CN116644862B - 一种鸟类飞行轨迹预测方法和装置 - Google Patents
一种鸟类飞行轨迹预测方法和装置 Download PDFInfo
- Publication number
- CN116644862B CN116644862B CN202310910931.4A CN202310910931A CN116644862B CN 116644862 B CN116644862 B CN 116644862B CN 202310910931 A CN202310910931 A CN 202310910931A CN 116644862 B CN116644862 B CN 116644862B
- Authority
- CN
- China
- Prior art keywords
- individual
- bird
- time
- leader
- moment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 239000013598 vector Substances 0.000 claims abstract description 175
- 238000012546 transfer Methods 0.000 claims abstract description 62
- 239000005871 repellent Substances 0.000 claims abstract description 13
- 238000012216 screening Methods 0.000 claims description 55
- 230000008859 change Effects 0.000 claims description 31
- 230000001846 repelling effect Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000002940 repellent Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 13
- 238000004590 computer program Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 244000144992 flock Species 0.000 description 4
- 230000002265 prevention Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001617 migratory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/109—Time management, e.g. calendars, reminders, meetings or time accounting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提供一种鸟类飞行轨迹预测方法和装置,其中方法包括:从探测到鸟群的初始时刻开始直至任一飞鸟个体到达预设边界位置的边界时刻,基于鸟群中各个飞鸟个体在边界时刻以及历史时刻的位置向量和速度向量,确定各个飞鸟个体的传递熵,并确定鸟群中的领导者个体;从边界时刻开始,基于实时跟踪的领导者个体在当前时刻以及历史时刻的位置向量和速度向量,预测领导者个体在未来预设时间步的轨迹区域,并基于各个飞鸟个体在当前时刻以及历史时刻的位置向量和速度向量更新鸟群中的领导者个体;基于领导者个体在未来预设时间步的轨迹区域与保护区域,确定是否触发针对领导者个体的驱鸟干预操作。本发明提升了鸟类飞行轨迹预测的实时性和准确性。
Description
技术领域
本发明涉及数据预测技术领域,尤其涉及一种鸟类飞行轨迹预测方法和装置。
背景技术
体型较小的飞鸟在空中飞行的过程中容易与人造结构(例如输电线、风电场的涡轮机等)发声碰撞,既影响社会生产的效率和安全,也造成了生态环境的破坏。为了减少此类事件的发生,可以通过预测鸟类的飞行轨迹,在判断鸟类未来的飞行轨迹存在与人造结构的碰撞风险时及时采取干预手段进行制止。
目前的鸟类飞行轨迹预测方案或者通用的运动物体轨迹预测方案通常针对的是单独的运动个体,而对鸟群的关注很少。然而,鸟类的习性预示着在很多情形下鸟类会以鸟群的形式共同活动,而鸟群中飞鸟个体的数量在特殊季节或特殊地段可能成百上千,尤其在迁徙季节鸟群中的飞鸟个体数量会更多。由于预测算法本身具备一定的复杂性,若利用上述针对单独个体的鸟类飞行轨迹预测方案或者通用的运动物体轨迹预测方案对鸟群中所有的飞鸟个体进行轨迹预测以防止撞击,则将会带来巨大的计算量导致预测效率降低,难以满足防撞场景下的实时性要求。另外,部分工作会将鸟群作为一个整体,利用鸟群中心的个体作为鸟群的代表对其进行轨迹预测,然而虽然鸟群飞行具备一定组织性,但飞鸟个体之间的飞行轨迹并非完全一致,鸟群中心的飞鸟个体的飞行轨迹并不一定能够反映鸟群中其他飞鸟个体的飞行轨迹,因此这种方式的预测精度较低,其预测出的飞行轨迹可能与鸟群中大部分飞鸟个体的实际飞行轨迹存在较大差异,导致其防撞效果较差。
因此,需要一种预测效率较高、能够满足防撞场景下的实时性要求,同时保证针对鸟群整体的预测精度较高、能够满足防撞精准性的鸟群飞行轨迹预测方法。
发明内容
本发明提供一种鸟类飞行轨迹预测方法和装置,用以解决现有技术中预测效率与预测精度无法兼顾的缺陷。
本发明提供一种鸟类飞行轨迹预测方法,包括:
从探测到鸟群的初始时刻开始直至所述鸟群中的任一飞鸟个体到达预设边界位置的边界时刻,基于实时跟踪的所述鸟群中各个飞鸟个体在边界时刻以及历史时刻的位置向量和速度向量,确定各个飞鸟个体的传递熵,并基于各个飞鸟个体的传递熵,确定所述鸟群中的领导者个体;
从边界时刻开始,基于实时跟踪的所述领导者个体在当前时刻以及历史时刻的位置向量和速度向量,预测所述领导者个体在未来预设时间步的轨迹区域,并基于实时跟踪的各个飞鸟个体在当前时刻以及历史时刻的位置向量和速度向量更新所述鸟群中的领导者个体;基于所述领导者个体在未来预设时间步的轨迹区域与保护区域,确定是否触发针对所述领导者个体的驱鸟干预操作;
其中,所述领导者个体在未来预设时间步的轨迹区域是基于所述领导者个体在未来预设时间步的每一时刻的预测位置及其预测概率以及预测误差阈值确定的。
根据本发明提供的一种鸟类飞行轨迹预测方法,所述基于实时跟踪的所述领导者个体在当前时刻以及历史时刻的位置向量和速度向量,预测所述领导者个体在未来预设时间步的轨迹区域,具体包括:
将所述领导者个体在当前时刻以及历史时刻的位置向量和速度向量输入至轨迹预测模型,得到所述轨迹预测模型输出的所述领导者个体在未来预设时间步的每一时刻的预测位置及其预测概率;
针对未来预设时间步的任一时刻,基于所述任一时刻与当前时刻之间的时间差、所述预测误差阈值以及衰减系数,确定所述任一时刻对应的筛选阈值;其中,所述任一时刻与当前时刻之间的时间差越大,所述筛选阈值越小;
