CN109523011B - 一种面向多无人机协同探测的多传感器自适应管理方法 - Google Patents

Abstract

本发明涉及一种面向多无人机协同探测的多传感器自适应管理方法。该方法包括采用贝叶斯网络推理技术的目标协同识别模型；利用贝叶斯网络通过离线学习和在线学习的方式得到多传感器特征级别协同感知概率；使用感知信息熵来表征目标类别的“不确定性”；基于感知信息熵建立了目标协同识别到传感器动态管理的“感知‑学习‑决策‑行动”的探测闭环；使用感知信息熵增量作为多无人机协同探测网络的传感器资源动态调度的判断依据；采用遗传算法与粒子群算法相结合的智能优化算法提升“多无人机‑多目标”的分配效率；从多传感器多目标特征综合识别的角度出发，利用多种传感器探测的多种特征对未知目标进行识别。

Description

一种面向多无人机协同探测的多传感器自适应管理方法

技术领域

本发明属于多无人机协同探测技术领域，特别涉及一种面向多无人机协同探测的多传感器自适应管理方法。

背景技术

随着科技的迅猛发展，无人机已成为国内外的研究热点。无人机作为一种可控制并能执行多种任务的无人驾驶航空器，无论在军事还是民用都具有广泛的应用前景。未来，集群是无人机的发展趋势。

在集群信息共享的过程中，如何将感知到的目标、平台状态信息传递到其他个体，使得整个系统既能满足可用带宽限制以减小被侦测到的概率，又能满足协同控制和决策的需要，是一个非常重要的问题。在多无人机协同探测系统中，多架无人机可配备不同的传感器，通过相互协同工作，获得更大的范围、更高的精度及更强的鲁棒性。要实现态势的协同感知，需要进行协同目标探测、目标识别和融合估计、协同态势理解和共享，以获取完整、清晰、准确的信息，为决策提供支持。

现有技术方法一般都是通过融合多个传感器在同一时刻的判决结果，在决策级别进行目标的综合识别，依靠建立的优化目标函数实现传感器的自适应管理。这些技术大都在决策级别目标综合识别的基础上进行传感器优化管理，无法充分发挥多种类型传感器不同探测特征的最大效用；此外，由于战场环境的复杂性，两个传感器有可能会对同一个目标做出相反的判决，有可能会造成像基于D-S证据理论的传感器自适应调度算法的失效。

在多无人机协同探测网络中，不同种类、不同工作模式的传感器能够提供目标不同特征的描述，通过综合多个特征的信息，能够产生比系统中任何一个传感器更有效、更准确的身份估计和判决。因此，在多无人机协同探测过程中，一方面可以通过融合多种不同探测特征信息，使目标识别概率最大；另一方面，考虑目标的独特性，不同的目标特征对目标身份识别的贡献度不一样，因此在多传感器管理过程中应该选择携带合适的传感器的无人机使探测目标特征最有利于识别。

发明内容

鉴于上述问题，本发明提出以下方案，其目的在于希望通过这种协同探测的多传感器自适应管理方法，提升整个多无人机协同探测网络的识别时效性。

为了实现上述目的，本发明采取的技术方案为：1.一种面向多无人机协同探测的多传感器自适应管理方法，其特征在于，该方法包括：

步骤A：建立采用贝叶斯网络推理技术的目标协同识别模型，进行综合识别：

在某一个控制周期k，采用N部不同类型的传感器探测M个未识别目标，其探测特征向量值为X_k＝(x₁,x₂,...,x_m)，则根据贝叶斯理论对目标的判决概率p(w_i|X_k)为：

其中p(x_j|w_i)为目标探测的先验概率，p(w_i)是目标类型w_i出现的概率；

步骤B：利用贝叶斯网络通过离线学习和在线学习的方式得到多传感器特征级别协同感知概率；

步骤C：使用感知信息熵来表征目标类别的不确定性；

各传感器对目标的探测是互相独立的，在k时刻系统的感知信息熵为：

X_1:k表示第1个控制周期到第k个控制周期传感器累积的目标特征组合，p_i(w|X_1:k)是指在第k个控制周期已知目标特征组合X_1:k的前提下，对第i个目标识别的贝叶斯判决概率，

