CN115080879B - 一种位置搜索方法、装置、电子设备和可读存储介质 - Google Patents
一种位置搜索方法、装置、电子设备和可读存储介质 Download PDFInfo
- Publication number
- CN115080879B CN115080879B CN202210889227.0A CN202210889227A CN115080879B CN 115080879 B CN115080879 B CN 115080879B CN 202210889227 A CN202210889227 A CN 202210889227A CN 115080879 B CN115080879 B CN 115080879B
- Authority
- CN
- China
- Prior art keywords
- spatial
- historical
- current
- obtaining
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 239000011159 matrix material Substances 0.000 claims description 94
- 238000003062 neural network model Methods 0.000 claims description 44
- 239000013598 vector Substances 0.000 claims description 26
- 230000009467 reduction Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 239000000758 substrate Substances 0.000 claims 1
- 230000008569 process Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 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
- 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
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Health & Medical Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
- Feedback Control In General (AREA)
Abstract
本申请提供了一种位置搜索方法、装置、电子设备和可读存储介质,基于第一对象和第二对象的空间特征,预测第一对象在多个方向的移动概率,基于该第一对象的移动概率控制第二对象向第一对象移动,以使得该第二对象的位置与第一对象的位置在后续时刻满足重合条件,实现对于第一对象的搜索,其中,第一对象和第二对象的空间特征分别表征所述第一对象和第二对象在当前时刻及历史预设时间段内的空间位置,本方案中,结合两个对象在当前时刻以及历史预设时间段内的空间位置预测第一对象的移动概率,控制第二对象对于第一对象的搜索,本方案中第二对象对于第一对象的位置搜索准确且快速。
Description
技术领域
本申请涉及信息技术领域,更具体的说,是涉及一种位置搜索方法、装置、电子设备和可读存储介质。
背景技术
在对抗场景中,第一方确定第二方的前进路径,以发现第二方的意图。
以红蓝双方对抗为例,蓝方拥有n台无人机往目标点执行任务,红方有自己的雷达预警系统在探查到蓝方无人机后,能给出一个有随机0~m(km)误差的预警点,红方一架拦截机会根据预警点的位置去搜索并摧毁蓝方的无人机。如图1所示的为红蓝双方对抗示意图,其中,“*”点为红方拦截机,圆形范围为它的视野范围。“×”是对应无人机的预警位置,而它真实的位置可能在以“·”为圆(球)心,半径为m(km)的圆内的任意位置,如“×”标所示。注意随着推演的进行,“·”点与“×”标的相对位置不会发生改变,也就是红方的预警误差不会改变。控制红方拦截机进行拦截,越快完成拦截任务越好。
目前的采用的方式大多都是通过人工设定规则去控制红方拦截机进行拦截,例如先让红方拦截机走到第一个蓝方无人机预警区域中心点,如果没找到,再依次找上下左右端点,找到一个无人机之后在接着找第二个。但是,人工设定的规则不能覆盖所有的情况,表现效果不好。
发明内容
有鉴于此,本申请提供了一种位置搜索方法,如下:
一种位置搜索方法,包括:
获得第一对象的空间特征和第二对象的空间特征,所述第一对象的空间特征表征所述第一对象在当前时刻以及历史预设时间段内的空间位置,所述第二对象的空间特征表征所述第二对象在当前时刻以及历史预设时间段内的空间位置;
基于所述第一对象的空间特征和第二对象的空间特征预测所述第一对象在至少两个方向的移动概率;
基于所述移动概率控制第二对象向所述第一对象移动,以使得所述第二对象的位置与第一对象的位置在目标时刻满足重合条件,实现第二对象对于第一对象的搜索,所述目标时刻晚于当前时刻。
可选的,上述的方法,所述获得第一对象的空间特征,包括:
获得第一对象当前时刻所在位置的第一当前空间特征以及至少两个历史时刻所在位置的第一历史空间特征;
相应的,获得第二对象的空间特征,包括:
获得第二对象当前时刻所在位置的第二当前空间特征以及至少两个历史时刻所在位置的第二历史空间特征。