基于所述领导者个体在未来预设时间步的每一时刻的预测位置及其预测概率以及每一时刻对应的筛选阈值,筛选出所述领导者个体在未来预设时间步的每一时刻的多个候选位置,并基于所述领导者个体在未来预设时间步的每一时刻的多个候选位置,确定所述领导者个体在未来预设时间步的轨迹区域。
根据本发明提供的一种鸟类飞行轨迹预测方法,所述方法还包括:
若所述领导者个体在未来预设时间步的任一时刻的预测位置对应的预测概率均小于所述任一时刻对应的筛选阈值,则基于所述任一时刻与当前时刻之间的时间差,更新所述预设时间步,以调整下一轮轨迹区域预测的时间范围。
根据本发明提供的一种鸟类飞行轨迹预测方法,所述基于所述领导者个体在未来预设时间步的每一时刻的预测位置及其预测概率以及每一时刻对应的筛选阈值,筛选出所述领导者个体在未来预设时间步的每一时刻的多个候选位置,并基于所述领导者个体在未来预设时间步的每一时刻的多个候选位置,确定所述领导者个体在未来预设时间步的轨迹区域,具体包括:
按照时序依次基于所述领导者个体在未来预设时间步的任一时刻的预测位置及其预测概率以及所述任一时刻对应的筛选阈值,确定是否存在预测概率大于所述任一时刻对应的筛选阈值的预测位置;
若所述领导者个体在所述任一时刻的所有预测位置的预测概率均小于所述任一时刻对应的筛选阈值,则基于所述领导者个体在所述任一时刻之前的各个时刻的多个候选位置,确定所述领导者个体在未来预设时间步的轨迹区域;
若所述领导者个体在所述任一时刻的部分预测位置的预测概率大于或等于所述任一时刻对应的筛选阈值,则确定预测概率大于或等于所述任一时刻对应的筛选阈值的预测位置为所述领导者个体在所述任一时刻的候选位置;
若所述任一时刻为所述预设时间步的最后一个时刻,则基于所述领导者个体在未来预设时间步的每一时刻的多个候选位置,确定所述领导者个体在未来预设时间步的轨迹区域。
根据本发明提供的一种鸟类飞行轨迹预测方法,所述轨迹预测模型是基于样本轨迹序列训练得到初始模型后,基于所述初始时刻直至所述边界时刻之间所述鸟群中各个飞鸟个体的飞行轨迹对所述初始模型进行微调后得到的。
根据本发明提供的一种鸟类飞行轨迹预测方法,所述轨迹预测模型是基于长短时记忆网络构建的。
根据本发明提供的一种鸟类飞行轨迹预测方法,所述基于实时跟踪的所述鸟群中各个飞鸟个体在边界时刻以及历史时刻的位置向量和速度向量,确定各个飞鸟个体的传递熵,并基于各个飞鸟个体的传递熵,确定所述鸟群中的领导者个体,具体包括:
针对任一飞鸟个体,基于所述任一飞鸟个体在时刻n+1与时刻n的速度向量,以及所述任一飞鸟个体与其相关飞鸟个体在时刻n的相对位置向量和相对速度向量,确定所述相关飞鸟个体到所述任一飞鸟个体在时刻n+1的传递熵,并基于所述任一飞鸟个体的所有相关飞鸟个体到所述任一飞鸟个体在时刻n+1的传递熵,确定所述任一飞鸟个体在时刻n+1的接收信息总量;所述时刻n+1小于或等于边界时刻;
基于各个飞鸟个体在边界时刻以及历史时刻的接收信息总量,确定所述鸟群中的领导者个体。
根据本发明提供的一种鸟类飞行轨迹预测方法,所述基于所述任一飞鸟个体在时刻n+1与时刻n的速度向量,以及所述任一飞鸟个体与其相关飞鸟个体在时刻n的相对位置向量和相对速度向量,确定所述相关飞鸟个体到所述任一飞鸟个体在时刻n+1的传递熵,具体包括:
基于所述任一飞鸟个体在时刻n+1与时刻n的速度向量,确定所述任一飞鸟个体在时刻n+1的速度变化向量;
基于所述任一飞鸟个体在时刻n+1之前的所有历史时刻的速度变化向量,构建所述任一飞鸟个体的历史速度变化序列;
基于所述任一飞鸟个体在时刻n+1的速度变化向量、所述任一飞鸟个体的历史速度变化序列,以及所述任一飞鸟个体与其相关飞鸟个体在时刻n的相对位置向量和相对速度向量,确定所述相关飞鸟个体到所述任一飞鸟个体在时刻n+1的传递熵。
根据本发明提供的一种鸟类飞行轨迹预测方法,所述基于所述领导者个体在未来预设时间步的轨迹区域与保护区域,确定是否触发针对所述领导者个体的驱鸟干预操作,具体包括:
基于所述领导者个体在所述鸟群中的相对位置以及所述领导者个体在未来预设时间步的轨迹区域,确定所述鸟群的群体轨迹区域;
若所述鸟群的群体轨迹区域与所述保护区域之间存在交集,则确定触发针对所述领导者个体的驱鸟干预操作。
本发明还提供一种鸟类飞行轨迹预测装置,包括:
领导者个体确定单元,用于从探测到鸟群的初始时刻开始直至所述鸟群中的任一飞鸟个体到达预设边界位置的边界时刻,基于实时跟踪的所述鸟群中各个飞鸟个体在边界时刻以及历史时刻的位置向量和速度向量,确定各个飞鸟个体的传递熵,并基于各个飞鸟个体的传递熵,确定所述鸟群中的领导者个体;
轨迹区域预测单元,用于从边界时刻开始,基于实时跟踪的所述领导者个体在当前时刻以及历史时刻的位置向量和速度向量,预测所述领导者个体在未来预设时间步的轨迹区域,并基于实时跟踪的各个飞鸟个体在当前时刻以及历史时刻的位置向量和速度向量更新所述鸟群中的领导者个体;基于所述领导者个体在未来预设时间步的轨迹区域与保护区域,确定是否触发针对所述领导者个体的驱鸟干预操作;
其中,所述领导者个体在未来预设时间步的轨迹区域是基于所述领导者个体在未来预设时间步的每一时刻的预测位置及其预测概率以及预测误差阈值确定的。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述任一种所述一种鸟类飞行轨迹预测方法。
本发明还提供一种非暂态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任一种所述一种鸟类飞行轨迹预测方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述一种鸟类飞行轨迹预测方法。
本发明提供的一种鸟类飞行轨迹预测方法和装置,为了兼顾鸟群飞行轨迹预测的实时性以及轨迹预测的精度,可以通过确定鸟群中的领导者个体,对领导者个体的飞行轨迹进行预测,利用领导者个体的飞机轨迹作为整个鸟群飞行轨迹的代表以进行碰撞检测,由于只对领导者个体进行轨迹预测,相对于对整个鸟群中所有飞鸟个体进行轨迹预测而言,其效率更高、实时性更强,另外由于领导者个体的飞行轨迹具备代表性,鸟群中其他飞鸟个体的飞行轨迹与领导者个体的飞行轨迹之间的一致性相对于与鸟群中心个体的飞行轨迹之间的一致性而言更高,因此该预测方式的预测精度也更高;具体在确定鸟群中的领导者个体时,可以在相对安全的区域利用实时跟踪得到的飞行数据进行传递熵的计算以及领导者个体的初步确定,从而可以更准确地确定领导者个体;在轨迹预测阶段,基于实时跟踪的各个领导者个体在当前时刻以及历史时刻的位置向量和速度向量,预测领导者个体在未来预设时间步的轨迹区域,相较于通常情况下仅预测一条飞行轨迹路线而言,该方式可以更全面地预测出领导者个体在未来的所有可能轨迹,提升后续碰撞检测和防撞的准确性;此外,在轨迹预测阶段,还基于实时跟踪的各个飞鸟个体在当前时刻以及历史时刻的位置向量和速度向量更新鸟群中的领导者个体,进一步提升了轨迹预测的准确性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明提供的一种鸟类飞行轨迹预测方法的流程示意图;
