[發明專利]一種基于稀疏高斯過程的目標運動預測方法

有效

• 申請號: 202010104821.5
• 申請日: 2020-02-20
• 公開（公告）號: CN111324987B
• 公開（公告）日: 2022-07-08
• 發明（設計）人: 羅建軍;余敏;王明明;朱戰霞;馬衛華;袁建平
• 申請（專利權）人: 西北工業大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N7/00
• 代理公司: 西安凱多思知識產權代理事務所(普通合伙) 61290
• 代理人: 王鮮凱

1.一種基于稀疏高斯過程的目標運動預測方法，依據空間翻滾目標的歷史觀測數據，通過對歷史數據的訓練、學習，進行其未來有限時域內運動狀態預測，其特征在于步驟如下：

步驟1、利用高斯先驗分布，設計偽數據集：

利用偽數據集代替目標的真實運動數據偽輸入和偽輸出呈現稀疏性，以提高運動預測的計算效率；

首先，在偽輸出上設置高斯先驗：

其中，K_M是偽數據集的協方差矩陣；

然后，通過極大化邊際似然，具體如下

其中，計算出偽輸入位置和超參數Θ＝(θ，σ²)；

依據貝葉斯準則，計算出偽輸出的后驗分布：

其中：Q_M＝K_M+K_MN(Λ+σ²I)^-1K_NM；

步驟2、利用MCMC方法優化偽數據集位置：

在極大化邊際似然函數時，同時優化偽輸入和超參數，采用MCMC優化方法，有效地避免優化過程陷入局部極小，具體步驟如下：

1） 、隨機確定一個初始值ξ，即偽輸入和超參數，滿足p(ξ)0；

2） 、采用當前的ξ，從一個建議分布q(ξ₁,ξ₂)中采樣一個候選值ξ^*；分布需滿足對稱性，即q(ξ₁,ξ₂)＝q(ξ₂,ξ₁)；選擇對稱的隨機游走建議分布，即q(x^*|x_t)＝q(x_t|x^*)；

3） 、計算候選值ξ^*和當前值ξ的概率密度比值：

4） 、如果α≥1，則接受候選值ξ^*，然后重復步驟2；如果α1，則以概率α接受候選值；MCMC算法在每一次迭代計算中以一定概率接受次優解，從而避免了陷入局部極小問題，在樣本數較多的情況下會收斂到較好的解；

步驟3、預測目標的未來運動狀態：

給定新的目標運動輸入數據，即未來時間序列x*，通過將似然方程與后驗分布積分得到目標運動狀態y的預測分布如下

其中

對于空間翻滾目標，其運動狀態分解為7個維度，其中位置3個，姿態4個，姿態采用四元數表示，所述空間翻滾目標為空間機器人；

每一維都采用上述預測方法進行單獨預測，目標長期預測的位姿表示如下