一种融合物理约束的多类型航空器状态预测方法

本发明属于人工智能与空中交通管理领域，涉及飞行器轨迹预测技术，具体是一种融合物理约束的多类型航空器状态预测方法。

背景技术：

1、随着全球低空经济的蓬勃发展，无人机物流、城市空中交通（uam）、航空测绘以及应急救援等应用场景日益增多，导致低空空域的飞行器数量和密度急剧上升。这对低空空域的监视、管理和安全保障提出了前所未有的挑战。其中，对低空航空器未来轨迹和机动动作进行精准、可靠的预测，是实现冲突探测与解脱、智能流量管理以及动态风险评估的核心技术前提，是构建现代化、智能化低空交通管理（utm）系统的基石。

2、目前，航空器轨迹预测技术主要分为两大类：基于模型的方法和基于数据驱动的方法。

3、基于模型的方法，如卡尔曼滤波及其变体（扩展卡尔曼滤波ekf、无迹卡尔曼滤波ukf），依赖于对飞行器动力学的精确建模；这类方法具有物理意义明确、可解释性强的优点。然而，也存在显著局限：首先，建立精确的飞行动力学模型需要大量气动参数，对于种类繁多、改装频繁的低空航空器而言，获取这些气动参数成本高昂且困难；其次，这类模型对飞行员的操纵意图、环境突发因素（如突风、障碍物规避等非确定性因素）的建模能力较弱，导致在复杂机动场景下预测精度不足。

4、近年来，随着深度学习的突破，基于数据驱动的轨迹预测方法成为研究热点。长短期记忆网络（lstm）、门控循环单元（gru）以及transformer等深度序列模型，能够从海量历史轨迹数据中自动学习复杂的时空依赖关系和驾驶员行为模式，在预测精度上展现出巨大潜力。然而，这类纯数据驱动的方法也存在固有的缺陷，具体体现在：

5、物理一致性缺失：深度学习模型本质上是复杂的函数拟合器，其学习目标是最小化预测误差，而非理解物理规律。因此，在处理训练数据中未充分覆盖的极端或罕见机动时，模型可能生成违背基本物理定律的轨迹。例如，预测出固定翼飞机在短时间内完成近乎90度的瞬时转弯，或产生远超其结构极限和人体生理极限的过载。这种“物理上不可能”的预测结果在安全攸关的空中交通管理中是致命的，会严重误导后续决策。

6、泛化能力受限：纯数据驱动模型的性能高度依赖于训练数据的分布。当面对一种动力学特性与训练集中所有机型都差异显著的新型航空器时，或者当飞行器执行一种训练集中极为罕见的机动动作时，模型的预测性能会急剧下降，表现出严重的过拟合现象。这种“知其然不知其所以然”的特性，限制了其在开放、动态的低空环境中的实际部署和应用。

7、可解释性差：深度学习模型的“黑箱”特性使得其预测决策过程难以理解。当预测出现错误时，很难追溯是哪个环节、哪个因素导致的，这为模型的调试、优化和信任建立带来了巨大障碍。

8、综上所述，现有技术要么难以捕捉复杂的行为模式，要么缺乏物理常识和泛化能力。因此，如何构建一种既能充分利用数据驱动的强大拟合能力，又能确保预测结果符合物理规律，并具备良好泛化性和可解释性的轨迹预测模型，是当前低空空域管理领域亟待解决的技术难题。

技术实现思路

1、为了解决纯数据驱动模型存在的物理一致性差、泛化能力弱、可解释性不足的问题，本发明提供一种融合物理约束的多类型航空器状态预测方法，实现了深度学习数据数据驱动模型与飞行动力学先验知识的深度融合，使预测结果在拟合数据模式的同时严格遵循物理规律，从而显著提升了航空器轨迹预测的可靠性、泛化能力和安全性。

2、具体步骤如下：

3、步骤一、针对不同类型的低空航空器，各航空器分别获取自身多源感知设备的历史飞行轨迹原始数据，并进行预处理；

4、多源感知设备包括雷达、ads-b、gps等；

5、所述原始数据包括时间戳、三维空间位置（经度、纬度、高度）、速度和加速度等动力学状态参数。

6、预处理包括数据清洗、时空对齐和特征工程。

7、步骤二、建立各类型航空器参数化的简化飞行运动学和动力学约束集合，并以结构化数据形式存储，按航空器类型type进行索引。

8、所述的运动学约束包括：最大/最小飞行速度、最大/最小爬升率、最大转弯角速度；

9、所述的动力学约束包括最大法向过载、最大切向加速度、最小转弯半径（该值可由和导出）。

10、步骤三、将航空器类型type分别进行one-hot编码，生成各自的条件向量；

11、设航空器类型集合为，其中为航空器类型的总数。

12、航空器类型生成的条件向量为维向量，其公式为：

13、

14、其中：表示条件向量的第个分量，j∈{1,2,...,k}。

15、即：条件向量c为航空器类型type的独热编码向量。

16、步骤四、利用各航空器的条件向量和预处理的原始数据，构建以编码器-解码器为基本框架，并以神经ode为核心预测单元的深度学习模型；

17、编码器采用4层transformer结构，用于提取历史轨迹的深层时序特征；解码器采用神经ode（neural ode）作为核心预测单元，利用其连续时间建模特性来描述航空器的动态演化过程。

18、深度学习模型的具体原理为：

19、步骤i、针对当前航空器s，编码器接收预处理原始数据序列，融合条件向量c后得到增广输入序列；

20、融入拼接公式为：

21、步骤ii、通过transformer层内的自注意力机制，结合池化层将输入序列编码为一个高维上下文向量，输出给解码器；

22、

23、步骤iii、解码器接收编码器输出的上下文向量，初始化隐状态：

24、

25、步骤iv、将航空器s的条件向量通过嵌入层，映射为条件嵌入向量输入编码器；

26、

27、为嵌入层映射函数，共64维；

28、步骤v、条件嵌入向量与编码器每一层的输入\输出进行广播相加：

29、

30、其中，为编码器第层的输入或输出特征，为融合条件信息后的特征。

31、步骤vi、将编码器离散的层数视作连续变量，层之间的离散变化转化为关于连续“时间/深度”维度的微分方程：

32、

33、其中对应编码器的总层数，对应编码器的，表示在连续“深度”处的隐状态。是参数为的神经网络函数，随机初始化。

34、步骤vii、利用数值求解器，沿着“深度/时间”维度从0到对上述微分方程进行向前积分，得到未来的隐状态序列：

35、

36、步骤viii、在深度处，神经ode完成前向积分输出最终隐状态，经过全连接层映射，得到初始迭代的原始预测动作特征序列：

37、

38、为全连接层的权重矩阵；为全连接层的偏置向量。

39、步骤五、结合运动学和动力学约束，采用显式正则化策略构建总损失函数；

40、总损失定义为预测误差与物理损失的加权和：

41、

42、其中：为预测的原始动作特征序列与真实动作特征序列之间的均方误差。为物理损失项，即预测结果违反动力学约束的惩罚项。为正则化系数。

43、步骤六、采用adam优化器，通过反向传播算法进行迭代更新，求解使总损失最小的深度学习模型最优参数。

44、步骤七、在预测阶段，输入待测航空器历史时间的动力学状态序列和类型type，深度学习模型使用最优参数经过编码和解码，输出原始动作特征；

45、步骤八、在解码器的输出层后串联一个物理修正层，接收深度学习模型预测的原始动作特征序列，并根据对应的动力学约束采用隐式正则化进行裁剪，生成符合物理极限的最终动作特征，经运动学积分预测飞行轨迹。

46、隐式正则化执行强制裁剪越界值，具体为：

47、对于原始动作特征的第维原始动作特征，通过“裁剪”函数将其强制拉回到物理可行域内：

48、“裁剪”函数公式为：；

49、其中和分别对应航空器s的第维动力学约束的最小值和最大值；

50、本发明的优点在于：

51、（1）本发明融合显式与隐式双重物理约束的保障机制，从根本上解决了纯数据驱动模型物理一致性缺失的问题，杜绝了荒谬预测的产生，极大地提升了预测结果的可靠性和可解释性。

52、（2）本发明采用参数化、可插拔的动力学约束与条件适配机制，将不同机型的物理约束抽象为可配置的参数集，并通过条件嵌入实现单一模型对多类型航空器的兼容；这种设计带来了两大优点：一是极强的泛化能力，当遇到新机型时，只需为其配置一组新的物理参数，而无需重新训练整个模型，大大降低了模型部署和维护的成本；二是灵活性与扩展性，该“插件式”设计使得系统能够轻松适应未来不断出现的新型航空器，具有良好的应用前景。

53、（3）本发明采用神经ode作为核心预测单元，利用其连续时间建模的特性，使其天然适合描述飞行器这类连续动态系统。相比传统的离散时间模型，神经ode在处理不规则采样数据和生成平滑轨迹方面具有优势，进一步提升了预测的精度和自然度。