CN116907510A - 一种基于物联网技术的智能化运动识别方法 - Google Patents
一种基于物联网技术的智能化运动识别方法 Download PDFInfo
- Publication number
- CN116907510A CN116907510A CN202310886760.6A CN202310886760A CN116907510A CN 116907510 A CN116907510 A CN 116907510A CN 202310886760 A CN202310886760 A CN 202310886760A CN 116907510 A CN116907510 A CN 116907510A
- Authority
- CN
- China
- Prior art keywords
- feature set
- training
- internet
- target
- unit 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000005516 engineering process Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 82
- 230000007246 mechanism Effects 0.000 claims abstract description 17
- 238000013507 mapping Methods 0.000 claims abstract description 15
- 230000015654 memory Effects 0.000 claims abstract description 12
- 230000007787 long-term memory Effects 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 8
- 230000006403 short-term memory Effects 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 53
- 230000008569 process Effects 0.000 claims description 34
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000002759 z-score normalization Methods 0.000 claims description 5
- 230000002265 prevention Effects 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000005728 strengthening Methods 0.000 abstract 1
- 238000000605 extraction Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 239000000306 component Substances 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
Classifications
-
- 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
-
- 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
- G01C21/005—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 with correlation of navigation data from several sources, e.g. map or contour matching
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/48—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2131—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on a transform domain processing, e.g. wavelet transform
