CN114861554B - 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
CN114861554B
CN114861554B CN202210622945.1A CN202210622945A CN114861554B CN 114861554 B CN114861554 B CN 114861554B CN 202210622945 A CN202210622945 A CN 202210622945A CN 114861554 B CN114861554 B CN 114861554B
Authority
CN
China
Prior art keywords
target
track
time
unmanned ship
matrix
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
CN202210622945.1A
Other languages
English (en)
Other versions
CN114861554A (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, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Navigation (AREA)

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：
S i(t)＝φ(Δx i(t)，W 1)，其中φ为相对位置编码函数，Δx i(t)为目标的相对运动位置，Δx i(t)＝(x i(t)-x i(t-1))，(y i(t)-y i(t-1))，其中(x i(t)，y i(t)) 为当前目标的位置，(x i(t-1)，y i(t-1))为目标上一时刻的位置，t表示时间， W 1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：
F i1(t)＝f LSTM-1(F i1(t-1)，S i(t)，W 2)，其中f LSTM-1为第一编码器， F i1(t-1)为第一编码器在t-1时刻的隐藏状态，W 2表示第一编码器的编码权重， S i(t)表示运动特征向量。
优选的，所述步骤S2中所述无向图结构如下所示：
G t＝(V t，E t)，其中
Figure GDA0004059988080000031
表示环境中的顶点，i∈{1，2....n}，
Figure GDA0004059988080000032
Figure GDA0004059988080000033
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 GDA0004059988080000034
时， 代表第i个顶点与第j个顶点之间存在交互关系，若
Figure GDA0004059988080000035
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 GDA0004059988080000036
||X i(t)-X j(t)||≠0，其中X i(t)表示第i个顶点在t时刻的位置， X j(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 GDA0004059988080000037
其中
Figure GDA0004059988080000038
表示重新分配权 重后的邻接矩阵，
Figure GDA00040599880800000311
表示规范化对称邻接矩阵，
Figure GDA0004059988080000039
A表示未重新 分配权重的邻接矩阵，u为中心顶点额外权重系数，I为单位矩阵，D为
Figure GDA00040599880800000310
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 GDA0004059988080000041
其中σ为激活函数，
Figure GDA0004059988080000042
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 GDA0004059988080000043
为重新分配权重后的邻接矩 阵，F i1(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 GDA0004059988080000044
其中f LSTM-2为第二编码器，F i2(t-1) 为第二编码器在t-1时刻的隐藏状态，W 3表示第二编码器的编码权重，
Figure GDA0004059988080000045
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：
D i(t)＝F i1(t)||F i2(t)||Z i，k，其中D i(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，F i2(t)表示轨迹交互特征，Z i，k表示有界系统噪声， Z i，k满足
Figure GDA0004059988080000046
其中
Figure GDA0004059988080000047
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：
F i3(t+1)＝f LSTM-3(D i(t)，S i(t)，W d)，其中F i3(t+1)表示下一时刻的轨迹 解码特征，f LSTM-3为解码器，D i(t)为第t时刻的目标的轨迹解码特征，W d表 示解码器的编码权重，S i(t)表示运动特征向量；
所述目标在下一时刻的位置的获取公式如下：
Figure GDA0004059988080000048
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 时刻的时变的第一系数矩阵，ω(k)表示k时刻的未知但有界的系统噪声，其中 ω(k)满足ω T(k)S k -1ω(k)≤1，表示噪声在未知但是有界的椭球域内，其中S k 为第一椭球域的范围大小；
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时刻的时变的第二系数矩阵， V(k)代表未知但有界的测量噪声，其中V(k)满足V T(k)R k -1V(k)≤1，表示 噪声在未知但是有界的椭球域内，其中R k为第二椭球域的范围大小；
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 GDA0004059988080000051
A(k)是k时刻的时变的第 一系数矩阵，
Figure GDA0004059988080000052
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时刻的时变的第二系数矩阵，K k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P k， 根据数学归纳法调整k+1时刻的椭圆限定矩阵P k+1，保持
Figure GDA0004059988080000054
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 GDA0004059988080000053
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 GDA0004059988080000061
e 0为初始时刻的集员滤波器误 差。
优选的，当
Figure GDA0004059988080000062
时，通过迭代算法，优化椭圆限定矩阵P k+1的迹， 以求得集员滤波器参数K k。
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：
S i(t)＝φ(Δx i(t)，W 1)，其中φ为相对位置编码函数，Δx i(t)为目标的相对运动位置，Δx i(t)＝(x i(t)-x i(t-1))，(y i(t)-y i(t-1))，其中(x i(t)，y i(t)) 为当前目标的位置，(x i(t-1)，y i(t-1))为目标上一时刻的位置，t表示时间， W 1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：
F i1(t)＝f LSTM-1(F i1(t-1)，S i(t)，W 2)，其中f LSTM-1为第一编码器， F i1(t-1)为第一编码器在t-1时刻的隐藏状态，W 2表示第一编码器的编码权重， S i(t)表示运动特征向量。
优选的，所述步骤S2中所述无向图结构如下所示：
G t＝(V t，E t)，其中
Figure GDA0004059988080000091
表示环境中的顶点，i∈{1，2....n}，
Figure GDA0004059988080000092
Figure GDA0004059988080000093
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 GDA0004059988080000094
时， 代表第i个顶点与第j个顶点之间存在交互关系，若
Figure GDA0004059988080000095
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 GDA0004059988080000096
||X i(t)-X j(t)||≠0，其中X i(t)表示第i个顶点在t时刻的位置， X j(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 GDA0004059988080000097
其中
Figure GDA0004059988080000098
表示重新分配权 重后的邻接矩阵，
Figure GDA00040599880800000910
表示规范化对称邻接矩阵，
Figure GDA0004059988080000099
A表示未重新 分配权重的邻接矩阵，u为中心顶点额外权重系数，I为单位矩阵，D为
Figure GDA0004059988080000101
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 GDA0004059988080000102
其中σ为激活函数，
Figure GDA0004059988080000103
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 GDA0004059988080000104
为重新分配权重后的邻接矩 阵，F i1(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 GDA0004059988080000105
其中f LSTM-2为第二编码器，F i2(t-1) 为第二编码器在t-1时刻的隐藏状态，W 3表示第二编码器的编码权重，
Figure GDA0004059988080000106
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：
D i(t)＝F i1(t)||F i2(t)||Z i，k，其中D i(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，F i2(t)表示轨迹交互特征，Z i，k表示有界系统噪声， Z i，k满足
Figure GDA0004059988080000111
其中
Figure GDA0004059988080000112
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：
F i3(t+1)＝f LSTM-3(D i(t)，S i(t)，W d)，其中F i3(t+1)表示下一时刻的轨迹 解码特征，f LSTM-3为解码器，D i(t)为第t时刻的目标的轨迹解码特征，W d表 示解码器的编码权重，S i(t)表示运动特征向量；
所述目标在下一时刻的位置的获取公式如下：
Figure GDA0004059988080000113
其中δ为线性层。
在步骤S3中通过设置区域噪声范围Z i，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。
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 时刻的时变的第一系数矩阵，ω(k)表示k时刻的未知但有界的系统噪声，其中 ω(k)满足ω T(k)S k -1ω(k)≤1，表示噪声在未知但是有界的椭球域内，其中S k 为第一椭球域的范围大小；
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时刻的时变的第二系数矩阵， V(k)代表未知但有界的测量噪声，其中V(k)满足V T(k)R k -1V(k)≤1，表示 噪声在未知但是有界的椭球域内，其中R k为第二椭球域的范围大小；
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 GDA0004059988080000121
A(k)是k时刻的时变的第一系数矩阵，
Figure GDA0004059988080000122
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时刻的时变的第二系数矩阵，K k为集员滤波器参数；
在本发明中
Figure GDA0004059988080000123
的取值为
Figure GDA0004059988080000124
将目标的下一时刻的位置
Figure GDA0004059988080000125
作 为无人艇在k时刻的位置
Figure GDA0004059988080000126
可以对无人艇在下一时刻的位置
Figure GDA0004059988080000127
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P k， 根据数学归纳法调整k+1时刻的椭圆限定矩阵P k+1，保持
Figure GDA0004059988080000131
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 GDA0004059988080000132
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 GDA0004059988080000133
e 0为初始时刻的集员滤波器误 差。
优选的，当
Figure GDA0004059988080000134
时，通过迭代算法，优化椭圆限定矩阵P k+1的迹， 以求得集员滤波器参数K k。
优化椭圆限定矩阵P k+1，再通过迭代算法以求得集员滤波器参数K k，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 (4)

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；
其中所述步骤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；
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时刻的时变的第一系数矩阵，ω(k)表示k时刻的未知但有界的系统噪声，其 中ω(k)满足ω T(k)S k -1ω(k)≤1，表示噪声在未知但是有界的椭球域内，其中 S k为第一椭球域的范围大小；
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时刻的时变的第二系数矩阵， V(k)代表未知但有界的测量噪声，其中V(k)满足V T(k)R k -1V(k)≤1，表示 噪声在未知但是有界的椭球域内，其中R k为第二椭球域的范围大小；
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 FDA0004059988070000021
A(k)是k时刻的时变的第 一系数矩阵，
Figure FDA0004059988070000022
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，K k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P k， 根据数学归纳法调整k+1时刻的椭圆限定矩阵P k+1，保持
Figure FDA0004059988070000023
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 FDA0004059988070000024
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 FDA0004059988070000025
e 0为初始时刻的集员滤波器误 差；
当
Figure FDA0004059988070000031
时，通过迭代算法，优化椭圆限定矩阵P k+1的迹，以求 得集员滤波器参数K k。
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：
S i(t)＝φ(Δx i(t)，W 1)，其中φ为相对位置编码函数，Δx i(t)为目标的相对 运动位置，Δx i(t)＝(x i(t)-x i(t-1))，(y i(t)-y i(t-1))，其中(x i(t)，y i(t)) 为当前目标的位置，(x i(t-1)，y i(t-1))为目标上一时刻的位置，t表示时 间，W 1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：
F i1(t)＝f LSTM-1(F i1(t-1)，S i(t)，W 2)，其中f LSTM-1为第一编码器， F i1(t-1)为第一编码器在t-1时刻的隐藏状态，W 2表示第一编码器的编码权重， S i(t)表示运动特征向量。
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＝(V t，E t)，其中V i t∈V t，V i t表示环境中的顶点，i∈{1，2....n}，
Figure FDA0004059988070000032
Figure FDA0004059988070000033
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 FDA0004059988070000034
时， 代表第i个顶点与第j个顶点之间存在交互关系，若
Figure FDA0004059988070000035
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 FDA0004059988070000041
其中X i(t)表示第i个顶点在t时刻的位置， X j(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 FDA0004059988070000042
其中
Figure FDA0004059988070000043
表示重新分配权 重后的邻接矩阵，
Figure FDA0004059988070000044
表示规范化对称邻接矩阵，
Figure FDA0004059988070000045
A表示未重 新分配权重的邻接矩阵，u为中心顶点额外权重系数，I为单位矩阵，D为
Figure FDA0004059988070000046
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 FDA0004059988070000047
其中σ为激活函数，
Figure FDA0004059988070000048
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 FDA0004059988070000049
为重新分配权重后的邻接 矩阵，F i1(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 FDA00040599880700000410
其中f LSTM-2为第二编码器， F i2(t-1)为第二编码器在t-1时刻的隐藏状态，W 3表示第二编码器的编码权重，
Figure FDA00040599880700000411
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：
D i(t)＝F i1(t)||F i2(t)||Z i，k，其中D i(t)表示t时刻目标的轨迹解码特征， F i1(t)表示轨迹运动特征，F i2(t)表示轨迹交互特征，Z i，k表示有界系统噪声， Z i，k满足
Figure FDA0004059988070000051
其中
Figure FDA0004059988070000052
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：
F i3(t+1)＝f LSTM-3(D i(t)，S i(t)，W d)，其中F i3(t+1)表示下一时刻的轨迹 解码特征，f LSTM-3为解码器，D i(t)为第t时刻的目标的轨迹解码特征，W d表 示解码器的编码权重，S i(t)表示运动特征向量；
所述目标下一时刻的位置的获取公式如下：
Figure FDA0004059988070000053
其中δ为线性层。
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 CN114861554A (zh) 2022-08-05
CN114861554B true 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 (2)

* 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
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

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN110262492B (zh) * 2019-06-25 2022-04-08 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
CN110687923B (zh) * 2019-11-08 2022-06-17 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
CN114004035B (zh) * 2021-12-13 2022-04-08 哈尔滨工业大学（威海） 一种水面无人艇目标跟踪控制方法

Patent Citations (2)

* 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
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

Also Published As

Publication number Publication date
CN114861554A (zh) 2022-08-05

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
CN107346138B (zh) 一种基于增强学习算法的无人船侧向控制方法
CN109240279B (zh) 一种基于视觉感知和空间认知神经机制的机器人导航方法
US20090227266A1 (en) Location measurement method based on predictive filter
JP2019207678A (ja) 低速特徴からのメトリック表現の教師なし学習
CN106679672A (zh) 一种基于dbn和卡尔曼滤波算法的agv定位算法
CN111581832A (zh) 一种基于ARMA模型修正的改进灰色Elman神经网络气垫船运动预报方法
CN110362081B (zh) 一种移动机器人路径规划方法
CN109581281A (zh) 基于到达时间差和到达频率差的移动目标定位方法
CN108362289A (zh) 一种基于多传感器融合的移动智能终端pdr定位方法
CN112612001A (zh) 一种基于bp神经网络算法的轨迹预测方法及装置
CN113468706B (zh) 配网带电作业机器人的激光点云输电线引线拟合方法
CN113268074A (zh) 一种基于联合优化的无人机航迹规划方法
CN112683261B (zh) 一种基于速度预测的无人机鲁棒性导航方法
CN110132287A (zh) 一种基于极限学习机网络补偿的卫星高精度联合定姿方法
CN116661469B (zh) 机器人轨迹误差修正方法及系统
CN109031314B (zh) 一种面向声速剖面的水下节点定位方法
CN109520503A (zh) 一种平方根容积模糊自适应卡尔曼滤波slam方法
CN114861554B (zh) 一种基于集员滤波的无人艇目标轨迹预测方法
Yan et al. Broad-learning-based localization for underwater sensor networks with stratification compensation
Do et al. Fully Bayesian field slam using Gaussian Markov random fields
CN103925939A (zh) 一种光电编码器全量程的标定补偿方法
Yi et al. Bayesian robot localization using spatial object contexts
CN108984974A (zh) 卷积自编码器的设计方法和系统
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

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