[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

本發明涉及一種基于稀疏高斯過程的目標運動預測方法，提出的MCMC?SPGP算法是一種純數據驅動的運動預測方法，不需要目標動力學模型和目標參數信息。SPGP使用少量的偽數據集代替真實數據集，大大減少了計算量。采用傳統的優化算法優化SPGP的參數時，SPGP容易陷入局部極小值，特別是預測復雜運動時。因此，我們使用MCMC在訓練過程中優化參數。仿真結果表明了該算法的正確性和有效性。所提出的MCMC?SPGP算法可廣泛應用于軌道預測等其它運動預測問題。

技術領域

本發明屬于運動預測方法，涉及一種基于稀疏高斯過程的目標運動預測方法，針對空間翻滾目標的運動預測方法。

背景技術

目前的空間目標運動預測方法大多是基于物理的，此類方法需要對目標的動力學參數進行良好的估計。由于作用于空間中自由漂浮物體上的外力力矩可以忽略，所以只要精確地知道相關的動力學參數和初始狀態，就可以預測目標的運動。使用擴展卡爾曼濾波器跟蹤和預測已知慣性參數的目標的線性運動，但只持續幾秒鐘的時間。Hillenbrand和Lampariello研究了一種用于從距離數據中估計自由漂浮目標的運動和模型識別的線性最小二乘方法。它們提供了一種有效的長期運動預測算法，但由于目標旋轉運動的非線性特性，該算法對滾轉目標的預測效果不佳。Aghili使用卡爾曼濾波器估計翻滾目標的狀態和動力學參數。

近年來，基于機器學習理論涌現出了一類新的目標運動預測方法，并且已經在諸多應用領域得到驗證，包括在航空航天領域的許多應用。機器方法從大量數據中提取知識，發現過去經驗與未來事件之間隱藏的關系。Wang提出了一種基于自回歸模型的非合作目標平動和旋轉運動預測方法。Amalia采用部分可觀察的馬爾可夫決策過程來考慮機器人在非結構化環境中的導航問題。Sung從彈道數據中提取運動模式，建立目標運動的隱馬爾可夫模型，并對其運動進行預測，但是HMM的準確率較低。使用支持向量機方法來提高軌道預測的精度。神經網絡具有足夠的神經元和層數，可以逼近任何光滑函數，已在軌道預測中得到了應用。然而，神經網絡容易發生過擬合現象。高斯過程(GP)是一種假設高斯過程優先于底層函數的貝葉斯推理方法。Heravi研究了使用GP對運動目標進行長期軌跡預測的方法。金等提出了一個健壯的自回歸運動高斯過程模型使用基于l₁-norm內核矩陣低秩近似。他們考慮了在擁擠環境中模擬行人復雜運動的問題。采用高斯混合模型對未來運動進行預測，均表現良好。我們認為基于GP的方法可能是最有前途的運動預測方法，而現有的基于GP的方法在預測過程中很少考慮計算成本。

空間機器人在動態環境下執行任務時，需要對運動目標進行在線運動預測來進行規劃和執行。由于n維協方差矩陣的逆，標準GP的計算成本為O(n³)，其中n為訓練數據大小。因此，對于規模較大的問題，GP通常在計算上是不可行的。已有研究中提出了很多有效的近似GP方法，例如數據子集方法和不完整Choleskey分解方法，此類方法簡單易實現，但是預測效果一般。Snelson提出了稀疏偽輸入高斯過程(SPGP)，聯合優化了偽輸入和超參數。在性能方面，SPGP可以看作是目前最先進的稀疏GP近似方法。

發明內容

要解決的技術問題

為了避免現有技術的不足之處，本發明提出一種基于稀疏高斯過程的目標運動預測方法，利用稀疏偽輸入高斯過程(SPGP)來預測自由漂浮的翻滾空間物體的運動，并基于馬爾科夫鏈蒙特卡羅(MCMC)優化算法優化SPGP的參數。

技術方案

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：

傳統高斯過程的計算成本為O(n³)，其中n為訓練數據的數目。對于規模較大的問題，傳統高斯過程在計算上不可行。