高超聲速滑翔飛行器機動狀態識別方法研究

張君彪 熊家軍 蘭旭輝 陳 新 李 凡

①(空軍預警學院預警情報系 武漢 430019)

②(95980部隊 襄陽 441000)

1 引言

高超聲速滑翔飛行器(Hypersonic Glide Vehicle, HGV)是指速度在6000 km/h以上，飛行空域在20～100 km的武器，以其高機動、大航程的特點打破了傳統攻防平衡的態勢，對現有防空防御體系造成了顛覆性影響，開拓了軍事斗爭的新領域和新形式[1]。世界各軍事大國圍繞HGV的研發正在展開激烈的軍備競賽。2021年5月，據美國“Breaking defense”上的文章，美陸軍的“遠程高超聲速武器”導彈射程遠超2775 km。此前，俄羅斯衛星通訊社報道，俄羅斯現已裝備了“先鋒”和“匕首”兩種高超聲速武器，分別采用陸基和空基進行發射。HGV的不斷發展給各國空天安全造成了嚴重威脅，對HGV的跟蹤、預測和防御成為研究熱點[2]。對HGV機動狀態識別進行研究是防御過程中非常重要的一個環節，可以為HGV的威脅估計、軌跡預測和防御決策提供有力支撐。

HGV機動狀態識別實質上是一種分類問題[3]。現有關于空中目標機動狀態識別的研究主要集中在常規飛行器，而對HGV機動狀態識別進行研究的公開文獻還非常少。HGV相對常規飛行器來說，速度更快，機動狀態轉換所需的空間范圍更廣，特征提取也相對更加困難。目前機動狀態識別的方法主要有貝葉斯網絡[4,5]、支持向量機[6,7]、隨機森林[8]和深度學習模型[9,10]等。文獻[5]對戰機的機動特征進行了分析，建立了基于動態貝葉斯網絡的機動動作識別模型，具有較好的實時性和準確性；文獻[7]將直升機飛行狀態分為10類，采用支持向量機對飛行狀態進行識別，通過實飛數據對算法進行驗證，算法的正確率較高；文獻[8]對高超聲速再入滑翔飛行器的運動特性進行研究，將目標運動狀態分為6類，采用隨機森林的方法對目標狀態進行識別，得到了較高準確率；文獻[11]將敵機機動動作進行分解，提出了一種基于隨機森林和支持向量機的兩級識別方法，分別對機動動作和戰術動作進行識別，具有較好的識別效果。

上述方法在一定程度上為目標機動狀態識別提供了解決方案，但它們在處理多維度、大數據量的輸入數據時性能會明顯下降。近年來，深度學習在特征提取、模式識別領域具有良好表現，尤其在處理多維、大批量數據和抗噪性上展現了獨特優勢[12,13]。文獻[9]通過分析空中目標的機動特征和作戰意圖之間的對應關系，建立了深度神經網絡的識別模型，對空中目標的機動特征進行識別進而得到作戰意圖，獲得了較高的識別率；文獻[10]設計了一種長短時記憶網絡對車輛駕駛意圖進行識別并對車輛軌跡進行預測，取得了較好的效果；文獻[12]提出了一種運動行為識別網絡的航跡估計算法，通過循環神經網絡對飛行器運動行為進行識別，并根據識別結果選擇相應的模型進行濾波，獲得估計的航跡。

由于HGV機動狀態識別的數據輸入是一個多維的、大批量的時間序列數據，且通過雷達跟蹤獲取的數據含有一定噪聲，因此本文提出了一種基于注意力卷積長短時記憶網絡(ATtention Convolution Long-Short Term Memory network, AT-ConvLSTM)的HGV機動狀態識別方法。首先，通過分析HGV機動特性，劃定機動狀態類別，生成軌跡庫，并構造了包含高度、高度變化率、速度傾角、速度方位角、速度方位角變化率的特征參數集。然后，對雷達跟蹤的HGV飛行數據進行特征提取和轉換，進而得到5維的特征識別參數序列數據。最后，設計了一種基于AT-ConvLSTM的HGV機動狀態識別模型，并在雷達跟蹤數據集中進行測試，驗證所提模型在機動狀態識別中的有效性。

2 HGV機動建模

2.1 HGV滑翔段運動方程

假設大地模型為均勻圓球體，忽略地球自轉影響，根據HGV受力情況，在半速度坐標系(Velocity Turn Climb, VTC)中描述HGV的6自由度運動方程為[14]

