CN112911497B - 一种合作类无人机轨迹实时预测方法及系统 - Google Patents

Abstract

本发明公开一种合作类无人机轨迹实时预测方法及系统。该方法包括：获取合作类无人机带时间戳的位置信息；根据所述合作类无人机带时间戳的位置信息选取距当前时刻最近的k个轨迹点的位置坐标，得到预测飞行轨迹的输入向量；根据所述预测飞行轨迹的输入向量对轨迹点进行动态定权，得到输入向量对应的权值向量；根据所述权值向量，基于加权最小二乘法，确定多项式轨迹预测输出模型；根据所述多项式轨迹预测输出模型对合作类无人机轨迹进行实时预测。本发明能够精确匹配合作类无人机飞行过程中不同的飞行模态，提高对合作类无人机未来短时飞行轨迹的实时预测精度。

Description

一种合作类无人机轨迹实时预测方法及系统

技术领域

本发明涉及合作类无人机轨迹预测领域，特别是涉及一种合作类无人机轨迹实时预测方法及系统。

背景技术

合作类无人机，指在飞行过程中通过通信链路共享机型、实时飞行状态等信息的合作类无人机。在我国，合作类无人机在飞行过程中，需要按照一定频率向指定监管平台上传其实时运行数据(运营信息、位置和高度等)。目前通过监管平台对合作类无人机飞行的监管还只是停留在监视层面，若能基于平台所获取的数据，实现对合作类无人机未来飞行轨迹的实时预测，将能够更好地满足合作类无人机空中交通管理的需求。

轨迹预测，即利用运动目标历史轨迹数据，对目标未来一段时间可能的位置进行预测。根据轨迹预测原理的不同可分为有模预测和无模预测两大类。有模预测基于所建立的目标运动方程，结合预测目标当前状态，对目标轨迹进行预测。这类预测方法所使用的目标运动模型通常在一定的理想条件下建立的。由于目前运行在空域中的合作类无人机性能参数不一，且可能受到地形、风向等众多复杂因素的影响，针对单一合作类无人机建立精确运动模型是比较困难的。不同于有模预测，无模预测将轨迹数据看作时间序列，将轨迹预测问题抽象为时序预测问题，并认为影响因素对预测目标运动轨迹的影响机理都隐含在时间序列的变化规律中，由此回避了对复杂运动的建模问题。比较有代表性的轨迹预测方法包括基于高斯混合模型的轨迹预测方法、基于神经网络的轨迹预测方法、基于马尔科夫模型的轨迹预测方法和基于曲线拟合的轨迹预测方法等。其中，前三种预测方法都需要大量的历史数据对预测模型进行训练，且计算量较大，难以满足合作类无人机轨迹实时预测的需求。相比之下，曲线拟合轨迹预测方法具有所需数据少，计算量小，响应速度快等优点，已有部分研究将其运用到合作类无人机飞行轨迹的预测之中。曲线拟合通常采用多项式模型作为拟合函数，即多项式拟合，多项式模型的阶次需要预先给定，所采用的最小二乘原理也更侧重于对整体历史轨迹的拟合。在合作类无人机飞行机动性较强，飞行轨迹较为复杂时，传统多项式拟合预测算法可能难以准确把握合作类无人机的飞行趋势，其固定阶次的多项式模型也可能难以精确匹配合作类无人机飞行过程中不同的飞行模态，从而导致预测精度的下降。