感知信息熵增量△H定义为：△H_k＝H_k(p)-H_k-1(p)，△H_k越大说明对目标的分类不确定性越大，对应的目标更需要携带对应的传感器对它做进一步识别；

步骤D：基于感知信息熵建立目标协同识别到传感器动态管理的“感知-学习-决策-行动”的探测闭环；

步骤E：使用感知信息熵增量作为多无人机协同探测网络的传感器资源动态调度的判断依据；

步骤F：采用遗传算法与粒子群算法相结合的算法来建立多无人机-多目标分配模型：

步骤G：从多传感器多目标特征综合识别的角度出发，利用多种传感器探测的多种特征对未知目标进行识别。

相比于现有的技术，本发明的优点有：

1)本发明从多传感器多目标特征综合识别的角度出发，充分利用了多种传感器探测的多种特征对未知目标进行识别；

2)提升了整个多无人机协同探测网络的识别时效性；

3)基于遗传粒子群算法的多无人机-多目标分配算法，结合了粒子群算法设计简单、收敛速度快以及遗传算法求解组合优化问题易于表达的优点；

4)采用遗传算法与粒子群算法相结合的智能优化算法提升“多无人机-多目标”的分配效率；

通过遗传粒子群算法重新优化分配传感器资源，动态生成携带特定传感器的无人机组合对未知目标进行探测感知，实现了“感知-学习-决策-行动”的探测闭环。

附图说明

图1是本发明的基于感知信息熵增量的多传感器管理流程；

具体实施方式

下面结合附图说明及具体实施方式对本发明进一步说明。

基于感知信息熵增量的多传感器管理流程图如图1所示。该流程框架包括离线学习和在线决策两部分。离线学习部分，针对协同探测网络历史探测数据，采用贝叶斯网络对探测目标进行统计分析，得到不同类型传感器对不同类型目标探测特征分布以及全特征模式下的传感器识别先验条件概率分布，作为目标识别在线决策的依据；在第k个控制周期的在线决策过程中，首先对k时刻之前的探测数据进行目标特征提取、离散化，得到已探测目标特征组合，然后对第k时刻分配的新传感器组合，结合传感器探测特征分布预测目标特征。已探测目标特征组合加上预测买不了特征组合可以得到组合的部分目标特征组合，采用贝叶斯推理结合离散学习得到的先验条件概率分布表可以计算得出未知目标的综合识别概率。在此基础上，求解当前时刻传感器网络对未知目标的预测感知信息熵，与上时刻的感知信息熵相减得到感知信息熵增量。感知信息熵增量作为探测系统的反馈输入，在信息熵增量减小的情况下，通过遗传粒子群算法重新优化分配传感器资源，动态生成携带特定传感器的无人机组合对未知目标进行感知，从而实现“感知-学习-决策-行动”的探测闭环。

1)目标协同识别模型

本发明采用贝叶斯网络推理技术实现对待识别目标进行综合识别。贝叶斯网络推理主要应用贝叶斯推理算法以及贝叶斯网络的条件概率表，对识别目标的类型进行概率计算，取概率值最大的目标类型为目标所属类型。设多无人机协同探测网络中，目标种类为W，对于探测目标可以分类到0,1,…W类别上，其中0表示信息不足未能区分目标。假设在某一个控制周期k，采用N部不同类型的传感器探测M个未识别目标，其探测特征向量值为X_k＝(x₁,x₂,...,x_m)，则根据贝叶斯理论对目标的判决概率p(w_i|X_k)为：

式中，假设各个传感器的探测是相对独立的。其中p(x_j|w_i)为目标探测的先验概率，p(w_i)是目标类型w_i出现的概率。p(x_j)测量值x_j出现的先验概率。贝叶斯准则下，目标类型判断的依据为：

2)目标特征提取及离散化

贝叶斯推理需要事先建立贝叶斯网络的条件概率表，如示例表1所示，该概率表可以通过对多无人机协同探测系统中传感器的历史探测数据离线学习得到，也可以由专家结合理论及实际工程经验给出。由于贝叶斯网络接受的数值都是离散的数值，而部分传感器提取的目标特征信息通常是连续的，因此需要将连续分布的特征数值模糊转换为离散的特征数值。例如，速度可以按照速度的大小模糊成为“快-中-慢”三个数值；红外特征可以按照目标辐射亮度的大小模糊成为“强-中-弱”三个数值。

表1贝叶斯网络的先验条件概率分布表(示例)

3)感知信息熵的计算

探测系统的目的就是与目标环境互相作用，以进一步减小目标分类的“不确定性”。这种不确定性可以通过信息熵来描述。在多无人机多目标协同探测过程中，假设各传感器对目标的探测是互相独立的，则在k时刻系统的感知信息熵为：

式中，X_1:k表示第1个控制周期到第k个控制周期传感器累积的目标特征组合。p_i(w|X_1:k)是指在第k个控制周期已知目标特征组合X_1:k的前提下，对第i个目标识别的贝叶斯判决概率。在实时探测过程中，传感器的信息在整个网络中是共享的，因此系统的信息熵是动态变化的，即第k个控制周期的信息熵不仅仅包括当前的探测组合对目标的信息熵，也同样包括之前已探测目标特征对应的信息熵。则感知信息熵增量△H定义为：

