针对人类示教轨迹样本存在的时间和空间不对齐导致难以提取运动特征的问题,首先提出了基于典型时间规整(Canonical Time Warping,CTW)算法用于多条轨迹对齐的方法,并将其引入到软-动态时间规整(soft-dynamic time warping,soft-DTW)算...针对人类示教轨迹样本存在的时间和空间不对齐导致难以提取运动特征的问题,首先提出了基于典型时间规整(Canonical Time Warping,CTW)算法用于多条轨迹对齐的方法,并将其引入到软-动态时间规整(soft-dynamic time warping,soft-DTW)算法中以提取轨迹模板,其次在CTW算法中引入了一个新的变量,以提升CTW算法在对齐多条轨迹方面的能力;最后,在实验中利用多种轨迹验证了所提出的轨迹模板提取方法,实验结果表明所提出的方法可以从人类示教轨迹中快速地提取共有的运动特征,并且对示教轨迹在时间和空间上的差异具有较好的鲁棒性.展开更多
文摘针对人类示教轨迹样本存在的时间和空间不对齐导致难以提取运动特征的问题,首先提出了基于典型时间规整(Canonical Time Warping,CTW)算法用于多条轨迹对齐的方法,并将其引入到软-动态时间规整(soft-dynamic time warping,soft-DTW)算法中以提取轨迹模板,其次在CTW算法中引入了一个新的变量,以提升CTW算法在对齐多条轨迹方面的能力;最后,在实验中利用多种轨迹验证了所提出的轨迹模板提取方法,实验结果表明所提出的方法可以从人类示教轨迹中快速地提取共有的运动特征,并且对示教轨迹在时间和空间上的差异具有较好的鲁棒性.
文摘针对传统的神经网络模型因超参数众多,在实验中比对最优参数组合效率低下导致误差较大和反应速度慢的问题。本文提出一种基于北方苍鹰优化(Northern Goshawk Optimization,NGO)算法和双向门控循环单元神经网络(Bidirectional Gated Recurrent Unit, Bi-GRU)的船舶轨迹预测模型NGO-Bi-GRU(Northern Goshawk Optimization Bidirectional Gated Recurrent Unit)。利用NGO对Bi-GRU模型的学习率、隐藏节点和正则化系数进行寻优,然后将寻优得到的网络超参数代入Bi-GRU进行船舶轨迹预测。将该模型与长短时记忆神经网络(Long Short Term Memory, LSTM)和门控循环单元神经网络模型(Gated Recurrent Unit, GRU)以及使用该算法优化的长短期神经网络模型进行实验对比,将均方误差、均方根误差、平均绝对误差作为评价标准。结果表明,NGO-Bi-GRU模型在经度和纬度预测上误差较小、精确度较高且数值波动更加稳定。
