基于中末制導交班點識別的高速高機動飛行器軌跡預測方法

摘 要： 針對高速高機動滑翔飛行器軌跡預測過程中任務場景定義不明確、 意圖先驗信息利用不充分等問題， 提出了一種基于中末制導交班點識別的軌跡預測方法。 首先， 構建高速高機動飛行器滑翔至多個典型中末制導交班點的任務場景， 利用準平衡滑翔制導方法生成軌跡數據集。 然后， 提出了一種基于長短期記憶（Long Short-Term Memory， LSTM）網絡的中末制導交班點識別方法， 利用跟蹤數據構造特征序列， 對滑翔軌跡進行初步分類。 最后， 引入自注意力機制提升序列到序列（Sequence-to-Sequence， Seq2Seq）預測網絡的特征提取性能， 利用編碼-解碼的方式對分類后的滑翔軌跡進行長時預測。 仿真結果表明， 所提出的基于中末制導交班點識別的軌跡預測方法具有較高精度， 預測時長為120 s， 180 s和240 s時， 軌跡誤差分別在18.77 km， 36.91 km和57.75 km以內； 相比于直接利用深度學習模型預測的方法， 所提出的預測方法在240 s的預測時長內平均預測誤差降低了37.61%， 最大預測誤差降低了37.34%。

關鍵詞： 高速高機動飛行器; 長短期記憶網絡; 中末制導交班點識別; 軌跡預測

中圖分類號： TJ765； V249

文獻標識碼： A

文章編號：?IfVExVONvMOwdnfl+JDn9w==; 1673-5048（2024）05-0074-08

DOI： 10.12132/ISSN.1673-5048.2024.0058

0 引 言

高速高機動滑翔飛行器是一種利用自身高升阻比氣動外形提供升力， 在高度位于20～100 km范圍內的臨近空間以馬赫數大于5的速度進行長時間、 遠距離滑翔的飛行器［1］。 該類飛行器憑借強大的縱深穿透能力、 精確打擊能力， 打破了傳統的戰略攻防平衡體系， 成為世界各軍事大國競爭博弈的焦點。 可以預見， 未來幾年高速高機動技術領域的競爭將越發激烈， 各國空天安全將面臨新的威脅［2］。 高速高機動飛行器的軌跡預測是實施攔截防御的前提條件， 不但可以為防御方盡早制定攔截方案提供數據支撐， 也可為攔截彈發射決策、 遭遇點解算提供依據， 是目前防御方研究的重要方向之一［3-4］。

從高速高機動飛行器軌跡預測技術的構建方法來看， 目前研究重點可分為兩方面。 一是基于模型驅動的軌跡預測， 此類方法一般應用于典型控制模式下， 通過特征參數辨識進行軌跡預測， 需要辨識的特征參數包括氣動參數、 總體參數和控制參數等。 這類方法的基本思路是利用高精度跟蹤數據估計上述特征參數和其變化規律， 并基于運動模型外推狀態實現軌跡預測。 李廣華［5］在假設高超聲速飛行器控制變量服從一定規律的條件下， 通過對攻角和傾側角濾波辨識， 研究了跳躍彈道和非跳躍彈道的預測問題； 張洪波等［6］將攻角和傾側角建模成一階Gauss-Markov過程， 聯合半速度坐標系下的運動方程組成擴展狀態變量實現了預測。 由于直接對攻角和傾側角建模會導致跟蹤和預測模型過于復雜， 并且難以提前獲取非合作目標的本體參數， 部分學者轉而求解其他包含控制量信息的參量。 李世杰等［7］提取了與目標攻角和傾側角有關且易于建模及預測的控制參數， 構建了新的等效控制量； 王路等［8］通過分析高超聲速目標

收稿日期： 2024-04-01

基金項目： 國家自然科學基金項目（12072027）； 河南省通用航空技術重點實驗室開放基金項目（ZH-KF-230201）

作者簡介： 馬康康（1995-）， 男， 甘肅華亭人， 碩士研究生。

*通信作者： 胡星志（1988-）， 男， 湖南永州人， 副研究員。

的升阻比變化規律， 擬合得到升阻比函數， 依據升阻比的預測積分完成軌跡預測；翟岱亮等［9］定義了

一組新的氣動參數， 通過對該參數的歷史數據進行擬合并預測其未來狀態； 陳南華等［10］利用自回歸集成滑動平均模型預測變機動高超聲速目標的加速度， 結合無跡卡爾曼濾波（Unscented Kalman Filter， UKF）算法對目標軌跡進行了預測。 基于模型驅動的預測方法具有較強的理論基礎和良好的可解釋性， 但現有的研究成果中并未明確定義此類方法適用的任務場景， 這導致實際預測過程中當任務場景不匹配時該方法的預測精度較低。