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Automation & Control Theory (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Signal Processing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据处理领域,特别是涉及一种基于物联网技术的智能化运动识别方法,该方法包括:通过物联网获取目标在每个单位时间内的各类原始信息,通过各类原始信息提取初始特征集,拼接相应初始特征集得到第一特征集,通过自注意力机制获得强化映射特征集,拼接获得第二特征集,配置长短期记忆网络,输入第二特征集训练后得到预训练模型,进一步训练后得到最终模型。本发明通过不同类型的物联网设备收集更全面的信息,采用了自注意力机制获得强化映射特征集,使用长短期记忆网络训练模型,得到最终模型后,实现了提高目标运动轨迹的预测精度。
Description
技术领域
本发明涉及运动识别技术领域,特别是涉及一种基于物联网技术的智能化运动识别方法。
背景技术
在自动化仓库或工厂环境中,自主导航的机器人、无人机或者车辆正在改变物流和生产线的运作方式。这些自主导航单位需要在复杂且动态的环境中执行任务,包括在预定的路径上移动到指定的目的地,并在途中避开其他移动的障碍物目标。在这种情况下,实时预测目标运动轨迹的能力变得至关重要。
当前的解决方案主要依赖于自主导航单位自身的传感器来扫描周围环境,如使用摄像头、激光雷达、红外传感器或超声波传感器。这些传感器可以收集周围环境的信息,帮助自主导航单位识别目标的运动轨迹并做出预测,然后规划新的路径。自主导航单位根据这些信息调整自身的运动轨迹,避开潜在的障碍,以便完成任务。公开号CN106054889B的专利文献公开了一种机器人自主避障方法和装置、公开号CN110597269B的专利文献公开了一种车辆自主避障方法及车辆自主避障系统,这两个方法都依赖自身的传感器进行障碍识别与规避。
然而,这种依赖于单一位置传感器的解决方案可能存在预测精度不高的问题。
发明内容
为此,本发明提供了一种基于物联网技术的智能化运动识别方法,解决了现有技术中对目标运动识别精度不高的问题。
为实现上述目的,本发明一方面提供一种基于物联网技术的智能化运动识别方法,该方法包括:
通过物联网中的射频识别设备获取目标在每个单位时间内的第一原始信息,通过所述物联网中的全球定位系统获取所述目标在每个单位时间内的第二原始信息,通过所述物联网中的红外运动传感器获取所述目标在每个单位时间内的第三原始信息,通过所述物联网中的激光扫描器获取所述目标在每个单位时间内的第四原始信息;
基于所述第一原始信息提取第一初始特征集,基于所述第二原始信息提取第二初始特征集,基于所述第三原始信息提取第三初始特征集,基于所述第四原始信息提取第四初始特征集;
拼接所述第一初始特征集、所述第二初始特征集、所述第三初始特征集得到第一特征集,通过自注意力机制获得第四初始特征集对于所述第一特征集的强化映射特征集,将所述强化映射特征集与所述第一特征集拼接获得第二特征集;
配置长短期记忆网络;
将所述第二特征集输入所述长短期记忆网络进行训练,得到能够预测目标运动轨迹的预训练模型,将第一单位时间获得的所述第二特征集输入所述预训练模型获得所述目标在第二单位时间的预测轨迹,在第二单位时间结束后,将所述预测轨迹与实际轨迹进行对比计算预测误差,将所述预测误差作为第三特征集,将所述第三特征集与所述第二特征集输入所述预训练模型中训练,得到最终模型。
进一步地,得到所述最终模型后,将第一单位时间获得的所述第二特征集输入所述最终模型能够获得目标在第二单位时间的预测轨迹;
在第二单位时间内,预测误差没有出现,则将第二单位时间获得的第二特征集输入最终模型获得目标在第三单位时间的预测轨迹;
预测误差出现,则将第二单位时间获得的第二特征集与第三特征集输入最终模型获得目标在第三单位时间的预测轨迹。
进一步地,基于所述第一原始信息提取第一初始特征集包括对第一原始信息进行独热编码以提取第一初始特征集;
基于所述第二原始信息提取第二初始特征集包括对第二原始信息使用最小-最大归一化处理以提取第二初始特征集;
基于所述第三原始信息提取第三初始特征集包括对第三原始信息使用傅立叶变换从时域转换为频域,然后提取频域内的主要频率成分作为第三初始特征集;
基于所述第四原始信息提取第四初始特征集包括对第四原始信息进行Z分数标准化处理以提取第四初始特征集。
进一步地,得到第一特征集包括:将所述第一初始特征集、所述第二初始特征集、所述第三初始特征集在同一时刻的值并行拼接在一起,形成矩阵,进而得到第一特征集。
进一步地,强化映射特征集的获得是通过Transformer模型的自注意力机制进行查询向量、键向量和值向量的特征向量得分计算得到。
进一步地,所述查询向量、所述键向量和所述值向量的获得包括:通过权重矩阵与第一特征集相乘得到查询向量,通过权重矩阵与第四初始特征相乘得到键向量和值向量,所述权重矩阵是基于transformer模型的计算流程随机初始化的。
进一步地,配置长短期记忆网络包括:采用多层长短期记忆网络结构,第一层网络将第二特征集进行初步处理,生成中间状态特征;
第二层网络将第一层生成的中间状态特征进行处理,得到高层次特征;
第三层网络则将第二层的输出转换为目标的运动状态预测;
在训练过程中,每一层网络都会通过时间反向传播算法更新网络参数,以最小化损失函数,所述损失函数衡量预测目标运动状态与真实运动状态的差异。
