[发明专利]一种基于可学习扩展卡尔曼滤波的复杂机动飞行器航迹估计方法

说明书

一种基于可学习扩展卡尔曼滤波的复杂机动飞行器航迹估计方法，本发明涉及飞行器的航迹估计方法。本发明解决了现有航迹估计方法在目标飞行器复杂机动条件下精度较低的问题。本发明的技术要点为：建立飞行器的动力学模型，并进一步建立飞行器的机动模型；构建用于飞行器航迹估计的可学习扩展卡尔曼滤波算法，并设计和训练其中的输入修饰网络和增益修饰网络。本发明中飞行器航迹估计中所使用的可学习扩展卡尔曼滤波算法是根据已有航迹数据训练获得的，更充分的利用了飞行器的运动特性先验信息，可更准确的描述飞行器的复杂机动模态，提升了航迹估计精度。本方法适用于基于知识和模式的信息推算领域。

技术领域

本发明涉及飞行器的航迹估计方法，尤其涉及基于循环神经网络的可学习扩展卡尔曼滤波方法，属于基于知识和模式的信息推算领域。

背景技术

对于高速滑翔飞行器等具有复杂机动形式的飞行器而言，其航迹估计较一般飞行器更为复杂。目前的飞行器航迹估计方法大多采用恒速(CV)、恒加速度(CA)、当前统计、Singer等模型描述目标机动，并基于扩展卡尔曼滤波(EKF)、自适应卡尔曼滤波(AEKF)等方法实现航迹估计。面对此类具有复杂机动形式的飞行器航迹估计问题时，受限于模型精度，现有的航迹估计方法无法充分的适应飞行器复杂的运动模态，使得估计的精度较低。

文献号为CN107504972A的专利文献提供了一种基于鸽群算法的飞行器航迹规划方法，首先建立包含不确定性的轨迹预测模型，然后确定规定区域内的待优化路径，采用鸽群算法，通过地图和指南针操作和地标操作，迭代得到最优路径，最后将获得的最优路径的各个参数输出。该现有技术推导计算出轨迹预测模型，利用该模型获得的路径稳定性好，具有鲁棒性和可行性；并且采用鸽群智能优化方法，解决了复杂连续优化问题，计算搜索过程具有并行性、可行性、强鲁棒性的特点。但没有指出如何解决在目标飞行器复杂机动条件下精度较低的问题。

发明内容

本发明的目的是提供适用于具有复杂机动形式的飞行器的航迹估计方法，以解决现有方法在目标飞行器复杂机动条件下精度较低的问题，进而提供了一种基于可学习扩展卡尔曼滤波的复杂机动飞行器航迹估计方法。

本发明为解决上述技术问题采取的技术方案是：

一种基于可学习扩展卡尔曼滤波的复杂机动飞行器航迹估计方法，所述方法是按照以下步骤实现的：

步骤一：建立飞行器的机动模型

假设地球是一个正球体，在忽略自转的条件下，得到飞行器的三维动力学模型：

其中，r为飞行器质心到地心的距离，θ为经度,φ为纬度，v为速度，γ为弹道倾角，ψ为弹道偏角，m为飞行器质量，R_e＝6,378,135m为地球半径，g₀为重力加速度，S_ref为飞行器的特征面积，ρ＝ρ₀e^-βh为大气密度，和为飞行器升阻比最大时的升力系数和阻力系数，c_l为标准化升力系数，σ为飞行器的倾侧角；

使用Singer机动模型描述飞行器的侧向机动：

其中，T_s为机动的时间常数；

联立式(1)、(2)即得到飞行器的机动模型：

步骤二：根据量测(r,θ,φ)估计飞行器的运动状态，使用可学习扩展卡尔曼滤波算法进行飞行器运动状态估计。

进一步地，使用可学习扩展卡尔曼滤波算法进行步骤二所述的飞行器运动状态估计，具体过程为：