可选的,上述的方法,所述获得第一对象当前时刻所在位置的第一当前空间特征以及至少两个历史时刻所在位置的第一历史空间特征,包括:
获得第一对象当前所在位置的第一位置范围和至少两个历史所在位置的第一历史位置范围;
将所述第一位置范围和第一历史位置范围离散化得到第一位置矩阵,所述第一位置矩阵表征第一当前空间特征以及第一历史空间特征,所述第一位置矩阵包含至少两个数据,每个数据表示一个空间特征。
可选的,上述的方法,所述获得第二对象当前时刻所在位置的第二当前空间特征以及至少两个历史时刻所在位置的第二历史空间特征,包括:
获得第二对象当前所在位置的第二位置范围和至少两个历史所在位置的第二历史位置范围;
将所述第二位置范围和所述第二历史范围离散化得到第二位置矩阵,所述第二位置矩阵表征第二当前空间特征以及第二历史空间特征,所述第二位置矩阵包含至少两个数据,每个数据表示一个空间特征。
可选的,上述的方法,所述基于所述第一对象的空间特征和第二对象的空间特征预测所述第一对象在至少两个方向的移动概率,包括:
将所述第一位置矩阵和第二位置矩阵输入目标神经网络模型,控制所述目标神经网络模型输出预设维度的向量;
基于所述预设维度的向量,得到第一对象在至少两个方向的移动概率。
可选的,上述的方法,所述将所述第一位置矩阵和第二位置矩阵输入目标神经网络模型,控制所述目标神经网络模型输出预设维度的向量,包括:
将所述第一位置矩阵和所述第二位置矩阵输入目标神经网络模型;
控制所述目标神经网络模型中的至少两个卷积层基于所述第一位置矩阵和第二位置矩阵,提取得到第一对象和第二对象的空间信息,所述空间信息的维度大于所述预设维度;
将所述第一对象和第二对象的空间信息降维处理,得到预设维度的向量。
一种位置搜索装置,包括:
获得模块,用于获得第一对象的空间特征和第二对象的空间特征,所述第一对象的空间特征表征所述第一对象在当前时刻以及历史预设时间段内的空间位置,所述第二对象的空间特征表征所述第二对象在当前时刻以及历史预设时间段内的空间位置;
分析模块,用于基于所述第一对象的空间特征和第二对象的空间特征预测所述第一对象在至少两个方向的移动概率;
控制模块,用于基于所述移动概率控制第二对象向所述第一对象移动,以使得所述第二对象的位置与第一对象的位置在目标时刻满足重合条件,实现第二对象对于第一对象的搜索,所述目标时刻晚于当前时刻。
可选的,上述的方法,所述获得模块,包括:
第一获得单元,用于获得第一对象当前时刻所在位置的第一当前空间特征以及至少两个历史时刻所在位置的第一历史空间特征;
第二获得单元,用于获得第二对象当前时刻所在位置的第二当前空间特征以及至少两个历史时刻所在位置的第二历史空间特征。
一种电子设备,所述电子设备包括:至少一个存储器和至少一个处理器;所述存储器存储有程序,所述处理器调用所述存储器存储的程序,所述程序用于实现如上述一项所述的位置搜索方法。
一种可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器调用并执行,实现如上述任一项所述的位置搜索方法的各步骤。
经由上述的技术方案可知,本申请提供了一种位置搜索方法,基于第一对象和第二对象的空间特征,预测第一对象在多个方向的移动概率,基于该第一对象的移动概率控制第二对象向第一对象移动,该第二对象对于第一对象进行搜索,最终该第二对象的位置与第一对象的位置在后续的目标时刻满足重合条件,第二对象搜索得到该第一对象的位置,其中,第一对象的空间特征和第二对象的空间特征分别表征所述第一对象和第二对象在当前时刻以及历史预设时间段内的空间位置,相对于现有技术中的依次查找多个第一对象的可能出现范围中的各个方向,本方案中,结合两个对象在当前时刻以及历史预设时间段内的空间位置预测第一对象的移动概率,控制第二对象对于第一对象的搜索,本方案中第二对象对于第一对象的位置搜索更加准确且快速。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例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,还可以根据提供的附图获得其他的附图。
图1是红蓝双方对抗示意图;
图2是本申请提供的一种位置搜索方法实施例1的流程图;
图3是本申请提供的一种位置搜索方法实施例2的流程图;
图4是本申请提供的一种位置搜索方法实施例1中位置范围离散化处理示意图;
图5是本申请提供的一种位置搜索方法实施例3的流程图;
图6是本申请提供的一种位置搜索方法实施例4的流程图;
图7是本申请提供的一种位置搜索方法实施例4中目标神经网络模型的结构示意图;
图8是本申请提供的一种位置搜索装置实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,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例,都属于本申请保护的范围。
如图2所示的,为本申请提供的一种位置搜索方法实施例1的流程图,该方法应用于一电子设备,该方法包括以下步骤:
步骤S201:获得第一对象的空间特征和第二对象的空间特征;
其中,本方案应用于第二对象所属方的电子设备中,该电子设备用于对第一对象的移动方式进行预测以及对于第二对象的移动方式控制。
其中,该第一对象是位置待进行搜索的对象,第二对象是对于第一对象的位置进行搜索的对象。
其中,所述第一对象的空间特征表征所述第一对象在当前时刻以及历史预设时间段内的空间位置,所述第二对象的空间特征表征所述第二对象在当前时刻以及历史预设时间段内的空间位置。
