CN116050278A - 一种目标轨迹预测方法、装置、设备及存储介质 - Google Patents
一种目标轨迹预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116050278A CN116050278A CN202310132738.2A CN202310132738A CN116050278A CN 116050278 A CN116050278 A CN 116050278A CN 202310132738 A CN202310132738 A CN 202310132738A CN 116050278 A CN116050278 A CN 116050278A
- Authority
- CN
- China
- Prior art keywords
- case
- track
- target
- measurement data
- trajectory
- 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 70
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000005259 measurement Methods 0.000 claims description 57
- 239000011159 matrix material Substances 0.000 claims description 51
- 238000003062 neural network model Methods 0.000 claims description 30
- 230000001133 acceleration Effects 0.000 claims description 26
- MYMOFIZGZYHOMD-UHFFFAOYSA-N Dioxygen Chemical class O=O MYMOFIZGZYHOMD-UHFFFAOYSA-N 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 8
- 238000012163 sequencing technique Methods 0.000 claims description 6
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 4
- 229910052760 oxygen Inorganic materials 0.000 claims description 4
- 239000001301 oxygen Substances 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 10
- 238000013528 artificial neural network Methods 0.000 abstract description 8
- 230000007246 mechanism Effects 0.000 abstract description 6
- 230000008569 process Effects 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种目标轨迹预测方法、装置、设备及存储介质，该方法通过案例匹配、案例重用、案例学习机制，在面临新的目标类型或新的运动模式时能够通过案例学习不断完善案例库中的轨迹预测模型，解决了现有基于动力学分析、统计建模、参数化建模、人工神经网络等轨迹预测方法存在的泛化能力不足的问题，提升了对非合作空中目标的轨迹预测能力。
Description
技术领域
本发明涉及轨迹预测技术领域，特别是涉及一种基于案例学习的非合作空中目标轨迹预测方法、装置、设备及存储介质。
背景技术
目标轨迹预测是根据对目标的测量信息，通过分析目标运动状态随时间变化的历程，掌握其运动规律，进而推断对其未来的运动趋势和状态。目标轨迹预测属于目标运动分析研究范畴，在航天、航海、工业生产、军事、体育等各个领域均有广泛的应用。例如，在航空航天领域，对航天器观测追踪、空间站交会对接需要准确预测目标的运动轨迹；在航海领域，通过预测船舶运动状态，有助于提前对船舶操作控制使其受各种环境因素的影响尽量减小；在工业生产领域，通过对生产线机器臂、AGV车运动轨迹的预测，提高生产效率、预防安全事故；在军事领域，目标轨迹预测处于目标搜索、跟踪与目标运动参数估计、命中和毁伤四个环节中的第二个环节，实时、准确、稳定地追踪预测目标的运动趋势，是武器系统命中和毁伤目标的前提。
