應(yīng)用于目標追蹤決策的水下目標意圖分析方法

李德隆 劉 陽 徐紅麗 張 瑤 李冬冬

(中國科學(xué)院沈陽自動化研究所機器人學(xué)國家重點實驗室 遼寧 沈陽 110016)

應(yīng)用于目標追蹤決策的水下目標意圖分析方法

李德隆 劉 陽 徐紅麗 張 瑤 李冬冬

(中國科學(xué)院沈陽自動化研究所機器人學(xué)國家重點實驗室 遼寧 沈陽 110016)

為了準確判斷現(xiàn)實水聲對抗環(huán)境下水下真實目標的意圖以優(yōu)選追蹤目標，提出一種基于多層黑板改進模型的水下目標意圖分析方法。其在經(jīng)典的多層黑板模型結(jié)構(gòu)和運行機制中結(jié)合了威脅量化評估，即在目標趨勢判斷的基礎(chǔ)上增加了目標狀態(tài)特征評估，增強了方法的適用性，并通過仿真驗證了該方法的有效性。該方法以水聲對抗態(tài)勢為應(yīng)用背景，綜合目標航跡信息與聲納探測信息，從海量動態(tài)信息和帶有虛假水聲對抗目標的信息中實時辨識出真實目標及其意圖，使無人系統(tǒng)具備針對水下目標意圖的在線自主預(yù)測以及優(yōu)選追蹤目標的能力。

多層黑板模型 水下目標 在線意圖分析 追蹤目標優(yōu)選

0 引 言

水下環(huán)境復(fù)雜多變，水聲干擾和聲隱身等水聲對抗技術(shù)的應(yīng)用增加了水下目標識別的難度，靜、動態(tài)的水聲對抗假目標同樣增加了水下目標識別的虛警率，故水下真實目標具有較強的隱蔽性。如何從海量動態(tài)目標信息和帶有虛假水聲對抗目標信息中實時辨識出所要追蹤的水下目標及其真正意圖，對于無人系統(tǒng)決策是非常有挑戰(zhàn)的。

目標特征趨勢判斷是分析目標意圖的重要途徑，主流的趨勢評估方法——黑板模型是一種多專家協(xié)作、快速匹配的決策系統(tǒng)[1-9]。該系統(tǒng)是將目標的離散特征趨勢化，通過與先驗性知識源的比對[10]，逐層抽象綜合[11]，確定目標意圖[12-13]。近年來，有學(xué)者對追蹤目標優(yōu)選的方法進行了探討[14-15]，并闡述了水下目標意圖預(yù)測的基本流程，但對于水聲對抗背景下水下目標特征的篩選和提取，結(jié)合水下目標獨有特征針對水下目標意圖預(yù)測的研究還是空白。本文首次將經(jīng)典的多層黑板模型應(yīng)用于水下目標趨勢分析，提出了適用于水下目標意圖在線分析的多層黑板模型，將多層黑板簡化為三層結(jié)構(gòu)，改進了控制機構(gòu)的執(zhí)行調(diào)度策略。針對水聲對抗背景下目標追蹤決策的應(yīng)用選取水下目標特征并評估目標威脅程度，綜合高層黑板模型的意圖預(yù)測結(jié)果形成了改進性的目標意圖預(yù)測方法。仿真驗證了無人系統(tǒng)針對水下目標意圖的在線自主預(yù)測以及目標追蹤決策的可行性。

1 水下目標意圖分析方法

1.1 基于多層黑板模型的水下目標特征趨勢分析

水下目標特征趨勢分析的基礎(chǔ)是多層黑板模型，其中由多層黑板和先驗知識源組成。控制機構(gòu)負責(zé)調(diào)度多層黑板與知識源，每層黑板存儲對應(yīng)層的意圖分析流程數(shù)據(jù)和意圖預(yù)測結(jié)果，低層意圖預(yù)測結(jié)果作為輸入。與本層黑板的先驗性知識源對比，得到知識源的權(quán)威性解釋后，將解釋結(jié)果輸入給匹配鏈表，匹配鏈表判斷節(jié)點是否存在并建立相應(yīng)節(jié)點。根據(jù)節(jié)點的歷史信息累加節(jié)點值或者重置節(jié)點值為1，再判斷節(jié)點累加值是否達到累計閾值，若達到則更新本層黑板預(yù)測結(jié)果。以此逐層向上完成目標傳感信息的融合與意圖抽象。