△H_k＝H_k(p)-H_k-1(p) (1-4)

若H_k(p)＝H_k-1(p)，则△H_k＝0，表示在协同探测过程中表示本次探测没有提供任何新的信息。若△H_k>0，表示本次探测提供了新的信息。△H_k越大说明对目标的分类不确定性越大，对应的目标更需要携带对应的传感器对它做进一步识别。感知信息熵增益可以作为多无人机协同探测网络的传感器资源动态调度的判断依据之一。

4)基于遗传粒子群算法的多无人机-多目标分配算法

4.1)多无人机-多目标分配模型

多无人机协同探测就是要科学、合理的分配多个无人机去识别多个目标。假设多无人机探测网络中包含N架携带不同传感器的无人机，待识别目标有M个。在探测过程中同一个目标可能由多个无人机来探测，引入伪无人机的概念(类似于伪传感器的概念，见参考文献^[1]),即对于一个目标，可能分配的无人机组合为2^N-1个。面向协同探测的无人机-目标分配模型如下式所示：

式中

表示在第k个控制周期第i个探测无人机组合对第j个目标的预测感知信息熵增量。

表示在第k个控制周期第i架无人机(包含真实无人机和伪无人机)是否能够探测到目标(若为伪传感器，则为是否每个传感器都能探测到目标)，

表示待识别目标在传感器探测范围之内；

表示在第k个控制周期是否分配第i部传感器去探测该目标，

表示分配该无人机探测目标。由于感知信息熵增益越小，不确定性就越小，上式中的负号是为了取优化函数的最大值。显然，这个一个组合爆炸的NP-hard问题。本发明将采用遗传粒子群算法求解该问题。

4.2)遗传粒子群算法

基本粒子算法：粒子群算法是一种全局优化迭代算法，它源于对鸟类捕食行为的模拟。基本粒子群算法的进化方程为：

v(t+1)＝wv(t)+a₁r₁(g_best(t)-x(t))+a₂r₂(q_best(t)-x(t)) (2-2)

x(t+1)＝x(t)+v(t+1) (2-3)

在每一次迭代中，粒子通过跟踪两个极值来更新自己：一个是粒子自身所找到的最优位置，即个体极值g_best(t)；另一个是整体所找到的最优位置，即全局极值q_best(t)，其中第i个粒子表示为一个n维向量x_i＝(x_i1,x_i2,...,x_in)，即第i个粒子的位置是x_i，每个粒子代表一个可能的解。v(t)是粒子速度，r₁,r₂是[0,1]之间的随机数，a₁,a₂为学习因子，w为惯性权重。

速度更新：式(2-2)表示的速度对于无人机传感器资源分配问题已经不适用，考虑到遗传算法在求解可求解此类组合优化问题，将遗传算法交叉、变异的思想引入粒子群算法，实现对离散化的速度公式进行更新操作。

1)交叉算子。式(2-2)中的后两项可看作是遗传算法的交叉操作，让当前解与个体极值和全局极值分别进行操作，产生的解为新的粒子速度。使用两点交叉算子，其具体操作如下：

首先将a₁r₁,a₂r₂定义为一个概率组合p_a1和p_a2，分别表示个体极值和全局极值进行交叉操作的概率。从种群中随机选择两个个体配对；然后在个体编码串中随机设置两个交叉点，根据给定的交叉概率p_a1和p_a2，将两个个体中这两个交叉点之间的编码互相交换，从而得到两个新个体。

2)变异算子。式(2-2)中的第一项可以看作是遗传算法的变异操作，实质是做异值交换，本发明采用非均匀变异算子进行变异操作，其具体操作如下：

首先将惯性权重系数w定义为一个概率组合，对应速度交换序列v(t)中第i个位置做异值交换的发生概率为p_w＝(p₁,p₂,...,p_i,...,p_n),p_i∈[0,1],i∈[1,n]，其中

t为本次迭代数，T为最大迭代次数，λ_i为决定非均匀程度的一个参数，起着调节局部搜索区域的作用。

综合上述操作之后，式(2-2)可表示为：

v(k+1)＝p_wv(k)+p_c1(g_best(k)-x(k))+p_c2(q_best(k)-x(k)) (2-4)

位置更新：式(2-3)表示的位置中，速度项就是一个交换序列，粒子迭代前后位置变化就是该交换序列作用与粒子迭代前位置的结果。故可得到第k次迭代后位置x(k+1)和迭代前位置x(k)与这个速度交换序列v(k)之间的关系，因而式(2-3)可表示为：

x(k+1)＝x(k)+(W_k1,W_k2,...,W_ki,...,W_kn) (2-5)

