CN113536564B - 基于虚拟仿真的无人蜂群自主协同评估方法及系统 - Google Patents
基于虚拟仿真的无人蜂群自主协同评估方法及系统 Download PDFInfo
- Publication number
- CN113536564B CN113536564B CN202110789217.5A CN202110789217A CN113536564B CN 113536564 B CN113536564 B CN 113536564B CN 202110789217 A CN202110789217 A CN 202110789217A CN 113536564 B CN113536564 B CN 113536564B
- Authority
- CN
- China
- Prior art keywords
- unmanned
- bee colony
- task
- capability
- aerial vehicle
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000011156 evaluation Methods 0.000 claims abstract description 114
- 238000012360 testing method Methods 0.000 claims abstract description 73
- 230000008569 process Effects 0.000 claims abstract description 40
- 238000005259 measurement Methods 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 230000015572 biosynthetic process Effects 0.000 claims description 70
- 238000005755 formation reaction Methods 0.000 claims description 70
- 238000012544 monitoring process Methods 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 18
- 230000003993 interaction Effects 0.000 claims description 12
- 230000000638 stimulation Effects 0.000 claims description 11
- 230000000903 blocking effect Effects 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 9
- 230000006378 damage Effects 0.000 claims description 9
- 230000005622 photoelectricity Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 5
- 230000010365 information processing Effects 0.000 claims description 5
- 208000012260 Accidental injury Diseases 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000009792 diffusion process Methods 0.000 claims description 4
- 238000005265 energy consumption Methods 0.000 claims description 4
- 230000036541 health Effects 0.000 claims description 4
- 238000007726 management method Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 238000004064 recycling Methods 0.000 claims description 4
- 230000001629 suppression Effects 0.000 claims description 4
- 241000257303 Hymenoptera Species 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 208000014674 injury Diseases 0.000 claims description 3
- 238000012876 topography Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 6
- 238000013461 design Methods 0.000 abstract description 2
- 230000006872 improvement Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 3
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 238000000556 factor analysis Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000003012 network analysis Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000008685 targeting Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3684—Test management for test design, e.g. generating new test cases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3688—Test management for test execution, e.g. scheduling of test suites
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/02—CAD in a network environment, e.g. collaborative CAD or distributed simulation
Abstract
本发明涉及一种基于虚拟仿真的无人蜂群自主协同评估方法及系统。该方法包括:获取虚拟仿真环境的配置参数;配置无人蜂群构型、挂载等,获取无人蜂群的配置参数;获取无人蜂群测试任务的配置参数;获取无人蜂群任务执行过程中的实时参数;综合获取的各项参数计算无人蜂群的基本能力指标、任务能力指标、智能水平指标;根据指标计算的结果进行无人蜂群自主协同能力的评估。本发明基于虚拟仿真的测试手段搭建出适合于无人蜂群自主协同能力及灵活多样群组变化需求的测试框架,设计了与自主协同能力评估相关的、较为全面的数据获取方案和数据采集方案,形成了无人蜂群自主协同评估度量模型和评估体系,实现了无人蜂群自主协同能力的评估。
Description
技术领域
本发明属于信息技术、无人机技术领域,具体涉及一种基于虚拟仿真的无人蜂群自主协同评估方法及系统。
背景技术
无人蜂群是由一定数量的无人机组成、以通讯网络为基础、整体具有自组织特性的空中移动多智能体系统。与传统的大型高价值装备平台相比,无人蜂群具有鲜明的特点:化整为零、以量增效,通过群体协同来生成新的能力,具备更强的生存能力和任务完成能力;传统大型装备平台的能力被分散至数量众多、成本相对低廉的无人机上,以群体形式协作完成任务,从而形成更加灵活、丰富的全新运用模式。
无人蜂群的自主协同能力评估,需要考虑组成无人蜂群的装备性能和无人蜂群的自主协同能力两个方面。对于无人蜂群装备性能的试验,已经有成熟的技术与标准体系;但对于无人蜂群自主协同能力的评估,由于现阶段传统的无人蜂群测试评估多是基于无人机的实测,如模拟机的验证以及实际无人机的验证,这种方法存在周期长、效率低、资金耗费大等缺点,导致实际测试指标不全面,很难实现全面的评估。
综上,缺乏相应的技术手段支撑对于无人蜂群自主协同能力的评估提出了新的难点:首先,无人蜂群的自主协同能力评估缺少合适的测试方法和测试规范;其次,针对无人蜂群的自主能力评估缺乏合理的度量模型;最后,对无人蜂群自主协同能力的鲁棒性、灵活多样化的蜂群运用方式缺乏测试与试验能力。
