基于Transformer模型的空战飞行器轨迹预测误差补偿方法

doi:10.7527/S1000-6893.2022.27413

电子电气工程与控制

本期目录 | 过刊浏览 | 高级检索

前一篇 | 后一篇

基于Transformer模型的空战飞行器轨迹预测误差补偿方法

张百川, 毕文豪(), 张安, 毛泽铭, 杨咪

西北工业大学航空学院，西安 710072

收稿日期:2022-05-10 修回日期:2022-05-22 接受日期:2022-06-10 出版日期:2022-06-20 发布日期:2022-06-17
通讯作者: 毕文豪 E-mail:biwenhao@nwpu.edu.cn
基金资助:
国家自然科学基金(62073267);航空科学基金(201905053001)

Transformer-based error compensation method for air combat aircraft trajectory prediction

Baichuan ZHANG, Wenhao BI(), An ZHANG, Zeming MAO, Mi YANG

School of Aeronautics，Northwestern Polytechnical University，Xi’an 710072，China

Received:2022-05-10 Revised:2022-05-22 Accepted:2022-06-10 Online:2022-06-20 Published:2022-06-17
Contact: Wenhao BI E-mail:biwenhao@nwpu.edu.cn
Supported by:
National Natural Science Foundation of China(62073267);Aeronautical Science Foundation of China(201905053001)

摘要/Abstract

摘要：

空战过程中对目标飞行器轨迹的精准预测，能够大幅提升我机取得空中优势的能力。为此，针对现有的各类轨迹预测算法求解出的基准预测值，提出了一种通用性强、计算耗时短、精度提升高的基于Transformer模型的预测误差补偿（TFPEC）方法，以进一步提高轨迹预测结果的准确性。首先，在基准预测值的基础上，建立了基于Transformer的特征提取模型来处理目标飞行器的历史轨迹序列，得到轨迹特征矩阵；其次，利用多层感知机结构对特征矩阵进行回归计算，求解轨迹预测误差补偿值；然后，利用傅里叶变换将轨迹变换到频域进行模值分析，计算误差补偿系数；最后，对基准预测值、误差补偿值以及补偿系数进行综合计算，以获得最终的轨迹预测结果。为验证所提方法的有效性，结合了4种现有轨迹预测算法，在飞行员一对一格斗空战中所产生的数据集上进行了测试。仿真结果表明所提方法能够有效地提升轨迹预测结果的精度，适用于空战环境下的飞行器轨迹预测任务。

关键词: 空战轨迹预测, 序列特征提取, 误差补偿, Transformer, 傅里叶变换

Abstract:

Accurate prediction results of the target aircraft trajectory can greatly improve the ability of our aircraft to gain air superiority in the process of air combat. This paper proposes a Transformer-based Prediction Error Compensation （TFPEC） method to further improve the accuracy of the trajectory prediction results based on the benchmarks generated by mature trajectory prediction algorithms. Firstly， a Transformer-based feature extraction model is established to process the historical trajectory sequence of the target aircraft， so as to obtain the trajectory feature matrix. Secondly， the multi-layer perceptron structure is used to perform regression calculation of the feature matrix， so as to calculate the trajectory prediction error compensation value. Thirdly， the Fourier transform is used to transform the trajectory into the frequency domain for modulo analysis， and to calculate the error compensation coefficient. Finally， the benchmark， the error compensation value， and the compensation coefficient are comprehensively calculated to obtain the final prediction result. The proposed method is tested on the one-on-one data set generated by pilots. The simulation results show that compared with the four existing trajectory prediction algorithms， the proposed method can effectively improve the accuracy of trajectory prediction results， and is applicable for aircraft trajectory prediction tasks in the air combat environment.

Key words: air combat trajectory prediction, sequence feature extraction, error compensation, Transformer, Fourier transform

中图分类号:

V249

张百川, 毕文豪, 张安, 毛泽铭, 杨咪. 基于Transformer模型的空战飞行器轨迹预测误差补偿方法[J]. 航空学报, 2023, 44(9): 327413-327413.

Baichuan ZHANG, Wenhao BI, An ZHANG, Zeming MAO, Mi YANG. Transformer-based error compensation method for air combat aircraft trajectory prediction[J]. ACTA AERONAUTICAET ASTRONAUTICA SINICA, 2023, 44(9): 327413-327413.

图/表 16

图 1

图 2

图 3

图 4

图 5

表 1

表 2

基于Transformer模型的预测误差补偿方法性能总体评估

数据集编号	预测步长 /ms	轨迹预测算法	基准预测值		误差补偿后结果		预测精度提升/%	运行时间增加/ms
数据集编号	预测步长 /ms	轨迹预测算法	平均绝对误差 /m	平均运行时间 /ms	平均绝对误差 /m	平均运行时间 /ms	预测精度提升/%	运行时间增加/ms
Ⅰ	1 000	CAPM	1.420 6	0.012 6	1.178 7	8.857 2	17.026 4	8.844 6
		KFTP	4.536 2	0.042 4	3.506 6	8.183 5	22.697 4	8.141 1
		PBTT-LSTM	3.309 7	1.447 9	2.022 0	10.407 4	38.906 8	8.959 5
		OIF-Elman	4.121 0	0.818 7	3.129 9	9.594 9	25.690 9	8.776 2

	2 000	CAPM	6.005 6	0.011 9	5.709 9	9.066 1	4.923 7	9.054 2
		KFTP	9.007 0	0.039 4	6.744 1	8.116 9	26.123 8	8.077 5
		PBTT -LSTM	9.893 7	1.396 8	7.307 9	10.022 8	26.135 8	8.626 0
		OIF-Elman	8.514 0	0.812 4	7.880 1	9.637 8	7.445 4	8.825 4

	3 000	CAPM	14.984 4	0.011 0	13.190 1	8.921 6	11.974 5	8.910 6
		KFTP	12.732 7	0.044 9	9.243 6	8.030 9	27.402 6	7.986 0
		PBTT -LSTM	13.085 5	1.399 3	9.410 9	10.075 9	28.081 5	8.676 6
		OIF-Elman	12.104 2	0.846 5	11.346 8	9.952 4	6.257 3	9.105 9

	4 000	CAPM	27.801 1	0.011 3	21.125 6	8.779 9	24.011 6	8.768 6
		KFTP	15.292 0	0.051 8	10.222 7	8.311 7	33.150 0	8.259 9
		PBTT -LSTM	14.943 1	1.408 7	10.136 0	10.098 3	32.169 4	8.689 6
		OIF-Elman	20.998 8	0.847 1	19.235 1	9.927 9	8.399 1	9.080 8

	5 000	CAPM	44.099 6	0.014 4	27.955 4	8.746 2	36.608 0	8.731 8
		KFTP	17.023 9	0.039 8	10.935 1	8.405 5	35.766 2	8.365 7
		PBTT -LSTM	16.161 9	1.397 0	10.973 9	10.116 4	32.100 2	8.719 4
		OIF-Elman	21.848 8	0.848 1	18.748 4	9.808 4	14.190 3	8.960 3

Ⅱ	1 000	CAPM	3.401 2	0.059 9	3.230 8	8.798 1	5.009 9	8.738 2
		KFTP	2.855 2	0.041 7	2.594 9	8.930 1	9.116 7	8.888 4
		PBTT -LSTM	3.830 4	1.466 1	3.173 2	11.185 9	17.157 5	9.719 8
		OIF-Elman	3.750 0	0.821 3	2.746 1	8.904 7	26.770 7	8.083 4

	2 000	CAPM	18.993 5	0.074 1	16.779 7	9.651 7	11.655 6	9.577 6
		KFTP	12.918 2	0.040 7	10.378 8	8.910 3	19.657 5	8.869 6
		PBTT -LSTM	14.709 6	1.537 8	12.700 8	10.176 1	13.654 6	8.638 3
		OIF-Elman	18.842 3	0.824 4	16.501 1	8.983 2	12.425 2	8.158 8

	3 000	CAPM	53.831 9	0.061 5	43.501 6	9.723 3	19.189 9	9.661 8
		KFTP	49.523 3	0.056 8	38.275 4	9.249 7	22.712 3	9.192 9
		PBTT -LSTM	48.170 4	1.578 9	31.658 6	10.341 4	34.277 9	8.762 5
		OIF-Elman	50.093 2	0.824 9	43.568 5	8.837 9	13.025 1	8.013 0

表 2

表 3

图 6

图 7

表 4

图 8

图 9

图 10

图 11

参考文献 22

1	张昊，金琳乘，王胜男. 基于OODA环的对地攻击流程半实物仿真验证方法［J］. 航空学报， 2021， 42（8）： 525788.
	ZHANG H， JIN L C， WANG S N. Semi-physical simulation verification method of air-to-ground attacking process with OODA loop［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（8）： 525788 （in Chinese）.
2	蒲志强，易建强，刘振，等. 知识和数据协同驱动的群体智能决策方法研究综述［J］. 自动化学报， 2022， 48（3）： 627-643.
	PU Z Q， YI J Q， LIU Z， et al. Knowledge-based and data-driven integrating methodologies for collective intelligence decision making： A survey［J］. Acta Automatica Sinica， 2022， 48（3）： 627-643 （in Chinese）.
3	奚之飞，徐安，寇英信，等. 基于改进粒子群算法辨识Volterra级数的目标机动轨迹预测［J］. 航空学报， 2020， 41（12）： 324183.
	XI Z F， XU A， KOU Y X， et al. Target maneuver trajectory prediction based on Volterra series identified by improved particle swarm algorithm［J］. Acta Aeronautica et Astronautica Sinica， 2020， 41（12）： 324183 （in Chinese）.
4	张博伦，周荻，吴世凯. 临近空间高超声速飞行器机动模型及弹道预测［J］. 系统工程与电子技术， 2019， 41（9）： 2072-2079.
	ZHANG B L， ZHOU D， WU S K. Maneuver model and trajectory prediction of near space hypersonic aircraft［J］. Systems Engineering and Electronics， 2019， 41（9）： 2072-2079 （in Chinese）.
5	BARRATT S T， KOCHENDERFER M J， BOYD S P. Learning probabilistic trajectory models of aircraft in terminal airspace from position data［J］. IEEE Transactions on Intelligent Transportation Systems， 2019， 20（9）： 3536-3545.
6	WIEST J， HÖFFKEN M， KREßEL U， et al. Probabilistic trajectory prediction with Gaussian mixture models［C］∥ 2012 IEEE Intelligent Vehicles Symposium. Piscataway： IEEE Press， 2012： 141-146.
7	郑天宇，姚郁，贺风华. 基于可学习EKF的高超声速飞行器航迹估计［J］. 哈尔滨工业大学学报， 2020， 52（6）： 160-170.
	ZHENG T Y， YAO Y， HE F H. Trajectory estimation of a hypersonic flight vehicle via L-EKF［J］. Journal of Harbin Institute of Technology， 2020， 52（6）： 160-170 （in Chinese）.
8	LI M， LU F， ZHANG H， et al. Predicting future locations of moving objects with deep fuzzy-LSTM networks［J］. Transportmetrica A Transport Science， 2020， 16（1）： 119-136.
9	ZYNER A， WORRALL S， NEBOT E. Naturalistic driver intention and path prediction using recurrent neural networks［J］. IEEE Transactions on Intelligent Transportation Systems， 2019， 21（4）： 1584-1594.
10	张宏鹏，黄长强，唐上钦，等. 基于卷积神经网络的无人作战飞机飞行轨迹实时预测［J］. 兵工学报， 2020， 41（9）： 1894-1903.
	ZHANG H P， HUANG C Q， TANG S Q， et al. CNN-based real-time prediction method of flight trajectory of unmanned combat aerial vehicle［J］. Acta Armamentarii， 2020， 41（9）： 1894-1903 （in Chinese）.
11	MA Z M， YAO M F， HONG T， et al. Aircraft surface trajectory prediction method based on LSTM with attenuated memory window［J］. Journal of Physics： Conference Series， 2019， 1215（1）： 012003.
