摘 要： 針對高速高機動滑翔飛行器軌跡預(yù)測過程中任務(wù)場景定義不明確、 意圖先驗信息利用不充分等問題， 提出了一種基于中末制導(dǎo)交班點識別的軌跡預(yù)測方法。 首先， 構(gòu)建高速高機動飛行器滑翔至多個典型中末制導(dǎo)交班點的任務(wù)場景， 利用準(zhǔn)平衡滑翔制導(dǎo)方法生成軌跡數(shù)據(jù)集。 然后， 提出了一種基于長短期記憶（Long Short-Term Memory， LSTM）網(wǎng)絡(luò)的中末制導(dǎo)交班點識別方法， 利用跟蹤數(shù)據(jù)構(gòu)造特征序列， 對滑翔軌跡進行初步分類。 最后， 引入自注意力機制提升序列到序列（Sequence-to-Sequence， Seq2Seq）預(yù)測網(wǎng)絡(luò)的特征提取性能， 利用編碼-解碼的方式對分類后的滑翔軌跡進行長時預(yù)測。 仿真結(jié)果表明， 所提出的基于中末制導(dǎo)交班點識別的軌跡預(yù)測方法具有較高精度， 預(yù)測時長為120 s， 180 s和240 s時， 軌跡誤差分別在18.77 km， 36.91 km和57.75 km以內(nèi)； 相比于直接利用深度學(xué)習(xí)模型預(yù)測的方法， 所提出的預(yù)測方法在240 s的預(yù)測時長內(nèi)平均預(yù)測誤差降低了37.61%， 最大預(yù)測誤差降低了37.34%。

關(guān)鍵詞： 高速高機動飛行器; 長短期記憶網(wǎng)絡(luò); 中末制導(dǎo)交班點識別; 軌跡預(yù)測

中圖分類號： TJ765； V249

文獻標(biāo)識碼： A

文章編號：?IfVExVONvMOwdnfl+JDn9w==; 1673-5048（2024）05-0074-08

DOI： 10.12132/ISSN.1673-5048.2024.0058

0 引 言

高速高機動滑翔飛行器是一種利用自身高升阻比氣動外形提供升力， 在高度位于20～100 km范圍內(nèi)的臨近空間以馬赫數(shù)大于5的速度進行長時間、 遠距離滑翔的飛行器［1］。 該類飛行器憑借強大的縱深穿透能力、 精確打擊能力， 打破了傳統(tǒng)的戰(zhàn)略攻防平衡體系， 成為世界各軍事大國競爭博弈的焦點。 可以預(yù)見， 未來幾年高速高機動技術(shù)領(lǐng)域的競爭將越發(fā)激烈， 各國空天安全將面臨新的威脅［2］。 高速高機動飛行器的軌跡預(yù)測是實施攔截防御的前提條件， 不但可以為防御方盡早制定攔截方案提供數(shù)據(jù)支撐， 也可為攔截彈發(fā)射決策、 遭遇點解算提供依據(jù)， 是目前防御方研究的重要方向之一［3-4］。

從高速高機動飛行器軌跡預(yù)測技術(shù)的構(gòu)建方法來看， 目前研究重點可分為兩方面。 一是基于模型驅(qū)動的軌跡預(yù)測， 此類方法一般應(yīng)用于典型控制模式下， 通過特征參數(shù)辨識進行軌跡預(yù)測， 需要辨識的特征參數(shù)包括氣動參數(shù)、 總體參數(shù)和控制參數(shù)等。 這類方法的基本思路是利用高精度跟蹤數(shù)據(jù)估計上述特征參數(shù)和其變化規(guī)律， 并基于運動模型外推狀態(tài)實現(xiàn)軌跡預(yù)測。 李廣華［5］在假設(shè)高超聲速飛行器控制變量服從一定規(guī)律的條件下， 通過對攻角和傾側(cè)角濾波辨識， 研究了跳躍彈道和非跳躍彈道的預(yù)測問題； 張洪波等［6］將攻角和傾側(cè)角建模成一階Gauss-Markov過程， 聯(lián)合半速度坐標(biāo)系下的運動方程組成擴展?fàn)顟B(tài)變量實現(xiàn)了預(yù)測。 由于直接對攻角和傾側(cè)角建模會導(dǎo)致跟蹤和預(yù)測模型過于復(fù)雜， 并且難以提前獲取非合作目標(biāo)的本體參數(shù)， 部分學(xué)者轉(zhuǎn)而求解其他包含控制量信息的參量。 李世杰等［7］提取了與目標(biāo)攻角和傾側(cè)角有關(guān)且易于建模及預(yù)測的控制參數(shù)， 構(gòu)建了新的等效控制量； 王路等［8］通過分析高超聲速目標(biāo)

收稿日期： 2024-04-01

基金項目： 國家自然科學(xué)基金項目（12072027）； 河南省通用航空技術(shù)重點實驗室開放基金項目（ZH-KF-230201）

作者簡介： 馬康康（1995-）， 男， 甘肅華亭人， 碩士研究生。

*通信作者： 胡星志（1988-）， 男， 湖南永州人， 副研究員。

的升阻比變化規(guī)律， 擬合得到升阻比函數(shù)， 依據(jù)升阻比的預(yù)測積分完成軌跡預(yù)測；翟岱亮等［9］定義了

一組新的氣動參數(shù)， 通過對該參數(shù)的歷史數(shù)據(jù)進行擬合并預(yù)測其未來狀態(tài)； 陳南華等［10］利用自回歸集成滑動平均模型預(yù)測變機動高超聲速目標(biāo)的加速度， 結(jié)合無跡卡爾曼濾波（Unscented Kalman Filter， UKF）算法對目標(biāo)軌跡進行了預(yù)測。 基于模型驅(qū)動的預(yù)測方法具有較強的理論基礎(chǔ)和良好的可解釋性， 但現(xiàn)有的研究成果中并未明確定義此類方法適用的任務(wù)場景， 這導(dǎo)致實際預(yù)測過程中當(dāng)任務(wù)場景不匹配時該方法的預(yù)測精度較低。

