一种基于数据驱动的大规模无人机集群编队仿真加速方法及系统

摘要

一种基于数据驱动的大规模无人机集群编队仿真加速方法及系统，涉及数字仿真技术领域，以解决传统线性代理模型无法在保证模拟精度的同时有效加速大规模无人机集群编队仿真过程的问题。本发明通过对原始高维无人机集群状态数据进行降维以及使用深度神经网络拟合线性代理模型误差，有效减小了大规模无人机集群编队仿真建模的复杂程度和仿真计算时所需的计算资源，并保证一定的仿真精度。本发明通过建立原始大规模无人机集群编队状态的低维特征子空间的方式显著提升大规模无人机集群编队行为动态过程的仿真模拟速度，且由线性初始模型与深度神经网络组合的复合代理模型可以在加速大规模无人机集群编队行为仿真速度的同时保持较高的模拟精度。

权利要求

1.一种基于数据驱动的大规模无人机集群编队仿真加速方法，其特征在于，包括以下步骤：步骤一、获取包括多时刻无人机集群编队状态数据的无人机集群编队轨迹；

步骤二、将所述无人机集群编队轨迹输入模拟无人机集群编队过程的线性代理模型进行训练，获得训练好的线性代理模型；

步骤三、训练基于神经网络的误差拟合模型，以修正线性代理模型的预测误差；具体步骤包括：步骤三一、初始化t＝0、t＝1时刻的无人机集群的预测低维特征状态为其中z0,z1分别表示无人机集群编队轨迹中t＝0、t＝1时刻的无人机集群的实际低维特征状态；

步骤三二、在t＞1时刻，利用训练好的线性代理模型对低维无人机集群特征状态 进行预测：式中，α,β表示线性代理模型的模型参数；e表示向量的分量乘法； 分别表示t‑

1、t‑2时刻利用线性代理模型预测的低维无人机集群特征状态；

步骤三三、使用神经网络Φ修正线性代理模型的预测误差，获得修正后的低维无人机集群特征状态式中，w表示无人机集群编队目的地位置相对于集群中心初始位置的向量；θ表示神经网络Φ的网络参数；

步骤三四、使用平均绝对误差计算损失函数，并更新网络参数θ；

步骤三五、迭代执行步骤三二至步骤三四，直至达到最大迭代次数停止执行，获得训练好的误差拟合模型；

步骤四、将待预测无人机集群编队的初始状态数据输入训练好的线性代理模型中，并利用训练好的基于神经网络的误差拟合模型对线性代理模型的预测误差进行修正，获取待预测无人机集群编队的状态预测结果。

2.根据权利要求1所述的一种基于数据驱动的大规模无人机集群编队仿真加速方法，其特征在于，所述状态数据包括无人机的三维位置与三维速度状态。

3.根据权利要求2所述的一种基于数据驱动的大规模无人机集群编队仿真加速方法，其特征在于，在获取包括多时刻无人机集群编队状态数据的无人机集群编队轨迹之后，对所述无人机集群编队状态数据进行降维处理，获取低维无人机集群特征状态数据，进而将低维无人机集群特征状态数据输入模拟无人机集群编队过程的线性代理模型进行训练，获得训练好的线性代理模型。

4.根据权利要求3所述的一种基于数据驱动的大规模无人机集群编队仿真加速方法，其特征在于，步骤四中将待预测无人机集群编队的初始状态数据进行降维处理后，输入训练好的线性代理模型中，并利用训练好的基于神经网络的误差拟合模型对线性代理模型的预测误差进行修正，获取待预测无人机集群编队的状态预测结果；并将状态预测结果中低维无人机集群特征状态数据恢复为高维无人机集群状态数据。

5.根据权利要求4所述的一种基于数据驱动的大规模无人机集群编队仿真加速方法，其特征在于，采用主成分分析法对所述无人机集群编队状态数据进行降维处理，获取低维无人机集群特征状态数据。

6.一种基于数据驱动的大规模无人机集群编队仿真加速系统，其特征在于，包括：状态轨迹获取模块，其配置成获取包括多时刻无人机集群编队状态数据的无人机集群编队轨迹；所述状态数据包括无人机的三维位置与三维速度状态；

