CN114936331A - 位置预测方法、装置、电子设备及存储介质 - Google Patents
位置预测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114936331A CN114936331A CN202210404841.3A CN202210404841A CN114936331A CN 114936331 A CN114936331 A CN 114936331A CN 202210404841 A CN202210404841 A CN 202210404841A CN 114936331 A CN114936331 A CN 114936331A
- Authority
- CN
- China
- Prior art keywords
- neuron
- pulse
- abscissa
- activated
- neurons
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 210000002569 neuron Anatomy 0.000 claims abstract description 499
- 230000003213 activating effect Effects 0.000 claims abstract description 41
- 239000012528 membrane Substances 0.000 claims description 51
- 238000012421 spiking Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 16
- 230000000694 effects Effects 0.000 abstract description 10
- 238000004364 calculation method Methods 0.000 abstract description 9
- 238000013528 artificial neural network Methods 0.000 abstract description 8
- 230000004044 response Effects 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9537—Spatial or temporal dependent retrieval, e.g. spatiotemporal queries
-
- 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
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Neurology (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种位置预测方法、装置、电子设备及存储介质,其中方法包括:确定历史轨迹中,等时间间隔的三个轨迹点的坐标;基于三个轨迹点的坐标,激活位置预测模型中的第一脉冲神经元,得到激活后的第一脉冲神经元输出的三个轨迹点分别对应的脉冲;基于三个轨迹点分别对应的脉冲与第一脉冲神经元和位置预测模型中的第二脉冲神经元的连接强度,激活第二脉冲神经元,得到激活后的第二脉冲神经元输出的位置预测结果。该方法通过以脉冲神经网络构建的位置预测模型,该模型根据输入的三个轨迹点的坐标信息,激活脉冲神经元并输出位置预测结果,减少了计算复杂度,缩短了输入到输出的时延,提高了预测结果的效果,进而提高了实时响应的效果。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种位置预测方法、装置、电子设备及存储介质。
背景技术
目前,运动目标的位置预测在机器人控制、自动驾驶、安防系统等领域都有重要的应用。例如在自动驾驶场景中,车载探测系统通过位置预测算法可以对周围的行人和其他机动车的位置进行预测,从而提前做出制动、转向等操作,降低交通事故发生的概率。
现有的运动目标的位置预测主要是通过长短记忆时网络搭建的序列到序列预测网络,根据历史路径中的多个位置坐标对运动目标的位置进行预测。但长短记忆时网络搭建的序列到序列预测网络计算复杂度高,导致输入到输出延时较长,从而导致实际应用中预测结果的效率低,位置预测的快速响应效果不理想。
发明内容
本发明提供一种位置预测方法、装置、电子设备及存储介质,用以解决现有技术中预测网络的计算复杂度高效率低的缺陷。
本发明提供一种位置预测方法,包括:
确定历史轨迹中,等时间间隔的三个轨迹点的坐标;
基于所述三个轨迹点的坐标,激活位置预测模型中的第一脉冲神经元,得到所述第一脉冲神经元中被激活神经元输出的所述三个轨迹点分别对应的脉冲;
基于所述三个轨迹点分别对应的脉冲,以及所述第一脉冲神经元和所述位置预测模型中的第二脉冲神经元的连接强度,激活所述第二脉冲神经元,得到所述第二脉冲神经元中被激活脉冲神经元输出的位置预测结果。
根据本发明提供的一种位置预测方法,所述第一脉冲神经元包括三个脉冲神经元分组;
所述基于所述三个轨迹点的坐标,激活位置预测模型中的第一脉冲神经元,得到所述第一脉冲神经元中被激活神经元输出的所述三个轨迹点分别对应的脉冲,包括:
基于所述三个脉冲神经元分组中任一分组的索引和所述三个轨迹点的索引,确定所述任一分组对应的轨迹点,并应用于所述任一分组对应的轨迹点的坐标,激活所述任一分组中的脉冲神经元,得到所述任一分组中被激活神经元输出的脉冲。
根据本发明提供的一种位置预测方法,所述任一分组包括横坐标脉冲神经元和纵坐标脉冲神经元;
所述应用于所述任一分组对应的轨迹点的坐标,激活所述任一分组中的脉冲神经元,得到所述任一分组中被激活神经元输出的脉冲,包括:
