基于Conv-LSTM和卡尔曼滤波融合的惯导弹道参数测量方法

基于conv-lstm和卡尔曼滤波融合的惯导弹道参数测量方法
技术领域
1.本发明涉及一种基于conv-lstm和卡尔曼滤波融合的惯导弹道参数测量方法，属于弹药惯性测量技术领域。


背景技术：

2.准确的弹道测量是炮射智能弹药飞行控制和精确打击的重要前提。卫星定位系统是目前智能弹药弹道测量的主流方法，但是，卫星信号易受到电磁干扰,战时强对抗条件下可用性严重降低。发展卫星拒止条件下的弹道测量方法对于提高智能弹药生存能力具有重要意义。三轴地磁传感器可用于测量弹体姿态，但由于地磁场信号弱，极易受到强磁环境干扰。无线电信标技术在民用领域广泛应用于飞行器导航，然而实际战场环境中，信标布设个数、范围及地形有限，往往无法提供长时间、高精度的完整三维测量信息，估计弹体姿态时可观性较差。近几年来，成本低、体积小、抗过载能力强的微机电惯性传感器在智能弹药上的应用逐渐成为可能，然而，低成本惯性导航系统误差随时间积累，往往依赖于其他辅助导航系统。


技术实现要素：

3.本发明的技术解决问题是：克服现有技术的不足，提出一种基于conv-lstm和卡尔曼滤波融合的惯导弹道参数测量方法，为一种在卫星拒止环境中仅使用微机电惯性传感器和弹药特有的飞行前参数的基于人工智能的弹丸轨迹估计方法，是为了解决卫星拒止环境下传统惯性导航系统存在测量误差随时间积累的问题，可以在卫星拒止环境下提高弹道测量的精度。
4.本发明的技术解决方案是：
5.一种基于conv-lstm和卡尔曼滤波融合的惯导弹道参数测量方法，该方法的步骤包括：
6.第一步，建立训练数据集，建立的训练数据集中包括弹道基本参数和惯性传感器有模拟噪声输出数据；
7.弹道基本参数包括弹道射角a以及在模拟该弹道射角a条件下获得的弹道初始位置、弹道初始速度、弹道初始姿态、每一时刻的弹道位置、每一时刻的弹道速度和每一时刻的弹道姿态；
8.惯性传感器有模拟噪声输出数据的获取方法为：对弹道基本参数进行反演，得到惯性传感器无噪声输出数据，然后在得到的惯性传感器无噪声输出数据中引入设定范围内均匀分布的噪声，得到惯性传感器有模拟噪声输出数据；
9.所述设定范围为：[-fr,fr]、[-ωr,ωr]，fr为惯性传感器中加速度计的零偏稳定性指标，ωr为惯性传感器中陀螺仪的零偏稳定性指标；
[0010]
第二步，建立测试数据集，建立的测试数据集中包括弹道基本参数和惯性传感器有实测噪声输出数据；
[0011]
弹道基本参数包括弹道射角b以及在模拟该弹道射角b条件下获得的弹道初始位置、弹道初始速度、弹道初始姿态、每一时刻的弹道位置、每一时刻的弹道速度和每一时刻的弹道姿态；弹道射角b取值范围的最小值小于弹道射角a取值范围的最小值，弹道射角b取值范围的最大值大于弹道射角a取值范围的最大值；
[0012]
惯性传感器有实测噪声输出数据的获取方法为：对弹道基本参数进行反演，得到惯性传感器无噪声输出数据，然后在得到的惯性传感器无噪声输出数据中引入实测静态噪声数据，得到惯性传感器有实测噪声输出数据；
[0013]
第三步，使用min-max标准化方法对第一步建立的训练数据集进行归一化处理，得到归一化处理后的训练数据集，使用min-max标准化方法对第二步建立的测试数据集进行归一化处理，得到归一化处理后的测试数据集；
[0014]
第四步，建立conv-lstm网络，建立的conv-lstm网络包括一维残差网络、双重lstm网络和参数回归层，其中，一维残差网络包括十八个基础模块，每个基础模块包括2个卷积核为3的卷积单元、relu激活函数、批量归一化、dropout层以及残差计算模块；一维残差网络用于学习弹道方程隐藏变量；
[0015]
双重lstm网络包括两个标准lstm网络、relu激活函数以及dropout层；每个标准lstm网络包括5-10个神经元，双重lstm网络用于将当前隐藏状态和先前隐藏状态进行融合，以估计最佳的当前隐藏运动状态；
[0016]