线性代理模型训练模块，其配置成将所述无人机集群编队轨迹输入模拟无人机集群编队过程的线性代理模型进行训练，获得训练好的线性代理模型；

误差修正模型训练模块，其配置成训练基于神经网络的误差拟合模型，以修正线性代理模型的预测误差；训练基于神经网络的误差拟合模型的具体过程包括：步骤三一、初始化t＝0、t＝1时刻的无人机集群的预测低维特征状态为其中z0,z1分别表示无人机集群编队轨迹中t＝0、t＝1时刻的无人机集群的实际低维特征状态；

步骤三二、在t＞1时刻，利用训练好的线性代理模型对低维无人机集群特征状态 进行预测：式中，α,β表示线性代理模型的模型参数；e表示向量的分量乘法； 分别表示t‑

1、t‑2时刻利用线性代理模型预测的低维无人机集群特征状态；

步骤三三、使用神经网络Φ修正线性代理模型的预测误差，获得修正后的低维无人机集群特征状态式中，w表示无人机集群编队目的地位置相对于集群中心初始位置的向量；θ表示神经网络Φ的网络参数；

步骤三四、使用平均绝对误差计算损失函数，并更新网络参数θ；

步骤三五、迭代执行步骤三二至步骤三四，直至达到最大迭代次数停止执行，获得训练好的误差拟合模型；

状态预测模块，其配置成将待预测无人机集群编队的初始状态数据输入训练好的线性代理模型中，并利用训练好的基于神经网络的误差拟合模型对线性代理模型的预测误差进行修正，获取待预测无人机集群编队的状态预测结果。

7.根据权利要求6所述的一种基于数据驱动的大规模无人机集群编队仿真加速系统，其特征在于，所述系统还包括降维处理模块，所述降维处理模块配置成：在获取包括多时刻无人机集群编队状态数据的无人机集群编队轨迹之后，对所述无人机集群编队状态数据进行降维处理，获取低维无人机集群特征状态数据；进而将低维无人机集群特征状态数据输入所述线性代理模型训练模块进行训练。

8.根据权利要求7所述的一种基于数据驱动的大规模无人机集群编队仿真加速系统，其特征在于，所述状态预测模块中将待预测无人机集群编队的初始状态数据利用所述降维处理模块进行降维处理；在获取待预测无人机集群编队的状态预测结果后，将状态预测结果中低维无人机集群特征状态数据恢复为高维无人机集群状态数据。

说明书

一种基于数据驱动的大规模无人机集群编队仿真加速方法及

系统

技术领域

[0001] 本发明涉及数字仿真技术领域，具体涉及一种基于数据驱动的大规模无人机集群编队仿真加速方法及系统。

背景技术

[0002] 无人机由于具有低成本、无人员伤亡、设备简单、操作方便和灵活可靠等特点，在军事领域与民用领域具有广泛的使用，为了使无人机能够发挥更好的能力，执行更加复杂的任务，需要采用多无人机编队飞行的方式来协同执行任务。由于大规模无人机编队系统复杂，很难进行相应的实物实验，因此数字仿真的方式成为了测试开发大规模无人机编队行为的主要方式，仿真为算法的可行性验证提供了良好的手段。但是当无人机编队中无人机个数规模较大时，仿真耗时问题相对突出，其成为制约仿真发展的重要因素。因此有必要研究加速大规模无人机集群编队仿真速度的方法。

[0003] 当前常用的解决大规模仿真中模型复杂度高、模拟仿真计算速度慢的主要方式是采用代理模型的方式来模拟高精度物理模型的仿真过程。代理模型的计算结果与原模型非常接近，但是求解计算量较小。代理模型采用一个数据驱动的、自下而上的办法来建立。一般假定原模型运行过程的内部精确处理过程未知(有时也可能已知)，而模型的输入‑输出行为已知。通过在仔细选择的有限个点(输入)计算原模型的响应(输出)，从而建立代理模型。这一过程也被称为行为建模或者黑箱模型。使用代理模型来代替实物实验和仿真实验的方式在工程设计中非常常见，代理模型也可被用于许多其他实验或求解计算量较大的科学领域。此方法面临的主要挑战是：如何使用尽可能少的高精度模型求解来建立一个尽可能精确的代理模型。

