智慧型追蹤導引法則應用於下一代空對空影像飛彈之研究

智慧型追蹤導引法則應用於下一代空對空影像飛彈之研究

Applying Intelligent Tracking and Guidance Algorithm for Next

Generation IIR Air to Air Dogfight Missile

計畫編號：NSC 88-2623-D-009-005

執行期限：87 年 7 月 1 日起至 88 年 6 月 30 日

主持人：邱俊誠

職稱：教授

電子信箱：chiou@cc.nctu.edu.tw

執行機構：國立交通大學電機與控制工程研究所

一、摘要 由於下一代短程空對空飛彈均採 用焦平面紅外線成像尋標器，使飛彈 具備較佳的紅外線反反制､背景雜訊 濾除､多目標環境追蹤､瞄準點選取､ 穿雲等能力。本計畫之主要目的即以 類神經網路､模糊控制理論及遺傳演 算 法 等智 慧 型控 制 理 論 解 決 上 述 問 題，最後建構一尋標器模擬程式，以 測試引入智慧型追蹤法則之尋標器對 空 對 空飛 彈 追蹤 導 引 性 能 之 提 昇 效 益，以做為下一代飛彈設計之參考。 本計畫在第一年所完成之成果如 下： 1.建構適當的類神經網路､模糊 法則 及遺傳演算法，以進行紅外線追 蹤法則相關基本問題之研究。目前已 完成自我建構之類神經模糊推理網路 (SONFIN)及具共生演算法之模糊控制 器(SEFC)設計。 2.建立一具智慧型追蹤法則之尋 標器模擬程式及飛彈模擬程式，初期 將 以 三自 由 度彈 道 模 擬 程 式 進 行 模 擬，在第二年計畫中再擴展為６自由 度程式。 3.被動目標狀態估測 :完成以模 糊邏輯卡曼濾波器在多目標環境之目 標狀態測估理論推導及模擬，並與單 獨卡曼濾波器執行結果進行比較。 4. 被 動 式 測 距 (PASSIVE RANGING)：完成模糊邏輯推廣卡曼 濾波器在雜訊環境執行被動式測距之 理論推導及模擬，並與單獨推廣卡曼 濾波器執行結果進行比較，並提供以 影像式尋標器進行被動式測距之可行 性評估。 5. 瞄 準 點 選 取 (AIMING POINT)：以 128x128 像素之影像進行 瞄準點選取之法則設計及模擬。在需 求單位提供瞄準點選取原則、擊靶場 景及目標易損性資料後，對自我建構 之類神經模糊推理網路(SONFIN)進行 訓練，使得網路具有最佳瞄準點選取 之能力。 二、緣由與目的 紅外線導引技術向來為短程空對 空飛彈所採用，因為其具備簡單、可 靠、反應快等特性，因此廣為短程飛 彈所使用。但傳統的點光源式紅外線 尋標器也有偵測距離近、易受雜訊干 擾及反制、無穿雲能力等缺點，因此 在空對空戰場上逐漸被雷達導引飛彈 所取代。近年來由於戰機的敏捷性及 隱形技術漸受重視，已確定成為下一 代戰機的發展趨勢，因此為對付下一 代戰機之威脅，具大離軸角發射能力 的紅外線導引高敏捷性空對空纏鬥飛 彈又將成為空對空飛彈武器之主流， 同 時 為改 善 上一 代 紅 外 線 飛 彈 之 缺 點 ， 大 都 採 用 焦 平 面 式 (FOCAL

PLANE ARRAY)或(LINEAE ARRAY) 影像式尋標器。 有關紅外線成像技術，在國防及 民間工業上均已有相當多的研究與開 發應用實例。而有關紅外線影像之目 標追蹤法則之研究及應用近年來亦有 相當多的實例，唯以往大都採用專家 系統來解決相關之問題。美國國防部 之先進國防研發專案計畫局(DARPA) 所資助休斯飛機公司及美國陸軍資助 BAH 公司，將類神經網路與紅外線成 像技術結合，應用於具學習能力的影 像式自動目標辨識系統，以有效提昇 系統對目標的辨識的速度及準確度。 顯見智慧型學習法則在此方面應用具 有強大之潛力[1-3]。本計畫引用類神 經網路、模糊法則及遺傳演算法等智 慧型學習法則，擴大應用至與紅外線 追蹤技術相關之課題上。 三、研究方法及成果 在本計畫的第一年中，我們針對 紅 外 線追 蹤 技術 之 相 關 問 題 進 行 研 析，並已建構適當之類神經模糊網路 及遺傳演算法來解決被動目標狀態估 測、瞄準點選取(AIMING POINT)、被 動式測 距(PASSIVE RANGING)等 問 題。由於智慧型學習法則本身具有非 線性對應(NONLINEAR MAPPING)及 隨機特性，可與卡曼濾波器(KALMAN FILTER)結合，成為一狀態估測器，其 非常適於用以處理做隨機運動的目標 之狀態估測。本計畫所採用之研究方 法及成果分述如下： 1.目標狀態估測： 針對影像式尋標器，目標狀態變數定 義為：                 = rate) (pitch angle) pitch ( rate) yaw ( angle) (yaw intensity) return target ( θ θ ϕ ϕ & & i x 由 於 在 背 景 雜 訊 或 多 目 標 環 境 中，紅外線影像中會出現一個以上的 物體，為達到紅外線反反制的目的， 必 須 對每 一 物體 運 動 狀 態 均 進 行 預 測，並判斷出正確的目標，進行追蹤。 由於目標運動及量測均以 2 維直角座 標表示，因此可視為線性，其狀態及 量測方程式可表為： i k i k i k

