CN111462323A - 一种面向三维空间的动态欺骗路径规划方法及系统 - Google Patents

一种面向三维空间的动态欺骗路径规划方法及系统 Download PDF

Info

Publication number
CN111462323A
CN111462323A CN202010370258.6A CN202010370258A CN111462323A CN 111462323 A CN111462323 A CN 111462323A CN 202010370258 A CN202010370258 A CN 202010370258A CN 111462323 A CN111462323 A CN 111462323A
Authority
CN
China
Prior art keywords
path
point
deception
obstacle
planning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010370258.6A
Other languages
English (en)
Other versions
CN111462323B (zh
Inventor
鞠儒生
蔡子民
谢旭
秦龙
彭勇
焦鹏
杨妹
王鹏
曾云秀
曾俊杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National University of Defense Technology
Original Assignee
National University of Defense Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by National University of Defense Technology filed Critical National University of Defense Technology
Priority to CN202010370258.6A priority Critical patent/CN111462323B/zh
Publication of CN111462323A publication Critical patent/CN111462323A/zh
Application granted granted Critical
Publication of CN111462323B publication Critical patent/CN111462323B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Business, Economics & Management (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Computer Graphics (AREA)
  • Game Theory and Decision Science (AREA)
  • Automation & Control Theory (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开一种面向三维空间的动态欺骗路径规划方法及系统，该方法包括：根据起点、目标点及目标集信息，生成在静态环境下行为路径；按照行为路径机动探测障碍点；在障碍点固定时，根据障碍点位置与行为路径中当前所在节点之后的节点位置关系在冲突位置重新规划路径；在障碍点移动时，根据障碍点所在位置以及障碍点移动速度对下一时刻可能出现的位置分别进行冲突判断，在任一可能出现的位置存在冲突时对行为路径进行修改；重复障碍判断和冲突步骤直到达到目标点，结合静态规划结果与动态实时数据，获得规划路径。解决现有技术中动态下仿真不准确等问题，实现在动态环境中及时调整路线，规避移动障碍，在保证欺骗效果的同时准确完成机动任务。

