CN117073472B - 一种几何约束数据增强的制导炮弹深度学习导航方法 - Google Patents
一种几何约束数据增强的制导炮弹深度学习导航方法 Download PDFInfo
- Publication number
- CN117073472B CN117073472B CN202310978070.3A CN202310978070A CN117073472B CN 117073472 B CN117073472 B CN 117073472B CN 202310978070 A CN202310978070 A CN 202310978070A CN 117073472 B CN117073472 B CN 117073472B
- Authority
- CN
- China
- Prior art keywords
- trajectory
- deep learning
- guided projectile
- geometric constraint
- enhanced
- 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 56
- 238000013135 deep learning Methods 0.000 title claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F42—AMMUNITION; BLASTING
- F42B—EXPLOSIVE CHARGES, e.g. FOR BLASTING, FIREWORKS, AMMUNITION
- F42B15/00—Self-propelled projectiles or missiles, e.g. rockets; Guided missiles
- F42B15/01—Arrangements thereon for guidance or control
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Aviation & Aerospace Engineering (AREA)
- Combustion & Propulsion (AREA)
- Navigation (AREA)
Abstract
本发明提供一种几何约束数据增强的制导炮弹深度学习导航方法，将制导炮弹惯性导航过程拆分为增量递推模式；根据装订弹道构建基于几何约束的数据增强方法，获取多条增强弹道，构建深度学习数据集；根据增强弹道反演惯性器件陀螺仪和加速度计输出，并以此作为深度学习网络输入，以制导炮弹弹道增量作为深度学习网络输出，训练获取制导炮弹弹道网络。在实际炮弹飞行时，以惯性器件输出作为网络输入实时获取弹道增量，完成制导炮弹导航过程。本发明方法适用于高动态环境下，制导炮弹导航。
Description
技术领域
本发明属于高动态环境下的制导炮弹导航领域，涉及一种几何约束数据增强的制导炮弹深度学习导航方法。
背景技术
制导炮弹是未来实施精确打击的新一代重要作战武器，在其使用过程中势必会面对卫星导航信号干扰的作战环境，通常采用惯性导航方式进行炮弹导航、制导与控制。惯性导航面临制导炮弹飞行过程中存在高过载(≥10000g)、高转速(≥20r/s)、惯性误差发散等挑战，因此，亟需开展高动态环境下制导炮弹导航研究，提高导航精度，降低控制要求，全方位提升炮弹制导性能。
炮弹在发射前往往需要装订弹道作为导航信息参考，辅助惯性制导，由于发射环境不确定存在风速扰动，导致装订弹道与实际飞行弹道存在较大偏差。此外，惯性导航存在随时间误差累积的难题。目前，陈昶昊等人采用深度学习方法，以惯性器件数据作为深度学习网络输入，以惯性导航增量信息作为深度学习网络输出，有效的解决了惯性导航随时间误差累积的情况，提高了惯性导航精度，但该方法目前只应用于行人导航领域，在高动态制导炮弹领域尚未有相关研究。因此针对复杂扰动环境下惯性导航精度不足的问题，本专利提出一种几何约束数据增强的制导炮弹深度学习导航方法，提高导航精度。
发明内容
为了克服现有技术的不足，本发明提出一种几何约束数据增强的制导炮弹深度学习导航方法，提高了高动态环境下导航精度。
本发明所采用的技术方案是：
一种几何约束数据增强的制导炮弹深度学习导航方法，包括步骤：
将制导炮弹惯性导航过程拆分为增量递推模式；
根据装订弹道构建基于几何约束的数据增强方法，获取多条增强弹道，构建深度学习数据集；
根据增强弹道反演惯性器件陀螺仪和加速度计输出，并以此作为深度学习网络输入，以制导炮弹弹道增量作为深度学习网络输出，训练获取制导炮弹弹道网络；
在实际炮弹飞行时，以惯性器件输出作为网络输入实时获取弹道增量，完成制导炮弹导航过程。
与现有技术相比，本发明的有益效果为：根据装订弹道构建基于几何约束的数据增强方法，获取多条增强弹道，构建深度学习数据集，实现深度学习网络训练；将制导炮弹惯性导航过程拆分为增量递推模式，根据增强弹道反演惯性器件陀螺仪和加速度计输出，并以此作为深度学习网络输入，以制导炮弹弹道增量作为深度学习网络输出，训练获取制导炮弹弹道网络，提高了高动态环境下导航精度。
附图说明
图1为几何约束数据增强示意图。
图2为增强弹道坐标计算示意图。
图3为深度学习导航方法示意图。
图4为本发明方法流程图。
具体实施方式
接下来结合附图，对本发明的实施进行详细说明。
结合图3和4，一种几何约束数据增强的制导炮弹深度学习导航方法，将制导炮弹惯性导航过程拆分为增量递推模式；根据装订弹道构建基于几何约束的数据增强方法，获取多条增强弹道，构建深度学习数据集；根据增强弹道反演惯性器件陀螺仪和加速度计输出，并以此作为深度学习网络输入，以制导炮弹弹道增量作为深度学习网络输出，训练获取制导炮弹弹道网络。在实际炮弹飞行时，以惯性器件输出作为网络输入实时获取弹道增量，完成制导炮弹导航过程。通过以下对本发明方法进行详细说明。
惯性导航递推形式为：
式中，P(k)表示k时刻制导炮弹的位置坐标；P(k-1)表示k-1时刻制导炮弹的位置坐标；表示k时刻导航坐标系下制导炮弹的速度。
k时刻制导炮弹弹道增量为：
式中，Re为地球平均半径，ωie为地球自转角速率，[L λ h]T为位置，分别代表纬度、经度和高度，/>为速度，分别代表东、北和天向速度。fb为加速度计测量的三轴比力，gn为当地重力加速度。/>为k时刻载体坐标系到导航坐标系的姿态转换矩阵，主要由陀螺仪输出/>获取。
因此，可将式(2)写为：
结合式(1)和式(2)可知，制导炮弹位置主要与陀螺仪和加速度计输出有关，只需要获取位置增量即可递推出制导炮弹的具体位置。这部分采用深度学习手段实现，但考虑到实际制导炮弹只装载一条装订弹道，这不足以实现深度学习网络训练，为此需要采用数据增强的手段构建深度学习网络训练数据集。
本发明提出一种几何约束数据增强的方法，以装订弹道作为数据增强参考弹道，采用几何约束生成多条弹道，图1中展现了4条增强弹道。以装订弹道作为数据增强的参考弹道，假设实际飞行弹道与装订弹道之间的距离以随时间变化的函数发散，实际飞行弹道与装订弹道之间的距离一次函数关系和二次函数关系如下所示：
式中，Rk为k时刻实际飞行弹道与装订弹道之间的距离；Rmax为炮弹落地时实际飞行弹道与装订弹道之间的距离，即落点误差；T为装订弹道的飞行时间。
这里以某一时刻为例，具体的采用几何约束思想获取增强弹道的示意图见附图2，以装订弹道坐标为参考，在其附近生成增强弹道，以投影到OXY平面为例，A点和B点为装订弹道上的两个点，已知坐标为A(x1,y1,z1)和B(x2,y2,z2)，增强弹道上的坐标为待求C(x，y，z)，几何约束为：1)以B点为球心，半径为R的球；2)垂直于AB线段，且过点B的平面；3)过线段AB，且垂直于OXY平面的平面。这三条约束条件构成增强弹道的坐标点，可以生成2条弹道，以此类推，只需要更改几何约束条件3)即可获得垂直于OXZ、OYZ平面的另外4条弹道。
以B点为球心，增强弹道与装订弹道的距离为R，则球的方程：
(x-x2)2+(y-y2)2+(z-z2)2＝R2 (5)
与AB垂直且过B点的面为：
(x1-x2)(x-x2)+(y1-y2)(y-y2)+(z1-z2)(z-z2)＝0 (6)
与OXY平面垂直且过线AB的面为：
(x2-x1)y-(y2-y1)x+x1y2-x2y1＝0 (7)
联合式(5)～式(7)，则装订弹道投影到OXY平面的增强弹道的几何约束方程为：
求解式(8)可得：
式中，
装订弹道投影到OXZ平面的增强弹道的几何约束方程为：
求解式(10)可得：
式中，
装订弹道投影到OYZ平面的增强弹道的几何约束方程为：
求解式(12)可得：
式中，
根据式(8)～式(13)可得6条增强弹道，根据递推关系可得6条弹道C1～C6上的坐标分别为：
得到6条增强弹道之后，可得速度为：
式中，ts为采样时间，为k时间第i条弹道的位置坐标，i＝1,2,3,4,5,6。
k时刻增强弹道的偏航角θk、俯仰角ψk为：
式中，vk(1)、vk(2)、vk(3)分别表示vk在x、y、z轴的分速度，根据欧拉方程可得陀螺仪输出的角速率：
6条增强弹道的滚转角和滚转角速率与装订弹道一致。
将式(14)和式(15)代入比力方程可得加速度计输出结果：
为k时刻导航坐标系到载体坐标系的姿态转换矩阵。
根据式(14)～式(17)即可从弹道得到陀螺仪和加速度计输出结果。
将装订弹道和6条增强弹道反演得到陀螺仪和加速度计输出结果，以此作为深度学习网络的输入，以装订弹道和6条增强弹道的位置增量作为深度学习网络的输出，见附图3。
本发明采用装订弹道与数据增强弹道的数据反演惯性器件数据，并获取惯性导航增量，采用LSTM作为深度学习网络，获得深度学习网络模型；在实际应用中将实测惯性器件数据作为深度学习网络输入，即可获得惯性导航增量估计结果，进一步完成惯性递推，实现制导炮弹高精度导航。
一种制导炮弹深度学习导航处理设备，包括：存储器、处理器和存储在所述存储器上的计算机程序，所述处理器执行所述计算机程序时实现所述的制导炮弹深度学习导航方法的步骤。
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设备上，使得在计算机或其他可编程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，则可对这些实施例作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范围的所有变更和修改。
