CN114740889B 基于飞行状态划分的非合作无人机轨迹分布预测方法 （南京航空航天大学）

基于飞行状态划分的非合作无人机轨迹分本发明公开了一种基于飞行状态划分的非布朗桥方法对非合作类无人机的位置分布进行2将轨迹可达空间从栅格化空域笛卡尔坐标系LL平移到以步骤(621)中得到的预测时刻3计算步骤(623)中横坐标与转换后的边界坐标集合的差值绝对值，求解该集合中最小基于步骤(622)旋转后栅格的顶点坐标将导致二元积分域变大，计算真实栅格积分域在步骤(622)平移旋转后的坐标系中，通过公式(14)将步骤(的最大值和最小值，为初始运动状态t时刻坐标((),y()的概率密度函2.根据权利要求1所述的基于飞行状态划分的非合作无人机轨迹分布预测方法，其特43.根据权利要求2所述的基于飞行状态划分的非合作无人机轨迹分布预测方法，其特依据无人机在初始时刻的飞行状态，将无人机的飞行状态划分为悬停状态和运动状针对无人机在轨迹预测过程中的初始速度，设定悬停状态初始4.根据权利要求1所述的基于飞行状态划分的非合作无人机轨迹分布预测方法，其特采集非合作类无人机的轨迹片段，根据已有的合作类无人机轨迹利用步骤(31)中筛选出的相似轨迹数据集作为D-GRU轨迹预测模型的训练样本，将训练后的D-GRU轨迹预测模型视为基于数据迁5.根据权利要求4所述的基于飞行状态划分的非合作无人机轨迹分布预测方法，其特针对步骤(21)中划分的不同飞行状态下无人机的运动特点，依据截断布朗桥表示出tt时刻无人机在轨迹可达空间内到达坐标对任意的(t)E[xrmiwxma],y5xxy对于初始时刻处于悬停状态的无人机，在预测时刻的轨迹可达空间为依据无人机在设计时允许的最大过载系数得到其将转弯前后无人机速度方向之差定义为转弯角度，右转弯时，转弯基于步骤(433)中建立的坐标系，对无人机转弯阶段按照步骤(432)预测时刻无人机的轨迹可达空间边界由转弯角度在区间(-360,360)下无人机在该时6求解无人机在转弯和加速运行的时间长度内，其飞行轨将步骤(436)中得到的转弯角度区间以等间隔度数进行采样，生成初始运动在不同阶6.根据权利要求5所述的基于飞行状态划分的非合作无人机轨迹分布预测方法，其特依据步骤(42)中圆的外接正方形生成初始覆盖空间遍历步骤(512)中覆盖空间包含的栅格，保留栅格中心到无人机初始位置的距离小于基于无人机初始时刻运动状态，得到预测时刻其轨迹可达空间基于步骤(433)中无人L，o表示由空域笛卡尔坐标系LL逆时针旋转到无人机笛卡尔坐标系OXY的角度，按照步骤(511)生成初始覆盖空间，然后根据步骤(512)扩展初始覆盖基于步骤(43)得到的轨迹可达空间，将栅格中心坐标(xLck,yLck)转移到无人机笛卡尔7L,O表示由空域笛卡尔坐标系LL逆时针旋转到无人机笛卡尔坐标系OXY的角度，ck计算栅格中心坐标与步骤(524)中拟合圆心之间的欧式距离，通过比较该欧式距离与遍历步骤(523)中覆盖空间所含栅格，通过步骤(525)判断栅格中心7.根据权利要求6所述的基于飞行状态划分的非合作无人机轨迹分布预测方法，其特初始时刻为悬停状态的无人机的后续运动视为无向布00)为初始时刻无人机的位置坐标；8的概率密度函数，通过公式(10)将步骤(513)栅格集合中的栅格坐标进行转换，栅格ck=ck,l′ck,l′ck,u′ck,r′ck,u′ck,r′ck,l′初始时刻为运动状态的无人机的后续运动视为无向布朗运动和有向布朗运动的结合，将空域笛卡尔坐标系LL上的边界坐标集合转换到步骤(522)中的坐标根据步骤(623)中确定的横坐标的上下限和步骤(624)中确定的公式(3)求得初始状态为运动时预测时刻无人机位置坐标(i'(),'())在轨迹可达空间内的9[0012](6)生成轨迹概率分布：求解监测时刻无人机位于空域笛卡尔坐标系中各栅格的[0013]进一步地，所述步骤(1)中的监控空域范围以左下角为原点建立空域笛卡尔坐标[0019]针对无人机在轨迹预测过程中的初始速度，设定悬停状[0028]利用步骤(31)中筛选出的相似轨迹数据集作为D-GRU轨迹预测模型的训练样本，将训练后的D-GRU轨迹预测模型视为基于数据迁移的轨px)为概率yxy机的飞行速度大小，nmax为最大过载系数，设定具有初始速度的无人机在初始时刻开始转[0052]预测时刻无人机的轨迹可达空间边界由转弯角度在区间(-360，360)下无人机在[0058]将步骤(436)中得到的转弯角度区间以等间隔度数进行采样，生成初始运动在不[0066]遍历步骤(512)中覆盖空间包含的栅格，保留栅格中心到无人机初始位置的距离[0069]基于无人机初始时刻运动状态，得到预测时刻其轨迹可达空间基于步骤(433)中)＝fit({xc+)}中小的角度范围内的点视为圆[0085]计算栅格中心坐标与步骤(524)中拟合圆心之间的欧式距离，通过比较该欧式距[0089]将不同飞行状态下的栅格集合通过索引得到的坐标集合表示为集合{ck}，ck=k[0097]在步骤(611)平移后的坐标系中，通过公式(3)求得预测时刻无人机位置坐标的概率密度函数，通过公式(10)将步骤(513)栅格集合中的栅格坐标进行转换，(xckt时刻无人机在轨迹可达空间内的位置t时刻无人机在轨迹可达空间内的位置[0108]初始时刻为运动状态的无人机的后续运动视为无向布朗运动和有向布朗运动的结合，利用步骤(32)中基于数据迁移的轨迹预测模型求解无人机在预测时刻的轨迹预测μy[0110]将轨迹可达空间从栅格化空域笛卡尔坐标系LL平移到以步骤(621)中得到的预测[0116]计算步骤(623)中横坐标与转换后的边界坐标集合的差值绝对值，求解该集合中i引ix[0118]根据步骤(623)中确定的横坐标的上下限和步骤(624)中通过公式(3)求得初始状态为运动时预测时刻无人机位置坐标在轨迹可达空间[0120]基于步骤(622)旋转后栅格的顶点坐标将导致二元积分域变大，计算真实栅格积和Lck和Lck函数，根据公式(15)得到初始运动状态t时刻无人机在轨迹可达空间内的位置[0129]按照步骤(613)中的概率更新公式(13)对步骤(627)中的概率p2，c[0132]本发明方法通过将无人机的飞行状态细分，结合基于数[0137]图3a为本发明实施例中初始运动状态在预测时长为5s时转弯阶段的轨迹可达空[0138]图3b为本发明实施例中初始运动状态在预测时长为5s时加速阶段的轨迹可达空[0139]图3c为本发明实施例中初始运动状态在预测时长为5s时匀速阶段的轨迹可达空[0140]图4a为本发明实施例中初始运动状态在预测时长为30s时转弯阶段的轨迹可达空[0141]图4b为本发明实施例中初始运动状态在预测时长为30s时加速阶段的轨迹可达空[0142]图4c为本发明实施例中初始运动状态在预测时长为30s时匀速阶段的轨迹可达空[0147]参照图1所示，本发明的一种基于飞行状态划分的非合作无人机轨迹分布预测方[0155]针对无人机在轨迹预测过程中的初始速度，设定悬停状[0164]利用步骤(31)中筛选出的相似轨迹数据集作为D-GRU轨迹预测模型的训练样本，将训练后的D-GRU轨迹预测模型视为基于数据迁移的轨px)为概率yxy无人机的轨迹可达空间如图2a-图2c，图中所示线条为以60度为间隔采样的6个无人机航方向求解无人机转弯结束后的坐标；对于无人机加速阶段，设定由10m/s以6m/s2加速到[0188]预测时刻无人机的轨迹可达空间边界由转弯角度在区间(-360，360)下无人机在0)∪(00向下边界的栅格坐标向下求整，对于上边界的栅格坐标向上求整得到扩展后的覆盖空间；[0202]遍历步骤(512)中覆盖空间包含的栅格，保留栅格中心到无人机初始位置的距离[0205]基于无人机初始时刻运动状态，得到预测时刻其轨迹可达空间基于步骤(433)中[0221]计算栅格中心坐标与步骤(524)中拟合圆心之间的欧式距离，通过比较该欧式距[0225]将不同飞行状态下的栅格集合通过索引得到的坐标集合表示为集合{ck}，ck=k[0226](6)生成轨迹概率分布：求解监测时刻无人机位于空域笛卡尔坐标系中各栅格的[0233]在步骤(611)平移后的坐标系中，通过公式(3)求得预测时刻无人机位置坐标(xckt时刻无人机在轨迹可达空间内的位置t时刻无人机在轨迹可达空间内的位置[0244]初始时刻为运动状态的无人机的后续运动视为无向布朗运动和有向布朗运动的结合，利用步骤(32)中基于数据迁移的轨迹预测模型求解无人机在预测时刻的轨迹预测μy[0246]将轨迹可达空间从栅格化空域笛卡尔坐标系LL平移到以步骤(621)中得到的预测[0252]计算步骤(623)中横坐标与转换后的边界坐标集合的差值绝对值，求解该集合中i引ix[0254]根据步骤(623)中确定的横坐标的上下限和步骤(624)中通过公式(3)求得初始状态为运动时预测时刻无人机位置坐标在轨迹可达空间[0256]基于步骤(622)旋转后栅格的顶点坐标将导致二元积分域变大，计算真实栅格积和Lck和Lck[02