发明内容

本发明的目的是提供一种合作类无人机轨迹实时预测方法及系统，能够精确匹配合作类无人机飞行过程中不同的飞行模态，提高对合作类无人机未来短时飞行轨迹的实时预测精度。

为实现上述目的，本发明提供了如下方案：

一种合作类无人机轨迹实时预测方法，包括：

获取合作类无人机带时间戳的位置信息；

根据所述合作类无人机带时间戳的位置信息选取距当前时刻最近的k个轨迹点的位置坐标，得到预测飞行轨迹的输入向量；

根据所述预测飞行轨迹的输入向量对轨迹点进行动态定权，得到输入向量对应的权值向量；

根据所述权值向量，基于加权最小二乘法，确定多项式轨迹预测输出模型；

根据所述多项式轨迹预测输出模型对合作类无人机轨迹进行实时预测。

可选的，所述根据所述合作类无人机带时间戳的位置信息选取距当前时刻最近的k个轨迹点的位置坐标，得到预测飞行轨迹的输入向量，具体包括：

根据所述合作类无人机带时间戳的位置信息选取距当前时刻最近的k个轨迹点的位置坐标并进行标准化，得到标准化的位置坐标；

根据所述标准化的位置坐标，确定预测飞行轨迹的输入向量。

可选的，所述根据所述预测飞行轨迹的输入向量对轨迹点进行动态定权，得到输入向量对应的权值向量，具体包括：

根据所述预测飞行轨迹的输入向量，得到合作类无人机当前一段时间的飞行复杂程度；

根据所述飞行复杂度采用公式w_i＝(1.5-λ)^k-i对轨迹点进行动态定权，得到输入向量对应的权值向量；

其中，λ＝sigmoid(d·S)，d∈R^*，sigmoid(x)为常用的单增函数，对于

有sigmoid(x)∈[0.5,1)，λ为权值衰减系数，由于(d·S)∈[0，∞)，有λ∈[0.5，1)，S为飞行复杂程度。

可选的，所述根据所述权值向量基于加权最小二乘法，确定多项式轨迹预测输出模型，具体包括：

根据所述权值向量，基于加权最小二乘法，构建正规方程组；

根据所述正规方程组，确定多项式模型参数；

根据所述多项式模型参数，得到多个以时间为自变量的多项式轨迹预测模型；

根据多个所述多项式轨迹预测模型中，确定预测误差最小的多项式轨迹预测模型，将所述预测误差最小的多项式轨迹预测模型作为最终的多项式轨迹预测输出模型。

一种合作类无人机轨迹实时预测系统，包括：

位置信息获取模块，用于获取合作类无人机带时间戳的位置信息；

输入向量确定模块，用于根据所述合作类无人机带时间戳的位置信息选取距当前时刻最近的k个轨迹点的位置坐标，得到预测飞行轨迹的输入向量；

权值向量确定模块，用于根据所述预测飞行轨迹的输入向量对轨迹点进行动态定权，得到输入向量对应的权值向量；

多项式轨迹预测输出模型确定模块，用于根据所述权值向量，基于加权最小二乘法，确定多项式轨迹预测输出模型；

预测模块，用于根据所述多项式轨迹预测输出模型对合作类无人机轨迹进行实时预测。

可选的，所述输入向量确定模块，具体包括：

标准化单元，用于根据所述合作类无人机带时间戳的位置信息选取距当前时刻最近的k个轨迹点的位置坐标并进行标准化，得到标准化的位置坐标；

输入向量确定单元，用于根据所述标准化的位置坐标，确定预测飞行轨迹的输入向量。

可选的，所述权值向量确定模块，具体包括：

飞行复杂程度确定单元，用于根据所述预测飞行轨迹的输入向量，得到合作类无人机当前一段时间的飞行复杂程度；

权值向量确定单元，用于根据所述飞行复杂度采用公式w_i＝(1.5-λ)^k-i对轨迹点进行动态定权，得到输入向量对应的权值向量；

其中，λ＝sigmoid(d·S)，d∈R^*，sigmoid(x)为常用的单增函数，对于

有sigmoid(x)∈[0.5,1)，λ为权值衰减系数，由于(d·S)∈[0，∞)，有λ∈[0.5，1)，S为飞行复杂程度。

可选的，所述多项式轨迹预测输出模型确定模块，具体包括：

正规方程组构建单元，用于根据所述权值向量，基于加权最小二乘法，构建正规方程组；

多项式模型参数确定单元，用于根据所述正规方程组，确定多项式模型参数；

多项式轨迹预测模型确定单元，用于根据所述多项式模型参数，得到多个以时间为自变量的多项式轨迹预测模型；