显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (6)
1.一种几何约束数据增强的制导炮弹深度学习导航方法，其特征在于，包括步骤：
将制导炮弹惯性导航过程拆分为增量递推模式；
根据装订弹道构建基于几何约束的数据增强方法，获取多条增强弹道，构建深度学习数据集；
根据增强弹道反演惯性器件陀螺仪和加速度计输出，并以此作为深度学习网络输入，以制导炮弹弹道增量作为深度学习网络输出，训练获取制导炮弹弹道网络；
在实际炮弹飞行时，以惯性器件输出作为网络输入实时获取弹道增量，完成制导炮弹导航过程；
增量递推模式为：
式中，ΔP(k)为k时刻制导炮弹弹道增量，Re为地球平均半径，ωie为地球自转角速率，[L λ h]T为位置，分别代表纬度、经度和高度，为速度，分别代表东、北和天向速度，fb为加速度计测量的三轴比力，gn为当地重力加速度，/>为k时刻载体坐标系到导航坐标系的姿态转换矩阵，主要由陀螺仪输出/>获取，因此/>
所述根据装订弹道构建基于几何约束的数据增强方法，获取多条增强弹道具体包括：
令A点和B点为装订弹道上的两个点，坐标为A(x1,y1,z1)和B(x2,y2,z2)；
确定投影到OXY平面的几何约束包括：(1)以B点为球心，半径为R的球；(2)垂直于AB线段，且过点B的平面；(3)过线段AB，且垂直于OXY平面的平面，基于几何约束得到装订弹道投影到OXY平面的增强弹道的几何约束方程；
基于几何约束方程构成增强弹道的坐标点生成2条弹道，进而获取垂直于OXZ、OYZ平面的另外4条弹道；
根据增强弹道反演惯性器件陀螺仪的输出为：
其中，θk、γk、ψk分别表示k时刻增强弹道的偏航角、滚转角和俯仰角；
加速度计输出为：
其中，为k时刻导航坐标系到载体坐标系的姿态转换矩阵。
2.根据权利要求1所述的几何约束数据增强的制导炮弹深度学习导航方法，其特征在于，投影到OXY平面获取的2条增强弹道上的坐标为：
式中，
3.根据权利要求1所述的几何约束数据增强的制导炮弹深度学习导航方法，其特征在于，垂直于OXZ平面获取的2条增强弹道上的坐标为：
式中，
4.根据权利要求1所述的几何约束数据增强的制导炮弹深度学习导航方法，其特征在于，垂直于OYZ平面获取的2条增强弹道上的坐标为：
式中，
5.根据权利要求1所述的几何约束数据增强的制导炮弹深度学习导航方法，其特征在于，所述偏航角、俯仰角为：
其中，vk(1)、vk(2)、vk(3)分别表示vk在x、y、z轴的分速度，k时刻增强弹道的速度ts为采样时间，/>为k时间第i条弹道的位置坐标，i＝1,2,3,4,5,6；
所述滚转角与装订弹道一致。
6.一种制导炮弹深度学习导航处理设备，其特征在于，包括：存储器、处理器和存储在所述存储器上的计算机程序，所述处理器执行所述计算机程序时实现权利要求1-5任一项所述的制导炮弹深度学习导航方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310978070.3A CN117073472B (zh) | 2023-08-03 | 2023-08-03 | 一种几何约束数据增强的制导炮弹深度学习导航方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310978070.3A CN117073472B (zh) | 2023-08-03 | 2023-08-03 | 一种几何约束数据增强的制导炮弹深度学习导航方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117073472A CN117073472A (zh) | 2023-11-17 |
| CN117073472B true CN117073472B (zh) | 2024-03-19 |
Family
ID=88714424
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310978070.3A Active CN117073472B (zh) | 2023-08-03 | 2023-08-03 | 一种几何约束数据增强的制导炮弹深度学习导航方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117073472B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105180728A (zh) * | 2015-08-27 | 2015-12-23 | 北京航天控制仪器研究所 | 基于前数据的旋转制导炮弹快速空中对准方法 |
| CN108680153A (zh) * | 2018-05-21 | 2018-10-19 | 北京理工大学 | 基于陀螺信号重构的制导炮弹直接圆锥误差补偿方法 |
| CN111306998A (zh) * | 2020-03-24 | 2020-06-19 | 北京理工大学 | 一种参数摄动自适应的制导火箭弹垂直攻击制导方法 |
| CN112146661A (zh) * | 2020-09-28 | 2020-12-29 | 北京理工大学 | 一种地磁辅助惯性姿态误差耦合方法 |
| CN114993305A (zh) * | 2022-06-30 | 2022-09-02 | 西北工业大学 | 一种基于发射坐标系的制导炮弹组合导航方法 |
-
2023
- 2023-08-03 CN CN202310978070.3A patent/CN117073472B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105180728A (zh) * | 2015-08-27 | 2015-12-23 | 北京航天控制仪器研究所 | 基于前数据的旋转制导炮弹快速空中对准方法 |
| CN108680153A (zh) * | 2018-05-21 | 2018-10-19 | 北京理工大学 | 基于陀螺信号重构的制导炮弹直接圆锥误差补偿方法 |
| CN111306998A (zh) * | 2020-03-24 | 2020-06-19 | 北京理工大学 | 一种参数摄动自适应的制导火箭弹垂直攻击制导方法 |
| CN112146661A (zh) * | 2020-09-28 | 2020-12-29 | 北京理工大学 | 一种地磁辅助惯性姿态误差耦合方法 |
| CN114993305A (zh) * | 2022-06-30 | 2022-09-02 | 西北工业大学 | 一种基于发射坐标系的制导炮弹组合导航方法 |
Non-Patent Citations (2)
| Title |
|---|
| 低速滚转炮弹的三维卫星比例导引控制研究;戴明祥等;弹箭与制导学报;第33卷(第06期);第13-16页 * |
| 弹道辅助的弹载接收机伪卫星信号快速捕获方案;刘娣等;航空学报;第31卷(第11期);第2275-2281页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117073472A (zh) | 2023-11-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110304270B (zh) | 用于运载火箭的全方位发射控制方法、装置、计算机设备 | |
| CN105180728B (zh) | 基于前数据的旋转制导炮弹快速空中对准方法 | |
| CN109059914B (zh) | 一种基于gps和最小二乘滤波的炮弹滚转角估计方法 | |
| CN105258698A (zh) | 一种高动态自旋制导炮弹空中组合导航方法 | |
| CN105115508A (zh) | 基于后数据的旋转制导炮弹快速空中对准方法 | |
| CN105486307B (zh) | 针对机动目标的视线角速率估计方法 | |
| CN109211230B (zh) | 一种基于牛顿迭代法的炮弹姿态和加速度计常值误差估计方法 | |
| CN113050143B (zh) | 一种发射惯性坐标系下的紧耦合导航方法 | |
| CN105910606A (zh) | 一种基于角速度差值的方向修正方法 | |
| CN109211231B (zh) | 一种基于牛顿迭代法的炮弹姿态估计方法 | |
| CN115248038B (zh) | 一种发射系下的sins/bds组合导航工程算法 | |
| CN105912019A (zh) | 动力翼伞系统空投风场的辨识方法 | |
| CN106682361A (zh) | 一种基于gps仿真的无人机飞行轨迹模拟系统及方法 | |
| CN106379559A (zh) | 一种适用于导弹机载发射的过渡导航方法 | |
| CN109211232B (zh) | 一种基于最小二乘滤波的炮弹姿态估计方法 | |
| CN104931048A (zh) | 一种基于mimu的肩扛制导火箭弹的导航方法 | |
| CN109029499A (zh) | 一种基于重力视运动模型的加速度计零偏迭代寻优估计方法 | |
| CN117073472B (zh) | 一种几何约束数据增强的制导炮弹深度学习导航方法 | |
| CN111026139A (zh) | 一种基于飞行轨迹的三维模型姿态调整控制方法 | |
| CN113218423A (zh) | 发射时无基准姿态信息的空中粗对准方法 | |
| CN114707317A (zh) | 基于弹道先验知识的旋转弹飞行参数测量方法和系统 | |
| CN109443391A (zh) | 一种基于误差估计的惯性导航仿真方法 | |
| Gumusboga et al. | Particle filter based integrated navigation for quadrotors | |
| SANTOSO | Modification of strapdown inertial navigation system algorithm for rocket flight test | |
| CN117091457B (zh) | 一种基于深度学习的制导炮弹导航方法及系统 |
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 |