图2是本发明提供的轨迹区域预测方法的流程示意图;
图3是本发明提供的领导者个体确定方法的流程示意图;
图4是本发明提供的一种鸟类飞行轨迹预测装置的结构示意图;
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1是本发明提供的一种鸟类飞行轨迹预测方法的流程示意图,如图1所示,该方法包括:
步骤110,从探测到鸟群的初始时刻开始直至所述鸟群中的任一飞鸟个体到达预设边界位置的边界时刻,基于实时跟踪的所述鸟群中各个飞鸟个体在边界时刻以及历史时刻的位置向量和速度向量,确定各个飞鸟个体的传递熵,并基于各个飞鸟个体的传递熵,确定所述鸟群中的领导者个体;
步骤120,从边界时刻开始,基于实时跟踪的所述领导者个体在当前时刻以及历史时刻的位置向量和速度向量,预测所述领导者个体在未来预设时间步的轨迹区域,并基于实时跟踪的各个飞鸟个体在当前时刻以及历史时刻的位置向量和速度向量更新所述鸟群中的领导者个体;基于所述领导者个体在未来预设时间步的轨迹区域与保护区域,确定是否触发针对所述领导者个体的驱鸟干预操作;
其中,所述领导者个体在未来预设时间步的轨迹区域是基于所述领导者个体在未来预设时间步的每一时刻的预测位置及其预测概率以及预测误差阈值确定的。
具体地,利用探鸟雷达对可探测范围内的鸟群进行实时跟踪,获取每一时刻该鸟群中每个飞鸟个体的位置向量和速度向量,其中位置向量和速度向量为当前时刻相对于探鸟雷达坐标系原点的方位和速度,且位置向量和速度向量均包含有方向信息。考虑到鸟群飞行时通常会遵循着领导者-追随者模式,即鸟群中部分作为领导者的飞鸟个体会预先对飞行方向、飞行速度等作出反应,然后作为追随者的个体会在较大程度上与其附近的领导者保持一致,因此鸟群中的领导者的飞行轨迹在整个鸟群中具备代表性。因此,为了兼顾鸟群飞行轨迹预测的实时性以及轨迹预测的精度,可以通过确定鸟群中的领导者个体,对领导者个体的飞行轨迹进行预测,利用领导者个体的飞机轨迹作为整个鸟群飞行轨迹的代表以进行碰撞检测。其中,由于可以只对领导者个体进行轨迹预测,相对于对整个鸟群中所有飞鸟个体进行轨迹预测而言,其效率更高、实时性更强,另外由于领导者个体的飞行轨迹具备代表性,鸟群中其他飞鸟个体的飞行轨迹与领导者个体的飞行轨迹之间的一致性相对于与鸟群中心个体的飞行轨迹之间的一致性而言更高,因此该预测方式的预测精度也更高。同时,还可以利用领导者个体在鸟群飞行过程中的决策地位,在存在碰撞风险时对领导者个体进行驱鸟干预,从而实现防撞目的。
其中,在确定鸟群中的领导者个体时,可以利用遵循领导者-追随者模式的群体内的信息传递机制,利用信息的传递熵进行鸟群中领导者个体的定位。为了更准确地确定领导者个体,可以在相对安全的区域利用实时跟踪得到的飞行数据进行传递熵的计算以及领导者个体的初步确定。此处,由于探鸟雷达的探测范围比较远,因此可以设置一个预设边界位置,例如500m,在鸟群刚刚进入探测范围的初始时刻开始直至鸟群中任一飞鸟个体到达该预设边界位置的边界时刻,在这期间内基于实时跟踪的鸟群中各个飞鸟个体在边界时刻以及历史时刻(即边界时刻之前的时刻)的位置向量和速度向量,确定各个飞鸟个体的传递熵,并基于各个飞鸟个体的传递熵,确定鸟群中的领导者个体。具体针对任一飞鸟个体,可以确定其他飞鸟个体到该飞鸟个体的传递熵,其他飞鸟个体到该飞鸟个体的传递熵越小,代表其他飞鸟个体在飞行过程中对于该飞鸟个体的飞行轨迹的干预越小,该飞鸟个体越有可能是鸟群中的领导者个体。
从边界时刻开始将进入轨迹预测阶段,当然在该阶段对于鸟群中各飞鸟个体的实时跟踪也会持续进行。在该阶段,可以基于实时跟踪的各个领导者个体在当前时刻以及历史时刻(即当前时刻之前的时刻)的位置向量和速度向量,预测领导者个体在未来预设时间步的轨迹区域。其中,领导者个体在未来预设时间步的轨迹区域是基于该领导者个体在未来预设时间步的每一时刻(例如从当前时刻开始未来20s中的每一秒)的预测位置及其预测概率以及预测误差阈值确定的。此处,可以利用轨迹预测模型预测领导者个体在未来预设时间步的任一时刻的多个预测位置以及每个预测位置对应的预测概率,任一预测位置对应的预测概率越高,表明该领导者个体在未来的该时刻飞行到该位置的可能性越高。另外,未来预设时间步的每一时刻对应有预测误差阈值,该预测误差阈值用于从任一时刻对应的多个预测位置中筛选出预测概率较高的预测位置作为该领导者个体在未来该时刻的轨迹点。可见,通过上述方式可以预测出领导者个体在未来预设时间步的每一时刻的多个轨迹点,从而构成一块轨迹区域。相较于通常情况下仅预测一条飞行轨迹路线而言,通过预测领导者个体在未来预设时间步的轨迹区域,可以更全面地预测出领导者个体在未来的所有可能轨迹,提升后续碰撞检测和防撞的准确性。
基于领导者个体在未来预设时间步的轨迹区域与预设的保护区域,可以确定是否要触发针对领导者个体的驱鸟干预操作。其中,可以基于领导者个体在鸟群中的相对位置以及领导者个体在未来预设时间步的轨迹区域,确定整个鸟群的群体轨迹区域。此处,可以利用鸟群飞行过程中阵形、间距等变化较小的规律,利用领导者个体在鸟群中的位置,对领导者个体在未来预设时间步的轨迹区域进行扩大,得到整个鸟群的群体轨迹区域。若鸟群的群体轨迹区域与保护区域之间存在交集,则确定触发针对领导者个体的驱鸟干预操作。
此外,在轨迹预测阶段,由于鸟群中的领导者个体可能会发生变化,因此可以基于实时跟踪的各个飞鸟个体在当前时刻以及历史时刻的位置向量和速度向量更新鸟群中的领导者个体,在下一次进行轨迹预测时对更新后的领导者个体进行轨迹预测,以提升轨迹预测的准确性。其中,领导者个体的更新频率会低于轨迹预测的频率,以节约计算资源。例如,可以周期性地进行领导者个体的更新,每进行N次轨迹预测后进行一次领导者个体的更新操作。需要说明的是,领导者个体的更新方式与步骤110中确定领导者个体的方式是类似的,在此不做赘述。
本发明实施例提供的方法,为了兼顾鸟群飞行轨迹预测的实时性以及轨迹预测的精度,可以通过确定鸟群中的领导者个体,对领导者个体的飞行轨迹进行预测,利用领导者个体的飞机轨迹作为整个鸟群飞行轨迹的代表以进行碰撞检测,由于只对领导者个体进行轨迹预测,相对于对整个鸟群中所有飞鸟个体进行轨迹预测而言,其效率更高、实时性更强,另外由于领导者个体的飞行轨迹具备代表性,鸟群中其他飞鸟个体的飞行轨迹与领导者个体的飞行轨迹之间的一致性相对于与鸟群中心个体的飞行轨迹之间的一致性而言更高,因此该预测方式的预测精度也更高;具体在确定鸟群中的领导者个体时,可以在相对安全的区域利用实时跟踪得到的飞行数据进行传递熵的计算以及领导者个体的初步确定,从而可以更准确地确定领导者个体;在轨迹预测阶段,基于实时跟踪的各个领导者个体在当前时刻以及历史时刻的位置向量和速度向量,预测领导者个体在未来预设时间步的轨迹区域,相较于通常情况下仅预测一条飞行轨迹路线而言,该方式可以更全面地预测出领导者个体在未来的所有可能轨迹,提升后续碰撞检测和防撞的准确性;此外,在轨迹预测阶段,还基于实时跟踪的各个飞鸟个体在当前时刻以及历史时刻的位置向量和速度向量更新鸟群中的领导者个体,进一步提升了轨迹预测的准确性。