多项式轨迹预测输出模型确定单元，用于根据多个所述多项式轨迹预测模型中，确定预测误差最小的多项式轨迹预测模型，将所述预测误差最小的多项式轨迹预测模型作为最终的多项式轨迹预测输出模型。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供一种合作类无人机轨迹实时预测方法及系统，利用合作类无人机带时间戳的位置信息数据，基于动态定权的加权最小二乘法，采用多个多项式模型组成的模型集对合作类无人机短时飞行轨迹进行并行预测。本发明的优势在于能够匹配合作类无人机飞行过程中不同的飞行模态，更加准确地把握合作类无人机未来飞行趋势，相比于传统的定阶多项式轨迹预测方法，本发明对于合作类无人机短时飞行轨迹具有更好的实时预测性能，即能够提高对合作类无人机未来短时飞行轨迹的实时预测精度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明合作类无人机轨迹实时预测方法流程图；

图2为本发明合作类无人机轨迹实时预测系统结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种合作类无人机轨迹实时预测方法及系统，能够精确匹配合作类无人机飞行过程中不同的飞行模态，提高对合作类无人机未来短时飞行轨迹的实时预测精度。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明合作类无人机轨迹实时预测方法流程图。如图1所示，一种合作类无人机轨迹实时预测方法包括：

步骤101：获取合作类无人机带时间戳的位置信息。由于合作类无人机在飞行过程中，会按照一定频率向指定监管平台上传其实时运行数据，包含合作类无人机的实时位置及对应时间，则可从监管平台实时获取所需的合作类无人机带时间戳的位置信息数据。

步骤102：根据所述合作类无人机带时间戳的位置信息选取距当前时刻最近的k个轨迹点的位置坐标，得到预测飞行轨迹的输入向量，具体包括：

根据所述合作类无人机带时间戳的位置信息选取距当前时刻最近的k个轨迹点的位置坐标并进行标准化，得到标准化的位置坐标。

根据所述标准化的位置坐标，确定预测飞行轨迹的输入向量。

合作类无人机飞行轨迹为带有时间戳的位置信息，将合作类无人机轨迹信息看作两个位置分量时间序列，以时间信息作为自变量分别对两个位置分量时间序列进行多项式拟合。在t时刻的一次预测过程中，采取无记忆性的预测方法，即选取距当前时刻最近的k个轨迹点对当前时刻下合作类无人机未来飞行轨迹进行预测。在利用轨迹点进行预测之前，需要对其进行最值标准化处理，得到实时预测的输入向量。

以下以横轴方向位置分量实时预测为例进行说明，纵轴方向上的预测同理。合作类无人机在飞行过程中不同阶段可能处于不同的飞行模态，该飞行模态反映在历史飞行轨迹点的时序分布之中，距当前时刻过远的轨迹点，自然与当前合作类无人机飞行模态的相关性越小。因此，在t时刻的一次预测过程中，采取无记忆性的预测方法，即选取距当前时刻最近的k个轨迹点对当前时刻下合作类无人机未来飞行轨迹进行预测，即从当前时刻往前的k个轨迹点的位置坐标。轨迹点横轴分量按下式进行最值标准化处理：

其中x_max和x_min为所选取轨迹横轴分量中最大值和最小值。将标准化之后的k个点作为预测算法的输入，则可得轨迹横轴分量的输入向量为(t₁,x₁,…,t_k-1,x_k-1,t_k,x_k)。

步骤103：根据所述预测飞行轨迹的输入向量对轨迹点进行动态定权，得到输入向量对应的权值向量，具体包括：

根据所述预测飞行轨迹的输入向量，得到合作类无人机当前一段时间的飞行复杂程度。

根据所述飞行复杂度采用公式w_i＝(1.5-λ)^k-i对轨迹点进行动态定权，得到输入向量对应的权值向量。

其中，S为飞行复杂程度，λ＝sigmoid(d·S)，d∈R^*，sigmoid(x)为常用的单增函数，对于

有sigmoid(x)∈[0.5,1)，λ为权值衰减系数，由于(d·S)∈[0，∞)，有λ∈[0.5，1)，则w_i-1≤w_i，i＝2,3,,...,k，即距当前时刻越远的轨迹点，权值越小。