Fx

Gw

x

_+1, = _, + _, i k i k i k

Hx

v

z

_,

=

_,

+

_, 其中 i 為代表影像中之一個物體。 而模糊卡曼濾波器計算法則如圖 1 所 示。 2.被動式測距： 由於紅外線影像尋標器無法如主 動雷達尋標器可直接量測飛彈與目標 之相對距離及相對速率,而相對距離 及速率又為導引律必需仰賴的重要參 數，因此必須進行相對距離的估算。 由於被動式測距問題中，目標狀態須 包含目標之相對位置而不是前述之角 度，而尋標器量測值為角度資料，因 此量測方程式為一非線性方程式，狀 態及量測方程式可表示如下：

[]

k p k k p k k k k k p k p k k k k

x

x

y

y

h

v

y

x

y

x

h

z

w

x

F

x

| | 1 | | 1 tan ] , , , [ ˆ ˆ − − = ⋅ + = + = − + 則目標相對位置為 k k p k k p k k k p k k p k

z

x

x

y

y

z

y

y

x

x

tan ) ( ˆ tan ˆ | | | | − + = − + = 由於量測方程式為非線性，因此 須以推廣卡曼濾波器進行目標狀態估 測。而推廣卡曼濾波器在應用上最大 的困擾為線性化問題，且由於空對空 飛彈場景變化劇烈，和雜訊強度大， 因此本計畫已提出一種模糊遺傳演算

法則，而利用模糊法則的非線性映射 特性以解決傳統推廣卡曼濾波器的線 性化問題。 自 我 建 構 之 類 神 經 模 糊 推 理 網 路 (SONFIN)： 我們所發展的模糊類神經網路之 架構如圖 2 所示。網路本身由模糊法 則”如… 則… .(IF… .THEN)”所構成，並 具有類神經網路的學習能力。如圖所 示，此網路含有六層。現在將各層所 執行的功能分述如下： 第一層：此層不做任何運算，只 是單純的將輸入變數傳送到下一層。 第二層：此層的每一個點(node) 代表一個模糊集合(fuzzy set)，而節點 的作用在於算出輸入資料屬於每個模 糊 集 合 的 程 度。 在 此 我 們 使 用 高 斯 (Gaussian) 歸 屬 函 式 (membership function)。 第三層：此層的每一節點(node) 代表一條法則，而以分群觀點來看則 代表一個群。節點的作用在於把第二 層求出的歸屬值在此做 AND 運算。在 此，AND 運算是以相乘來完成。每一 個節點的輸出表示輸入資料對此法則 的激發量，以分群的觀念來看則表示 屬於這一群的程度。 第四層：此層的作用在於把第三 層的輸出做等量化(normalization)。 第五層：此層代表模糊法則的後 件部。此層包含兩類節點，白色的節 點為必要的節點，一個白色節點表示 一個模糊集合。當使用白色節點尚無 法達到精度要求時，則須產生黑色的 節點。黑色節點代表輸入變數的線性 組合，這裡採用的輸入變數並非是所 有的輸入變數，而是選擇較重要的變 數來做線性組合。 第六層：此層的作用為解模糊化 (defuzzification)。 SONFIN 學習演算法： 二種類型的學習，分別為架構和參數 式學習，同時被用來架構SONFIN。其 學習過程分成下面四個步驟： 1.輸入、輸出空間的分群。 2.法則的建立。 3.後件部的識別。 4.參數的學習。 以 推 廣卡 曼 濾波 器 進 行 目 標 狀 態 估 測： 給定一個離散時間的動態系統： R v v E Q w w E where k v u k x h k z k w u k x f k x = ′ = ′ + = + = + ] [ ] [ ) ( ) , , ( ) ( ) ( ) , , ( ) 1 ( 一個典型的 EKF（Extended Kalman Filter）演算法，用以估測系統狀態， 並以以下的方程式來描述。 ) ˆ ( ˆ_{k 1|k} f_k x_k|k,u_k x ₊ = ) ˆ , ( ˆ_k =h_k k x_k|k−1 z (12) 1 1 | 1 | ( ) − − − + = T _k k k k k T k k k k P H H P H R K ) ˆ ( ˆ ˆ_k|k x_{k|k 1} K_k z_k z_k x = ₋ + − 1 | |k =( − k k) kk− k I K H P P k T k k k k k k

