基于局部動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)的無(wú)人機(jī)態(tài)勢(shì)評(píng)估*

袁覃恩，慕曉冬，易昭湘，王諾婭

（1.火箭軍工程大學(xué)，西安 710025；2.武漢科技大學(xué)管理學(xué)院，武漢 430065）

0 引言

無(wú)人機(jī)（Unmanned Aerial Vehicle）［1］擁有成本低廉，機(jī)動(dòng)性好，使用方便，操作簡(jiǎn)單等優(yōu)點(diǎn)，在諸如偵查、航攝、監(jiān)控、物品投送等方面具有很大的應(yīng)用空間。近年來(lái)，無(wú)人機(jī)技術(shù)發(fā)展十分迅速，無(wú)人機(jī)控制系統(tǒng)的發(fā)展也有著智能化、自主化的趨勢(shì)。無(wú)人機(jī)本身動(dòng)力較小，受天氣、地形等環(huán)境因素影響較大，自主飛行中無(wú)人機(jī)控制系統(tǒng)缺乏對(duì)飛行過(guò)程中突發(fā)事件的應(yīng)急處理能力。因此，深入研究無(wú)人機(jī)態(tài)勢(shì)實(shí)時(shí)評(píng)估方法能夠提高無(wú)人機(jī)執(zhí)行任務(wù)的可靠性，避免事故，降低損失。

近年來(lái)，眾多學(xué)者對(duì)態(tài)勢(shì)評(píng)估技術(shù)進(jìn)行了深入的研究，取得了一系列成果。文獻(xiàn)［2］運(yùn)用串聯(lián)電阻分壓法、改進(jìn)AHP法和熵權(quán)法3種方法對(duì)空戰(zhàn)威脅指標(biāo)權(quán)重進(jìn)行計(jì)算，為評(píng)估空戰(zhàn)威脅提供了一種可行方法。文獻(xiàn)［3］提出了一種采用分層貝葉斯網(wǎng)絡(luò)的自適應(yīng)態(tài)勢(shì)評(píng)估，提高了評(píng)估系統(tǒng)魯棒性。文獻(xiàn)［4］運(yùn)用變權(quán)綜合評(píng)估模型實(shí)現(xiàn)了對(duì)即時(shí)航跡優(yōu)劣的評(píng)估，具有良好的時(shí)效性。文獻(xiàn)［5］提出了一種結(jié)合動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)和方差變換的方法來(lái)感知車輛自動(dòng)變道中的不確定因素，并運(yùn)用于實(shí)際。文獻(xiàn)［6］運(yùn)用變結(jié)構(gòu)動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)將分類信息的不確定度作為態(tài)勢(shì)評(píng)估的證據(jù)，使用概率推理實(shí)現(xiàn)動(dòng)態(tài)環(huán)境下的態(tài)勢(shì)評(píng)估，能夠處理無(wú)人機(jī)飛行過(guò)程中的不確定性信息。在態(tài)勢(shì)評(píng)估眾多方法中動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)能夠處理不確定性信息且能夠進(jìn)行實(shí)時(shí)評(píng)估，具有較高的可用性和較大的潛力，是當(dāng)前研究的熱點(diǎn)。但是運(yùn)用動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)算法對(duì)無(wú)人機(jī)進(jìn)行實(shí)時(shí)態(tài)勢(shì)評(píng)估過(guò)程中注重信息的傳遞和積累，忽略了突發(fā)狀況結(jié)束后不會(huì)對(duì)無(wú)人機(jī)飛行產(chǎn)生持續(xù)影響的實(shí)際情況。

局部動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)方法是在對(duì)航跡分段的基礎(chǔ)上對(duì)態(tài)勢(shì)進(jìn)行實(shí)時(shí)評(píng)估，能夠?qū)ν话l(fā)狀況進(jìn)行感知，為控制系統(tǒng)實(shí)時(shí)決策提供支持。該方法基于任務(wù)實(shí)際情況簡(jiǎn)化了網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，對(duì)突發(fā)狀況具有較強(qiáng)的敏感性，在突發(fā)狀況結(jié)束后能屏蔽突發(fā)狀況對(duì)態(tài)勢(shì)的持續(xù)影響，更加貼合評(píng)估需求。