进一步地,得到能够预测目标运动轨迹的预训练模型包括:
将所述第二特征集输入所述长短期记忆网络进行训练时,应用早期停止和正则化的过拟合防止技术,所述预训练模型的输出为一组坐标,拟合后得到目标的预测轨迹。
进一步地,将所述预测轨迹与实际轨迹进行对比计算预测误差包括:计算单位时间内每一时刻的预测轨迹和实际轨迹之间的差值,将每个差值平方后求和,最后除以总的时刻数量,得到均方误差,所述均方误差为所述预测误差。
进一步地,将所述第三特征集与所述第二特征集输入所述预训练模型中训练,得到最终模型包括:将所述第三特征集与第二特征集按照时间顺序进行拼接获得融合特征集,将所述融合特征集输入所述预训练模型进行训练,训练过程中将融合特征集分成训练集和验证集,使用所述损失函数和随机梯度下降策略进行参数优化,采用批量训练的方式,将数据分成多个批次,每次只使用一个批次的数据进行训练。
与现有技术相比,本发明的有益效果在于,综合使用了多种不同类型的物联网设备来收集更全面的信息,包括射频识别设备、全球定位系统、红外运动传感器以及激光扫描器。这些设备可以提供比单一位置传感器更丰富、更精确的数据,从而提高目标运动轨迹预测的精度。
尤其,本发明采用了自注意力机制来强化映射特征集,进一步提高了数据的利用效率。自注意力机制使得系统能够更好地理解和解析数据中的关联性和复杂模式,从而增强预测模型的性能。
尤其,本发明能够显著提高自主导航单位在复杂且动态环境中的运动预测能力。通过长短期记忆网络的使用,本发明能够学习并记住过去的数据,从而对未来的轨迹进行更精确的预测。
尤其,本发明可以实时更新预测结果,在每个单位时间结束后,都会引入上个单位时间的预测误差作为新的特征集进行训练,这样能使模型自身参数不变的情况下及时调整预测结果,适应环境的动态变化。
综上所述,本发明可以在提高预测目标运动轨迹的精度的同时,适应复杂且动态的环境,为自主导航单位在物流和生产线中的运动提供更准确和可靠的预测,从而有效地改善其执行任务的能力。
附图说明
图1为本发明实施例提供的基于物联网技术的智能化运动识别方法的流程图。
具体实施方式
为了使本发明的目的和优点更加清楚明白,下面结合实施例对本发明作进一步描述;应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非在限制本发明的保护范围。
需要说明的是,在本发明的描述中,术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系,这仅仅是为了便于描述,而不是指示或暗示所述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,还需要说明的是,在本发明的描述中,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;可以是机械连接,也可以是电连接;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。对于本领域技术人员而言,可根据具体情况理解上述术语在本发明中的具体含义。
请参阅图1所示,本发明的实施例提供的基于物联网技术的智能化运动识别方法包括:
步骤S100:通过物联网中的射频识别设备获取目标在每个单位时间内的第一原始信息,通过所述物联网中的全球定位系统获取所述目标在每个单位时间内的第二原始信息,通过所述物联网中的红外运动传感器获取所述目标在每个单位时间内的第三原始信息,通过所述物联网中的激光扫描器获取所述目标在每个单位时间内的第四原始信息;
步骤S200:基于所述第一原始信息提取第一初始特征集,基于所述第二原始信息提取第二初始特征集,基于所述第三原始信息提取第三初始特征集,基于所述第四原始信息提取第四初始特征集;
步骤S300:拼接所述第一初始特征集、所述第二初始特征集、所述第三初始特征集得到第一特征集,通过自注意力机制获得第四初始特征集对于所述第一特征集的强化映射特征集,将所述强化映射特征集与所述第一特征集拼接获得第二特征集;
步骤S400:配置长短期记忆网络;
步骤S500:将所述第二特征集输入所述长短期记忆网络进行训练,得到能够预测目标运动轨迹的预训练模型,将第一单位时间获得的所述第二特征集输入所述预训练模型获得所述目标在第二单位时间的预测轨迹,在第二单位时间结束后,将所述预测轨迹与实际轨迹进行对比计算预测误差,将所述预测误差作为第三特征集,将所述第三特征集与所述第二特征集输入所述预训练模型中训练,得到最终模型。
具体而言,在步骤S100中,依赖于四种物联网设备,即射频识别设备(RFID)、全球定位系统(GPS)、红外运动传感器以及激光扫描器。这些设备都是实现目标运动识别的关键组件。RFID能够在物联网环境中对目标进行实时识别和跟踪,提供目标的身份和状态信息。GPS能够提供目标的精确地理位置和移动速度。红外运动传感器能够捕捉目标的运动和行为特征,如行走、跑步、跳跃等。激光扫描器则能够提供环境和目标形状的高精度三维信息。这四种设备通过无线网络连接,协同工作,以获取目标的综合信息。
