【技术领域】
本发明涉及行人模式分析领域，具体涉及一种用于机器人路径规划的行人轨迹预测方法。
背景技术：
随着近年来机器人行业的发展，机器人不再只存在于生产线上，社交型机器人逐渐进入了人们的日常生活，它们通过在日常环境中与用户进行近距离交互，来提供一些社交类服务。在人机交互的环境中，最重要的一点就是行人的安全问题，如何科学地避障行人、避免阻塞行人成为服务机器人导航任务中的首要任务。在避障问题上，对于静态障碍物的避障已经较好地被解决，但是对有意识的行人避障不能简单地当成静态障碍物处理，如若处理不当可能会阻碍行人未来轨迹，给行人来带不好的体验。所以如何合理地避障移动中的行人是目前服务机器人研究的一个重要目标。
技术实现要素：
为了解决现有技术中的上述问题，本发明提出了一种用于机器人路径规划的行人轨迹预测方法。
本发明采用的技术方案具体如下：
一种用于机器人路径规划的行人轨迹预测方法，所述方法基于预测区域全局进行预测，包括如下步骤：
(1)将整个预测区域按照一定的大小划分成多个网格，记第x行第y列的网格为g(x，y)；
(2)针对任意一个网格g(x，y)，统计从不同方向vi进入该网格的行人个数n(vi，x，y)，其中1≤i≤d，d是方向的数量；
(3)在预定义的一段时间内，对以某一个方向进入某个网格的行人进行统计学习，通过对这些行人进入该网格前的历史轨迹、进入该网格后的未来轨迹，以及该行人的目标点位置这三个方面来统计相应的行人数据；
(4)根据上述步骤得到行人数据，对行人的目标点进行聚类，设目标点的聚类结果为k个簇s1，s2，……，sk；
(5)假设对于从方向vi进入网格g(x，y)的行人中，历史目标点位于簇sj的行人个数为n(vi,x,y,k)，则这些行人中，最后到达sj的概率p(vi,x,y,j)为：
(6)基于上述概率，以及目标行人的历史轨迹，对目标行人的目标点进行预测。
进一步地，还包括行人目标点局部预测方法，所述局部预测方法包括：根据目标行人的历史轨迹，确定目标行人由于其他影响者而发生轨迹变动的时刻t，设该时刻t目标行人f的坐标位置为(xf，yf)，影响者e的坐标位置(xe，ye)，以e为圆心做一个半径为0.5米的个人空间圆p，过f做圆p的两条切线m和n，相对于目标行人f，两条切线m、n、圆p与视野边界所围成的范围构成了圆p的后方，该后方即为目标行人的估计目标点范围pda。
进一步地，所述网格为边长为0.5米的正方形。
进一步地，所述方向是事先划分好的，将行人进入网格的方向分成d个区间，同一个区间内的都认为是同一个方向vi。
进一步地，d＝8。
进一步地，步骤(4)中，采用改进的自动k-means聚类方法先对行人的目标点进行聚类，具体包括：首先规定最终的优化结果为每一簇各个点到这一簇中心点的平均距离davg(i)不超过最大平均中心距离dmax，其中i≤k；接着遍历k，计算对于每一个k值每一簇的中心点平均距离davg(i,k)，直到某一个k值可以满足对任意i∈[1,k]，davg(i,k)≤dmax，则认为聚类完成。
进一步地，根据目标行人最近时刻是从哪个方向进入到当前网格，则根据步骤5计算的概率获取该行人未来目标点所在簇的概率分布，概率最高的目标点簇和当前位置的连线就是概率最高的未来轨迹。
本发明的有益效果为：可以有效地预测行人的未来行进轨迹，从而为机器人自身的行进提供指导，提高了机器人路径规划的效率。
【附图说明】
此处所说明的附图是用来提供对本发明的进一步理解，构成本申请的一部分，但并不构成对本发明的不当限定，在附图中：
图1是本发明行人目标点局部预测结果图。
【具体实施方式】
下面将结合附图以及具体实施例来详细说明本发明，其中的示意性实施例以及说明仅用来解释本发明，但并不作为对本发明的限定。
为了更好的提前避开行人可能的轨迹，预测行人轨迹则成为了服务机器人轨迹规划中的要点。行人的轨迹实际上受其意识驱动——行人的目标点以及环境特征最终决定了行人的轨迹。如果可以直接预测出行人可能的目标点，再结合当前轨迹情况去预测轨迹，则可以从意图上来完成预测，提高预测质量。
