CN117131940A - 一种面向水面无人艇的态势推理方法 - Google Patents

一种面向水面无人艇的态势推理方法 Download PDF

Info

Publication number
CN117131940A
CN117131940A CN202311043950.8A CN202311043950A CN117131940A CN 117131940 A CN117131940 A CN 117131940A CN 202311043950 A CN202311043950 A CN 202311043950A CN 117131940 A CN117131940 A CN 117131940A
Authority
CN
China
Prior art keywords
situation
task
prediction
unit
unmanned
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.)
Pending
Application number
CN202311043950.8A
Other languages
English (en)
Inventor
赵旭东
刘帆
许梓健
陈曦
胡洋
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.)
China Ship Development and Design Centre
Original Assignee
China Ship Development and Design Centre
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 China Ship Development and Design Centre filed Critical China Ship Development and Design Centre
Priority to CN202311043950.8A priority Critical patent/CN117131940A/zh
Publication of CN117131940A publication Critical patent/CN117131940A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种面向水面无人艇的态势推理方法，该方法包括以下步骤：1)根据水面无人艇的信息进行水面无人艇海上任务态势要素建模，将跨域分布式任务态势要素进行模型描述；2)对建模好的态势要素进行态势编码，提取与态势预测相关的信息，获得以任务单元组合的态势矩阵；3)将经过态势编码后的数据输入到LSTM网络，进行任务单元局部的行动预测和意图预测后，进行全局意图预测；4)使用态势推理模型实现对海上环境中的态势信息补全。本发明提供了一种面向水面无人艇的态势推理方法，通过对无人艇态势要素建模并进行态势编码并训练出态势推理模型，为无人艇任务规划及决策提供有力支撑。

