空战格斗飞行机动数据库建立及应用

doi:10.7527/S1000-6893.2022.27538

论文

本期目录 | 过刊浏览 | 高级检索

前一篇 | 后一篇

空战格斗飞行机动数据库建立及应用

马金毅, 王灿, 薛涛, 艾剑良, 董一群()

复旦大学航空航天系，上海 200433

收稿日期:2022-05-09 修回日期:2022-05-30 接受日期:2022-06-20 出版日期:2023-06-25 发布日期:2022-06-24
通讯作者: 董一群 E-mail:yiqundong@fudan.edu.cn
基金资助:
上海市青年科技英才扬帆计划(20YF1402500);上海市自然科学基金(22ZR1404500)

Development and illustrative applications of an air combat engagement database

Jinyi MA, Can WANG, Tao XUE, Jianliang AI, Yiqun DONG()

Department of Aeronautics and Astronautics，Fudan University，Shanghai 200433，China

Received:2022-05-09 Revised:2022-05-30 Accepted:2022-06-20 Online:2023-06-25 Published:2022-06-24
Contact: Yiqun DONG E-mail:yiqundong@fudan.edu.cn
Supported by:
Shanghai Sailing Program(20YF1402500);Natural Science Foundation of Shanghai(22ZR1404500)

摘要/Abstract

摘要：

空战格斗任务面临环境高复杂性、博弈强对抗性、响应高实时性、信息不完整性、边界不确定性等多项挑战。为此，已建立人类飞行员空战格斗飞行机动数据库ACED（Air Combat Engagement Database），系统采集人类优秀飞行员空战格斗飞行机动数据。基于该数据库，首先分析了空战格斗飞行机动方程，提出应重点分析飞行员在空战任务中的滚转角及法向过载决策指令；研究确定了近距空战格斗任务中的人类飞行员飞行机动决策时间窗，并采用能量谱分析方法确定了飞行员在近距空战格斗飞行机动中的滚转角决策频率；针对采用航炮作为主武器的近距空战格斗任务，研究了近距空战格斗敌机轨迹预测算法。相关方法可有效预测航炮炮弹生命周期内的敌机未来轨迹，有力支撑了航炮自动火控算法的研发，助力在相关空战竞赛中取得优异成绩。本文系列应用示例验证了已建立的空战格斗飞行机动数据库的有效性。

关键词: 自主空战, 近距空战格斗, 人-机协同, 飞行机动数据库, 机器学习

Abstract:

The main challenges in autonomous air combat mission include complex environment， strong gaming， fast dynamics， insufficient information， and uncertain boundaries. Nowadays， artificial intelligence （especially human-machine collaborative intelligence） has provided a good opportunity for addressing these challenges. We thus constructed an Air Combat Engagement Database （ACED）. The ACED database is currently focused on Within-Visual-Range （WVR） air combat， which allocates the flight states and controls of experienced human pilots in WVR air combat missions. Based on this database， we first investigate the flight dynamics in air combat missions， and pro-pose that we should primarily analyze the roll angle and vertical load factor for researching the human pilot decision-making. The time window of pilot decision-making in WVR air combat is also studied， and the frequency of pilots maneuvering decision-making is analyzed by energy spectrum method. Moreover， the enemy aircraft trajectory prediction algorithm in WVR air combat is studied， the optimal key parameters of the algorithm are obtained for the trajectory prediction of different types of enemy aircraft. These illustrative applications verify the database established in this paper.

Key words: autonomous air combat, within-visual-range, human-machine collaboration, air combat engagement database, machine learning

中图分类号:

V249

马金毅, 王灿, 薛涛, 艾剑良, 董一群. 空战格斗飞行机动数据库建立及应用[J]. 航空学报, 2023, 44(S1): 727538-727538.

Jinyi MA, Can WANG, Tao XUE, Jianliang AI, Yiqun DONG. Development and illustrative applications of an air combat engagement database[J]. Acta Aeronautica et Astronautica Sinica, 2023, 44(S1): 727538-727538.