[0004] 代理模型方法虽然能够相比于其拟合的原本模型极大减少大规模仿真模拟时的计算量，但是其缺陷也比较突出。代理模型方法通常只能模拟逼近线性或近似线性的模型或系统，对于非线性程度较强的模型或系统，代理模型方法要么需要增加逼近项以提高局部精度，要么需要采用多段分别模拟逼近的方式。这种提高模代理模型模拟能力的方式显著增加了计算量，且精度不能保证。而对于大规模无人机集群编队仿真这种极强的非线性系统，代理模型方法存在不能有效改善计算量且模型逼近精度差的问题，因此难以应用于此类场景。

发明内容

[0005] 鉴于以上问题，本发明提出一种基于数据驱动的大规模无人机集群编队仿真加速方法及系统，以解决传统的线性代理模型无法在保证模拟精度的同时有效加速大规模无人机集群编队仿真过程的问题。

[0006] 根据本发明的一方面，提供一种基于数据驱动的大规模无人机集群编队仿真加速方法，该方法包括以下步骤：

[0007] 步骤一、获取包括多时刻无人机集群编队状态数据的无人机集群编队轨迹；

[0008] 步骤二、将所述无人机集群编队轨迹输入模拟无人机集群编队过程的线性代理模型进行训练，获得训练好的线性代理模型；

[0009] 步骤三、训练基于神经网络的误差拟合模型，以修正线性代理模型的预测误差；

[0010] 步骤四、将待预测无人机集群编队的初始状态数据输入训练好的线性代理模型中，并利用训练好的基于神经网络的误差拟合模型对线性代理模型的预测误差进行修正，获取待预测无人机集群编队的状态预测结果。

[0011] 进一步地，所述状态数据包括无人机的三维位置与三维速度状态。

[0012] 进一步地，在获取包括多时刻无人机集群编队状态数据的无人机集群编队轨迹之后，对所述无人机集群编队状态数据进行降维处理，获取低维无人机集群特征状态数据，进而将低维无人机集群特征状态数据输入模拟无人机集群编队过程的线性代理模型进行训练，获得训练好的线性代理模型。

[0013] 进一步地，步骤四中将待预测无人机集群编队的初始状态数据进行降维处理后，输入训练好的线性代理模型中，并利用训练好的基于神经网络的误差拟合模型对线性代理模型的预测误差进行修正，获取待预测无人机集群编队的状态预测结果；并将状态预测结果中低维无人机集群特征状态数据恢复为高维无人机集群状态数据。

[0014] 进一步地，采用主成分分析法对所述无人机集群编队状态数据进行降维处理，获取低维无人机集群特征状态数据。

[0015] 进一步地，步骤三的具体步骤包括：

[0016] 步骤三一、初始化t＝0、t＝1时刻的无人机集群的预测低维特征状态为其中z0,z1分别表示无人机集群编队轨迹中t＝0、t＝1时刻的无人机集群的实际低维特征状态；

[0017] 步骤三二、在t＞1时刻，利用训练好的线性代理模型对低维无人机集群特征状态进行预测：

[0018]

[0019] 式中，α,β表示线性代理模型的模型参数；⊙表示向量的分量乘法； 分别表示t‑1、t‑2时刻利用线性代理模型预测的低维无人机集群特征状态；

[0020] 步骤三三、使用神经网络Φ修正线性代理模型的预测误差，获得修正后的低维无人机集群特征状态

[0021]

