一种基于模型置信度和高斯过程的机器人轨迹预测方法技术

本发明专利技术涉及一种基于模型置信度和高斯过程的机器人轨迹预测方法，属于目标跟踪与人工智能领域。本发明专利技术旨在解决现有的基于学习的方法严重依赖于训练数据集，在数据稀疏区域轨迹预测精度较低的问题，首先建立基于模型置信度的机器人决策概率模型，然后利用模型生成的概率路径获得增广数据集，并利用增广数据集训练高斯过程模型，结合高斯过程和RRT设计机器人长期运动轨迹预测算法，提高了数据稀疏情况下机器人长期运动轨迹预测精度。机器人长期运动轨迹预测精度。机器人长期运动轨迹预测精度。

【技术实现步骤摘要】
一种基于模型置信度和高斯过程的机器人轨迹预测方法


[0001]本专利技术属于目标跟踪与人工智能领域，具体涉及一种基于模型置信度和高斯过程的机器人轨迹预测方法。

技术介绍

[0002]随着科技的发展，机器人在工业制造和人们生活中的应用逐渐广泛，机器人是改善人类生活方式的重要切入点，大力发展机器人产业，对于推动工业转型升级，改善人民生活水平具有重要意义。机器人在执行任务的过程中首先需要考虑避障的问题，路径规划是机器人能够安全高效工作的重要环节，而轨迹预测作为威胁评估系统的重要组成部分是机器人规划领域的关键研究问题之一。轨迹预测可应用在无人驾驶车辆的防撞检测系统，通过在系统规划器中加入对车辆未来长时间运动轨迹预测，从而合理规划路径引导车辆避开可能会发生交通堵塞的区域。轨迹预测也可以在交叉路口进行风险评估，通过对移动物体进行未来长期运动轨迹预测，先进的交通监控系统可以对可能发生的碰撞作出警报，减少交通事故发生。
[0003]在现有的轨迹预测算法中，基于学习的方法根据训练数据集逼近目标的动力学函数，该方法通过观察到的运动轨迹学习对应的统计学行为模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于模型置信度和高斯过程的机器人轨迹预测方法，其特征在于步骤如下：步骤1：生成环境栅格地图，设计针对固定障碍物的机器人移动规则；步骤2：建立基于模型置信度的机器人决策概率模型：步骤2.1：计算机器人在当前位置采取不同决策后的状态
‑
动作值，即Q值；步骤2.2：根据Q值计算机器人未来运动状态的概率分布；步骤2.3：更新模型置信度；步骤3：利用概率模型计算机器人未来多时间步长状态的概率分布，通过模拟传感器量测信息的更新，得到起始点到目标点的概率路径；步骤4：在最大模型置信度路径集合中选择概率最大的三条路径作为训练集的参考运动路径；步骤5：以三条参考运动路径为基准，通过双轮差速小车模型做参考运动路径跟踪构建增广数据集；步骤6：利用增广数据集训练高斯过程模型，得到模型的超参数集合；步骤7：模拟传感器量测信息，利用训练好的模型预测轮式机器人未来长时间运动轨迹：步骤7.1：初始化各运动模式的先验概率和随机树，随机树的根节点为机器人当前位置；步骤7.2：采用高斯过程和RRT算法扩展随机树，直到随机树生成的预测轨迹达到预定长度N；步骤8：输出机器人当前观测位置处未来多时间步长的运动轨迹。2.根据权利要求1所述的一种基于模型置信度和高斯过程的机器人轨迹预测方法，其特征在于：所述步骤1中针对固定障碍物的机器人移动规则为：如果两相邻栅格的中心点之间的连接路径接触到障碍物栅格，则此两个栅格之间的连接路径不能直接生成。3.根据权利要求1所述的一种基于模型置信度和高斯过程的机器人轨迹预测方法，其特征在于：所述步骤2.1中计算机器人在当前位置采取不同决策后的状态
‑
动作值指的是：根据机器人当前所在位置，在无碰撞的情况下，向外探索一步有八种动作，产生八种状态，分别计算该状态下Q值，计算过程如下：Q(x
r
,u
r
；x
g
)＝
‑
v
r
Δt
‑
||x
r
+v
r
Δt[cosu
r
,sinu
r
]
T
‑
x
g
||2ꢀꢀꢀꢀꢀꢀꢀ
(1)其中，x
r
为机器人当前位置，v
r
为机器人速度，Δt为采样周期，u
r
为控制输入，x
g
为目标位置。4.根据权利要求3所述的一种基于模型置信度和高斯过程的机器人轨迹预测方法，其特征在于：所述步骤2.2中的根据Q值计算机器人未来运动状态的概率分布指的是：设定机器人对模型的信任程度β，也可将其视为对Q值预测准确性的度量；通过Kolmogorov前向方程递归地得到机器人k步预测状态的概率分布，令θ＝x
g
，计算过程如下：，计算过程如下：
剔除每一步的小概率状态，再进行归一化...

【专利技术属性】
技术研发人员：李慧平，郎宁，陶修业，张卓，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：