基于所述任一分组对应的轨迹点的横坐标和纵坐标,分别激活所述任一分组的横坐标脉冲神经元和纵坐标脉冲神经元,并得到所述任一分组中被激活横坐标脉冲神经元和被激活纵坐标脉冲神经元分别输出的脉冲。
根据本发明提供的一种位置预测方法,所述第二脉冲神经元包括第二横坐标脉冲神经元和第二纵坐标脉冲神经元;
所述基于所述三个轨迹点分别对应的脉冲,激活所述位置预测模型中的第二脉冲神经元,得到激活后的第二脉冲神经元输出的位置预测结果,包括:
基于所述任一分组中被激活横坐标脉冲神经元输出的脉冲,结合所述任一分组中被激活横坐标脉冲神经元与所述第二横坐标脉冲神经元之间的连接强度,得到所述任一分组对应的所述第二横坐标脉冲神经元的膜电位;以及基于所述任一分组中被激活纵坐标脉冲神经元输出的脉冲,结合所述任一分组中被激活纵坐标脉冲神经元与所述第二纵坐标脉冲神经元之间的连接强度,得到所述任一分组对应的所述第二纵坐标脉冲神经元的膜电位;
基于所述三个脉冲神经元分组中各分组对应的所述第二横坐标脉冲神经元的膜电位和所述第二纵坐标脉冲神经元的膜电位,确定第二横坐标脉冲神经元的总膜电位和第二纵坐标脉冲神经元的总膜电位;
基于所述第二横坐标脉冲神经元的总膜电位和所述第二纵坐标脉冲神经元的总膜电位,应用预设阈值,分别激活所述第二横坐标脉冲神经元和所述第二纵坐标脉冲神经元,并得到所述第二横坐标脉冲神经元中被激活脉冲神经元输出的位置预测结果的横坐标,以及所述第二纵坐标脉冲神经元中被激活脉冲神经元输出的位置预测结果的纵坐标。
根据本发明提供的一种位置预测方法,所述任一分组中被激活横坐标脉冲神经元与所述第二横坐标脉冲神经元之间的连接强度是基于所述任一分组对应的强度控制参数、所述任一分组中被激活横坐标脉冲神经元的索引、所述第二横坐标脉冲神经元的索引以及所述第二横坐标脉冲神经元的总数确定的;所述任一分组中被激活纵坐标脉冲神经元与所述第二纵坐标脉冲神经元之间的连接强度是基于所述任一分组对应的强度控制参数、所述任一分组中被激活纵坐标脉冲神经元的索引、所述第二纵坐标脉冲神经元的索引以及所述第二纵坐标脉冲神经元的总数确定的。
根据本发明提供的一种位置预测方法,所述三个脉冲神经元分组中各组对应强度控制参数基于如下公式计算得到:
式中,k表示预测时间调整参数;ρ1表示所述三个脉冲神经元分组中的第一分组对应的强度控制参数;ρ2表示所述三个脉冲神经元分组中的第二分组对应的强度控制参数;ρ3表示所述三个脉冲神经元分组中的第三分组对应的强度控制参数;所述第一分组对应的轨迹点是所述三个轨迹点中最晚时刻的轨迹点;所述第二分组对应的轨迹点是所述三个轨迹点中间时刻的轨迹点;所述第三分组对应的轨迹点是所述三个轨迹点中最早时刻的轨迹点。
本发明还提供一种位置预测装置,包括:
确定单元,用于确定历史轨迹中,等时间间隔的三个轨迹点的坐标;
输入单元,用于基于所述三个轨迹点的坐标,激活位置预测模型中的第一脉冲神经元,得到激活后的第一脉冲神经元输出的所述三个轨迹点分别对应的第一脉冲;
预测单元,用于基于所述三个轨迹点分别对应的第一脉冲,激活所述位置预测模型中的第二脉冲神经元,得到激活后的第二脉冲神经元输出的位置预测结果。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述位置预测方法。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任一种所述位置预测方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述位置预测方法。
本发明提供的位置预测、装置、电子设备及存储介质,通过历史轨迹中的时间间隔相等的三个轨迹点,激活位置预测模型中的第一脉冲神经元,并依据第一脉冲神经元中被激活神经元输出的脉冲,以及第一脉冲神经元和位置预测模型中的第二脉冲神经元的连接强度,激活第二脉冲神经元,并得到第二脉冲神经元中被激活神经元输出的位置预测结果,实现了以脉冲神经网络构建位置预测模型,该模型以激活脉冲神经元方式的进行位置预测,减少了计算复杂度,缩短了输入到输出的时延,提高了预测结果的效果,进而提高了实时响应的效果。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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是本发明提供的位置预测方法的流程示意图之一;
图2是本发明提供的位置预测方法的流程示意图之二;
图3是本发明提供的位置预测模型网络结构图;
图4是本发明提供的位置预测装置的结构示意图;
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
目前的运动目标位置预测方法使用长短记忆时网络搭建的序列到序列预测网络,由于长短记忆时网络的计算复杂度高,输入到输出的延时较长,将其应用到位置预测的快速响应效果不理想。因此,如何减少预测位置计算复杂度,提升位置预测的效率是本领域亟待解决的技术问题。
针对于这一技术问题,本发明提供一种位置预测方法。图1是本发明提供的位置预测方法的流程示意图之一。如图1所示,该方法包括:
考虑到脉冲神经网络中脉冲神经元自身带有时间属性,适合处理时序相关的输入信息,并且脉冲神经网络的计算复杂度低,因此,本发明实施例通过脉冲神经网络构建位置预测模型,能够降低计算复杂度,提升位置预测的效率。
步骤110,确定历史轨迹中,等时间间隔的三个轨迹点的坐标;
需要说明的是,使用目标检测算法得到运动目标的一段历史轨迹,运动目标位置信息的获取方式,可以是视频、雷达等,本发明实施例不作限制,目标检测算法的形式,可以是卷积神经网络、传统计算机视觉算法等,本发明实施例对此不作限制。等时间间隔的三个轨迹点表示以时间顺序确定三个轨迹点A、B和C,则A和B之间的时间间隔,与B和C之间的时间间隔相等。