[0022] 式中，w表示无人机集群编队目的地位置相对于集群中心初始位置的向量；θ表示神经网络Φ的网络参数；

[0023] 步骤三四、使用平均绝对误差计算损失函数，并更新网络参数θ；

[0024] 步骤三五、迭代执行步骤三二至步骤三四，直至达到最大迭代次数停止执行，获得训练好的误差拟合模型。

[0025] 根据本发明的另一方面，提供一种基于数据驱动的大规模无人机集群编队仿真加速系统，该系统包括：

[0026] 状态轨迹获取模块，其配置成获取包括多时刻无人机集群编队状态数据的无人机集群编队轨迹；所述状态数据包括无人机的三维位置与三维速度状态；

[0027] 线性代理模型训练模块，其配置成将所述无人机集群编队轨迹输入模拟无人机集群编队过程的线性代理模型进行训练，获得训练好的线性代理模型；

[0028] 误差修正模型训练模块，其配置成训练基于神经网络的误差拟合模型，以修正线性代理模型的预测误差；

[0029] 状态预测模块，其配置成将待预测无人机集群编队的初始状态数据输入训练好的线性代理模型中，并利用训练好的基于神经网络的误差拟合模型对线性代理模型的预测误差进行修正，获取待预测无人机集群编队的状态预测结果。

[0030] 进一步地，所述系统还包括降维处理模块，所述降维处理模块配置成：在获取包括多时刻无人机集群编队状态数据的无人机集群编队轨迹之后，对所述无人机集群编队状态数据进行降维处理，获取低维无人机集群特征状态数据；进而将低维无人机集群特征状态数据输入所述线性代理模型训练模块进行训练。

[0031] 进一步地，所述状态预测模块中将待预测无人机集群编队的初始状态数据利用所述降维处理模块进行降维处理；在获取待预测无人机集群编队的状态预测结果后，将状态预测结果中低维无人机集群特征状态数据恢复为高维无人机集群状态数据。

[0032] 进一步地，所述误差修正模型训练模块中训练基于神经网络的误差拟合模型的具体过程包括：

[0033] 步骤三一、初始化t＝0、t＝1时刻的无人机集群的预测低维特征状态为其中z0,z1分别表示无人机集群编队轨迹中t＝0、t＝1时刻的无人机集群的实际低维特征状态；

[0034] 步骤三二、在t＞1时刻，利用训练好的线性代理模型对低维无人机集群特征状态进行预测：

[0035]

[0036] 式中，α,β表示线性代理模型的模型参数；⊙表示向量的分量乘法； 分别表示t‑1、t‑2时刻利用线性代理模型预测的低维无人机集群特征状态；

[0037] 步骤三三、使用神经网络Φ修正线性代理模型的预测误差，获得修正后的低维无人机集群特征状态

[0038]

[0039] 式中，w表示无人机集群编队目的地位置相对于集群中心初始位置的向量；θ表示神经网络Φ的网络参数；

[0040] 步骤三四、使用平均绝对误差计算损失函数，并更新网络参数θ；

[0041] 步骤三五、迭代执行步骤三二至步骤三四，直至达到最大迭代次数停止执行，获得训练好的误差拟合模型。

[0042] 本发明的有益技术效果是：

[0043] 本发明采用数据驱动的方法构建大规模无人机集群编队的仿真代理模型，通过对原始高维无人机集群状态数据进行降维以及使用深度神经网络拟合线性代理模型误差的方法，可有效减小大规模无人机集群编队仿真建模的复杂程度和仿真计算时所需的计算资源，并保证一定的仿真精度；相比于传统方法，本发明具有以下优势：1)可通过建立原始大规模无人机集群编队状态的低维特征子空间的方式显著提升大规模无人机集群编队行为动态过程的仿真模拟速度；2)由线性初始模型与深度神经网络组合的复合代理模型可以在加速大规模无人机集群编队行为仿真速度的同时保持较高的模拟精度。

附图说明

[0044] 本发明可以通过参考下文中结合附图所给出的描述而得到更好的理解，所述附图连同下面的详细说明一起包含在本说明书中并且形成本说明书的一部分，而且用来进一步举例说明本发明的优选实施例和解释本发明的原理和优点。

