基于航迹匹配与SSA-GRU的多目标轨迹预测

针对空战环境下多目标轨迹预测问题,提出了基于航迹匹配与麻雀搜索算法(SSA:Sparrow Search Algorithm)-门控循环单元(GRU:Gate Recurrent Unit)的多目标轨迹预测方法。首先基于归属未知的多目标航迹点时序数据,采用基于密度的带噪声空间聚类算法(DBSCAN:Density-Based Spatial Clustering of Applications with Noise)实现在目标个数未知的情况下多目标-航迹匹配;在此基础上,构建目标轨迹预测GRU模型,并采用SSA对GRU网络参数进行优化,确定最优神经元个数,提升轨迹预测模型性能。仿真结果表明,基于航迹匹配与SSA-GRU的多目标轨迹预测方法能够有效识别匹配多个目标航迹,并实现各目标轨迹预测。

面向船舶智能航行的多目标轨迹预测算法

针对目前预测算法中船舶轨迹样本分布不均衡、群体交互关系利用率低及预测结果不符合船舶运动学特性等问题,提出了一种基于稀疏图卷积网络(S-GCN)的多目标轨迹预测算法.首先,设计了可学习的非概率采样网络(NPSN)以生成分布均衡的轨迹样本;其次,基于船舶个体与群体的关系提出了船舶集群表示方法以推断符合海事规则的多目标交互方式;最后,采用交互式多模型(IMM)状态估计算法对预测轨迹进行了滤波修正以满足船舶运动学机理.实验结果表明:所提出的算法性能有了较大提升,平均位移误差(ADE)和终点位移误差(FDE)分别为17.06 m和29.49 m,优于S-GCN和其他现有的常用预测算法.