CN109711087B - 一种uuv动态威胁态势评估方法 - Google Patents

Abstract

本发明属于UUV自主控制技术领域，具体涉及一种UUV动态威胁态势评估方法。本发明能够有效的解决UUV在水下的动态威胁态势评估问题，准确地评估当前时刻以及一段连续时间内的威胁态势，并能通过灵敏度分析得到当前各种威胁的威胁度排序。本发明不单纯使用静态贝叶斯网络或动态贝叶斯网络进行评估，而是将两者结合使用，使用了环境、平台、任务三级评估网络，便于评估方了解当前UUV系统各部分的状况，同时可以推理出各威胁的威胁方式；最后从整体出发，再使用静态网络对整个网络进行灵敏度分析，针对现场感知的环境类、平台健康类、任务类威胁给出在线定量定性的评估结果，为UUV后续的自主控制提供输入信息，决定当前最亟待解决的威胁问题。

Description

一种UUV动态威胁态势评估方法

技术领域

本发明属于UUV自主控制技术领域，具体涉及一种UUV动态威胁态势评估方法。

背景技术

目前关于无人系统的威胁态势评估的文献有很多，但是大多数是针对空中无人航行器的，具有代表性的例如文献“Johan Ivansson.Situation Assessment in aStochastic Environment using Bayesian Networks[D].Master Thesis

University,2002.”，使用了模糊贝叶斯网络来做出空中飞行器面临动态环境变化时的评估。基本思路是将不同的对象进行分类区分，按照威胁度的不同，分为非敌人和敌人，敌人也按照不同的威胁度进行区分。文献“梁洪泉.动态贝叶斯网络在战场目标态势威胁评估中的应用[D].北京邮电大学硕士论文,2007.”，利用动态贝叶斯推理方法分析战场环境下的威胁变量,通过雷达探测获得各目标的几何特性和其他参数，提取要素，建立了针对无人作战飞机的模型。同时也有针对水面无人航行器的威胁评估研究，例如文献“

J.Sobral,L.A.Ferreira Unmanned aerial vehicle safety assessment modellingthrough petri Nets.Portugal[J]；Reliability Engineering and System Safety,2017.”，基于贝叶斯网络对水面航行器进行态势风险评估，主要采用了佩特里网络，尝试对威胁分布进行定量计算，完成对各类威胁发生次数的推测。

针对水下无人航行器(UUV)的威胁态势评估方法，文献“洪卫,李长军,李卓.基于贝叶斯网络的UUV威胁评估[J].兵器装备工程学报,2009,30(3):89-91.”提出了一种根据当前UUV的威胁等级，评估威胁类型、对抗威胁能力和航行状态的方法，但这种方法对于UUV当前威胁等级的评定缺乏出处，需要人为设定，无法做到无人参与这一点，使该方法的实用性大大降低。UUV在水下呈现弱感知特性，环境复杂且仅能依靠声纳感知，海洋环境背景噪声大使得声纳感知探测存在较大的噪声干扰和探测的不确定性，且UUV在作业过程中完全无人现场指挥、完全由现场计算机自主运行实现全部任务控制，更是为其作业带来困难，所以亟需配套的威胁态势评估方法予以支持，水下环境复杂多变，威胁要素体量大，本发明采用的方法与文献“洪卫,李长军,李卓.基于贝叶斯网络的UUV威胁评估[J].兵器装备工程学报,2009,30(3):89-91.”中的方法相反，是根据UUV采集到的信息进行威胁态势评估，系统地综合威胁要素，通过动态贝叶斯推理完成定性与定量的态势感知，为UUV自主控制提供必要的感知输入信息。

发明内容

本发明的目的是提供一种用于UUV的动态威胁态势评估方法，以完成对UUV在水下执行任务时所面对的各种威胁进行评估，并能分析出当前情况下最大的威胁要素，从而便于完成后续的自主决策和事件处理。

