一种基于深度学习的高速飞行器下压时机在线规划方法
本发明涉及飞行器运动控制,具体涉及一种基于深度学习的高速飞行器下压时机在线规划方法。
背景技术:
1、在相关技术中,为了提高高速飞行器的生存能力,基于主动态势感知的轨迹重构规避技术成为重要研究方向。即,在确定飞行器基本飞行任务的前提下,根据飞行器在飞行过程中获得的动态信息,针对性地开展包括补能增速、纵/侧向跳跃、螺旋弹道等形式的主动绕飞和近距离对抗规避。而现有的高速飞行器末段飞行控制方案,难以满足复杂环境下灵活规避后下压时机规划的适用性和计算时效性——轨迹动态变化时机和变化方案的不确定造成轨迹变化后飞行器状态不确定,原有既定飞行方案不再适用,因而需要根据灵活规避后的飞行器状态在线完成飞行器轨迹的再优化,以提高飞行器的末段飞行控制精度等性能。
2、其中,高速飞行器在依据已规划的飞行轨迹运动时,面对飞行过程中动态感知的移动障碍或待规避区域,需要进行主动规避/主动避障。但是现有的技术方案中,高速飞行器在高速机动轨迹动态变化并实现规避后使得原有的飞行轨迹不再适用。由于飞行器动态轨迹计算的时效性不佳,难以保证高速机动后的飞行器轨迹规划对既定任务要求的末端精度、速度、角度等指标要求。
3、需要说明的是,在上述背景技术部分公开的信息仅用于加强对本发明的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
技术实现思路
1、本发明提供一种基于深度学习的高速飞行器下压时机在线规划方法,解决现有技术中高速飞行器动态规避后的飞行轨迹在线优化的精度、速度问题,能够有效克服现有技术中存在的缺陷。
2、本发明的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本发明的实践而习得。
3、根据本发明的第一方面,提供一种基于深度学习的高速飞行器下压时机在线规划方法,所述方法包括:
4、飞行器在无动力滑翔段进入下压选择区内时,获取飞行器当前运动状态;将当前运动状态输入运动状态预测模型对飞行器进行运动状态预测,获取未来运动状态序列;
5、基于未来运动状态序列配置系统输入状态,利用飞行器下压命中状态映射模型对系统输入状态进行飞行器末端状态估计,并输出命中点状态预测序列;其中,命中点状态预测序列包括:脱靶置信度、相对剩余速度和末端倾角正弦;
6、利用最优下压时机函数对命中点状态预测序列进行下压时机全局寻优,以获取最优下压斜距,并用于对飞行器进行下压段导引。
7、在一些示例性实施方式中,所述方法还包括:
8、飞行器在无动力滑翔段,进行主动态势感知以获取态势感知信息;
9、基于态势感知信息确定针对待规避对象的规避策略,以用于飞行器执行规避策略并实现对待规避对象进行机动避障;其中,规避策略包括:触发斜距、变化时长、指令攻角、指令倾侧角、燃料比率、速度坐标系下的各坐标轴方向的直接控制力。
10、在一些示例性实施方式中,指令攻角配置有用于消除机动避障结束后的高度振荡的高度阻尼项,包括:
11、
12、其中,表示指令攻角;表示最大升阻比攻角;表示高度阻尼系数;表示弹道倾角;表示飞行器速度标量。
13、在一些示例性实施方式中,所述方法还包括:
14、配置侧向需用过载,用于修正重力侧向分量和侧向机动带来的航向偏差,包括:
15、
16、其中,表示制导系数;表示飞行器与目标之间距离位矢对时间的相对导数;表示视线角坐标系下视线高低角对时间的导数;
17、基于侧向需用过载、最大升阻比攻角对应的过载,配置指令倾侧角,包括:
18、
19、其中,表示侧向需用过载;表示最大升阻比攻角对应的过载。
20、在一些示例性实施方式中,所述方法还包括:预先训练运动状态预测模型,包括:
21、基于质点运动模型,结合飞行器的运动状态特征,构建飞行器的动力学模型;其中,运动状态特征用于表示飞行器运动过程中的动态特征;
22、配置飞行器在无动力滑翔段的随机初始状态、随机规避策略;并结合动力学模型配置多个机动避障轨迹,以构建原始训练集;其中,飞行器的机动避障轨迹对应的飞行器状态空间在各自分布范围内独立生成,且满足均匀分布的随机初始值,构成无动力滑翔段程序飞行和机动避障飞行所有运动状态的子集;规避策略包括:触发斜距、变化时长、指令攻角、指令倾侧角、燃料比率、速度坐标系下的各坐标轴方向的直接控制力;
23、对原始训练集进行归一化处理,获取对应的归一化训练集;其中归一化训练集中各算例包括六维的系统状态变量序列和二维的控制输入序列;
24、构建koopman反向传播式神经网络;并将归一化训练集输入神经网络,获取输出的预测状态变量序列;
25、将预测状态变量序列与系统状态变量序列进行拼接,获取当前飞行状态升维;
26、将当前飞行状态升维与控制输入序列进行拼接,获取koopman升维态;
27、构建预测输出神经网络;将koopman升维态输入预测输出神经网络,获取预测输出神经网络预测的未来飞行状态升维;
28、基于损失函数对神经网络进行更新至模型收敛;其中,损失函数基于重构预测损失、线性预测损失和无穷范数预测误差损失构建;
29、记录神经网络参数,配置koopman反向传播式神经网络为升维函数,配置预测输出神经网络为koopman线性模型;
30、结合升维函数、koopman线性模型构建运动状态预测模型。
31、在一些示例性实施方式中,koopman反向传播式神经网络包括:
32、第一特征处理层,输入为6维的状态变量序列,输出为16维的第一中间状态变量序列;
33、第二特征处理层,输入为第一中间状态变量序列,输出为16维的第二中间状态变量序列;
34、第三特征处理层,输入为16维的第二中间状态变量序列,输出为16维的第三中间状态变量序列;
35、第四特征处理层,输入为16维的第三中间状态变量序列,输出为16维的预测状态变量序列;
36、其中,各特征处理层表示为:
37、
38、其中,表示特征处理层的输出;表示激活函数;为特征处理层的权重参数;表示上一层特征处理层的输出;表示偏置参数;,,表示神经网络的隐含层数。
39、在一些示例性实施方式中,所述方法还包括:预先训练飞行器下压命中状态映射模型,包括:
40、基于飞行器运动学模型构建飞行器在无动力滑翔段针对待规避对象的机动避障轨迹,在各个特征点进入下压状态记录飞行器初始下压状态和命中时的飞行状态,构建原始训练集;
41、对原始训练集进行归一化处理,构建基于系统输入状态的归一化训练集;其中系统输入状态包括:相对初始速度、相对斜距、相对命中时间、相对正向距离、相对高度、相对偏航时间、相对下压距离;
42、构建反向传播式神经网络,将归一化训练集输入反向传播式神经网络,获取模型预测的输出状态变量序列;
43、计算输出状态变量序列与系统输入状态之间的损失,并利用损失函数对神经网络进行更新至收敛;其中,损失函数基于均方根误差构建。
44、在一些示例性实施方式中,反向传播式神经网络包括:
45、第一特征处理层,输入为7维的状态变量序列,输出为10维的第一中间状态变量序列;
46、第二特征处理层,输入为第一中间状态变量序列,输出为10维的第二中间状态变量序列;
47、第三特征处理层,输入为第二中间状态变量序列,输出为10维的第三中间状态变量序列;
48、第四特征处理层,输入为第三中间状态变量序列,输出为3维的输出状态变量序列。
49、根据本发明的第二方面,提供一种计算机程序产品,其上存储有计算机程序,计算机程序被处理器执行时实现上述的基于深度学习的高速飞行器下压时机在线规划方法。
50、根据本发明的第三方面,提供一种存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的基于深度学习的高速飞行器下压时机在线规划方法。
51、根据本发明的第四方面,提供一种电子设备,包括:
52、处理器;以及
53、存储器,用于存储所述处理器的可执行指令;
54、其中,所述处理器配置为经由执行所述可执行指令时实现上述的基于深度学习的高速飞行器下压时机在线规划方法。
55、本发明的实施例所提供的基于深度学习的高速飞行器下压时机在线规划方法,基于deep-koopman方法得到运动状态预测模型,并用于对飞行器在滑翔阶段的运动状态进行预测;同时,通过构建下压状态与命中状态的映射模型,对飞行器在飞行末端的状态进行精确估计;针对性地提出了最优下压时机函数对下压时机全局寻优,实现了飞行器灵活机动规避后的下压时机在线规划,提高了飞行器完成灵活规避动作后的末端精度、速度和角度指标。该方法克服了现有方案设计适应性不足和在线计算时的效率局限,能够在各种避障场景完成后根据当前飞行器状态在线规划下压时机,显著提升了高速飞行器的飞行轨迹末端精度。
56、应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com