[发明专利]一种利用动态场景内交互作用介质的未来预测方法

说明书

技术领域

本发明涉及动作预测领域，尤其是涉及了一种利用动态场景内交互作用介质的未来预测方法。

背景技术

根据过往行为轨迹进行来预测未来该场景对此轨迹的响应，即未来事件预测，是近年来吸引极大关注的议题。在大数据日益流行的背景下，人机交互、机器人导航等会遇见许多前所未有的场景，运用未来预测方法，可极大程度训练智能设备进行当前场景与任务的实时分配与实施，同时对于任务量巨大的领域，如人群监控、资源勘探等具备硬件设施的场景将会有极高的应用潜力，此外，在多任务指挥系统分布协调、多种交通工具防撞应急措施、自然灾害逃生线路预警管理等方面也有不可估量的人文及市场价值。

未来预测仍然是一个很高难度的挑战性问题。由于任务中涉及的场景既包含视觉上的维度，也包含了逻辑上的考量，同时还赋予这个任务智能识别的功能，需要极高数据量的训练测试过程。一方面，时空不恒定性给视觉接收造成了模糊影响，同时数据量的负责程度导致的计算量增大会导致实时效果的降低，另一方面，太多相互作用的介质产生相互影响，无法一一剥离进行定量分析，因此对动作的预测判断造成了难度。

本发明提出了一种基于逆向最优控制的长期有利决策新框架。首先使用条件变分自编码器来生成假设预测的多样本，接着利用基于逆向最优控制框架的长期有利决策方法进行样本的评分排序及完善处理，引入循环神经网络对图像环境、活动的介质进行场景融合，得到的结果再反馈到解码器中进行迭代。本发明可以处理动态或者静态的场景中某一介质的未来事件预测活动，提供一个循环神经网络集合来生成、排序和改善样本，显著地取得预测的精确效果。

发明内容

针对解决在复杂场景多相互作用介质中预测未来动作的问题，本发明的目的在于提供一种利用动态场景内交互作用介质的未来预测方法，提出了一种基于逆向最优控制的长期有利决策新框架。

为解决上述问题，本发明提供一种利用动态场景内交互作用介质的未来预测方法，其主要内容包括：

(一)多样本生成；

(二)样本排序与完善；

(三)场景融合。

其中，所述的多样本生成，包括一般模型构造和条件变分自编码器。

进一步地，所述的一般模型构造，对于某场景内在发生事件中起交互作用的物体，不管静止或者运动，称之为介质，如果给定n个介质，它们的过往行动轨迹X＝<X₁,X₂,…,X_n>，计算出它们的未来行为轨迹Y＝<Y₁,Y₂,…,Y_n>的各自概率则为P<Y|X,I>，特别地，I为该场景下一刻的输入，依照输入得到的最大概率输出作为预测轨迹。

进一步地，所述的条件变分自编码器，利用深度生成模型来学习一个决策函数f，该函数将过往行动轨迹X和输入I映射到未来行为轨迹Y上，具体地：

(1)引入随机潜变量z_i，在输入X_i的条件下，学习到输出Y_i的概率分布为P(Y_i|X_i)，此过程搭建相应的神经网络分别为识别网络Q_φ(z_i|Y_i,X_i)、条件先验网络P_v(z_i|X_i)以及生成网络P_θ(Y_i|X_i,z_i)；

(2)在训练阶段：①分别用两个循环神经网络对介质i、X_i和Y_i进行编码，得到两个结果②将这两个结果合并再传递到一层使用非线性激活函数的全连接网络；③再用并行的两个全连接网络生成关于z_i的均值和标准差依其建模成高斯分布模型，并且用KL散度进行归一化处理；④提出两个损失函数对自编码器调整，分别为重建损失函数和KL散度损失函数l_KLD＝D_KL(Q_φ(z_i|Y_i，X_i)||P_v(z_i))；