一种UUV动态威胁态势评估方法，该方法包括以下步骤：

步骤1：对在水下工作的UUV进行威胁要素提取，经过细化、量化之后，根据专家经验加入事件的先验概率，建立静态贝叶斯网络模型；

步骤2：在静态贝叶斯网络的基础上加入时间状态转移概率，建立动态贝叶斯网络模型，并将模型分为环境级、平台级和任务级三级，实现分级评估；

步骤3：根据需要评估的实际案例提取威胁要素，并将威胁要素量化，对量化后的数据进行初步处理生成可输入网络的数据样本；

步骤4：将数据样本输入动态贝叶斯网络，经过模型的推理后，得到威胁态势评估结果和威胁方式推理结果；

步骤5：将每一时刻的数据样本输入静态贝叶斯网络中，进行灵敏度分析，得到当前时刻最大的威胁因素排序，该序列是UUV自主控制系统进行规划决策的优先级处理依据。

步骤1所述的网络模型的基础是贝叶斯公式和独立假设：

式中，P(x|y)是在y事件发生的概率下x事件发生的概率，p(xy)是x、y事件同时发生的概率；

式中，P(X₁，X₂，…，X_n)是所建立的评估模型中的所有节点的联合分布，P_a(x_i)是节点X_i的父节点的一个集合。

对于步骤1所述静态贝叶斯网络模型来说，假设这个网络有n个隐藏节点、m个观测节点，结合上述公式和假设，可以获得其推理机制为：

式中，P(x₁,x₂,…,x_n|y₁,y₂,…,y_m)在是y集合的影响下，x集合发生的概率，i的取值为1到n，j的取值为1到m；x_i表示X_i的一个取值，y_j表示观测变量Y_j的取值，p_a(x_i)、p_a(y_j)分别表示x_i，y_j的父节点的集合。

步骤2所述在静态贝叶斯网络的基础上加入时间状态转移概率，包括：将其在时间线上扩展，扩展为包括T个时间点的动态网络，那么就得到了动态贝叶斯网络的推理机制，当它的观测值只有一种组合状态时，隐藏变量的分布为：

式中，i＝1,2,…,T；j＝1,2,…,m；k＝1,2,…,n；x_ij表示X_ij的一个取值状态，第一个下标表示的是第i个时间点，第二个下标表示该时间点内的第j个隐藏节点，y_ij表示观测变量Y_ij的取值。p_a(y_ij)表示y_ij的父节点集合，如果观测值是多状态的，则：

式中，i＝1,2,…,T；j＝1,2,…m；k＝1,2,…,n；y_ijs表示第i个时间片内第j个观测节点x_ij的观测状态，p(y_ij＝y_ijs)是y_ij处于对应状态的概率，并将模型分为环境级、平台级和任务级三级，完成系统性综合评估。

本发明的有益效果在于：

本发明能够有效的解决UUV在水下的动态威胁态势评估问题，准确地评估当前时刻以及一段连续时间内的威胁态势，并能通过灵敏度分析得到当前各种威胁的威胁度排序。使用了环境、平台、任务三级评估网络，便于评估方了解当前UUV系统各部分的状况，同时可以推理出各威胁的威胁方式；最后从整体出发，对整个网络进行灵敏度分析，决定当前最亟待解决的威胁问题。

本发明的独特性在于，评估对象是UUV，这是其他研究很少涉猎的方面，一定程度上填补了UUV威胁态势评估方面的空白；创新性在于，不单纯使用静态贝叶斯网络或动态贝叶斯网络进行评估，而是将两者结合使用，使用动态网络对动态威胁的类型、威胁方式进行更合理的评估，再使用静态网络对每一时刻的威胁状态进行灵敏度分析，针对现场感知的环境类、平台健康类、任务类威胁给出在线定量定性的评估结果，为UUV后续的自主控制提供输入信息。