1 動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)（DBN）

貝葉斯網(wǎng)絡(luò)［7］（BN）是一種圖形化的建模工具，它將圖論和概率論相結(jié)合對(duì)不確定事件進(jìn)行分析和推理，不僅具有完備的數(shù)學(xué)基礎(chǔ)，同時(shí)也具備直觀的知識(shí)表示，已經(jīng)在眾多領(lǐng)域中得到廣泛的應(yīng)用。BN推理與一般的知識(shí)表示方法不同的地方在于當(dāng)證據(jù)發(fā)生改變時(shí)，BN不需要重新建立模型。變量在更多的情況下會(huì)隨著時(shí)間的改變而改變，而靜態(tài)BN無(wú)法處理對(duì)時(shí)間敏感的事件，因此，學(xué)者們提出了動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)［8］（DBN）用于解決時(shí)序問(wèn)題。

2 局部動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)（Local Dynamic Bayesian Network，LDBN）

2.1 基本思想

2.1.1 路徑分段

根據(jù)歷史觀測(cè)數(shù)據(jù)中地形、氣象等情況進(jìn)行分區(qū)，將地形、氣象條件相近且相鄰的區(qū)域劃分為同一區(qū)域。根據(jù)劃分的區(qū)域，將UAV飛行過(guò)程中位于同一區(qū)域的路徑劃分為同一路徑段，完成對(duì)UAV飛行路徑的分段。

2.1.2 局部子網(wǎng)絡(luò)

在飛行過(guò)程中某一段的飛行必須依賴于前置路徑段的完成，如果前置的飛行沒(méi)有完成，則該路徑的飛行無(wú)法進(jìn)行?；谶@種強(qiáng)烈的依賴關(guān)系，每次進(jìn)行推理前對(duì)路徑段進(jìn)行判定，經(jīng)過(guò)判定后各個(gè)路徑段的飛行過(guò)程相互之間可以視為獨(dú)立。為同一路徑段的飛行建立局部子網(wǎng)絡(luò)，不同路徑段的子網(wǎng)絡(luò)相互獨(dú)立，當(dāng)前執(zhí)行過(guò)程只需要構(gòu)建當(dāng)前路徑的局部動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)，得到當(dāng)前路徑段完成的概率。

2.1.3 子網(wǎng)絡(luò)之間信息傳遞

已經(jīng)完成的飛行結(jié)果是確定的，每次推理前進(jìn)行判定，進(jìn)入下一路徑段時(shí)只需要將前置任務(wù)完成狀況作為證據(jù)輸入下一路徑段的局部貝葉斯子網(wǎng)絡(luò)中，其他無(wú)用信息舍去。已經(jīng)完成的路徑段從估計(jì)模型中刪去，減少網(wǎng)絡(luò)的復(fù)雜度。

2.2 貝葉斯網(wǎng)絡(luò)證據(jù)

UAV飛行過(guò)程中可能受到的影響因素主要有風(fēng)、雨、雪等天氣因素，地形，電磁環(huán)境等環(huán)境因素，以及其他飛行物等偶然狀況。因此，貝葉斯網(wǎng)絡(luò)證據(jù)分為3類：

第1類，地形等固定證據(jù)，隨著各個(gè)區(qū)域的劃分，這一類證據(jù)根據(jù)各區(qū)域的具體情況而定，對(duì)各區(qū)域而言是始終存在且固定不變的，其條件好會(huì)提高飛行態(tài)勢(shì)的值，其條件較差則會(huì)降低飛行態(tài)勢(shì)的值。

第2類，天氣等條件證據(jù)，這一類證據(jù)始終會(huì)存在且會(huì)隨時(shí)間發(fā)生變化，其條件好會(huì)提高飛行態(tài)勢(shì)的值，其條件較差則會(huì)降低飛行態(tài)勢(shì)的值。

第3類，區(qū)域內(nèi)的突發(fā)情況，這一類證據(jù)并不一定會(huì)存在，因此，在計(jì)算中只考慮這一類證據(jù)的出現(xiàn)會(huì)降低飛行態(tài)勢(shì)的值，未出現(xiàn)突發(fā)情況則并不增加飛行態(tài)勢(shì)的值。

