【扩散模型+轨迹预测】之二：相关思考

已于 2024-04-10 08:33:48 修改
阅读量528 收藏 9
点赞数 5
文章标签： python
于 2024-02-22 16:53:27 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_42828571/article/details/136234055
版权

目录

关于目标的【预测】和POD的【控制】，如果控制得准确又及时，那么画面中的目标始终处于中心，不存在roi轨迹

如果控制不够好，不能将目标锁定在画面中心，那么此时利用预测来辅助控制的话，会导致两者相互掣肘，越控越差、越预测越离谱

因此需要拿目标相对地面的运动轨迹来做预测。

假定：

  • 飞机高度H=3000米
  • 目标初始化区域为半径R=9000米的圆C
  • 目标速度变化范围为0-72km/h(0-20m/s)
  • 暂时不考虑目标的高度变化
  • 读取10s，预测10s

生成数据

  • 每个训练回合开始，目标在随机位置初始化，方向随机，速度随机，运动方式随机（静止/匀速/变速/混合，直线/左转/右转/混合）
  • 每个训练回合中，目标在C中的运动步数STEPS需要结合论文和代码以进一步确认
  • 间隔0.01秒保存目标位置，每组数据采样60s

网页

DeepSeek-Coder
感觉每天生成的代码都不一样，看样子每天都在训练

prompt

py写程序：
1、生成一个随机整数A，A只能为1或2或3，打印A
2、定义一个小车B，B前向速度为0m/s到20m/s之间的随机大小S
3、当A为1，B作直线运动、且初始方向与X轴的夹角随机；
4、当A为2，前进方向与X轴的夹角的角速度为5°/s到30°/s之间的随机大小，B初始方向与X轴的夹角随机
5、当A为3，前进方向与X轴的夹角的角速度为-5°/s到-30°/s之间的随机大小，B初始方向与X轴的夹角随机
6、B运行10秒，取样间隔为0.01秒
7、将以上过程重复1000遍，将B的所有运动轨迹点在同一张图里画出来

生成代码

import random
import matplotlib.pyplot as plt
import numpy as np

# Function to simulate the car's motion
def simulate_car_motion(S, A, total_time=10, time_step=0.01):
    # Initialize the car's position and direction
    x, y, theta = 0, 0, 0  # Initial position at the origin, initial direction along the X-axis

    # Determine the car's motion based on A
    if A == 1:
        # Straight line motion
        theta = random.uniform(0, 2 * np.pi)  # Random initial direction
    elif A == 2:
        # Left turn
        theta = random.uniform(0, 2 * np.pi)  # Random initial direction
        theta_dot = np.deg2rad(random.uniform(5, 30))  # Random angular velocity for left turn
    elif A == 3:
        # Right turn
        theta = random.uniform(0, 2 * np.pi)  # Random initial direction
        theta_dot = np.deg2rad(random.uniform(-30, -5))  # Random angular velocity for right turn

    # Simulate the car's motion
    positions = [(x, y)]
    num_steps = int(total_time / time_step)

    for _ in range(num_steps):
        x += S * time_step * np.cos(theta)
        y += S * time_step * np.sin(theta)
        positions.append((x, y))
        if A == 2 or A == 3:
            theta += theta_dot * time_step

    return positions

# Set up the plot
plt.figure(figsize=(10, 8))

# Repeat the simulation 1000 times
for _ in range(1000):
    # Generate a random integer A, which can be 1, 2, or 3
    A = random.choice([1, 2, 3])
    # Define the car's forward speed S
    S = random.uniform(0, 20)
    # Simulate the car's motion
    positions = simulate_car_motion(S, A)
    # Plot the car's trajectory
    x_values, y_values = zip(*positions)
    plt.plot(x_values, y_values, linewidth=0.5, color='blue', alpha=0.1)

