CN109145451B - 一种高速滑翔飞行器的运动行为识别与航迹估计方法 - Google Patents
一种高速滑翔飞行器的运动行为识别与航迹估计方法 Download PDFInfo
- Publication number
- CN109145451B CN109145451B CN201810970985.9A CN201810970985A CN109145451B CN 109145451 B CN109145451 B CN 109145451B CN 201810970985 A CN201810970985 A CN 201810970985A CN 109145451 B CN109145451 B CN 109145451B
- Authority
- CN
- China
- Prior art keywords
- aircraft
- model
- motion behavior
- behavior
- motion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000001914 filtration Methods 0.000 claims abstract description 9
- 230000004927 fusion Effects 0.000 claims abstract description 9
- 230000009191 jumping Effects 0.000 claims abstract description 9
- 230000006399 behavior Effects 0.000 claims description 119
- 230000008569 process Effects 0.000 claims description 35
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 230000000306 recurrent effect Effects 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 9
- 239000003550 marker Substances 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 2
- 230000006403 short-term memory Effects 0.000 claims description 2
- 230000003137 locomotive effect Effects 0.000 claims 6
- 230000007787 long-term memory Effects 0.000 claims 1
- 230000037147 athletic performance Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Aviation & Aerospace Engineering (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
高速滑翔飞行器的运动行为识别与航迹估计方法,属于基于知识和模式的信息推算领域。本发明解决了现有航迹估计方法无法应对高速滑翔飞行器复杂运动模态的问题。本发明的技术要点为:建立飞行器的动力学模型,进一步建立准平衡滑翔、跳跃滑翔两种飞行模式的运动行为模型,并构造飞行器运动行为模型集;构建飞行器运动行为识别算法,识别飞行器的运动行为;根据运动行为识别的结果,使用合理的策略在模型集中选择用于航迹估计的模型;构建融合滤波算法,估计飞行器的航迹。本方法适用于基于知识和模式的信息推算领域。
Description
技术领域
本发明涉及飞行器的航迹估计方法,尤其涉及基于机器学习的高速滑翔飞行器的运动行为识别与航迹估计方法,属于基于知识和模式的信息推算领域。
背景技术
高速滑翔飞行器,具有速度快、飞行空域广、机动能力强的特点,其飞行航迹较一般飞行器更为复杂。目前的飞行器航迹估计方法大多采用恒速(CV)、恒加速度(CA)、当前统计、Singer等模型描述目标机动,并基于交互式多模型(IMM)方法及其各种变体实现航迹估计。面对此类具有复杂运动模态的飞行器的航迹估计问题时,受限于模型精度、算法和计算能力,现有的航迹估计方法无法适应飞行器复杂的运动模态,使得估计精度较低,且无法在飞行器突然改变运动模态时保证航迹估计的动态性能。