参数回归层包括三个分支，分别为分支一、分支二和分支三，每个分支又分为两个小分支，其中，分支一中的一个小分支用于回归当前时刻的位置信息，分支一中的另一小分支用于回归当前时刻的位置协方差信息，分支二中的一个小分支用于回归当前时刻的速度信息，分支二中的另一小分支用于回归当前时刻的速度协方差信息，分支三中的一个小分支用于回归当前时刻的姿态信息，分支一中的另一小分支用于回归当前时刻的姿态协方差信息；
[0017]
建立的conv-lstm网络的损失函数设计为预测量和真实量的均方误差最小；
[0018]
建立的conv-lstm网络的优化器为sgd优化模型；
[0019]
第五步，使用第三步得到的归一化处理后的训练数据集对第四步建立的conv-lstm网络进行训练，得到训练后的conv-lstm网络；
[0020]
第六步，将第五步得到的训练后的conv-lstm网络存储到弹载计算机上，弹体发射后，实时获取并存储惯性传感器实测输出数据；
[0021]
第七步，将第六步实时获取的惯性传感器实测输出数据或第三步得到的归一化处理后的测试数据集输入到第五步训练后的conv-lstm网络中，得到预测的弹道位姿参数，弹道位姿参数包括弹道位置、弹道速度、弹道姿态、弹道位置协方差值、弹道速度协方差值和弹道姿态协方差值；
[0022]
第八步，建立扩展卡尔曼滤波模型；
[0023]
建立的扩展卡尔曼滤波模型的观测量为第七步得到的预测的弹道位置、弹道速度、弹道姿态；
[0024]
建立的扩展卡尔曼滤波模型的观测方差值为第七步得到的预测的弹道位置协方差值、弹道速度协方差值和弹道姿态协方差值；
[0025]
建立的扩展卡尔曼滤波模型的状态量为当前时刻的弹道位置、弹道速度、弹道姿
态、弹道的加速度、弹道的角速度；
[0026]
建立的扩展卡尔曼滤波模型的状态方程为惯导解算模型；
[0027]
第九步，将第七步得到的预测的弹道位置、弹道速度、弹道姿态作为第八步得到的扩展卡尔曼滤波模型的状态初值，扩展卡尔曼滤波模型进行状态更新，得到优化后的弹道位置、弹道速度和弹道姿态数据。
[0028]
本发明公开一种基于conv-lstm和卡尔曼滤波融合的纯惯导弹道参数测量方法。与现有技术相比，具有以下优点和有益效果：
[0029]
1.本发明首次实现了使用conv-lstm和卡尔曼滤波融合的方法来进行炮射智能弹药弹道参数测量，减少了基于智能弹药动力学建立的物理模型。
[0030]
2.本发明首次实现了仅基于低成本微惯性传感器进行弹道预测，减少了增加传感器带来的成本、功耗、重量的提升。
[0031]
3.本发明通过建立conv-lstm网络，根据一段时间的惯性传感器测量数据和发射前弹道参数，可以有效的预测捷联惯导解算位姿，校正积累误差，进而提高弹道测量精度。
[0032]
4.本发明通过建立卡尔曼滤波模型，将conv-lstm网络输出作为观测量，进一步提高纯惯性导航系统测量精度，进而可以准确获得弹道位姿参数，并提前精确预测弹道落点，进而解算控制指令，使弹体精确命中目标，提高智能弹药命中精度和毁伤效果。
[0033]
5.本发明该发明能够在复杂电磁环境或敌方干扰、欺骗所导致的卫星定位失效情况下，实现对炮射智能弹药的高精度实时弹道测量，提高后续飞行控制和命中精度。
附图说明
[0034]
图1为本发明的方法流程示意图。
具体实施方式
[0035]
下面结合附图说明本发明的具体实施方式。
[0036]
实施例
[0037]
如图1所示，一种基于conv-lstm和卡尔曼滤波融合的惯导弹道参数测量方法，该方法的步骤包括：
[0038]
第一步，建立训练数据集，建立的训练数据集中包括弹道基本参数和惯性传感器有模拟噪声输出数据；
[0039]
弹道基本参数包括弹道射角[35
°
，50
°
](间隔1
°
)以及在模拟该弹道射角条件下获得的弹道初始位置、弹道初始速度、弹道初始姿态、每一时刻的弹道位置、每一时刻的弹道速度和每一时刻的弹道姿态；
[0040]