Description

一种面向三维空间的动态欺骗路径规划方法及系统
技术领域
本发明涉及作战仿真技术领域，具体是一种面向三维空间的动态欺骗路径规划方法及系统。
背景技术
欺骗路径规划是作战仿真中的重要内容，具体见 “黄柯棣,邱晓刚,查亚兵等.建模与仿真技术[M]. 长沙: 国防科技大学出版社, 2010: 1-2.”。
常见的路径规划主要是基于先验知识的全局路径规划，即在整个地图环境已知的情况下根据起点和终点选择路径代价最小的路线。但是，在作战仿真中，这种路径规划方法是不能满足需求的。在战场强对抗的环境下，进攻方往往并不会完整直接地将进攻意图暴露在防守方面前，而会采取一些方法和手段来隐藏自身真实的进攻目标，干扰防守方的意图识别，从而影响敌方的判断，最终更有效率地达成作战目的。这就是作战仿真中研究的欺骗路径规划问题(Deceptive Path Planning, DPP)，具体见“Barton Whaley. Toward ageneral theory of deception. The Journal of Strategic Studies, 5(1):178–192,1982.”。
目前，欺骗路径规划主要应用于二维空间下的静态环境中，即在全局信息已知的背景下根据起点和目标的位置找到一条具有隐藏意图效果的欺骗路线。但是，现有的欺骗路径规划还存在以下两点不足：
(1)在真实战场中，完全掌握地图信息是很难实现的，同时环境中的要素是实时变化的，目标位置也可能会变化，因此，对于欺骗路径规划，必须要考虑如何在动态的环境中根据采集到的信息及时调整路线，规避移动障碍，在保证欺骗效果的同时准确完成机动任务。
(2)当前的规划域局限于二维空间，缺乏对真实战场中地形因素的考虑。在战场中，地貌、水系和植被等因素对于作战机动路线的选取有很大的影响，即使在高技术战争条件下，这些因素带来的影响也是不可避免的，具体见“张真.越野机动的通道分析模型研究[D]. 河南:解放军信息工程大学, 2006.”。因此，为了贴近真实战场，在进行欺骗路径规划时，必须要考虑环境中的地形因素。
针对上述问题，本文首先提出了一种分阶段的规划方法，将静态规划与动态数据相结合，使进攻方能够在机动过程中根据动态数据实时调整在静态环境中规划出的路线，保证在动态环境中找到一条具有欺骗效果且能完成机动任务的路线；然后，将欺骗路径的规划域从二维扩展到三维，重点考虑战场中地形坡度对路径规划造成的影响，将坡度因子与现有欺骗路径规划模型结合，构造基于地形坡度的欺骗路径规划模型。综合这两点改进，本文希望能够在三维空间下的动态环境中找到一条满足作战要求的欺骗路径。
发明内容
本发明提供一种面向三维空间的动态欺骗路径规划方法及系统，用于克服现有技术中动态环境中欺骗效果不佳及难于准确完成机动任务等缺陷，实现在动态环境中根据采集到的信息(主要指周围探测环境中是否存在障碍物)及时调整路线，规避移动障碍，在保证欺骗效果的同时准确完成机动任务。
为实现上述目的，本发明提供一种面向三维空间的动态欺骗路径规划方法，包括以下步骤：
步骤1，根据起点、目标点及目标集信息，生成在静态环境下无碰撞且带有欺骗效果的行为路径；
步骤2，按照所述行为路径机动并探测障碍点信息；
步骤3，在障碍点为固定障碍时，根据障碍点位置与行为路径中当前所在节点之后的节点位置关系进行冲突判断，存在冲突时在冲突位置重新规划路径；
在障碍点为移动障碍时，根据障碍点所在位置以及障碍点移动速度对下一时刻可能出现的位置分别进行冲突判断，在任一可能出现的位置存在冲突时对行为路径进行修改；
步骤4，重复步骤2、步骤3，直到达到目标点，结合静态环境下步骤1中静态环境下无碰撞且带有欺骗效果的行为路径中的规划结果与动态环境下的实时数据，获得规划路径。
为实现上述目的，本发明还提供一种面向三维空间的动态欺骗路径规划系统，包括存储器和处理器，所述存储器存储有面向三维空间的动态欺骗路径规划程序，所述处理器在运行所述面向三维空间的动态欺骗路径规划程序时执行上述方法的步骤。
本发明提供的面向三维空间的动态欺骗路径规划方法及系统，针对传统欺骗路径规划存在的几点不足，本发明提出了一种分阶段的规划方法，将静态规划与动态数据相结合，使进攻方能够在机动过程中根据动态数据实时调整在静态环境中规划出的路线，保证在动态环境中找到一条具有欺骗效果且能完成机动任务的路线；此外，本方案还可以进一步将欺骗路径的规划域从二维扩展到三维，重点考虑战场中地形坡度对路径规划造成的影响，将坡度因子与现有欺骗路径规划模型结合，构造基于地形坡度的欺骗路径规划模型，以补充对真实战场中地形因素的考虑，模拟在真实战场中，基于地貌、水系和植被等因素对于作战机动路线的选取影响，提高仿真的适用性和准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。
图1为发明实施例提出的面向三维空间的动态欺骗路径规划方法中欺骗路径案例场景一的示意图；
图2为图1的进攻意图校验图；
图3为欺骗路径案例场景二的示意图；
图4为图3的进攻意图校验图；
图5为坡度计算中3*3网格图的坡度值示意图；3*3为无量纲，对应实际地图中单位是米或者千米实验结果均不受影响；
图6为二维空间下面向静态环境仿真实验中8*8地图信息示意图；8*8为无量纲；
图7为根据二维空间下面向静态环境的欺骗路径规划模型对图6进行寻优的实验结果；
图8为图7的进攻意图校验图；
图9为二维空间下面向动态环境仿真实验中8*8地图信息示意图；8*8为无量纲；
图10为根据二维空间下面向静态环境的欺骗路径规划模型对图9进行寻优的实验结果；
图11为根据二维空间下面向动态环境的欺骗路径规划模型对图10的动态调整结果图；
图12为三维地形图；
图13为图12进行双线性插值的优化效果图；
图14为基于图13进行仿真实验的地图信息示意图；
图15为根据三维空间下面向静态环境的欺骗路径规划模型对图14进行寻优的实验结果；
图16为根据三维空间下面向动态环境的欺骗路径规划模型对图15的动态调整结果图；
图17为静态环境下冲突判断过程中原始规划的路径；
图18为静态环境下冲突判断过程中障碍物示意图；
图19为静态环境下冲突判断过程中针对图18障碍物对图17所示的原始路径进行修改后的路径；
图20为动态环境下冲突判断过程中原始规划的路径；
图21为动态环境下冲突判断过程中障碍物示意图；
图22为动态环境下冲突判断过程中图21所示障碍物可能到达的位置示意图；
图23为动态环境下冲突判断过程中针对图22障碍物可能到达的位置对图20所示的原始路径进行修改后的路径。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明，本发明实施例中所有方向性指示（诸如上、下、左、右、前、后……）仅用于解释在某一特定姿态（如附图所示）下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。
另外，在本发明中如涉及“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本发明中，除非另有明确的规定和限定，术语“连接”、“固定”等应做广义理解，例如，“固定”可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接，还可以是物理连接或无线通信连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
另外，本发明各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
实施例一
如附图1-16所示，本发明实施例提供一种面向三维空间的动态欺骗路径规划方法，包括以下步骤：
步骤1，根据起点、目标点及目标集信息，通过公知的寻路算法生成在静态环境下无碰撞且带有欺骗效果的行为路径；这里公知的算法例如通过A*算法、蚁群算法等寻路算法。
1.1下面通过具体案例场景对欺骗路径规划模型进行说明：
考虑图1所示的案例场景信息，进攻方从起点坐标(4，1)位置出发，向两个可能目标1坐标为(1,7)和目标2坐标为(7,7)机动并进攻。假设进攻方的真实目标为目标1，路径1和路径2为进攻方可能选择的两条进攻路线。从图1中看出，两条路径都能够帮助进攻方完成从起点到目标点的机动任务。现在通过基于代价的路径识别方法分别对两条路径进行意图检验，结果如图2所示：图2中纵轴表示的是进攻方的真实目标为目标1的可能性。从图2中看出，路径1在初始阶段就暴露了真实的进攻意图，防守方能够在目标1位置提前做好防御部署；如果进攻方选择路径2，在
Figure 390511DEST_PATH_IMAGE001
之前，意图识别器认为进攻方选择目标1的可能性小于0.5，表明在这一阶段，进攻方很好地隐藏了自身的进攻意图，干扰了防守方的判断。直到后进攻方的真实进攻目标才显露出来。
综上所述，虽然两条路径都能够完成机动任务，但是有很大的不同。在路径长度方面，路径1具有明显的优势，而在隐藏进攻意图方面，路径2更加符合作战要求。这种进攻方通过选择目标信息模糊的路径达到隐藏真实目标的方法，就是欺骗路径规划要研究的内容。当然，在欺骗路径规划问题中，也必须要考虑路径的长度问题，不能只考虑欺骗效果，要合理统筹各个要素。欺骗路径规划在现实对抗场景中有着广泛的应用，在作战仿真中是一个重要的研究内容。
1.2 欺骗路径规划的形式化描述：