# Set plot properties
plt.title('Trajectories of Car B')
plt.xlabel('X Position')
plt.ylabel('Y Position')
plt.grid(True)
plt.axis('equal')  # Set the aspect ratio of x and y axes to be equal
plt.tight_layout()
plt.show()

在这里插入图片描述

修改后

import random
import matplotlib.pyplot as plt
import numpy as np

# Function to simulate the car's motion
def simulate_car_motion(S, A, total_time=10, time_step=0.01):
    # Initialize the car's position and direction
    x, y, theta = 0, 0, 0  # Initial position at the origin, initial direction along the X-axis

    # Determine the car's motion based on A
    if A == 1:
        # Straight line motion
        theta = random.uniform(0, 2 * np.pi)  # Random initial direction
    elif A == 2:
        # Left turn
        theta = random.uniform(0, 2 * np.pi)  # Random initial direction
        theta_dot = np.deg2rad(random.uniform(5, 30))  # Random angular velocity for left turn
    elif A == 3:
        # Right turn
        theta = random.uniform(0, 2 * np.pi)  # Random initial direction
        theta_dot = np.deg2rad(random.uniform(-30, -5))  # Random angular velocity for right turn

    # Simulate the car's motion
    positions = [(x, y)]
    num_steps = int(total_time / time_step)

    for _ in range(num_steps):
        x += S * time_step * np.cos(theta)
        y += S * time_step * np.sin(theta)
        positions.append((x, y))
        if A == 2 or A == 3:
            theta += theta_dot * time_step

    return positions

# Set up the plot
plt.figure(figsize=(10, 8))

# Repeat the simulation 1000 times
for _ in range(1000):
    # Generate a random integer A, which can be 1, 2, or 3
    A = random.choice([1, 2, 3])
    # Define the car's forward speed S
    S = random.uniform(0, 20)
    # Simulate the car's motion
    positions = simulate_car_motion(S, A)
    # Plot the car's trajectory
    x_values, y_values = zip(*positions)
    plt.plot(x_values, y_values, linewidth=0.5, color='blue', alpha=0.1)

# Set plot properties
plt.title('Trajectories of Car B')
plt.xlabel('X Position')
plt.ylabel('Y Position')
plt.grid(True)
plt.axis('equal')  # Set the aspect ratio of x and y axes to be equal
plt.tight_layout()
plt.show()

在这里插入图片描述

给预测模型之前的数据预处理

  • 在生成数据中进行取样，相邻数据间的时间间隔为t，服从正态分布
  • t取值范围为(20/60, 90/60)，该范围外的忽略掉
  • t的均值暂定0.5

升级版代码

import random
import numpy as np
import matplotlib.pyplot as plt
import pandas as pd

# 定义小车类
class Car:
    def __init__(self, speed, direction):
        self.speed = speed  # 速度以米/秒为单位
        self.direction = np.radians(direction)  # 将角度转换为弧度
        self.x, self.y = 0,0
        self.positions = [(self.x, self.y)]

    def move(self, dt, steering_angle=0):
        # 计算小车的位置变化
        dx = self.speed * np.cos(self.direction) * dt
        dy = self.speed * np.sin(self.direction) * dt
        self.x += dx
        self.y += dy
        self.positions.append((self.x, self.y))

        # 更新小车的方向（如果有转向）
        if steering_angle != 0:
            self.direction += np.radians(steering_angle * dt)

# 初始化轨迹图
fig, ax = plt.subplots()

# 用于保存所有轨迹点的DataFrame
all_positions = pd.DataFrame(columns=['x', 'y', 'mode'])

# 打开一个txt文件以写入轨迹点
with open('car_trajectories.txt', 'w') as file:
# 重复100遍模拟
    for _ in range(5000):
        # 小车B的初始速度和方向
        speed = random.uniform(5, 20)  # 速度以米/秒为单位
        initial_direction = random.uniform(0, 360)
        car_B = Car(speed, initial_direction)
        
        print("-----: ",_)

