《Drones》：A Hybrid State-Driven Trajectory Prediction Algorithm for Unmanned Aerial Vehicles
编辑推荐：
无人驾驶飞行器（UAV）作为移动智能体的主流实现形式，在编队协同任务中常因间歇性通信链路中断和固有测量噪声而受困于难以获取同伴编队成员状态信息及系统稳定性受损的问题。与此同时，主流基于深度学习的轨迹预测方法带来高昂的计算负担，使其难以适用于机载计算资源高度受限
无人驾驶飞行器（UAV）作为移动智能体的主流实现形式，在编队协同任务中常因间歇性通信链路中断和固有测量噪声而受困于难以获取同伴编队成员状态信息及系统稳定性受损的问题。与此同时，主流基于深度学习的轨迹预测方法带来高昂的计算负担，使其难以适用于机载计算资源高度受限的无人机平台。为应对上述挑战，本文采用数据校正驱动的方法，提出一种面向无人机移动智能体的混合状态驱动轨迹预测算法，称为线性基模型与残差长短期记忆网络校正（LBM-RLSTM），该算法融合了线性运动学模型与深度神经网络的序列预测能力。通过对无人机短期飞行轨迹的运动学特性分析，研究人员将轨迹预测任务解耦为两个相互依存的模块，分别对应线性主导运动项的拟合与非线性残差误差的补偿。具体而言，采用所提出的线性基预测模型生成具有高计算效率和低复杂度的初始轨迹预测结果，确保可靠的基线预测性能。随后，利用轻量级残差LSTM网络对残差序列进行补偿与校正，该残差序列包含未建模的非线性运动分量和噪声引起的扰动。这种两阶段混合架构无需部署传统端到端全轨迹拟合方法所需的大规模神经网络，并在预测精度与资源受限无人机机载平台的实际部署可行性之间实现了平衡。理论分析和大量仿真结果均验证了所提出的LBM-RLSTM方法在混合高斯与脉冲噪声干扰以及间歇性通信中断的复杂场景下具有更优的预测精度和更强的鲁棒性。同时，与主流基于深度学习的基准方法相比，该方法显著降低了计算开销，更适合满足实际编队飞行任务中机载无人机轨迹预测的严格实时性要求。
一、研究背景与问题
无人驾驶飞行器（UAV）编队作为移动智能体集群最突出的工程应用形式，通过无线通信网络实时交换位置、运动状态和任务相关数据以实现协同任务执行。然而，在实际任务执行中，编队成员面临通信带宽严格受限、电磁干扰密集、有效通信距离约束以及个体成员物理损伤或功能故障等问题，导致间歇性通信链路中断甚至永久性链路断裂，阻碍编队成员间运动状态信息的可靠及时交换。在领航-跟随控制架构下，编队保持与协同控制从根本上依赖于对所有编队成员精确运动状态信息的实时获取。因此，使移动智能体在受限机载计算资源下实现高效、高精度的成员间轨迹预测，成为保障复杂干扰环境下移动智能体作战可靠性和自主协同能力的核心挑战。
现有轨迹预测方法通常假设通信链路稳定并依赖地面站实现，对通信链路稳定性具有极高依赖性，且地面数据中心指挥决策模式降低了智能体在动态环境中的适应性和自主决策能力。此外，无线通信链路的固有传输延迟进一步恶化了轨迹预测流程的实时响应能力。在算法层面，基于状态空间建模的运动预测方法对高斯噪声具有固有鲁棒性，但复杂矩阵运算带来显著计算开销，且对非线性运动动态和非高斯噪声适应性差；基于神经网络的数据驱动方法虽对复杂机动轨迹具有优越预测精度，但参数规模大、计算支持需求密集，难以满足严格实时性要求。因此，开发具有低计算开销、强鲁棒性和高实时性核心特征的轨迹预测框架具有重要必要性。
二、研究内容与结论
针对上述技术挑战，研究人员提出了一种线性-非线性混合状态驱动轨迹预测算法LBM-RLSTM，旨在通过基于物理的运动模型与数据驱动方法的协同融合提升轨迹预测精度并降低计算开销。该算法采用计算高效的线性模型生成快速可靠的基线轨迹预测结果，同时设计轻量级数据驱动校正模块补偿非线性运动误差并抑制环境噪声干扰，避免了密集复杂矩阵运算和大规模神经网络部署。此外，针对突发间歇性脉冲干扰引发的非高斯噪声不利影响，算法集成了数据校正方法和异常数据处理机制，有效降低非高斯噪声和间歇性传感器故障复杂环境下的预测误差。理论分析和大量仿真结果表明，LBM-RLSTM在混合高斯与脉冲噪声干扰及间歇性通信中断的复杂场景下实现了优越的预测精度和更强的鲁棒性，与主流深度学习基准方法相比显著降低了计算开销。
三、关键技术方法
研究人员采用以下主要关键技术方法：（1）基于离散匀加速运动学模型的线性基预测方法，生成基线轨迹预测结果；（2）轻量级单层LSTM残差校正网络（含128个神经元、dropout概率0.3、三个并行分支分别对应位置/速度/加速度预测），对残差序列进行非线性补偿；（3）基于幅值脉冲检测的异常数据处理机制，将受干扰数据视为缺失信号并以前一预测结果替换；（4）基于相关理论（Pearson系数）的残差数据方差分析，筛选高相关性特征构建九维残差特征；（5）采用残差平方和（SSR）作为损失函数并结合动态惩罚策略和Adam优化器进行训练优化。实验数据来源于公开的Synthetic-UAV-Flight-Trajectories数据集，包含5375条有效飞行轨迹，覆盖圆形、螺旋形和多项式等多种典型运动模式，采用轨迹级划分策略随机选取15%完整轨迹作为测试集。
四、研究结果
（一）不同时间步下的误差性能
通过设置100、200、300和400 ms采样间隔进行实验，研究发现100 ms时所有算法预测误差较低且LBM-RLSTM达到最佳预测精度；200 ms时框架仍处于经验运行范围内；超过200 ms后预测性能显著恶化。轨迹残差比在100 ms和200 ms时小于0.21，此时RLSTM模块处于有效补偿区域；当残差比超过约0.21的经验饱和阈值时，神经网络残差补偿能力趋于饱和并恶化。因此确定200 ms为当前实验条件下该框架的经验运行上限。
（二）固定噪声水平下的误差性能
通过与KF、EKF、UKF、PF、LSTM及KFFLSTM、TL-KF等算法对比，逐步骤RMSE可视化结果表明，基于泰勒展开的EKF优于依赖采样的UKF和PF，128神经元LSTM对高复杂度全轨迹拟合能力有限导致最大预测误差。LBM-RLSTM实现了与大规模2048单元LSTM相当的预测精度，同时在相同参数预算下大幅超越128单元基线LSTM。定量结果表明，该方法相比KF和尺度一致基线LSTM分别提升预测精度22.57%和79.04%，相比EKF提升超过15%，与2048隐藏神经元大规模LSTM相比在保持相当位置估计精度的同时推理效率提升73.67%，参数总量仅占大规模循环网络基线的0.56%。与KFFLSTM和TL-KF相比位置预测精度提升超过10%，参数规模不足KFFLSTM的1%。多步位置预测实验中，LBM-RLSTM在多步轨迹预测任务中保持稳定鲁棒的性能。
（三）不同信噪比的影响
在不同信噪比条件下的系统性能评估表明，低复杂度LSTM模型在噪声条件下表现出有限的特征拟合和泛化能力，多数基准算法随噪声干扰强度增加而性能逐渐显著退化。LBM-RLSTM保持与2048神经元大规模LSTM相当的预测性能，验证了混合驱动设计实现了预测精度与结构复杂度的平衡优化。
（四）脉冲噪声下的单步误差性能
在脉冲发生概率0.2、信噪比16.13 dB条件下，该框架相比主流基准方法提升预测精度超过38%。经典运动模型方法因固有线性结构约束无法有效抑制非高斯脉冲噪声，纯数据驱动模型易受异常值干扰。LBM-RLSTM有效缓解脉冲噪声不利影响，在复杂复合噪声条件下保持稳定可靠预测性能。
（五）不同脉冲概率的影响
随脉冲噪声强度增加，所有对比算法预测误差呈整体上升趋势，而LBM-RLSTM在测试场景中保持稳定可靠的预测精度，始终达到最优或次优预测性能。
（六）消融实验
消融实验验证了线性基预测、非线性校正和脉冲检测三个核心组件的功能贡献。孤立单模块预测框架产生显著预测偏差并放大环境噪声干扰不利影响，轻量级非线性校正模块独立部署时特征学习能力受限。移除任一模块均导致明显性能退化，证实各设计组件功能互补且不可或缺。
五、讨论与结论
本文针对无人机因网络异常或通信中断无法通过链路共享状态信息而影响协同决策的问题，通过数据校正设计了一种轻量级混合状态驱动轨迹预测模型LBM-RLSTM，使无人机能够自主感知和预测编队成员轨迹状态，从而提高复杂干扰环境下协同的可靠性和自主性。实验结果表明该算法融合了两种预测范式的互补优势，在高斯噪声和脉冲噪声组成的复杂干扰环境中保持高效稳定的预测性能，轻量化网络设计降低了预测计算开销和推理延迟等资源消耗，为移动智能体的具身智能提供了技术参考。本文实验验证了LBM-RLSTM模型在时不变噪声场景下的性能，但所开发算法仅适用于非线性分量比例较小的无人机轨迹，且采样步长应与模型规模匹配。未来工作将研究动态变化噪声强度和强机动轨迹的自适应状态估计策略，针对强机动场景及电磁干扰衰减、无线信道衰落等噪声波动情况进一步扩展框架以应对非平稳时变噪声，并在连续变化信噪比下开展更多验证实验。