F

P

F

Q

P

_+1|

=

_|

+

矩陣係數F_KH_K為： K X X k k k

x

u

k

x

f

F

= ∂ ∂ = ( , , ) K X X k k k x u k x h H = ∂ ∂ = ( , , )

圖 3 所示為 general lineared EKF 的方 塊 圖 ， plant model 與 measurement model 被兩個已訓練完成的網路所取 代。不同於傳統 extended Kalman Kilter

非線性函數 f(X_K,K)與h(X_K,K)偏微 分所得。以模糊推論系統來說，該係 數矩陣可以表示成輸入變數的線性組 合。 3.瞄準點選取： 當目標距離遠時，目標在影像式 尋標器上仍為一點，即無瞄準點選取 問題。但隨著目標距離接近，目標影 像 呈 現 出 輪 廓， 甚 至 充 滿 整 個 視 窗 時，若不指定選擇瞄準點，將使導引 誤 差 增 大 。 傳 統 的 重 心 追 蹤 法 則 (Centroid tracker) 無法提供最佳的攻 擊位置，重心位置甚至可能落在機身 之外，在擊靶前目標充滿整個視窗時 還會進入盲距，因此在目標接近時， 必須切換為瞄準點追蹤。適當的選擇 瞄準點，將可提昇對目標之殺傷率及 改善導引誤差。本計畫將建構一遞迴 式自我建構類神經模糊推理網路，以 學習儲存各種場景下(與目標攔截方 位、影像大小、遮蔽程度、視線變率 相關)影像重心與瞄準點之關係。包含 瞄準點選取的追蹤法則工作流程如圖 4 所示。適當瞄準點位置取決於目標的 易損性以及導引律的需求，而瞄準點 選取種類有： 1.座艙罩：攻擊操作者，適用破片彈 頭。 2.引擎：適用具結構殺傷性彈頭，如 連桿彈頭。 3.兩側機翼：利用結構破壞機身的穩 定性，因此同樣適用具結構殺 傷性彈頭。 4.結 構 中 心 ： 可 利 用 中 軸 或 骨 幹 方 式，尋求整個機身之結構中心 位置，加以破壞。 我 們 利 用 DMA(Discrete Medial Axis)的方式來選取目標的一個最佳攻 擊點，如圖 5 圖 6 所示(a)為目標原始 影像、(b)為轉為灰階顯示的目標影 像、(c)經由 DMA 後所選定的攻擊點。 參考文獻：

[1] C.E. Daniell et.al., ”Artificial neural networks for automatic

target recognition”, Optical

Engineering, vol. 31 no. 12, pp 2532-2539, dec 1992.

[2] W.A. Thoet et al, “ANVIL neural

network program for

three-dimensional automatic target

recognition”, Optical Engineering, vol. 31, no. 12, pp 2521-2531. [3] N.G. Goel, Ed., “Automatic Target

Recognition and Tracking

Approaches Based on Shape

Analysis and Neural Networks”, New York, Harwood, 1992

k xˆ at t estimate State k k k k Fx Gw xˆ₊ = ˆ + prediction State 1 i k i k i k Fx Gw zˆ _1, ˆ_{, ,} prediction t Measuremen + = + Multiple returns return parameters size, intensity fuzzy return processor ~ ( ˆ ) vector innovation Average , 1 1 1 k _{k i} k z z z₊ =

∑

β ₊ − ₊ k P k t covariance State k k k HPH R S₊ = '+ covariance innovation 1 k k k FPF Q P₊ = '+ covariance prediction State 1 1 1 1 ' gain Kalman − + + =P H S Wk k 1 1 1 1 covariance state Updated + + + + = k − k k k P W SW P x k, C corrector state fuzzy x k k k k x W C xˆ ₁ ˆ _{1 1 ,} vector state Update + + + = + 圖 1 卡曼濾波器與模糊邏輯結合演算法 圖 2 模糊類神經網路 SONFIN 之架構

nonlinear plant measurement Kalman Gain z-1 w_k-1 v_k u_k-1 zk k k x_| + -+ -+ -1 |k− k x + -f(x,k-1,u) h(x,k,u) x x x x x x k zˆ 圖 3 神經模糊 EKF 之架構圖 multiple object

extraction tracking updated

multiple target segmentaton

centroid tracking

when target occupy most of the scene, discard

centroid

area correlation tracking an area of the target with DPI as the center

analysis target area w.r.t. centroid

compare and get DPI in real time wrt centroid

SONFIN aimpoint analyzer

tracking out Target states

estimator

target handoff

from aircraft at closer range

target growing point target Target states estimator 圖 4 模糊類神經瞄準點選取法則架構

圖 5 (a) 圖 5(b)

圖 5(c)