面向作戰(zhàn)任務(wù)的傳感器網(wǎng)絡(luò)管理*

喻光輝 李啟元 段 立

(海軍工程大學(xué)電子工程學(xué)院 武漢 430033)

?

面向作戰(zhàn)任務(wù)的傳感器網(wǎng)絡(luò)管理*

喻光輝 李啟元 段 立

(海軍工程大學(xué)電子工程學(xué)院 武漢 430033)

如今,傳感資源是作戰(zhàn)任務(wù)如,邊界監(jiān)視最有價值的資源。資源-任務(wù)分配包括把傳感器、平臺等有用資源分配給任務(wù),在每次行動中來滿足任務(wù)能力需求。這在情報、監(jiān)視、任務(wù)捕獲和偵察領(lǐng)域是關(guān)鍵的。雖然有各種類型的待選資源,每種資源提供不同的能力,但是這些資源對特定的任務(wù)并非都是有用的。這就產(chǎn)生了如何分配有用的資源來滿足各自任務(wù)能力需求的問題。基于當(dāng)前的語義網(wǎng)絡(luò)技術(shù)使用一種新的混合推理方法,即基于規(guī)則和基于本體相結(jié)合的推理,來進行任務(wù)需求與資源能力匹配,在靈活的方式下必要地和高效地滿足任務(wù)需求。

傳感器; 平臺; 資源分配; 知識描述; 混合推理

Class Number TP391.9

1 引言

傳感器管理是一個跨學(xué)科的研究領(lǐng)域,它涉及到許多領(lǐng)域的技術(shù)。其中主要方法[1]有:基于濾波技術(shù)及協(xié)方差控制的方法、基于數(shù)學(xué)規(guī)劃和優(yōu)化技術(shù)的方法、基于信息論的方法、基于模糊邏輯和神經(jīng)網(wǎng)絡(luò)的方法、基于隨機集合理論的方法以及近些年出現(xiàn)多智能體與市場理論的方法、基于語義的方法。在現(xiàn)代戰(zhàn)斗機、智能機器人、無線傳感器網(wǎng)絡(luò)等設(shè)備對傳感器自動管控的迫切需求下,伴隨著傳感器數(shù)據(jù)融合技術(shù)的不斷發(fā)展,傳感器管理已成為了國際上的研究熱點和前沿課題。目前,許多團體已經(jīng)對傳感器網(wǎng)絡(luò)管理問題做了相關(guān)研究,并提出了不同的機制,可以應(yīng)用于解決相關(guān)問題,但是用于資源-任務(wù)分配問題上還存在以下一些問題: 1) 一些方法在決定如何選擇合適的資源來滿足任務(wù)能力需求方面,過多地依賴于人的參與[2]。 2) 大多數(shù)傳感器管理方法不是針對需求來對傳感器進行優(yōu)化的[3～5]。比如基于信息論方法主要是以平均信息增量最大為目的來優(yōu)化資源的分配,但是在復(fù)雜的環(huán)境中,作戰(zhàn)實體有各自的任務(wù)需求,并不是整體信息增量越大越好。 3) 一些方法嘗試智能地資源任務(wù)匹配,但是這些方法就它們的假設(shè)而言受到很大的限制。比如文獻[6]假設(shè)有無限的可用資源,然而文獻[7]假設(shè)資源屬于同一類型,即任意資源都可以提供一些效能給一個任務(wù)。這并不是一般的情況,在一些復(fù)雜的環(huán)境中,資源根據(jù)特性是多樣化的,具有不同的能力、操作條件等。僅適合于特定的任務(wù)。 4) 目前大多數(shù)方法忽略了重要的定性屬性如資源提供的能力,天氣條件等。這些屬性在決定哪些資源可用于實現(xiàn)任務(wù)的信息需求中發(fā)揮關(guān)鍵作用。此外,沒有考慮資源和任務(wù)之間重要的多對多關(guān)系,即一個任務(wù)可以幾種不同的方式完成;一種資源可以用于實現(xiàn)多個不同類型的任務(wù),就認為這些關(guān)系可以建立靈活的資源管理方式。