其中,在不同的使用场景中,第一对象和第二对象对应的装置不同。
作为一个示例,在红蓝双方无人机对抗场景中,该第一对象是作为被搜索的蓝方无人机,第二对象是作为搜索的红方拦截机。
作为一个示例,在导弹拦截场景中,该第一对象是作为被拦截的导弹,该第二对象是执行拦截操作的导弹。
其中,该空间特征具体可以是两个对象在空间中表现出的特征,如是对象在空间中所处的位置等。
后续说明书中会对于该获得的过程进行详细说明,本实施例中不做详述。
步骤S202:基于所述第一对象的空间特征和第二对象的空间特征预测所述第一对象在至少两个方向的移动概率;
其中,该第一对象的空间特征表示了从历史时间段内到当前时刻,该第一对象的移动路线对应的空间特征;该第二对象的空间特征表示了从历史时间段内到当前时刻,该第二对象的移动路线对应的空间特征。
其中,基于该第一对象的空间特征能够预测得到该第一对象可能移动的方向以及在该方向的移动概率。
其中,如在二维空间中,该至少两个方向可以是8个方向,具体是东、西、南、北、东南、西南、东北和西北8个方向。
结合第二对象的空间特征,可以得到该第一对象相对于第二对象在多个方向的移动概率。
其中,该预测第一对象的移动方向以及概率的过程在后续实施例中会做详细说明,本实施例中不做详述。
步骤S203:基于所述移动概率控制第二对象向所述第一对象移动,以使得所述第二对象的位置与第一对象的位置在目标时刻满足重合条件,实现第二对象对于第一对象的搜索。
其中,所述目标时刻晚于当前时刻。
其中,在预测到该第一对象的移动方向以及相应的移动概率后,控制第二对象向该第一对象移动,以使得该第二对象能够在未来某一时刻搜索到该第一对象。
具体实施中,对于第一对象的移动方向对应的概率排序,从高到低进行排序,按照从高到低的顺序选择第一对象的移动方向,控制第二对象向该第一对象移动,以使得第二对象能够搜索到第一对象。
其中,移动概率能够表现第一对象在相应的方向移动的概率,一般的,在最高概率对应的方向即可搜索得到该第一对象。
其中,该第二对象移动到第一对象所在区域后,可以在该第一对象所在区域中,通过遍历该第一对象所在的圆内的中间、上、下、左和右5个点,在控制第二对象向第一对象移动过程中,结合了该第二对象的空间特征,保证该第二对象在搜索第一对象位置时避免重复搜索。
但是,若在最高概率对应的方向未能够搜索到第一对象,则继续选择第二高概率对应的方向进行搜索。
综上,本实施例提供的一种位置搜索方法,基于第一对象和第二对象的空间特征,预测第一对象在多个方向的移动概率,基于该第一对象的移动概率控制第二对象向第一对象移动,该第二对象对于第一对象进行搜索,最终该第二对象的位置与第一对象的位置在后续的目标时刻满足重合条件,第二对象搜索得到该第一对象的位置,其中,第一对象的空间特征和第二对象的空间特征分别表征所述第一对象和第二对象在当前时刻以及历史预设时间段内的空间位置,相对于现有技术中的依次查找多个第一对象的可能出现范围中的各个方向,本方案中,结合两个对象在当前时刻以及历史预设时间段内的空间位置预测第一对象的移动概率,控制第二对象对于第一对象的搜索,本方案中第二对象对于第一对象的位置搜索更加准确且快速。
如图3所示的,为本申请提供的一种位置搜索方法实施例2的流程图,该方法包括以下步骤:
步骤S301:获得第一对象当前时刻所在位置的第一当前空间特征以及至少两个历史时刻所在位置的第一历史空间特征;
其中,该第一对象的空间特征表征了第一对象在当前时刻以及历史预设时间段内的空间位置。
具体的,获得该第一对象在当前时刻所在位置的第一当前空间特征,获得该第一对象在多个历史时刻所在位置的第一历史空间特征。
具体的步骤S301,包括:
步骤S3011:获得第一对象当前所在位置的第一位置范围和至少两个历史所在位置的第一历史位置范围;
其中,该第一对象所在位置的位置范围是一个圆形(或球形)区域,该区域的示意图可以参考图1中的蓝方无人机的真实位置所在的圆形(或球形)区域。
其中,获得该第一对象当前所在位置的位置范围(第一位置范围)和该第一对象在多个历史时刻其所在位置的位置范围(第一历史位置范围)。
其中,该历史时刻是与该当前时刻接近的多个的历史时刻。
其中,若该历史时刻是非连续的,可以是指定采集该位置范围的时刻;若该历史时刻是连续的,该连续可以是指采集该位置范围的采集周期连续。
步骤S3012:将所述第一位置范围和第一历史位置范围离散化得到第一位置矩阵,所述第一位置矩阵表征第一当前空间特征以及第一历史空间特征,所述第一位置矩阵包含至少两个数据,每个数据表示一个空间特征。
其中,对于上述的多个位置范围进行离散化处理,得到第一对象对应的第一位置矩阵。
具体的,将每个位置范围离散化成N*M个点(N和M的取值是大于1的正整数),即每个位置范围采用N*M的二维空间表示,若历史时刻取值为K-1个时刻(K的取值是大于2的正整数),则该第一位置矩阵是N*M*K的矩阵。
步骤S302:获得第二对象当前时刻所在位置的第二当前空间特征以及至少两个历史时刻所在位置的第二历史空间特征;
其中,该第二对象的空间特征表征了第二对象在当前时刻以及历史预设时间段内的空间位置。
具体的,获得该第二对象在当前时刻所在位置的第二当前空间特征,获得该第二对象在多个历史时刻所在位置的第二历史空间特征。
具体的步骤S302,包括:
步骤S3021:获得第二对象当前所在位置的第二位置范围和至少两个历史所在位置的第二历史位置范围;