步骤120,基于三个轨迹点的坐标,激活位置预测模型中的第一脉冲神经元,得到第一脉冲神经元中被激活神经元输出的三个轨迹点分别对应的脉冲;
步骤130,基于三个轨迹点分别对应的脉冲,以及第一脉冲神经元和位置预测模型中的第二脉冲神经元的连接强度,激活位置预测模型中的第二脉冲神经元,得到第二脉冲神经元中被激活脉冲神经元输出的位置预测结果。
具体地,位置预测模型中包括第一脉冲神经元和第二脉冲神经元,根据三个轨迹点的坐标,激活与三个轨迹点的坐标对应的第一脉冲神经元中的脉冲神经元,得到第一脉冲神经元中被激活脉冲神经元输出的三个轨迹点分别对应的脉冲,然后根据三个轨迹点分别对应的脉冲,以及第一脉冲神经元和位置预测模型中的第二脉冲神经元的连接强度,激活第二脉冲神经元中的脉冲神经元,得到第二脉冲神经元中被激活脉冲神经元输出的位置预测结果。
需要说明的是,三个轨迹点的坐标所在的坐标系是在生成历史轨迹时确定的,位置预测模型中的第一脉冲神经元和第二脉冲神经元依据预测运动目标位置的最大未来时刻信息,确定脉冲神经元的个数以及第一脉冲神经元和第二脉冲神经元中的各脉冲神经元的索引与坐标系中指定坐标点的对应关系,该对应关系可以为坐标系中指定坐标点的坐标整体与第一脉冲神经元和第二脉冲神经元中的各脉冲神经元的索引的对应关系,还可以是坐标系中指定坐标点的横坐标和纵坐标,分别与第一脉冲神经元和第二脉冲神经元中的各脉冲神经元的索引的对应关系,本发明实施例对此不作限制。在第一脉冲神经元和第二脉冲神经元中的各脉冲神经元的索引与坐标系中指定坐标点的对应关系之后,坐标系中任一坐标点可以通过其坐标确定一个指定坐标点,从而实现第一脉冲神经元和第二脉冲神经元中的各脉冲神经元的索引与坐标系中任一坐标点的对应关系,例如,坐标系中任一点坐标点通过计算与各指定坐标点的距离,确定离该坐标点最近的指定坐标点,从而实现第一脉冲神经元和第二脉冲神经元中的各脉冲神经元的索引与坐标系中任一坐标点的对应关系。其中,坐标系中指定坐标点可以是基于一定规则确定,该规则可以是指定坐标点为在坐标系的某一个范围内的横纵坐标为整数的全部坐标点,例如:坐标系的该范围是横坐标在0到100,纵坐标在0到100,则指定坐标点的坐标为(i,j),0≤i≤100,0≤j≤100。
依据第一脉冲神经元中的各脉冲神经元的索引与坐标系中任一坐标点的对应关系,激活与三个轨迹点的坐标对应的第一脉冲神经元中的脉冲神经元可以根据三个轨迹点的整体坐标与第一脉冲神经元索引的对应关系,激活第一脉冲神经元中的脉冲神经元,还可以根据三个轨迹点的横坐标和纵坐标分别与第一脉冲神经元索引的对应关系,激活第一脉冲神经元中的脉冲神经元,此时,第一脉冲神经元中被激活的脉冲神经元包括依据横坐标激活的脉冲神经元和依据纵坐标激活的脉冲神经元,本发明实施例对此不作限制。其中,第一脉冲神经元中的脉冲神经元的索引与坐标系中任一点坐标点的对应关系是依据上述第一脉冲神经元中的各脉冲神经元的索引与坐标系中指定坐标点的对应关系确定的。
此外,位置预测模型中的第一脉冲神经元可以是一组或三组脉冲神经元,当第一脉冲神经元是一组脉冲神经元时,则直接基于该组脉冲神经元根据三个轨迹点的坐标,激活该组中的脉冲神经元,当第一脉冲神经元是三组脉冲神经元时,则需要依据三组脉冲神经元中各组的索引和三个轨迹点的索引,确定三组脉冲神经元中各组对应的轨迹点,根据各组对应的轨迹点,激活各组中的脉冲神经元,本发明实施例对此不作限制。
根据第二脉冲神经元的索引和坐标系中任一坐标点的对应关系,确定第二脉冲神经元中被激活脉冲神经元的索引对应的坐标系中坐标点,该坐标点即为位置预测结果。其中,第二脉冲神经元被激活脉冲神经元可以根据三个轨迹点分别对应的脉冲,以及第一脉冲神经元中各脉冲神经元与第二脉冲神经元中各脉冲神经元的连接强度,激活第二脉冲神经元得到,其中,第一脉冲神经元中各脉冲神经元与第二脉冲神经元中各脉冲神经元的连接强度可以是训练得到的,还可以是预设的连接强度映射关系,或者根据强度控制参数动态获取得到,本发明实施例对此不作限制。其中,强度控制参数是根据预测运动目标位置的未来时刻信息计算得到。第二脉冲神经元中的脉冲神经元的索引与坐标系中任一点坐标点的对应关系是依据上述第二脉冲神经元中的各脉冲神经元的索引与坐标系中指定坐标点的对应关系确定的。
本发明实施例提供的位置预测方法,通过历史轨迹中的时间间隔相等的三个轨迹点,激活位置预测模型中的第一脉冲神经元,并依据第一脉冲神经元中被激活神经元输出的脉冲,以及第一脉冲神经元和位置预测模型中的第二脉冲神经元的连接强度,激活第二脉冲神经元,并得到第二脉冲神经元中被激活神经元输出的位置预测结果,实现了以脉冲神经网络构建位置预测模型,该模型使用三个位置的坐标信息,以激活脉冲神经元方式的进行位置预测,减少了计算复杂度,缩短了输入到输出的时延,提高了预测结果的效果,进而提高了实时响应的效果。
基于上述实施例,本发明还提供一实施例,上述实施例中的第一脉冲神经元包括三个脉冲神经元分组,且步骤120包括:
基于三个脉冲神经元分组中任一分组的索引和三个轨迹点的索引,确定任一分组对应的轨迹点,并应用于该分组对应的轨迹点的坐标,激活该分组中的脉冲神经元,得到该分组中被激活神经元输出的脉冲。
考虑到使用历史轨迹中的三个轨迹点的坐标来进行预测,若只使用一组脉冲神经元来进行位置预测,则需要串行的方式依次处理三个轨迹点,即三个轨迹点中第一个轨迹点激活第一脉冲神经元,得到第一脉冲神经元被激活神经元输出的该轨迹点的脉冲后,再进行第二个轨迹点的操作,第二个轨迹点完成后再进行第三个轨迹点的操作,这种串行的方式需要等待前一轨迹点激活的脉冲神经元复位以后才能进行后续轨迹点的激活,这样导致效率较低,因此,本发明实施例通过将第一脉冲神经元分为三个脉冲神经元分组,每一个脉冲神经元分组中的脉冲神经元的索引分别和坐标系中的指定坐标点形成对应关系,这样可以并行处理三个轨迹点,即可以并行根据三个轨迹点,分别激活三个脉冲神经元分组中的脉冲神经元,提高了执行效率。