而在虚拟环境中进行无人蜂群的试验与评估,即在计算机生成的虚拟环境中,按照预先设定的飞行程序,对无人蜂群进行飞行仿真,可以较好的解决无人机实测带来的测试局限性,实现对无人蜂群自主协同能力的全面评估。虚拟仿真测试技术目前已在自动驾驶领域取得了一定成果,如Carcraft、Apollo仿真平台等,这些都可以为无人蜂群自主协同能力的测试评估提供参考。两者不同之处在于,自动驾驶虚拟仿真通常基于单个无人车进行测试,其中的测试环境因素、度量模型、测试数据的提取和记录都较为简单;而无人蜂群虚拟仿真在自动驾驶虚拟仿真的基础之上,需基于多个节点进行自主协同测试,测试场景更为复杂,测试难度更大。
发明内容
本发明针对无人蜂群自主协同评估的新需求,基于虚拟仿真的测试手段搭建出适合于无人蜂群自主协同能力及灵活多样群组变化需求的测试框架,设计了与自主协同能力评估相关的、较为全面的数据获取方案和数据采集方案,用以支撑自主协同能力评估指标的计算,在此基础之上,形成无人蜂群自主协同评估度量模型和评估体系,实现了无人蜂群自主协同能力的评估。
本发明涉及的概念有:无人蜂群是指由一定数量的无人机组成、以通讯网络为基础、整体具有自组织特性的空中移动多智能体系统;单个无人机是指无人蜂群中有一定执行任务的单台无人机;测试方是指评估方法的执行者;被测对象是指无人蜂群及其内部包含的所有单个无人机。
本发明的技术方案是提出了一种基于虚拟仿真的无人蜂群自主协同评估方法,包括如下步骤:
步骤1:测试方构建虚拟仿真环境,并获取虚拟仿真环境的配置参数;
步骤2:测试方根据被测对象配置无人蜂群构型、挂载等,获取无人蜂群的配置参数;
步骤3:测试方配置本次测试任务,获取无人蜂群测试任务的配置参数;
步骤4:执行无人蜂群测试任务,获取无人蜂群任务执行过程中的实时参数;
步骤5:综合步骤1-4中获取的原始数据,计算无人蜂群的基本能力指标、任务能力指标、智能水平指标;
步骤6:根据指标计算的结果,进行无人蜂群自主协同能力的评估。
进一步的,步骤1中获取的配置参数如下:
1)地图库中的地形地貌;
2)地面建筑目标的设置;
3)天气方案,天气参数的设置,云雨雾雪量的设置;
4)光照设置,高度角、入射角的设置;
5)禁飞区域的设置,电磁干扰设置,风场设置。
这里的环境配置数据可以为后续无人蜂群无人蜂群构型和挂载、任务配置等提供基础数据。
进一步的,步骤2中获取的无人蜂群构型、挂载等配置参数如下:
1)单个无人机节点的载弹量、打击范围、载油量;
2)整个无人蜂群中的节点数N;
3)无人蜂群可以变换的队形数量M;
4)单个无人机节点的链接数degree(i);
5)链接单个无人机节点和的最短路径的数量spj,k;
6)单个无人机SAR(Synthetic Aperture Radar,合成孔径雷达)的最大作用距离(km)RSAR,SAR的最大搜索总方位角(度)θSAR,同时追踪目标的数量mSAR,对目标的定位精度(m)ΔSAR,SAR的分辨率(m)
7)单个无人机的红外最大作用距离(km)RIR,红外的最大搜索总方位角(度)θIR,同时追踪目标的数量mIR,对目标的定位精度(m)ΔIR,红外的分辨率(m)可接受的最低对比度(CR)IR;
8)单个无人机的光电的最大作用距离(km)REO,光电的最大搜索总方位角(度)θEO,同时追踪目标的数量mEO,对目标的定位精度(m)ΔEO,光电的分辨率(m)可接受的最低对比度(CR)EO;
9)单个无人机在系统仿真的雷达与电子干扰机的干扰条件下,电子干扰机对所模拟雷达的干扰压制系数Kl,单个无人机的目标回波功率PS;
10)系统噪声信号检测阈值V0,系统阈噪比TNR。
进一步的,步骤3主要实现对无人蜂群进行任务配置,获取的具体参数如下:
1)对抗任务中无人蜂群的目标数;
2)执行任务的数量;
3)执行任务的总时长Tw;
4)任务区域面积S;
5)目标识别特征数目m,每个特征的测量次数n;
6)可与单个无人机i(i=1~N)进行能力互补的其它单个无人机数量Ci;
7)与单个无人机同时进行信息传播的其它单个无人机数量L,;
8)无人蜂群分裂成不同子群后,针对同一指定任务执行次数M;
9)现有无人蜂群中单个无人机i与单个无人机j之间的关系数bij;
10)无人蜂群为了完成任务需要人工干预,干预信息有n种取值{U1,…,Ui,…,Un},对应发生概率为{p1,…,pi,…,pn};
11)无人蜂群执行任务的路径数量;
12)无人蜂群执行任务的干扰样本数ns。
进一步的,步骤4的试验执行实现对无人蜂群在执行任务过程中的监控,同时收集后续无人蜂群自主协同能力评估所需的原始数据,获取的具体参数如下:
1)无人蜂群组队的空间体积RS;
2)单个无人机i的单位化速度向量qi,刺激方向qsti,刺激之前无人蜂群的运动方向q0;
3)单个无人机与每个其它单个无人机之间的信息传播速率Vi;
4)在现有无人蜂群中加入一个新无人机后,新无人蜂群中单个无人机i与单个无人机j之间的关系数aij;
5)无人蜂群删除单个无人机之后得到的新蜂群G-vi,删除单个无人机之后新蜂群的路径数量M-ki;
6)无人蜂群从起飞到形成稳定编队所花时间;
7)无人蜂群维持稳定编队的时间期望;
8)任务过程中无人蜂群进行队形变换所用的时间Tftc;
9)无人蜂群中每个无人机的重要度Ii;
10)表示对于单个无人机i当前时刻的位置xi、yi、zi,单个无人机在队形中的期望位置xf、yf、zf;
11)无人蜂群中所有单蜂之间最短路径长度倒数的平均值Z;
12)在指定空域内,蜂群子群协作完成同一任务的总次数S;在S次内,子群协作成功的总次数S1;
13)蜂群集群内所有单个无人机的编队位置小于队形保持精度的时间Tfc;
14)规定时间无人机发生碰撞个体数Cn;
15)目标识别正确的数量Countright;
16)目标识别中第一、二目标特征值的数学期望μ1、μ2,给定目标特征的均方差σ;
17)探测移动目标过程中,第个时间窗口跟踪目标的起止时间(t,t+Δt),t时刻模拟航迹坐标(xt,yt),t时刻真实航迹坐标(Xt,Yt);
18)单个无人机i在每个时刻所探测到的区域Si;
19)单个无人机的SAR的发现概率红外传感器的发现概率/>光电的发现概率/>
20)无人蜂群分裂成不同子群后,执行同一指定任务M次中执行成功的次数M1;
21)无人蜂群为了完成任务需要人工干预的总次数M2;
22)无人蜂群按照规划路线行驶花费的时间t,无人蜂群中进入禁飞区域的飞机数量count;
23)无人蜂群开始路径规划时间点t1,全部无人机路径规划完成时间点t2;
24)无人蜂群第i个条路径所调整的次数adjustment_counti;
25)无人蜂群接收到任务的时间点t3,全部无人机接收到子任务的时间点t4;
26)无人蜂群完成第i个任务所调整的次数adjustment_counti,无人蜂群任务完成数completion_count;
27)tstart为任务开始时间,从无人蜂群中第一架无人机起飞的时刻开始计算,tend为任务结束时间,具体表现为无人蜂群中最后一架无人机降落的时刻;
28)无人蜂群第j个任务的开始与结束时间t_startj和t_endj,在t时刻无人机所在的位置pt;
29)无人蜂群中第i架无人机消耗的弹药数量ammunition_counti;
30)无人蜂群中第i架无人机消耗的能源energy_counti;
31)无人蜂群中第i架无人机在执行任务过程中探测到的范围;
32)无人蜂群发现目标开始监视的时间tstart,目标被摧毁或离开无人蜂群监视区域的时间tend;
33)无人蜂群中第i架无人机能够攻击到的范围;
34)对抗任务中第i个目标的毁伤程度Mi,计划中第i个目标的幅员Si,对抗任务中所有目标的总幅员;
35)所有收到攻击的友方单位的数量k,第i个被攻击的友方单位其健康值降低的数值hi;
36)无人蜂群中第i架无人机干扰范围;
37)无人蜂群中第i个目标收到干扰的持续时间durationi;
38)无人蜂群中第i架无人机干扰目标的数量target_counti;
39)无人蜂群在样本中欺骗干扰成功次数ni;
40)无人蜂群在任务执行时被封锁的目标的数量;
41)无人蜂群封锁第i个目标时覆盖的范围。
值得注意的是,对于环境配置、无人蜂群构型和挂载、任务配置等数据的获取,可以是在配置过程中逐步获取的,也可以是在配置全部完成后一次性获取出来;但是对于试验执行过程中的实时数据,必须通过边执行测试边获取的方式得到测试数据。
进一步的,步骤5中计算无人蜂群基本能力、任务能力和智能水平的评估指标,具体各指标如下:
步骤5.1:计算无人蜂群基本能力的评估指标
计算无人蜂群的执行时间、航程、弹药消耗和能耗等结果,形成对于无人蜂群基本能力评估的框架体系。
步骤5.2:计算无人蜂群任务能力的评估指标
步骤5.2.1:计算无人蜂群的探测覆盖范围、探明目标数量、持续监视时间,得到无人蜂群侦察监视能力的评估指标;
步骤5.2.2:计算无人蜂群的覆盖范围、目标毁伤程度、误伤数量,得到无人蜂群打击能力的评估指标;
步骤5.2.3:计算无人蜂群的干扰覆盖范围、干扰目标数量、干扰压制系数、欺骗干扰成功比率,得到无人蜂群电子干扰能力的评估指标;
