一种基于边缘计算的物体运动状态预测方法及系统技术方案

本发明专利技术提出了一种基于边缘计算的物体运动状态预测方法及系统，涉及物体运动状态预测领域。通过获取移动目标物体的测量值；然后根据测量值采用预置的云端卡尔曼滤波器对移动目标物体进行运算估测，得到第一预测状态信息；然后根据测量值采用预置的边缘端卡尔曼滤波器对移动目标物体进行运算估测，得到第二预测状态信息；最后将第一预测状态信息与第二预测状态信息进行信息融合，得到物体运动预测状态信息。由于云端运算的物体状态较为精准，在边缘端和云端计算估测结果后，将两者资料进行信息融合，达到云端辅助边缘端资料准确度的目的，从而避免了因设备与云端运算距离、高精确度仪器或是较为复杂的算法而造成时间延迟。度仪器或是较为复杂的算法而造成时间延迟。度仪器或是较为复杂的算法而造成时间延迟。

【技术实现步骤摘要】
一种基于边缘计算的物体运动状态预测方法及系统


[0001]本专利技术涉及物体运动状态预测领域，具体而言，涉及一种基于边缘计算的物体运动状态预测方法及系统。

技术介绍

[0002]随着服务的多元化与物联网形态的演变，加上现今智能装置的普及且规模的持续扩增，使用者对于物联网服务的时间的要求也越来越严格。在追求高速网络服务品质的条件下，追踪系统在传输追踪移动物体之预测值和估测值准确度会受到影响，相对地，若想要得到高准确度的移动目标物预测值和估测值，难免会因设备与云端运算距离、高精确度仪器或是较为复杂的算法而造成时间延迟。

技术实现思路

[0003]本专利技术的目的在于提供一种基于边缘计算的物体运动状态预测方法及系统，用以改善现有技术中会因设备与云端运算距离、高精确度仪器或是较为复杂的算法而造成时间延迟的问题。
[0004]第一方面，本申请实施例提供一种基于边缘计算的物体运动状态预测方法，包括以下步骤：
[0005]获取移动目标物体的测量值；
[0006]根据测量值采用预置的云端卡尔曼滤波器对移动目标物体进行运算估测，得到第一预测状态信息；
[0007]根据测量值采用预置的边缘端卡尔曼滤波器对移动目标物体进行运算估测，得到第二预测状态信息；
[0008]将第一预测状态信息与第二预测状态信息进行信息融合，得到物体运动预测状态信息。
[0009]上述实现过程中，通过获取移动目标物体的测量值；然后根据测量值采用预置的云端卡尔曼滤波器对移动目标物体进行运算估测，得到第一预测状态信息；然后根据测量值采用预置的边缘端卡尔曼滤波器对移动目标物体进行运算估测，得到第二预测状态信息；最后将第一预测状态信息与第二预测状态信息进行信息融合，得到物体运动预测状态信息。通过物联网边缘设备检测到物体测量值，然后将物体测量值分别传输至运算平台处理，运算平台分别为边缘端和云端，运算后将得到的预测值进行信息融合，作为当前物体预测状态传输至用户端。其追踪模型皆使用卡尔曼滤波器进行追踪估测物体状态变化，部分运算由边缘端平台处理，部分运算传送至云端平台处理，并且为追踪估测物体状态，在边缘运算平台和云端运算平台皆使用卡尔曼滤波器作为系统处理模型，由于云端运算的物体状态较为精准，在边缘端和云端计算估测结果后，将两者资料进行信息融合，达到云端辅助边缘端资料准确度的目的，从而避免了因设备与云端运算距离、高精确度仪器或是较为复杂的算法而造成时间延迟。
[0010]基于第一方面，在本专利技术的一些实施例中，根据测量值采用预置的云端卡尔曼滤波器对移动目标物体进行运算估测，得到第一预测状态信息的步骤包括以下步骤：
[0011]提取测量值中的物体状态位置、速度和加速度参数；
[0012]根据物体状态位置、速度和加速度参数采用预置的云端卡尔曼滤波器对移动目标物体进行运算估测，得到第一预测状态信息。
[0013]基于第一方面，在本专利技术的一些实施例中，根据测量值采用预置的边缘端卡尔曼滤波器对移动目标物体进行运算估测，得到第二预测状态信息的步骤包括以下步骤：
[0014]提取测量值中的物体状态位置和速度参数；
[0015]根据物体状态位置和速度参数采用预置的边缘端卡尔曼滤波器对移动目标物体进行运算估测，得到第二预测状态信息。
[0016]基于第一方面，在本专利技术的一些实施例中，还包括以下步骤：
[0017]根据测量值采用预置的动态系统方程进行状态追踪，得到当前物体状态向量与共变异数矩阵；
[0018]根据当前物体状态向量与共变异数矩阵采用预置的卡尔曼滤波器进行物体状态估测，得到预测状态信息。
[0019]基于第一方面，在本专利技术的一些实施例中，根据当前物体状态向量与共变异数矩阵采用预置的卡尔曼滤波器进行物体状态估测，得到预测状态信息的步骤包括以下步骤：
[0020]将测量值中的初始测量参数代入到预置的卡尔曼滤波器中，得到卡尔曼增益；
[0021]根据卡尔曼增益对当前物体状态向量与共变异数矩阵进行更新，得到预测状态信息。
[0022]基于第一方面，在本专利技术的一些实施例中，将第一预测状态信息与第二预测状态信息进行信息融合，得到物体运动预测状态信息的步骤包括以下步骤：
[0023]根据第一预测状态信息和第二预测状态信息采用预置的权重计算公式计算得到第一权重值和第二权重值；
[0024]根据测量值将第一权重值、第二权重值代入预置的估算值计算公式中，得到信息融合数值，作为物体运动预测状态信息。
[0025]基于第一方面，在本专利技术的一些实施例中，预置的权重计算公式为：
[0026][0027]；其中，σ
c
为第一变异数，σ
e
为第二变异数，g1为第一权重
[0028][0029]值，g2为第二权重值。
[0030]基于第一方面，在本专利技术的一些实施例中，预置的估算值计算公式为：
[0031]，其中，g1为第一权重值，g2为第二权重值，p
c
第一测量值，p
e
第二测量值，为信息融合数值。
[0032]第二方面，本申请实施例提供一种基于边缘计算的物体运动状态预测系统，包括：
[0033]检测模块，用于获取移动目标物体的测量值；
[0034]云端计算模块，用于根据测量值采用预置的云端卡尔曼滤波器对移动目标物体进行运算估测，得到第一预测状态信息；
[0035]边缘端计算模块，用于根据测量值采用预置的边缘端卡尔曼滤波器对移动目标物体进行运算估测，得到第二预测状态信息；
[0036]信息融合模块，用于将第一预测状态信息与第二预测状态信息进行信息融合，得到物体运动预测状态信息。
[0037]上述实现过程中，通过检测模块获取移动目标物体的测量值；然后云端计算模块根据测量值采用预置的云端卡尔曼滤波器对移动目标物体进行运算估测，得到第一预测状态信息；然后边缘端计算模块根据测量值采用预置的边缘端卡尔曼滤波器对移动目标物体进行运算估测，得到第二预测状态信息；最后信息融合模块将第一预测状态信息与第二预测状态信息进行信息融合，得到物体运动预测状态信息。通过物联网边缘设备检测到物体测量值，然后将物体测量值分别传输至运算平台处理，运算平台分别为边缘端和云端，运算后将得到的预测值进行信息融合，作为当前物体预测状态传输至用户端。其追踪模型皆使用卡尔曼滤波器进行追踪估测物体状态变化，部分运算由边缘端平台处理，部分运算传送至云端平台处理，并且为追踪估测物体状态，在边缘运算平台和云端运算平台皆使用卡尔曼滤波器作为系统处理模型，由于云端运算的物体状态较为精准，在边缘端和云端计算估测结果后，将两者资料进行信息融合，达到云端辅助边缘端资料准确度的目的，从而避免了因设备与云端运算距离、高精确度仪器或是较为复杂的算法而造成时间延迟。
[0038]第三方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述第一本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于边缘计算的物体运动状态预测方法，其特征在于，包括以下步骤：获取移动目标物体的测量值；根据测量值采用预置的云端卡尔曼滤波器对移动目标物体进行运算估测，得到第一预测状态信息；根据测量值采用预置的边缘端卡尔曼滤波器对移动目标物体进行运算估测，得到第二预测状态信息；将第一预测状态信息与第二预测状态信息进行信息融合，得到物体运动预测状态信息。2.根据权利要求1所述的基于边缘计算的物体运动状态预测方法，其特征在于，所述根据测量值采用预置的云端卡尔曼滤波器对移动目标物体进行运算估测，得到第一预测状态信息的步骤包括以下步骤：提取测量值中的物体状态位置、速度和加速度参数；根据物体状态位置、速度和加速度参数采用预置的云端卡尔曼滤波器对移动目标物体进行运算估测，得到第一预测状态信息。3.根据权利要求1所述的基于边缘计算的物体运动状态预测方法，其特征在于，所述根据测量值采用预置的边缘端卡尔曼滤波器对移动目标物体进行运算估测，得到第二预测状态信息的步骤包括以下步骤：提取测量值中的物体状态位置和速度参数；根据物体状态位置和速度参数采用预置的边缘端卡尔曼滤波器对移动目标物体进行运算估测，得到第二预测状态信息。4.根据权利要求1所述的基于边缘计算的物体运动状态预测方法，其特征在于，还包括以下步骤：根据测量值采用预置的动态系统方程进行状态追踪，得到当前物体状态向量与共变异数矩阵；根据当前物体状态向量与共变异数矩阵采用预置的卡尔曼滤波器进行物体状态估测，得到预测状态信息。5.根据权利要求4所述的基于边缘计算的物体运动状态预测方法，其特征在于，所述根据当前物体状态向量与共变异数矩阵采用预置的卡尔曼滤波器进行物体状态估测，得到预测状态信息的步骤包括以下步骤：将测量值中的初始测量参数代入到预置的卡尔曼滤波器中，得到卡尔曼增益；根据卡...

【专利技术属性】
技术研发人员：李毅，
申请(专利权)人：上海双观数字科技有限责任公司，
类型：发明
国别省市：