本文基于語義網(wǎng)絡(luò)技術(shù)使用豐富的知識模型和推理機制來解決上述問題。使用一個基于規(guī)則的系統(tǒng)來推理任務(wù)能力需求,然后討論了一個基于本體的推理框架來選擇合適的資源,可以滿足指定的能力需求,從而增加分配的靈活性。描述了圍繞這個模型已開發(fā)的工具,在分配過程中協(xié)助決策者進行任務(wù)需求和資源能力匹配。該系統(tǒng)不僅以一種靈活的方式選擇資源類型,而且也保證了推理過程的合理性。

2 基于知識的傳感器網(wǎng)絡(luò)管理框架模型

圖1描述了該系統(tǒng)的體系結(jié)構(gòu),其中包含兩個主要部分:基于規(guī)則的系統(tǒng)和SAM(Sensor Assignment to Missions)推理機。在此結(jié)構(gòu)體系中,基于規(guī)則的系統(tǒng)用于推理能力需求。SAM推理機用于選擇資源類型,高效地滿足任務(wù)的能力需求。

圖1 系統(tǒng)體系結(jié)構(gòu)圖

該體系流程簡述如下:

第一步:對知識集如,國家圖像解譯度分級標準和領(lǐng)域資源進行分類,使用本體語言如,OWL-DL。描述這些分類,創(chuàng)建一個廣泛的知識庫。

第二步:形式化解釋任務(wù),定義規(guī)則,使用這些規(guī)則進行任務(wù)能力需求推理。

第三步:使用推理機如,SAM。進行能力-需求匹配,推理出必要的和高效的資源,滿足任務(wù)能力需求。

3 基于規(guī)則的能力推理

在這樣一個環(huán)境中,任務(wù)和資源之間存在多對多的關(guān)系,應(yīng)當(dāng)考慮不同的資源能力可以滿足同一個任務(wù)需求。例如,在一個監(jiān)視任務(wù)中,可以為偵查車輛指定能力需求,而不是直接指定紅外能力。這是因為根據(jù)現(xiàn)有可用資源,還可以用雷達或者聲學(xué)能力來偵查車輛。因此,在資源-任務(wù)分配或再分配中產(chǎn)生多自由度。

提出了一個基于規(guī)則的系統(tǒng)來解決這些問題。用戶描述他們的任務(wù)需求例如偵查車輛,確定一個特定的建筑等。系統(tǒng)推理出可以滿足這些需求的資源。為了能夠?qū)崿F(xiàn)這個推理過程,任務(wù)必須被形式化描述,要與實現(xiàn)它們所需的能力相關(guān)聯(lián)。很多知識集關(guān)于實現(xiàn)相同任務(wù)所需的不同能力方面提供了足夠的信息。在接下來的部分,將討論其中的一個知識集,并展示我們是如何將任務(wù)形式化以致可以推理出不同的能力。

3.1 國家圖像解譯度分級標準(National Image Interpretability Rating Scale,NIIRS)

NIIRS[8]根據(jù)任務(wù)的類型,定義了圖像解釋水平,分析家使用給定的等級水平執(zhí)行任務(wù)。NIIRS提供了一個簡單但強有力的工具來分析和表達圖像質(zhì)量和傳感器系統(tǒng)需求。NIIRS被定義為可見、紅外、民事、雷達和多光譜圖像,包含十個等級規(guī)模(0～9),若干解釋任務(wù)或標準形成一個等級。在每個光譜內(nèi),更高NIIRS等級繼承下級的標準水平。

依照大量的可以從給定的規(guī)模中提取的信息,標準表明了一個圖像的表達力。例如,4級可見圖像能力識別單個軌道是可能的,而6級可見圖像能力識別一個車輛成為可能即,車輛的構(gòu)造/模型可以被識別。此外一個任務(wù)可以使用不同的光譜和不同的NIIRS等級實現(xiàn)。例如,偵查一個大型飛機可以分別使用2級紅外圖像能力和3級可見圖像能力完成。圖像分類標準可以大致分為偵查、區(qū)分和識別。

3.2 領(lǐng)域本體

領(lǐng)域是感興趣的目標例如,車輛、建筑、人等。例如執(zhí)行偵查大型建筑(例如,醫(yī)院、工廠的任務(wù)。在這種情況下,領(lǐng)域可被分類為建筑。執(zhí)行另一個事例任務(wù),在已知的車輛調(diào)配場連續(xù)偵查車輛。在這個例子中,車輛是領(lǐng)域。

