CN119399248A 一种用于无人艇的目标潜艇路径预测与跟踪方法 （浙江省智能船舶研究院有限公司）

一种用于无人艇的目标潜艇路径预测与跟本发明提供了一种用于无人艇的目标潜艇棒性。本发明核心在于结合多头注意力机制和捉轨迹特征并预测未来目标潜艇的移动轨迹特2间段内的目标潜艇位置轨迹时间序列数据，同时对应获取a时间段内的环境障碍物三维坐所述目标潜艇轨迹预测模型包括环境感知模块和目标潜艇轨迹预的感受野；所述多头注意力机制对自注意力机制输出的融合特征进行不同层次的特征提单元同时考虑输入特征的前向和后向信息，全面地捕捉目标潜艇运动轨迹中的时序特征，S3，基于输出的目标潜艇位置轨迹序列预测数据，分别在无人艇执行轨迹预测和追踪任务的目标海域作为目标域及用于数据收集的其采集时间步长Te[1,TLS]的目标潜艇位置数据，并将各个时间点下的目标潜艇位置表示第i条所收集的数据中的潜艇在时间时刻T所对应的具体三维坐标信息，其中，Gzf表示第i条环境障碍物位置数据中第p个障碍物的位置序列数据，且3置数据中第p个障碍物在时刻T所对应的具体三维位置坐标；第i条目采集目标潜艇其时间步长Te[TLS+1,TY]的位置数据，其组合得到的三维位置坐其中，在目标域采集得到的目标潜艇历史轨迹数据集，目标。Lg=[Lg1,Lg2…,Lgx]代表每个障碍物和目标潜艇之间所联系的边，E为障碍物总X,,z表示障碍物的三维坐标位4Relu激活函数对每条边的特征进行激活得到每一条边的特征Feab：Ful1(*)代表全连接层操作函数；和目标潜艇节点特征Feajdosj拼接后得到此图神经网络层的输出结果EOFmed；所述多头注意力机制模块利用八个注意力头实现对自注意力机制融合特征CON,层次上的特征提取，随后对得到的八个层次的特征进行加权处理，得到多层次融合特征Query,key,value三个不同的特征矩阵上：5wj表示第i组Query,key,value特征矩阵映射时所使用的映射参数，je[1,8]；Query,key,valuef分别表示融合特征CON,映射得到的第i组Query,key,value特征矩阵；多头注意力机制输出特征向量计算：第i组注意力头所对应的注意力系数zy;和第i组的valuef特征矩阵相乘可以得到第i组注意力头所输出的特征Feazj，将8个注意力头的。所述LSTM特征提取模块包含前向LSTM网络特征提取单元以及反向LSTM网络在前向LSTM网络特征提取单元中，将多层次融合特征Feadzg在时间维度上按照从前到后的顺序排列得到的对应的正向时间特征Featq，并输入前向LSTM网络特征提取单元而在反向LSTM网络特征提取单元中，将多层次融合特征Feadzg在时间维度上按照从其中，Fealf表示处理后的反向时间特征，lstmf代表反向LSTM网络特征提取单元操随后对处理后的正向时间特征Fealq和处理后的反向时间特征Fealf进行特征合并6同时设计两个相同的目标潜艇轨迹预测模型进行训练，其中一个模型作为主模型Mode1z，其训练完毕后作为实际使用的目标潜艇轨迹预测模型，另一个模型作为副模型S21，利用在目标域中采集得到数据集对主模型Mode1z进行预GSP,GZP和GYP中的数据对副模型ModelF进行训练，并利用损失函数Lossf计算训主模型Mode1z进行训练和优化，并将混合迭代训练中首轮得到的主模型网络参数定义为；利用数据集GSP,GZP和GYP对副模型ModelF进行训练和优化，并将迭代混合同时，基于得到的主模型网络参数6z1以及副模型网络参数对主模型网络参数进7a"=a*softmax(3*Lh+Lf),表示softmax归一化函数；8[0005]针对上述问题，本发明提供了一种用于无人艇的目标潜9述环境感知模块通过构建图神经网络对环境障碍物三维坐标时间