图/表 10

表 1

图 1

图 2

图 3

图 4

表 2

图 5

图 6

图 7

图 8

参考文献 32

1	BURGIN G H， OWENS A J. An adaptive maneuvering logic computer program for the simulation of one-to-one air-to-air combat. Volume 2： Program description： NASA CR 2583［R］. Washington D. C.： NASA， 1975.
2	BURGIN G H， OWENS A J. An adaptive maneuvering logic computer program for the simulation of one-to-one air-to-air combat. Volume 1： General description： NASA CR 2582［R］. Washington D. C.： NASA， 1975.
3	BURGIN G H， EGGLESTON D M. Design of an all-attitude flight control system to execute commanded bank angles and angles of attack： NASA CR 145004［R］. Washington D. C.： NASA， 1976.
4	HANKINS III WW. Computer-automated opponent for manned air-to-air combat simulations： NASA TP-1518［R］. Washington D. C.： NASA， 1979.
5	GOODRICH K H， MCMANUS J W. Development of a tactical guidance research and evaluation system （TGRES）［C］∥Flight Simulation Technologies Conference and Exhibit. Reston： AIAA， 1989： 3312.
6	GOODRICH K H， MCMANUS J W. An integrated environment for tactical guidance research and evaluation［C］∥Orbital Debris Conference： Technical Issues andFuture Directions. Reston： AIAA， 1990： 1287.
7	GOODRICH K H. A high-fidelity， six-degree-of-freedom batch simulation environment for tactical guidance research and evaluation： NASA TM-4440［R］. Washington D. C.： NASA， 1993.
8	BATTERSON J G， MORELLI E A. Parameter identification flight test maneuvers for closed loop modeling of the F-18 High Alpha Research Vehicle （HARV）： NASACR-198269［R］. Washington D. C.： NASA， 1996.
9	ILIFF K W， WANG K C. Flight-determined subsonic longitu-dinal stability and control derivatives of the F-18 High Angle of Attack Research Vehicle （HARV） with thrust vectoring： NASA/TP-97-206539［R］. Washington D. C.： NASA， 1997.
10	AUSTIN F， CARBONE G， FALCO M， et al. Game theory for automated maneuvering during air-to-air combat［J］. Journal of Guidance， Control， and Dynamics， 1990， 13（6）： 1143-1149.
11	徐光达，吕超，王光辉，等. 基于双矩阵对策的UCAV空战自主机动决策研究［J］. 舰船电子工程， 2017， 37（11）： 24-28， 39.
	XU G D， LV C， WANG G H， et al. Research on UCAV autonomous air combat maneuvering decision-making based on Bi-matrix game［J］. Ship Electronic Engineering， 2017， 37（11）： 24-28， 39 （in Chinese）.
12	MA Y F， MA X L， SONG X. A case study on air combat decision using approximated dynamic programming［J］. Mathematical Problems in Engineering， 2014， 2014： 1-10.
13	MCGREW J S， HOW J P， WILLIAMS B， et al. Air-combat strategy using approximate dynamic programming［J］. Journal of Guidance， Control， and Dynamics， 2010， 33（5）： 1641-1654.
14	VIRTANEN K， RAIVIO T， HAMALAINEN R P. Modeling pilot’s sequential maneuvering decisions by a multistage influence diagram［J］. Journal of Guidance， Control， and Dynamics， 2004， 27（4）： 665-677.
15	VIRTANEN K， KARELAHTI J， RAIVIO T. Modeling air combat by a moving horizon influence diagram game［J］. Journal of Guidance， Control， and Dynamics， 2006， 29（5）： 1080-1091.
16	JOSEPH T. AI claims “Flawless Victory” going undefeated in digital dogfight with human fighter pilot［EB/OL］. ［2023-03-10］. .
17	DONG Y Q， AI J L. Trial input method and own-aircraft state prediction in autonomous air combat［J］. Journal of Aircraft， 2012， 49（3）： 947-954.
18	DONG Y Q， AI J L. Maneuvering strategy and own aircraft movement prediction in trial input method： Low angle of attack［C］∥Infotech@Aerospace 2012. Reston： AIAA， 2012： 2594.
19	DONG Y Q， HUANG J， AI J L. Visual perception-based target aircraft movement prediction for autonomous air combat［J］. Journal of Aircraft， 2014， 52（2）： 538-552.
20	DONG Y Q. Deep learning-based opponent aircraft attitude detection in autonomous air combat［J］. Journal of Aerospace Information Systems， 2019， 16（4）： 162-167.
21	薄涛. 格斗空战行为建模技术研究［D］. 长沙：国防科学技术大学，2002.
	BO T. Research on human behavior representation of fighter dogfight combat［D］. Changsha： College of Mechatronic Engineering and Automation， National University of Defense Technology， 2002 （in Chinese）.
22	徐安，高春庆，寇英信，等. 基于BFM方法的1vs1近距自主空战决策［J］. 系统工程与电子技术， 2020， 42（11）： 2513-2519.
	XU A， GAO C Q， KOU Y X， et al. Autonomous air combat decision of 1vs1 based on BFM method［J］. Systems Engineering and Electronics， 2020， 42（11）： 2513-2519 （in Chinese）.
23	陈斌，王江，王阳. 战斗机嵌入式训练系统中的智能虚拟陪练［J］. 航空学报， 2020， 41（6）： 523467.
	CHEN B， WANG J， WANG Y. Intelligent virtual training partner in embedded training system of fighter［J］. Acta Aeronautica et Astronautica Sinica， 2020， 41（6）： 523467 （in Chinese）.
24	董一群，艾剑良. 自主空战技术中的机动决策：进展与展望［J］. 航空学报， 2020， 41（S2）： 724264.
	DONG Y Q， AI J L. Decision making in autonomous air combat： Review and prospects［J］. Acta Aeronautica et Astronautica Sinica， 2020， 41（S2）： 724264 （in Chinese）
25	DONG Y Q， AI J L， LIU J Q. Guidance and control for own aircraft in the autonomous air combat： a historical review and future prospects［J］. Proceedings of the Institution of Mechanical Engineers， Part G： Journal of Aerospace Engineering， 2019， 233（16）： 5943-5991.
26	上电所举办首届智能空战竞赛［EB/OL］. ［2023-03-10］. .
	First Intelligent Aerial Combat Competition held by the China Aviation Radio Electronics Research Institute ［EB/OL］. ［2023-03-10］. ."
27	“智慧协同，决战长空” 2021年智能空战竞赛决赛在中国航空无线电电子研究所成功举办［EB/OL］. ［2022-06-01］..
	The 2021 Intelligent Air Combat Competition， Collaboration Wisdom， Battle for the Sky， was successfully held at the China Aeronautical Radio Electronics Research Institute ［EB/OL］. ［2022-06-01］. （in Chinese）.
28	DONG Y Q， ZHONG Y X， YU W B， et al. Mcity data collection for automated vehicles study［DB/OL］. preprint arXiv：， 2019.
29	薛涛，马金毅，温炯然，等. 视距内空战飞行机动数据采集及分析［C］∥第40届中国控制会议论文集（15）. 上海：中国自动化学会控制理论专业委员会，中国自动化学会，中国系统工程学会， 2021： 716-721.
	XUE T， MA J Y， WEN J R， et al. Within-visual-range Air Combat Engagement Database of Human Pilots［C］∥Proceedings of the 40th China Control Conference （15）. Shanghai： nical Committee on Control Theory， Chinese Association of Automation， Chinese Association of Automation， Systems Engineering Society of China， 2021： 716-721 （in Chinese）.
30	DONG Y Q. Implementing Deep Learning for comprehensive aircraft icing and actuator/sensor fault detection/identification［J］. Engineering Applications of Artificial Intelligence， 2019， 83： 28-44.
31	DONG Y Q. An application of Deep Neural Networks to the in-flight parameter identification for detection and characterization of aircraft icing［J］. Aerospace Science and Technology， 2018， 77： 34-49.
32	KELKAR S S， GRIGSBY L L， LANGSNER J. An extension of parseval’s theorem and its use in calculating transient energy in the frequency domain［J］. IEEE Transactions on Industrial Electronics， 1983， IE-30（1）： 42-45.

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

机型	基本构型概述	空机重量/t	机翼载荷/（t·m^-2）	最大速度/（km·h^-1）	最大高度/km	推重比	累计飞行时长/min
F	中型双发舰载三代机	16.9	0.445	2 205	15.0	0.95	340.0
M1	单发三角翼二代机	8.8	0.383	2 237	18.7	0.70	108.8
M2	轻型双发三代机	14.9	0.392	2 400	18.0	1.09	122.4
S	重型双发三代机	24.9	0.402	2 120	17.3	1.00	108.8

多项式阶数	机型	最优采样周期/s	最优历史窗口/s	轨迹平均最大误差/m
1	M1	0.05	0.05	20.231 7
	M2	0.05	0.05	16.325 0
	S	0.05	0.05	12.652 0
2	M1	0.05	0.15	9.721 2
	M2	0.05	0.15	8.268 5
	S	0.05	0.10	7.608 5
3	M1	0.05	0.30	7.770 9
	M2	0.05	0.30	7.216 0
	S	0.05	0.30	6.798 8
4	M1	0.10	1.00	8.026 2
	M2	0.10	0.70	7.662 1
	S	0.10	1.10	7.252 8
5	M1	0.20	2.00	9.567 9
	M2	0.10	1.50	9.039 1
	S	0.15	2.10	8.544 1

[1]	陈唯实, 刘佳, 王青斌, 卢贤锋, 张洁, 陈小龙, 黄毅峰. 气象雷达探鸟技术综述[J]. 航空学报, 2023, 44(5): 26781-026781.
[2]	何磊, 钱炜祺, 董康生, 易贤, 柴聪聪. 基于卷积神经网络的结冰翼型气动特性建模[J]. 航空学报, 2023, 44(5): 126434-126434.
[3]	段玉聪, 王学德, 周鑫, 张佩宇, 郭西洋, 成星, 樊军伟. 粉末床激光成形熔池辐射强度信号的机器学习[J]. 航空学报, 2022, 43(9): 425855-425855.
[4]	李海泉, 陈小前, 左林玄, 赵卓林. 基于随机森林的飞行载荷代理模型分析方法[J]. 航空学报, 2022, 43(3): 225640-225640.
[5]	吴子轩, 张宁, 高凯烨, 彭锐. 基于风险偏好调整的随机森林算法的航班航程油量预测[J]. 航空学报, 2022, 43(2): 224933-224933.
[6]	王泽林, 籍日添, 惠心雨, 丁晨, 汪辉, 白俊强. 基于深度学习驱动的L型定向热疏导机理[J]. 航空学报, 2021, 42(6): 124242-124242.
[7]	何创新, 邓志文, 刘应征. 湍流数据同化技术及应用[J]. 航空学报, 2021, 42(4): 524704-524704.
[8]	任峰, 高传强, 唐辉. 机器学习在流动控制领域的应用及发展趋势[J]. 航空学报, 2021, 42(4): 524686-524686.
[9]	李霓, 布树辉, 尚柏林, 李永波, 汤志荔, 张伟伟. 飞行器智能设计愿景与关键问题[J]. 航空学报, 2021, 42(4): 524752-524752.
[10]	余敏, 罗建军, 王明明. 基于机器学习的空间翻滚目标实时运动预测[J]. 航空学报, 2021, 42(2): 324149-324149.
[11]	曹龙超, 周奇, 韩远飞, 宋波, 聂振国, 熊异, 夏凉. 激光选区熔化增材制造缺陷智能监测与过程控制综述[J]. 航空学报, 2021, 42(10): 524790-524790.
[12]	董一群, 艾剑良. 自主空战技术中的机动决策:进展与展望[J]. 航空学报, 2020, 41(S2): 724264-724264.
[13]	宋闯, 赵佳佳, 王康, 梁欣凯. 面向智能感知的小样本学习研究综述[J]. 航空学报, 2020, 41(S1): 723756-723756.
[14]	陈斌, 王江, 王阳. 战斗机嵌入式训练系统中的智能虚拟陪练[J]. 航空学报, 2020, 41(6): 523467-523467.
[15]	叶博嘉, 鲍序, 刘博, 田勇. 基于机器学习的航空器进近飞行时间预测[J]. 航空学报, 2020, 41(10): 324136-324136.

空战格斗飞行机动数据库建立及应用

Development and illustrative applications of an air combat engagement database

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 32

相关文章 15

编辑推荐

Metrics

本文评价