CN116777008B - 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 - Google Patents

Abstract

本申请提供了一种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，属于样本生成技术领域。本申请实施例通过在预设的无人飞行器仿真参数范围内，对无人飞行器仿真参数进行采样，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按照目标逃逸参数进行仿真推演，得到该想定文本对应的仿真数据，并生成相应的初始样本数据，并最终基于初始样本数据和目标逃逸预测模型的模型输入要求和模型输出要求，生成目标样本数据，使得在面向无人飞行器逃逸建模时，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预测模型的训练效果和实际应用效果。

Description

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

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预测建模的数据样本生成方法和系统。

背景技术

近年来，伴随着航空、电子信息技术以及控制理论的不断发展，无人飞行器领域被各国所重视，无人飞行器技术得到长足发展，在各领域越来越受重视。伴随着无人飞行器所涉及的应用领域增加，无人飞行器带来的安全威胁也逐渐增加。

当未经许可的无人飞行器进入重要场所后，需要对无人飞行器进行反制和追捕，减少其带来的风险和损失，由此也发展出一系列技术。

然而无人飞行器反侦察能力强，一旦发现定向攻击或抓捕系统，通常第一时间逃逸，又因其机动能力较强，其逃脱概率较大。

因此，无人飞行器逃逸预测的准确性直接影响了对无人飞行器的抓捕效果。所谓的逃逸预测，即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。

目前的无人飞行器逃逸预测方法通常是基于规则的数学计算与仿真分析相结合的方式，即在三维空间中，基于对无人飞行器飞行性能的了解，采用数学计算或者仿真推演其可能的轨迹，将预测的轨迹结果给出捕捉方/对抗方/打击方，以辅助抓捕和对抗。

然而，在进行仿真推演或数学计算时，都需要有确定的输入以驱动推演或计算，而在面向非合作无人飞行器时，并不能准确知晓其相关信息，导致仿真推演或数据计算给出的预测结果准确度不足。

相关研究人员在面向非合作无人飞行器的逃逸预测问题时，通常选择通过建模的方式对逃逸区域进行预测，然而，由于目前缺乏服务于逃逸预测建模的数据样本生成方法，使得在面向无人飞行器逃逸预测建模时，缺乏有效的数据样本，导致逃逸预测模型的训练效果和实际应用效果较差。

发明内容

本申请提供一种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，以解决面向无人飞行器逃逸建模时，缺乏有效的数据样本，导致逃逸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预测建模的数据样本生成方法，所述方法包括：

在预设的无人飞行器仿真参数范围内，对无人飞行器仿真参数进行采样，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和目标逃逸参数；

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，确定目标无人飞行器模型，并控制所述目标无人飞行器模型按照所述想定文本对应的目标逃逸参数进行仿真推演，得到所述想定文本对应的逃逸仿真数据；所述逃逸仿真数据包括所述目标无人飞行器模型的逃逸轨迹和逃逸目标位置；

基于所述无人飞行器仿真参数范围、所述想定文本以及所述想定文本对应的逃逸仿真数据，生成每个所述想定文本各自对应的初始样本数据；

基于所述初始样本数据以及目标逃逸预测模型的模型输入要求和模型输出要求，生成目标样本数据；所述目标样本数据用于训练所述目标逃逸预测模型。

在本申请一实施例中，无人飞行器仿真参数范围包括无人飞行器模型参数范围和逃逸参数范围；

在预设的无人飞行器仿真参数范围内，对无人飞行器仿真参数进行采样，生成多个想定文本的步骤，包括：

在所述无人飞行器模型参数范围内，对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；

在所述逃逸参数范围内，对逃逸参数进行采样，得到多个所述目标逃逸参数；

基于多个所述目标无人飞行器模型参数和多个所述目标逃逸参数，生成多个所述想定文本。

在本申请一实施例中，所述无人飞行器模型参数范围包括无人飞行器类型参数范围和无人飞行器运行参数范围；

在所述无人飞行器模型参数范围内，对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：

按照第一采样间隔，在所述无人飞行器类型参数范围内，对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；

按照第二采样间隔，在所述无人飞行器运行参数范围内，对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；

基于多个所述目标无人飞行器类型和多个所述目标无人飞行器运行参数，生成多个所述目标无人飞行器模型参数。

在本申请一实施例中，所述逃逸参数范围包括无人飞行器初始位置区域、无人飞行器运动方向范围、无人飞行器逃逸时间范围、无人飞行器逃逸持续时间范围、逃逸策略库、所述逃逸策略库中的每个逃逸策略下的逃逸行为参数范围；

在所述逃逸参数范围内，对逃逸参数进行采样，得到多个所述目标逃逸参数的步骤，包括：

按照第三采样间隔，在所述无人飞行器初始位置区域内，对无人飞行器初始位置进行采样，得到多个目标无人飞行器初始位置；

按照第四采样间隔，在所述无人飞行器运动方向范围内，对无人飞行器运动方向进行采样，得到多个目标无人飞行器运动方向；

按照第五采样间隔，在所述无人飞行器逃逸时间范围内，对无人飞行器逃逸时间进行采样，得到多个目标无人飞行器逃逸时间；

按照第六采样间隔，在所述无人飞行器逃逸持续时间范围内，对无人飞行器逃逸持续时间进行采样，得到多个目标无人飞行器逃逸持续时间；

按照第七采样间隔，在所述逃逸策略库内，对逃逸策略进行采样，得到多个目标逃逸策略；

按照第八采样间隔，在每个所述目标逃逸策略下的逃逸行为参数范围内，对逃逸行为参数进行采样，得到每个目标逃逸策略下的多个目标逃逸行为参数；

基于多个所述目标无人飞行器初始位置、多个所述目标无人飞行器运动方向、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、多个所述目标逃逸策略和每个目标逃逸策略下的多个目标逃逸行为参数，得到多个所述目标逃逸参数。

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、第四字段、第五字段和第六字段；

基于所述无人飞行器仿真参数范围、所述想定文本以及所述想定文本对应的逃逸仿真数据，生成每个所述想定文本各自对应的初始样本数据的步骤，包括：

针对任一所述想定文本，将所述想定文本对应的序号标识写入所述第一字段，将所述目标无人飞行器的逃逸轨迹写入所述第二字段，将所述目标无人飞行器的逃逸目标位置写入所述第三字段，将所述想定文本写入所述第四字段，将所述无人飞行器仿真参数范围写入所述第五字段，将针对所述无人飞行器仿真参数范围的采样间隔写入所述第六字段，以生成每个所述想定文本各自对应的初始样本数据。

