基于LSTM的目标的机动预测方法、电子设备和存储介质技术

本发明专利技术公开了一种基于LSTM的目标的机动预测方法、电子设备和存储介质，包括以下步骤；步骤1：构建无人机对战过程目标机机动选择数据集；步骤2：提取目标机动对抗过程空间态势特征；步骤3：对数据集进行分割和预处理；步骤4：建立基于LSTM的目标的机动预测网络模型；步骤5：利用训练集对基于LSTM的目标的机动预测网络模型进行训练，并利用测试集进行准确率检测。本发明专利技术不论是对单个机动控制参数的预测，还是对所有机动控制参数同时预测正确问题都能得了良好的效果。都能得了良好的效果。都能得了良好的效果。

【技术实现步骤摘要】
基于LSTM的目标的机动预测方法、电子设备和存储介质


[0001]本专利技术涉及飞行器飞行控制和人工智能
，具体涉及一种基于LSTM的目标的机动预测方法、电子设备和存储介质。

技术介绍

[0002]近年来，随着无人机相关技术的快速发展，无人机在军事领域的应用越来越广泛，对目标无人机下一阶段的机动动作进行预测问题逐渐引起人们的关注。在空战对抗过程中，双方无人机作为智能体进行策略选择下一阶段的机动动作，从而让己方无人机在空间占位上处于优势状态，而如何提前预知目标无人机下一阶段将会采取的机动动作，是己方机动动作选择策略的关键问题。
[0003]目前，对目标无人机的机动动作进行预测的方法将目标机的机动动作选择看作固定的几种机动动作的加权和，各个机动动作的权重由专家知识确定。然而无人机进行机动选择是一个连续动态地对空间态势占位寻优的过程，固定的机动动作加权和的预测方法没有考虑目标机动选择的空间态势特征，忽视了目标机动动作的动态性与时序性特点，而且没有考虑目标机对我方无人机机动的感知情况，所以很难准确描述目标机动动作选择的规律，导致对目标机未来的机动动作预测不准确。

技术实现思路

[0004]为了克服以上技术的缺点，本专利技术的目的在于提供一种基于LSTM的目标的机动预测方法、电子设备和存储介质，不论是对单个机动控制参数的预测，还是对所有机动控制参数同时预测正确问题都能得良好的效果。
[0005]为了实现上述目的，本专利技术采用的技术方案是：
[0006]一种基于LSTM的目标的机动预测方法，包括以下步骤；
[0007]步骤1：构建无人机对战过程的目标机动选择数据集S，所述目标指与我方无人机对战的目标无人机；
[0008]步骤2：提取目标机动对抗过程空间态势特征；
[0009]步骤3：对步骤1的目标机动选择数据集S进行分割和预处理；
[0010]步骤4：建立基于LSTM的目标的机动预测网络模型；
[0011]步骤5：利用训练集对基于LSTM的目标的机动预测网络模型进行训练，并利用测试集进行准确率检测。
[0012]所述步骤1利用某一对一空战仿真系统，对战双方设置不同初始状态进行多次对战实验，每局对战每隔20ms记录一次对战双方无人机的状态信息s
t
和机动动作控制信息c
t
，形成空战对抗数据，并且每局对战过程以某一方的胜利或者对战时长超过2分钟时终止。
[0013]选取280组空战对抗数据作为目标机动预测的数据集S，在任意t时刻，对战双方无人机的状态信息s
t
和机动控制信息c
t
均包含以下多个维度的信息，如式所示：
[0014]s
t
＝[X
t
,Y
t
,Z
t
,EX
t
,EY
t
,EZ
t
,AX
t
,AY
t
,AZ
t
,V
t
][0015]c
t
＝[a
t
,p
t
,y
t
][0016]式中，X
t
,Y
t
,Z
t
分别表示t时刻无人机的三维空间位置坐标，EX
t
,EY
t
,EZ
t
分别表示无人机t时刻的姿态欧拉角，(AX
t
,AY
t
,AZ
t
)组成了无人机t时刻的机头朝向向量，V
t
表示t时刻无人机的速度大小信息，s
t
包含10个维度的状态信息，a
t
,p
t
,y
t
分别表示控制无人机速度和方向的加速度信息，俯仰角信息和偏航角信息，c
t
包含3个维度的机动控制信息，任意t时刻我方无人机的状态信息用表示，机动控制信息用表示；目标无人机的状态信息用表示，机动控制信息用表示；数据集S＝[s
u
,c
u
,s
e
,c
e
]。
[0017]所述步骤2在近距空战对抗过程中，无人机获胜的关键是当目标机在己方无人机攻击范围内时，己方无人机角度态势处于优势状态，此时目标机的方位角p与目标机的进入角q取值趋近于0，对目标机的机动进行预测时需要考虑目标机与我机之间的距离d和目标机的角度态势T
a
情况，从步骤1得到的目标机动预测数据集S中提取目标机动的距离特征d和角度态势特征T
a
：
[0018][0019][0020]式中，X
u
,Y
u
,Z
u
分别表示我方无人机的三维空间位置坐标，X
e
,Y
e
,Z
e
分别表示目标无人机的三维空间位置坐标。
[0021]将提取的距离特征和角度态势特征并入目标机动预测数据集S：
[0022]S＝[s
u
,c
u
,s
e
,c
e
,d,T
a
][0023]式中，s
u
,c
u
分别表示目标机动预测数据集S中我方无人机的状态信息和机动控制信息，s
e
,c
e
分别表示目标机动预测数据集S中目标无人机的状态信息和机动控制信息。
[0024]所述步骤3包括：
[0025]3a，将步骤1中目标机动预测数据集S按照训练集和测试集之比为7:3的比例划分为训练集S
train
和测试集S
test
；
[0026]3b，分别提取训练集S
train
和测试集S
test
机动控制信息的各个维度数据，并进行标签化预处理，得到标签化的训练集控制信息数据
[0027]和测试集状态信息数据无人机通过加速度、俯仰角速度和偏航角速度控制自身的速度和方向，加速度的大小会影响无人机速度的变化，俯仰角速度和偏航角速度的存在控制着无人机的方向，为了模拟空战中无人机的不同机动动作，仿真系统设置加速度大小一共有4种取值情况{
‑
30,
‑
10,40,60}(单位为：米/秒平方)，每一取值表示无人机进行不同的加速或减速机动，俯仰角速度有9种取值情况{
‑
30,
‑
21,
‑
12,
‑
5,0,5,12,21,30}(单位为：度/秒)，每一取值表示无人机以某一角速度进行不同的俯仰机动，偏航角速度有9种取值情况{
‑
60,
‑
34,
‑
18,
‑本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于LSTM的目标的机动预测方法，其特征在于，包括以下步骤；步骤1：构建无人机对战过程的目标机动选择数据集S，所述目标指与我方无人机对战的目标无人机；步骤2：提取目标机动对抗过程空间态势特征；步骤3：对步骤1的目标机动选择数据集S进行分割和预处理；步骤4：建立基于LSTM的目标的机动预测网络模型；步骤5：利用训练集对基于LSTM的目标的机动预测网络模型进行训练，并利用测试集进行预测准确率检测。2.根据权利要求1所述的一种基于LSTM的目标的机动预测方法，其特征在于，所述步骤1利用某一对一空战仿真系统，对战双方设置不同初始状态进行多次对战实验，每局对战每隔20ms记录一次对战双方无人机的状态信息s
t
和机动动作控制信息c
t
，形成空战对抗数据，并且每局对战过程以某一方的胜利或者对战时长超过2分钟时终止；选取280组空战对抗数据作为目标机动预测的数据集S，在任意t时刻，对战双方无人机的状态信息s
t
和机动控制信息c
t
均包含以下多个维度的信息，如式所示：s
t
＝[X
t
,Y
t
,Z
t
,EX
t
,EY
t
,EZ
t
,AX
t
,AY
t
,AZ
t
,V
t
]c
t
＝[a
t
,p
t
,y
t
]式中，X
t
,Y
t
,Z
t
分别表示t时刻无人机的三维空间位置坐标，EX
t
,EY
t
,EZ
t
分别表示无人机t时刻的姿态欧拉角，(AX
t
,AY
t
,AZ
t
)组成了无人机t时刻的机头朝向向量，V
t
表示t时刻无人机的速度大小信息，s
t
包含10个维度的状态信息，a
t
,p
t
,y
t
分别表示控制无人机速度和方向的加速度信息，俯仰角信息和偏航角信息，c
t
包含3个维度的机动控制信息，任意t时刻我方无人机的状态信息用表示，机动控制信息用表示；目标无人机的状态信息用表示，机动控制信息用表示；数据集3.根据权利要求1所述的一种基于LSTM的目标的机动预测方法，其特征在于，所述步骤2在近距空战对抗过程中，无人机获胜的关键是当目标机在己方无人机攻击范围内时，己方无人机角度态势处于优势状态，此时目标机的方位角p与目标机的进入角q取值趋近于0，对目标机的机动进行预测时需要考虑目标机与我机之间的距离d和目标机的角度态势T
a
情况，从步骤1得到的目标机动预测数据集S中提取目标机动的距离特征d和角度态势特征T
a
：：式中，X
u
,Y
u
,Z
u
分别表示我方无人机的三维空间位置坐标，X
e
,Y
e
,Z
e
分别表示目标无人机的三维空间位置坐标。4.根据权利要求3所述的一种基于LSTM的目标的机动预测方法，其特征在于，将提取的距离特征和角度态势特征并入目标机动预测数据集S：S＝[s
u
,c
u
,s
e
,c
e
,d,T
a
]式中，s
u
,c
u
分别表示目标机动预测数据集S中我方无人机的状态信息和机动控制信息，
s
e
,c
e
分别表示目标机动预测数据集S中目标无人机的状态信息和机动控制信息。5.根据权利要求1所述的一种基于LSTM的目标的机动预测方法，其特征在于，所述步骤3包括：3a，将步骤1中目标机动预测数据集S按照训练集和测试集之比为7:3的比例划分为训练集S
train
和测试集S
test
；3b，分别提取训练集S
train
和测试集S
test
机动控制信息的各个维度数据，并进行标签化预处理，得到标签化的训练集控制信息数据和测试集状态信息数据无人机通过加速度、俯仰角速度和偏航角速度控制自身的速度和方向，加速度的大小会影响无人机速度的变化，俯仰角速度和偏航角速度的存在控制着无人机的方向，为了模拟空战中无人机的不同机动动作，仿真系统设置加速度大小一共有4种取值情况{
‑
30,
‑
10,40,60}(单位为：米/秒平方)，每一取值表示无人机进行不同的加速或减速机动，俯仰角速度有9种取值情况{
‑

【专利技术属性】
技术研发人员：沈沛意，张亮，吕梦鸽，朱光明，宋娟，冯明涛，李宁，高尔扬，
申请(专利权)人：中国船舶集团有限公司综合技术经济研究院，
类型：发明
国别省市：