步骤5.2.4:计算无人蜂群的覆盖范围、持续封锁时间,得到无人蜂群封锁控制能力的评估指标;
步骤5.2.5:结合无人蜂群的侦察监视能力、打击能力、电子干扰能力、封锁控制能力,形成无人蜂群任务能力评估的框架体系。
步骤5.3:计算无人蜂群智能水平能力的评估指标
步骤5.3.1:计算目标探测能力、目标识别能力、目标危险等级判断能力、区域搜索范围、目标意图推理能力、区域目标搜索发现能力、区域目标定位能力、目标跟踪能力,得到无人蜂群感知能力的评估指标;
步骤5.3.2:计算结构中心性、蜂群可扩展性、蜂群抗毁性,得到无人蜂群鲁棒性的评估指标;
步骤5.3.3:计算最小空间密度、最大空间密度、时间互干扰概率密度、空间互干扰概率密度、信息传播速率、应激扩散速率、子群管理能力,得到无人蜂群自组织性的评估指标;
步骤5.3.4:计算编队组成、编队保持、编队队形支持数量、编队队形收敛速度、编队时空误差、节点能力协同向量中位数、子群构建时空满足率,得到无人蜂群可变换编队的评估指标;
步骤5.3.5:计算基于新行为识别的涌现性、基于信息交互强度的涌现性、基于系统熵的涌现性,得到无人蜂群涌现性的评估指标;
步骤5.3.6:计算体系兼容能力、部署能力、机动能力、人机交互能力、可扩展升级能力,得到无人蜂群系统级能力的评估指标;
步骤5.3.7:计算飞行能力、发射起飞及回收能力、通讯导航能力、情报处理能力,得到无人蜂群通用平台能力的评估指标;
步骤5.3.8:计算规划时间、路径规划合理性、任务分配时间、任务调整次数、路径规划时间、任务完成度、路径调整次数,得到无人蜂群规划决策能力的评估指标;
步骤5.3.9:计算态势感知提升度量、未知信息推理度量、编队效率提升度量、路径规划效率提升度量、任务规划效率提升度量、学习趋势稳定性度量,得到无人蜂群进化学习能力的评估指标;
步骤5.3.10:计算人工干预率、平均干预间隔时间、干预信息熵,得到无人蜂群非干预性的评估指标;
步骤5.3.11:结合步骤5.3.1~5.3.5的评估指标,形成无人蜂群技术能力评估的框架体系;
步骤5.3.12:结合步骤5.3.6~5.3.10的评估指标,形成无人蜂群战术能力评估的框架体系;
步骤5.3.13:结合技术能力和战术能力,形成无人蜂群智能水平能力评估的框架体系。
步骤6中得到无人蜂群自主协同能力的评估结果具体是:
步骤6.1:根据步骤5.1形成的无人蜂群基本能力框架体系,进行无人蜂群基本能力的评估;
步骤6.2:根据步骤5.2形成的无人蜂群任务能力框架体系,进行无人蜂群任务能力的评估;
步骤6.3:根据步骤5.3形成的无人蜂群智能水平能力框架体系,进行无人蜂群智能水平能力的评估;
步骤6.4:综合无人蜂群基本能力、任务能力和智能水平能力的评估,进一步进行无人蜂群自主协同能力的评估。
根据基本能力、任务能力、智能水平的评估框架体系,利用层次分析、网络分析、因子分析、系统效能评估(ADC)、云模型、机器学习等方法得到基本能力、任务能力、智能水平能力的评估结果;进一步的,根据基本能力、任务能力、智能水平的能力评估,得到无人蜂群自主协同能力的全面评估。
值得注意的是,在本发明中,无人蜂群的基本能力评估和任务能力评估中所有度量指标均是必选项,无人蜂群智能水平评估中的度量指标测试方可根据测试需求选择。
基于同一发明构思,本发明还提供一种采用上述方法的基于虚拟仿真的无人蜂群自主协同评估系统,其包括:
虚拟仿真环境配置参数获取模块,用于构建虚拟仿真环境,并获取虚拟仿真环境的配置参数;
无人蜂群配置参数获取模块,用于根据被测对象配置无人蜂群构型、挂载等,获取无人蜂群的配置参数;
测试任务配置参数获取模块,用于配置无人蜂群测试任务,获取无人蜂群测试任务的配置参数;
实时参数获取模块,用于执行无人蜂群测试任务,获取无人蜂群任务执行过程中的实时参数;
评估指标计算模块,用于综合获取的虚拟仿真环境的配置参数、无人蜂群的配置参数、无人蜂群测试任务的配置参数和无人蜂群任务执行过程中的实时参数,计算无人蜂群的基本能力指标、任务能力指标、智能水平指标;
自主协同能力评估模块,用于根据指标计算的结果,进行无人蜂群自主协同能力的评估。
本发明的创新点主要包括:
本发明提出了一种基于虚拟仿真的无人蜂群自主协同能力评估方法,将自动驾驶的虚拟仿真引入无人蜂群测试方法,设计出基于虚拟仿真的无人蜂群测试框架;
使用虚拟仿真的无人蜂群测试框架,采集测试环境配置、无人蜂群构型和挂载配置、测试任务配置等配置数据,在试验执行过程中采集无人蜂群测试实时数据,进行指标计算,进一步得到无人蜂群基本能力指标、无人蜂群任务能力指标、无人蜂群智能水平指标;
通过无人蜂群基本能力指标、无人蜂群任务能力指标、无人蜂群智能水平指标,使用神经网络等方法,最终得到无人蜂群自主协同能力评估结果。
本发明与现有技术相比的优点在于:
(1)将虚拟仿真技术引入无人蜂群测试中,相比于传统的自动驾驶仿真,可提供测试场景复杂多样、无人蜂群组队形式灵活变化的测试方案;
(2)提出了基于虚拟仿真的无人蜂群自主协同能力评估框架,填补了无人蜂群行业测试评估的空白;
(3)基于无人蜂群自主协同能力评估框架,给出了在每一个测试步骤中需要采集的数据,进一步计算得到无人蜂群基本能力指标、无人蜂群任务能力指标、无人蜂群智能水平指标,细化了自主协同能力具体指标的定义和计算方法。
附图说明
图1是基于虚拟仿真的无人蜂群自主协同能力评估框架图。
图2是无人蜂群基本能力评估指标示意图。
图3是无人蜂群任务能力评估指标示意图。
图4是无人蜂群智能水平能力评估指标示意图。
图5是无人蜂群能力评估体系示意图。
图6是无人蜂群技术能力评估示意图。
图7是无人蜂群战术能力示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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地描述,显然,所描述的实施例是本发明一部分实施例,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做出创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围。
本发明的一个实施例提出了一种基于虚拟仿真的无人蜂群自主协同能力评估方法,如图1所示,包括如下步骤:
步骤1:测试方构建虚拟仿真环境,并获取虚拟环境配置参数;
步骤2:测试方配置无人蜂群构型、挂载等,获取无人蜂群的配置参数;
步骤3:测试方配置本次测试任务,获取无人蜂群测试任务的配置参数;
步骤4:执行无人蜂群测试任务,获取无人蜂群任务执行过程中的实时参数;
步骤5:综合步骤1-4中获取的原始数据,计算无人蜂群的基本能力指标、任务能力指标、智能水平指标;
步骤6:根据指标计算的结果,给出无人蜂群自主协同能力评估结果。
进一步的,步骤1中获取的配置参数如下:
1)地图库中的地形地貌;
2)地面建筑目标的设置;
3)天气方案,天气参数的设置,云雨雾雪量的设置;
4)光照设置,高度角、入射角的设置;
5)禁飞区域的设置,电磁干扰设置,风场设置。
这里的环境配置数据可以为后续无人蜂群无人蜂群构型和挂载、任务配置等提供基础数据。
进一步的,步骤2中获取的无人蜂群构型、挂载等配置参数如下:
1)单个无人机节点的载弹量、打击范围、载油量;
2)整个无人蜂群中的节点数N;
3)无人蜂群可以变换的队形数量M;
4)单个无人机节点的链接数degree(i);
5)链接单个无人机节点和的最短路径的数量spj,k;
6)单个无人机SAR的最大作用距离(km)RSAR,SAR的最大搜索总方位角(度)θSAR,同时追踪目标的数量mSAR,对目标的定位精度(m)ΔSAR,SAR的分辨率(m)
7)单个无人机的红外最大作用距离(km)RIR,红外的最大搜索总方位角(度)θIR,同时追踪目标的数量mIR,对目标的定位精度(m)ΔIR,红外的分辨率(m)可接受的最低对比度(CR)IR;
8)单个无人机的光电的最大作用距离(km)REO,光电的最大搜索总方位角(度)θEO,同时追踪目标的数量mEO,对目标的定位精度(m)ΔEO,光电的分辨率(m)可接受的最低对比度(CR)EO;
9)单个无人机在系统仿真的雷达与电子干扰机的干扰条件下,电子干扰机对所模拟雷达的干扰压制系数Kl,单个无人机的目标回波功率PS;
10)系统噪声信号检测阈值V0,系统阈噪比TNR。
进一步的,步骤3主要实现对无人蜂群进行任务配置,获取的具体参数如下:
1)对抗任务中无人蜂群的目标数;
2)执行任务的数量;
3)执行任务的总时长Tw;
4)任务区域面积S;
5)目标识别特征数目m,每个特征的测量次数n;
6)可与单个无人机i(i=1~N)进行能力互补的其它单个无人机数量Ci;
7)与单个无人机同时进行信息传播的其它单个无人机数量L,;
8)无人蜂群分裂成不同子群后,针对同一指定任务执行次数M;
9)现有无人蜂群中单个无人机i与单个无人机j之间的关系数bij;
