CN113627104B - 多约束条件下的水下潜艇航迹模拟方法和装置及设备 - Google Patents
多约束条件下的水下潜艇航迹模拟方法和装置及设备 Download PDFInfo
- Publication number
- CN113627104B CN113627104B CN202110925725.1A CN202110925725A CN113627104B CN 113627104 B CN113627104 B CN 113627104B CN 202110925725 A CN202110925725 A CN 202110925725A CN 113627104 B CN113627104 B CN 113627104B
- Authority
- CN
- China
- Prior art keywords
- track
- underwater target
- underwater
- probability distribution
- sampling
- 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 77
- 238000004088 simulation Methods 0.000 title claims abstract description 49
- 238000005070 sampling Methods 0.000 claims abstract description 109
- 230000007704 transition Effects 0.000 claims description 14
- 238000001514 detection method Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 5
- 238000005309 stochastic process Methods 0.000 abstract description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Abstract
本申请涉及一种多约束条件下的水下潜艇航迹模拟方法和装置及设备,其中方法包括:获取水下目标的初始位置概率分布和水下目标的运动学参数的概率分布;在采样时间序列的初始时刻,根据初始位置概率分布对水下目标的初始位置进行采样,并根据水下目标的运动学参数的概率分布对水下目标的运动学参数进行采样,得到首个航迹点;基于首个航迹点,按照采样时间序列采用马尔可夫模型依次得到位于首个航迹点后的各航迹点,生成相应的水下目标航迹;其中,马尔可夫模型用于表征水下目标运动的随机过程。其只需要分别独立进行初始位置的采样和运动状态的采样即可,这就大大降低了水下目标航迹模拟的难度系数,使得水下目标航迹模拟更加简单,且易于实现。
Description
技术领域
本申请涉及水下目标搜索技术领域,尤其涉及一种多约束条件下的水下潜艇航迹模拟方法和装置及设备。
背景技术
水下目标三维航迹模拟指的是在执行搜索路径规划之前,对目标(即,水下航行器,如:水下潜艇)的轨迹进行分析和预测,并给出其轨迹的概率分布,其对搜索路径规划提供了有效参考。通常,水下目标航迹模拟的方法包括基于航迹点的轨迹关联法和随机采样模拟法等。
其中,基于航迹点的轨迹关联法主要是应用在目标检测盒跟踪上,需要预先得到(包含噪声和干扰)的轨迹点集,然后根据各种约束条件找到可能的轨迹。而水下搜索路径规划任务通常需要在探测到目标之前进行,因此该方法在任务时序上是不可行的。而关于随机采样模拟法,则是一种利用统计模拟方法解决复杂问题的数值型求解方法。在最优搜索路径规划任务中,该方法的作用是获取目标航迹样本集合来表征目标运动轨迹的概率分布。在该方法中,目标的运动状态需要多个状态变量进行描述,但是这些变量的联合概率分布的求解和表述非常复杂,这就使得在使用随机采样模拟法进行水下目标航迹模拟时的难度系数较大。
发明内容
有鉴于此,本申请提出了一种多约束条件下的水下潜艇航迹模拟方法,可以大大降低水下目标航机模拟的难度系数。
根据本申请的一方面,提供了一种多约束条件下的水下潜艇航迹模拟方法,包括:
获取水下目标的初始位置概率分布和水下目标的运动学参数的概率分布;
在采样时间序列的初始时刻,根据所述初始位置概率分布对所述水下目标的初始位置进行采样,并根据所述水下目标的运动学参数的概率分布对所述水下目标的运动学参数进行采样,得到首个航迹点;
基于所述首个航迹点,按照所述采样时间序列采用马尔可夫模型依次得到位于所述首个航迹点后的各航迹点,生成相应的水下目标航迹;
其中,所述马尔可夫模型用于表征所述水下目标运动的随机过程。
在一种可能的实现方式中,所述初始位置概率分布根据当前任务类型进行确定;
所述水下目标的运动学参数的概率分布根据所述水下目标的参数信息进行确定。
在一种可能的实现方式中,还包括:
选定坐标系并建立所述水下目标的运动模型;所述运动模型中的状态变量为:[x,y,z,v,θ,vz];
根据所述运动模型的动力学公式求解出状态转移矩阵;
其中,所述水下目标的运动模型的动力学公式基于马尔可夫模型确定;
x,y,z分别是水下目标在各坐标轴上的坐标,v,θ分别是水下目标在XY平面上的速度和航向,vz是水下目标在Z轴方向的速度。
在一种可能的实现方式中,采用所构建的马尔可夫模型依次得到位于所述首个航迹点后的各航迹点,生成相应的水下目标航迹之后,还包括:将所述水下目标航迹添加至航迹样本集合中的步骤。
在一种可能的实现方式中,将所述水下目标航迹添加至航迹样本集合中之前,还包括:根据预设的约束条件对所述水下目标航迹进行筛选的步骤。
在一种可能的实现方式中,所述约束条件包括在所述水下目标执行探测任务时,偏向于不使探测覆盖区域重复。
在一种可能的实现方式中,采用所构建的马尔可夫模型依次得到位于所述首个航迹点后的各航迹点,生成相应的水下目标航迹之后,还包括:
判断所述水下目标航迹的航迹时长是否达到预设时长;
在判断出所述水下目标航迹的航迹时长未达到所述预设时长时,继续执行采用所构建的马尔可夫模型依次得到位于所述首个航迹点后的各航迹点的步骤。
在一种可能的实现方式中,在将所述水下目标航迹添加至航迹样本集合中后,还包括:
判断所述航迹样本集合中的当前样本数量是否达到预设样本数;
在判断出所述航迹样本集合中的当前样本数量未达到所述预设样本数时,继续执行根据所述初始位置概率分布对所述水下目标的初始位置进行采样,并根据所述水下目标的运动学参数的概率分布对所述水下目标的运动学参数进行采样,得到首个航迹点的步骤。
根据本申请的另一方面,还提供了一种多约束条件下的水下潜艇航迹模拟装置,包括分布参数获取模块、初始时刻采样模块和后续时刻采样模块;
所述分布参数获取模块,被配置为获取水下目标的初始位置概率分布和水下目标的运动学参数的概率分布;
所述初始时刻采样模块,被配置为在采样时间序列的初始时刻,根据所述初始位置概率分布对所述水下目标的初始位置进行采样,并根据所述水下目标的运动学参数的概率分布对所述水下目标的运动学参数采样,得到首个航迹点;
所述后续时刻采样模块,被配置为基于所述首个航迹点,按照所述采样时间序列,采用马尔可夫模型依次得到位于所述首个航迹点后的各航迹点,生成相应的水下目标航迹;
其中,所述马尔可夫模型用于表征所述水下目标运动的随机过程。
根据本申请的另一方面,还提供了一种多约束条件下的水下潜艇航迹模拟设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述可执行指令时实现前面任一所述的方法。
通过分别获取初始位置概率分布和水下目标的运动学参数的概率分布之后,分别执行根据初始位置概率分布对水下目标的初始位置进行采样和根据水下目标的运动学参数的概率分布对水下目标的运动学参数进行采样,然后再按照采样时间序列,基于采样得到的首个航迹点,采用马尔可夫模型进行首个航迹点后的各航迹点的采样,最终得到水下目标航迹。其在实现水下目标航迹的模拟过程中,由于初始位置的采样和运动状态的采样是分别独立执行的,这就有效避免了相关技术中需要求解多个状态变量的联合概率分布的情况。也就是说,本申请实施例的多约束条件下的水下潜艇航迹模拟方法,不需要求解多个状态变量的联合概率分布,只需要分别独立进行初始位置的采样和运动状态的采样即可,这就大大降低了水下目标航迹模拟的难度系数,使得水下目标航迹模拟更加简单,且易于实现。
根据下面参考附图对示例性实施例的详细说明,本申请的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本申请的示例性实施例、特征和方面,并且用于解释本申请的原理。
图1示出本申请实施例的多约束条件下的水下潜艇航迹模拟方法的流程图;
图2示出本申请实施例的多约束条件下的水下潜艇航迹模拟方法的另一流程图;
图3示出本申请实施例的多约束条件下的水下潜艇航迹模拟装置的结构框图;
图4示出本申请实施例的多约束条件下的水下潜艇航迹模拟设备的结构框图。
具体实施方式
以下将参考附图详细说明本申请的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外,为了更好的说明本申请,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本申请同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本申请的主旨。
图1示出根据本申请一实施例的多约束条件下的水下潜艇航迹模拟方法的流程图。如图1所示,该方法包括:步骤S100,获取水下目标的初始位置概率分布和水下目标的运动学参数的概率分布。此处,本领域技术人员可以理解的是,水下目标可以为水下航行器,如:水下潜艇。初始位置概率分布的获取可以根据当前任务类型进行确定。当前任务类型指的是水下目标所执行的任务的类型,如:巡逻任务、应召任务等。具体的,在当前任务类型为巡逻任务时,初始位置概率分别可以设置为均匀分布;在当前任务类型为应召任务时,初始位置概率分布可以设置为正态分布。水下目标的运动学参数的概率分布则可以根据水下目标的参数信息进行确定。此处,还需要解释说明的是,水下目标的运动学参数的概率分布包括速度的概率分布和航向的概率分布。其中,速度的概率分布可以按照水下目标的工作深度范围分段设置为均匀分布,航向的概率分布则可以在无先验信息的情况下设置为均匀分布。
同时,还应当指出的是,水下目标的初始位置概率分布和水下目标的运动学参数的概率分布可以由用户根据水下目标当前的任务类型以及水下目标的参数信息确定之后,直接输入至水下目标航迹模拟系统,也可以由用户输入硬件平台的参数,关于场景和态势的先验信息则通过参数化方法或者是采用描述语言进行描述,然后再通过相应的算法来选择。
也就是说,水下目标的初始位置概率分布和水下目标的运动学参数的概率分布可以直接由用户作为输入参数进行输入来获取,也可以通过用户输入相应的硬件平台参数后,基于硬件平台参数进行相应的算法来获取。在基于硬件平台参数进行相应的算法获取时所采用的算法可以直接采用本领域常规的分布选择算法来实现,此处不再进行赘述。
在获取到水下目标的初始位置概率分布和水下目标的运动学参数的概率分布之后,即可执行步骤S200,在采样时间序列的初始时刻,根据初始位置概率分布对水下目标的初始位置进行采样,并根据水下目标的运动学参数的概率分布对水下目标的运动学参数进行采样,得到首个航迹点。然后,再通过步骤S300,基于得到的首个航迹点,按照采样时间序列,采用所构建的马尔可夫模型依次得到位于首个航迹点后的各航迹点,生成相应的水下目标航迹。此处,需要说明的是,所构建的马尔可夫模型表征了水下目标运动的随机过程。
由此,本申请实施例的多约束条件下的水下潜艇航迹模拟方法,通过分别获取初始位置概率分布和水下目标的运动学参数的概率分布之后,分别执行根据初始位置概率分布对水下目标的初始位置进行采样和根据水下目标的运动学参数的概率分布对水下目标的运动学参数进行采样,然后再按照采样时间序列,基于采样得到的首个航迹点,采用马尔可夫模型进行首个航迹点后的各航迹点的采样,最终得到水下目标航迹。其在实现水下目标航迹的模拟过程中,由于初始位置的采样和运动状态的采样是分别独立执行的,这就有效避免了相关技术中需要求解多个状态变量的联合概率分布的情况。也就是说,本申请实施例的多约束条件下的水下潜艇航迹模拟方法,不需要求解多个状态变量的联合概率分布,只需要分别独立进行初始位置的采样和运动状态的采样即可,这就大大降低了水下目标航迹模拟的难度系数,使得水下目标航迹模拟更加简单,且易于实现。
其中,应当指出的是,在本申请实施例的方法中,水下目标的位置可以通过三个变量(x,y,z)来表征。即,采用笛卡尔直角坐标系,将坐标原点设置在水下目标当前执行的任务场景所包含区域中心点的海平面,并以正东为X轴,正北为Y轴,垂直海平面方向为Z轴后,水下目标的位置即为水下目标在各轴上的坐标。运动状态则可以采用三个变量(v,θ,vz)来表征。其中,v和θ分别表征水下目标在XY平面上的速度和航向,vz则表征水下目标在Z轴方向上的速度。
另外,还需要进一步说明的是,在本申请实施例的方法中,进行水下目标航迹点的采样时需要先建立相应的运动模型,然后根据所建立的运动模型的动力学公式推导出状态转移矩阵后,再进行首个航迹点后各航迹点的推导。其中,运动模型可以基于马尔可夫模型确定。
首先,选定坐标系并建立水下目标的运动模型。其中,所建立的坐标系可以直接采用笛卡尔直角坐标系,建立方式可参见前面所述的坐标系描述内容。在建立好坐标系之后,即可基于所建立的坐标系建立相应的水下目标运动模型。在本申请实施例的方法中,水下目标运动的状态变量可以设置为:[x,y,z,v,θ,vz]。其中,x,y,z分别是水下目标在各坐标轴上的坐标,v,θ分别是水下目标在XY平面上的速度和航向,vz是水下目标在Z轴方向的速度。应当说明的是,在上述所建立的水下目标运动模型中,各状态变量均是相互独立的。即,x,y,z相互独立,v,θ,vz也相互独立。
对应的,在基于上述所建立的水下目标运动模型的前提下,其运动学关系如下所示:
其中,x0,y0,z0分别为采样初始时刻水下目标的位置(即,初始位置)。v(t),θ(t),vz(t)分别为在采样时刻t时刻时水下目标的速度、水下目标的航向和水下目标在Z轴方向的速度。由上面所示的公式(1)可以看出,除初始时刻外,v,θ,vz是系统的自变量,x,y,z是因变量。
其中,为了便于抽样,在本申请实施例的方法中,对所建立的水下目标运动模型进行了一定的简化,假设两个航迹点之间水下目标的航速和方向保持恒定,且两个航迹点之间的时间间隔已知,则根据两个航迹点坐标计算出各航迹点(最后一个除外)的速度和航向,反之亦然。
基于以上简化和假设,所建立的水下目标运动模型的运动学关系式的离散形式可表示为:
其中,在上述公式(2)中,Δt(k)表征第K个航迹点和第K+1个航迹点的时间间隔,如前所述,该变量被设置为某一固定值Δt,x(k),y(k),z(k)表征水下目标在K时刻时的位置,v(k),θ(k),vz(k)则分别表征在采样K时刻时水下目标的速度、航向和在Z轴上的速度。
进一步的,由于在本申请实施例的方法中,采用马尔可夫模型来表征水下目标运动的随机过程。由此,对于水下目标运动的随机过程,其离散状态空间的模型可以表示为:
在上述离散状态空间模型的表达式中,P为状态转移矩阵,其根据前面所构建得到的水下目标运动模型的运动学关系式的离散关系推导得到。即,根据前面公式(2)所构建得到的水下目标运动模型的运动学关系式,求解得到状态转移矩阵P。
此处,还需要指出的是,在本申请实施例的方法中,v,θ,vz的状态转移是按照随机状态转移处理的,对于水下目标的机械特性等参数可能会产生一些额外的约束,这些约束会反应在状态转移的概率上。同时,基于状态分量的独立性假设,v,θ,vz的状态转移可以分别独立处理。
另外,在本申请实施例的方法中,水下目标的轨迹点间隔一般设置为1小时左右,此设置下一般不会存在加速性能或转向角度的制约,因此在没有额外约束的情况下,v,θ,vz中每个分量的各状态之间的转移关系都可以处理成随机的。
同时,由于在本申请实施例的方法中,是根据该状态分量的概率分布进行采样的,因此各样本状态的概率是均等的,各样本之间的转移概率也相等,由此可以认为每个轨迹时点v,θ,vz个分量都遵循相同的分布。
并且,基于目标航迹的连贯性以及目标运动的连贯性的方面考虑,在本申请实施例的方法中,对于马尔可夫模型中的v,θ,vz分量,还均作了以下约束:
假设水下目标的任务是巡航,那么水下目标就需要相对平稳地运行,即速度相对稳定;
假设水下目标一定存在隐蔽自身的需求,那么水下目标会更倾向在温跃层下方运行;
假设在搜索船只探测到水下目标之前,水下目标不会探测到对方,那么水下目标不会有躲藏动作。
基于以上假设,v,θ,vz的状态转移概率求解可以进一步简化,即:在前路可通行的情况下,水下目标会匀速直线前进;如果所在位置深度允许,水下目标会进入温跃层下方运行;如果遇到障碍物,水下目标优先选择转向,其次尝试提高运行深度以通过障碍物。
此外,如果在实际情况中还有更明确地信息,以上约束可以根据实际情况进行调整,例如:如果确认水下目标的目的是探测地形,那么水下目标可能会在平坦地区较快速通过,在地形起伏区域缓速通过。
结合以上所述的假设条件推导出系统的状态转移矩阵后,即可进行航迹点的采样。
在一种可能的实现方式中,对航迹点进行采样时可以利用吉布斯采样方法。本领域技术人员可以确定的是,航迹样本是由若干个航迹点构成的。一个航迹点序列(即,由多个航迹点组成的序列)是一个马尔可夫过程,一个马尔可夫过程表征一个航迹样本。
根据前面所述的过程,对于航迹样本的采样问题则可以拆分为航迹初始位置的采样和各航迹点速度和航向的采样两个子问题。也就是说,在实现航迹样本的采样时,只需要分别进行航迹初始位置的采样以及进行各航迹点的速度和航向的采样即可。其中,在航迹初始位置的采样和各航迹点的速度和航向的采样中,各部分的分量均是相互独立的。由此,吉布斯采样中条件概率的计算可以直接用全概率代替。
由此,在本申请实施例的方法中,当通过步骤S100,获取水下目标的初始位置概率分布和水下目标的运动学参数的概率分布之后,即可进行水下目标的初始位置的采样和各航迹点的速度和航向的采样。
其中,在进行水下目标的初始位置的采样和各航迹点的速度和航向的采样过程中,需要先进行首个航迹点的采样,然后再基于所采样到的首个航迹点进行后续时刻各航迹点的采样。
应当指出的是,在本申请实施例的方法中,进行首个航迹点的采样具体可通过步骤S210,在采样时间序列的初始时刻,根据初始位置概率分布对水下目标的初始位置进行采样,并根据水下目标的运动学参数的概率分布对水下目标的运动学参数进行采样,然后再通过步骤S220,根据采样到的初始位置和采样到的初始运动状态得到首个航迹点。此处,根据前面所述,本领域技术人员可以理解的是,对水下目标的初始位置的采样为对状态变量中的x,y,z三个分量进行采样;对水下目标的运动学参数的采样则是对状态变量中的v,θ,vz这三个分量进行采样。同时,采样时间序列为根据需要采样的航迹点时刻得到的对应的时间序列。
在通过上述步骤得到首个航迹点之后,即可通过步骤S300,按照采样时间序列,根据马尔可夫模型得到首个航迹点后的各航迹点,生成相应的水下目标航迹。
具体的,参阅图2,在进行首个航迹点后的各航迹点的采样以得到水下目标航迹的过程中,首先可通过步骤S310,基于所得到的当前航迹点中的各状态变量,使用马尔可夫模型进行当前航迹点的下一航迹点的运动状态的采样,进而通过步骤S320,根据采样得到的下一航迹点的运动状态得到下一航迹点。即,在时间序列的第1个时刻根据目标初始的位置概率分布对[x,y,z]进行一次抽样得到初始位置样本点,在该时刻及后续时刻根据马尔可夫模型对[v,θ,vz]进行抽样并推导出采样时间序列中各时刻的航迹点,最终得到航迹样本。
其中,在通过步骤S320,得到下一航迹点之后,还包括步骤S330,判断当前得到的各航迹点所构成的航迹的航迹时长是否达到预设时长。在判断出达到预设时长后,表明当前已完成采样时间序列中最后一个采样时刻的采样,采样到的航迹点数量可以作为航迹样本添加到样本集合中,因此可将所采样到的各航迹点作为一条航迹添加到样本集合中。如果判断出还未达到预设时长,表明当前还没有完成采样时间序列中最后一个时刻的航迹点的采样,因此还需要返回步骤S310,继续进行当前航迹点的下一航迹点的采样,直至完成采样时间序列中所有采样时刻的采样为止。
此处,本领域技术人员可以理解的是,预设时长的取值与采样时间序列成正比。也就是说,预设时长的取值可以根据所设定的采样时间序列进行设置。不同的采样时间序列对应不同的预设时长。
进一步的,在通过上述步骤完成采样时间序列中各采样时刻的航迹点的采样之后,在将采样到的航迹添加到样本集合中之前,还包括对当前得到的航迹进行筛选的步骤。其中,在对得到的水下目标航迹进行筛选时可以根据预设的约束条件进行。在一种可能的实现方式中,约束条件包括在水下目标执行探测任务时,偏向于不使探测覆盖区域重复。
这是由于在实际应用场景中,通常会存在一些不满足前面所述的假设因素,因此这部分因素可以单独抽离,作为水下目标运动的外部约束。比如:在水下目标执行探测任务时,偏向于不使探测覆盖区域重复,这一因素在一定程度上与前面所述的构建马尔可夫模型过程中的无后效性假设相违背,因此为了弥补这一缺陷,在本申请实施例的方法中,航迹点采样过程中不考虑该因素,而是将该因素作为二次采样的筛选条件来实现对所生成的水下目标航迹进行过滤。即,按照抽离出的约束条件设计接收—拒绝采样条件,将不符合约束的样本剔除。
即,参阅图2,在通过步骤S330,判断出当前生成的水下目标航迹的航迹时长满足预设时长的要求之后,在将当前生成的航迹添加到样本集合中之前,先通过步骤S040,对当前生成的航迹进行二次采样,依据预先设置的约束条件对航迹进行筛选,并通过步骤S041,判断二次采样后的航迹是够满足接受条件。如果满足接受条件,则再执行步骤S400,将航迹添加到样本集合中。如果不满足接受条件,则返回步骤S210,重新进行首个航迹点的采样。即,重新进行初始位置的采样以及初始运动状态的采样。
其中,接受条件可以根据具体应用场景的实际需要进行灵活设置。例:在一种可能的实现方式中,如果搜索策略中设定尽量避开途径区域,那么可以计算航迹上所有结点的集中度,并根据实际情况设定某一阈值,以结点集中度小于该阈值为接受条件。
另外,还应当指出的是,在本申请实施例的方法中,参阅图2,在将生成的航迹添加到样本集合中之后,还包括步骤S500,判断航迹样本集合中的当前样本数量是否达到预设样本数。在判断出航迹样本集合中的当前样本数量未达到预设样本数时,继续执行步骤S210,根据初始位置概率分布对水下目标的初始位置进行采样,并根据水下目标的运动学参数的概率分布对水下目标的运动学参数进行采样,以得到首个航迹点的步骤。在判断出航迹样本集合中的当前样本数量已达到预设样本数时,则直接将当前得到的样本集合作为模拟出的水下目标航迹样本。
其中,应当指出的是,预设样本数的取值可以根据实际情况灵活设置。在一种可能的实现方式中,预设样本数的数量取值范围可以设置为:[3000,15000]。
需要说明的是,尽管以图1和图2作为示例介绍了如上所述的多约束条件下的水下潜艇航迹模拟方法,但本领域技术人员能够理解,本申请应不限于此。事实上,用户完全可根据个人喜好和/或实际应用场景灵活设定各步骤的具体实现方式,只要能够实现水下目标航迹点采样中各状态分量的独立采样即可。
相应的,基于前面任一所述的多约束条件下的水下潜艇航迹模拟方法,本申请还提供了一种多约束条件下的水下潜艇航迹模拟装置。由于本申请提供的多约束条件下的水下潜艇航迹模拟装置的工作原理与本申请的多约束条件下的水下潜艇航迹模拟方法的原理相同或相似,因此重复之处不再赘述。
参阅图3,本申请提供的多约束条件下的水下潜艇航迹模拟装置100,包括分布参数获取模块110、初始时刻采样模块120和后续时刻采样模块130。其中,分布参数获取模块110,被配置为获取水下目标的初始位置概率分布和水下目标的运动学参数的概率分布。初始时刻采样模块120,被配置为在采样时间序列的初始时刻,根据初始位置概率分布对水下目标的初始位置进行采样,并根据水下目标的运动学参数的概率分布对水下目标的运动学参数采样,得到首个航迹点。后续时刻采样模块130,被配置为基于首个航迹点,按照采样时间序列,采用马尔可夫模型依次得到位于首个航迹点后的各航迹点,生成相应的水下目标航迹。其中,马尔可夫模型用于表征水下目标运动的随机过程。
在一种可能的实现方式中,本申请实施例的多约束条件下的水下潜艇航迹模拟装置100,还包括样本添加模块(图中未示出)。样本添加模块,被配置为在后续时刻采样模块采用所构建的马尔可夫模型依次得到位于首个航迹点后的各航迹点,生成相应的水下目标航迹之后,将水下目标航迹添加至航迹样本集合中的步骤。
在一种可能的实现方式中,本申请实施例的多约束条件下的水下潜艇航迹模拟装置100,还包括二次采样模块(图中未示出)。二次采样模块,被配置为在样本添加模块将水下目标航迹添加至航迹样本集合中之前,根据预设的约束条件对水下目标航迹进行筛选。其中,约束条件包括在水下目标执行探测任务时,偏向于不使探测覆盖区域重复。
在一种可能的实现方式中,本申请实施例的多约束条件下的水下潜艇航迹模拟装置100,还包括航迹判断模块(图中未示出)。航迹判断模块,被配置为在后续时刻采样模块采用所构建的马尔可夫模型依次得到位于首个航迹点后的各航迹点,生成相应的水下目标航迹之后,判断水下目标航迹的航迹时长是否达到预设时长。
航迹判断模块,还被配置为在判断出水下目标航迹的航迹时长未达到预设时长时,返回后续时刻采样模块,由后续时刻采样模块继续执行采用所构建的马尔可夫模型依次得到位于首个航迹点后的各航迹点的步骤。
在一种可能的实现方式中,本申请实施例的多约束条件下的水下潜艇航迹模拟装置100,还包括样本数量检测模块(图中未示出)。样本数量检测模块,被配置为在样本添加模块将水下目标航迹添加至航迹样本集合中后,判断航迹样本集合中的当前样本数量是否达到预设样本数。
样本数量检测模块,还被配置为在判断出航迹样本集合中的当前样本数量未达到预设样本数时,返回初始时刻采样模块,由初始时刻采样模块继续执行根据初始位置概率分布对水下目标的初始位置进行采样,并根据水下目标的运动学参数的概率分布对水下目标的运动学参数进行采样,得到首个航迹点的步骤。
更进一步地,根据本申请的另一方面,还提供了一种多约束条件下的水下潜艇航迹模拟设备200。参阅图4,本申请实施例的多约束条件下的水下潜艇航迹模拟设备200包括处理器210以及用于存储处理器210可执行指令的存储器220。其中,处理器210被配置为执行可执行指令时实现前面任一所述的多约束条件下的水下潜艇航迹模拟方法。
此处,应当指出的是,处理器210的个数可以为一个或多个。同时,在本申请实施例的多约束条件下的水下潜艇航迹模拟设备200中,还可以包括输入装置230和输出装置240。其中,处理器210、存储器220、输入装置230和输出装置240之间可以通过总线连接,也可以通过其他方式连接,此处不进行具体限定。
存储器220作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序和各种模块,如:本申请实施例的多约束条件下的水下潜艇航迹模拟方法所对应的程序或模块。处理器210通过运行存储在存储器220中的软件程序或模块,从而执行多约束条件下的水下潜艇航迹模拟设备200的各种功能应用及数据处理。
输入装置230可用于接收输入的数字或信号。其中,信号可以为产生与设备/终端/服务器的用户设置以及功能控制有关的键信号。输出装置240可以包括显示屏等显示设备。
以上已经描述了本申请的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (9)
1.一种多约束条件下的水下潜艇航迹模拟方法,其特征在于,包括:
获取水下目标的初始位置概率分布和水下目标的运动学参数的概率分布;
在采样时间序列的初始时刻,根据所述初始位置概率分布对所述水下目标的初始位置进行采样,并根据所述水下目标的运动学参数的概率分布对所述水下目标的运动学参数进行采样,得到首个航迹点;
基于所述首个航迹点,按照所述采样时间序列采用马尔可夫模型依次得到位于所述首个航迹点后的各航迹点,生成相应的水下目标航迹;
其中,所述马尔可夫模型用于表征所述水下目标运动的随机过程;
还包括:
选定坐标系并建立所述水下目标的运动模型;所述运动模型中的状态变量为:[x,y,z,v,θ,vz];
根据所述运动模型的动力学公式求解出状态转移矩阵;
其中,所述水下目标的运动模型的动力学公式基于所述马尔可夫模型确定;
x,y,z分别是水下目标在各坐标轴上的坐标,v,θ分别是水下目标在XY平面上的速度和航向,vz是水下目标在Z轴方向的速度。
2.根据权利要求1所述的方法,其特征在于,所述初始位置概率分布根据当前任务类型进行确定;
所述水下目标的运动学参数的概率分布根据所述水下目标的参数信息进行确定。
3.根据权利要求1或2任一项所述的方法,其特征在于,采用马尔可夫模型依次得到位于所述首个航迹点后的各航迹点,生成相应的水下目标航迹之后,还包括:将所述水下目标航迹添加至航迹样本集合中的步骤。
4.根据权利要求3所述的方法,其特征在于,将所述水下目标航迹添加至航迹样本集合中之前,还包括:根据预设的约束条件对所述水下目标航迹进行筛选的步骤。
5.根据权利要求4所述的方法,其特征在于,所述约束条件包括在所述水下目标执行探测任务时,偏向于不使探测覆盖区域重复。
6.根据权利要求1至2任一项所述的方法,其特征在于,采用所构建的马尔可夫模型依次得到位于所述首个航迹点后的各航迹点,生成相应的水下目标航迹之后,还包括:
判断所述水下目标航迹的航迹时长是否达到预设时长;
在判断出所述水下目标航迹的航迹时长未达到所述预设时长时,继续执行采用所构建的马尔可夫模型依次得到位于所述首个航迹点后的各航迹点的步骤。
7.根据权利要求3所述的方法,其特征在于,在将所述水下目标航迹添加至航迹样本集合中后,还包括:
判断所述航迹样本集合中的当前样本数量是否达到预设样本数;
在判断出所述航迹样本集合中的当前样本数量未达到所述预设样本数时,继续执行根据所述初始位置概率分布对所述水下目标的初始位置进行采样,并根据所述水下目标的运动学参数的概率分布对所述水下目标的运动学参数进行采样,得到首个航迹点的步骤。
8.一种多约束条件下的水下潜艇航迹模拟装置,其特征在于,包括分布参数获取模块、初始时刻采样模块和后续时刻采样模块;
所述分布参数获取模块,被配置为获取水下目标的初始位置概率分布和水下目标的运动学参数的概率分布;
所述初始时刻采样模块,被配置为在采样时间序列的初始时刻,根据所述初始位置概率分布对所述水下目标的初始位置进行采样,并根据所述水下目标的运动学参数的概率分布对所述水下目标的运动学参数采样,得到首个航迹点;
所述后续时刻采样模块,被配置为基于所述首个航迹点,按照所述采样时间序列,采用马尔可夫模型依次得到位于所述首个航迹点后的各航迹点,生成相应的水下目标航迹;
其中,所述马尔可夫模型用于表征所述水下目标运动的随机过程;
还包括:
选定坐标系并建立所述水下目标的运动模型;所述运动模型中的状态变量为:[x,y,z,v,θ,vz];
根据所述运动模型的动力学公式求解出状态转移矩阵;
其中,所述水下目标的运动模型的动力学公式基于所述马尔可夫模型确定;
x,y,z分别是水下目标在各坐标轴上的坐标,v,θ分别是水下目标在XY平面上的速度和航向,vz是水下目标在Z轴方向的速度。
9.一种多约束条件下的水下潜艇航迹模拟设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述可执行指令时实现权利要求1至7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110925725.1A CN113627104B (zh) | 2021-08-12 | 2021-08-12 | 多约束条件下的水下潜艇航迹模拟方法和装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110925725.1A CN113627104B (zh) | 2021-08-12 | 2021-08-12 | 多约束条件下的水下潜艇航迹模拟方法和装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113627104A CN113627104A (zh) | 2021-11-09 |
CN113627104B true CN113627104B (zh) | 2024-02-06 |
Family
ID=78385021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110925725.1A Active CN113627104B (zh) | 2021-08-12 | 2021-08-12 | 多约束条件下的水下潜艇航迹模拟方法和装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113627104B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05126951A (ja) * | 1991-11-05 | 1993-05-25 | Hitachi Ltd | 目標運動解析装置および解析方法 |
US7020046B1 (en) * | 2003-06-16 | 2006-03-28 | The United States Of America As Represented By The Secretary Of The Navy | System and method for target motion analysis with intelligent parameter evaluation plot |
JP2009068779A (ja) * | 2007-09-13 | 2009-04-02 | Hitachi Ltd | 水中航走体誘導方法及び装置 |
JP2013120127A (ja) * | 2011-12-07 | 2013-06-17 | Mitsubishi Electric Corp | 目標追尾装置 |
KR101402206B1 (ko) * | 2014-04-10 | 2014-05-30 | 국방과학연구소 | 운동학 및 형상 정보를 활용한 다중 표적 추적 방법 |
CN104268625A (zh) * | 2014-10-09 | 2015-01-07 | 哈尔滨工程大学 | 一种基于海洋环境信息的自主式水下潜器航迹预测方法 |
CN104537891A (zh) * | 2014-12-30 | 2015-04-22 | 江苏理工学院 | 一种船舶轨迹实时预测方法 |
JP2017105306A (ja) * | 2015-12-09 | 2017-06-15 | 国立研究開発法人 海上・港湾・航空技術研究所 | 水中航走体の経路設定方法、それを用いた水中航走体の最適制御方法及び水中航走体並びに移動体の経路設定方法 |
WO2020158488A1 (ja) * | 2019-01-30 | 2020-08-06 | 株式会社日立情報通信エンジニアリング | 移動経路予測システム、移動経路予測方法、コンピュータプログラム |
CN112117700A (zh) * | 2019-09-20 | 2020-12-22 | 谷歌有限责任公司 | 水下电缆路线规划工具 |
CN113176562A (zh) * | 2021-05-10 | 2021-07-27 | 北京邮电大学 | 多目标跟踪方法、装置、电子设备及可读存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11435199B2 (en) * | 2018-06-22 | 2022-09-06 | Massachusetts Institute Of Technology | Route determination in dynamic and uncertain environments |
US11403842B2 (en) * | 2018-09-17 | 2022-08-02 | Goodrich Corporation | Simulator to simulate target detection and recognition |
-
2021
- 2021-08-12 CN CN202110925725.1A patent/CN113627104B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05126951A (ja) * | 1991-11-05 | 1993-05-25 | Hitachi Ltd | 目標運動解析装置および解析方法 |
US7020046B1 (en) * | 2003-06-16 | 2006-03-28 | The United States Of America As Represented By The Secretary Of The Navy | System and method for target motion analysis with intelligent parameter evaluation plot |
JP2009068779A (ja) * | 2007-09-13 | 2009-04-02 | Hitachi Ltd | 水中航走体誘導方法及び装置 |
JP2013120127A (ja) * | 2011-12-07 | 2013-06-17 | Mitsubishi Electric Corp | 目標追尾装置 |
KR101402206B1 (ko) * | 2014-04-10 | 2014-05-30 | 국방과학연구소 | 운동학 및 형상 정보를 활용한 다중 표적 추적 방법 |
CN104268625A (zh) * | 2014-10-09 | 2015-01-07 | 哈尔滨工程大学 | 一种基于海洋环境信息的自主式水下潜器航迹预测方法 |
CN104537891A (zh) * | 2014-12-30 | 2015-04-22 | 江苏理工学院 | 一种船舶轨迹实时预测方法 |
JP2017105306A (ja) * | 2015-12-09 | 2017-06-15 | 国立研究開発法人 海上・港湾・航空技術研究所 | 水中航走体の経路設定方法、それを用いた水中航走体の最適制御方法及び水中航走体並びに移動体の経路設定方法 |
WO2020158488A1 (ja) * | 2019-01-30 | 2020-08-06 | 株式会社日立情報通信エンジニアリング | 移動経路予測システム、移動経路予測方法、コンピュータプログラム |
CN112117700A (zh) * | 2019-09-20 | 2020-12-22 | 谷歌有限责任公司 | 水下电缆路线规划工具 |
CN113176562A (zh) * | 2021-05-10 | 2021-07-27 | 北京邮电大学 | 多目标跟踪方法、装置、电子设备及可读存储介质 |
Non-Patent Citations (1)
Title |
---|
水下机器人航迹推算与姿态控制方法研究及其实现;奚家烽;《中国优秀硕士论文电子期刊网》;I140-245 * |
Also Published As
Publication number | Publication date |
---|---|
CN113627104A (zh) | 2021-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7263216B2 (ja) | ワッサースタイン距離を使用する物体形状回帰 | |
CN112037263B (zh) | 基于卷积神经网络和长短期记忆网络的手术工具跟踪系统 | |
US20220051058A1 (en) | Unmanned driving behavior decision-making and model training | |
CN110900602B (zh) | 一种定位恢复方法、装置、机器人及存储介质 | |
CN113033719B (zh) | 目标检测处理方法、装置、介质及电子设备 | |
CN109977571B (zh) | 基于数据与模型混合的仿真计算方法及装置 | |
CN112285676A (zh) | 激光雷达与imu外参标定方法及装置 | |
CN112256037B (zh) | 应用于自动驾驶的控制方法、装置、电子设备及介质 | |
CN109556609B (zh) | 一种基于人工智能的避碰方法及装置 | |
CN108803659B (zh) | 基于魔方模型的多窗口启发式三维空间路径规划方法 | |
CN112967388A (zh) | 三维时序图像神经网络模型的训练方法和装置 | |
EP3722906A1 (en) | Device motion control | |
CN113837461A (zh) | 一种基于lstm网络的船舶轨迹预测方法 | |
CN114882307A (zh) | 分类模型训练和图像特征提取方法及装置 | |
Zhang et al. | Neural network based uncertainty prediction for autonomous vehicle application | |
CN109764876B (zh) | 无人平台的多模态融合定位方法 | |
CN113359714B (zh) | 基于粒子滤波算法的巡检机器人动态路径规划方法及装置 | |
CN114859368A (zh) | 一种使用激光雷达对电力线锁线跟踪处理的方法和系统 | |
CN113627104B (zh) | 多约束条件下的水下潜艇航迹模拟方法和装置及设备 | |
CN109976153A (zh) | 控制无人驾驶设备及模型训练的方法、装置及电子设备 | |
CN116166642A (zh) | 基于引导信息的时空数据填补方法、系统、设备及介质 | |
WO2019228654A1 (en) | Method for training a prediction system and system for sequence prediction | |
EP3855120A1 (en) | Method for long-term trajectory prediction of traffic participants | |
Li et al. | Random time delay effect on Out-of-Sequence measurements | |
CN111382834B (zh) | 一种置信度比较方法及装置 |
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 |