专利交易市场

一种基于轨迹预测的编队围捕方法，包括：步骤1，为解决传感器视野丢失问题，对机器人运动状态进行估计与预测；步骤2，建立多机器人编队围捕模型；步骤3，计算多机器人系统的控制量，对目标进行编队围捕。本发明在机器人获取目标状态时，运用轨迹拟合的方法将目标运动状态拟合成一个轨迹时间函数，当目标视野丢失时，通过轨迹时间函数计算预测值进行补偿，提高了定位精度，减少了目标视野丢失带来的影响。在进行编队围捕时，根据围捕方法计算多机器人各自的控制量，完成编队控制，提高了围捕跟踪的效率。

一种基于时空融合的自适应行人轨迹预测方法，包括以下步骤：S1：提取不同场景中行人的时间位置特征向量，对信息进行预处理并构建源场景和目标场景的图结构；S2：实现领域特征的对齐，使用图卷积网络GCN和领域自适应技术，调整和整合源轨迹领域与目标轨迹领域之间的时空特征变化，从而完成特征对齐；S3：搭建时间主干网络，编码时间信息，与领域时空特征差异一同作为预测的重要要素，利用多头注意力机制实现时空特征的深度融合，通过自回归迭代实现高精度的行人轨迹预测。本发明有效提升模型的领域泛化能力，有效建模了长期运动模式并实现了预测轨迹的长期演化，使得模型能够自适应调整以应对不同场景间的潜在轨迹差异性。

本发明涉及基于高维嵌入深度并行计算的掉头意图及轨迹预测方法，包括拍摄临近交叉口处U型掉头处的视频并提取数据，生成对应的时序轨迹；对左转车道上车辆的时序轨迹作掉头意图分析，并将左转车道上的直行车辆、掉头车辆以及对向车道的直行车辆组成新的输入，通过嵌入层将车辆的行为信息嵌入到高维空间中；提取高维嵌入的时间和空间信息，合并为时空特征；将时空特征信息输入到下层的深度可分离卷积网络中，通过解码器进行解码，输出所有交通参与者的未来轨迹信息。上述技术方案有效解决了现有轨迹预测方法无法对车辆掉头意图做出精确判断，以及车辆轨迹预测速度慢和准确率不高的问题。

本发明提供了一种基于多特征提取和多注意力机制的行人轨迹预测方法，首先，提取静态环境特征和动态环境特征，所述动态环境特征包括其他行人对目标的影响及非行人因素对目标的影响；其次，构建静态环境特征注意力模块和动态坏境特征注意力模块；最后，将注意力模块的输出送入长短时记忆网络实现行人轨迹预测。本发明相对于传统的行人轨迹预测方法有较高的精度，同时提高了轨迹预测的速度，在一定程度上改进了行人轨迹预测的性能。