一种基于深度学习的制导炮弹导航方法及系统技术方案

本发明专利技术提供了一种基于深度学习的制导炮弹导航方法及系统，适用于制导炮弹全过程自主导航定位，该方法主要包括深度学习网络训练和弹道位置增量误差融合滤波两部分，根据炮弹飞行动力学方程获取深度学习网络训练数据集，采用

【技术实现步骤摘要】
一种基于深度学习的制导炮弹导航方法及系统


[0001]本专利技术属于高动态环境下的制导炮弹导航领域，涉及一种基于深度学习的制导炮弹导航方法及系统
。

技术介绍

[0002]制导炮弹高精度导航定位赋予炮弹精确制导能力，其精度直接制约武器精确打击目标的能力
。
制导炮弹飞行时间为
100
秒左右，属于短时导航领域
。
惯性导航具有自主性
、
实时性和隐蔽性，可以连续提供姿态
、
速度和位置全部导航参数，且具有非常好的短期精度和稳定性
。
通常采用惯性导航方式进行炮弹导航
、
制导与控制
。
由于全球导航卫星系统
(Global Navigation Satellite System
，
GNSS)
属于无线通信系统，且卫星导航信号属于弱信号，因此，在实际战场环境下卫星信号传播时易受到各种复杂的电磁环境干扰，同时受炮弹结构和高旋转
(≥20r/s)
运动扰动影响，使得卫星拒止，导致导航定位精度下降，严重影响作战效能，甚至会导致军事作战任务失败
。
为此针对卫星干扰和随机风扰等高复杂性，高旋转
(≥20r/s)
和高过载
(≥10000g)
等高动态性等难题，亟需开展制导炮弹全过程自主导航研究
。
[0003]针对制导炮弹全过程自主导航，主要围绕着各类多源传感信息融合的导航定位方法研究
。2015
年美国启动精确鲁棒惯性制导弹药
(PRIGM)
项目，研制先进导航惯性测量单元
(NGIMU)
与先进惯性微传感器
(AIMS)
，以求在极端条件下提供稳定的导航性能，从现有公开文献来看，该项目进展如何还处于未知状态
。
法国圣路易斯法德研究所的
Roux
等人采用扩展卡尔曼滤波器
(EKF)
和不完全右不变扩展卡尔曼滤波器
(
不完全
R
‑
IEKF)
有效估计了炮弹弹道，该方法侧重于滤波算法的研究，对于炮弹本身及其环境特性分析较少
。
[0004]随着人工智能
(AI)
的发展，
AI
技术越来越多地用于军事应用，如目标识别
、
预测性维护
、
军事训练
、
决策支持或网络安全
。
导航技术也随之迈入了智能时代，多源传感器的数据融合要求传统定位导航方法向着数据与模型共同驱动的人工智能方向迈进，
AI
技术已经广泛应用于导航领域
。Brossard
等提出一种基于
CNN
结构的噪声估计
AI
‑
IMU
模型能够自适应估计
IMU
的量测噪声，用于纯惯性导航系统
。Chen
等人提出一种
IONet
，使用惯性传感器在给定时间窗内估计位移的方法，所提优于基于标准惯性导航系统和基于模型的步长估计的算法
。
随着导航技术的发展，
AI
技术和传统方法的有机结合开始成为新的发展趋势
。Chen
等人提出了
DynaNet
，一种混合深度学习和时变状态空间模型，可以进行端到端训练，有效的提升了导航精度
。Tang
等人提出了一种结合推理建模和数据驱动的联合优化方法
VINFNet
，该方法融合了状态空间潜在推理模型和深度生成网络各自的优势，可以显式模拟目标运动的物理过程，并通过一系列可逆映射构建目标轨迹的复杂后验分布，在收敛性
、
准确性
、
鲁棒性和有效性方面优于传统方法
。
尽管
AI
技术广泛用于地面导航，但很少应用于炮弹导航
。

技术实现思路

[0005]为了克服复杂扰动环境下惯性导航精度不足的问题，本专利技术提出一种基于深度学
习的制导炮弹导航方法及系统，以提高导航精度
。
[0006]本专利技术所采用的技术方案是：一种基于深度学习的制导炮弹导航方法，包括步骤：
[0007]根据炮弹飞行动力学方程获取深度学习网络训练数据集，采用
LSTM
网络构建弹道位置增量预测模型；
[0008]采用一阶马尔可夫建立弹道位置增量误差滤波模型，将深度学习预测结果与
INS
解算结果进行信息融合，实现制导炮弹导航定位
。
[0009]进一步地，采用一阶马尔可夫建立弹道位置增量误差滤波模型具体包括：
[0010]将弹道位置增量误差建模为一阶马尔可夫过程，即：
[0011][0012]式中，
e
p
为弹道位置增量误差，为相关时间矩阵，
w
为白噪声，
τ
x
、
τ
y
、
τ
z
分别表示
x、y、z
轴的相关时间；
[0013]以弹道位置增量误差
e
p
作为系统状态变量，构建
Kalman
滤波系统方程；
[0014]采用
INS
解算的弹道位置增量结果和深度学习预测弹道位置增量结果
Δ
P
kD
构建观测方程
。
[0015]进一步地，所述
Kalman
滤波系统方程为：
[0016]X
k
＝
Φ
k,k
‑1X
k
‑1+W
k
‑1[0017]式中，
W
k
‑1为白噪声，
Φ
k,k
‑1＝
I3×3‑
Tt
s
，
X
k
＝
e
p
。
[0018]进一步地，所述观测方程为：
[0019][0020]式中，
V
k
为观测噪声，
t
s
为采样时间
。
[0021]进一步地，根据炮弹飞行动力学方程获取深度学习网络训练数据集具体包括：根据制导炮弹动力学方程获取不同风速环境下的弹道，根据弹道反演出惯性器件输出数据，作为深度学习网络输入，弹道位置增量作为深度学习网络输出
。
[0022]进一步地，所述
LSTM
网络采用2层
LSTM
，每一层节点数为
32
，学习率为
0.001
，迭代次数为
100
次，序列输入层本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的制导炮弹导航方法，其特征在于，包括步骤：根据炮弹飞行动力学方程获取深度学习网络训练数据集，采用
LSTM
网络构建弹道位置增量预测模型；采用一阶马尔可夫建立弹道位置增量误差滤波模型，将深度学习预测结果与
INS
解算结果进行信息融合，实现制导炮弹导航定位
。2.
根据权利要求1所述的基于深度学习的制导炮弹导航方法，其特征在于，采用一阶马尔可夫建立弹道位置增量误差滤波模型具体包括：将弹道位置增量误差建模为一阶马尔可夫过程，即：式中，
e
p
为弹道位置增量误差，为相关时间矩阵，
w
为白噪声，
Φ
x
、
τ
y
、
τ
z
分别表示
x、y、z
轴的相关时间；以弹道位置增量误差
e
p
作为系统状态变量，构建
Kalman
滤波系统方程；采用
INS
解算的弹道位置增量结果和深度学习预测弹道位置增量结果构建观测方程
。3.
根据权利要求2所述的基于深度学习的制导炮弹导航方法，其特征在于，所述
Kalman
滤波系统方程为：
X
k
Φ
k,k
‑1X
k
‑1+W
k
‑1式中，
W
k
‑1为白噪声，
Φ
k,k
‑1＝
I3×3‑
Tt
s
，
X
k
＝
e
p
，
t
s
为采样时间
。4.
根据权利要求3所述的基于深度学习的制导炮...

【专利技术属性】
技术研发人员：汪进文，薄煜明，付梦印，朱建良，吴祥，何山，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：