TAILIEUCHUNG - Dự đoán vị trí tiếp theo của vật thể dựa vào quỹ đạo quá khứ

Bài viết Dự đoán vị trí tiếp theo của vật thể dựa vào quỹ đạo quá khứ đề xuất sử dụng mô hình Long Short-term Memory với cơ chế skip connection thay cho KF để thực hiện tác vụ này. Hơn thế, chúng tôi cũng bổ sung hàm mất mát CIOU hay vì hàm trung bình bình phương sai số (Mean Square Error -MSE). | Tuyển tập Hội nghị Khoa học thường niên năm 2022. ISBN 978-604-82-7001-8 DỰ ĐOÁN VỊ TRÍ TIẾP THEO CỦA VẬT THỂ DỰA VÀO QUỸ ĐẠO QUÁ KHỨ Nguyễn Văn Nam Trường Đại học Thủy lợi email nvnam@ 1. GIỚI THIỆU quả đạt được. Và phần cuối cùng chúng tôi sẽ đưa ra các kết luận cũng như thảo luận về Dự đoán vị trí tiếp theo của vật thể dựa vào hướng đi tương lai của phương pháp này. quỹ đạo trong quá khứ là một trong những tác vụ quan trọng để thực hiện theo dõi nhiều vật 2. PHƯƠNG PHÁP NGHIÊN CỨU thể đồng thời Multiple Object Tracking . Hiện tại thuật toán Kalman Filter KF 1 A. Vấn đề được sử dụng để giải quyết bài toán. Tuy đạt Cho R chuỗi quỹ đạo Ti i 1 R với độ dài kết quả chính xác tương đối tốt nhưng thời Ti Cti 1 Cti 2 .Cti N trong đó mỗi C là tọa gian tính toán của thuật toán vẫn là khá cao khi phải sử dụng tính toán ma trận ngược và không độ góc trên trái và góc dưới phải các hộp bao tận dụng được cơ chế theo lô để tối ưu. đóng. Ta sẽ sử dụng Ti đưa ra dự đoán về Cti. Trong bài báo này chúng tôi đề xuất sử Trong đây chúng tôi sử dụng mô hình so dụng mô hình Long Short-term Memory 2 sánh kết quả với N 3 5 7 9 . LSTM với cơ chế skip connection thay cho B. Kiến trúc mô hình KF để thực hiện tác vụ này. Hơn thế chúng tôi cũng bổ sung hàm mất mát CIOU 3 thay Mô hình đề xuất bao gồm 3 phần chính vì hàm trung bình bình phương sai số Mean gồm 5 lớp LTSM 2 kết hợp skip-connection Square Error -MSE . để trích xuất các đặc điểm từ chuỗi đầu vào CNN1D Convolutional Neural Network 1D 5 và Maxpooling để giảm chiều và trích xuất ra các đặc trưng lớn nhất. Hình 1. Kết quả với N khác nhau Phần còn lại của báo cáo này được trình bày Hình 2. Mô hình LSTM-Skipconnection theo trình tự sau phần 2 chúng tối sẽ mô tả về vấn đề và phương pháp mà chúng tôi sử dụng Ý tưởng skip connection được lấy từ mạng để giải quyết bài toán. Phần 3 trình bày về kết DenseNet 4 giúp mô hình có thể học nhanh 271 Tuyển tập Hội nghị Khoa học thường niên năm 2022. ISBN 978-604-82-7001-8 hơn tránh mất mát

• Kỹ thuật lập trình
• Thuật toán Kalman Filter
• Mô hình Long Short term Memory
• Quỹ đạo quá khứ
• Nhiều vật thể đồng thời
• Tính toán ma trận ngược