2.3 推理算法

目前DBN的精確推理算法［9］主要包括前向后向算法（Forwards-Backwards，F(xiàn)B）算法，邊界算法（Frontier Algorithm）以及接口算法（Interface Algorithm）等。由于邊界算法及接口算法運(yùn)用了圖形變換，在處理較大規(guī)模貝葉斯網(wǎng)絡(luò)時(shí)具有優(yōu)勢(shì)，但算法復(fù)雜度較高，對(duì)無(wú)人機(jī)機(jī)載計(jì)算機(jī)負(fù)擔(dān)過(guò)重，而當(dāng)前問(wèn)題網(wǎng)絡(luò)規(guī)模較小，為保證算法實(shí)時(shí)性，采用FB 推理算法［10］：

2.3.1 前向算子

2.3.2 后向算子

2.3.3 后驗(yàn)概率

同一時(shí)間片的前向、后向計(jì)算結(jié)果相乘得到在當(dāng)前觀測(cè)證據(jù)條件下的事件狀態(tài)的后驗(yàn)概率。

2.4 算法流程

評(píng)估算法流程如圖2所示。

評(píng)估算法基本步驟如下：

Step1：讀取UAV飛行航跡。

Step2：對(duì)航跡進(jìn)行分段，并將所有航跡段完成標(biāo)志置0。

Step3：檢查到的第一個(gè)標(biāo)志非1的航跡段作為當(dāng)前段，若所有完成標(biāo)志均為1，則跳轉(zhuǎn)至Step8。

Step4：讀取當(dāng)前段的先驗(yàn)概率并將時(shí)間參數(shù)T置為1。

Step5：讀取當(dāng)前時(shí)刻T的觀測(cè)數(shù)據(jù)。

Step6：在觀測(cè)數(shù)據(jù)和先驗(yàn)概率基礎(chǔ)上，運(yùn)用前向后向算法建立當(dāng)前飛行段的局部動(dòng)態(tài)貝葉斯子網(wǎng)絡(luò)，對(duì)UAV飛行態(tài)勢(shì)進(jìn)行估計(jì)并輸出。

Step7：對(duì)比當(dāng)前UAV所處位置和航跡分段信息判斷該飛行段是否結(jié)束，若已結(jié)束，將航跡完成標(biāo)志置1，進(jìn)入下一路徑段，跳轉(zhuǎn)至Step8；若未結(jié)束，則時(shí)間參數(shù)T增加1，進(jìn)入下一時(shí)間片，跳轉(zhuǎn)至Step3。

Step8：飛行結(jié)束。

3 仿真實(shí)驗(yàn)

假設(shè)UAV執(zhí)行物品投送任務(wù)，根據(jù)UAV的飛行路徑，UAV從A1區(qū)域的S點(diǎn)起飛，依次飛過(guò)區(qū)域A2、A3、A4、A3，到達(dá)終點(diǎn) A5 區(qū)域的 D 點(diǎn)。根據(jù)飛行區(qū)域的歷史觀測(cè)數(shù)據(jù)，將飛行路徑劃分為5個(gè)階段。圖3給出無(wú)人機(jī)初始飛行航跡示意圖。運(yùn)用Matlab平臺(tái)進(jìn)行仿真實(shí)驗(yàn)，對(duì)觀測(cè)數(shù)據(jù)進(jìn)行分級(jí)預(yù)處理得到推理證據(jù)，每次推理輸入評(píng)估系統(tǒng)的數(shù)據(jù)為一個(gè)1×6數(shù)組

式中，A（area）為劃分區(qū)域后當(dāng)前所在區(qū)域的編號(hào)；T（terrain）為當(dāng)前區(qū)域地形數(shù)據(jù)；W（wind）為當(dāng)前風(fēng)力情況數(shù)據(jù)；R（rain）為當(dāng)前下雨情況數(shù)據(jù)；I（interference）為當(dāng)前受到干擾情況；E（emer-gency）為是否監(jiān)測(cè)到突發(fā)狀況。輸出結(jié)果為當(dāng)前狀態(tài)下態(tài)勢(shì)評(píng)估結(jié)果。