以轨迹点序号来表征轨迹点的时间属性，以合作类无人机在该段轨迹的速度波动情况来表征飞行复杂程度，由于轨迹点以等时间间隔方式记录，则合作类无人机当前一段时间的飞行复杂程度可由相邻轨迹点一阶差分值的标准差近似表征。设该标准差的值为S，横轴分量的标准差计算如下：

改进多项式拟合预测算法采用如下方式对轨迹点进行动态定权：

λ＝sigmoid(d·S)

w_i＝(1.5-λ)^k-i

另外，当反映合作类无人机当前一段时间飞行轨迹复杂程度S的值越大时，权值衰减系数λ越大，远期轨迹点的权值递减速度增大，即远期轨迹点和近期轨迹点的权值差异越大；而当S的值越小时，权值衰减系数越小，远期轨迹点的权值递减速度减缓，远期轨迹点和近期轨迹点的被取为相近的权值。d为预先给定的调节系数，其值越大，轨迹点之间由于轨迹复杂度造成的权值差异程度就会越大。可以通过调节系数d，主观地对轨迹点权值差异受飞行轨迹复杂度影响程度进行调整。最终，得到输入向量(t₁,x₁,…,t_k-1,x_k-1,t_k,x_k)所对应的权值向量(w₁,w₂,…,w_k)。

步骤104：根据所述权值向量，基于加权最小二乘法，确定多项式轨迹预测输出模型，具体包括：

根据所述权值向量，基于加权最小二乘法，构建正规方程组。

根据所述正规方程组，确定多项式模型参数。

根据所述多项式模型参数，得到多个以时间为自变量的多项式轨迹预测模型。

根据多个所述多项式轨迹预测模型中，确定预测误差最小的多项式轨迹预测模型，将所述预测误差最小的多项式轨迹预测模型作为最终的多项式轨迹预测输出模型。

对于模型集内任意n次多项式，n∈N，基于加权最小二乘法原理，结合步骤103中所动态确定的权值w_i(i＝1,2,…,k)，寻找一个n次多项式表达式

其定义如下：

使得加权的误差平方和和ξ²最小，其中a_i(i＝0,1,…,n)为拟合多项式待定系数，则ξ²的表达式为：

在上式中，x_i(i＝1,2,…,n)为轨迹点横轴分量，t_i(i＝1,2,…,n)为其对应时间戳。对每个参数求偏导数为0有：

则可得相应的正规方程组为：

求解该正规方程组，得到多项式模型参数，则以时间为自变量的多项式轨迹预测模型。利用模型集中的多项式模型并行预测，可以得到多项式轨迹预测模型。将上一时刻各多项式模型对当前时刻位置信息的预测值与合作类无人机当前实际位置进行比较，选取预测误差最小的多项式模型，作为当前时刻预测结果的输出模型。

步骤105：根据所述多项式轨迹预测输出模型对合作类无人机轨迹进行实时预测。

根据给定的预测步长和所述多项式轨迹预测输出模型对合作类无人机轨迹进行预测，输出预测结果。

例如下一时刻预测位置为：

其中

和

分别为轨迹点横轴分量和纵轴分量所对应的根据上一时刻预测值选用的预测误差最小的多项式预测模型。特别的，在第一次预测时，由于缺少上一时刻预测结果，输出模型需预先给定。