惯性传感器有模拟噪声输出数据的获取方法为：对弹道基本参数进行反演，得到惯性传感器无噪声输出数据，然后在得到的惯性传感器无噪声输出数据中引入设定范围内均匀分布的噪声，得到惯性传感器有模拟噪声输出数据；
[0041]
所述设定范围为：[-2mg,2mg]、[-10
°
/h,10
°
/h]，fr为惯性传感器中加速度计的零偏稳定性指标，ωr为惯性传感器中陀螺仪的零偏稳定性指标；
[0042]
第二步，建立测试数据集，建立的测试数据集中包括弹道基本参数和惯性传感器有实测噪声输出数据；
[0043]
弹道基本参数包括弹道射角[30
°
，55
°
](间隔1
°
)以及在模拟该弹道射角条件下获得的弹道初始位置、弹道初始速度、弹道初始姿态、每一时刻的弹道位置、每一时刻的弹道速度和每一时刻的弹道姿态；
[0044]
惯性传感器有实测噪声输出数据的获取方法为：对弹道基本参数进行反演，得到惯性传感器无噪声输出数据，然后在得到的惯性传感器无噪声输出数据中引入实测静态噪声数据，得到惯性传感器有实测噪声输出数据；
[0045]
实测静态噪声中，惯性传感器中3轴加速度计实测静态噪声的零偏为1.44mg、0.09mg和0.99mg，标准差为2.3388mg、2.8898mg和2.0049mg；惯性传感器中3轴陀螺仪实测静态噪声的零偏分别为30.00
°
/h、43.20
°
/h和2.31
°
/h，标准差为262.50
°
/h、286.1771
°
/h和221.4064
°
/h；
[0046]
在该数据集下，飞行时间为100s时，传统的捷联惯性解算精度为：俯仰角、滚转角和偏航角预测误差为：5.82
°
、5.86
°
和5.23
°
；东向速度、北向速度和天向速度预测误差分别为：49.21m/s、14.03m/s和33.72m/s；东向位置、北向位置和天向位置速度预测误差分别为：2852.5m、5096.5m和1901.9m。
[0047]
第三步，使用min-max标准化方法对第一步建立的训练数据集进行归一化处理，得到归一化处理后的训练数据集，使用min-max标准化方法对第二步建立的测试数据集进行归一化处理，得到归一化处理后的测试数据集；
[0048]
第四步，建立conv-lstm网络，建立的conv-lstm网络包括一维残差网络、双重lstm网络和参数回归层，其中，一维残差网络包括十八个基础模块，每个基础模块包括2个卷积核为3的卷积单元、relu激活函数、批量归一化、dropout层以及残差计算模块；一维残差网络用于学习弹道方程隐藏变量，本实例中一维残差网络采用resnet18模型；
[0049]
双重lstm网络包括两个标准lstm网络、relu激活函数以及dropout层；每个标准lstm网络包括5个神经元，双重lstm网络用于将当前隐藏状态和先前隐藏状态进行融合，以估计最佳的当前隐藏运动状态；
[0050]
参数回归层包括三个分支，分别为分支一、分支二和分支三，每个分支又分为两个小分支，其中，分支一中的一个小分支用于回归当前时刻的位置信息，分支一中的另一小分支用于回归当前时刻的位置协方差信息，分支二中的一个小分支用于回归当前时刻的速度信息，分支二中的另一小分支用于回归当前时刻的速度协方差信息，分支三中的一个小分支用于回归当前时刻的姿态信息，分支一中的另一小分支用于回归当前时刻的姿态协方差信息；
[0051]
建立的conv-lstm网络的损失函数设计为预测量和真实量的均方误差最小；
[0052]
建立的conv-lstm网络的优化器为sgd优化模型；
[0053]
第五步，使用第三步得到的归一化处理后的训练数据集对第四步建立的conv-lstm网络进行训练，得到训练后的conv-lstm网络；
[0054]
第六步，将第五步得到的训练后的conv-lstm网络进存储到弹载计算机上，弹体发射后，实时获取并存储惯性传感器实测输出数据，本实施例中将第三步得到的归一化处理后的测试数据集作为惯性传感器实测输出数据；
[0055]
第七步，将第三步得到的归一化处理后的测试数据集输入到第五步训练后的conv-lstm网络中，得到预测的弹道位姿参数，弹道位姿参数包括弹道位置、弹道速度、弹道
姿态、弹道位置协方差值、弹道速度协方差值和弹道姿态协方差值；经过conv-lstm网络模型后，俯仰角、滚转角和偏航角预测误差为：5.10
°
、0.59
°
和0.29
°
；东向速度、北向速度和天向速度预测误差分别为：2.02m/s、1.56m/s和1.74m/s；东向位置、北向位置和天向位置速度预测误差分别为：400.41m、68.11m和108.45m。
[0056]
第八步，建立扩展卡尔曼滤波模型；
[0057]
建立的扩展卡尔曼滤波模型的观测量为第七步得到的预测的弹道位置、弹道速度、弹道姿态；
[0058]
建立的扩展卡尔曼滤波模型的观测方差值为第七步得到的预测的弹道位置协方差值、弹道速度协方差值和弹道姿态协方差值；
[0059]
建立的扩展卡尔曼滤波模型的状态量为当前时刻的弹道位置、弹道速度、弹道姿态、弹道的加速度、弹道的角速度；
[0060]
建立的扩展卡尔曼滤波模型的状态方程为惯导解算模型；
[0061]
第九步，将第七步得到的预测的弹道位置、弹道速度、弹道姿态作为第八步得到的扩展卡尔曼滤波模型的状态初值，扩展卡尔曼滤波模型进行状态更新，得到优化后的弹道位置、弹道速度和弹道姿态数据。经过卡尔曼滤波后，飞行时间为100s时，俯仰角、滚转角和偏航角预测精度为：0.001
°
、0.005
°
和0.02；东向速度、北向速度和天向速度预测误差分别为：0.70m/s、0.55m/s和0.07m/s；东向位置、北向位置和天向位置速度预测误差分别为：131.34m、28.49和59.47m。
[0062]
应当理解的是，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于conv-lstm和卡尔曼滤波融合的惯导弹道参数测量方法，其特征在于该方法的步骤包括：第一步，建立训练数据集；第二步，建立测试数据集；第三步，对第一步建立的训练数据集进行归一化处理，得到归一化处理后的训练数据集，对第二步建立的测试数据集进行归一化处理，得到归一化处理后的测试数据集；第四步，建立conv-lstm网络；第五步，使用第三步得到的归一化处理后的训练数据集对第四步建立的conv-lstm网络进行训练，得到训练后的conv-lstm网络；第六步，将第五步得到的训练后的conv-lstm网络存储到弹载计算机上，弹体发射后，实时获取并存储惯性传感器实测输出数据；第七步，将第六步实时获取的惯性传感器实测输出数据输入到第五步训练后的conv-lstm网络中，得到预测的弹道位姿参数；第八步，建立扩展卡尔曼滤波模型；第九步，将第七步得到的弹道位姿参数作为第八步得到的扩展卡尔曼滤波模型的状态初值，扩展卡尔曼滤波模型进行状态更新，得到优化后的弹道位置、弹道速度和弹道姿态数据。2.根据权利要求1所述的一种基于conv-lstm和卡尔曼滤波融合的惯导弹道参数测量方法，其特征在于：所述第一步中，建立的训练数据集中包括弹道基本参数和惯性传感器有模拟噪声输出数据；弹道基本参数包括弹道射角a以及在模拟该弹道射角a条件下获得的弹道初始位置、弹道初始速度、弹道初始姿态、每一时刻的弹道位置、每一时刻的弹道速度和每一时刻的弹道姿态；惯性传感器有模拟噪声输出数据的获取方法为：对弹道基本参数进行反演，得到惯性传感器无噪声输出数据，然后在得到的惯性传感器无噪声输出数据中引入设定范围内均匀分布的噪声，得到惯性传感器有模拟噪声输出数据；所述设定范围为：[-f
r
,f
r
]、[-ω
r
,ω
r
]，f
r
为惯性传感器中加速度计的零偏稳定性指标，ω
r
为惯性传感器中陀螺仪的零偏稳定性指标。3.根据权利要求2所述的一种基于conv-lstm和卡尔曼滤波融合的惯导弹道参数测量方法，其特征在于：所述第二步中，建立的测试数据集中包括弹道基本参数和惯性传感器有实测噪声输出数据；弹道基本参数包括弹道射角b以及在模拟该弹道射角b条件下获得的弹道初始位置、弹道初始速度、弹道初始姿态、每一时刻的弹道位置、每一时刻的弹道速度和每一时刻的弹道姿态；弹道射角b取值范围的最小值小于弹道射角a取值范围的最小值，弹道射角b取值范围的最大值大于弹道射角a取值范围的最大值；惯性传感器有实测噪声输出数据的获取方法为：对弹道基本参数进行反演，得到惯性传感器无噪声输出数据，然后在得到的惯性传感器无噪声输出数据中引入实测静态噪声数
据，得到惯性传感器有实测噪声输出数据。4.根据权利要求1-3任一所述的一种基于conv-lstm和卡尔曼滤波融合的惯导弹道参数测量方法，其特征在于：所述第三步中，使用min-max标准化方法进行归一化处理。5.根据权利要求4所述的一种基于conv-lstm和卡尔曼滤波融合的惯导弹道参数测量方法，其特征在于：所述第四步中，建立的conv-lstm网络包括一维残差网络、双重lstm网络和参数回归层。6.根据权利要求5所述的一种基于conv-lstm和卡尔曼滤波融合的惯导弹道参数测量方法，其特征在于：一维残差网络包括十八个基础模块，每个基础模块包括2个卷积核为3的卷积单元、relu激活函数、批量归一化、dropout层以及残差计算模块；一维残差网络用于学习弹道方程隐藏变量；双重lstm网络包括两个标准lstm网络、relu激活函数以及dropout层；每个标准lstm网络包括5-10个神经元，双重lstm网络用于将当前隐藏状态和先前隐藏状态进行融合，估计最佳的当前隐藏运动状态。7.根据权利要求5或6所述的一种基于conv-lstm和卡尔曼滤波融合的惯导弹道参数测量方法，其特征在于：参数回归层包括三个分支，分别为分支一、分支二和分支三，每个分支又分为两个小分支，其中，分支一中的一个小分支用于回归当前时刻的位置信息，分支一中的另一小分支用于回归当前时刻的位置协方差信息，分支二中的一个小分支用于回归当前时刻的速度信息，分支二中的另一小分支用于回归当前时刻的速度协方差信息，分支三中的一个小分支用于回归当前时刻的姿态信息，分支一中的另一小分支用于回归当前时刻的姿态协方差信息；建立的conv-lstm网络的损失函数设计为预测量和真实量的均方误差最小；建立的conv-lstm网络的优化器为sgd优化模型。8.根据权利要求7所述的一种基于conv-lstm和卡尔曼滤波融合的惯导弹道参数测量方法，其特征在于：所述第七步，弹道位姿参数包括弹道位置、弹道速度、弹道姿态、弹道位置协方差值、弹道速度协方差值和弹道姿态协方差值。9.根据权利要求8所述的一种基于conv-lstm和卡尔曼滤波融合的惯导弹道参数测量方法，其特征在于：所述第八步中，建立的扩展卡尔曼滤波模型的观测量为预测的弹道位置、弹道速度、弹道姿态；建立的扩展卡尔曼滤波模型的观测方差值为预测的弹道位置协方差值、弹道速度协方差值和弹道姿态协方差值；建立的扩展卡尔曼滤波模型的状态量为当前时刻的弹道位置、弹道速度、弹道姿态、弹道的加速度、弹道的角速度；建立的扩展卡尔曼滤波模型的状态方程为惯导解算模型。
10.根据权利要求9所述的一种基于conv-lstm和卡尔曼滤波融合的惯导弹道参数测量方法，其特征在于：所述第九步中，预测的弹道位置、弹道速度、弹道姿态作为扩展卡尔曼滤波模型的状态初值。

技术总结
本发明涉及一种基于Conv-LSTM和卡尔曼滤波融合的惯导弹道参数测量方法，属于弹药惯性测量技术领域。本发明的方法能够在复杂电磁环境或敌方干扰、欺骗所导致的卫星定位失效情况下，实现对炮射智能弹药的高精度实时弹道测量。本发明主要针对一类依靠惯性/卫星组合信号进行弹道测量的智能弹药，能够弥补传统组合导航算法在卫星定位失效时出现的测量误差随时间积累等问题，具有较高的精度。具有较高的精度。具有较高的精度。


技术研发人员：申强 王晗瑜 邓子龙 耿生群 杨东晓 宋荣昌 毛瑞芝 王小康 张首一
受保护的技术使用者：北京理工大学
技术研发日：2023.06.12
技术公布日：2023/8/4