其中,该第二对象所在位置的位置范围是一个圆形(或球形)区域,该区域的示意图可以参考图1中的红方拦截机的视野范围。
其中,获得该第二对象当前所在位置的位置范围(第二位置范围)和该第二对象在多个历史时刻其所在位置的位置范围(第二历史位置范围)。
其中,该历史时刻是与该当前时刻接近的多个的历史时刻。
其中,若该历史时刻是非连续的,可以是指定采集该位置范围的时刻;若该历史时刻是连续的,该连续可以是指采集该位置范围的采集周期连续。
步骤S3022:将所述第二位置范围和所述第二历史范围离散化得到第二位置矩阵,所述第二位置矩阵表征第二当前空间特征以及第二历史空间特征,所述第二位置矩阵包含至少两个数据,每个数据表示一个空间特征。
其中,对于上述的多个位置范围进行离散化处理,得到第二对象对应的第二位置矩阵。
需要说明的时,获得历史位置范围的历史时刻的选取的时间点以及选取的间隔取决于不同的推演场景与后续预测采用模型的复杂度,例如取5至10个历史时间点。
具体的,将每个位置范围离散化成N*M个点(N和M的取值是大于1的正整数),即每个位置范围采用N*M的二维空间表示,若历史时刻取值为K-1个时刻(K的取值是大于2的正整数),则该第二位置矩阵是N*M*K的矩阵。
如图4所示的为位置范围离散化处理示意图,该示意图中所示的为第二对象的当前时刻位置范围(即其视野范围)。其中,左图表示的离散化后的第二对象的位置范围,右图表示的是该第二对象的空间特征,使用二维数组表示,在该位置范围内的点是1,不在位置范围内的点是0。
其中,本方案中,由于考虑了第一对象、第二对象的当前时刻和历史预设时间段内的位置对应的空间特征,结合了当前空间与历史空间的关联关系,以便后续步骤中,基于该当前空间与历史空间的关联关系进行分析确定。
具体实施中,得获得的第一对象的空间特征与第二对象的空间特征一致,即最终得到的第一位置矩阵和第二位置矩阵的维数相同。
步骤S303:基于所述第一对象的空间特征和第二对象的空间特征预测所述第一对象在至少两个方向的移动概率;
步骤S304:基于所述预测移动概率控制第二对象向所述第一对象移动,以使得所述第二对象的位置与第一对象的位置在目标时刻满足重合条件,实现第二对象对于第一对象的搜索。
其中,步骤S303-304与实施例1中的步骤S202-203一致,本实施例中不做赘述。
综上,本实施例提供的一种位置搜索方法中,包括:获得第一对象当前时刻所在位置的第一当前空间特征以及至少两个历史时刻所在位置的第一历史空间特征;获得第二对象当前时刻所在位置的第二当前空间特征以及至少两个历史时刻所在位置的第二历史空间特征。本方案中,获得了第一对象和第二对象当前时刻所在位置的空间特征以及多个历史时刻所在位置的空间特征,为后续步骤中结合两个对象在当前时刻以及历史预设时间段内的空间位置预测第一对象的移动概率,并控制第二对象对于第一对象进行搜索提供依据。
如图5所示的,为本申请提供的一种位置搜索方法实施例3的流程图,该方法包括以下步骤:
步骤S501:获得第一对象当前所在位置的第一位置范围和至少两个历史所在位置的第一历史位置范围;
步骤S502:将所述第一位置范围和第一历史位置范围离散化得到第一位置矩阵;
步骤S503:获得第二对象当前所在位置的第二位置范围和至少两个历史所在位置的第二历史位置范围;
步骤S504:将所述第二位置范围和所述第二历史范围离散化得到第二位置矩阵;
其中,步骤S501-504与实施例2中的步骤S3011-3012、3021-3022一致,本实施例中不做赘述。
步骤S505:将第一位置矩阵和第二位置矩阵输入目标神经网络模型,控制所述目标神经网络模型输出预设维度的向量;
其中,目标神经网络模型是经过训练完成的神经网络模型,能够对于输入的两个位置矩阵进行处理,输出预设维度的向量。
其中,将第一位置矩阵和第二位置矩阵,作为输入信息输入目标神经网络模型。
具体的,将第一位置矩阵和第二位置矩阵组合,得到输入目标神经网络模型的待输入矩阵,如第一位置矩阵是N*M*K,第二位置矩阵也是N*M*K,得到的待输入矩阵是N*M*2K。
具体的,在组合第一位置矩阵和第二位置矩阵时,可以先将第一对象和第二对象的当前空间特征组合,再将第一对象和第二对象的历史空间特征组合,得到待输入矩阵。
具体实施中,还可以基于对应同一时刻的位置范围,获得同一时刻对应的第一对象的空间特征和第二对象的空间特征并组合,进而实现将第一位置矩阵和第二位置矩阵组合得到待输入矩阵,以实现将该待输入矩阵输入目标神经网络中进行处理。
其中,该目标神经网络模型可以采用CNN(Convolutional Neural Networks,卷积神经网络)模型。
其中,由于CNN模型能够将分别表征第一对象和第二对象的当前所在位置的当前空间特征和历史时刻所在位置历史空间特征进行处理,提取得到当前空间和历史空间的关联关系。
其中,该目标神经网络模型输出的向量值的维度是预先设置的,该维度取值越大,目标神经网络的参数越多,该目标神经网络模型的训练越慢。
具体实施中,该维度的取值可以根据实际情况进行设置,如可以取值为1024或者2048或者512等,本申请不对于该维度的具体取值做限制。
需要说明的是,本方案中,结合了第一对象和第二对象的当前时刻的空间特征以及历史时刻的空间特征,该目标神经网络模型能够提取出当前空间与历史空间的相对信息,例如是轨迹信息等,能够结合两个对象的轨迹信息,以防止重复搜索的情况出现。
其中,目标神经网络模型的进行训练的强化学习算法可以采用Policy Gradient(策略梯度)系列算法,也可以使用DQN(深度Q价值网络)系列算法等。在训练过程中,将待训练的神经网络的输入与输出改成状态与动作价值即可,其中,动作价值即为预测的动作对应的概率。
