基于深度学习的卡尔曼滤波无人机轨迹预测方法及系统

本申请涉及无人机轨迹预测和深度学习，特别涉及基于深度学习的卡尔曼滤波无人机轨迹预测方法及系统。

背景技术：

1、随着无人机在巡检、物流、安防及对抗场景中的广泛应用，针对目标无人机的跟踪、轨迹预测技术受到越来越多关注。无人机作为高机动目标，仅获取目标当前状态通常不足以支撑有效决策，还需要对目标未来一段时间内的轨迹进行预测。

2、在现有技术中，卡尔曼滤波因其计算效率高、可解释性强而被广泛应用于目标跟踪与轨迹预测。然而，卡尔曼滤波基于线性高斯假设，对于无人机的非线性机动、规避动作或突变加速度等复杂运动模式，其预测精度显著下降。另一方面，深度学习方法（如lstm、transformer等）具有较强的非线性建模能力，但其预测过程缺乏可解释性，且实时性难以保证，同时需要大量训练数据。

3、现有技术难以同时兼顾传统方法的可解释性与实时性、深度时序模型的非线性建模能力，以及拦截决策对未来轨迹先验的需求。基于此，有必要提出一种融合卡尔曼滤波基线预测与深度残差学习的目标无人机轨迹预测方法，以提高未来轨迹预测精度和决策成功率。

技术实现思路

1、本申请的各实施例提供基于深度学习的卡尔曼滤波无人机轨迹预测方法及系统，以至少具有保持实时性和可解释性的同时使用深度学习对非线性部分进行预测的技术效果。

2、为了解决上述技术问题，本申请提供了基于深度学习的卡尔曼滤波无人机轨迹预测方法，包括：

3、步骤1，获取目标无人机历史时刻的状态观测数据，构建历史状态序列；

4、步骤2，采用卡尔曼滤波算法对所述历史状态序列进行递推估计，得到当前时刻的后验状态估计，并以所述后验状态估计为初始条件执行多步开环预测，得到未来时刻的卡尔曼基线预测序列及各预测时刻的不确定度信息；

5、步骤3，将所述历史状态序列、所述卡尔曼基线预测序列及所述不确定度信息输入至训练好的mamba状态空间神经网络，预测未来时刻的真实轨迹相对于卡尔曼基线预测轨迹的残差序列；

6、步骤4，将所述残差序列与所述卡尔曼基线预测序列逐元素相加，得到目标无人机的最终未来轨迹预测结果。

7、本申请还请求提供基于深度学习的卡尔曼滤波无人机轨迹预测系统，包括：

8、数据获取模块，配置为获取目标无人机历史时刻的状态观测数据；

9、卡尔曼滤波预测模块，配置为对所述历史状态序列进行递推估计，得到当前时刻的后验状态估计，并执行多步开环预测以生成未来时刻的卡尔曼基线预测序列及各预测时刻的不确定度信息；

10、残差预测模块，其内嵌有训练好的mamba状态空间神经网络，配置为根据所述历史状态序列、所述卡尔曼基线预测序列及所述不确定度信息预测未来残差序列；

11、轨迹合成模块，配置为将所述残差序列与所述卡尔曼基线预测序列逐元素相加，输出目标无人机的最终未来轨迹预测结果。

12、本申请还请求保护一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行所述的基于深度学习的卡尔曼滤波无人机轨迹预测方法。

13、本申请还请求保护一种电子设备，包括:一个或多个处理器，存储器，以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行所述的基于深度学习的卡尔曼滤波无人机轨迹预测方法。

14、本申请具有如下有益效果：

15、本发明采用卡尔曼滤波对历史轨迹进行去噪和线性基线预测，保留了传统方法良好的可解释性和实时性，同时提供了预测不确定度的量化信息；

16、本发明利用mamba状态空间神经网络对真实轨迹与卡尔曼基线预测之间的残差进行学习与预测，有效提升了对无人机非线性机动、规避动作和复杂时序依赖的建模能力，弥补了卡尔曼滤波线性假设的不足；

17、本发明通过引入未来不确定度摘要信息作为神经网络的条件输入，提高了网络对预测可靠性的感知能力，使模型能够根据预测置信度自适应地调整残差预测；

18、本发明的mamba状态空间神经网络采用选择性状态空间层，能够沿时间轴动态调制状态转移与输出映射关系，相比传统transformer结构具有更高的计算效率和更优的长期依赖建模能力；相比仅使用卡尔曼滤波的方法，本发明的平均位移误差（ade）降低了约56%，最终位移误差（fde）降低了约55%，速度rmse降低了约56%，加速度rmse降低了约53%，显著提高了未来轨迹预测精度。

1.基于深度学习的卡尔曼滤波无人机轨迹预测方法，其特征在于，包括：

2.根据权利要求1所述的基于深度学习的卡尔曼滤波无人机轨迹预测方法，其特征在于，所述步骤2中采用常加速度模型作为卡尔曼滤波的状态转移模型，将观测数据按x、y、z三个轴向分别进行卡尔曼滤波递推，并将三轴预测结果合并为完整的状态预测序列。

3.根据权利要求2所述的基于深度学习的卡尔曼滤波无人机轨迹预测方法，其特征在于：所述不确定度信息为预测协方差矩阵的低维压缩表示，具体包括：协方差矩阵对角元素、位置子块迹、速度子块迹和加速度子块迹，构成12维不确定度摘要向量。

4.根据权利要求3所述的基于深度学习的卡尔曼滤波无人机轨迹预测方法，其特征在于：所述步骤3中的mamba状态空间神经网络采用双分支编码—条件融合—mamba主干—线性解码结构，包括：

5.权利要求4所述的基于深度学习的卡尔曼滤波无人机轨迹预测方法，其特征在于：每个所述mamba块包括：输入归一化层、输入线性投影层、局部卷积分支、选择性状态空间层、门控调制层、输出线性映射层和残差连接层。

6.根据权利要求5所述的基于深度学习的卡尔曼滤波无人机轨迹预测方法，其特征在于:所述mamba状态空间神经网络的训练方法包括：

7.根据权利要求6所述的基于深度学习的卡尔曼滤波无人机轨迹预测方法，其特征在于:训练过程中对状态数据和残差数据分别按位置、速度、加速度维度设置不同的归一化尺度。

8.基于深度学习的卡尔曼滤波无人机轨迹预测系统，其特征在于，包括：

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至7中任意一项所述的基于深度学习的卡尔曼滤波无人机轨迹预测方法。

10.一种电子设备，其特征在于，包括:一个或多个处理器，存储器，以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行权利要求1至7中任意一项所述的基于深度学习的卡尔曼滤波无人机轨迹预测方法。