现有技术中用于目标轨迹预测的方法主要有动力学分析、统计建模、参数化建模、人工神经网络方法等。动力学分析方法是通过对目标的力学特性分析，建立基于动力学、运动学物理参数的运动模型；统计建模是通过对大量目标轨迹数据的统计分析，以随机过程表征目标的速度、加速度或高阶状态参数；参数化函数建模基于多项式、经验公式、微分方程等，用一组特定的空间曲线逼近目标的运动状态；人工神经网络方法，使用大量的历史数据对事先建立的神经网络模型进行训练以拟合目标的运动特征，再利用训练好的模型预测目标的运动轨迹。
动力学分析方法以能够获取精确的目标运动机理为前提，该方法主要应用于合作目标的运动分析，然而针对非合作目标，由于很难获取其精确的动力学模型导致该方法难以适用。统计建模、参数化函数建模与人工神经网络方法，均是基于对大量目标数据的分析而建立，轨迹预测模型的性能依赖于事先掌握的样本量，在样本不足情形下难以建立精准的预测模型。
同时，上述方法泛化能力不足，轨迹预测性能随着模型的确定而固化，在应用过程中一旦面临新的目标类型、新的运动模式，轨迹预测性能得不到保障。
因此，如何提供一种目标轨迹预测方法解决泛化能力不足的问题，是迫切需要本领域技术人员解决的技术问题。
发明内容
鉴于上述问题，本发明提供用于克服上述问题或者至少部分地解决上述问题的一种目标轨迹预测方法、装置、设备及存储介质，该方法通过案例匹配、案例重用、案例学习与保留等机制，解决现有目标轨迹预测方法泛化能力不足的问题，提升对非合作目标的轨迹预测性能。
本发明提供了如下方案：
一种目标轨迹预测方法，包括：
接收目标的轨迹测量数据，将所述轨迹测量数据转换为大地直角坐标系下的测量值；利用所述测量值提取获得所述目标的若干第一轨迹特征；
遍历案例库中的每一条案例，所述案例包括属性矩阵以及信息矩阵，所述属性矩阵用于记录所述案例的特征数据，所述信息矩阵用于记录所述案例的用于轨迹预测的神经网络模型；读取每一条所述案例的所述属性矩阵包含的若干第二轨迹特征；
利用若干所述第一轨迹特征以及每一条所述案例的若干所述第二轨迹特征计算获得的若干特征相似度值；
利用若干所述特征相似度值计算获得所述目标的轨迹与每条所述案例的若干综合相似度值；
将若干所述综合相似度值由大至小进行排序并判断最大的所述综合相似度值是否大于相似度阈值；
如果是，则确定所述综合相似度值大于所述相似度阈值对应的所述案例为目标案例；读取所述目标案例对应的所述神经网络模型，将所述轨迹测量数据输入所述神经网络模型，将所述神经网络模型输出的结果作为所述目标的轨迹预测结果；
如果否，利用所述轨迹测量数据采用有限记忆最小二乘法预测所述目标的运动轨迹，直至所述轨迹测量数据接收完毕。
优选地：所述轨迹测量数据包括目标方位角、高低角与斜距离，将所述轨迹测量数据转换为大地直角坐标系OXYZ下的测量值。
优选地：若干所述第一轨迹特征包括OXY面最大速度m1、OXY面平均速度m2、OXY面最大加速度m3、OXY面最小加速度m4、OXY面平均加速度m5、OZ向最大速度m6、OZ向平均速度m7、OZ向最大加速度m8、OZ向最小加速度m9、OZ向平均加速度m10、轨迹弯曲度m11。
优选地：利用若干所述第一轨迹特征以及每一条所述案例的若干所述第二轨迹特征结合下式计算获得的若干特征相似度值：
式中：
为特征相似度值，mi(i＝1,2,...,11)为所述第一轨迹特征，
为第j个案例的第二轨迹特征，
与
为特征的最大值与最小值。
优选地：利用若干所述特征相似度值结合下式计算获得所述目标的轨迹与每条所述案例的若干综合相似度值：
式中：ΣSj(L,Cj)为所述目标L与案例Cj的综合相似度值，
表示第i个特征的权重。
优选地：若最大的所述综合相似度值小于相似度阈值，待轨迹测量数据接收完毕后，将所述轨迹测量数据存储到新样本集，新样本计数器加1。
优选地：判断所述新样本计数器是否小于计数阈值，若否：
读取所述新样本集，提取所述新样本集中每条轨迹的特征
按照下式计算所述新样本集的案例特征
利用所述案例特征
构建新增案例的属性矩阵；
利用所述新样本集训练长短时记忆网络轨迹预测模型；
训练完成后，将长短时记忆网络模型存储于新增案例的信息矩阵，并将所述新样本计数器置0。
一种目标轨迹预测装置,包括：
数据接收单元，用于接收目标的轨迹测量数据，将所述轨迹测量数据转换为大地直角坐标系下的测量值；利用所述测量值提取获得所述目标的若干第一轨迹特征；
案例特征读取单元，用于遍历案例库中的每一条案例，所述案例包括属性矩阵以及信息矩阵，所述属性矩阵用于记录所述案例的特征数据，所述信息矩阵用于记录所述案例的用于轨迹预测的神经网络模型；读取每一条所述案例的所述属性矩阵包含的若干第二轨迹特征；
特征相似度值获取单元，用于利用若干所述第一轨迹特征以及每一条所述案例的若干所述第二轨迹特征计算获得的若干特征相似度值；