发明内容
本发明的目的是提供高速滑翔飞行器的运动行为识别与航迹估计方法,以解决现有航迹估计方法无法应对高速滑翔飞行器复杂运动模态的问题。
本发明为解决上述技术问题采取的技术方案是:
一种高速滑翔飞行器的运动行为识别与航迹估计方法,所述方法是按照以下步骤实现的:
步骤一:建立高速滑翔飞行器的动力学模型,并依此分别推导飞行器准平衡滑翔、跳跃滑翔两种飞行模式的运动行为模型,定义飞行器的运动行为构造其运动行为模型集;
其中,建立高速滑翔飞行器动力学模型的过程如下:
假设地球是一个正球体,忽略自转,得到飞行器的三维动力学模型:
其中,r为飞行器质心到地心的距离,θ为经度,φ为纬度,v为速度,γ为弹道倾角,ψ为弹道偏角,σ为飞行器的倾侧角,m为飞行器质量,g0为重力加速度,D和L为升力和阻力,表示为
D=0.5ρv2SrefCD (7)
L=0.5ρv2SrefCL (8)
其中,Sref为飞行器的特征面积,ρ=ρ0e-βh为大气密度,CD和CL为飞行器的升力和阻力系数;
将升力系数和阻力系数描述为一个马赫数无关模型,则有:
其中,CD0和K是马赫数无关的飞行器气动参数;
定义归一化升力系数如下
则飞行器的升力系数、阻力系数和升阻比可表示为
联立式(1)-(8),(11)和(12),得到完整的飞行器动力学模型:
式(13)给出了完整的飞行器动力学模型,飞行器当前的运动行为由其飞行器控制参数cl和σ决定;对于某一具体型号的飞行器,其控制参数cl和σ有界,记作
cl∈[clmin,clmax] (14)
σ∈[-σmax,σmax],σmax>0 (15)
步骤二:识别飞行器的运动行为;
步骤三:根据运动行为识别的结果,在模型集中选择用于航迹估计的模型;
步骤四:构建融合滤波算法,使用选择的模型估计飞行器的航迹。
建立步骤一所述的飞行器准平衡滑翔的运动行为模型的具体过程为:
定义飞行器准平衡滑翔(Quasi-Equilibrium Gilding,QEG)的三个特征参数为:
λQEG1=clcosσ (16)
将式(14),(15)代入式(16),(17),得到λQEG1和λQEG2的范围为
λQEG1∈[clmin,clmax cosσmax] (19)
将式(16),(17),(18)代入式(13),得到飞行器准平衡滑翔的运动行为模型:
其中,Re=6,378,135m为地球半径。
建立步骤一所述的飞行器跳跃滑翔的运动行为模型的具体过程为:
定义飞行器跳跃滑翔(Skip Gliding,SG)的三个特征参数为
λSG1=clcosσ (22)
λSG2=cl (23)
将式(14),(15)代入式(22),(23),得到λSG1和λSG2的范围为
λSG1∈[clmin,clmax cosσmax] (25)
λSG2∈[clmin,clmax] (26)
将式(22),(23),(24)代入式(13),得到飞行器跳跃滑翔的运动行为模型:
构造步骤一所述的运动行为模型集的具体过程为:
定义目标运动行为模型的标记为
和在飞行器准平衡滑翔时是特征参数λQEG1和λQEG2的标记;在飞行器跳跃滑翔时是特征参数λSG1和λSG2的标记,在具体实施过程中需通过划分如式(19)(20)(25)(26)的特征参数取值范围定义;
完成对飞行器的运动行为模型集I的定义,飞行器任意时刻的运动行为均可由模型集I中的某个模型i表示。
步骤二所述的识别飞行器的运动行为的具体过程为:对量测数据进行预处理,识别飞行器运动行为标签,计算目标每种运动行为的概率;
其中,对量测数据进行预处理的具体算法如下:
步骤1、使用卡尔曼滤波对量测数据进行降噪,过程如下:
3)、Sk=Pk|k-1+R,其中R为量测噪声的协方差阵;
6)、Pk|k=(I-Kk)Pk|k-1;
步骤2:差分获得量测数据的变化率
步骤3:构造其他识别所需的参数
△h=△r,高度变化量就是飞行器与地心距离的变化量
κ2,k=△hkvk
步骤4:构造识别所使用的输入,
在步骤二所述的识别运动行为过程中,识别飞行器运动行为标签、计算目标每种运动行为的概率的过程为:
使用一种分层识别的方案,设计6个循环神经网络(RNNs),对式(28)所示的4个飞行器航迹的标记分别进行识别:首先识别飞行器航迹类型的标记Lt和侧向机动方向的标记L3,然后根据Lt的识别结果(准平衡滑翔或跳跃滑翔),使用相应的循环神经网络识别标签L1和L2;识别的过程的数学表示如下
