CN116739115B - 面向无人飞行器逃逸策略建模的数据样本生成方法和系统 - Google Patents
面向无人飞行器逃逸策略建模的数据样本生成方法和系统 Download PDFInfo
- Publication number
- CN116739115B CN116739115B CN202311026469.8A CN202311026469A CN116739115B CN 116739115 B CN116739115 B CN 116739115B CN 202311026469 A CN202311026469 A CN 202311026469A CN 116739115 B CN116739115 B CN 116739115B
- Authority
- CN
- China
- Prior art keywords
- target
- unmanned aerial
- aerial vehicle
- model
- escape
- 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 112
- 238000004088 simulation Methods 0.000 claims abstract description 259
- 230000007123 defense Effects 0.000 claims abstract description 187
- 238000005070 sampling Methods 0.000 claims abstract description 100
- 230000008569 process Effects 0.000 claims abstract description 76
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000012216 screening Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 abstract description 19
- 230000006399 behavior Effects 0.000 description 28
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 230000009194 climbing Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012880 independent component analysis Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种面向无人飞行器逃逸策略建模的数据样本生成方法和系统,属于样本生成技术领域,本申请实施例通过对待采样仿真参数进行采样,能够生成多个想定文本,进而针对任一想定文本,控制目标无人飞行器模型、目标防御装置模型和目标对抗模型进行仿真推演,得到目标无人飞行器模型的逃逸过程数据、目标防御装置模型防御过程数据和防御结果数据,进而从仿真数据中提取出目标无人飞行器模型实现了有效逃逸的目标仿真数据,并生成满足目标逃逸策略预测模型需求的目标样本数据,使得在面向无人飞行器逃逸策略建模时,能够提供足够多且高质量的训练样本,进而有效提高目标逃逸策略预测模型的训练效果和实际应用效果。
Description
技术领域
本申请涉及样本生成技术领域,特别是涉及一种面向无人飞行器逃逸策略建模的数据样本生成方法和系统。
背景技术
逃逸策略是指无人飞行器遇到威胁时所采取的逃逸行为,例如降低、升空、快速返航及组合方式等;逃逸预测则是指对非合作无人飞行器从开始逃逸到持续了一段时间后飞行到的位置区域进行预测。
传统的逃逸策略分析通常是采用基于规则的方法,即根据对无人飞行器性能的了解,结合对人员远程操作时的一些预测和理解,选择一种或者多种可能的逃逸策略作为输入,以训练得到对应的逃逸策略预测模型。
然而,由于目前针对逃逸策略建模的研究较少,缺乏服务于逃逸策略建模的数据样本生成方法,使得在面向无人飞行器逃逸策略建模时,缺乏有效的数据样本,导致逃逸策略预测模型的训练效果和实际应用效果较差,进而在抓捕或者反制非合作方无人飞信器时,无法准确知悉其逃逸策略,需要付出更大的代价对其逃逸策略进行预测。
发明内容
本申请提供一种面向无人飞行器逃逸策略建模的数据样本生成方法和系统,以解决面向无人飞行器逃逸策略建模时,缺乏有效的数据样本,导致逃逸策略预测模型的训练效果和实际应用效果较差的问题。
为了解决上述问题,本申请采用了以下的技术方案:
第一方面,本申请实施例提供了一种面向无人飞行器逃逸策略建模的数据样本生成方法,所述方法包括:
对待采样仿真参数进行采样,生成多个想定文本;每个所述想定文本包括目标无人飞行器模型参数、目标防御装置模型参数和目标仿真条件参数;
针对任一所述想定文本,基于所述想定文本对应的目标无人飞行器模型参数和目标防御装置模型参数,确定目标无人飞行器模型、目标防御装置模型和目标对抗模型;
控制所述目标无人飞行器模型、所述目标防御装置模型和所述目标对抗模型按照所述想定文本对应的目标仿真条件参数进行仿真推演,得到所述想定文本对应的仿真数据;所述仿真数据包括所述目标无人飞行器的逃逸过程数据、所述目标防御装置的防御过程数据和防御结果数据,所述防御结果数据包括防御成功信息和防御失败信息;
将所述防御结果数据为所述防御失败信息的仿真数据确定为目标仿真数据,基于所述目标仿真数据以及所述目标仿真数据对应的想定文本,生成每个所述目标仿真数据各自对应的初始样本数据;
在所述初始样本数据中,确定满足目标逃逸策略预测模型的模型输入要求和模型输出要求的目标样本数据;所述目标样本数据用于训练所述目标逃逸策略预测模型。
在本申请一实施例中,所述待采样仿真参数包括待采样无人飞行器模型参数、待采样防御装置模型参数和待采样仿真条件参数;
对待采样仿真参数进行采样,生成多个想定文本的步骤,包括:
对所述待采样无人飞行器模型参数进行采样,得到多个所述目标无人飞行器模型参数;
对所述待采样防御装置模型参数进行采样,得到多个所述目标防御装置模型参数;
对所述待采样仿真条件参数进行采样,得到多个所述目标仿真条件参数;
基于多个所述目标无人飞行器模型参数、多个所述目标防御装置模型参数和多个所述目标仿真条件参数,生成多个所述想定文本。
在本申请一实施例中,所述待采样无人飞行器模型参数包括无人飞行器类型参数和无人飞行器运行参数;
对所述待采样无人飞行器模型参数进行采样,得到多个所述目标无人飞行器模型参数的步骤,包括:
对所述无人飞行器类型参数和所述无人飞行器运行参数进行采样,得到多个所述目标无人飞行器模型参数;所述目标无人飞行器模型参数包括目标无人飞行器类型和目标无人飞行器运行参数。
在本申请一实施例中,所述待采样防御装置模型参数包括防御装置类型参数和防御装置运行参数;
对所述待采样防御装置模型参数进行采样,得到多个所述目标防御装置模型参数的步骤,包括:
对所述防御装置类型参数和所述防御装置运行参数进行采样,得到多个所述目标防御装置模型参数;所述目标防御装置模型参数包括目标防御装置类型和目标防御装置运行参数。
在本申请一实施例中,所述待采样仿真条件参数包括无人飞行器出现位置、无人飞行器初始运动方向、防御装置位置、无人飞行器逃逸时间、无人飞行器逃逸持续时间、防御装置防御时间、无人飞行器的候选逃逸策略和每个所述候选逃逸策略下的无人飞行器行为参数;
对所述待采样仿真条件参数进行采样,得到多个所述目标仿真条件参数的步骤,包括:
对所述无人飞行器出现位置、所述无人飞行器初始运动方向、所述防御装置位置、所述无人飞行器逃逸时间、所述无人飞行器逃逸持续时间、所述防御装置防御时间、所述无人飞行器的候选逃逸策略和每个所述候选逃逸策略下的所述无人飞行器行为参数进行采样,分别得到多个目标无人飞行器出现位置、多个目标无人飞行器初始运动方向、多个目标防御装置位置、多个目标无人飞行器逃逸时间、多个目标无人飞行器逃逸持续时间、多个目标防御装置防御时间、多个目标逃逸策略和每个所述目标逃逸策略下的多个目标无人飞行器行为参数;
基于多个所述目标无人飞行器出现位置、多个所述目标无人飞行器初始运动方向、多个所述目标防御装置位置、多个所述目标无人飞行器逃逸时间、多个所述目标无人飞行器逃逸持续时间、多个所述目标防御装置防御时间、多个所述目标逃逸策略和每个所述目标逃逸策略下的多个目标所述无人飞行器行为参数,生成多个所述目标仿真条件参数。
在本申请一实施例中,控制所述目标无人飞行器模型、所述目标防御装置模型和所述目标对抗模型按照所述想定文本对应的目标仿真条件参数进行仿真推演,得到所述想定文本对应的仿真数据的步骤,包括:
控制所述目标无人飞行器模型、所述目标防御装置模型按照所述想定文本对应的目标仿真条件参数进行仿真推演,并按照预设时间间隔,获取所述目标无人飞行器模型的第一位置信息和第一速度信息以及所述目标防御装置模型的第二位置信息和第二速度信息;
控制所述目标对抗模型基于所述第一位置信息、所述第一速度信息、所述第二位置信息和所述第二速度信息,确定所述防御结果数据;
在完成所述仿真推演的情况下,基于所述第一位置信息和第一速度信息,生成所述目标无人飞行器的逃逸过程数据;基于所述第二位置信息和所述第二速度信息,生成所述目标防御装置的防御过程数据;
基于所述逃逸过程数据、所述防御过程数据和所述防御结果数据,生成所述想定文本对应的仿真数据。
在本申请一实施例中,基于所述第一位置信息、所述第一速度信息、所述第二位置信息和所述第二速度信息,确定所述防御结果数据的步骤,包括:
确定所述第一位置信息和所述第二位置信息之间的距离绝对值;
确定所述第一速度信息和所述第二速度信息之间的速度绝对值;
在所述距离绝对值小于距离阈值、所述速度绝对值小于第一速度阈值且所述第一速度信息小于第二速度阈值的情况下,确定所述防御结果数据为所述防御成功信息;
在所述距离绝对值大于或者等于所述距离阈值,或者,所述速度绝对值大于或者等于所述第一速度阈值,或者所述第一速度信息大于或者等于所述第二速度阈值的情况下,确定所述防御结果数据为所述防御失败信息。
在本申请一实施例中,所述初始样本数据包括第一字段、第二字段、第三字段和第四字段;
基于所述目标仿真数据以及所述目标仿真数据对应的想定文本,生成每个所述目标仿真数据各自对应的初始样本数据的步骤,包括:
针对任一所述目标仿真数据,将所述目标仿真数据对应的序号标识写入所述第一字段,将所述目标仿真数据对应的想定文本写入所述第二字段,将所述目标仿真数据对应的防御过程数据写入所述第三字段,并将所述目标仿真数据对应的逃逸过程数据写入所述第四字段,以生成每个所述目标仿真数据各自对应的初始样本数据。
在本申请一实施例中,在所述初始样本数据中,确定满足目标逃逸策略预测模型的模型输入要求和模型输出要求的目标样本数据的步骤,包括:
获取用户针对所述目标逃逸策略预测模型输入的模型输入要求和模型输出要求;其中,所述模型输入要求包括指定无人飞行器类型、指定无人飞行器运行参数、指定防御装置类型、指定防御装置运行参数、指定无人飞行器出现位置、指定无人飞行器初始运动方向、第一指定无人飞行器逃逸时间、指定无人飞行器逃逸持续时间和指定防御装置防御时间中的一个或者多个;所述模型输出要求包括指定逃逸策略、所述指定逃逸策略下的指定逃逸行为、第二指定无人飞行器逃逸时间、第二指定防御装置防御时间和相对时间差中的一个或者多个,其中,所述相对时间差为所述第二指定无人飞行器逃逸时间与所述第二指定防御装置防御时间之间的差值;
基于所述模型输入要求和所述模型输出要求,对所述初始样本数据进行筛选,得到所述目标样本数据。
第二方面,基于相同发明构思,本申请实施例提供了一种面向无人飞行器逃逸策略建模的数据样本生成系统,所述系统包括:
参数采样模块,用于对待采样仿真参数进行采样,生成多个想定文本;每个所述想定文本包括目标无人飞行器模型参数、目标防御装置模型参数和目标仿真条件参数;
模型确定模块,用于针对任一所述想定文本,基于所述想定文本对应的目标无人飞行器模型参数和目标防御装置模型参数,确定目标无人飞行器模型、目标防御装置模型和目标对抗模型;
仿真推演模块,用于控制所述目标无人飞行器模型、所述目标防御装置模型和所述目标对抗模型按照所述想定文本对应的目标仿真条件参数进行仿真推演,得到所述想定文本对应的仿真数据;所述仿真数据包括所述目标无人飞行器的逃逸过程数据、所述目标防御装置的防御过程数据和防御结果数据,所述防御结果数据包括防御成功信息和防御失败信息;
初始样本生成模块,用于将所述防御结果数据为所述防御失败信息的仿真数据确定为目标仿真数据,基于所述目标仿真数据以及所述目标仿真数据对应的想定文本,生成每个所述目标仿真数据各自对应的初始样本数据;
目标样本确定模块,用于在所述初始样本数据中,确定满足目标逃逸策略预测模型的模型输入要求和模型输出要求的目标样本数据;所述目标样本数据用于训练所述目标逃逸策略预测模型。
在本申请一实施例中,所述待采样仿真参数包括待采样无人飞行器模型参数、待采样防御装置模型参数和待采样仿真条件参数;所述参数采样模块包括:
第一参数采样子模块,用于对所述待采样无人飞行器模型参数进行采样,得到多个所述目标无人飞行器模型参数;
第二参数采样子模块,用于对所述待采样防御装置模型参数进行采样,得到多个所述目标防御装置模型参数;
第三参数采样子模块,用于对所述待采样仿真条件参数进行采样,得到多个所述目标仿真条件参数;
想定文本生成子模块,用于基于多个所述目标无人飞行器模型参数、多个所述目标防御装置模型参数和多个所述目标仿真条件参数,生成多个所述想定文本。
在本申请一实施例中,所述待采样无人飞行器模型参数包括无人飞行器类型参数和无人飞行器运行参数;所述第一参数采样子模块包括:
第一参数采样单元,用于对所述无人飞行器类型参数和所述无人飞行器运行参数进行采样,得到多个所述目标无人飞行器模型参数;所述目标无人飞行器模型参数包括目标无人飞行器类型和目标无人飞行器运行参数。
在本申请一实施例中,所述待采样防御装置模型参数包括防御装置类型参数和防御装置运行参数;所述第二参数采样子模块包括:
第二参数采样单元,用于对所述防御装置类型参数和所述防御装置运行参数进行采样,得到多个所述目标防御装置模型参数;所述目标防御装置模型参数包括目标防御装置类型和目标防御装置运行参数。
在本申请一实施例中,所述待采样仿真条件参数包括无人飞行器出现位置、无人飞行器初始运动方向、防御装置位置、无人飞行器逃逸时间、无人飞行器逃逸持续时间、防御装置防御时间、无人飞行器的候选逃逸策略和每个所述候选逃逸策略下的无人飞行器行为参数;所述第三参数采样子模块包括:
第三参数采样单元,用于对所述无人飞行器出现位置、所述无人飞行器初始运动方向、所述防御装置位置、所述无人飞行器逃逸时间、所述无人飞行器逃逸持续时间、所述防御装置防御时间、所述无人飞行器的候选逃逸策略和每个所述候选逃逸策略下的所述无人飞行器行为参数进行采样,分别得到多个目标无人飞行器出现位置、多个目标无人飞行器初始运动方向、多个目标防御装置位置、多个目标无人飞行器逃逸时间、多个目标无人飞行器逃逸持续时间、多个目标防御装置防御时间、多个目标逃逸策略和每个所述目标逃逸策略下的多个目标无人飞行器行为参数;
仿真条件参数生成单元,用于基于多个所述目标无人飞行器出现位置、多个所述目标无人飞行器初始运动方向、多个所述目标防御装置位置、多个所述目标无人飞行器逃逸时间、多个所述目标无人飞行器逃逸持续时间、多个所述目标防御装置防御时间、多个所述目标逃逸策略和每个所述目标逃逸策略下的多个目标所述无人飞行器行为参数,生成多个所述目标仿真条件参数。
在本申请一实施例中,所述仿真推演模块包括:
第一控制子模块,用于控制所述目标无人飞行器模型、所述目标防御装置模型按照所述想定文本对应的目标仿真条件参数进行仿真推演,并按照预设时间间隔,获取所述目标无人飞行器模型的第一位置信息和第一速度信息以及所述目标防御装置模型的第二位置信息和第二速度信息;
第二控制子模块,用于控制所述目标对抗模型基于所述第一位置信息、所述第一速度信息、所述第二位置信息和所述第二速度信息,确定所述防御结果数据;
第一生成子模块,用于在完成所述仿真推演的情况下,基于所述第一位置信息和第一速度信息,生成所述目标无人飞行器的逃逸过程数据;基于所述第二位置信息和所述第二速度信息,生成所述目标防御装置的防御过程数据;
第二生成子模块,用于基于所述逃逸过程数据、所述防御过程数据和所述防御结果数据,生成所述想定文本对应的仿真数据。
在本申请一实施例中,所述第二控制子模块包括:
距离绝对值确定单元,用于确定所述第一位置信息和所述第二位置信息之间的距离绝对值;
速度绝对值确定单元,用于确定所述第一速度信息和所述第二速度信息之间的速度绝对值;
第一防御结果确定单元,用于在所述距离绝对值小于距离阈值、所述速度绝对值小于第一速度阈值且所述第一速度信息小于第二速度阈值的情况下,确定所述防御结果数据为所述防御成功信息;
第二防御结果确定单元,用于在所述距离绝对值大于或者等于所述距离阈值,或者,所述速度绝对值大于或者等于所述第一速度阈值,或者所述第一速度信息大于或者等于所述第二速度阈值的情况下,确定所述防御结果数据为所述防御失败信息。
在本申请一实施例中,所述初始样本数据包括第一字段、第二字段、第三字段和第四字段;所述初始样本生成模块包括:
数据写入子模块,用于针对任一所述目标仿真数据,将所述目标仿真数据对应的序号标识写入所述第一字段,将所述目标仿真数据对应的想定文本写入所述第二字段,将所述目标仿真数据对应的防御过程数据写入所述第三字段,并将所述目标仿真数据对应的逃逸过程数据写入所述第四字段,以生成每个所述目标仿真数据各自对应的初始样本数据。
在本申请一实施例中,目标样本确定模块包括:
要求获取子模块,用于获取用户针对所述目标逃逸策略预测模型输入的模型输入要求和模型输出要求;其中,所述模型输入要求包括指定无人飞行器类型、指定无人飞行器运行参数、指定防御装置类型、指定防御装置运行参数、指定无人飞行器出现位置、指定无人飞行器初始运动方向、第一指定无人飞行器逃逸时间、指定无人飞行器逃逸持续时间和指定防御装置防御时间中的一个或者多个;所述模型输出要求包括指定逃逸策略、所述指定逃逸策略下的指定逃逸行为、第二指定无人飞行器逃逸时间、第二指定防御装置防御时间和相对时间差中的一个或者多个,其中,所述相对时间差为所述第二指定无人飞行器逃逸时间与所述第二指定防御装置防御时间之间的差值;
筛选子模块,用于基于所述模型输入要求和所述模型输出要求,对所述初始样本数据进行筛选,得到所述目标样本数据。
与现有技术相比,本申请包括以下优点:
本申请实施例提供的一种面向无人飞行器逃逸策略建模的数据样本生成方法,通过对待采样仿真参数进行采样,能够生成多个想定文本,进而针对任一想定文本,控制相应的目标无人飞行器模型、目标防御装置模型和目标对抗模型按照该想定文本对应的目标仿真条件参数进行仿真推演,得到该想定文本对应的仿真数据,并基于防御结果数据为防御失败信息的目标仿真数据以及该目标仿真数据对应的想定文本,生成对应的初始样本数据,并最终在初始样本数据中,确定满足目标逃逸策略预测模型的模型输入要求和模型输出要求的目标样本数据。本申请实施例采用博弈对抗方法,通过仿真推演,能够得到目标防御装置模型和目标无人飞行器模型在博弈对抗过程中产生的逃逸过程数据、防御过程数据和防御结果数据,进而从仿真数据中提取出目标无人飞行器模型实现了有效逃逸的目标仿真数据,并生成满足目标逃逸策略预测模型需求的目标样本数据,使得在面向无人飞行器逃逸策略建模时,能够提供足够多且高质量的训练样本,进而有效提高目标逃逸策略预测模型的训练效果和实际应用效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一实施例中一种面向无人飞行器逃逸策略建模的数据样本生成方法的步骤流程图。
图2是本申请一实施例中一种面向无人飞行器逃逸策略建模的数据样本生成系统的模块示意图。
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。
需要说明的是,目前在面向无人飞行器逃逸策略建模时,通常将逃逸策略作为逃逸预测模型的输入。具体而言,可以根据一种逃逸策略生成一个逃逸预测模型,即对不同的逃逸策略有不同的逃逸预测模型;也可以把多种逃逸策略作为输入,面向多种逃逸策略生成一个逃逸预测模型,这样的模型通常复杂度会更高。
本申请发明人发现,无论通过哪种方式训练得到的逃逸预测模型,在实际应用时都与无人飞行器的逃逸策略密切相关,都需要输入相应的逃逸策略或者根据逃逸策略选择相应的逃逸预测模型,也就是说,在实际应用时可以选择一个、部分或者全部的逃逸策略。然而,选择单一逃逸策略,可能由于选的不准,导致对非合作无人飞行器的逃逸预测不准确;选择多个逃逸策略,则代价比较大,一方面,需要多个逃逸预测模型同时计算或者驱动相对复杂的逃逸预测模型,导致逃逸预测模型计算开销相对较大,另一方面,逃逸预测模型实际应用时,由于选择了多种逃逸策略,则逃逸预测范围也是多个,那么在对非合作无人飞行器进行抓捕或者对抗时,需要对多个预测区域进行抓捕或对抗,付出更大的代价对其逃逸进行预测。
当前在面向无人飞行器逃逸策略建模,逃逸策略预测问题非常重要,即需要对无人飞行器的逃逸策略进行有效地预测,以缩小针对逃逸策略的预测范围。然而,相关技术对逃逸策略建模本身的研究较少,通常的逃逸策略分析是采用基于规则的方法,即根据对无人飞行器性能的了解,结合对人员远程操作时的一些预测和理解,选择一种或者多种可能的逃逸策略(一般为了提升可靠性会选择多种逃逸策略)以及对应逃逸策略下的无人飞行器行为参数作为输入,以训练得到对应的逃逸预测模型。该种方式受限于人员的经验和预测结果,无法为逃逸策略预测模型提供准确有效的数据样本支撑,导致逃逸策略预测模型的训练效果和实际应用效果较差。
针对目前面向无人飞行器逃逸策略建模时,缺乏有效的数据样本,导致逃逸策略预测模型的训练效果和实际应用效果较差的问题,本申请旨在提供一种基于博弈对抗的面向无人飞行器逃逸策略建模的数据样本生成方法,以找寻无人飞行器遇到威胁时最有效的逃逸策略为出发点,构建无人飞行器模型、防御装置模型以及对抗模型,采用博弈对抗方法,通过仿真推演,得到防御装置模型与无人飞行器模型在博弈对抗过程中产生的逃逸过程数据、防御过程数据和防御结果数据,并从仿真数据中提取出目标无人飞行器实现了有效逃逸的目标仿真数据,进而生成满足目标逃逸策略预测模型需求的目标样本数据,使得在面向无人飞行器逃逸策略建模时,能够提供足够多且高质量的训练样本,进而有效提高目标逃逸策略预测模型的训练效果和实际应用效果。
参照图1,示出了本申请一种面向无人飞行器逃逸策略建模的数据样本生成方法,该方法可以包括以下步骤:
S101:对待采样仿真参数进行采样,生成多个想定文本。
在本实施方式中,每个想定文本包括目标无人飞行器模型参数、目标防御装置模型参数和目标仿真条件参数。需要说明的是,防御装置指用于抓捕或者对抗无人飞行器的装置。
在本实施方式中,用户可以根据实际应用需求,对待采样仿真参数进行自定义设置,例如,可以根据无人飞行器可能存在的类型,在待采样仿真参数中设置相应数量的无人飞行器模型参数;可以根据自身能够布置的防御装置的类型,在待采样仿真参数中设置相应数量的防御装置模型参数;同时,还可以根据可能的实际逃逸和抓捕场景,在待采样仿真参数中设置相应的仿真条件参数,以实现对不同逃逸和抓捕场景的仿真。
在本实施方式中,通过对待采样仿真参数进行采样,可以生成数量足够多的由不同目标无人飞行器模型参数、不同目标防御装置模型参数和/或不同仿真条件参数构成的想定文本。
示例性,通过对待采样仿真参数进行采样,分别采样得到5个无人飞行器模型参数、2个防御装置模型参数和8个仿真条件参数,则通过对上述参数进行组合,最多可以生成5*2*8=80个想定文本。
S102:针对任一想定文本,基于想定文本对应的目标无人飞行器模型参数和目标防御装置模型参数,确定目标无人飞行器模型、目标防御装置模型和目标对抗模型。
在本实施方式中,可以构建无人飞行器模型库,用于存储预设的至少一个无人飞行器模型;可以构建防御装置模型库,用于存储预设的至少一个防御装置模型;可以构建对抗模型库,用于存储预设的至少一个对抗模型。进而可以根据仿真需要,从各个模型库中调用相应的模型进行仿真推演。
在具体实现中,针对任一想定文本,可以基于该想定文本对应的目标无人飞行器模型参数,在预设无人飞行器模型库中,确定目标无人飞行器模型;基于该想定文本对应的目标防御装置模型参数,在预设的防御装置模型库中,确定目标防御装置模型;基于目标无人飞行器模型和目标防御装置模型,在预设的对抗模型库中,确定目标对抗模型。
需要说明的是,对抗模型作为用于检测无人飞行器模型和防御装置模型之间的博弈对抗结果的模型,是与无人飞行器模型和防御装置模型密切相关的,因此,可以预先建立对抗模型与无人飞行器模型和防御装置模型之间的映射关系,进而在确定目标无人飞行器模型和目标防御装置模型后,可以基于该映射关系,确定目标无人飞行器模型和目标防御装置模型对应的目标对抗模型。
S103:控制目标无人飞行器模型、目标防御装置模型和目标对抗模型按照想定文本对应的目标仿真条件参数进行仿真推演,得到想定文本对应的仿真数据。
在本实施方式中,仿真数据包括目标无人飞行器的逃逸过程数据、目标防御装置的防御过程数据和防御结果数据,防御结果数据包括防御成功信息和防御失败信息。其中,防御成功信息表征目标防御装置成功对目标无人飞行器实施防御,防御失败信息则表征目标防御装置未成功对目标无人飞行器实施防御。
具体而言,目标无人飞行器模型将按照目标仿真条件参数中的目标逃逸策略以及相关参数在仿真空间进行逃逸操作,而目标防御装置模型则按照目标仿真条件参数在仿真空间对目标无人飞行器模型进行抓捕或者对抗操作,而目标对抗模型则用于实时判断在仿真推演的过程中,目标防御装置模型是否成功对目标无人飞行器模型实施了防御。在完成仿真推演之后,即可得到目标无人飞行器的逃逸过程数据、目标防御装置的防御过程数据和防御结果数据。
S104:将防御结果数据为防御失败信息的仿真数据确定为目标仿真数据,基于目标仿真数据以及目标仿真数据对应的想定文本,生成每个目标仿真数据各自对应的初始样本数据。
在本实施方式中,通过在大量仿真数据中提取防御装置未成功对无人飞行器实施防御的目标仿真数据,使得基于目标仿真数据生成的初始样本数据可以有效提升目标逃逸策略预测模型的训练效果,以使目标逃逸策略预测模型在实际应用时,能够更准确地对非合作方无人飞行器的逃逸策略进行预测。
在具体实现中,可以按照固定格式,生成每个目标仿真数据各自对应的初始样本数据,该初始样本数据包括对应的目标仿真数据以及该目标仿真数据对应的想定文本;其中,想定文本可以作为对应的初始样本数据中的样本标签。
S105:在初始样本数据中,确定满足目标逃逸策略预测模型的模型输入要求和模型输出要求的目标样本数据。
在本实施方式中,根据目标逃逸策略预测模型的设计要求,对初始样本数据进行处理,以生成满足目标逃逸策略预测模型的模型输入要求和模型输出要求的目标样本数据,该目标样本数据即可用于训练该目标逃逸策略预测模型,目标逃逸策略预测模型用于预测无人飞行器的实际逃逸策略。需要说明的是,基于该目标逃逸策略预测模型预测得到的实际逃逸策略,可以进一步结合逃逸预测模型,预测得到该无人飞行器在实际逃逸策略下的实际逃逸轨迹和实际逃逸位置,以实现对无人飞行器的精确抓捕。
示例性的,用户可以根据目标逃逸策略预测模型的实际应用场景,在目标逃逸策略预测模型的模型输入要求设置为指定无人飞行器类型、指定无人飞行器运行参数和指定防御装置类型,而模型输出要求设置为指定逃逸策略,进而可以从初始样本数据中筛选出包含指定无人飞行器类型、指定无人飞行器运行参数、指定防御装置类型和指定逃逸策略的目标样本数据,通过该目标样本数据对目标逃逸策略预测模型进行针对性训练,可以有效提高对指定无人飞行器类型的无人飞行器的预测效果。
在本实施方式中,通过对待采样仿真参数进行采样,能够生成数量足够多的想定文本,进而在各个想定文本的指示下,通过仿真的方式,实现各种无人飞行器模型和各种防御装置模型在各种仿真条件参数下的博弈对抗,以得到每个想定文本各自对应的仿真数据,由于防御装置模型成功实施防御的仿真数据难以提升逃逸策略预测模的训练效果,因此可以基于防御结果数据,可以从仿真数据中提取防御装置模型未成功实施防御的目标仿真数据,以保留有效数据;然后按照固定的格式,生成每个目标仿真数据各自对应的初始样本数据,以满足各类逃逸策略预测模型的训练需求,进而在实际应用中,可以根据目标逃逸策略预测模型的模型输入要求和模型输出要求,针对性地从初始样本数据中提取目标样本数据,以满足目标逃逸策略预测模型的训练需求。
本申请实施例提供的一种面向无人飞行器逃逸策略建模的数据样本生成方法,通过生成数量足够多且高质量的目标样本数据,能够为无人飞行器逃逸策略建模提供有效的数据支撑,进而有效提高目标逃逸策略预测模型的训练效果和实际应用效果。
在一个可行的实施方式中,待采样仿真参数包括待采样无人飞行器模型参数、待采样防御装置模型参数和待采样仿真条件参数,S101具体可以包括以下子步骤:
S101-1:对待采样无人飞行器模型参数进行采样,得到多个目标无人飞行器模型参数。
在本实施方式中,为满足对各类无人飞行器的仿真需要,待采样仿真参数设置有待采样无人飞行器模型参数,具体可以包括无人飞行器类型参数和无人飞行器运行参数。其中,无人飞行器运行参数包括转弯半径、飞行速度、飞行高度范围、最快下降速度、最快爬升速度等参数中的一个或者多个。
在本实施方式中,用户可以预先设置无人飞行器可能的种类范围和运行参数范围,进而分别对无人飞行器种类范围中的无人飞行器类型参数以及运行参数范围中的无人飞行器运行参数进行采样,得到多个目标无人飞行器模型参数;目标无人飞行器模型参数包括目标无人飞行器类型和目标无人飞行器运行参数。
在具体实现中,可以按照第一采样间隔x1,对无人飞行器种类范围中的无人飞行器类型参数进行采样,得到多个目标无人飞行器类型。优选地,为满足对各类无人飞行器的仿真需要,第一采样间隔可以设置为1,即对所有的无人飞行器类型进行采样。
在具体实现中,可以按照第二采样间隔x2,对运行参数范围中的无人飞行器运行参数进行采样,得到多个目标无人飞行器运行参数。例如,预设的最快爬升速度范围为3~5m/s,则可以按照0.5m/s的采样间隔,在3~5m/s的范围内采样得到包括3m/s、3.5m/s、4m/s、4.5m/s和5m/s在内的5个目标最快爬升速度。需要说明的是,在存在多种无人飞行器运行参数的情况下,不同类型的无人飞行器运行参数可以设置不同维度和大小的采样间隔进行采样,再将采样得到的不同类型的无人飞行器运行参数进行遍历组合,最终得到多个目标无人飞行器运行参数。例如,在最快爬升速度的基础上,还预设有飞行速度范围为50~65m/s,则可以按照5m/s的采样间隔,在50~65m/s的范围内采样得到包括50m/s、55m/s、60m/s和65m/s在内的4个目标最快爬升速度,进而得到5*4=20个目标无人飞行器运行参数。
在本实施方式中,通过将多个目标无人飞行器类型和多个目标无人飞行器运行参数进行组合,则可以进一步得到所需的N1个目标无人飞行器模型参数。
S101-2:对待采样防御装置模型参数进行采样,得到多个目标防御装置模型参数。
在本实施方式中,为满足对各类防御装置的仿真需要,待采样仿真参数设置有待采样防御装置模型参数,具体可以包括防御装置类型参数和防御装置运行参数。
在本实施方式中,用户可以预先设置防御装置可能的种类范围和运行参数范围,进而分别对防御装置种类范围中的防御装置类型参数以及运行参数范围中的防御装置运行参数进行采样,得到多个目标防御装置模型参数;目标防御装置模型参数包括目标防御装置类型和目标防御装置运行参数。
在本实施方式中,参照对多个目标无人飞行器模型参数的采样过程,可以按照相同或者相似的步骤,采样得到多个防御装置类型和多个防御装置运行参数,在此不在赘述。
在本实施方式中,通过采样得到多个防御装置类型和多个防御装置运行参数进行组合,可以进一步得到所需的N2个目标防御装置模型参数。
S101-3:对待采样仿真条件参数进行采样,得到多个目标仿真条件参数。
在本实施方式中,为满足对各类逃逸和抓捕场景的仿真需要,待采样仿真参数设置有待采样仿真条件参数,具体可以包括无人飞行器出现位置、无人飞行器初始运动方向、防御装置位置、无人飞行器逃逸时间、无人飞行器逃逸持续时间、防御装置防御时间、无人飞行器的候选逃逸策略和每个候选逃逸策略下的无人飞行器行为参数。
在本实施方式中,通过对无人飞行器出现位置、无人飞行器初始运动方向、防御装置位置、无人飞行器逃逸时间、无人飞行器逃逸持续时间、防御装置防御时间、无人飞行器的候选逃逸策略和每个候选逃逸策略下的无人飞行器行为参数进行采样,可以分别得到多个目标无人飞行器出现位置、多个目标无人飞行器初始运动方向、多个目标防御装置位置、多个目标无人飞行器逃逸时间、多个目标无人飞行器逃逸持续时间、多个目标防御装置防御时间、多个目标逃逸策略和每个目标逃逸策略下的多个目标无人飞行器行为参数。
在具体实现中,针对无人飞行器出现位置,可以预先设置无人飞行器出现位置区域,进而按照第三采样间隔x3,在无人飞行器出现位置区域内进行采样,得到N3个目标无人飞行器出现位置。
在具体实现中,针对无人飞行器初始运动方向,可以预先设置无人飞行器初始运动方向范围,进而按照第四采样间隔x4,在无人飞行器初始运动方向范围内进行采样,得到N4个目标无人飞行器初始运动方向。
在具体实现中,针对防御装置位置,可以预先设置防御装置位置区域,进而按照第五采样间隔x5,在防御装置位置区域内进行采样,得到N5个目标防御装置位置。
在具体实现中,针对无人飞行器逃逸时间,可以预先设置无人飞行器逃逸时间范围,进而按照第六采样间隔x6,在无人飞行器逃逸时间范围内进行采样,得到N6个目标无人飞行器逃逸时间。其中,逃逸时间表示目标无人飞行器模型开始逃逸的时间。
在具体实现中,针对无人飞行器逃逸持续时间,可以预先设置无人飞行器逃逸持续时间范围,进而按照第七采样间隔x7,在无人飞行器逃逸持续时间范围内进行采样,得到N7个目标无人飞行器逃逸持续时间。其中,无人飞行器逃逸持续时间表示目标无人飞行器模型从开始逃逸到捕捉或打击无人飞行器的装置实际捕捉或打击到无人飞行器经历的时长。
在具体实现中,针对防御装置防御时间,可以预先设置防御装置防御时间范围,进而按照第八采样间隔x8,在防御装置防御时间范围内进行采样,得到N8个目标防御装置防御时间。
在具体实现中,针对无人飞行器的候选逃逸策略,可以预先设置候选逃逸策略库,进而按照第九采样间隔x9,在候选逃逸策略库中进行采样,得到N9个目标逃逸策略。需要说明的是,为提高目标逃逸策略预测模型的适用范围,第八采样间隔x9可以设置为1,即对候选逃逸策略库中的所有候选逃逸策略进行采样。其中,候选逃逸策略包括但不限于降低、升空、快速返航或者及及组合等多种逃逸方式。
在具体实现中,针对每个候选逃逸策略下的无人飞行器行为参数,可以预先设置每个候选逃逸策略下的无人飞行器行为参数范围,进而按照第十采样间隔x10,在每个候选逃逸策略下的无人飞行器行为参数范围进行采样,得到每个目标逃逸策略下的N10个目标无人飞行器行为参数。其中,无人飞行器行为参数包括但不限于逃逸方向、逃逸转弯半径、逃逸速度和/或最小逃逸持续时间等参数。
在本实施方式中,基于采样得到的N3个目标无人飞行器出现位置、N4个目标无人飞行器初始运动方向、N5个目标防御装置位置、N6个目标无人飞行器逃逸时间、N7个目标无人飞行器逃逸持续时间、N8个目标防御装置防御时间、N9个目标逃逸策略和每个目标逃逸策略下的N10个目标无人飞行器行为参数,能够生成N3*N4*N5*N6*N7*N8*N9*N10个目标仿真条件参数。
S101-4:基于多个目标无人飞行器模型参数、多个目标防御装置模型参数和多个目标仿真条件参数,生成多个想定文本。
在本实施方式中,通过对N1个目标无人飞行器模型参数、N2个目标防御装置模型参数和N3*N4*N5*N6*N7*N8*N9*N10个目标仿真条件参数进行组合,可以得到N1*N2*N3*N4*N5*N6*N7*N8*N9*N10个想定文本。
在本实施方式中,通过分别对待采样无人飞行器模型参数、待采样防御装置模型参数和待采样仿真条件参数进行采样并将采样得到的参数进行组合,能够全面地对可能的无人飞行器、可能的防御装置以及可能的无人飞行器和防御装置之间存在的对抗场景进行仿真,进而得到更为丰富全面的仿真数据,能够有效提高目标逃逸策略预测模型的适用性和准确性。
在一个可行的实施方式中,S103具体可以包括以下子步骤:
S103-1:控制目标无人飞行器模型、目标防御装置模型按照想定文本对应的目标仿真条件参数进行仿真推演,并按照预设时间间隔,获取目标无人飞行器模型的第一位置信息和第一速度信息以及目标防御装置模型的第二位置信息和第二速度信息。
在本实施方式中,为提高仿真效率,可以采用多核多线程的仿真设备进行仿真推演,进而基于仿真设备的所能提高的工作线程,并行地根据想定文本进行仿真推演,即可以同时通过不同的工作线程实现对不同想定文本的仿真推演。
在具体实现中,针对任一想定文本,将在仿真推演的过程中,按照预设时间间隔,如每隔0.2秒获取目标无人飞行器模型的第一位置信息和第一速度信息以及目标防御装置模型的第二位置信息和第二速度信息。
S103-2:控制目标对抗模型基于第一位置信息、第一速度信息、第二位置信息和第二速度信息,确定防御结果数据。
需要说明的是,可以根据不同的博弈对抗策略,构建不同的对抗模型。进而在确定目标无人飞行器模型和目标防御装置模型,选择适用于目标无人飞行器模型和目标防御装置模型之间的博弈对抗策略,进而确定相应的目标对抗模型,目标对抗模型用于在仿真推演的过程中确定目标防御装置模型是否成功对目标无人飞行器模型实施了防御。
在本实施方式中,作为可选的一种博弈对抗策略,S103-2可以包括以下子步骤:
S103-2-1:确定第一位置信息和第二位置信息之间的距离绝对值。
在本实施方式中,针对仿真推演的过程中的某一时刻t,获取到目标无人飞行器模型的第一位置信息为p1,目标防御装置模型的第二位置信息为p2,则距离绝对值为:
P=|p1-p2|(1);
在本实施方式中,距离绝对值P表示目标防御装置模型和目标无人飞行器模型的相对距离,基于距离绝对值可以确定目标无人飞行器模型是否进入目标防御装置模型的可防御范围。
S103-2-2:确定第一速度信息和第二速度信息之间的速度绝对值。
在本实施方式中,针对仿真推演的过程中的某一时刻t,获取到目标无人飞行器模型的第一速度信息为v1,目标防御装置模型的第二速度信息为v2,则速度绝对值为:
V=|v1-v2|(2);
在本实施方式中,距离绝对值V表示目标防御装置模型和目标无人飞行器模型的相对速度差,基于速度绝对值可以确定目标防御装置模型是否满足进行防御的速度条件。
S103-2-3:在距离绝对值小于距离阈值、速度绝对值小于第一速度阈值且第一速度信息小于第二速度阈值的情况下,确定防御结果数据为防御成功信息。
在本实施方式中,若检测到P<P0,V<V0且v1<V1,则说明标防御装置模型已经成功对目标防御装置模型实施了防御,输出防御结果数据为防御成功信息。
需要说明的是,P0表示防御装置模型能够对目标防御装置模型实施防御的距离临界值;V0表示防御装置模型能够对目标防御装置模型实施防御的速度临界值;V1表示目标无人飞行器模型能够被有效防御的速度临界值。
S103-2-4:在距离绝对值大于或者等于距离阈值,或者,速度绝对值大于或者等于第一速度阈值,或者第一速度信息大于或者等于第二速度阈值的情况下,确定防御结果数据为防御失败信息。
在本实施方式中,若检测到P≥P0,V≥V0或者v1≥V1,则说明标防御装置模型未能成功对目标防御装置模型实施防御,输出防御结果数据为防御失败信息。
S103-3:在完成仿真推演的情况下,基于第一位置信息和第一速度信息,生成目标无人飞行器的逃逸过程数据;基于第二位置信息和第二速度信息,生成目标防御装置的防御过程数据。
在本实施方式中,逃逸过程数据表示目标无人飞行器在仿真推演过程中的逃逸行为,防御过程数据表示目标防御装置模型在仿真推演过程中的逃逸行为,基于逃逸过程数据和防御过程数据,可以通过可视化等手段展示目标无人飞行器和目标防御装置模型的逃逸和抓捕场景。
S103-4:基于逃逸过程数据、防御过程数据和防御结果数据,生成想定文本对应的仿真数据。
在本实施方式中,通过将逃逸过程数据、防御过程数据和防御结果数据进行存储,便可得到与多个想定文本一一对应的仿真数据。
在一个可行的实施方式中,初始样本数据包括第一字段、第二字段、第三字段和第四字段,S104中基于目标仿真数据以及目标仿真数据对应的想定文本,生成每个目标仿真数据各自对应的初始样本数据的步骤,具体可以包括以下子步骤:
S104-1:针对任一目标仿真数据,将目标仿真数据对应的序号标识写入第一字段,将目标仿真数据对应的想定文本写入第二字段,将目标仿真数据对应的防御过程数据写入第三字段,并将目标仿真数据对应的逃逸过程数据写入第四字段,以生成每个目标仿真数据各自对应的初始样本数据。
在本实施方式中,通过基于防御结果数据,对仿真数据进行筛选,并保留防御装置成功对无人飞行器实施了防御的目标仿真数据之后,可以按照固定的格式,生成每个目标仿真数据各自对应的初始样本数据。其中,每个初始样本数据包括四个字段,其中,第一字段用于存储序号标识,第二字段用于存储想定文本,第三字段用于存储防御过程数据,第四字段则用于存储逃逸过程数据。
在本实施方式中,通过将想定文本以及目标仿真数据对应的各个数据生成固定格式的初始样本数据,不仅可以实现数据的规范处理,还能便于对各类数据进行快捷筛选,例如,针对初始样本数据的第二字段、第三字段和/或第四字段进行关键词的筛选,从初始样本数据中筛选得到所需的样本数据。
在一个可行的实施方式中,S105具体可以包括以下子步骤:
S105-1:获取用户针对目标逃逸策略预测模型输入的模型输入要求和模型输出要求。
具体而言,模型输入要求可以包括指定无人飞行器类型、指定无人飞行器运行参数、指定防御装置类型、指定防御装置运行参数、指定无人飞行器出现位置、指定无人飞行器初始运动方向、第一指定无人飞行器逃逸时间、指定无人飞行器逃逸持续时间和指定防御装置防御时间中的一个或者多个;模型输出要求包括指定逃逸策略、指定逃逸策略下的指定逃逸行为、第二指定无人飞行器逃逸时间、第二指定防御装置防御时间和相对时间差中的一个或者多个,其中,相对时间差为第二指定无人飞行器逃逸时间与第二指定防御装置防御时间之间的差值。
需要说明的是,上述参数还可以包括对应的参数误差,例如,在指定无人飞行器运行参数的基础上,还可以设置相应的参数误差,得到指定无人飞行器运行参数范围,进而在对初始样本数据进行筛选时,在初始样本数据中的无人飞行器运行参数落入指定无人飞行器运行参数范围时,即认为该初始样本数据满足模型输入要求中的指定无人飞行器类型。
在具体实现中,为满足不同逃逸策略预测模型的训练需求和实际应用需求,还将提供候选输入接口,用户可以通过候选输入接口,输入相应的模型输入要求;同时,还提供有候选输出接口,用户可以通过候选输出接口,输入相应的模型输出要求。
S105-2:基于模型输入要求和模型输出要求,对初始样本数据进行筛选,得到目标样本数据。
在本实施方式中,在获取到用户输入的模型输入要求和模型输出要求之后,便可对初始样本数据进行筛选。在具体实现中,初始样本数据可以按照行存储的方式写入存储空间,进而在进行筛选时,将未包含模型输入要求和模型输出要求的初始样本数据进行删除,保留目标样本数据。
在本实施方式中,在得到目标样本数据之后,还可以对目标样本数据进行进一步的分析处理,以提高目标样本数据的样本质量。
在具体实现中,可以对目标样本数据的分布进行统计,根据统计情况将目标样本数据中的异常数据进行剔除;再通过预设的分析和去噪方法,如主成分分析(PrincipalComponent Analysis,PCA)、独立成分分析(Independent Component Analysis,ICA)和线性判别分析(linear Discriminant Analysis,LDA)等方法,对剔除异常数据的目标样本数据进行分析和去噪操作,得到最终应用于目标逃逸策略预测模型的目标样本数据。
第二方面,基于相同发明构思,参照图2,本申请实施例提供了一种面向无人飞行器逃逸策略建模的数据样本生成系统200,该面向无人飞行器逃逸策略建模的数据样本生成系统200包括:
参数采样模块201,用于对待采样仿真参数进行采样,生成多个想定文本;每个想定文本包括目标无人飞行器模型参数、目标防御装置模型参数和目标仿真条件参数。
模型确定模块202,用于针对任一想定文本,基于想定文本对应的目标无人飞行器模型参数和目标防御装置模型参数,确定目标无人飞行器模型、目标防御装置模型和目标对抗模型。
仿真推演模块203,用于控制目标无人飞行器模型、目标防御装置模型和目标对抗模型按照想定文本对应的目标仿真条件参数进行仿真推演,得到想定文本对应的仿真数据;仿真数据包括目标无人飞行器的逃逸过程数据、目标防御装置的防御过程数据和防御结果数据,防御结果数据包括防御成功信息和防御失败信息。
初始样本生成模块204,用于将防御结果数据为防御失败信息的仿真数据确定为目标仿真数据,基于目标仿真数据以及目标仿真数据对应的想定文本,生成每个目标仿真数据各自对应的初始样本数据。
目标样本确定模块205,用于在初始样本数据中,确定满足目标逃逸策略预测模型的模型输入要求和模型输出要求的目标样本数据;目标样本数据用于训练目标逃逸策略预测模型。
在本申请一实施例中,待采样仿真参数包括待采样无人飞行器模型参数、待采样防御装置模型参数和待采样仿真条件参数;参数采样模块201包括:
第一参数采样子模块,用于对待采样无人飞行器模型参数进行采样,得到多个目标无人飞行器模型参数。
第二参数采样子模块,用于对待采样防御装置模型参数进行采样,得到多个目标防御装置模型参数。
第三参数采样子模块,用于对待采样仿真条件参数进行采样,得到多个目标仿真条件参数。
想定文本生成子模块,用于基于多个目标无人飞行器模型参数、多个目标防御装置模型参数和多个目标仿真条件参数,生成多个想定文本。
在本申请一实施例中,待采样无人飞行器模型参数包括无人飞行器类型参数和无人飞行器运行参数;第一参数采样子模块包括:
第一参数采样单元,用于对无人飞行器类型参数和无人飞行器运行参数进行采样,得到多个目标无人飞行器模型参数;目标无人飞行器模型参数包括目标无人飞行器类型和目标无人飞行器运行参数。
在本申请一实施例中,待采样防御装置模型参数包括防御装置类型参数和防御装置运行参数;第二参数采样子模块包括:
第二参数采样单元,用于对防御装置类型参数和防御装置运行参数进行采样,得到多个目标防御装置模型参数;目标防御装置模型参数包括目标防御装置类型和目标防御装置运行参数。
在本申请一实施例中,待采样仿真条件参数包括无人飞行器出现位置、无人飞行器初始运动方向、防御装置位置、无人飞行器逃逸时间、无人飞行器逃逸持续时间、防御装置防御时间、无人飞行器的候选逃逸策略和每个候选逃逸策略下的无人飞行器行为参数;第三参数采样子模块包括:
第三参数采样单元,用于对无人飞行器出现位置、无人飞行器初始运动方向、防御装置位置、无人飞行器逃逸时间、无人飞行器逃逸持续时间、防御装置防御时间、无人飞行器的候选逃逸策略和每个候选逃逸策略下的无人飞行器行为参数进行采样,分别得到多个目标无人飞行器出现位置、多个目标无人飞行器初始运动方向、多个目标防御装置位置、多个目标无人飞行器逃逸时间、多个目标无人飞行器逃逸持续时间、多个目标防御装置防御时间、多个目标逃逸策略和每个目标逃逸策略下的多个目标无人飞行器行为参数。
仿真条件参数生成单元,用于基于多个目标无人飞行器出现位置、多个目标无人飞行器初始运动方向、多个目标防御装置位置、多个目标无人飞行器逃逸时间、多个目标无人飞行器逃逸持续时间、多个目标防御装置防御时间、多个目标逃逸策略和每个目标逃逸策略下的多个目标无人飞行器行为参数,生成多个目标仿真条件参数。
在本申请一实施例中,仿真推演模块203包括:
第一控制子模块,用于控制目标无人飞行器模型、目标防御装置模型按照想定文本对应的目标仿真条件参数进行仿真推演,并按照预设时间间隔,获取目标无人飞行器模型的第一位置信息和第一速度信息以及目标防御装置模型的第二位置信息和第二速度信息。
第二控制子模块,用于控制目标对抗模型基于第一位置信息、第一速度信息、第二位置信息和第二速度信息,确定防御结果数据。
第一生成子模块,用于在完成仿真推演的情况下,基于第一位置信息和第一速度信息,生成目标无人飞行器的逃逸过程数据;基于第二位置信息和第二速度信息,生成目标防御装置的防御过程数据。
第二生成子模块,用于基于逃逸过程数据、防御过程数据和防御结果数据,生成想定文本对应的仿真数据。
在本申请一实施例中,第二控制子模块包括:
距离绝对值确定单元,用于确定第一位置信息和第二位置信息之间的距离绝对值。
速度绝对值确定单元,用于确定第一速度信息和第二速度信息之间的速度绝对值。
第一防御结果确定单元,用于在距离绝对值小于距离阈值、速度绝对值小于第一速度阈值且第一速度信息小于第二速度阈值的情况下,确定防御结果数据为防御成功信息。
第二防御结果确定单元,用于在距离绝对值大于或者等于距离阈值,或者,速度绝对值大于或者等于第一速度阈值,或者第一速度信息大于或者等于第二速度阈值的情况下,确定防御结果数据为防御失败信息。
在本申请一实施例中,初始样本数据包括第一字段、第二字段、第三字段和第四字段;初始样本生成模块204包括:
数据写入子模块,用于针对任一目标仿真数据,将目标仿真数据对应的序号标识写入第一字段,将目标仿真数据对应的想定文本写入第二字段,将目标仿真数据对应的防御过程数据写入第三字段,并将目标仿真数据对应的逃逸过程数据写入第四字段,以生成每个目标仿真数据各自对应的初始样本数据。
在本申请一实施例中,目标样本确定模块205包括:
要求获取子模块,用于获取用户针对目标逃逸策略预测模型输入的模型输入要求和模型输出要求;其中,模型输入要求包括指定无人飞行器类型、指定无人飞行器运行参数、指定防御装置类型、指定防御装置运行参数、指定无人飞行器出现位置、指定无人飞行器初始运动方向、第一指定无人飞行器逃逸时间、指定无人飞行器逃逸持续时间和指定防御装置防御时间中的一个或者多个;模型输出要求包括指定逃逸策略、指定逃逸策略下的指定逃逸行为、第二指定无人飞行器逃逸时间、第二指定防御装置防御时间和相对时间差中的一个或者多个,其中,相对时间差为第二指定无人飞行器逃逸时间与第二指定防御装置防御时间之间的差值。
筛选子模块,用于基于模型输入要求和模型输出要求,对初始样本数据进行筛选,得到目标样本数据。
需要说明的是,本申请实施例的面向无人飞行器逃逸策略建模的数据样本生成系统200的具体实施方式参照前述本申请实施例第一方面提出的面向无人飞行器逃逸策略建模的数据样本生成方法的具体实施方式,在此不再赘述。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明所提供的一种面向无人飞行器逃逸策略建模的数据样本生成方法和系统,进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种面向无人飞行器逃逸策略建模的数据样本生成方法,其特征在于,所述方法包括:
对待采样仿真参数进行采样,生成多个想定文本;每个所述想定文本包括目标无人飞行器模型参数、目标防御装置模型参数和目标仿真条件参数;
针对任一所述想定文本,基于所述想定文本对应的目标无人飞行器模型参数和目标防御装置模型参数,确定目标无人飞行器模型、目标防御装置模型和目标对抗模型;
控制所述目标无人飞行器模型、所述目标防御装置模型和所述目标对抗模型按照所述想定文本对应的目标仿真条件参数进行仿真推演,得到所述想定文本对应的仿真数据;所述仿真数据包括所述目标无人飞行器的逃逸过程数据、所述目标防御装置的防御过程数据和防御结果数据,所述防御结果数据包括防御成功信息和防御失败信息;
将所述防御结果数据为所述防御失败信息的仿真数据确定为目标仿真数据,基于所述目标仿真数据以及所述目标仿真数据对应的想定文本,生成每个所述目标仿真数据各自对应的初始样本数据;
在所述初始样本数据中,确定满足目标逃逸策略预测模型的模型输入要求和模型输出要求的目标样本数据;所述目标样本数据用于训练所述目标逃逸策略预测模型;
控制所述目标无人飞行器模型、所述目标防御装置模型和所述目标对抗模型按照所述想定文本对应的目标仿真条件参数进行仿真推演,得到所述想定文本对应的仿真数据的步骤,包括:
控制所述目标无人飞行器模型、所述目标防御装置模型按照所述想定文本对应的目标仿真条件参数进行仿真推演,并按照预设时间间隔,获取所述目标无人飞行器模型的第一位置信息和第一速度信息以及所述目标防御装置模型的第二位置信息和第二速度信息;
控制所述目标对抗模型基于所述第一位置信息、所述第一速度信息、所述第二位置信息和所述第二速度信息,确定所述防御结果数据;
在完成所述仿真推演的情况下,基于所述第一位置信息和第一速度信息,生成所述目标无人飞行器的逃逸过程数据;基于所述第二位置信息和所述第二速度信息,生成所述目标防御装置的防御过程数据;
基于所述逃逸过程数据、所述防御过程数据和所述防御结果数据,生成所述想定文本对应的仿真数据;
基于所述第一位置信息、所述第一速度信息、所述第二位置信息和所述第二速度信息,确定所述防御结果数据的步骤,包括:
确定所述第一位置信息和所述第二位置信息之间的距离绝对值;
确定所述第一速度信息和所述第二速度信息之间的速度绝对值;
在所述距离绝对值小于距离阈值、所述速度绝对值小于第一速度阈值且所述第一速度信息小于第二速度阈值的情况下,确定所述防御结果数据为所述防御成功信息;
在所述距离绝对值大于或者等于所述距离阈值,或者,所述速度绝对值大于或者等于所述第一速度阈值,或者所述第一速度信息大于或者等于所述第二速度阈值的情况下,确定所述防御结果数据为所述防御失败信息。
2.根据权利要求1所述的面向无人飞行器逃逸策略建模的数据样本生成方法,其特征在于,所述待采样仿真参数包括待采样无人飞行器模型参数、待采样防御装置模型参数和待采样仿真条件参数;
对待采样仿真参数进行采样,生成多个想定文本的步骤,包括:
对所述待采样无人飞行器模型参数进行采样,得到多个所述目标无人飞行器模型参数;
对所述待采样防御装置模型参数进行采样,得到多个所述目标防御装置模型参数;
对所述待采样仿真条件参数进行采样,得到多个所述目标仿真条件参数;
基于多个所述目标无人飞行器模型参数、多个所述目标防御装置模型参数和多个所述目标仿真条件参数,生成多个所述想定文本。
3.根据权利要求2所述的面向无人飞行器逃逸策略建模的数据样本生成方法,其特征在于,所述待采样无人飞行器模型参数包括无人飞行器类型参数和无人飞行器运行参数;
对所述待采样无人飞行器模型参数进行采样,得到多个所述目标无人飞行器模型参数的步骤,包括:
对所述无人飞行器类型参数和所述无人飞行器运行参数进行采样,得到多个所述目标无人飞行器模型参数;所述目标无人飞行器模型参数包括目标无人飞行器类型和目标无人飞行器运行参数。
4.根据权利要求3所述的面向无人飞行器逃逸策略建模的数据样本生成方法,其特征在于,所述待采样防御装置模型参数包括防御装置类型参数和防御装置运行参数;
对所述待采样防御装置模型参数进行采样,得到多个所述目标防御装置模型参数的步骤,包括:
对所述防御装置类型参数和所述防御装置运行参数进行采样,得到多个所述目标防御装置模型参数;所述目标防御装置模型参数包括目标防御装置类型和目标防御装置运行参数。
5.根据权利要求4所述的面向无人飞行器逃逸策略建模的数据样本生成方法,其特征在于,所述待采样仿真条件参数包括无人飞行器出现位置、无人飞行器初始运动方向、防御装置位置、无人飞行器逃逸时间、无人飞行器逃逸持续时间、防御装置防御时间、无人飞行器的候选逃逸策略和每个所述候选逃逸策略下的无人飞行器行为参数;
对所述待采样仿真条件参数进行采样,得到多个所述目标仿真条件参数的步骤,包括:
对所述无人飞行器出现位置、所述无人飞行器初始运动方向、所述防御装置位置、所述无人飞行器逃逸时间、所述无人飞行器逃逸持续时间、所述防御装置防御时间、所述无人飞行器的候选逃逸策略和每个所述候选逃逸策略下的所述无人飞行器行为参数进行采样,分别得到多个目标无人飞行器出现位置、多个目标无人飞行器初始运动方向、多个目标防御装置位置、多个目标无人飞行器逃逸时间、多个目标无人飞行器逃逸持续时间、多个目标防御装置防御时间、多个目标逃逸策略和每个所述目标逃逸策略下的多个目标无人飞行器行为参数;
基于多个所述目标无人飞行器出现位置、多个所述目标无人飞行器初始运动方向、多个所述目标防御装置位置、多个所述目标无人飞行器逃逸时间、多个所述目标无人飞行器逃逸持续时间、多个所述目标防御装置防御时间、多个所述目标逃逸策略和每个所述目标逃逸策略下的多个目标所述无人飞行器行为参数,生成多个所述目标仿真条件参数。
6.根据权利要求1所述的面向无人飞行器逃逸策略建模的数据样本生成方法,其特征在于,所述初始样本数据包括第一字段、第二字段、第三字段和第四字段;
基于所述目标仿真数据以及所述目标仿真数据对应的想定文本,生成每个所述目标仿真数据各自对应的初始样本数据的步骤,包括:
针对任一所述目标仿真数据,将所述目标仿真数据对应的序号标识写入所述第一字段,将所述目标仿真数据对应的想定文本写入所述第二字段,将所述目标仿真数据对应的防御过程数据写入所述第三字段,并将所述目标仿真数据对应的逃逸过程数据写入所述第四字段,以生成每个所述目标仿真数据各自对应的初始样本数据。
7.根据权利要求5所述的面向无人飞行器逃逸策略建模的数据样本生成方法,其特征在于,在所述初始样本数据中,确定满足目标逃逸策略预测模型的模型输入要求和模型输出要求的目标样本数据的步骤,包括:
获取用户针对所述目标逃逸策略预测模型输入的模型输入要求和模型输出要求;其中,所述模型输入要求包括指定无人飞行器类型、指定无人飞行器运行参数、指定防御装置类型、指定防御装置运行参数、指定无人飞行器出现位置、指定无人飞行器初始运动方向、第一指定无人飞行器逃逸时间、指定无人飞行器逃逸持续时间和指定防御装置防御时间中的一个或者多个;所述模型输出要求包括指定逃逸策略、所述指定逃逸策略下的指定逃逸行为、第二指定无人飞行器逃逸时间、第二指定防御装置防御时间和相对时间差中的一个或者多个,其中,所述相对时间差为所述第二指定无人飞行器逃逸时间与所述第二指定防御装置防御时间之间的差值;
基于所述模型输入要求和所述模型输出要求,对所述初始样本数据进行筛选,得到所述目标样本数据。
8.一种面向无人飞行器逃逸策略建模的数据样本生成系统,其特征在于,所述系统包括:
参数采样模块,用于对待采样仿真参数进行采样,生成多个想定文本;每个所述想定文本包括目标无人飞行器模型参数、目标防御装置模型参数和目标仿真条件参数;
模型确定模块,用于针对任一所述想定文本,基于所述想定文本对应的目标无人飞行器模型参数和目标防御装置模型参数,确定目标无人飞行器模型、目标防御装置模型和目标对抗模型;
仿真推演模块,用于控制所述目标无人飞行器模型、所述目标防御装置模型和所述目标对抗模型按照所述想定文本对应的目标仿真条件参数进行仿真推演,得到所述想定文本对应的仿真数据;所述仿真数据包括所述目标无人飞行器的逃逸过程数据、所述目标防御装置的防御过程数据和防御结果数据,所述防御结果数据包括防御成功信息和防御失败信息;
初始样本生成模块,用于将所述防御结果数据为所述防御失败信息的仿真数据确定为目标仿真数据,基于所述目标仿真数据以及所述目标仿真数据对应的想定文本,生成每个所述目标仿真数据各自对应的初始样本数据;
目标样本确定模块,用于在所述初始样本数据中,确定满足目标逃逸策略预测模型的模型输入要求和模型输出要求的目标样本数据;所述目标样本数据用于训练所述目标逃逸策略预测模型;
所述仿真推演模块包括:
第一控制子模块,用于控制所述目标无人飞行器模型、所述目标防御装置模型按照所述想定文本对应的目标仿真条件参数进行仿真推演,并按照预设时间间隔,获取所述目标无人飞行器模型的第一位置信息和第一速度信息以及所述目标防御装置模型的第二位置信息和第二速度信息;
第二控制子模块,用于控制所述目标对抗模型基于所述第一位置信息、所述第一速度信息、所述第二位置信息和所述第二速度信息,确定所述防御结果数据;
第一生成子模块,用于在完成所述仿真推演的情况下,基于所述第一位置信息和第一速度信息,生成所述目标无人飞行器的逃逸过程数据;基于所述第二位置信息和所述第二速度信息,生成所述目标防御装置的防御过程数据;
第二生成子模块,用于基于所述逃逸过程数据、所述防御过程数据和所述防御结果数据,生成所述想定文本对应的仿真数据;
所述第二控制子模块包括:
距离绝对值确定单元,用于确定所述第一位置信息和所述第二位置信息之间的距离绝对值;
速度绝对值确定单元,用于确定所述第一速度信息和所述第二速度信息之间的速度绝对值;
第一防御结果确定单元,用于在所述距离绝对值小于距离阈值、所述速度绝对值小于第一速度阈值且所述第一速度信息小于第二速度阈值的情况下,确定所述防御结果数据为所述防御成功信息;
第二防御结果确定单元,用于在所述距离绝对值大于或者等于所述距离阈值,或者,所述速度绝对值大于或者等于所述第一速度阈值,或者所述第一速度信息大于或者等于所述第二速度阈值的情况下,确定所述防御结果数据为所述防御失败信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311026469.8A CN116739115B (zh) | 2023-08-15 | 2023-08-15 | 面向无人飞行器逃逸策略建模的数据样本生成方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311026469.8A CN116739115B (zh) | 2023-08-15 | 2023-08-15 | 面向无人飞行器逃逸策略建模的数据样本生成方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116739115A CN116739115A (zh) | 2023-09-12 |
CN116739115B true CN116739115B (zh) | 2023-11-10 |
Family
ID=87917259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311026469.8A Active CN116739115B (zh) | 2023-08-15 | 2023-08-15 | 面向无人飞行器逃逸策略建模的数据样本生成方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116739115B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114186348A (zh) * | 2021-12-15 | 2022-03-15 | 北京机电工程研究所 | 一种多飞行器协同运用仿真环境精细化敏捷构建方法 |
CN114239228A (zh) * | 2021-11-24 | 2022-03-25 | 中国运载火箭技术研究院 | 一种基于海量对抗仿真推演数据建模与分析的效能评估方法 |
CN114419146A (zh) * | 2022-03-30 | 2022-04-29 | 北京航天晨信科技有限责任公司 | 一种多源光学样本生成方法和系统 |
CN115017759A (zh) * | 2022-05-25 | 2022-09-06 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种无人机末端自主防御仿真验证平台 |
KR102510468B1 (ko) * | 2022-07-07 | 2023-03-15 | 한화시스템 주식회사 | 함정 방어시스템 및 함정 방어방법 |
CN115951695A (zh) * | 2022-12-06 | 2023-04-11 | 西北工业大学 | 空战模拟环境中基于三方博弈的动态战术控制域解算方法 |
CN116186973A (zh) * | 2022-11-23 | 2023-05-30 | 河南省水利科学研究院 | 一种洪涝灾害防御推演方法、系统、终端及存储介质 |
-
2023
- 2023-08-15 CN CN202311026469.8A patent/CN116739115B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114239228A (zh) * | 2021-11-24 | 2022-03-25 | 中国运载火箭技术研究院 | 一种基于海量对抗仿真推演数据建模与分析的效能评估方法 |
CN114186348A (zh) * | 2021-12-15 | 2022-03-15 | 北京机电工程研究所 | 一种多飞行器协同运用仿真环境精细化敏捷构建方法 |
CN114419146A (zh) * | 2022-03-30 | 2022-04-29 | 北京航天晨信科技有限责任公司 | 一种多源光学样本生成方法和系统 |
CN115017759A (zh) * | 2022-05-25 | 2022-09-06 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种无人机末端自主防御仿真验证平台 |
KR102510468B1 (ko) * | 2022-07-07 | 2023-03-15 | 한화시스템 주식회사 | 함정 방어시스템 및 함정 방어방법 |
CN116186973A (zh) * | 2022-11-23 | 2023-05-30 | 河南省水利科学研究院 | 一种洪涝灾害防御推演方法、系统、终端及存储介质 |
CN115951695A (zh) * | 2022-12-06 | 2023-04-11 | 西北工业大学 | 空战模拟环境中基于三方博弈的动态战术控制域解算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116739115A (zh) | 2023-09-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11669110B2 (en) | Control system based on multi-unmanned aerial vehicle cooperative strategic confrontation | |
US10242289B2 (en) | Method for analysing media content | |
CN107830767B (zh) | 基于远程控制的无人机反制方法及介质 | |
CN106528420B (zh) | 一种软件界面的自动化测试方法及装置 | |
CN111783225A (zh) | 仿真系统中场景处理的方法及装置 | |
CN113177968A (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
CN110705573A (zh) | 一种目标检测模型的自动建模方法及装置 | |
CN110414375A (zh) | 低空目标的识别方法、装置、存储介质及电子设备 | |
KR20190143831A (ko) | 항공 교통 관리 전자 시스템을 통한 항공 관리를 위한 훈련 및/또는 지원 플랫폼, 연관된 방법 | |
CN113392793A (zh) | 用于识别车道线的方法、装置、设备、存储介质以及无人车 | |
Neal et al. | An evidence accumulation model for conflict detection performance in a simulated air traffic control task | |
CN109190674A (zh) | 训练数据的生成方法及装置 | |
CN116739115B (zh) | 面向无人飞行器逃逸策略建模的数据样本生成方法和系统 | |
CN106228029B (zh) | 基于众包的量化问题求解方法和装置 | |
CN111539390A (zh) | 一种基于Yolov3的小目标图像识别方法、设备和系统 | |
KR102413588B1 (ko) | 학습 데이터에 따른 객체 인식 모델 추천 방법, 시스템 및 컴퓨터 프로그램 | |
CN114065549B (zh) | 自动驾驶水平评估方法、装置、设备及存储介质 | |
CN116777008B (zh) | 面向无人飞行器逃逸预测建模的数据样本生成方法和系统 | |
CN115222773A (zh) | 单点运动学习方法及装置 | |
CN111666786B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN113592902A (zh) | 目标跟踪方法、装置、计算机设备和存储介质 | |
CN111091581B (zh) | 基于生成对抗网络的行人轨迹模拟方法、装置和存储介质 | |
Hajar et al. | Autonomous UAV-based cattle detection and counting using YOLOv3 and deep sort | |
CN111950507B (zh) | 数据处理和模型训练方法、装置、设备及介质 | |
CN113743335B (zh) | 目光数据的风险识别的方法、装置、计算机及介质 |
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 |