        # 模拟B运行10秒
        dt = 0.01  # 取样间隔
        step = 0
        file.write(f'{0}\t{0}\t{0}\t{"first"}\n')
        for t in np.arange(0, 20, dt):
            step = step+1
            
            # 随机选择运动模式
            if t % 5 <= 0.01:  # 使用0.01的容忍值来确保在整秒时重新生成A
                # A = random.randint(1, 3)
                mode = random.choice(['straight', 'curve1', 'curve2', 'mixed', 'circle'])
                print("mode:", mode)

            if mode == 'straight':
                # 直线运动，不改变方向
                car_B.move(dt)
            elif mode == 'curve1':
                # 曲线运动，改变方向
                steering_angle = random.uniform(5, 20)  # 角速度在-20°/s到20°/s之间
                car_B.move(dt, steering_angle)
            elif mode == 'curve2':
                # 曲线运动，改变方向
                steering_angle = random.uniform(-20, -5)  # 角速度在-20°/s到20°/s之间
                car_B.move(dt, steering_angle)
            elif mode == 'mixed':
                # 直线加曲线运动，改变方向
                if random.random() < 0.5:  # 50%的概率直线运动
                    car_B.move(dt)
                else:  # 50%的概率曲线运动
                    steering_angle = random.uniform(-20, 20)
                    car_B.move(dt, steering_angle)
            elif mode == 'circle':
                # 圆形运动，保持方向不变，但速度会变化
                # 这里我们简化为匀速圆周运动
                car_B.move(dt)
                
            # 将轨迹点写入文件
            file.write(f'{step}\t{car_B.positions[-1][0]}\t{car_B.positions[-1][1]}\t{mode}\n')
            

        # 绘制小车的轨迹
        x_coords = [pos[0] for pos in car_B.positions]
        y_coords = [pos[1] for pos in car_B.positions]
        ax.plot(x_coords, y_coords, linewidth=1, alpha=0.2)

# 显示轨迹图
ax.set_aspect('equal', 'datalim')
ax.set_title('Car Trajectories')
ax.set_xlabel('X Coordinate')
ax.set_ylabel('Y Coordinate')
ax.grid(True)
plt.show()

