一种无动力空投目标点优化方法、装置、电子设备及介质制造方法及图纸

本申请提供了一种无动力空投目标点优化方法、装置、电子设备及介质。首先获取目标图像，对目标图像的目标区域及空心区域内的像素点进行遍历采样，形成候选点集合。然后，对每个候选点，提取候选点在多个方向上的特征，形成候选点对应的多维向量特征。之后，将每个候选点对应的向量特征输入投送目标点优化模型中，预测得到每个候选点作为投送目标点时投放成功的概率，投送目标点优化模型是利用预先构建的目标点训练样本集，通过监督学习方式对深度神经网络进行训练后得到的。最后，选取投放成功的概率最大的候选点作为目标图像对应的最优投送目标点。对于任意形状的空投区域，能够快速、准确地找到其最优的投送目标点，提高物资空投的成功率。资空投的成功率。资空投的成功率。

【技术实现步骤摘要】
一种无动力空投目标点优化方法、装置、电子设备及介质


[0001]本申请涉及空投目标点预测
，特别是涉及一种无动力空投目标点优化方法、装置、电子设备及介质。

技术介绍

[0002]空投是现代军用及民用领域常用的投送方式，其目的是使空投物资的落点位于指定区域内。在实际应用中，空投过程往往伴随着来自飞行环境的复杂随机干扰，包括风场及洋流等环境干扰、投放点位置定位误差、初始对准误差、初始定向误差及动力学仿真模型偏差等。对于无动力空投，由于没有先进导引及控制装备的辅助，就需要重点改进空投预测算法，在考虑最终落点位置误差的条件下，为空投系统选择更为合适的投放目标点，使物资落入投送区域的可能性最大。
[0003]由于真实落点与投送目标点存在误差，同时目标区域可能为任意不规则的形状，且其内部可能存在不可达区域，所以对于空投目标点的快速优化具有较大难度。现有的空投目标点优化方法主要包括解析方法、仿真方法与传统优化方法三类。其中，仿真方法对于目标形状的适应性较强，但其计算时间较长；解析方法虽然可以快速给出计算结果，但只适用于形状相对规则的目标；传统优本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无动力空投目标点优化方法，其特征在于，包括：获取目标图像，对所述目标图像的目标区域及空心区域内的像素点进行遍历采样，形成候选点集合；对所述候选点集合中的每个候选点，提取候选点在多个方向上的特征，形成候选点对应的多维向量特征；将每个候选点对应的向量特征输入投送目标点优化模型中，预测得到每个候选点作为投送目标点时投放成功的概率，所述投送目标点优化模型是利用预先构建的目标点训练样本集，通过监督学习方式对深度神经网络进行训练后得到的；选取投放成功的概率最大的候选点作为所述目标图像对应的最优投送目标点。2.根据权利要求1所述的无动力空投目标点优化方法，其特征在于，所述目标区域的形状包括圆、矩形及多边形三种类型，当目标区域为圆形时，通过圆的中心点坐标及半径确定所述目标区域；当目标区域为矩形时，通过矩形的中心点坐标、长、宽及长方向与X轴的夹角确定所述目标区域；当目标区域为多边形时，通过多边形的各个角点坐标确定所述目标区域；所述空心区域的形状包括圆、矩形及多边形三种类型，所述空心区域位于所述目标区域的边界内或与所述目标区域部分重叠。3.根据权利要求1或2所述的无动力空投目标点优化方法，其特征在于，所述目标点训练样本集的构建包括：获取若干张目标图像，随机生成对应的目标区域和空心区域，得到样本图像集；遍历所述样本图像中目标区域和空心区域内的像素点，形成样本点集；对所述样本点集中的每个样本点，提取样本点在多个方向上的特征，形成样本点对应的多维向量特征；按照预设的CEP误差分别对各个样本点进行落点仿真，得到将样本点作为投送目标点时投放成功的概率，并生成对应的概率标签；将样本点对应的多维向量特征和概率标签进行组合，得到训练样本，并统计每张样本图像中的所有训练样本，形成所述目标点训练样本集。4.根据权利要求3所述的无动力空投目标点优化方法，其特征在于，所述提取样本点在多个方向上的特征，形成样本点对应的多维向量特征，包括：以所述样本点为圆心，沿圆周方向均匀向外做若干条射线；分别计算各条射线落入所述目标区域内的线段长度之和，得到样本点在多个方向上的特征，形成所述样本点对应的多维向量特征。5.根据权利要求3所述的无动力空投目标点优化方法，其特征在于，所述按照预设的CEP误差分别对各个样本点进行落点仿真，得到将样本点作为投送目标点时投放成功的概率，并生成对应的概率标签，包括：根据目标图像的类型确定CEP误差；将样本点作为投送目标点，按照确定的CEP误差对样本点进行M次落点仿真，并统计落点在所述目标区域内的次数m，...

【专利技术属性】
技术研发人员：赵思聪，吴双，曹扬，蒋鸣，贾帅楠，彭渊，贾亦文，
申请(专利权)人：北京航天晨信科技有限责任公司，
类型：发明
国别省市：