Description

一种面向水面无人艇的态势推理方法
技术领域
本发明涉及无人艇控制技术，尤其涉及一种面向水面无人艇的态势推理方法。
背景技术
态势分析是水面无人艇指挥控制活动的核心环节，也是正确决策的前提和基础。如何在信息不确定、不完备的情况下根据已获取的态势信息与之前的历史数据或先验知识对现有态势进行预测补全是国内外科学与工程技术人员关心的要点。
由于海上态势复杂多变，传感器受海上复杂环境影响导致获取的信息更加不完全，同时可获取的海上环境训练数据较少，现有的态势推理技术对海上环境的态势预测尚存在不足。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种面向水面无人艇的态势推理方法。
本发明解决其技术问题所采用的技术方案是：一种面向水面无人艇的态势推理方法，其特征在于，包括以下步骤：
1)根据水面无人艇的信息采集建立水面无人艇海上任务态势要素建模，将跨域分布式任务态势要素进行模型描述；任务态势要素包括环境要素，任务单元静态要素和动态要素；
所述环境要素指任务区域的海上环境信息；任务单元静态要素包括无人艇的编组信息和无人艇执行任务的类型；任务单元动态要素为无人艇的位置、速度、航向角；
其中，无人艇的编组信息为无人艇以细分任务单元进行的分组情况；
2)对建模好的态势要素进行态势编码，提取与态势预测相关的信息，并基于此进行态势过滤，获得以任务单元组合的态势矩阵；
态势矩阵的每一行向量表示任务单元Ai；包括：(任务单元编号，目标标识，任务单元平台，位置信息，速度信息，航向角，损耗情况，海况等级)；
3)将经过态势编码后的数据输入到LSTM网络，进行任务单元局部的行动预测和意图预测后，进行全局意图预测，训练获得态势推理模型；
4)使用态势推理模型实现对海上环境中的态势信息补全。
按上述方案，所述步骤3)具体如下：
3.1)根据态势编码的数据输入进行任务单元局部的行动预测；
LSTM的行动预测输出为二维离散数据[action,range]
其中，行动预测结果action包括：加速，转弯，匀速前行，减速，停止；
行动的幅度Range包括：紧急，迅速，平稳，缓慢；
3.2)根据态势编码的数据输入进行任务单元局部的意图预测；
意图预测输出为一维离散数据tactic，tactic包括：进攻，侦查，护航，撤退，待命；
3.3)定义t时刻网络的输入为n为待预测的任务单元数量，使用CNN网络提取特征；
其中，x1为t时刻任务单元i的行动预测对应的任务单元动态要素，x1＝[x',y',z',v',α',β',θ']；
x2为任务单元i的意图预测，x3为任务单元i的固有属性，x3＝[标识，平台，生存，海况]；
3.4)把t时刻的所有任务单元的状态输入到CNN中，进行前向传播，得到无人艇的整体态势特征；公式如下所示：
vt＝conv2(Wconv,Xt)+bconv
其中，conv2为二维卷积层函数，Wconv为卷积层的权值矩阵，Xt为t时刻网络的输入，bconv为偏置，vt为卷积网络输出的特征；
3.5)采用循环神经网络RNN单元记忆过去的状态，综合当前状态特征进行全局意图推断；
以无人艇的整体态势特征vt和循环神经网络RNN单元上次输出结果为输入，获得RNN单元输出结果；
然后将输出的结果经过输出层分类得到全局的意图预测，全局意图预测是的整体态势判断，包括5种可能：待命、侦察、决策、打击、评估；
3.6)定义t时刻全局意图为yt 1，对这五种意图进行独热编码，则当yt 1＝[1,0,0,0,0]时，处于待命状态；当yt 1＝[0,1,0,0,0]时，处于侦察状态；当yt 1＝[0,0,1,0,0]时，处于决策状态；当yt 1＝[0,0,0,1,0]时，处于打击状态；当yt 1＝[0,0,0,0,1]时，处于评估状态。公式如下：
z1＝f1(ot×W1+b1)
其中，ot为RNN单元输出结果，W1为输出层1的权重矩阵，b1为输出层1的偏置，f1为激活函数，取f1为Softmax函数，为t时刻预测的全局意图；
训练采用的损失函数为：
其中，pi为样本属于第i类的概率，p＝[p1,p2,..,pc]＝z1，yi为样本的独热编码表示，yt 1＝[y1,y2,..,yc]，当样本属于类别i时，yi＝1，否则yi＝0；C为样本标签数量，C＝5；
RNN单元输出的结果ot经过输出层2得到胜率，胜率为一个表示概率的数，定义t时刻胜率为yt 2，范围在0～1之间，越趋近于0，则胜率越低，越趋近于1，则获胜概率越大，其公式如下：
其中，ot为RNN单元输出结果，W2为输出层2的权重矩阵，b2为输出层2的偏置，f2为激活函数，为t时刻预测的胜率；
训练采用的损失函数为：
其中，为预测的t时刻胜率，yt 2为t时刻胜率。
本发明产生的有益效果是：本发明提供了一种面向水面无人艇的不确定信息条件下的态势推理方法，通过对无人艇海上试验中的历史数据及先验知识建模并进行态势编码，编码后的态势信息作为RNN及LSTM的输入并训练出态势推理模型，使用训练出的态势推理模型实现对海上环境中的不确定、不完备态势信息进行补全，为无人艇任务规划及决策提供有力支撑。
附图说明
下面将结合附图及实施例对本发明作进一步说明，附图中：
图1是本发明实施例的结构示意图；
图2是本发明实施例的任务单元态势编码示意图；
图3是本发明实施例的行动预测及意图预测网络架构示意图；
图4是本发明实施例的循环神经网络结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，一种面向水面无人艇的态势推理方法，包括以下步骤：