其中,表示预处理后的量测序列N为序列长度,RNN表示循环神经网络,其下标表示所识别的标记,每一个循环神经网络由一个全连接层(FullConnection,FC),两个长短期记忆网络层(Long Short-Term Memory,LSTM)和一个Softmax层构成,输入为表示预处理后的量测序列输出每一个标签对应的概率;
然后根据式(31)(32)(33)(34)所示网络的识别结果计算每种目标运动行为的概率:
如此,即可得到k时刻飞行器的运动行为是运动模型集I中每种运动行为的概率。
步骤三所述的选择用于航迹估计的模型的具体过程为:
根据实际实施时的精度与计算量需求,依照下面四种策略之一选取航迹估计中所使用的模型:
(1)全部:不进行模型选择,使用模型集中的全部模型估计航迹;
(2)最大概率:选择概率最大的目标运动行为所对应的模型用于航迹估计;
(3)Top-N:选择概率最大的N个目标运动行为所对应的模型用于航迹估计;
(4)累积概率密度:逐个选择概率最大的目标运动行为所对应的模型,直到其累计概率大于设计的阈值,并将这些模型用于航迹估计;
在时刻k,所选择的模型构成的集合为目标运动行为模型集I的子集,记作Is,k。
步骤四所述的使用选择的模型估计飞行器的航迹的具体算法为基于模型选择的融合滤波航迹估计算法,所述算法的输入为:当前的量测数据zk=[rk,θk,φk]T,当前选择的模型集Is,k,初始化信息所述算法的输出为:飞行器航迹信息估计值
其过程为:
步骤1:使用扩展卡尔曼滤波,对模型集Is,k中每个模型进行估计
1)、模型i是模型集Is,k中的模型,
10)、结束;
步骤2:对各模型的估计结果进行加权融合,得到飞行器航迹信息估计值
本发明的有益效果是:
本方法与现有的航迹估计方法相比优点在于:
(1)本发明中飞行器运动行为识别中所使用的模型是根据已有航迹数据训练获得的,更充分的利用了飞行器的运动特性先验信息,可更准确的描述飞行器运动行为切换的一般规律。
(2)本发明通过飞行器运动行为识别主动的发现目标运动行为的切换,这使得航迹估计有着更好的动态性能。
(3)本发明通过模型选择只需要对模型集中部分模型进行融合滤波,极大的减小了计算开销,使得在同等的计算能力限制的条件下可使用更庞大和精确的模型集,提升了航迹估计的精度。
本发明建立飞行器的动力学模型,进一步建立准平衡滑翔、跳跃滑翔两种飞行模式的运动行为模型,并构造飞行器运动行为模型集;构建飞行器运动行为识别算法,识别飞行器的运动行为;根据运动行为识别的结果,使用合理的策略在模型集中选择用于航迹估计的模型;构建融合滤波算法,估计飞行器的航迹。本发明解决了现有航迹估计方法无法应对高速滑翔飞行器复杂运动模态的问题。本方法适用于基于知识和模式的信息推算领域。从图5中可看出,本发明能准确的描述飞行器运动行为切换的一般规律。从图6可看出,本发明的方法比传统的IMM方法对飞行器位置估计有着更好的动态性能。图7可看出,本发明方法比传统的IMM方法对飞行器速度估计的结果更加准确。
附图说明
图1是本发明的结构图。
图2是运动行为识别算法的流程图。
图3是数据预处理算法的流程示意图。
图4是运动行为识别算法中所使用的循环神经网络的结构示意图。
图5是运动行为识别结果,其中黑色实线表示真实的飞行器运动行为标签,蓝色条纹代表每一时刻识别所得的运动行为标签概率。
图6是飞行器位置估计的结果,对比了本发明的方法和传统的IMM方法。
图7是飞行器速度估计的结果,对比了本发明的方法和传统的IMM方法。
具体实施方式
具体实施方式一:结合图1理解本实施方式,本实施方式所述的高速滑翔飞行器的运动行为识别与航迹估计方法,是按照以下步骤实现的:
步骤一:建立高速滑翔飞行器的动力学模型,并分别建立飞行器准平衡滑翔、跳跃滑翔两种飞行模式的运动行为模型,定义飞行器的运动行为构造其运动行为模型集
其中,建立高速滑翔飞行器动力学模型的过程如下:
假设地球是一个正球体,忽略自转,得到飞行器的三维动力学模型:
其中,r为飞行器质心到地心的距离,θ为经度,φ为纬度,v为速度,γ为弹道倾角,ψ为弹道偏角,σ为飞行器的倾侧角,m为飞行器质量,g0为重力加速度,D和L为升力和阻力,表示为
D=0.5ρv2SrefCD (7)
L=0.5ρv2SrefCL (8)
其中,Sref为飞行器的特征面积,ρ=ρ0e-βh为大气密度,CD和CL为飞行器的升力和阻力系数。
将升力系数和阻力系数描述为一个马赫数无关模型,则有:
其中,CD0和K是马赫数无关的飞行器气动参数。
定义归一化升力系数如下
则飞行器的升力系数、阻力系数和升阻比可表示为
联立式(1)-(8),(11)和(12),得到完整的飞行器动力学模型:
式(13)给出了完整的飞行器动力学模型,飞行器当前的运动行为由其飞行器控制参数cl和σ决定。对于某高速滑翔飞行器的控制参数cl和σ的区间为
cl∈[0.5,2] (14)
σ∈[-60,60]deg (15)
步骤二:识别飞行器的运动行为。
步骤三:根据运动行为识别的结果,在模型集中选择用于航迹估计的模型。
步骤四:构建融合滤波算法,使用选择的模型估计飞行器的航迹。
具体实施方式二:本实施方式与具体实施方式一不同的是:建立步骤一所述的飞行器准平衡滑翔的运动行为模型的具体过程为:
定义飞行器准平衡滑翔(Quasi-Equilibrium Gilding,QEG)的三个特征参数为
λQEG1=cl cosσ (16)
将式(14),(15)代入式(16),(17),得到λQEG1和λQEG2的范围为
λQEG1∈[0.25,2] (19)
λQEG2∈[2,5] (20)
将式(16),(17),(18)代入式(13),得到飞行器准平衡滑翔的运动行为模型:
其中,Re=6,378,135m为地球半径。
具体实施方式三:本实施方式与具体实施方式一至二不同的是:建立步骤一所述的飞行器跳跃滑翔的运动行为模型的具体过程为:
定义飞行器跳跃滑翔(Skip Gliding,SG)的三个特征参数为
λSG1=cl cosσ (22)
λSG2=cl (23)
将式(14),(15)代入式(22),(23),得到λSG1和λSG2的范围为
λSG1∈[0.25,2] (25)
λSG2∈[0.5,2] (26)
将式(22),(23),(24)代入式(13),得到飞行器跳跃滑翔的运动行为模型:
具体实施方式四:本实施方式与具体实施方式一至三不同的是:构造步骤一所述的运动行为模型集的具体过程为:
定义目标运动行为模型的标记为
表1 L1和L2的定义
这样,就定义了飞行器的运动行为模型集I,飞行器任意时刻的运动行为均可由模型集I中的某个模型i表示。
具体实施方式五:本实施方式与具体实施方式一至四不同的是:步骤二所述的识别飞行器的运动行为的具体过程为:结合图2理解飞行器运动识别算法的流程,首先对量测数据进行预处理,然后识别飞行器运动行为标签,最后计算目标每种运动行为的概率。
其中,结合图3所示的流程,对量测数据进行预处理的具体算法如下:
具体实施方式六:本实施方式与具体实施方式一至五不同的是:步骤二所述的识别运动行为的具体过程为:
使用一种分层识别的方案,设计6个循环神经网络(RNNs),对式(28)所示的4个飞行器航迹的标记分别进行识别:首先识别飞行器航迹类型的标记Lt和侧向机动方向的标记L3,然后根据Lt的识别结果(准平衡滑翔或跳跃滑翔),使用相应的循环神经网络识别标签L1和L2。识别的过程的数学表示如下
其中,表示预处理后的量测序列N为序列长度,RNN表示循环神经网络,其下标表示所识别的标记。由图4所示的RNN网络结构可见,每一个循环神经网络由一个全连接层(Full Connection,FC),两个长短期记忆网络层(Long Short-Term Memory,LSTM)和一个Softmax层构成,输入为表示预处理后的量测序列输出每一个标签对应的概率。
在实施过程中,选取FC层的神经元数为128,LSTM1层和LSTM2层的神经元数为256,序列长度N=200。搜集并分析飞行器的航迹数据,建立飞行器航迹数据集来训练这6个RNN,训练使用交叉熵损失函数和Adam优化器,在Python3.5+Tensorflow+CUDA+CUDnn平台上完成。
然后根据式(31)(32)(33)(34)所示网络的识别结果计算每种目标运动行为的概率:
如此,即可得到k时刻飞行器的运动行为是运动模型集I中每种运动行为的概率。
具体实施方式七:本实施方式与具体实施方式一至六不同的是:步骤三所述的选择用于航迹估计的模型的具体过程为:
根据实际实施时的精度与计算量需求,依照下面四种策略之一选取航迹估计中所使用的模型:
(1)全部:不进行模型选择,使用模型集中的全部模型估计航迹;
(2)最大概率:选择概率最大的目标运动行为所对应的模型用于航迹估计;
(3)Top-N:选择概率最大的N个目标运动行为所对应的模型用于航迹估计;
(4)累积概率密度:逐个选择概率最大的目标运动行为所对应的模型,直到其累计概率大于设计的阈值,并将这些模型用于航迹估计。