基于上述实施例,如图2所示,所述基于实时跟踪的所述领导者个体在当前时刻以及历史时刻的位置向量和速度向量,预测所述领导者个体在未来预设时间步的轨迹区域,具体包括:
步骤210,将所述领导者个体在当前时刻以及历史时刻的位置向量和速度向量输入至轨迹预测模型,得到所述轨迹预测模型输出的所述领导者个体在未来预设时间步的每一时刻的预测位置及其预测概率;
步骤220,针对未来预设时间步的任一时刻,基于所述任一时刻与当前时刻之间的时间差、所述预测误差阈值以及衰减系数,确定所述任一时刻对应的筛选阈值;其中,所述任一时刻与当前时刻之间的时间差越大,所述筛选阈值越小;
步骤230,基于所述领导者个体在未来预设时间步的每一时刻的预测位置及其预测概率以及每一时刻对应的筛选阈值,筛选出所述领导者个体在未来预设时间步的每一时刻的多个候选位置,并基于所述领导者个体在未来预设时间步的每一时刻的多个候选位置,确定所述领导者个体在未来预设时间步的轨迹区域。
具体地,轨迹预测模型基于领导者个体在当前时刻以及历史时刻的位置向量和速度向量进行轨迹预测,得到该领导者个体在未来预设时间步的每一时刻的多个预测位置及其预测概率。其中,轨迹预测模型可以基于长短时记忆网络构建得到。在训练轨迹预测模型时,可以基于样本轨迹序列训练得到一个初始模型,再基于上述初始时刻直至边界时刻之间该鸟群中各个飞鸟个体的飞行轨迹对初始模型进行微调,得到训练好的轨迹预测模型。
针对未来预设时间步的任一时刻,基于未来该时刻与当前时刻之间的时间差、预测误差阈值以及衰减系数,确定该时刻对应的筛选阈值。其中,该时刻与当前时刻之间的时间差越大,即该时刻距离当前更远,则轨迹预测模型的预测效果会衰减得越厉害,因此可以将该时刻对应的筛选阈值设置得越小。例如,可以将未来该时刻与当前时刻之间的时间差乘以衰减系数,再在预测误差阈值的基础上减去上述乘积,得到该时刻对应的筛选阈值。
随后,基于领导者个体在未来预设时间步的每一时刻的预测位置及其预测概率以及每一时刻对应的筛选阈值,筛选出领导者个体在未来预设时间步的每一时刻的多个候选位置。其中,针对未来任一时刻,可以筛选出该时刻对应的预测概率高于该时刻对应的筛选阈值的预测位置,作为该时刻的候选位置。然后基于领导者个体在未来预设时间步的每一时刻的多个候选位置,确定领导者个体在未来预设时间步的轨迹区域。此处,可以基于领导者个体在未来预设时间步的每一时刻的多个候选位置,筛选出边界上的候选位置,然后基于边界上的候选位置划出该领导者个体在未来预设时间步的轨迹区域。
具体而言,可以按照时序依次基于该领导者个体在未来预设时间步的任一时刻的预测位置及其预测概率以及该时刻对应的筛选阈值,确定是否存在预测概率大于该时刻对应的筛选阈值的预测位置。例如,依次确定未来1s、2s、...、ns是否存在预测概率大于相应时刻对应的筛选阈值的预测位置。若该领导者个体在某一时刻的所有预测位置的预测概率均小于该时刻对应的筛选阈值,则基于该领导者个体在该时刻之前的各个时刻的多个候选位置,确定该领导者个体在未来预设时间步的轨迹区域。例如,若按时序进行上述判断时,确定未来ms(m<n)时所有预测位置的预测概率均小于该时刻对应的筛选阈值,则基于该领导者个体在未来1s、2s、...、m-1s的多个候选位置,确定该领导者个体在未来预设时间步的轨迹区域。若领导者个体在某一时刻的部分预测位置的预测概率大于或等于该时刻对应的筛选阈值,则确定上述预测概率大于或等于该时刻对应的筛选阈值的预测位置为该领导者个体在该时刻的候选位置。若按照时序进行上述判断直至预设时间步的最后一个时刻,并获得该领导者个体在该最后一个时刻的候选位置,则基于该领导者个体在未来预设时间步的每一时刻的多个候选位置,确定领导者个体在未来预设时间步的轨迹区域。
除此之外,还可以根据每次预测时轨迹预测模型的预测性能对预设时间步进行调整。具体而言,若领导者个体在未来预设时间步的任一时刻的预测位置对应的预测概率均小于该时刻对应的筛选阈值,则基于该时刻与当前时刻之间的时间差,更新预设时间步,以调整下一轮轨迹区域预测的时间范围。其中,可以将该时刻与当前时刻之间的时间差作为预设时间步,也可以在该时刻与当前时刻之间的时间差的基础上减去一个调整系数,作为预设时间步。由于轨迹预测模型输出的该时刻的预测位置均不准确,表明当前的预设时间步对于轨迹预测模型而言过长,轨迹预测模型难以对这么长时间的轨迹进行准确预测,因此可以缩短预设时间步,使得轨迹预测模型下一次进行轨迹预测时可以预测未来相对短时间内的轨迹,从而保证确定得到的领导者个体在未来预设时间步的轨迹区域的准确性。
基于上述任一实施例,如图3所示,所述基于实时跟踪的所述鸟群中各个飞鸟个体在边界时刻以及历史时刻的位置向量和速度向量,确定各个飞鸟个体的传递熵,并基于各个飞鸟个体的传递熵,确定所述鸟群中的领导者个体,具体包括:
步骤310,针对任一飞鸟个体,基于所述任一飞鸟个体在时刻n+1与时刻n的速度向量,以及所述任一飞鸟个体与其相关飞鸟个体在时刻n的相对位置向量和相对速度向量,确定所述相关飞鸟个体到所述任一飞鸟个体在时刻n+1的传递熵,并基于所述任一飞鸟个体的所有相关飞鸟个体到所述任一飞鸟个体在时刻n+1的传递熵,确定所述任一飞鸟个体在时刻n+1的接收信息总量;所述时刻n+1小于或等于边界时刻;
步骤320,基于各个飞鸟个体在边界时刻以及历史时刻的接收信息总量,确定所述鸟群中的领导者个体。
具体地,针对某一个飞鸟个体X,根据该飞鸟个体在时刻n+1与时刻n的速度向量(记为vn+1和vn),以及该飞鸟个体与其某一相关飞鸟个体Y在时刻n的相对位置向量sn和相对速度向量vn’,计算该相关飞鸟个体Y到该飞鸟个体X在时刻n+1的传递熵t (Y→X(n+1)),时刻n+1小于或等于边界时刻。其中,可以将整个鸟群划分为多组,同属一组的飞鸟个体互为相关飞鸟个体,而划分的组数可以基于鸟群的大小确定,鸟群越大则划分的组越多。相关飞鸟个体Y到该飞鸟个体X在时刻n+1的传递熵越大,表明该飞鸟个体在n+1时刻决策飞行轨迹时从相关飞鸟个体Y处接收的信息越多、受到相关飞鸟个体Y的影响越大。
此处,在计算相关飞鸟个体Y到该飞鸟个体X在时刻n+1的传递熵t (Y→X(n+1))时,可以采用如下方式:
基于飞鸟个体X在时刻n+1与时刻n的速度向量,确定该飞鸟个体X在时刻n+1的速度变化向量(即vn+1-vn,该飞鸟个体X在时刻n+1的速度变化向量可以记为xn+1);其中,速度变化向量既表明了该时刻该飞鸟个体X的速度变化大小,还表明了其速度变化方向;
基于该飞鸟个体X在时刻n+1之前的所有历史时刻(例如时刻1、2、...、n)的速度变化向量,构建该飞鸟个体的历史速度变化序列,可以将历史速度变化序列记为x(n)={x1、x2、...、xn},其中,x1、x2、...、xn为该飞鸟个体X各个历史时刻的速度变化向量;