本发明提出一种合作类无人机轨迹实时预测方法，针对合作类无人机短时飞行轨迹进行实时预测，该方法的优势体现在以下几个方面：首先，在数据采集过程中实时更新历史轨迹；其次，动态调整权重，基于加权最小二乘法原理，在一次拟合过程中，通过对所选取的轨迹点进行动态加权，更好地把握合作类无人机的飞行趋势；同时，该方法无需预先给定多项式阶次，而是采用多个多项式模型组成模型集进行并行预测，将当前时刻预测性能最优的多项式模型对下一预测时刻的预测值作为算法的输出，使得预测算法能更精确匹配合作类无人机飞行过程中不同的飞行模态，提高对合作类无人机未来短时飞行轨迹的实时预测精度。

图2为本发明合作类无人机轨迹实时预测系统结构图。如图2所示，一种合作类无人机轨迹实时预测系统包括：

位置信息获取模块201，用于获取合作类无人机带时间戳的位置信息。

输入向量确定模块202，用于根据所述合作类无人机带时间戳的位置信息选取距当前时刻最近的k个轨迹点的位置坐标，得到预测飞行轨迹的输入向量。

权值向量确定模块203，用于根据所述预测飞行轨迹的输入向量对轨迹点进行动态定权，得到输入向量对应的权值向量。

多项式轨迹预测输出模型确定模块204，用于根据所述权值向量，基于加权最小二乘法，确定多项式轨迹预测输出模型。

预测模块205，用于根据所述多项式轨迹预测输出模型对合作类无人机轨迹进行实时预测。

所述输入向量确定模块202，具体包括：

标准化单元，用于根据所述合作类无人机带时间戳的位置信息选取距当前时刻最近的k个轨迹点的位置坐标并进行标准化，得到标准化的位置坐标。

输入向量确定单元，用于根据所述标准化的位置坐标，确定预测飞行轨迹的输入向量。

所述权值向量确定模块203，具体包括：

飞行复杂程度确定单元，用于根据所述预测飞行轨迹的输入向量，得到合作类无人机当前一段时间的飞行复杂程度。

权值向量确定单元，用于根据所述飞行复杂度采用公式w_i＝(1.5-λ)^k-i对轨迹点进行动态定权，得到输入向量对应的权值向量。

其中，λ＝sigmoid(d·S)，d∈R^*，sigmoid(x)为常用的单增函数，对于

有sigmoid(x)∈[0.5,1)，λ为权值衰减系数，由于(d·S)∈[0，∞)，有λ∈[0.5，1)，则w_i-1≤w_i，i＝2,3,,...,k，距当前时刻越远的轨迹点，权值越小。

所述多项式轨迹预测输出模型确定模块204，具体包括：

正规方程组构建单元，用于根据所述权值向量，基于加权最小二乘法，构建正规方程组。

多项式模型参数确定单元，用于根据所述正规方程组，确定多项式模型参数。

多项式轨迹预测模型确定单元，用于根据所述多项式模型参数，得到多个以时间为自变量的多项式轨迹预测模型。

多项式轨迹预测输出模型确定单元，用于根据多个所述多项式轨迹预测模型中，确定预测误差最小的多项式轨迹预测模型，将所述预测误差最小的多项式轨迹预测模型作为最终的多项式轨迹预测输出模型。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (6)

1.一种合作类无人机轨迹实时预测方法，其特征在于，包括：

获取合作类无人机带时间戳的位置信息；

根据所述合作类无人机带时间戳的位置信息选取距当前时刻最近的k个轨迹点的位置坐标，得到预测飞行轨迹的输入向量；

根据所述预测飞行轨迹的输入向量对轨迹点进行动态定权，得到输入向量对应的权值向量；

所述根据所述预测飞行轨迹的输入向量对轨迹点进行动态定权，得到输入向量对应的权值向量，具体包括：

根据所述预测飞行轨迹的输入向量，得到合作类无人机当前一段时间的飞行复杂程度；

根据所述飞行复杂程度采用公式w_i＝(1.5-λ)^k-i对轨迹点进行动态定权，得到输入向量对应的权值向量；

其中，λ＝sigmoid(d·S)，d∈R^*，d为预先给定的调节系数，sigmoid(x)为常用的单增函数，对于

有sigmoid(x)∈[0.5,1)，λ为权值衰减系数，由于(d·S)∈[0，∞)，有λ∈[0.5，1)，S为飞行复杂程度；

根据所述权值向量，基于加权最小二乘法，确定多项式轨迹预测输出模型；

根据所述多项式轨迹预测输出模型对合作类无人机轨迹进行实时预测。

2.根据权利要求1所述的合作类无人机轨迹实时预测方法，其特征在于，所述根据所述合作类无人机带时间戳的位置信息选取距当前时刻最近的k个轨迹点的位置坐标，得到预测飞行轨迹的输入向量，具体包括：

根据所述合作类无人机带时间戳的位置信息选取距当前时刻最近的k个轨迹点的位置坐标并进行标准化，得到标准化的位置坐标；

根据所述标准化的位置坐标，确定预测飞行轨迹的输入向量。

3.根据权利要求1所述的合作类无人机轨迹实时预测方法，其特征在于，所述根据所述权值向量基于加权最小二乘法，确定多项式轨迹预测输出模型，具体包括：

根据所述权值向量，基于加权最小二乘法，构建正规方程组；

根据所述正规方程组，确定多项式模型参数；

根据所述多项式模型参数，得到多个以时间为自变量的多项式轨迹预测模型；

根据多个所述多项式轨迹预测模型中，确定预测误差最小的多项式轨迹预测模型，将所述预测误差最小的多项式轨迹预测模型作为最终的多项式轨迹预测输出模型。

4.一种合作类无人机轨迹实时预测系统，其特征在于，包括：

位置信息获取模块，用于获取合作类无人机带时间戳的位置信息；

输入向量确定模块，用于根据所述合作类无人机带时间戳的位置信息选取距当前时刻最近的k个轨迹点的位置坐标，得到预测飞行轨迹的输入向量；

权值向量确定模块，用于根据所述预测飞行轨迹的输入向量对轨迹点进行动态定权，得到输入向量对应的权值向量；

所述权值向量确定模块，具体包括：

飞行复杂程度确定单元，用于根据所述预测飞行轨迹的输入向量，得到合作类无人机当前一段时间的飞行复杂程度；

权值向量确定单元，用于根据所述飞行复杂程度采用公式w_i＝(1.5-λ)^k-i对轨迹点进行动态定权，得到输入向量对应的权值向量；

其中，λ＝sigmoid(d·S)，d∈R^*，d为预先给定的调节系数，sigmoid(x)为常用的单增函数，对于

有sigmoid(x)∈[0.5,1)，λ为权值衰减系数，由于(d·S)∈[0，∞)，有λ∈[0.5，1)，S为飞行复杂程度；

多项式轨迹预测输出模型确定模块，用于根据所述权值向量，基于加权最小二乘法，确定多项式轨迹预测输出模型；

预测模块，用于根据所述多项式轨迹预测输出模型对合作类无人机轨迹进行实时预测。

5.根据权利要求4所述的合作类无人机轨迹实时预测系统，其特征在于，所述输入向量确定模块，具体包括：

标准化单元，用于根据所述合作类无人机带时间戳的位置信息选取距当前时刻最近的k个轨迹点的位置坐标并进行标准化，得到标准化的位置坐标；

输入向量确定单元，用于根据所述标准化的位置坐标，确定预测飞行轨迹的输入向量。

6.根据权利要求4所述的合作类无人机轨迹实时预测系统，其特征在于，所述多项式轨迹预测输出模型确定模块，具体包括：

正规方程组构建单元，用于根据所述权值向量，基于加权最小二乘法，构建正规方程组；

多项式模型参数确定单元，用于根据所述正规方程组，确定多项式模型参数；

多项式轨迹预测模型确定单元，用于根据所述多项式模型参数，得到多个以时间为自变量的多项式轨迹预测模型；

多项式轨迹预测输出模型确定单元，用于根据多个所述多项式轨迹预测模型中，确定预测误差最小的多项式轨迹预测模型，将所述预测误差最小的多项式轨迹预测模型作为最终的多项式轨迹预测输出模型。

Images