在本申请一实施例中，基于所述初始样本数据以及目标逃逸预测模型的模型输入要求和模型输出要求，生成目标样本数据的步骤，包括：

获取用户针对所述目标逃逸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至少一个指定无人飞行器类型、至少一个指定无人飞行器运行参数、至少一个指定无人飞行器初始位置、至少一个指定无人飞行器初始运动方向、至少一个指定无人飞行器逃逸时间、至少一个指定无人飞行器逃逸持续时间、至少一个指定逃逸策略和每个所述指定逃逸策略下的至少一个指定逃逸行为中的一个或者多个；所述模型输出要求包括指定逃逸轨迹、指定逃逸目标位置和指定逃逸目标位置集合中的一个或者多个；

在所述模型输出要求不包括所述指定逃逸目标位置集合的情况下，将满足所述模型输入要求和所述模型输出要求的初始样本数据确定为所述目标样本数据；

在所述模型输出要求包括所述指定逃逸目标位置集合的情况下，基于所述指定逃逸目标位置集合对应的逃逸目标位置的指定数量，对所述初始样本数据中的逃逸目标位置进行空间重采样，以生成满足所述模型输入要求和所述模型输出要求的目标样本数据。

在本申请一实施例中，在所述模型输出要求包括所述指定逃逸目标位置集合的情况下，基于所述指定逃逸目标位置集合对应的逃逸目标位置的指定数量，对所述初始样本数据中的逃逸目标位置进行空间重采样，以生成满足所述模型输入要求和所述模型输出要求的目标样本数据的步骤，包括：

在所述模型输出要求包括所述指定逃逸目标位置集合的情况下，基于所述模型输入要求，对所述初始样本数据进行分类，得到至少一个样本簇；其中，不同的所述样本簇对应不同的模型输入要求，每个所述样本簇中的初始样本数据具有相同的模型输入要求；

针对任一样本簇，将所述样本簇中的初始样本数据进行合并，得到该样本簇对应的合并样本数据，并确定所述合并样本数据中的逃逸目标位置的原始数量；在所述原始数量不同于所述指定数量的情况下，对所述合并样本数据中的逃逸目标位置进行空间重采样，以使所述合并样本数据中的逃逸目标位置的数量达到所述指定数量，并得到所述样本簇对应的目标样本数据。

在本申请一实施例中，所述方法还包括：

针对任一所述样本簇，在所述样本簇中的初始样本数据的样本数量小于数量阈值的情况下，删除所述样本簇中的初始样本数据。

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预测建模的数据样本生成系统，所述系统包括：

参数采样模块，用于在预设的无人飞行器仿真参数范围内，对无人飞行器仿真参数进行采样，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和目标逃逸参数；

仿真推演模块，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，确定目标无人飞行器模型，并控制所述目标无人飞行器模型按照所述想定文本对应的目标逃逸参数进行仿真推演，得到所述想定文本对应的逃逸仿真数据；所述逃逸仿真数据包括所述目标无人飞行器模型的逃逸轨迹和逃逸目标位置；

初始样本生成模块，用于基于所述无人飞行器仿真参数范围、所述想定文本以及所述想定文本对应的逃逸仿真数据，生成每个所述想定文本各自对应的初始样本数据；

目标样本确定模块，用于基于所述初始样本数据以及目标逃逸预测模型的模型输入要求和模型输出要求，生成目标样本数据；所述目标样本数据用于训练所述目标逃逸预测模型。

在本申请一实施例中，无人飞行器仿真参数范围包括无人飞行器模型参数范围和逃逸参数范围；所述参数采样模块包括：

模型参数采样子模块，用于在所述无人飞行器模型参数范围内，对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；

逃逸参数采样子模块，用于在所述无人飞行器模型参数范围内，对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；

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和多个所述目标逃逸参数，生成多个所述想定文本。

在本申请一实施例中，所述无人飞行器模型参数范围包括无人飞行器类型参数范围和无人飞行器运行参数范围；所述模型参数采样子模块包括：

第一采样单元，用于按照第一采样间隔，在所述无人飞行器类型参数范围内，对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；

第二采样单元，用于按照第二采样间隔，在所述无人飞行器运行参数范围内，对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；

模型参数生成单元，用于基于多个所述目标无人飞行器类型和多个所述目标无人飞行器运行参数，生成多个所述目标无人飞行器模型参数。

在本申请一实施例中，所述逃逸参数范围包括无人飞行器初始位置区域、无人飞行器运动方向范围、无人飞行器逃逸时间范围、无人飞行器逃逸持续时间范围、逃逸策略库、所述逃逸策略库中的每个逃逸策略下的逃逸行为参数范围；所述模型参数采样子还模块包括：

第三采样单元，用于按照第三采样间隔，在所述无人飞行器初始位置区域内，对无人飞行器初始位置进行采样，得到多个目标无人飞行器初始位置；

第四采样单元，用于按照第四采样间隔，在所述无人飞行器运动方向范围内，对无人飞行器运动方向进行采样，得到多个目标无人飞行器运动方向；

第五采样单元，用于按照第五采样间隔，在所述无人飞行器逃逸时间范围内，对无人飞行器逃逸时间进行采样，得到多个目标无人飞行器逃逸时间；

第六采样单元，用于按照第六采样间隔，在所述无人飞行器逃逸持续时间范围内，对无人飞行器逃逸持续时间进行采样，得到多个目标无人飞行器逃逸持续时间；

第七采样单元，用于按照第七采样间隔，在所述逃逸策略库内，对逃逸策略进行采样，得到多个目标逃逸策略；

第八采样单元，用于按照第八采样间隔，在每个所述目标逃逸策略下的逃逸行为参数范围内，对逃逸行为参数进行采样，得到每个目标逃逸策略下的多个目标逃逸行为参数；

逃逸参数生成单元，用于基于多个所述目标无人飞行器初始位置、多个所述目标无人飞行器运动方向、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、多个所述目标逃逸策略和每个目标逃逸策略下的多个目标逃逸行为参数，得到多个所述目标逃逸参数。

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、第四字段、第五字段和第六字段；所述初始样本生成模块包括：

数据写入子模块，用于针对任一所述想定文本，将所述想定文本对应的序号标识写入所述第一字段，将所述目标无人飞行器的逃逸轨迹写入所述第二字段，将所述目标无人飞行器的逃逸目标位置写入所述第三字段，将所述想定文本写入所述第四字段，将所述无人飞行器仿真参数范围写入所述第五字段，将针对所述无人飞行器仿真参数范围的采样间隔写入所述第六字段，以生成每个所述想定文本各自对应的初始样本数据。