在本申请中,目标神经网络的训练可以采用PPO算法,属于Policy Gradient系列算法。它解决了许多Policy Gradient算法中步长较大,策略更新不稳定的问题,同时它使用的训练样本可以不基于当前策略,样本效率高。
具体的,采用梯度下降方法优化该训练CNN模型中的损失函数,直至损失函数不再收敛,完成训练CNN模型,得到目标神经网络模型。
步骤S506:基于所述预设维度的向量,得到第一对象在至少两个方向的移动概率;
其中,经过目标神经网络模型进行处理,得到预设维度的向量,该多个维度的向量值是对于第一对象和第二对象的状态的表示,表示的为二者之间的相对关系,再通过该预设维度的向量进行处理,得到该第一对象在多个方向的移动概率。
具体的,在该目标神经网络后连接全连接层和softmax层,通过该全连接层先对于目标神经网络输出的多维向量值进行拟合,再由softmax层进行分类,得到多个方向的移动概率。
例如,若在二维空间进行位置搜索,采用二维平面坐标系表示,要输出类别中分别表示移动方向(dx,dy),该dx和dy的取值为-1、0或1,排除(0,0)的点,一共是8个类别。
例如,若在三维空间进行位置搜索,采用三维坐标系表示,要输出类别中分别表示移动方向(dx,dy,dz),该dx、dy和dz的取值为-1、0或1,排除(0,0,0)的点,一共是26个类别。
步骤S507:基于所述移动概率控制第二对象向所述第一对象移动,以使得所述第二对象的位置与第一对象的位置在目标时刻满足重合条件,实现第二对象对于第一对象的搜索。
其中,步骤S507与实施例2中的步骤S304一致,本实施例中不做赘述。
综上,本实施例提供的一种位置搜索方法中,包括:将所述第一位置矩阵和第二位置矩阵输入目标神经网络模型,控制所述目标神经网络模型输出预设维度的向量;基于所述预设维度的向量,得到第一对象在至少两个方向的移动概率。本方案中,采用目标神经网络模型对于第一对象的空间特征和第二对象的空间特征进行处理,结合第一对象和第二对象当前空间和历史空间的关联关系预测得到该第一对象的移动方向和移动概率,以使得基于移动概率控制第二对象向第一对象移动时,防止出现重复搜索的问题。
如图6所示的,为本申请提供的一种位置搜索方法实施例4的流程图,该方法包括以下步骤:
步骤S601:获得第一对象当前所在位置的第一位置范围和至少两个历史所在位置的第一历史位置范围;
步骤S602:将所述第一位置范围和第一历史位置范围离散化得到第一位置矩阵;
步骤S603:获得第二对象当前所在位置的第二位置范围和至少两个历史所在位置的第二历史位置范围;
步骤S604:将所述第二位置范围和所述第二历史范围离散化得到第二位置矩阵;
其中,步骤S601-604与实施例3中的步骤S501-504一致,本实施例中不做赘述。
步骤S605:将第一位置矩阵和第二位置矩阵输入目标神经网络模型;
其中,将第一位置矩阵和第二位置矩阵输入目标神经网络模型的过程可以参考实施例3中的步骤S505中的解释,此处不做赘述。
步骤S606:控制所述目标神经网络模型中的至少两个卷积层基于所述第一位置矩阵和第二位置矩阵,提取得到第一对象和第二对象的空间信息;
其中,所述空间信息的维度大于所述预设维度。
其中,目标神经网络模型中包含输入层和多层卷积层。
其中,第一位置矩阵和第二位置矩阵得到待输入矩阵后,将该待输入矩阵输入目标神经网络模型的输入层,输入层将待输入矩阵传输给卷积层,经过卷积层的处理提取得到其中的空间信息。
步骤S607:将所述第一对象和第二对象的空间信息降维处理,得到预设维度的向量;
其中,目标神经网络模型在卷积层后还有flatten层和全连接层,该flatten层和全连接层用于对于第一对象和第二对象的空间信息进行降维处理。
具体的,flatten层用于将最后一层卷积层提取的空间信息进行拉直处理,全连接层将拉直的信息进行编码成预设维度的向量。
如图7所示的为目标神经网络模型的结构示意图,其中,该神经网络模型包括输入层、三层卷积层、flatten层和全连接层。其中,输入层输入的信息是N*M*2K的矩阵,经过三层卷积层处理,flatten层的拉直处理以及全连接层的编码,最终输出的1024维的向量。
步骤S608:基于所述预设维度的向量,得到第一对象在至少两个方向的移动概率;
步骤S609:基于所述预测移动概率控制第二对象向所述第一对象移动,以使得所述第二对象的位置与第一对象的位置在目标时刻满足重合条件,实现第二对象对于第一对象的搜索。
其中,步骤S608-609与实施例3中的步骤S506-507一致,本实施例中不做赘述。
综上,本实施例提供的一种位置搜索方法中,包括:将所述第一位置矩阵和第二位置矩阵输入目标神经网络模型;控制所述目标神经网络模型中的至少两个卷积层基于所述第一位置矩阵和第二位置矩阵,提取得到第一对象和第二对象的空间信息,所述空间信息的维度大于所述预设维度;将所述第一对象和第二对象的空间信息降维处理,得到预设维度的向量。本方案中,对于目标神经网络模型对于输入的位置矩阵进行处理的具体过程进行了说明。
与上述本申请提供的一种位置搜索方法实施例相对应的,本申请还提供了应用该位置搜索方法的装置实施例。
如图8所示的为本申请提供的一种位置搜索装置实施例的结构示意图,该装置包括以下结构:获得模块801、分析模块802和控制模块803;