在时刻k,所选择的模型构成的集合为目标运动行为模型集I的子集,记作Is,k。实施过程中精度与计算量的折中,适用累计概率密度策略,令累计概率密度的阈值为0.95。
具体实施方式八:本实施方式与具体实施方式一至七不同的是:步骤四所述的使用选择的模型估计飞行器的航迹的具体算法为:
Claims (8)
1.高速滑翔飞行器的运动行为识别与航迹估计方法,其特征在于所述方法是按照以下步骤实现的:
步骤一:建立高速滑翔飞行器的动力学模型,并依此分别推导飞行器准平衡滑翔、跳跃滑翔两种飞行模式的运动行为模型,定义飞行器的运动行为构造其运动行为模型集;
其中,建立高速滑翔飞行器动力学模型的过程如下:
假设地球是一个正球体,忽略自转,得到飞行器的三维动力学模型:
其中,r为飞行器质心到地心的距离,θ为经度,φ为纬度,v为速度,γ为弹道倾角,ψ为弹道偏角,σ为飞行器的倾侧角,m为飞行器质量,g0为重力加速度,D和L为升力和阻力,表示为
D=0.5ρv2SrefCD (7)
L=0.5ρv2SrefCL (8)
其中,Sref为飞行器的特征面积,ρ=ρ0e-βh为大气密度,CD和CL为飞行器的升力和阻力系数;
将升力系数和阻力系数描述为一个马赫数无关模型,则有:
其中,CD0和K是马赫数无关的飞行器气动参数;
定义归一化升力系数如下
则飞行器的升力系数、阻力系数和升阻比可表示为
联立式(1)-(8),(11)和(12),得到完整的飞行器动力学模型:
式(13)给出了完整的飞行器动力学模型,飞行器当前的运动行为由其飞行器控制参数cl和σ决定;对于某一具体型号的飞行器,其控制参数cl和σ有界,记作
cl∈[clmin,clmax] (14)
σ∈[-σmax,σmax],σmax>0 (15)
步骤二:识别飞行器的运动行为;
步骤三:根据运动行为识别的结果,在模型集中选择用于航迹估计的模型;
步骤四:构建融合滤波算法,使用选择的模型估计飞行器的航迹。
5.根据权利要求4所述的高速滑翔飞行器的运动行为识别与航迹估计方法,其特征在于:步骤二所述的识别飞行器的运动行为的具体过程为:对量测数据进行预处理,识别飞行器运动行为标签,计算目标每种运动行为的概率;
其中,对量测数据进行预处理的具体算法如下:
步骤1、使用卡尔曼滤波对量测数据进行降噪,过程如下:
3)、Sk=Pk|k-1+R,其中R为量测噪声的协方差阵;
6)、Pk|k=(I-Kk)Pk|k-1;
步骤2:差分获得量测数据的变化率
步骤3:构造其他识别所需的参数
Δh=Δr,高度变化量就是飞行器与地心距离的变化量
κ2,k=Δhkvk
步骤4:构造识别所使用的输入,
6.根据权利要求5所述的高速滑翔飞行器的运动行为识别与航迹估计方法,其特征在于:在步骤二的识别运动行为过程中,识别飞行器运动行为标签、计算目标每种运动行为的概率的过程为:
使用一种分层识别的方案,设计6个循环神经网络,对式(28)所示的4个飞行器航迹的标记分别进行识别:首先识别飞行器航迹类型的标记Lt和侧向机动方向的标记L3,然后根据Lt的识别结果,使用相应的循环神经网络识别标签L1和L2;识别的过程的数学表示如下
其中,表示预处理后的量测序列N为序列长度,RNN表示循环神经网络,其下标表示所识别的标记,每一个循环神经网络由一个全连接层,两个长短期记忆网络层和一个Softmax层构成,输入为表示预处理后的量测序列输出每一个标签对应的概率;
然后根据式(31)(32)(33)(34)所示网络的识别结果计算每种目标运动行为的概率:
如此,即可得到k时刻飞行器的运动行为是运动模型集I中每种运动行为的概率。
7.根据权利要求6所述的高速滑翔飞行器的运动行为识别与航迹估计方法,其特征在于:步骤三所述的选择用于航迹估计的模型的具体过程为:
根据实际实施时的精度与计算量需求,依照下面四种策略之一选取航迹估计中所使用的模型:
(1)全部:不进行模型选择,使用模型集中的全部模型估计航迹;
(2)最大概率:选择概率最大的目标运动行为所对应的模型用于航迹估计;
(3)Top-N:选择概率最大的N个目标运动行为所对应的模型用于航迹估计;
(4)累积概率密度:逐个选择概率最大的目标运动行为所对应的模型,直到其累计概率大于设计的阈值,并将这些模型用于航迹估计;
在时刻k,所选择的模型构成的集合为目标运动行为模型集I的子集,记作Is,k。