如圖1所示，將水下目標態(tài)勢自下而上分為三層，依次為：設(shè)備信息層、信息綜合層、平臺功能層。在每層中按照如圖2所示的執(zhí)行調(diào)度流程，進行預(yù)測結(jié)果更新，逐層向上抽象綜合態(tài)勢。

圖1 水下目標特征趨勢分析模型

圖2 控制機構(gòu)執(zhí)行調(diào)度圖

1) 設(shè)備信息層

設(shè)備信息層是模型的最底層，其中將最基本的傳感器設(shè)備信息，即目標運動信息、目標聲學(xué)特性信息等，通過該層具有先驗知識的趨勢閾值源，進行離散量的趨勢轉(zhuǎn)換，得到各個狀態(tài)的變化趨勢。其完成了最基本傳感器設(shè)備信息的采集與趨勢分析，描述了水下場景中的原始目標狀態(tài)。

2) 信息綜合層

信息綜合層是模型的中層，以設(shè)備信息層的原始目標趨勢狀態(tài)結(jié)果為輸入，通過該層具有先驗物理意義說明的狀態(tài)源，進行趨勢意義解釋。解釋結(jié)果包括加速、減速、勻速、順時針旋轉(zhuǎn)、逆時針旋轉(zhuǎn)、不旋轉(zhuǎn)，遠離、逼近、靜止、活躍、不活躍、保持活躍度等。該層初步實現(xiàn)了目標意圖的抽象。

3) 平臺功能層

平臺功能層是模型的最高層，以目標初步意圖抽象結(jié)果為輸入，通過該層具有先驗?zāi)繕私巧枋龅奶卣髟矗M行目標角色的預(yù)測。該層將同一目標的運動趨勢和聲學(xué)特征變化趨勢意圖結(jié)果結(jié)合，共同分析該目標的戰(zhàn)術(shù)意圖，其描述了水下目標種類和目標執(zhí)行的具體任務(wù)，包括目標的逃離、攻擊和偵查等，完成了目標意圖的辨識。

1.2 基于威脅度評估的追蹤目標優(yōu)選

經(jīng)過上述水下目標特征趨勢分析，確定出符合先驗反應(yīng)趨勢的多個疑似目標。為了最終決策出要追蹤的目標，需融入目標威脅度的評估，在水下目標意圖結(jié)果的基礎(chǔ)上疊加量化的威脅度，綜合判斷和優(yōu)選追蹤目標。

目標威脅度的評估是通過目標威脅特征因素的量化及綜合評估模型，得到要分辨目標的綜合威脅量化結(jié)果，對這些結(jié)果進行比較，得到威脅度最高的目標，即追蹤目標。建立目標威脅特征因素量化模型如下：

1) 相對強度

相對強度是判斷目標聲學(xué)特性的基礎(chǔ)特征量，能夠反映目標的綜合信息，相對強度越高威脅度越高。故相對強度的量化模型：

(1)

式中，c1表示目標歸一化相對強度，TS表示無人系統(tǒng)得到的相對強度。

2) 航行速度

航行速度反映了目標運動特征的基本狀態(tài)，是區(qū)分水下目標種類的重要參考因素，航行速度越高目標威脅度越高。航行速度的量化模型：

(2)

3) 多普勒速度

多普勒速度體現(xiàn)了目標的聲學(xué)特性，反映了目標與無人系統(tǒng)的相對運動狀態(tài)，是區(qū)分真假目標的重要參考因素，多普勒速度越低，目標威脅程度越高。多普勒速度的量化模型：

(3)

4) 多普勒速度匹配度

多普勒速度匹配度同樣體現(xiàn)了目標的聲學(xué)特性，是區(qū)分水下目標種類的重要參考因素，反映了目標運動學(xué)參數(shù)估計多普勒速度與目標檢測多普勒速度的匹配程度。兩者速度差值越小，匹配程度越高，目標威脅程度越高，兩種方法計算出的多普勒速度誤差服從高斯分布，故多普勒速度匹配度的量化模型：

c4=e-dΔv2

(4)

式中，c4表示歸一化的多普勒速度匹配度，d為系數(shù)，Δv為兩種方法計算出的多普勒速度差值。

5) 距離

距離反映了目標運動特征的基本狀態(tài)，是預(yù)測目標運動趨勢的重要參考因素，距離越小目標威脅程度越高。距離的量化模型：

(5)

(6)

根據(jù)各個威脅因素的重要程度，引入加權(quán)因子來平衡對綜合威脅程度的影響，即得到了綜合威脅量化評估模型：

(7)

2 仿真分析

建立典型的水聲對抗場景如圖3所示，設(shè)定6個水下目標，“·”表示前一個探測周期目標位置，“*”表示當前時刻目標位置，箭頭為目標的運動趨勢。其中1號目標為正在快速規(guī)避的可攜帶多種水聲對抗設(shè)備的真實目標，2號和3號目標為動態(tài)變向干擾的聲誘餌假目標， 4號目標為靜態(tài)干擾的聲誘餌假目標， 5號目標和6號目標為聲納設(shè)備虛警目標。

圖3 水下目標運動態(tài)勢圖

利用本文提出的方法開展決策，前一個預(yù)測周期目標特征信息如表1所示，當前時刻目標特征信息如表2所示。為方便分析，將匹配鏈表中節(jié)點累計閾值設(shè)定為1。

表1 前一個預(yù)測周期目標特征信息

表2 當前時刻目標特征信息

設(shè)備信息層知識源閾值見表3，知識源閾值的設(shè)定結(jié)合了水下目標的實際運動情況與聲學(xué)特征情況，參考了一個預(yù)測周期內(nèi)各特征參數(shù)變化趨勢的典型值。

表3 設(shè)備信息層知識源閾值

設(shè)備信息層意圖預(yù)測結(jié)果見表4。表中數(shù)據(jù)由當前時刻與前一個預(yù)測周期目標特征信息的差值與閾值逐項比較得到，表中的數(shù)值1、-1、0分別代表了特征參數(shù)變大、變小和不變，反應(yīng)了特征參數(shù)變化的趨勢。

表4 設(shè)備信息層意圖預(yù)測結(jié)果

根據(jù)設(shè)備信息層抽象結(jié)果，對照信息綜合層物理意義信息源，得到信息綜合層抽象結(jié)果，見表5。

表5 信息綜合層意圖預(yù)測結(jié)果

根據(jù)信息綜合層結(jié)果反映出的趨勢特征，對照先驗?zāi)繕私巧卣髟矗玫匠醪降哪繕艘鈭D結(jié)果，見表6。

表6 平臺功能層意圖預(yù)測結(jié)果

從結(jié)果中，可以分辨出多個疑似目標。計算各目標威脅特征量化及綜合評估結(jié)果，見表7。

表7 各目標特征量化及綜合評估結(jié)果

綜合目標意圖和威脅度分析，見表8，結(jié)果表明1號目標為最佳追蹤目標，與仿真設(shè)定相符合，決策建議追蹤1號目標。

表8 目標意圖和威脅綜合結(jié)果

從仿真試驗過程和結(jié)果可以看出，與傳統(tǒng)的多層黑板模型相比，本文黑板模型每層的黑板內(nèi)容簡潔且明確，三層黑板足夠完成水下目標意圖的抽象。改進的控制調(diào)度機制使得本方法特別適用于無人系統(tǒng)的在線目標意圖預(yù)測，選取的目標特征能夠反映出目標的趨勢特征，方法能夠從靜、動態(tài)的水聲對抗假目標中提取出真實目標，目標意圖預(yù)測結(jié)果與威脅度分析結(jié)果綜合能夠得到準確的目標決策信息。

3 結(jié) 語

將多層黑板模型應(yīng)用在水下目標意圖分析，將水下目標意圖分析的實時動態(tài)問題分解為基于態(tài)勢意圖分層的多個子黑板的動態(tài)狀態(tài)更新。將先驗性知識源加入到動態(tài)問題的匹配決策系統(tǒng)中，提取出符合先驗知識的疑似目標，結(jié)合量化威脅方法，最終決策出要追蹤的真實目標，通過仿真算例證明了該方法的可行性。該方法適用于無人系統(tǒng)針對多特征目標共存環(huán)境的戰(zhàn)術(shù)決策。

[1] Gupta R,Singh A K.A Concept for Co-existence of Heterogeneous Recommender Systems Based on Blackboard Architecture[C]//International Conference on Distributed Computing and Internet Technology.Springer International Publishing,2015:409-414.

[2] Fernández-de-Alba J M,Fuentes-Fernández R,Pavón J.Architecture for management and fusion of context information[J].Information Fusion,2015,21(1):100-113.

[3] Han X,Mandal S,Pattipati K R,et al.An optimization-based distributed planning algorithm:A blackboard-based collaborative framework[J].IEEE Transactions on Systems,Man,and Cybernetics:Systems,2014,44(6):673-686.

[4] Straub J,Reza H.The use of the blackboard architecture for a decision making system for the control of craft with various actuator and movement capabilities[C]//Information Technology:New Generations (ITNG),2014 11th International Conference on.IEEE,2014:514-519.

[5] Shay J S,Tsai M P,Shieh P I.A blackboard-based architecture for modular product design[C]//Applied Mechanics and Materials.Trans Tech Publications,2014,472:1084-1087.

[6] Sun Y Y.Realization on Multi-Agent Intelligent Decision Support System Based on Blackboard[J].Applied Mechanics & Materials,2012,271-272(21):1608-1613.

[7] Shin M,Kang T,Kim S.Detection and Notification of Failures in Distributed Component-Based Robot Applications Using Blackboard Architecture[M] .Distributed Autonomous Robotic Systems.Springer Japan,2016:433-446.

[8] Straub J,Reza H.A Blackboard-style decision-making system for multi-tier craft control and its evaluation[J].Journal of Experimental & Theoretical Artificial Intelligence,2015,27(6):763-777.

[9] Straub J.Using a blackboard architecture or expert system to identify obfuscated targets from symptoms[C]//SPIE Defense+ Security.International Society for Optics and Photonics,2015:945408-945408-11.

[10] Shroff G,Sharma S,Agarwal P,et al.A blackboard architecture for data-intensive information fusion using locality-sensitive hashing[C]//Information Fusion (FUSION),2011 Proceedings of the 14th International Conference on.IEEE,2011:1-8.

[11] Zhang Yaozhong,Zhang Lei,Du Zhiqiang.Distributed blackboard decision-making framework for collaborative planning based on nested genetic algorithm[J].Journal of Systems Engineering and Electronics,2015,26(6):1236-1243.

[12] 侯小軍,陳忱,王曉帆.基于事件驅(qū)動與分級多層黑板模型的態(tài)勢評估方法[J].軟件工程,2016,19(4):5-7.

[13] 王楊.戰(zhàn)場態(tài)勢目標識別與態(tài)勢意圖預(yù)測的算法研究[D].江南大學(xué),2015.

[14] 楊向鋒,楊云川,張奎,等.魚雷多目標威脅評估建模與仿真[J].魚雷技術(shù),2014(5):337-340.

[15] 王艷艷,劉開周,封錫盛.AUV純方位目標跟蹤軌跡優(yōu)化方法[J].機器人,2014,36(2):179-184.

UNDERWATERTARGETINTENTANALYSISMETHODAPPLIEDTOTARGETTRACKINGDECISION

Li Delong Liu Yang Xu Hongli Zhang Yao Li Dongdong

(StateKeyLaboratoryofRobotics,ShenyangInstituteofAutomationChineseAcademyofSciences,Shenyang110016,Liaoning,China)

In order to accurately determine the intention of underwater targets with realistic acoustic warfare to optimize track targets, we present an underwater target intent analysis method based on improved multi-layer blackboard model. We combined the threat quantification evaluation with the classical multi-layer blackboard model structure and operation mechanism. Based on the judgment of target trend, we increased the target state feature evaluation, enhanced the applicability of the method, and verified the effectiveness of the method by simulation. This method realized the real target and its intention in real time from the massive dynamic information and the information with the false water acoustic warfare goal by combining the target track information and the sonar detection information with the background of the underwater acoustic warfare. And it enables unmanned systems to have the ability to track online self-predicted and optimize track targets for underwater targets.

Multi-layer blackboard model Underwater target Online intent analysis Tracking target optimization

TP18

A

10.3969/j.issn.1000-386x.2017.09.038

2016-10-28。李德隆，副研究員，主研領(lǐng)域：海洋機器人(包括自主水下機器人、水面機器人、混合型海洋機器人)控制系統(tǒng)。劉陽，助理研究員。徐紅麗，副研究員。張瑤，副研究員。李冬冬，博士生。