具体地,依据三个轨迹点的时刻顺序确定三个轨迹点的索引,三个脉冲神经元分组的索引,则在位置预测模型构建时确定。在确定三个轨迹点之后,以索引相同为条件,三个脉冲神经元分组中任一分组根据三个轨迹点中与该分组索引相同的轨迹点的坐标,激活该分组中的脉冲神经元,并得到该分组中被激活脉冲神经元输出的脉冲。例如:三个轨迹点A、B和C,则依据A、B和C的时刻顺序,确定A的索引为0,B的索引为1,C的索引为2,则三组脉冲神经元分组中索引为0的分组根据A的坐标,激活该分组的脉冲神经元,并输出该分组被激活脉冲神经元输出的脉冲,索引1的分组激活操作和索引2的分组激活操作与索引0的分组激活操作相同,此处不再赘述。
需要说明的是,三个脉冲神经元分组中脉冲神经元的个数相同,并且三个脉冲神经元分组中每一个分组中的脉冲神经元的索引与坐标系中指定坐标点存在对应关系,并依据该对应关系确定每一个分组中的脉冲神经元的索引与坐标系中任一坐标点的对应关系。
基于上述实施例,本发明还提供一实施例,上述实施例中的三个脉冲神经元分组中任一分组包括横坐标脉冲神经元和纵坐标脉冲神经元;并且步骤120中应用于该分组对应的轨迹点的坐标,激活该分组中的脉冲神经元,得到该分组中被激活神经元输出的脉冲,包括:
基于该分组对应的轨迹点的横坐标和纵坐标,分别激活该分组的横坐标脉冲神经元和纵坐标脉冲神经元,并得到该分组中被激活横坐标脉冲神经元和被激活纵坐标脉冲神经元分别输出的脉冲。
考虑到若三个脉冲神经元分组中每一个分组中的脉冲神经元的索引与坐标系中指定坐标点的整体坐标形成对应关系,则会导致每一个分组中的脉冲神经元的数量过多,例如,坐标系的横轴坐标为0到100,纵轴坐标为0到100,则需要10000个脉冲神经元和指定坐标点形成对应关系,则会导致每一个分组中的脉冲神经元的数量随着坐标系横纵轴坐标范围的增大而成指数级增高,进而导致计算复杂度增大,预测位置效率降低,因此,本发明实施例三个脉冲神经元分组中每一个分组的脉冲神经元分为横坐标脉冲神经元和纵坐标脉冲神经元,横坐标脉冲神经元的索引和坐标系中指定坐标点的横坐标对应,纵坐标脉冲神经元的索引和坐标系中指定坐标点的纵坐标对应。以上文例子中的坐标系为例,本发明实施例的三个脉冲神经元分组中每一个分组只需要200个脉冲神经元即可完成和坐标系中横坐标与纵坐标形成对应关系,使得三个脉冲神经元分组中每一个分组的脉冲神经元数量仅为坐标系横纵轴最大坐标值的和,实现了以少量的脉冲神经元完成坐标系中指定坐标点的横坐标与纵坐标的对应关系,减少了计算复杂度,提高了预测效率。
具体地,根据三个脉冲神经元分组中任一分组对应的轨迹点的横坐标,激活该分组的横坐标脉冲神经元,得到该分组被激活横坐标脉冲神经元输出的脉冲,根据该分组对应的轨迹点的纵坐标,激活该分组的纵坐标脉冲神经元,得到该分组被激活纵坐标脉冲神经元输出的脉冲。
基于上述实施例,图2是本发明提供的位置预测方法的流程示意图之二。如图2所示,步骤130包括:
步骤131,基于任一分组中被激活横坐标脉冲神经元输出的脉冲,结合该分组中被激活横坐标脉冲神经元与第二横坐标脉冲神经元之间的连接强度,得到该分组对应的第二横坐标脉冲神经元的膜电位;以及基于该分组中被激活纵坐标脉冲神经元输出的脉冲,结合该分组中被激活纵坐标脉冲神经元与第二纵坐标脉冲神经元之间的连接强度,得到该分组对应的第二纵坐标脉冲神经元的膜电位;
步骤132,基于三个脉冲神经元分组中各分组对应的第二横坐标脉冲神经元的膜电位和第二纵坐标脉冲神经元的膜电位,确定第二横坐标脉冲神经元的总膜电位和第二纵坐标脉冲神经元的总膜电位;
步骤133,基于第二横坐标脉冲神经元的总膜电位和第二纵坐标脉冲神经元的总膜电位,应用预设阈值,分别激活第二横坐标脉冲神经元和第二纵坐标脉冲神经元,并得到第二横坐标脉冲神经元中被激活脉冲神经元输出的位置预测结果的横坐标,以及第二纵坐标脉冲神经元中被激活脉冲神经元输出的位置预测结果的纵坐标。
考虑到将第二脉冲神经元分为用于预测横坐标的第二横坐标脉冲元和用于预测纵坐标的第二纵坐标脉冲元,可以使用少量的脉冲神经元,对位置进行预测,提高了预测位置的效率。
具体地,第二脉冲神经元包括第二横坐标脉冲神经元和第二纵坐标脉冲神经元,根据三个脉冲神经元分组中任一分组中被激活横坐标脉冲神经元输出的脉冲与该分组中被激活横坐标脉冲神经元与第二横坐标脉冲神经元中各脉冲神经元的连接强度的乘积,以及该分组中被激活纵坐标脉冲神经元输出的脉冲与该分组中被激活纵坐标脉冲神经元与第二横坐标脉冲神经元中各脉冲神经元的连接强度的乘积,分别得到该分组对应的第二横坐标脉冲神经元的膜电位和第二纵坐标脉冲神经元的膜电位。
对步骤131中得到的三个脉冲神经元分组中各分组对应的第二横坐标脉冲神经元的膜电位和第二纵坐标脉冲神经元的膜电位进行求和,得到第二横坐标脉冲神经元的总膜电位和第二纵坐标脉冲神经元的总膜电位。
将步骤132中得到的第二横坐标脉冲神经元的总膜电位和第二纵坐标脉冲神经元的总膜电位,分别和预设阈值进行对比,若第二横坐标脉冲神经元和第二纵坐标脉冲神经元中存在总膜电位大于预设阈值,则分别激活第二横坐标脉冲神经元中总膜电位最大的脉冲神经元和第二纵坐标脉冲神经元的中总膜电位最大的脉冲神经元,并分别得到第二横坐标脉冲神经元中和第二纵坐标脉冲神经元中被激活的脉冲神经元输出的位置预测结果的横坐标和纵坐标。
需要说明的是,三个脉冲神经元分组中任一分组的横坐标脉冲神经元索引和第二横坐标脉冲神经元索引相同,该分组的纵坐标脉冲神经元索引和第二纵坐标脉冲神经索引相同。三个脉冲神经元分组中各分组中被激活横坐标脉冲神经元与第二横坐标脉冲神经元中各脉冲神经元的连接强度,以及被激活纵坐标脉冲神经元与第二纵坐标脉冲神经元中各脉冲神经元的连接强度可以经过训练得到,还可以是预设的连接强度映射关系,或者根据强度控制参数动态获取得到,本发明实施例对此不作限制。其中,强度控制参数是根据预测运动目标位置的未来时刻信息计算得到。