综合相似度值获取单元，用于利用若干所述特征相似度值计算获得所述目标的轨迹与每条所述案例的若干综合相似度值；
综合相似度值判断单元，用于将若干所述综合相似度值由大至小进行排序并判断最大的所述综合相似度值是否大于相似度阈值；
轨迹预测结果输出单元，用于如果是，则确定所述综合相似度值大于所述相似度阈值对应的所述案例为目标案例；读取所述目标案例对应的所述神经网络模型，将所述轨迹测量数据输入所述神经网络模型，将所述神经网络模型输出的结果作为所述目标的轨迹预测结果；
运动轨迹计算单元，用于如果否，利用所述轨迹测量数据采用有限记忆最小二乘法预测所述目标的运动轨迹，直至所述轨迹测量数据接收完毕。
一种目标轨迹预测设备，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行上述的目标轨迹预测方法。
一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述的目标轨迹预测方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本申请实施例提供的一种目标轨迹预测方法、装置、设备及存储介质，该方法通过案例匹配、案例重用、案例学习机制，在面临新的目标类型或新的运动模式时能够通过案例学习不断完善案例库中的轨迹预测模型，解决了现有基于动力学分析、统计建模、参数化建模、人工神经网络等轨迹预测方法存在的泛化能力不足的问题，提升了对非合作空中目标的轨迹预测能力。
当然，实施本发明的任一产品并不一定需要同时达到以上所述的所有优点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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发明的一些实施例，对于本领域普通技术人员来说，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是本发明实施例提供的一种目标轨迹预测方法的流程图；
图2是本发明实施例提供的一种目标轨迹预测方法的实施流程图；
图3是本发明实施例提供的一种目标轨迹预测装置的示意图；
图4是本发明实施例提供的一种目标轨迹预测设备的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明的一部分实施例，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所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，为本发明实施例提供的一种目标轨迹预测方法，如图1所示，该方法可以包括：
S101：接收目标的轨迹测量数据，将所述轨迹测量数据转换为大地直角坐标系下的测量值；利用所述测量值提取获得所述目标的若干第一轨迹特征；具体的，所述轨迹测量数据包括目标方位角、高低角与斜距离，将所述轨迹测量数据转换为大地直角坐标系OXYZ下的测量值。进一步的，若干所述第一轨迹特征包括OXY面最大速度m1、OXY面平均速度m2、OXY面最大加速度m3、OXY面最小加速度m4、OXY面平均加速度m5、OZ向最大速度m6、OZ向平均速度m7、OZ向最大加速度m8、OZ向最小加速度m9、OZ向平均加速度m10、轨迹弯曲度m11。
S102：遍历案例库中的每一条案例，所述案例包括属性矩阵以及信息矩阵，所述属性矩阵用于记录所述案例的特征数据，所述信息矩阵用于记录所述案例的用于轨迹预测的神经网络模型；读取每一条所述案例的所述属性矩阵包含的若干第二轨迹特征；
S103：利用若干所述第一轨迹特征以及每一条所述案例的若干所述第二轨迹特征计算获得的若干特征相似度值；具体的，利用若干所述第一轨迹特征以及每一条所述案例的若干所述第二轨迹特征结合下式计算获得的若干特征相似度值：
式中：
为特征相似度值，mi(i＝1,2,...,11)为所述第一轨迹特征，
为第j个案例的第二轨迹特征，
与
为特征的最大值与最小值。
S104：利用若干所述特征相似度值计算获得所述目标的轨迹与每条所述案例的若干综合相似度值；具体的，利用若干所述特征相似度值结合下式计算获得所述目标的轨迹与每条所述案例的若干综合相似度值：
式中：ΣSj(L,Cj)为所述目标L与案例Cj的综合相似度值，
表示第i个特征的权重。
S105：将若干所述综合相似度值由大至小进行排序并判断最大的所述综合相似度值是否大于相似度阈值；
S106：如果是，则确定所述综合相似度值大于所述相似度阈值对应的所述案例为目标案例；读取所述目标案例对应的所述神经网络模型，将所述轨迹测量数据输入所述神经网络模型，将所述神经网络模型输出的结果作为所述目标的轨迹预测结果；