1)根据水面无人艇海上任务态势要素建模，将跨域分布式任务态势要素进行数学模型描述；
建模采集的数据包括无人艇海上试验中的历史数据及先验知识；
任务态势要素包括环境要素，任务单元静态要素和动态要素；
所述环境要素指任务区域的海上环境信息；任务单元静态要素包括无人艇的编组信息和无人艇执行任务的类型；任务单元动态要素为无人艇的位置、速度、航向角；
其中，无人艇的编组信息为无人艇以细分任务单元进行的分组情况；
2)对建模好的态势要素进行态势编码，提取与态势预测相关的信息，并基于此进行态势过滤，获得以任务单元组合的态势矩阵；
如图2，态势矩阵的每一行表示任务单元Ai；包括任务单元编号，目标标识，任务单元平台，位置信息，速度信息，航向角，损耗情况，海况等级；
损耗情况指无人艇的能源和设备损耗情况；
然后进行态势信息向量化和定制归一化操作。态势编码的主要工作内容是处理原始态势数据，除此之外还输入了一些静态数据(损耗情况，海况等级)，是基于设定的实体和场景参数。最终形成如图2所示的态势矩阵。
处理原始态势数据提取与态势预测相关的信息时，采用特征向量降维技术将经特征提取后的高维向量以对应权重向低维空间投影，得到新的低维度变量；
3)将经过态势编码后的数据输入到LSTM网络，进行任务单元局部的行动预测和意图预测后，然后进行全局意图预测，训练获得态势推理模型；
整体网络结构图如图3，具体如下：
3.1)根据态势编码的数据输入进行任务单元局部的行动预测；
LSTM的行动预测输出为二维离散数据[action,range]
其中，行动预测结果action包括：加速，转弯，匀速前行，减速，停止；
行动的幅度Range包括：紧急，迅速，平稳，缓慢；
3.2)根据态势编码的数据输入进行任务单元局部的意图预测；
意图预测输出为一维离散数据tactic，tactic包括：进攻，侦查，护航，撤退，待命；
LSTM的损失函数为：
其中，为训练样本中标注的行动及态势预测结果，/>为LSTM网络输出的行动及态势结果。i＝1,2,3分别对应LSTM网络输出的三维数据。
3.3)定义t时刻网络的输入为n为待预测的任务单元数量，使用CNN网络提取特征；
其中，x1为t时刻任务单元i的行动预测对应的任务单元动态要素，x1＝[x',y',z',v',α',β',θ']；
x2为任务单元i的意图预测，x3为任务单元i的固有属性，x3＝[标识，平台，生存，海况]。于是，输入可以看作一个二维的矩阵，每一行是一个任务单元在当前时刻的完整信息。把t时刻的所有任务单元的状态输入到CNN中，进行前向传播，得到整体态势特征；公式如下所示：
vt＝conv2(Wconv,Xt)+bconv
其中，conv2为二维卷积层函数，Wconv为卷积层的权值矩阵，Xt为t时刻网络的输入，bconv为偏置，vt为卷积网络输出的特征。
对全局的意图预测不仅依赖当前时刻的全体任务单元状态，还依赖于过去的任务单元行动状态，因此需要网络能对过去和当前的状态做一个综合的意图预测和胜率判断。循环神经网络的提出便是基于记忆模型的想法，记住前面出现的特征，并依据特征推断后面的结果，因此采用循环神经网络RNN单元记忆过去的状态，综合当前状态特征做出全局意图推断和胜率推断。
以无人艇的整体态势特征vt和循环神经网络RNN单元上次输出结果为输入，获得RNN单元输出结果；
循环神经网络RNN单元如图4所示，其中，U为输入vt的权重矩阵，W是上一次输出值ot-1作为输入的权重矩阵，f是激活函数，H是RNN单元输出层的权重矩阵，g是RNN单元输出层激活函数，st为隐藏层的值，ot为RNN单元输出结果；
然后将输出的结果经过输出层分类得到全局的意图预测，全局意图预测包括5种可能：待命、侦察、决策、打击、评估。
3.4)定义t时刻全局意图为yt 1，对这五种意图进行独热编码，则当yt 1＝[1,0,0,0,0]时，处于待命状态；当yt 1＝[0,1,0,0,0]时，处于侦察状态；当yt 1＝[0,0,1,0,0]时，处于决策状态；当yt 1＝[0,0,0,1,0]时，处于打击状态；当yt 1＝[0,0,0,0,1]时，处于评估状态。公式如下：
z1＝f1(ot×W1+b1)
其中，ot为RNN单元输出结果，W1为输出层1的权重矩阵，b1为输出层1的偏置，f1为激活函数，由于这属于一个分类问题，取f1为Softmax函数，为t时刻预测的全局意图。训练时目标是让网络尽可能地正确分类，因此其损失函数为：
其中pi为样本属于第i类的概率，p＝[p1,p2,..,pc]＝z1，yi为样本的独热编码表示，yt 1＝[y1,y2,..,yc]，当样本属于类别i时，yi＝1，否则yi＝0。C为样本标签数量，本项目中C＝5。
RNN单元输出的结果ot经过输出层2得到胜率，胜率为一个表示概率的数，定义t时刻胜率为yt 2，范围在0～1之间，越趋近于1，则获胜概率越大，其公式如下：
其中，ot为RNN单元输出结果，W2为输出层2的权重矩阵，b2为输出层2的偏置，f2为激活函数，为t时刻预测的胜率。损失函数为：
其中为预测的t时刻胜率，yt 2为t时刻胜率。
LSTM网络获得每个任务单元的行动预测和意图判断后，加上任务单元的固有属性作为输入，经过CNN提取特征，经过RNN网络单元后，经过输出层获得全局意图和胜率。
4)使用训练出的态势推理模型实现对海上环境中的不确定、不完备态势信息进行补全，为无人艇任务规划及决策提供有力支撑。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。