此外,第二横坐标脉冲神经元的总膜电位和第二纵坐标脉冲神经元的总膜电位都使用如下公式计算得到:
Pj=∑iSi*Wij
式中,在预测位置预测结果中的横坐标时,i为该分组中被激活的横坐标脉冲神经元的索引,j是第二横坐标脉冲神经元中第j个横坐标脉冲神经元的索引,Si为该分组中被激活的横坐标脉冲神经元输出的脉冲,Wij为该分组中第i个横坐标脉冲神经元和第二横坐标脉冲神经元中第j个横坐标脉冲神经元的连接强度;在预测位置预测结果中的纵坐标时,i为该分组中被激活的纵坐标脉冲神经元的索引,j是第二纵坐标脉冲神经元的索引,Si为该分组中被激活的纵坐标脉冲神经元输出的脉冲,Wij为该分组中第i个纵坐标脉冲神经元和第二横坐标脉冲神经元中第j个横坐标脉冲神经元的连接强度。
基于上述实施例,本发明提供连接强度获取方法的实施例,该方法包括:
任一分组中被激活横坐标脉冲神经元与第二横坐标脉冲神经元之间的连接强度是基于该分组对应的强度控制参数、该分组中被激活横坐标脉冲神经元的索引、第二横坐标脉冲神经元的索引以及第二横坐标脉冲神经元的总数确定的;该组中被激活纵坐标脉冲神经元与第二纵坐标脉冲神经元之间的连接强度是基于该分组对应的强度控制参数、该中被激活纵坐标脉冲神经元的索引、第二纵坐标脉冲神经元的索引以及第二纵坐标脉冲神经元的总数确定的。
具体地,三个脉冲神经元分组中任一分组被激活横坐标脉冲神经元与第二横坐标脉冲神经元之间的连接强度以及该分组被激活纵坐标脉冲神经元与第二纵坐标脉冲神经元之间的连接强度都是通过以下公式计算得到的:
式中,ρ为该分组强度控制参数,在预测位置预测结果中的横坐标时,i为该分组中被激活的横坐标脉冲神经元的索引,j是第二横坐标脉冲神经元中第j个横坐标脉冲神经元的索引,m为该分组中横坐标脉冲神经元的总数,也是第二横坐标脉冲神经元的总数;在预测位置预测结果中的纵坐标时,i为该分组中被激活的纵坐标脉冲神经元的索引,j是第二纵坐标脉冲神经元中第j个纵坐标脉冲神经元的索引,m为该分组中纵坐标脉冲神经元的总数,也是第二纵坐标脉冲神经元的总数。其中,0≤i<m,0≤j<m。
需要说明的是,三个脉冲神经元分组中各组的强度控制参数ρ不相同,各组的强度控制参数ρ可以是预先设置的位置,还可以根据预测时间调整参数动态确定,其中预测时间调整参数表示预测该参数个等时间间隔之后的时刻运动目标的位置,例如:设时间间隔为Δt,强度调整系数为1则表示预测1个时间间隔Δt之后的时刻运动目标的位置,强度调整系数为2则表示预测2个时间间隔Δt之后的时刻运动目标的位置,本发明实施例对此不作限制。
基于上述实施例,本发明提供三个脉冲神经元分组对应的强度控制参数获取的方法的实施例,该方法包括:
三个脉冲神经元分组中各组对应强度控制参数基于如下公式计算得到:
式中,k表示预测时间调整参数;ρ1表示三个脉冲神经元分组中的第一分组对应的强度控制参数;ρ2表示三个脉冲神经元分组中的第二分组对应的强度控制参数;ρ3表示三个脉冲神经元分组中的第三分组对应的强度控制参数;第一分组对应的轨迹点是三个轨迹点中最晚时刻的轨迹点;第二分组对应的轨迹点是三个轨迹点中间时刻的轨迹点;第三分组对应的轨迹点是三个轨迹点中最早时刻的轨迹点。
需要说明的是,预测未来时刻的位置可以根据预设时间间隔△t、当前时刻t和预测时间调整参数k确定,当k等于1时,则预测未来时刻为t+△t,当k等于2时则预测未来时刻为t+2△t,即预测未来时刻的公式为t+k△t。
基于上述实施例,本发明提供一优选实施例,图3是本发明提供的位置预测模型网络结构图。如图3所示,图中△t表示时间间隔,t表示当前时刻,k表示预测时间调整参数,位置预测模型包括输入层和预测层,输入层中每一个脉冲神经元都与预测层全连接,其中,输入层包括三个脉冲神经元分组,三个脉冲神经元分组分别处理是三个轨迹点,三个轨迹点是历史轨迹中时间间隔相等的轨迹点,三个轨迹点分别为(x1,y1,t),(x2,y2,t-Δt),(x3,y3,t-2Δt),要预测的时间为t+kΔt,(x,y,t+kΔt)为需要预测的位置。
具体地,输入层接收运动目标历史轨迹上三个轨迹点的坐标信息的输入,三个轨迹点的时间间隔为Δt,三个位置对应的时刻分别为t,t-Δt,t-2Δt。根据输入轨迹点坐标,激活输入层中三个脉冲神经元分组中与该轨迹点对应的分组中的整合-发放脉冲神经元激活,并产生脉冲传递到预测层。输入层与预测层之间为全连接,预测层中的第二脉冲神经元接收到来自输入层的三个横坐标脉冲和三个纵坐标,根据输入层激活的脉冲神经元对应的连接权值累加膜电位。最终预测层中膜电位最大的第二横坐标脉冲神经元所对应索引即为当前时刻预测得到的位置坐标的横坐标,预测层中膜电位最大的第二纵坐标脉冲神经元所对应索引即为当前时刻预测得到的位置坐标的纵坐标。
下面对本发明提供的位置预测装置进行描述,下文描述的位置预测装置与上文描述的位置预测方法可相互对应参照。
图4是本发明提供的位置预测装置的结构示意图。如图4所示,该装置包括:确定单元410、输入单元420和预测单元430。
其中,
确定单元410,用于确定历史轨迹中,等时间间隔的三个轨迹点的坐标;
输入单元420,用于基于三个轨迹点的坐标,激活位置预测模型中的第一脉冲神经元,得到激活后的第一脉冲神经元输出的三个轨迹点分别对应的第一脉冲;
预测单元430,用于基于三个轨迹点分别对应的第一脉冲,激活位置预测模型中的第二脉冲神经元,得到激活后的第二脉冲神经元输出的位置预测结果。