3.1 實(shí)驗(yàn)1

Step1：給定一組觀測(cè)數(shù)據(jù)（無(wú)突發(fā)狀況）運(yùn)用動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)（DBN）對(duì)態(tài)勢(shì)進(jìn)行估計(jì)，畫(huà)出態(tài)勢(shì)曲線；給定的觀測(cè)數(shù)據(jù)中固定證據(jù)及條件證據(jù)保持不變，在第8時(shí)刻添加遇到其他飛行器的突發(fā)狀況，運(yùn)用動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)（DBN）對(duì)態(tài)勢(shì)進(jìn)行估計(jì)，畫(huà)出態(tài)勢(shì)曲線。

Step2：給定一組觀測(cè)數(shù)據(jù)（無(wú)突發(fā)狀況）運(yùn)用局部動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)（LDBN）對(duì)態(tài)勢(shì)進(jìn)行估計(jì)，畫(huà)出態(tài)勢(shì)曲線；給定的觀測(cè)數(shù)據(jù)中固定證據(jù)及條件證據(jù)保持不變，在第8時(shí)刻添加遇到其他飛行器的突發(fā)狀況，運(yùn)用局部動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)（LDBN）對(duì)態(tài)勢(shì)進(jìn)行估計(jì)，畫(huà)出態(tài)勢(shì)曲線。

實(shí)驗(yàn)1結(jié)論：

圖4為動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)算法對(duì)飛行任務(wù)態(tài)勢(shì)的估計(jì)，圖5為局部動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)算法對(duì)飛行任務(wù)態(tài)勢(shì)的估計(jì)。由兩圖對(duì)比可知，兩種方法均能夠?qū)l件的變化以及突發(fā)狀況有較好的感知，但在突發(fā)狀況結(jié)束后局部動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)估計(jì)算法能屏蔽突發(fā)狀況對(duì)態(tài)勢(shì)的持續(xù)影響，更加貼合其他飛行器，一旦飛過(guò)就不再對(duì)UAV產(chǎn)生影響的實(shí)際情況。

3.2 實(shí)驗(yàn)2

Step1：在給定的一組觀測(cè)數(shù)據(jù)中固定證據(jù)及條件證據(jù)均相同情況下，分別運(yùn)用動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)（DBN）和局部動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)（LDBN）對(duì)態(tài)勢(shì)進(jìn)行估計(jì)，畫(huà)出態(tài)勢(shì)曲線。

Step2：給定的一組觀測(cè)數(shù)據(jù)中固定證據(jù)及條件證據(jù)與Step1中保持不變，在第8時(shí)刻添加遇到其他飛行器的突發(fā)狀況，分別運(yùn)用動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)（DBN）和局部動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)（LDBN）對(duì)態(tài)勢(shì)進(jìn)行估計(jì)，畫(huà)出態(tài)勢(shì)曲線。

實(shí)驗(yàn)2結(jié)論：

下頁(yè)圖6中未發(fā)生突發(fā)事件，該圖反映的是動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)算法與局部動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)算法在態(tài)勢(shì)估計(jì)中對(duì)變化的條件證據(jù)感知敏感度的對(duì)比，由圖中曲線走勢(shì)可知，LDBN算法的態(tài)勢(shì)曲線在第20、21時(shí)刻出現(xiàn)了明顯波動(dòng)，但DBN算法對(duì)這一波動(dòng)卻無(wú)法感知。LDBN算法由于摒棄了已完成區(qū)域的無(wú)效數(shù)據(jù)，在UAV態(tài)勢(shì)估計(jì)中對(duì)條件證據(jù)的感知比DBN算法更為敏感。

圖7中兩條曲線是固定證據(jù)及條件證據(jù)相同，第8時(shí)刻遇到其他飛行器情況下的態(tài)勢(shì)估計(jì)曲線。該圖反映的是動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)算法與局部動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)算法在態(tài)勢(shì)估計(jì)中發(fā)生突發(fā)狀況下局部情況的對(duì)比。由圖7對(duì)比結(jié)果可知，第8時(shí)刻發(fā)生突發(fā)狀況后，LDBN算法的態(tài)勢(shì)曲線下降幅度明顯大于DBN算法，在對(duì)突發(fā)事件的感知上LDBN算法比DBN算法更為敏感。