静态环境下行为路径的基本路径规划问题是一个三元组：
Figure 716450DEST_PATH_IMAGE002
（1）
其中
Figure 4212DEST_PATH_IMAGE003
是路径规划域，
Figure 124614DEST_PATH_IMAGE004
是节点集合,
Figure 763406DEST_PATH_IMAGE005
是边的集合,
Figure 627457DEST_PATH_IMAGE006
是各边的代价，
Figure 504146DEST_PATH_IMAGE007
是起点位置，
Figure 185663DEST_PATH_IMAGE008
是终点坐标。具体见“Stentz A. Optimal and efficient pathplanning for partially-known environments[C]// IEEE International Conferenceon Robotics & Automation. 2002.”。
相比于基本路径规划问题，欺骗路径规划还需要考虑以下几个因素：
（1）地图中的其他目标。在欺骗路径规划中，必定存在两个或两个以上的可选择目标（包括真实目标和虚假目标）。为了让规划的路径具有一定的欺骗效果，进攻方需要合理利用除真实目标外的其余目标的位置信息。一方面，可以在初始阶段让自己的轨迹偏向虚假目标，然后在某个点突然改变方向；另一方面，也可以选择一些距离真实目标和虚假目标长度相差不大的节点，让防守方不知道自己的真正选择。
（2）节点的目标概率。在已知起点位置、真实目标位置和虚假目标位置的情况下，地图中每个节点对应的不同目标点的目标概率可以通过基于模型的概率识别算法离线计算得到。在进行欺骗路径规划时，计算地图中每个节点对应的目标概率是一个关键步骤。
（3）节点的欺骗效果。在一般的路径规划中，路径长度通常是选择路径的标准。但是在欺骗路径规划中，不仅需要考虑路径长度，还需要考虑待选择节点的欺骗效果。如果设置一个效用值可以反映各个节点的欺骗效果，那么就可以很容易地根据节点的距离与欺骗效果来寻找到一条满足任务要求的欺骗路径。
在基本路径规划形式化表示的基础上，结合地图中的其他目标、节点的目标概率和欺骗效果三个因素，可以得到欺骗路径规划的形式化表示：
Figure 187117DEST_PATH_IMAGE009
（2）
其中
Figure 854859DEST_PATH_IMAGE010
是基本路径规划问题，
Figure 851634DEST_PATH_IMAGE011
是可能的目标集合，
Figure 438473DEST_PATH_IMAGE012
代表地图中每个点对应不同目标的概率分布，
Figure 661644DEST_PATH_IMAGE013
是融合了欺骗效果的代价函数。具体见“曾云秀. 基于非合作博弈与学习理论的CGF对抗意图识别建模方法与应用研究[D].湖南：国防科技大学，2018”。
总的来说，欺骗路径规划问题与基本路径规划的不同之处在于欺骗路径规划的路径代价指标不同。在一般路径规划中，最佳方案是总路线长度最短的路径，而欺骗路径规划中的最优路径则是加入了欺骗效用权重的代价最优的路径。
1.3 欺骗策略及定量化分析：
对于欺骗路径规划，选择合适的欺骗策略是首先要考虑的问题。考虑图3中的案例场景：
与图1不同的是，在图3中新增了路径3。路径3同样能够帮助进攻方完成从起点到目标点的机动任务，图4为路径识别方法的检验结果，自上而下分别为路径1、路径3、路径2，从图中看出，路径2和路径3都具有欺骗效果，但是又存在一定的区别：路径2希望将防守方的注意力引向假目标处，而路径3更倾向于选择不暴露目标信息的节点来迷惑防守方，从而达到欺骗的目的。
Barton Whale在“Miquel Ramirez and Hector Geffner. Plan recognition asplanning. In Proc. of IJCAI, pages 1778–1783, 2009.”对不同的欺骗策略进行了定义和分类，主要包括：“示伪”(Simulation)和“藏真”(Dissimulation)两种类型。示伪策略是指在路径规划的过程中，将防守方的注意力引向假目标；藏真策略是指在路径规划的阶段更多地选择信息模糊的节点，迷惑防守方的识别过程。
给出欺骗策略的定义和分类后，需要进一步考虑对两种欺骗策略进行定量化分析。在欺骗路径规划的问题描述中提到，欺骗路径规划与基本路径规划的不同之处在于欺骗路径规划需要考虑节点的欺骗效果，如果能够找到一个反映节点欺骗效果的欺骗效用值，那么就能对基本路径规划中的代价函数进行更新，从而根据具体的寻路算法找到一条具有欺骗效果的可行路径。
“孟岩斌. 装甲兵沿道路机动线路选择问题研究[D]. 河南:解放军信息工程大学, 2011.”中提出了一种欺骗效用值的计算方法。文章首先计算了节点代价差异值（costdifferent），Miquel Ramirez等人将节点的目标概率与节点的欺骗效果关联，给出了一种计算节点目标概率的方法：
（1）计算节点的代差值。该值定义为当前位置到目标的最短路径长度，与起点到目标点的最短路径长度的差值：
Figure 726552DEST_PATH_IMAGE014
（3）
其中，
Figure 718779DEST_PATH_IMAGE015
代表当起始点为
Figure 742098DEST_PATH_IMAGE016
，目标点为
Figure 186986DEST_PATH_IMAGE017
时，节点
Figure 321164DEST_PATH_IMAGE018
的代价差异值，
Figure 433477DEST_PATH_IMAGE019
、
Figure 362118DEST_PATH_IMAGE020
分别代表节点
Figure 559882DEST_PATH_IMAGE021
、起始点
Figure 966592DEST_PATH_IMAGE022
到目标点
Figure 58045DEST_PATH_IMAGE023
的最短路径长度。
（2）计算节点对应的目标概率。当同一节点对应不同进攻目标时，代价差异值会有差别。通过比较代价差异值，可以得到一个符合直觉的目标概率分布：即代价差异越小的目标是真实进攻目标的概率越高。在此基础上，可以将各个节点对应的目标概率分布
Figure 32954DEST_PATH_IMAGE024
定义如下：
Figure 842647DEST_PATH_IMAGE025
（4）
式中，
Figure 928415DEST_PATH_IMAGE026
和
Figure 874374DEST_PATH_IMAGE027
为系数。
（3）欺骗效用值计算。在得到地图中不同节点的目标概率之后，可以对节点的欺骗效果进行定量化描述：
Figure 285764DEST_PATH_IMAGE028
（5）
式中，
Figure 317174DEST_PATH_IMAGE029
表示节点
Figure 206632DEST_PATH_IMAGE030
在示伪欺骗策略下的欺骗效用值，
Figure 272677DEST_PATH_IMAGE031
表示节点
Figure 448444DEST_PATH_IMAGE032
在藏真欺骗策略下的欺骗效用值，
Figure 842516DEST_PATH_IMAGE033
表示进攻方的真实目标，
Figure 660299DEST_PATH_IMAGE034
表示假目标。
在基本路径规划问题中，一般将两个节点之间的距离作为规划的代价函数：
Figure 190638DEST_PATH_IMAGE035
（6）
其中，
Figure 68464DEST_PATH_IMAGE036
表示从节点
Figure 808887DEST_PATH_IMAGE037
到节点
Figure 774569DEST_PATH_IMAGE038
的代价值，
Figure 549627DEST_PATH_IMAGE039
代表节点
Figure 473720DEST_PATH_IMAGE040
到节点
Figure 701439DEST_PATH_IMAGE041
之间的距离。
将欺骗效用值与基本路径规划问题中的代价函数结合，就能够得到适用于欺骗路径规划问题的代价函数
Figure 595446DEST_PATH_IMAGE042
。
因此，基于示伪策略的欺骗路径规划中的代价函数可更新为：
Figure 100377DEST_PATH_IMAGE043
（7）
式中，
Figure 54426DEST_PATH_IMAGE044
为欺骗系数。当
Figure 35021DEST_PATH_IMAGE044
取值越接近于0时，有
Figure 342505DEST_PATH_IMAGE045
，则在规划路径时趋向于取最短路径而不过多考虑节点的欺骗效果，即将欺骗路径规划转化为了基本路径规划问题；相反，当
Figure 826576DEST_PATH_IMAGE046
值较大时，进攻方会优先考虑节点的欺骗效果。
同理，基于藏真策略的代价函数可更新如下：
Figure 217106DEST_PATH_IMAGE047
（8）
在得到新的代价函数后，根据寻路算法，就能在具体环境中找到一条从起点到真实目标点的、具有欺骗效果的可行路径。由此所述步骤1包括：
步骤11，将静态环境下行为路径的基本路径规划的形式表达为：