在本发明实施例中,通过确定单元,用于确定历史轨迹中,等时间间隔的三个轨迹点的坐标;输入单元,用于基于三个轨迹点的坐标,激活位置预测模型中的第一脉冲神经元,得到激活后的第一脉冲神经元输出的三个轨迹点分别对应的第一脉冲;预测单元,用于基于三个轨迹点分别对应的第一脉冲,激活位置预测模型中的第二脉冲神经元,得到激活后的第二脉冲神经元输出的位置预测结果,实现了以脉冲神经网络构建位置预测模型,该模型以激活脉冲神经元方式的进行位置预测,减少了计算复杂度,缩短了输入到输出的时延,提高了预测结果的效果,进而提高了实时响应的效果。
基于上述任一实施例,输入单元420中的第一脉冲神经元包括三个脉冲神经元分组,输入单元420具体用于基于三个脉冲神经元分组中任一分组的索引和三个轨迹点的索引,确定该分组对应的轨迹点,并应用于该分组对应的轨迹点的坐标,激活该分组中的脉冲神经元,得到该分组中被激活神经元输出的脉冲。
基于上述任一实施例,输入单元420中的三个脉冲神经元分组中任一分组包括横坐标脉冲神经元和纵坐标脉冲神经元,输入单元420包括:
激活子单元,用于基于任一分组对应的轨迹点的横坐标和纵坐标,分别激活该分组的横坐标脉冲神经元和纵坐标脉冲神经元,并得到该分组中被激活横坐标脉冲神经元和被激活纵坐标脉冲神经元分别输出的脉冲。
基于上述任一实施例,预测单元430中的第二脉冲神经元包括第二横坐标脉冲神经元和第二纵坐标脉冲神经元,预测单元430包括:
膜电位计算子单元,用于基于任一分组中被激活横坐标脉冲神经元输出的脉冲,结合该分组中被激活横坐标脉冲神经元与第二横坐标脉冲神经元之间的连接强度,得到该分组对应的第二横坐标脉冲神经元的膜电位;以及基于该分组中被激活纵坐标脉冲神经元输出的脉冲,结合该分组中被激活纵坐标脉冲神经元与第二纵坐标脉冲神经元之间的连接强度,得到该分组对应的第二纵坐标脉冲神经元的膜电位;
总膜电位确定子单元,用于基于三个脉冲神经元分组中各分组对应的第二横坐标脉冲神经元的膜电位和第二纵坐标脉冲神经元的膜电位,确定第二横坐标脉冲神经元的总膜电位和第二纵坐标脉冲神经元的总膜电位;
预测子单元,用于基于第二横坐标脉冲神经元的总膜电位和第二纵坐标脉冲神经元的总膜电位,应用预设阈值,分别激活第二横坐标脉冲神经元和第二纵坐标脉冲神经元,并得到第二横坐标脉冲神经元中被激活脉冲神经元输出的位置预测结果的横坐标,以及第二纵坐标脉冲神经元中被激活脉冲神经元输出的位置预测结果的纵坐标。
基于上述任一实施例,膜电位计算子单元包括:
连接强度计算子单元:用于任一分组中被激活横坐标脉冲神经元与第二横坐标脉冲神经元之间的连接强度是基于该分组对应的强度控制参数、该分组中被激活横坐标脉冲神经元的索引、第二横坐标脉冲神经元的索引以及第二横坐标脉冲神经元的总数确定的;该分组中被激活纵坐标脉冲神经元与第二纵坐标脉冲神经元之间的连接强度是基于该分组对应的强度控制参数、该分组中被激活纵坐标脉冲神经元的索引、第二纵坐标脉冲神经元的索引以及第二纵坐标脉冲神经元的总数确定的。
基于上述任一实施例,连接强度计算子单元包括:
强度控制参数计算子单元,用于三个脉冲神经元分组中各组对应强度控制参数基于如下公式计算得到:
式中,k表示预测时间调整参数;ρ1表示三个脉冲神经元分组中的第一分组对应的强度控制参数;ρ2表示三个脉冲神经元分组中的第二分组对应的强度控制参数;ρ3表示三个脉冲神经元分组中的第三分组对应的强度控制参数;第一分组对应的轨迹点是三个轨迹点中最晚时刻的轨迹点;第二分组对应的轨迹点是三个轨迹点中间时刻的轨迹点;第三分组对应的轨迹点是三个轨迹点中最早时刻的轨迹点。
图5示例了一种电子设备的实体结构示意图,如图5所示,该电子设备可以包括:处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540,其中,处理器510,通信接口520,存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令,以执行位置预测方法,该方法包括:确定历史轨迹中,等时间间隔的三个轨迹点的坐标;基于三个轨迹点的坐标,激活位置预测模型中的第一脉冲神经元,得到第一脉冲神经元中被激活神经元输出的三个轨迹点分别对应的脉冲;基于三个轨迹点分别对应的脉冲,以及第一脉冲神经元和位置预测模型中的第二脉冲神经元的连接强度,激活第二脉冲神经元,得到第二脉冲神经元中被激活脉冲神经元输出的位置预测结果。
此外,上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的位置预测方法,该方法包括:确定历史轨迹中,等时间间隔的三个轨迹点的坐标;基于三个轨迹点的坐标,激活位置预测模型中的第一脉冲神经元,得到第一脉冲神经元中被激活神经元输出的三个轨迹点分别对应的脉冲;基于三个轨迹点分别对应的脉冲,以及第一脉冲神经元和所述位置预测模型中的第二脉冲神经元的连接强度,激活第二脉冲神经元,得到第二脉冲神经元中被激活脉冲神经元输出的位置预测结果。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的位置预测方法,该方法包括:确定历史轨迹中,等时间间隔的三个轨迹点的坐标;基于三个轨迹点的坐标,激活位置预测模型中的第一脉冲神经元,得到第一脉冲神经元中被激活神经元输出的三个轨迹点分别对应的脉冲;基于三个轨迹点分别对应的脉冲,以及第一脉冲神经元和所述位置预测模型中的第二脉冲神经元的连接强度,激活第二脉冲神经元,得到第二脉冲神经元中被激活脉冲神经元输出的位置预测结果。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种位置预测方法,其特征在于,包括:
确定历史轨迹中,等时间间隔的三个轨迹点的坐标;
基于所述三个轨迹点的坐标,激活位置预测模型中的第一脉冲神经元,得到所述第一脉冲神经元中被激活神经元输出的所述三个轨迹点分别对应的脉冲;
基于所述三个轨迹点分别对应的脉冲,以及所述第一脉冲神经元和所述位置预测模型中的第二脉冲神经元的连接强度,激活所述第二脉冲神经元,得到所述第二脉冲神经元中被激活脉冲神经元输出的位置预测结果。