8.根据权利要求7所述的高速滑翔飞行器的运动行为识别与航迹估计方法,其特征在于:步骤四所述的使用选择的模型估计飞行器的航迹的具体算法为基于模型选择的融合滤波航迹估计算法,所述算法的输入为:当前的量测数据zk=[rk,θk,φk]T,当前选择的模型集Is,k,初始化信息所述算法的输出为:飞行器航迹信息估计值Pk|k;
其过程为:
步骤1:使用扩展卡尔曼滤波,对模型集Is,k中每个模型进行估计
1)、模型i是模型集Is,k中的模型,
10)、结束;
步骤2:对各模型的估计结果进行加权融合,得到飞行器航迹信息估计值
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810970985.9A CN109145451B (zh) | 2018-08-22 | 2018-08-22 | 一种高速滑翔飞行器的运动行为识别与航迹估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810970985.9A CN109145451B (zh) | 2018-08-22 | 2018-08-22 | 一种高速滑翔飞行器的运动行为识别与航迹估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109145451A CN109145451A (zh) | 2019-01-04 |
CN109145451B true CN109145451B (zh) | 2022-11-29 |
Family
ID=64827718
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810970985.9A Active CN109145451B (zh) | 2018-08-22 | 2018-08-22 | 一种高速滑翔飞行器的运动行为识别与航迹估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109145451B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858137B (zh) * | 2019-01-25 | 2022-07-01 | 哈尔滨工业大学 | 一种基于可学习扩展卡尔曼滤波的复杂机动飞行器航迹估计方法 |
CN110276189B (zh) * | 2019-06-27 | 2022-02-11 | 电子科技大学 | 一种基于步态信息的用户身份认证方法 |
CN111680870B (zh) * | 2020-04-29 | 2023-06-06 | 西南电子技术研究所(中国电子科技集团公司第十研究所) | 目标运动轨迹质量综合评估方法 |
CN111898755B (zh) * | 2020-08-11 | 2023-09-12 | 中国人民解放军海军航空大学 | 单一航迹智能合成方法及装置 |
CN113408392B (zh) * | 2021-06-15 | 2023-03-10 | 西安电子科技大学 | 基于卡尔曼滤波和神经网络的航迹补全方法 |
CN117829032A (zh) * | 2024-03-04 | 2024-04-05 | 中国人民解放军国防科技大学 | 一种基于多动力学模型的临近空间目标自适应跟踪方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102073755B (zh) * | 2010-11-10 | 2013-04-10 | 南京航空航天大学 | 近空间高超声速飞行器运动控制仿真方法 |
US8909395B2 (en) * | 2011-04-29 | 2014-12-09 | Airbus Engineering Centre India | System and method for aircraft performance predictions for climb flight phase |
CN103838914B (zh) * | 2013-12-30 | 2017-01-18 | 北京航空航天大学 | 一种高超声速飞行器滑翔段弹道解析求解方法 |
CN104267733B (zh) * | 2014-10-25 | 2016-09-14 | 哈尔滨工业大学 | 基于混杂预测控制的姿控式直接侧向力和气动力复合导弹姿态控制方法 |