S107：如果否，利用所述轨迹测量数据采用有限记忆最小二乘法预测所述目标的运动轨迹，直至所述轨迹测量数据接收完毕。
为了可以在实际使用过程中，可以持续扩大案例库，本申请实施例还可以提供若最大的所述综合相似度值小于相似度阈值，待轨迹测量数据接收完毕后，将所述轨迹测量数据存储到新样本集，新样本计数器加1。
具体的，判断所述新样本计数器是否小于计数阈值，若否：；
读取所述新样本集，提取所述新样本集中每条轨迹的特征
按照下式计算所述新样本集的案例特征
利用所述案例特征
构建新增案例的属性矩阵；
利用所述新样本集训练长短时记忆网络轨迹预测模型；
训练完成后，将长短时记忆网络模型存储于新增案例的信息矩阵，并将所述新样本计数器置0。
本申请实施例提供的目标轨迹预测方法,通过案例匹配、案例重用、案例学习机制实现对非合作空中目标的轨迹预测和预测模型在线学习。解决现有目标轨迹预测方法泛化能力不足的问题，提升对非合作目标的轨迹预测性能。
下面对本申请实施例提供的方法进行详细介绍，参见图2。
步骤101，设置案例匹配操作状态标志Flag1，若Flag1＝1表示已进行案例匹配操作，否则表示未进行案例匹配操作；设置案例匹配结果状态标志Flag2，若Flag2＝1表示案例已匹配成功，否则表示未匹配成功；将Flag1、Flag2置0。
步骤102，接收目标L的轨迹测量数据，包括目标方位角βi、高低角εi与斜距离di，i＝1,2,...M,M表示当前已接收到的轨迹数据长度。
步骤103，轨迹数据预处理，将轨迹测量数据转换到大地直角坐标系OXYZ下xi、yi与zi，i＝1,2,...M,对数据进行异常值剔除、缺失值填充。
步骤104，判断案例匹配操作状态标志Flag1是否为1，若是，转入步骤116；若否，转入步骤105。
步骤105，判断轨迹数据长度M是否大于阈值MT，若是，转入步骤106；否则，转入步骤117；MT按照式(1)确定。
MT＝Tmax·fL (1)
式中，Tmax为观察时间，fL为轨迹数据的采样频率，观察时间典型取值范围为4秒～7秒。
步骤106，提取目标L的轨迹特征，包括OXY面最大速度m1、OXY面平均速度m2、OXY面最大加速度m3、OXY面最小加速度m4、OXY面平均加速度m5、OZ向最大速度m6、OZ向平均速度m7、OZ向最大加速度m8、OZ向最小加速度m9、OZ向平均加速度m10、轨迹弯曲度m11，共11个特征。
提取方法为，首先采用最小二乘滤波，求取XYZ三个方向的速度值序列vx1,2,...M,vy1,2,...M,vz1,2,...M与加速度值序列ax1,2,...M,ay1,2,...M,az1,2,...M，然后按照式(2)计算轨迹特征：
步骤107，计算归一化特征相似度：遍历案例库C中的每一条案例Cj，j＝1,2,...K，共K个案例；每个案例具有1个属性矩阵和1个信息矩阵，属性矩阵如表1所示，记录了该案例的特征数据；信息矩阵如表2所示，记录了该案例用于轨迹预测的神经网络模型；针对每条案例，读取案例的属性矩阵，按照式(3)分别计算目标L轨迹的11个特征mi(i＝1,2,...,11)与该案例11个对应特征
的归一化特征相似度值
上式中，
与
为该特征的最大与最小值，可根据目标类型由经验确定。
表1案例属性矩阵
表2案例信息矩阵
步骤108，计算综合相似度：针对案例库中的每条案例，按照式(4)所示方法，计算目标L的轨迹与每条案例Cj的综合相似度ΣSj(L,Cj)：
式中，
表示第i个特征的权重，且
的典型取值如表3所示。
表3权重取值
步骤109，按综合相似度由大至小对案例进行排序，排序后的案例记为C1,C2,...CK。
步骤110，判断标目标L的轨迹与C1的综合相似度ΣS1(L,C1)是否大于阈值ΣST，阈值ΣST典型取值为0.6；若是，则案例匹配成功，转入步骤111；若否，转入步骤115。
步骤111，将案例匹配操作状态标志Flag1与案例匹配结果状态标志Flag2的值置1。
步骤112，案例重用，读取案例信息矩阵中的神经网络轨迹预测模型Fx1。
步骤113，采用轨迹预测模型Fx1预测目标运动轨迹。
步骤114，判断目标轨迹数据是否接收完毕，若是则转入步骤125结束流程；若否，则转入步骤102。
步骤115，将案例匹配操作状态标志Flag1的值置1，转入步骤117。
步骤116，判断案例匹配结果状态标志Flag2是否为1，若是，则转入步骤113；若否，则转入步骤117。
步骤117，采用有效记忆最小二乘法预测目标运动轨迹。以X方向为例说明，首先按照式(5)采用有限记忆最小二乘估计目标当前时刻的位置
与速度
上式中l为用于估计的数据长度，T为轨迹数据采样周期。则tf时刻后的轨迹预测结果为：