其中,该获得模块801,用于获得第一对象的空间特征和第二对象的空间特征,所述第一对象的空间特征表征所述第一对象在当前时刻以及历史预设时间段内的空间位置,所述第二对象的空间特征表征所述第二对象在当前时刻以及历史预设时间段内的空间位置;
其中,该分析模块802,用于基于所述第一对象的空间特征和第二对象的空间特征预测所述第一对象在至少两个方向的移动概率;
其中,该控制模块803,用于基于所述移动概率控制第二对象向所述第一对象移动,以使得所述第二对象的位置与第一对象的位置在目标时刻满足重合条件,实现第二对象对于第一对象的搜索,所述目标时刻晚于当前时刻。
可选的,该获得模块,包括:
第一获得单元,用于获得第一对象当前时刻所在位置的第一当前空间特征以及至少两个历史时刻所在位置的第一历史空间特征;
第二获得单元,用于获得第二对象当前时刻所在位置的第二当前空间特征以及至少两个历史时刻所在位置的第二历史空间特征。
可选的,第一获得单元具体用于:
获得第一对象当前所在位置的第一位置范围和至少两个历史所在位置的第一历史位置范围;
将所述第一位置范围和第一历史位置范围离散化得到第一位置矩阵,所述第一位置矩阵表征第一当前空间特征以及第一历史空间特征,所述第一位置矩阵包含至少两个数据,每个数据表示一个空间特征。
可选的,第二获得单元具体用于:
获得第二对象当前所在位置的第二位置范围和至少两个历史所在位置的第二历史位置范围;
将所述第二位置范围和所述第二历史范围离散化得到第二位置矩阵,所述第二位置矩阵表征第二当前空间特征以及第二历史空间特征,所述第二位置矩阵包含至少两个数据,每个数据表示一个空间特征。
可选的,分析模块,包括:
控制单元,用于将所述第一位置矩阵和第二位置矩阵输入目标神经网络模型,控制所述目标神经网络模型输出预设维度的向量;
预测单元,用于基于所述预设维度的向量,得到第一对象在至少两个方向的移动概率。
可选的,控制单元,具体用于:
将所述第一位置矩阵和第二位置矩阵输入目标神经网络模型;
控制所述目标神经网络模型中的至少两个卷积层基于所述第一位置矩阵和第二位置矩阵,提取得到第一对象和第二对象的空间信息,所述空间信息的维度大于所述预设维度;
将所述第一对象和第二对象的空间信息降维处理,得到预设维度的向量。
需要说明的是,该位置搜索装置的各个结构功能参考方法实施例中的解释即可,本实施例中不做详述。
综上,本实施例提供的一种位置搜索装置,基于第一对象和第二对象的空间特征,预测第一对象在多个方向的移动概率,基于该第一对象的移动概率控制第二对象向第一对象移动,该第二对象对于第一对象进行搜索,最终该第二对象的位置与第一对象的位置在后续的目标时刻满足重合条件,第二对象搜索得到该第一对象的位置,其中,第一对象的空间特征和第二对象的空间特征分别表征所述第一对象和第二对象在当前时刻以及历史预设时间段内的空间位置,相对于现有技术中的依次查找多个第一对象的可能出现范围中的各个方向,本方案中,结合两个对象在当前时刻以及历史预设时间段内的空间位置预测第一对象的移动概率,控制第二对象对于第一对象的搜索,本方案中第二对象对于第一对象的位置搜索更加准确且快速。
与上述本申请提供的一种位置搜索方法实施例相对应的,本申请还提供了与该位置搜索方法相应的电子设备以及可读存储介质。
其中,该电子设备,包括:存储器、处理器;
其中,存储器存储有处理程序;
所述处理器用于加载并执行所述存储器存储的所述处理程序,以实现如上述任一项所述的位置搜索方法的各步骤。
具体该电子设备的实现位置搜索方法,参考前述位置搜索方法实施例即可。
其中,该可读存储介质,其上存储有计算机程序,所述计算机程序被处理器调用并执行,实现如上述任一项所述的位置搜索方法的各步骤。
具体该可读存储介质存储的计算机程序执行实现位置搜索方法,参考前述位置搜索方法实施例即可。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例提供的装置而言,由于其与实施例提供的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所提供的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所提供的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种位置搜索方法,其特征在于,包括:
获得第一对象的空间特征和第二对象的空间特征,所述第一对象的空间特征表征所述第一对象在当前时刻以及历史预设时间段内的空间位置,所述第二对象的空间特征表征所述第二对象在当前时刻以及历史预设时间段内的空间位置;
基于所述第一对象的空间特征和第二对象的空间特征预测所述第一对象相对于所述第二对象在至少两个方向的移动概率;
基于所述移动概率控制第二对象向所述第一对象移动,以使得所述第二对象的位置与第一对象的位置在目标时刻满足重合条件,实现第二对象对于第一对象的搜索,所述目标时刻晚于当前时刻。
2.根据权利要求1所述的方法,其特征在于,
所述获得第一对象的空间特征,包括:
获得第一对象当前时刻所在位置的第一当前空间特征以及至少两个历史时刻所在位置的第一历史空间特征;
相应的,获得第二对象的空间特征,包括:
获得第二对象当前时刻所在位置的第二当前空间特征以及至少两个历史时刻所在位置的第二历史空间特征。
3.根据权利要求2所述的方法,其特征在于,所述获得第一对象当前时刻所在位置的第一当前空间特征以及至少两个历史时刻所在位置的第一历史空间特征,包括:
获得第一对象当前所在位置的第一位置范围和至少两个历史所在位置的第一历史位置范围;
将所述第一位置范围和第一历史位置范围离散化得到第一位置矩阵,所述第一位置矩阵表征第一当前空间特征以及第一历史空间特征,所述第一位置矩阵包含至少两个数据,每个数据表示一个空间特征。
4.根据权利要求3所述的方法,其特征在于,所述获得第二对象当前时刻所在位置的第二当前空间特征以及至少两个历史时刻所在位置的第二历史空间特征,包括:
获得第二对象当前所在位置的第二位置范围和至少两个历史所在位置的第二历史位置范围;
将所述第二位置范围和所述第二历史位置范围离散化得到第二位置矩阵,所述第二位置矩阵表征第二当前空间特征以及第二历史空间特征,所述第二位置矩阵包含至少两个数据,每个数据表示一个空间特征。
5.根据权利要求4所述的方法,其特征在于,所述基于所述第一对象的空间特征和第二对象的空间特征预测所述第一对象相对于所述第二对象在至少两个方向的移动概率,包括:
将所述第一位置矩阵和所述第二位置矩阵输入目标神经网络模型,控制所述目标神经网络模型输出预设维度的向量;
基于所述预设维度的向量,得到第一对象相对于第二对象在至少两个方向的移动概率。
6.根据权利要求5所述的方法,其特征在于,所述将所述第一位置矩阵和第二位置矩阵输入目标神经网络模型,控制所述目标神经网络模型输出预设维度的向量,包括:
将所述第一位置矩阵和第二位置矩阵输入目标神经网络模型;
控制所述目标神经网络模型中的至少两个卷积层基于所述第一位置矩阵和第二位置矩阵,提取得到第一对象和第二对象的空间信息,所述空间信息的维度大于所述预设维度;
将所述第一对象和第二对象的空间信息降维处理,得到预设维度的向量。
7.一种位置搜索装置,其特征在于,包括:
获得模块,用于获得第一对象的空间特征和第二对象的空间特征,所述第一对象的空间特征表征所述第一对象在当前时刻以及历史预设时间段内的空间位置,所述第二对象的空间特征表征所述第二对象在当前时刻以及历史预设时间段内的空间位置;
分析模块,用于基于所述第一对象的空间特征和第二对象的空间特征预测所述第一对象相对于所述第二对象在至少两个方向的移动概率;
控制模块,用于基于所述移动概率控制第二对象向所述第一对象移动,以使得所述第二对象的位置与第一对象的位置在目标时刻满足重合条件,实现第二对象对于第一对象的搜索,所述目标时刻晚于当前时刻。
8.根据权利要求7所述的装置,其特征在于,所述获得模块,包括:
第一获得单元,用于获得第一对象当前时刻所在位置的第一当前空间特征以及至少两个历史时刻所在位置的第一历史空间特征;
第二获得单元,用于获得第二对象当前时刻所在位置的第二当前空间特征以及至少两个历史时刻所在位置的第二历史空间特征。
9.一种电子设备,其特征在于,所述电子设备包括:至少一个存储器和至少一个处理器;所述存储器存储有程序,所述处理器调用所述存储器存储的程序,所述程序用于实现权利要求1-6任意一项所述的位置搜索方法。
10.一种可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序被处理器调用并执行,实现如上述权利要求1-6任一项所述的位置搜索方法的各步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210889227.0A CN115080879B (zh) | 2022-07-27 | 2022-07-27 | 一种位置搜索方法、装置、电子设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210889227.0A CN115080879B (zh) | 2022-07-27 | 2022-07-27 | 一种位置搜索方法、装置、电子设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115080879A CN115080879A (zh) | 2022-09-20 |
CN115080879B true CN115080879B (zh) | 2023-05-02 |
Family
ID=83243442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210889227.0A Active CN115080879B (zh) | 2022-07-27 | 2022-07-27 | 一种位置搜索方法、装置、电子设备和可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115080879B (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110262563A (zh) * | 2018-05-23 | 2019-09-20 | 中国海洋大学 | 多无人机协同搜索水上目标的方法 |
DE102018215288A1 (de) * | 2018-09-07 | 2020-03-12 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und Verarbeitungseinheit zur Verfolgung eines Objektes |
CN112348223A (zh) * | 2020-08-21 | 2021-02-09 | 哈尔滨工业大学 | 一种基于深度学习的导弹飞行轨迹预测方法 |
CN112947593A (zh) * | 2020-08-25 | 2021-06-11 | 北京蓝警科技有限公司 | 一种利用无人机拦截目标的方法和系统 |
CN113987911A (zh) * | 2021-09-18 | 2022-01-28 | 中国人民解放军军事科学院国防科技创新研究院 | 跨域海事搜救对象轨迹弥补方法、系统、装置和存储介质 |
CN114049602B (zh) * | 2021-10-29 | 2022-06-14 | 哈尔滨工业大学 | 一种基于意图推理的逃逸目标跟踪方法及系统 |
-
2022
- 2022-07-27 CN CN202210889227.0A patent/CN115080879B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115080879A (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111507150B (zh) | 利用基于深度神经网络的多重图像块组合识别人脸的方法 | |
Wu et al. | A fast and resource efficient method for indoor positioning using received signal strength | |
Ba et al. | Blending diverse physical priors with neural networks | |
US20200034747A1 (en) | System and method for distributed learning | |
Nicola et al. | A LSTM neural network applied to mobile robots path planning | |
US9081091B2 (en) | Method and device for tracking the path of motion of a moving object as well as computer program and data storage media | |
CN111401545A (zh) | 神经网络优化装置和神经网络优化方法 | |
US9953264B2 (en) | Smart process management | |
KR20220154785A (ko) | 다중 태스크 강화 학습에서 메타-그래디언트를 사용한 액션 선택을 위한 학습 옵션 | |
WO2021137910A2 (en) | Computer architecture for resource allocation for course of action activities | |
Liu et al. | Solving path planning problem based on logistic beetle algorithm search–pigeon‐inspired optimisation algorithm | |
KR20230024950A (ko) | 최적 파라미터 결정 방법 및 시스템 | |
CN115080879B (zh) | 一种位置搜索方法、装置、电子设备和可读存储介质 | |
CN116295354B (zh) | 一种无人车主动全局定位方法和系统 | |
KR102511225B1 (ko) | 인공지능 추론모델을 경량화하는 방법 및 시스템 | |
CN112734008A (zh) | 分类网络构建方法以及基于分类网络的分类方法 | |
Costa et al. | Comparative study of neural networks techniques in the context of cooperative observations | |
CN114489043B (zh) | 多智能体路径规划方法、装置、电子设备及存储介质 | |
Han et al. | Three‐dimensional obstacle avoidance for UAV based on reinforcement learning and RealSense | |
CN112513837A (zh) | 网络结构搜索方法和装置 | |
US20240028039A1 (en) | Method and system for reinforcement learning and dual channel action embedding based robotic navigation | |
Ogurtsov | Review of Neural Networks Application in UAV Routing Problems. | |
CN117689001B (zh) | 基于零数据搜索的神经网络多粒度剪枝压缩方法及系统 | |
CN117474509B (zh) | 一种基于信任评估框架和禁忌搜索的工人招募方法及系统 | |
EP4036811A1 (en) | Combining compression, partitioning and quantization of dl models for fitment in hardware processors |
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 |