约束条件的处理：考虑到约束优化问题的最优解一般位于约束边界或附近，对于这类问题，让一部分可接受的不可行解与可行解按照目标函数值进行比较，以便在群体中保留一部分性能较优的不可行解粒子^[2]。本发明采用如下比较准则：

1)当两个粒子都是可行粒子时，比较它们的目标函数值，目标函数值小的个体为优；

2)当一个粒子可行而另一个粒子不可行时，以一定概率将最好的不可行解粒子加入可行解，比较它们的目标函数值，函数值小的粒子为优。

算法流程：综上所述，算法流程可以描述如下：

1)初始化粒子群，每个粒子的位置由

随机生成，速度由v_ij(0)＝v_min+rand(0,1)(v_max-v_min)随机生成；

2)将粒子的g_best设置为当前个体最优位置，q_best设置为群体中最优粒子的位置；

3)判断算法停止准则(目标函数式(2-1)或达到一个预设的最大迭代次数)是否满足，若满足则转入7)，否则转入4)；

4)对所有粒子进行交叉、变异操作，并按式(2-4)和(2-5)更新粒子的速度与位置，按照式(2-1)计算其目标函数适应值；

5)更新每个粒子的g_best；

6)更新所有粒子的最好位置，即全局极值q_best，转入3)；

7)输出q_best，算法结束。

综上，本发明中基于遗传粒子群算法的多无人机-多目标分配算法用于求解多无人机-多目标分配问题，该问题与多无人机协同任务分配问题本质上是类似的，均为复杂的多目标组合优化问题，因此也可以用于多无人机协同任务分配问题的求解。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (2)

1.一种面向多无人机协同探测的多传感器自适应管理方法，其特征在于，该方法包括：

步骤A：建立采用贝叶斯网络推理技术的目标协同识别模型，进行综合识别，其中该步骤包括：

在某一个控制周期k，采用N部不同类型的传感器探测M个未识别目标，其探测特征向量值为X_k＝(x₁,x₂,...,x_m)，则根据贝叶斯理论对目标的判决概率p(w_i|X_k)为：

其中p(x_j|w_i)为目标探测的先验概率，p(w_i)是目标类型w_i出现的概率，p(x_j)测量值x_j出现的先验概率；

步骤B：利用贝叶斯网络通过离线学习和在线学习的方式得到多传感器特征级别协同感知概率；

步骤C：使用感知信息熵来表征目标类别的不确定性，该步骤包括：

各传感器对目标的探测是互相独立的，在k时刻系统的感知信息熵为：

X_1:k表示第1个控制周期到第k个控制周期传感器累积的目标特征组合，p_i(w|X_1:k)是指在第k个控制周期已知目标特征组合X_1:k的前提下，对第i个目标识别的贝叶斯判决概率，

感知信息熵增量△H定义为：△H_k＝H_k(p)-H_k-1(p)，△H_k越大说明对目标的分类不确定性越大，对应的目标更需要携带对应的传感器对它做进一步识别；

步骤D：基于感知信息熵建立目标协同识别到传感器动态管理的“感知-学习-决策-行动”的探测闭环；

步骤E：使用感知信息熵增量作为多无人机协同探测网络的传感器资源动态调度的判断依据；

步骤F：采用遗传算法与粒子群算法相结合的算法来建立多无人机-多目标分配模型：

步骤G：从多传感器多目标特征综合识别的角度出发，利用多种传感器探测的多种特征对未知目标进行识别。

2.根据权利要求1所述的方法，其特征在于，步骤C具体为：

步骤C1：针对多无人机协同探测网络的多无人机-多目标分配模型：

面向协同探测的无人机-目标分配模型如下式所示：

多无人机探测网络中包含N架携带不同传感器的无人机，待识别目标有M个，

表示在第k个控制周期第i个探测无人机组合对第j个目标的预测感知信息熵增量；

表示在第k个控制周期第i架无人机是否能够探测到目标，

表示在第k个控制周期是否分配第i部传感器去探测该目标；J_k表示使得第k个控制周期的目标函数值f取得最大时的分配方案；

步骤C2：利用遗传粒子群算法解决多无人机-多目标分配问题；

步骤C3：利用遗传算法交叉、变异的思想，实现对离散化的速度公式进行更新操作；

步骤C4：在约束条件的处理中，采取让一部分可接受的不可行解与可行解按照目标函数值进行比较，以便在群体中保留一部分性能较优的不可行解粒子。

Images