Figure 29204DEST_PATH_IMAGE048
其中
Figure 796172DEST_PATH_IMAGE049
是路径规划域，
Figure 275695DEST_PATH_IMAGE050
是节点集合,
Figure 571547DEST_PATH_IMAGE051
是连接节点之间边的集合,
Figure 261154DEST_PATH_IMAGE052
是各边的代价，
Figure 176021DEST_PATH_IMAGE053
是起点位置，
Figure 900263DEST_PATH_IMAGE054
是终点坐标位置；
步骤12，将将静态环境下行为路径的欺骗路径规划的形式化表达为：
Figure 507962DEST_PATH_IMAGE055
其中
Figure 419286DEST_PATH_IMAGE056
是基本路径规划，
Figure 137844DEST_PATH_IMAGE057
是可能的目标集合，
Figure 716592DEST_PATH_IMAGE058
代表地图中每个点对应不同目标的概率分布，
Figure 354247DEST_PATH_IMAGE059
是融合了欺骗效果的代价函数；这里的欺骗路径指的是带有欺骗效果的行为路径；
步骤13，将节点的目标概率与节点的欺骗效果关联，计算节点的代差值，该代差值定义为当前位置到目标点的最短路径长度与起点到目标点的最短路径长度的差值：
Figure 893813DEST_PATH_IMAGE060
其中，
Figure 275116DEST_PATH_IMAGE061
代表当起始点为
Figure 442792DEST_PATH_IMAGE062
，目标点为
Figure 392293DEST_PATH_IMAGE063
时，节点
Figure 278210DEST_PATH_IMAGE064
的代差值，又叫代价差异值，
Figure 604149DEST_PATH_IMAGE065
、
Figure 626332DEST_PATH_IMAGE066
分别代表节点
Figure 605789DEST_PATH_IMAGE067
、起始点
Figure 119947DEST_PATH_IMAGE068
到目标点
Figure 843052DEST_PATH_IMAGE017
的最短路径长度；
步骤14，计算节点对应的目标概率，当同一节点对应不同进攻目标时，代价差异值会有差别，通过比较代价差异值，可得到一个符合直觉的目标概率分布：即代价差异值越小的目标是真实进攻目标的概率越高，在此基础上，可将各个节点对应的目标概率分布
Figure 860687DEST_PATH_IMAGE069
定义如下：
Figure 542204DEST_PATH_IMAGE070
式中，
Figure 137133DEST_PATH_IMAGE071
和
Figure 273716DEST_PATH_IMAGE072
为系数；
步骤15，欺骗效用值计算，在得到地图中不同节点的目标概率之后，可对节点的欺骗效果进行定量化描述：
Figure 536071DEST_PATH_IMAGE073
式中，
Figure 263855DEST_PATH_IMAGE074
表示节点
Figure 80501DEST_PATH_IMAGE075
在示伪欺骗策略下的欺骗效用值，
Figure 410989DEST_PATH_IMAGE076
表示节点
Figure 262270DEST_PATH_IMAGE077
在藏真欺骗策略下的欺骗效用值，
Figure 895377DEST_PATH_IMAGE078
表示进攻方的真实目标，
Figure 464898DEST_PATH_IMAGE079
表示假目标；
步骤16，将欺骗效用值与基本路径规划问题中的代价函数结合，能够得到适用于欺骗路径规划问题的代价函数
Figure 474442DEST_PATH_IMAGE080
：
Figure 180230DEST_PATH_IMAGE081
式中，
Figure 108872DEST_PATH_IMAGE082
表示从节点
Figure 41056DEST_PATH_IMAGE083
到节点
Figure 713346DEST_PATH_IMAGE084
的代价值，
Figure 804799DEST_PATH_IMAGE085
代表节点
Figure 514129DEST_PATH_IMAGE086
到节点
Figure 323822DEST_PATH_IMAGE087
之间的距离，
Figure 534223DEST_PATH_IMAGE088
为欺骗系数；当
Figure 355549DEST_PATH_IMAGE088
取值越接近于0时，有
Figure 383851DEST_PATH_IMAGE089
，则在规划路径时趋向于取最短路径而不过多考虑节点的欺骗效果，即将欺骗路径规划转化为了基本路径规划问题；相反，当
Figure 290627DEST_PATH_IMAGE090
值较大时，进攻方会优先考虑节点的欺骗效果；
步骤17，在得到代价函数后，根据寻路算法，在路径规划域界定的具体环境中可找到一条从起点到真实目标点的、具有欺骗效果的可行路径。
以上为传统欺骗路径规划的主要研究内容。目前，欺骗路径规划主要应用在二维静态环境中。为了拓宽欺骗路径规划的应用范围，得到更加真实的规划结果，本发明提出了一种分阶段的规划方法，将静态规划与动态数据相结合，使进攻方能够在机动过程中根据动态数据实时调整在静态环境中规划出的路线，保证在动态环境中找到一条具有欺骗效果且能完成机动任务的路线；然后，将欺骗路径的规划域从二维扩展到三维，重点考虑战场中地形坡度对路径规划造成的影响，将坡度因子与现有欺骗路径规划模型结合，构造基于地形坡度的欺骗路径规划模型。
优选地，所述步骤1之后还包括将地形坡度融入欺骗路径规划中，具体包括：
步骤101，坡度
Figure 835878DEST_PATH_IMAGE091
的计算公式如下：
Figure 511710DEST_PATH_IMAGE092
（9）
式中，
Figure 218635DEST_PATH_IMAGE093
为地形曲面，
Figure 612707DEST_PATH_IMAGE094
是水平方向的变化率，
Figure 430490DEST_PATH_IMAGE095
是垂直方向的变化率；
对于
Figure 226408DEST_PATH_IMAGE096
和
Figure 104234DEST_PATH_IMAGE097
采用拟合曲面法进行坡度求解，离线计算出地图上所有网格点的坡度值；
在计算地图上所有节点的坡度值时需要知道各个节点的高度值。计算过程如下：已知地图上各个节点的高度值，然后根据二阶差分法计算出每个几点对应的坡度值slope，此时计算出的坡度值是弧度值，在换算成角度值之后，根据表1坡度的分级原则得到该坡度值对应的影响系数，此影响系数即为代价函数中s(i, j)的实际值，在后续进行欺骗路径规划时，需要根据该影响系数进行路径规划。
步骤102，将地形坡度引入到欺骗路径规划模型中，将步骤16中的代价函数更新如下：
Figure 720023DEST_PATH_IMAGE098
（10）
式中，
Figure 482443DEST_PATH_IMAGE099
表示更新后的代价值，
Figure 257501DEST_PATH_IMAGE100
表示
Figure 181595DEST_PATH_IMAGE101
和
Figure 674893DEST_PATH_IMAGE102
之间的坡度影响系数。
对于作战仿真中的兵力机动环节，地形因素造成的影响不可忽视，在规划路线时必须着重考虑。兵力机动中要考虑的地形因素包括坡度、水质和植被等，本发明重点研究基于地形坡度的欺骗路径规划。表1为坡度的一般分级原则和影响系数(“袁仁进, 陈刚, 王冰冰. 地形坡度对越野机动时间影响分析[J]. 地理信息世界, 2017(6).”)：
表1 坡度的分级原则及影响系数
Figure 709845DEST_PATH_IMAGE103
在本节中，主要的研究内容包括坡度的计算和将地形坡度融入到现有的欺骗路径规划模型两部分。
地面上某点的坡度是表示地表面在该点倾斜程度的一个量。目前，计算坡度的方法主要包括四块法、空间矢量分析法、拟合平面法、拟合曲面法等。本发明选择拟合曲面法(见“王飞,曹启华. 军事地形分析建模与应用[M]. 解放军出版社, 2002.”)进行坡度求解。现以计算图5中网格5的坡度为例对拟合曲面法进行说明：
坡度
Figure 339410DEST_PATH_IMAGE104
的计算公式如下：
Figure 434404DEST_PATH_IMAGE105
式中，
Figure 149420DEST_PATH_IMAGE106
为地形曲面，
Figure 988063DEST_PATH_IMAGE107
是水平方向的变化率，
Figure 737713DEST_PATH_IMAGE108
是垂直方向的变化率。
对于
Figure 3609DEST_PATH_IMAGE109
和
Figure 471500DEST_PATH_IMAGE110
，拟合曲面法常用的计算方法如表2(见“张林泉. 三维地形可视化的MATLAB实现[J]. 电脑开发与应用, 2011, 24(7):15-17.”)所示：
