[发明专利]非结构化人机交互环境中的实时准确轨迹预测方法及系统

说明书

本发明属于机器人轨迹预测技术领域，公开了一种非结构化人机交互环境中的实时准确轨迹预测方法及系统，建立函数型轨迹预测模型，构建关于函数型数据的约束；融合时序模型和非时序模型的优点，生成预测轨迹在空间上的概率分布，选取最佳轨迹；通过结合社会力模型以及深度神经网络模型构建人类社会行为模型，利用强化学习方法模拟人类决策过程，得到符合社会规范的机器人行为；设计无细节特征损失、无空间关联信息模糊、多方位多层次特征挖掘的实时语义分割全息网络，并生成简单的单分支推理模型；最后对提出的轨迹预测方法进行验证。本发明通过分析人类社会行为模式，建立了行为模型并将其融入机器人导航框架之中，产生了更为合理的行为模式。

技术领域

本发明属于机器人轨迹预测技术领域，尤其涉及一种非结构化人机交互环境中的实时准确轨迹预测方法及系统。

背景技术

目前，现有的机器人行为生成方法大多仅考虑机器人与人在交互过程中的物理安全，以最短路径及最短时间为优化目标生成机器人行为，当前已有的机器人导航方法存在难以适应于动态复杂人机交互环境的问题。然而在人机交互过程中，采取符合人类社会规范的机器人行为不仅可以避免诸多不必要的避障行为发生，还能带来更好的人机交互体验，增加机器人的可接受度。

面对非结构化环境中多变的时间空间信息，如何设计合理高效的特征提取和特征融合方式，以及如何综合利用生成模型和评估模型对行人轨迹的多样性与算法的实时性进行权衡把握，同时保障轨迹预测算法的准确与高效。面对复杂多变的行人交互模式，如何建立简洁有效的行人运动模型来对行人轨迹进行合理分析，以及如何将行人交互模型融入到现有导航框架之中，使得机器人生成符合人类社会行为规范的行为的同时具有足够的鲁棒性以应对环境中的各种不确定因素。如何在采样过程中避免信息的丢失和插补，在减少参数量的同时，避免信息流动受阻或损失，以及在尽量少牺牲性能的情况下来满足系统的成本要求，在保证网络模型精度且无需额外的推理时间计算、内存占用或能耗的条件下，利用结构重参数化方法，将训练阶段的多分支结构和推理阶段的简单结构进行解耦，进而最大程度的减小模型复杂度，减少模型存储需要的空间。

通过上述分析，现有技术存在的问题及缺陷为：当前已有的机器人导航方法存在难以适应于动态复杂人机交互环境的问题。

发明内容

针对现有技术存在的问题，本发明提供了一种非结构化人机交互环境中的实时准确轨迹预测方法及系统。

本发明是这样实现的，一种非结构化人机交互环境中的实时准确轨迹预测方法，所述非结构化人机交互环境中的实时准确轨迹预测方法包括：

建立函数型轨迹预测模型，构建关于函数型数据的约束；融合时序模型和非时序模型的优点，生成预测轨迹在空间上的概率分布，选取最佳轨迹；通过结合社会力模型以及深度神经网络模型构建人类社会行为模型，利用强化学习方法模拟人类决策过程，得到符合社会规范的机器人行为；设计无细节特征损失、无空间关联信息模糊、多方位多层次特征挖掘的实时语义分割全息网络，并生成简单的单分支推理模型；最后对提出的轨迹预测方法进行验证。

进一步，所述非结构化人机交互环境中的实时准确轨迹预测方法包括以下步骤：

步骤一，基于函数型数据和深度神经网络的轨迹预测模型构建；

步骤二，基于深度强化学习的机器人社会规范行为优化；

步骤三，面向嵌入式应用的高效网络模型设计；

步骤四，准确性、实时性和鲁棒性验证。

进一步，所述步骤一中的基于函数型数据和深度神经网络的轨迹预测模型的构建方法包括：

(1)将物体的轨迹视作函数型数据，建立基于函数型数据的轨迹预测模型；

其中，所述线性函数型轨迹预测模型的表达式为：