基于该飞鸟个体X在时刻n+1的速度变化向量xn+1、该飞鸟个体X的历史速度变化序列x(n),以及该飞鸟个体X与其相关飞鸟个体Y在时刻n的相对位置向量sn和相对速度向量vn’,确定相关飞鸟个体Y到该飞鸟个体X在时刻n+1的传递熵;该步骤具体可以采用如下公式计算得到:
t (Y→X(n+1))=
其中,p(·|·)为条件概率,上述公式可以利用有限近似方法(finite-kapproximation)求解。
通过上述方式得到任一相关飞鸟个体到该飞鸟个体X在时刻n+1的传递熵后,可以将各个相关飞鸟个体到该飞鸟个体X在时刻n+1的传递熵累加,得到该飞鸟个体在时刻n+1的接收信息总量。重复上述方式,可以得到该飞鸟个体在边界时刻及其之前的各个历史时刻的接收信息总量。基于各个飞鸟个体在边界时刻以及历史时刻的接收信息总量,确定鸟群中的领导者个体。其中,可以直接计算各个飞鸟个体在边界时刻及其之前的各个历史时刻的接收信息总量之和,作为各个飞鸟个体的信息总和,再从鸟群的每一组中挑选信息总和最小的飞鸟个体作为该组的领导者个体;还可以在每一时刻都从每一组中挑选该时刻接收信息总和最小的飞鸟个体作为该组的候选领导者个体放入该组的候选池中,到达边界时刻后,再从各组的候选池中选择出现次数最多的候选领导者个体作为对应组的领导者个体。
下面对本发明提供的一种鸟类飞行轨迹预测装置进行描述,下文描述的一种鸟类飞行轨迹预测装置与上文描述的一种鸟类飞行轨迹预测方法可相互对应参照。
基于上述任一实施例,图4是本发明提供的一种鸟类飞行轨迹预测装置的结构示意图,如图4所示,该装置包括:领导者个体确定单元410和轨迹区域预测单元420。
其中,领导者个体确定单元410用于从探测到鸟群的初始时刻开始直至所述鸟群中的任一飞鸟个体到达预设边界位置的边界时刻,基于实时跟踪的所述鸟群中各个飞鸟个体在边界时刻以及历史时刻的位置向量和速度向量,确定各个飞鸟个体的传递熵,并基于各个飞鸟个体的传递熵,确定所述鸟群中的领导者个体;
轨迹区域预测单元420用于从边界时刻开始,基于实时跟踪的所述领导者个体在当前时刻以及历史时刻的位置向量和速度向量,预测所述领导者个体在未来预设时间步的轨迹区域,并基于实时跟踪的各个飞鸟个体在当前时刻以及历史时刻的位置向量和速度向量更新所述鸟群中的领导者个体;基于所述领导者个体在未来预设时间步的轨迹区域与保护区域,确定是否触发针对所述领导者个体的驱鸟干预操作;
其中,所述领导者个体在未来预设时间步的轨迹区域是基于所述领导者个体在未来预设时间步的每一时刻的预测位置及其预测概率以及预测误差阈值确定的。
本发明实施例提供的装置,为了兼顾鸟群飞行轨迹预测的实时性以及轨迹预测的精度,可以通过确定鸟群中的领导者个体,对领导者个体的飞行轨迹进行预测,利用领导者个体的飞机轨迹作为整个鸟群飞行轨迹的代表以进行碰撞检测,由于只对领导者个体进行轨迹预测,相对于对整个鸟群中所有飞鸟个体进行轨迹预测而言,其效率更高、实时性更强,另外由于领导者个体的飞行轨迹具备代表性,鸟群中其他飞鸟个体的飞行轨迹与领导者个体的飞行轨迹之间的一致性相对于与鸟群中心个体的飞行轨迹之间的一致性而言更高,因此该预测方式的预测精度也更高;具体在确定鸟群中的领导者个体时,可以在相对安全的区域利用实时跟踪得到的飞行数据进行传递熵的计算以及领导者个体的初步确定,从而可以更准确地确定领导者个体;在轨迹预测阶段,基于实时跟踪的各个领导者个体在当前时刻以及历史时刻的位置向量和速度向量,预测领导者个体在未来预设时间步的轨迹区域,相较于通常情况下仅预测一条飞行轨迹路线而言,该方式可以更全面地预测出领导者个体在未来的所有可能轨迹,提升后续碰撞检测和防撞的准确性;此外,在轨迹预测阶段,还基于实时跟踪的各个飞鸟个体在当前时刻以及历史时刻的位置向量和速度向量更新鸟群中的领导者个体,进一步提升了轨迹预测的准确性。
基于上述任一实施例,所述基于实时跟踪的所述领导者个体在当前时刻以及历史时刻的位置向量和速度向量,预测所述领导者个体在未来预设时间步的轨迹区域,具体包括:
将所述领导者个体在当前时刻以及历史时刻的位置向量和速度向量输入至轨迹预测模型,得到所述轨迹预测模型输出的所述领导者个体在未来预设时间步的每一时刻的预测位置及其预测概率;
针对未来预设时间步的任一时刻,基于所述任一时刻与当前时刻之间的时间差、所述预测误差阈值以及衰减系数,确定所述任一时刻对应的筛选阈值;其中,所述任一时刻与当前时刻之间的时间差越大,所述筛选阈值越小;
基于所述领导者个体在未来预设时间步的每一时刻的预测位置及其预测概率以及每一时刻对应的筛选阈值,筛选出所述领导者个体在未来预设时间步的每一时刻的多个候选位置,并基于所述领导者个体在未来预设时间步的每一时刻的多个候选位置,确定所述领导者个体在未来预设时间步的轨迹区域。
基于上述任一实施例,所述装置还包括时间步调整单元,用于:
若所述领导者个体在未来预设时间步的任一时刻的预测位置对应的预测概率均小于所述任一时刻对应的筛选阈值,则基于所述任一时刻与当前时刻之间的时间差,更新所述预设时间步,以调整下一轮轨迹区域预测的时间范围。
基于上述任一实施例,所述基于所述领导者个体在未来预设时间步的每一时刻的预测位置及其预测概率以及每一时刻对应的筛选阈值,筛选出所述领导者个体在未来预设时间步的每一时刻的多个候选位置,并基于所述领导者个体在未来预设时间步的每一时刻的多个候选位置,确定所述领导者个体在未来预设时间步的轨迹区域,具体包括:
按照时序依次基于所述领导者个体在未来预设时间步的任一时刻的预测位置及其预测概率以及所述任一时刻对应的筛选阈值,确定是否存在预测概率大于所述任一时刻对应的筛选阈值的预测位置;
若所述领导者个体在所述任一时刻的所有预测位置的预测概率均小于所述任一时刻对应的筛选阈值,则基于所述领导者个体在所述任一时刻之前的各个时刻的多个候选位置,确定所述领导者个体在未来预设时间步的轨迹区域;
若所述领导者个体在所述任一时刻的部分预测位置的预测概率大于或等于所述任一时刻对应的筛选阈值,则确定预测概率大于或等于所述任一时刻对应的筛选阈值的预测位置为所述领导者个体在所述任一时刻的候选位置;
若所述任一时刻为所述预设时间步的最后一个时刻,则基于所述领导者个体在未来预设时间步的每一时刻的多个候选位置,确定所述领导者个体在未来预设时间步的轨迹区域。
基于上述任一实施例,所述轨迹预测模型是基于样本轨迹序列训练得到初始模型后,基于所述初始时刻直至所述边界时刻之间所述鸟群中各个飞鸟个体的飞行轨迹对所述初始模型进行微调后得到的。
基于上述任一实施例,所述轨迹预测模型是基于长短时记忆网络构建的。
基于上述任一实施例,所述基于实时跟踪的所述鸟群中各个飞鸟个体在边界时刻以及历史时刻的位置向量和速度向量,确定各个飞鸟个体的传递熵,并基于各个飞鸟个体的传递熵,确定所述鸟群中的领导者个体,具体包括:
针对任一飞鸟个体,基于所述任一飞鸟个体在时刻n+1与时刻n的速度向量,以及所述任一飞鸟个体与其相关飞鸟个体在时刻n的相对位置向量和相对速度向量,确定所述相关飞鸟个体到所述任一飞鸟个体在时刻n+1的传递熵,并基于所述任一飞鸟个体的所有相关飞鸟个体到所述任一飞鸟个体在时刻n+1的传递熵,确定所述任一飞鸟个体在时刻n+1的接收信息总量;所述时刻n+1小于或等于边界时刻;