步骤118，判断轨迹数据是否接收完毕，若是，则转入步骤119；若否，则转入步骤102。
步骤119，将目标L的轨迹测量数据存储到新样本集Nset，新样本计数器NsetNUM加1。
步骤120，判断NsetNUM是否小于阈值NsetMAX(NsetMAX的典型取值为30)，若是则转入步骤125结束流程；若否，则转入步骤121。
步骤121，利用新样本集Nset构造新案例CK+1，构建新案例的属性矩阵。新案例的属性矩阵构建方法为：按照步骤106所述方法，提取新样本集Nset中每条轨迹的特征
则案例CK+1的案例特征
步骤122，采用新样本集Nset和长短时记忆网络训练目标轨迹预测模型FxK+1，网络接收目标ts时刻到ts+Pl时刻的三维空间位置{(xs,ys,zs),(xs+1,ys+1,zs+1),...,(xs+Pl,ys+Pl,zs+Pl)}作为输入，输出为预测时间为tf目标ts+Pl+tf时刻的三维空间位置(xs+Pl+tf,ys+Pl+tf,zs+Pl+tf)。
步骤123，将预测模型FxK+1存储到新案例CK+1的信息矩阵，完成案例库更新。
步骤124，清空新样本集Nset，新样本计数器NsetNUM置0，转入步骤125结束流程。
总之，本申请提供的目标轨迹预测方法,通过案例匹配、案例重用、案例学习机制，在面临新的目标类型或新的运动模式时能够通过案例学习不断完善案例库中的轨迹预测模型，解决了现有基于动力学分析、统计建模、参数化建模、人工神经网络等轨迹预测方法存在的泛化能力不足的问题，提升了对非合作空中目标的轨迹预测能力。
参见图3，本申请实施例还可以提供一种目标轨迹预测装置，如图3所示，该装置可以包括：
数据接收单元301，用于接收目标的轨迹测量数据，将所述轨迹测量数据转换为大地直角坐标系下的测量值；利用所述测量值提取获得所述目标的若干第一轨迹特征；
案例特征读取单元302，用于遍历案例库中的每一条案例，所述案例包括属性矩阵以及信息矩阵，所述属性矩阵用于记录所述案例的特征数据，所述信息矩阵用于记录所述案例的用于轨迹预测的神经网络模型；读取每一条所述案例的所述属性矩阵包含的若干第二轨迹特征；
特征相似度值获取单元303，用于利用若干所述第一轨迹特征以及每一条所述案例的若干所述第二轨迹特征计算获得的若干特征相似度值；
综合相似度值获取单元304，用于利用若干所述特征相似度值计算获得所述目标的轨迹与每条所述案例的若干综合相似度值；
综合相似度值判断单元305，用于将若干所述综合相似度值由大至小进行排序并判断最大的所述综合相似度值是否大于相似度阈值；
轨迹预测结果输出单元306，用于如果是，则确定所述综合相似度值大于所述相似度阈值对应的所述案例为目标案例；读取所述目标案例对应的所述神经网络模型，将所述轨迹测量数据输入所述神经网络模型，将所述神经网络模型输出的结果作为所述目标的轨迹预测结果；
运动轨迹计算单元307，用于如果否，利用所述轨迹测量数据采用有限记忆最小二乘法预测所述目标的运动轨迹，直至所述轨迹测量数据接收完毕。
本申请实施例还可以提供一种目标轨迹预测设备，其特征在于，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行上述的目标轨迹预测方法的步骤。
如图4所示，本申请实施例提供的一种目标轨迹预测设备，可以包括：处理器10、存储器11、通信接口12和通信总线13。处理器10、存储器11、通信接口12均通过通信总线13完成相互间的通信。
在本申请实施例中，处理器10可以为中央处理器(Central Processing Unit，CPU)和神经网络处理器(Neural-network Processing Unit，NPU)、特定应用集成电路、现场可编程门阵列或者其他可编程逻辑器件等。
处理器10可以调用存储器11中存储的程序，具体的，处理器10可以执行目标轨迹预测方法的实施例中的操作。
存储器11中用于存放一个或者一个以上程序，程序可以包括程序代码，程序代码包括计算机操作指令，在本申请实施例中，存储器11中至少存储有用于实现以下功能的程序：
接收目标的轨迹测量数据，将所述轨迹测量数据转换为大地直角坐标系下的测量值；利用所述测量值提取获得所述目标的若干第一轨迹特征；
遍历案例库中的每一条案例，所述案例包括属性矩阵以及信息矩阵，所述属性矩阵用于记录所述案例的特征数据，所述信息矩阵用于记录所述案例的用于轨迹预测的神经网络模型；读取每一条所述案例的所述属性矩阵包含的若干第二轨迹特征；
利用若干所述第一轨迹特征以及每一条所述案例的若干所述第二轨迹特征计算获得的若干特征相似度值；
利用若干所述特征相似度值计算获得所述目标的轨迹与每条所述案例的若干综合相似度值；
将若干所述综合相似度值由大至小进行排序并判断最大的所述综合相似度值是否大于相似度阈值；
