5、基于Seq2seq神经网络的SSL机器人轨迹预测与步态相位检测研究

基于Seq2seq神经网络的SSL机器人轨迹预测与步态相位检测研究

基于Seq2seq神经网络的SSL机器人轨迹预测

在机器人轨迹预测领域，为了实现更精准的预测效果，研究人员提出了一种基于Seq2seq神经网络的方法。

模型架构

• 编码器（Encoder） ：采用BiLSTM架构，因其在总结任务中表现出色。前向和后向网络的LSTM单元数量等于回溯窗口的大小。编码表示he的计算公式为：$he = [hf \ hb]^⊤ \in R^{n×2}$ 。
• 状态初始化器（State Initializer） ：通过特定变换初始化解码器，具体使用方程 $hd = tanh (W1hb + b1)$ 和 $cd = tanh (W2cb + b2)$ 来创建解码器的初始隐藏状态hd和单元状态cd，其中W1、W2、b1和b2是可训练参数。
• 注意力聚合器（Attention Aggregator） ：使用加法注意力机制，以he为键，hd为查询，输出上下文向量z。在每个时间步预测时，根据上一次预测的解码器状态hd计算上下文向量z。
• 解码器（Decoder） ：拥有n个LSTM单元，由状态初始化器模块的输出初始化。前向LSTM网络的输出hd被输入到具有线性激活的多层感知器网络（MLP）中计算Qi，然后将Qi - 1与zi - 1连接作为解码器的输入，解码器以递归方式工作。

以下是模型架构的mermaid流程图：