在本申请一实施例中，所述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至少一个指定无人飞行器类型、至少一个指定无人飞行器运行参数、至少一个指定无人飞行器初始位置、至少一个指定无人飞行器初始运动方向、至少一个指定无人飞行器逃逸时间、至少一个指定无人飞行器逃逸持续时间、至少一个指定逃逸策略和每个所述指定逃逸策略下的至少一个指定逃逸行为中的一个或者多个；所述模型输出要求包括指定逃逸轨迹、指定逃逸目标位置和指定逃逸目标位置集合中的一个或者多个；

目标样本数据筛选子模块，用于在所述模型输出要求不包括所述指定逃逸目标位置集合的情况下，将满足所述模型输入要求和所述模型输出要求的初始样本数据确定为所述目标样本数据；

目标样本数据生成子模块，用于在所述模型输出要求包括所述指定逃逸目标位置集合的情况下，基于所述指定逃逸目标位置集合对应的逃逸目标位置的指定数量，对所述初始样本数据中的逃逸目标位置进行空间重采样，以生成满足所述模型输入要求和所述模型输出要求的目标样本数据。

在本申请一实施例中，所述目标样本数据生成子模块包括：

样本簇分类单元，用于在所述模型输出要求包括所述指定逃逸目标位置集合的情况下，基于所述模型输入要求，对所述初始样本数据进行分类，得到至少一个样本簇；其中，不同的所述样本簇对应不同的模型输入要求，每个所述样本簇中的初始样本数据具有相同的模型输入要求；

空间重采样单元，用于针对任一样本簇，将所述样本簇中的初始样本数据进行合并，得到该样本簇对应的合并样本数据，并确定所述合并样本数据中的逃逸目标位置的原始数量；在所述原始数量不同于所述指定数量的情况下，对所述合并样本数据中的逃逸目标位置进行空间重采样，以使所述合并样本数据中的逃逸目标位置的数量达到所述指定数量，并得到所述样本簇对应的目标样本数据。

在本申请一实施例中，所述目标样本数据生成子模块还包括：

样本删除单元，用于针对任一所述样本簇，在所述样本簇中的初始样本数据的样本数量小于数量阈值的情况下，删除所述样本簇中的初始样本数据。

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预测建模的数据样本生成方法，通过在预设的无人飞行器仿真参数范围内，对无人飞行器仿真参数进行采样，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按照该想定文本对应的目标逃逸参数进行仿真推演，得到该想定文本对应的仿真数据，并基于无人飞行器仿真参数范围、想定文本以及想定文本对应的逃逸仿真数据，生成每个想定文本各自对应的初始样本数据，并最终基于初始样本数据和目标逃逸预测模型的模型输入要求和模型输出要求，生成目标样本数据。本申请实施例通过对无人飞行器仿真参数进行采样，能够生成足够的想定文本，并通过仿真的方式，得到足够的逃逸仿真数据，进而生成满足目标逃逸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预测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预测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，目前基于规则的数学计算与仿真分析相结合的方式进行无人飞行器逃逸预测主要存在以下问题：

1、难以获取非合作无人飞行器的飞行性能，其可能的类型、逃逸时间、逃逸持续时间和采用的逃逸策略等参数均不同，并且存在各类误差，导致仿真推演或数据计算给出的预测结果准确度不足。

2、仿真推演和数学计算都需要一定时间，若为了提高预测准确性，对不同逃逸时间、不同逃逸持续时间、不同逃逸策略和不同误差的多种逃逸轨迹进行预测，则需要消耗更长的时间，同时，由于预测的逃逸轨迹较多，还需要同时对多个预测区域进行抓捕或对抗，需要付出更大的抓捕代价。

3、在对无人飞行器实施抓捕或者对抗的过程，若无人飞行器更新了运行状态，则需要根据最新的运行状态重新进行预测，使得上述方法更加难以支撑实际应用。

本申请发明人发现，若能够提供数量足够多且高质量的数据样本，那么便可采用监督学习（如深度学习）、离线强化学习、模仿学习等方式构建出快速准确的逃逸预测模型，以有效解决目前无人飞行器逃逸预测方法存在的预测效率慢且预测结果准确度不足的问题。

针对目前面向无人飞行器逃逸建模时，缺乏有效的数据样本，导致逃逸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面向无人飞行器逃逸预测建模的数据样本生成方法，通过对无人飞行器仿真参数进行采样，能够生成足够的想定文本，并通过仿真的方式，利用目标无人飞行器模型参数，按照想定文本对应的目标逃逸参数进行仿真推演，得到足够的逃逸仿真数据，进而生成满足目标逃逸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预测建模的数据样本生成方法，该方法可以包括以下步骤：

S101：在预设的无人飞行器仿真参数范围内，对无人飞行器仿真参数进行采样，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和目标逃逸参数。需要说明的是，一个想定文本即为一个仿真实验的仿真依据，其中，该想定文本中的目标无人飞行器模型参数表征需要进行仿真实验的目标无人飞行器模型，该想定文本中的目标逃逸参数则用于控制目标无人飞行器模型按照目标逃逸参数指定的逃逸方式进行逃逸操作。

在本实施方式中，用户可以根据实际应用需求，对无人飞行器仿真参数范围进行自定义设置。例如，可以在无人飞行器仿真参数范围中设置无人飞行器模型参数范围，以提供无人飞行器可能的类型，用户可以根据实际需要选择相应类型的无人飞行器模型进行仿真；还可以根据无人飞行器可能的逃逸方式，在无人飞行器仿真参数范围中设置相应的逃逸参数范围，以实现对无人飞行器不同逃逸方式的仿真。

在本实施方式中，通过在预设的无人飞行器仿真参数范围内，对无人飞行器仿真参数进行采样，可以生成数量足够多的由不同目标无人飞行器模型参数和/或不同目标逃逸参数构成的想定文本。

示例性，通过对无人飞行器仿真参数进行采样，分别采样得到5个目标无人飞行器模型参数和10个目标逃逸参数，则通过对上述参数进行组合，最多可以生成5*10=50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，确定目标无人飞行器模型，并控制目标无人飞行器模型按照想定文本对应的目标逃逸参数进行仿真推演，得到想定文本对应的逃逸仿真数据。

在本实施方式中，逃逸仿真数据包括目标无人飞行器模型的逃逸轨迹和逃逸目标位置。需要说明的是，目标无人飞行器模型的逃逸轨迹表示目标无人飞行器从开始逃逸到结束逃逸时经过的位置，具体包括其在不同时刻的三维坐标；而逃逸目标位置则是目标无人飞行器模型结束逃逸时所在的位置。