序列数据进行分析处理，取单元同时考虑输入特征的前向和后向信息，全面地捕捉目标潜艇运动轨迹中的时序特分别在无人艇执行轨迹预测和追踪任务的目标海域作为目标域及用于数据收集采集时间步长Te[1,TLS]的目标潜艇位置数据，并将各个时间点下的目标潜艇[0008]表示第i条所收集的数据中的潜艇在时间时刻T所对应的具体三维坐标[0010]其中，Gzf表示第i条环境障碍物位置数据中第个障碍物的位置序列数据，且置数据中第p个障碍物在时刻T所对应的具体三维位置坐标；第i条目[0011]采集目标潜艇其时间步长Te[TLS+1,TY]的位置数据，其组合得到的三维位[0012]采集到的每条目标潜艇历史轨迹序列数据Gsi进行组合得到目标潜艇历史轨迹输得到的潜艇历史移动轨迹数据，对其中的每一条序列数据通过全连接层进行向量编S11，基于图神经网络去提取目标潜艇与环境周边障碍物的交互特征，构建图结合Relu激活函数对每条边的特征进行激活得到每一条边的特征Feab：[0019]其中，sigmoid(*)表示sigmoid激活函数，Relu(*)表示Relu激活函数，Ful1(*)代表全连接层操作函数；征CON,在不同层次上的特征提取，随后对得到的八个层次的特征进行加权处理，得到多Query,key,value三个不同的特征矩阵上：[0023]其中，f,(*)fr(*)fo(*)分别表示矩阵Query,key,value的矩阵映射Query,key,valuef分别表示融合特征CON,映射得到的第i组Query,key,value特征矩阵；注意力系数计算：基于得到的Query,key,两个特征矩阵，计算其注意力系数:i组的valuef特征矩阵相乘可以得到第i组注意力头所输出的特征Feazj，将8个注意力头在前向LSTM网络特征提取单元中，将多层次融合特征Feadzg在时间维度上按照从前到后的顺序排列得到的对应的正向时间特征Featq，并输入前向LSTM网络特征提取单[0026]其中，Fealq表示处理后的正向时间特征，lstmq代表前向LSTM网络特征提取单而在反向LSTM网络特征提取单元中，将多层次融合特征Feadzg在时间维度上按alf表示处理后的反向时间特征，lstmf代表反向LSTM网络特征提取单随后对处理后的正向时间特征Fealq和处理后的反向时间特征Fealf进行特征Mode1z，其训练完毕后作为实际使用的目标潜艇轨迹预测模型，另一个模型作为副模型S21，利用在目标域中采集得到数据集对主模型Mode1z进GSP,GZP和GYP中的数据对副模型ModelF进行训练，并利用损失函数Lossf计算训对主模型Mode1z进行训练和优化，并将混合迭代训练中首轮得到的主模型网络参数定义为；利用数据集GSP,GZP和GYP对副模型ModelF进行训练a"=a*softmax(3*Lh+Lf),softmax(*)表示softmax归一化函数；S25，重复步骤S23至步骤S24，共迭代次；完成迭代次数后，将此时主模型Mode1z的网络模型参数保存为此目标潜艇轨迹预测模型最终使用的网络模型参数，得到优化完毕的目标潜艇轨迹预测模型。[0047]本发明的整体逻辑如图1所示，通过水下无人艇的声呐雷达阵列传感器在多种海域采集轨迹数据，确保数据的全面性和鲁棒性。本发明核心在于结合多头注意力机制和境交互特征引入目标潜艇轨迹预测模型中提供数网络对环境数据进行特征提取以得到目标潜艇环i条所收集的数据中的潜艇在时间时刻T所对应的具体三维坐[0056]其中，Gzf表示第i条环境障碍物位置数据中第p个障碍物的位置序列数据，且据作为目标潜艇历史轨迹序列数据，将目标潜艇其时间步长Te[TLS+1,TY]的位置数[0059]将目标潜艇历史轨迹序列数据Gsi、目标潜艇环境障碍物位置数据czr作为目标到目标潜艇环境障碍物位置数据集GZ，对采集到的目标潜艇所对应的每条预测轨迹数据动融合目标潜艇位置轨迹时间序列数据的特征以及周边障碍物三维坐标时间序列数据的本发明基于图神经网络去提取目标潜艇与环境周边障碍物的交互特征以进一步增强对目目标潜艇的相互关系，对于其中的E个障碍物而言每个障碍物对目标潜艇的轨迹影响是不激活函数对每个节点特征进行激活，得到各个节点的激活特征Feajd。