2.根据权利要求1所述的位置预测方法,其特征在于,所述第一脉冲神经元包括三个脉冲神经元分组;
所述基于所述三个轨迹点的坐标,激活位置预测模型中的第一脉冲神经元,得到所述第一脉冲神经元中被激活神经元输出的所述三个轨迹点分别对应的脉冲,包括:
基于所述三个脉冲神经元分组中任一分组的索引和所述三个轨迹点的索引,确定所述任一分组对应的轨迹点,并应用于所述任一分组对应的轨迹点的坐标,激活所述任一分组中的脉冲神经元,得到所述任一分组中被激活神经元输出的脉冲。
3.根据权利要求2所述的位置预测方法,其特征在于,所述任一分组包括横坐标脉冲神经元和纵坐标脉冲神经元;
所述应用于所述任一分组对应的轨迹点的坐标,激活所述任一分组中的脉冲神经元,得到所述任一分组中被激活神经元输出的脉冲,包括:
基于所述任一分组对应的轨迹点的横坐标和纵坐标,分别激活所述任一分组的横坐标脉冲神经元和纵坐标脉冲神经元,并得到所述任一分组中被激活横坐标脉冲神经元和被激活纵坐标脉冲神经元分别输出的脉冲。
4.根据权利要求3所述的位置预测方法,其特征在于,所述第二脉冲神经元包括第二横坐标脉冲神经元和第二纵坐标脉冲神经元;
所述基于所述三个轨迹点分别对应的脉冲,激活所述位置预测模型中的第二脉冲神经元,得到激活后的第二脉冲神经元输出的位置预测结果,包括:
基于所述任一分组中被激活横坐标脉冲神经元输出的脉冲,结合所述任一分组中被激活横坐标脉冲神经元与所述第二横坐标脉冲神经元之间的连接强度,得到所述任一分组对应的所述第二横坐标脉冲神经元的膜电位;以及基于所述任一分组中被激活纵坐标脉冲神经元输出的脉冲,结合所述任一分组中被激活纵坐标脉冲神经元与所述第二纵坐标脉冲神经元之间的连接强度,得到所述任一分组对应的所述第二纵坐标脉冲神经元的膜电位;
基于所述三个脉冲神经元分组中各分组对应的所述第二横坐标脉冲神经元的膜电位和所述第二纵坐标脉冲神经元的膜电位,确定第二横坐标脉冲神经元的总膜电位和第二纵坐标脉冲神经元的总膜电位;
基于所述第二横坐标脉冲神经元的总膜电位和所述第二纵坐标脉冲神经元的总膜电位,应用预设阈值,分别激活所述第二横坐标脉冲神经元和所述第二纵坐标脉冲神经元,并得到所述第二横坐标脉冲神经元中被激活脉冲神经元输出的位置预测结果的横坐标,以及所述第二纵坐标脉冲神经元中被激活脉冲神经元输出的位置预测结果的纵坐标。
5.根据权利要求4所述的位置预测方法,其特征在于,所述任一分组中被激活横坐标脉冲神经元与所述第二横坐标脉冲神经元之间的连接强度是基于所述任一分组对应的强度控制参数、所述任一分组中被激活横坐标脉冲神经元的索引、所述第二横坐标脉冲神经元的索引以及所述第二横坐标脉冲神经元的总数确定的;所述任一分组中被激活纵坐标脉冲神经元与所述第二纵坐标脉冲神经元之间的连接强度是基于所述任一分组对应的强度控制参数、所述任一分组中被激活纵坐标脉冲神经元的索引、所述第二纵坐标脉冲神经元的索引以及所述第二纵坐标脉冲神经元的总数确定的。
7.一种位置预测装置,其特征在于,包括:
确定单元,用于确定历史轨迹中,等时间间隔的三个轨迹点的坐标;
输入单元,用于基于所述三个轨迹点的坐标,激活位置预测模型中的第一脉冲神经元,得到激活后的第一脉冲神经元输出的所述三个轨迹点分别对应的第一脉冲;
预测单元,用于基于所述三个轨迹点分别对应的第一脉冲,激活所述位置预测模型中的第二脉冲神经元,得到激活后的第二脉冲神经元输出的位置预测结果。
8.一种电子设备,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,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述位置预测方法。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述位置预测方法。
10.一种计算机程序产品,包括计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述位置预测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210404841.3A CN114936331A (zh) | 2022-04-18 | 2022-04-18 | 位置预测方法、装置、电子设备及存储介质 |
PCT/CN2023/083060 WO2023202313A1 (zh) | 2022-04-18 | 2023-03-22 | 位置预测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210404841.3A CN114936331A (zh) | 2022-04-18 | 2022-04-18 | 位置预测方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114936331A true CN114936331A (zh) | 2022-08-23 |
Family
ID=82862804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210404841.3A Pending CN114936331A (zh) | 2022-04-18 | 2022-04-18 | 位置预测方法、装置、电子设备及存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114936331A (zh) |