在本实施方式中，可以预先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，进而基于想定文本对应的目标无人飞行器模型参数，在无人飞行器模型库中，匹配到对应的目标无人飞行器模型，并调用该目标无人飞行器模按照想定文本对应的目标逃逸参数进行仿真推演。

在本实施方式中，在目标无人飞行器模型进行仿真推演的过程中，将会实时记录该目标无人飞行器模型在不同时刻经过的位置信息，该位置信息即为三维空间中的三维坐标。

需要说明的是，由于逃逸轨迹能够反映目标无人飞行器模型在不同时刻经过的位置信息，因此，除了可以获取目标无人飞行器模型的逃逸目标位置，用户还可以根据实际需要，获取目标无人飞行器模型在逃逸过程中的任一时刻所在的位置。例如，针对总逃逸时长为8分钟的逃逸轨迹，可以获取目标无人飞行器模型逃逸3分钟后所在的位置，或者逃逸5分钟后所在的位置。

S103：基于无人飞行器仿真参数范围、想定文本以及想定文本对应的逃逸仿真数据，生成每个想定文本各自对应的初始样本数据。

在具体实现中，可以按照固定格式，生成每个想定文本各自对应的初始样本数据，该初始样本数据包括无人飞行器仿真参数范围、想定文本以及目标无人飞行器模型的逃逸轨迹和逃逸目标位置；其中，目标无人飞行器模型的逃逸轨迹和逃逸目标位置可以作为一个初始样本数据中的样本标签。

S104：基于初始样本数据和目标逃逸预测模型的模型输入要求和模型输出要求，生成目标样本数据。

在本实施方式中，根据目标逃逸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预测模型，该目标逃逸预测模型用于预测非合作无人飞行器的逃逸轨迹和逃逸目标位置。

示例性的，用户可以根据目标逃逸预测模型的实际应用场景，在目标逃逸预测模型的模型输入要求设置为指定无人飞行器类型、指定无人飞行器逃逸时间、指定无人飞行器逃逸持续时间和指定逃逸策略，而模型输出要求设置为指定逃逸目标位置，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、指定无人飞行器逃逸时间、指定无人飞行器逃逸持续时间、指定逃逸策略和指定逃逸目标位置的目标样本数据，通过该目标样本数据输入目标逃逸预测模型进行针对性训练，能够使该目标逃逸预测模型准确输出逃逸目标位置，进而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，在预设的无人飞行器仿真参数范围内，对无人飞行器仿真参数进行采样，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，控制各种目标无人飞行器模型在各种目标逃逸参数下的进行逃逸操作，以得到每个想定文本各自对应的逃逸仿真数据，然后按照固定的格式，生成每个想定文本各自对应的初始样本数据，可以有效满足各类逃逸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预测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预测建模提供有效的数据支撑，进而有效提高目标逃逸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，无人飞行器仿真参数范围包括无人飞行器模型参数范围和逃逸参数范围，S101具体可以包括以下子步骤：

S101-1：在无人飞行器模型参数范围内，对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，无人飞行器模型参数范围具体可以包括无人飞行器类型参数范围和无人飞行器运行参数范围。

在本实施方式中，用户可以预先根据无人飞行器可能的种类范围，设置无人飞行器类型参数范围；根据无人飞行器可能的运行参数，设置无人飞行器运行参数范围。进而通过分别对无人飞行器类型参数范围中的无人飞行器类型参数以及无人飞行器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。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。

在具体实现中，可以按照第一采样间隔x1，在无人飞行器类型参数范围内，对无人飞行器类型参数进行采样，得到N1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，对无人飞行器运行参数范围中的无人飞行器运行参数进行采样，得到N2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、、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N1个目标无人飞行器类型和N2个目标无人飞行器运行参数进行组合，则可以进一步得到N1*N2个目标无人飞行器模型参数。

S101-2：在逃逸参数范围内，对逃逸参数进行采样，得到多个目标逃逸参数。

在本实施方式中，为满足对各类逃逸场景的仿真需要，无人飞行器仿真参数范围设置有逃逸参数范围，具体可以包括无人飞行器初始位置区域、无人飞行器运动方向范围、无人飞行器逃逸时间范围、无人飞行器逃逸持续时间范围、逃逸策略库、逃逸策略库中的每个逃逸策略下的逃逸行为参数范围。

在本实施方式中，通过对无人飞行器初始位置、无人飞行器初始运动方向、无人飞行器逃逸时间、无人飞行器逃逸持续时间、逃逸策略和每个逃逸策略下的逃逸行为参数进行采样，可以分别得到多个目标无人飞行器初始位置、多个目标无人飞行器初始运动方向、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，针对无人飞行器初始位置，可以按照第三采样间隔x3，在无人飞行器初始位置区域内进行采样，得到N3个目标无人飞行器初始位置。需要说明的是，还可以设置定位误差范围，并设置第一误差采样间隔，在定位误差范围内，对定位误差进行误差采样，得到N3个目标定位误差，进而将N3个目标定位误差叠加到N3个目标无人飞行器初始位置上，以使最终得到的N3个目标无人飞行器初始位置更加符合实际运用场景，提高仿真结果的适用性。

在具体实现中，针对无人飞行器初始运动方向，可以按照第四采样间隔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。需要说明的是，还可以设置飞行方向误差范围，并设置第二误差采样间隔，在飞行方向误差范围内，对飞行方向误差进行误差采样，得到N4个目标飞行方向误差，进而将N4个目标飞行方向误差叠加到N4个目标无人飞行器初始运动方向上，以使最终得到的N4个目标无人飞行器初始运动方向更加符合实际运用场景，提高仿真结果的适用性。

在具体实现中，针对无人飞行器逃逸时间，可以按照第五采样间隔x5，在无人飞行器逃逸时间范围内进行采样，得到N5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，可以按照第六采样间隔x6，在无人飞行器逃逸持续时间范围内进行采样，得到N6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，针对无人飞行器的逃逸策略，可以按照第七采样间隔x7，在逃逸策略库中进行采样，得到N7个目标逃逸策略。需要说明的是，为提高目标逃逸预测模型的适用范围，第七采样间隔x7可以设置为1，即对逃逸策略库中的所有逃逸策略进行采样。

在具体实现中，针对每个目标逃逸策略下的无人飞行器行为参数，可以按照第八采样间隔x8，在每个目标逃逸策略下的逃逸行为参数范围进行采样，得到每个目标逃逸策略下的N8个目标无人飞行器行为参数。其中，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，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个目标无人飞行器初始位置、N4个目标无人飞行器初始运动方向、N5个目标无人飞行器逃逸时间、N6个目标无人飞行器逃逸持续时间、N7个目标逃逸策略和每个目标逃逸策略下的N8个目标无人飞行器行为参数，能够生成N3*N4*N5*N6*N7*N8个目标逃逸参数。

S101-3：基于多个目标无人飞行器模型参数和多个目标逃逸参数，生成多个想定文本。

在本实施方式中，通过对N1*N2个目标无人飞行器模型参数和N3*N4*N5*N6*N7*N8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个想定文本。

在本实施方式中，通过分别对无人飞行器模型参数和逃逸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以及无人飞行器可能存在的逃逸场景进行仿真，进而得到更为丰富全面的逃逸仿真数据，能够有效提高目标逃逸预测模型的适用性和准确性。

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、第四字段、第五字段和第六字段，S103具体可以包括以下子步骤：

S103-1：针对任一想定文本，将想定文本对应的序号标识写入第一字段，将目标无人飞行器的逃逸轨迹写入第二字段，将目标无人飞行器的逃逸目标位置写入第三字段，将想定文本写入第四字段，将无人飞行器仿真参数范围写入第五字段，将针对无人飞行器仿真参数范围的采样间隔写入第六字段，以生成每个想定文本各自对应的初始样本数据。

在本实施方式中，在得到任一想定文本对应的逃逸仿真数据之后，可以按照固定的格式，生成该想定文本对应的初始样本数据。其中，每个初始样本数据包括六个字段，其中，第一字段用于存储序号标识，第二字段用于存储逃逸轨迹，第三字段用于存储逃逸目标位置，第四字段则用于存储想定文本，第五字段用于存储无人飞行器仿真参数范围，第六字段用于存储采样间隔。

需要说明的是，无人飞行器仿真参数范围具体包括无人飞行器类型参数范围、无人飞行器运行参数范围、无人飞行器初始位置区域、无人飞行器运动方向范围、无人飞行器逃逸持续时间范围、逃逸策略库和每个逃逸策略下的逃逸行为参数范围；采样间隔则具体包括第一采样间隔x1、第二采样间隔x2、第三采样间隔x3、第四采样间隔x4、第五采样间隔x5、第六采样间隔x6、第七采样间隔x7和第八采样间隔x8。

在本实施方式中，通过生成固定格式的初始样本数据，不仅可以实现各类数据的规范处理，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、第四字段和/或第五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，S104具体可以包括以下子步骤：

S104-1：获取用户针对目标逃逸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模型输入要求包括至少一个指定无人飞行器类型、至少一个指定无人飞行器运行参数、至少一个指定无人飞行器初始位置、至少一个指定无人飞行器初始运动方向、至少一个指定无人飞行器逃逸时间、至少一个指定无人飞行器逃逸持续时间、至少一个指定逃逸策略和每个指定逃逸策略下的至少一个指定逃逸行为中的一个或者多个；模型输出要求包括指定逃逸轨迹、指定逃逸目标位置和指定逃逸目标位置集合中的一个或者多个。

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。

在具体实现中，为满足不同逃逸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。

S104-2：在模型输出要求包括指定逃逸目标位置集合的情况下，基于指定逃逸目标位置集合对应的逃逸目标位置的指定数量，对初始样本数据中的逃逸目标位置进行空间重采样，以生成满足模型输入要求和模型输出要求的目标样本数据。

需要说明的是，指定逃逸目标位置集合表示用户需要目标逃逸预测模型需要输出的逃逸目标位置的数量。例如，用户要求目标逃逸预测模型能够输出5个逃逸目标位置，则可以在模型输出要求中的表示指定逃逸目标位置集合的输入窗口输入5。

需要进一步说明的是，由于单个初始样本数据仅对应一个逃逸目标位置，因此，单个初始样本数据无法满足模型输出要求，此时，需要按照预设的合并规则，将具有相同模型输出要求的初始样本数据进行合并，以使合并后得到的合并样本数据中的逃逸目标位置的数量能够满足指定逃逸目标位置集合对应的指定数量。

在具体实现中，S104-2可以包括以下子步骤：

S104-2-1：在模型输出要求包括指定逃逸目标位置集合的情况下，基于模型输入要求，对初始样本数据进行分类，得到至少一个样本簇。

在本实施方式中，不同的样本簇对应不同的模型输入要求，每个样本簇中的初始样本数据具有相同的模型输入要求。

示例性的，用户输入的模型输入要求包括输入要求A（例如为指定无人飞行器类型）和输入要求B（例如为指定无人飞行器初始运动方向），则将所有初始样本数据中具有相同无人飞行器类型和相同无人飞行器初始运动方向的初始样本进行合并。例如，100条初始样本数据中的目标无人飞行器类型包括类型A和类型B，目标无人飞行器初始运动方向则具体包括方向a和方向b，则对初始样本数据进行分类后，一共得到四个样本簇，其中样本簇1由均包括[类型A，方向a]的5个初始样本数据组成，样本簇2由均包括[类型A，方向b]的10个初始样本数据组成，样本簇3由均包括[类型B，方向a]的50个初始样本数据组成，样本簇4由均包括[类型B，方向b]的35个初始样本数据组成。

S104-2-2：针对任一样本簇，将样本簇中的初始样本数据进行合并，得到该样本簇对应的合并样本数据，并确定合并样本数据中的逃逸目标位置的原始数量；在原始数量不同于指定数量的情况下，对合并样本数据中的逃逸目标位置进行空间重采样，以使合并样本数据中的逃逸目标位置的数量达到指定数量，并得到样本簇对应的目标样本数据。

需要说明的是，由于单个初始样本数据仅对应一个逃逸目标位置，因此，合并样本数据中的逃逸目标位置的原始数量即为生成合并样本数据的初始样本数据的数量。

在本实施方式中，为使每个合并样本数据能够用于训练目标逃逸预测模型，需要每个合并样本数据中的逃逸目标位置的数量与指定数量一致。因此，对样本簇中的初始样本数据进行合并后，可能出现以下三种情况：

情况一：合并样本数据中的逃逸目标位置的原始数量等于指定数量。此时，直接将合并样本数据作为目标样本数据。

情况二：合并样本数据中的逃逸目标位置的原始数量小于指定数量。此时，需要对合并样本数据中的逃逸目标位置进行数量增大的空间重采样，进而可以按照预设的第一空间重采样策略，在合并样本数据原有的逃逸目标位置的基础上，生成目标数量的新增逃逸目标位置，以使合并样本数据中的逃逸目标位置的数量增大至与指定数量一致；其中，目标数量即为目标数量与原始数量的差值。

情况三：合并样本数据中的逃逸目标位置的原始数量大于指定数量。此时，需要对合并样本数据中的逃逸目标位置进行数量减少的空间重采样，进而可以按照预设的第二空间重采样策略，将合并样本数据中部分相邻的逃逸目标位置进行合并，以使合并样本数据中的逃逸目标位置的数量减少至与指定数量一致。

在本实施方式中，考虑到在样本簇中的初始样本数据数量较少时，空间重采样得到的逃逸目标位置可能不够准确，使得基于该样本簇生成的目标样本数据质量不佳。因此，为提高目标逃逸预测模型的训练效果，在样本簇中的初始样本数据的样本数量小于数量阈值的情况下，将删除样本簇中的初始样本数据。

在本实施方式中，可以根据实际训练需求，对数量阈值进行设置，例如，数量阈值可以取指定数量的一半。应当理解的是，数量阈值越大，目标样本数据的质量越好，而相对应的，目标样本数据的数量则会越少。

在一个例子中，结合步骤S104-2-1中的示例进行说明，设置指定逃逸目标位置集合要求的逃逸目标位置的指定数量为40个，则数量阈值为40/2=20个。针对样本簇1和样本簇2，由于对应初始样本数据分别为5个和10个，均小于数量阈值20个，则将样本簇1和样本簇2中的初始样本数据删除；针对样本簇3，由于满足数量阈值的要求，因此可以生成由50个初始样本数据合并而成的合并样本数据，又由于该合并样本数据中的逃逸目标位置为50个，大于指定数量的40个，此时，将按照第一空间重采样策略，进行数量减少的空间重采样，使得合并样本数据中的逃逸目标位置由50个减少到40个；针对样本簇4，由于满足数量阈值的要求，因此可以生成由35个初始样本数据合并而成的合并样本数据，又由于该合并样本数据中的逃逸目标位置为35个，小于指定数量的40个，此时，将按照第二间重采样策略，进行数量增大的空间重采样，使得合并样本数据中的逃逸目标位置由35个增大到40个。

在本实施方式中，通过对每个样本簇中的初始样本数据对应的逃逸目标位置进行空间重采样，能够生成满足指定逃逸目标位置集合的目标样本数据，充分满足目标逃逸预测模型的训练需求。

S104-3：在模型输出要求不包括指定逃逸目标位置集合的情况下，将满足模型输入要求和模型输出要求的初始样本数据确定为目标样本数据。

在本实施方式中，由于在模型输出要求不包括指定逃逸目标位置集合时，不需要对初始样本数据进行调整，因此，可以按照模型输入要求和模型输出要求，对初始样本数据进行筛选，即可得到所需的目标样本数据。

在具体实现中，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，以达到仅保留目标样本数据的目的。

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预测模型的目标样本数据。

本申请实施例提供的一种面向无人飞行器逃逸预测建模的数据样本生成方法，通过构建各类无人飞行器的仿真模型，引入无人飞行器受环境影响、人为操作影响和自身系统影响带来的各类误差，以及无人飞行器时可能存在的定位误差和飞行方向误差，基于仿真平台，控制目标无人飞行器模型进行逃逸操作的仿真推演，生成目标无人飞行器在不同的逃逸时间、不同逃逸持续时间、不同的逃逸策略以及不同的误差因素下的目标无人飞行器的逃逸轨迹簇和无人飞行器逃逸目标位置集合，并结合无人飞行器仿真参数范围、想定文本以及想定文本对应的逃逸仿真数据，生成固定格式的初始样本数据，实现无人飞行器的逃逸轨迹和逃逸目标位置的数据标注，构建面向不同建模需求的无人飞行器逃逸预测建模的目标样本数据，有效支撑无人飞行器逃逸预测建模。

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预测建模的数据样本生成系统200，该面向无人飞行器逃逸预测建模的数据样本生成系统200包括：

参数采样模块201，用于在预设的无人飞行器仿真参数范围内，对无人飞行器仿真参数进行采样，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和目标逃逸参数。

仿真推演模块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，确定目标无人飞行器模型，并控制目标无人飞行器模型按照想定文本对应的目标逃逸参数进行仿真推演，得到想定文本对应的逃逸仿真数据；逃逸仿真数据包括目标无人飞行器模型的逃逸轨迹和逃逸目标位置。

初始样本生成模块203，用于基于无人飞行器仿真参数范围、想定文本以及想定文本对应的逃逸仿真数据，生成每个想定文本各自对应的初始样本数据。

目标样本确定模块204，用于基于初始样本数据以及目标逃逸预测模型的模型输入要求和模型输出要求，生成目标样本数据；目标样本数据用于训练目标逃逸预测模型。

在本申请一实施例中，无人飞行器仿真参数范围包括无人飞行器模型参数范围和逃逸参数范围；参数采样模块201包括：

模型参数采样子模块，用于在无人飞行器模型参数范围内，对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。

逃逸参数采样子模块，用于在无人飞行器模型参数范围内，对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。

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和多个目标逃逸参数，生成多个想定文本。

在本申请一实施例中，无人飞行器模型参数范围包括无人飞行器类型参数范围和无人飞行器运行参数范围；模型参数采样子模块包括：

第一采样单元，用于按照第一采样间隔，在无人飞行器类型参数范围内，对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。

第二采样单元，用于按照第二采样间隔，在无人飞行器运行参数范围内，对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。

模型参数生成单元，用于基于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，生成多个目标无人飞行器模型参数。

在本申请一实施例中，逃逸参数范围包括无人飞行器初始位置区域、无人飞行器运动方向范围、无人飞行器逃逸时间范围、无人飞行器逃逸持续时间范围、逃逸策略库、逃逸策略库中的每个逃逸策略下的逃逸行为参数范围。模型参数采样子还模块包括：

第三采样单元，用于按照第三采样间隔，在无人飞行器初始位置区域内，对无人飞行器初始位置进行采样，得到多个目标无人飞行器初始位置。

第四采样单元，用于按照第四采样间隔，在无人飞行器运动方向范围内，对无人飞行器运动方向进行采样，得到多个目标无人飞行器运动方向。

第五采样单元，用于按照第五采样间隔，在无人飞行器逃逸时间范围内，对无人飞行器逃逸时间进行采样，得到多个目标无人飞行器逃逸时间。

第六采样单元，用于按照第六采样间隔，在无人飞行器逃逸持续时间范围内，对无人飞行器逃逸持续时间进行采样，得到多个目标无人飞行器逃逸持续时间。

第七采样单元，用于按照第七采样间隔，在逃逸策略库内，对逃逸策略进行采样，得到多个目标逃逸策略。

第八采样单元，用于按照第八采样间隔，在每个目标逃逸策略下的逃逸行为参数范围内，对逃逸行为参数进行采样，得到每个目标逃逸策略下的多个目标逃逸行为参数。

逃逸参数生成单元，用于基于多个目标无人飞行器初始位置、多个目标无人飞行器运动方向、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、多个目标逃逸策略和每个目标逃逸策略下的多个目标逃逸行为参数，得到多个目标逃逸参数。

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、第四字段、第五字段和第六字段；初始样本生成模块203包括：

数据写入子模块，用于针对任一想定文本，将想定文本对应的序号标识写入第一字段，将目标无人飞行器的逃逸轨迹写入第二字段，将目标无人飞行器的逃逸目标位置写入第三字段，将想定文本写入第四字段，将无人飞行器仿真参数范围写入第五字段，将针对无人飞行器仿真参数范围的采样间隔写入第六字段，以生成每个想定文本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204包括：

要求获取子模块，用于获取用户针对目标逃逸预测模型输入的模型输入要求和模型输出要求；其中，模型输入要求包括至少一个指定无人飞行器类型、至少一个指定无人飞行器运行参数、至少一个指定无人飞行器初始位置、至少一个指定无人飞行器初始运动方向、至少一个指定无人飞行器逃逸时间、至少一个指定无人飞行器逃逸持续时间、至少一个指定逃逸策略和每个指定逃逸策略下的至少一个指定逃逸行为中的一个或者多个；模型输出要求包括指定逃逸轨迹、指定逃逸目标位置和指定逃逸目标位置集合中的一个或者多个。

目标样本数据筛选子模块，用于在模型输出要求不包括指定逃逸目标位置集合的情况下，将满足模型输入要求和模型输出要求的初始样本数据确定为目标样本数据。

目标样本数据生成子模块，用于在模型输出要求包括指定逃逸目标位置集合的情况下，基于指定逃逸目标位置集合对应的逃逸目标位置的指定数量，对初始样本数据中的逃逸目标位置进行空间重采样，以生成满足模型输入要求和模型输出要求的目标样本数据。

在本申请一实施例中，目标样本数据生成子模块包括：

样本簇分类单元，用于在模型输出要求包括指定逃逸目标位置集合的情况下，基于模型输入要求，对初始样本数据进行分类，得到至少一个样本簇；其中，不同的样本簇对应不同的模型输入要求，每个样本簇中的初始样本数据具有相同的模型输入要求。

空间重采样单元，用于针对任一样本簇，将样本簇中的初始样本数据进行合并，得到该样本簇对应的合并样本数据，并确定合并样本数据中的逃逸目标位置的原始数量；在原始数量不同于指定数量的情况下，对合并样本数据中的逃逸目标位置进行空间重采样，以使合并样本数据中的逃逸目标位置的数量达到指定数量，并得到样本簇对应的目标样本数据。

在本申请一实施例中，目标样本数据生成子模块还包括：

样本删除单元，用于针对任一样本簇，在样本簇中的初始样本数据的样本数量小于数量阈值的情况下，删除样本簇中的初始样本数据。

需要说明的是，本申请实施例的面向无人飞行器逃逸预测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预测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预测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 (10)

1.一种面向无人飞行器逃逸预测建模的数据样本生成方法，其特征在于，所述方法包括：

在预设的无人飞行器仿真参数范围内，对无人飞行器仿真参数进行采样，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和目标逃逸参数；

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，确定目标无人飞行器模型，并控制所述目标无人飞行器模型按照所述想定文本对应的目标逃逸参数进行仿真推演，得到所述想定文本对应的逃逸仿真数据；所述逃逸仿真数据包括所述目标无人飞行器模型的逃逸轨迹和逃逸目标位置；

基于所述无人飞行器仿真参数范围、所述想定文本以及所述想定文本对应的逃逸仿真数据，生成每个所述想定文本各自对应的初始样本数据；

基于所述初始样本数据以及目标逃逸预测模型的模型输入要求和模型输出要求，生成目标样本数据；所述目标样本数据用于训练所述目标逃逸预测模型，所述目标逃逸预测模型用于预测非合作无人飞行器的逃逸轨迹和逃逸目标位置；

其中，控制所述目标无人飞行器模型按照所述想定文本对应的目标逃逸参数进行仿真推演，得到所述想定文本对应的逃逸仿真数据的步骤，包括：

在所述目标无人飞行器模型按照所述目标逃逸参数进行仿真推演的过程中，记录所述目标无人飞行器模型在不同时刻的位置信息；所述目标逃逸参数用于控制所述目标无人飞行器模型按照所述目标逃逸参数指定的逃逸方式进行逃逸操作；

基于所述位置信息，得到所述想定文本对应的逃逸仿真数据。

2.根据权利要求1所述的面向无人飞行器逃逸预测建模的数据样本生成方法，其特征在于，无人飞行器仿真参数范围包括无人飞行器模型参数范围和逃逸参数范围；

在预设的无人飞行器仿真参数范围内，对无人飞行器仿真参数进行采样，生成多个想定文本的步骤，包括：

在所述无人飞行器模型参数范围内，对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；

在所述逃逸参数范围内，对逃逸参数进行采样，得到多个所述目标逃逸参数；

基于多个所述目标无人飞行器模型参数和多个所述目标逃逸参数，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预测建模的数据样本生成方法，其特征在于，所述无人飞行器模型参数范围包括无人飞行器类型参数范围和无人飞行器运行参数范围；

在所述无人飞行器模型参数范围内，对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：

按照第一采样间隔，在所述无人飞行器类型参数范围内，对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；

按照第二采样间隔，在所述无人飞行器运行参数范围内，对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；

基于多个所述目标无人飞行器类型和多个所述目标无人飞行器运行参数，生成多个所述目标无人飞行器模型参数。

4.根据权利要求3所述的面向无人飞行器逃逸预测建模的数据样本生成方法，其特征在于，所述逃逸参数范围包括无人飞行器初始位置区域、无人飞行器运动方向范围、无人飞行器逃逸时间范围、无人飞行器逃逸持续时间范围、逃逸策略库、所述逃逸策略库中的每个逃逸策略下的逃逸行为参数范围；

在所述逃逸参数范围内，对逃逸参数进行采样，得到多个所述目标逃逸参数的步骤，包括：

按照第三采样间隔，在所述无人飞行器初始位置区域内，对无人飞行器初始位置进行采样，得到多个目标无人飞行器初始位置；

按照第四采样间隔，在所述无人飞行器运动方向范围内，对无人飞行器运动方向进行采样，得到多个目标无人飞行器运动方向；

按照第五采样间隔，在所述无人飞行器逃逸时间范围内，对无人飞行器逃逸时间进行采样，得到多个目标无人飞行器逃逸时间；

按照第六采样间隔，在所述无人飞行器逃逸持续时间范围内，对无人飞行器逃逸持续时间进行采样，得到多个目标无人飞行器逃逸持续时间；

按照第七采样间隔，在所述逃逸策略库内，对逃逸策略进行采样，得到多个目标逃逸策略；

按照第八采样间隔，在每个所述目标逃逸策略下的逃逸行为参数范围内，对逃逸行为参数进行采样，得到每个目标逃逸策略下的多个目标逃逸行为参数；

基于多个所述目标无人飞行器初始位置、多个所述目标无人飞行器运动方向、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、多个所述目标逃逸策略和每个目标逃逸策略下的多个目标逃逸行为参数，得到多个所述目标逃逸参数。

5.根据权利要求4所述的面向无人飞行器逃逸预测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、第四字段、第五字段和第六字段；

基于所述无人飞行器仿真参数范围、所述想定文本以及所述想定文本对应的逃逸仿真数据，生成每个所述想定文本各自对应的初始样本数据的步骤，包括：

针对任一所述想定文本，将所述想定文本对应的序号标识写入所述第一字段，将所述目标无人飞行器的逃逸轨迹写入所述第二字段，将所述目标无人飞行器的逃逸目标位置写入所述第三字段，将所述想定文本写入所述第四字段，将所述无人飞行器仿真参数范围写入所述第五字段，将针对所述无人飞行器仿真参数范围的采样间隔写入所述第六字段，以生成每个所述想定文本各自对应的初始样本数据。

6.根据权利要求5所述的面向无人飞行器逃逸预测建模的数据样本生成方法，其特征在于，基于所述初始样本数据以及目标逃逸预测模型的模型输入要求和模型输出要求，生成目标样本数据的步骤，包括：

获取用户针对所述目标逃逸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至少一个指定无人飞行器类型、至少一个指定无人飞行器运行参数、至少一个指定无人飞行器初始位置、至少一个指定无人飞行器初始运动方向、至少一个指定无人飞行器逃逸时间、至少一个指定无人飞行器逃逸持续时间、至少一个指定逃逸策略和每个所述指定逃逸策略下的至少一个指定逃逸行为中的一个或者多个；所述模型输出要求包括指定逃逸轨迹、指定逃逸目标位置和指定逃逸目标位置集合中的一个或者多个；

在所述模型输出要求包括所述指定逃逸目标位置集合的情况下，基于所述指定逃逸目标位置集合对应的逃逸目标位置的指定数量，对所述初始样本数据中的逃逸目标位置进行空间重采样，以生成满足所述模型输入要求和所述模型输出要求的目标样本数据；

在所述模型输出要求不包括所述指定逃逸目标位置集合的情况下，将满足所述模型输入要求和所述模型输出要求的初始样本数据确定为所述目标样本数据。

7.根据权利要求6所述的面向无人飞行器逃逸预测建模的数据样本生成方法，其特征在于，在所述模型输出要求包括所述指定逃逸目标位置集合的情况下，基于所述指定逃逸目标位置集合对应的逃逸目标位置的指定数量，对所述初始样本数据中的逃逸目标位置进行空间重采样，以生成满足所述模型输入要求和所述模型输出要求的目标样本数据的步骤，包括：

在所述模型输出要求包括所述指定逃逸目标位置集合的情况下，基于所述模型输入要求，对所述初始样本数据进行分类，得到至少一个样本簇；其中，不同的所述样本簇对应不同的模型输入要求，每个所述样本簇中的初始样本数据具有相同的模型输入要求；

针对任一样本簇，将所述样本簇中的初始样本数据进行合并，得到该样本簇对应的合并样本数据，并确定所述合并样本数据中的逃逸目标位置的原始数量；在所述原始数量不同于所述指定数量的情况下，对所述合并样本数据中的逃逸目标位置进行空间重采样，以使所述合并样本数据中的逃逸目标位置的数量达到所述指定数量，并得到所述样本簇对应的目标样本数据。

8.根据权利要求7所述的面向无人飞行器逃逸预测建模的数据样本生成方法，其特征在于，所述方法还包括：

针对任一所述样本簇，在所述样本簇中的初始样本数据的样本数量小于数量阈值的情况下，删除所述样本簇中的初始样本数据。

9.一种面向无人飞行器逃逸预测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，用于在预设的无人飞行器仿真参数范围内，对无人飞行器仿真参数进行采样，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和目标逃逸参数；

仿真推演模块，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，确定目标无人飞行器模型，并控制所述目标无人飞行器模型按照所述想定文本对应的目标逃逸参数进行仿真推演，得到所述想定文本对应的逃逸仿真数据；所述逃逸仿真数据包括所述目标无人飞行器模型的逃逸轨迹和逃逸目标位置；

初始样本生成模块，用于基于所述无人飞行器仿真参数范围、所述想定文本以及所述想定文本对应的逃逸仿真数据，生成每个所述想定文本各自对应的初始样本数据；

目标样本确定模块，用于基于所述初始样本数据以及目标逃逸预测模型的模型输入要求和模型输出要求，生成目标样本数据；所述目标样本数据用于训练所述目标逃逸预测模型，所述目标逃逸预测模型用于预测非合作无人飞行器的逃逸轨迹和逃逸目标位置；

其中，所述仿真推演模块具体用于在所述目标无人飞行器模型按照所述目标逃逸参数进行仿真推演的过程中，记录所述目标无人飞行器模型在不同时刻经过的位置信息；并基于所述位置信息，得到所述想定文本对应的逃逸仿真数据；所述目标逃逸参数用于控制所述目标无人飞行器模型按照所述目标逃逸参数指定的逃逸方式进行逃逸操作。

10.根据权利要求9所述的面向无人飞行器逃逸预测建模的数据样本生成系统，其特征在于，无人飞行器仿真参数范围包括无人飞行器模型参数范围和逃逸参数范围；所述参数采样模块包括：

模型参数采样子模块，用于在所述无人飞行器模型参数范围内，对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；

逃逸参数采样子模块，用于在所述无人飞行器模型参数范围内，对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；

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和多个所述目标逃逸参数，生成多个所述想定文本。