表2 常用数学计算方法
Figure 848254DEST_PATH_IMAGE111
对四种方法进行比较后，二阶差分算法计算效率和计算精度都较高，因此本发明选择二阶差分法进行坡度值计算。
选定具体的计算方法后，可以离线计算出地图上所有网格点的坡度值，为下一步将坡度融入到欺骗路径模型打下基础。
路径规划的实质是遍历地图中的节点，寻找满足从起点到目标点的路径集合，并从中找到总代价最小的那条路径。
因此，为了将地形坡度引入到欺骗路径规划模型中，将代价函数更新如下：
Figure 452411DEST_PATH_IMAGE112
式中，
Figure 889208DEST_PATH_IMAGE113
表示更新后的代价值，
Figure 578816DEST_PATH_IMAGE114
表示
Figure 759261DEST_PATH_IMAGE115
和
Figure 217925DEST_PATH_IMAGE116
之间的坡度影响系数，其具体数值可参照图5。
通过更新代价函数，成功地将地形坡度引入到了现有的欺骗路径规划模型中。根据
Figure 684678DEST_PATH_IMAGE117
，可以在三维静态环境下找到一条具有欺骗效果的可行路径。
步骤2，按照所述行为路径机动并探测障碍点信息；
步骤3，在障碍点为固定障碍时，根据障碍点位置与行为路径中当前所在节点之后的节点位置关系进行冲突判断，存在冲突时在冲突位置重新规划路径；
在障碍点为移动障碍时，根据障碍点所在位置以及障碍点移动速度对下一时刻可能出现的位置分别进行冲突判断，在任一可能出现的位置存在冲突时对行为路径进行修改；
步骤4，重复步骤2、步骤3，直到达到目标点，结合静态环境下步骤1中静态环境下无碰撞且带有欺骗效果的行为路径中的规划结果与动态环境下的实时数据，获得规划路径。
优选地，所述步骤3中障碍点为固定障碍时在冲突位置重新规划路径的步骤包括：
步骤31，对于固定障碍点
Figure 471368DEST_PATH_IMAGE118
，判断该障碍点的位置是否与带有欺骗效果的可行路径
Figure 580139DEST_PATH_IMAGE119
中进攻方当前所在的
Figure 34254DEST_PATH_IMAGE120
点之后的任意位置重合；
步骤32，重合时，则在冲突位置重新规划路径。
重新规划路径的步骤例如：假设规划好的路径path中依次要经过地图中的p1、p2和p3点，且当前时刻进攻方位于p1点。此时进攻方对周围环境进行信息采集，假设探测到在p2点处可能会与障碍物发生冲突，那么需要对path进行重新规划：将p2点设置为不可通过区域，然后以p1为起点，p3为终点，根据寻路算法如A*算法找到一条符合要求的代价最小路线，最后进攻方沿着修改后的路径继续行进。在路径规划时，将实际的障碍物（简称障碍）视为障碍点，障碍物固着于地面不动时视为固定障碍点，障碍物可在地面上移动时，视为移动障碍点；
下面结合附图对上述步骤进行详细说明，在进行实验的过程中主要使用了A*算法进行路径的重新规划，具体过程如下：假设规划好的路径path中依次要经过地图中的p1、p2和p3点，且当前时刻进攻方位于p1点，如图17所示。此时进攻方会通过自身携带的探测器对周围环境进行信息采集，假设在p2点处探测到固定障碍物，如图18所示，那么可以得出结论，如果继续沿原规划路线行进会在p2处与障碍物发生碰撞，即出现位置冲突情况，因此需要对path进行重新规划：将p2点设置为不可通行区域，然后以p1为起点，p3为终点，根据寻路算法如A*算法找到一条符合要求的代价最小路线，最后进攻方沿着修改后的路径继续行进，如图19所示。在行进过程中重复此探测过程，直到进攻方到达目标点。
优选地，所述步骤3中障碍点为移动障碍时对行为路径进行修改的步骤包括：
步骤301，对于移动障碍点，判断该障碍点的目前所在位置是否与带有欺骗效果的可行路径
Figure 937488DEST_PATH_IMAGE121
中进攻方当前所在的
Figure 945895DEST_PATH_IMAGE122
点之后的任意位置重合；动态位置冲突的判断标准与静态下相同，都是判断下一个要到达的节点处是否存在障碍物，不再赘述。
步骤302，根据障碍点的移动速度对其下一时刻可能出现的位置进行估算，判断该估算的位置是否与可行路径
Figure 592777DEST_PATH_IMAGE123
中进攻方下一时刻的位置重合；
步骤303，在步骤301和步骤302中两者位置均重合时，对可行路径
Figure 901399DEST_PATH_IMAGE123
下一时刻路径进行修改以避开移动障碍点。
与静态障碍物的情况有所不同的是，动态情况下障碍物的位置是不断改变的，因此，动态情况下冲突判断的过程可描述如下：假设规划好的路径path中依次要经过地图中的p1、p2和p3点，且当前时刻进攻方位于p1点，如图20所示。此时进攻方会通过自身携带的探测器对周围环境进行信息采集，假设在黑色方块处探测到移动障碍物，如图21所示。由于不知移动障碍物下一步到达的准确位置（在实验中假设移动障碍物的移动速度与进攻方相同），因此将点1、2、3和4作为参考点，对比发现点4与p2点的位置相同，可以得出结论，如果继续沿原规划路线行进，进攻方可能会在p2处与移动障碍物发生碰撞，即出现位置冲突情况，如图22所示。因此为了避免碰撞，需要对path进行重新规划：将p2点设置为不可通行区域，然后以p1为起点，p3为终点，根据寻路算法如A*算法找到一条符合要求的代价最小路线，最后进攻方沿着修改后的路径继续行进，如图23所示。在行进过程中重复此探测过程，直到进攻方到达目标点。
目前，欺骗路径规划主要应用于静态环境，即地图信息已知且环境中只有固定障碍物。以示伪欺骗路径规划为例，整个过程可描述如下:
（1）确定规划需要的具体信息，如规划的起点
Figure 975534DEST_PATH_IMAGE124
、目标集
Figure 2396DEST_PATH_IMAGE125
和地图中的障碍集
Figure 187389DEST_PATH_IMAGE126
等。
（2）按照给定任务，将目标集分为真目标
Figure 616097DEST_PATH_IMAGE127
和假目标
Figure 861133DEST_PATH_IMAGE128
，根据参考文献[7]中的算法计算出地图上所有可通过节点
Figure 109712DEST_PATH_IMAGE129
的欺骗效用值
Figure 363976DEST_PATH_IMAGE130
：
Figure 381610DEST_PATH_IMAGE131
(11)
其中，
Figure 797548DEST_PATH_IMAGE132
表示计算过程中使用的具体路径规划算法。
（3）将节点的欺骗效用值
Figure 533423DEST_PATH_IMAGE133
与可连接节点
Figure 325799DEST_PATH_IMAGE134
之间的距离结合，得到新的代价函数
Figure 463519DEST_PATH_IMAGE135
：
Figure 50358DEST_PATH_IMAGE136
(10)
式中，
Figure 273529DEST_PATH_IMAGE137
表示从节点
Figure 869595DEST_PATH_IMAGE138
到节点
Figure 861822DEST_PATH_IMAGE139
的代价值，
Figure 619563DEST_PATH_IMAGE140
代表
Figure 330030DEST_PATH_IMAGE141
到
Figure 464208DEST_PATH_IMAGE142
的距离，
Figure 310941DEST_PATH_IMAGE143
表示节点
Figure 770741DEST_PATH_IMAGE144
的欺骗效果，
Figure 437346DEST_PATH_IMAGE145
为欺骗系数。
（4）选择合适的寻路算法进行路径规划，以A*算法为例：
Figure 640794DEST_PATH_IMAGE146
(12)
其中，
Figure 342034DEST_PATH_IMAGE147
为规划出的最佳路径，
Figure 707156DEST_PATH_IMAGE148
代表A*算法，
Figure 126636DEST_PATH_IMAGE149
为起点，
Figure 602617DEST_PATH_IMAGE150
为终点，
Figure 423942DEST_PATH_IMAGE151
为地图中的障碍，
Figure 959966DEST_PATH_IMAGE152
为代价函数。
（5）进攻方按照路线
Figure 866742DEST_PATH_IMAGE153
机动即可在尽可能隐蔽自身意图的情况下完成从起点到真实目标的任务。
以上就是应用于静态环境的欺骗路径规划方法。
但是，在真实战场中，基于静态环境的欺骗路径规划是很难实现的。战场态势瞬息万变，在规划路径时不可能将所有的要素都考虑到，并且环境中的障碍物也可能是不断移动的，这种面向静态环境的全局路径规划存在很大的局限性，因此，必须要考虑如何在动态环境中进行欺骗路径规划。
动态环境下路径规划与静态环境中的区别主要在于：
(1)在全局地图信息不可知的情况下，障碍物的位置是不确定的，只能根据起点和终点的位置生成一条模糊的可行路线；