10)无人蜂群为了完成任务需要人工干预,干预信息有n种取值{U1,…,Ui,…,Un},对应发生概率为{p1,…,pi,…,pn};
11)无人蜂群执行任务的路径数量;
12)无人蜂群执行任务的干扰样本数ns。
进一步的,步骤4的试验执行实现对无人蜂群在执行任务过程中的监控,同时收集后续无人蜂群自主协同能力评估所需的原始数据,获取的具体参数如下:
1)无人蜂群组队的空间体积RS;
2)单个无人机i的单位化速度向量qi,刺激方向qsti,刺激之前无人蜂群的运动方向q0;
3)单个无人机与每个其它单个无人机之间的信息传播速率Vi;
4)在现有无人蜂群中加入一个新无人机后,新无人蜂群中单个无人机i与单个无人机j之间的关系数aij;
5)无人蜂群删除单个无人机之后得到的新蜂群G-vi,删除单个无人机之后新蜂群的路径数量M-ki;
6)无人蜂群从起飞到形成稳定编队所花时间;
7)无人蜂群维持稳定编队的时间期望;
8)任务过程中无人蜂群进行队形变换所用的时间Tftc;
9)无人蜂群中每个无人机的重要度Ii;
10)表示对于单个无人机i当前时刻的位置xi、yi、zi,单个无人机在队形中的期望位置xf、yf、zf;
11)无人蜂群中所有单蜂之间最短路径长度倒数的平均值Z;
12)在指定空域内,蜂群子群协作完成同一任务的总次数S;在S次内,子群协作成功的总次数S1;
13)蜂群集群内所有单个无人机的编队位置小于队形保持精度的时间Tfc;
14)规定时间无人机发生碰撞个体数Cn;
15)目标识别正确的数量Countright;
16)目标识别中第一、二目标特征值的数学期望μ1、μ2,给定目标特征的均方差σ;
17)探测移动目标过程中,第个时间窗口跟踪目标的起止时间(t,t+Δt),t时刻模拟航迹坐标(xt,yt),t时刻真实航迹坐标(Xt,Yt);
18)单个无人机i在每个时刻所探测到的区域Si;
19)单个无人机的SAR的发现概率红外传感器的发现概率/>光电的发现概率/>
20)无人蜂群分裂成不同子群后,执行同一指定任务M次中执行成功的次数M1;
21)无人蜂群为了完成任务需要人工干预的总次数M2;
22)无人蜂群按照规划路线行驶花费的时间t,无人蜂群中进入禁飞区域的飞机数量count;
23)无人蜂群开始路径规划时间点t1,全部无人机路径规划完成时间点t2;
24)无人蜂群第i个条路径所调整的次数adjustment_counti;
25)无人蜂群接收到任务的时间点t3,全部无人机接收到子任务的时间点t4;
26)无人蜂群完成第i个任务所调整的次数adjustment_counti,无人蜂群任务完成数completion_count;
27)tstart为任务开始时间,从无人蜂群中第一架无人机起飞的时刻开始计算,tend为任务结束时间,具体表现为无人蜂群中最后一架无人机降落的时刻;
28)无人蜂群第j个任务的开始与结束时间t_startj和t_endj,在t时刻无人机所在的位置pt;
29)无人蜂群中第i架无人机消耗的弹药数量ammunition_counti;
30)无人蜂群中第i架无人机消耗的能源energy_counti;
31)无人蜂群中第i架无人机在执行任务过程中探测到的范围;
32)无人蜂群发现目标开始监视的时间tstart,目标被摧毁或离开无人蜂群监视区域的时间tend;
33)无人蜂群中第i架无人机能够攻击到的范围;
34)对抗任务中第i个目标的毁伤程度Mi,计划中第i个目标的幅员Si,对抗任务中所有目标的总幅员;
35)所有收到攻击的友方单位的数量k,第i个被攻击的友方单位其健康值降低的数值hi;
36)无人蜂群中第i架无人机干扰范围;
37)无人蜂群中第i个目标收到干扰的持续时间durationi;
38)无人蜂群中第i架无人机干扰目标的数量target_counti;
39)无人蜂群在样本中欺骗干扰成功次数nJ;
40)无人蜂群在任务执行时被封锁的目标的数量;
41)无人蜂群封锁第i个目标时覆盖的范围。
值得注意的是,对于环境配置、无人蜂群构型和挂载、任务配置等数据的获取,可以是在配置过程中逐步获取的,也可以是在配置全部完成后一次性获取出来;但是对于试验执行过程中的实时数据,必须通过边执行测试边获取的方式得到测试数据。
进一步的,步骤5中计算无人蜂群基本能力评估、任务能力评估和智能水平的度量指标,具体各指标如下:
步骤5.1:计算无人蜂群基本能力的评估指标
计算无人蜂群的执行时间、航程、弹药消耗和能耗等结果,形成无人蜂群基本能力评估的框架体系,如图2所示。各指标定义如下:
(1)执行时间:指无人蜂群执行任务的总时间;
(2)航程:指无人蜂群完成任务的期望距离;
(3)弹药消耗:一个无人蜂群在一次完整测试过程中消耗弹药的实际数量;
(4)能耗:无人蜂群在执行任务中的消耗。
步骤5.2:无人蜂群任务能力评估
无人蜂群任务能力评估的具体指标如图3所示,包括以下步骤:
步骤5.2.1:计算无人蜂群的探测覆盖范围、探明目标数量、持续监视时间,得到无人蜂群侦察监视能力的评估指标;各指标定义如下:
(1)探测覆盖范围是指在执行任务的过程中,无人蜂群中每个无人机探测到范围的并集与任务区域面积的比值;
(2)探明目标数量是指评价无人蜂群对于目标识别的能力,由准确率(Accuracy)、精确率(Precision)和召回率(Recall)组成;
(3)持续监视时间是指无人蜂群连续监视某一目标的时间。
步骤5.2.2:计算无人蜂群的覆盖范围、目标毁伤程度、误伤数量,得到无人蜂群打击能力的评估指标;各指标定义如下:
(1)覆盖范围是指在执行任务的过程中,无人蜂群中每个无人机能够攻击到的范围的并集与任务区域面积的比值;
(2)目标毁伤程度是指衡量无人蜂群对目标打击程度;
(3)误伤数量是指无人机对于友方单位进行攻击,造成健康值降低的总和。
步骤5.2.3:计算无人蜂群的干扰覆盖范围、干扰目标数量、干扰压制系数、欺骗干扰成功比率,得到无人蜂群电子干扰能力的评估指标;各指标定义如下:
(1)干扰覆盖范围是指在执行任务的过程中,无人蜂群中每个无人机对周围环境造成干扰的范围的并集与任务区域面积的比值;
(2)干扰目标数量是指无人蜂群成功干扰目标使其通信收到影响的数量;
(3)干扰压制系数是指度量干扰功率与回波功率的比值;
(4)欺骗干扰成功比率是指无人蜂群对样本中欺骗干扰成功概率。
步骤5.2.4:计算无人蜂群的覆盖范围、持续封锁时间,得到无人蜂群封锁控制能力的评估指标;各指标定义如下:
(1)覆盖范围是指在执行任务的过程中,无人蜂群封锁区域与任务区域的比值;
(2)持续封锁时间是指无人蜂群对于目标干扰时间的期望。
步骤5.2.5:结合无人蜂群的侦察监视能力、打击能力、电子干扰能力、封锁控制能力,形成无人蜂群任务能力评估的框架体系。
步骤5.3:计算无人蜂群智能水平能力的评估指标
无人蜂群智能水平能力的评估指标如图4所示,更具体的指标如图6、图7所示,各指标的含义及计算方式如下:
步骤5.3.1:计算目标探测能力、目标识别能力、目标危险等级判断能力、区域搜索范围、目标意图推理能力、区域目标搜索发现能力、区域目标定位能力、目标跟踪能力,得到无人蜂群感知能力的评估指标;各指标的定义及公式如下:
(1)目标探测能力是指无人机对目标进行探测、跟踪、识别以及监视的能力,计算公式如下:
其中,为SAR侦察能力,/>为红外侦察能力,/>为光电侦察能力,ω1、ω2、ω3为权重系数。
为SAR的发现概率;RSAR为SAR的最大作用距离(km);θSAR为SAR的最大搜索总方位角(度);mSAR为同时追踪目标的数量;ΔSAR为对目标的定位精度(m);/>为SAR的分辨率(m)。
为红外传感器的发现概率;RIR为红外的最大作用距离(km);θIR为红外的最大搜索总方位角(度);mIR为同时追踪目标的数量;ΔIR为对目标的定位精度(m);/>为红外的分辨率(m);(CR)IR为可接受的最低对比度。
为光电的发现概率;REO为光电的最大作用距离(km);θEO为光电的最大搜索总方位角(度);mEO为同时追踪目标的数量;ΔEO为对目标的定位精度(m);/>为光电的分辨率(m);(CR)EO为可接受的最低对比度。
(2)目标识别能力是指雷达在搜索发现、探测到目标后,要判断目标属性是否是“无人蜂群”无人机,计算公式如下:
其中μ1、μ2为第一、二目标特征值的数学期望;m为特征的数目;n为每个特征测量次数;σ为给定的特征的均方差,为某种概率密度分布函数,优选的可为标准正态分布概率密度。
(3)目标危险等级判断能力是指目标威胁等级判断能力,则能够更能准确快速的筛选出对我方造成破坏最大的目标,公式如下:
式中,Countright为威胁识别正确的数量,n为目标总数。
(4)区域搜索范围是指在一定约束条件下,将目标搜索区域中遍历搜索的面积,其搜索面积会随着无人机高度、俯仰角、偏航角的变化而变化。公式如下:
S′=St∩(S1∪S2∪…∪Sn)
式中,S1至Sn为无人机在每个时刻所探测到的区域,取他们的并集即得到无人机在执行任务的过程中探测到的区域,将其与目标区域St取并集,即得到其区域搜索范围。
(5)目标意图推理能力是指准确推理目标动作行为,战略、战术意图。
