一种基于深度学习大数据的航空器智能轨迹预测方法与流程

本发明涉及轨迹预测，尤其涉及一种基于深度学习大数据的航空器智能轨迹预测方法。

背景技术：

1、随着低空经济、无人机巡检、物流配送、植保作业、安防监测以及低空管控等应用的发展，低空空域中的航空器数量不断增加，对航空器未来运动状态进行准确预测已成为低空监视、风险预警、路径冲突判断和管控处置中的重要技术环节。尤其对于低慢小航空器而言，其飞行区域通常靠近建筑物、山体、电塔、道路、河流、输电线路、禁飞区、电子围栏及敏感区域等低空场景对象，未来轨迹具有较强的场景关联性。

2、现有航空器轨迹预测方法通常基于历史轨迹序列进行外推，或者将历史位置、速度、航向、高度等状态数据输入神经网络模型，由模型直接输出未来轨迹点。该类方法在目标运动较为连续、观测数据较为稳定、运行环境相对开阔的场景下能够获得一定预测效果，也可以通过增加历史样本量和模型复杂度提高对一般运动趋势的拟合能力。

3、然而，在低空复杂场景中，航空器未来运动不仅受自身速度、转向、爬升或下降能力影响，还会受到障碍物、禁飞边界、通行廊道、疑似起降点、返航点以及观测衰减区域等场景因素约束。若轨迹预测过程仅依赖历史轨迹变化，或者仅将低空地图信息作为普通输入特征，预测结果容易出现穿越障碍物、偏离实际可达范围、无法体现绕避、沿线飞行、趋近、返航、悬停等机动行为的问题。

4、因此，如何在低空复杂场景下提高航空器轨迹预测的准确性和场景合理性，使预测结果能够更符合航空器实际可达范围及可能发生的连续机动行为，成为本领域亟待解决的技术问题。

技术实现思路

1、本发明目的之一在于提供一种基于深度学习大数据的航空器智能轨迹预测方法，以解决现有技术中在低空复杂场景下进行航空器轨迹预测时，预测过程难以充分结合低空场景约束、目标实际可达范围以及可能发生的连续机动行为，导致预测轨迹准确性和场景合理性不足的问题。

2、本发明通过下述技术方案实现：

3、一方面提供一种基于深度学习大数据的航空器智能轨迹预测方法，包括以下步骤：

4、获取目标航空器的多源观测数据和低空场景数据，对所述多源观测数据进行时空对齐和目标关联，形成历史轨迹序列，并为所述历史轨迹序列中的轨迹点生成轨迹可信度标记；

5、从所述低空场景数据中提取低空场景约束对象，并根据所述低空场景约束对象对目标航空器未来运动的作用方式确定作用属性；

6、根据所述目标航空器的当前状态、运动能力及低空环境约束生成分层低空可达域，并利用所述分层低空可达域对所述低空场景约束对象进行可达性反证筛选，得到用于生成候选机动行为链的有效低空场景约束对象；

7、根据所述历史轨迹序列及对应的轨迹可信度标记形成有效观测窗口，并结合所述有效低空场景约束对象，生成所述目标航空器在未来预测时间窗口内可能经历的候选机动行为链；

8、将所述有效观测窗口、所述轨迹可信度标记、所述有效低空场景约束对象、所述分层低空可达域以及所述候选机动行为链输入至深度行为链预测模型，输出各候选机动行为链的发生概率和到达时间分布；

9、根据所述发生概率、所述到达时间分布以及所述分层低空可达域，生成所述目标航空器的主预测轨迹和备用预测轨迹。

10、进一步地，所述多源观测数据包括雷达检测数据、光电检测数据、红外检测数据、无线电频谱侦测数据、声学检测数据、remote id数据、遥测数据以及历史轨迹记录数据中的至少一种；

11、对所述多源观测数据进行时空对齐和目标关联，包括将不同数据源中的观测点转换至统一空间坐标系，并按照统一时间基准进行重采样；

12、当同一时刻存在多个来源的观测点时，根据来源置信度、位置一致性和运动连续性进行融合，形成对应时刻的目标航空器状态。

13、进一步地，为所述历史轨迹序列中的轨迹点生成轨迹可信度标记，包括：

14、分别计算当前轨迹点的来源置信度评价项、时间连续性评价项、速度合理性评价项、高度变化合理性评价项、航向变化合理性评价项、多源观测一致性评价项以及观测衰减状态评价项，并对上述评价项进行加权求和及归一化处理，得到该轨迹点的轨迹可信度标记；

15、其中，所述速度合理性评价项基于相邻位置推算出的速度与融合后的观测速度之间的偏差确定，所述多源观测一致性评价项基于同一时刻多个数据源定位位置之间的最大偏差或平均偏差确定，所述观测衰减状态评价项基于目标航空器是否处于雷达盲区、光电视线遮挡区或通信弱覆盖区确定。

16、进一步地，所述低空场景约束对象的作用属性包括趋近属性、避让属性、通行属性以及观测衰减属性；

17、具有趋近属性的低空场景约束对象包括敏感区域、巡检点、疑似起降点、历史返航点、无人机机巢或操控点；

18、具有避让属性的低空场景约束对象包括建筑物、山体、电塔、高架桥、禁飞区或电子围栏边界；

19、具有通行属性的低空场景约束对象包括道路、河流、铁路、管线、输电线路、围墙或低空通道；

20、具有观测衰减属性的低空场景约束对象包括雷达盲区、光电视线遮挡区或通信弱覆盖区。

21、进一步地，所述方法还包括为每个低空场景约束对象计算作用竞争量，所述作用竞争量用于表征对应低空场景约束对象在当前预测周期内对目标航空器未来运动的影响程度；

22、所述作用竞争量基于距离关联项、航向关联项、速度趋势关联项、高度关联项、历史匹配项以及观测可信度关联项进行加权计算得到；其中，所述观测可信度关联项基于所述轨迹可信度标记和轨迹状态与低空场景约束对象之间的关联程度确定，用于降低低可信轨迹点对作用竞争量计算的影响。

23、进一步地，生成所述分层低空可达域，包括：

24、将未来预测时间窗口划分为多个预测步；基于上一层可达状态集合，在满足目标航空器的最大速度、最大加速度、最大转弯角速度、最大下降率和最大爬升率的控制量约束下扩展可能状态；

25、根据低空风场对扩展得到的可能状态进行修正；并剔除落入障碍物区域、禁飞区域或不可通行区域的可能状态，逐层生成表征目标航空器在不同预测时刻实际可到达三维空间范围的分层低空可达域。

26、进一步地，利用所述分层低空可达域对所述低空场景约束对象进行可达性反证筛选，包括：分别计算所述低空场景约束对象与各层低空可达域之间的可达关联值，并基于各层低空可达域对应的可达关联值确定可达性反证值；

27、当所述低空场景约束对象为点状对象时，所述可达关联值基于点状对象到对应层低空可达域中状态点集合的最小距离确定；

28、当所述低空场景约束对象为线状对象时，所述可达关联值基于线状对象与对应层低空可达域投影区域的交叠比例或最小距离确定；

29、当所述低空场景约束对象为面状对象或体状对象时，所述可达关联值基于面状对象或体状对象与对应层低空可达域之间的交叠面积、交叠体积或边界最短距离确定；

30、若从当前状态到所述低空场景约束对象的连通路径穿越避让属性的低空场景约束对象、障碍物区域或禁飞边界，则降低或置零所述可达关联值；

31、当所述可达性反证值大于预设反证阈值时，将其从所述有效低空场景约束对象中排除。

32、进一步地，生成所述候选机动行为链，包括：

33、基于经过所述可达性反证筛选后保留的有效低空场景约束对象，按时间顺序生成由多个机动行为阶段依次连接构成的候选机动行为链；

34、每个机动行为阶段包括机动行为状态、主导低空场景约束对象以及对应的阶段时间范围；

35、所述机动行为状态包括直线穿越、沿通行属性的低空场景约束对象飞行、绕避避让属性的低空场景约束对象、悬停或低速观测、趋近敏感区域、返航、盘旋、下降或降落、进入观测衰减区域以及从观测衰减区域重新出现中的至少一种。

36、进一步地，所述深度行为链预测模型包括时序编码器、行为链编码器和融合评分器；

37、其中，所述时序编码器用于提取包含所述轨迹可信度标记的历史运动编码；

38、所述行为链编码器用于提取所述候选机动行为链的行为链编码；

39、所述融合评分器用于融合所述历史运动编码、所述行为链编码以及对应候选机动行为链的分层低空可达域特征，并输出各候选机动行为链的发生概率、对应主导低空场景约束对象的预计到达时间以及到达时间不确定性。

40、进一步地，所述深度行为链预测模型的训练样本包括历史观测窗口、轨迹可信度标记、低空场景约束对象、分层低空可达域、候选机动行为链以及真实后续轨迹，所述真实后续轨迹用于确定候选机动行为链标签和到达时间标签。

41、进一步地，生成所述主预测轨迹和备用预测轨迹，包括：

42、将各候选机动行为链的空间延伸限制在对应时间层的分层低空可达域内，生成对应的候选轨迹；

43、根据各候选机动行为链的发生概率，结合用于表征所述候选轨迹是否满足对应时间层可达域连通性要求的可达域一致性评价、用于表征所述候选轨迹与主导低空场景约束对象是否匹配的场景约束一致性评价，以及基于轨迹可信度标记表征历史运动趋势支持程度的轨迹可信度支持评价，加权计算各候选轨迹的综合得分；

44、选取综合得分最高的候选轨迹作为主预测轨迹，并选取得分较高且候选机动行为链类型不同的若干候选轨迹作为备用预测轨迹。

45、进一步地，还包括断续观测后验更新步骤：当目标航空器发生短时丢失时，保持当前的主预测轨迹和备用预测轨迹，并继续扩展对应的候选机动行为链；

46、当目标航空器重新出现并获取到重新观测状态时，基于重新观测状态与各候选机动行为链在当前时刻预测状态之间的位置偏差和航向偏差确定匹配度，并利用所述匹配度对目标丢失前各候选机动行为链的发生概率进行后验更新，以修正所述主预测轨迹和备用预测轨迹。

47、另一方面提供一种基于深度学习大数据的航空器智能轨迹预测系统，包括：

48、多源观测融合及标记模块，用于获取目标航空器的多源观测数据和低空场景数据，对所述多源观测数据进行时空对齐和目标关联，形成历史轨迹序列，并为所述历史轨迹序列中的轨迹点生成轨迹可信度标记；

49、约束对象提取及属性确定模块，用于从所述低空场景数据中提取低空场景约束对象，并根据所述低空场景约束对象对目标航空器未来运动的作用方式确定作用属性；

50、可达域生成及反证模块，用于根据所述目标航空器的当前状态、运动能力及低空环境约束生成分层低空可达域，并利用所述分层低空可达域对所述低空场景约束对象进行可达性反证筛选，得到用于生成候选机动行为链的有效低空场景约束对象；

51、候选行为链生成模块，用于根据所述历史轨迹序列及对应的轨迹可信度标记形成有效观测窗口，并结合所述有效低空场景约束对象，生成所述目标航空器在未来预测时间窗口内可能经历的候选机动行为链；

52、深度预测模块，用于将所述有效观测窗口、所述轨迹可信度标记、所述有效低空场景约束对象、所述分层低空可达域以及所述候选机动行为链输入至深度行为链预测模型，输出各候选机动行为链的发生概率和到达时间分布；

53、主备轨迹生成模块，用于根据所述发生概率、所述到达时间分布以及所述分层低空可达域，生成所述目标航空器的主预测轨迹和备用预测轨迹。

54、本发明与现有技术相比，具有如下的优点和有益效果：

55、1、本发明通过对多源观测数据进行时空融合并创新性地为轨迹点生成轨迹可信度标记，有效克服了低空复杂场景下因雷达盲区、光电遮挡及信号断续带来的轨迹跳点和噪声干扰，在有效观测窗口中弱化了异常轨迹点的权重，从数据源头上显著提升了模型输入的可靠性与抗干扰能力。

56、2、本发明将常规的低空地图信息转化为具有作用属性的低空场景约束对象，并动态计算其作用竞争量，使预测框架能够智能筛选出当前周期内真正影响目标运动的场景实体（如避让建筑物、沿道路飞行或趋近降落点），解决了现有纯数据驱动模型容易输出“穿墙”或偏离实际航线等反物理常识轨迹的技术缺陷，极大地提高了轨迹预测的场景合理性。

57、3、本发明深度融合了物理法则与人工智能，通过结合航空器运动能力与低空风场构建分层低空可达域，并据此对场景约束对象进行可达性反证筛选，在候选机动行为生成之前，便利用严谨的物理与运动学边界剔除了不可达或穿越障碍物的异常状态，使得后续的深度模型预测被严格限制在物理可行的安全空间内，显著提升了预测结果的准确度与真实性。

58、4、本发明通过深度行为链预测模型输出具有明确时序逻辑的候选行为链发生概率和到达时间分布，进而生成主备预测轨迹，不仅为低空管控提供了兼具时空维度的多层次预警参考；更进一步引入了断续观测后验更新机制，在目标短时丢失又重新出现时，能够利用重新观测状态与预测状态之间的匹配度对预测概率进行动态纠偏，极大提升了在复杂低空断续追踪条件下的轨迹预测连续性和鲁棒性。