研究應用場景：
可以先檢測GPS設備失效刮萌；
判斷無人機即將飛入禁飛區(qū)券坞；
無人機在失去GPS信息的時候占贫，會按照之前的姿勢繼續(xù)飛行桃熄。
可以并不用失去GPS，名稱就定義為基于位置預測的動態(tài)航跡規(guī)劃型奥。即在執(zhí)行任務過程中瞳收，本來已經制定好的航跡規(guī)劃路徑，但是在路途中厢汹，突然多出來一個雷達探測器螟深，則需要重新進行新的路徑規(guī)劃，那么這個時候就需要進行航跡預測坑匠。
所以我現在就需要進行最小二乘法的研究血崭。
- 可以假設GPS數據丟失（其實并沒有丟失），來與真實航跡進行對比。
- 使用智能算法來優(yōu)化深度學習框架夹纫。使用遺傳算法同時優(yōu)化網絡的結構和權重的方法咽瓷。然而，遺傳算法本身有很多缺點舰讹，不能快速地進行大規(guī)模優(yōu)化茅姜。應用蟻群優(yōu)化來優(yōu)化網絡結構，但忽略了權重向量月匣。
- LSTM網絡能夠學習長期的時序信息钻洒，避免梯度消失，在此基礎上锄开，引入自適應混沌搜索和蟻群算法對LSTM網絡進行優(yōu)化素标。
開題總結：
- 核心要做的工作是航跡預測、航跡規(guī)劃兩種算法的實現萍悴。在實現的過程中头遭，一些經典的算法是必須要親自手動實現的，然后才能想出如何改進癣诱。
- 基于機器學習的方法计维，軌跡預測應該屬于回歸問題，衡量的標準就是預測出的位置和實際位置的距離撕予。
- 這次研究把重心放在整體架構和數據預處理上鲫惶，訓練使用現成的模塊。以后如果繼續(xù)研究可以深入建立一個專門的機器學習模型实抡，針對具體問題定制的模型效果應該會更好欠母。
- 經過調查研究，分析衡量澜术，最終選取反向傳播算法進行預測艺蝴，軌跡預測系統(tǒng)的創(chuàng)新點在
第12篇猬腰。 - sklearn包
考慮到我現在是沒有飛行數據的鸟废，這怎么來做航跡預測，數據全部采用模擬假數據嗎姑荷？
看一看來自大牛畢設的博客：
前面以為合適的預測模型就那么幾個盒延，后面思路越來越清晰，細節(jié)多了鼠冕，適用的方法也多了添寺，現在發(fā)現模型越來越多。之前的思路先放一放懈费。先總結下學術上有多少預測方法及使用相應方法的一些文獻
-
傳統(tǒng)數學統(tǒng)計學方法
1.馬爾可夫模型預測
2.樸素貝葉斯預測
3.高斯過程預測
4.灰色模型
-
機器學習方法计露、啟發(fā)式算法（需要大量的計算以及大量的存儲空間來存儲歷史數據，對某架無人機的單次飛行軌跡預測并不適用）
5.機器學習預測：SVM，BP票罐，神經網絡
6.仿生算法：粒子群算法叉趣，遺傳算法，蟻群算法
深度學習預測
-
波形處理算法
7.卡爾曼濾波（需要實時的歷史數據该押，作為觀測值）
-
基于飛行模型的方法
- 基于飛行模型的方法（需要實時的歷史數據）
- 研究目的及意義
- 國內外研究現狀
- 基于飛行模型的航跡預測算法（需要建立空氣動力學模型）
- 基于神經網絡
- 基于數據挖掘
- 基于濾波
- 研究內容及創(chuàng)新點
- 研究方案設計
1. 基于飛行模型的航跡預測
飛行定義模型與飛機性能數據庫（base of aircraft data, BA-DA）模型
基本的飛行定義模型包含了一定高度下兩個設置點之間的航行軌跡段疗杉。每一個飛行段都是由兩個控制變量來定義的，包括速度（Mach數或者CAS）蚕礼，垂直變化率（高度變化率）烟具。
-
