無人系統(tǒng)集群作戰(zhàn)對抗過程中的態(tài)勢理解*

張 佳，劉清平，辛 斌

（北京理工大學，北京 100081）

0 引言

態(tài)勢理解在指揮控制與決策、智慧交通、網(wǎng)絡安全等諸多領域具有廣泛用途，最早用于研究飛行員對當前飛行狀態(tài)的認知和理解，被定義為飛行員對某一關(guān)注區(qū)域的理解和認識。美國國防部實驗室聯(lián)席理事會將態(tài)勢評估描述為：態(tài)勢評估是基于戰(zhàn)場初級數(shù)據(jù)的融合，將觀測到的敵方兵力構(gòu)成、分布及戰(zhàn)斗活動等與戰(zhàn)場環(huán)境、敵作戰(zhàn)意圖和動機等有效聯(lián)系在一起，估算敵軍作戰(zhàn)模式，預測作戰(zhàn)意圖，在關(guān)鍵作戰(zhàn)時刻作出有效預測，最終形成一張反映敵我雙方作戰(zhàn)情形的綜合態(tài)勢圖，為指揮員高效決策提供強有力的支持。

指揮決策的基本過程是OODA 循環(huán)模型，其中，觀察態(tài)勢和判斷理解即態(tài)勢理解。全面、高水平的態(tài)勢理解是幫助決策者實現(xiàn)高效決策的前提。在有人/無人平臺協(xié)同作戰(zhàn)過程中，快速準確的態(tài)勢理解能為提升指揮決策的速度和精準度提供智能輔助決策支持，實現(xiàn)人機高效協(xié)同作戰(zhàn)。同時，在無人系統(tǒng)集群作戰(zhàn)過程中，態(tài)勢理解能大幅提高無人系統(tǒng)的自主性和智能化水平，為指揮信息系統(tǒng)的設計、作戰(zhàn)計劃的制定提供參考依據(jù)。

早期的態(tài)勢理解應用產(chǎn)生式規(guī)則，但無法解決診斷性推理問題。文獻［9］用貝葉斯網(wǎng)絡建立態(tài)勢理解的計算推理模型，利用變量之間的條件獨立關(guān)系，減少了表示一組隨機變量的聯(lián)合概率分布所需的參數(shù)。文獻［10］利用模糊推理方法建立態(tài)勢理解計算模型，建立和設計規(guī)則庫和模糊推理方法。文獻［11］基于案例推理方法，將多個軍事實體在不同層次上與案例庫進行比對，構(gòu)造對戰(zhàn)場態(tài)勢分析、推理的模型。文獻［12］利用D-S 合成法則將態(tài)勢的影響進行綜合，得到態(tài)勢理解的結(jié)果，但該方法需保證態(tài)勢要素獨立。文獻［13］用神經(jīng)網(wǎng)絡建立態(tài)勢理解計算模型，解決了模糊推理方法中知識表示和推理方法不一致、時空推理能力不足等問題，適用于具有高度非線性、不確定性、涌現(xiàn)性等復雜性特征的聯(lián)合作戰(zhàn)體系。

無人系統(tǒng)作戰(zhàn)具有實時對抗、非完全信息博弈、不確定性大、群體協(xié)作、高動態(tài)等特點。傳統(tǒng)基于專家經(jīng)驗或認知的指揮模式無法有效應對瞬息萬變的戰(zhàn)場態(tài)勢和海量數(shù)據(jù)，準確快速地把握戰(zhàn)略、戰(zhàn)役層面的戰(zhàn)場態(tài)勢是當前的難題。本文以無人系統(tǒng)集群為研究對象，針對作戰(zhàn)對抗過程中的態(tài)勢理解開展研究，設計了一種層次型態(tài)勢理解框架以提高態(tài)勢理解的效率和準確性，針對每層信息的數(shù)據(jù)特點，分別應用極限學習機算法和K 均值聚類算法，實現(xiàn)對戰(zhàn)場態(tài)勢的深入挖掘。

1 多智能體系統(tǒng)的態(tài)勢理解

1.1 層次型態(tài)勢理解框架

本文構(gòu)建的針對無人系統(tǒng)集群作戰(zhàn)的多層態(tài)勢理解框架如圖1 所示。戰(zhàn)場作戰(zhàn)對抗的態(tài)勢分為個體、群組和整體3 個層次，各層信息分別表示個體威脅信息、群組態(tài)勢信息以及整體態(tài)勢信息。個體威脅信息是針對敵方個體信息進行的威脅評估；群組態(tài)勢信息是在動態(tài)劃分敵方群組的基礎上，考慮各個群組成員的威脅信息和其他群組特征信息，得到敵方各作戰(zhàn)群組的態(tài)勢信息；總體態(tài)勢信息由所有的群組態(tài)勢信息組成，體現(xiàn)為總體態(tài)勢圖的形式。群組層次比個體層次涉及的敵方單位數(shù)量更多，需要處理的數(shù)據(jù)量大幅增加，數(shù)據(jù)具有復雜且高度耦合的特點。因此，層次型態(tài)勢理解框架是對復雜戰(zhàn)場數(shù)據(jù)進行不同層次的融合，低層級的融合數(shù)據(jù)作為高層級數(shù)據(jù)融合的輸入，最終得到多層次的戰(zhàn)場態(tài)勢信息。