已經(jīng)創(chuàng)建了一個領(lǐng)域本體來表示這些概念。圖2展示了領(lǐng)域分類的一個片段。使用這些概念形式化NIIRS中描述的標準,如3.3節(jié)所述。圖2描述了領(lǐng)域分類。也介紹了一個對象屬性hasFeature來描述領(lǐng)域中的可區(qū)分特征。例如,碼頭和機庫都是領(lǐng)域概念,但它們同樣也是港口的組成部分,這使得它們成為港口的特征。此外,這種分類幫助我們正式定義領(lǐng)域、區(qū)分和識別的概念:

圖2 “領(lǐng)域”的分類

1) 領(lǐng)域:如果感興趣的概念有任意子概念,那么它就是領(lǐng)域例如,WheeledVehicle。

2) 區(qū)分:如果一組概念是領(lǐng)域,那么它們也是可區(qū)分的。例如,偵查一輛吉普和一輛轎車,然后根據(jù)它們的外型來區(qū)分。

3) 識別:如果感興趣的概念沒有子概念,那么它是可識別。例如,SAAB 9-3 sedan是可識別的。

3.3 形式化描述任務(wù)

定義一個6元素元組FIT(T,W,F,C,I,V)作為一個標準,其中T表示任務(wù)的執(zhí)行類型例如偵查、區(qū)分、識別等;I是可用于執(zhí)行解釋任務(wù)的能力/情報類型如,在NIIRS中圖像光譜;W={w1,w2,…,wi}是一組使用能力/情報I可被發(fā)現(xiàn)的領(lǐng)域(如{港口,醫(yī)院});F={f1,f2,…,fj}是一組描述W的特征(例如,{碼頭、倉庫、進料臺、救護車});C代表領(lǐng)域的環(huán)境;V是一個數(shù)值,表示情報的質(zhì)量例如,在NIIRS中圖像源的等級。

使用1級可見圖像能力可以偵查一個中型港口設(shè)施和/或區(qū)分出租車道路和大型機場跑道[9]。所以,從這一標準,可以得到如果圖像中有一個港口設(shè)施,那么可以偵查到它。同樣根據(jù)1級雷達圖像能力,可以根據(jù)港口的特征即,現(xiàn)存的碼頭和倉庫,偵查一個港口設(shè)施。例如,偵查港口的任務(wù)可以被正式為FIT(detect,{Port},{},{},image(Visible),1)。在這種情況下,推理機可以使用1級可見圖像能力實現(xiàn)港口的偵查。然而,在很多情況下,可以使用港口明確的特征(例如,碼頭和倉庫)更加精確地偵查目標。因此,FIT(detect,{Port},{Pier,Warehouse},{},image(Radar),1)的陳述允許推理機使用港口一些明確的特征而偵查它。上例簡短的描述了當(dāng)推理不同的能力時,任務(wù)是如何體現(xiàn)在的形式化中來利用規(guī)則的特征和環(huán)境。

這個FIT形式也可以用于正式化其他情報領(lǐng)域知識。例如,Guo et al[9]提出基于車輛的聲波標記圖來偵查和區(qū)分車輛。因此,在結(jié)構(gòu)框架中也可以使用聲波標記圖替代NIIRS來正式化偵查和區(qū)分任務(wù)。此情況下,聲波標記能夠使偵查車輛,可以正式化陳述為FIT(detect,{Vehicle},{},{},Acoustic,5)。

通過形式化NIIRS語料庫,使用上述的表示創(chuàng)建一個廣泛的知識庫。

3.4 規(guī)則推理任務(wù)能力需求

規(guī)則使用FIT形式從創(chuàng)建的知識庫中實現(xiàn)推理。這些規(guī)則得到最小的但必要和高效的能力來實現(xiàn)一個特定的任務(wù)。例如,X表示一組需要觀察的目標。定義偵查屬于X的元素xi,使用規(guī)則如下:

detect(xj,ij,vj)←distinguish(xj,ij,vj)

(1)

distinguish(xj,ij,vj)←identify(xj,ij,vj)

(2)

detect(xj,ij,vj)←FIT(detect,w,f,c,ij,vj)

∧xj∈w

(3)

identify(xj,ij,vj)←FIT(identify,w,f,c,ij,vj)

∧xj∈w

(4)

distinguish(xj,ij,vj)←FIT(distinguish,w,f,c,ij,vj)

∧xj∈w

(5)

