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

本发明专利技术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

【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
。
[0005]本专利技术所采用的技术方案是：
[0006]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：
[0007]将制导炮弹惯性导航过程拆分为增量递推模式；
[0008]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；
[0009]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；
[0010]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
。
[0011]与现有技术相比，本专利技术的有益效果为：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
[0012]图1为几何约束数据增强示意图
。
[0013]图2为增强弹道坐标计算示意图
。
[0014]图3为深度学习导航方法示意图
。
[0015]图4为本专利技术方法流程图
。
具体实施方式
[0016]接下来结合附图，对本专利技术的实施进行详细说明
。
[0017]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
。
通过以下对本专利技术方法进行详细说明
。
[0018]惯性导航递推形式为：
[0019][0020]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
。
[0021]k
时刻制导炮弹弹道增量为：
[0022][0023]式中，
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
。
[0024]因此，可将式
(2)
写为：
[0025][0026]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
。
[0027]本专利技术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：
[0028][0029]式中，
R
k
为
k
时刻实际飞行弹道与装订弹道之间的距离；
R
max
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
。
[0030]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
平本文档来自技高网...

【技术保护点】

【技术特征摘要】
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

【专利技术属性】
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：