(6)区域目标搜索发现能力是指目标已经出现在系统视场中,通过机载红外搜索跟踪系统(IRST)光学系统对红外辐射信息快速处理后而被自动发现的概率,包括IRST系统虚警概率和平均虚警率。公式如下:
系统中的随机噪声不随外界特定信号的变化而变化,这种随机噪声电压一般符合高斯分布,则IRST系统虚警概率为:
式中,V0为系统信号检测阈值,TNR=V0/Vn为系统阈噪比,v表示实际信号检测阈值。在对红外设备的探测性能进行评估时,主要关注的是设备在一段时间内所引起的虚警次数,若信号的脉冲宽度为τd,则在单位时间t内所引起的虚警次数为平均虚警率:
(7)区域目标定位能力是利用图像处理和信息处理等技术,通过对无人机侦察获得的图像数据、无人机导航系统获得的无人机位置信息和姿态测量数据、光电平台的光轴指向角等信息进行处理与分析,利用齐次坐标变化最终得到目标在大地坐标系下的精确三维坐标(经度、纬度和高度)。
(8)目标跟踪能力是指根据雷达发现移动目标点时间窗口的信息,建立目标模拟航迹,该航迹与真实目标航迹的拟合量化程度能反映出跟踪目标的能力。公式如下:
(t,t+Δt)表示探测移动目标过程中,第i个时间窗口跟踪目标的起止时间,n表示时间窗口总数;xt,yt表示t时刻模拟航迹坐标;Xt,Yt表示t时刻真实航迹坐标。
步骤5.3.2:计算结构中心性、蜂群可扩展性、蜂群抗毁性,得到无人蜂群鲁棒性的评估指标;各指标的定义及公式如下:
(1)结构中心性可衡量网络中节点的重要性,并可用于表征网络拓扑。利用度(degree)和中介度(betweenness)来对单个无人机节点的中心性进行度量。其中,度计算了单个无人机具有的链接数,而中介度则衡量位于所有其他单个无人机之间最短路径上的单个无人机的范围。公式如下:
公式(1)和公式(2)分别显示了计算度数和中介度的方程式,(1)中degree(i)是单个无人机节点i的链接数,n是整个无人蜂群中的节点数。在(2)中spj,k代表链接单个无人机节点j和k的最短路径的数量,而是链接经过单个无人机i的节点j和k的最短路径的数量。
(2)蜂群可扩展性是指每组无人蜂群可根据实际情况扩大一定单个无人机(智能体)的数量,在增加数量的同时,也可以与单个无人机协同处理不同类型的任务,即可在不改变策略和机制的情况下,无人蜂群可自主持续处理问题的能力。
无人蜂群可扩展性S(N)=P(N)/N作为单个无人机的效率,其中N是无人蜂群的大小,P(N)可以衡量完成一定数量任务的时间,任务完成率等。将P(N)扩展到P(N,k,t),其中k是无人蜂群控制算法加上算法参数,t是当前的离散时间步长(群性能随时间变化,描绘出性能曲线)。
e(N1,N2,k)表示由k控制的大小为N2和N1(N2>N1)两个蜂群的度量并行化水平的序列分数,由以下公式表示:
其中/>
其中,N1表示某一个大小为N1的蜂群,N2表示另一个大小为N2的蜂群,这里N2>N1,k取值为Karp-Flatt度量,表示某种概率密度分布函数,其中/>表示N2相对于N1的可扩展性(并行效率),T表示长度为T的时间步长,t∈T。
(3)蜂群抗毁性是指当无人蜂群中出现确定性或者随机性的单个无人机故障,无人蜂群能够维持或恢复对抗效能到可接受程度的能力。公式如下:
无人蜂群抗毁性的评估公式是:即无人蜂群抗毁性为无人蜂群中单个无人机重要度Ii(i=1~N,N为无人蜂群中的单个无人机总数量)的均方差,/>表示无人机重要度均值。抗毁性反映的是单个无人机重要度在整个无人蜂群中的分散程度。Inv的取值越小,则表示无人蜂群中各个无人机重要性的差别越小,无人蜂群抗毁性越高。
其中,单个无人机重要度式中,G表示在删除之前的无人蜂群,M表示在删除之前的无人蜂群的路径数量,G-vi表示将单个无人机vi删除以后所得到的无人蜂群,M-ki表示该无人蜂群中的路径数量。Z表示无人蜂群效率,即无人蜂群中所有单个无人机之间最短路径长度倒数的平均值。
步骤5.3.3:计算最小空间密度、最大空间密度、时间互干扰概率密度、空间互干扰概率密度、信息传播速率、应激扩散速率、子群管理能力,得到无人蜂群自组织性的评估指标;各指标的定义及公式如下:
(1)最小空间密度是指在无人蜂群正常运行过程,单位空域的最小单个无人机数量。公式为Min(M/Rs),式中M表示单个无人机数量,Rs表示空间体积。
(2)最大空间密度是指在无人蜂群正常运行过程,单位空域的最大单个无人机数量。公式为Max(M/Rs),式中M表示单个无人机数量,Rs表示空间体积。
(3)时间互干扰概率密度是指规定时间内,无人蜂群内发生单个无人机碰撞的平均概率。公式如下:
其中,Cn为规定时间发生碰撞个体数,为无人蜂群的单个无人机个体总数,T表示规定时长。
(4)空间互干扰概率密度是指规定空间内,无人蜂群内发生单个无人机碰撞的平均概率。公式如下:
其中,Cn为规定时间发生碰撞个体数,为无人蜂群的单个无人机个体总数,S表示规定空间的体积。
(5)信息传播速率是指单个无人机向其它单个无人机发送信息后,信息在无人蜂群内部的传播速率均值。该指标的评估公式为SUM(Vi)/L,i=1~L。L表示与单个无人机同时进行信息传播的其它单个无人机数量,Vi表示单个无人机与每个其它单个无人机之间的信息传播速率。
(6)应激扩散速率δ表示在接收到外界刺激后,无人蜂群运动方向与刺激方向的接近程度。公式如下:
式中qi为单个无人机i的单位化速度向量,qsti为刺激方向,q0为刺激之前无人蜂群的运动方向。
δ=0表示刺激后所有集群单个无人机均未改变运动方向,δ=1表示集群单个无人机已经与刺激方向一致。
(7)子群管理能力是指该指标指的是无人蜂群分裂成不同子群,并能完成子任务的控制能力。群分裂能力的评估公式为Su=M1/M*100%。其中,M表示无人蜂群分裂成不同子群后,针对同一指定任务执行M次。M1表示这M次中任务执行中,执行成功的次数。
步骤5.3.4:计算编队组成、编队保持、编队队形支持数量、编队队形收敛速度、编队时空误差、节点能力协同向量中位数、子群构建时空满足率,得到无人蜂群可变换编队的评估指标;各指标的定义及公式如下:
(1)编队组成是指无人蜂群从起飞到形成稳定编队所花时间。
(2)编队保持是指无人蜂群维持稳定编队的时间期望。
(3)编队队形支持数量是指该指标指的是无人蜂群可以变换的队形总数。
(4)编队队形收敛速度是指使用无人蜂群队形变换收敛时间比来衡量整个任务过程中编队队形变换的效率。公式如下:
公式中Rflc为一次任务执行过程中的无人蜂群队形变换收敛时间比,Tftc为任务过程中无人蜂群进行队形变换所用的时间,Tw为执行任务的总时长。
(5)编队时空误差是指无人蜂群编队过程中的某个时间点,单个无人机在队形中的实际位置与单个无人机在队形中期望位置的欧氏距离,记为ep。公式如下:
在公式中xi,yi,zi分别表示对于单个无人机i当前时刻的位置,xf,yf,zf对应单个无人机在队形中的期望位置,为了衡量一次任务执行过程中无人蜂群队形保持效率,定义编队收敛率如下:
其中Rfc表示任务执行过程中的编队收敛率,Tfc为集群内所有单个无人机的编队位置小于队形保持精度的时间,Tw为执行任务的总时长。
(6)节点能力协同向量中位数是指逐个计算每个无人机可与其能力互补的其它单个无人机数量,在对这些数量进行排序后,居于中间位置的数量。该度量的评估公式为:假设无人蜂群规模为N,记录可与单个无人机i(i=1~N)进行能力互补的其它单个无人机数量Ci。对C={C1,…,Ci,…,CN}按照从大到小进行排序后,如果Ci为中间位置的数据,则可认为Ci是整个无人蜂群的节点能力向量互补中位度。
(7)子群构建时空满足率是指在某个空域内,多个子群协作完成军事任务的成功率。该指标的评估公式为S1/S*100%。
步骤5.3.5:计算基于新行为识别的涌现性、基于信息交互强度的涌现性、基于系统熵的涌现性,得到无人蜂群涌现性的评估指标;各指标的定义及公式如下:
(1)基于新行为识别的涌现性是指无人蜂群增加新的单个无人机后,导致无人蜂群关系状态发生的变化情况。
该指标的评估公式为其中B={bij}表示现有无人蜂群的关系矩阵,bij表示现有无人蜂群中单个无人机i与单个无人机j之间的关系数。A={aij}表示现有无人蜂群增加一个新单个无人机后产生的新关系矩阵,aij表示新无人蜂群中单个无人机i与单个无人机j之间的关系数。
(2)基于信息交互强度的涌现性是指现有无人蜂群可以在与新单个无人机进行信息交互的基础上,可以获得更多信息的能力。基于信息交互的涌现性可以通过距离度量或使用交互计数来计算。
(3)基于系统熵的涌现性是指单个无人机开始组群后,到组群结束时系统熵之间的差值。
N个单个无人机节点e1,e2,...,eN所组成的系统熵HA计算如下:1)观察所有节点ei(i=1,...,N),并为每个ei分配一个值aj;2)转换属性值aj(即直方图)的概率分布(通过将相对频率视为概率),计算得到在节点集合e1,e2,...,eN中属性aj出现的概率pj;3)计算属性值aj所对应属性A的系统熵HA:
其中,log表示以2为底取对数。
