面向工业仓储安全的风险感知概率轨迹预测方法

doi:10.16265/j.cnki.issn1003-3033.2026.08.0054

中国安全科学学报 ›› 2026, Vol. 36 ›› Issue (8): 225-232.doi: 10.16265/j.cnki.issn1003-3033.2026.08.0054

面向工业仓储安全的风险感知概率轨迹预测方法

李鑫¹(), 宋轩宇¹, 王乐瑶², 未宗帅¹, 柯巍³, 佟瑞鹏¹^,^**()

¹ 中国矿业大学(北京) 应急管理与安全工程学院, 北京 100083
² 首都经济贸易大学管理工程学院, 北京 100070
³ 湖北省烟草公司十堰市公司, 湖北十堰 442099

收稿日期:2026-04-11 修回日期:2026-06-14 出版日期:2026-08-28
通信作者:
**佟瑞鹏(1977—),男,黑龙江穆棱人,博士,教授,主要从事行为安全管理、职业心理健康、环境风险评估等方面的研究。E-mail: tongrp@cumtb.edu.cn。
作者简介:
李鑫 (1997—),男,山西翼城人,博士研究生,主要研究方向为智能工业安全、风险识别、安全管理等。E-mail: lxcumtb2023@163.com。
柯巍工程师
基金资助:
国家自然科学基金资助(52074302); 中国烟草总公司湖北省公司科技项目(2024SY3RCJSWL2C031)

Risk-aware probabilistic trajectory prediction method for industrial warehouse safety

Li Xin¹(), Song Xuanyu¹, Wang Leyao², Wei Zongshuai¹, Ke Wei³, Tong Ruipeng¹^,^**()

¹ School of Emergency Management and Safety Engineering, China University of Mining and Technology-Beijing, Beijing 100083, China
² School of Management and Engineering, Capital University of Economics and Business, Beijing 100070, China
³ Shiyan Company of Hubei Tobacco Company, Shiyan Hubei 442099, China

Received:2026-04-11 Revised:2026-06-14 Published:2026-08-28

摘要/Abstract

摘要：

为提高工业仓储安全(IWS)关键场景中未来轨迹预测、碰撞风险识别及概率评估的可靠性,提出风险感知概率轨迹预测(RAPTP)方法。该方法利用二维特殊欧氏群(SE(2))等变状态空间编码器表征多智能体交互,结合流匹配与神经危险场联合生成未来轨迹并估计碰撞风险,引入分布鲁棒优化和蒙德里安共形预测进行概率校准。同时,构建IWS基准数据集,并基于nuScenes公开数据集、IWS基准数据集和独立采集的湖北某物流中心数据集开展对比、消融及零样本迁移实验。结果表明:RAPTP在nuScenes数据集上的最小最终位移误差(minFDE)为1.50 m,较EqMotion降低16.2%;在IWS基准上,未遂事故检测曲线下面积(AUC)较碰撞时间(TTC)基线提高34.4%,预警提前时间由1.5 s提升至3.8 s,90%目标覆盖率下预测区间覆盖率达94.2%;在湖北数据集遮挡场景中的检测AUC达89.2%。RAPTP能够兼顾轨迹预测、碰撞预警、概率校准和跨场景迁移性能。

关键词: 工业仓储安全(IWS), 风险感知概率轨迹预测(RAPTP), 流匹配, 神经危险场, 碰撞风险

Abstract:

To improve trajectory prediction accuracy, collision risk identification, and probabilistic assessment reliability in industrial warehouse scenarios, a RAPTP method is proposed. RAPTP employs an SE(2)-equivariant state-space encoder to model multi-agent interactions, combines flow matching with a neural hazard field to jointly generate future trajectories and estimate collision risk, and integrates distributionally robust optimization (DRO)with Mondrian conformal prediction for probability calibration. An IWS benchmark is also constructed, followed by comparative, ablation, and zero-shot transfer experiments. RAPTP achieves a minimum Final Displacement Error(minFDE) of 1.50 m on nuScenes, 16.2% lower than EqMotion. On the IWS benchmark, the near-miss detection Area Under the receiver operating characteristic Curve(AUC) is 34.4% higher than Time-to-Collision(TTC) baseline, the early warning time increases from 1.5 s to 3.8 s, and the prediction interval coverage reaches 94.2% at a target coverage level of 90%. In occlusion scenarios of the Hubei dataset, the detection AUC reaches 89.2%. These results demonstrate that RAPTP achieves effective trajectory prediction, collision warning, probability calibration, and cross-scenario transferability.

Key words: industrial warehouse safety (IWS), risk-aware probabilistic trajectory prediction(RAPTP), flow matching, neural hazard field, collision risk

中图分类号:

X931工业安全(总论)

李鑫, 宋轩宇, 王乐瑶, 未宗帅, 柯巍, 佟瑞鹏. 面向工业仓储安全的风险感知概率轨迹预测方法[J]. 中国安全科学学报, 2026, 36(8): 225-232.

Li Xin, Song Xuanyu, Wang Leyao, Wei Zongshuai, Ke Wei, Tong Ruipeng. Risk-aware probabilistic trajectory prediction method for industrial warehouse safety[J]. China Safety Science Journal, 2026, 36(8): 225-232.

图/表 13

图1

图2

图3

表1

表2

表3

表4

图4

图5

图6

图7

表5

图8

参考文献 13

[1]	王荣儿, 伍济钢. 面向AGV环境感知的图像点云融合研究综述[J]. 计算机科学与探索, 2026, 20(4):965-976. doi: 10.3778/j.issn.1673-9418.2504068
	Wang Ronger, Wu Jigang. A review of image-point cloud fusion research for AGV environment perception[J]. Journal of Frontiers of Computer Science and Technology, 2026, 20(4): 965-976.
[2]	Zou Patrick X W, 梁琨昊. 智慧高速公路系统本质安全化评价指标体系[J]. 中国安全科学学报, 2025, 35(9):28-35.
	Zou Patrick X W, Liang Kunhao. Developing an assessment criteria and method for intrinsic safety of smart highway system[J]. China Safety Science Journal, 2025, 35(9): 28-35. doi: 10.16265/j.cnki.issn1003-3033.2025.09.1511
[3]	Hollnagel E. Safety-I and safety-II: the past and future of safety management[M]. Boca Raton: CRC Press, 2018: 171-172.
[4]	曹淑超, 戈伟斌, 李聪慧, 等. 基于注意力Seq2Seq网络的人群安全风险评估[J]. 中国安全科学学报, 2025, 35(12):196-203. doi: 10.16265/j.cnki.issn1003-3033.2025.12.1477
	Cao Shuchao, Ge Weibin, Li Conghui, et al. Crowd safety risk assessment based on Seq2Seq-attention network[J]. China Safety Science Journal, 2025, 35(12): 196-203. doi: 10.16265/j.cnki.issn1003-3033.2025.12.1477
[5]	张一鸣, 周兵, 吴晓建, 等. 基于前车轨迹预测的高速智能车运动规划[J]. 汽车工程, 2020, 42(5):574-580,587.
	Zhang Yiming, Zhou Bing, Wu Xiaojian, et al. Motion planning of high speed intelligent vehicle based on front vehicle trajectory prediction[J]. Automotive Engineering, 2020, 42(5): 574-580, 587.
[6]	Suo Yongfeng, Chen Wenke, Claramunt C, et al. A ship trajectory prediction framework based on a recurrent neural network[J]. Sensors, 2020, 20(18): DOI:10.3390/s20185133.
[7]	Yang Biao, Fan Fucheng, Ni Rongrong, et al. A multi-task learning network with a collision-aware graph transformer for traffic-agents trajectory prediction[J]. IEEE Transactions on Intelligent Transportation Systems, 2024, 25(7): 6677-6690. doi: 10.1109/TITS.2023.3345296
[8]	Jiang Chiyu, Cornman A, Park C, et al. MotionDiffuser: controllable multi-agent motion prediction using diffusion[C]. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2023: 9644-9653.
[9]	Zhang Xi, Pu Yuan, Kawamura Y, et al. Trajectory flow matching with applications to clinical time series modelling[J]. Advances in Neural Information Processing Systems, 2024, 37: 107 198-107 224.
[10]	Feng Hui, Cao Guilin, Xu Haixiang, et al. IS-STGCNN: an improved social spatial-temporal graph convolutional neural network for ship trajectory prediction[J]. Ocean Engineering, 2022, 266: DOI:10.1016/j.oceaneng.2022.112960.
[11]	孟相浩, 牛凌, 席军强, 等. 基于时空图神经网络的异构交通参与者风险预测[J]. 汽车工程, 2024, 46(9):1537-1545.
	Meng Xianghao, Niu Lin, Xi Junqiang, et al. Risk prediction of heterogeneous traffic participants based on spatio-temporal graph neural networks[J]. Automotive Engineering, 2024, 46(9): 1537-1545.
[12]	Formosa N, Quddu M, Ison S, et al. Predicting real-time traffic conflicts using deep learning[J]. Accident Analysis & Prevention, 2020, 136: DOI:10.1016/j.aap.2019.105429.
[13]	Caesar H, Bankiti V, Lang A H, et al. nuScenes: a multimodal dataset for autonomous driving[C]. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2020: 11 621-11 631.