圖1 層次型態(tài)勢理解框架

1.2 態(tài)勢理解算法

1.2.1 個體威脅評估

個體威脅評估利用各平臺傳感器采集的數(shù)據(jù)對敵方個體單位進行威脅評估，以獲取敵方的威脅信息。無人系統(tǒng)集群作戰(zhàn)平臺的個體威脅評估具有多源輸入的特點，本文采用基于神經(jīng)網(wǎng)絡的方法進行實時威脅評估。個體威脅評估輸入信息包括敵方信息和我方信息，其中，敵方信息包括反映敵方作戰(zhàn)能力和敵方作戰(zhàn)意圖的信息，如圖2 所示。輸出為敵方單位的威脅程度，分為無威脅、威脅低、威脅中和威脅大4 個等級。

圖2 個體威脅評估的輸入模型

黃廣斌教授提出的非迭代訓練方法減少了單隱層神經(jīng)網(wǎng)絡的訓練時間，并提升了網(wǎng)絡泛化能力。極限學習機可從訓練樣本中擬合出復雜的映射關(guān)系，具有學習速度快、泛化能力好、數(shù)據(jù)擬合效果好、能直接構(gòu)建單隱藏層反饋神經(jīng)網(wǎng)絡的優(yōu)點。因此，本文采用極限學習機作為個體威脅評估的推理算法。

極限學習機的學習目標是通過最小化預測誤差損失函數(shù)之和求解輸出權(quán)重β，目標函數(shù)為：

式（1）第1 項是防止參數(shù)過擬合的正則項，C 為預測誤差項的懲罰系數(shù)。求解該目標函數(shù)可視為最小二乘優(yōu)化問題，令目標函數(shù)對于β 的梯度為零：

根據(jù)Moore-Penrose 廣義逆矩陣，可求β 的最優(yōu)解。當訓練樣本數(shù)量n 和隱含層神經(jīng)元個數(shù)L 大小不同時，求解存在兩種情況：

其中，I和I分別表示L 維和n 維的單位矩陣。當計算出β時，完成對極限學習機網(wǎng)絡的訓練。對于一個標簽未知的測試樣本x，可用式（4）預測其標簽y。

其次，線路傳輸方面減少損耗。在線路傳輸中，導線的長度、材質(zhì)、粗細度等都會對傳輸功率產(chǎn)生直接的影響。因此在線路的設計上，要盡量避免線路過長的現(xiàn)象，以免造成電力資源的浪費；在線路的選擇上，宜選擇電阻低、性質(zhì)穩(wěn)定的導線，來節(jié)省電力資源。

構(gòu)建如圖3 所示的網(wǎng)絡結(jié)構(gòu)。輸入層節(jié)點個數(shù)為6，隱含層節(jié)點個數(shù)選取訓練結(jié)果的最佳值，輸出層節(jié)點個數(shù)為1，隱含層神經(jīng)元閾值為a，輸出神經(jīng)元閾值為b，輸入層到隱含層的輸入權(quán)重為W，隱含層到輸出層的輸入權(quán)重為β。激活函數(shù)選用Sigmoid 函數(shù)。

圖3 個體威脅評估的極限學習機網(wǎng)絡結(jié)構(gòu)

個體威脅評估的流程如圖4 所示。

圖4 個體威脅評估流程圖

1.2.2 群組態(tài)勢理解

在戰(zhàn)場環(huán)境中，敵方目標往往集群協(xié)同作戰(zhàn)。在獲得敵方每個單位的威脅信息后，需對多智能體系統(tǒng)探測到的戰(zhàn)場數(shù)據(jù)進行處理，進而劃分敵方群組，最終得到全局態(tài)勢分析。

基于敵方單位的位置和朝向角信息，應用K 均值聚類算法對敵方進行群組劃分。位置信息用經(jīng)緯度坐標表示，記為（x，y），朝向角記作α。敵方第i 個單位和第j 個單位的相似性距離表示為d。

1）在樣本中隨機選取K 個樣本點，構(gòu)建K 個初始群組和聚類中心；

3）重復步驟2），直至新的質(zhì)心與原質(zhì)心相等或小于指定閾值，完成分類。

在該聚類準則的指引下，距離和朝向相近的敵方單位被劃分到同一群組中?？紤]群組成員的分布密度、朝向一致性、威脅度以及到我方作戰(zhàn)群的距離等指標，對每個群組對象進行態(tài)勢分析。第i 組群組成員的分布密度D定義為該群組內(nèi)的成員數(shù)量N/敵方總成員數(shù)量N 的比值，則

得到群組的各參數(shù)后，對各參數(shù)值進行歸一化處理，作為最終輸入到極限學習機中的參數(shù)值。群組態(tài)勢理解的輸入包括分布密度、朝向一致性、威脅度和距離；輸出分為敵方正在進行偵察任務和敵方意圖進攻我方兩類，是一個二分類問題，網(wǎng)絡結(jié)構(gòu)如圖5 所示。輸入層的輸入節(jié)點個數(shù)為4，輸出層的節(jié)點個數(shù)為1，激活函數(shù)為Sigmoid 函數(shù)。