步骤5.3.6:计算体系兼容能力、部署能力、机动能力、人机交互能力、可扩展升级能力,得到无人蜂群系统级能力的评估指标;各指标的定义及公式如下:
(1)体系兼容能力是指按照体系对抗的需要,实现与控制系统的互联互通。
(2)部署能力是指无人蜂群应能够在全疆域部署,全天候全天时使用。
(3)机动能力是指无人蜂群能够随时随地发射,可通过公路、铁路、运输机等多种方式运输。
(4)人机交互能力是指地面站是否有高效的人机交互能力、智能辅助决策能力、单人对无人蜂群的控制能力以及接收指令和上报无人蜂群态势及情报的能力。
(5)可扩展升级能力是指无人蜂群具备与其它有人装备协同对抗的扩展能力。
步骤5.3.7:计算飞行能力、发射起飞及回收能力、通讯导航能力、情报处理能力,得到无人蜂群通用平台能力的评估指标;各指标的定义及公式如下:
(1)飞行能力是指无人机平台具备在规定距离内的持续对抗时间。
(2)发射起飞及回收能力是指无人蜂群可以快速发射和回收的能力。
(3)通讯导航能力是指无人蜂群内具备动态移动自组织网络,无人蜂群可直接或通过中继与地面站进行通信。
(4)情报处理能力是指无人蜂群具备情报信息快速生成与分发能力。
步骤5.3.8:计算规划时间、路径规划合理性、任务分配时间、任务调整次数、路径规划时间、任务完成度、路径调整次数,得到无人蜂群规划决策能力的评估指标;各指标的定义及公式如下:
(1)规划时间是指无人蜂群接收到任务信息,无人蜂群个体完成协同任务规划的时间。
(2)路径规划合理性是指与规划路线的行驶时间以及进入禁飞区域次数相关,公式如下:
其中t1为按照规划路线行驶花费的时间,count为无人蜂群中进入禁飞区域的飞机数量。
(3)任务分配时间是指无人蜂群接收到任务信息,子任务发到全部无人机节点的时间。公式如下:
TAT=t1′-t2
其中t2为无人蜂群接收到任务的时间点,t1′为全部无人机接收到子任务的时间点。
(4)任务调整次数是指表示任务从开始到结束,无人蜂群重新分配子任务的数量的期望。公式如下:
其中n为任务的数量,adjustment_counti为第i个任务所调整的次数。
(5)路径规划时间是指指无人蜂群规划路径花费时间。公式如下:
PAT=t2′-t3
其中t3为无人蜂群开始路径规划时间点,t2′为全部无人机路径规划完成时间点。
(6)任务完成度是指表示无人蜂群完成任务的数量的期望。公式如下:
其中n1为任务的数量,completion_count为任务完成数。
(7)路径调整次数是指表示无人蜂群重新调整路径的数量的期望。公式如下:
其中n2为路径数量,adjustment_counti为第i个条路径所调整的次数。
步骤5.3.9:计算态势感知提升度量、未知信息推理度量、编队效率提升度量、路径规划效率提升度量、任务规划效率提升度量、学习趋势稳定性度量,得到无人蜂群进化学习能力的评估指标;各指标的定义及公式如下:
(1)态势感知提升度量是指评估系统进化后在目标感知方面提升程度。公式如下:
X1=X2-X1
X1:系统进化后对于相同对抗目标感知准确率的统计值;
X2:系统进化前对抗目标感知准确率的统计值。
(2)未知信息推理度量是指评估系统进化后对未知信息理解分析水平。
(3)编队效率提升度量是指评估系统进化后在编队效率方面的提升程度。公式如下:
X2=X4-X3
X3:系统进化后对于编队稳定花费时间的统计值;
X4:系统进化前对于编队稳定花费时间的统计值。
(4)路径规划效率提升度量是指评估系统进化后在路径规划效率方面提升程度。公式如下:
X3=X6-X5
X5:系统进化后对于相同路径规划准确率的统计值;
X6:系统进化前路径规划准确率的统计值。
(5)任务规划效率提升度量是指评估系统进化后在任务规划效率方面提升程度。公式如下:
X4=X8-X7
X7:系统进化后对于相同任务规划准确率的统计值;
X8:系统进化前任务规划准确率的统计值。
(6)学习趋势稳定性度量是指评估系统学习进化过程的趋势稳定程度。
步骤5.3.10:计算人工干预率、平均干预间隔时间、干预信息熵,得到无人蜂群非干预性的评估指标;各指标的定义及公式如下:
(1)人工干预率是指单位时间内,人工干预无人蜂群的次数。公式如下:
M1/(T-T’)
其中,M指的是在“T-T’”时间段内,人工干预的次数;T-T’指的是单位时间间隔。
(2)平均干预间隔时间是指人工干预无人蜂群的时间间隔均值。公式如下:
M2/T
式中,M指的是人工干预的总次数,T指的是无人蜂群执行任务的总时间长度。
(3)干预信息熵是指操作人员对无人蜂群进行干预时,所发送信息的信息熵。公式如下:
即干预信息熵表示为单个干预信息不确定性的统计平均值。其中,假定干预信息有n种取值{U1,…,Ui,…,Un},对应发生概率为{p1,…,pi,…,pn}。则单个干预信息不确定性即为-log(pi)。
步骤5.3.11:结合步骤5.3.1~5.3.5的评估指标,形成无人蜂群技术能力评估的框架体系;
步骤5.3.12:结合步骤5.3.6~5.3.10的评估指标,形成无人蜂群战术能力评估的框架体系;
步骤5.3.13:结合技术能力和战术能力,形成无人蜂群智能水平能力评估的框架体系。
步骤6中得到无人蜂群自主协同能力的评估结果,其采用的无人蜂群能力评估体系如图5所示,具体是:
步骤6.1:根据步骤5.1形成的无人蜂群基本能力框架体系,进行无人蜂群基本能力的评估;
步骤6.2:根据步骤5.2形成的无人蜂群任务能力框架体系,进行无人蜂群任务能力的评估;
步骤6.3:根据步骤5.3形成的无人蜂群智能水平能力框架体系,进行无人蜂群智能水平能力的评估;
步骤6.4:综合无人蜂群基本能力、任务能力和智能水平能力的评估,进一步进行无人蜂群自主协同能力的评估结果。
根据基本能力、任务能力、智能水平的评估框架体系,利用层次分析、网络分析、因子分析、系统效能评估(ADC)、云模型、机器学习等方法得到基本能力、任务能力、智能水平能力的评估结果;进一步的,根据基本能力、任务能力、智能水平的能力评估,得到无人蜂群自主协同能力的全面评估。
值得注意的是,在本发明中,无人蜂群的基本能力评估和任务能力评估中所有度量指标均是必选项,无人蜂群智能水平评估中的度量指标测试方可根据测试需求选择。
得到评估结果涉及的层次分析、网络分析、因子分析、系统效能评估(ADC)、云模型、机器学习等方法,现有技术中均有介绍,不是本发明的发明内容,这里不再赘述。
本发明的另一实施例提供一种电子装置(计算机、服务器、智能手机等),其包括存储器和处理器,所述存储器存储计算机程序,所述计算机程序被配置为由所述处理器执行,所述计算机程序包括用于执行本发明方法中各步骤的指令。
本发明的另一实施例提供一种计算机可读存储介质(如ROM/RAM、磁盘、光盘),所述计算机可读存储介质存储计算机程序,所述计算机程序被计算机执行时,实现本发明方法的各个步骤。
本发明未详细阐述的部分属于本领域技术人员的公知技术。
Claims (8)
1.一种基于虚拟仿真的无人蜂群自主协同评估方法,其特征在于,包括以下步骤:
构建虚拟仿真环境,并获取虚拟仿真环境的配置参数;
根据被测对象配置无人蜂群构型、挂载,获取无人蜂群的配置参数;
配置无人蜂群测试任务,获取无人蜂群测试任务的配置参数;
执行无人蜂群测试任务,获取无人蜂群任务执行过程中的实时参数;
综合获取的虚拟仿真环境的配置参数、无人蜂群的配置参数、无人蜂群测试任务的配置参数和无人蜂群任务执行过程中的实时参数,计算无人蜂群的基本能力指标、任务能力指标、智能水平指标;
根据指标计算的结果,进行无人蜂群自主协同能力的评估;
其中,无人蜂群的所述基本能力指标包括:无人蜂群的执行时间、航程、弹药消耗和能耗;
其中,采用以下步骤计算无人蜂群的所述任务能力指标:
1)计算无人蜂群的探测覆盖范围、探明目标数量、持续监视时间,得到无人蜂群侦察监视能力的评估指标;
2)计算无人蜂群的覆盖范围、目标毁伤程度、误伤数量,得到无人蜂群打击能力的评估指标;
3)计算无人蜂群的干扰覆盖范围、干扰目标数量、干扰压制系数、欺骗干扰成功比率,得到无人蜂群电子干扰能力的评估指标;
4)计算无人蜂群的覆盖范围、持续封锁时间,得到无人蜂群封锁控制能力的评估指标;
5)结合无人蜂群的侦察监视能力、打击能力、电子干扰能力、封锁控制能力,形成无人蜂群任务能力评估的框架体系;
其中,采用以下步骤计算无人蜂群的所述智能水平指标:
1)计算目标探测能力、目标识别能力、目标危险等级判断能力、区域搜索范围、目标意图推理能力、区域目标搜索发现能力、区域目标定位能力、目标跟踪能力,得到无人蜂群感知能力的评估指标;
2)计算结构中心性、蜂群可扩展性、蜂群抗毁性,得到无人蜂群鲁棒性的评估指标;
3)计算最小空间密度、最大空间密度、时间互干扰概率密度、空间互干扰概率密度、信息传播速率、应激扩散速率、子群管理能力,得到无人蜂群自组织性的评估指标;
4)计算编队组成、编队保持、编队队形支持数量、编队队形收敛速度、编队时空误差、节点能力协同向量中位数、子群构建时空满足率,得到无人蜂群可变换编队的评估指标;
5)计算基于新行为识别的涌现性、基于信息交互强度的涌现性、基于系统熵的涌现性,得到无人蜂群涌现性的评估指标;
