CN116300867A - 复杂战场下对敌方无人装备运动路径的预测方法和装置 - Google Patents
复杂战场下对敌方无人装备运动路径的预测方法和装置 Download PDFInfo
- Publication number
- CN116300867A CN116300867A CN202211721830.4A CN202211721830A CN116300867A CN 116300867 A CN116300867 A CN 116300867A CN 202211721830 A CN202211721830 A CN 202211721830A CN 116300867 A CN116300867 A CN 116300867A
- Authority
- CN
- China
- Prior art keywords
- information
- party entity
- battlefield
- blue
- entity information
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims description 26
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 6
- 230000007787 long-term memory Effects 0.000 claims description 6
- 230000006403 short-term memory Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 description 6
- 230000004888 barrier function Effects 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0219—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory ensuring the processing of the whole working surface
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种复杂战场下对敌方无人装备运动路径的预测方法和装置,包括:获取红方实体信息、蓝方实体信息和战场环境信息;根据所述红方实体信息、蓝方实体信息和战场环境信息,预测蓝方在当下时刻后若干个时间帧内的运动轨迹。采用本发明的技术方案,可对复杂战场下敌方无人装备行动路径进行细粒度预测。
Description
技术领域
本发明属于无人装备技术领域,尤其涉及一种复杂战场下对敌方无人装备运动路径的预测方法和装置。
背景技术
在复杂陆战场条件下,对蓝方(敌方)无人装备行动路径做出的准确预测,有利于正确判断对未来蓝方作战的动态态势,提高红方(己方)决策的前瞻性、有效性。现有蓝方行为预测技术如贝叶斯网络、模糊逻辑推理等,通常从特定应用背景层面建模,一方面通用性不强,另一方面对蓝方行为的建模粒度较粗。
发明内容
本发明要解决的技术问题是,提供一种复杂战场下对敌方无人装备运动路径的预测方法和装置,可对复杂战场下敌方无人装备行动路径进行细粒度预测。
为实现上述目的,本发明采用如下的技术方案:
一种复杂战场下对敌方无人装备运动路径的预测方法,包括:
步骤S1、获取红方实体信息、蓝方实体信息和战场环境信息;
步骤S2、根据所述红方实体信息、蓝方实体信息和战场环境信息,预测蓝方在当下时刻后若干个时间帧内的运动轨迹。
作为优选,所述红方实体信息包含:红方实体的位置信息;所述蓝方实体信息包含:蓝方实体在当下时刻前若干个时间帧内的运动轨迹;所述战场环境信息包含:地图中障碍区域的分布情况。
作为优选,步骤S2中,将所述红方实体信息、蓝方实体信息和战场环境信息输入到训练好的时空神经网络中,得到蓝方在当下时刻后若干个时间帧内的运动轨迹。
作为优选,所述时空神经网络采用卷积神经网络与长短期记忆网络融合构成。
本发明还提供一种复杂战场下对敌方无人装备运动路径的预测装置,包括:
获取模块,用于获取红方实体信息、蓝方实体信息和战场环境信息;
预测模块,用于根据所述红方实体信息、蓝方实体信息和战场环境信息,预测蓝方在当下时刻后若干个时间帧内的运动轨迹。
作为优选,所述红方实体信息包含:红方实体的位置信息;所述蓝方实体信息包含:蓝方实体在当下时刻前若干个时间帧内的运动轨迹;所述战场环境信息包含:地图中障碍区域的分布情况。
作为优选,所述预测模块将所述红方实体信息、蓝方实体信息和战场环境信息输入到训练好的时空神经网络中,得到蓝方在当下时刻后若干个时间帧内的运动轨迹。
作为优选,所述时空神经网络采用时空神经网络用卷积神经网络与长短期记忆网络融合构成。
针对传统战场实体行为预测方法通用性较差、建模粒度较粗的问题,本发明直接对实体运动轨迹进行建模和预测。本发明通过创新性的全局与局部信息复合、时间与空间信息复合的神经网络构架设计,在对战场全局多维信息高度综合的同时又聚焦局部信息细节,从而具备了对不同战场环境的泛化适应能力,又能够对实体行动轨迹进行快速、高效预测。
附图说明
图1为本发明实施例复杂战场下对敌方无人装备运动路径的预测方法的流程图;
图2为本发明实施例时空神经网络的结构示意图;
图3为本发明实施例示例展示的预测效果示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明实施例提供一种复杂战场下对敌方无人装备运动路径的预测方法,将地图栅格化为格点地图,以格点地图的形式进行后续运算。栅格化方法即将地图区域在横向、纵向分别划分为m个和n个等分的区域,从而相交叉得到m×n个格点。地图中存在不可通行的障碍区域,从障碍区域格点的任意相邻格点均无法行进到障碍区域之中。红方实体(无人装备)为静止状态,数量固定,为一大于等于1的自然数。蓝方实体(无人装备)以某一红方实体作为攻击目标,由初始位置向被其作为攻击目标的红方实体行进,抵达被其作为攻击目标的红方实体所在位置后停止行进。
如图1所示,本发明实施例提供一种复杂战场下对敌方无人装备运动路径的预测方法,考虑格点地图中障碍区域分布状况的条件下,包括:
步骤S1、获取红方(己方)实体信息和蓝方(敌方)信息和战场环境信息,其中,所述红方实体信息包含:红方实体的位置信息;所述蓝方实体信息包含:蓝方实体在当下时刻前若干个时间帧内的运动轨迹(以坐标序列的形式表示);所述战场环境信息包含:地图中障碍区域的分布情况;本发明对不同的障碍区域分布情况均能适用,而非仅能在固定的地图下进行预测;
步骤S2、根据所述红方实体信息、蓝方实体信息和战场环境信息,预测蓝方在当下时刻后若干个时间帧内的运动轨迹(以坐标序列的形式表示)。
作为本发明实施例的一种实施方式步骤S2中,将所述红方实体信息、蓝方实体信息和战场环境信息输入到训练好的时空神经网络中,得到蓝方在当下时刻后若干个时间帧内的运动轨迹。其中,所述时空神经网络采用卷积神经网络与长短期记忆网络融合构成。
进一步,时空神经网络结构如图2所示,时空神经网络的输入为:
RedLocalInput:T-k+1,…,T-1,T时刻下所有红方实体相对于同一时刻下蓝方实体的相对坐标序列;
BlueLocalInput:各时刻下蓝方实体相对于T时刻蓝方实体的相对坐标序列;
LocalMap:各时刻下蓝方实体为中心的局部战场地形图序列;
GlobalMap:全局战场地形图。
将局部地形图扁平化后与蓝方、红方坐标序列拼接,经过2层LSTM层,与经过卷积、池化和扁平化的全局战场地形图拼接,接入3层全连接网络,而后经全连接层输出预测结果。
进一步,时空神经网络的设计要点如下:
1、全局地图、局部地图与双方实体相对位置信息的输入设计
其中,全局地图输入通过卷积层CONV(CNN)、池化层Pooling和扁平化层Flatten接入网络。
CONV层卷积核的大小取决于输入环境图像中关注实体的尺度,一般而言卷积核大小应与关注实体尺度相当。
局部地图通过扁平化层后与蓝方实体与待预测无人装备间的相对位置关系、红方实体与预测实体相对位置关系拼接成为局部信息,然后接入网络。
局部地图尺度选取应覆盖输入时间段k待预测无人装备的全部运动轨迹。
蓝方实体/红方实体与待预测无人装备间的相对位置关系应以待预测无人装备为原点基准计算。
2、局部信息输入与LSTM结合的时空结构设计
由于局部信息包含无人装备近期运动信息,故局部信息应首先通过LSTM网络,归纳其时间上的特征信息,然后与全局地图信息相拼接,完成全局地图信息和局部动态信息的融合。最后通过全连接网络进行进一步归纳和推理。
在t时刻,LSTM神经网络定义式如下:
ft=sigmoid(Wf·[ht-1,xt]+bf) (1)
it=sigmoid(Wi·[ht-1,xt]+bi) (2)
ot=sigmoid(Wo·[ht-1,xt]+bo) (3)
ht=ot×tanh(ct) (6)
其中,ft为遗忘门,通过对Wf参数的训练,使网络可以选择性遗忘前一时刻的输出结果及当前输入样本;it是记忆门,使网络可以选择性记忆前一时刻的输出结果及当前输入样本;ot是输出门,用于生成候选输出结果,ct是状态门,用于综合遗忘门、记忆门信息来控制最终输出的时序数据预测值。
训练时空神经网络过程包括:
a)、构造时空神经网络输入信息结构,包括:
输入信息1:战场全局的格点地图(标出障碍区域等不通行信息);
输入信息2:以蓝方实体在T时刻的坐标为原点,计算蓝方实体在T-k+1,…,T-1,T时刻,即当前时刻之前连续k个时刻的相对坐标,作为蓝方相对坐标信息输入;
输入信息3:根据蓝方实体在T-k+1,…,T-1,T时刻的坐标,在全局地图中相应截取以各时间帧下蓝方实体为中心的局部区域格点地图,作为k个时刻的局部地图输入;
输入信息4:以蓝方实体在T时刻的坐标为原点,计算各红方实体在T-k+1,…,T-1,T时刻,即当前时刻之前连续k个时刻的相对坐标,作为红方相对位坐标信息输入。
b)、构造时空神经网络输出信息结构,为T+1,…T+q,即此后q个时刻的蓝方实体相对坐标序列(相对于蓝方实体在T时刻的坐标);
c)、构造训练样本,构造方式包括但不限于:历史作战样本、利用专家知识规则生成的无人装备行动样本、利用智能优化技术生成的无人装备行动样本等;在本发明实施例中,以蓝方实体向被选中的攻击目标红方实体的最短路径作为蓝方实体的行动轨迹,对轨迹进行切分,以轨迹中某一时刻前若干个时间帧的蓝方实体运动轨迹作为输入,以该时刻后若干个时间帧的蓝方实体坐标序列作为输出,如此构建神经网络模型的训练样本;
d)、构建神经网络结构。将步骤a)中输入信息3通过扁平化层后与步骤a)中输入信息2和输入信息4进行拼接,拼接后通入2层LSTM层,再与步骤a)中输入信息1通入卷积层CONV(CNN)、池化层Pooling和扁平化层Flatten后的结果进行拼接,最后通过3层全连接层(FC)得到输出结果。
e)、利用c)中构建的训练样本,采用随机梯度下降的方法,以最小均方误差(MSE)作为目标值,对d)中神经网络结构中的参数进行拟合;利用e)中训练得到的神经网络参数,对不同实战或仿真场景下的蓝方实体行动路线进行预测推理,得到其运动轨迹预测结果。样例展示:
在以前4个时间帧下蓝方(敌方)坐标轨迹对此后3个时间帧下蓝方(敌方)坐标序列进行预测时,本发明提出的神经网络结构在验证集上的准确率为73%。
从图3的实际预测效果来看,给出的预测结果与人的直觉较为一致:本发明实施例在无法获取具体目标信息的条件下,根据此前的蓝方(敌方)路径信息,对被选定作为攻击目标的红方(我方)实体进行了接近;并且在格点地图的障碍带(格点地图中一横行或一竖列,除去中间2格点为可通行区域,其余格点均为不可通行的障碍区域)附近,本发明实施例在无法获取具体隘口(障碍带中可通行的小口处)信息的条件下,根据卷积提取的全局地图信息,预测出的路径(如图3中虚线所示)自发地识别出了障碍带与隘口,避开了障碍带,经由隘口向攻击目标行进。
实施例2:
本发明实施例提供一种复杂战场下对敌方无人装备运动路径的预测装置,包括:
获取模块,用于获取红方实体信息、蓝方实体信息和战场环境信息;
预测模块,用于根据所述红方实体信息、蓝方实体信息和战场环境信息,预测蓝方在当下时刻后若干个时间帧内的运动轨迹。
作为本发明实施例的一种实施方式,所述红方实体信息包含:红方实体的位置信息;所述蓝方实体信息包含:蓝方实体在当下时刻前若干个时间帧内的运动轨迹;所述战场环境信息包含:地图中障碍区域的分布情况。
作为本发明实施例的一种实施方式,所述预测模块将红方实体信息、蓝方实体信息和战场环境信息输入到训练好的时空神经网络中,得到蓝方在当下时刻后若干个时间帧内的运动轨迹。
作为本发明实施例的一种实施方式,所述时空神经网络采用卷积神经网络与长短期记忆网络融合构成。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,在任何熟悉本技术领域的技术人员在本发明所述的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内,因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.一种复杂战场下对敌方无人装备运动路径的预测方法,其特征在于,包括:
步骤S1、获取红方实体信息、蓝方实体信息和战场环境信息;
步骤S2、根据所述红方实体信息、蓝方实体信息和战场环境信息,预测蓝方在当下时刻后若干个时间帧内的运动轨迹。
2.如权利要求1所述的复杂战场下对敌方无人装备运动路径的预测方法,其特征在于,所述红方实体信息包含:红方实体的位置信息;所述蓝方实体信息包含:蓝方实体在当下时刻前若干个时间帧内的运动轨迹;所述战场环境信息包含:地图中障碍区域的分布情况。
3.如权利要求2所述的复杂战场下对敌方无人装备运动路径的预测方法,其特征在于,步骤S2中,将所述红方实体信息、蓝方实体信息和战场环境信息输入到训练好的时空神经网络中,得到蓝方在当下时刻后若干个时间帧内的运动轨迹。
4.如权利要求2所述的复杂战场下对敌方无人装备运动路径的预测方法,其特征在于,所述时空神经网络采用卷积神经网络与长短期记忆网络融合构成。
5.一种复杂战场下对敌方无人装备运动路径的预测装置,其特征在于,包括:
获取模块,用于获取红方实体信息、蓝方实体信息和战场环境信息;
预测模块,用于根据所述红方实体信息、蓝方实体信息和战场环境信息,预测蓝方在当下时刻后若干个时间帧内的运动轨迹。
6.如权利要求5所述的复杂战场下对敌方无人装备运动路径的预测装置,其特征在于,所述红方实体信息包含:红方实体的位置信息;所述蓝方实体信息包含:蓝方实体在当下时刻前若干个时间帧内的运动轨迹;所述战场环境信息包含:地图中障碍区域的分布情况。
7.如权利要求6所述的复杂战场下对敌方无人装备运动路径的预测装置,其特征在于,所述预测模块将所述红方实体信息、蓝方实体信息和战场环境信息输入到训练好的时空神经网络中,得到蓝方在当下时刻后若干个时间帧内的运动轨迹。
8.如权利要求7所述的复杂战场下对敌方无人装备运动路径的预测装置,其特征在于,所述时空神经网络采用卷积神经网络与长短期记忆网络融合构成。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211721830.4A CN116300867A (zh) | 2022-12-30 | 2022-12-30 | 复杂战场下对敌方无人装备运动路径的预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211721830.4A CN116300867A (zh) | 2022-12-30 | 2022-12-30 | 复杂战场下对敌方无人装备运动路径的预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116300867A true CN116300867A (zh) | 2023-06-23 |
Family
ID=86822878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211721830.4A Pending CN116300867A (zh) | 2022-12-30 | 2022-12-30 | 复杂战场下对敌方无人装备运动路径的预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116300867A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110119773A (zh) * | 2019-05-07 | 2019-08-13 | 中国科学院自动化研究所 | 战略博弈系统的全局态势评估方方法、系统、装置 |
CN112418014A (zh) * | 2020-11-09 | 2021-02-26 | 南京信息工程大学滨江学院 | 基于小波变换和卷积长短期记忆神经网络的调制信号识别方法 |
US20210182694A1 (en) * | 2019-12-11 | 2021-06-17 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for situation awareness |
-
2022
- 2022-12-30 CN CN202211721830.4A patent/CN116300867A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110119773A (zh) * | 2019-05-07 | 2019-08-13 | 中国科学院自动化研究所 | 战略博弈系统的全局态势评估方方法、系统、装置 |
US20210182694A1 (en) * | 2019-12-11 | 2021-06-17 | Shanghai United Imaging Intelligence Co., Ltd. | Systems and methods for situation awareness |
CN112418014A (zh) * | 2020-11-09 | 2021-02-26 | 南京信息工程大学滨江学院 | 基于小波变换和卷积长短期记忆神经网络的调制信号识别方法 |
Non-Patent Citations (2)
Title |
---|
刘钻东;陈谋;吴庆宪;陈哨东;: "非完备信息下无人机空战目标意图预测", 中国科学:信息科学, vol. 50, no. 5, pages 704 - 717 * |
廖鹰;易卓;胡晓峰;田园;陶九阳;: "基于三维卷积神经网络的战场聚集行为预测", 系统仿真学报, vol. 30, no. 3, pages 801 - 808 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Deo et al. | Trajectory forecasts in unknown environments conditioned on grid-based plans | |
US11270579B2 (en) | Transportation network speed foreeasting method using deep capsule networks with nested LSTM models | |
Manh et al. | Scene-lstm: A model for human trajectory prediction | |
Rhinehart et al. | R2p2: A reparameterized pushforward policy for diverse, precise generative path forecasting | |
Gupta et al. | Cognitive mapping and planning for visual navigation | |
Saxena et al. | D-GAN: Deep generative adversarial nets for spatio-temporal prediction | |
CN106814737B (zh) | 一种基于啮齿类动物模型和RTAB‑Map闭环检测算法的SLAM方法 | |
CN115829171B (zh) | 一种联合时空信息和社交互动特征的行人轨迹预测方法 | |
Wu et al. | Long-term 4D trajectory prediction using generative adversarial networks | |
Sohn et al. | Laying the foundations of deep long-term crowd flow prediction | |
Hosseini et al. | Inception-inspired lstm for next-frame video prediction | |
Lange et al. | Attention augmented ConvLSTM for environment prediction | |
CN113591988A (zh) | 知识认知结构分析方法、系统、计算机设备、介质、终端 | |
CN112396164A (zh) | 一种基于环境敏感的智能车辆轨迹预测方法 | |
CN116300867A (zh) | 复杂战场下对敌方无人装备运动路径的预测方法和装置 | |
Geng et al. | Multimodal vehicular trajectory prediction with inverse reinforcement learning and risk aversion at urban unsignalized intersections | |
Fang et al. | Stunner: Radar echo extrapolation model based on spatio-temporal fusion neural network | |
CN113869170B (zh) | 一种基于图划分卷积神经网络的行人轨迹预测方法 | |
CN115457081A (zh) | 一种基于图神经网络的分层融合式预测方法 | |
Cui et al. | Ellipse loss for scene-compliant motion prediction | |
CN112947466B (zh) | 一种面向自动驾驶的平行规划方法、设备及存储介质 | |
Chen et al. | Q‐EANet: Implicit social modeling for trajectory prediction via experience‐anchored queries | |
Wang et al. | Research on SLAM road sign observation based on particle filter | |
Hin | COMP4801 Final Year Project Deep Learning for Autonomous Driving | |
Zhang et al. | Forecaster as a Simulator: Simulating Multi-directional Pedestrian Flow with Knowledge-guided Graph Neural Networks |
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 |