分配权重后的顶点之间不同距离的交互关系改进邻接矩阵；
其中所述邻接矩阵如下表示：
Figure BDA0003677564210000096
其中
Figure BDA0003677564210000097
表示重新分配权重后的邻接矩阵，
Figure BDA0003677564210000098
表示规范化对称邻接矩阵，
Figure BDA0003677564210000099
A表示未重新分配权重的邻接矩阵，k为中心顶点额外权重系数，I为单位矩阵，D为
Figure BDA0003677564210000101
的度矩阵；
步骤S23：将邻接矩阵输入至两层卷积网络进行叠加，获取得到目标的轨迹的输出特征；
其中输出特征的获取公式如下：
Figure BDA0003677564210000102
其中σ为激活函数，
Figure BDA0003677564210000103
分别为第一层卷积网络的权重以及第二层卷积网络的权重，
Figure BDA0003677564210000104
为重新分配权重后的邻接矩阵，Fi1(t)表示轨迹运动特征；
步骤S24：将所述输出特征输入至第二编码器中，获取得到轨迹交互特征，其中所述轨迹交互特征的获取公式如下：
Figure BDA0003677564210000105
其中fLSTM-2为第二编码器，Fi2(t-1)为第二编码器在t-1时刻的隐藏状态，W3表示第二编码器的编码权重，
Figure BDA0003677564210000106
表示目标的轨迹的输出特征。
在目标下一时刻的位置轨迹预测任务中各个个体与其他个体之间都存在着相互影响与制约的关系，例如：当目标受到环境(风，水流速度等)作用时，目标的移动将会与其他个体产生相互作用，导致了目标的位置发生偏移。为此本发明中将环境中能够对对无人艇造成影响的客体以及目标作为无向图结构中的顶点，分析出顶点之间的交互关系，从而对目标的位置进行修正，以确保目标位置的准确性。
优选的，步骤S3中所述轨迹解码特征的具体获取公式如下：
Di(t)＝Fi1(t)||Fi2(t)||Zi,k，其中Di(t)表示t时刻目标的轨迹解码特征，Fi1(t)表示轨迹运动特征，Fi2(t)表示轨迹交互特征，Zi,k表示有界系统噪声，Zi,k满足
Figure BDA0003677564210000111
其中
Figure BDA0003677564210000112
是已知正定的对称矩阵；
所述下一时刻的轨迹解码特征的获取公式如下：
Fi3(t+1)＝fLSTM-3(Di(t),Si(t),Wd)，其中Fi3(t+1)表示下一时刻的轨迹解码特征，fLSTM-3为解码器，Di(t)为第t时刻的目标的轨迹解码特征，Wd表示解码器的编码权重，Si(t)表示目标的运动特征向量；
所述目标在下一时刻的位置的获取公式如下：
Figure BDA0003677564210000113
其中δ为线性层。
在步骤S3中通过设置区域噪声范围Zi,k去模拟实际环境中的不确定噪声，将轨迹运动特征、轨迹交互特征与噪声进行叠加，叠加后得到的轨迹解码特征，所述轨迹解码特征是叠加了预设的噪声，使得所述轨迹解码特征更加趋近于正式环境，确保了目标的下一时刻的位置的准确性。
本发明将基于图卷积神经网络的预测方法应用到无人艇的目标预测过程中，在此过程中考虑到“交互”关系的影响，充分考虑了水面波动而引起目标之间的影响，同时加入了区域有界噪声，提高了获取目标的下一时刻的位置方法的鲁棒性和容错率。
优选的，所述步骤S4中获取无人艇的当前位置包括以下步骤：
步骤S41：构建无人艇在水面上匀速行驶的模型；
步骤S42：通过融合先验数据以及测量数据对模型进行测量，获取无人艇的测量值；