航空兵器 2024年第31卷第5期

馬康康， 等： 基于中末制導(dǎo)交班點識別的高速高機動飛行器軌跡預(yù)測方法

另一方面是基于數(shù)據(jù)驅(qū)動的軌跡預(yù)測， 此類方法主要是將高速高機動飛行器的歷史軌跡視為包含時間和空間特征的特殊時間序列， 通過神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)進行特征提取、 統(tǒng)計分析， 最終實現(xiàn)對數(shù)據(jù)變化趨勢的預(yù)測。 胡星志等［11］將高斯過程回歸分析引入預(yù)測任務(wù)當(dāng)中， 建立了含噪聲輸入條件下的不確定軌跡預(yù)測模型， 能夠給出高精度預(yù)測結(jié)果及其概率分布； 李青勇等［12］研究了多步預(yù)測過程中模型的性能變化， 提出一種基于長短期記憶（Long Short-Term Memory， LSTM）網(wǎng)絡(luò)的Encode-Decoder軌跡預(yù)測技術(shù)， 能夠從歷史數(shù)據(jù)中提取更多的軌跡特征； 楊春偉等［13］針對滑翔式和跳躍式飛行軌跡預(yù)測問題， 利用LSTM網(wǎng)絡(luò)設(shè)計編碼器和解碼器， 提出一種基于注意力機制的序列到序列（Sequence-to-Sequence， Seq2Seq）軌跡預(yù)測模型， 可以對目標(biāo)的多種飛行軌跡進行有效預(yù)測； Zhang等［14］利用卷積運算代替了全連接運算， 提出一種基于卷積長短時記憶網(wǎng)絡(luò)（ConvLSTM）的軌跡預(yù)測方法， 可以更好地處理目標(biāo)的時空特征數(shù)據(jù)。 LSTM網(wǎng)絡(luò)有效緩解了循環(huán)神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中梯度消失或梯度爆炸的問題， 廣泛應(yīng)用于軌跡預(yù)測問題， 但隨預(yù)測時長增長， 其性能會不斷下降。 為進一步提高軌跡預(yù)測精度， 李明杰等［15］結(jié)合LSTM網(wǎng)絡(luò)提出一種基于控制參數(shù)估計的智能軌跡預(yù)測算法， 通過對控制參數(shù)變化規(guī)律的學(xué)習(xí)， 積分外推實現(xiàn)了軌跡預(yù)測； 蔡遠利等［16］、 宋波濤等［17］利用深度學(xué)習(xí)網(wǎng)絡(luò)提出一種彈道分類器和預(yù)測器， 先對目標(biāo)再入類型進行分類， 而后再對目標(biāo)軌跡進行預(yù)測， 為高速高機動飛行器的軌跡預(yù)測提供了新思路。 基于數(shù)據(jù)驅(qū)動的預(yù)測方法需要豐富的軌跡數(shù)據(jù)集訓(xùn)練模型， 但現(xiàn)有的研究成果在構(gòu)建軌跡數(shù)據(jù)集時對目標(biāo)的意圖先驗信息利用不充分， 這導(dǎo)致此類方法在目標(biāo)具有多種位置意圖時難以取得良好的預(yù)測效果。

高速高機動飛行器的軌跡是“設(shè)計、 優(yōu)化和控制”的結(jié)果， 其在滑翔段具有一定的目的性， 統(tǒng)計意義上存在規(guī)律， 可通過深度學(xué)習(xí)方法對其未來運動軌跡做出預(yù)測。 此外， 從目標(biāo)飛行器全程制導(dǎo)的角度來看， 當(dāng)目標(biāo)具有位置意圖時， 必然存在明確的中末制導(dǎo)交班點， 可以根據(jù)目標(biāo)的位置意圖推斷出其可能位置。 對于滑翔段準(zhǔn)平衡制導(dǎo)方法， 該交班點的位置作為終端約束， 直接參與制導(dǎo)算法運行， 可以通過識別中末制導(dǎo)交班點對準(zhǔn)平衡滑翔軌跡初步分類。 因此， 本文開展基于中末制導(dǎo)交班點識別的高速高機動飛行器軌跡預(yù)測方法研究。 為簡化問題， 暫不考慮禁飛區(qū)和主動博弈策略對飛行軌跡的影響， 構(gòu)建高速高機動飛行器在不同再入條件下以準(zhǔn)平衡滑翔彈道制導(dǎo)至多個典型交班點的任務(wù)場景， 生成目標(biāo)軌跡數(shù)據(jù)集。 然后， 基于中末制導(dǎo)交班點識別網(wǎng)絡(luò)， 對目標(biāo)軌跡進行分類。 最后， 基于Seq2Seq預(yù)測網(wǎng)絡(luò)， 在編碼器中引入自注意力機制提升特征提取性能， 通過編碼-解碼的結(jié)構(gòu)實現(xiàn)了目標(biāo)軌跡的多步預(yù)測。 仿真結(jié)果表明， 本文提出的基于中末制導(dǎo)交班點識別的預(yù)測方法優(yōu)于直接利用深度學(xué)習(xí)模型預(yù)測的方法， 可進一步提升軌跡預(yù)測精度。

