Método de Seguimiento Inteligente para Objetos de Maniobra Aérea Basado en Filtro de Kalman Sin Aroma

Este artículo construye un marco de filtrado iterativo no lineal basado en un modelo de predicción de red neuronal. Utiliza redes neuronales recurrentes (RNNs) para lograr una regresión precisa de modelos dinámicos de objetivos de maniobra complejos y los integra en el sistema de filtrado iterativo no lineal a través de la Transformación Sin Aroma (UT). Al construir el modelo de predicción de red neuronal, se utilizaron los módulos de Red Neuronal Convolucional Temporal (TCN) que capturan dependencias a largo plazo y los módulos de Memoria a Largo y Corto Plazo (LSTM) que olvidan selectivamente la información no esencial para lograr una regresión precisa de los modelos de maniobra. Al integrar el modelo de predicción de red neuronal, este artículo propone un método para extraer puntos Sigma utilizando la transformación UT al 'desplegar' vectores de secuencia múltiple y explora las técnicas de diseño para la longitud de la ventana deslizante temporal de redes neuronales recurrentes. En última instancia, se desarrolló un algoritmo de seguimiento inteligente basado en filtrado sin aroma, denominado TCN-LSTM-UKF, que aborda eficientemente las dificultades de construir modelos y los retrasos de transición en condiciones de alta maniobra y mejora significativamente el rendimiento de seguimiento de objetivos altamente maniobrables.