本發(fā)明屬于人工智能海岸安全系統(tǒng)應(yīng)用，特別是涉及一種基于gnn-transformer的海上多機(jī)動(dòng)單位軌跡預(yù)測(cè)方法。

背景技術(shù)：

1、近些年來(lái)隨著基于神經(jīng)網(wǎng)絡(luò)(nn,neural?network)的人工智能技術(shù)的迅猛發(fā)展，其旨在通過(guò)模擬人腦的學(xué)習(xí)過(guò)程，實(shí)現(xiàn)對(duì)于各種信息的特征提取和智能處理。軌跡預(yù)測(cè)(trajectory?prediction)是時(shí)序分析的一個(gè)重要研究方向，通過(guò)對(duì)目標(biāo)物體過(guò)去的運(yùn)動(dòng)軌跡和其他相關(guān)信息進(jìn)行分析和推理，預(yù)測(cè)其未來(lái)可能的運(yùn)動(dòng)軌跡。尤其是在海岸安全任務(wù)中，通過(guò)對(duì)未知機(jī)動(dòng)目標(biāo)等進(jìn)行軌跡預(yù)測(cè)可以有效的評(píng)估其下一步的運(yùn)動(dòng)軌跡，這將對(duì)安全系統(tǒng)的指揮決策起到重要的作用。傳統(tǒng)的安全軌跡預(yù)測(cè)任務(wù)往往基于物理模型驅(qū)動(dòng)，也就是通過(guò)物理規(guī)律構(gòu)建先驗(yàn)公式來(lái)實(shí)現(xiàn)對(duì)軌跡的預(yù)測(cè)，這種方法對(duì)于不具有干擾的短期運(yùn)動(dòng)有一定的效果，但是出現(xiàn)攔截、急轉(zhuǎn)等突發(fā)事件則效果不好。近些年也有使用神經(jīng)網(wǎng)絡(luò)對(duì)機(jī)動(dòng)目標(biāo)進(jìn)行軌跡預(yù)測(cè)，一定程度上緩解了長(zhǎng)期預(yù)測(cè)效果不佳的問(wèn)題，但是由于其缺乏對(duì)于多個(gè)單位之間的交互關(guān)系和對(duì)抗因素的考慮，因此當(dāng)我方海警指揮系統(tǒng)派出攔截船時(shí)，出現(xiàn)多個(gè)對(duì)立單位和我方單位對(duì)抗的具體情況下，當(dāng)前的人工智能模型無(wú)法做到有效的預(yù)測(cè)。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明目的在于解決背景技術(shù)中提出的問(wèn)題，提供一種基于gnn-transformer的海上多機(jī)動(dòng)單位軌跡預(yù)測(cè)方法，提取過(guò)去多個(gè)機(jī)動(dòng)單位對(duì)抗的交互特征和時(shí)空特征，并實(shí)現(xiàn)特征耦合并生成未來(lái)軌跡預(yù)測(cè)，能夠極大地提升預(yù)測(cè)準(zhǔn)確度，促進(jìn)海警系統(tǒng)的工作效率。

2、為了實(shí)現(xiàn)本發(fā)明目的，本發(fā)明公開了一種基于gnn-transformer的海上多機(jī)動(dòng)單位軌跡預(yù)測(cè)方法，具體包括以下步驟：

3、s1、通過(guò)海上偵查系統(tǒng)以及我方海警指揮部獲取我方無(wú)人艇和入侵海上未知單位雙方的機(jī)動(dòng)單位軌跡序列數(shù)據(jù)；

4、s2、以機(jī)動(dòng)單位作為圖節(jié)點(diǎn)，對(duì)應(yīng)的軌跡序列數(shù)據(jù)作為節(jié)點(diǎn)中的信息，構(gòu)建時(shí)域圖結(jié)構(gòu)數(shù)據(jù)作為gnn模塊的輸入端；

5、s3、通過(guò)gnn模塊提取空間維度上的單位交互對(duì)抗特征；

6、s4、通過(guò)時(shí)空transformer模塊提取時(shí)空維度上的軌跡運(yùn)動(dòng)特征；

7、s5、通過(guò)一個(gè)包含掩碼多頭自注意力機(jī)制和多層感知機(jī)的解碼器來(lái)輸出單位的軌跡預(yù)測(cè)結(jié)果；

8、s6、迭代訓(xùn)練和優(yōu)化整個(gè)網(wǎng)絡(luò)的超參數(shù)，得到最終的網(wǎng)絡(luò)模型并輸出最終效果最佳的預(yù)測(cè)結(jié)果。

9、進(jìn)一步地，步驟s1中，海上偵查系統(tǒng)依據(jù)雷達(dá)、視覺(jué)技術(shù)對(duì)入侵單位進(jìn)行信息采集，以獲取海上機(jī)動(dòng)單位的具體信息。

10、進(jìn)一步地，步驟s2中，以雙方所有機(jī)動(dòng)單位的軌跡序列作為圖的節(jié)點(diǎn)構(gòu)建圖結(jié)構(gòu)數(shù)據(jù)，節(jié)點(diǎn)信息中包括位置、速度、陣營(yíng)標(biāo)注。

11、進(jìn)一步地，步驟s3中，輸入的軌跡序列需要先通過(guò)mlp將運(yùn)動(dòng)學(xué)軌跡特征映射到高級(jí)空間，再輸入要由多個(gè)圖神經(jīng)層構(gòu)建的gnn模塊進(jìn)行交互特征提取。

12、進(jìn)一步地，步驟s4中，輸入的特征會(huì)同時(shí)分別輸入到時(shí)域編碼器和空域編碼器中提取特征，并最后進(jìn)行連接融合。

13、進(jìn)一步地，步驟s4中，時(shí)域編碼器和空域編碼器是兩個(gè)獨(dú)立的transformer編碼器模塊，基于自注意力機(jī)制來(lái)分別提取兩個(gè)特定領(lǐng)域中的信息。

14、進(jìn)一步地，步驟s5中，所用到的掩碼機(jī)制是由一個(gè)下三角矩陣構(gòu)成，以確保同步解碼多個(gè)時(shí)間步的未來(lái)信息時(shí)，解碼器只會(huì)關(guān)注當(dāng)前步之前的軌跡信息，以防止信息泄露并實(shí)現(xiàn)同步生成未來(lái)軌跡。

15、進(jìn)一步地，步驟s6中，使用adam優(yōu)化器進(jìn)行反向傳播；在訓(xùn)練過(guò)程中，最優(yōu)模型選擇指標(biāo)在于測(cè)試集的效果，依據(jù)測(cè)試集的性能來(lái)選擇最佳模型參數(shù)。

16、進(jìn)一步地，步驟s6中，學(xué)習(xí)過(guò)程中學(xué)習(xí)率呈指數(shù)下降，隨著模型訓(xùn)練的推進(jìn)學(xué)習(xí)率會(huì)從0.01逐漸降到0.001，兼顧前期的學(xué)習(xí)效率和后期的學(xué)習(xí)精確度。

17、與現(xiàn)有技術(shù)相比，本發(fā)明的顯著進(jìn)步在于：1)加入雙方博弈對(duì)抗和交互的考慮因素進(jìn)行單位的軌跡預(yù)測(cè)，提升對(duì)于動(dòng)態(tài)機(jī)動(dòng)單位的預(yù)測(cè)效果；2)融合對(duì)抗交互特征和時(shí)空特征，可以大大提升模型對(duì)機(jī)動(dòng)單位的軌跡預(yù)測(cè)準(zhǔn)確度。

18、為更清楚說(shuō)明本發(fā)明的功能特性以及結(jié)構(gòu)參數(shù)，下面結(jié)合附圖及具體實(shí)施方式進(jìn)一步說(shuō)明。

技術(shù)特征：

1.一種基于gnn-transformer的海上多機(jī)動(dòng)單位軌跡預(yù)測(cè)方法，其特征在于，具體包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于gnn-transformer的海上多機(jī)動(dòng)單位軌跡預(yù)測(cè)方法，其特征在于，步驟s1中，海上偵查系統(tǒng)依據(jù)雷達(dá)、視覺(jué)技術(shù)對(duì)入侵單位進(jìn)行信息采集，以獲取海上機(jī)動(dòng)單位的具體信息。

3.根據(jù)權(quán)利要求1所述的一種基于gnn-transformer的海上多機(jī)動(dòng)單位軌跡預(yù)測(cè)方法，其特征在于，步驟s2中，以雙方所有機(jī)動(dòng)單位的軌跡序列作為圖的節(jié)點(diǎn)構(gòu)建圖結(jié)構(gòu)數(shù)據(jù)，節(jié)點(diǎn)信息中包括位置、速度、陣營(yíng)標(biāo)注。