3.3 實(shí)驗(yàn)3

將實(shí)驗(yàn)2重復(fù)進(jìn)行10次，記錄所有單次推理的運(yùn)算時(shí)間，分別計(jì)算相同條件下兩種方法運(yùn)算時(shí)間的平均值和最大值。

表1 無(wú)突發(fā)情況330次評(píng)估時(shí)間

表2 出現(xiàn)突發(fā)情況330次評(píng)估時(shí)間

實(shí)驗(yàn)3結(jié)論：

由表1、表2中數(shù)據(jù)可知，在無(wú)突發(fā)情況下LDBN算法平均運(yùn)算速度較DBN算法下降7.89%，最長(zhǎng)評(píng)估時(shí)間長(zhǎng)0.02 ms；在出現(xiàn)突發(fā)情況下LDBN算法運(yùn)算速度較DBN算法下降9.09%，最長(zhǎng)評(píng)估時(shí)間長(zhǎng)0.03 ms。綜上，LDBN算法較DBN算法運(yùn)算速度有所下降，仍具有與動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)接近的實(shí)時(shí)性，符合實(shí)時(shí)評(píng)估要求。

4 結(jié)論

本文在貝葉斯網(wǎng)絡(luò)算法的基礎(chǔ)上，考慮UAV飛行過(guò)程中的實(shí)際情況，對(duì)飛行路徑進(jìn)行分段處理，在路徑分段基礎(chǔ)上對(duì)動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)估計(jì)算法進(jìn)行改進(jìn)，提出了局部動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)算法并進(jìn)行了實(shí)驗(yàn)驗(yàn)證，結(jié)果表明該方法有效可行，在突發(fā)狀況結(jié)束后，局部動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)估計(jì)算法能屏蔽歷史突發(fā)狀況對(duì)態(tài)勢(shì)估計(jì)的錯(cuò)誤影響，提高了局部態(tài)勢(shì)估計(jì)中對(duì)條件證據(jù)和突發(fā)狀況感知的敏感性，對(duì)無(wú)人機(jī)態(tài)勢(shì)實(shí)時(shí)評(píng)估具有參考意義。

參考文獻(xiàn)：

［1］WATTS A C，PERRY J H，SMITH S E，et al.Small unmanned aircraft systems for low-altitude aerial surveys［J］.Journal of Wildlife Management，2016，74（7）：1614-1619.

［2］程天發(fā)，葛泉波，陳哨東，等.基于改進(jìn)空戰(zhàn)威脅評(píng)估模型的權(quán)重計(jì)算方法比較［J］.火力與指揮控制，2016，41（1）：32-36.

［3］LI C，CAO M，TIAN L.Situation assessment approach based on a hierarchic multi-timescale bayesian network［C］//International Conference on Information Science and Control Engineering.IEEE，2015：911-915.

［4］曹岱偉，劉剛.低空飛行器即時(shí)航跡評(píng)估方法及模型［J］.現(xiàn)代電子技術(shù)，2014，38（2）：6-8.

［5］ULBRICH S，MAURER M.Situation assessment in tactical lane change behavior planning for automated vehicles［C］//IEEE，International Conference on Intelligent Transportation Systems.IEEE，2015：975-981.

［6］王長(zhǎng)清，王振玲.基于時(shí)變貝葉斯網(wǎng)絡(luò)的無(wú)人機(jī)態(tài)勢(shì)評(píng)估模型［J］.計(jì)算機(jī)工程，2011，37（15）：152-154.

［7］PEARL B J.Probabilistic reasoning in intelligent systems：network of plausible inference［C］//Designing Intelligent Systems：UNIPUB，1984：1022-1027.

［8］DEAN T，KANAZAWA K.A model for reasoning about persistence and causation ［J］.Computational Intelligence，1989，5（2）：142-150.

［9］ANDRIEU C，DAVY M，DOUCET A.Efficient particle filtering for jump markov systems.application to time-varying autoregressions［J］.IEEE Transactions on Signal Processing，2003，51（7）：1762-1770.

［10］高曉光，陳海洋，符小衛(wèi)，等.離散動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)推理及其應(yīng)用［M］.北京：國(guó)防工業(yè)出版社，2016：47-50.