完成步骤S100后,我们将得到一系列与目标运动相关的原始数据,这些数据包括目标的识别信息、位置信息、运动特征以及三维形状信息。这些信息对于准确预测目标的运动轨迹至关重要,它们将被用来生成特征集,这些特征集将作为深度学习模型的输入,进行训练和预测。步骤S100是整个智能化运动识别方法的第一步,也是最基础的数据收集步骤,其质量直接影响到后续步骤的效果。对于整个发明来说,这一步提供了整个智能化运动识别方法所需的基础数据,是实现有效运动识别的基础。
具体而言,在步骤S200中,基于四种类型的原始信息,我们需要对每种信息进行特征提取。特征提取通常依赖于数据的性质和目标任务。
具体而言,基于所述第一原始信息提取第一初始特征集包括对第一原始信息进行独热编码以提取第一初始特征集;
基于所述第二原始信息提取第二初始特征集包括对第二原始信息使用最小-最大归一化处理以提取第二初始特征集;
基于所述第三原始信息提取第三初始特征集包括对第三原始信息使用傅立叶变换从时域转换为频域,然后提取频域内的主要频率成分作为第三初始特征集;
基于所述第四原始信息提取第四初始特征集包括对第四原始信息进行Z分数标准化处理以提取第四初始特征集。
具体而言,步骤S200涉及了一些特征提取和预处理技术。第一原始信息通过射频识别设备获取,具体为目标的唯一标识符;第二原始信息通过全球定位系统获取,具体为目标的地理坐标;第三原始信息通过红外运动传感器获取,具体为目标的位置坐标与运动状态;第四原始信息通过激光扫描器获取,具体为目标的距离或深度信息。对于第一原始信息,通过独热编码(One-hot Encoding)的方式提取特征,这种方法用于处理类别型数据,通过编码将类别型的原始数据转换成能够输入模型的数值型数据。对于第二原始信息,利用最小-最大归一化(Min-Max Normalization)的方式处理数据,该方法能将数据映射到特定的范围内,减小异常值对模型的影响。对于第三原始信息,使用傅立叶变换(FourierTransform)提取频域信息,能够从频域角度去分析和理解数据的动态特性。对于第四原始信息,进行Z分数标准化(Z-Score Normalization),该方法能够将数据标准化到均值为0,方差为1的标准正态分布,有利于算法的优化和模型的稳定性。
具体而言,完成步骤S200后,我们会得到对四种原始信息进行了各种处理和特征提取后的四个初始特征集,这些特征集是经过预处理和特征工程后的数据,更适合输入到模型中进行训练和预测。在整个流程中,步骤S200处于数据预处理和特征提取阶段,这个阶段是将原始数据转化为可以输入到模型中的特征数据,是整个模型训练的基础和前提。对于整个发明来说,这一步骤确保了模型输入数据的质量,也为之后模型的训练和优化,提供了可能性,有利于提高模型预测的准确性。
具体而言,在步骤S300中,涉及的是特征合并和自注意力机制。首先,拼接第一、第二、第三初始特征集得到第一特征集,这个步骤主要是特征融合,将各种来源的特征合并在一起,以此获得一个更全面的特征表示。接下来,通过自注意力机制处理第四初始特征集,自注意力机制(Self-Attention Mechanism)能够对输入的各个特征进行权重分配,提取出相对重要的特征信息。这种机制具有对特征间关系的捕获能力,对于序列型的数据特别有效。通过自注意力机制获得的强化映射特征集与第一特征集拼接,构成了第二特征集。
具体而言,得到第一特征集包括:将所述第一初始特征集、所述第二初始特征集、所述第三初始特征集在同一时刻的值并行拼接在一起,形成矩阵,进而得到第一特征集。
具体而言,以上内容主要涉及到特征向量的拼接。这是一种常用的特征处理技术,用于将来自不同源的特征组合在一起,以形成一个更全面的特征描述。例如,在某一时刻,第一初始特征集为[0.2,0.3],第二初始特征集为[0.1,0.6],第三初始特征集为[0.4,0.7],则在该时刻,拼接这三个特征集的结果就是[[0.2,0.1,0.4],[0.3,0.6,0.7]]。这样,我们就得到了一个包含了所有初始特征信息的特征向量。
具体而言,拼接后将得到一个二维矩阵,其中每一行都包含了某一时间点的所有特征。这种方式的拼接保证了在特征处理阶段充分考虑了时间连续性的影响,为后续模型训练提供了更多的信息。这个步骤在整个流程中,处于特征整合阶段,也即将前一步骤得到的各个初始特征集结合在一起。
具体而言,强化映射特征集的获得是通过Transformer模型的自注意力机制进行查询向量、键向量和值向量的特征向量得分计算得到。
具体而言,自注意力机制是Transformer模型的核心组成部分。它通过计算查询向量、键向量和值向量的得分来获取强化映射特征集。
具体而言,所述查询向量、所述键向量和所述值向量的获得包括:通过权重矩阵与第一特征集相乘得到查询向量,通过权重矩阵与第四初始特征相乘得到键向量和值向量,所述权重矩阵是基于transformer模型的计算流程随机初始化的。