1 高速高機動飛行器動力學(xué)模型及制導(dǎo)方法

1.1 動力學(xué)模型

忽略地球自轉(zhuǎn)， 在半速度坐標(biāo)系中建立飛行器三自由度運動方程［18］：

V·=－CDρV2Sm2m－μMr2sinθ

θ·=CLρVSm2mcosυ－μMr2cosθV

σ·=－CDρVSm2mcosθsinυ+Vtanφcos2θsinσrcosθr·=Vsinθ

λ·=－Vcosθsinσ/（rcosφ）

φ·=Vcosθcosσ/r （1）

式中： V為飛行器相對地球速度； θ為航跡傾角； σ為航跡偏角； r為地心距； λ和φ分別為經(jīng)度、 緯度； ρ為大氣密度； m為飛行器質(zhì)量； Sm為飛行器參考面積； μM為地球引力常數(shù)； CD與CL分別為阻力系數(shù)和升力系數(shù)， 控制參數(shù)攻角α隱含其中， 另一控制參數(shù)為傾側(cè)角υ。

1.2 準(zhǔn)平衡滑翔制導(dǎo)

相對于跳躍滑翔彈道， 準(zhǔn)平衡滑翔彈道具有高度變化平緩、 熱流密度和動壓峰值小等優(yōu)點， 攻角和傾側(cè)角曲線光滑， 易于姿態(tài)控制回路的跟蹤實現(xiàn)， 對飛行器的制導(dǎo)控制能力要求低， 被廣泛用于高超聲速飛行器滑翔段制導(dǎo)［19］。 本文利用準(zhǔn)平衡滑翔制導(dǎo)方法生成軌跡數(shù)據(jù)集， 具體分為基于航跡偏差角控制的側(cè)向制導(dǎo)和基于航程控制的縱向制導(dǎo)， 均是由中末制導(dǎo)交班點的狀態(tài)參數(shù)進行驅(qū)動， 這也為基于識別中末制導(dǎo)交班點進行預(yù)測提供了可行性。

1.2.1 側(cè)向航跡偏差角控制

航跡偏差角定義為從飛行器當(dāng)前位置到目標(biāo)的視線方向與當(dāng)前水平面內(nèi)速度方向的夾角：

Δσ=σLOS－σ（2）

式中： σLOS為視線角， 通過球面三角理論求得。 為了消除該航跡偏差角， 采用比例型誤差增益反饋的方式， 即

υ=－kσΔσ（3）

式中： υ為由航跡偏差角誤差反饋獲得的傾側(cè)角； kσ為設(shè)定的正增益系數(shù)。

1.2.2 縱向航程控制

根據(jù)準(zhǔn)平衡滑翔條件， 可推導(dǎo)出航跡傾角和航程解析關(guān)系式：

LR=RetanθlnRe+hRe+h1（4）

式中： h1為起始高度； h為當(dāng)前高度； LR表示從起始高度到當(dāng)前高度覆蓋的航程； Re為地球平均半徑。

基于式（4）， 根據(jù)航程要求可實時確定所需的航跡傾角， 并通過調(diào)整攻角進行準(zhǔn)平衡滑翔縱向軌跡控制：

tanθref=RelnRe+hfRe+h/LRtogo（5）

式中： LRtogo為待飛航程； hf為期望的終端高度； θref為所需的參考航跡傾角。

采用反饋線性化控制理論設(shè)計軌跡控制律， 經(jīng)推導(dǎo)可得

CLcmd=2mρVScosυgV－VRe+hcosθref+

2mρVScosυθ·ref－1τ（θ－θref）（6）

式中： CLcmd為升力系數(shù)指令； τ為時間常數(shù)。 據(jù)此可通過氣動參數(shù)插值獲得攻角α。

2 任務(wù)場景及軌跡數(shù)據(jù)集構(gòu)建

非合作高速高機動目標(biāo)的運動通常符合一定的運動規(guī)律或特定的任務(wù)場景， 因此， 首先對高速高機動飛行器滑翔段的任務(wù)場景進行明確定義。 假定根據(jù)目標(biāo)再入和防御方要地位置推斷出的中末制導(dǎo)交班點的位置如圖1所示。

定義的任務(wù)場景具體描述為： 高速高機動飛行器從某確定點O再入， 采用1.2節(jié)所述的準(zhǔn)平衡滑翔制導(dǎo)方法， 無動力滑翔至A， B， C三個典型的中末制導(dǎo)交班點。 在此任務(wù)場景下， 改變不同的初始再入狀態(tài)， 生成豐富的軌跡數(shù)據(jù)， 構(gòu)建軌跡數(shù)據(jù)集， 開展中末制導(dǎo)交班點識別及軌跡預(yù)測方法研究。 此任務(wù)場景中， 預(yù)設(shè)定的高速高機動飛行器再入點和典型中末制導(dǎo)交班點的位置參數(shù)如表1所示。

3 中末制導(dǎo)交班點識別模型

3.1 特征序列

中末制導(dǎo)交班點的識別屬于時間序列分類問題， 首

先應(yīng)當(dāng)確定能夠識別中末制導(dǎo)交班點的特征序列。 在本文所提任務(wù)場景中， 根據(jù)雷達跟蹤獲得的高速高機動飛行器軌跡信息， 防御方可持續(xù)計算目標(biāo)與預(yù)設(shè)的3個中末制導(dǎo)交班點間的剩余航程和航跡偏差角， 生成相應(yīng)的時間序列數(shù)據(jù)。 另外， 考慮速度特征反映了目標(biāo)飛行器當(dāng)前的能量狀態(tài)， 當(dāng)目標(biāo)滑翔至不同剩余航程交班點時， 速度變化也必然不同。 因此， 將目標(biāo)飛行器的速度也作為一個關(guān)鍵特征序列， 共獲得7個特征序列， 以此對中末制導(dǎo)交班點進行識別。 跟蹤過程中特征序列的生成示意圖如圖2所示。

