一种目标轨迹预测系统及预测方法技术方案

一种目标轨迹预测系统，包括目标机动特征模型集模块，目标机动特征集中包括若干目标的典型机动局部模型；前向轨迹预测模块，定义性能指标函数并建立目标轨迹预测模型，根据各典型机动局部模型与目标实际飞行轨迹的匹配度确定目标轨迹预测模型的参数，采用数值积分法进行前向轨迹预测；后向反馈修正模块，建立全局重要性地图模型，根据全局重要性地图模型建立前向预测轨迹与飞行重要节点的关联关系，确定目标机动意图信息，采用后验条件概率法对目标轨迹预测模型的参数进行修正后，重新进行轨迹预测。本发明专利技术突破了传统轨迹预测方法开环预测局限性，将基于博弈对抗的预测轨迹反馈修正融入轨迹预测过程，实现轨迹闭环预测，提高了轨迹预测精度。轨迹预测精度。轨迹预测精度。

【技术实现步骤摘要】
一种目标轨迹预测系统及预测方法


[0001]本专利技术属于目标轨迹预测
，尤其涉及一种飞行目标的轨迹预测系统及预测方法。

技术介绍

[0002]目标轨迹预测是一种根据探测系统获取的目标运动状态参数来估计目标未来运动状态或者可达范围的过程，其实质就是基于已知历史信息，依照一定的方法和规律对未来信息进行估计。通过有效的轨迹预测，可以提高对目标后续状态的了解，为相关任务规划与管理提供依据，在航空管制、空天目标拦截等领域具有广阔的应用前景。
[0003]目前轨迹预测方法主要分为解析法和数值积分法两大类。解析法是一种较为直观的轨迹预测方法，其主要原理是以特定运动模式或运动关系为条件进行简化，但当目标运动模式复杂多变时，往往很难获得解析解，如果是针对运动模式未知的非合作目标进行预测，该方法则更难以适应。数值积分法是通过对动力学模型前向积分来获得目标预测轨迹，同样的，当目标运动模式发生变化时，尤其是对于机动模式未知的非合作目标进行轨迹预测时，由于数值积分法的预测过程是开环过程，没有外来信息对预测轨迹进行修正，会导致预测过程中的误差不断积累，快速发散，难以满足非合作目标实际轨迹预测需求。

技术实现思路

[0004]本专利技术的目的是提供一种可以提高轨迹预测精度的基于博弈对抗的目标轨迹预测系统及预测方法。
[0005]为了实现上述目的，本专利技术采取如下的技术解决方案：
[0006]一种目标轨迹预测系统，包括：用于建立目标机动特征模型集的目标机动特征模型集模块，所述目标机动特征集中包括若干目标的典型机动局部模型；用于对目标进行前向轨迹预测的前向轨迹预测模块，所述前向轨迹预测模块定义性能指标函数并建立目标轨迹预测模型，通过性能指标函数计算目标机动特征模型集合中的各典型机动局部模型与目标实际飞行轨迹的匹配度，根据各典型机动局部模型与目标实际飞行轨迹的匹配度确定目标轨迹预测模型的参数，将求得的参数代入目标轨迹预测模型中，采用数值积分法对目标进行前向轨迹预测；
[0007]用于对目标轨迹进行修正的后向反馈修正模块，所述后向反馈修正模块根据飞行重要节点建立全局重要性地图模型，然后根据全局重要性地图模型建立前向预测轨迹与飞行重要节点的关联关系，确定目标机动意图信息，利用目标机动意图信息，采用后验条件概率方法对目标轨迹预测模型的参数进行修正，再根据参数修正后的目标轨迹预测模型进行轨迹预测，得到修正后的轨迹预测结果。
[0008]进一步的，所述目标机动特征模型集模块在建立目标机动特征集时，首先确定表征目标机动模式的机动特征模型，然后对目标机动状态进行分解，建立目标的典型机动局部模型，各典型机动局部模型组成目标机动特征模型集。
[0009]进一步的，所述机动特征模型包括CA模型、CV模型、典型轨迹数据模型、动力学模型。
[0010]本专利技术还提供了一种目标轨迹预测方法，包括以下步骤：
[0011]S1、建立目标机动特征模型集，首先确定目标的机动特征模型，然后对目标机动状态进行分解，基于机动特征模型建立目标的典型机动局部模型，典型机动局部模型组成目标机动特征模型集；
[0012]S2、目标前向轨迹预测，定义性能指标函数并建立目标轨迹预测模型，通过性能指标函数评价目标机动特征模型集合中的各典型机动局部模型与目标实际飞行轨迹的匹配度，根据各典型机动局部模型与目标实际飞行轨迹的匹配度确定目标轨迹预测模型的参数，采用数值积分法基于目标轨迹预测模型对目标进行前向轨迹预测；
[0013]S3、目标轨迹修正，首先确定飞行重要节点，然后根据飞行重要节点建立全局重要性地图模型，然后根据全局重要性地图模型建立前向预测轨迹与飞行重要节点的关联关系，确定目标机动意图信息，再利用目标机动意图信息采用后验条件概率方法对目标轨迹预测模型的参数进行修正，再根据参数修正后的目标轨迹预测模型对目标轨迹进行轨迹预测，得到修正后的轨迹预测结果。
[0014]进一步的，步骤S2中采用加权最小二乘方法求解目标轨迹预测模型的参数。
[0015]进一步的，步骤S2中采用跟踪误差加权法定义性能指标函数，典型机动局部模型与目标实际飞行轨迹的匹配度等于典型机动局部模型的权值式中的J
i
(k)表示目标机动特征模型集中第i个典型机动局部模型的性能指标值，M为目标机动特性模型集中典型机动局部模型的数量。
[0016]进一步的，步骤S3中采用贝叶斯推理方法确定目标机动意图信息，目标机动意图信息为式中的p(x
k
‑1＝j)为k
‑
1时刻第j个典型机动局部模型的先验概率，p(x
k
＝i,x
k
‑1＝j)为典型机动局部模型对应的预测轨迹后验概率。
[0017]进一步的，步骤S3中目标轨迹预测模型的参数的修正方法如下：利用目标机动意图信息p(x
k
＝i|x
k
‑1＝j)对目标预测状态进行修正，有：p(x
k
|x
1:k
‑1)＝∫p(x
k
|x
k
‑1)p(x
k
‑1|x
1:k
‑1)dx
k
‑1，再根据修正结果p(x
k
|x
1:k
‑1)对目标轨迹预测模型的参数进行修正，有：其中，为目标机动特征模型集中的典型机动局部模型的参数。
[0018]由以上技术方案可知，本专利技术通过建立由典型机动局部模型构成的目标机动特征模型集，前向轨迹预测模块在基于目标运动特征约束轨迹预测的基础上，通过后向反馈修正模块引入基于博弈对抗的目标机动意图评估，对预测轨迹后向修正，形成了一套运动特征约束下前向预测与博弈机动意图评估下预测轨迹反馈修正相结合的轨迹闭环预测系统，突破了传统轨迹预测方法开环预测局限性，将基于博弈对抗的预测轨迹反馈修正融入轨迹预测过程，实现轨迹闭环预测，提高了轨迹预测精度。而且，本专利技术的闭环预测过程中，采用目标机动特征与博弈对抗意图约束轨迹预测范围，由于合作目标具有更丰富的机动意图信息，从而具有更好预测效果。本专利技术既适用合作目标轨迹预测，又适用于非合作目标轨迹预
测，预测系统具有较好的兼容性，能够在各模块中兼容不同类型数据滤波与处理算法。
附图说明
[0019]图1为本专利技术实施例的框图；
[0020]图2为再入滑翔目标的飞行轨迹与其局部模型表征的关系示意图；
[0021]图3为再入滑翔目标的机动特征模型集合对轨迹空间覆盖示意图；
[0022]图4为重要性地图的示意图；
[0023]图5为预测轨迹与飞行重要节点的关联关系图；
[0024]图6为采用本专利技术方法预测的误差变化曲线图；
[0025]图7为模型隶属度关系变化曲线图；
[0026]图8为模型倾侧角β的变化对比曲线图；
[0027]图9为模型K
L
的变化对比曲线图；
[0028]图10为模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标轨迹预测系统，其特征在于，包括：用于建立目标机动特征模型集的目标机动特征模型集模块，所述目标机动特征集中包括若干目标的典型机动局部模型；用于对目标进行前向轨迹预测的前向轨迹预测模块，所述前向轨迹预测模块定义性能指标函数并建立目标轨迹预测模型，通过性能指标函数计算目标机动特征模型集合中的各典型机动局部模型与目标实际飞行轨迹的匹配度，根据各典型机动局部模型与目标实际飞行轨迹的匹配度确定目标轨迹预测模型的参数，将求得的参数代入目标轨迹预测模型中，采用数值积分法对目标进行前向轨迹预测；用于对目标轨迹进行修正的后向反馈修正模块，所述后向反馈修正模块根据飞行重要节点建立全局重要性地图模型，然后根据全局重要性地图模型建立前向预测轨迹与飞行重要节点的关联关系，确定目标机动意图信息，利用目标机动意图信息，采用后验条件概率方法对目标轨迹预测模型的参数进行修正，再根据参数修正后的目标轨迹预测模型进行轨迹预测，得到修正后的轨迹预测结果。2.根据权利要求1所述的目标轨迹预测系统，其特征在于：所述目标机动特征模型集模块在建立目标机动特征集时，首先确定表征目标机动模式的机动特征模型，然后对目标进行机动状态分解，建立目标的典型机动局部模型，得到的典型机动局部模型组成目标机动特征模型集。3.根据权利要求2所述的目标轨迹预测系统，其特征在于：所述机动特征模型包括CA模型、CV模型、典型轨迹数据模型、动力学模型。4.一种目标轨迹预测方法，其特征在于，包括以下步骤：S1、建立目标机动特征模型集，首先确定目标的机动特征模型，然后对目标进行机动状态分解，基于机动特征模型建立目标的典型机动局部模型，典型机动局部模型组成目标机动特征模型集；S2、目标前向轨迹预测，定义性能指标函数并建立目标轨迹预测模型，通过性能指标函数评价目标机动特征模型集合中的各典型机动局部模型与目标实际飞行轨迹的匹配度，根据各典型机动局部模型与目标实际飞行轨迹的匹配度确定目标轨迹预测模型的参数，采用数值积分法基于目标轨迹预测模型对目标进行前向轨迹预测；S3、目标轨迹修正，首先确定飞行重要节点，然后根据飞行重要节点建立全局重要性地...

【专利技术属性】
技术研发人员：邵雷，赵锦，雷虎民，
申请(专利权)人：中国人民解放军空军工程大学，
类型：发明
国别省市：