6)计算体系兼容能力、部署能力、机动能力、人机交互能力、可扩展升级能力,得到无人蜂群系统级能力的评估指标;
7)计算飞行能力、发射起飞及回收能力、通讯导航能力、情报处理能力,得到无人蜂群通用平台能力的评估指标;
8)计算规划时间、路径规划合理性、任务分配时间、任务调整次数、路径规划时间、任务完成度、路径调整次数,得到无人蜂群规划决策能力的评估指标;
9)计算态势感知提升度量、未知信息推理度量、编队效率提升度量、路径规划效率提升度量、任务规划效率提升度量、学习趋势稳定性度量,得到无人蜂群进化学习能力的评估指标;
10)计算人工干预率、平均干预间隔时间、干预信息熵,得到无人蜂群非干预性的评估指标;
11)结合步骤1)~5)的评估指标,形成无人蜂群技术能力评估的框架体系;
12)结合步骤6)~10)的评估指标,形成无人蜂群战术能力评估的框架体系;
13)结合技术能力和战术能力,形成无人蜂群智能水平能力评估的框架体系;
其中,所述根据指标计算的结果,进行无人蜂群自主协同能力的评估,包括:
根据无人蜂群基本能力框架体系,进行无人蜂群基本能力的评估;
根据无人蜂群任务能力框架体系,进行无人蜂群任务能力的评估;
根据无人蜂群智能水平能力框架体系,进行无人蜂群智能水平能力的评估;
综合无人蜂群基本能力、任务能力和智能水平能力的评估,进行无人蜂群自主协同能力的评估。
2.根据权利要求1所述的方法,其特征在于,所述虚拟仿真环境的配置参数包括:
1)地图库中的地形地貌;
2)地面建筑目标的设置;
3)天气方案,天气参数的设置,云雨雾雪量的设置;
4)光照设置,高度角、入射角的设置;
5)禁飞区域的设置,电磁干扰设置,风场设置。
3.根据权利要求1所述的方法,其特征在于,所述无人蜂群的配置参数包括:
1)单个无人机节点的载弹量、打击范围、载油量;
2)整个无人蜂群中的节点数N;
3)无人蜂群可以变换的队形数量M;
4)单个无人机节点的链接数degree(i);
5)链接单个无人机节点和的最短路径的数量spj,k;
6)单个无人机SAR的最大作用距离RSAR,SAR的最大搜索总方位角θSAR,同时追踪目标的数量mSAR,对目标的定位精度ΔSAR,SAR的分辨率
7)单个无人机的红外最大作用距离RIR,红外的最大搜索总方位角θIR,同时追踪目标的数量mIR,对目标的定位精度ΔIR,红外的分辨率可接受的最低对比度(CR)IR;
8)单个无人机的光电的最大作用距离REO,光电的最大搜索总方位角θEO,同时追踪目标的数量mEO,对目标的定位精度ΔEO,光电的分辨率可接受的最低对比度(CR)EO;
9)单个无人机在系统仿真的雷达与电子干扰机的干扰条件下,电子干扰机对所模拟雷达的干扰压制系数Kl,单个无人机的目标回波功率PS;
10)系统噪声信号检测阈值V0,系统阈噪比TNR。
4.根据权利要求1所述的方法,其特征在于,所述无人蜂群测试任务的配置参数包括:
1)对抗任务中无人蜂群的目标数;
2)执行任务的数量;
3)执行任务的总时长Tw;
4)任务区域面积S;
5)目标识别特征数目m,每个特征的测量次数n;
6)可与单个无人机i进行能力互补的其它单个无人机数量Ci;
7)与单个无人机同时进行信息传播的其它单个无人机数量L;
8)无人蜂群分裂成不同子群后,针对同一指定任务执行次数M;
9)现有无人蜂群中单个无人机i与单个无人机j之间的关系数bij;
10)无人蜂群为了完成任务需要人工干预,干预信息有n种取值{U1,…,Ui,…,Un},对应发生概率为{p1,…,pi,…,pn};
11)无人蜂群执行任务的路径数量;
12)无人蜂群执行任务的干扰样本数ns。
5.根据权利要求1所述的方法,其特征在于,所述无人蜂群任务执行过程中的实时参数包括:
1)无人蜂群组队的空间体积RS;
2)单个无人机i的单位化速度向量qi,刺激方向qsti,刺激之前无人蜂群的运动方向q0;
3)单个无人机与每个其它单个无人机之间的信息传播速率Vi;
4)在现有无人蜂群中加入一个新无人机后,新无人蜂群中单个无人机i与单个无人机j之间的关系数aij;
5)无人蜂群删除单个无人机之后得到的新蜂群G-vi,删除单个无人机之后新蜂群的路径数量M-ki;
6)无人蜂群从起飞到形成稳定编队所花时间;
7)无人蜂群维持稳定编队的时间期望;
8)任务过程中无人蜂群进行队形变换所用的时间Tftc;
9)无人蜂群中每个无人机的重要度Ii;
10)表示对于单个无人机i当前时刻的位置xi、yi、zi,单个无人机在队形中的期望位置xf、yf、zf;
11)无人蜂群中所有单蜂之间最短路径长度倒数的平均值Z;
12)在指定空域内,蜂群子群协作完成同一任务的总次数S;在S次内,子群协作成功的总次数S1;
13)蜂群集群内所有单个无人机的编队位置小于队形保持精度的时间Tfc;
14)规定时间无人机发生碰撞个体数Cn;
15)目标识别正确的数量Countright;
16)目标识别中第一、二目标特征值的数学期望μ1、μ2,给定目标特征的均方差σ;
17)探测移动目标过程中,第个时间窗口跟踪目标的起止时间(t,t+Δt),t时刻模拟航迹坐标(xt,yt),t时刻真实航迹坐标(Xt,Yt);
18)单个无人机i在每个时刻所探测到的区域Si;
19)单个无人机的SAR的发现概率红外传感器的发现概率/>光电的发现概率
20)无人蜂群分裂成不同子群后,执行同一指定任务M次中执行成功的次数M1;
21)无人蜂群为了完成任务需要人工干预的总次数M2;
22)无人蜂群按照规划路线行驶花费的时间t,无人蜂群中进入禁飞区域的飞机数量count;
23)无人蜂群开始路径规划时间点t1,全部无人机路径规划完成时间点t2;
24)无人蜂群第i个条路径所调整的次数adjustment_counti;
25)无人蜂群接收到任务的时间点t3,全部无人机接收到子任务的时间点t4;
26)无人蜂群完成第i个任务所调整的次数adjustment_counti,无人蜂群任务完成数completion_count;
27)tstart为任务开始时间,从无人蜂群中第一架无人机起飞的时刻开始计算,tend为任务结束时间,具体表现为无人蜂群中最后一架无人机降落的时刻;
28)无人蜂群第j个任务的开始与结束时间t_startj和t_endj,在t时刻无人机所在的位置pt;
29)无人蜂群中第i架无人机消耗的弹药数量ammunition_counti;
30)无人蜂群中第i架无人机消耗的能源energy_counti;
31)无人蜂群中第i架无人机在执行任务过程中探测到的范围;
32)无人蜂群发现目标开始监视的时间tstart,目标被摧毁或离开无人蜂群监视区域的时间tend;
33)无人蜂群中第i架无人机能够攻击到的范围;
34)对抗任务中第i个目标的毁伤程度Mi,计划中第i个目标的幅员Si,对抗任务中所有目标的总幅员;
35)所有收到攻击的友方单位的数量k,第i个被攻击的友方单位其健康值降低的数值hi;
36)无人蜂群中第i架无人机干扰范围;
37)无人蜂群中第i个目标收到干扰的持续时间durationi;
38)无人蜂群中第i架无人机干扰目标的数量target_counti;
39)无人蜂群在样本中欺骗干扰成功次数nJ;
40)无人蜂群在任务执行时被封锁的目标的数量;
41)无人蜂群封锁第i个目标时覆盖的范围。
6.一种采用权利要求1~5中任一权利要求所述方法的基于虚拟仿真的无人蜂群自主协同评估系统,其特征在于,包括:
虚拟仿真环境配置参数获取模块,用于构建虚拟仿真环境,并获取虚拟仿真环境的配置参数;
无人蜂群配置参数获取模块,用于根据被测对象配置无人蜂群构型、挂载,获取无人蜂群的配置参数;
测试任务配置参数获取模块,用于配置无人蜂群测试任务,获取无人蜂群测试任务的配置参数;
实时参数获取模块,用于执行无人蜂群测试任务,获取无人蜂群任务执行过程中的实时参数;
评估指标计算模块,用于综合获取的虚拟仿真环境的配置参数、无人蜂群的配置参数、无人蜂群测试任务的配置参数和无人蜂群任务执行过程中的实时参数,计算无人蜂群的基本能力指标、任务能力指标、智能水平指标;
自主协同能力评估模块,用于根据指标计算的结果,进行无人蜂群自主协同能力的评估。
7.一种电子装置,其特征在于,包括存储器和处理器,所述存储器存储计算机程序,所述计算机程序被配置为由所述处理器执行,所述计算机程序包括用于执行权利要求1~5中任一权利要求所述方法的指令。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储计算机程序,所述计算机程序被计算机执行时,实现权利要求1~5中任一权利要求所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110789217.5A CN113536564B (zh) | 2021-07-13 | 2021-07-13 | 基于虚拟仿真的无人蜂群自主协同评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110789217.5A CN113536564B (zh) | 2021-07-13 | 2021-07-13 | 基于虚拟仿真的无人蜂群自主协同评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113536564A CN113536564A (zh) | 2021-10-22 |