附图说明

图1是以任务威胁度为最终评估目标的贝叶斯网络评估模型。

图2(a)为环境级动态贝叶斯网络模型。

图2(b)为平台级动态贝叶斯网络模型。

图2(c)为任务级动态贝叶斯网络模型。

图3(a)为环境级中的水下环境威胁的分级贝叶斯网络模型定量评估结果。

图3(b)为平台级中的平台安全威胁的分级贝叶斯网络模型定量评估结果。

图3(c)为任务级中的平台工作状况威胁的分级贝叶斯网络模型定量评估结果。

图3(d)为对威胁方式的分级贝叶斯网络模型定量推理结果。

图4(a)为输入t＝9时刻的证据参数输入效果图。

图4(b)为根据颜色深浅体现出威胁程度的大小的定性分析结果图。

图4(c)为根据威胁程度的大小进行排序的定量分析结果图。

具体实施方式

下面结合附图对本发明做进一步描述。

本发明为解决上述技术问题采取的技术方案是：

一种用于UUV的动态威胁态势评估方法，结合了动态贝叶斯网络推理和静态贝叶斯网络分析；

所述UUV动态威胁态势评估方法的实现过程为：

步骤一、对在水下工作的UUV进行威胁要素提取，经过细化、量化之后，根据专家经验加入事件的先验概率，建立静态贝叶斯网络模型；

步骤二、在静态贝叶斯网络的基础上加入时间状态转移概率，建立动态贝叶斯网络模型，并将模型分为环境级、平台级和任务级三级，实现分级评估；

步骤三、根据需要评估的实际案例提取威胁要素，并将威胁要素量化，对量化后的数据进行初步处理生成可输入网络的数据样本；

步骤四、将数据样本输入动态贝叶斯网络，经过模型的推理后，得到威胁态势评估结果和威胁方式推理结果；

步骤五、将每一时刻的数据样本输入静态贝叶斯网络中，进行灵敏度分析，得到当前时刻最大的威胁因素排序，该序列是UUV自主控制系统进行规划决策的优先级处理依据。

先验概率的设定，既可以根据专家经验人为设定，也可以通过大样本数据的学习由模型自主学习设定。相比之下，通过样本学习获得的先验概率会更加客观、贴近实际。

图1是以任务威胁度为最终评估目标的贝叶斯网络评估模型；

图4(c)为定量分析，根据威胁程度的大小进行排序的结果图，图中表示的是对任务威胁度RWWXD＝danger的灵敏度分析，当前的威胁程度是0.602509，对RWWXD＝danger的威胁分析区间是[0.485376,0.960251]，图中可见当前威胁程度的排序，首先是潜艇威胁QT，往后依次是平台安全PTAQ、水中障碍物SZZAW、能源余量NYYL等。

具体实施方式如图1～4所示，本实施方式所述的是在仿真案例下，对UUV进行的威胁态势评估方法，具体过程为：

步骤一、对在水下工作的UUV进行威胁要素提取，经过细化、量化之后，根据专家经验设定事件的先验概率，建立起总的贝叶斯网络模型；网络模型的基础是贝叶斯公式和独立假设，即：

式(1)、(2)中P(x|y)是在y事件发生的概率下x事件发生的概率，p(xy)是x、y事件同时发生的概率，P(X₁,X₂,…,X_n)是所建立的评估模型中的所有节点的联合分布，P_a(x_i)是节点X_i的父节点的一个集合。

对于静态贝叶斯网络模型来说，假设这个网络有n个隐藏节点、m个观测节点，结合上述公式和假设，可以获得其推理机制为：

式(3)中P(x₁,x₂,…,x_n|y₁,y₂,…,y_m)在是y集合的影响下，x集合发生的概率，i的取值为1到n，j的取值为1到m；x_i表示X_i的一个取值，y_j表示观测变量Y_j的取值，p_a(x_i)、p_a(y_j)分别表示x_i，y_j的父节点的集合。

步骤二、在静态贝叶斯网络的基础上加入时间状态转移概率，将其在时间线上扩展，扩展为包括T个时间点的动态网络，那么就得到了动态贝叶斯网络的推理机制。当它的观测值只有一种组合状态时，隐藏变量的分布为：

式(4)中，i＝1,2,…,T；j＝1,2,…,m；k＝1,2,…,n；x_ij表示X_ij的一个取值状态。第一个下标表示的是第i个时间点，第二个下标表示该时间点内的第j个隐藏节点。y_ij表示观测变量Y_ij的取值。p_a(y_ij)表示y_ij的父节点集合。如果观测值是多状态的，则：

式(5)中，i＝1,2,…,T；j＝1,2,…m；k＝1,2,…,n；y_ijs表示第i个时间片内第j个观测节点x_ij的观测状态。p(y_ij＝y_ijs)是y_ij处于对应状态的概率。并将模型分为环境级、平台级和任务级三级，完成系统性综合评估；

步骤三、根据需要评估的实际案例提取威胁要素，并将威胁要素量化，对量化后的数据进行初步处理为可输入网络的数据样本；

步骤四、将全部的数据样本输入动态贝叶斯网络，经过模型的推理后，得到威胁态势评估结果和威胁方式推理结果；

步骤五、将数据样本分时刻输入静态贝叶斯网络中，进行灵敏度分析，得到当前时刻最大的威胁因素排序，根据分析结果，做出下一步的决策。

实施例：

针对上述具体实施方式所述的UUV动态威胁态势评估方法，给出如下实施例：

假设一艘UUV正在执行探测任务，具体任务是勘测距离控制中心0.5海里以内的海底地形，采集数据并将其传回控制中心。该UUV已连续在水下工作10小时，动力电显示剩余40％；海流情况较为微弱；密度1.025g/cm³；从t＝4时刻开始监测到光电仪天线电机偏转异常；并且在前方距离100m出现一个静止的、单独的障碍物；侧方向13km远处由被动探测声纳探测到有敌方潜艇出没，且处于缓慢移动状态。