(2)地图中的障碍物可能是移动的，在根据模糊路线行进的过程中，需要考虑如何避过移动障碍或者在遇到障碍时要如何修改路径的问题。
为了解决动态环境下的欺骗路径规划问题，本发明提出了一种避免碰撞的分阶段规划方法：在第一阶段，根据起点和目标点信息，通过A*算法生成一条在静态环境下无碰撞、带有欺骗效果的行进路径；在第二阶段，进攻方按照第一阶段生成的路径行进，同时，携带的探测器会实时采集周围环境信息。当探测到障碍物时，进攻方会进行冲突判断。如果发生冲突，在可能发生冲突的位置重新进行路径规划；如果两者不会发生碰撞，那么进攻方会按照之前规划的路线继续前进，直到到达目标点。
根据分阶段的规划思路，将动态环境下的欺骗路径规划流程更新如下：
（1）确定规划的起点
Figure 146414DEST_PATH_IMAGE154
、目标集
Figure 822246DEST_PATH_IMAGE155
等已知信息。
（2）按照上文中静态环境下的欺骗路径规划过程，根据A*算法和已有信息生成一条带有欺骗效果的可行路径
Figure 529170DEST_PATH_IMAGE156
：
（3）进攻方按照路径
Figure 188822DEST_PATH_IMAGE156
机动，假设在k时刻，进攻方位于
Figure 881971DEST_PATH_IMAGE157
上的
Figure 802523DEST_PATH_IMAGE158
点，同时探测到的障碍信息为
Figure 290136DEST_PATH_IMAGE159
：
Figure 296138DEST_PATH_IMAGE160
（13）
式中，
Figure 792979DEST_PATH_IMAGE161
和
Figure 302457DEST_PATH_IMAGE162
为进攻方在k时刻的位置坐标，
Figure 351185DEST_PATH_IMAGE163
为探测器的探测范围。
（4）如果k时刻的
Figure 454270DEST_PATH_IMAGE164
非空，即探测到障碍，那么需要进行冲突判断。首先对障碍进行分类，判断探测到的是固定障碍还是移动障碍：
Figure 613856DEST_PATH_IMAGE165
（5）对于固定障碍
Figure 118787DEST_PATH_IMAGE166
，只需要判断该障碍的位置是否与
Figure 338415DEST_PATH_IMAGE167
中
Figure 194376DEST_PATH_IMAGE168
点之后的任意位置重合，若重合，则在冲突位置重新规划路径，就可以避开障碍；
（6）如果探测到的是移动障碍
Figure 157653DEST_PATH_IMAGE169
，除了对该障碍目前所在的位置进行冲突判断外，还需要根据障碍的移动速度对其下一时刻可能出现的位置进行冲突判断，若确定冲突，则对
Figure 782669DEST_PATH_IMAGE170
进行修改，避免碰撞；
（7）重复进行步骤（3）到（6），直至到达终点位置。
根据这种分阶段的规划方法，将静态规划结果与实时数据结合，可以在动态环境下找到一条满足要求的、无碰撞的欺骗路径。
优选地，所述步骤303后还包括：
步骤304，在前一时刻对路径存在修改且当前时刻在步骤301和步骤302中两者位置至少有一个不重合时，返回可行路径
Figure 173199DEST_PATH_IMAGE170
。
通过本发明，实现了在三维动态环境下的欺骗路径规划问题：一方面，将当前欺骗路径规划的应用范围从二维空间拓展到三维空间，让仿真环境更加贴近真实战场；另一方面，解决了在动态环境下的路径生成问题，极大地提升了仿真结果的可信度。
下面通过一个具体案例对本发明的内容进行说明。
为检验上述方法是否能够在三维环境中找到一条可以根据动态数据实时调整的欺骗路径，本文决定采用仿真实验进行验证。
根据文章内容，将仿真实验分为三部分内容：
(1)二维空间下面向静态环境的欺骗路径规划；
(2)二维空间下面向动态环境的欺骗路径规划；
(3)三维空间下面向动态环境的欺骗路径规划。
4.1 二维空间下面向静态环境的欺骗路径规划实验
考虑8*8大小的地图，其中进攻方的起始位置在(1,4)，目标1和目标2分别位于(7,7)和(7,1)，同时地图中分布着若干障碍物，整个地图信息如图6所示：
现假定进攻方的真实目标为目标2。
根据第1节中示伪欺骗路径规划模型进行寻路，并使用意图识别器进行检验，得到的结果如图7、图8所示：
从图8中看出，相比最短路径，根据欺骗模型规划出的路径能够帮助进攻方在行进过程中尽可能地隐藏真实意图，干扰防守方的识别。实验表明，通过欺骗路径规划模型，能够在二维静态环境中找到一条满足要求的欺骗路径。
4.2 二维空间下面向动态环境的欺骗路径规划实验
为验证本文中提出的分阶段方法是否能够在动态环境中找到符合要求的欺骗路径，设计了新的实验：进攻方的起始位置在(2,7)点，两个潜在的进攻目标分别位于(12,2)和(12,12)点。防守方在地图上设置了巡逻区域，两支巡逻队按照箭头方向以固定速度沿巡逻区域顺时针机动，同时巡逻区内有若干处陷阱，实验信息如图9所示：
假设巡逻队与进攻方的移动速度相同，且都沿直线运动，进攻方的探测半径为1，忽略巡逻队的探测能力。现给进攻方布置作战任务，在尽可能隐蔽进攻意图的情况下，采取示伪欺骗策略，避开防守方的巡逻队，最后到达目标2处。
根据分阶段方法，将实验分成两部分：
(1)静态规划。根据已知的起点和目标点信息，通过A*算法生成一条在静态环境下无碰撞、带有欺骗效果的可行路径；
(2)动态调整。进攻方按照第一阶段生成的路径行进。在每个仿真步长内，结合采集到的环境信息进行冲突判断。如果发生冲突，进攻方会在可能发生冲突的位置重新进行路径规划，然后按照修改后的路径继续前进；如果两者不会发生碰撞，那么会按照之前规划的路线继续前进，直到到达目标点。
实验结果如图10、图11所示：实验表明，分阶段的规划方法能够解决在动态环境中进行欺骗路径规划的问题。
4.3 三维空间下面向动态环境的欺骗路径规划实验
通过上述实验，已经可以在二维空间下的动态环境中找到符合要求的欺骗路径。现在将地形坡度加入考虑范围，设计三维空间下的面向动态环境的欺骗路径规划实验。
4.3.1 建立三维地图
假设在某山区测得一些地点的高程如表3所示：
表3 采集到的高程数据
Figure 250876DEST_PATH_IMAGE171
根据采集到的原始数据可以得到比较粗糙的三维地形图，如图12所示：
虽然画出了三维地图，但是显示效果不够美观，为了得到更加平滑的地图，考虑使用双线性插值的方法对原始数据进行优化，结果如图13所示： 得到更为平滑和精细的三维地图之后，就可以进行下一步的路径规划实验。
4.3.2 基于三维地形的动态欺骗路径规划实验
考虑14*14*2000大小的地图，其中进攻方的起始位置在(2,7,940)，目标1和目标2分别位于(12,12,910)和(12,2,950)，整个地图信息如图14所示：
假设巡逻队与进攻方的移动速度相同，且都沿直线运动，进攻方的探测半径为1，忽略巡逻队的探测能力。现给进攻方布置机动任务，在尽可能隐蔽进攻意图的情况下，避开防守方的巡逻队，快速到达目标2处。
按照分阶段的规划算法，以示伪欺骗策略为例，将动态环境下的欺骗路径规划分为两步进行：
(1) 静态规划。根据起点和目标点信息，通过A*算法生成一条在静态环境下无碰撞、带有欺骗效果的行进路径，结果如图15所示：
(2) 动态调整。进攻方按照第一阶段生成的路径行进。在每个仿真步长内，结合采集到的环境信息进行冲突判断。如果发生冲突，进攻方会在可能发生冲突的位置重新进行路径规划，然后按照修改后的路径继续前进；如果两者不会发生碰撞，那么会按照之前规划的路线继续前进，直到到达目标点。
最终在动态环境下生成的实际欺骗路径如图16所示：
实验表明，基于地形坡度的动态欺骗路径规划模型能够在综合考虑路径长度、地形坡度和节点欺骗效果的情况下在三维空间找到一条符合要求的欺骗路径。
欺骗路径规划是作战仿真研究的重要内容之一。为了让仿真环境更接近真实战场，本方案主要做了两部分工作：
(1)提出了一种分阶段的规划方法，把静态规划与动态数据相结合，将现有的欺骗路径规划模型应用到动态环境中，让规划环境更加贴近真实战场情况。实验证明分阶段的规划方法能够在动态环境中找到一条无碰撞且具有欺骗效果的路径；
(2)将应用于二维空间的欺骗路径规划拓展到了三维空间，重点考虑地形坡度给路径规划带来的影响。为了将地形坡度引入到欺骗路径规划模型中，本文首先选择了拟合曲面法对地图中各点的坡度值进行了离线计算，之后，将坡度值与欺骗路径中原有的代价函数进行结合，得到了基于地形坡度的欺骗路径规划模型。仿真实验表明，基于地形坡度的欺骗路径规划模型能够在三维空间中找到一条从起点到目标点的欺骗路径。
通过这两部分工作，将现有的欺骗路径规划模型进行了很大的改进，拓宽了模型的应用范围，让仿真结果能够更加真实，增加可信度，为欺骗路径的进一步发展提供了全新的思路和方法。
实施例二
基于上述实施例一，本发明提供一种面向三维空间的动态欺骗路径规划系统，包括存储器和处理器，所述存储器存储有动态欺骗路径规划程序，所述处理器在运行所述面向三维空间的动态欺骗路径规划程序时执行上述面向三维空间的动态欺骗路径规划方法任意实施例的步骤。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (7)