航空兵器 2024年第31卷第5期

馬康康， 等： 基于中末制導交班點識別的高速高機動飛行器軌跡預測方法

另一方面是基于數據驅動的軌跡預測， 此類方法主要是將高速高機動飛行器的歷史軌跡視為包含時間和空間特征的特殊時間序列， 通過神經網絡對數據進行特征提取、 統計分析， 最終實現對數據變化趨勢的預測。 胡星志等［11］將高斯過程回歸分析引入預測任務當中， 建立了含噪聲輸入條件下的不確定軌跡預測模型， 能夠給出高精度預測結果及其概率分布； 李青勇等［12］研究了多步預測過程中模型的性能變化， 提出一種基于長短期記憶（Long Short-Term Memory， LSTM）網絡的Encode-Decoder軌跡預測技術， 能夠從歷史數據中提取更多的軌跡特征； 楊春偉等［13］針對滑翔式和跳躍式飛行軌跡預測問題， 利用LSTM網絡設計編碼器和解碼器， 提出一種基于注意力機制的序列到序列（Sequence-to-Sequence， Seq2Seq）軌跡預測模型， 可以對目標的多種飛行軌跡進行有效預測； Zhang等［14］利用卷積運算代替了全連接運算， 提出一種基于卷積長短時記憶網絡（ConvLSTM）的軌跡預測方法， 可以更好地處理目標的時空特征數據。 LSTM網絡有效緩解了循環神經網絡在訓練過程中梯度消失或梯度爆炸的問題， 廣泛應用于軌跡預測問題， 但隨預測時長增長， 其性能會不斷下降。 為進一步提高軌跡預測精度， 李明杰等［15］結合LSTM網絡提出一種基于控制參數估計的智能軌跡預測算法， 通過對控制參數變化規律的學習， 積分外推實現了軌跡預測； 蔡遠利等［16］、 宋波濤等［17］利用深度學習網絡提出一種彈道分類器和預測器， 先對目標再入類型進行分類， 而后再對目標軌跡進行預測， 為高速高機動飛行器的軌跡預測提供了新思路。 基于數據驅動的預測方法需要豐富的軌跡數據集訓練模型， 但現有的研究成果在構建軌跡數據集時對目標的意圖先驗信息利用不充分， 這導致此類方法在目標具有多種位置意圖時難以取得良好的預測效果。

高速高機動飛行器的軌跡是“設計、 優化和控制”的結果， 其在滑翔段具有一定的目的性， 統計意義上存在規律， 可通過深度學習方法對其未來運動軌跡做出預測。 此外， 從目標飛行器全程制導的角度來看， 當目標具有位置意圖時， 必然存在明確的中末制導交班點， 可以根據目標的位置意圖推斷出其可能位置。 對于滑翔段準平衡制導方法， 該交班點的位置作為終端約束， 直接參與制導算法運行， 可以通過識別中末制導交班點對準平衡滑翔軌跡初步分類。 因此， 本文開展基于中末制導交班點識別的高速高機動飛行器軌跡預測方法研究。 為簡化問題， 暫不考慮禁飛區和主動博弈策略對飛行軌跡的影響， 構建高速高機動飛行器在不同再入條件下以準平衡滑翔彈道制導至多個典型交班點的任務場景， 生成目標軌跡數據集。 然后， 基于中末制導交班點識別網絡， 對目標軌跡進行分類。 最后， 基于Seq2Seq預測網絡， 在編碼器中引入自注意力機制提升特征提取性能， 通過編碼-解碼的結構實現了目標軌跡的多步預測。 仿真結果表明， 本文提出的基于中末制導交班點識別的預測方法優于直接利用深度學習模型預測的方法， 可進一步提升軌跡預測精度。

1 高速高機動飛行器動力學模型及制導方法

1.1 動力學模型

忽略地球自轉， 在半速度坐標系中建立飛行器三自由度運動方程［18］：

V·=－CDρV2Sm2m－μMr2sinθ

θ·=CLρVSm2mcosυ－μMr2cosθV

σ·=－CDρVSm2mcosθsinυ+Vtanφcos2θsinσrcosθr·=Vsinθ

λ·=－Vcosθsinσ/（rcosφ）

φ·=Vcosθcosσ/r （1）

式中： V為飛行器相對地球速度； θ為航跡傾角； σ為航跡偏角； r為地心距； λ和φ分別為經度、 緯度； ρ為大氣密度； m為飛行器質量； Sm為飛行器參考面積； μM為地球引力常數； CD與CL分別為阻力系數和升力系數， 控制參數攻角α隱含其中， 另一控制參數為傾側角υ。

