Document
拖动滑块完成拼图
个人中心

预订订单
服务订单
发布专利 发布成果 人才入驻 发布商标 发布需求

在线咨询

联系我们

龙图腾公众号
首页 专利交易 科技果 科技人才 科技服务 国际服务 商标交易 会员权益 IP管家助手 需求市场 关于龙图腾
 /  免费注册
到顶部 到底部
清空 搜索
当前位置 : 首页 > 专利喜报 > 恭喜西安交通大学;宁波市舜安人工智能研究院王乐获国家专利权

恭喜西安交通大学;宁波市舜安人工智能研究院王乐获国家专利权

买专利卖专利找龙图腾,真高效! 查专利查商标用IPTOP,全免费!专利年费监控用IP管家,真方便!

龙图腾网恭喜西安交通大学;宁波市舜安人工智能研究院申请的专利一种基于预定义树的多模态行人轨迹预测方法及系统获国家发明授权专利权,本发明授权专利权由国家知识产权局授予,授权公告号为:CN114511594B

龙图腾网通过国家知识产权局官网在2025-05-30发布的发明授权授权公告中获悉:该发明授权的专利申请号/专利号为:202210102828.2,技术领域涉及:G06T7/246;该发明授权一种基于预定义树的多模态行人轨迹预测方法及系统是由王乐;石刘帅;周三平;陈士韬;辛景民;郑南宁设计研发完成,并于2022-01-27向国家知识产权局提交的专利申请。

一种基于预定义树的多模态行人轨迹预测方法及系统在说明书摘要公布了:本发明公开了一种基于预定义树的多模态行人轨迹预测方法及系统,所述方法包括以下步骤:获取行人的观测轨迹序列;基于行人的观测轨迹序列中的运动速度,构建粗粒度轨迹树;基于观测轨迹序列和粗粒度轨迹树,采用预训练好的神经网络对所述粗粒度轨迹树的每个分支进行优化,获得优化后的轨迹树;其中,所述优化后的轨迹树的分支用于表示最终的多模态行人轨迹预测结果。本发明中,基于行人的通用运动模式,将多种可能的未来轨迹表示成一颗轨迹树,每条从根节点到叶子节点的路径表示成一种可能的路径,具有良好的可解释性与独特的运动特征;可预测出稳定的、更加准确的多模态未来轨迹。

本发明授权一种基于预定义树的多模态行人轨迹预测方法及系统在权利要求书中公布了:1.一种基于预定义树的多模态行人轨迹预测方法,其特征在于,包括以下步骤:获取行人的观测轨迹序列;基于行人的观测轨迹序列中的运动速度,构建粗粒度轨迹树;其中,所述粗粒度轨迹树的分支用于分别代表行人未来轨迹的不同模态;基于观测轨迹序列和粗粒度轨迹树,采用预训练好的神经网络对所述粗粒度轨迹树的每个分支进行优化,获得优化后的轨迹树;其中,所述优化后的轨迹树的分支用于表示最终的多模态行人轨迹预测结果;其中,所述基于行人的观测轨迹序列中的运动速度,构建粗粒度轨迹树的步骤具体包括:1对于长度T1的观测轨迹序列,获取其运动速度V;2设置需要预测的轨迹序列长度为T2,树的分裂方向个数为N,分裂长度为步骤1获取的运动速度的K倍,K∈Z,0K≤T2;设置分裂矩阵为Wα,其中α∈[0,2π];3根据步骤1获取的运动速度V,步骤2设置的树的分裂长度、分裂方向和分裂矩阵Wα,设置树的N个分裂方向向量,其中第n个分裂方向向量为WαnVK,其中n∈[0,N-1];4以观测轨迹序列的最后一个时间点根节点,使用步骤3设置的N个分裂方向向量以递归的方式进行树的分裂,构建获得粗粒度轨迹树;所述神经网络的结构包括:第一多层感知机,用于输入观测轨迹序列,输出观测特征;第二多层感知机,用于输入待优化粗粒度轨迹树,输出分支特征;自注意力机制,用于输入所述观测特征,输出交互特征;注意力机制,用于输入所述分支特征和所述交互特征,输出所述待优化粗粒度轨迹树的分支的注意力分数;第三多层感知机,用于输入预获取的粗粒度未来真实轨迹序列,输出未来特征;第四多层感知机,用于输入所述分支分数最高的分支对应的分支特征,输出优化后的分支;第五多层感知机,用于输入混合特征,输出所述观测轨迹序列对应的未来预测轨迹;其中,所述混合特征由未来特征与交互特征相加得到;所述预训练好的神经网络的获取步骤包括:获取训练样本集合;其中,每个样本均包括:观测轨迹序列、粗粒度轨迹树、未来真实轨迹序列、粗粒度未来真实轨迹序列和粗粒度轨迹标签;采用训练样本进行训练,包括:在观测轨迹序列上使用第一多层感知机提取观测特征;在粗粒度轨迹树的每个分支上使用第二多层感知机提取分支特征;在所述观测特征上使用自注意力机制提取交互特征;在每个粗粒度轨迹树的分支特征上计算与交互特征的注意力分数,得到每个分支的注意力分数;在粗粒度未来真实轨迹序列上使用第三多层感知机提取未来特征;将未来特征与交互特征相加得到混合特征;在最高注意力分数对应分支上使用第四多层感知机来得到优化分支;在混合特征上使用第五多层感知机来得到未来预测轨迹;采用损失函数,达到预设收敛条件时完成训练,获得所述预训练好的神经网络;所述损失函数的表达式为,其中,λ1,λ2,λ3用来调和整个损失函数;为交叉熵损失函数,用于计算注意力分数与粗粒度轨迹树标签的交叉熵损失,优化注意力分数;为Huber损失函数,用于计算优化分支与粗粒度未来真实轨迹序列的均方误差,优化粗粒度轨迹树;为Huber损失函数,用于计算预测轨迹与未来真实轨迹的均方误差,优化未来预测轨迹。

如需购买、转让、实施、许可或投资类似专利技术,可联系本专利的申请人或专利权人西安交通大学;宁波市舜安人工智能研究院,其通讯地址为:710049 陕西省西安市咸宁西路28号;或者联系龙图腾网官方客服,联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。