基于各个飞鸟个体在边界时刻以及历史时刻的接收信息总量,确定所述鸟群中的领导者个体。
基于上述任一实施例,所述基于所述任一飞鸟个体在时刻n+1与时刻n的速度向量,以及所述任一飞鸟个体与其相关飞鸟个体在时刻n的相对位置向量和相对速度向量,确定所述相关飞鸟个体到所述任一飞鸟个体在时刻n+1的传递熵,具体包括:
基于所述任一飞鸟个体在时刻n+1与时刻n的速度向量,确定所述任一飞鸟个体在时刻n+1的速度变化向量;
基于所述任一飞鸟个体在时刻n+1之前的所有历史时刻的速度变化向量,构建所述任一飞鸟个体的历史速度变化序列;
基于所述任一飞鸟个体在时刻n+1的速度变化向量、所述任一飞鸟个体的历史速度变化序列,以及所述任一飞鸟个体与其相关飞鸟个体在时刻n的相对位置向量和相对速度向量,确定所述相关飞鸟个体到所述任一飞鸟个体在时刻n+1的传递熵。
基于上述任一实施例,所述基于所述领导者个体在未来预设时间步的轨迹区域与保护区域,确定是否触发针对所述领导者个体的驱鸟干预操作,具体包括:
基于所述领导者个体在所述鸟群中的相对位置以及所述领导者个体在未来预设时间步的轨迹区域,确定所述鸟群的群体轨迹区域;
若所述鸟群的群体轨迹区域与所述保护区域之间存在交集,则确定触发针对所述领导者个体的驱鸟干预操作。
图5是本发明提供的电子设备的结构示意图,如图5所示,该电子设备可以包括:处理器(processor)510、存储器(memory)520、通信接口(Communications Interface)530和通信总线540,其中,处理器510,存储器520,通信接口530通过通信总线540完成相互间的通信。处理器510可以调用存储器520中的逻辑指令,以执行一种鸟类飞行轨迹预测方法,该方法包括:从探测到鸟群的初始时刻开始直至所述鸟群中的任一飞鸟个体到达预设边界位置的边界时刻,基于实时跟踪的所述鸟群中各个飞鸟个体在边界时刻以及历史时刻的位置向量和速度向量,确定各个飞鸟个体的传递熵,并基于各个飞鸟个体的传递熵,确定所述鸟群中的领导者个体;从边界时刻开始,基于实时跟踪的所述领导者个体在当前时刻以及历史时刻的位置向量和速度向量,预测所述领导者个体在未来预设时间步的轨迹区域,并基于实时跟踪的各个飞鸟个体在当前时刻以及历史时刻的位置向量和速度向量更新所述鸟群中的领导者个体;基于所述领导者个体在未来预设时间步的轨迹区域与保护区域,确定是否触发针对所述领导者个体的驱鸟干预操作;其中,所述领导者个体在未来预设时间步的轨迹区域是基于所述领导者个体在未来预设时间步的每一时刻的预测位置及其预测概率以及预测误差阈值确定的。
此外,上述的存储器520中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法所提供的一种鸟类飞行轨迹预测方法,该方法包括:从探测到鸟群的初始时刻开始直至所述鸟群中的任一飞鸟个体到达预设边界位置的边界时刻,基于实时跟踪的所述鸟群中各个飞鸟个体在边界时刻以及历史时刻的位置向量和速度向量,确定各个飞鸟个体的传递熵,并基于各个飞鸟个体的传递熵,确定所述鸟群中的领导者个体;从边界时刻开始,基于实时跟踪的所述领导者个体在当前时刻以及历史时刻的位置向量和速度向量,预测所述领导者个体在未来预设时间步的轨迹区域,并基于实时跟踪的各个飞鸟个体在当前时刻以及历史时刻的位置向量和速度向量更新所述鸟群中的领导者个体;基于所述领导者个体在未来预设时间步的轨迹区域与保护区域,确定是否触发针对所述领导者个体的驱鸟干预操作;其中,所述领导者个体在未来预设时间步的轨迹区域是基于所述领导者个体在未来预设时间步的每一时刻的预测位置及其预测概率以及预测误差阈值确定的。
又一方面,本发明还提供一种非暂态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以执行上述各提供的一种鸟类飞行轨迹预测方法,该方法包括:从探测到鸟群的初始时刻开始直至所述鸟群中的任一飞鸟个体到达预设边界位置的边界时刻,基于实时跟踪的所述鸟群中各个飞鸟个体在边界时刻以及历史时刻的位置向量和速度向量,确定各个飞鸟个体的传递熵,并基于各个飞鸟个体的传递熵,确定所述鸟群中的领导者个体;从边界时刻开始,基于实时跟踪的所述领导者个体在当前时刻以及历史时刻的位置向量和速度向量,预测所述领导者个体在未来预设时间步的轨迹区域,并基于实时跟踪的各个飞鸟个体在当前时刻以及历史时刻的位置向量和速度向量更新所述鸟群中的领导者个体;基于所述领导者个体在未来预设时间步的轨迹区域与保护区域,确定是否触发针对所述领导者个体的驱鸟干预操作;其中,所述领导者个体在未来预设时间步的轨迹区域是基于所述领导者个体在未来预设时间步的每一时刻的预测位置及其预测概率以及预测误差阈值确定的。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种鸟类飞行轨迹预测方法,其特征在于,包括:
从探测到鸟群的初始时刻开始直至所述鸟群中的任一飞鸟个体到达预设边界位置的边界时刻,基于实时跟踪的所述鸟群中各个飞鸟个体在边界时刻以及历史时刻的位置向量和速度向量,确定各个飞鸟个体的传递熵,并基于各个飞鸟个体的传递熵,确定所述鸟群中的领导者个体;
从边界时刻开始,基于实时跟踪的所述领导者个体在当前时刻以及历史时刻的位置向量和速度向量,预测所述领导者个体在未来预设时间步的轨迹区域,并基于实时跟踪的各个飞鸟个体在当前时刻以及历史时刻的位置向量和速度向量更新所述鸟群中的领导者个体;基于所述领导者个体在未来预设时间步的轨迹区域与保护区域,确定是否触发针对所述领导者个体的驱鸟干预操作;
其中,所述领导者个体在未来预设时间步的轨迹区域是基于所述领导者个体在未来预设时间步的每一时刻的预测位置及其预测概率以及预测误差阈值确定的;
所述基于实时跟踪的所述鸟群中各个飞鸟个体在边界时刻以及历史时刻的位置向量和速度向量,确定各个飞鸟个体的传递熵,并基于各个飞鸟个体的传递熵,确定所述鸟群中的领导者个体,具体包括:
针对任一飞鸟个体,基于所述任一飞鸟个体在时刻n+1与时刻n的速度向量,以及所述任一飞鸟个体与其相关飞鸟个体在时刻n的相对位置向量和相对速度向量,确定所述相关飞鸟个体到所述任一飞鸟个体在时刻n+1的传递熵,并基于所述任一飞鸟个体的所有相关飞鸟个体到所述任一飞鸟个体在时刻n+1的传递熵,确定所述任一飞鸟个体在时刻n+1的接收信息总量;所述时刻n+1小于或等于边界时刻;
基于各个飞鸟个体在边界时刻以及历史时刻的接收信息总量,确定所述鸟群中的领导者个体;
其中,所述基于所述任一飞鸟个体在时刻n+1与时刻n的速度向量,以及所述任一飞鸟个体与其相关飞鸟个体在时刻n的相对位置向量和相对速度向量,确定所述相关飞鸟个体到所述任一飞鸟个体在时刻n+1的传递熵,具体包括:
基于所述任一飞鸟个体在时刻n+1与时刻n的速度向量,确定所述任一飞鸟个体在时刻n+1的速度变化向量;
基于所述任一飞鸟个体在时刻n+1之前的所有历史时刻的速度变化向量,构建所述任一飞鸟个体的历史速度变化序列;