具体而言,关于查询向量、键向量和值向量的获取的过程是通过权重矩阵与特征集的乘积实现的。举一个具体的例子,我们有一个第一特征集,它是向量[[0.2,0.1,0.4],[0.3,0.6,0.7]],同时我们有随机初始化的权重矩阵W_q,W_k和W_v。这些权重矩阵用于生成查询向量、键向量和值向量。通过将第一特征集与权重矩阵W_q相乘,可以得到查询向量。同样使用相应的权重矩阵与一个第四初始特征集(例如一个1×4的向量[0.6,0.3,0.2,0.9])相乘得到键向量和值向量。
具体而言,通过计算查询向量和键向量的点积,然后经过softmax函数转换,得到一组权重,这些权重会被用来对值向量进行加权求和,从而得到强化映射特征集。
具体而言,强化映射特征集具有更强的代表性,有效地提取出了重要的信息并削弱了不重要的信息,能更好地表示目标对象的特性。这一步骤处于整个操作过程的特征加工阶段,它是对输入特征进行进一步加工,提取出更有效的信息,为后续的模型训练做准备。
具体而言,完成步骤S300后将得到一个更具描述性和区分度的第二特征集。它是通过特征融合和自注意力机制加强的特征集,含有了原始数据的全面信息,并且增强了对于关键特征的识别和抓取。在整个流程中,此步骤仍然属于特征预处理阶段,它是特征提取的进一步扩展,通过不同的技术手段提升特征的表达能力。这一步骤对于整个发明的意义在于,通过特征的强化和融合,可以提升后续模型的学习效果,提高预测的准确性,从而更好地预测目标的运动轨迹。
具体而言,在步骤S400中,配置一个长短期记忆网络来初始化预训练模型。
具体而言,配置长短期记忆网络包括:采用多层长短期记忆网络结构,第一层网络将第二特征集进行初步处理,生成中间状态特征;
第二层网络将第一层生成的中间状态特征进行处理,得到高层次特征;
第三层网络则将第二层的输出转换为目标的运动状态预测;
在训练过程中,每一层网络都会通过时间反向传播算法更新网络参数,以最小化损失函数,所述损失函数衡量预测目标运动状态与真实运动状态的差异。
具体而言,步骤S400中,这个过程涉及到一个多层的长短期记忆网络(LSTM)结构。在这个结构中,第一层网络会将步骤S300产生的第二特征集进行初步处理,生成中间状态特征。之后,第二层网络会再次处理这些中间状态特征,生成更高层次的特征。然后,第三层网络将这些高层次特征转换为目标的运动状态预测。在整个训练过程中,每一层网络的参数都会通过时间反向传播算法进行更新,以便最小化损失函数,这个损失函数衡量预测目标运动状态与真实运动状态的差异。
具体而言,在步骤S500中,将所述第二特征集输入所述长短期记忆网络进行训练,得到能够预测目标运动轨迹的预训练模型,举个简单的例子,假设有一个第二特征集,它是一个1×4的向量[0.2,0.3,0.7,0.1],经过第一层网络处理后,我们得到一个新的中间状态特征向量,例如[0.4,0.5,0.2,0.1]。然后,第二层网络将其处理成一个更高级别的特征向量,例如[0.6,0.3,0.1,0.1]。最后,第三层网络将其转化为预测目标运动状态,例如[0.7,0.8],[0.6,0.9],[0.5,0.8]。
具体而言,得到能够预测目标运动轨迹的预训练模型包括:将所述第二特征集输入所述长短期记忆网络进行训练时,应用早期停止和正则化的过拟合防止技术,所述预训练模型的输出为一组坐标,拟合后得到目标的预测轨迹。
具体而言,步骤S500涉及到的技术特征主要是预训练模型的训练过程和预测轨迹的生成。训练过程中,第二特征集被输入到长短期记忆网络进行训练,同时应用早期停止和正则化的过拟合防止技术以避免模型在训练集上过度学习,损害其对未见样本的泛化能力。预训练模型的输出为一组坐标,这些坐标可以被用来拟合出目标的预测轨迹。以一个具体的例子来说,假设第二特征集是一个1×3的向量[0.2,0.3,0.5],在通过LSTM网络的训练后,我们可能得到一组输出坐标例如[0.7,0.8],[0.6,0.9],[0.5,0.8]。这些坐标点可以被连线起来形成一个轨迹,这就是目标的预测轨迹。
具体而言,得到预训练模型后,这个模型能够根据输入的特征集输出一组坐标,这组坐标经过拟合后能够形成目标的预测轨迹。这样的预训练模型能够初步预测出目标在未来的运动轨迹。为进一步得到最终模型做好了准备。
具体而言,将所述预测轨迹与实际轨迹进行对比计算预测误差包括:计算单位时间内每一时刻的预测轨迹和实际轨迹之间的差值,将每个差值平方后求和,最后除以总的时刻数量,得到均方误差,所述均方误差为所述预测误差。
具体而言,计算预测误差的过程主要涉及到预测轨迹和实际轨迹之间的比较,以及均方误差的计算。预测轨迹是预训练模型输出的一组坐标,而实际轨迹则是目标物体在实际环境中的运动轨迹。比较这两个轨迹,可以计算出每一时刻的预测轨迹和实际轨迹之间的差值。将每个差值平方后求和,再除以总的时刻数量,得到的结果就是均方误差,这个值可以衡量预测模型的预测准确度。假设有三个时刻,预测轨迹和实际轨迹的差值分别是0.1,0.2,0.1,则均方误差为((0.1^2+0.2^2+0.1^2)/3)=0.02。
具体而言,完成计算预测误差后,将得到预测误差的具体值,这个值反映了预测模型的预测准确度。这个结果将提供关于模型性能的重要反馈,有益于对模型进行调整和优化,提高模型的预测精度。这是模型训练的一个重要环节,得到了第三特征集,基此进一步训练预训练模型,实现模型的最优化。