方法	minADE₁₀	minFDE₁₀	MR	Overlap	推理速度/ (帧/s)
Trajectron++	1.24	2.67	0.47	0.098	45
AgentFormer	1.15	2.43	0.42	0.089	38
MID	1.08	2.28	0.38	0.076	25
SingularTrajectory	0.98	2.05	0.34	0.068	31
Diffusion Drive	0.95	1.98	0.32	0.062	52
MotionDiffuser	0.93	1.91	0.31	0.058	18
FlowChain	0.91	1.86	0.30	0.055	28
EqMotion	0.89	1.79	0.28	0.052	41
RAPTP	0.78	1.50	0.22	0.041	42

方法	AUC	TTW/s	ECE	Brier	PICP	IW
TTC基线	0.698	1.5	0.212	0.284	—	—
AgentFormer + MLP	0.776	2.1	0.152	0.208	0.78	0.42
SingularTraj + MLP	0.823	2.6	0.108	0.162	0.83	0.35
DiffDrive + Ensemble	0.847	2.9	0.087	0.144	0.85	0.32
FlowChain + Risk	0.858	3.0	0.078	0.136	0.86	0.30
EqMotion + MLP	0.871	3.2	0.068	0.124	0.87	0.28
RAPTP (无DRO)	0.912	3.6	0.052	0.098	0.88	0.25
RAPTP (完整版)	0.938	3.8	0.034	0.078	0.942	0.198

模块	配置	FDE	AUC	TTW/s	ECE	PICP
完整模型	完整版RAPTP	1.42	0.938	3.8	0.034	0.942
编码器消融	用Transformer 替换Mamba	1.58	0.918	3.5	0.048	0.912
	移除SE(2)	1.72	0.894	3.2	0.067	0.884
	移除遮挡注意力	1.56	0.912	3.4	0.052	0.906
解码器消融	用DDPM替换流匹配	1.54	0.921	3.6	0.045	0.918
	移除神经危险场	1.46	0.908	3.3	0.058	0.896
	移除梯度引导	1.44	0.924	3.5	0.042	0.918
校准消融	移除DRO (仅ERM)	1.43	0.926	3.7	0.048	0.878
	移除共形校准	1.42	0.932	3.8	0.041	0.864
	移除反事实合成	1.45	0.912	3.4	0.052	0.908

