[發(fā)明專利]基于混合灰狼優(yōu)化SVM的混合增強(qiáng)智能軌跡預(yù)測(cè)方法和裝置

在審

• 申請(qǐng)?zhí)枺?/td>: 202010535390.8
• 申請(qǐng)日: 2020-06-12
• 公開（公告）號(hào): CN111681258A
• 公開（公告）日: 2020-09-18
• 發(fā)明（設(shè)計(jì)）人: 李曉斌
• 申請(qǐng)（專利權(quán)）人: 上海應(yīng)用技術(shù)大學(xué)
• 主分類號(hào): G06T7/207
• 分類號(hào): G06T7/207;G06K9/62;G01C21/34
• 代理公司: 上海漢聲知識(shí)產(chǎn)權(quán)代理有限公司 31236
• 代理人: 胡晶

1.一種基于混合灰狼優(yōu)化SVM的混合增強(qiáng)智能軌跡預(yù)測(cè)方法，應(yīng)用于焦?fàn)t區(qū)的推焦車，其特征在于，所述方法包括：

利用激光雷達(dá)獲取推焦車運(yùn)行前方包括行人和車輛在內(nèi)的運(yùn)行目標(biāo)實(shí)時(shí)位置信息；基于人在回路的混合增強(qiáng)智能理念，對(duì)焦?fàn)t區(qū)各運(yùn)動(dòng)目標(biāo)進(jìn)行分類；

將各運(yùn)行目標(biāo)的位置信息和分類結(jié)果嵌入到具有分類預(yù)測(cè)功能的支持向量機(jī)SVM核函數(shù)中，結(jié)合萊維飛行、灰狼算法以及自適應(yīng)改進(jìn)的差分進(jìn)化算法，優(yōu)化SVM核函數(shù)參數(shù)和懲罰因子，以最優(yōu)參數(shù)對(duì)先驗(yàn)數(shù)據(jù)進(jìn)行測(cè)試、訓(xùn)練和預(yù)測(cè)，建立焦?fàn)t區(qū)現(xiàn)場(chǎng)混合增強(qiáng)智能軌跡預(yù)測(cè)模型，對(duì)各類運(yùn)動(dòng)目標(biāo)的下一步移動(dòng)位置和運(yùn)動(dòng)方向進(jìn)行軌跡預(yù)測(cè)，分析判斷其運(yùn)動(dòng)趨勢(shì)后，控制推焦車運(yùn)行。

2.如權(quán)利要求1所述的基于混合灰狼優(yōu)化SVM的混合增強(qiáng)智能軌跡預(yù)測(cè)方法，其特征在于，獲取運(yùn)動(dòng)目標(biāo)實(shí)時(shí)位置信息，進(jìn)一步包括：利用十六線激光雷達(dá)RS-LiDAR-16通過點(diǎn)云方式，獲取呈現(xiàn)在掃描范圍內(nèi)的運(yùn)行目標(biāo)的實(shí)時(shí)位置坐標(biāo)。

3.如權(quán)利要求2所述的基于混合灰狼優(yōu)化SVM的混合增強(qiáng)智能軌跡預(yù)測(cè)方法，其特征在于，所述激光雷達(dá)RS-LiDAR-16封裝的數(shù)據(jù)包采用水平旋轉(zhuǎn)角度和距離參量，將極坐標(biāo)下的角度和距離參量轉(zhuǎn)化為笛卡爾坐標(biāo)系下的x、y、z坐標(biāo)，呈現(xiàn)三維點(diǎn)云圖的效果，其轉(zhuǎn)換關(guān)系如公式(1)：

x＝rcos(ω)sin(α)

y＝rcos(ω)cos(α)

z＝rsin(α) (1)

其中，r為實(shí)測(cè)距離，ω為激光的垂直角度，α為激光的水平旋轉(zhuǎn)角度，x、y、z為極坐標(biāo)投影到X、Y、Z軸上的坐標(biāo)。

4.如權(quán)利要求1所述的基于混合灰狼優(yōu)化SVM的混合增強(qiáng)智能軌跡預(yù)測(cè)方法，其特征在于，所述萊維飛行用于擴(kuò)大灰狼算法的搜索范圍，對(duì)各運(yùn)動(dòng)目標(biāo)的更新位置進(jìn)行改進(jìn)，以擴(kuò)大運(yùn)動(dòng)目標(biāo)的搜索范圍；其位置更新公式為公式(2)、(3)、(4)：

其中，alpha表示步長(zhǎng)控制量，表示點(diǎn)對(duì)點(diǎn)乘法，Levy(β)表示隨機(jī)搜索路徑；進(jìn)一步計(jì)算如公式(5)：

其中，β的取值區(qū)間[1,3]，step表示隨機(jī)步長(zhǎng)，X(t)表示運(yùn)動(dòng)目標(biāo)更新后的位置信息，X_m(t)表示t次迭代時(shí)α、β和δ運(yùn)動(dòng)目標(biāo)的位置信息，randn表示服從正態(tài)分布的隨機(jī)數(shù)，u和v服從的正態(tài)分布如公式(6)：

5.如權(quán)利要求1所述的基于混合灰狼優(yōu)化SVM的混合增強(qiáng)智能軌跡預(yù)測(cè)方法，其特征在于，所述差分進(jìn)化算法自適應(yīng)改進(jìn)的方法包括對(duì)變異算子F、交叉算子CR和變異策略進(jìn)行自適應(yīng)的調(diào)整和改進(jìn)。

6.如權(quán)利要求5所述的基于混合灰狼優(yōu)化SVM的混合增強(qiáng)智能軌跡預(yù)測(cè)方法，其特征在于，所述變異算子的自適應(yīng)改進(jìn)的方法包括：自適應(yīng)改進(jìn)變異算子的值，使整體提高全局收斂能力和速度，改進(jìn)如公式(7)：

其中，F(xiàn)0為改進(jìn)前的變異算子，F(xiàn)為改進(jìn)后的變異算子，T為最大進(jìn)化代數(shù)，t為當(dāng)前的進(jìn)化代數(shù)；改進(jìn)的變異算子F初期較大，后隨著進(jìn)化次數(shù)的增加而逐漸減小。

7.如權(quán)利要求6所述的基于混合灰狼優(yōu)化SVM的混合增強(qiáng)智能軌跡預(yù)測(cè)方法，其特征在于，所述交叉算子自適應(yīng)改進(jìn)的方法包括：自適應(yīng)改進(jìn)交叉算子CR的取值，使其先小后大；計(jì)算公式如公式(8):

CR＝0.8×(1-F) (8)

其中，改進(jìn)后交叉算子CR的取值趨勢(shì)與變異算子F的取值趨勢(shì)相反，其單調(diào)遞增。

8.如權(quán)利要求6所述的基于混合灰狼優(yōu)化SVM的混合增強(qiáng)智能軌跡預(yù)測(cè)方法，其特征在于，所述變異策略自適應(yīng)改進(jìn)的方法包括：調(diào)整和改進(jìn)添加隨機(jī)擾動(dòng)進(jìn)行擴(kuò)容，對(duì)差值進(jìn)行一個(gè)范圍的上下浮動(dòng)，以增加數(shù)據(jù)量；計(jì)算公式如公式(8):

D_i(t+1)＝X_r1(t)+F×(rand×X_r2(t)-randn×X_r3(t)) (9)

其中，rand為[0,1]之間隨機(jī)數(shù)，randn為方差為1均值為0正態(tài)分布的任意數(shù)。