一种基于数据与知识双驱动的游戏飞行器轨迹预测方法

本发明属于游戏飞行器轨迹预测，具体涉及一种基于数据与知识双驱动的游戏飞行器轨迹预测方法，可应用于飞行竞技游戏、空战模拟游戏及无人机竞速游戏等场景。

背景技术：

1、在游戏对战场景中，玩家操控的飞行器为执行战术机动或规避对手攻击，频繁进行急转弯、爬升、俯冲、滚转、桶滚及复合机动等强机动行为，轨迹变化具有高动态、强非线性和强对抗性的特点。准确预测对手玩家未来时刻的空间位置、姿态变化及运动趋势，是开发更具挑战性的智能ai对手、实现异常轨迹检测与反作弊、优化多人对战网络延迟下的状态同步策略，以及提升观战系统智能镜头跟随体验的核心技术前提。

2、目前对游戏飞行器轨迹预测的研究主要包括传统运动模型方法、滤波类状态估计方法以及数据驱动预测方法。

3、传统运动模型方法通常根据目标的历史位置、速度或加速度信息，假设目标在短时间内保持某种固定运动规律，并由此推算目标未来运动状态。常见方法包括匀速运动模型、匀加速度运动模型和协同转弯模型等。该类方法原理清晰、计算量较小，但在游戏对战过程中，目标运动模式变化频繁，难以由单一固定运动模型准确描述，预测误差会随时间快速累积。

4、滤波类状态估计方法主要包括卡尔曼滤波、扩展卡尔曼滤波、无迹卡尔曼滤波以及相关改进方法。该类方法能够在一定程度上融合观测信息和系统模型，对含噪条件下的目标运动状态进行估计与预测。然而，当游戏飞行器处于强机动、强非线性或机动模式频繁切换状态时，系统模型容易发生失配，滤波结果可能出现滞后、偏差累积甚至发散。

5、随着轨迹数据规模和计算能力的提升，基于机器学习和深度学习的数据驱动方法逐渐被用于轨迹预测任务。循环神经网络、长短期记忆网络、门控循环单元、时序卷积网络、transformer以及注意力机制等模型，能够从历史轨迹序列中学习非线性时序关系。然而，现有数据驱动方法直接应用于游戏飞行器轨迹预测仍存在明显不足：原始轨迹数据中存在时间步不规则、字段缺失、异常值和轨迹长度不一致等问题；直接采用经度、纬度、高度等全球地理坐标作为模型输入会引入尺度不一致和球面坐标非线性问题；统一模型对不同机动模式的样本进行训练时，容易导致样本分布混叠，难以针对具体机动规律进行有效学习。因此，现有技术难以满足游戏飞行对抗场景下对轨迹预测精度、泛化能力和工程可部署性的综合要求。

技术实现思路

1、本发明提供了一种基于数据与知识双驱动的游戏飞行器轨迹预测方法，以解决游戏飞行对抗场景中目标强机动、强非线性和机动模式频繁变化导致的轨迹预测精度低、稳定性不足和泛化能力弱等问题。本发明要解决的技术问题通过以下技术方案实现：

2、本发明提供了一种基于数据与知识双驱动的游戏飞行器轨迹预测方法，包括：

3、s1：获取游戏飞行器的原始轨迹数据；

4、s2：对所述原始轨迹数据进行标准化预处理，获得多个标准化轨迹片段，每个标准化轨迹片段包括历史轨迹序列及对应的真实未来轨迹序列；

5、s3：基于每个标准化轨迹片段的首个轨迹点构建局部坐标系，获得坐标转换后的标准化轨迹片段；

6、s4：提取坐标转换后的标准化轨迹片段的机动特征，并基于预设规则对所述标准化轨迹片段进行机动模式分类，得到机动模式标签；

7、s5：构建数据与知识双驱动的轨迹预测模型，并利用所述标准化轨迹片段和所述机动模式标签对所述轨迹预测模型进行训练；

8、s6：将待预测的历史轨迹序列和对应的机动模式标签输入至训练好的轨迹预测模型，输出飞行器目标在未来一个或多个时间步内的轨迹预测结果。

9、本发明的另一方面提供了一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序用于执行所述基于数据与知识双驱动的游戏飞行器轨迹预测方法的步骤。

10、本发明的另一方面提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现所述基于数据与知识双驱动的游戏飞行器轨迹预测方法的步骤。

11、与现有技术相比，本发明的有益效果有：

12、本发明通过原始轨迹数据预处理、基于轨迹首点的局部坐标重表示、基于规则的机动模式分类以及融合分类信息的数据与知识双驱动的轨迹预测模型，能够将结构不规则、字段不完整、时间间隔不统一的游戏飞行轨迹数据转换为标准化轨迹样本，降低原始数据不规则性对模型训练的影响；同时，将原始经度、纬度和高度等全球地理坐标转换为相对于轨迹首点的局部三维位移坐标，能够减弱球面坐标非线性和不同维度尺度差异，使模型更加关注目标局部机动变化规律；通过在模型预测前对轨迹片段进行机动模式分类，能够减少不同机动样本之间的分布混叠，使预测模型结合机动先验信息进行更有针对性的建模，从而提高游戏飞行对抗场景下游戏飞行器轨迹预测的精度、稳定性和泛化能力。该方法能够支持单步和多步轨迹预测，可为游戏ai行为决策、反作弊异常检测、网络同步补偿、智能观战辅助和飞行器轨迹智能分析等任务提供技术支撑。

13、以下将结合附图及实施例对本发明做进一步详细说明。

1.一种基于数据与知识双驱动的游戏飞行器轨迹预测方法，其特征在于，包括：

2.根据权利要求1所述的基于数据与知识双驱动的游戏飞行器轨迹预测方法，其特征在于，所述s2包括：

3.根据权利要求2所述的基于数据与知识双驱动的游戏飞行器轨迹预测方法，其特征在于，所述s2.4包括：

4.根据权利要求1所述的基于数据与知识双驱动的游戏飞行器轨迹预测方法，其特征在于，所述s3包括：

5.根据权利要求4所述的基于数据与知识双驱动的游戏飞行器轨迹预测方法，其特征在于，所述坐标转换后的标准化轨迹片段的状态向量表示为：

6.根据权利要求1所述的基于数据与知识双驱动的游戏飞行器轨迹预测方法，其特征在于，所述s4包括：

7.根据权利要求1所述的基于数据与知识双驱动的游戏飞行器轨迹预测方法，其特征在于，所述s5包括：

8.一种存储介质，所述存储介质中存储有计算机程序，其特征在于，所述计算机程序用于执行权利要求1至7中任一项所述基于数据与知识双驱动的游戏飞行器轨迹预测方法的步骤。

9.一种电子设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现如权利要求1至7中任一项所述基于数据与知识双驱动的游戏飞行器轨迹预测方法的步骤。