具体而言,将所述第三特征集与所述第二特征集输入所述预训练模型中训练,得到最终模型包括:将所述第三特征集与第二特征集按照时间顺序进行拼接获得融合特征集,将所述融合特征集输入所述预训练模型进行训练,训练过程中将融合特征集分成训练集和验证集,使用所述损失函数和随机梯度下降策略进行参数优化,采用批量训练的方式,将数据分成多个批次,每次只使用一个批次的数据进行训练。
具体而言,这部分主要涉及到特征集的拼接,预训练模型的训练,以及使用损失函数和随机梯度下降策略进行参数优化等技术特征。首先,将第三特征集与第二特征集按照时间顺序进行拼接,得到一个融合特征集。然后,将这个融合特征集输入预训练模型进行训练。在训练过程中,将融合特征集分为训练集和验证集,然后使用损失函数和随机梯度下降策略进行参数优化。
具体而言,所述第三特征集即预测误差,并未作为标签使用,而是作为特征的一部分,实际应用中所述最终模型不会因第三特征集调整自身参数,而是保持稳定。
具体而言,完成这个步骤后将得到最终模型。这个模型是基于融合特征集进行训练和优化得到的,因此,它可以更好地利用第三特征集和第二特征集中的信息进行预测。这一步骤在整个操作过程中处于模型训练和优化阶段,它的目标是通过训练和优化,提高模型的预测性能。对于整个发明来说,这个步骤的实施可以提高预测模型的准确度,从而提高用户的使用体验。这种方法的优点是,它可以利用多种特征信息进行预测,提高预测的准确性。
具体而言,这整个操作过程的最终输出阶段,它的完成标志着整个预测模型的建立,为实现更安全、更准确的预测提供了关键的技术支持。
具体而言,得到所述最终模型后,将第一单位时间获得的所述第二特征集输入所述最终模型能够获得目标在第二单位时间的预测轨迹;
在第二单位时间内,预测误差没有出现,则将第二单位时间获得的第二特征集输入最终模型获得目标在第三单位时间的预测轨迹;
预测误差出现,则将第二单位时间获得的第二特征集与第三特征集输入最终模型获得目标在第三单位时间的预测轨迹。
具体而言,得到最终模型后,根据预测误差的有无,可以使用不同的特征集作为输入,获取目标在不同单位时间的预测轨迹。这一步骤主要涉及预测模型的应用和预测误差的判断。在无预测误差出现的情况下,只需将相应单位时间的第二特征集输入模型进行预测。而在预测误差出现的情况下,则需将相应单位时间的第二特征集和第三特征集一同输入模型进行预测。举个例子,假设第一单位时间的第二特征集为[0.1,0.2,0.3],在没有预测误差的情况下,输入到模型后可能得到第二单位时间的预测轨迹为[0.7,0.8],[0.6,0.9],[0.5,0.8]。如果第二单位时间的预测出现误差,则需要将第二单位时间的第二特征集[0.15,0.25,0.35]与第三特征集[0.02]一同输入模型,可能得到第三单位时间的预测轨迹为[0.4,0.3],[0.5,0.4],[0.6,0.5]。
具体而言,我们将得到目标在不同单位时间的预测轨迹。这个预测轨迹的精度会受到预测误差的影响,当预测误差出现时,通过同时使用第二特征集和第三特征集作为输入,可以进一步提高预测的准确性。这一步骤在整个操作过程中处于模型应用阶段,其目的在于根据实际情况调整输入数据,以优化预测结果。对于整个发明来说,这一步骤有助于实现更精确的轨迹预测,从而提高了预测模型的实用性和实用价值。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
以上所述仅为本发明的优选实施例,并不用于限制本发明;对于本领域的技术人员来说,本发明可以有各种更改和变化。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,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于物联网技术的智能化运动识别方法,其特征在于,包括:
通过物联网中的射频识别设备获取目标在每个单位时间内的第一原始信息,通过所述物联网中的全球定位系统获取所述目标在每个单位时间内的第二原始信息,通过所述物联网中的红外运动传感器获取所述目标在每个单位时间内的第三原始信息,通过所述物联网中的激光扫描器获取所述目标在每个单位时间内的第四原始信息;
基于所述第一原始信息提取第一初始特征集,基于所述第二原始信息提取第二初始特征集,基于所述第三原始信息提取第三初始特征集,基于所述第四原始信息提取第四初始特征集;
拼接所述第一初始特征集、所述第二初始特征集、所述第三初始特征集得到第一特征集,通过自注意力机制获得第四初始特征集对于所述第一特征集的强化映射特征集,将所述强化映射特征集与所述第一特征集拼接获得第二特征集;
配置长短期记忆网络;
将所述第二特征集输入所述长短期记忆网络进行训练,得到能够预测目标运动轨迹的预训练模型,将第一单位时间获得的所述第二特征集输入所述预训练模型获得所述目标在第二单位时间的预测轨迹,在第二单位时间结束后,将所述预测轨迹与实际轨迹进行对比计算预测误差,将所述预测误差作为第三特征集,将所述第三特征集与所述第二特征集输入所述预训练模型中训练,得到最终模型。