如果是，则确定所述综合相似度值大于所述相似度阈值对应的所述案例为目标案例；读取所述目标案例对应的所述神经网络模型，将所述轨迹测量数据输入所述神经网络模型，将所述神经网络模型输出的结果作为所述目标的轨迹预测结果；
如果否，利用所述轨迹测量数据采用有限记忆最小二乘法预测所述目标的运动轨迹，直至所述轨迹测量数据接收完毕。
在一种可能的实现方式中，存储器11可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统，以及至少一个功能(比如文件创建功能、数据读写功能)所需的应用程序等；存储数据区可存储使用过程中所创建的数据，如初始化数据等。
此外，存储器11可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件或其他易失性固态存储器件。
通信接口12可以为通信模块的接口，用于与其他设备或者系统连接。
当然，需要说明的是，图4所示的结构并不构成对本申请实施例中目标轨迹预测设备的限定，在实际应用中目标轨迹预测设备可以包括比图4所示的更多或更少的部件，或者组合某些部件。
本申请实施例还可以提供一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行上述的目标轨迹预测方法的步骤。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加上必需的通用硬件平台的方式来实现。基于这样的理解，本申请的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)执行本申请各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统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劳动的情况下，即可以理解并实施。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。
Claims (10)
1.一种目标轨迹预测方法,其特征在于，包括：
接收目标的轨迹测量数据，将所述轨迹测量数据转换为大地直角坐标系下的测量值；利用所述测量值提取获得所述目标的若干第一轨迹特征；
遍历案例库中的每一条案例，所述案例包括属性矩阵以及信息矩阵，所述属性矩阵用于记录所述案例的特征数据，所述信息矩阵用于记录所述案例的用于轨迹预测的神经网络模型；读取每一条所述案例的所述属性矩阵包含的若干第二轨迹特征；
利用若干所述第一轨迹特征以及每一条所述案例的若干所述第二轨迹特征计算获得的若干特征相似度值；
利用若干所述特征相似度值计算获得所述目标的轨迹与每条所述案例的若干综合相似度值；
将若干所述综合相似度值由大至小进行排序并判断最大的所述综合相似度值是否大于相似度阈值；
如果是，则确定所述综合相似度值大于所述相似度阈值对应的所述案例为目标案例；读取所述目标案例对应的所述神经网络模型，将所述轨迹测量数据输入所述神经网络模型，将所述神经网络模型输出的结果作为所述目标的轨迹预测结果；
如果否，利用所述轨迹测量数据采用有限记忆最小二乘法预测所述目标的运动轨迹，直至所述轨迹测量数据接收完毕。
2.根据权利要求1所述的目标轨迹预测方法,其特征在于，所述轨迹测量数据包括目标方位角、高低角与斜距离，将所述轨迹测量数据转换为大地直角坐标系OXYZ下的测量值。
3.根据权利要求2所述的目标轨迹预测方法,其特征在于，若干所述第一轨迹特征包括OXY面最大速度m1、OXY面平均速度m2、OXY面最大加速度m3、OXY面最小加速度m4、OXY面平均加速度m5、OZ向最大速度m6、OZ向平均速度m7、OZ向最大加速度m8、OZ向最小加速度m9、OZ向平均加速度m10、轨迹弯曲度m11。
4.根据权利要求3所述的目标轨迹预测方法,其特征在于，利用若干所述第一轨迹特征以及每一条所述案例的若干所述第二轨迹特征结合下式计算获得的若干特征相似度值：
式中：
为特征相似度值，mi(i＝1,2,...,11)为所述第一轨迹特征，
为第j个案例的第二轨迹特征，
与
为特征的最大值与最小值。
5.根据权利要求4所述的目标轨迹预测方法,其特征在于，利用若干所述特征相似度值结合下式计算获得所述目标的轨迹与每条所述案例的若干综合相似度值：
式中：ΣSj(L,Cj)为所述目标L与案例Cj的综合相似度值，
表示第i个特征的权重。
6.根据权利要求1所述的目标轨迹预测方法,其特征在于，若最大的所述综合相似度值小于相似度阈值，待轨迹测量数据接收完毕后，将所述轨迹测量数据存储到新样本集，新样本计数器加1。