基于所述任一飞鸟个体在时刻n+1的速度变化向量、所述任一飞鸟个体的历史速度变化序列,以及所述任一飞鸟个体与其相关飞鸟个体在时刻n的相对位置向量和相对速度向量,确定所述相关飞鸟个体到所述任一飞鸟个体在时刻n+1的传递熵。
2.根据权利要求1所述的一种鸟类飞行轨迹预测方法,其特征在于,所述基于实时跟踪的所述领导者个体在当前时刻以及历史时刻的位置向量和速度向量,预测所述领导者个体在未来预设时间步的轨迹区域,具体包括:
将所述领导者个体在当前时刻以及历史时刻的位置向量和速度向量输入至轨迹预测模型,得到所述轨迹预测模型输出的所述领导者个体在未来预设时间步的每一时刻的预测位置及其预测概率;
针对未来预设时间步的任一时刻,基于所述任一时刻与当前时刻之间的时间差、所述预测误差阈值以及衰减系数,确定所述任一时刻对应的筛选阈值;其中,所述任一时刻与当前时刻之间的时间差越大,所述筛选阈值越小;
基于所述领导者个体在未来预设时间步的每一时刻的预测位置及其预测概率以及每一时刻对应的筛选阈值,筛选出所述领导者个体在未来预设时间步的每一时刻的多个候选位置,并基于所述领导者个体在未来预设时间步的每一时刻的多个候选位置,确定所述领导者个体在未来预设时间步的轨迹区域。
3.根据权利要求2所述的一种鸟类飞行轨迹预测方法,其特征在于,所述方法还包括:
若所述领导者个体在未来预设时间步的任一时刻的预测位置对应的预测概率均小于所述任一时刻对应的筛选阈值,则基于所述任一时刻与当前时刻之间的时间差,更新所述预设时间步,以调整下一轮轨迹区域预测的时间范围。
4.根据权利要求2所述的一种鸟类飞行轨迹预测方法,其特征在于,所述基于所述领导者个体在未来预设时间步的每一时刻的预测位置及其预测概率以及每一时刻对应的筛选阈值,筛选出所述领导者个体在未来预设时间步的每一时刻的多个候选位置,并基于所述领导者个体在未来预设时间步的每一时刻的多个候选位置,确定所述领导者个体在未来预设时间步的轨迹区域,具体包括:
按照时序依次基于所述领导者个体在未来预设时间步的任一时刻的预测位置及其预测概率以及所述任一时刻对应的筛选阈值,确定是否存在预测概率大于所述任一时刻对应的筛选阈值的预测位置;
若所述领导者个体在所述任一时刻的所有预测位置的预测概率均小于所述任一时刻对应的筛选阈值,则基于所述领导者个体在所述任一时刻之前的各个时刻的多个候选位置,确定所述领导者个体在未来预设时间步的轨迹区域;
若所述领导者个体在所述任一时刻的部分预测位置的预测概率大于或等于所述任一时刻对应的筛选阈值,则确定预测概率大于或等于所述任一时刻对应的筛选阈值的预测位置为所述领导者个体在所述任一时刻的候选位置;
若所述任一时刻为所述预设时间步的最后一个时刻,则基于所述领导者个体在未来预设时间步的每一时刻的多个候选位置,确定所述领导者个体在未来预设时间步的轨迹区域。
5.根据权利要求2所述的一种鸟类飞行轨迹预测方法,其特征在于,所述轨迹预测模型是基于样本轨迹序列训练得到初始模型后,基于所述初始时刻直至所述边界时刻之间所述鸟群中各个飞鸟个体的飞行轨迹对所述初始模型进行微调后得到的。
6.根据权利要求5所述的一种鸟类飞行轨迹预测方法,其特征在于,所述轨迹预测模型是基于长短时记忆网络构建的。
7.根据权利要求1所述的一种鸟类飞行轨迹预测方法,其特征在于,所述基于所述领导者个体在未来预设时间步的轨迹区域与保护区域,确定是否触发针对所述领导者个体的驱鸟干预操作,具体包括:
基于所述领导者个体在所述鸟群中的相对位置以及所述领导者个体在未来预设时间步的轨迹区域,确定所述鸟群的群体轨迹区域;
若所述鸟群的群体轨迹区域与所述保护区域之间存在交集,则确定触发针对所述领导者个体的驱鸟干预操作。
8.一种鸟类飞行轨迹预测装置,其特征在于,包括:
领导者个体确定单元,用于从探测到鸟群的初始时刻开始直至所述鸟群中的任一飞鸟个体到达预设边界位置的边界时刻,基于实时跟踪的所述鸟群中各个飞鸟个体在边界时刻以及历史时刻的位置向量和速度向量,确定各个飞鸟个体的传递熵,并基于各个飞鸟个体的传递熵,确定所述鸟群中的领导者个体;
轨迹区域预测单元,用于从边界时刻开始,基于实时跟踪的所述领导者个体在当前时刻以及历史时刻的位置向量和速度向量,预测所述领导者个体在未来预设时间步的轨迹区域,并基于实时跟踪的各个飞鸟个体在当前时刻以及历史时刻的位置向量和速度向量更新所述鸟群中的领导者个体;基于所述领导者个体在未来预设时间步的轨迹区域与保护区域,确定是否触发针对所述领导者个体的驱鸟干预操作;
其中,所述领导者个体在未来预设时间步的轨迹区域是基于所述领导者个体在未来预设时间步的每一时刻的预测位置及其预测概率以及预测误差阈值确定的;
所述基于实时跟踪的所述鸟群中各个飞鸟个体在边界时刻以及历史时刻的位置向量和速度向量,确定各个飞鸟个体的传递熵,并基于各个飞鸟个体的传递熵,确定所述鸟群中的领导者个体,具体包括:
针对任一飞鸟个体,基于所述任一飞鸟个体在时刻n+1与时刻n的速度向量,以及所述任一飞鸟个体与其相关飞鸟个体在时刻n的相对位置向量和相对速度向量,确定所述相关飞鸟个体到所述任一飞鸟个体在时刻n+1的传递熵,并基于所述任一飞鸟个体的所有相关飞鸟个体到所述任一飞鸟个体在时刻n+1的传递熵,确定所述任一飞鸟个体在时刻n+1的接收信息总量;所述时刻n+1小于或等于边界时刻;
基于各个飞鸟个体在边界时刻以及历史时刻的接收信息总量,确定所述鸟群中的领导者个体;
其中,所述基于所述任一飞鸟个体在时刻n+1与时刻n的速度向量,以及所述任一飞鸟个体与其相关飞鸟个体在时刻n的相对位置向量和相对速度向量,确定所述相关飞鸟个体到所述任一飞鸟个体在时刻n+1的传递熵,具体包括:
基于所述任一飞鸟个体在时刻n+1与时刻n的速度向量,确定所述任一飞鸟个体在时刻n+1的速度变化向量;
基于所述任一飞鸟个体在时刻n+1之前的所有历史时刻的速度变化向量,构建所述任一飞鸟个体的历史速度变化序列;
基于所述任一飞鸟个体在时刻n+1的速度变化向量、所述任一飞鸟个体的历史速度变化序列,以及所述任一飞鸟个体与其相关飞鸟个体在时刻n的相对位置向量和相对速度向量,确定所述相关飞鸟个体到所述任一飞鸟个体在时刻n+1的传递熵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310910931.4A CN116644862B (zh) | 2023-07-24 | 2023-07-24 | 一种鸟类飞行轨迹预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310910931.4A CN116644862B (zh) | 2023-07-24 | 2023-07-24 | 一种鸟类飞行轨迹预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116644862A CN116644862A (zh) | 2023-08-25 |
CN116644862B true CN116644862B (zh) | 2023-09-22 |
Family