2.根据权利要求1所述的基于物联网技术的智能化运动识别方法,其特征在于,还包括:得到所述最终模型后,将第一单位时间获得的所述第二特征集输入所述最终模型能够获得目标在第二单位时间的预测轨迹;
在第二单位时间内,若预测误差没有出现,则将第二单位时间获得的第二特征集输入最终模型获得目标在第三单位时间的预测轨迹;
若预测误差出现,则将第二单位时间获得的第二特征集与第三特征集输入最终模型获得目标在第三单位时间的预测轨迹。
3.根据权利要求2所述的基于物联网技术的智能化运动识别方法,其特征在于,基于所述第一原始信息提取第一初始特征集包括:
对第一原始信息进行独热编码以提取第一初始特征集;
基于所述第二原始信息提取第二初始特征集包括对第二原始信息使用最小-最大归一化处理以提取第二初始特征集;
基于所述第三原始信息提取第三初始特征集包括对第三原始信息使用傅立叶变换从时域转换为频域,然后提取频域内的主要频率成分作为第三初始特征集;
基于所述第四原始信息提取第四初始特征集包括对第四原始信息进行Z分数标准化处理以提取第四初始特征集。
4.根据权利要求3所述的基于物联网技术的智能化运动识别方法,其特征在于,得到第一特征集包括:将所述第一初始特征集、所述第二初始特征集、所述第三初始特征集在同一时刻的值并行拼接在一起,形成矩阵,进而得到第一特征集。
5.根据权利要求4所述的基于物联网技术的智能化运动识别方法,其特征在于,强化映射特征集的获得是通过Transformer模型的自注意力机制进行查询向量、键向量和值向量的特征向量得分计算得到。
6.根据权利要求5所述的基于物联网技术的智能化运动识别方法,其特征在于,所述查询向量、所述键向量和所述值向量的获得包括:通过权重矩阵与第一特征集相乘得到查询向量,通过权重矩阵与第四初始特征相乘得到键向量和值向量,所述权重矩阵是基于所述Transformer模型的计算流程随机初始化的。
7.根据权利要求6所述的基于物联网技术的智能化运动识别方法,其特征在于,配置长短期记忆网络包括:采用多层长短期记忆网络结构,第一层网络将第二特征集进行初步处理,生成中间状态特征;
第二层网络将第一层生成的中间状态特征进行处理,得到高层次特征;
第三层网络则将第二层的输出转换为目标的运动状态预测;
在训练过程中,每一层网络都会通过时间反向传播算法更新网络参数,以最小化损失函数,所述损失函数衡量预测目标运动状态与真实运动状态的差异。
8.根据权利要求7所述的基于物联网技术的智能化运动识别方法,其特征在于,得到能够预测目标运动轨迹的预训练模型包括:
将所述第二特征集输入所述长短期记忆网络进行训练时,应用早期停止和正则化的过拟合防止技术,所述预训练模型的输出为一组坐标,拟合后得到目标的预测轨迹。
9.根据权利要求8所述的基于物联网技术的智能化运动识别方法,其特征在于,将所述预测轨迹与实际轨迹进行对比计算预测误差包括:计算单位时间内每一时刻的预测轨迹和实际轨迹之间的差值,将每个差值平方后求和,最后除以总的时刻数量,得到均方误差,所述均方误差为所述预测误差。
10.根据权利要求9所述的基于物联网技术的智能化运动识别方法,其特征在于,将所述第三特征集与所述第二特征集输入所述预训练模型中训练,得到最终模型包括:将所述第三特征集与第二特征集按照时间顺序进行拼接获得融合特征集,将所述融合特征集输入所述预训练模型进行训练,训练过程中将融合特征集分成训练集和验证集,使用所述损失函数和随机梯度下降策略进行参数优化,采用批量训练的方式,将数据分成多个批次,每次只使用一个批次的数据进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310886760.6A CN116907510A (zh) | 2023-07-19 | 2023-07-19 | 一种基于物联网技术的智能化运动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310886760.6A CN116907510A (zh) | 2023-07-19 | 2023-07-19 | 一种基于物联网技术的智能化运动识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116907510A true CN116907510A (zh) | 2023-10-20 |
Family
ID=88364266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310886760.6A Pending CN116907510A (zh) | 2023-07-19 | 2023-07-19 | 一种基于物联网技术的智能化运动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116907510A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117841751A (zh) * | 2024-03-08 | 2024-04-09 | 沧州智慧城科技有限公司 | 基于意图识别的充电枪系统及充电方法 |
