空中目标轨迹预测方法

本发明涉及一种空中目标轨迹预测方法。

背景技术：

1、在软管-锥套式自主空中加油的末段对接过程中，受油机与加油锥套之间的相对运动呈现出高度动态、非线性和强耦合的复杂特性。受油机在高速飞行状态下需精确追踪并对接由加油机拖曳的锥套，而锥套本身受大气紊流、加油机尾流及软管弹性振荡等多重扰动影响，其运动轨迹具有显著的随机性和不可预测性。这种复杂的相对运动给传统的单帧位姿测量方法带来了严峻挑战：测量噪声、处理延迟及传感器动态响应滞后等因素导致实时获取的位姿信息往往存在时滞，直接使用当前帧的测量结果进行控制决策难以满足高精度对接的实时性要求，极易造成“测不准、跟不上、对不准”的困境。

2、目前，应用于自主空中加油的相对导航技术主要依赖于以下几类方案，但它们在处理动态目标轨迹预测方面均存在难以克服的固有局限性：

3、基于滤波的估计方法：如卡尔曼滤波（kf）、扩展卡尔曼滤波（ekf）及无迹卡尔曼滤波（ukf）等，这类方法通过建立目标运动模型（如恒速模型、恒加速模型）对历史测量数据进行递推滤波，以估计当前状态并预测未来状态。然而，其预测性能严重依赖于预设运动模型的准确性。在锥套受复杂气流扰动产生非线性、非高斯运动时，固定参数的运动模型难以准确描述其真实动力学特性，导致预测误差随时间迅速累积，在预测时域较长时精度急剧下降，无法满足末段对接对预测精度的苛刻要求。

4、基于传统时间序列分析的方法：如自回归模型（ar）、滑动平均模型（ma）及其组合模型（arma、arima），这类方法试图从历史位姿序列中挖掘统计规律进行外推预测。但锥套运动受多源随机扰动影响，呈现出非平稳、非线性的时变特征，传统时间序列模型假设数据满足平稳性或通过差分可平稳化，难以捕捉锥套运动中的复杂动态模式和长时依赖关系，在强扰动工况下预测鲁棒性较差。

5、基于浅层机器学习的预测方法：如支持向量回归（svr）、浅层神经网络等，虽具备一定的非线性拟合能力，但受限于模型容量和特征提取能力，难以有效挖掘连续帧位姿数据中的深层时空特征和高阶运动模式。同时，这类方法通常需要繁琐的手工特征工程，泛化能力有限，难以适应空中加油过程中复杂多变的气动环境和光照条件。

6、基于单帧深度学习的位姿估计方法：近年来，基于卷积神经网络（cnn）的单帧位姿估计方法在精度上取得了显著进展，但它们本质上仍是对当前时刻静态图像的映射，缺乏对时间维度信息的显式建模。直接将这些方法扩展至多帧预测，往往采用简单的后处理或滑动平均策略，未能充分利用历史轨迹的时序关联性，无法有效学习锥套运动的动态演化规律，在预测未来帧位姿时缺乏前瞻性和准确性。

7、综上所述，现有的空中动态目标轨迹预测方法难以在预测精度、较长预测时域内的精度保持能力、计算实时性以及复杂扰动环境下的鲁棒性与泛化能力多个维度上同时满足自主空中加油末段对接的苛刻要求。

技术实现思路

1、为解决现有的空中动态目标轨迹预测方法难以在预测精度、较长预测时域内的精度保持能力、计算实时性以及复杂扰动环境下的鲁棒性与泛化能力多个维度上同时满足自主空中加油末段对接要求的技术问题，本发明提出了一种空中目标轨迹预测方法。

2、本发明的技术方案是：

3、空中目标轨迹预测方法，其特殊之处在于，包括步骤：

4、利用长度为n+1帧、步长为1帧的历史滑动窗口对目标的实测三维绝对坐标滑动采样；6≤n≤30；

5、将当前时刻采样得到的n+1帧三维绝对坐标时序序列中相邻帧差分处理，得到当前时刻的n帧三维位移增量时序序列；

6、将n帧三维位移增量时序序列归一化处理后，输入至预训练的轨迹预测模型中，轨迹预测模型输出下一帧的归一化三维位移增量预测值；

7、对下一帧的归一化三维位移增量预测值进行反归一化处理后，与当前时刻采样的最新一帧三维绝对坐标相加，得到目标在下一帧的三维绝对坐标预测值。

8、进一步地，所述轨迹预测模型包括时序编码器、多头时间注意力模块、线性投影层、特征融合模块和全连接块；

9、时序编码器采用4层 lstm网络，用于对输入的归一化位移增量时序序列进行深层时序编码，以捕捉位移增量数据在时间轴上的前后依赖关系，最终输出隐状态序列；

10、多头时间注意力模块用于从隐状态序列中提取出对预测目标最有价值的统一全局上下文特征；

11、线性投影层用于将归一化位移增量时序序列中最新一帧位移增量进行线性映射，输出线性投影特征向量；

12、特征融合模块用于将线性投影层输出的投影特征向量与多头时间注意力模块输出的统一全局上下文特征逐元素相加，输出融合特征；

13、全连接块用于将融合特征映射为下一帧归一化位移增量。

14、进一步地，多头时间注意力模块包括并行注意力计算单元、残差连接单元和层归一化单元；

15、并行注意力计算单元采用m个并行的注意力头对滑动历史窗口内各历史帧相对于预测目标的重要程度进行并行计算和加权聚合，得到重构特征；

16、残差连接单元用于将并行注意力计算单元输出的重构特征与隐状态序列中对应时间步的特征进行逐元素相加，输出残差融合特征；

17、层归一化单元用于对残差连接单元输出的残差融合特征进行归一化处理后，取最后时间步的上下文特征作为统一全局上下文特征并输出。

18、进一步地，用于训练和测试所述轨迹预测模型的训练集和测试集的构建方法是：

19、开展目标位姿定位实验，获取目标的连续三维绝对坐标时序序列；；

20、计算连续三维绝对坐标时序序列中相邻帧间的目标位移增量，得到三维位移增量时序序列；

21、对三维位移增量时序序列进行归一化处理，得到归一化位移增量时序序列；

22、设置长度为n帧、步长为1帧的滑动窗口，对归一化位移增量时序序列滑动采样，得到样本数据、、...，；

23、提取样本数据后1帧的三维位移增量作为与对应的标签；提取样本数据后1帧的三维位移增量作为与对应的标签；提取样本数据后1帧的三维位移增量作为与对应的标签；…；提取采样数据后1帧的三维位移增量作为与对应的标签；

24、利用样本数据及其对应的标签构建数据集；

25、按预设比例将数据集划分为训练集和测试集。

26、进一步地，对三维位移增量时序序列进行归一化的方法是：

27、统计三维位移增量时序序列中x轴、y轴、z轴位移增量的最大值和最小值，并利用统计的x轴、y轴、z轴的最大值和最小值分别构建x轴minmax归一化器、y轴minmax归一化器和z轴minmax归一化器；

28、将三维位移增量时序序列输入至x轴minmax归一化器、y轴minmax归一化器和z轴minmax归一化器中，得到x轴、y轴、z轴的归一化结果，将x轴、y轴、z轴的归一化结果拼接得到归一化位移增量时序序列。

29、进一步地，所述轨迹预测模型的训练方法是：

30、利用预先建立的训练集对轨迹预测模型进行训练，在训练期间采用huber损失函数进行监督，并通过反向传播算法、adamw优化器和梯度裁剪策略更新轨迹预测模型的网络参数。

31、进一步地，huber损失函数采用分段式策略计算损失值：

32、当轨迹预测模型的预测误差绝对值小于等于预设阈值δ时，huber损失按二次项计算损失值；

33、当轨迹预测模型的预测误差绝对值大于预设阈值δ时，huber损失按线性项计算损失值。

34、本发明还提出了一种空中目标轨迹预测系统，其特殊之处在于，包括数据采样单元、数据预处理单元、轨迹预测模型和坐标还原单元；

35、数据采样单元用于对目标的实测三维绝对坐标滑动采样，在每个采样时刻均得到n+1帧三维绝对坐标时序序列；6≤n≤30；

36、数据预处理单元包括差分计算模块和归一化处理模块；差分计算模块用于对每个采样时刻的n+1帧三维绝对坐标时序序列中相邻帧差分计算，得到各个采样时刻的n帧三维位移增量时序序列；归一化处理模块用于对各个采样时刻的n帧三维位移增量时序序列进行归一化处理，得到归一化三维位移增量时序序列；

37、轨迹预测模型采用上述的空中目标轨迹预测方法中采用的轨迹预测模型，用于根据当前时刻的归一化三维位移增量时序序列预测下一帧归一化三维位移增量；

38、坐标还原单元用于对预测的下一帧归一化三维位移增量进行反归一化处理后，与当前时刻的最新一帧三维绝对坐标相加，输出目标下一帧三维绝对坐标预测值。

39、进一步地，归一化处理模块由x轴minmax归一化器、y轴minmax归一化器和z轴minmax归一化器构成，其构建方法为：

40、开展目标位姿定位实验，获取目标的连续三维绝对坐标时序序列；；

41、计算连续三维绝对坐标时序序列中相邻帧间的目标位移增量，得到三维位移增量时序序列；

42、统计三维位移增量时序序列中x轴、y轴、z轴位移增量的最大值和最小值，并利用统计的x轴、y轴、z轴的最大值和最小值分别构建x轴minmax归一化器、y轴minmax归一化器和z轴minmax归一化器。

43、本发明还提出了一种轨迹预测模型，其特殊之处在于，采用上述的空中目标轨迹预测方法中采用的轨迹预测模型。

44、与现有技术相比，本发明具有以下显著优点：

45、1.预测精度高

46、针对传统时序模型在处理复杂飞行轨迹时易出现“长距离遗忘”和特征提取单一的难题，本发明结合lstm深度序列与多头时间注意力机制建立轨迹预测模型予以解决。通过多组独立的注意力头（优选为8组）并行分析历史位移增量序列，轨迹预测模型能够同时关注局部微小扰动与全局运动趋势，挖掘历史轨迹中隐藏的复杂非线性特征，精准识别目标在变速、转弯等复杂工况下的潜在运动模式与趋势，显著提升对下一采样时刻三维位置增量的预测准确度，进而提升下一采样时刻三维位置的预测准确度，为飞控系统提供关键的预判提前量。

47、2.长时运行下预测可靠性高

48、本发明采用“下一帧位移增量+当前最新观测坐标”的物理锚定还原逻辑，确保每一帧预测的三维绝对坐标均以最新实际观测值为物理基准，从而抑制纯序列生成模型中常见的随时间推移而产生的轨迹漂移问题，保证连续滚动预测过程中的可靠性。

49、3.抗噪性与运行稳定性好

50、本发明利用lstm网络的时序建模能力过滤高频噪声，有效抑制上游视觉测量或传感器测量过程中因光照突变、遮挡等因素引起的输入坐标“跳变”噪声干扰；同时通过huber损失函数降低异常离群值对轨迹预测模型梯度的冲击；通过lstm网络与huber损失函数的协同，确保轨迹预测模型在上游传感器数据质量波动的情况下，仍能保持鲁棒性，最终通过物理锚定还原输出符合物理运动规律的平滑轨迹，大幅提升预测结果的可用性。实验数据表明，即便在输入三维位置增量存在瞬时噪声的情况下，本发明方法输出的轨迹依然保持高度平滑，避免了因输入信号剧烈抖动而产生的失稳。

51、4.泛化能力好

52、本发明采用位移增量（delta）建模逻辑，通过计算并预测相邻帧间的三维空间位移增量而非直接预测绝对坐标，使模型学习目标的运动规律而非特定空间位置。这使得模型具备较强的泛化能力，无论目标处于何种起始坐标，模型均能输出一致且可靠的下一帧位移增量预测结果。因此，对于目标在不同初始位置、不同距离分布下的预测任务，无需针对特定空域进行重复训练，提升了模型的部署灵活性。

53、5.实时响应能力好

54、本发明通过优化模型参数规模与计算图结构，确保模型在机载计算平台上实现较低推理延迟。通过n帧历史位移增量输入与单步位移增量输出的设计，能够为飞控单元提供响应前置量，有效补偿视觉链路的系统延迟，为实现精准、平稳的自主对接控制提供高频率的预判指令。根据实测数据，本发明平均处理耗时约1.01ms，等效帧率高达980hz以上。这种高频输出能力不仅降低了预测环节的计算时延，也为复杂飞控闭环控制留出了计算余量。

55、6.本发明的方法不局限于预测加油锥套的轨迹，也适用于无人机、靶机、飞鸟等其他空中运动目标的三维轨迹预测任务。