CN103995968A - 无人飞行器对地面目标运动轨迹预测的装置及其方法 - Google Patents

Abstract

本发明公开了一种无人飞行器对地面目标运动轨迹预测的装置及其方法，其移动目标数据采集模块通过无人飞行器的机载装置中的机载传感器系统采集地面移动目标的数据；移动目标数据处理模块将地面移动目标轨迹三维极坐标换算成三维直角坐标，并对目标轨迹数据进行标准化处理后进行分析预测；移动目标轨迹生成模块调用预测方法库中的地面移动目标轨迹预测的方法，对移动目标的轨迹标准化数据进行分析预测，并生成预测结果；移动目标轨迹推荐模块结合标准化数据和预测结果计算出当前移动目标轨迹预测结果的推荐度。本发明的地面目标运动轨迹预测的装置及其方法，具有可有效的预测地面移动目标的轨迹、为无人机任务规划系统提供可靠信息等优点。

Description

无人飞行器对地面目标运动轨迹预测的装置及其方法

技术领域

本发明涉及一种无人飞行器对地面目标运动轨迹预测的装置及其方法。

背景技术

无人驾驶飞机简称“无人机”，是一种能够通过无线电遥控或利用自备的控制系统自主控制的无人驾驶飞机。无人机自备的控制系统包括导航飞行控制系统、程序控制系统以及动力和电源等设备。地面控制中心可以通过数据链等设备，对其进行追踪、定位、遥控、遥测和数字传输。无人机相对有人机，它的优点在于方便、体积小、造价低、、适应多种飞行环境要求，因此可以广泛用于空中追踪、侦查、监视、通信、营救、反潜、电子干扰等

目前，无人机的使用仅仅局限在特定的任务，随着无人机应用的不断推广，对无人机的自主控制能力的要求越来越高。那么无人机的自己任务规划就尤为重要，必须增强其任务规划能力，提高效能。现有的无人机一般都没有安装对移动目标轨迹预测的装置，只能在遥控或程控下执行一些特定的任务，不能自主预测移动目标轨迹，缺乏自主任务规划的能力。

发明内容

本发明是为避免上述已有技术中存在的不足之处，提供了一种无人飞行器对地面目标运动轨迹预测的装置及其方法，以解决无人机无法对移动目标轨迹预测的问题、提高无人机自主任务规划的能力。

本发明为解决技术问题，提供了一种无人飞行器对地面目标运动轨迹预测的装置。

无人飞行器对地面目标运动轨迹预测的装置，其结构特点是，设置在无人飞行器的机载装置之中，如图1所示，包括移动目标数据采集模块、移动目标数据处理模块、移动目标轨迹生成模块和移动目标轨迹推荐模块；

所述移动目标数据采集模块，用于通过所述无人飞行器的机载装置中的机载传感器系统采集地面移动目标的数据；

所述移动目标数据处理模块，用于通过将所述地面移动目标轨迹三维极坐标换算成三维直角坐标(即：)，并根据具体的数据类型选择对应的预处理方法对地面移动目标轨迹数据进行标准化处理，从而便于对地面移动目标轨迹数据进行分析预测；

所述移动目标轨迹生成模块：用于调用预测方法库中的地面移动目标轨迹预测的方法，对所述移动目标处理模块得到的移动目标的轨迹标准化数据进行分析预测，并生成地面移动目标轨迹的预测结果；

所述移动目标轨迹推荐模块：用于结合地面移动目标轨迹的标准化数据和移动目标轨迹的预测结果计算出当前所述移动目标轨迹预测结果的推荐度(即地面移动目标轨迹预测结果与实际地面移动目标轨迹的标准化数据之间的差值的平均值)，然后判断所述推荐度是否小于或等于系统设定的推荐阈值。

本发明的无人飞行器对地面目标运动轨迹预测的装置具有以下技术特点。

在所述移动目标数据处理模块中，所述数据类型包括稳定型数据、缺失型数据和波动型数据；其中，所述稳定型数据选择Decimal scaling小数定标标准化，缺失型数据选择z-score标准化，波动型数据选择Min-max标准化。

在所述移动目标轨迹推荐模块中，若推荐度大于或等于系统设定推荐阈值，则装置重新预测移动目标的轨迹；若推荐度小于系统设定的推荐阈值，则装置将移动目标轨迹预测结果提交给任务规划系统，以便于任务规划系统进行任务规划。

本发明还提供了一种所述无人飞行器对地面目标运动轨迹预测的装置的预测方法。

一种根据所述的无人飞行器对地面目标运动轨迹预测的装置的预测方法，其流程图如图2所示，包括以下步骤：

步骤1：通过所述无人飞行器的机载装置中的机载传感器系统采集地面移动目标的数据；

步骤2：通过将所述地面移动目标轨迹三维极坐标换算成三维直角坐标，并根据具体的数据类型选择对应的预处理方法对地面移动目标轨迹数据进行标准化处理，从而便于对地面移动目标轨迹数据进行分析预测；

步骤3：调用预测方法库中的地面移动目标轨迹预测的方法，对所述移动目标处理模块得到的移动目标的轨迹标准化数据进行分析预测，并生成地面移动目标轨迹的预测结果；

步骤4：结合地面移动目标轨迹的标准化数据和移动目标轨迹的预测结果，计算出当前所述移动目标轨迹预测结果的推荐度，然后判断所述推荐度是否小于或等于系统设定的推荐阈值；若是，则输出移动目标轨迹预测结果；若非，则返回步骤1。

在所述步骤2中，所述标准化处理的过程包括地面移动目标轨迹原始数据的累加的步骤；

假设所要预测的地面移动目标轨迹原始X坐标值经标准化处理后得到的序列为：x⁽⁰⁾＝{x⁽⁰⁾(1),x⁽⁰⁾(2),x⁽⁰⁾(3),…,x⁽⁰⁾(n)}；

所述地面移动目标轨迹原始数据的累加，即对地面移动目标轨迹原始X坐标值序列进行累加处理，构造地面移动目标轨迹X坐标值背景值节点序列令

$\left\{\begin{array}{c}{x}_k=k\\ f\left(x_k\right)=x^{\left(1\right)}\left(k\right)\end{array}\right.,$ 其中，k＝1,2,...,n     (1)

公式(1)中，x⁽¹⁾(k)是将地面移动目标轨迹原始X坐标上离散的随机数经过依次累加，削弱其随机性，得到较有规律的生成数，即：

在所述步骤3中，在对所述移动目标处理模块得到的移动目标的轨迹标准化数据进行分析预测过程中，包括地面移动目标轨迹的背景值生成的步骤；

所述地面移动目标轨迹的背景值生成公式为：

$z^{\left(1\right)}(k+1)={\∫}_{x_k}^{x_{k+1}}h\left(x\right)\mathrm{dx},$ 其中x∈[x_k,x_k+1]     (2)

公式(2)中，k＝1,2,...,n-1；

公式(2)中的h(x)就是所构造的唯一存在的埃尔米特插值多项式，即：

$h\left(x\right)=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}f\left(x_k\right){\mathrm{\α}}_k\left(x\right)+\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{f}^{\′}\left(x_k\right){\mathrm{\β}}_k\left(x\right)---\left(3\right)$

公式(3)中，f′(x_k)＝S′(x_k)， ${\mathrm{\α}}_k\left(x\right)=[1+2(x_k-x)\underset{k\≠i}{\overset{n}{\underset{i=1}{\mathrm{\Σ}}}}\frac{1}{x_k-x_i}]{l_k}^2\left(x\right),$ β_k(x)＝(x-x_k)l²(x_k)， $l_k\left(x\right)=\frac{(x-x_1)...(x-x_{k-1})(x-x_{k+1})...(x-x_n)}{(x_k-x_1)...(x_k-x_{k-1})(x_k-x_{k+1})...(x_k-x_n)},$ k＝1,2,...,n；f′(x_k)＝S′(x_k)，S′(x_k)就是利用三次样条插值生成的地面移动目标轨迹X坐标背景值节点的一阶导数值，即：

$S^{\′}=-M_{i-1}\frac{{(x_i-x)}^2}{2}+M_i\frac{{\left(x_{i-1}x\right)}^2}{2}+A_i,x\∈[x_{i-1},x_i]---\left(4\right)$

公式(4)中，M_i＝S′′(x_i),M₁＝M_n＝0,i＝2,...,n。

在所述步骤3中，在对所述移动目标处理模块得到的移动目标的轨迹标准化数据进行分析预测过程中，包括建立地面移动目标轨迹预测的灰色预测模型的步骤；

所述地面移动目标轨迹预测的灰色预测模型为灰色系统GM(1,1)模型；

即：

$\widehat{x^{\left(1\right)}}(t+1)=\left[\widehat{x^{\left(0\right)}\left(1\right)-\frac{u}{a}}\right]e^{-\mathrm{at}}+\frac{u}{a},t=\mathrm{1,2}...n---\left(5\right)$

式(5)中：a，u均为估计参数；a为发展系数，u为灰色作用量；

估计参数a，u是由最小二乘法拟合求取的；即：

$\left[\begin{array}{c}a\\ u\end{array}\right]={\left(B^{T}B\right)}^{-1}{B}^{T}Y---\left(6\right)$

式(6)中：

$B=\left[\begin{array}{cc}{-z}^{\left(1\right)}\left(2\right)& 1\\ ...& ...\\ {-z}^{\left(1\right)}\left(n\right)& 1\end{array}\right]$

Y＝[x⁽⁰⁾(2),x⁽⁰⁾(3),…,x⁽⁰⁾(n)]

$u=\frac{{\mathrm{dx}}^{\left(1\right)}\left(t\right)}{\mathrm{dt}}+{\mathrm{ax}}^{\left(1\right)}.$

在所述步骤3中，在对所述移动目标处理模块得到的移动目标的轨迹标准化数据进行分析预测过程中，包括地面移动目标轨迹预测结果还原的步骤；

所述地面移动目标轨迹预测结果还原就是将地面移动目标轨迹预测的累加值还原为地面移动目标轨迹X坐标的预测值；即：

$\begin{array}{c}\widehat{x^{\left(0\right)}}(t+1)=\widehat{x^{\left(1\right)}}(t+1)-\widehat{x^{\left(1\right)}}\left(t\right)\\ =(1-e^a)[x^{\left(0\right)}\left(1\right)-\frac{u}{a}]e^{-\mathrm{at}},t=\mathrm{1,2},...,n\end{array}---\left(7\right).$

与已有技术相比，本发明有益效果体现在：

本发明提出了一种无人飞行器对地面目标运动轨迹预测的装置及其方法，装置包括移动目标数据采集模块、移动目标数据处理模块、移动目标轨迹生成模块、移动目标轨迹推荐模块。所述装置通过机载传感器系统实时采集地面移动目标的轨迹数据，并对采集到的数据进行处理，从而便于所述装置对地面移动目标轨迹数据的分析与预测，最后将符合推荐阈的地面移动目标轨迹预测结果推荐给任务规划系统。该方法是基于对移动目标轨迹的X、Y、Z三维坐标值的预测而实现的。本发明的无人飞行器对地面目标运动轨迹预测的装置及其方法，通过分别对地面移动目标的X、Y、Z三个坐标值进行预测，可以有效的预测地面移动目标的轨迹，适应无人机发展需求，同时为无人机任务规划系统提供了可靠的信息。

本发明的地面目标运动轨迹预测的装置及其方法，具有可有效的预测地面移动目标的轨迹、为无人机任务规划系统提供可靠信息等优点。

附图说明

图1为本发明的无人飞行器对地面目标运动轨迹预测的装置的结构框图。

图2为本发明的无人飞行器对地面目标运动轨迹预测的装置的方法的流程图。

图3为设置了本发明的无人飞行器对地面目标运动轨迹预测的装置的机载装置的原理框图。

以下通过具体实施方式，对本发明作进一步说明。

具体实施方式

参加图1～图3，无人飞行器对地面目标运动轨迹预测的装置，其设置在无人飞行器的机载装置之中，(如图1所示，)包括移动目标数据采集模块、移动目标数据处理模块、移动目标轨迹生成模块和移动目标轨迹推荐模块；

所述移动目标数据采集模块，用于通过所述无人飞行器的机载装置中的机载传感器系统采集地面移动目标的数据；所采集的数据包括通过机载雷达传感器采集移动目标的轨迹三维极坐标(以无人机为原点的三维极坐标系，分别是距离ρ、方位角θ、高度角φ)、通过机载激光传感器采集移动目标的速度等。

所述移动目标数据处理模块，用于通过将所述地面移动目标轨迹三维极坐标换算成三维直角坐标(即：)，并根据具体的数据类型选择对应的预处理方法对地面移动目标轨迹数据进行标准化处理，从而便于对地面移动目标轨迹数据进行分析预测；

所述移动目标轨迹生成模块：用于调用预测方法库中的地面移动目标轨迹预测的方法，对所述移动目标处理模块得到的移动目标的轨迹标准化数据进行分析预测，并生成地面移动目标轨迹的预测结果；

所述移动目标轨迹推荐模块：用于结合地面移动目标轨迹的标准化数据和移动目标轨迹的预测结果计算出当前所述移动目标轨迹预测结果的推荐度(即地面移动目标轨迹预测结果与实际地面移动目标轨迹的标准化数据之间的差值的平均值)，然后判断所述推荐度是否小于或等于系统设定的推荐阈值。

由所述机载装置通过机载传感器获取地面移动目标X、Y、Z三维坐标值，并对所获取的坐标数据进行处理，然后依据处理后的数据对地面移动目标轨迹进行预测，最后将符合推荐阈条件的地面移动目标轨迹预测结果推荐给任务规划系统。

在所述移动目标数据处理模块中，所述数据类型包括稳定型数据、缺失型数据和波动型数据；其中，所述稳定型数据选择Decimal scaling小数定标标准化，缺失型数据选择z-score标准化，波动型数据选择Min-max标准化。

在所述移动目标轨迹推荐模块中，若推荐度大于或等于系统设定推荐阈值，则装置重新预测移动目标的轨迹；若推荐度小于系统设定的推荐阈值，则装置将移动目标轨迹预测结果提交给任务规划系统，以便于任务规划系统进行任务规划。

一种根据所述的无人飞行器对地面目标运动轨迹预测的装置的预测方法，如图2所示，包括以下步骤：

步骤1：通过所述无人飞行器的机载装置中的机载传感器系统采集地面移动目标的数据；

步骤2：通过将所述地面移动目标轨迹三维极坐标换算成三维直角坐标，并根据具体的数据类型选择对应的预处理方法对地面移动目标轨迹数据进行标准化处理，从而便于对地面移动目标轨迹数据进行分析预测；

步骤3：调用预测方法库中的地面移动目标轨迹预测的方法，对所述移动目标处理模块得到的移动目标的轨迹标准化数据进行分析预测，并生成地面移动目标轨迹的预测结果；

步骤4：结合地面移动目标轨迹的标准化数据和移动目标轨迹的预测结果，计算出当前所述移动目标轨迹预测结果的推荐度，然后判断所述推荐度是否小于或等于系统设定的推荐阈值；若是，则输出移动目标轨迹预测结果；若非，则返回步骤1。

在所述步骤2中，所述标准化处理的过程包括地面移动目标轨迹原始数据的累加的步骤；

假设所要预测的地面移动目标轨迹原始X坐标值经标准化处理后得到的序列为：x⁽⁰⁾＝{x⁽⁰⁾(1),x⁽⁰⁾(2),x⁽⁰⁾(3),…,x⁽⁰⁾(n)}；

所述地面移动目标轨迹原始数据的累加，即对地面移动目标轨迹原始X坐标值序列进行累加处理，构造地面移动目标轨迹X坐标值背景值节点序列令

$\left\{\begin{array}{c}{x}_k=k\\ f\left(x_k\right)=x^{\left(1\right)}\left(k\right)\end{array}\right.,$ 其中，k＝1,2,...,n     (1)

公式(1)中，x⁽¹⁾(k)是将地面移动目标轨迹原始X坐标上离散的随机数经过依次累加，削弱其随机性，得到较有规律的生成数，即：k＝1,2,...,n。

在所述步骤3中，在对所述移动目标处理模块得到的移动目标的轨迹标准化数据进行分析预测过程中，包括地面移动目标轨迹的背景值生成的步骤；

所述地面移动目标轨迹的背景值生成公式为：

$z^{\left(1\right)}(k+1)={\∫}_{x_k}^{x_{k+1}}h\left(x\right)\mathrm{dx},$ 其中x∈[x_k,x_k+1]     (2)

公式(2)中，k＝1,2,...,n-1；

公式(2)中的h(x)就是所构造的唯一存在的埃尔米特插值多项式，即：

$h\left(x\right)=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}f\left(x_k\right){\mathrm{\α}}_k\left(x\right)+\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{f}^{\′}\left(x_k\right){\mathrm{\β}}_k\left(x\right)---\left(3\right)$

公式(3)中，f′(x_k)＝S′(x_k)， ${\mathrm{\α}}_k\left(x\right)=[1+2(x_k-x)\underset{k\≠i}{\overset{n}{\underset{i=1}{\mathrm{\Σ}}}}\frac{1}{x_k-x_i}]{l_k}^2\left(x\right),$ β_k(x)＝(x-x_k)l²(x_k)， $l_k\left(x\right)=\frac{(x-x_1)...(x-x_{k-1})(x-x_{k+1})...(x-x_n)}{(x_k-x_1)...(x_k-x_{k-1})(x_k-x_{k+1})...(x_k-x_n)},$ k＝1,2,...,n；f′(x_k)＝S′(x_k)，S′(x_k)就是利用三次样条插值生成的地面移动目标轨迹X坐标背景值节点的一阶导数值，即：

$S^{\′}=-M_{i-1}\frac{{(x_i-x)}^2}{2}+M_i\frac{{(x_{i-1}-x)}^2}{2}+A_i,x\∈[x_{i-1},x_i]---\left(4\right)$

公式(4)中，M_i＝S′′(x_i),M₁＝M_n＝0,i＝2,...,n。

在所述步骤3中，在对所述移动目标处理模块得到的移动目标的轨迹标准化数据进行分析预测过程中，包括建立地面移动目标轨迹预测的灰色预测模型的步骤；

所述地面移动目标轨迹预测的灰色预测模型为灰色系统GM(1,1)模型；

即：

$\widehat{x^{\left(1\right)}}(t+1)=\left[x^{\widehat{\left(0\right)}}\left(1\right)-\frac{u}{a}\right]e^{-\mathrm{at}}+\frac{u}{a},t=\mathrm{1,2}...n---\left(5\right)$

式(5)中：a，u均为估计参数；a为发展系数，u为灰色作用量；

估计参数a，u是由最小二乘法拟合求取的；即：

$\left[\begin{array}{c}a\\ u\end{array}\right]={\left(B^{T}B\right)}^{-1}{B}^{T}Y---\left(6\right)$

式(6)中：

$B=\left[\begin{array}{cc}{-z}^{\left(1\right)}\left(2\right)& 1\\ ...& ...\\ {-z}^{\left(1\right)}\left(n\right)& 1\end{array}\right]$

Y=[x⁽⁰⁾(2)，x⁽⁰⁾(3)，...，x⁽⁰⁾(n)]

$u=\frac{{\mathrm{dx}}^{\left(1\right)}\left(t\right)}{\mathrm{dt}}+{\mathrm{ax}}^{\left(1\right)}.$

在所述步骤3中，在对所述移动目标处理模块得到的移动目标的轨迹标准化数据进行分析预测过程中，包括地面移动目标轨迹预测结果还原的步骤；

所述地面移动目标轨迹预测结果还原就是将地面移动目标轨迹预测的累加值还原为地面移动目标轨迹X坐标的预测值；即：

$\begin{array}{c}\widehat{x^{\left(0\right)}}(t+1)=\widehat{x^{\left(1\right)}}(t+1)-\widehat{x^{\left(1\right)}}\left(t\right)\\ =(1-e^a)[x^{\left(0\right)}\left(1\right)-\frac{u}{a}]e^{-\mathrm{at}},t=\mathrm{1,2},...,n\end{array}---\left(7\right).$

本发明的无人飞行器对地面目标运动轨迹预测的装置，设置在无人飞行器的机载装置之中。机载装置的原理框图如图3所示。

机载装置通过机载传感器获取地面移动目标X、Y、Z三维坐标值，并对所获取的坐标数据进行处理，然后依据处理后的数据对地面移动目标轨迹进行预测，最后将符合推荐阈条件的地面移动目标轨迹预测结果推荐给任务规划系统。

下面通过举例说明预测方法的过程。

(1)移动目标轨迹原始数据的累加

假定所要预测的移动目标轨迹原始X坐标值经标准化处理后得到的序列为：

x⁽⁰⁾＝{x⁽⁰⁾(1),x⁽⁰⁾(2),x⁽⁰⁾(3),…,x⁽⁰⁾(n)}

＝{63.4,69.45,74.29,79.89,86.41}

对x⁽⁰⁾作累加处理：

x⁽¹⁾＝{x⁽¹⁾(1),x⁽¹⁾(2),x⁽¹⁾(3),x⁽¹⁾(4),x⁽¹⁾(5)}

＝{63.4,132.85,207.14,287.03,373.44}

移动目标轨迹X坐标值背景值节点序列为：

$\begin{array}{c}{\left\{(k,x^{\left(1\right)}\left(k\right))\right\}}_{k=1}^n=\{(1,x^{\left(1\right)}\left(1\right)),(2,x^{\left(1\right)}\left(2\right)),(3,x^{\left(1\right)}\left(3\right)),(4,x^{\left(1\right)}\left(4\right)),(5,x^{\left(1\right)}\left(5\right))\}\\ =\{(\mathrm{1,63}.4),\left(\mathrm{2,132.85}\right),\left(\mathrm{3,207.14}\right),\left(\mathrm{4,287.03}\right),\left(\mathrm{5,373.44}\right)\}\end{array}$

(2)移动目标轨迹的背景值生成

利用三次样条插值生成的移动目标轨迹X坐标背景值节点的一阶导数值S′(x_k)：

S′(x_k)＝{S′(1),S′(2),S′(3),S′(4),S′(5)}

＝{6.412,5.3261,4.9537,6.1789,6.6905}

构造的唯一存在的埃尔米特插值多项式h(x)，求取背景值z⁽¹⁾(k+1)

$\begin{array}{c}{z}^{\left(1\right)}(k+1)=\{z^{\left(1\right)}\left(2\right),z^{\left(1\right)}\left(3\right),z^{\left(1\right)}\left(4\right),z^{\left(1\right)}\left(5\right)\}\\ =\{{\∫}_1^{2}h\left(x\right)\mathrm{dx},{\∫}_2^{3}h\left(x\right)\mathrm{dx},{\∫}_3^{4}h\left(x\right)\mathrm{dx},{\∫}_4^{5}h\left(x\right)\mathrm{dx}\}=\left\{\mathrm{98.2155,170.026,246.9829,330.1924}\right\}\end{array}$

(3)建立移动目标轨迹预测的灰色预测模型

建立移动目标轨迹预测的灰色预测模型即为GM(1,1)模型。

即：

$\widehat{x^{\left(1\right)}}(t+1)=[\widehat{x^{\left(0\right)}}\left(1\right)-\frac{u}{a}]e^{-\mathrm{at}}+\frac{u}{a},t=\mathrm{1,2},...n$

由z⁽¹⁾(k+1)可得：

$B=\left[\begin{array}{c}-z^{\left(1\right)}\left(2\right)1\\ {-z}^{\left(1\right)}\left(3\right)1\\ {-z}^{\left(1\right)}\left(4\right)1\\ {-z}^{\left(1\right)}\left(5\right)1\end{array}\right]=\left[\begin{array}{c}-98.21551\\ -170.0261\\ -26.98291\\ -330.19241\end{array}\right],Y=\left[\begin{array}{c}{y}^{\left(0\right)}\left(2\right)\\ x^{\left(0\right)}\left(3\right)\\ x^{\left(0\right)}\left(4\right)\\ x^{\left(0\right)}\left(5\right)\end{array}\right]=\left[\begin{array}{c}69.45\\ 74.29\\ 79.89\\ 89.41\end{array}\right].$

由式(6)得：

$\left[\begin{array}{c}a\\ u\end{array}\right]={\left(B^{T}B\right)}^{-1}{B}^{T}Y=\left[\begin{array}{c}-0.0732\\ 62.0479\end{array}\right],$

其中： $u=\frac{{\mathrm{dx}}^{\left(1\right)}\left(t\right)}{\mathrm{dt}}-0.0732x^{\left(1\right)}=62.40479,$

(4)移动目标轨迹预测结果还原

将移动目标轨迹预测的累加值还原为移动目标轨迹X坐标的预测值。即：

$\widehat{x^{\left(1\right)}}\left(6\right)=\widehat{x^{\left(1\right)}}\left(6\right)-\widehat{x^{\left(1\right)}}\left(5\right)=92.7666.$

Claims (8)

1.无人飞行器对地面目标运动轨迹预测的装置，其特征是，设置在无人飞行器的机载装置之中，(如图1所示，)包括移动目标数据采集模块、移动目标数据处理模块、移动目标轨迹生成模块和移动目标轨迹推荐模块；

所述移动目标数据采集模块，用于通过所述无人飞行器的机载装置中的机载传感器系统采集地面移动目标的数据；

所述移动目标数据处理模块，用于通过将所述地面移动目标轨迹三维极坐标换算成三维直角坐标(即：)，并根据具体的数据类型选择对应的预处理方法对地面移动目标轨迹数据进行标准化处理，从而便于对地面移动目标轨迹数据进行分析预测；

所述移动目标轨迹生成模块：用于调用预测方法库中的地面移动目标轨迹预测的方法，对所述移动目标处理模块得到的移动目标的轨迹标准化数据进行分析预测，并生成地面移动目标轨迹的预测结果；

所述移动目标轨迹推荐模块：用于结合地面移动目标轨迹的标准化数据和移动目标轨迹的预测结果计算出当前所述移动目标轨迹预测结果的推荐度(即地面移动目标轨迹预测结果与实际地面移动目标轨迹的标准化数据之间的差值的平均值)，然后判断所述推荐度是否小于或等于系统设定的推荐阈值。

2.根据权利要求1所述的无人飞行器对地面目标运动轨迹预测的装置，其特征是，在所述移动目标数据处理模块中，所述数据类型包括稳定型数据、缺失型数据和波动型数据；其中，所述稳定型数据选择Decimal scaling小数定标标准化，缺失型数据选择z-score标准化，波动型数据选择Min-max标准化。

3.根据权利要求1所述的无人飞行器对地面目标运动轨迹预测的装置，其特征是，在所述移动目标轨迹推荐模块中，若推荐度大于或等于系统设定推荐阈值，则装置重新预测移动目标的轨迹；若推荐度小于系统设定的推荐阈值，则装置将移动目标轨迹预测结果提交给任务规划系统，以便于任务规划系统进行任务规划。

4.一种根据权利要求1所述的无人飞行器对地面目标运动轨迹预测的装置的预测方法，其特征是，(如图2所示，)包括以下步骤：

步骤1：通过所述无人飞行器的机载装置中的机载传感器系统采集地面移动目标的数据；

步骤2：通过将所述地面移动目标轨迹三维极坐标换算成三维直角坐标，并根据具体的数据类型选择对应的预处理方法对地面移动目标轨迹数据进行标准化处理，从而便于对地面移动目标轨迹数据进行分析预测；

步骤3：调用预测方法库中的地面移动目标轨迹预测的方法，对所述移动目标处理模块得到的移动目标的轨迹标准化数据进行分析预测，并生成地面移动目标轨迹的预测结果；

步骤4：结合地面移动目标轨迹的标准化数据和移动目标轨迹的预测结果，计算出当前所述移动目标轨迹预测结果的推荐度，然后判断所述推荐度是否小于或等于系统设定的推荐阈值；若是，则输出移动目标轨迹预测结果；若非，则返回步骤1。

5.根据权利要求4所述的无人飞行器对地面目标运动轨迹预测的装置的预测方法，其特征是，在所述步骤2中，所述标准化处理的过程包括地面移动目标轨迹原始数据的累加的步骤；

假设所要预测的地面移动目标轨迹原始X坐标值经标准化处理后得到的序列为：x⁽⁰⁾＝{x⁽⁰⁾(1),x⁽⁰⁾(2),x⁽⁰⁾(3),…,x⁽⁰⁾(n)}；

所述地面移动目标轨迹原始数据的累加，即对地面移动目标轨迹原始X坐标值序列进行累加处理，构造地面移动目标轨迹X坐标值背景值节点序列令

$\left\{\begin{array}{c}{x}_k=k\\ f\left(x_k\right)=x^{\left(1\right)}\left(k\right)\end{array}\right.,$ 其中，k＝1,2,...,n      (1)

公式(1)中，x⁽¹⁾(k)是将地面移动目标轨迹原始X坐标上离散的随机数经过依次累加，削弱其随机性，得到较有规律的生成数，即：

6.根据权利要求4所述的无人飞行器对地面目标运动轨迹预测的装置的预测方法，其特征是，在所述步骤3中，在对所述移动目标处理模块得到的移动目标的轨迹标准化数据进行分析预测过程中，包括地面移动目标轨迹的背景值生成的步骤；

所述地面移动目标轨迹的背景值生成公式为：

$z^{\left(1\right)}(k+1)={\∫}_{x_k}^{x_{k+1}}h\left(x\right)\mathrm{dx},$ 其中x∈[x_k,x_k+1](2)

公式(2)中，k＝1,2,...,n-1；

公式(2)中的h(x)就是所构造的唯一存在的埃尔米特插值多项式，即：

$h\left(x\right)=\underset{k=1}{\overset{n}{\mathrm{\Σ}}}f\left(x_k\right){\mathrm{\α}}_k\left(x\right)+\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{f}^{\text{'}}\left(x_k\right){\mathrm{\β}}_k\left(x\right)---\left(3\right)$

公式(3)中，f′(x_k)＝S′(x_k)， ${\mathrm{\α}}_k\left(x\right)=[1+2(x_k-x)\underset{k\≠i}{\overset{n}{\underset{i=1}{\mathrm{\Σ}}}}\frac{1}{x_k-x_i}]{l_k}^2\left(x\right),$ β_k(x)＝(x-x_k)l²(x_k)， $l_k\left(x\right)=\frac{(x-x_1)...(x-x_{k-1})(x-x_{k+1})...(x-x_n)}{(x_k-x_1)...(x_k-x_{k-1})(x_k-x_{k+1})...(x_k-x_n)},$ k＝1,2,...,n；f′(x_k)＝S′(x_k)，S′(x_k)就是利用三次样条插值生成的地面移动目标轨迹X坐标背景值节点的一阶导数值，即：

$S^{\′}=-M_{i-1}\frac{{(x_i-x)}^2}{2}+M_i\frac{{\left(x_{i-1}x\right)}^2}{2}+A_i,x\∈[x_{i-1},x_i]---\left(4\right)$

公式(4)中，M_i＝S′′(x_i),M₁＝M_n＝0,i＝2,...,n。

7.根据权利要求4所述的无人飞行器对地面目标运动轨迹预测的装置的预测方法，其特征是，在所述步骤3中，在对所述移动目标处理模块得到的移动目标的轨迹标准化数据进行分析预测过程中，包括建立地面移动目标轨迹预测的灰色预测模型的步骤；

所述地面移动目标轨迹预测的灰色预测模型为灰色系统GM(1,1)模型；

即：

$\widehat{x^{\left(1\right)}}(t+1)=\left[\widehat{x^{\left(0\right)}\left(1\right)-\frac{u}{a}}\right]e^{-\mathrm{at}}+\frac{u}{a},t=\mathrm{1,2}...n---\left(5\right)$

式(5)中：a，u均为估计参数；a为发展系数，u为灰色作用量；

估计参数a，u是由最小二乘法拟合求取的；即：

$\left[\begin{array}{c}a\\ u\end{array}\right]={\left(B^{T}B\right)}^{-1}{B}^{T}Y---\left(6\right)$

式(6)中：

$b=\left[\begin{array}{cc}{-z}^{\left(1\right)}\left(2\right)& 1\\ ...& ...\\ {-z}^{\left(1\right)}\left(n\right)& 1\end{array}\right]$

Y=[x⁽⁰⁾(2)，x⁽⁰⁾(3)，...，x⁽⁰⁾(n)]

$u=\frac{{\mathrm{dx}}^{\left(1\right)}\left(t\right)}{\mathrm{dt}}+{\mathrm{ax}}^{\left(1\right)}.$

8.根据权利要求4所述的无人飞行器对地面目标运动轨迹预测的装置的预测方法，其特征是，在所述步骤3中，在对所述移动目标处理模块得到的移动目标的轨迹标准化数据进行分析预测过程中，包括地面移动目标轨迹预测结果还原的步骤；

所述地面移动目标轨迹预测结果还原就是将地面移动目标轨迹预测的累加值还原为地面移动目标轨迹X坐标的预测值；即：

$\begin{array}{c}\widehat{x^{\left(0\right)}}(t+1)=\widehat{x^{\left(1\right)}}(t+1)-\widehat{x^{\left(1\right)}}\left(t\right)\\ =(1-e^a)[x^{\left(0\right)}\left(1\right)-\frac{u}{a}]e^{-\mathrm{at}},t=\mathrm{1,2},...,n\end{array}---\left(7\right).$