[16]提出了一種基于基本飛行模型的方法，將4D航跡分解為垂直剖面（高度剖面奠蹬、速度剖面）朝聋、水平航跡進行研究，然后按照捕獲各階段變量進行擬合囤躁，形成一條以航跡特征點為基礎的完整的4D航跡玖翅。其中4D航跡是描述飛行器飛行過程的一系列數據集合，其中包括了航跡過程中的若干航跡特征點割以，包括飛行位置金度、飛行高度、飛行速度严沥、當前時間以及飛行航向等信息猜极。
-
基本飛行模型
航空器飛行航跡中的高度和速度剖面由一系列基本飛行模型組合而成, 基本飛行模型包含已給定高度限制的兩個連續(xù)限制點之間的航跡段.這些基本飛行模型描述了標準飛行操作, 包括等速平飛、等校正空速 (calibrated airspeed, CAS) 爬升消玄、等馬赫數 (以下簡稱Mach) 爬升跟伏、等CAS下降、等Mach數下降翩瓜、等高度加速受扳、等高度減速等。一條航跡段的飛行剖面由以上基本飛行模型搭建而成（如下圖所示）
基本飛行剖面 - 垂直剖面
垂直剖面由前面所述的基本飛行模型搭建兔跌，包括平飛加速段勘高、等速爬升、等速下降坟桅、等高度加速华望、等高度減速等。每一段均由兩個控制變量定義仅乓。這些變量有以下兩種情況：速度 (Mach數或者CAS) 赖舟， 垂直變化率（高度變化率）。將垂直剖面分解為高度剖面和速度剖面夸楣。 - 水平航跡
直線航段是結構最簡單的飛行程序宾抓。轉彎又通常有3種模型：內切轉彎子漩、約束轉彎、末端轉彎石洗。 - 航跡合成
航跡特征點包括航路點痛单、速度轉換點、高度轉換點劲腿、航向轉換點旭绒、速度限制點、高度限制點焦人、距離限制點挥吵、轉彎起始點、轉彎結束點等.由基本飛行模型構建而成的航段的航跡合成是將不同航跡段組合在一起花椭，形成一條完整的航跡忽匈。 - 結論
提出了符合飛行操作特征的基本飛行模型和基于這些模型的4D航跡快速搭建方法.生成的水平航跡能準確表現飛行程序的轉彎細節(jié), 垂直剖面能準確表現高度和速度的變化, 并采用航跡特征點擬合生成綜合4D航跡.仿真結果表明，該文提出的方法可以快速矿辽、準確預測飛機到達各個航跡特征點的時間丹允。
-
2. 基于濾波處理的航跡預測（無參數估計法）
卡爾曼濾波是一種基于歷史數據的航跡預測算法，不需要建立空氣動力學模型袋倔。它是基于包含噪聲的觀測統(tǒng)計值對位置系統(tǒng)狀態(tài)或者系統(tǒng)參數來進行估計的雕蔽，它的預測準則是均方誤差最小。其中狀態(tài)向量和觀測向量在時間這個方面有著不同的對應關系宾娜，由此狀態(tài)估計的問題可分為以下三類：濾波批狐、預測、平滑
利用前一時刻的估計值和現時刻的觀測值們根據系統(tǒng)本身的狀態(tài)轉移方程前塔，求出當前的估計值嚣艇。是一種線性最優(yōu)濾波算法，它不要求保存過去的測量數據华弓。
[23]通過對原始雷達探測數據預處理食零，用matlab將所需仿真數據讀取為X(k)、Y(k)寂屏、V(k)贰谣、β(k)、T(k)等列向量數據凑保。并建立關于X(k+1)冈爹、Y(k+1)的無人機運動的狀態(tài)方程涌攻，達到預測的效果
3. 基于機器學習的航跡預測
[27]首先對飛行航跡數據進行歸一化處理欧引，然后建立合理的功能集與擬合評價標準，最后提出一種基于遺傳算法的航跡預測算法恳谎。該方法克服了傳統(tǒng)方法難以解決復雜軌跡擬合功能且預測軌跡精度不夠高的缺點芝此，它的仿真結果表明憋肖，該方法可以預測實際的復雜飛行航跡，并且預測精度相當準確婚苹。
[28]提出了一種基于長短記憶網絡模型的艦船航跡預測算法岸更。該方法利用長短記憶網絡(LSTM)對歷史時刻艦船運動狀態(tài)序列進行訓練學習，建立艦船運動狀態(tài)模型膊升，預測未來時刻艦船運動狀態(tài)怎炊，進而預測艦船航跡。
主要研究三種：
- 基于深度學習的方法（蟻群算法廓译、LSTM算法等）
需要大量歷史數據作為訓練集评肆，大量的計算以及大量的存儲空間來存儲歷史數據，對某架無人機的單次飛行軌跡預測并不適用 - 基于飛行模型的航跡預測算法
需要建立飛行動力模型非区，應用場景過于復雜 - 基于濾波處理方法（卡爾曼濾波）
常用于對當前狀態(tài)的估計瓜挽，得到一個
需要大量的訓練樣本以及學習速度較慢，缺乏性能提升空間征绸，長時間預測誤差較大
需要實時的觀測數據久橙，不適用于GPS拒止的應用環(huán)境
- 基于數學統(tǒng)計方法（最小二乘法）
研究現狀：
航跡預測研究現狀
- 介紹基于飛行模型的航跡預測、卡爾曼濾波
-
基于飛行模型的航跡預測算法：
原理：航空器飛行航跡中的高度和速度剖面由一系列基本飛行模型組合而成, 基本飛行模型包含已給定高度限制的兩個連續(xù)限制點之間的航跡段.這些基本飛行模型描述了標準飛行操作, 包括等速平飛管怠、等校正空速 (calibrated airspeed, CAS) 爬升淆衷、等馬赫數 (以下簡稱Mach) 爬升、等CAS下降渤弛、等Mach數下降吭敢、等高度加速、等高度減速等暮芭。一條航跡段的飛行剖面由以上基本飛行模型搭建而成（如下圖所示）基本飛行剖面
文獻：[16]提出了一種基于基本飛行模型的航跡預測方法鹿驼，構造無人機的多個基本飛行模型，將4D航跡分解為高度剖面辕宏、速度剖面畜晰、水平航跡進行研究，然后按照捕獲各階段的變量進行擬合瑞筐，形成一條以航跡特征點為基礎的完整的4D航跡凄鼻。
缺點：需要建立飛行動力模型，應用場景過于復雜聚假； -
基于濾波處理方法（卡爾曼濾波）：通過對當前狀態(tài)的觀測值與預測值块蚌，得到當前狀態(tài)的估計，常用于需要得到一個更準確的狀態(tài)估計值膘格；
原理：根據當前的儀器"測量值"和上一刻的"預測量"和"誤差"峭范，計算得到當前的最優(yōu)量，再預測下一刻的量瘪贱。
圖片.png
-
文獻[23]通過對原始雷達探測數據預處理纱控，用MATLAB將所需仿真數據讀取為X(k)辆毡、Y(k)、V(k)甜害、β(k)舶掖、T(k)、等列向量數據尔店，建立關于X(k+1)眨攘、Y(k+1)的無人機運動狀態(tài)方程，達到“預測”的效果嚣州。
缺點：需要實時的觀測數據期犬，在本研究中GPS可能阻塞的情況下顯得不適用。
- 基于機器學習的航跡預測
文獻： [27]首先對飛行航跡數據進行歸一化處理避诽，然后建立合理的功能機與擬合評價標準龟虎，最后提出一種基于遺傳算法的航跡預測算法；[28]利用長短記憶網絡（LSTM）對歷史艦船運動序列進行訓練學習沙庐，建立艦船運動狀態(tài)鲤妥，從而實現航跡預測。
缺點：需要大量的歷史數據
航跡規(guī)劃研究現狀
- 基于A-star算法的航跡預測
原理：A-star算法是人工智能中的一種啟發(fā)式搜索算法拱雏，它將實際代價看成兩部分之和棉安，即已經付出的代價和將要付出的代價，該代價函數可表示為：
圖片.png
其中铸抑，n表示當前節(jié)點贡耽，g(n)和h(n)分別表示兩個代價函數。設Spoint表示起點鹊汛，Epoint表示目標點蒲赂，則g(n)表示從Spoint到當前點n的路徑代價；h(h)表示從n到Epoint的估計代價刁憋，稱之為啟發(fā)函數滥嘴。f(n)就表示從Spoint出發(fā)，通過節(jié)點n到達Epoint的路徑代價的估計值至耻。A-star的思想就是每次在多個候選節(jié)點中選擇f(n)值最小的節(jié)點進行擴展若皱。
文獻：[30]針對低空突防中無人機的飛行環(huán)境的復雜性，綜合考慮了飛行高度尘颓、航跡長度等權重因子走触，在目標空間中搜索一條兩個航路點之間的最優(yōu)航線，提出一種進行三維空間路徑規(guī)劃的改進A-star算法疤苹；[31]在研究協(xié)作無人駕駛汽車技術中互广，發(fā)現需要規(guī)劃受相互多樣性影響的最佳路徑√荡撸基于新的A-star算法變體提出了一種基于多樣性的路徑規(guī)劃算法兜辞，該算法適用于多輛車輛迎瞧，以規(guī)劃用于風險管理的多種路徑夸溶，驗證結果表明比標準A-star算法和Dijkstra算法的性能要優(yōu)良逸吵。
缺點：啟發(fā)式A-satr搜索算法的基本思想是通過設定合適的啟發(fā)函數，全面估計各擴展搜索節(jié)點的代價值缝裁，通過比較各擴展節(jié)點代價值的大小扫皱，選擇代價最優(yōu)的點進行擴展，直到到達目標節(jié)點為止捷绑。傳統(tǒng)的A*算法節(jié)點擴展方式采用8個相鄰的節(jié)點進行搜索韩脑，過于頻繁，節(jié)點重復計算概率大粹污，用在無人機航跡規(guī)劃中會使算法效率偏低段多。 - 基于遺傳算法的航跡預測
原理：遺傳算法(Genetic Algorithm)是一種基于概率的全局優(yōu)化搜索算法。主要步驟包括鐘群聲稱壮吩、個體適應度計算进苍、交叉、變異鸭叙、遺傳觉啊、生成下一代種群。經過多代的遺傳之后沈贝，選擇最終生成的種群中適應度最優(yōu)的個體作為算法的最優(yōu)解杠人。
文獻：[33]考慮到路徑長度、燃料消耗等約束宋下，提出了一種基于遺傳算法(GA)與DP的 (UUV)路徑規(guī)劃器嗡善。相比線性規(guī)劃和動態(tài)規(guī)劃，它能在未完全了解問題域的情況下提供次優(yōu)解決方案学歧，仿真結果表明滤奈，該算法在速度和解決方案質量方面均優(yōu)于單純基于GA的無人水下航行器路徑規(guī)劃器。
缺點：計算量大撩满，耗時長蜒程。 - 基于粒子群優(yōu)化的航跡規(guī)劃
原理：粒子群優(yōu)化算法(Particle Swarm Optimization, PSO)是由Kennedy和Eberhart在1995年提出的一種新型的進化算法，是一種類似的近似算法伺帘，其通過改變粒子的狀態(tài)來不斷尋求最優(yōu)解昭躺。同其它的進化算法類似，可以解決許多難以建模的困難優(yōu)化問題伪嫁，或者是可以轉化為優(yōu)化問題進行求解的問題领炫。將粒子群算法應用于航跡規(guī)劃領域，可以規(guī)劃處規(guī)避威脅的飛行航跡张咳，同時PSO算法其概念易于理解帝洪，實現相對容易且可變參數較少似舵。
文獻：[35]等針對移動機器人的路徑規(guī)劃采用了參數混合粒子群優(yōu)化(PCPSO)和最佳個體混合粒子群優(yōu)化(BICPSO)，并引入了四種混合映射模型來討論對上述CPSO的影響葱峡。提出了一種基于最佳個體替換策略的改進PSO算法砚哗。仿真結果表明，該算法能夠獲得耗時更短砰奕，更平滑的路徑蛛芥。
缺點：計算量大，耗時長军援。
