当前地对空导弹(SAM)遭遇模拟模型依赖运动学方程的高强度计算,导致生成大量飞机与导弹轨迹时效率低下且精度冗余。本论文与瑞典国防研究机构(FOI)合作,探索运用机器学习技术实现碰撞分类与轨迹预测双重功能。基于约45760条模拟轨迹训练的研究模型显示显著提速效果:碰撞预测采用数据重采样提升模型性能,预测精度优于基线模型,但仍存改进空间;轨迹预测因数据集规模过大需采用聚类技术分割数据构建局部模型,初步结果展现快速仿真潜力,但完全替代原模拟器仍需进一步优化。
本文聚焦地对空导弹防御飞机场景仿真,模拟地面发射的制导导弹拦截飞行目标过程。原Matlab-Simulink模拟器生成无噪声干扰的SAM遭遇场景数据,其设计理念侧重简化而非真实性,依赖运动学方程精确计算导弹与飞机轨迹。本研究目标是通过AI与机器学习构建高精度近似模拟器,实现快速碰撞与轨迹预测,但可能牺牲部分精度。
速度与精度的权衡构成核心挑战——需最小化计算成本同时最大化精度。解决路径包括优化训练数据量、筛选数据子集及选择数学模型。项目开发两个模型:导弹-飞机碰撞预测模型与导弹轨迹预测模型。联合使用可在任意位置实现快速碰撞与轨迹预测,相较原模型显著缩短计算时间。例如,模拟10万次场景时,推理时间减少50%将大幅提升单位时间数据产出量,这对需要海量模拟数据的应用场景(如战机实时预测来袭导弹动态)具有战略价值。
原模拟器的关键特性在于确定性仿真——不考虑噪声、天气等扰动因素。这种理想化设定便于归因模型误差,但需注意本课题核心目标并非真实性,而是加速轨迹生成效率。
自二战以来,地对空导弹始终是空战体系核心要素。相较于造价高昂的战机,导弹作为低成本拦截手段构成持续威胁。随着人工智能技术从民用领域(如股市交易、目标追踪)向军事应用渗透,本项目通过近似运动学轨迹模型实现快速仿真,为飞行员或控制系统提供更优规避决策支持。此外,加速仿真对雷达操作、导弹技术等关联系统的优化建模亦具重要意义。鉴于实弹测试成本巨大,高效仿真成为研究SAM场景的唯一可行途径。
本项目聚焦构建来袭导弹攻击战机的近似模拟器。模拟器设定:若导弹未在设定时间内摧毁目标则自毁终止仿真。由于初始条件与战机机动变量组合导致状态空间激增,需平衡数据量以控制训练时长同时保持预测精度。研究开发两类模型:
• 模型1:碰撞预测——基于初始条件预判导弹与飞机未来碰撞。原系统无对应Matlab模型,本研究通过实验性方法探索数据分布建模。
• 模型2:轨迹预测——基于初始条件预测导弹与飞机全程轨迹。目标是以可接受的精度损失实现相比Matlab模拟器的推理加速。
项目数据源自现有Matlab-Simulink模型的仿真输出,与真实数据存在差异。为增强学术价值,将人为引入噪声扰动以观察模型响应。
本研究旨在探索机器学习方法对SAM场景Matlab-Simulink模拟器的近似能力,为AI加速导弹-飞机轨迹数据生成奠定理论基础,在保证可接受精度前提下实现仿真效率突破。