目標(biāo)飛行器與中末制導(dǎo)交班點間的剩余航程為

L=arccos（sinφTsinφ+cosφTcosφcos（λT－λ））（7）

目標(biāo)飛行器與中末制導(dǎo)交班點的位置視線角為

σLOS=arctansin（λT－λ）cosφtanφT－sinφcos（λT－λ）（8）

式中： λT和φT為中末制導(dǎo)交班點的經(jīng)度和緯度。 由此根據(jù)式（2）可計算目標(biāo)飛行器和典型中末制導(dǎo)交班點的航跡偏差角。

3.2 LSTM識別網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network， RNN）常用于時間序列分類問題。 LSTM網(wǎng)絡(luò)作為RNN的改進網(wǎng)絡(luò)， 其主要思想是通過引入三個門， 即遺忘門、 輸入門、 輸出門， 來處理記憶單元的信息， 具備保存長期信息的能力， 可以較好地對信息的時間變化規(guī)律進行挖掘。 LSTM網(wǎng)絡(luò)單元結(jié)構(gòu)如圖3所示［20］。 圖中， Ct－1表示上一時刻的單元狀態(tài)； ht－1表示上一單元的輸出； xt表示當(dāng)前時刻的輸入； Ct與ht表示當(dāng)前時刻的單元狀態(tài)與輸出。

在前向傳播過程中， 遺忘門決定了當(dāng)前時刻的單元狀態(tài)Ct可以保留多少上一時刻單元狀態(tài)Ct－1的信息， 計算公式為

Ft=σ（Wf·［ht－1， xt］+bf）（9）

式中： σ（·）表示Sigmoid激活函數(shù)； Wf表示遺忘門的權(quán)重； bf表示遺忘門的偏置。 遺忘門通過Sigmoid函數(shù)將輸入與上一時刻的狀態(tài)映射為0～1之間的值來決定上一時刻狀態(tài)的保留情況， 1表示完全保留， 0表示舍棄。

然后由輸入門決定當(dāng)前時刻的單元狀態(tài)Ct可以保留多少當(dāng)前時刻的輸入xt。 輸入門首先通過tanh函數(shù)構(gòu)建候選向量C～t， 再通過Sigmoid函數(shù)選擇其遺忘的比例， 計算公式為

C～t=tanh（Wc·［ht－1， xt］+bc）（10）

it=σ（Wi·［ht－1， xt］+bi）（11）

式中： Wc與bc表示構(gòu)造候選向量時的權(quán)重與偏置； Wi與bi表示輸入門的權(quán)重與偏置。

最后， 由輸出門決定當(dāng)前時刻的單元狀態(tài)Ct有多少可以傳送到輸出ht， 計算公式為

Ct=Ft·Ct－1+it·C～t（12）

Ot=σ（Wo·［ht－1， xt］+bo）（13）

ht=Ot·tanh（Ct）（14）

式中： Ct為當(dāng)前時刻的單元狀態(tài)； Wo與bo分別表示輸出門權(quán)值和偏置； 當(dāng)前時刻的輸出ht為當(dāng)前狀態(tài)Ct經(jīng)過tanh后與Singmoid層的輸出Ot相乘后的結(jié)果。

基于LSTM的分類網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示， 包含一個序列輸入層（Sequence Input Layer）、 兩個全連接層（Fully Connected Layer）、 一個雙向長短期記憶網(wǎng)絡(luò)層（BiLSTM Layer）、 一個Softmax層和一個Classification層， 網(wǎng)絡(luò)的輸入為目標(biāo)飛行器的特征序列， 輸出為目標(biāo)飛行器滑翔至典型中末制導(dǎo)交班點的分類結(jié)果。

4 Seq2Seq軌跡預(yù)測模型

高速高機動飛行器的軌跡預(yù)測可視為時間序列預(yù)測問題。 基于LSTM網(wǎng)絡(luò)設(shè)計的Seq2Seq軌跡預(yù)測模型［12］， 建立了輸入序列和輸出序列的函數(shù)映射關(guān)系。 編碼器將跟蹤獲得的高速高機動飛行器軌跡作為輸入序列轉(zhuǎn)化為固定長度的上下文向量， 解碼器將這個固定長度的向量滾動解碼為可變長度的輸出序列作為預(yù)測的飛行軌跡。

4.1 編 碼 器

編碼器主要使用LSTM網(wǎng)絡(luò)， 將跟蹤的經(jīng)緯高軌跡數(shù)據(jù)xi作為輸入， 映射到狀態(tài)向量Ci和輸出向量hi當(dāng)中， 同時為了減少對不重要信息的關(guān)注， 引入自注意力機制， 通過對每一時刻LSTM層的輸出序列進行動態(tài)加權(quán)， 得到編碼網(wǎng)絡(luò)的輸出結(jié)果h～n， 這使得編碼網(wǎng)絡(luò)的輸出與LSTM層每一步的輸出直接相關(guān)， 可提升網(wǎng)絡(luò)特征提取性能。 引入自注意力機制的編碼網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