还需考虑的内容

  • 任务泛化能力在哪里？如果设定了圆心位置、而目标在圆C之外该如何解决？
    • 可以将每次扩散预测计算的原点定义在在输入数据的第一个点上面，这样就不必要训练训练一个像圆C那样超大的扩散地图！模型不需要学会目标在地图各个地方的运动样式，具备真正的泛化能力、同时训练成本小
    • 将思路延伸到这里，似乎一般的神经网络已经能够胜任此工作，后面可以作出探索
  • 获得目标的位置会有极大的噪声，甚至目标的运动还不如噪声和误差显著！这个以后再处理
    • 实际环境中，喂给预测模型的数据需要经过适当的滤波处理
    • 预测模型需要具备噪声处理能力吗？可以一试，直接将目标的轨迹先加噪声后喂给预测模型
    • 或者将目标的轨迹先加噪声、待滤波平滑后再发给预测模型？
  • 输入数据和输出预测数据的长短应当可控，这个以后再处理
    • 训练的时候可以用较长的输入数据，当输入数据较短时采用插值的方式？并无不妥
    • 限制输出预测轨迹的长度是有意义的
    • 用扩散模型的一个优势在于使用步数来预测未来轨迹，输入数据的步数和
方小汪
关注
  • 5
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
了解扩散概率模型 （DPM）
gongdiwudu的专栏
08-19 3777
对复杂的概率分布进行建模是机器学习的核心问题。如果这个问题可以出现在不同的形状下，最常见的设置之一如下：给定仅由一些可用样本描述的复杂概率分布，如何生成新样本？
MATLAB算法实战应用案例精讲-【深度学习】扩散模型(DM)（补充篇）
qq_36130719的博客
12-12 1481
概念和定义根据扩散模型的定义，统一的框架可以被描述为两个独立的过程—即前向过程和反向的过程。每个过程有许多性质相似的步骤组成，分别为前向步骤和反向步骤，对于过程中的任意时间t，模型的整体可以被表述为。
【扩散模型+轨迹预测】之一：初步调研
方小汪的博客
02-21 1192
扩散模型+轨迹预测
轨迹预测Leapfrog Diffusion Model for Stochastic Trajectory Prediction
qq_43210957的博客
05-05 1593
为了模拟人类行为的不定性，随机轨迹预测需要对未来轨迹进行复杂的多模式分布建模。新兴的扩散模型在多种生成任务中展示了巨大的表示能力，显示出对随机轨迹预测的潜力。然而，由于确保足够的表示能力需要大量的去噪步骤，因此扩散模型难以实现实时预测。为了解决这个困境，我们提出了 LEapfrog Diffusion 模型 (LED),这是一种基于扩散的新颖轨迹预测模型，能够提供实时、精确和多样化的预测。
何为轨迹预测？我们为什么需要轨迹预测？
小白学视觉
11-10 1295
点击上方“小白学视觉”，选择加"星标"或“置顶” 重磅干货，第一时间送达本文只做学术分享，如有侵权，联系删文一、何为轨迹预测自动驾驶中，轨迹预测一般位于感知模块的后端，规控的前端，为承上启下的模块。输入为感知模块提供的目标track的state信息、道路结构信息，综合考量高精地图信息、目标之间的交互信息，环境的语义信息及目标的意图信息，对感知到的各类目标做出意图预测(cut in/out、直行)以...
扩散模型(Diffusion)最新综述+GitHub论文汇总-A Survey On Generative Diffusion
weixin_44603934的博客
12-07 5427
diffusion模型详解
生成式~扩散模型
whaosoft143ai的博客
02-02 1136
001 (2024-02-1) Distilling Conditional Diffusion Models for Offline Reinforcement Learning through Trajectory Stitching https://arxiv.org/pdf/2402.00807.pdf002 (2024-02-1) AnimateLCM Accelerating the Animation of Personalized Diffusion Models and Ad
ChatGPT技术原理解析：从RL之PPO算法、RLHF到GPT4、instructGPT
热门推荐
结构之法 算法之道
01-15 18万+
本篇ChatGPT笔记会全力做到，通俗易懂且循序渐进(尽最大努力让每一个初学者哪怕是文科生都能没有障碍的读懂每一字一句、每一个概念、每一个公式) 一方面，对于想了解ChatGPT背后原理和如何发展而来的，逐一阐述从GPT/GPT2/GPT3到强化学习、PPO算法，最后再到instructGPT、ChatGPT、SeqGAN 且本文之前，99%的文章都不会把PPO算法从头推到尾，本文会把PPO从零推到尾，按照“RL-策略梯度-重要性采样(重要性权重)-TRPO(增加信任区域和KL散度约束)-PPO”的顺序逐步
