卢开钦 、于冬洋、吕途、 王猛
(郑州航天电子技术有限公司,河南省郑州市高新区,450001)
摘要 针对无人机跟踪场景下,由于目标风险评估的不确定性对无人机造成潜在威胁的问题,提出一种面向风险控制的自适应传感器管理算法。首先,通过改进威胁评估算法,提出利用动态模糊贝叶斯网络的方法对目标威胁风险进行评估;其次,利用目标预测协方差对传感器的跟踪风险进行评估;最后,通过融合跟踪风险以及威胁风险构建效能函数,以风险最小化为优化准则,合理地分配传感器资源。仿真及分析表明,所提算法有效地控制无人机作战风险,提高了对目标的跟踪能力。
关键词 无人机跟踪 风险控制 传感器管理 效能函数
1.引言
在现代化信息战领域,利用无人机实施对目标的精准稳定跟踪,对目标态势信息进行准确估计,有助于完成目标预警、监视、定位、拦截和打击等任务需求[1]。传感器作为无人机的“眼睛”,在任务执行中发挥着无与伦比的作用。但是,由于单一传感器受到探测范围、环境、自身性能等限制,无法满足对机动目标的连续性跟踪,为了提高跟踪性能,需要合理调度多传感器来协同探测。但是整个跟踪系统的传感器资源往往有限,如何合理调度有限的传感器资源满足目标跟踪要求,是传感器管理研究的意义所在[2]。
传感器管理技术的研究最早由于军事需要而诞生,随着科技的不断发展,仅仅提高目标跟踪精度已经无法满足任务需求,使得传感器管理涌现出了新的问题:(1)当任务不要求打击目标,仅保证传感器不丢失目标即可,此时过于追求跟踪精度就会大大浪费传感器资源;(2)随着目标武器装备不断升级,在跟踪的过程中,由于传感器辐射功率,己方无人机承担着来自目标的威胁风险也不断增强,给目标跟踪带来了极大的挑战。针对风险控制的优化问题具有良好的应用前景,也是本文重点研究内容。
针对上述问题,本文研究内容将关注重点放在了控制作战风险上,运用贝叶斯理论、模糊推理、状态估计等技术手段,对跟踪过程中目标威胁风险进行预测评估。此外,结合状态估计协方差对目标跟踪风险进行预测,进而融合两者构建自适应的效能函数,对由于传感器决策所造成的潜在风险进行控制,并以风险最小化为优化准则,实现传感器资源的合理分配。
目标威胁风险评估是根据跟踪目标的特征,确定该目标对我方无人机构成的威胁程度。在实际跟踪环境中,由于信息保密性,只有结合传感器探测设备的量测信息,以及已有的目标信息进行估计[3]。
图1 目标威胁风险评估模型
本文构建目标威胁评估模型[4]如图1所示,从目标威胁能力、打击意图、攻击机会三个方面对目标威胁不确定性进行评估。威胁能力、打击意图、攻击机会属于一级属性。机载武器、干扰能力、目标类型、航向角、目标高度、速度、距离属于二级属性,可以通过数据预处理和目标探测评估得到。
本文在模糊推理、贝叶斯网络以及多源信息融合等理论基础上,通过改进目标威胁评估策略,提出动态模糊贝叶斯网络的方法评估目标威胁风险。算法的具体过程如框图2所示。
图2 动态模糊贝叶斯网络算法框图
如图所示,算法的具体内容如下:
1)目标二级属性值量化
结合实际细化需求对定性因素进行量化处理。本文对定性属性的量化过程如表1所示。
表1 定性属性量化过程
机载武器 | 其它设备 | 0 |
常规武器 | 0.5 | |
导弹 | 1 | |
干扰能力 | 弱 | 1/3 |
中 | 2/3 | |
强 | 1 | |
目标类型 | 地面小型目标 | 1/3 |
地面大型目标 | 2/3 | |
空中目标 | 1 |
对于定量属性,结合线性映射函数对其进行具体量化,使归一化后的属性值越大,对威胁值的贡献越大,定量因素量化过程如表2所示。
表2 定量属性量化过程
属性因素 | 归一化属性函数 | 自变量 |
航向角( | | |
高度(m) | | |
速度 (m/s) | | |
距离(km) | | |
2)利用模糊隶属度函数计算一级属性
根据上述量测信息计算出的威胁度影响因素值 ,从而计算出隐含层变量节点威胁能力
、打击意图
、攻击机会
。由于影响因素之间相互独立,因此采用以下高斯隶属度函数结合影响因素初始值求解隐含层节点概率[6],即:
威胁能力分为强、中、弱三个等级,由影响因素 融合获得,则威胁能力隶属度函数如下:
(1)
其中, ,因此,
,
为标准差,
为各影响因素所对应的权重。
打击意图模糊子集分为大、中、小三个等级。由影响因素 融合而成,同理,则打击意图隶属度函数如下:
(2)
其中, ,因此,
,
为标准差,
为各影响因素所对应的权重。
攻击机会模糊子集分为大、中、小三个等级。由影响因素 融合而成,同理,则攻击机会隶属度函数如下:
(3)
其中, ,因此,
,
为标准差,
为各影响因素所对应的权重。
由于需要采用贝叶斯网络推理的方法获得最终的威胁值,因此需要将确定度转换为概率,其具体计算公式如下:
(4)
(5)
式中, 代表威胁能力、打击意图、攻击机会等不同的属性,
代表属性下对应的等级,
为一致性参数,其范围为
,本文取
。
3)利用贝叶斯推理求解威胁值
在基于贝叶斯推理的目标威胁评估过程中,首先根据目标属性间的因果关系,构建贝叶斯网络拓扑结构[7],如图3所示。
图3 贝叶斯推理网络
在图3中,节点 表示威胁度变量,隐含层节点
、
、
表示一级属性状态变量,节点
表示二级属性(观测变量)。隐含层节点变量和观测节点变量体现为威胁评估相关的所有因素。
假设把目标威胁分为 个等级:
,经过贝叶斯网络推理,获得推理结果:
(6)
其中, 表示威胁等级属于
的概率,计算方法如下:
(7)
(8)
其中, 表示隐含层节点变量个数,
表示隐含层节点到威胁值的条件概率。
根据上述推论,设目标各威胁等级上的威胁权重值为 ,则最终的威胁值为:
(9)
4)传感器功率截获概率计算
所谓功率截获概率就是电磁探测系统在给定虚警概率 下,对传感器辐射信号的探测概率[8]。计算方法如下:
计算目标探测系统接收机接收到的传感器信号辐射功率,即
(10)
式中, 为目标电磁探测系统接收机接收的辐射功率,
为无人机传感器平台辐射脉冲的峰值功率,
为传感器工作波长,
为无人机与目标之间的距离,
为目标传感器发射天线增益,
为电磁无源探测系统接收增益,
为电磁无源探测系统接收机处理器净增益。
计算目标电磁探测系统接收机输出端的信噪比,即
(11)
式中, 为目标电磁探测系统接收机输出端噪声,
为噪声系数,
为玻尔兹曼常数,其值为
,
为噪声温度,
为电磁无源探测系统接收机带宽。
(c)计算最终的功率截获概率。
在给定虚警概率 ,可计算出功率截获概率为:
(12)
(13)
根据传感器功率截获概率,结合目标威胁值,可得传感器平台受到目标最终的威胁风险为:
(14)
(15)
3 目标跟踪风险评估策略
目标跟踪风险,即在任务执行过程中,由于传感器决策造成的目标失跟、误跟的风险。对于目标跟踪风险评估的关键是对目标状态估计误差的评估,计算方式如下:
(16)
其中, 为
时刻传感器控制序列为
时的状态预测误差协方差,由滤波算法求得,在此不做赘述。
为
时刻传感器的量测噪声方差,
表示求矩阵的迹,
为量测噪声系数。此式的物理含义为在当前时刻的量测噪声下,对应传感器对目标的状态估计误差,误差越大,目标跟踪风险越高。
本文结合上述跟踪风险以及威胁风险的评估策略,以风险控制为原则,构建效能函数。算法的核心在于对未来时刻由于任务决策带来的潜在风险进行预测评估,以风险最小化对传感器资源进行合理地分配。风险的一步预测值计算方法如下:
(17)
其中, 、
、
表示在执行传感器控制策略
后,预测在
时刻传感器平台所面临的总风险,跟踪风险以及威胁风险,
为效能平衡权重,用于平衡两种风险对总风险的贡献。
进一步,可以得到多步预测总风险计算方法如下:
(18)
式中 为任务决策步长。
本文采用长期管理方式,利用多步预测总风险,构建效能函数如下:
(19)
该效能函数的最优解 表示使得未来时刻
到
总风险最小的传感器控制序列,由于该时间段处于同一传感器控制周期内,因此
。
为了验证本文所提算法的有效性,本次仿真在单机对抗的跟踪场景下,无人机携带三种不同的主动传感器对目标进行跟踪定位,控制周期为10s。无人机探测系统参数如表4所示,初始状态为
,单位(km)。目标初始状态为
,单位(km)。目标的属性参数值为:常规设备、干扰能力强、空中目标、航向角60°。
仿真时长为1200s,量测噪声系数 。仿真实验采用公式(19)所示的效能函数对传感器资源进行合理地分配,取步长
。
根据公式(19),本文构建多步预测效能函数对未来时刻的潜在风险进行预测,总风险的预测结果如图5所示。
图5预测总风险曲线图
图5为跟踪过程中总风险变化曲线图,图中,风险预测值为通过对目标状态估计预测未来时刻的总风险变化,风险真实值是在执行传感器控制方案后通过真实量测值所计算的总风险变化。由图可以看出,风险预测值与真实值大致相同,验证了本文对目标风险评估的有效性,证明了本文所提算法的可行性。
为了详细说明本文所提管理算法(proposed management approach,PMA)对控制跟踪过程总风险的有效性,结合以下两种常见的管理算法进行对比分析。
(1) 随机管理方法 (random management approach,RMA),随机分配传感器资源执行对目标的跟踪探测,主要用于态势紧急,来不及解算目标函数的情况。
(2) 短期管理方法 (myopic management approach,MMA),根据公式(17),以一步风险预测值为准则,对传感器资源进行管理。
根据上述三种管理方案,对目标跟踪过程中的风险进行预测评估,其结果如图7、图8所示。
图7 传感器总风险变化
图8 传感器归一化风险对比
图7所示为传感器总风险随时间变化曲线对比图,图8所示为整个跟踪过程中累积总风险、跟踪风险、威胁风险对比图。从图中可以看出,RMA由于传感器分配的随机性,使得作战风险无法得到有效控制,因此三种风险均为最高。MMA根据一步预测效能函数对传感器资源进行分配,在一定程度上可以对风险进行控制,但是相对于整个控制时刻,一步预测的结果具有片面性,而且风险评估准确度不高,无法得到最佳的风险控制效果。本文所提算法,由于通过对一定时间的累积风险进行预测,完成对传感器的管理,使得在整个跟踪时间内的累积风险最低,每一时刻的风险也为最低。说明了本文所提算法能较好地评估跟踪风险和威胁风险,进而控制跟踪过程中的总风险,提高了无人机的跟踪性能。
本文以风险最小化为原则,提出一种自适应的传感器管理算法,所提算法改进了威胁评估策略,提出动态模糊贝叶斯网络的方法对目标的威胁风险进行评估,同时融合目标跟踪风险构建多步预测效能函数对传感器资源进行合理地分配,仿真结果表明该算法有效地降低了目标跟踪过程中无人机所面临的任务风险,提高了跟踪性能。
参考文献
王学佼. 机载平台多机动目标协同跟踪中传感器管理算法研究[D].哈尔滨工程大学,2017.
高晓光, 李飞, 万开方. 数据丢包环境下的多传感器协同跟踪策略研究[J]. 系统工程与电子技术, 2018, 40(11):63-71.
孔尚萍. 基于多源信息融合的目标航迹估计与威胁评估[D].中国航天科技集团公司第一研究院,2017.
朱建益. 空战中的威胁估计与态势评估研究[D].西安电子科技大学,2013.
庞策,单甘霖,段修生.多传感器协同识别跟踪多目标管理方法研究[J].北京航空航天大学学报:1-8[2019-05-29].
刘文博,梁敏,张欧亚,代海峰.基于贝叶斯网络的侦察威胁等级评估研究[J].火力与指挥控制,2019,44(03):72-76.
韩其松,余敏建,高阳阳,宋帅,陈双艳.云模型和距离熵的TOPSIS法空战多目标威胁评估[J].火力与指挥控制,2019,44(04):136-141.
Anton Milan, Konrad Schindler, Stefan Roth. Multi-Target Tracking by Discrete-Continuous Energy Minimization[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2016, 38(10):2054-2068.