將LSTM網(wǎng)絡(luò)輸出向量hi作為Attention機制層的輸入， 根據(jù)不同時刻信息的重要性程度確定影響權(quán)重， 第i個輸入向量的得分計算公式為

ei=Φ（WThi+b） i=1， 2， …， n（15）

式中： W和b分別為權(quán)重矩陣和偏置向量; Φ（·）為得分函數(shù)， 可設(shè)置為神經(jīng)網(wǎng)絡(luò)中的激活函數(shù)， 如sigmoid函數(shù)。

通過softmax函數(shù)對式（15）進行標(biāo)準(zhǔn)化， 計算公式為

αi=softmax（ei）=exp（ei）∑ni=1exp（ei）（16）

注意力機制層最后的輸出結(jié)果表示為

h～n=∑ni=1αihi（17）

最終， 編碼器將LSTM最后的狀態(tài)cn和注意力機制層的輸出h～n合并為上下文向量V， 表示為

V=（h～n， cn）（18）

4.2 解 碼 器

解碼器主要是將固定長度的上下文向量V解碼成不定長度的輸出序列， 解碼器的結(jié)構(gòu)如圖6所示。

解碼器主要由LSTM層和全連接層組成。 LSTM層首先接收從編碼器傳下的上下文向量V和初始狀態(tài)y0， 然后輸出新的隱藏狀態(tài)， 通過滾動預(yù)測的原理， 不斷利用上一時刻的輸出yt－1與更新的隱藏狀態(tài)Vt－1實現(xiàn)多步軌跡預(yù)測。

4.3 軌跡預(yù)測方法

高速高機動飛行器在不同的任務(wù)場景當(dāng)中， 滑翔至不同的中末制導(dǎo)交班點生成的軌跡形狀不同， 如果使用統(tǒng)一的深度學(xué)習(xí)模型對目標(biāo)軌跡進行預(yù)測， 可能會增加網(wǎng)絡(luò)的訓(xùn)練難度， 難以取得良好的預(yù)測效果［17］。 因此， 根據(jù)探測系統(tǒng)的跟蹤數(shù)據(jù)和防御方重點保護目標(biāo)的信息， 對目標(biāo)可能的任務(wù)場景做出預(yù)判， 基于提出的中末制導(dǎo)交班點識別方法可對目標(biāo)軌跡進行分類。 同時， 識別到的中末制導(dǎo)交班點也可對攔截方案制定提供初步參考信息。 然后， 根據(jù)分類后的軌跡， 選擇相應(yīng)預(yù)訓(xùn)練好的軌跡預(yù)測模型， 對目標(biāo)軌跡進行預(yù)測， 為攔截彈發(fā)射決策、 遭遇點解算提供依據(jù)。 本文所提出的高速高機動飛行器軌跡預(yù)測方法總體思路如圖7所示。

5 仿真結(jié)果

本節(jié)通過數(shù)值仿真驗證所提出的基于中末制導(dǎo)交班點識別的軌跡預(yù)測算法性能。 采用文獻［21］中討論的高超聲速飛行器為具體研究對象， 利用其相應(yīng)的氣動參數(shù)和結(jié)構(gòu)參數(shù)進行三自由度準(zhǔn)平衡滑翔制導(dǎo)仿真。 再入點的初始狀態(tài)和準(zhǔn)平衡制導(dǎo)算法中的參數(shù)如表2所示， 通過交叉組合不同的初始狀態(tài)參數(shù)， 在目標(biāo)飛行器準(zhǔn)平衡滑翔至3個典型制導(dǎo)交班點的任務(wù)場景下， 共生成1 440條軌跡數(shù)據(jù)， 構(gòu)成軌跡數(shù)據(jù)集。 將數(shù)據(jù)集中的軌跡樣本按照8∶2劃分為訓(xùn)練集（Training Set）和測試集（Test Set）， 對中末制導(dǎo)交班點識別網(wǎng)絡(luò)和軌跡預(yù)測網(wǎng)絡(luò)進行訓(xùn)練和測試。

5.1 中末交班點識別結(jié)果

根據(jù)跟蹤過程中計算的特征序列對中末制導(dǎo)交班點進行識別， 圖8～10展示了從再入點準(zhǔn)平衡滑翔到3個典型制導(dǎo)交班點過程中800～1 200 s內(nèi)各特征序列變化趨勢。 因為目標(biāo)飛行器是以準(zhǔn)平衡滑翔彈道飛行至交班點， 所以各特征序列均為單調(diào)變化， 速度特征反映了飛行器的當(dāng)前剩余能量狀態(tài)， 航跡偏差角和剩余航程特征反映了飛行器準(zhǔn)平衡滑翔的制導(dǎo)意圖。 對比圖8～10可以看出， 當(dāng)目標(biāo)制導(dǎo)到不同交班點時， 其速度變化大小不同； 表征航跡偏差角的特征序列在目標(biāo)軌跡對應(yīng)到相應(yīng)交班點時逐漸收斂到0， 而與其他交班點的航跡偏差逐漸發(fā)散； 表征剩余航程的特征序列均在逐漸減小， 但滑翔至不同交班點的變化大小不同。 從長期來看， 當(dāng)目標(biāo)滑翔至某交班點時， 相對應(yīng)的速度和剩余航程變化會下降更快。 綜合以上特征序列可對目標(biāo)滑翔軌跡做初步分類。