1.2 準平衡滑翔制導

相對于跳躍滑翔彈道， 準平衡滑翔彈道具有高度變化平緩、 熱流密度和動壓峰值小等優點， 攻角和傾側角曲線光滑， 易于姿態控制回路的跟蹤實現， 對飛行器的制導控制能力要求低， 被廣泛用于高超聲速飛行器滑翔段制導［19］。 本文利用準平衡滑翔制導方法生成軌跡數據集， 具體分為基于航跡偏差角控制的側向制導和基于航程控制的縱向制導， 均是由中末制導交班點的狀態參數進行驅動， 這也為基于識別中末制導交班點進行預測提供了可行性。

1.2.1 側向航跡偏差角控制

航跡偏差角定義為從飛行器當前位置到目標的視線方向與當前水平面內速度方向的夾角：

Δσ=σLOS－σ（2）

式中： σLOS為視線角， 通過球面三角理論求得。 為了消除該航跡偏差角， 采用比例型誤差增益反饋的方式， 即

υ=－kσΔσ（3）

式中： υ為由航跡偏差角誤差反饋獲得的傾側角； kσ為設定的正增益系數。

1.2.2 縱向航程控制

根據準平衡滑翔條件， 可推導出航跡傾角和航程解析關系式：

LR=RetanθlnRe+hRe+h1（4）

式中： h1為起始高度； h為當前高度； LR表示從起始高度到當前高度覆蓋的航程； Re為地球平均半徑。

基于式（4）， 根據航程要求可實時確定所需的航跡傾角， 并通過調整攻角進行準平衡滑翔縱向軌跡控制：

tanθref=RelnRe+hfRe+h/LRtogo（5）

式中： LRtogo為待飛航程； hf為期望的終端高度； θref為所需的參考航跡傾角。

采用反饋線性化控制理論設計軌跡控制律， 經推導可得

CLcmd=2mρVScosυgV－VRe+hcosθref+

2mρVScosυθ·ref－1τ（θ－θref）（6）

式中： CLcmd為升力系數指令； τ為時間常數。 據此可通過氣動參數插值獲得攻角α。

2 任務場景及軌跡數據集構建

非合作高速高機動目標的運動通常符合一定的運動規律或特定的任務場景， 因此， 首先對高速高機動飛行器滑翔段的任務場景進行明確定義。 假定根據目標再入和防御方要地位置推斷出的中末制導交班點的位置如圖1所示。

定義的任務場景具體描述為： 高速高機動飛行器從某確定點O再入， 采用1.2節所述的準平衡滑翔制導方法， 無動力滑翔至A， B， C三個典型的中末制導交班點。 在此任務場景下， 改變不同的初始再入狀態， 生成豐富的軌跡數據， 構建軌跡數據集， 開展中末制導交班點識別及軌跡預測方法研究。 此任務場景中， 預設定的高速高機動飛行器再入點和典型中末制導交班點的位置參數如表1所示。

3 中末制導交班點識別模型

3.1 特征序列

中末制導交班點的識別屬于時間序列分類問題， 首

先應當確定能夠識別中末制導交班點的特征序列。 在本文所提任務場景中， 根據雷達跟蹤獲得的高速高機動飛行器軌跡信息， 防御方可持續計算目標與預設的3個中末制導交班點間的剩余航程和航跡偏差角， 生成相應的時間序列數據。 另外， 考慮速度特征反映了目標飛行器當前的能量狀態， 當目標滑翔至不同剩余航程交班點時， 速度變化也必然不同。 因此， 將目標飛行器的速度也作為一個關鍵特征序列， 共獲得7個特征序列， 以此對中末制導交班點進行識別。 跟蹤過程中特征序列的生成示意圖如圖2所示。

