[發明專利]用于確定移動元素的軌跡的方法和裝置

在審

• 申請號: 202011355986.6
• 申請日: 2020-11-27
• 公開（公告）號: CN112861902A
• 公開（公告）日: 2021-05-28
• 發明（設計）人: 安德烈·普里卡;巴特里斯·佩斯奎特;尼古拉斯·歐諾
• 申請（專利權）人: 泰勒斯公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F17/18;G06N20/00;G01S19/42
• 代理公司: 北京弘權知識產權代理有限公司 11363
• 代理人: 王建國;許偉群

1.一種用于根據滑動觀察窗實現的、從源于多個定位數據源的位置數據確定至少一個移動元素的軌跡的方法，其特征在于，所述方法包括初始步驟(201)，所述初始步驟包括通過將第一數據分類算法應用于與至少一個檢測的移動元素相關的位置集合來分類所述位置集合，其提供與每個檢測的移動元素相關的初始軌跡，

并且所述方法包括在每個當前觀察窗上實現的以下步驟：

通過應用第二數據分類算法，在至少一個軌跡中對與在所述當前觀察窗期間接收的至少一個檢測的移動元素相關的每個新檢測的位置進行分類(203)；

針對每個檢測的移動元素，從所述位置集合和在所述觀察窗期間接收的新檢測的位置中識別(205)與所述檢測的移動元素相關的位置；

通過將插值算法應用到與所述檢測的移動元素相關的至少一個軌跡和與所述檢測的元素相關的所有位置來確定(207)每個檢測的移動元素的中間完整軌跡；

通過應用能夠從所述中間完整軌跡中消除不與所述檢測的移動元素相關的位置的算法，從與所述每個檢測的移動元素相關的中間完整軌跡中確定(209)每個檢測的移動元素的最終完整軌跡。

2.根據權利要求1所述的方法，其特征在于，所述第一數據分類算法是機器學習算法。

3.根據權利要求2所述的方法，其特征在于，所述機器學習算法是監督機器學習算法，所述監督機器學習算法包括學習階段，所述學習階段使用源于多個定位數據源的所述位置數據和與至少一個檢測的移動元素相關的至少一個預定軌跡作為學習數據。

4.根據權利要求3所述的方法，其特征在于，所述監督機器學習算法選自包括支持向量機、線性回歸、邏輯回歸、隨機森林、決策樹、最近鄰算法、神經網絡和通過相似性學習的組。

5.根據權利要求3和4中任一項所述的方法，其特征在于，所述監督學習算法是結合整個連接有一維卷積神經網絡的神經網絡的、具有多個可變輸入和多個固定輸出的算法。

6.根據前述權利要求中任一項所述的方法，其特征在于，如果接收的新檢測的位置與所述檢測的移動元素中的一個相關，則將接收的新檢測的位置分類在與檢測的移動元素相關的初始軌跡中，如果接收的新檢測的位置不與檢測的移動元素相關，則將接收的新檢測的位置分類在新的軌跡中。

7.根據權利要求1所述的方法，其特征在于，所述第二數據分類算法是機器學習算法。

8.根據權利要求1所述的方法，其特征在于，所述插值算法是機器學習算法。

9.根據權利要求8所述的方法，其特征在于，所述插值算法是結合整個連接有一維卷積神經網絡的神經網絡的、具有多個可變輸入和多個可變輸出的算法。

10.根據權利要求1所述的方法，其特征在于，所述能夠消除與所檢測的移動元素相關的位置的算法是監督機器學習算法。

11.根據權利要求10所述的方法，其特征在于，所述算法使用源于多個定位數據源的位置數據、中間完整軌跡和在當前觀察窗期間接收的每個新檢測的位置的分類作為學習數據。

12.根據權利要求10所述的方法，其特征在于，所述算法使用與至少一個檢測的移動元素相關的一個或多個預定軌跡作為學習數據。