[發明專利]目標物控制方法、計算機設備及計算機可讀存儲介質

在審

• 申請號: 202010408930.6
• 申請日: 2020-05-14
• 公開（公告）號: CN111589120A
• 公開（公告）日: 2020-08-28
• 發明（設計）人: 朱曉龍;紀曉龍;季興;湯善敏;周正;李宏亮;張正生;劉永升
• 申請（專利權）人: 深圳海普參數科技有限公司
• 主分類號: A63F13/5378
• 分類號: A63F13/5378;A63F13/57;G06K9/00;G06N3/04
• 代理公司: 深圳市力道知識產權代理事務所(普通合伙) 44507
• 代理人: 黃靈飛

1.一種目標物控制方法，其特征在于，包括：

獲取運行環境中的每一幀數據集；

從所述每一幀數據集中提取單位信息、資源信息、以及全局信息；

根據所述單位信息、所述資源信息、以及所述全局信息，確定目標物的運行方向和動作類型；

控制所述目標物按照所述運行方向運行，以及執行所述動作類型對應的動作。

2.根據權利要求1所述的目標物控制方法，其特征在于，所述根據所述單位信息、所述資源信息、以及所述全局信息，確定目標物的運行方向和動作類型包括：

根據所述單位信息生成向量嵌入特征，根據所述全局信息生成全局標量特征，以及根據所述單位信息、所述資源信息、以及所述全局信息，生成空間圖像特征；

通過訓練后的模型對所述向量嵌入特征、所述全局標量特征以及所述空間圖像特征進行處理，得到目標物的運行方向和動作類型。

3.根據權利要求2所述的目標物控制方法，其特征在于，所述訓練后的模型包括第一網絡、第二網絡、第三網絡和第四網絡，所述通過訓練后的模型對所述向量嵌入特征、所述全局標量特征以及所述空間圖像特征進行處理，得到目標物的運行方向和動作類型包括：

通過所述第一網絡對所述向量嵌入特征進行降維操作，得到第一特征信息；

通過所述第二網絡對所述空間圖像特征進行卷積操作，得到第二特征信息；

通過所述第三網絡對所述全局標量特征進行非線性操作，得到第三特征信息；

將所述第一特征信息、所述第二特征信息、以及所述第三特征信息進行合并，得到目標特征信息；

通過所述第四網絡對所述目標特征信息進行處理，得到目標物的運行方向和動作類型。

4.根據權利要求3所述的目標物控制方法，其特征在于，所述第一網絡為深度神經網絡或多層感知機，所述第二網絡為卷積神經網絡或殘差網絡，所述第三網絡為深度神經網絡或多層感知機，所述第四網絡為循環神經網絡或長短期記憶網絡。

5.根據權利要求2所述的目標物控制方法，其特征在于，所述通過訓練后的模型對所述向量嵌入特征、所述全局標量特征以及所述空間圖像特征進行處理，得到目標物的運行方向和動作類型之前，所述目標物控制方法還包括：

獲取樣本視頻，從所述樣本視頻中篩選出有效幀數據，以及從所述有效幀數據中確定樣本物；

通過預設的模型基于所述有效幀數據確定所述樣本物的預測運行方向和預測動作類型；

通過預設的損失函數對所述預測運行方向和所述預測動作類型進行收斂，以調整所述模型的參數至目標值，得到訓練后的模型。

6.根據權利要求5所述的目標物控制方法，其特征在于，所述從所述樣本視頻中篩選出有效幀數據包括：

獲取所述樣本視頻中的分析指標；

根據所述分析指標從所述樣本視頻中篩選出有效幀數據。

7.根據權利要求5所述的目標物控制方法，其特征在于，所述通過預設的模型基于所述有效幀數據確定所述樣本物的預測運行方向和預測動作類型包括：

從所述有效幀數據中提取目標單位信息、目標資源信息、以及目標全局信息；

通過預設的模型對所述目標單位信息、所述目標資源信息、以及所述目標全局信息進行處理，得到樣本物的預測運行方向和預測動作類型。

8.根據權利要求5所述的目標物控制方法，其特征在于，所述通過預設的損失函數對所述預測運行方向和所述預測動作類型進行收斂，以調整所述模型的參數至目標值，得到訓練后的模型包括：

獲取所述有效幀數據對應的真實運行方向和真實動作類型；

通過預設的損失函數基于所述真實運行方向和真實動作類型，對所述預測運行方向和所述預測動作類型進行收斂，以調整所述模型的參數至目標值，得到訓練后的模型；或者，

通過預設的損失函數獲取所述預測運行方向和所述預測動作類型對應的懲罰值和獎勵值；

根據所述懲罰值和獎勵值調整所述模型的參數至目標值，得到訓練后的模型。