双向RNN下的航迹拟合模型研究

飞机航迹拟合的模型建立一直是作战智能体训练研究的关键问题之一。针对当前作战多智能体在仿真训练中的航迹拟合精确度过低的问题,提出了一种基于改进强化循环神经网络与三次样条插值的训练策略。以飞机的俯仰角、滚动角、偏航角为参考对象,基于三次样条插值算法,通过循环神经网络进行强化深度学习训练来降低误差,对航迹进行拟合。通过大量的仿真实验和最终工程实践的对比证明,该方法相比已有的航迹仿真算法具有更高的准确性与合理性。在相同背景下,其航迹长度下降近10个百分点,准确性也较同领域算法高出5%以上,能有效解决作战智能体在模拟训练中减小航迹与实际作战误差的问题。

融合改进场力和判定准则的点云特征规则化

为了快速有效地获取散乱点云中的边界特征点和边界线,提出了一种融合改进场力和判定准则的点云特征规则化算法。利用改进的k-d(k-dimensional)树搜索k邻域,以采样点及其k邻域为参考点集拟合微切平面并向该平面投影,在微切平面上建立局部坐标系以将三维坐标转化成二维坐标,利用场力和判定准则识别边界特征点;依据矢量偏转角度和距离对边界特征点进行排序连接;通过改进的三次B样条拟合算法对边界线进行平滑拟合。实验结果表明,该算法能够快速有效地提取边界特征点,且拟合后的边界线偏差量级为10^(-5) m,具有较高的精度。