這些規(guī)則可以解釋為:規(guī)則1聲明如果可以使用情報ij和vj區(qū)分感興趣的目標xi,那么可以使用情報ij和情報vj的量(對應(yīng)于NIIRS中的等級)來偵查目標xi。規(guī)則2聲明如果使用ij和vj可以識別目標xj,那么可以使用ij和vj來區(qū)分目標xj。規(guī)則3、4和5表明如果可以發(fā)現(xiàn)一個相關(guān)的FIT陳述,其中xj是領(lǐng)域w中的一個成員,那么可以偵查、識別或區(qū)分目標xj。

4 能力-需求匹配

在文獻[10～11]中,基于當(dāng)前的語義網(wǎng)絡(luò)技術(shù)和語義匹配[12]提出了SAM框架來解決資源-任務(wù)匹配。該方法的核心是用一組相互關(guān)聯(lián)的本體來描述情節(jié)即,行動、作戰(zhàn)、任務(wù)。資源即,傳感器和平臺。資源的能力和任務(wù)的要求。用OWL-DL[13]來描述這些本體。

該方法啟發(fā)于行動與方法結(jié)構(gòu)框架(Missions and Means Framework,MMF)[14]。圖3描述了MMF結(jié)構(gòu)框架。MMF是由美國陸軍研究實驗室開發(fā),用來為指定的軍事行動提供方法,以評估使用不同資源來完成目標的效能。基于MMF,定義了一個架構(gòu)來推理適合目的(即,能夠滿足任務(wù)的能力需求)的資源類型。使用語義推理和匹配機制來獲得這些資源類型。

圖3 MMF框架

圖4描述了MMF本體的主要概念和關(guān)系。左邊分解一個行動為特定能力需求例如,監(jiān)視的任務(wù)集合,右邊代表資源提供的能力例如,無人機提供目標偵查。作為傳感器資源組能力的組合。任務(wù)能力需求大體分為兩個部分:情報即,情報學(xué)科的類型如圖像情報和操作要求即,任務(wù)所需的能力,如不斷監(jiān)視。

圖4 MMF本體的主要概念和關(guān)系

這個體系結(jié)構(gòu)由兩個主要組件構(gòu)成,SAM推理機和傳感器基礎(chǔ)設(shè)施和一些數(shù)據(jù)源(即ISTAR本體,傳感器目錄)。ISTAR本體表示了情報、監(jiān)視、目標捕獲和偵查方面的領(lǐng)域知識例如,情報類型。傳感器目錄包含資源的屬性即,位置、能源、當(dāng)前狀態(tài)等等。這些資源是在ISTAR本體的傳感器和平臺本體中所描述資源類型的特殊實例。資源的屬性是從傳感器基礎(chǔ)設(shè)施[15]中獲取的。

推理機檢查給定任務(wù)的能力需求,提出可行的和邏輯上滿足任務(wù)的資源類型。這些解決方案之所以在邏輯上是滿足的,歸因于OWL-DL的邏輯性質(zhì)和使用的推理機制。使用Pellet作為一個邏輯描述推理機來推理。推理機推薦的一些解決方法是資源類型的集合。這是因為一個任務(wù)可能需要多種不同資源能力。例如,為了獲取任務(wù)的目標,需要視覺和聽覺信息,但沒有單一的資源能夠同時滿足這個能力需求。SAM使用集合覆蓋算法來計算這些。一個解決方案可能包含一個以上的資源類型,將一個解決方案的集合作為一個資源包。此外,使用包含關(guān)系,推理機為特定的任務(wù)發(fā)現(xiàn)所有合理的資源類型。相信這些解決方案可用于許多有用的方法,如分析一個行動關(guān)于資源庫存的可行性,協(xié)助行動的計劃和再計劃階段等等。

5 結(jié)語

針對資源-任務(wù)分配問題的重要性,本文結(jié)合一種基于本體和基于規(guī)則的推理機制來實現(xiàn)這個問題。本文使用形式化語言描述任務(wù)。基于這種形式,通過分類知識集來創(chuàng)建知識庫。一組規(guī)則從知識庫中得出任務(wù)能力需求,文中結(jié)合了一些實例驗證了這個推理過程。盡管目前尚在探索階段,但是這個過程暗示了這方面研究是非常有前景的,在以后的工作中將實現(xiàn)細節(jié),歸納任務(wù)表示,研究其他規(guī)則,使得系統(tǒng)適應(yīng)性更強、推理過程更加高效。

[1] 羅開平,姜維,李一軍.傳感器管理述評[J].電子學(xué)報,2010,38(8):1900-1907.

