《Defence Technology》:JEPA-Based multimodal trajectory prediction for air targets in complex electromagnetic environments
编辑推荐:
在现代防空作战中,传统空中目标轨迹预测方法在复杂动态环境中的适应性显著下降,其原因在于高超声速目标具有很强的突防能力、隐身集群目标密集出现,以及严重电磁干扰导致感知链路不稳定。为解决这一问题,本文提出一种基于联合嵌入预测架构(Joint Embedding P
在现代防空作战中,传统空中目标轨迹预测方法在复杂动态环境中的适应性显著下降,其原因在于高超声速目标具有很强的突防能力、隐身集群目标密集出现,以及严重电磁干扰导致感知链路不稳定。为解决这一问题,本文提出一种基于联合嵌入预测架构(Joint Embedding Predictive Architecture, JEPA)的新型空中目标多模态轨迹预测方法。研究人员构建了一个由数据预处理、多模态混合编码、约束嵌入空间、轻量化Transformer预测和轨迹解码组成的完整框架,以实现对空中目标未来运动轨迹的高精度、高鲁棒性推理。实验在基于空军仿真平台(Air Force Simulation, AFSIM)构建的高保真空情数据集上开展。结果表明,在10 s和30 s预测任务中,该方法的平均绝对误差(Mean Absolute Error, MAE)优于对比的先进方法。此外,即使在强电磁干扰场景下,该方法仍保持最低误差水平,表现出优异的抗干扰性能。消融实验进一步验证了所提出方法中集成的多模态融合、轻量化设计和自监督学习机制的有效性。本研究为构建智能高效的新一代防空态势预测系统提供了一条可行的技术路径,对于提升复杂电磁环境下防空系统的预警与拦截能力具有重要意义。
该文发表于《Defence Technology》,聚焦复杂电磁对抗环境中的空中目标轨迹预测问题,针对传统方法在强干扰、多目标协同机动、信息缺失与噪声条件下预测精度下降、鲁棒性不足和实时性受限等瓶颈,提出了一种基于联合嵌入预测架构(JEPA)的多模态轨迹预测方法。研究背景在于现代防空作战目标类型快速演化,高超声速目标、隐身无人机(UAV)与集群突防使目标运动模式更复杂,同时电磁压制会破坏探测感知链路,导致传感器信息不完整甚至失真。在此情形下,防空系统需要在秒级时间窗内完成态势推演与拦截决策,因而对轨迹预测模型提出了高精度、高抗干扰性、强泛化性及边缘部署能力的综合要求。现有基于常速度(CV)、常加速度(CA)、协同转弯(CT)和交互多模型(IMM)的参数化动力学方法过度依赖先验运动假设;传统机器学习方法依赖人工特征工程,难以刻画长期时空依赖;深度学习方法虽具有更强非线性建模能力,但在多模态融合、长序列建模、可解释性与工程实时性方面仍存在明显不足。尤其是FlightBERT++等先进模型仍主要依赖大规模标注轨迹数据,且对异构战场信息的融合能力有限。
为此,研究人员首次将JEPA世界模型引入防空空中目标轨迹预测任务,试图推动该领域从“被动数据拟合”向“主动态势理解”转变。论文核心思想是:不直接在原始观测值上进行端到端预测,而是在统一的语义潜在空间中学习历史态势与未来状态之间的结构映射关系。围绕这一思想,研究人员设计了由数据预处理模块、多模态混合编码器、物理约束嵌入空间、轻量化Transformer预测器与结果解码模块构成的完整技术链路,实现对空中目标未来三维轨迹的高精度推断。实验结果表明,该方法在10 s短期预测、30 s长期预测以及强电磁干扰条件下均优于卡尔曼滤波(KF)、长短期记忆网络(LSTM)、标准Transformer和FlightBERT++。其中,10 s任务MAE为76.2 m,30 s任务MAE为253.1 m;在强干扰场景下10 s预测MAE为98.5 m,仍保持最优。边缘设备上的单步推理总时延为9.7 ms,可满足防空系统小于50 ms的实时要求。由此可见,该研究在多模态态势融合、物理一致性建模和轻量化推理三方面实现了较好的统一,对新一代智能防空态势预测系统的构建具有明确工程意义。