12	王德运，陈奕青，耿亮. 基于模态分解与误差修正策略的原油价格组合预测研究［J］. 南昌工程学院学报， 2022， 41（1）： 22-31.
	WANG D Y， CHEN Y Q， GENG L. A novel hybrid model based on mode decomposition and error compensation strategy for crude oil price forecasting［J］. Journal of Nanchang Institute of Technology， 2022， 41（1）： 22-31 （in Chinese）.
13	王增平，赵兵，贾欣，等. 基于差分分解和误差补偿的短期电力负荷预测方法［J］. 电网技术， 2021， 45（7）： 2560-2568.
	WANG Z P， ZHAO B， JIA X， et al. Short-term power load forecasting method based on difference decomposition and error compensation［J］. Power System Technology， 2021， 45（7）： 2560-2568 （in Chinese）.
14	LIU H， TIAN H Q， LI Y F. Four wind speed multi-step forecasting models using extreme learning machines and signal decomposing algorithms［J］. Energy Conversion and Management， 2015， 100： 16-22.
15	刘帅，朱永利，张科，等. 基于误差修正ARMA-GARCH模型的短期风电功率预测［J］. 太阳能学报， 2020， 41（10）： 268-275.
	LIU S， ZHU Y L， ZHANG K， et al. Short-term wind power forecasting based on error correction ARMA-GARCH model［J］. Acta Energiae Solaris Sinica， 2020， 41（10）： 268-275 （in Chinese）.
16	VASWANI A， SHAZEER N， PARMAR N， et al. Attention is all You need［C］∥ Proceedings of the 31st International Conference on Neural Information Processing Systems. New York： ACM， 2017： 6000-6010.
17	周哲韬，刘路，宋晓，等. 基于Transformer模型的滚动轴承剩余使用寿命预测方法［J/OL］. 北京航空航天大学学报， 1-17 ［2021-08-28］. .
	ZHOU Z T， LIU L， SONG X， et al. Remaining useful life prediction method of rolling bearing based on Transformer model ［J/OL］. Journal of Beijing University of Aeronautics and Astronautics， 1-17 ［2021-08-28］. （in Chinese）.
18	IMMAS A， DO N， ALAM MR. Real-time in situ prediction of ocean currents［J］. Ocean Engineering， 2021， 228： 108922.
19	罗棕，杜春，陈浩，等. 基于Transformer层次预测的多星应急观测任务规划方法［J］. 航空学报， 2021， 42（4）： 524721.
	LUO Z， DU C， CHEN H， et al. Multi-satellite scheduling approach for emergency scenarios based on hierarchical forecasting with Transformer network［J］. Acta Aeronautica et Astronautica Sinica， 2021， 42（4）： 524721 （in Chinese）.
20	乔少杰，韩楠，朱新文，等. 基于卡尔曼滤波的动态轨迹预测算法［J］. 电子学报， 2018， 46（2）： 418-423.
	QIAO S J， HAN N， ZHU X W， et al. A dynamic trajectory prediction algorithm based on Kalman filter［J］. Acta Electronica Sinica， 2018， 46（2）： 418-423 （in Chinese）.
21	ZHU Y， LIU J L， GUO C， et al. Prediction of battlefield target trajectory based on LSTM［C］∥2020 IEEE 16th International Conference on Control & Automation （ICCA）. Piscataway： IEEE Press， 2020： 725-730.
22	XU X M， YANG R N， ZHANG T， et al. Trajectory prediction of target aircraft in air combat based on GA-OIF-Elman neural network［C］∥2019 IEEE International Conference on Artificial Intelligence and Computer Applications （ICAICA）. Piscataway： IEEE Press， 2019： 108-113.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

数据集编号	最大速度/（m·s^-1）	最大加速度/（m·s^-2）	数据集长度/s
Ⅰ	63.58	49.98	3 139.6
Ⅱ	366.38	86.21	3 890.4

