【技术实现步骤摘要】
一种几何约束数据增强的制导炮弹深度学习导航方法
[0001]本专利技术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
。
技术介绍
[0002]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
。
[0003]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
。
技术实现思路
[0004]为了克服现有技术的不足,本专利技术提出一种 ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
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
。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,增量递推模式为:式中,
Δ
P(k)
为
k
时刻制导炮弹弹道增量,
R
e
为地球平均半径,
ω
ie
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,
f
b
为加速度计测量的三轴比力,
g
n
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
3.
根据权利要求2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:另
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,基于集合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
技术研发人员:汪进文,薄煜明,朱建良,吴盘龙,付梦印,吴祥,何山,
申请(专利权)人:南京理工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。