ID=87625128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310910931.4A Active CN116644862B (zh) | 2023-07-24 | 2023-07-24 | 一种鸟类飞行轨迹预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116644862B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015200518A (ja) * | 2014-04-04 | 2015-11-12 | アジア航測株式会社 | 監視装置、監視方法および監視プログラム |
CN106872971A (zh) * | 2017-03-16 | 2017-06-20 | 中国民航科学技术研究院 | 一种基于群体智能模型的飞鸟群目标跟踪方法 |
CN107711814A (zh) * | 2017-11-01 | 2018-02-23 | 国家电网公司 | 一种输电线路地区智能驱鸟***及方法 |
CN112070808A (zh) * | 2020-09-01 | 2020-12-11 | 三一专用汽车有限责任公司 | 轨迹预测方法、装置和计算机可读存储介质 |
CN114491979A (zh) * | 2022-01-04 | 2022-05-13 | 中国民用航空总局第二研究所 | 一种防范持续盘旋飞行鸟类碰撞飞行器的方法及*** |
CN114581851A (zh) * | 2022-03-10 | 2022-06-03 | 阳光电源股份有限公司 | 飞鸟轨迹预测方法、驱鸟方法、设备、***及存储介质 |
CN115204044A (zh) * | 2022-07-11 | 2022-10-18 | 阿里巴巴(中国)有限公司 | 轨迹预测模型的生成以及轨迹信息处理方法、设备及介质 |
-
2023
- 2023-07-24 CN CN202310910931.4A patent/CN116644862B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015200518A (ja) * | 2014-04-04 | 2015-11-12 | アジア航測株式会社 | 監視装置、監視方法および監視プログラム |
CN106872971A (zh) * | 2017-03-16 | 2017-06-20 | 中国民航科学技术研究院 | 一种基于群体智能模型的飞鸟群目标跟踪方法 |
CN107711814A (zh) * | 2017-11-01 | 2018-02-23 | 国家电网公司 | 一种输电线路地区智能驱鸟***及方法 |
CN112070808A (zh) * | 2020-09-01 | 2020-12-11 | 三一专用汽车有限责任公司 | 轨迹预测方法、装置和计算机可读存储介质 |
CN114491979A (zh) * | 2022-01-04 | 2022-05-13 | 中国民用航空总局第二研究所 | 一种防范持续盘旋飞行鸟类碰撞飞行器的方法及*** |
CN114581851A (zh) * | 2022-03-10 | 2022-06-03 | 阳光电源股份有限公司 | 飞鸟轨迹预测方法、驱鸟方法、设备、***及存储介质 |
CN115204044A (zh) * | 2022-07-11 | 2022-10-18 | 阿里巴巴(中国)有限公司 | 轨迹预测模型的生成以及轨迹信息处理方法、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116644862A (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111260027B (zh) | 一种基于强化学习的智能体自动决策方法 | |
WO2006095170A1 (en) | Management of tracking models | |
CN109460065B (zh) | 基于势函数的无人机集群队形特征辨识方法及*** | |
CN108170158B (zh) | 基于数据驱动的无人机智能对抗控制方法 | |
CN111339675A (zh) | 基于机器学习构建模拟环境的智能营销策略的训练方法 | |
CN112019297B (zh) | 无人机定点诱骗方法、装置、电子设备与存储介质 | |
KR20200040185A (ko) | 적응적 학습률로 뉴럴 네트워크를 학습하는 방법 및 장치, 이를 이용한 테스트 방법 및 장치 | |
CN116050515B (zh) | 一种基于XGBoost的平行推演多分支态势预测方法 | |
CN105424043B (zh) | 一种基于判断机动的运动状态估计方法 | |
CN117131770A (zh) | 基于p3c-maddpg算法的多智能体协同追捕对抗方法 | |
CN117834228A (zh) | 基于bert模型的强化学习蜜罐构建方法及装置 | |
CN116244647A (zh) | 一种无人机集群的运行状态估计方法 | |
CN115435787A (zh) | 一种基于改进蝴蝶算法的无人机三维路径规划方法及*** | |
CN117474168A (zh) | 一种基于注意力机制的CNN-BiGRU的船舶轨迹预测方法及装置 | |
CN116644862B (zh) | 一种鸟类飞行轨迹预测方法和装置 | |
CN114528750A (zh) | 一种基于自博弈模型的智能空战模仿学习训练样本生成方法 | |
US11586200B2 (en) | Method and system for vehicle engagement control | |
CN116088586B (zh) | 一种无人机作战过程中的临机任务规划的方法 | |
US20040024721A1 (en) | Adaptive decision engine | |
Gaowei et al. | Using multi-layer coding genetic algorithm to solve time-critical task assignment of heterogeneous UAV teaming | |
CN116524316A (zh) | 强化学习框架下场景图骨架构建方法 | |
CN114792133A (zh) | 基于多智能体协作***的深度强化学习方法和装置 | |
CN115097861A (zh) | 一种基于cel-maddpg的多无人机围捕策略方法 | |
CN111191815B (zh) | 一种用于风电集群的超短期出力预测方法及*** | |
CN113126052A (zh) | 基于逐级分段训练的高分辨距离像目标识别在线建库方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |