CN116663384A - 一种战场任务规划背景下的目标轨迹预测方法 - Google Patents

一种战场任务规划背景下的目标轨迹预测方法 Download PDF

Info

Publication number
CN116663384A
CN116663384A CN202211728693.7A CN202211728693A CN116663384A CN 116663384 A CN116663384 A CN 116663384A CN 202211728693 A CN202211728693 A CN 202211728693A CN 116663384 A CN116663384 A CN 116663384A
Authority
CN
China
Prior art keywords
target
battlefield
information
data
track
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
Application number
CN202211728693.7A
Other languages
English (en)
Inventor
贾学良
纪有书
张文峰
杨理想
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Xingyao Intelligent Technology Co ltd
Original Assignee
Nanjing Xingyao Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Xingyao Intelligent Technology Co ltd filed Critical Nanjing Xingyao Intelligent Technology Co ltd
Priority to CN202211728693.7A priority Critical patent/CN116663384A/zh
Publication of CN116663384A publication Critical patent/CN116663384A/zh
Pending legal-status Critical Current

Links

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • 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
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种战场任务规划背景下的目标轨迹预测方法，包括以下步骤：武器装备数据获取；武器装备知识抽取；武器装备知识存储，形成武器装备知识库；战场数据获取；战场数据预处理；将战场环境信息、目标属性信息、目标状态信息进行特征融合，形成目标的多维度的融合特征信息；轨迹预测模型训练；结合目标的多维度的融合特征信息进行轨迹预测。本发明在轨迹预测的任务中引入了战场环境信息、目标属性信息、目标状态信息，通过特征工程和时序建模，有效利用信息，完成最终目标轨迹的预测，预测精度较现有方法有显著提升。

Description

一种战场任务规划背景下的目标轨迹预测方法
技术领域
本发明属于时间序列预测技术领域，提供了一种战场任务规划背景下的目标轨迹预测方法。
背景技术
轨迹预测是指使用数据分析技术和算法来预测目标(如人、车辆等)未来的运动轨迹。战场任务规划背景下的轨迹预测，例如空战环境下的敌机轨迹预测、弹道预测，海战环境下的敌方舰艇轨迹预测，也归为此类。轨迹预测属于时序预测任务，目前，战场任务规划背景下的轨迹预测技术包括基于规则的方法和基于神经网络的方法。最为普遍的方法是通过神经网络对时序特征进行建模预测，例如基于RNN(Recurrent Neural Network，循环神经网络)的轨迹预测、基于LSTM(Long ShortTerm Memory,长短时记忆网络)的轨迹预测、基于GRU(Gate Recurrent Unit，门控单元网络)的轨迹预测。
基于LSTM的轨迹预测方法是一种典型方案。LSTM是一种特殊的循环神经网络，具有记忆长期依赖性的能力，能够记忆长时间间隔内的信息，对于时间序列数据具有很好的预测能力。该方案包含时序模型训练和时序模型预测两个部分，训练阶段分为三个子流程：历史时序数据获取、时序数据特征工程、时序模型搭建和训练。预测阶段分为真实时序数据获取、时序数据特征工程、模型预测三个子流程。
模型训练阶段，首先需要准备一个历史轨迹数据集。这个数据集包含多条历史轨迹，每条轨迹都由多个时间戳和对应的目标位置信息组成；然后对每条轨迹做特征工程，转换为LSTM模型输入的特征，在战场背景下的轨迹预测任务下，通常会采用目标的高度、速度和航向信息作为主要特征；最后基于深度学习框架编写LSTM模型，并将特征输入LSTM模型，通过迭代训练获取基于LSTM的时序预测模型。
模型预测阶段，首先获取待预测目标的历史轨迹信息；再采用同训练阶段相同的特征计算手段得到特征；最后将待预测的特征输入经过训练的时序预测模型，得到目标的预测轨迹。
现有的目标轨迹预测技术主要应用于民用目标，一般仅考虑目标的历史轨迹信息，预测的精度也不高。相比于民用目标的轨迹预测，战场环境和目标状态的复杂性，使得目标轨迹预测的难度远高于民用场景，现有技术不足以支撑。
一方面，现有技术没有考虑到战场背景下目标的属性，以战斗机为例，某战斗机的最大飞行速度为2马赫，那么在轨迹预测时，其单位时间可运动距离是有限的，最大飞行高度、巡航速度、油箱大小等属性也是同理。同时，不同目标的形态功能和作战场景也不相同，例如飞机也分为轰炸机、侦察机等，在战场中它们的使命不同，可能的运动轨迹也不尽相同。
另一方面，现有技术没有考虑战场环境以及战场对目标状态的影响。战场上的形势瞬息万变，目标的状态不会像民用目标一成不变，舰船或机体的损毁状态均会大大影响目标的行动能力，从而影响其运动轨迹。同时，战场的环境也会影响目标运动轨迹，如地形、天候、风向等局部战场环境。
发明内容
技术问题：为了解决现有技术的缺陷，本发明提供了一种战场任务规划背景下的目标轨迹预测方法，针对现有目标轨迹预测技术在战场背景下的局限性作出改良，解决了因未考虑目标的形态功能、背景知识、实时状态和战场环境，而导致目标轨迹预测与实际轨迹预测存在偏差的问题。
技术方案：本发明提供一种战场任务规划背景下的目标轨迹预测方法，包括以下步骤：
步骤101，武器装备数据获取；
步骤102，武器装备知识抽取；
步骤103，武器装备知识存储，形成武器装备知识库；
步骤201，战场数据获取；
步骤202，战场数据预处理；
步骤203，将战场环境信息、目标属性信息、目标状态信息进行特征融合，形成目标的多维度的融合特征信息；
步骤204，轨迹预测模型训练；
步骤205，结合目标的多维度的融合特征信息进行轨迹预测。
步骤101中，武器装备数据的获取方法为：通过爬虫技术，从互联网抓取结构化或非结构化的武器装备相关文本数据和图片数据。
步骤102中，武器装备知识抽取方法为：通过自然语言处理技术和/或图文多模态技术，抽取武器装备知识。
步骤201中，战场数据的获取方法为：通过信号采集器(如传感器、卫星、雷达等)获取敌方目标以及战场信息。
步骤201中，战场数据为一个时间段的信号数据或图像数据，包括战场环境信息、目标属性信息、目标状态信息；所述战场环境信息包括地形、天候、风向；所述目标属性信息包括目标的类型、体积、挂载的传感器信号；所述目标状态信息包括目标的高度、速度、航向、机体健康状况。
步骤202中，战场数据预处理预处理方法包括：
战场环境信息中地形、天候、风向以及目标状态信息中目标的高度、速度、航向从信号数据或图像数据直接读取，预处理过程主要包括坐标系建模和单位转换；
目标属性信息中目标的类型、体积、挂载的传感器信号以及目标状态信息中机体健康状况利用基于深度学习的目标检测技术，在识别目标位置的同时完成与装备知识库匹配。
步骤203中，目标的多维度信息的融合特征的形成方法为：
定义战场环境信息、目标属性信息、目标状态信息的向量，包括：
其中LE，LA，LV分别表示对应向量的维度；
在向量中，/>分别表示战场环境信息，如地形、天候、风向等；
在向量中，/>分别表示目标属性信息，如目标的类型、体积、挂载的传感器信号；
在中，/>分别表示在t时刻的目标状态信息，如目标的高度、速度、航向、机体健康状况；
在战场环境向量目标属性向量/>和目标状态向量/>的基础上，对信息进行整合并统一编码，记为向量x(t)，即：
x(t)是目标的多维度的融合特征信息，作为轨迹预测模型在t时刻的输入信号。
步骤204中，轨迹预测模型训练方法，具体为：构建LSTM模型，LSTM模型的参数和结构设置与目标的多维度的融合特征信息相匹配；对于一条轨迹可获取t时刻的输入信号x(t)，令X为连续T个时刻输入信号的集合，时间步数T根据实际情况确定，通过将多条战场轨迹数据的特征向量X喂入LSTM模型，进行模型参数的训练，最终得到基于融合特征的LSTM轨迹预测模型。
步骤205中，结合目标的多维度的融合特征信息进行轨迹预测步骤，具体为：针对一条实时轨迹信息，将目标的多维度的融合特征信息得到的向量X作为轨迹预测模型的输入，经过模型推理即可获得战场任务规划背景下的目标轨迹预测结果。
有益效果：本发明提供的战场任务规划背景下的目标轨迹预测方法，是基于LSTM神经网络构建轨迹预测模型，首先构建一个武器装备知识库，用于为轨迹预测模型的输入提供其他维度信息；然后构建历史轨迹信息数据集，结合知识库进行特征工程，训练轨迹预测模型；最后将实时轨迹信息转换为特征，输入模型进行预测。
本发明在轨迹预测的任务中引入了战场环境信息(如地形、天候、风向等)、目标属性信息(如目标的类型、体积、挂载的传感器信号等)、目标状态信息(如目标的高度、速度、航向、机体健康状况等)；通过特征工程和时序建模，有效利用信息，完成最终目标轨迹的预测，预测精度较现有方法有显著提升。
具体而言，本发明相对于现有技术，具有以下突出的优势：
1、战场数据的预处理方式，通过图像处理与信号处理等技术对战场环境和目标进行识别，并与知识库进行匹配，从武器装备知识库中实时获取目标的属性信息和部分目标状态信息；
现有技术未考虑战场环境对轨迹预测的影响，本发明对战场环境数据进行获取和预处理，让模型捕捉战场环境特征，避免了忽视战场环境而造成的轨迹预测结果偏差。
针对轨迹预测结果可能因缺乏考虑目标属性信息而存在误差的问题，本发明通过武器装备知识库构建和战场数据预处理，将目标属性纳入轨迹预测模型的考量范围，避免了违背目标属性的轨迹预测结果出现。
2、战场数据的特征工程，本发明提出的特征工程方法融合了战场环境信息、目标属性信息和目标状态信息，同时提出了这三种信息的编码方式；轨迹预测模型的构建，本发明提出了基于融合特征的LSTM轨迹预测模型，模型的训练对多维度的特征进行了学习，在战场任务规划背景下的预测轨迹结果更为精准。
现有技术对目标轨迹的预测仅仅考虑战场实时数据，本发明在实时预测之前，构建武器装备知识库，拓展了实时预测下可参考的信息；在实时预测中，离线数据与实时数据相结合，使得实时信息量成倍增加；并通过特征工程和时序建模，有效利用信息，完成最终目标轨迹的预测，预测精度较现有方法有显著提升。
3、现有技术通常仅考虑目标的历史轨迹信息，例如历史的高度、速度、航向等，而未考虑其健康状况，如受损程度，针对战场上目标的不确定性，本发明将目标历史健康状态信息融入到历史轨迹信息，在战场任务规划背景下尤为适用。
附图说明
图1为本发明战场任务规划背景下的目标轨迹预测流程图。
图2为LSTM单元的结构图。
具体实施方式
下面对本发明作出进一步说明。
下面以某战斗机为例，说明其战场任务规划背景下的目标轨迹预测方法，包括以下步骤：
步骤1，武器装备知识库构建；
步骤101，武器装备数据获取；
武器装备数据的获取方式可从特定数据库，或者从开源网站获取；例如，武器装备数据在百度百科、维基百科等互联网网站广泛分布，通过爬虫技术，从互联网抓取结构化或非结构化的武器装备相关文本数据和图片数据，每个武器装备数据以一个独立的文件目录临时存储；
步骤102，武器装备知识抽取；
针对每个武器装备数据，通过自然语言处理技术和/或图文多模态技术，和/或结合人工整理，抽取出武器装备知识。
从文本数据中抽取武器装备的属性可采用开源的属性关系抽取技术UIE(Universal Information Extraction)；从图片数据中抽取武器装备的属性可采用多模态的技术，将图片转化为属性知识，如DALL-E；最后可再由人工对武器装备的知识进行校验和补充。
以飞行目标为例，武器装备的知识包含它的标准名称、最大飞行速度、最大内燃油、最大起飞重量、最大装载能力、机身长度、俯视图、仰视图等多维度属性信息。
步骤103，武器装备知识存储；
通过步骤102抽取的武器装备知识需要持久化存储，以供战场轨迹预测处理使用。武器装备知识库通过neo4j数据库存储，数据库中的武器装备以节点的形式存储，可以直观了解武器装备之间的关联关系。以歼-20为例，有关它的记录如表1所示：
表1“歼-20”相关记录
步骤2，战场轨迹预测；
步骤201，战场数据获取；
实战场景中，敌方目标以及战场信息通过传感器、卫星、雷达等信号采集器获取；
战场数据为一个时间段的信号数据或图像数据，包括战场环境信息(如地形、天候、风向等)、目标属性信息(如目标的类型、体积、挂载的传感器信号等)、目标状态信息(如目标的高度、速度、航向、机体健康状况等)。
步骤202，战场数据预处理，预处理方法包括：
战场环境信息(如地形、天候、风向等)和目标状态信息(如目标的高度、速度、航向)从信号数据或图像数据直接读取，预处理过程主要包括坐标系建模和单位转换；
目标属性信息(如目标的类型、体积、挂载的传感器信号等)、目标状态信息(机体健康状况)利用基于深度学习的目标检测技术，在识别目标位置的同时完成与装备知识库匹配；该信息无法直接读取，战场获取的信号或图像数据无法与知识库直接关联，利用信号处理技术和图像检测技术对采集的信息数据或图像数据做初步处理和分析，从而获得该数据：通过信号采集器获取到包含敌方目标的图像后，借助目标检测技术精确勾勒出敌方目标在图片的位置，将其与知识库中的底图进行匹配，匹配过程依赖图片匹配技术，匹配到知识库中相应的底图，即完成与知识库的关联；例如，本发明PANet用于目标检测和匹配，其他的算法还包括R-FCN、Mask R-CNN等。
步骤203，将战场环境信息、目标属性信息、目标状态信息进行特征融合，形成目标的多维度的融合特征信息；
目标的多维度信息的融合特征的形成方法为：
定义战场环境信息、目标属性信息、目标状态信息的向量，包括：
其中，LE，LA，LV分别表示对应向量的维度；
在向量中，/>分别表示战场环境信息，如地形、天候、风向等；
在向量中，/>分别表示目标属性信息，如目标的类型、体积、挂载的传感器信号；
在中，/>分别表示在t时刻的目标状态信息，如目标的高度、速度、航向、机体健康状况；
在战场环境向量目标属性向量/>和目标状态向量/>的基础上，对信息进行整合并统一编码，记为向量x(t)，即：
其中，对于数值型的信息，例如目标体积、高度、速度、航向，它们的特征编码等同于它们的数值；对于描述型的信息，例如目标的类型、健康状况，它们的特征采用独热编码，转换成由0、1组成的编码向量。x(t)是目标的多维度的融合特征信息，作为轨迹预测模型在t时刻的输入信号。
由步骤202预处理完成的战场环境信息通常是用自然语言表达的，而且是孤立的，本步骤的特征工程，将战场环境、目标属性和目标状态整合为特征向量序列，相较于现有技术的特征工程方案，特征包含的信息更为丰富；融合特征信息既考虑了战场上目标所处的时空条件，也考虑了其属性特征对其运动轨迹的约束，又能有效描述历史轨迹信息带来的作战环境和自身状态的改变，对战场任务规划背景下的轨迹预测提供了强有力的信息支撑。
步骤204，轨迹预测模型训练；
构建LSTM模型，LSTM模型的参数和结构设置与目标的多维度的融合特征信息相匹配；对于一条轨迹可获取t时刻的输入信号x(t)，令X为连续T个时刻输入信号的集合，时间步数T根据实际情况确定，通过将多条战场轨迹数据的特征向量X喂入LSTM模型，进行模型参数的训练，最终得到基于融合特征的LSTM轨迹预测模型。
LSTM模型由LSTM单元组成，在时序模型中，LSTM单元会对每个时间步的输入进行编码，并将当前时间步的编码传入下一个时间步的LSTM单元，重复此过程，直至结束，重复次数由时间步数T决定，LSTM单元的结构如图2所示。具体地说，在本发明提出的模型训练过程中，对于其中一条特征向量X，从时间步1开始，将当前输入的信息x1和前一个时间步的隐藏状态信息编码喂入LSTM单元，但由于时间步1没有前一个时间步的隐藏状态信息编码，因此需要初始化隐藏状态信息编码h0，然后同当前输入信息x1拼接一同输入LSTM单元。在LSTM单元中，隐藏状态信息编码和当前输入信息会依次经过遗忘门、输入门和输出门，然后输出当前的隐藏状态信息编码h1。接下来进入下一个时间步，将上一个时间步的隐藏状态信息编码h1和当前输入信息x2一同输入LSTM单元，得到当前时间步的隐藏状态信息编码，如此循环往复，直至获取最后一个时间步的隐藏状态信息编码，此编码即为模型进行轨迹预测的结果，将此结果与实际的轨迹结果进行比对，采用MSE(Mean Squared Error,均方误差)作为模型训练的损失，并采用SGD(Stochastic Gradient Descent，随机梯度下降)更新模型参数，完成轨迹预测模型的训练。其中LSTM单元中的计算过程如下：
1.首先是遗忘门。遗忘门能决定应丢弃或保留哪些信息。来自先前隐藏状态的信息和当前输入的信息同时输入到Sigmoid函数，输出值处于0和1之间，越接近0意味着越应该忘记，越接近1意味着越应该保留。
2.然后是输入门。输入门用来更新单元状态。先将先前隐藏状态的信息和当前输入的信息输入到Sigmoid函数，在0和1之间调整输出值来决定更新哪些信息，0表示不重要，1表示重要。也可将隐藏状态和当前输入传输给Tanh函数，并在-1和1之间压缩数值以调节网络，然后把Tanh输出和Sigmoid输出相乘，Sigmoid输出将决定在Tanh输出中哪些信息是重要的且需要进行保留。
3.最后是输出门。输出门能决定下个隐藏状态的值，隐藏状态中包含了先前输入的相关信息。首先把先前的隐藏状态和当前输入传递给Sigmoid函数；接着把新得到的单元状态传递给Tanh函数；然后把Tanh输出和Sigmoid输出相乘，以确定隐藏状态应携带的信息；最后把隐藏状态作为当前单元输出，把新的单元状态和新的隐藏状态传输给下个时间步。
步骤205，结合目标的多维度的融合特征信息进行轨迹预测。
针对一条实时轨迹信息，将融合目标多维度特征信息得到的向量X作为轨迹预测模型的输入，经过模型推理即可获得战场任务规划背景下的目标轨迹预测结果。模型推理过程与步骤204的训练过程类似，推理过程以一条轨迹特征向量X为输入，将各个时间步的xt依次输入训练得到的LSTM模型中，在第T时间步时，获取模型的输出ht，该状态即为目标的轨迹，对输出的编码进行逆向工程，即可获得预测的目标轨迹点。
在战场轨迹预测模块中，参与到实时预测的步骤包括步骤201、步骤202、步骤203和步骤205。首先在步骤201，利用卫星或其他设备的传感器获取实时的战场图像和信号数据，包括主要目标以及目标周围的战场环境。接下来在步骤202，对步骤201获取的信息进行预处理，包括坐标系建模、单位转换、图像和信号处理、知识库匹配等处理方法，得到具有标准单位和标准描述的信息，包括战场环境信息(如地形、天候、风向等)、目标属性信息(如目标的类型、体积、挂载的传感器信号等)、目标状态信息(如目标的高度、速度、航向、机体健康状况等)。紧接着在步骤203，对具有标准单位和标准描述的战场环境、目标属性、目标状态信息进行整合编码，在该步骤，战场和目标的信息将被编码为数字特征。最后在步骤205，将步骤203编码的数字特征输入到经过训练的轨迹预测模型，经过模型推理获取目标的轨迹编码特征，采用步骤202特征编码的逆向工程方法，将轨迹编码特征转化为坐标信息，即获取预测的目标轨迹点。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (9)

1.一种战场任务规划背景下的目标轨迹预测方法，其特征在于：包括以下步骤：
步骤101，武器装备数据获取；
步骤102，武器装备知识抽取；
步骤103，武器装备知识存储，形成武器装备知识库；
步骤201，战场数据获取；
步骤202，战场数据预处理；
步骤203，将战场环境信息、目标属性信息、目标状态信息进行特征融合，形成目标的多维度的融合特征信息；
步骤204，轨迹预测模型训练；
步骤205，结合目标的多维度的融合特征信息进行轨迹预测。
2.根据权利要求1所述的一种战场任务规划背景下的目标轨迹预测方法，其特征在于：步骤101中，武器装备数据的获取方法为：通过爬虫技术，从互联网抓取结构化或非结构化的武器装备相关文本数据和图片数据。
3.根据权利要求1所述的一种战场任务规划背景下的目标轨迹预测方法，其特征在于：步骤102中，武器装备知识抽取方法为：通过自然语言处理技术和/或图文多模态技术，抽取武器装备知识。
4.根据权利要求1所述的一种战场任务规划背景下的目标轨迹预测方法，其特征在于：步骤201中，战场数据的获取方法为：通过信号采集器(如传感器、卫星、雷达等)获取敌方目标以及战场信息。
5.根据权利要求1所述的一种战场任务规划背景下的目标轨迹预测方法，其特征在于：步骤201中，战场数据为一个时间段的信号数据或图像数据，包括战场环境信息、目标属性信息、目标状态信息；所述战场环境信息包括地形、天候、风向；所述目标属性信息包括目标的类型、体积、挂载的传感器信号；所述目标状态信息包括目标的高度、速度、航向、机体健康状况。
6.根据权利要求1所述的一种战场任务规划背景下的目标轨迹预测方法，
其特征在于：步骤202中，战场数据预处理预处理方法包括：
战场环境信息中地形、天候、风向以及目标状态信息中目标的高度、速度、航向从信号数据或图像数据直接读取，预处理过程主要包括坐标系建模和单位转换；
目标属性信息中目标的类型、体积、挂载的传感器信号以及目标状态信息中机体健康状况利用基于深度学习的目标检测技术，在识别目标位置的同时完成与装备知识库匹配。
7.根据权利要求1所述的一种战场任务规划背景下的目标轨迹预测方法，
其特征在于：步骤203中，目标的多维度信息的融合特征的形成方法为：定义战场环境信息、目标属性信息、目标状态信息的向量，包括：
其中LE，LA，LV分别表示对应向量的维度；
在向量中，/>分别表示战场环境信息，如地形、天候、风向等；
在向量中，/>分别表示目标属性信息，如目标的类型、体积、挂载的传感器信号；
在中，/>分别表示在t时刻的目标状态信息，如目标的高度、速度、航向、机体健康状况；
在战场环境向量目标属性向量/>和目标状态向量/>的基础上，对信息进行整合并统一编码，记为向量x(t)，即：
x(t)是目标的多维度的融合特征信息，作为轨迹预测模型在t时刻的输入信号。
8.根据权利要求1所述的一种战场任务规划背景下的目标轨迹预测方法，其特征在于：步骤204中，轨迹预测模型训练方法，具体为：构建LSTM模型，LSTM模型的参数和结构设置与目标的多维度的融合特征信息相匹配；对于一条轨迹可获取t时刻的输入信号x(t)，令X为连续T个时刻输入信号的集合，时间步数T根据实际情况确定，通过将多条战场轨迹数据的特征向量X喂入LSTM模型，进行模型参数的训练，最终得到基于融合特征的LSTM轨迹预测模型。
9.根据权利要求1所述的一种战场任务规划背景下的目标轨迹预测方法，其特征在于：步骤205中，结合目标的多维度的融合特征信息进行轨迹预测步骤，具体为：针对一条实时轨迹信息，将目标的多维度的融合特征信息得到的向量X作为轨迹预测模型的输入，经过模型推理即可获得战场任务规划背景下的目标轨迹预测结果。
CN202211728693.7A 2022-12-30 2022-12-30 一种战场任务规划背景下的目标轨迹预测方法 Pending CN116663384A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211728693.7A CN116663384A (zh) 2022-12-30 2022-12-30 一种战场任务规划背景下的目标轨迹预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211728693.7A CN116663384A (zh) 2022-12-30 2022-12-30 一种战场任务规划背景下的目标轨迹预测方法

Publications (1)

Publication Number Publication Date
CN116663384A true CN116663384A (zh) 2023-08-29

Family

ID=87712359

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211728693.7A Pending CN116663384A (zh) 2022-12-30 2022-12-30 一种战场任务规划背景下的目标轨迹预测方法

Country Status (1)

Country Link
CN (1) CN116663384A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116842127A (zh) * 2023-08-31 2023-10-03 中国人民解放军海军航空大学 一种基于多源动态数据的自适应辅助决策智能方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116842127A (zh) * 2023-08-31 2023-10-03 中国人民解放军海军航空大学 一种基于多源动态数据的自适应辅助决策智能方法及系统
CN116842127B (zh) * 2023-08-31 2023-12-05 中国人民解放军海军航空大学 一种基于多源动态数据的自适应辅助决策智能方法及系统

Similar Documents

Publication Publication Date Title
CN102426019B (zh) 一种无人机景象匹配辅助导航方法及系统
CN114048889B (zh) 基于长短期记忆网络的飞行器轨迹预测的方法
CN109034376B (zh) 一种基于lstm的无人机飞行状态预测方法及系统
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
Wang et al. A deep-learning-based sea search and rescue algorithm by UAV remote sensing
CN114111764B (zh) 一种导航知识图谱构建及推理应用方法
CN112862171B (zh) 一种基于时空神经网络的航班到达时间预测方法
CN111027627A (zh) 一种基于多层感知机的振动信息地形分类识别方法
CN113569465B (zh) 一种基于深度学习的航迹矢量和目标类型联合估计系统及估计方法
CN116663384A (zh) 一种战场任务规划背景下的目标轨迹预测方法
Xie et al. Dual-channel and bidirectional neural network for hypersonic glide vehicle trajectory prediction
CN111445498A (zh) 一种采用Bi-LSTM神经网络的目标跟踪方法
CN114022697A (zh) 基于多任务学习与知识蒸馏的车辆再辨识方法及系统
CN115048870A (zh) 基于残差网络和注意力机制的目标轨迹识别方法
Wang et al. Learning embedding features based on multisense-scaled attention architecture to improve the predictive performance of air combat intention recognition
US20230351068A1 (en) Intelligent modularized reconstruction system for spacecraft based on task text analysis
CN113221450B (zh) 一种针对稀疏不均匀时序数据的航位预测方法及系统
CN114399689A (zh) 基于多视角无人机图像的缺少定位设备的无人机定位方法
CN113392884B (zh) 基于lstm网络和注意力机制的坐标融合方法
Tang et al. An Efficientnet Based Method for Autonomous Vehicles Trajectory Prediction
Fu et al. UAVDet: A Lightweight Fast Detection Model for Marine Ships based on Edge Mobile Devices
Lee et al. Terrain contour matching with recurrent neural networks
Bordón-Ruiz et al. DEVS-based evaluation of UAVs-based target-search strategies in realistically-modeled missions
CN116663398A (zh) 一种空间目标机动侦测与意图推演方法
Heintz et al. Spacecraft State Estimation Using Neural Radiance Fields

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