扩散模型（Diffusion Model）最新综述！
zandaoguang的博客
09-15 1万+
点击上方“视学算法”，选择加"星标"或“置顶”重磅干货，第一时间送达本综述来自西湖大学李子青实验室、香港中文大学Pheng-Ann Heng和浙江大学陈广勇团队，对现有的扩散生成模型进行了全面的回顾。本文首先提出了diffusion model改进算法的细化分类与深度解析，同时对diffusion model的应用进行了系统的回顾，最后率先汇总领域内benchmarks。这也促进了后续工作《Dif...
扩散模型+CV与NLP科研笔记
09-19
扩散模型+CV与NLP科研笔记 本笔记涵盖了扩散模型、计算机视觉（CV）和自然语言处理（NLP）等领域的研究成果，涉及到扩散模型、 score-based generative models、Consistency Models 等热门研究方向。通过对扩散模型...
IDDM：集成设计扩散模型
06-06
IDDM: 集成设计扩散模型 IDDM (Integrated Design Diffusion Model) 项目致力于探索和改进基于扩散模型的设计生成技术。该项目包含三个主要目标：模型复现: 重现现有的设计扩散模型，例如 DALL-E 2、Stable ...
高斯扩散模型matlab代码-phardi:帕尔迪
05-26
高斯扩散模型matlab代码自述文件 并行高角度分辨率扩散成像（pHARDI）是用于从扩散磁共振成像（dMRI）数据进行GPU / CPU加速的体素内重建方法重建的工具包。 它旨在支持多种设备中的多个线性代数加速器，例如多核GPU...
水环境水质模型预测软件，一维模型、二维模型
04-11
水环境水质模型预测软件是用于分析和预测水体中污染物分布和变化的重要工具，它能够帮助环保专家、工程师以及研究人员理解和评估水环境的健康状况。本文将深入探讨该软件涉及的关键概念、应用领域以及其核心功能。 ...
扩散模型面试题目及其答案.docx
04-03
扩散模型是计算机视觉和图像处理中的一个重要概念，其灵感来源于自然界的扩散现象，例如热量或颗粒物质在空间中的均匀扩散过程。在计算机视觉中，扩散模型主要被用于图像的去噪、锐化和边缘检测等多种任务，通过模拟...
cv2读取和保存图片
最新发布
m0_53291740的博客
07-12 94
cv2.imwrite('b\\img1.png',img)#b存在就可以保存进去。如果b存在，c不存在，程序不会报错，也不会保存图片。如果目录b不存在就会存到当前文件夹。
面试题 21：解释 Python 中的 help() 函数和 dir() 函数？
专注于全栈开发领域
07-10 731
在Python中，help()和dir()是两个非常有用的内置函数，它们可以帮助开发者更好地了解Python对象和模块。
聊聊如何在内网下构建大模型微调环境
python1234567_的博客
07-12 549
LlamaFactory新版更新后，还是比较方便，只是说llamafactory-cli命令的确是有点蒙，踩个坑就好了。对于LlamaFactory微调来说，本身不难，毕竟都是配置；主要是在内网环境下的依赖包拉取安装是真麻烦，但其实也还好。走一遍的话，还是可以学到很多的。​。
基数排序算法Python实现
PeterClerk的博客
07-09 547
基数排序算法实现
扩散模型+prompt实现风格转换
12-01
扩散模型（Diffusion Model）是一种经典的数学模型，用于描述在空间中某个特定情景下信息、物质或能量的传播和扩散过程。在实现风格转换的问题中，扩散模型可以被运用来模拟风格间的传播和融合。 风格转换是指将一张图像的风格转变为另一种风格，比如将一幅油画风格的图像转换为卡通风格。利用扩散模型，可以将源图像的风格信息沿着空间传播和扩散，逐渐融合到目标风格上。 首先，我们将源图像和目标风格划分为小块，每个小块包含像素的风格特征。然后，在源图像中选取一个小块为种子，将其风格特征与目标风格相融合。接下来，将该融合后的小块的风格特征以一定速率传播到周围的邻近小块上，并继续扩散。 扩散的速度可以根据邻近小块的距离和相似度进行调整，距离越远和相似度越低，传播速度越慢。这样，源图像的风格特征就会逐渐传播到整个图像上，并与目标风格融合，实现风格转换。 在实际应用中，我们可以通过调整扩散速度、传播范围或融合程度来控制风格转换的效果。通过多次迭代扩散过程，可以逐渐提高风格的融合度，使得最终的转换结果更加自然和符合目标风格。 综上所述，扩散模型可以有效地实现风格转换，通过模拟信息的传播和扩散过程，将源图像的风格特征逐渐融合到目标风格上。这种方法在图像处理和计算机视觉领域有着广泛的应用前景。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值