[發明專利]一種無人機實時軌跡預測方法

有效

• 申請號: 202010185494.0
• 申請日: 2020-03-17
• 公開（公告）號: CN111461292B
• 公開（公告）日: 2023-06-27
• 發明（設計）人: 羊釗;陸佳歡;唐榮;劉皞;張洪海;王兵;張穎
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06F18/20
• 分類號: G06F18/20;G06N3/0442;G06N3/047;G06N3/048;G06N7/01
• 代理公司: 江蘇圣典律師事務所 32237
• 代理人: 賀翔

1.一種無人機實時軌跡預測方法，其特征在于，步驟如下：

(1)獲取數據：采集無人機歷史ADS-B數據，得到無人機時間戳、無人機ID、緯度、經度、高度、水平速度、飛行時間的數據信息；

(2)數據預處理：將上述獲取到的數據信息按飛行時間進行排序，將緯度和經度轉換成直角坐標；并刪除獲取到的數據中非固定時間間隔和存在不明顯位置信息的軌跡數據；

(3)生成無人機軌跡各個變量數據集：對上述步驟(2)預處理后的數據進行篩選，得到緯度、經度、高度和水平速度數據，并計算無人機的垂直速度，生成相應的時間序列數據；

(4)利用馬爾科夫模型確定無人機狀態；

(5)根據無人機的狀態，增添BN層，建立基于LSTM網絡的無人機軌跡預測模型；

(6)預測無人機的經度、緯度及高度；

所述步驟(4)的具體過程如下：

(41)對數據集進行分組：

將步驟(3)中的數據集按不同的時間間隔分組，生成相應時間間隔的無人機軌跡時間序列數據；

(42)劃分無人機的飛行狀態：

根據無人機的水平速度v_x和垂直速度v_y，對無人機的飛行狀態進行劃分；當v_y＞0.1米/秒，無人機處于上升狀態S₁；當米/秒且v_y∈[-0.1,0.1]米/秒，無人機處于平飛狀態S₂；當v_y＜-0.1米/秒，無人機處于下降狀態S₃；當v_x∈[-0.1,0.1]米/秒且v_y∈[-0.1,0.1]米/秒，無人機處于懸停狀態S₄；

(43)計算初始狀態概率：

假設無人機速度的時間序列的取值空間為(v_xi,v_yi),i＝1,2…n，一共有n個觀測值，根據無人機速度的時間序列，無人機被劃分為4個狀態S＝{S₁,S₂,S₃,S₄}；(v_xn,v_yn)作為最后一個速度的觀測值，不考慮(v_xn,v_yn)在n時刻對應的轉移狀態；假設根據無人機速度的時間序列的前n-1個已知值，有c_i個無人機處于狀態S_i，有那么無人機狀態S_i的初始狀態概率為

(44)計算一步轉移概率矩陣：

根據已知的無人機速度的時間序列{(v_xt,v_yt),t∈T}，有c_i個無人機處于狀態S_i，假設其中下一時刻轉移到狀態S_j的數據有c_ij個；則無人機從狀態S_i轉移到狀態S_j的一步轉移概率為由p_ij組成的無人機狀態轉移矩陣p為一步狀態轉移概率矩陣；

(45)無后效性檢驗：

采用χ²統計量檢驗無人機速度的時間序列的無后效性；無人機有4種飛行狀態，將邊際概率定義為：

統計量服從自由度為(m-1)²的χ²分布；選定置信度α，查χ²分布臨界值表得令：

若則無人機速度的時間序列具有無后效性；

(46)利用一步轉移概率矩陣預測無人機飛行狀態：

若在t時刻無人機處于狀態S_i，且一步狀態轉移概率矩陣p的第i行無人機狀態轉移概率的最大值為p_ij，則在t+1時刻，無人機處于狀態S_j，故預測在t+1時刻，無人機將轉移到狀態S_j；

所述步驟(5)的具體過程如下：

(51)初始化LSTM網絡各層參數；

(511)初始化LSTM輸入層參數；

當搭建無人機軌跡預測LSTM網絡的輸入層時，每次批量訓練40個樣本，與步驟(41)對應，時間步長初始值設為10、20、30、40、50；

(512)初始化LSTM隱含層參數；

當搭建LSTM網絡的隱含層時，隱含層層數設置為2，每層50個神經元；

(513)初始化LSTM網絡層參數；

激活函數選擇sigmoid函數和tanh函數，初始化網絡層的權重和偏置；

(514)損失函數設置；

在無人機軌跡預測LSTM網絡中采用平方差損失函數；

(52)確定LSTM的輸入樣本特征與輸出樣本特征；

(521)構建輸入樣本特征；

將步驟(3)得到的五個變量的數據集：緯度、經度、高度、水平速度和垂直速度，按照步驟(511)設置的時間步長劃分為時間序列；

(522)構建輸出樣本特征；

神經網絡輸出樣本特征為時間序列最后一個時刻的緯度、經度、高度；

(523)數據標準化；

輸入樣本特征通過增添的BN層，進行批量離差標準化；

所述步驟(6)的具體過程如下：

(61)模型訓練及測試；

隨機抽取上述步驟(3)得到的無人機軌跡數據集的75％作為訓練集，剩余的25％作為測試集；

(62)優化器選擇；

采用Adam優化器，并使學習率自動調整；

(63)數據去標準化；

對LSTM模型的輸出值，通過BN層，進行逆離差標準化，得到的緯度、經度、高度即為預測的無人機軌跡點；

(64)預測精度評價；

采用平均絕對誤差作為評價指標。

2.根據權利要求1所述的無人機實時軌跡預測方法，其特征在于，所述步驟(3)中緯度、經度、高度、水平速度的時間序列由ADS-B數據預處理及篩選后得到，垂直速度的時間序列通過計算高度變化值除以飛行時間間隔得到，最終的無人機軌跡數據集包括緯度、經度、高度、水平速度和垂直速度五個變量。