US20170046968A1 (en) * | 2015-08-11 | 2017-02-16 | The Boeing Company | Flight simulation modeling of aircraft dynamic stall aerodynamics |
CN105398578A (zh) * | 2015-11-12 | 2016-03-16 | 中国人民解放军国防科学技术大学 | 一种基于纵向航迹的太阳能飞行器安全控制方法 |
CN105676638B (zh) * | 2016-01-11 | 2018-06-29 | 北京航空航天大学 | 平稳滑翔/准自然频率跳跃滑翔组合机动突防弹道规划方法 |
-
2018
- 2018-08-22 CN CN201810970985.9A patent/CN109145451B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109145451A (zh) | 2019-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109145451B (zh) | 一种高速滑翔飞行器的运动行为识别与航迹估计方法 | |
CN108594788B (zh) | 一种基于深度随机森林算法的飞机作动器故障检测与诊断方法 | |
CN112347993B (zh) | 一种基于车辆-无人机协同的高速公路车辆行为和轨迹预测方法 | |
CN114048889B (zh) | 基于长短期记忆网络的飞行器轨迹预测的方法 | |
CN109034376B (zh) | 一种基于lstm的无人机飞行状态预测方法及*** | |
CN108254741A (zh) | 基于循环神经网络的目标航迹预测方法 | |
CN105652664B (zh) | 一种基于鸽群优化的四旋翼无人机显式预测控制方法 | |
CN105654500A (zh) | 基于仿生鸽群优化视觉注意机制的无人机目标检测方法 | |
CN114840020A (zh) | 一种基于改进鲸鱼算法的无人机飞行轨迹规划方法 | |
CN104715154B (zh) | 基于kmdl准则判据的核k‑均值航迹关联方法 | |
CN113128342B (zh) | 航迹数据预处理方法及空中目标识别方法 | |
CN108470460B (zh) | 一种基于智能手机与rnn的周边车辆行为识别方法 | |
CN112052984A (zh) | 一种智能船舶避碰方法及*** | |
CN114120714B (zh) | 一种城市空域无人机冲突风险评估方法及*** | |
Yang et al. | Learning continuous control policies for information-theoretic active perception | |
CN112784487B (zh) | 飞行动作识别方法和装置 | |
CN113552883A (zh) | 基于深度强化学习的地面无人车自主驾驶方法及*** | |
CN117311393A (zh) | 一种无人机自主飞行路径规划方法及*** | |
Lu et al. | Hybrid deep learning based moving object detection via motion prediction | |
CN112668089B (zh) | 评估战斗机机动动作下各***稳态与过渡态性能的方法 | |
CN112102399B (zh) | 一种基于生成式对抗网络的视觉里程计算法 | |
CN114565020A (zh) | 一种基于深度置信网络和扩展卡尔曼滤波的飞行器传感器信号融合方法 | |
Samy et al. | Drone Path-Following in GPS-Denied Environments using Convolutional Networks | |
CN117786534B (zh) | 基于深度学习的高超声速飞行器运动行为识别方法及*** | |
Ghosn et al. | Robust LSTM-based Vehicle Velocity Observer for Regular and Near-limits Applications |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |