[發(fā)明專利]基于時(shí)間粒度提升的動(dòng)態(tài)目標(biāo)不確定運(yùn)動(dòng)軌跡預(yù)測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202010421011.2
• 申請(qǐng)日: 2020-05-18
• 公開（公告）號(hào): CN111667099B
• 公開（公告）日: 2023-10-10
• 發(fā)明（設(shè)計(jì)）人: 張?jiān)浦?/a>;夏崇坤;王磊;陳昕;秦操;暴吉寧;李奇
• 申請(qǐng)（專利權(quán)）人: 東北大學(xué)
• 主分類號(hào): G06F18/24
• 分類號(hào): G06F18/24;G06F18/214;G06N3/0442;H04W4/029;G06F30/27;G06F16/29
• 代理公司: 大連理工大學(xué)專利中心 21200
• 代理人: 陳玲玉

本發(fā)明屬于目標(biāo)檢測(cè)與機(jī)器人操作領(lǐng)域，公開了基于時(shí)間粒度提升的動(dòng)態(tài)目標(biāo)不確定運(yùn)動(dòng)軌跡預(yù)測(cè)方法，包括如下步驟：利用機(jī)器人視覺處理模塊采集原始運(yùn)動(dòng)軌跡數(shù)據(jù)通過標(biāo)準(zhǔn)化，作為訓(xùn)練集；通過粒度分割實(shí)現(xiàn)軌跡數(shù)據(jù)的粒度化；通過時(shí)間粒度提升策略，選擇合適的基預(yù)測(cè)器權(quán)重系數(shù)并完成訓(xùn)練，構(gòu)建高精度協(xié)同預(yù)測(cè)模型；通過滾動(dòng)迭代和基預(yù)測(cè)器集成獲得多步高精度預(yù)測(cè)值。本方法通過粒度化提取軌跡的有效特征，在保持訓(xùn)練時(shí)間基本不變的情況下，大幅度提高了動(dòng)態(tài)目標(biāo)不確定運(yùn)動(dòng)軌跡的預(yù)測(cè)精度和準(zhǔn)確率，還增強(qiáng)了算法對(duì)噪聲信息的抗干擾能力，對(duì)于后續(xù)機(jī)器人實(shí)施自主動(dòng)態(tài)操作具有重要意義。

技術(shù)領(lǐng)域

本發(fā)明屬于目標(biāo)檢測(cè)與機(jī)器人操作領(lǐng)域，涉及一種基于時(shí)間粒度提升的動(dòng)態(tài)目標(biāo)不確定運(yùn)動(dòng)軌跡預(yù)測(cè)方法。

背景技術(shù)

運(yùn)動(dòng)軌跡預(yù)測(cè)是視覺環(huán)境下機(jī)器人進(jìn)行自主動(dòng)態(tài)操作的重要環(huán)節(jié)。軌跡預(yù)測(cè)的目標(biāo)是對(duì)過去一段時(shí)間的觀察數(shù)據(jù)進(jìn)行分析，進(jìn)而提供下一個(gè)時(shí)刻或未來一段時(shí)間的軌跡信息。