基于激活特征一条边的特征Feab：[0070]其中，sigmoid(*)表示sigmoid激活函数，Relu(*)表示Relu激活函数，Ful1(*)代表全连接层操作函数；eat(*)代表图神经网络层操作函数；条序列数据GS,,qe[1,NM]，N为数据集规模；通过全连接层对序列数据进行向量编取到的目标潜艇环境障碍物特征EOFa引入到此目标潜艇轨迹预测模型中。在进行目标潜艇轨迹预测时，需要同时考虑编码后的潜艇历史轨迹特征数据FCS,以及环境障碍物特征数据EOFa。本发明设计了一个自注意力机制模块对特征FCS,和特征EOFa进行自适应融发明中设计了多头注意力机制模块以对融合特征CON,进行多层次的特征提取。在多头注现对融合特征CON,在不同层次上的特征提取，随后对得到的八个层次的特征进行加权处Query,key,value三个不同的特征矩阵上：[0079]其中，f,(*)fr(*)fo(*)分别表示矩阵Query,key,value的矩阵映射Query,key,valuef分别表示融合特征CON,映射得到的第i组Query,key,value特征矩阵。:中总共设计了8组特征矩阵即有八个注意力头。本发明中，将8个注意力头的输出特征取模块中包含前向LSTM网络特征提取单元以及反向LSTM网络[0085]在前向LSTM网络特征提取单元中，将多层次融合特征Feadzg在时间维度上按照从前到后的顺序排列得到的对应的正向时间特征Featq，并输入前向LSTM网络特征提取单[0086]其中，Fealq表示处理后的正向时间特征，lstmq代表前向LSTM网络特征提取单而在反向LSTM网络特征提取单元中，将多层次融合特征Feadzg在时间维度上按alf表示处理后的反向时间特征，lstmf代表反向LSTM网络特征提取单随后对处理后的正向时间特征Fealq和处理后的反向时间特征Fealf进行特征送入两个全连接层进行进一步调整以得到最终预测的轨迹预测在本发明中采用了模型交互学习的训练策略对目标潜艇轨迹预测模型进行训练，本发明在增强模型对复杂轨迹学习效果的同时，也提升了整体轨迹预测的准确性和稳定Te[TLS+1,TY]的轨迹位置，因此，定义损失函数LOSSZ,Lossf为：轨迹预测模型进行训练，其中一个模型作为主模型Mode1z其训练完毕后作为实际使用的S1，利用在目标域中采集得到数据集对主模型Mode1z进行预训练，并利用损失函数LOSSZ计算得到的损失值LZ结合梯度下降法对模型参数进行优S2，主模型Mode1Z迭代训练D次后，此时为了进一步提升目标潜艇轨迹预测的全场景化能力，利用源域中采集得到数据集GSP,GZP和GYP中的数据对副模型对主模型Mode1z进行训练和优化，并将混合迭代训练中首轮得到的主模型网络参数定义为oz1；利用数据集GSP,GZP和GYP对副模型ModelF进行训练a"=z*softmax(3*Ln+Lf)softmax(*)表示softmax归一化函数；基于所设计的目标潜艇轨迹预测模型并基于所描述的目标潜艇轨迹预测模型训测模型部署到无人艇中，以帮助无人艇对目标潜艇进行轨迹预测并实现对其稳定的跟踪。面向无人艇的目标潜艇路径预测模型与跟踪方法实际部署流程图轨迹预测信息分析处理：采集时间Te[1,TLS]下的目标潜艇轨迹序列数据以及目标潜艇周边障碍物的位置序列数据并将此数