与机器人路径规划类似，对行人轨迹的预测可以分为全局预测与局部预测两部分。全局预测就是基于环境特征(如环境边界或固定障碍物)对行人的影响，来研究在某一环境中行人轨迹如何变化。局部预测则是排除了固定的环境特征全局影响之后，基于行人与移动物(如行人、移动机器人)之间互相影响来研究行人轨迹变化的原因，从而进行局部轨迹预测。结合这两种方法则可以比较合理地根据历史轨迹来预测一个环境中的某一行人的未来轨迹，从而为机器人路径规划提供指导。
首先对本发明行人轨迹的全局预测方法进行说明，
(1)将整个预测区域按照一定的大小划分成多个网格。网格的具体大小可以根据实际情况来确定，优选的，将网格设置成边长0.5米的正方形。记第x行第y列的网格为g(x，y)。
(2)针对任意一个网格g(x，y)，统计从不同方向vi进入该网格的行人个数n(vi，x，y)。其中1≤i≤d，d是方向的数量。
这里的方向是事先划分好的，将行人进入网格的方向均分成多个区间(下面以优选的8个区间为例，即d＝8)，同一个区间内的都认为是同一个方向vi(1≤i≤8)。行人进入网格的方向可以在某种程度上代表行人的行进意图。
(3)在预定义的一段时间内，对以某一个方向进入某个网格的行人进行统计学习，通过对这些行人进入该网格前的历史轨迹、进入该网格后的未来轨迹，以及该行人的目标点位置这三个方面来统计相应的行人意图。针对每个网格的每个方向都进行上述的统计学习，可以获得大量的行人数据。
(4)根据上述步骤得到行人数据，对行人的目标点进行聚类。
得到进入某一网格的某一速度方向下的行人数据后，最有价值的数据就是视野中行人的最终目标点。但是此时我们得到的行人目标点是无规律的，无法用网格来对其进行描述，所以拟采用本发明改进的自动k-means聚类方法先对行人的目标点进行聚类。
本发明使用限制簇内平均中心距离最大值的方式来为目标点进行聚类。首先规定最终的优化结果为每一簇各个点到这一簇中心点的平均距离davg(i)不超过最大平均中心距离dmax，其中i≤k，k是k-means簇个数；接着遍历该k-means簇个数k，计算对于每一个k值每一簇的中心点平均距离davg(i,k)，直到某一个k值可以满足对任意i∈[1,k]，davg(i,k)≤dmax，则认为聚类完成。
(5)得到行人目标点聚类结果后，目标点由无规律点变为离散的k个簇s1，s2，……，sk，便于据此来计算行人轨迹目标点的概率。假设对于从方向vi进入网格g(x，y)的行人中，历史目标点位于簇sj(1≤j≤k)的行人个数为n(vi,x,y,k)，则这些行人中，最后到达sj的概率p(vi,x,y,j)为：
(6)基于上述概率，以及目标行人的历史轨迹，就可以对目标行人的目标点进行预测，从而预测其可能的轨迹。
具体地，根据目标行人最近时刻是从哪个方向进入到当前网格，则可以根据步骤5计算的概率获取该行人未来目标点所在簇的概率分布，概率最高的目标点簇和当前位置的连线就是概率最高的未来轨迹。
在行人刚开始出现时，行人轨迹只有一小部分，如果行人出现在历史轨迹比较多的位置，对其轨迹最终走向较难判断，所以这时的判断可能会发生偏差。随着时间的推移，轨迹的走向越来越明显，可以利用的信息也越来越多，就可以比较合理地预测出轨迹的目标点。
上述过程是本发明行人轨迹的全局预测过程。但是还可以根据目标行人与移动物之间的相互影响进行局部预测。如果目标行人由于某一行人而发生轨迹变化，那么目标行人很可能是想要达到此行人的后方，根据这一思路，本发明提出了一个简单有效的行人目标点局部预测方法。
参见附图1，根据上述原理，首先根据目标行人的历史轨迹，确定目标行人由于其他影响者而发生轨迹变动的时刻t，设该时刻t目标行人f的坐标位置为(xf，yf)，影响者e的坐标位置(xe，ye)，假定以e为圆心存在一个半径为0.5米的个人空间圆p(即目标行人不会接近e周围0.5米内)，过f做圆p的两条切线m和n。相对于目标行人f，两条切线m、n、圆p与视野边界所围成的范围构成了圆p的后方，该后方即为目标行人的估计目标点范围pda(possibledestinationarea)。结合该估计的目标点范围pda，可以对上述全局预测方法得到的预测结果进行筛选，从而排除目标点不在该pda的预测路线。
以上所述仅是本发明的较佳实施方式，故凡依本发明专利申请范围所述的构造、特征及原理所做的等效变化或修饰，均包括于本发明专利申请范围内。