當(dāng)前研究主要集中在結(jié)構(gòu)化環(huán)境下已知運(yùn)動(dòng)模型的動(dòng)態(tài)操作比如生產(chǎn)線上各類物品的裝配、分揀、碼垛等，仍停留在簡(jiǎn)單重復(fù)性的機(jī)械操作。隨著大數(shù)據(jù)和人工智能領(lǐng)域的快速發(fā)展，基于數(shù)據(jù)分析與驅(qū)動(dòng)的全自動(dòng)化智能生產(chǎn)線正在成為未來的首選。然而，對(duì)于這類智能生產(chǎn)線，各類物體的運(yùn)動(dòng)軌跡往往具有一定的未知性和不確定性，當(dāng)機(jī)器人在實(shí)施動(dòng)態(tài)操作時(shí)，難以準(zhǔn)確、有效地獲取物體的運(yùn)動(dòng)軌跡，因此在一定視覺范圍內(nèi)的高精度軌跡預(yù)測(cè)就變得非常重要。當(dāng)前主流的軌跡預(yù)測(cè)方法主要包括ARIMA及其改進(jìn)算法，Markov預(yù)測(cè)及其改進(jìn)算法，RNN及其改進(jìn)算法。但是，基于ARIMA的預(yù)測(cè)方法只適用于標(biāo)準(zhǔn)穩(wěn)態(tài)時(shí)序軌跡數(shù)據(jù)，無法應(yīng)用于具有未知和不確定性的環(huán)境；基于Markov的預(yù)測(cè)方法具有較高的計(jì)算復(fù)雜度，導(dǎo)致計(jì)算資源消耗較大，預(yù)測(cè)時(shí)間較長(zhǎng)；基于RNN的預(yù)測(cè)方法如LSTM神經(jīng)網(wǎng)絡(luò)，雖然預(yù)測(cè)速度較快，但預(yù)測(cè)精度和魯棒性較差，容易受噪聲影響。這些表明單一的預(yù)測(cè)方法往往具有較大的局限性，難以滿足未知或不確定環(huán)境下機(jī)器人動(dòng)態(tài)操作的軌跡預(yù)測(cè)精度和魯棒性要求。為此，本發(fā)明提出了一種基于時(shí)間粒度提升的運(yùn)動(dòng)軌跡預(yù)測(cè)方法，其核心是基于時(shí)間粒度的多LSTM協(xié)同預(yù)測(cè)模型。該方法不僅具備較短的運(yùn)行時(shí)間，更大幅度地提高了軌跡預(yù)測(cè)精度，為后續(xù)機(jī)器人系統(tǒng)自主操作提供了保障。需要注意的是，時(shí)間粒度是具有一定長(zhǎng)度的時(shí)間序列數(shù)據(jù)集的統(tǒng)稱。

發(fā)明內(nèi)容

本發(fā)明目的是提供一種基于時(shí)間粒度提升的動(dòng)態(tài)目標(biāo)不確定運(yùn)動(dòng)軌跡預(yù)測(cè)方法，通過新提出的時(shí)間粒度提升機(jī)制，可大幅度地提高單一LSTM網(wǎng)絡(luò)的預(yù)測(cè)精度，進(jìn)而為動(dòng)態(tài)目標(biāo)不確定運(yùn)動(dòng)軌跡提供準(zhǔn)確的高精度預(yù)測(cè)。

本發(fā)明提供一種基于時(shí)間粒度提升的動(dòng)態(tài)目標(biāo)不確定運(yùn)動(dòng)軌跡預(yù)測(cè)方法，包括以下步驟：

S1：通過機(jī)器人系統(tǒng)的視覺處理模塊獲取目標(biāo)物體的歷史運(yùn)動(dòng)軌跡，并進(jìn)行標(biāo)準(zhǔn)化處理，作為軌跡訓(xùn)練集G；

S2：將軌跡訓(xùn)練集進(jìn)行細(xì)粒度劃分，即令G＝{G₁,G₂,…,G_i,…,G_N}；這其中，0i≤N，0j≤H；N表示時(shí)間粒度集合的數(shù)目，H表示歷史軌跡的數(shù)量；

S3：設(shè)基預(yù)測(cè)器集合為{ρ₁,ρ₂,...,ρ_N}，對(duì)應(yīng)的權(quán)重系數(shù)集合為{α₁,α₂,...,α_N}；其中，基預(yù)測(cè)器集合里的每一個(gè)元素代表一個(gè)標(biāo)準(zhǔn)LSTM網(wǎng)絡(luò)單元；將步驟S2中經(jīng)過細(xì)粒度劃分的訓(xùn)練集分別輸入對(duì)應(yīng)的基預(yù)測(cè)器進(jìn)行網(wǎng)絡(luò)訓(xùn)練；每一個(gè)基預(yù)測(cè)器單元對(duì)應(yīng)的訓(xùn)練誤差如下所示：

其中，E表示數(shù)學(xué)期望；對(duì)每個(gè)基預(yù)測(cè)器來說，當(dāng)訓(xùn)練誤差小于0.5時(shí)，訓(xùn)練結(jié)束；

S4：根據(jù)步驟S3中迭代訓(xùn)練過程中得出的訓(xùn)練誤差，利用如下公式，計(jì)算基預(yù)測(cè)器對(duì)應(yīng)的權(quán)重系數(shù)：