-
2023
- 2023-07-19 CN CN202310886760.6A patent/CN116907510A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117841751A (zh) * | 2024-03-08 | 2024-04-09 | 沧州智慧城科技有限公司 | 基于意图识别的充电枪系统及充电方法 |
CN117841751B (zh) * | 2024-03-08 | 2024-05-17 | 沧州智慧城科技有限公司 | 基于意图识别的充电枪系统及充电方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114384920B (zh) | 一种基于局部栅格地图实时构建的动态避障方法 | |
Yuan et al. | A novel GRU-RNN network model for dynamic path planning of mobile robot | |
Zhao et al. | A spatial-temporal attention model for human trajectory prediction. | |
Grigorescu et al. | Neurotrajectory: A neuroevolutionary approach to local state trajectory learning for autonomous vehicles | |
Chen et al. | Driving maneuvers prediction based autonomous driving control by deep Monte Carlo tree search | |
CN113205466A (zh) | 一种基于隐空间拓扑结构约束的残缺点云补全方法 | |
KR102288933B1 (ko) | 정밀 도로 지도 구축 방법, 장치 및 시스템 | |
Chen et al. | Robot navigation with map-based deep reinforcement learning | |
CN112148008B (zh) | 一种基于深度强化学习的实时无人机路径预测方法 | |
CN116907510A (zh) | 一种基于物联网技术的智能化运动识别方法 | |
CN112857370A (zh) | 一种基于时序信息建模的机器人无地图导航方法 | |
CN113219506A (zh) | 一种多模融合无缝切换的定位方法 | |
Prokop et al. | Neuro-heuristic pallet detection for automated guided vehicle navigation | |
CN114386599B (zh) | 训练轨迹预测模型和轨迹规划的方法和装置 | |
CN117213470B (zh) | 一种多机碎片地图聚合更新方法及系统 | |
CN110926470B (zh) | 一种agv导航控制方法及系统 | |
Daass et al. | Design of multi-sensor fusion architectures based on the covariance intersection algorithm—estimating calculation burdens | |
CN116429112A (zh) | 多机器人协同定位方法和装置、设备及存储介质 | |
Khan et al. | Learning sample-efficient target reaching for mobile robots | |
KR20210054355A (ko) | 시각 및 언어 기반 공간 탐색 시스템 | |
Gao et al. | A prediction method of localizability based on deep learning | |
CN114153216A (zh) | 基于深度强化学习和块规划的月面路径规划系统和方法 | |
Yang et al. | SLAM self-cruise vehicle based on ROS platform | |
Wang et al. | Research on SLAM road sign observation based on particle filter | |
Chen et al. | Towards bio-inspired place recognition over multiple spatial scales |
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 |