从方法层面看,作者主要采用了四类关键技术。其一,基于AFSIM构建高保真空防作战数据集,共100个独立场景、每场景5000帧,涵盖单目标突防、多目标协同突防、复杂干扰突防和混合战术突防,并按7:1:2划分训练、验证和测试集。其二,利用ResNet-18提取2D雷达态势图像空间特征,以图神经网络(Graph Neural Network, GNN)与多层感知机(MLP)建模结构化目标状态及目标间关系,再通过模态注意力机制完成多模态语义对齐。其三,采用JEPA双分支自监督训练流程,通过上下文编码器与动量目标编码器、掩码预训练与指数滑动平均(EMA)参数更新学习鲁棒语义嵌入。其四,设计带动态注意力头剪枝和滑动窗口增量更新机制的轻量化Transformer,并在潜在空间中引入速度与加速度上限约束,以提高预测物理合理性和边缘实时推理效率。
在结果部分,论文按照多个子模块系统展示了模型性能。
3.1 Trajectory prediction accuracy
研究人员首先比较了不同方法在测试集上的轨迹预测误差。结果显示,所提JEPA方法在10 s预测任务中达到76.2 m的MAE和101.5 m的均方根误差(RMSE),分别较标准Transformer降低22.6%和23.2%,较LSTM降低39.2%和40.0%。在30 s长期预测任务中,JEPA的MAE为253.1 m、RMSE为332.6 m,仅为KF模型对应误差的大约46.1%和48.2%,说明其长时序建模能力明显优于传统模型。论文还进一步分析了不同电磁干扰强度下的10 s预测误差,发现随着干扰增强,各模型误差均上升,但JEPA增幅最小,且在低、中、高干扰条件下始终保持最低绝对误差,体现出显著的抗干扰优势。
3.2 Real-time performance comparison
在实时性评估中,研究人员以NVIDIA Jetson AGX Xavier边缘设备为测试平台,比较了数据预处理、模型推理与结果解码三个阶段的耗时。JEPA总推理时间为9.7 ms,虽然高于结构简单的KF的1.2 ms,但显著快于标准Transformer的22.8 ms和FlightBERT++的14.95 ms。进一步的对照表明,去除轻量化机制后,JEPA时延升至18.2 ms,说明动态注意力头剪枝与增量时间更新有效压缩了推理开销;而仅使用结构化数据、不做多模态融合时,推理时间为7.3 ms,说明多模态模块的额外开销有限,但换来了明显更高的预测精度和抗干扰性能。
3.3 Ablation experiment results
消融实验围绕多模态融合、轻量化设计、自监督学习和物理约束四个核心模块展开。结果显示,移除多模态融合后,10 s预测MAE由76.2 m上升至98.5 m,表明2D态势图中的空间拓扑信息对提升预测能力具有关键作用。移除轻量化设计后,MAE变化不明显,但推理时间几乎翻倍,证明该模块对工程部署至关重要。改用纯监督训练替代自监督学习后,MAE增至81.3 m,说明JEPA自监督机制确实增强了模型对无标注战场数据中内在运动规律的提取能力。删除物理约束模块后,MAE升至83.4 m,且运动学约束违例率由6.9%升至18.3%,直接说明嵌入空间中的物理约束不仅提升了轨迹的物理合理性,也促进了预测精度。
3.4 Visualization result analysis
在可视化分析中,作者选取“多目标协同突防+强电磁干扰”的典型高难场景,对不同模型的10 s轨迹预测进行对比。结果表明,JEPA预测轨迹与真实轨迹重合度最高,尤其在目标执行蛇形规避和迂回机动阶段,仍可保持较小偏差。相比之下,标准Transformer在后期出现明显漂移,KF则在短时间后就与真实轨迹显著偏离。多目标协同突防场景中的可视化结果进一步显示,JEPA在强干扰与多目标相互作用条件下仍能保持稳定预测,验证了其复杂战场环境下的泛化能力。
3.5 Prediction uncertainty quantification analysis
在不确定性量化部分,研究人员采用蒙特卡罗Dropout(Monte Carlo Dropout, MCDO)评估不同模型在不同信噪比(SNR)下的预测置信区间。结果表明,JEPA在所有干扰条件下都具有最小平均不确定性范围。在强干扰场景(SNR = 5 dB)中,其平均不确定性范围仅为28.6 m,显著低于Transformer与FlightBERT++。这说明自监督预训练和物理约束机制有助于提升模型预测的稳定性和可信度,使其更适用于防空拦截决策场景。
3.6 Feature semantic consistency analysis
为验证JEPA在高层语义表示学习上的优势,作者以三类典型机动模式——直线飞行、蛇形机动和协调转弯——为对象,对编码器输出的128维融合嵌入进行聚类评估。结果显示,JEPA的轮廓系数(SC)和Calinski-Harabasz(CH)指数均显著优于Transformer和FlightBERT++,说明其学得的潜在特征在类内更紧凑、类间更可分。这一结果从表征学习角度解释了其优越的预测性能和抗干扰能力。
在讨论部分,论文对方法优越性的来源进行了总结。首先,多模态混合编码器将2D雷达态势图像中的全局空间拓扑与结构化目标参数中的局部动力学特征进行了互补融合,通过模态注意力实现对不同信息源的自适应加权,因此能够在传感器受干扰或部分失效时维持较好的态势理解能力。其次,物理约束嵌入空间将空气动力学与防空作战规则显式融入学习过程,降低了深度模型因过拟合而产生非物理预测轨迹的风险,增强了模型可解释性和工程可信度。再次,轻量化Transformer通过注意力头剪枝和增量更新显著降低计算复杂度,使模型在保持高精度的同时满足边缘设备的毫秒级实时推理需求。作者同时指出,当前研究仍存在三方面局限:其一,对高超声速滑翔目标这类动力学更复杂目标的适配不足;其二,目前主要输出确定性轨迹,尽管初步开展了不确定性分析,但尚未形成系统的概率化预测框架;其三,实验依托AFSIM高保真仿真数据,尚缺乏真实测量空情数据上的充分验证。
论文结论部分可概括翻译如下:针对复杂电磁对抗环境中空中目标轨迹预测存在的预测精度低、抗干扰能力弱、实时性不足与可解释性差等关键问题,研究人员提出了一种基于联合嵌入预测架构(JEPA)世界模型的新型多模态空中目标轨迹预测方法。该方法通过融合多源异构战场感知数据,并引入物理约束与轻量化优化策略,构建了“感知—编码—约束—预测—解码”的完整技术框架,实现了空中目标未来运动轨迹的高精度、高鲁棒性与实时推理,有效缓解了传统方法在复杂实战场景中的关键技术瓶颈。研究设计了融合ResNet-18与图神经网络(GNN)的多模态混合编码器,构建了融入空气动力学与运动学先验的物理约束嵌入空间,并提出了基于动态注意力头剪枝与滑动窗口增量更新的轻量化Transformer预测器。基于AFSIM构建的高保真空防态势数据集实验表明,该方法在10 s与30 s预测任务、强电磁干扰场景以及边缘设备实时推理评估中均取得优异表现,消融实验也验证了多模态融合、物理约束与轻量化设计的有效性。总体而言,该方法在预测精度、抗干扰能力、实时性能和模型可解释性方面具有明显优势,可为新一代智能防空反导态势感知与预测系统提供关键技术支撑,对提升复杂电磁对抗环境下防空系统的预警探测、拦截决策与协同对抗能力具有重要意义。