数据集编号	预测步长 /ms	轨迹预测算法	基准预测值		误差补偿后结果		预测精度提升/%	运行时间增加/ms
数据集编号	预测步长 /ms	轨迹预测算法	平均绝对误差 /m	平均运行时间 /ms	平均绝对误差 /m	平均运行时间 /ms	预测精度提升/%	运行时间增加/ms
	4 000	CAPM	112.764 1	0.072 9	85.975 7	9.724 7	23.756 1	9.651 8
		KFTP	106.332 9	0.051 4	68.892 8	9.241 0	35.210 3	9.189 6
		PBTT-LSTM	97.392 9	1.538 0	62.933 5	10.158 9	35.381 8	8.620 9
		OIF-Elman	94.344 9	0.812 6	79.078 3	8.861 4	16.185 6	8.048 8

	5 000	CAPM	200.407 3	0.058 6	114.223 7	8.513 1	43.004 2	8.454 5
		KFTP	172.614 5	0.053 0	129.040 0	9.144 6	25.248 3	9.091 6
		PBTT -LSTM	159.042 8	1.525 8	104.025 8	10.174 2	33.335 1	8.648 4
		OIF-Elman	188.424 1	0.742 4	101.633 9	8.439 5	46.061 1	7.697 1

数据集编号	预测步长 /ms	基准预测值		误差补偿方法	误差补偿后结果		预测精度提升/%	运行时间增加/ms
数据集编号	预测步长 /ms	平均绝对误差 /m	平均运行时间 /ms	误差补偿方法	平均绝对误差 /m	平均运行时间 /ms	预测精度提升/%	运行时间增加/ms
Ⅰ	1 000	1.420 6	0.012 6	BPNN	1.179 2	4.384 7	16.992 8	4.372 1
				GRU	1.221 1	6.002 6	14.043 4	5.990 0
				TFPEC	1.178 7	8.857 2	17.026 4	8.844 6

	2 000	6.005 6	0.011 9	BPNN	5.610 8	4.876 6	6.573 9	4.864 7
				GRU	5.287 3	6.004 4	11.960 5	5.992 5
				TFPEC	5.709 9	9.066 1	4.923 7	9.054 2

	3 000	14.984 4	0.011 0	BPNN	13.814 5	4.847 5	7.807 5	4.836 5
				GRU	13.159 3	5.987 9	12.180 0	5.976 9
				TFPEC	13.190 1	8.921 6	11.974 5	8.910 6

	4 000	27.801 1	0.011 3	BPNN	23.780 1	4.858 8	14.463 5	4.847 5
				GRU	24.603 2	5.797 3	11.502 8	5.786 0
				TFPEC	21.125 6	8.779 9	24.011 6	8.768 6

	5 000	44.099 6	0.014 4	BPNN	35.348 0	5.019 9	19.845 1	5.005 5
				GRU	40.299 7	5.864 4	8.616 6	5.850 0
				TFPEC	27.955 4	8.746 2	36.608 0	8.737 8
Ⅱ	1 000	3.401 2	0.059 9	BPNN	3.325 5	4.843 9	2.225 7	4.784 0
				GRU	3.273 8	6.023 1	3.745 7	5.963 2
				TFPEC	3.230 8	8.798 1	5.009 9	8.738 2

	2 000	18.993 5	0.074 1	BPNN	17.333 2	4.671 2	8.741 4	4.597 1
				GRU	17.243 5	6.138 0	9.213 7	6.063 9
				TFPEC	16.779 7	9.651 7	11.655 6	9.577 6

	3 000	53.831 9	0.061 5	BPNN	46.001 3	4.807 6	14.546 4	4.746 1
				GRU	45.081 3	5.908 4	16.255 4	5.846 9
				TFPEC	43.501 6	9.723 3	19.189 9	9.661 8

	4 000	112.764 1	0.072 9	BPNN	92.779 2	4.791 8	17.722 8	4.718 9
				GRU	88.630 9	5.829 4	21.401 5	5.756 5
				TFPEC	85.975 7	9.724 7	23.756 1	9.651 8

	5 000	200.407 3	0.058 6	BPNN	179.852 2	4.127 1	10.256 7	4.068 5
				GRU	159.692 6	5.983 4	20.315 9	5.924 8
				TFPEC	114.223 7	8.513 1	43.004 2	8.454 5

频率阈值/Hz	平均绝对误差/m
0.25	505.583 8
0.5	233.185 2
0.75	165.333 7
1	114.223 7
1.25	144.388 4
1.5	146.482 9
1.75	149.548 7
2	153.265 0

[1]	郑伟, 王禹淞, 姜坤, 王奕迪. X射线脉冲星导航方法研究综述[J]. 航空学报, 2023, 44(3): 527451-527451.
[2]	戚连刚, 韩颜泽, 王亚妮, 国强, Kaliuzhny MYKOLA. 联合调频率拐点与FrFT的多分量LFM干扰抑制方法[J]. 航空学报, 2022, 43(8): 326840-326840.
[3]	王梓, 孙晓亮, 李璋, 程子龙, 于起峰. 基于Transformer模型的卫星单目位姿估计方法[J]. 航空学报, 2022, 43(5): 325298-325298.
[4]	应涛, 王雪宝, 田威, 周成, 侯小阳. 非合作无源探测中的参考信号提纯新方法[J]. 航空学报, 2022, 43(2): 325025-325025.
[5]	王大轶, 侯博文, 王炯琦, 葛东明, 李茂登, 徐超, 周海银. 航天器自主导航状态估计方法研究综述[J]. 航空学报, 2021, 42(4): 524310-524310.
[6]	罗棕, 杜春, 陈浩, 彭双, 李军. 基于Transformer层次预测的多星应急观测任务规划方法[J]. 航空学报, 2021, 42(4): 524721-524721.
[7]	史林, 韩宁, 宋祥君, 王立兵, 崔东辉. 基于虚拟慢时间的双基地ISAR成像算法[J]. 航空学报, 2019, 40(5): 322683-322683.
[8]	蔺小军, 崔彤, 杨碧颖, 杨锐, 辛晓鹏. 薄壁叶片叶型多工序加工检验模型建立方法[J]. 航空学报, 2019, 40(11): 423034-423034.
[9]	王龙飞, 张丽艳, 叶南. 一种适用于曲面结构的机器人制孔误差在线补偿技术[J]. 航空学报, 2019, 40(10): 422871-422871.
[10]	张瑶佳, 王莉, 尹振东, 高杨, 王帮亭. 基于HHT的航空直流串行电弧特征提取方法[J]. 航空学报, 2019, 40(1): 522404-522404.
[11]	骆长鑫, 张东洋, 雷虎民, 卜祥伟, 叶继坤. 输入受限的高超声速飞行器鲁棒反演控制[J]. 航空学报, 2018, 39(4): 321801-321801.
[12]	王国宏, 孙殿星, 白杰, 张翔宇. 基于预估-反馈联合处理的射频噪声干扰抑制算法[J]. 航空学报, 2018, 39(3): 321500-321500.
[13]	孟骞, 刘建业, 曾庆化, 冯绍军, 李荣冰. 一种改进双块补零北斗导航接收机弱信号捕获方法[J]. 航空学报, 2017, 38(8): 320833-320833.
[14]	谢立军, 杨云军, 刘周, 周伟江. 基于时间谱方法的飞行器动导数高效计算技术[J]. 航空学报, 2015, 36(6): 2016-2026.
[15]	丁岚, 毛新华, 朱岱寅. 基于两维空变滤波的PFA波前弯曲误差补偿[J]. 航空学报, 2015, 36(2): 605-613.

基于Transformer模型的空战飞行器轨迹预测误差补偿方法

Transformer-based error compensation method for air combat aircraft trajectory prediction

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 16

参考文献 22

相关文章 15

编辑推荐

Metrics

本文评价