4.根據(jù)權(quán)利要求1所述的一種基于gnn-transformer的海上多機(jī)動(dòng)單位軌跡預(yù)測(cè)方法，其特征在于，步驟s3中，輸入的軌跡序列需要先通過(guò)mlp將運(yùn)動(dòng)學(xué)軌跡特征映射到高級(jí)空間，再輸入要由多個(gè)圖神經(jīng)層構(gòu)建的gnn模塊進(jìn)行交互特征提取。

5.根據(jù)權(quán)利要求1所述的一種基于gnn-transformer的海上多機(jī)動(dòng)單位軌跡預(yù)測(cè)方法，其特征在于，步驟s4中，輸入的特征會(huì)同時(shí)分別輸入到時(shí)域編碼器和空域編碼器中提取特征，并最后進(jìn)行連接融合。

6.根據(jù)權(quán)利要求5所述的一種基于gnn-transformer的海上多機(jī)動(dòng)單位軌跡預(yù)測(cè)方法，其特征在于，步驟s4中，時(shí)域編碼器和空域編碼器是兩個(gè)獨(dú)立的transformer編碼器模塊，基于自注意力機(jī)制來(lái)分別提取兩個(gè)特定領(lǐng)域中的信息。

7.根據(jù)權(quán)利要求1所述的一種基于gnn-transformer的海上多機(jī)動(dòng)單位軌跡預(yù)測(cè)方法，其特征在于，步驟s5中，所用到的掩碼機(jī)制是由一個(gè)下三角矩陣構(gòu)成，以確保同步解碼多個(gè)時(shí)間步的未來(lái)信息時(shí)，解碼器只會(huì)關(guān)注當(dāng)前步之前的軌跡信息，以防止信息泄露并實(shí)現(xiàn)同步生成未來(lái)軌跡。

8.根據(jù)權(quán)利要求1所述的一種基于gnn-transformer的海上多機(jī)動(dòng)單位軌跡預(yù)測(cè)方法，其特征在于，步驟s6中，使用adam優(yōu)化器進(jìn)行反向傳播；在訓(xùn)練過(guò)程中，最優(yōu)模型選擇指標(biāo)在于測(cè)試集的效果，依據(jù)測(cè)試集的性能來(lái)選擇最佳模型參數(shù)。

9.根據(jù)權(quán)利要求8所述的一種基于gnn-transformer的海上多機(jī)動(dòng)單位軌跡預(yù)測(cè)方法，其特征在于，步驟s6中，學(xué)習(xí)過(guò)程中學(xué)習(xí)率呈指數(shù)下降，隨著模型訓(xùn)練的推進(jìn)學(xué)習(xí)率會(huì)從0.01逐漸降到0.001，兼顧前期的學(xué)習(xí)效率和后期的學(xué)習(xí)精確度。

技術(shù)總結(jié)
本發(fā)明公開了一種基于GNN?Transformer的海上多機(jī)動(dòng)單位軌跡預(yù)測(cè)方法，通過(guò)海警偵查系統(tǒng)獲取未知機(jī)動(dòng)單位軌跡數(shù)據(jù)并提取我方單位數(shù)據(jù)，構(gòu)建雙方對(duì)抗軌跡序列數(shù)據(jù)；以雙方各個(gè)機(jī)動(dòng)單位作為圖節(jié)點(diǎn)，對(duì)應(yīng)的軌跡序列數(shù)據(jù)作為節(jié)點(diǎn)中的信息，構(gòu)建圖結(jié)構(gòu)數(shù)據(jù)作為圖神經(jīng)網(wǎng)絡(luò)GNN模塊的輸入端；通過(guò)GNN模塊提取空間維度上的單位交互對(duì)抗特征；通過(guò)時(shí)空Transformer模塊提取時(shí)空維度上的軌跡運(yùn)動(dòng)特征；通過(guò)一個(gè)包含掩碼多頭自注意力機(jī)制和多層感知機(jī)的解碼器來(lái)輸出機(jī)動(dòng)單位的軌跡預(yù)測(cè)結(jié)果；訓(xùn)練迭代獲得最佳網(wǎng)絡(luò)模型的參數(shù)，以獲取最佳預(yù)測(cè)效果。本發(fā)明可以極大地提升對(duì)抗場(chǎng)景的預(yù)測(cè)準(zhǔn)確度，有利于促進(jìn)人工智能技術(shù)在海岸安全的落地運(yùn)用，提升海警系統(tǒng)的工作效率。

技術(shù)研發(fā)人員：吳祥,許書豪,杜過(guò),張星晨,王園浩,薄煜明,黃琦龍
受保護(hù)的技術(shù)使用者：南京理工大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/10