CN113536564B true CN113536564B (zh) | 2023-11-28 |
Family
ID=78127614
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110789217.5A Active CN113536564B (zh) | 2021-07-13 | 2021-07-13 | 基于虚拟仿真的无人蜂群自主协同评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113536564B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114440712B (zh) * | 2022-01-20 | 2022-11-08 | 北京理工大学 | 一种面向协同毁伤评估的探测载荷资源调度方法 |
CN116016206B (zh) * | 2022-12-07 | 2023-09-05 | 北京航空航天大学 | 开放环境下无人集群系统的弹性评估方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819439A (zh) * | 2010-03-16 | 2010-09-01 | 清华大学 | 一种无中心环境下无人机协同模拟平台的控制方法及系统 |
CN107592671A (zh) * | 2017-10-19 | 2018-01-16 | 中国空间技术研究院 | 一种网络化多智能体主动变拓扑的自主协同定位方法 |
CN108388270A (zh) * | 2018-03-21 | 2018-08-10 | 天津大学 | 面向安全域的集群无人机轨迹姿态协同控制方法 |
CN110889625A (zh) * | 2019-11-25 | 2020-03-17 | 航天时代飞鸿技术有限公司 | 一种用于蜂群无人机系统的任务规划方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8186589B2 (en) * | 2006-01-11 | 2012-05-29 | Carmel-Haifa University Economic Corporation Ltd. | UAV decision and control system |
-
2021
- 2021-07-13 CN CN202110789217.5A patent/CN113536564B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819439A (zh) * | 2010-03-16 | 2010-09-01 | 清华大学 | 一种无中心环境下无人机协同模拟平台的控制方法及系统 |
CN107592671A (zh) * | 2017-10-19 | 2018-01-16 | 中国空间技术研究院 | 一种网络化多智能体主动变拓扑的自主协同定位方法 |
CN108388270A (zh) * | 2018-03-21 | 2018-08-10 | 天津大学 | 面向安全域的集群无人机轨迹姿态协同控制方法 |
CN110889625A (zh) * | 2019-11-25 | 2020-03-17 | 航天时代飞鸿技术有限公司 | 一种用于蜂群无人机系统的任务规划方法 |
Non-Patent Citations (4)
Title |
---|
2019年国外先进军用无人机研究进展;袁成等;《飞航导弹》(第1期);21-29 * |
A rapid test method for autonomous ability of unmanned control strategy in dangerous situations;LingZhong Meng等;《IEEE Xplore》;49-57 * |
无人机自主集群技术研究展望;段海滨;邱华鑫;陈琳;魏晨;;科技导报(第21期);90-98 * |
软件失效模式的自动生成方法研究;孟令中等;《计算机科学与探索》;第12卷(第11期);1758-1766 * |
Also Published As
Publication number | Publication date |
---|---|
CN113536564A (zh) | 2021-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alam et al. | A survey of safe landing zone detection techniques for autonomous unmanned aerial vehicles (UAVs) | |
CN110866887A (zh) | 一种基于多传感器的目标态势融合感知方法和系统 | |
CN105182997B (zh) | 一种基于电磁仿真的无人机规划航路评估方法 | |
US9464902B2 (en) | Symbiotic unmanned aerial vehicle and unmanned surface vehicle system | |
CN113536564B (zh) | 基于虚拟仿真的无人蜂群自主协同评估方法及系统 | |
RU2652482C2 (ru) | Измерительная система для измерений в отношении дерева | |
CN105700555A (zh) | 一种基于势博弈的多无人机协同搜索方法 | |
CN109960148B (zh) | 一种智能无人系统的自主性评估方法及系统 | |
CN110968941A (zh) | 基于空域安全评估的无人机管控平台及管控方法 | |
CN116185079B (zh) | 一种基于自适应巡航的无人机施工巡检航线规划方法 | |
CN112580537B (zh) | 一种用于多无人机系统持续覆盖特定区域的深度强化学习方法 | |
Carpin et al. | Variable resolution search with quadrotors: Theory and practice | |
Sharma | Evolution of unmanned aerial vehicles (UAVs) with machine learning | |
CN114679729B (zh) | 一种雷达通信一体化的无人机协同多目标探测方法 | |
CN116755466A (zh) | 隧道安全检测方法、设备及可读存储介质 | |
Rahman et al. | Computer vision-based wildfire smoke detection using UAVs | |
KR102349818B1 (ko) | 개선된 cnn 기반으로 한 도로 균열 감지 자율 비행 드론 | |
CN105760813A (zh) | 一种基于植物枝根演化行为的无人机目标检测方法 | |
CN110825105B (zh) | 一种基于无人机的卫片图斑巡查方法及装置 | |
Posch et al. | UAV based search for a radio tagged animal using particle filters | |
CN115097861A (zh) | 一种基于cel-maddpg的多无人机围捕策略方法 | |
Jing et al. | Cooperative deployment multi-objective optimization approach for high-resolution multi-airship earth-observation coverage network | |
Chen et al. | Integrated air-ground vehicles for uav emergency landing based on graph convolution network | |
Li et al. | Intelligent Early Warning Method Based on Drone Inspection | |
CN117150754B (zh) | 基于仿真的激光雷达外参获取方法、电子设备和存储介质 |
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 |