[0045] 图1是本发明实施例一种基于数据驱动的大规模无人机集群编队仿真加速方法的流程图；

[0046] 图2是本发明实施例中基于长短期记忆网络的误差拟合模型的结构示意图；

[0047] 图3是本发明实施例中基于长短期记忆网络的误差拟合模型训练过程损失值变化曲线的示意图；

[0048] 图4是本发明实施例中二维场景中大规模无人机集群编队行为动态过程示意图；

[0049] 图5是本发明实施例中三维场景中大规模无人机集群编队行为动态过程示意图；

[0050] 图6是本发明实施例中对比大规模无人机集群编队行为实际模型与代理模型运行时间的示意图；

[0051] 图7是本发明实施例一种基于数据驱动的大规模无人机集群编队仿真加速系统的结构示意图。

具体实施方式

[0052] 为了使本技术领域的人员更好地理解本发明方案，在下文中将结合附图对本发明的示范性实施方式或实施例进行描述。显然，所描述的实施方式或实施例仅仅是本发明一部分的实施方式或实施例，而不是全部的。基于本发明中的实施方式或实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施方式或实施例，都应当属于本发明保护的范围。

[0053] 本发明实施例提出一种基于数据驱动的大规模无人机集群编队仿真加速方法，如图1所示，该方法包括以下步骤：

[0054] 步骤一、获取包括多时刻无人机集群编队状态数据的无人机集群编队轨迹；所述状态数据包括无人机的三维位置与三维速度状态；

[0055] 步骤二、将所述无人机集群编队轨迹输入模拟无人机集群编队过程的线性代理模型进行训练，获得训练好的线性代理模型；

[0056] 步骤三、训练基于神经网络的误差拟合模型，以修正线性代理模型的预测误差；

[0057] 步骤四、将待预测无人机集群编队的初始状态数据输入训练好的线性代理模型中，并利用训练好的基于神经网络的误差拟合模型对线性代理模型的预测误差进行修正，获取待预测无人机集群编队的状态预测结果。

[0058] 本实施例中，优选地，在获取包括多时刻无人机集群编队状态数据的无人机集群编队轨迹之后，对所述无人机集群编队状态数据进行降维处理，获取低维无人机集群特征状态数据，进而将低维无人机集群特征状态数据输入模拟无人机集群编队过程的线性代理模型进行训练，获得训练好的线性代理模型。

[0059] 本实施例中，优选地，步骤四中将待预测无人机集群编队的初始状态数据进行降维处理后，输入训练好的线性代理模型中，并利用训练好的基于神经网络的误差拟合模型对线性代理模型的预测误差进行修正，获取待预测无人机集群编队的状态预测结果；并将状态预测结果中低维无人机集群特征状态数据恢复为高维无人机集群状态数据。

[0060] 本实施例中，优选地，采用主成分分析法对所述无人机集群编队状态数据进行降维处理，获取低维无人机集群特征状态数据。

[0061] 本实施例中，优选地，步骤三的具体步骤包括：

[0062] 步骤三一、初始化t＝0、t＝1时刻的无人机集群的预测低维特征状态为其中z0,z1分别表示无人机集群编队轨迹中t＝0、t＝1时刻的无人机集群的实际低维特征状态；

[0063] 步骤三二、在t＞1时刻，利用训练好的线性代理模型对低维无人机集群特征状态进行预测：

[0064]

[0065] 式中，α,β表示线性代理模型的模型参数；⊙表示向量的分量乘法； 分别表示t‑1、t‑2时刻利用线性代理模型预测的低维无人机集群特征状态；

[0066] 步骤三三、使用神经网络Φ修正线性代理模型的预测误差，获得修正后的低维无人机集群特征状态

[0067]

[0068] 式中，w表示无人机集群编队目的地位置相对于集群中心初始位置的向量；θ表示神经网络Φ的网络参数；

[0069] 步骤三四、使用平均绝对误差计算损失函数，并更新网络参数θ；

[0070] 步骤三五、迭代执行步骤三二至步骤三四，直至达到最大迭代次数停止执行，获得训练好的误差拟合模型。

[0071] 本发明另一实施例提出一种基于数据驱动的大规模无人机集群编队仿真加速方法。该方法首先利用大规模无人机集群编队仿真模拟器获取大量的高精度无人机集群编队数据，用于后续模型的训练；其次，对高维的大规模无人机集群编队状态数据，采用主成分分析法进行降维处理，得到能够有效表征无人机集群状态的低维特征数据；然后，基于线性模型建立模拟无人机集群编队过程的初始代理模型，用于粗略模拟无人机集群编队行为的动态过程；之后，基于长短期记忆网络建立修复初始线性代理模型模拟误差的误差拟合网络，用于修正初始线性模型的模拟误差，提高对无人机集群编队行为动态过程的模拟精度；最后，使用以上建立的线性初始模型以及基于长短期记忆网络的误差拟合网络共同模拟大规模无人机集群编队行为的动态过程，加速其仿真速度。下面详细说明本发明实施例方法的步骤。

[0072] 步骤一：利用大规模无人机集群编队仿真模拟器获取大量的高精度无人机集群编队数据，用于后续模型的训练；

[0073] 根据本发明实施例，利用大规模无人机集群编队仿真模拟器采集的数据可表示为： 其中τi(1≤i≤N)表示采集的第i条无人机集群编队轨迹，表示为τi＝[x0,x1,…xt…,xTi]，其中 表示t时刻的无人机集群编队状态，即c表示集群中无人机的个数，6表示每一个无人机的状态维度。每一时刻
每 个 无 人 机的 状 态 表 示 为 无 人 机的 三 维 位 置 与 三 维 速 度 状 态 ，即Ti表示第i条轨迹τi的长度。

[0074] 大规模无人机集群编队仿真模拟器由无人机的动力学模型、导航制导控制模型以及编队算法等模块构成，用于生成指定环境下的大规模无人机集群编队数据。

[0075] 步骤二：针对步骤一生成的高维大规模无人机集群编队状态数据，采用主成分分析法进行降维处理，得到能够有效表征无人机集群状态的低维特征数据；

[0076] 根据本发明实施例，首先，将大规模无人机集群编队仿真模拟器生成的数据集中的所有时刻的集群编队状态数据联合成一个矩阵，得到联合状态矩阵：

[0077]

[0078] 联合状态矩阵X表示大规模无人机集群编队仿真模拟器生成的无人机集群系统的所有状态。

[0079] 然后，将联合状态矩阵X使用主成分分析方法进行压缩，获得能够有效表征无人机集群状态的低维特征数据。数据压缩过程如下所示：

[0080] Z＝U(X‑xμ)

[0081] 式中， 为压缩矩阵，u为压缩之后集群状态的数据维度，xμ为所有状态X的均值，Z为压缩之后的低维集群特征状态数据。

[0082] 步骤三：在基于步骤二降维之后的低维特征数据Z的基础上建立模拟无人机集群编队过程的初始线性代理模型，用于粗略模拟无人机集群编队行为的动态过程；

[0083] 根据本发明实施例，考虑到大规模无人机集群编队在运动过程中具有一定的惯性，因此建立的模拟无人机集群编队过程的初始线性代理模型如下所示：

[0084]

[0085] 式中， 分别表示初始线性代理模型的参数，zt‑1,zt‑2分别表示t‑1时刻与t‑2时刻无人机集群的低维特征数据， 表示初始线性代理模型预测的t时刻的无人机集群的低维特征，⊙表示向量的分量乘法。以上参数可通过求解线性最小二乘方程获得。

[0086] 步骤四：基于长短期记忆网络建立修复步骤三中建立的初始线性代理模型模拟误差的误差拟合网络，用于修正初始线性模型的模拟误差，提高对无人机集群编队行为动态过程的模拟精度；

[0087] 根据本发明实施例，基于长短期记忆网络建立神经网络模型Φ，以近似初始线性代理模型的拟合误差，即：

[0088]

[0089] 式中，△zt表示神经网络模型Φ输出值，用于修正初始线性模型的模拟误差，w为无人机集群编队目的地位置相对于集群中心初始位置的向量，表示为w＝[xg‑x0,yg‑y0,zg‑z0]，其中[xg,yg,zg]为无人机集群编队的目的地位置，[x0,y0,z0]为无人机集群编队中心的初始位置。图2所示为建立的基于长短期记忆网络的误差拟合网络。

[0090] 需要说明的是，虽然本发明实施例采用的神经网络为长短期记忆网络，但本发明实现过程不依赖于采用何种神经网络，除了长短期记忆网络，也可以采用其他神经网络模型对线性代理模型进行误差修正。

[0091] 基于压缩之后的低维集群特征状态数据Z训练神经网络模型Φ的参数，如以下训练流程所示：

[0092]

[0093]

[0094] 步骤五：利用步骤三中建立的初始线性代理模型以及步骤四中训练好的误差拟合网络模拟大规模无人机集群编队行为的动态过程；

[0095] 根据本发明实施例，首先，基于初始的低维无人机集群编队状态z0,z1利用步骤三中建立的初始线性代理模型预测t(t>2)时刻的低维无人机集群编队特征状态，如下式所示：

[0096]

[0097] 然后，使用神经网络模型Φ修复初始线性模型的预测误差，如下所示：

[0098]

[0099] 最后，将低维无人机集群特征数据恢复到高维无人机集群状态数据，如下所示：

[0100]

[0101] 进一步采用以下实验验证本发明的技术效果。

[0102] 采用数字仿真的方式验证本发明的正确性以及合理性。首先在Python环境中构建了由50个旋翼无人机组成的大规模无人机集群编队，并在100组不同的初始状态下随机产生了用于仿真代理模型训练的无人机集群编队原始数据。此外，采用Pytorch架构搭建神经网络模型。仿真测试软件环境为Windows 10+Python3.7，硬件环境为I9‑9820X CPU+GTX1080TiGPU+64.0GB RAM。

[0103] 实验首先对图2中建立的基于长短期记忆网络的误差拟合神经网络进行训练，训练过程中的损失值曲线如图3所示。其中最大训练轮数Max_Episode取值为500，计算神经网络损失函数时考虑的步数s取值为30。由图2可知，训练开始阶段随着训练轮数的增加，训练损失值急剧下降，在训练轮数达到100轮之后，训练损失值稳定在2000以下，之后随着训练轮数的增加，损失值基本不变，表明网络的训练过程收敛。以上训练过程说明本发明建立的基于长短期记忆网络的误差拟合神经网络可通过训练数据学习到稳定的网络参数。

[0104] 其次，通过一次对50个旋翼无人机组成的大规模无人机集群编队行为动态过程的模拟验证本发明方法的有效性。其中，使用主成分分析方法对原始无人机集群数据进行降维的过程中，将300维的原始状态数据压缩至80维的低维特征数据。原始无人机集群编队轨迹、经过压缩降维之后的低维无人机集群编队轨迹、经过初始线性代理模型预测的无人机集群编队轨迹以及经过神经网络修正之后的无人机集群编队轨迹如图4和图5所示。由图可知，经过主成分分析方法降维之后的低维无人机集群编队特征状态可以很好地表征原始的无人机集群编队状态，其基本可以完全复现原始无人机集群编队的轨迹变化过程。而经过初始线性代理模型预测的无人机集群编队轨迹与原始无人机集群编队轨迹相差较大，随着无人机集群编队的运动，其差距越来越大，这说明仅依靠线性的代理模型无法长期准确地预测出无人机集群的编队行为。在此基础上，经过神经网络修正之后的无人机集群编队轨迹基本与原始无人机集群编队轨迹重合，说明其可以很好的模拟无人机集群编队行为的动态变化过程。

[0105] 以上实验结果说明本发明提出的“主成分分析降维+初始线性代理模型+神经网络误差拟合模型”的方法可以很好地拟合大规模无人机集群编队行为的动态过程。以下对其仿真加速的程度进行测试验证。

[0106] 测试过程中分别对原始无人机集群编队数据的生成过程以及使用本发明提出的仿真代理模型模拟无人机集群编队行为的数据生成过程各随机进行10次测试，并记录每次的运行时间，图6所示为实际的无人机集群编队模型运行的时间与本发明提出的仿真代理模型的运行时间。由图可知，实际模型运行时间大概在16.26s左右，代理模型运行时间大概为0.40s左右，因此，代理模型的运行速度为实际模型运行速度的40.62倍左右。

[0107] 由以上测试结果可知，本发明提出的一种基于数据驱动的大规模无人机集群编队仿真加速方法，可通过主成分分析法降低原始无人机集群编队状态数据，使用初始线性代理模型粗略估计无人机集群编队行为动态过程，以及使用基于长短期记忆网络的神经网络修复预测误差的复合方法下，在保持无人机集群编队行为模拟精度的情况下显著提高无人机集群编队行为动态过程的仿真速度。根据本发明的方法可实现对大规模无人机集群编队行为动态过程的精确模拟与仿真加速，为大规模仿真实体协同行为的精确模拟以及仿真加速的实现方式提供了新的技术思路。

[0108] 本发明另一实施例提出一种基于数据驱动的大规模无人机集群编队仿真加速系统，如图7所示，该系统包括：

[0109] 状态轨迹获取模块10，其配置成获取包括多时刻无人机集群编队状态数据的无人机集群编队轨迹；所述状态数据包括无人机的三维位置与三维速度状态；

[0110] 线性代理模型训练模块30，其配置成将所述无人机集群编队轨迹输入模拟无人机集群编队过程的线性代理模型进行训练，获得训练好的线性代理模型；

[0111] 误差修正模型训练模块40，其配置成训练基于神经网络的误差拟合模型，以修正线性代理模型的预测误差；

[0112] 状态预测模块50，其配置成将待预测无人机集群编队的初始状态数据输入训练好的线性代理模型中，并利用训练好的基于神经网络的误差拟合模型对线性代理模型的预测误差进行修正，获取待预测无人机集群编队的状态预测结果。

[0113] 本实施例中，优选地，所述系统还包括降维处理模块20，所述降维处理模块20配置成：在获取包括多时刻无人机集群编队状态数据的无人机集群编队轨迹之后，对所述无人机集群编队状态数据进行降维处理，获取低维无人机集群特征状态数据；进而将低维无人机集群特征状态数据输入所述线性代理模型训练模块30进行训练。

[0114] 本实施例中，优选地，所述状态预测模块50中将待预测无人机集群编队的初始状态数据利用所述降维处理模块20进行降维处理；在获取待预测无人机集群编队的状态预测结果后，将状态预测结果中低维无人机集群特征状态数据恢复为高维无人机集群状态数据。

[0115] 本实施例中，优选地，所述误差修正模型训练模块40中训练基于神经网络的误差拟合模型的具体过程包括：

[0116] 步骤三一、初始化t＝0、t＝1时刻的无人机集群的预测低维特征状态为其中z0,z1分别表示无人机集群编队轨迹中t＝0、t＝1时刻的无人机集群的实际低维特征状态；

[0117] 步骤三二、在t＞1时刻，利用训练好的线性代理模型对低维无人机集群特征状态进行预测：

[0118]

[0119] 式中，α,β表示线性代理模型的模型参数；⊙表示向量的分量乘法； 分别表示t‑1、t‑2时刻利用线性代理模型预测的低维无人机集群特征状态；

[0120] 步骤三三、使用神经网络Φ修正线性代理模型的预测误差，获得修正后的低维无人机集群特征状态

[0121]

[0122] 式中，w表示无人机集群编队目的地位置相对于集群中心初始位置的向量；θ表示神经网络Φ的网络参数；

[0123] 步骤三四、使用平均绝对误差计算损失函数，并更新网络参数θ；

[0124] 步骤三五、迭代执行步骤三二至步骤三四，直至达到最大迭代次数停止执行，获得训练好的误差拟合模型。

[0125] 本发明实施例一种基于数据驱动的大规模无人机集群编队仿真加速系统的功能可以由前述一种基于数据驱动的大规模无人机集群编队仿真加速方法说明，因此系统实施例未详述部分，可参见以上方法实施例，在此不再赘述。

[0126] 尽管根据有限数量的实施例描述了本发明，但是受益于上面的描述，本技术领域内的技术人员明白，在由此描述的本发明的范围内，可以设想其它实施例。对于本发明的范围，对本发明所做的公开是说明性的，而非限制性的，本发明的范围由所附权利要求书限定。