2.2 HGV約束條件分析

HGV在機動過程中，為了滿足任務要求和保持飛行器安全可靠飛行，通常需要滿足一些約束條件，這些約束主要包括過程約束和終端狀態約束[15]。

過程約束是指HGV在飛行過程中需要滿足飛行器控制能力、防止結構性破壞和熱燒蝕等，必須在可承受的最大熱流密度、最大動壓和最大過載下進行機動，才能保證機體安全性和可靠性。過程約束可表示為

其中，Kn為 常數，g0為海平面地球引力加速度。

終端約束是指HGV為完成任務、到達指定目標點所需要滿足的狀態約束，主要包括高度約束、速度約束、方位角約束等。設目標點位置坐標為(xt,yt,zt)， HGV滑翔段結束位置狀態坐標為(xa,ya,za)， 速度為Va， 方位角為σa，則終端約束可表示為

2.3 HGV控制參數建模

HGV具有較強的機動性，即可以進行縱向機動，也可以進行橫向機動。通過將兩個方向的機動進行疊加，可以實現更為復雜的機動，以增加HGV軌跡靈活性，進而規避探測和禁飛區，提高突防成功概率。

2.3.1 縱向彈道控制參數建模

HGV在縱向上的機動主要有兩種：平衡滑翔和跳躍滑翔。平衡滑翔條件下，飛行器縱向方向的受力達到平衡，速度傾角變化率為0，即θ˙ =0。由飛行器運動方程可知，其平衡滑翔條件下的控制參數模型應滿足[16]

此外，HGV縱向上所受的氣動力主要受攻角的影響，攻角的變化會帶來HGV縱向所受氣動力的變化。因此，平衡滑翔過程中，攻角應該始終保持不變。同時滿足速度傾角變化率為0和攻角保持不變這兩個條件，HGV才可以在縱向上實現平衡滑翔。

只要不滿足平衡滑翔條件，HGV在縱向上就表現為跳躍滑翔的狀態。通過控制攻角的變化，可以實現HGV在縱向上跳躍幅度、跳躍頻率的變化。考慮到HGV在初始滑翔段由于速度較大，氣動熱是影響飛行的主要約束，應該采用較大攻角以提高飛行器下降時最低點的高度。而隨著飛行器速度的降低，氣動熱不再是主要約束條件，此時為了增加航程，應該盡可能通過調整攻角，提高升阻比，讓飛行器飛得更遠。據此，將攻角建模為關于速度的函數

其中，αmax和αmax(L/D)分別為最大攻角和最大升阻比攻角，αmid=(αmax+αmax(L/D))/2，αbal=(αmax?αmax(L/D))/2，Vmid=(V1+V2)/2，L/D為升阻比。

2.3.2 橫向彈道控制參數建模

HGV為了提升攻防能力，可以進行多種樣式的橫向機動，主要包括：無機動、C形機動、S形機動等。橫向機動的實現主要受傾側角的影響。

橫向無機動可以降低飛行器設計難度，減少飛行器能量消耗，增加航程，但同時也會增加飛行器被攔截的概率。當HGV橫向無機動時，傾側角通常設為0。C形機動一般指左轉彎或右轉彎，其彈道較為穩定，機動樣式較為單一。當HGV進行C形機動時，傾側角通常設為常數，不翻轉或只進行一次符號翻轉。S形機動主要通過不斷進行左右轉彎實現，可以增加飛行器機動性能。當HGV進行S形機動時，傾側角要通過方位角控制進行多次符號翻轉，其控制參數模型為

3 HGV機動類別劃分

3.1 機動類別

通過設計彈道控制參數，HGV可以在空中實現多種復雜機動。根據運動分解方法，可以將HGV空中機動在縱向平面和橫向平面進行分解。HGV在縱向平面上的機動可以分為平衡滑翔和跳躍滑翔，在橫向平面上的機動可以分為無機動、左轉彎、右轉彎和蛇形機動。通過將HGV縱向機動動作和橫向機動動作進行合成，可以得到8個機動類別，分別對應8個機動動作標簽，如圖1所示。

圖1 HGV機動動作分類

3.2 特征識別參數構造與選取

根據飛行動力學相關知識[17]，HGV機動過程中伴隨著各參數的變化，主要包括以下5個參數：高度h、高度變化率?h、速度傾角θ、速度方位角σ、速度方位角變化率?σ。 其中，高度h、高度變化率 ?h和 速度傾角θ這3個參數主要對HGV縱向上的機動動作比較敏感，速度方位角σ和速度方位角變化率?σ這2個參數主要對HGV橫向上的機動動作比較敏感。

高度h是指HGV機動過程中質心與地面的垂直距離。高度變化率可以通過差分方法獲取，公式為

當HGV縱向上平衡滑翔時，高度和高度變化率呈平穩變化，速度傾角接近零值；當HGV縱向上跳躍滑翔時，高度、高度變化率和速度傾角均呈規律性震蕩。當HGV橫向上無機動時，速度方位角保持不變，速度方位角變化率基本為0；當HGV橫向上左轉時，速度方位角不斷減小，速度方位角變化率為負值；當HGV右轉時，速度方位角不斷增大，速度方位角變化率為正值；當HGV蛇形機動時，速度方位角和速度方位角變化率呈震蕩變化。據此，可以分析出HGV機動狀態和特征識別參數之間的映射關系。HGV機動狀態識別實際上就是先建立機動狀態和特征識別參數之間的映射關系，然后通過狀態識別方法捕捉特征識別參數的變化，進而對應到機動狀態，從而完成了HGV機動狀態的識別。

3.3 軌跡庫生成

通過設計不同初始變量條件和不同控制參數模型，利用式(1)–式(7)，可以生成HGV不同機動狀態下的機動軌跡。本文共仿真生成了2430條軌跡，4.374×106個軌跡點，包含了HGV的各類機動模式，形成HGV軌跡庫。

4 雷達跟蹤與特征提取

設地球半徑為Re，雷達站所處位置的高度為H0， 地理經度為λ0，地理緯度為φ0，通過雷達跟蹤得到的HGV狀態信息為 (x～k,y～k,z～k,v～xk,v～yk,v～zk)，其中下標x, y, z表示3個坐標軸，上標“～”表示估計，下標k表示時刻。速度信息可通過位置進行差分得到。雷達跟蹤獲得的HGV狀態信息是建立在雷達東北天(East North Up, ENU)坐標系中的。而HGV機動狀態識別需要獲取飛行器的高度、高度變化率、速度傾角、速度方位角和速度方位角變化率。因此，需要通過坐標轉換將雷達ENU坐標系下的跟蹤信息轉換為HGV特征識別參數信息。主要通過以下3個步驟實現：

步驟1 將HGV在雷達ENU坐標系中的跟蹤信息轉換到地心(Earth-Centered, EC)坐標系。

高度變化率可以通過高度信息進行差分得到。

步驟2 將HGV在EC坐標系下的速度信息轉換到飛行器ENU坐標系。

速度方位角變化率可以通過速度方位角進行差分得到。至此，通過式(9)–式(15)，可以完成雷達跟蹤信息的實時轉換，得到所需的特征識別參數信息。

5 機動狀態識別方法

5.1 數據處理

對HGV機動特征識別參數信息進行提取后，首先通過移動平均法對數據進行平滑處理以盡量消除跟蹤噪聲的影響。然后，為便于模型學習數據規律和特點，將平滑后的數據進行歸一化，采用最大最小法將每個維度的特征識別參數歸一化到[–1,1]區間。最后，對3.1節劃分的8個機動類別標簽進行獨熱編碼(One-Hot)。

5.2 AT-ConvLSTM模型

本文所構造的機動特征識別參數是一個多維時間序列數據，能夠比較完整地反映HGV空間機動特征，兼具了時間特性和空間特性。考慮卷積神經網絡(Convolutional Neural Networks, CNN)在局部特征提取方面的優勢和長短時記憶網絡(Long-Short Term Memory Network, LSTM)在時間序列處理方面的優勢，設計了一種基于AT-ConvLSTM的狀態識別方法。

CNN是一種仿造生物視覺神經機制構造的神經網絡[19]，通過卷積核進行卷積操作獲取“感受野”范圍內的數據關系特征，具有權值共享和局部感受野的優勢，能夠很好地提取局部特征[20]。LSTM是1997年由Hochreiter和Schmidhuber提出的[21]，在循環神經網絡(Recurrent Neural Network,RNN)的基礎上增加了一個新的狀態，稱為單元狀態ct，并通過引入3個門：輸入門、輸出門和遺忘門，解決了RNN存在的梯度消失或梯度爆炸問題[22]。在前向傳播過程中，輸入門ft決定了當前時刻的單元狀態ct可 以保留多少當前時刻的輸入xt；輸出門ot決 定了當前時刻的單元狀態ct有多少可以傳送到輸出ht；遺忘門it決 定了當前時刻的單元狀態ct可以保留多少上一時刻單元狀態ct?1的信息。

ConvLSTM是2015年由Shi等人[23]提出的，結合了LSTM和CNN兩種模型的優勢，其主要改進之處是用卷積運算代替了LSTM中當前輸入和短期記憶結合后的矩陣乘法運算，因此可以更好地對時間序列信息的特征和規律進行提取，已經在時間序列分類和預測等領域得到了廣泛關注。其具體計算過程為

受人類視覺系統處理信息時可以自動抓取關鍵信息的啟發，注意力機制可以通過調整信息的概率分配來增加重要信息的影響，減弱非重要信息的影響，在語音識別、機器翻譯等方面獲得了廣泛關注[24]。這里，由于HGV機動狀態識別的輸入信息是多維的時序數據，添加注意力機制有利于提高關鍵特征信息的影響，有利于模型抓取狀態識別的重要特征。因此，本文在ConvLSTM層后添加注意力機制。假設有k個特征向量輸入，則第i個特征向量的得分計算公式為

最后，添加全連接層，并通過softmax激活函數對HGV機動狀態進行分類，得到每個機動狀態對應的概率，最大概率對應的機動狀態即為網絡輸出的HGV機動狀態。計算公式為

其中，Wx和bx分別為softmax層對應的權重和偏置。

6 仿真驗證

6.1 網絡訓練

選擇自適應矩估計(Adaptive moment estimation, Adam)優化器作為優化方法，根據誤差梯度對模型中的參數進行優化。Adam是對傳統隨機梯度下降算法的擴展，不僅能計算模型中各參數的自適應學習率，還可以使模型更高效地收斂。選擇交叉熵作為損失函數，可以根據誤差的大小調節權重更新速度。本文將軌跡庫中80%的數據作為訓練數據，20%的數據作為驗證數據。同時，為降低過擬合風險，在模型中添加了L2正則化和Dropout層。

本文設計的識別網絡模型結構共有5層，包括2層ConvLSTM層、1層Dropout層和2層全連接層。模型學習率設計為0.001。訓練次數和批量大小分別設計為100和128。模型輸入的數據是一個5維的時間序列，采樣間隔為0.5 s。模型的輸出是一個二進制的one-hot向量。實驗在處理器為Intel Core i7-10510U、內存為16 GB、操作系統為Microsoft Windows 10(64位)的移動工作站進行。本文模型代碼通過Python 3.7.6版本編寫，基于TensorFlow框架實現。

6.1.1 時間步長設計

時間步長是影響模型性能的一個重要指標，時間步長的大小直接影響模型的識別精度和收斂速度。選取合適的時間步長有利于改善模型的識別能力。將學習率設為0.001，以50為間隔，在50到300的范圍內對時間步長進行等間距實驗，對不同時間步長下網絡模型的識別精度和收斂性進行分析。訓練結果如表1所示，損失曲線和準確率曲線如圖2所示。

表1 不同步長對應的模型訓練結果

從圖2可以看出，在時間步長從50調整到300的過程中，準確率曲線先上升后下降，損失曲線先降低再增大。當時間步長為250時，準確率達到最高，損失達到最小。這可能是因為，HGV的機動狀態變換需要一個時間過程，當時間步長逐漸增大時，時間周期變長，積累了更多機動狀態信息，有利于模型正確判斷HGV所處的機動狀態。但當時間步長過大時，可能會造成一定的過擬合現象，一定程度上抑制了模型的性能。因此，本文將時間步長設置為250。

圖2 模型的準確率和損失變化曲線

6.1.2 模型對比

選擇RNN模型、LSTM模型、CNN-LSTM模型和ConvLSTM模型作為對比模型，時間步長和學習率的設置與AT-ConvLSTM相同。利用軌跡庫中數據分別對幾種深度學習模型進行訓練，其訓練具體結果如表2所示，損失曲線和準確率曲線如圖3所示。

圖3 不同模型的訓練結果

表2 模型精度對比

可以看出，RNN模型和LSTM模型的正確率曲線明顯低于其他3種模型，說明RNN模型和LSTM模型雖然在處理長時依賴問題中具有優勢，但在特征提取方面處于劣勢，導致無法很好地進行HGV機動模式分類。CNN-LSTM模型、ConvLSTM模型和AT-ConvLSTM模型在訓練集和驗證集上都取得了較高的正確率。這是因為CNN-LSTM模型結合了CNN和LSTM的優勢，擅于提取局部特征，ConvLSTM模型正確率略高于CNN-LSTM模型，是因為CNN-LSTM模型先將信息輸入卷積層，再輸入LSTM層，相當于對數據中的空間特征和時間特征進行了分開處理，而ConvLSTM模型將卷積運算嵌入了LSTM層，同時處理了數據中的時間和空間特征。但綜合對比之下，AT-ConvLSTM模型由于在ConvLSTM模型的基礎上又添加了注意力機制，能夠更好地獲取關鍵特征，所以識別正確率最高、效果最好。

6.2 機動狀態在線識別

6.2.1 典型樣本下模型性能測試

為驗證模型對典型樣本的識別性能，設計了兩條典型HGV機動軌跡，如圖4所示。其中，軌跡1機動狀態為平衡滑翔右轉彎，軌跡2機動狀態為跳躍滑翔無機動。雷達的參數設置如下：距離誤差為200 m，方位角誤差為0.1o，俯仰角誤差為0.1o，采樣率為0.5 s。利用文獻[14]中的方法對軌跡進行實時跟蹤，得到HGV機動狀態信息。

圖4 典型HGV軌跡

通過第4節的方法將雷達跟蹤到的HGV狀態信息轉換為特征識別參數信息，然后利用訓練好的ATConvLSTM網絡模型對跟蹤到的HGV軌跡進行在線識別，并與其他模型進行對比，驗證算法的實用性。

分別利用不同模型對兩條HGV軌跡進行在線機動狀態識別，對各模型的識別準確率進行計算，結果如表3所示。可以看出，各模型在對軌跡1的識別中都取得了較好的效果，但是在對軌跡2的識別中，LSTM模型和RNN模型的準確率都明顯降低。分析其原因，可能是由于軌跡2相對軌跡1機動性更強，特征參量變化較大，導致LSTM模型和RNN模型無法較好提取特征信息，從而降低了識別準確率。還可以發現本文提出的基于AT-ConvLSTM的機動狀態識別模型在對不同機動狀態的HGV軌跡識別中始終保持了穩定的性能，相比其他模型具有更好的準確率。

表3 模型識別結果

6.2.2 多樣本下模型性能測試

為了對模型的性能進行更為全面的衡量和測試，在6.2.1節基礎上，增加樣本數量，在多樣本下進一步分析模型性能。

在不同初始條件下生成24條包含各類機動狀態的HGV軌跡(每種機動狀態對應3條)，共計43200個軌跡點，利用文獻[14]中的方法對軌跡進行實時跟蹤，得到HGV機動狀態信息。雷達跟蹤參數和特征參數提取方法同6.2.1節。然后利用訓練好的ATConvLSTM網絡模型對跟蹤到的HGV軌跡進行在線識別，并與其他模型進行對比，驗證算法的實用性。

分別利用不同模型對HGV軌跡進行識別，準確率結果如表4所示。可以看出，由于跟蹤噪聲的影響，所有模型的識別準確率相比訓練集和驗證集都有所下降，但仍保持了一定精度。本文所提模型的準確率為92.36%，優于其他模型。識別準確率堆疊直方圖如圖5所示，圖中將HGV不同機動類別的識別點數占總點數的比例進行堆疊，可以看出，平衡滑翔模式下的機動類型1的識別準確率普遍偏低。分析其原因，可能是機動類型1屬于平衡滑翔無機動模式，HGV軌跡相對更為平穩，各特征識別參數的變化也較為平穩，變化不夠明顯，同時受到噪聲干擾，因此導致機動類型1的識別相對困難。

圖5 識別準確率堆疊直方圖

表4 模型識別準確率結果

計算不同模型單次機動識別的平均耗時，結果如圖6所示。可以看出，模型識別耗時普遍較低，均小于0.1 s。其中本文模型的平均耗時為0.0577 s，可以滿足實時性要求，能夠進行機動狀態在線識別。

圖6 不同模型的平均耗時

7 結束語

本文利用深度學習理論對HGV機動狀態識別進行研究，首先建立了HGV機動模型，對機動控制參數進行了分析，根據HGV橫向和縱向機動特點，將機動類別劃分為8類，然后，推導了從雷達跟蹤到特征識別參數的轉換步驟，實現了特征參數的提取，最后，通過訓練AT-ConvLSTM網絡對HGV機動狀態進行在線識別。通過分析可以得到以下結論：

(1)本文模型可以較好地處理多維度的時間序列信息，利用卷積長短時記憶網絡在時空數據處理方面的優勢和注意力機制對關鍵特征提取方面的優勢，在HGV機動狀態識別中取得了較高的準確率；

(2)本文模型具有較好的魯棒性，不僅在訓練集和驗證集中取得了較好的結果，在對雷達跟蹤的HGV軌跡數據進行識別時，也能夠較好地應對跟蹤噪聲的污染，保持良好的性能；

(3)本文模型可以對HGV機動狀態進行在線有效識別。模型在訓練集和驗證集中分別取得了98.79%和97.95%精度，在對多軌跡樣本的識別中取得了92.36%的精度，與其他幾種模型相比，性能更好，且耗時較短，能夠滿足在線識別的要求。