根据上述案例，对出现的威胁要素进行处理，t＝4时刻之前假设一切处于良好的状态，在t＝4时刻后，水中障碍物距离(m)＝{50-130}；水中障碍物数量(个)＝{single}；水中障碍物方位＝{steady}；动力电电压(V)＝{lack}；光电侦察天线电机偏转角度(度)＝{lack}；敌方潜艇距离(km)＝{12-15}；潜艇数量(个)＝{1}；其余要素均处于良好状态，此时需要用到环境级、平台级、任务级综合要素对威胁进行评估，三级网络的输入证据如表1～3所示：

表1环境级输入证据参数

表2平台级输入证据参数

(续)表2平台级输入证据参数

表中Q代表潜艇；D代表敌方水雷。

表3任务级输入证据参数

将以上证据参数输入网络后，得到的评估结果如图3所示，通过网络的推测，预测前方的水中障碍物应是地形障碍，此时就会将指令传回控制中心，操控舵机，针对定深航行下的UUV，采取深度调整的方式应对地形障碍；针对定高航行下的UUV采取高度调整的方式，应对前方的地形变化。

将t＝9时刻的证据参数输入总的贝叶斯网络中，如图4(a)所示，进行灵敏度分析，结果如图4所示，图4(b)中红色节点表示当前对任务的完成存在威胁的要素，可以定性的分析当前的威胁状况，而图4(c)则定量的给出了威胁程度的排序，图中表示的是对任务威胁度(RWWXD)＝danger的灵敏度分析，当前的威胁程度是0.602509，对RWWXD＝danger的威胁分析区间是[0.485376,0.960251]，从图中可以看出当前对任务威胁度最大的是敌方潜艇(QT)，其次是水中障碍物(SZZAW)和能源余量(NYYL)；因此反馈回控制中心时，应首先处理敌方潜艇威胁的问题和躲避障碍物的问题，此时最佳方案是在监视敌方潜艇的同时，返回主机平台补充电量，由UUV任务控制模块决定下一步的应对策略。

Claims (1)

1.一种UUV动态威胁态势评估方法，其特征在于，该方法包括以下步骤：

步骤1：对在水下工作的UUV进行威胁要素提取，经过细化、量化之后，加入事件的先验概率，建立静态贝叶斯网络模型；

所述静态贝叶斯网络模型的基础是贝叶斯公式和独立假设：

式中，P(x|y)是在y事件发生的概率下x事件发生的概率；p(xy)是x、y事件同时发生的概率；

式中，P(X₁,X₂,…,X_n)是所建立的评估模型中的所有节点的联合分布；P_a(x_i)是节点X_i的父节点的一个集合；

对于静态贝叶斯网络模型来说，假设这个网络有n个隐藏节点、m个观测节点，结合上述公式和假设，获得其推理机制为：

式中，P(x₁,x₂,…,x_n|y₁,y₂,…,y_m)是在y集合的影响下，x集合发生的概率；i的取值为1到n，j的取值为1到m；x_i表示X_i的一个取值，y_j表示观测变量Y_j的取值；p_a(x_i)、p_a(y_j)分别表示x_i，y_j的父节点的集合；

步骤2：在静态贝叶斯网络的基础上加入时间状态转移概率，建立动态贝叶斯网络模型，并将模型分为环境级、平台级和任务级三级，实现分级评估；

所述在静态贝叶斯网络的基础上加入时间状态转移概率具体为：

将静态贝叶斯网络在时间线上扩展，扩展为包括T个时间点的动态网络，得到动态贝叶斯网络的推理机制，当它的观测值只有一种组合状态时，隐藏变量的分布为：

式中，i＝1,2,…,T；j＝1,2,…,m；k＝1,2,…,n；x_ij表示X_ij的一个取值状态，第一个下标表示的是第i个时间点，第二个下标表示该时间点内的第j个隐藏节点；y_ij表示观测变量Y_ij的取值；p_a(y_ij)表示y_ij的父节点集合；若观测值是多状态的，则：

式中，y_ijs表示第i个时间片内第j个观测节点x_ij的观测状态；p(y_ij＝y_ijs)是y_ij处于对应状态的概率，并将模型分为环境级、平台级和任务级三级，完成系统性综合评估；

步骤3：根据需要评估的实际案例提取威胁要素，并将威胁要素量化，对量化后的数据进行初步处理生成可输入网络的数据样本；

步骤4：将数据样本输入动态贝叶斯网络，经过模型的推理后，得到威胁态势评估结果和威胁方式推理结果；

步骤5：将每一时刻的数据样本输入静态贝叶斯网络中，进行灵敏度分析，得到当前时刻最大的威胁因素排序，该排序是UUV自主控制系统进行规划决策的优先级处理依据。

Images