1.一种面向三维空间的动态欺骗路径规划方法，其特征在于，包括以下步骤：
步骤1，根据起点、目标点及目标集信息，生成在静态环境下无碰撞且带有欺骗效果的行为路径；
步骤2，按照所述行为路径机动并探测障碍点信息；
步骤3，在障碍点为固定障碍时，根据障碍点位置与行为路径中当前所在节点之后的节点位置关系进行冲突判断，存在冲突时在冲突位置重新规划路径；
在障碍点为移动障碍时，根据障碍点所在位置以及障碍点移动速度对下一时刻可能出现的位置分别进行冲突判断，在任一可能出现的位置存在冲突时对行为路径进行修改；
步骤4，重复步骤2、步骤3，直到达到目标点，结合步骤1中静态环境下无碰撞且带有欺骗效果的行为路径中的规划结果与动态环境下的实时数据，获得规划路径。
2.如权利要求1所述的面向三维空间的动态欺骗路径规划方法，其特征在于，所述步骤1包括：
步骤11，将静态环境下行为路径的基本路径规划的形式表达为：
Figure 624813DEST_PATH_IMAGE001
其中
Figure 135429DEST_PATH_IMAGE002
是路径规划域，
Figure 384008DEST_PATH_IMAGE003
是节点集合,
Figure 372692DEST_PATH_IMAGE004
是连接节点之间边的集合,
Figure 655906DEST_PATH_IMAGE005
是各边的代价，
Figure 71844DEST_PATH_IMAGE006
是起点位置，
Figure 807719DEST_PATH_IMAGE007
是终点坐标位置；
步骤12，将将静态环境下行为路径的欺骗路径规划的形式表达为：
Figure 600094DEST_PATH_IMAGE008
其中
Figure 737815DEST_PATH_IMAGE009
是基本路径规划，
Figure 324654DEST_PATH_IMAGE010
是可能的目标集合，
Figure 547825DEST_PATH_IMAGE011
代表地图中每个点对应不同目标的概率分布，
Figure 878312DEST_PATH_IMAGE012
是融合了欺骗效果的代价函数；欺骗路径即带有欺骗效果的行为路径；
步骤13，将节点的目标概率与节点的欺骗效果关联，计算节点的代差值，该代差值定义为当前位置到目标点的最短路径长度与起点到目标点的最短路径长度的差值，具体为：
Figure 870539DEST_PATH_IMAGE013
其中，
Figure DEST_PATH_718779DEST_PATH_IMAGE015
代表当起始点为
Figure 604325DEST_PATH_IMAGE015
，目标点为
Figure 472924DEST_PATH_IMAGE016
时，节点
Figure 585237DEST_PATH_IMAGE017
的代差值，
Figure 513878DEST_PATH_IMAGE018
、
Figure 711642DEST_PATH_IMAGE019
分别代表节点
Figure 383931DEST_PATH_IMAGE020
、起始点
Figure 85171DEST_PATH_IMAGE021
到目标点
Figure 715873DEST_PATH_IMAGE022
的最短路径长度；
步骤14，计算节点对应的目标概率，当同一节点对应不同进攻目标时，代差值会有差别，通过比较代差值，可得到一个符合直觉的目标概率分布：即代差值越小的目标是真实进攻目标的概率越高，在此基础上，可将各个节点对应的目标概率分布
Figure 135353DEST_PATH_IMAGE023
定义如下：
Figure 611333DEST_PATH_IMAGE024
式中，
Figure 432659DEST_PATH_IMAGE025
和
Figure 968682DEST_PATH_IMAGE026
为系数；
步骤15，欺骗效用值计算，在得到地图中不同节点的目标概率之后，可对节点的欺骗效果进行定量化描述：
Figure 875459DEST_PATH_IMAGE027
式中，
Figure 889551DEST_PATH_IMAGE028
表示节点
Figure 830962DEST_PATH_IMAGE029
在示伪欺骗策略下的欺骗效用值，
Figure 537887DEST_PATH_IMAGE030
表示节点
Figure 931959DEST_PATH_IMAGE031
在藏真欺骗策略下的欺骗效用值，
Figure 484163DEST_PATH_IMAGE032
表示进攻方的真实目标，
Figure 873556DEST_PATH_IMAGE033
表示假目标；
步骤16，将欺骗效用值与基本路径规划问题中的代价函数结合，能够得到适用于欺骗路径规划问题的代价函数
Figure 626749DEST_PATH_IMAGE034
：
Figure 632751DEST_PATH_IMAGE035
式中，
Figure 129591DEST_PATH_IMAGE036
表示从节点
Figure 639070DEST_PATH_IMAGE037
到节点
Figure 563164DEST_PATH_IMAGE038
的代价值，
Figure 790883DEST_PATH_IMAGE039
代表节点
Figure 91414DEST_PATH_IMAGE040
到节点
Figure 720978DEST_PATH_IMAGE041
之间的距离，
Figure 815973DEST_PATH_IMAGE042
为欺骗系数；
步骤17，在得到代价函数后，根据寻路算法，在路径规划域界定的具体环境中可找到一条从起点到真实目标点并具有欺骗效果的可行路径。
3.如权利要求2所述的面向三维空间的动态欺骗路径规划方法，其特征在于，所述步骤1之后还包括将地形坡度融入欺骗路径规划中，具体包括：
步骤101，坡度
Figure 796568DEST_PATH_IMAGE043
的计算公式如下：
Figure 635211DEST_PATH_IMAGE044
式中，
Figure 853702DEST_PATH_IMAGE045
为地形曲面，
Figure 119599DEST_PATH_IMAGE046
是水平方向的变化率，
Figure 321910DEST_PATH_IMAGE047
是垂直方向的变化率；
对于
Figure 229823DEST_PATH_IMAGE048
和
Figure 833980DEST_PATH_IMAGE049
采用拟合曲面法进行坡度求解，离线计算出地图上所有网格点的坡度值；
步骤102，将地形坡度引入到欺骗路径规划模型中，将步骤16中的代价函数更新如下：
Figure 270777DEST_PATH_IMAGE050
式中，
Figure 694805DEST_PATH_IMAGE051
表示更新后的代价值，
Figure 875251DEST_PATH_IMAGE052
表示
Figure 333914DEST_PATH_IMAGE053
和
Figure 941613DEST_PATH_IMAGE054
之间的坡度影响系数。
4.如权利要求1所述的面向三维空间的动态欺骗路径规划方法，其特征在于，所述步骤3中障碍点为固定障碍时在冲突位置重新规划路径的步骤包括：
步骤31，对于固定障碍点
Figure 118517DEST_PATH_IMAGE055
，判断该障碍点的位置是否与带有欺骗效果的可行路径
Figure 837074DEST_PATH_IMAGE056
中进攻方当前所在的
Figure 415823DEST_PATH_IMAGE057
点之后的任意位置重合；
步骤32，重合时，则在冲突位置重新规划路径。
5.如权利要求1所述的面向三维空间的动态欺骗路径规划方法，其特征在于，所述步骤3中障碍点为移动障碍时对行为路径进行修改的步骤包括：
步骤301，对于移动障碍点，判断该障碍点的目前所在位置是否与带有欺骗效果的可行路径
Figure 53477DEST_PATH_IMAGE058
中进攻方当前所在的
Figure 593043DEST_PATH_IMAGE059
点之后的任意位置重合；
步骤302，根据障碍点的移动速度对其下一时刻可能出现的位置进行估算，判断该估算的位置是否与可行路径
Figure 239925DEST_PATH_IMAGE060
中进攻方下一时刻的位置重合；
步骤303，在步骤301和步骤302中两者位置均重合时，对可行路径
Figure 548547DEST_PATH_IMAGE060
下一时刻路径进行修改以避开移动障碍点。
6.如权利要求5所述的面向三维空间的动态欺骗路径规划方法，其特征在于，所述步骤303后还包括：
步骤304，在前一时刻对路径存在修改且当前时刻在步骤301和步骤302中两者位置至少有一个不重合时，返回可行路径
Figure 622682DEST_PATH_IMAGE061
。
7.一种面向三维空间的动态欺骗路径规划系统，包括存储器和处理器，其特征在于，所述存储器存储有面向三维空间的动态欺骗路径规划程序，所述处理器在运行所述面向三维空间的动态欺骗路径规划程序时执行权利要求1~6任一项所述方法的步骤。
CN202010370258.6A 2020-05-06 2020-05-06 一种面向三维空间的动态欺骗路径规划方法及系统 Active CN111462323B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010370258.6A CN111462323B (zh) 2020-05-06 2020-05-06 一种面向三维空间的动态欺骗路径规划方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010370258.6A CN111462323B (zh) 2020-05-06 2020-05-06 一种面向三维空间的动态欺骗路径规划方法及系统

Publications (2)

Publication Number Publication Date
CN111462323A true CN111462323A (zh) 2020-07-28
CN111462323B CN111462323B (zh) 2023-04-18

Family

ID=71681956

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010370258.6A Active CN111462323B (zh) 2020-05-06 2020-05-06 一种面向三维空间的动态欺骗路径规划方法及系统

Country Status (1)

Country Link
CN (1) CN111462323B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112330054A (zh) * 2020-11-23 2021-02-05 大连海事大学 基于决策树的动态旅行商问题求解方法、系统及存储介质
CN113467483A (zh) * 2021-08-23 2021-10-01 中国人民解放军国防科技大学 动态环境中基于时空栅格地图的局部路径规划方法及装置
CN113465621A (zh) * 2021-06-22 2021-10-01 同济大学 一种考虑冲突概率的Dijkstra路径规划方法、装置及存储介质
CN116592890A (zh) * 2023-05-17 2023-08-15 广东海洋大学 一种采摘机器人路径规划方法、系统、电子设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017173990A1 (zh) * 2016-04-07 2017-10-12 北京进化者机器人科技有限公司 一种机器人避障中的最短路径规划方法
CN107703945A (zh) * 2017-10-30 2018-02-16 洛阳中科龙网创新科技有限公司 一种多目标融合的智能农用机械路径规划方法
CN108762296A (zh) * 2018-05-09 2018-11-06 哈尔滨工业大学 一种基于蚁群算法的无人机欺骗路线规划方法
US10549198B1 (en) * 2018-10-30 2020-02-04 Niantic, Inc. Verifying a player's real world location using image data of a landmark corresponding to a verification pathway
CN110823228A (zh) * 2019-11-18 2020-02-21 中国人民解放军国防科技大学 一种路径生成方法及装置
CN110852521A (zh) * 2019-11-18 2020-02-28 中国人民解放军国防科技大学 一种欺骗路径生成方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017173990A1 (zh) * 2016-04-07 2017-10-12 北京进化者机器人科技有限公司 一种机器人避障中的最短路径规划方法
CN107703945A (zh) * 2017-10-30 2018-02-16 洛阳中科龙网创新科技有限公司 一种多目标融合的智能农用机械路径规划方法
CN108762296A (zh) * 2018-05-09 2018-11-06 哈尔滨工业大学 一种基于蚁群算法的无人机欺骗路线规划方法
US10549198B1 (en) * 2018-10-30 2020-02-04 Niantic, Inc. Verifying a player's real world location using image data of a landmark corresponding to a verification pathway
CN110823228A (zh) * 2019-11-18 2020-02-21 中国人民解放军国防科技大学 一种路径生成方法及装置
CN110852521A (zh) * 2019-11-18 2020-02-28 中国人民解放军国防科技大学 一种欺骗路径生成方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
蔡子民;鞠儒生;谢旭;王松;: "基于粒子滤波技术的欺骗路径识别" *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112330054A (zh) * 2020-11-23 2021-02-05 大连海事大学 基于决策树的动态旅行商问题求解方法、系统及存储介质
CN112330054B (zh) * 2020-11-23 2024-03-19 大连海事大学 基于决策树的动态旅行商问题求解方法、系统及存储介质
CN113465621A (zh) * 2021-06-22 2021-10-01 同济大学 一种考虑冲突概率的Dijkstra路径规划方法、装置及存储介质
CN113465621B (zh) * 2021-06-22 2022-09-20 同济大学 一种考虑冲突概率的Dijkstra路径规划方法、装置及存储介质
CN113467483A (zh) * 2021-08-23 2021-10-01 中国人民解放军国防科技大学 动态环境中基于时空栅格地图的局部路径规划方法及装置
CN113467483B (zh) * 2021-08-23 2022-07-26 中国人民解放军国防科技大学 动态环境中基于时空栅格地图的局部路径规划方法及装置
CN116592890A (zh) * 2023-05-17 2023-08-15 广东海洋大学 一种采摘机器人路径规划方法、系统、电子设备及介质
CN116592890B (zh) * 2023-05-17 2024-03-26 广东海洋大学 一种采摘机器人路径规划方法、系统、电子设备及介质

Also Published As

Publication number Publication date
CN111462323B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN111462323B (zh) 一种面向三维空间的动态欺骗路径规划方法及系统
CN106125764B (zh) 基于a*搜索的无人机路径动态规划方法
CN103528586B (zh) 基于故障网格的航迹规划算法设计
JP2939054B2 (ja) 戦術交戦シミュレートにおける最適経路の決定方法
CN106815443B (zh) 面向变化环境的超低空飞行器三维多批多航迹规划方法
CN115795697B (zh) 一种基于空间网格的复杂环境下野外机动通道生成方法
CN111044052B (zh) 一种基于智能感知的无人机自适应导航系统及方法
CN108318032A (zh) 一种考虑攻防对抗的无人机航迹智能规划方法
CN104317305B (zh) 一种面向复杂战场威胁的射前航迹确定方法
CN110673090B (zh) 基于dbscan的无源多站多目标定位方法
CN106295164A (zh) 一种路径规划方法及电子设备
CN104834317A (zh) 一种智能识别威胁类型的无人机飞行路径规划方法
CN106530398A (zh) 一种面向地形可视性分析的可视性图网络构建方法
CN108446785A (zh) 一种基于地形可视域的最优可视覆盖路径规划方法
Shan Study on submarine path planning based on modified ant colony optimization algorithm
Liu et al. Application of dijkstra algorithm in path planning for geomagnetic navigation
CN114399226A (zh) 一种基于语义认知的无人机区域侦察价值评估方法
CN104898106B (zh) 面向复杂地形机载激光雷达数据的地面点提取方法
CN116400737A (zh) 一种基于蚁群算法的安全路径规划系统
CN115617076A (zh) 近地搜索无人机的轨迹规划及动态避障方法
CN112799420B (zh) 一种基于多传感器无人机的实时航迹规划的方法
Liu et al. OARPER-MAFO algorithm for anti-ship missile path planning
Cai et al. Deceptive Path Planning in Dynamic Environment
Kristalova et al. Modelling and simulation of microrelief impact on ground path extension
Wang et al. Real-time path planning for low altitude flight based on A* algorithm and TF/TA algorithm

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant