一种基于神经网络的飞行器轨迹规划方法

本技术涉及人工智能与飞行器制导，具体涉及一种基于神经网络的飞行器轨迹规划方法和装置。

背景技术：

1、随着智能信息技术的快速发展，空域环境日趋复杂，各类防护体系持续优化升级，飞行器面临的威胁与干扰因素显著增加。传统制导策略多以精度为核心开展设计，往往难以兼顾能耗最少、航程最大、时间最短等多元需求。为有效规避复杂环境干扰、高效完成既定飞行任务，研究飞行器的轨迹规划问题，对提升飞行器的任务适应性、自主决策能力和复杂环境下的飞行安全性及任务成功率具有重要意义。

2、求解轨迹规划问题的方法主要有直接法和间接法两种，两种方法使用时均存在一定的局限。直接法将连续的最优控制问题转化为有限维的非线性优化问题，并采用非线性优化算法进行数值求解，但直接法的求解速度相对较慢，难以在线使用。间接法将轨迹规划问题转化为两点边值问题进行求解。由于飞行器在飞行过程存在诸多复杂约束，难以基于极小值原理进行转化，且求解问题时算法对协态变量的初值非常敏感，收敛性难以保证。

技术实现思路

1、针对传统的飞行器轨迹规划方法存在对协态变量的初值非常敏感，收敛性难以保证的问题，本技术提供了一种基于神经网络的飞行器轨迹规划方法和装置，旨在解决上述技术问题。

2、为实现上述目的，本技术第一方面提供一种基于神经网络的飞行器轨迹规划方法，包括：获取飞行器的动力学模型，选取轨迹规划问题的状态量与控制量；使用直接法求解轨迹规划问题的最优控制问题得到最优飞行状态和控制序列，基于最优飞行状态和控制序列计算当前时刻的加速度，构建包含输入特征与输出特征的样本库；其中，所述输入特征包括横向位置、纵向位置、终端横向坐标、终端纵向坐标、实时飞行速度及实时航迹倾角，所述输出特征为当前时刻的加速度；计算各输入特征与预测目标之间的皮尔逊相关系数，以及基于数据离散程度计算的熵权法权重，得到两种评价结果，将两种评价结果融合得到综合权重向量，并基于该综合权重向量对原始特征逐维加权得到加权特征向量；利用所述加权特征向量及对应的输出特征对神经网络进行训练，更新神经网络的网络参数以建立飞行状态到最优加速度指令的映射关系；提取训练完成的神经网络中的目标参数，当获取到某一时刻的飞行器当前状态信息后，构造原始特征向量并应用所述目标参数通过矩阵运算完成前向传播计算得到归一化预测结果，对所述归一化预测结果进行反归一化处理得到当前状态对应的最优加速度指令。

3、为了实现上述目的，本技术第一方面提供一种基于神经网络的飞行器轨迹规划方法：

4、可选地，所述飞行器的动力学模型表示为：

5、

6、其中，表示飞行器的质量，分别表示飞行器的升力和阻力，为重力加速度，表示水平方向的速度，表示垂直方向的速度，和分别表示切向加速度和航迹倾角变化率。

7、可选地，所述计算各输入特征与预测目标之间的皮尔逊相关系数，以及基于数据离散程度计算的熵权法权重，得到两种评价结果，将两种评价结果融合得到综合权重向量，并基于该综合权重向量对原始特征逐维加权得到加权特征向量，包括：

8、计算第i维输入特征与预测目标之间的皮尔逊相关系数，基于皮尔逊相关系数确定第一评价结果；

9、对原始特征进行归一化处理以消除量纲差异，得到归一化后的特征，将归一化后的特征转换为概率分布形式并计算信息熵，根据信息熵确定第二评价结果；

10、结合第一评价结果和第二评价结果，确定综合权重向量，并利用综合权重向量与原始特征的哈达玛积对原始特征逐维加权，得到加权特征向量。

11、可选地，所述神经网络的结构包括第一层隐藏层、第二层隐藏层和输出层；

12、其中，所述第一层隐藏层的神经元数量为20个，选择正线性函数作为第一层隐藏层的激活函数；

13、所述第二层隐藏层的神经元数量为20个，选择正线性函数作为第二层隐藏层的激活函数；

14、所述输出层的神经元数量为1，选择线性函数作为所述输出层的激活函数。

15、可选地，所述神经网络训练的过程包括：

16、对样本库中的数据进行归一化处理；将加权特征向量输入第一层隐藏层进行正向传播得到第一层输出，再将第一层输出输入第二层隐藏层进行正向传播得到第二层输出，最后将第二层输出输入输出层得到归一化预测结果；

17、选择均方误差函数作为损失函数，计算损失函数对输出层的误差项并更新输出层权重，计算损失函数对隐藏层的误差项并更新隐藏层权重；

18、根据预设的学习率重复执行上述步骤，直至达到预设的训练次数。

19、可选地，所述训练完成的神经网络中的目标参数包括：各层权重矩阵、偏置向量以及训练时使用的特征归一化参数和特征权重向量；

20、将所述目标参数以矩阵形式保存。

21、可选地，所述在获取到某一时刻的飞行器的当前状态信息后，构造原始特征向量并应用所述目标参数通过矩阵运算完成前向传播，计算得到归一化预测结果，包括：

22、基于获取到某一时刻的飞行状态参数构造六维原始特征向量，将其与已保存的特征权重向量逐元素相乘得到加权特征向量；

23、对所述加权特征向量进行归一化处理；

24、将归一化后的加权特征向量输入神经网络，依次经过第一层隐藏层、第二层隐藏层和输出层的矩阵运算得到归一化预测结果。

25、可选地，还包括：

26、将得到的最优加速度指令作用于飞行器的动力学模型以更新下一时刻的飞行状态；循环执行获取当前状态信息、构造原始特征向量、矩阵运算推理及反归一化处理的过程，直至飞行器到达终端目标坐标。

27、可选地，还包括：

28、根据在线推理得到的最优加速度指令序列，结合飞行器的初始状态和动力学模型进行积分计算，生成适配当前飞行工况的最优飞行轨迹曲线。

29、为了实现上述目的，本技术第二方面还提供一种基于神经网络的飞行器轨迹规划装置，包括：

30、样本库生成模块，用于获取飞行器的动力学模型，选取轨迹规划问题的状态量与控制量；使用直接法求解轨迹规划问题的最优控制问题得到最优飞行状态和控制序列，基于最优飞行状态和控制序列计算当前时刻的加速度，构建包含输入特征与输出特征的样本库；其中，所述输入特征包括横向位置、纵向位置、终端横向坐标、终端纵向坐标、实时飞行速度及实时航迹倾角，所述输出特征为当前时刻的加速度；

31、特征加权预处理模块，用于计算各输入特征与预测目标之间的皮尔逊相关系数，以及基于数据离散程度计算的熵权法权重，得到两种评价结果，将两种评价结果融合得到综合权重向量，并基于该综合权重向量对原始特征逐维加权得到加权特征向量；

32、神经网络训练模块，用于利用所述加权特征向量及对应的输出特征对神经网络进行训练，更新神经网络的网络参数以建立飞行状态到最优加速度指令的映射关系；

33、在线推理与指令输出模块，用于提取训练完成的神经网络中的目标参数，当获取到某一时刻的飞行器当前状态信息后，构造原始特征向量并应用所述目标参数通过矩阵运算完成前向传播计算得到归一化预测结果，对所述归一化预测结果进行反归一化处理得到当前状态对应的最优加速度指令。

34、本技术公开了一种基于神经网络的飞行器轨迹规划方法和装置，该方法包括获取飞行器的动力学模型，选取轨迹规划问题的状态量与控制量；使用直接法求解轨迹规划问题的最优控制问题得到最优飞行状态和控制序列，基于最优飞行状态和控制序列计算当前时刻的加速度，构建包含输入特征与输出特征的样本库；其中，输入特征包括横向位置、纵向位置、终端横向坐标、终端纵向坐标、实时飞行速度及实时航迹倾角，输出特征为当前时刻的加速度；计算各输入特征与预测目标之间的皮尔逊相关系数，以及基于数据离散程度计算的熵权法权重，得到两种评价结果，将两种评价结果融合得到综合权重向量，并基于该综合权重向量对原始特征逐维加权得到加权特征向量；利用加权特征向量及对应的输出特征对神经网络进行训练，更新神经网络的网络参数以建立飞行状态到最优加速度指令的映射关系；提取训练完成的神经网络中的目标参数，当获取到某一时刻的飞行器当前状态信息后，构造原始特征向量并应用目标参数通过矩阵运算完成前向传播计算得到归一化预测结果，对归一化预测结果进行反归一化处理得到当前状态对应的最优加速度指令。本技术通过对飞行器的状态信息进行实时采集与预处理，利用神经网络优越的非线性映射能力，拟合飞行状态与最优控制指令之间的复杂对应关系，无需经过繁琐的中间解算环节，可直接输出适配当前飞行工况的最优控制指令，从而使算法快速达到收敛，节省了计算时间。