方法	minADE	minFDE	AUC	TTW	ECE
SingularTrajectory	2.34	4.87	0.612	1.4	0.234
DiffusionDrive	2.18	4.52	0.645	1.7	0.198
EqMotion	1.89	3.94	0.698	2.0	0.167
RAPTP	1.52	3.18	0.782	2.6	0.112

方法	minFDE₁₀	AUC	TTW	ECE	遮挡AUC
TTC基线	—	0.642	1.2	0.248	0.418
SingularTrajectory	2.84	0.734	2.0	0.168	0.612
DiffusionDrive	2.58	0.762	2.3	0.142	0.658
EqMotion	2.21	0.798	2.6	0.118	0.694
RAPTP	1.78	0.872	3.4	0.068	0.892

面向工业仓储安全的风险感知概率轨迹预测方法

Risk-aware probabilistic trajectory prediction method for industrial warehouse safety

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 13

相关文章 15

编辑推荐

Metrics

本文评价

[1]	梁文娟, 余磊洋, 黄泓鸣. 基于SORA框架的低空融合碰撞风险评估与多因素仿真分析[J]. 中国安全科学学报, 2026, 36(6): 51-61.
[2]	张洪海, 唐思嘉, 万俊强. 航空器自主运行下的平行航路碰撞风险研究[J]. 中国安全科学学报, 2025, 35(8): 70-83.
[3]	吴付威, 李育隆, 马勇, 王畅, 张智. 高速公路团雾区驾驶特性分析与碰撞风险评价[J]. 中国安全科学学报, 2025, 35(5): 124-134.
[4]	李楠, 闫博芸, 孙廪实, 韩鹏, 郑志刚, 焦庆宇. 考虑空中碰撞风险的UAV运行风险评估[J]. 中国安全科学学报, 2025, 35(10): 91-97.
[5]	吴建军, 陈炎, 朱清华, 胡甚平. 紧迫危险威胁下交叉相遇局面应急操船方法[J]. 中国安全科学学报, 2024, 34(5): 238-246.
[6]	卢飞, 张健, 赵二丽. 基于模糊贝叶斯和事件树的配对进近碰撞风险研究[J]. 中国安全科学学报, 2024, 34(12): 64-73.
[7]	赵雷通, 刘鑫, 闫换换. 基于CRM模型的障碍物遮蔽安全风险研究[J]. 中国安全科学学报, 2023, 33(S1): 150-155.
[8]	卢飞, 陈昊南. 基于PID的陆区航路纵向碰撞风险控制[J]. 中国安全科学学报, 2023, 33(9): 86-93.
[9]	卢飞, 陈昊南. 模糊PID控制下的CSPRs配对进近纵向碰撞风险[J]. 中国安全科学学报, 2023, 33(11): 97-104.
[10]	刘晓芳, 吝涛, 于琪, 曹馨. 城镇街巷空间人群通行疏散及碰撞风险定量模拟[J]. 中国安全科学学报, 2023, 33(11): 133-141.
[11]	高扬, 武文涛, 贾晓珊, 许铭赫. 非合作大型UAVs飞行冲突预测方法研究[J]. 中国安全科学学报, 2020, 30(4): 80-85.
[12]	卢飞, 滕景杰, 吴俊, 张兆宁, 张宗路. 尾涡流场影响下的CSPRs配对进近侧向碰撞动力学分析[J]. 中国安全科学学报, 2020, 30(4): 21-27.
[13]	卢飞, 滕景杰, 吴俊, 张兆宁, 张宗路. 尾流影响下的CSPRs配对进近侧向碰撞风险分析[J]. 中国安全科学学报, 2020, 30(2): 99-105.
[14]	葛飞, 李娜, 魏志强. 针对高原机场障碍物补偿修正量的改进[J]. 中国安全科学学报, 2019, 29(4): 183-188.
[15]	王莉莉, 鲁胜男. 平行进近偏航下Event碰撞风险模型[J]. 中国安全科学学报, 2019, 29(11): 8-13.