WO (1) | WO2023202313A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023202313A1 (zh) * | 2022-04-18 | 2023-10-26 | 北京大学 | 位置预测方法、装置、电子设备及存储介质 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110928993B (zh) * | 2019-11-26 | 2023-06-30 | 重庆邮电大学 | 基于深度循环神经网络的用户位置预测方法及系统 |
CN111275742B (zh) * | 2020-01-19 | 2022-01-11 | 北京大学 | 一种目标识别方法、装置、系统及计算机可读存储介质 |
CN114092751A (zh) * | 2020-07-09 | 2022-02-25 | 北京图森未来科技有限公司 | 一种轨迹预测方法和装置 |
CN112733452B (zh) * | 2021-01-13 | 2024-03-29 | 北京嘀嘀无限科技发展有限公司 | 轨迹预测方法、装置、电子设备和可读存储介质 |
CN113255905B (zh) * | 2021-07-16 | 2021-11-02 | 成都时识科技有限公司 | 脉冲神经网络中神经元的信号处理方法及该网络训练方法 |
CN114936331A (zh) * | 2022-04-18 | 2022-08-23 | 北京大学 | 位置预测方法、装置、电子设备及存储介质 |
-
2022
- 2022-04-18 CN CN202210404841.3A patent/CN114936331A/zh active Pending
-
2023
- 2023-03-22 WO PCT/CN2023/083060 patent/WO2023202313A1/zh unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023202313A1 (zh) * | 2022-04-18 | 2023-10-26 | 北京大学 | 位置预测方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2023202313A1 (zh) | 2023-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113264066B (zh) | 障碍物轨迹预测方法、装置、自动驾驶车辆及路侧设备 | |
CN103259962B (zh) | 一种目标追踪方法和相关装置 | |
US11645518B2 (en) | Multi-agent simulations | |
US20230367934A1 (en) | Method and apparatus for constructing vehicle dynamics model and method and apparatus for predicting vehicle state information | |
CN113420682B (zh) | 车路协同中目标检测方法、装置和路侧设备 | |
CN110263628B (zh) | 障碍物检测方法、装置、电子设备以及存储介质 | |
US11954579B2 (en) | Synaptic weight training method, target identification method, electronic device and medium | |
CN113139696B (zh) | 一种轨迹预测模型构建方法及轨迹预测方法、装置 | |
CN113561986A (zh) | 自动驾驶汽车决策方法及装置 | |
CN111079533A (zh) | 无人车驾驶决策方法、无人车驾驶决策装置及无人车 | |
CN110509957A (zh) | 一种列车速度预测方法及装置 | |
CN114936331A (zh) | 位置预测方法、装置、电子设备及存储介质 | |
CN117474168A (zh) | 一种基于注意力机制的CNN-BiGRU的船舶轨迹预测方法及装置 | |
CN113408711A (zh) | 一种基于lstm神经网络的船舶运动极短期预报方法及系统 | |
CN114067166A (zh) | 用于确定物理对象的物理特性的设备和方法 | |
Goncharov et al. | Mathematical modeling of the security management process of an information system in conditions of unauthorized external influences | |
CN117912295A (zh) | 车辆数据的处理方法、装置、电子设备和存储介质 | |
CN116129239A (zh) | 一种小目标检测方法、装置、设备及存储介质 | |
CN109409280A (zh) | 一种行车告警系统、方法、设备、平台及介质 | |
CN117576148A (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN114889608A (zh) | 一种基于注意力机制的车辆换道预测方法 | |
CN116842392B (zh) | 轨迹预测方法及其模型的训练方法、装置、设备及介质 | |
CN113642627B (zh) | 一种基于深度学习的图像与决策多源异类信息融合识别方法和装置 | |
CN117890922A (zh) | 一种目标跟踪与轨迹预测方法、装置、设备及存储介质 | |
CN117953367A (zh) | 多识别对象检测方法、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 |