圖5 群組態(tài)勢理解的極限學習機網(wǎng)絡結(jié)構(gòu)

在AnyLogic 軟件中半自動生成樣本，搭建敵我交火場景。記錄每個場景的模型輸入和輸出信息，將上述數(shù)據(jù)做歸一化處理后，把生成的樣本隨機分成訓練樣本和測試樣本。群組態(tài)勢理解的過程如圖6 所示。

圖6 群組態(tài)勢理解流程圖

2 仿真驗證

2.1 個體威脅評估算法的仿真驗證

為驗證個體威脅評估算法的有效性，本文隨機選定作戰(zhàn)情形并用定性分析方法進行驗證。戰(zhàn)場大小為10 km×6 km，考慮河流等障礙物。我方在戰(zhàn)場中用紅色表示，由15 輛坦克組成，每個成員都具有偵察和打擊能力，但探測打擊范圍和打擊能力各不相同。敵方在戰(zhàn)場中用藍色表示，由坦克、無人機、偵察車和反坦克導彈車組成，共計12 個。偵察車不具備打擊能力，無人機和反坦克導彈車對我方坦克形成克制關(guān)系。

在作戰(zhàn)場景中采集戰(zhàn)場數(shù)據(jù)，計算得到個體威脅評估的結(jié)果如下頁圖7 所示。

圖7 威脅度值

圖7 中，敵導彈車0、敵坦克2、敵坦克4 的威脅度都較高。對應在場景圖圖8 中，敵方坦克2 離我方坦克7 的距離相對較近，且朝向角指向我方單位；敵方坦克4 距離我方坦克較近，但朝向角偏離我方單位，計算可知此時坦克2 比坦克4 的威脅度高。導彈車雖然距離我方單位相對較遠，但其打擊能力相對坦克車強，所以導彈車的威脅值也較高。

圖8 個體威脅評估仿真場景圖

如此經(jīng)過100 次實驗證明，個體威脅評估算法能有效對各敵方個體進行快速、實時的威脅評估，為準確進行態(tài)勢理解提供基礎。

2.2 聚類算法的仿真驗證

在隨機生成的作戰(zhàn)場景中驗證聚類劃分效果。任務場景如圖9 所示，敵方單位被劃分為3 個作戰(zhàn)群（藍色圈），分布在戰(zhàn)場的左、中和右部，劃分結(jié)果符合作戰(zhàn)情形。實驗證明，聚類算法可以有效對敵方各單位進行戰(zhàn)斗群組劃分。

圖9 群組劃分仿真場景

2.3 群組態(tài)勢理解算法驗證

本文將BP 神經(jīng)網(wǎng)絡與極限學習機算法進行對比，采用相同的訓練樣本和測試樣本訓練并測試算法模型，訓練樣本量N為1 000 個，測試樣本數(shù)量N為200 個。極限學習機的隱層神經(jīng)元個數(shù)經(jīng)多次實驗設定為500；依據(jù)Kolmogorov 經(jīng)驗公式和多次實驗，BP 神經(jīng)網(wǎng)絡的隱層神經(jīng)元個數(shù)設定為10，學習率為0.2，訓練目標為均方誤差mse≤0.01。

表1 兩種態(tài)勢理解算法樣本訓練和測試結(jié)果

群組態(tài)勢理解的仿真任務場景如圖10 所示，敵方單位被劃分為3 個作戰(zhàn)群（藍色圈）。左起第1個作戰(zhàn)群有6 個作戰(zhàn)單元，包括坦克和無人機，對我方作戰(zhàn)單元形成包圍局勢。群組態(tài)勢理解輸出結(jié)果為該群組意圖進攻我方。左起第2 個和第3 個作戰(zhàn)群距我方作戰(zhàn)群較遠，輸出結(jié)果為進行偵察活動。群組態(tài)勢理解結(jié)果均符合作戰(zhàn)情形。

圖10 群組態(tài)勢理解仿真場景

實驗證明，群組態(tài)勢理解能有效識別敵方作戰(zhàn)群的動態(tài)，所有群組態(tài)勢動態(tài)可組成整體態(tài)勢情況，從而輔助指揮員更好地理解戰(zhàn)場態(tài)勢，進行高效準確決策。

3 結(jié)論

本文以戰(zhàn)場指揮決策的智能化為目標，針對無人系統(tǒng)集群作戰(zhàn)對抗過程中的戰(zhàn)場態(tài)勢理解開展研究。構(gòu)建了層次型態(tài)勢理解框架，并按照不同的態(tài)勢層次，對戰(zhàn)場數(shù)據(jù)進行不同層次的融合，分層次處理動態(tài)的戰(zhàn)場信息，最終得到多層次的戰(zhàn)場態(tài)勢信息。通過仿真實驗，驗證了該態(tài)勢理解框架可有效地處理復雜的戰(zhàn)場信息，幫助指揮員更好地把握戰(zhàn)場態(tài)勢并作出決策。