利用基于太空的信息快速预测高威胁无人机的可达范围
赵璐静、
王才辉、
冯东柱、
戴佩
《Drones》:Fast Prediction of Reachable Domain for High-Threat UAVs Using Space-Based Information
Lujing Chao,
Caihui Wang,
Dongzhu Feng and
Pei Dai
【字体:
大
中
小
】
时间:2026年05月07日
来源:Drones 4.8
编辑推荐:
**亮点与主要发现**
本文提出了一种稳健的目标跟踪算法,该算法结合了牛顿迭代方法和目标动力学模型来确定共同垂直的中点,并使用BP神经网络建立了快速可达域预测模型,以替代计算量较大的传统伪谱方法。
**主要发现的意义**
这种整合方式补偿了卫星测量中更新频率低和数据丢失的问
**亮点与主要发现**
本文提出了一种稳健的目标跟踪算法,该算法结合了牛顿迭代方法和目标动力学模型来确定共同垂直的中点,并使用BP神经网络建立了快速可达域预测模型,以替代计算量较大的传统伪谱方法。
**主要发现的意义**
这种整合方式补偿了卫星测量中更新频率低和数据丢失的问题,确保了在复杂场景下的连续和精确跟踪。这种混合策略显著提高了计算效率,并最小化了资源消耗,使得该方法能够在嵌入式系统上实际应用。
**摘要**
对于高威胁性无人机(UAV),预测其可达域对于实现跨域飞行车辆的主动避让机动至关重要。为了解决这一挑战,本文提出了一种新型通用框架,该框架将Radau伪谱方法(RPM)与BP神经网络相结合,并利用来自卫星的信息进行支持。该框架首先通过牛顿迭代算法估计非合作目标的初步状态向量,包括其粗略的位置和速度。为了 refine 这一初始估计并实现连续跟踪,将扩展卡尔曼滤波器(EKF)与飞行车辆动力学模型融合。随后,使用RPM来解决轨迹规划问题,生成一个用于离线训练的 comprehensive 数据库。然后利用这个数据库在离线训练和在线应用框架内训练多层前馈神经网络,极大地降低了计算复杂性和时间成本。最后,数值模拟证明了该方法具有高预测精度和强大的抗跟踪不确定性能力。关键的是,神经网络仅需0.01秒就能预测出可达域,使其非常适合实时在线应用。
**1. 引言**
高威胁性无人机以其高速度和极端机动性对跨域高速飞行车辆构成了重大挑战。然而,无人机复杂的非线性动力学特性使得实时、精确的状态估计和可达域预测变得非常困难。由于无人机通常从远程地点发射,传统地基雷达[1,2]的效能受到地球曲率和大气衰减的限制,从根本上限制了其探测范围和覆盖范围。相比之下,基于太空的红外预警系统,尤其是低地球轨道(LEO)星座,通过其广阔的覆盖范围、快速响应能力和全天候监视能力,为这一问题提供了有效的解决方案。因此,利用LEO卫星推进探测和定位技术已成为有效跟踪无人机的主要途径。
文献综述显示,轨迹跟踪滤波器模型通常分为两大类[3]:运动学模型和动力学模型。例如,张[4]等人基于经典运动学模型,采用了交互式多模型(IMM)算法,结合了恒定加速度(CA)、恒定转弯(CT)和Singer模型来跟踪近空无人机。此外,刘[5]等人提出了一种新的正弦波跟踪模型,用于高精度跟踪无人机。类似地,李[3]等人开发了一种自适应模型,其中包含振荡衰减函数,通过在线参数调整实现了精确跟踪。而动力学模型则是基于实际受力分析建立的,能够更真实地表示车辆运动,从而提高了模型的准确性。曾[6]等人将空气动力学模型与立方卡尔曼滤波器(CKF)相结合,实现了对滑翔轨迹上无人机的有效跟踪。为了提高滤波器对目标机动的响应能力,黄[7]等人引入了强跟踪滤波(STF)概念,发展出了强鲁棒跟踪立方卡尔曼滤波器(STRCKF)。在此基础上,傅[8]等人进一步提出了自适应强跟踪无迹卡尔曼滤波器(ASTUKF)算法,通过动态调整滤波器增益和噪声协方差矩阵,显著提升了无人机的跟踪性能。
基于上述无人机跟踪信息,确定其可达域(即所有可行到达点的集合)是一个关键挑战。此外,计算给定终端高度下无人机的可达域对于帮助其穿越危险环境也非常重要。与轨迹规划问题类似,预测可达域的方法可以大致分为三类:模型驱动方法、数值优化方法和数据驱动方法。
模型驱动方法主要通过简化物理模型来实现快速计算。卢[9]基于准平衡滑翔条件,采用了一种接近最优的倾斜角控制算法,推导出了一种用于快速生成车辆可达域的解析方法。李[10]等人引入了攻角参数化方法,在恒定倾斜角假设下将再入约束转换为攻角下限。张[11]通过解析求解预计划阻力-能量曲线下的侧向运动状态,并结合几何变换,实现了可达域的快速确定。此外,何[12]等人通过改进三维加速度曲线,设计了可调攻角曲线和插值阻力曲线,提供了一种满足所有约束的新方案。尽管这些方法在工程实践中因计算速度快和稳定性好而得到广泛应用,但它们在预测高机动性无人机的可达域方面的准确性仍有待提高。
随着计算能力的提升和优化理论的发展,数值优化方法已成为可达域预测领域的关键技术。Arslantas[13]等人将可达域问题纳入最优控制框架,并使用伪谱方法离散化连续轨迹,实现了高精度解。随后,Utku Eren[14]等人通过应用无损凸化将非凸可达性问题转化为可求解的凸形式,加速了这一过程。受这些工作的启发,后续研究主要集中在两个方面:伪谱离散化的精度[15,16]和优化求解器的效率[17,18],旨在同时提高预测精度和计算性能。然而,解决这些高保真度最优控制问题所需的高计算量对它们的在线应用构成了重大障碍。
数据驱动方法将在线优化过程转化为离线数据生成和网络训练,以满足实时应用的需求。同时,这种方法可以将空气动力学参数扰动和环境变化等复杂不确定性纳入离线训练数据集中,从而使训练后的网络具有鲁棒性。黄[19]使用D-V曲线方法构建了可达域数据库,并使用BP神经网络替代了轨迹积分,从而显著提高了计算速度。郭[20]提出了一种将切线飞行轨迹与BP神经网络相结合的可达域计算方法,使计算时间减少了三个数量级。此外,越来越复杂的网络,如LSTM[21]、DNN[22]和GAN[23]架构,也被应用于可达域预测。虽然这些网络提供了更高的预测精度,但它们的复杂性增加了机载实施的挑战,因为受到资源限制。
受到上述研究的启发,本文旨在基于卫星获取的信息开发一种快速的高威胁性无人机可达域预测方法。本文的主要贡献有两个方面:
1. 为了实现精确的目标跟踪,本文提出了一种稳健的两步滤波算法。在测量转换阶段,使用牛顿迭代方法确定共同垂直的中点,将基于空间的跟踪数据转换为笛卡尔位置的伪测量值。在此基础上,利用EKF将无人机的动力学模型与转换后的测量值结合,进行高频状态估计。这两者的结合确保了算法的准确性和鲁棒性,即使在复杂场景下也能提供连续可靠的跟踪。
2. 为了克服传统伪谱方法的计算负担,我们引入了BP神经网络来建立快速可达域预测模型。这种混合策略大幅提高了计算效率,同时保持了最小的资源消耗,使其能够在计算资源有限的嵌入式系统上实际应用。
本文的其余部分组织如下:
第2节建立了目标跟踪模型,并提出了一种用于确定共同垂直中点的牛顿迭代算法,以实现精确的无人机跟踪。第3节制定了无人机的轨迹优化问题,并应用RPM来解决它。第4节详细介绍了使用神经网络的在线可达域预测框架,包括三个关键阶段:数据库构建、离线训练和在线应用。第5节分析了数值模拟结果,展示了所提方法的有效性。最后,第6节给出了结论。
**2. 材料与方法**
本节介绍了一种结合牛顿迭代方法和EKF的双卫星定位和跟踪算法,以实现无人机的连续跟踪[24]。该过程从建立卫星观测模型及其观测方程开始。接下来,详细阐述了基于共同垂直交点的牛顿迭代方法,以求解目标的初始位置。最终,将牛顿迭代方法与EKF结合,得到了提出的N-EKF双卫星定位和跟踪算法。
**2.1. 观测模型和方程**
为了描述卫星与非合作无人机目标之间的观测几何关系,建立了一个卫星观测坐标系,如图1所示,记为框架。该框架以第i颗卫星的质心为中心。oz轴从地球质心指向第i颗卫星的质心。ox轴垂直于oz轴,指向地理北极。oy轴与ox轴和oz轴共同构成了右手坐标系。旋转矩阵表示从框架到ECEF框架的旋转,该旋转基于球形地球假设,通过经度和纬度计算得出。在本小节中,上标表示第i颗卫星观测框架中的描述。
**图1. ECEF和卫星观测坐标系**
卫星配备了被动检测传感器,其观测信息仅包括视线仰角和视线(LOS)方位角。第i颗卫星的相应观测几何模型如图2所示。
**图2. 卫星观测几何模型**
非合作目标在框架Si中的位置定义为;两个LOS角和LOS单位向量表示为:
(1) 对于位于从卫星到目标的视线上的未知点,存在一个正比例因子,其三个坐标分量方程如下:
(2) 因此,精确定位目标需要整合来自多颗卫星的观测信息。第二颗卫星的原点在框架中表示为。从第二颗卫星原点到目标的LOS单位向量可以在框架中表示为:
(3) 理论上,多颗卫星的视线应该相交于一点。然而,由于卫星观测中的误差,视线并不收敛于唯一一点,导致以下方程组不一致:
(4) 其中表示未知因子。对于双卫星配置,最优定位点是它们相应位置线的共同垂直的中点。由于这个点无法通过解析方法确定,本文采用了迭代算法来求解非线性方程。
**2.2. 用于求解共同垂直中点的牛顿迭代算法**
本节使用牛顿迭代算法求解共同垂直的中点。首先,为第一个卫星到定位线的任意点建立了一个距离模型。
(5) 对于第二个卫星在视线上的任意点,根据方程(4),它到第一个卫星定位线的垂直距离表示为:
(6) 使用牛顿方法找到上述方程中的最小值。可以选择第二个卫星定位线上的任意点作为初始点,并以适当选择的步长开始迭代。本次搜索的目标是找到最小值,该值确定了第二条直线上最接近第一颗卫星直线的点。同样,也计算了第一颗卫星直线上的某一点到第二颗卫星直线的垂直距离。应用相同的算法可以得到第一条直线上最近的点。最终的目标位置被估计为两条视线之间共同垂线的 midpoint,具体公式如下:
2.3 基于动力学模型的精确目标跟踪
在通过牛顿迭代算法得到的笛卡尔位置伪测量的基础上,扩展卡尔曼滤波器(EKF)进一步与飞行器动力学模型集成,以实现高精度的状态估计和后续跟踪。对于位于近地轨道(LEO)中的非合作目标,在地心地球固定(ECEF)参考框架下,其动力学模型被定义为:
系统动力学模型(公式8)表现出非线性。为了便于状态估计,通过EKF进行了一阶泰勒级数近似。线性化的状态转移和观测模型分别表示为:
基于前述的笛卡尔位置伪测量,观测矩阵为
鉴于以上内容,本文提出了一种双卫星定位和跟踪滤波器算法,该算法将牛顿迭代方法与扩展卡尔曼滤波器(N-EKF)结合使用。具体步骤如下:
步骤1:将早期预警卫星定位问题转化为寻找两条卫星视线之间共同垂线的中点的问题,如公式(4)所述。
步骤2:将中点问题转化为非线性方程形式,如公式(6)所述。
步骤3:使用牛顿迭代算法求解非线性方程,将角度数据转换为非合作目标的笛卡尔位置伪测量。
步骤4:基于转换后的伪测量结果,通过将动力学模型(8)与EKF算法集成,进行进一步的跟踪计算,以获得更精确的目标轨迹。
3. 问题建模
首先,在第3.1节介绍了高威胁无人机的动力学模型。其次,在第3.2节描述并分析了三个阶段的空气动力系数和火箭发动机参数。然后,在第3.3节提出了轨迹优化问题。最后,在第3.4节提出了上述问题的解决方法。
3.1 无人机的运动模型
无人机的飞行范围从几百公里到一千公里不等,这意味着在假设地球为球形的情况下必须考虑旋转效应。此外,假设无人机采用了滚转-偏航-转舵(BTT)控制方案,并且可以实现稳定协调的转弯,因此其侧滑角保持为零。基于以上假设,无人机的三自由度运动方程如下:
其中旋转相关项定义如下:
在上述方程中,m表示质量,P表示推力,g表示重力常数,R表示地心距离,V表示速度;θ表示经度,φ表示纬度;α表示航向角;β表示滚转角。μ表示燃烧率。L和D分别表示升力和阻力,它们的定义如下:
为了计算不同飞行条件下的可达区域,定义了纵向范围和横向范围。
3.2 飞行器特性
根据[25],该无人机的总发射质量为2000公斤,包含三个阶段,每个阶段都装有一个固体火箭发动机。为了确保物理模型的准确性,使用专业空气动力仿真软件根据其几何配置严格计算了无人机的升力和阻力系数,并在图3中展示了不同攻角和马赫数下的所有空气动力系数。图3显示了升力系数(a)和阻力系数(b)。飞行器运动分为四个阶段:阶段1从发射架上起飞,当第一级固体火箭燃料耗尽后落下;阶段2从阶段1结束时开始,当第二级固体火箭燃料耗尽后落下;阶段3从阶段2结束时开始,当第三级固体火箭燃料耗尽后结束(但此时第三级火箭不掉落);阶段4从阶段3结束时开始,直到飞行器达到最终高度。值得注意的是,在这些阶段中,第二级和第三级都装有推力不同的双推力火箭发动机。此外,为了扩大无人机的可达范围,预先设计了同一火箭发动机内两个点火之间的时间间隔。不同飞行阶段的详细参数,包括质量变化和推力,列在表1中。
3.3 轨迹优化问题描述
基于第3.1节和第3.2节的动力学模型,本小节进一步介绍了无人机的轨迹优化问题,以提供不同的飞行轨迹。因此,可以根据不同的飞行状态计算上述轨迹的可达范围。
根据表1,该无人机的总质量和推力在不同的飞行阶段会有显著变化,这使得这个问题不同于传统的入口飞行轨迹优化问题,后者不考虑推力和质量的变化。
在传统的入口轨迹优化问题中,通常选择攻角和滚转角作为控制变量。然而,为了使控制变量更加平滑,选择攻角的一阶导数和滚转角的一阶导数作为控制变量,其他相关变量作为状态变量。因此,在这个轨迹规划问题中,状态变量和控制输入分别选择为:
使用上述修改后的控制变量,方程(12)中的运动方程扩展为以下微分方程:
3.3.1 约束条件
在无人机多阶段的整个飞行过程中,必须遵守以下约束:
(1) 控制和状态约束
为了确保飞行安全并满足飞行器的物理结构要求,控制变量在整个飞行过程中必须保持在预定的合理范围内。这些约束可以定义为:
同时,状态约束定义为:
其中表示状态变量的下限和上限。
(2) 初始约束
无人机从发射架上发射;初始状态和其他关键参数通常是恒定的,它们由初始约束如下定义:
其中下标‘0’表示发射时间。
(3) 终端约束
在本研究中,需要根据终端经度和纬度位置计算该飞行器的可达区域,这些参数无法提前设计,必须根据性能指标进行优化。因此,终端约束限制在终端高度范围内,具体约束如下:
(4) 路径约束
在整个大气层飞行过程中,无人机通常以超音速/高超音速飞行,并且大气密度较大。因此,轨迹还必须严格遵守以下路径约束,包括动态压力q、加热率和总负载因子等:
这些约束与飞行器的材料和结构特性密切相关,必须严格遵守。
(5) 连接约束
鉴于无人机的分阶段点火能力,整个飞行的原轨迹优化问题必须分解为四个阶段的多个子问题。最后,每个阶段都通过一组连接约束与相邻阶段相连。
基于第3.1节和第3.2节的动力学和运动模型,本小节进一步介绍了无人机的轨迹优化问题,以提供不同的飞行轨迹。因此,可以根据不同的飞行状态计算上述轨迹的可达区域。
根据表1,该无人机的总质量和推力在不同的飞行阶段会有显著变化,这使得这个问题不同于没有推力和质量变化的传统入口飞行轨迹优化问题。
在传统的入口轨迹优化问题中,通常选择攻角和滚转角作为控制变量。然而,为了使控制变量更加平滑,选择攻角的一阶导数和滚转角的一阶导数作为控制变量,其他相关变量作为状态变量。因此,在这个轨迹规划问题中,状态变量和控制输入分别选择为:
使用上述修改后的控制变量,方程(12)中的运动方程扩展为以下微分方程:
3.3.1 约束条件
在无人机多阶段的整个飞行过程中,必须遵守以下约束:
(1) 控制和状态约束
为了确保飞行安全并满足飞行器的物理结构要求,飞行过程中的控制变量必须保持在预定的合理范围内。
这些约束可以定义为:
同时,状态约束定义为:
其中表示状态变量的下限和上限。
(2) 初始约束
无人机从发射架上发射;初始状态和其他关键参数通常是恒定的,它们由初始约束如下定义:
其中下标‘0’表示发射时间。
(3) 终端约束
在本研究中,需要根据终端经度和纬度位置计算该飞行器的可达区域,这些参数无法提前设计,必须根据性能指标进行优化。因此,终端约束限制在终端高度范围内,具体约束如下:
(4) 路径约束
在整个大气层飞行过程中,无人机通常以超音速/高超音速飞行,并且大气密度较大。因此,轨迹还必须严格遵守以下路径约束,包括动态压力q、加热率和总载荷因子等:
这些约束与飞行器的材料和结构特性密切相关,必须严格遵守。
(5) 连接约束
鉴于无人机的分阶段点火能力,整个飞行的原始轨迹优化问题必须分解为四个阶段的多个子问题。最后,轨迹的每个阶段都与相邻阶段通过一组连接约束相连。
基于可达区域计算的要求,通过轨迹优化确定其最大和最小纵向范围以及最大横向范围是非常重要的。使用终端值定义了常见的性能指标:
(1) 最大化纵向范围:
(2) 最小化纵向范围:
(3) 最大化横向范围:
(4) 最小化横向范围:
在确定整个飞行的初始和终端状态,并考虑优化目标和上述物理约束后,无人机的原始轨迹规划问题如下构建:
3.4 使用Radau伪谱方法的轨迹优化
伪谱方法可以通过使用全局多项式进行近似和高斯求积进行积分,将连续的轨迹规划问题转化为离散的非线性规划(NLP)问题,从而显著提高计算效率,如文献[18]中所展示的。在本文中,采用了Legendre–Gauss–Radau(LGR)伪谱方法来提供一组配置点,并离散化第3.3节轨迹优化问题中的所有状态变量、控制变量、性能指标和微分方程。RPM的主要步骤如下:
步骤1:变量转换
整个飞行期间从初始时间t0到终点时间t可以划分为K个时间间隔,所有时间点t都可以进一步单位化为间隔δi,如下所示:
基于此,方程(17)中的微分方程可以重写为:
其中下标k表示第k个时间间隔。
步骤2:基于配置点离散化状态和控制变量
在半开区间[Δt0, Δt]内,可以使用LGR点处的配置来解决最优控制问题,N表示总配置点数。此外,该方法使用的配置点是LGR点加上终点点tN。上述点是通过线性组合得到的根,λn表示n阶勒让德多项式,其表达式为:
表示N+1个拉格朗日多项式的基础,其表达式为:
因此,状态x可以由N+1个拉格朗日多项式的级数近似表示,如下方程所示:
其中下标i表示第i个配置点。类似地,控制量u也可以近似表示为:
步骤3:离散化动态微分方程
然后,方程(33)中近似状态变量x关于t的导数可以表示为:
将方程(30)代入上述方程,得到以下方程:
其中D表示在LG点处每个拉格朗日多项式的导数矩阵。
步骤4:离散化路径约束和边界条件
终端状态和一般路径约束表示为:
此外,一般终端约束表示为:
类似地,一般目标函数可以使用高斯求积近似表示为:
因此,本研究的优化问题可以构建如下:
通过使用GPOPS-II(版本1.0)工具箱解决了上述问题。
4. 基于神经网络的在线可达域预测框架
通过直接方法解决的上述非线性规划问题非常耗时,而传统的可达域预测方法需要使用不同的性能指标(如最大/最小纵向和横向范围)来解决多个轨迹优化问题。因此,直接方法更适合离线计算,但目前很难在线应用[17]。为了实现无人机(UAV)的可达域预测和在线应用,本节提出了一种基于多层前馈神经网络的离线训练和在线应用框架。该方法可以降低计算复杂性并显著缩短计算时间。4.1. 总体方案在本文中,提出了一种基于神经网络的可达域预测方法,利用其非线性拟合能力在当前飞行状态和在多重约束条件下的预测可达域之间建立映射关系,这些约束条件由多个终端边界位置的坐标表示,从而可以通过预训练的网络实时生成可达域。所提出方法的总体方案如图4所示,详细描述如下。图4. 基于神经网络的快速可达域预测框架。4.2. 名义轨迹数据库构建首先,对于在方程(28)中表述的轨迹规划问题和在方程(41)中转换后的问题,通过hp RPM求解在bank角保持为零时的最大和最小纵向范围的两个轨迹。其次,在求解得到的最大纵向范围和最小纵向范围之间,按照以下方式选择间歇性的纵向范围值:(42)其中表示固定的范围间隔,下标n表示所选初始飞行航向角的索引。此外,还解决了一个具有终端纵向范围约束和零bank角的轨迹优化问题。基于RPM,所有这些轨迹都被优化并收集到名义轨迹数据库中。对于其他初始航向角,采用相同的方法构建名义轨迹数据库。详细示例和讨论见第5.2节。4.3. 可达域数据库构建对于选定的初始飞行航向角,无人机按照设计的飞行程序在飞行过程中保持零bank角,从阶段1到阶段3。然而,在飞行的第4阶段,所有火箭发动机耗尽燃料,无人机可以剧烈机动以拦截来袭的无人机。首先,对于每个具有初始航向角的名义轨迹,滑行飞行阶段(标记为阶段4)是我们的研究重点,因为该阶段具有较大的机动能力,选择第i条轨迹的这一阶段的时间点如下:(43)其中表示固定的时间间隔,和分别表示具有初始航向角的第i条轨迹的阶段4的初始时间和结束时间,表示该轨迹的采样时间点总数。在时间点,飞行状态被纳入状态数据库。对于上述轨迹数据库中的所有轨迹,所有采样的飞行状态(总数为)构建状态数据库。如图5所示,状态数据库是通过从各种纵向范围剖面中提取离散点形成的。图5. 不同轨迹上的样本数据选择。其次,将上述采样的飞行状态作为初始状态,然后求解四个具有方程(24)-(27)中描述的性能指标的轨迹优化问题。每个优化的轨迹都有一个终端位置,由终端时间的纬度和经度坐标表示。因此,可以获得所有四个边界点来描述给定高度(40公里)下的水平可达域,这与初始状态相关联,如下所示:(44)详细示例和讨论见第5.2节。4.4. 可达域预测网络的离线训练为了便于实时机载估计,采用BP神经网络来逼近无人机当前状态与其未来可达域之间的复杂映射关系。所选网络输入由以下向量表示:(45)其中表示当前能量,它决定了最大的机动潜力。表示飞行路径角,它决定了初始能量耗散率。表示期望的预测时间,限制了无人机的绝对时间边界。所选网络输出由以下向量表示:(46)其中和分别表示具有性能指标的轨迹优化问题的终端经度和纬度。表示初始纬度,表示初始纬度。通过预测这些相对增量,绝对初始位置仅作为一个地理参考点。在在线应用中,可以通过简单地将N-EKF估计的实时位置加到网络输出上来有效恢复绝对可达边界。4.5. 训练好的可达域预测网络的在线应用对于可达域预测网络的在线应用,无人机的当前飞行状态和给定的预测时间作为网络输入,通过训练好的网络进行预测,以生成无人机在给定预测时间未来的可达域。5. 仿真结果和讨论在本节中,通过严格的数值仿真全面验证了所提出的跟踪到预测的闭环框架。为了明确展示前端状态感知与后端机动评估之间的系统协同作用,实验结果被组织成两个连续的部分。第一部分研究了跟踪模块的状态估计性能,强调其准确性和对卫星观测异常的鲁棒性。随后,第二部分评估了可达域预测模块,突出了神经网络的高保真近似及其与跟踪不确定性的鲁棒兼容性。5.1. 跟踪模块的状态估计性能5.1.1. 名义跟踪性能和比较分析为了评估所提出的牛顿扩展卡尔曼滤波器(Newton Extended Kalman Filter, N-EKF)的跟踪性能,使用了两种方法进行比较:CTLS-EKF算法[26]和SVD-EKF算法[27]。通过仿真计算获得了目标和速度的均方根误差。跟踪结果如图6所示。图6. 在名义观测条件下一不同滤波算法的跟踪性能比较。如位置和速度RMSE的分布所示,标准的SVD-EKF和CTLS-EKF方法表现出明显的稳态偏差和相对较慢的收敛速度。相比之下,所提出的N-EKF算法快速收敛并始终保持最低的误差水平。具体来说,N-EKF的位置误差稳定在大约150米,而速度误差保持在30米/秒附近。5.1.2. 卫星观测丢失的消融研究在前一小节的名义跟踪评估基础上,本节进行了消融研究,以评估该框架对卫星观测异常的鲁棒性。鉴于基于空间的传感器在实际情况中经常遇到数据丢失,进一步在20%和40%的随机测量丢失率下评估了所提出的N-EKF。对于这种特定的评估,传统的CTLS-EKF算法在完全观测条件下作为比较基准。不同丢失严重程度下的跟踪性能如图7所示。图7. 在不同测量丢失率下的跟踪性能。与之前分析的名义N-EKF性能相比,所绘制的曲线表明引入测量间隙仅导致跟踪准确性的轻微下降。即使受到严重的40%丢失率影响,N-EKF也完全避免了数值发散,并且始终优于在完美观测条件下运行的CTLS-EKF基准。5.2. 神经网络模块的可达域预测5.2.1. 可达域的数据集生成(1)名义轨迹数据集的生成根据第4.2节,无人机的初始和最终状态值列在表2中。此外,为了确保无人机的飞行安全,设置了路径约束,并重复上述过程以构建名义轨迹数据库。最大飞行时间为400秒,终端高度指定为40公里。仿真条件见表2。表2. 轨迹数据集生成的仿真条件。为了便于轨迹生成,初始航向角设计为。在这种仿真条件下,最大纵向范围被优化为847公里,最小纵向范围被优化为496公里。因此,选择13公里,总轨迹数为28条。在表3.4中提出的RPM方法下,优化并获取了具有不同终端纵向范围的轨迹的所有状态变量,如图8所示。图8. 具有相同初始航向角的轨迹。此外,初始飞行航向角也可以选择其他值,例如,初始飞行航向角的总数为。通过这种方式,可以构建包含总数为的轨迹数据库。轨迹数据集的参数范围和间隔见表3。因此,上述轨迹被优化并在图9中展示。表3. 轨迹数据集的参数变化。图9. 具有不同初始航向角和不同终端纵向范围的轨迹数据集。(2)在给定初始飞行状态下的水平可达域计算BP网络的训练需要构建一个基本数据库,主要包括三个部分:初始飞行状态、预测时间和给定高度下的水平可达域。在本小节中,选择了一条以初始航向角开始、终端时间为400秒的优化最大纵向范围轨迹作为采样轨迹。此外,选择该轨迹在t = 210秒时刻的状态作为采样初始条件来计算水平可达域,如表4所示:表4. 水平可达域计算的采样初始飞行状态。从这个t = 210秒的时刻开始,使用表4中的初始条件制定了四个轨迹优化问题,它们的性能指标和终端经度及纬度的优化结果分别显示在表5中;所有四个问题的终端高度均为40公里。表5. 水平可达域计算的仿真条件(t = 210秒,使用tf = 400秒)。表5中解决这四个问题的状态变量的优化结果以及采样的普通轨迹分别显示在图10、图11、图12、图13、图14和图15中。使用性能指标J1的轨迹用蓝色实线表示,使用性能指标J3的轨迹用红色虚线表示,使用性能指标J2的轨迹用黑色点划线表示,使用性能指标J4的轨迹用绿色虚线表示。一条轨迹的优化解决方案耗时3秒,解决四条轨迹的可达域计算耗时12秒;该方法不能在线应用。图10. 在给定初始飞行状态下的高度变化。图11. 在给定初始飞行状态下的速度变化。图12. 在给定初始飞行状态下的3D轨迹。图13. 在给定初始飞行状态下的纬度变化。图14. 在给定初始飞行状态下的纵向范围变化。图15. 在给定初始飞行状态下的横向范围变化。图10显示了这四条轨迹随时间的高度变化。问题J2的终端时间为233秒,问题J1的终端时间为400秒。图11显示了这四条轨迹随时间的速度变化。图12和图13显示了这四条轨迹的纬度和经度变化,图13还标示了描述可达域的四组经度和纬度。图14和图15分别显示了纵向和横向范围的变化。(3)根据方程(44)生成可达域数据集为了获取可达域数据集,需要从(2)中构建的名义轨迹数据集中的所有轨迹在不同时间间隔进行采样,以获得状态数据库。状态数据集的参数范围和间隔见表6,上述数据库中的初始状态集合总数为2643 × 72 = 190,296。在指定范围内基于RPM计算初始条件的可达域。表6. 可达域数据集生成的参数变化。在每个初始航向角下,采样了2643组初始状态。此外,每组初始状态都被用来计算具有四个优化轨迹的可到达域。对于给定的初始航向角,所有优化轨迹在第4飞行阶段的状态分别显示在图16、图17、图18和图19中。图16展示了在多种初始状态下高度随时间的变化;图17展示了在多种初始状态下纬度随经度的变化;图18展示了在多种初始状态下的3D轨迹;图19展示了在多种初始状态下横向范围随时间的变化。5.2.2 神经网络驱动的预测与比较分析为了实现快速且准确的可达域估计,本节评估了所采用的BP神经网络的性能。在以下小节中,将严格分析并比较该网络的收敛性能、预测准确性和计算效率与DNN和LSTM的性能。(1) 实验配置和收敛性能在第5.1节获得的可达域数据集包含190,296组初始状态及其对应的最终经度和纬度坐标。为了确保评估的鲁棒性并降低数据泄露的风险,这些样本根据72个初始航向角,通过分层抽样策略被划分为80%、10%和10%的独立训练集、验证集和测试集。这种配置确保了所有数据子集中每个飞行场景都有相应的代表性。所采用的BP网络具有3-13-8的架构,包括3个输入节点、13个隐藏节点和8个输出节点。训练过程使用了缩放的共轭梯度算法,并结合了双曲正切Sigmoid激活函数。为了进行严格的评估,所采用的BP网络与两种代表性架构进行了基准测试,包括一个64-128-128-64的深度神经网络和一个每层有50个隐藏单元的两层LSTM网络。训练收敛特性如图20所示。观察到所采用的BP网络大约在100个时代期内实现了收敛,超过了其他模型的收敛性能。虽然更复杂的架构具有更多的可训练参数,但它们在训练过程中展现出更慢的收敛速度和更大的振荡。这表明过深的模型或递归复杂性可能会阻碍可达域映射问题的优化效率。此外,如表7所示,所采用的BP网络完成单次预测所需的时间最少,明显快于其他模型。这些发现证实了所选配置在模型简洁性和在线性能之间提供了最有效的平衡。图20. 不同神经网络训练损失的变化。表7. 结构复杂性和计算效率的比较。(2) 预测准确性的比较分析在本小节中,对独立测试集进行了比较研究,以评估所采用的BP网络与DNN和LSTM架构的预测准确性。使用以下术语评估神经网络预测输出与采样数据集之间的偏差:(47)其中表示平均绝对误差(MAE),表示均方根误差(RMSE),表示平均绝对相对误差(MARE),表示采样集的总数,表示神经网络在第i个采样集预测的输出状态(包括八个经度和纬度坐标),表示可达域数据中第i个采样集的实际采样坐标。上述测试集(tf = 400秒)中采样轨迹的详细偏差分析了19,029组输入状态,并列在表8中。表8显示,所采用的BP网络在所有指标上都实现了最高的预测准确性。该模型的RMSE为0.0411°,相比堆叠LSTM降低了43.4%。尽管DNN拥有更多的参数,但其MAE仍然高于所采用的BP网络。这表明,对于可达域边界映射来说,简化的结构可以减轻高维模型中常见的过拟合问题。5.2.3 鲁棒性分析和误差传播为了明确展示前端跟踪与后端预测之间的耦合关系,进行了鲁棒性分析。为了量化第5.1节详细描述的 upstream 跟踪残差误差对可达域边界的传播影响,在名义初始状态上应用了±5%的不确定性范围。如图21所示,黑色虚线代表名义预测,而红色阴影区域定义了在跟踪不确定性下的边界范围。实际采样输出由蓝色实线表示,与名义预测紧密跟随并完全落在这个范围内。这种包含关系表明BP网络有效地掌握了非线性误差传播动态,证明了该框架对上游误差的强鲁棒性。图21. 在前端跟踪不确定性下的可达域边界范围。6. 结论凭借其高初始能量和高机动性,无人机可以在大的经度和横向范围内飞行,从而覆盖较大的区域。为了解决从远程位置发射的无人机在情境感知不足的问题,可以通过从卫星获得的信息来增强识别和跟踪上述目标的能力。本文提出了一种基于卫星获取信息的无人机快速可达域预测方法,该方法通过基于优化的方法解决了计算时间长的问题,并通过分析方法解决了适应能力低的问题。基于所提出的精确目标跟踪方法和固有的无人机运动模型,可以利用无人机的当前状态在线预测给定预测时间内的未来可达域。然后,使用RPM优化多个轨迹来构建包含28个不同经度范围和72个不同初始航向角的轨迹数据集。使用轨迹数据集,在不同时间点采样状态,并选择这些状态作为初始飞行条件来构建可达域数据集,其中包含190,296组输入及其对应的输出。通过从可达域数据集生成的训练数据集训练多层前馈神经网络,并通过选定的样本来进一步验证。所有仿真结果都显示,与DNN和堆叠LSTM等更深层次的架构相比,所采用的BP网络有效减轻了过拟合问题,并实现了最高的预测准确性。此外,鲁棒性分析表明BP网络有效地将±5%的上游跟踪不确定性限制在严格可预测的安全范围内。尽管结果令人满意,但目前框架的一个局限性是它假设了一个理想的环境。因此,将真实世界的随机风扰动和复杂机动纳入我们的未来工作将成为重点。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号