LSTM識別網(wǎng)絡(luò)輸入的特征序列長度設(shè)為120 s， Bi-LSTM層中神經(jīng)單元個數(shù)為200， 訓(xùn)練時使用交叉熵損失函數(shù)、 優(yōu)化器為Adam、 學(xué)習(xí)率設(shè)置為0.001、 批大小為60， 最大迭代次數(shù)為500。 采用分類準(zhǔn)確率（ACC）作為交班點識別網(wǎng)絡(luò)度量指標(biāo)， 網(wǎng)絡(luò)的分類性能用混淆矩陣表示。 從圖11～12可以看出， 在此任務(wù)場景下， 網(wǎng)絡(luò)分類效果顯著， 在測試集中準(zhǔn)確率達到98%以上， 可以有效識別場景中的中末制導(dǎo)交班點位置， 實現(xiàn)預(yù)測軌跡分類。

5.2 軌跡預(yù)測結(jié)果

對滑翔至不同中末制導(dǎo)交班點的軌跡分別構(gòu)建Seq2Seq預(yù)測網(wǎng)絡(luò)進行訓(xùn)練， 輸入序列長度設(shè)為120 s， 輸出序列長度設(shè)為240 s， 編碼器和解碼器的神經(jīng)元個數(shù)為256， 訓(xùn)練時的損失函數(shù)選用均方誤差MSE、 優(yōu)化器為Adam、 學(xué)習(xí)率設(shè)置為0.001、 批大小為60， 最大迭代次數(shù)為1 200。 將目標(biāo)位置從經(jīng)緯高坐標(biāo)系轉(zhuǎn)化到地心地固坐標(biāo)系［22］， 使用真實軌跡點和預(yù)測軌跡點的空間距離誤差（ESD）［15］表示預(yù)測網(wǎng)絡(luò)的精度：

ESD=（xk－x^k）2+（yk－y^k）2+（zk－z^k）2（19）

式中： （xk， yk， zk）和（x^k， y^k， z^k）分別為k時刻飛行器在地心地固坐標(biāo)系下的真實軌跡坐標(biāo)和預(yù)測軌跡坐標(biāo)。

在對目標(biāo)中末制導(dǎo)交班點位置準(zhǔn)確識別的情況下， 目標(biāo)飛行器的軌跡預(yù)測結(jié)果如圖13～14所示。 從圖14可以看出， 預(yù)測時間越短， 預(yù)測精度越高。 預(yù)測時長為120 s時， 軌跡誤差均在18.77 km以內(nèi)； 預(yù)測時長為180 s時， 軌跡誤差在均36.91 km以內(nèi)； 預(yù)測時長為240 s時， 軌跡誤差均在57.75 km以內(nèi)。 所提出的基于中末制導(dǎo)交班點識別的軌跡預(yù)測方法可以有效預(yù)測目標(biāo)飛行器的準(zhǔn)平衡滑翔軌跡。

5.3 與直接預(yù)測方法對比結(jié)果

為驗證中末交班點識別網(wǎng)絡(luò)對后續(xù)軌跡預(yù)測精度的影響， 在不分類的情況下直接構(gòu)建Seq2Seq預(yù)測網(wǎng)絡(luò)進行訓(xùn)練， 網(wǎng)絡(luò)的輸入序列長度仍為120 s， 輸出長度仍為240 s， 網(wǎng)絡(luò)的結(jié)構(gòu)參數(shù)和訓(xùn)練參數(shù)與5.2節(jié)設(shè)置相同。 在本文所構(gòu)建的任務(wù)場景下， 基于中末制導(dǎo)交班點識別先分類再預(yù)測（方法1）的測試結(jié)果和直接預(yù)測（方法2）的測試結(jié)果對比如圖15～17所示， 預(yù)測時長為120 s， 180 s和240 s時的平均預(yù)測誤差（AESD）和最大預(yù)測誤差（MESD）對比如表3所示。

從圖15～17可以看出， 基于中末制導(dǎo)交班點識別先分類再預(yù)測的方法軌跡預(yù)測誤差曲線存在波動， 而直接預(yù)測的方法由于利用目標(biāo)飛行器準(zhǔn)平衡滑翔至3個典型中末制導(dǎo)交班點的所有軌跡訓(xùn)練集訓(xùn)練深度學(xué)習(xí)網(wǎng)絡(luò)， 其預(yù)測誤差曲線較平滑。 相比于直接利用深度學(xué)習(xí)模型進行軌跡預(yù)測， 基于中末制導(dǎo)交班點識別先分類再預(yù)測的方法顯著降低了軌跡預(yù)測誤差， 且隨預(yù)測時間增長， 先分類再預(yù)測的方法優(yōu)勢愈加明顯。

從表3可以看出， 預(yù)測時長為120 s， 180 s和240 s時， 先分類再預(yù)測的方法使得平均軌跡預(yù)測誤差降低了39.43%， 36.81%和37.61%， 最大預(yù)測誤差降低了32.48%， 33.03%和37.34%。

6 結(jié) 論

針對高速高機動滑翔飛行器軌跡預(yù)測過程中任務(wù)場景定義不明確、 意圖先驗信息利用不充分等問題， 開展了基于中末制導(dǎo)交班點識別的軌跡預(yù)測方法研究。

（1） 提出一種基于中末制導(dǎo)交班點識別的滑翔軌跡分類方法， 分類準(zhǔn)確率在98%以上， 可以有效識別典型任務(wù)場景下目標(biāo)的制導(dǎo)意圖。

（2） 基于中末制導(dǎo)交班點識別結(jié)果， 利用Seq2Seq網(wǎng)絡(luò)實現(xiàn)了滑翔軌跡的長時預(yù)測。 預(yù)測時長為120 s， 180 s和240 s時， 軌跡誤差分別在18.77 km， 36.91 km和57.75 km以內(nèi)。 相比于直接預(yù)測的方法， 基于中末制導(dǎo)交班點識別的預(yù)測方法平均預(yù)測誤差分別降低了39.43%， 36.81%和37.61%， 最大預(yù)測誤差分別降低了32.48%， 33.03%和37.34%。

參考文獻：

［1］ 蘭旭輝， 熊家軍， 張君彪， 等. 臨近空間高超聲速飛行器軌跡預(yù)測技術(shù)［M］. 武漢： 華中科技大學(xué)出版社， 2022： 1-5.

Lan Xuhui， Xiong Jiajun， Zhang Junbiao， et al. Trajectory Prediction Technology of Near Space Hypersonic Vehicle［M］. Wuhan： Huazhong University of Science and Technology Press， 2022： 1-5.（in Chinese）

［2］ 趙良玉， 雍恩米， 王波蘭. 反臨近空間高超聲速飛行器若干研究進展［J］. 宇航學(xué)報， 2020， 41（10）： 1239-1250.

Zhao Liangyu， Yong Enmi， Wang Bolan. Some Achievements on Interception of Near Space Hypersonic Vehicles［J］. Journal of Astronautics， 2020， 41（10）： 1239-1250.（in Chinese）

［3］ 周池軍， 李明杰， 雷虎民. 臨近空間再入滑翔目標(biāo)軌跡預(yù)測研究進展綜述［J］. 飛航導(dǎo)彈， 2021（6）： 127-132.

Zhou Chijun， Li Mingjie， Lei Humin. Review on Research Progress in Trajectory Prediction for Near Space Reentry Gliding Target ［J］. Aerodynamic Missile Journal， 2021（6）： 127-132.（in Chinese）

［4］ 邵雷， 雷虎民， 趙錦. 臨近空間高超聲速飛行器軌跡預(yù)測方法研究進展［J］. 航空兵器， 2021， 28（2）： 34-39.

Shao Lei， Lei Humin， Zhao Jin. Research Progress in Trajectory Prediction for Near Space Hypersonic Vehicle［J］. Aero Weaponry， 2021， 28（2）： 34-39.（in Chinese）

［5］ 李廣華. 高超聲速滑翔飛行器運動特性分析及彈道跟蹤預(yù)報方法研究［D］. 長沙： 國防科學(xué)技術(shù)大學(xué)， 2016.

Li Guanghua. Motion Characteristics Analysis and Trajectory Prediction for Hypersonic Glide Vehicles［D］.Changsha： National University of Defense Technology， 2016. （in Chinese）

［6］ 張洪波， 黃景帥， 李廣華， 等. 典型控制規(guī)律滑翔飛行器的軌跡預(yù)測方法［J］. 現(xiàn)代防御技術(shù)， 2017， 45（4）： 112-118.

Zhang Hongbo， Huang Jingshuai， Li Guanghua， et al. Trajectory Prediction of Glide Vehicle Based on Typical Control Law［J］. Modern Defence Technology， 2017， 45（4）： 112-118.（in Chinese）

［7］ 李世杰， 雷虎民， 周池軍， 等. 基于控制變量估計的高超聲速再入滑翔目標(biāo)軌跡預(yù)測算法［J］. 系統(tǒng)工程與電子技術(shù)， 2020， 42（10）： 2320-2327.

Li Shijie， Lei Humin， Zhou Chijun， et al. Trajectory Prediction Algorithm for Hypersonic Reentry Gliding Target Based on Control Variables Estimation［J］. Systems Engineering and Electronics， 2020， 42（10）： 2320-2327.（in Chinese）

［8］ 王路， 邢清華， 毛藝帆. 基于升阻比變化規(guī)律的再入高超聲速滑翔飛行器軌跡預(yù)測算法［J］. 系統(tǒng)工程與電子技術(shù)， 2015， 37（10）： 2335-2340.

Wang Lu， Xing Qinghua， Mao Yifan. Trajectory Prediction of Reentry Hypersonic Glide Vehicle Based on Changing Rule of Lift-Drag Ratio［J］. Systems Engineering and Electronics， 2015， 37（10）： 2335-2340.（in Chinese）

［9］ 翟岱亮， 雷虎民， 李海寧， 等. 面向軌跡預(yù)測的高超聲速飛行器氣動性能分析［J］. 固體火箭技術(shù)， 2017， 40（1）： 115-120.

Zhai Dailiang， Lei Humin， Li Haining， et al. Trajectory Prediction Oriented Aerodynamic Performances Analysis of Hypersonic Vehicles［J］. Journal of Solid Rocket Technology， 2017， 40（1）： 115-120.（in Chinese）

［10］ 陳南華， 趙良玉， 雍恩米， 等. 變機動高超聲速滑翔目標(biāo)的軌跡序列預(yù)測算法［J］. 航空兵器， 2021， 28（2）： 40-48.

Chen Nanhua， Zhao Liangyu， Yong Enmi， et al. Trajectory Sequence Prediction Algorithm for Hypersonic Gliding Target with Variable Maneuver［J］. Aero Weaponry， 2021， 28（2）： 40-48.（in Chinese）

［11］ 胡星志， 王旭， 江雄， 等. 基于高斯過程回歸的高超聲速飛行器不確定軌跡預(yù)測［J］. 空天技術(shù)， 2022（4）： 49-61.

Hu Xingzhi， Wang Xu， Jiang Xiong， et al. Uncertain Trajectory Prediction of Hypersonic Flight Vehicles Based on Gaussian Process Regression［J］. Aerospace Technology， 2022（4）： 49-61.（in Chinese）

［12］ 李青勇， 何兵， 張顯煬， 等. 基于LSTM的Encoder-Decoder多步軌跡預(yù)測技術(shù)［J］. 航空兵器， 2021， 28（2）： 49-54.

Li Qingyong， He Bing， Zhang Xianyang， et al. Encoder-Decoder Multi-Step Trajectory Prediction Technology Based on LSTM［J］. Aero Weaponry， 2021， 28（2）： 49-54.（in Chinese）

［13］ 楊春偉， 劉炳琪， 王繼平， 等. 基于注意力機制的高超聲速飛行器LSTM智能軌跡預(yù)測［J］. 兵工學(xué)報， 2022， 43（S2）： 78-86.

Yang Chunwei， Liu Bingqi， Wang Jiping， et al. LSTM Intelligent Trajectory Prediction for Hypersonic Vehicles Based on Attention Mechanism［J］. Acta Armamentarii， 2022， 43（S2）： 78-86.（in Chinese）

［14］ Zhang J B， Xiong J J， Lan X H， et al. Trajectory Prediction of Hypersonic Glide Vehicle Based on Empirical Wavelet Transform and Attention Convolutional Long Short-Term Memory Network［J］. IEEE Sensors Journal， 2022， 22（5）： 4601-4615.

［15］ 李明杰， 周池軍， 雷虎民， 等. 基于控制參數(shù)估計的再入滑翔目標(biāo)智能軌跡預(yù)測算法［J］. 系統(tǒng)工程與電子技術(shù)， 2023， 45（1）： 221-233.

Li Mingjie， Zhou Chijun， Lei Humin， et al. An Intelligent Tra-jectory Prediction Algorithm of Reentry Glide Target Based on Control Parameter Estimation［J］. Systems Engineering and Electro-nics， 2023， 45（1）： 221-233.（in Chinese）

［16］ 蔡遠利， 鄧逸凡， 蘇悅?cè)A. 高超聲速飛行器LSTM彈道分類與預(yù)報方法［C］∥ 第21屆中國系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)年會， 2020： 311-315.

Cai Yuanli， Deng Yifan， Su Yuehua. LSTM Based Trajectory Classification and Prediction for Hypersonic Vehicle［C］∥ 21th China Conference on System Simulation Technology and its Application， 2020： 311-315.（in Chinese）

［17］ 宋波濤， 許廣亮. 基于LSTM與1DCNN的導(dǎo)彈軌跡預(yù)測方法［J］. 系統(tǒng)工程與電子技術(shù)， 2023， 45（2）： 504-512.

Song Botao， Xu Guangliang. Missile Trajectory Prediction Method Based on LSTM and 1DCNN［J］. Systems Engineering and Electronics， 2023， 45（2）： 504-512.（in Chinese）

［18］ Li G H， Zhang H B， Tang G J. Maneuver Characteristics Analysis for Hypersonic Glide Vehicles［J］. Aerospace Science and Technology， 2015， 43： 321-328.

［19］ 包為民， 朱建文， 張洪波， 等. 高超聲速飛行器全程制導(dǎo)方法［M］. 北京： 科學(xué)出版社， 2021.

Bao Weimin， Zhu Jianwen， Zhang Hongbo， et al. Full-Course Guidance Method for Hypersonic Vehicle［M］. Beijing： Science Press， 2021.（in Chinese）

［20］ Graves A. Supervised Sequence Labelling with Recurrent Neural Networks［M］. Berlin： Springer， 2012： 37-45.

［21］ Keshmiri S， Colgren R， Mirmirani M. Six DoF Nonlinear Equations of Motion for a Generic Hypersonic Vehicle［C］∥AIAA Atmospheric Flight Mechanics Conference and Exhibit， 2007.

［22］ 吳德偉. 導(dǎo)航原理［M］. 2版. 北京： 電子工業(yè)出版社， 2020.

Wu Dewei. Navigation Principle［M］. 2nd ed. Beijing： Publishing House of Electronics Industry， 2020.（in Chinese）

A Trajectory Prediction Method for High-Speed and

High-Maneuverability Glide Vehicle Based on Mid-Terminal

Guidance Handover Point Identification

Ma Kangkang1， Zhao Liangyu1， Hu Xingzhi2*， Li Mingjie2

（1. School of Aerospace Engineering， Beijing Institute of Technology， Beijing 100081， China；

2. Beijing Aerohydrodynamic Research Center， Beijing 100120， China）

Abstract： Addressing the challenges of unclear mission scenario definition and insufficient intent prior information utilization in the trajectory prediction process for high-speed and high-maneuverability glide vehicle， a trajectory prediction method for high-speed and high-maneuverability glide vehicle based on mid-terminal guidance handover point identification is proposed. Firstly， a mission scenario involving the gliding of high-speed and high-maneuverability vehicle towards multiple typical guidance handover points is constructed. A quasi-equilibrium glide guidance method is employed to generate trajectory datasets. Secondly， a guidance handover point recognition method based on long short-term memory network is proposed， utilizing tracking data to construct feature sequences for preliminary classification of glide trajectory. Finally， the self-attention mechanism is introduced to improve the feature extraction performance of sequence-to-sequence prediction networks， and encoder-decoder method is employd to predict the classified glide trajectory in the long term. Simulation results show that the trajectory prediction method based on mid-terminal guidance handover point identification exhibits high accuracy. For prediction times of 120 s， 180 s， and 240 s， the trajectory errors remain within 18.77 km， 36.91 km， and 57.75 km， respectively. Compared to directly utilizing a deep learning mo-del for prediction， the proposed prediction method demonstrates a reduction of 37.61% in average prediction error and 37.34% in maximum prediction error within a prediction time of 240 s.

Key words： high-speed and high-maneuverability vehicle; long short-term memory network; mid-terminal gui-dance handover point identification; trajectory prediction