目標飛行器與中末制導交班點間的剩余航程為

L=arccos（sinφTsinφ+cosφTcosφcos（λT－λ））（7）

目標飛行器與中末制導交班點的位置視線角為

σLOS=arctansin（λT－λ）cosφtanφT－sinφcos（λT－λ）（8）

式中： λT和φT為中末制導交班點的經度和緯度。 由此根據式（2）可計算目標飛行器和典型中末制導交班點的航跡偏差角。

3.2 LSTM識別網絡

循環神經網絡（Recurrent Neural Network， RNN）常用于時間序列分類問題。 LSTM網絡作為RNN的改進網絡， 其主要思想是通過引入三個門， 即遺忘門、 輸入門、 輸出門， 來處理記憶單元的信息， 具備保存長期信息的能力， 可以較好地對信息的時間變化規律進行挖掘。 LSTM網絡單元結構如圖3所示［20］。 圖中， Ct－1表示上一時刻的單元狀態； ht－1表示上一單元的輸出； xt表示當前時刻的輸入； Ct與ht表示當前時刻的單元狀態與輸出。

在前向傳播過程中， 遺忘門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， 計算公式為

Ft=σ（Wf·［ht－1， xt］+bf）（9）

式中： σ（·）表示Sigmoid激活函數； Wf表示遺忘門的權重； bf表示遺忘門的偏置。 遺忘門通過Sigmoid函數將輸入與上一時刻的狀態映射為0～1之間的值來決定上一時刻狀態的保留情況， 1表示完全保留， 0表示舍棄。

然后由輸入門決定當前時刻的單元狀態Ct可以保留多少當前時刻的輸入xt。 輸入門首先通過tanh函數構建候選向量C～t， 再通過Sigmoid函數選擇其遺忘的比例， 計算公式為

C～t=tanh（Wc·［ht－1， xt］+bc）（10）

it=σ（Wi·［ht－1， xt］+bi）（11）

式中： Wc與bc表示構造候選向量時的權重與偏置； Wi與bi表示輸入門的權重與偏置。

最后， 由輸出門決定當前時刻的單元狀態Ct有多少可以傳送到輸出ht， 計算公式為

Ct=Ft·Ct－1+it·C～t（12）

Ot=σ（Wo·［ht－1， xt］+bo）（13）

ht=Ot·tanh（Ct）（14）

式中： Ct為當前時刻的單元狀態； Wo與bo分別表示輸出門權值和偏置； 當前時刻的輸出ht為當前狀態Ct經過tanh后與Singmoid層的輸出Ot相乘后的結果。

基于LSTM的分類網絡結構如圖4所示， 包含一個序列輸入層（Sequence Input Layer）、 兩個全連接層（Fully Connected Layer）、 一個雙向長短期記憶網絡層（BiLSTM Layer）、 一個Softmax層和一個Classification層， 網絡的輸入為目標飛行器的特征序列， 輸出為目標飛行器滑翔至典型中末制導交班點的分類結果。

4 Seq2Seq軌跡預測模型

高速高機動飛行器的軌跡預測可視為時間序列預測問題。 基于LSTM網絡設計的Seq2Seq軌跡預測模型［12］， 建立了輸入序列和輸出序列的函數映射關系。 編碼器將跟蹤獲得的高速高機動飛行器軌跡作為輸入序列轉化為固定長度的上下文向量， 解碼器將這個固定長度的向量滾動解碼為可變長度的輸出序列作為預測的飛行軌跡。

4.1 編 碼 器

編碼器主要使用LSTM網絡， 將跟蹤的經緯高軌跡數據xi作為輸入， 映射到狀態向量Ci和輸出向量hi當中， 同時為了減少對不重要信息的關注， 引入自注意力機制， 通過對每一時刻LSTM層的輸出序列進行動態加權， 得到編碼網絡的輸出結果h～n， 這使得編碼網絡的輸出與LSTM層每一步的輸出直接相關， 可提升網絡特征提取性能。 引入自注意力機制的編碼網絡結構如圖5所示。

將LSTM網絡輸出向量hi作為Attention機制層的輸入， 根據不同時刻信息的重要性程度確定影響權重， 第i個輸入向量的得分計算公式為

ei=Φ（WThi+b） i=1， 2， …， n（15）

式中： W和b分別為權重矩陣和偏置向量; Φ（·）為得分函數， 可設置為神經網絡中的激活函數， 如sigmoid函數。

通過softmax函數對式（15）進行標準化， 計算公式為

αi=softmax（ei）=exp（ei）∑ni=1exp（ei）（16）

注意力機制層最后的輸出結果表示為

h～n=∑ni=1αihi（17）

最終， 編碼器將LSTM最后的狀態cn和注意力機制層的輸出h～n合并為上下文向量V， 表示為

V=（h～n， cn）（18）

4.2 解 碼 器

解碼器主要是將固定長度的上下文向量V解碼成不定長度的輸出序列， 解碼器的結構如圖6所示。

解碼器主要由LSTM層和全連接層組成。 LSTM層首先接收從編碼器傳下的上下文向量V和初始狀態y0， 然后輸出新的隱藏狀態， 通過滾動預測的原理， 不斷利用上一時刻的輸出yt－1與更新的隱藏狀態Vt－1實現多步軌跡預測。

4.3 軌跡預測方法

高速高機動飛行器在不同的任務場景當中， 滑翔至不同的中末制導交班點生成的軌跡形狀不同， 如果使用統一的深度學習模型對目標軌跡進行預測， 可能會增加網絡的訓練難度， 難以取得良好的預測效果［17］。 因此， 根據探測系統的跟蹤數據和防御方重點保護目標的信息， 對目標可能的任務場景做出預判， 基于提出的中末制導交班點識別方法可對目標軌跡進行分類。 同時， 識別到的中末制導交班點也可對攔截方案制定提供初步參考信息。 然后， 根據分類后的軌跡， 選擇相應預訓練好的軌跡預測模型， 對目標軌跡進行預測， 為攔截彈發射決策、 遭遇點解算提供依據。 本文所提出的高速高機動飛行器軌跡預測方法總體思路如圖7所示。

5 仿真結果

本節通過數值仿真驗證所提出的基于中末制導交班點識別的軌跡預測算法性能。 采用文獻［21］中討論的高超聲速飛行器為具體研究對象， 利用其相應的氣動參數和結構參數進行三自由度準平衡滑翔制導仿真。 再入點的初始狀態和準平衡制導算法中的參數如表2所示， 通過交叉組合不同的初始狀態參數， 在目標飛行器準平衡滑翔至3個典型制導交班點的任務場景下， 共生成1 440條軌跡數據， 構成軌跡數據集。 將數據集中的軌跡樣本按照8∶2劃分為訓練集（Training Set）和測試集（Test Set）， 對中末制導交班點識別網絡和軌跡預測網絡進行訓練和測試。

5.1 中末交班點識別結果

根據跟蹤過程中計算的特征序列對中末制導交班點進行識別， 圖8～10展示了從再入點準平衡滑翔到3個典型制導交班點過程中800～1 200 s內各特征序列變化趨勢。 因為目標飛行器是以準平衡滑翔彈道飛行至交班點， 所以各特征序列均為單調變化， 速度特征反映了飛行器的當前剩余能量狀態， 航跡偏差角和剩余航程特征反映了飛行器準平衡滑翔的制導意圖。 對比圖8～10可以看出， 當目標制導到不同交班點時， 其速度變化大小不同； 表征航跡偏差角的特征序列在目標軌跡對應到相應交班點時逐漸收斂到0， 而與其他交班點的航跡偏差逐漸發散； 表征剩余航程的特征序列均在逐漸減小， 但滑翔至不同交班點的變化大小不同。 從長期來看， 當目標滑翔至某交班點時， 相對應的速度和剩余航程變化會下降更快。 綜合以上特征序列可對目標滑翔軌跡做初步分類。

LSTM識別網絡輸入的特征序列長度設為120 s， Bi-LSTM層中神經單元個數為200， 訓練時使用交叉熵損失函數、 優化器為Adam、 學習率設置為0.001、 批大小為60， 最大迭代次數為500。 采用分類準確率（ACC）作為交班點識別網絡度量指標， 網絡的分類性能用混淆矩陣表示。 從圖11～12可以看出， 在此任務場景下， 網絡分類效果顯著， 在測試集中準確率達到98%以上， 可以有效識別場景中的中末制導交班點位置， 實現預測軌跡分類。

5.2 軌跡預測結果

對滑翔至不同中末制導交班點的軌跡分別構建Seq2Seq預測網絡進行訓練， 輸入序列長度設為120 s， 輸出序列長度設為240 s， 編碼器和解碼器的神經元個數為256， 訓練時的損失函數選用均方誤差MSE、 優化器為Adam、 學習率設置為0.001、 批大小為60， 最大迭代次數為1 200。 將目標位置從經緯高坐標系轉化到地心地固坐標系［22］， 使用真實軌跡點和預測軌跡點的空間距離誤差（ESD）［15］表示預測網絡的精度：

ESD=（xk－x^k）2+（yk－y^k）2+（zk－z^k）2（19）

式中： （xk， yk， zk）和（x^k， y^k， z^k）分別為k時刻飛行器在地心地固坐標系下的真實軌跡坐標和預測軌跡坐標。

在對目標中末制導交班點位置準確識別的情況下， 目標飛行器的軌跡預測結果如圖13～14所示。 從圖14可以看出， 預測時間越短， 預測精度越高。 預測時長為120 s時， 軌跡誤差均在18.77 km以內； 預測時長為180 s時， 軌跡誤差在均36.91 km以內； 預測時長為240 s時， 軌跡誤差均在57.75 km以內。 所提出的基于中末制導交班點識別的軌跡預測方法可以有效預測目標飛行器的準平衡滑翔軌跡。

5.3 與直接預測方法對比結果

為驗證中末交班點識別網絡對后續軌跡預測精度的影響， 在不分類的情況下直接構建Seq2Seq預測網絡進行訓練， 網絡的輸入序列長度仍為120 s， 輸出長度仍為240 s， 網絡的結構參數和訓練參數與5.2節設置相同。 在本文所構建的任務場景下， 基于中末制導交班點識別先分類再預測（方法1）的測試結果和直接預測（方法2）的測試結果對比如圖15～17所示， 預測時長為120 s， 180 s和240 s時的平均預測誤差（AESD）和最大預測誤差（MESD）對比如表3所示。

從圖15～17可以看出， 基于中末制導交班點識別先分類再預測的方法軌跡預測誤差曲線存在波動， 而直接預測的方法由于利用目標飛行器準平衡滑翔至3個典型中末制導交班點的所有軌跡訓練集訓練深度學習網絡， 其預測誤差曲線較平滑。 相比于直接利用深度學習模型進行軌跡預測， 基于中末制導交班點識別先分類再預測的方法顯著降低了軌跡預測誤差， 且隨預測時間增長， 先分類再預測的方法優勢愈加明顯。

從表3可以看出， 預測時長為120 s， 180 s和240 s時， 先分類再預測的方法使得平均軌跡預測誤差降低了39.43%， 36.81%和37.61%， 最大預測誤差降低了32.48%， 33.03%和37.34%。

6 結 論

針對高速高機動滑翔飛行器軌跡預測過程中任務場景定義不明確、 意圖先驗信息利用不充分等問題， 開展了基于中末制導交班點識別的軌跡預測方法研究。

（1） 提出一種基于中末制導交班點識別的滑翔軌跡分類方法， 分類準確率在98%以上， 可以有效識別典型任務場景下目標的制導意圖。

（2） 基于中末制導交班點識別結果， 利用Seq2Seq網絡實現了滑翔軌跡的長時預測。 預測時長為120 s， 180 s和240 s時， 軌跡誤差分別在18.77 km， 36.91 km和57.75 km以內。 相比于直接預測的方法， 基于中末制導交班點識別的預測方法平均預測誤差分別降低了39.43%， 36.81%和37.61%， 最大預測誤差分別降低了32.48%， 33.03%和37.34%。

參考文獻：

［1］ 蘭旭輝， 熊家軍， 張君彪， 等. 臨近空間高超聲速飛行器軌跡預測技術［M］. 武漢： 華中科技大學出版社， 2022： 1-5.

Lan Xuhui， Xiong Jiajun， Zhang Junbiao， et al. Trajectory Prediction Technology of Near Space Hypersonic Vehicle［M］. Wuhan： Huazhong University of Science and Technology Press， 2022： 1-5.（in Chinese）

［2］ 趙良玉， 雍恩米， 王波蘭. 反臨近空間高超聲速飛行器若干研究進展［J］. 宇航學報， 2020， 41（10）： 1239-1250.

Zhao Liangyu， Yong Enmi， Wang Bolan. Some Achievements on Interception of Near Space Hypersonic Vehicles［J］. Journal of Astronautics， 2020， 41（10）： 1239-1250.（in Chinese）

［3］ 周池軍， 李明杰， 雷虎民. 臨近空間再入滑翔目標軌跡預測研究進展綜述［J］. 飛航導彈， 2021（6）： 127-132.

Zhou Chijun， Li Mingjie， Lei Humin. Review on Research Progress in Trajectory Prediction for Near Space Reentry Gliding Target ［J］. Aerodynamic Missile Journal， 2021（6）： 127-132.（in Chinese）

［4］ 邵雷， 雷虎民， 趙錦. 臨近空間高超聲速飛行器軌跡預測方法研究進展［J］. 航空兵器， 2021， 28（2）： 34-39.

Shao Lei， Lei Humin， Zhao Jin. Research Progress in Trajectory Prediction for Near Space Hypersonic Vehicle［J］. Aero Weaponry， 2021， 28（2）： 34-39.（in Chinese）

［5］ 李廣華. 高超聲速滑翔飛行器運動特性分析及彈道跟蹤預報方法研究［D］. 長沙： 國防科學技術大學， 2016.

Li Guanghua. Motion Characteristics Analysis and Trajectory Prediction for Hypersonic Glide Vehicles［D］.Changsha： National University of Defense Technology， 2016. （in Chinese）

［6］ 張洪波， 黃景帥， 李廣華， 等. 典型控制規律滑翔飛行器的軌跡預測方法［J］. 現代防御技術， 2017， 45（4）： 112-118.

Zhang Hongbo， Huang Jingshuai， Li Guanghua， et al. Trajectory Prediction of Glide Vehicle Based on Typical Control Law［J］. Modern Defence Technology， 2017， 45（4）： 112-118.（in Chinese）

［7］ 李世杰， 雷虎民， 周池軍， 等. 基于控制變量估計的高超聲速再入滑翔目標軌跡預測算法［J］. 系統工程與電子技術， 2020， 42（10）： 2320-2327.

Li Shijie， Lei Humin， Zhou Chijun， et al. Trajectory Prediction Algorithm for Hypersonic Reentry Gliding Target Based on Control Variables Estimation［J］. Systems Engineering and Electronics， 2020， 42（10）： 2320-2327.（in Chinese）

［8］ 王路， 邢清華， 毛藝帆. 基于升阻比變化規律的再入高超聲速滑翔飛行器軌跡預測算法［J］. 系統工程與電子技術， 2015， 37（10）： 2335-2340.

Wang Lu， Xing Qinghua， Mao Yifan. Trajectory Prediction of Reentry Hypersonic Glide Vehicle Based on Changing Rule of Lift-Drag Ratio［J］. Systems Engineering and Electronics， 2015， 37（10）： 2335-2340.（in Chinese）

［9］ 翟岱亮， 雷虎民， 李海寧， 等. 面向軌跡預測的高超聲速飛行器氣動性能分析［J］. 固體火箭技術， 2017， 40（1）： 115-120.

Zhai Dailiang， Lei Humin， Li Haining， et al. Trajectory Prediction Oriented Aerodynamic Performances Analysis of Hypersonic Vehicles［J］. Journal of Solid Rocket Technology， 2017， 40（1）： 115-120.（in Chinese）

［10］ 陳南華， 趙良玉， 雍恩米， 等. 變機動高超聲速滑翔目標的軌跡序列預測算法［J］. 航空兵器， 2021， 28（2）： 40-48.

Chen Nanhua， Zhao Liangyu， Yong Enmi， et al. Trajectory Sequence Prediction Algorithm for Hypersonic Gliding Target with Variable Maneuver［J］. Aero Weaponry， 2021， 28（2）： 40-48.（in Chinese）

［11］ 胡星志， 王旭， 江雄， 等. 基于高斯過程回歸的高超聲速飛行器不確定軌跡預測［J］. 空天技術， 2022（4）： 49-61.

Hu Xingzhi， Wang Xu， Jiang Xiong， et al. Uncertain Trajectory Prediction of Hypersonic Flight Vehicles Based on Gaussian Process Regression［J］. Aerospace Technology， 2022（4）： 49-61.（in Chinese）

［12］ 李青勇， 何兵， 張顯煬， 等. 基于LSTM的Encoder-Decoder多步軌跡預測技術［J］. 航空兵器， 2021， 28（2）： 49-54.

Li Qingyong， He Bing， Zhang Xianyang， et al. Encoder-Decoder Multi-Step Trajectory Prediction Technology Based on LSTM［J］. Aero Weaponry， 2021， 28（2）： 49-54.（in Chinese）

［13］ 楊春偉， 劉炳琪， 王繼平， 等. 基于注意力機制的高超聲速飛行器LSTM智能軌跡預測［J］. 兵工學報， 2022， 43（S2）： 78-86.

Yang Chunwei， Liu Bingqi， Wang Jiping， et al. LSTM Intelligent Trajectory Prediction for Hypersonic Vehicles Based on Attention Mechanism［J］. Acta Armamentarii， 2022， 43（S2）： 78-86.（in Chinese）

［14］ Zhang J B， Xiong J J， Lan X H， et al. Trajectory Prediction of Hypersonic Glide Vehicle Based on Empirical Wavelet Transform and Attention Convolutional Long Short-Term Memory Network［J］. IEEE Sensors Journal， 2022， 22（5）： 4601-4615.

［15］ 李明杰， 周池軍， 雷虎民， 等. 基于控制參數估計的再入滑翔目標智能軌跡預測算法［J］. 系統工程與電子技術， 2023， 45（1）： 221-233.

Li Mingjie， Zhou Chijun， Lei Humin， et al. An Intelligent Tra-jectory Prediction Algorithm of Reentry Glide Target Based on Control Parameter Estimation［J］. Systems Engineering and Electro-nics， 2023， 45（1）： 221-233.（in Chinese）

［16］ 蔡遠利， 鄧逸凡， 蘇悅華. 高超聲速飛行器LSTM彈道分類與預報方法［C］∥ 第21屆中國系統仿真技術及其應用學術年會， 2020： 311-315.

Cai Yuanli， Deng Yifan， Su Yuehua. LSTM Based Trajectory Classification and Prediction for Hypersonic Vehicle［C］∥ 21th China Conference on System Simulation Technology and its Application， 2020： 311-315.（in Chinese）

［17］ 宋波濤， 許廣亮. 基于LSTM與1DCNN的導彈軌跡預測方法［J］. 系統工程與電子技術， 2023， 45（2）： 504-512.

Song Botao， Xu Guangliang. Missile Trajectory Prediction Method Based on LSTM and 1DCNN［J］. Systems Engineering and Electronics， 2023， 45（2）： 504-512.（in Chinese）

［18］ Li G H， Zhang H B， Tang G J. Maneuver Characteristics Analysis for Hypersonic Glide Vehicles［J］. Aerospace Science and Technology， 2015， 43： 321-328.

［19］ 包為民， 朱建文， 張洪波， 等. 高超聲速飛行器全程制導方法［M］. 北京： 科學出版社， 2021.

Bao Weimin， Zhu Jianwen， Zhang Hongbo， et al. Full-Course Guidance Method for Hypersonic Vehicle［M］. Beijing： Science Press， 2021.（in Chinese）

［20］ Graves A. Supervised Sequence Labelling with Recurrent Neural Networks［M］. Berlin： Springer， 2012： 37-45.

［21］ Keshmiri S， Colgren R， Mirmirani M. Six DoF Nonlinear Equations of Motion for a Generic Hypersonic Vehicle［C］∥AIAA Atmospheric Flight Mechanics Conference and Exhibit， 2007.

［22］ 吳德偉. 導航原理［M］. 2版. 北京： 電子工業出版社， 2020.

Wu Dewei. Navigation Principle［M］. 2nd ed. Beijing： Publishing House of Electronics Industry， 2020.（in Chinese）

A Trajectory Prediction Method for High-Speed and

High-Maneuverability Glide Vehicle Based on Mid-Terminal

Guidance Handover Point Identification

Ma Kangkang1， Zhao Liangyu1， Hu Xingzhi2*， Li Mingjie2

（1. School of Aerospace Engineering， Beijing Institute of Technology， Beijing 100081， China；

2. Beijing Aerohydrodynamic Research Center， Beijing 100120， China）

Abstract： Addressing the challenges of unclear mission scenario definition and insufficient intent prior information utilization in the trajectory prediction process for high-speed and high-maneuverability glide vehicle， a trajectory prediction method for high-speed and high-maneuverability glide vehicle based on mid-terminal guidance handover point identification is proposed. Firstly， a mission scenario involving the gliding of high-speed and high-maneuverability vehicle towards multiple typical guidance handover points is constructed. A quasi-equilibrium glide guidance method is employed to generate trajectory datasets. Secondly， a guidance handover point recognition method based on long short-term memory network is proposed， utilizing tracking data to construct feature sequences for preliminary classification of glide trajectory. Finally， the self-attention mechanism is introduced to improve the feature extraction performance of sequence-to-sequence prediction networks， and encoder-decoder method is employd to predict the classified glide trajectory in the long term. Simulation results show that the trajectory prediction method based on mid-terminal guidance handover point identification exhibits high accuracy. For prediction times of 120 s， 180 s， and 240 s， the trajectory errors remain within 18.77 km， 36.91 km， and 57.75 km， respectively. Compared to directly utilizing a deep learning mo-del for prediction， the proposed prediction method demonstrates a reduction of 37.61% in average prediction error and 37.34% in maximum prediction error within a prediction time of 240 s.

Key words： high-speed and high-maneuverability vehicle; long short-term memory network; mid-terminal gui-dance handover point identification; trajectory prediction