[2] Van H F, Lifschitz V, Porter B. Handbook of knowledge representation[M]. Elsevier,2008:1005.

[3] Chavali P, Nehorai A. Managing multi-modal sensor networks using price theory[J]. IEEE Trans. on Signal Processing,2012,60(9):4874-4886.

[4] 黃俊,王滿玉,張坤.基于MAS的空基多傳感器資源管理方法研究[J].中北大學(xué)學(xué)報(自然科學(xué)版),2011,32(3):355-361.

[5] Aoki E H. A theoretical look at information-driven sensor management criteria[C]//Proc. of the 14th International Conference on Information Fusion,2011:1-8.

[6] Shin K, Nam H, Lee T. Communication modeling for a combat simulation in a network centric warfare environment[C]//Proceedings of the 2013 Winter Simulation Conference: Simulation: Making Decisions in a Complex World. IEEE Press,2013:1503-1514.

[7] M. P. Johnson, H. Rowaihy, D. Pizzocaroz, et al. Frugal sensor assignment[C]//Distributed Computing in Sensor Systems, 2008 4th IEEE International Conference on,2008.

[8] J. M. Irvine. National Imagery Interpretability Rating Scales(NIIRS): Overview and Methodology[C]//Proceedings of SPIE,2003:1442-1456.

[9] B. Guo, M. S. Nixon, T. R. Damarla. Acoustic information fusion for ground vehicle classification[C]//Information Fusion, 2008 11th International Conference on. IEEE,2008:1-8.

[10] M. Gomez, A. Preece, M. P. Johnson, et al. An Ontology-Centric Approach to Sensor-mission Assignment[Z]. Springer Berlin Heidelberg,2008:347-363.

[11] Kadar I. Signal Processing, Sensor Fusion, and Target Recognition XVII[C]//Society of Photo-Optical Instrumentation Engineers(SPIE) Conference Series,2008,6968.

[12] M. Paolucci, T. Kawamura, T. R. Payne, et al. Semantic matching of web services capabilities[C]//Information Fusion(FUSION), 2002 1th International Semantic Web Conference on The Semantic Web,2002:333-347.

[13] de Mel G, Vasconcelos W, Norman T. Intelligent resource selection for sensor-task assignment: a knowledge based approach[C]//Proceedings of International Conference on Advanced Topics in Artificial Intelligence(ATAI 2010). Global Science and Technology Forum,2010.

[14] J. H. Sheehan, P. H. Deitz, B. E. Bray, et al. The military missions and means framework[C]//Proceedings of the Interservice/Industry Training and Simulation and Education Conference: Simulation: Making Decisions in a Complex World. IEEE Press,2003:655-663.

[15] Lili H, Huizhen Y. Proceedings of the 2011 2nd International Congress on Computer Applications and Computational Science[M]. Springer Berlin: Heidelberg,2012:61-67.

Combat Mission Oriented Sensor Network Management

YU Guanghui LI Qiyuan DUAN Li

(College of Electronic Engineering, Naval University of Engineering, Wuhan 430033)

Today, sensing resources are the most valuable assets of critical tasks(e.g.,border monitoring). Sensor-mission assignment involves the allocation of sensor and other information-providing resources to missions in order to cover the information needs of the individual tasks in each mission. This is an important problem in the intelligence, surveillance, and reconnaissance(ISR) domain. Although, there are various types of assets available, each with different capabilities, only a subset of these assets is useful for a specific task. This is duo to the varying information needs of tasks. This gives rise to assigning useful assets to tasks such that the assets fully cover the information requirements of the individual tasks. In this paper, a hybrid reasoning approach, a combination of rule-based and ontology-based reasoning, based on current Semantic Web technologies is proposed to infer assets types that are necessary and sufficient to satisfy the requirements of tasks in a flexible manner.

sensors, platforms, resource assignment, knowledge representation, hybrid reasoning

2015年6月5日,

2015年7月28日

喻光輝,男,碩士研究生,研究方向:海戰(zhàn)場信息融合。李啟元,男,博士,副教授,研究方向:指揮信息系統(tǒng)仿真。段立,男,博士,副教授,研究方向:數(shù)據(jù)融合與智能控制。

TP391.9

10.3969/j.issn.1672-9730.2015.12.026