步骤S43：基于集员滤波对无人艇下一时刻的预测位置进行修正。
建立无人艇的模型以及将目标的下一时刻的位置作为集员滤波对无人艇下一时刻的位置的估计值，并设计相对应的集员滤波器以修正预测位置，这种方法克服了基于深度学习的目标预测方法中实施性低的缺点，不仅对运动轨迹进行了预测，与此同时基于集员滤波器进行了修正，使得目标的下一时刻位置位置在一个固定的椭圆范围内，而不是仅仅针对一个固定点，充分考虑了目标随环境因素(例如：风、水流速度)而改变的移动性，从而使得更加符合实际情况，应用性更加广泛。
优选的，所述步骤S41中所述模型如下表示：
x(k+1)＝A(k)x(k)+ω(k)，其中x(k+1)为k+1时刻的模型，A(k)是k时刻的时变的系数矩阵，ω(k)表示k时刻的未知但有界的系统噪声，其中ω(k)满足ωT(k)Sk -1ω(k)≤1，表示噪声在未知但是有界的椭球域内，其中Sk椭球域的范围大小。
优选的，所述步骤S42中对模型进行测量的公式如下：
z(k)＝C(k)x(k)+V(k)；其中C(k)为k时刻的时变的系数矩阵即先验数据，V(k)代表未知但有界的测量噪声即测量数据，其中V(k)满足VT(k)Rk -1V(k)≤1，表示噪声在未知但是有界的椭球域内，其中Rk椭球域的范围大小。
优选的，所述步骤S43包括如下步骤：
根据所述模型以及基于图卷积神经网络建立目标轨迹的预测位置建立集员滤波器，使用集员滤波器获取模型下一时刻的预测位置，模型下一时刻的预测位置的表达式如下：
Figure BDA0003677564210000121
A(k)是k时刻的时变的系数矩阵，
Figure BDA0003677564210000122
为k时刻的模型的预测位置，z(k)为无人艇的测量值，C(k)为k时刻的时变的系数矩阵，Kk为集员滤波器参数；
在本发明中
Figure BDA0003677564210000123
的取值为
Figure BDA0003677564210000124
将目标的下一时刻的位置
Figure BDA0003677564210000125
作为无人艇在k时刻的位置
Figure BDA0003677564210000126
可以对无人艇在下一时刻的位置
Figure BDA0003677564210000127
进行修正，使得获取到的位置更加准确。
获取集员滤波器误差，给定在k时刻集员滤波器误差中的椭圆限定矩阵Pk，根据数学归纳法调整k+1时刻的椭圆限定矩阵Pk+1，保持
Figure BDA0003677564210000131
使得模型在每一个状态下都在预估的水面区域内；
其中获取集员滤波器误差的公式如下：
Figure BDA0003677564210000132
在初始时刻时，滤波器误差与椭圆限定矩阵满足如下关系，
Figure BDA0003677564210000133
e0为初始时刻的集员滤波器误差。
优选的，当
Figure BDA0003677564210000134
时，通过迭代算法，优化椭圆限定矩阵Pk+1的迹，以求得集员滤波器参数Kk。
优化椭圆限定矩阵Pk+1，再通过迭代算法以求得集员滤波器参数Kk，根据集员滤波器设计的目标预测位置因为有修正而更加准确，同时确保了无人艇下一时刻的目标轨迹区域。其中迭代算法可采用现有算法公式，如迭代高斯-塞德尔迭代算法、共轭迭代法、变尺度迭代法等等，在此不做过多的解释说明。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示意性实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (9)

1.一种基于集员滤波的无人艇目标轨迹预测方法，其特征在于，包括以下步骤：
步骤S1：获取目标的历史轨迹，通过目标的当前位置以及上一时刻的位置获取目标当前的轨迹运动特征；
步骤S2：构建无向图结构，将环境中造成影响的个体作为所述无向图结构的顶点的集合，并根据个体之间的距离对邻接矩阵进行改进；
对改进后的邻接矩阵输入至两层卷积网络进行叠加；
将轨迹运动特征作为卷积网络的输入特征，得到轨迹交互特征；
步骤S3：将所述轨迹交互特征、轨迹运动特征与噪声进行叠加，得出目标在当前的轨迹解码特征；
使用解码器将当前的轨迹解码特征解码得到下一时刻的轨迹解码特征；
通过所述下一时刻的轨迹解码特征计算获取目标在下一时刻的位置；
步骤S4：获取无人艇的当前位置，并将所述目标的下一时刻的位置作为所述无人艇下一时刻的预测位置并使用集员滤波对无人艇的预测位置进行修正，预测下一时刻无人艇的目标位置区域，构建出无人艇的运动轨迹，驱使无人艇朝向目标移动；
步骤S5：重复步骤S1～S4，直到无人艇到达目标处。
2.根据权利要求1所述的一种基于集员滤波的无人艇目标轨迹预测方法，其特征在于，所述步骤S1的具体过程如下：
步骤S11：通过目标的当前位置以及上一时刻的位置获取得到目标的相对运动位置；
步骤S12：根据所述相对运动位置以及权重函数获取得到运动特征向量，其中所述运动特征向量的获取公式如下：
Si(t)＝φ(Δxi(t),W1)，其中φ为相对位置编码函数，Δxi(t)为目标的相对运动位置，Δxi(t)＝(xi(t)-xi(t-1)),(yi(t)-yi(t-1))，其中(xi(t)，yi(t))为当前目标的位置，(xi(t-1)，yi(t-1))为目标上一时刻的位置，t表示时间，W1为权重；
步骤S13：将所述运动特征向量输入第一编码器中，获取得到所述轨迹运动特征，其中所述轨迹运动特征的获取公式如下：
Fi1(t)＝fLSTM-1(Fi1(t-1),Si(t),W2)，其中fLSTM-1为第一编码器，Fi1(t-1)为第一编码器在t-1时刻的隐藏状态，W2表示第一编码器的编码权重，Si(t)表示目标的运动特征向量。
3.根据权利要求1所述的一种基于集员滤波的无人艇目标轨迹预测方法，其特征在于，所述步骤S2中所述无向图结构如下所示：
Gt＝(Vt,Et)，其中Vi t∈Vt，Vi t表示环境中的顶点，
Figure FDA0003677564200000021
Figure FDA0003677564200000022
表示第i个顶点与第j个顶点的之间的交互关系，j∈{1,2....n}，当
Figure FDA0003677564200000023
时，代表第i个顶点与第j个顶点之间存在交互关系，若
Figure FDA0003677564200000024
时，代表第i个顶点与第j个顶点之间不存在交互关系；
所述步骤S2具体步骤如下：
步骤S21：根据各个顶点之间的位置关系重新分配顶点之间的权重；
其中顶点之间位置权重关系分配公式如下：
Figure FDA0003677564200000025
其中Xi(t)表是第i个顶点在t时刻的位置，Xj(t)是第j个顶点在t时刻的位置；
步骤S22：根据所述无向图结构中各个重新分配权重后的顶点之间不同距离的交互关系改进邻接矩阵；
其中所述邻接矩阵如下表示：
Figure FDA0003677564200000031
其中
Figure FDA0003677564200000032
表示重新分配权重后的邻接矩阵，
Figure FDA0003677564200000033
表示规范化对称邻接矩阵，
Figure FDA0003677564200000034
A表示未重新分配权重的邻接矩阵，k为中心顶点额外权重系数，I为单位矩阵，D为
Figure FDA0003677564200000035
的度矩阵；
步骤S23：将邻接矩阵输入至两层卷积网络进行叠加，获取得到目标的轨迹的输出特征；
其中输出特征的获取公式如下：
Figure FDA0003677564200000036
其中σ为激活函数，
Figure FDA0003677564200000037
分别为第一层卷积网络的权重以及第二层卷积网络的权重，
Figure FDA0003677564200000038
为重新分配权重后的邻接矩阵，Fi1(t)表示轨迹运动特征；
步骤S24：将所述输出特征输入至第二编码器中，获取得到轨迹交互特征，其中所述轨迹交互特征的获取公式如下：
Figure FDA0003677564200000039
其中fLSTM-2为第二编码器，Fi2(t-1)为第二编码器在t-1时刻的隐藏状态，W3表示第二编码器的编码权重，
Figure FDA00036775642000000310
表示目标的轨迹的输出特征。
4.根据权利要求3所述的一种基于集员滤波的无人艇目标轨迹预测方法，其特征在于，步骤S3中所述轨迹解码特征的具体获取公式如下：
Di(t)＝Fi1(t)||Fi2(t)||Zi,k，其中Di(t)表示t时刻目标的轨迹解码特征，Fi1(t)表示轨迹运动特征，Fi2(t)表示轨迹交互特征，Zi,k表示有界系统噪声，Zi,k满足
Figure FDA00036775642000000311
其中
Figure FDA00036775642000000312
是已知正定的对称矩阵；
所述下一时刻的轨迹解码特征的获取公式如下：
Fi3(t+1)＝fLSTM-3(Di(t),Si(t),Wd)，其中Fi3(t+1)表示下一时刻的轨迹解码特征，fLSTM-3为解码器，Di(t)为第t时刻的目标的轨迹解码特征，Wd表示解码器的编码权重，Si(t)表示目标的运动特征向量；
所述目标下一时刻的位置的获取公式如下：
Figure FDA0003677564200000041
其中δ为线性层。
5.根据权利要求1所述的一种基于集员滤波的无人艇目标轨迹预测方法，其特征在于，所述步骤S4中获取无人艇的当前位置包括以下步骤：
步骤S41：构建无人艇在水面上匀速行驶的模型；
步骤S42：通过融合先验数据以及测量数据对模型进行测量，获取无人艇的测量值；
步骤S43：基于集员滤波对无人艇下一时刻的预测位置进行修正。
6.根据权利要求5所述的一种基于集员滤波的无人艇目标轨迹预测方法，其特征在于，
所述步骤S41中所述模型如下表示：
x(k+1)＝A(k)x(k)+ω(k)，其中x(k+1)为k+1时刻的模型，A(k)是k时刻的时变的系数矩阵，ω(k)表示k时刻的未知但有界的系统噪声，其中ω(k)满足ωT(k)Sk -1ω(k)≤1，表示噪声在未知但是有界的椭球域内，其中Sk椭球域的范围大小。
7.根据权利要求6所述的一种基于集员滤波的无人艇目标轨迹预测方法，其特征在于，
所述步骤S42中对模型进行测量，获取无人艇的测量值的公式如下：
z(k)＝C(k)x(k)+V(k)；其中C(k)为k时刻的时变的系数矩阵，V(k)代表未知但有界的测量噪声，其中V(k)满足VT(k)Rk -1V(k)≤1，表示噪声在未知但是有界的椭球域内，其中Rk椭球域的范围大小。
8.根据权利要求7所述的一种基于集员滤波的无人艇目标轨迹预测方法，其特征在于，所述步骤S43包括如下步骤：
根据所述模型以及基于图卷积神经网络建立目标轨迹的预测位置建立集员滤波器，使用集员滤波器获取模型下一时刻的预测位置，模型下一时刻的预测位置的表达式如下：
Figure FDA0003677564200000051
A(k)是k时刻的时变的系数矩阵，
Figure FDA0003677564200000052
为k时刻的模型的预测位置，z(k)为无人艇的测量值，C(k)为k时刻的时变的系数矩阵，Kk为集员滤波器参数；
获取集员滤波器误差，给定在k时刻集员滤波器误差中的椭圆限定矩阵Pk，根据数学归纳法调整k+1时刻的椭圆限定矩阵Pk+1，保持
Figure FDA0003677564200000053
使得模型在每一个状态下都在预估的水面区域内；
其中获取集员滤波器误差的公式如下：
Figure FDA0003677564200000054
在初始时刻时，滤波器误差与椭圆限定矩阵满足如下关系，
Figure FDA0003677564200000055
e0为初始时刻的集员滤波器误差。
9.根据权利要求8所述的一种基于集员滤波的无人艇目标轨迹预测方法，其特征在于，当
Figure FDA0003677564200000056
时，通过迭代算法，优化椭圆限定矩阵Pk+1的迹，以求得集员滤波器参数Kk。
CN202210622945.1A 2022-06-02 2022-06-02 一种基于集员滤波的无人艇目标轨迹预测方法 Active CN114861554B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210622945.1A CN114861554B (zh) 2022-06-02 2022-06-02 一种基于集员滤波的无人艇目标轨迹预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210622945.1A CN114861554B (zh) 2022-06-02 2022-06-02 一种基于集员滤波的无人艇目标轨迹预测方法

Publications (2)

Publication Number Publication Date
CN114861554A true CN114861554A (zh) 2022-08-05
CN114861554B CN114861554B (zh) 2023-04-07

Family

ID=82640819

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210622945.1A Active CN114861554B (zh) 2022-06-02 2022-06-02 一种基于集员滤波的无人艇目标轨迹预测方法

Country Status (1)

Country Link
CN (1) CN114861554B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108319138A (zh) * 2018-01-29 2018-07-24 哈尔滨工程大学 一种欠驱动无人艇的滑模-反步双回路轨迹跟踪控制方法
CN108873894A (zh) * 2018-06-11 2018-11-23 上海大学 一种基于多无人艇的目标跟踪协同控制系统和方法
CN110262492A (zh) * 2019-06-25 2019-09-20 北京航天控制仪器研究所 一种无人艇的实时避碰和目标跟踪方法
CN112541449A (zh) * 2020-12-18 2021-03-23 天津大学 一种基于无人机航拍视角的行人轨迹预测方法
WO2021088681A1 (zh) * 2019-11-08 2021-05-14 深圳市道通智能航空技术股份有限公司 无人机长距离循迹飞行方法、装置、设备及存储介质
WO2021189214A1 (zh) * 2020-03-23 2021-09-30 深圳市大疆创新科技有限公司 可移动平台的控制方法、装置、可移动平台及存储介质
CN114004035A (zh) * 2021-12-13 2022-02-01 哈尔滨工业大学（威海） 一种水面无人艇目标跟踪控制方法
CN114116944A (zh) * 2021-11-30 2022-03-01 重庆七腾科技有限公司 一种基于时间注意力卷积网络的轨迹预测方法及装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108319138A (zh) * 2018-01-29 2018-07-24 哈尔滨工程大学 一种欠驱动无人艇的滑模-反步双回路轨迹跟踪控制方法
CN108873894A (zh) * 2018-06-11 2018-11-23 上海大学 一种基于多无人艇的目标跟踪协同控制系统和方法
CN110262492A (zh) * 2019-06-25 2019-09-20 北京航天控制仪器研究所 一种无人艇的实时避碰和目标跟踪方法
WO2021088681A1 (zh) * 2019-11-08 2021-05-14 深圳市道通智能航空技术股份有限公司 无人机长距离循迹飞行方法、装置、设备及存储介质
WO2021189214A1 (zh) * 2020-03-23 2021-09-30 深圳市大疆创新科技有限公司 可移动平台的控制方法、装置、可移动平台及存储介质
CN112541449A (zh) * 2020-12-18 2021-03-23 天津大学 一种基于无人机航拍视角的行人轨迹预测方法
CN114116944A (zh) * 2021-11-30 2022-03-01 重庆七腾科技有限公司 一种基于时间注意力卷积网络的轨迹预测方法及装置
CN114004035A (zh) * 2021-12-13 2022-02-01 哈尔滨工业大学（威海） 一种水面无人艇目标跟踪控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LILIAN ZHANG等: "Set-Membership Filtering Approach for Path Tracking of an Unmanned Surface Vessel System", 《 2017 AUSTRALIAN AND NEW ZEALAND CONTROL CONFERENCE (ANZCC)》 *
秦世洋等: "水上无人艇目标跟踪控制方法研究", 《中北大学学报(自然科学版)》 *

Also Published As

Publication number Publication date
CN114861554B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN109597864B (zh) 椭球边界卡尔曼滤波的即时定位与地图构建方法及系统
Li et al. Neural network based FastSLAM for autonomous robots in unknown environments
CN111913484B (zh) 一种变电站巡检机器人在未知环境下的路径规划方法
CN109581281B (zh) 基于到达时间差和到达频率差的移动目标定位方法
JP2019207678A (ja) 低速特徴からのメトリック表現の教師なし学習
CN110362081B (zh) 一种移动机器人路径规划方法
CN106679672A (zh) 一种基于dbn和卡尔曼滤波算法的agv定位算法
CN113268074B (zh) 一种基于联合优化的无人机航迹规划方法
CN109031314B (zh) 一种面向声速剖面的水下节点定位方法
CN108152812B (zh) 一种调整网格间距的改进agimm跟踪方法
CN113468706A (zh) 配网带电作业机器人的激光点云输电线引线拟合方法
CN112497216A (zh) 一种基于深度学习的工业机器人位姿精度补偿方法
CN112416021A (zh) 一种基于学习的旋翼无人机路径跟踪预测控制方法
CN116661469A (zh) 机器人轨迹误差修正方法及系统
Moreno et al. L1–L2-norm comparison in global localization of mobile robots
CN114861554B (zh) 一种基于集员滤波的无人艇目标轨迹预测方法
CN110779526B (zh) 一种路径规划方法、装置及存储介质
Zhao et al. Global dynamic path‐planning algorithm in gravity‐aided inertial navigation system
Wu et al. Optimal temperature and humidity control for autonomous control system based on PSO‐BP neural networks
Hata et al. Particle filter localization on continuous occupancy maps
CN115328168A (zh) 基于自适应强跟踪的移动机器人同步定位与建图方法及系统
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
CN109992907B (zh) 基于粒子群的连续搅拌釜反应器维纳非线性模型辨识方法
CN113850304A (zh) 一种高准确率的点云数据分类分割改进算法
CN113625703A (zh) 一种动态路径跟踪方法

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
GR01 Patent grant
GR01 Patent grant