7.根据权利要求6所述的目标轨迹预测方法,其特征在于，判断所述新样本计数器是否小于计数阈值，若否：
读取所述新样本集，提取所述新样本集中每条轨迹的特征
按照下式计算所述新样本集的案例特征
利用所述案例特征
构建新增案例的属性矩阵；
利用所述新样本集训练长短时记忆网络轨迹预测模型；
训练完成后，将长短时记忆网络模型存储于新增案例的信息矩阵，并将所述新样本计数器置0。
8.一种目标轨迹预测装置,其特征在于，包括：
数据接收单元，用于接收目标的轨迹测量数据，将所述轨迹测量数据转换为大地直角坐标系下的测量值；利用所述测量值提取获得所述目标的若干第一轨迹特征；
案例特征读取单元，用于遍历案例库中的每一条案例，所述案例包括属性矩阵以及信息矩阵，所述属性矩阵用于记录所述案例的特征数据，所述信息矩阵用于记录所述案例的用于轨迹预测的神经网络模型；读取每一条所述案例的所述属性矩阵包含的若干第二轨迹特征；
特征相似度值获取单元，用于利用若干所述第一轨迹特征以及每一条所述案例的若干所述第二轨迹特征计算获得的若干特征相似度值；
综合相似度值获取单元，用于利用若干所述特征相似度值计算获得所述目标的轨迹与每条所述案例的若干综合相似度值；
综合相似度值判断单元，用于将若干所述综合相似度值由大至小进行排序并判断最大的所述综合相似度值是否大于相似度阈值；
轨迹预测结果输出单元，用于如果是，则确定所述综合相似度值大于所述相似度阈值对应的所述案例为目标案例；读取所述目标案例对应的所述神经网络模型，将所述轨迹测量数据输入所述神经网络模型，将所述神经网络模型输出的结果作为所述目标的轨迹预测结果；
运动轨迹计算单元，用于如果否，利用所述轨迹测量数据采用有限记忆最小二乘法预测所述目标的运动轨迹，直至所述轨迹测量数据接收完毕。
9.一种目标轨迹预测设备，其特征在于，所述设备包括处理器以及存储器：
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1-7任一项所述的目标轨迹预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行权利要求1-7任一项所述的目标轨迹预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310132738.2A CN116050278A (zh) | 2023-02-17 | 2023-02-17 | 一种目标轨迹预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310132738.2A CN116050278A (zh) | 2023-02-17 | 2023-02-17 | 一种目标轨迹预测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116050278A true CN116050278A (zh) | 2023-05-02 |
Family
ID=86127378
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310132738.2A Pending CN116050278A (zh) | 2023-02-17 | 2023-02-17 | 一种目标轨迹预测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116050278A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110059052A (zh) * | 2019-02-28 | 2019-07-26 | 石化盈科信息技术有限责任公司 | 一种炼化调度案例管理方法及计算机可读存储介质 |
| JP6873519B1 (ja) * | 2020-04-24 | 2021-05-19 | 中国人民解放軍国防科技大学 | 軌跡予測方法及びシステム |
| CN114819068A (zh) * | 2022-04-11 | 2022-07-29 | 中国电子科技集团公司第十研究所 | 一种混合型目标航迹预测方法及系统 |
-
2023
- 2023-02-17 CN CN202310132738.2A patent/CN116050278A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110059052A (zh) * | 2019-02-28 | 2019-07-26 | 石化盈科信息技术有限责任公司 | 一种炼化调度案例管理方法及计算机可读存储介质 |
| JP6873519B1 (ja) * | 2020-04-24 | 2021-05-19 | 中国人民解放軍国防科技大学 | 軌跡予測方法及びシステム |
| CN114819068A (zh) * | 2022-04-11 | 2022-07-29 | 中国电子科技集团公司第十研究所 | 一种混合型目标航迹预测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yijing et al. | Q learning algorithm based UAV path learning and obstacle avoidence approach | |
| CN109870698B (zh) | 一种超声波阵列障碍物检测结果处理方法及系统 | |
| CN111310965A (zh) | 一种基于lstm网络的飞行器航迹预测方法 | |
| Gu et al. | Class-incremental instance segmentation via multi-teacher networks | |
| CN112819303B (zh) | 基于pce代理模型的飞行器追踪效能评估方法及系统 | |
| Xie et al. | Dual-channel and bidirectional neural network for hypersonic glide vehicle trajectory prediction | |
| CN111626519A (zh) | 一种航班到达时间预测方法、装置和电子设备 | |
| CN113406623A (zh) | 基于雷达高分辨距离像的目标识别方法、装置及介质 | |
| CN116663384A (zh) | 一种战场任务规划背景下的目标轨迹预测方法 | |
| CN116859931A (zh) | 轨迹规划模型的训练方法、车辆控制方式及装置 | |
| Shi et al. | Tilt angle monitoring by using sparse residual LSTM network and grid search | |
| CN112784487B (zh) | 飞行动作识别方法和装置 | |
| CN117710802A (zh) | 一种基于图像纹理特征的重力场方向适配性分析方法 | |
| Andriyanov et al. | Using local objects to improve estimation of mobile object coordinates and smoothing trajectory of movement by autoregression with multiple roots | |
| CN116050278A (zh) | 一种目标轨迹预测方法、装置、设备及存储介质 | |
| Neloy et al. | Alpha-N-V2: Shortest path finder automated delivery robot with obstacle detection and avoiding system | |
| CN113534127B (zh) | 一种多目标数据关联方法、装置及计算机可读存储介质 | |
| Liu et al. | A hybrid learning-based stochastic noise eliminating method with attention-Conv-LSTM network for low-cost MEMS gyroscope | |
| CN113628254A (zh) | 基于移动平台的目标轨迹确定方法及相关设备 | |
| Lee et al. | Terrain contour matching with recurrent neural networks | |
| Singh | State Estimation for Supersonic Missiles with Zig-Zag Processes | |
| CN111461240A (zh) | 一种保障高空中油箱内视觉采集图像空地一致性的方法 | |
| Dong et al. | Research on enemy aircraft bank angle estimation for autonomous air combat | |
| CN116861241B (zh) | 一种基于人工智能的空间碎片碰撞概率预测方法和系统 | |
| CN111832154B (zh) | 大规模数据驱动下空间决策一致性的鉴定试验方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230502 |