Claims (2)

1.一种面向水面无人艇的态势推理方法，其特征在于，包括以下步骤：
1)根据水面无人艇的信息进行水面无人艇海上任务态势要素建模，将跨域分布式任务态势要素进行模型描述；任务态势要素包括环境要素，任务单元静态要素和动态要素；
所述环境要素指任务区域的海上环境信息；任务单元静态要素包括无人艇的编组信息和无人艇执行任务的类型；任务单元动态要素为无人艇的位置、速度、航向角；
其中，无人艇的编组信息为无人艇以细分任务单元进行的分组情况；
2)对建模好的态势要素进行态势编码，提取与态势预测相关的信息，获得以任务单元组合的态势矩阵；
态势矩阵的每一行向量表示任务单元Ai；包括：(任务单元编号，目标标识，任务单元平台，位置信息，速度信息，航向角，损耗情况，海况等级)；
3)将经过态势编码后的数据输入到LSTM网络，进行任务单元局部的行动预测和意图预测后，进行全局意图预测，训练获得态势推理模型；
4)使用态势推理模型实现对海上环境中的态势信息补全。
2.根据权利要求1所述的一种面向水面无人艇的态势推理方法，其特征在于，所述步骤3)具体如下：
3.1)根据态势编码的数据输入进行任务单元局部的行动预测；
LSTM的行动预测输出为二维离散数据[action,range]
其中，行动预测结果action包括：加速，转弯，匀速前行，减速，停止；
行动的幅度Range包括：紧急，迅速，平稳，缓慢；
3.2)根据态势编码的数据输入进行任务单元局部的意图预测；
意图预测输出为一维离散数据tactic，tactic包括：进攻，侦查，护航，撤退，待命；
3.3)定义t时刻网络的输入为n为待预测的任务单元数量，使用CNN网络提取特征；
其中，x1为t时刻任务单元i的行动预测对应的任务单元动态要素，x1＝[x',y',z',v',α',β',θ']；
x2为任务单元i的意图预测，x3为任务单元i的固有属性，x3＝[标识，平台，生存，海况]；
3.4)把t时刻的所有任务单元的状态输入到CNN中，进行前向传播，得到无人艇的整体态势特征；公式如下所示：
vt＝conv2(Wconv,Xt)+bconv
其中，conv2为二维卷积层函数，Wconv为卷积层的权值矩阵，Xt为t时刻网络的输入，bconv为偏置，vt为卷积网络输出的特征；
3.5)采用循环神经网络RNN单元记忆过去的状态，综合当前状态特征进行全局意图推断；
以无人艇的整体态势特征vt和循环神经网络RNN单元上次输出结果为输入，获得RNN单元输出结果；
然后将输出的结果经过输出层分类得到全局的意图预测，全局意图预测是的整体态势判断，包括5种可能：待命、侦察、决策、打击、评估；
3.6)定义t时刻全局意图为yt 1，对这五种意图进行独热编码，则当yt 1＝[1,0,0,0,0]时，处于待命状态；当yt 1＝[0,1,0,0,0]时，处于侦察状态；当yt 1＝[0,0,1,0,0]时，处于决策状态；当yt 1＝[0,0,0,1,0]时，处于打击状态；当yt 1＝[0,0,0,0,1]时，处于评估状态。公式如下：
z1＝f1(ot×W1+b1)
yt 1'＝argmax(z1)
其中，ot为RNN单元输出结果，W1为输出层1的权重矩阵，b1为输出层1的偏置，f1为激活函数，取f1为Softmax函数，yt 1'为t时刻预测的全局意图；
训练采用的损失函数为：
其中，pi为样本属于第i类的概率，p＝[p1,p2,..,pc]＝z1，yi为样本的独热编码表示，yt 1＝[y1,y2,..,yc]，当样本属于类别i时，yi＝1，否则yi＝0；C为样本标签数量，C＝5；
RNN单元输出的结果ot经过输出层2得到胜率，胜率为一个表示概率的数，定义t时刻胜率为yt 2，范围在0～1之间，越趋近于0，则胜率越低，越趋近于1，则获胜概率越大，其公式如下：
yt 2'＝f2(ot×W2+b2)
其中，ot为RNN单元输出结果，W2为输出层2的权重矩阵，b2为输出层2的偏置，f2为激活函数，yt 2'为t时刻预测的胜率；
训练采用的损失函数为：
其中，yt 2'为预测的t时刻胜率，yt 2为t时刻胜率。
CN202311043950.8A 2023-08-17 2023-08-17 一种面向水面无人艇的态势推理方法 Pending CN117131940A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311043950.8A CN117131940A (zh) 2023-08-17 2023-08-17 一种面向水面无人艇的态势推理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311043950.8A CN117131940A (zh) 2023-08-17 2023-08-17 一种面向水面无人艇的态势推理方法

Publications (1)

Publication Number Publication Date
CN117131940A true CN117131940A (zh) 2023-11-28

Family

ID=88857732

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311043950.8A Pending CN117131940A (zh) 2023-08-17 2023-08-17 一种面向水面无人艇的态势推理方法

Country Status (1)

Country Link
CN (1) CN117131940A (zh)

Similar Documents

Publication Publication Date Title
CN110232350B (zh) 一种基于在线学习的实时水面多运动目标检测跟踪方法
CN109214107A (zh) 一种船舶航行行为在线预测方法
CN113176776B (zh) 基于深度强化学习的无人艇天气自适应避障方法
CN111428789A (zh) 一种基于深度学习的网络流量异常检测方法
CN109581339B (zh) 一种基于头脑风暴自动调整自编码网络的声呐识别方法
CN111476285B (zh) 一种图像分类模型的训练方法及图像分类方法、存储介质
CN115512152B (zh) 一种cnn和lstm神经网络组合的船舶轨迹分类方法及系统
CN110737267A (zh) 一种无人船多目标优化方法及无人船智能综合管控系统
CN115063676A (zh) 一种基于ais数据的船舶目标分类方法
CN110751266A (zh) 一种无人机轨迹预测模块及其预测方法
CN112766603A (zh) 一种交通流量预测方法、系统、计算机设备及存储介质
CN113589272A (zh) 一种目标跟踪设备值班日志自动生成方法
CN113128769A (zh) 基于深度学习的智能航班延误预测方法
CN113344243A (zh) 基于改进哈里斯鹰算法优化elm的风速预测方法及系统
CN104504935A (zh) 航海交通管制方法
CN115690568A (zh) 一种基于增量学习的无人艇目标检测方法
CN116152678A (zh) 小样本条件下基于孪生神经网络的海洋承灾体识别方法
CN104504934A (zh) 一种航海交通管制方法
Zhou et al. Nonparametric modeling of ship maneuvering motions in calm water and regular waves based on R-LSTM hybrid method
CN117037006B (zh) 一种高续航能力的无人机跟踪方法
CN118094213A (zh) 基于深度学习的飞行器机动识别系统
CN117456391A (zh) 一种无人机对地军事目标及其关键部位的联合检测方法
CN117131940A (zh) 一种面向水面无人艇的态势推理方法
CN117972315B (zh) 基于混合神经网络预测模型的漂流浮标轨迹预测方法
CN117496131B (zh) 一种电力作业现场安全行为识别方法及系统

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