貝葉斯網(wǎng)絡的對地攻擊無人機自主能力評估

嚴驚濤， 劉樹光*， 杜梓冰

(1.空軍工程大學裝備管理與無人機工程學院, 西安, 710051；2.中國飛行試驗研究院, 西安， 710089)

作為承擔未來戰(zhàn)爭“無人作戰(zhàn)”“空中進攻”任務的重要作戰(zhàn)平臺，對地攻擊無人機的任務領域和作戰(zhàn)使用方式不斷拓展，從輔助、支援作戰(zhàn)向進攻作戰(zhàn)、非常規(guī)作戰(zhàn)、編隊集群作戰(zhàn)等高智能模式轉變[1]，這就使得對地攻擊無人機必須具備很高的自主能力。結合作戰(zhàn)任務研究對地攻擊無人機自主能力評估問題，對深度挖掘對地攻擊無人機作戰(zhàn)潛力具有重要意義。

在自主能力評估框架研究方面，比較典型的有Sheridan的自動裝置等級(levels of automation，LOA)、自主控制水平等級(autonomous control level，ACL)、無人系統(tǒng)自主性等級(autonomy levels for unmanned systems，ALFUS)、人機權限四級模型等[2]。在自主能力評價模型方面，文獻[3]依據(jù)無人平臺自主能力分級的原則和方法，提出了二維度和四維度的自主能力分級模型；文獻[4]提出一種神經(jīng)網(wǎng)絡評價方法，實現(xiàn)了多元信息的有效集成；文獻[5]基于灰色關聯(lián)分析法評價無人機自主能力，可以區(qū)分不同類型無人機的自主能力等級；文獻[6]基于層次分析法，實現(xiàn)了大中型無人機自主能力定量評價。

綜合分析公開文獻可以發(fā)現(xiàn)，國內外在無人機自主能力評估方面的研究還處于起步階段，缺乏完整的理論體系，并且已有的研究成果主要是以評價方法為導向的靜態(tài)綜合評價，沒有結合作戰(zhàn)任務和戰(zhàn)場態(tài)勢的動態(tài)變化，對無人機自主能力進行動態(tài)評估[7]。貝葉斯網(wǎng)絡具備不確定知識表達和推理分析能力，能夠實現(xiàn)復雜條件下不確定信息的有效評估和決策。

因此，本文結合對地攻擊無人機使命任務和作戰(zhàn)流程，建立面向全任務過程的自主能力評估指標體系；針對自主能力評估過程的隨機性和不確定性，提出一種基于貝葉斯網(wǎng)絡的自主能力評估方法，并綜合運用改進熵權法和隸屬度加權法確定節(jié)點參數(shù)，實現(xiàn)自主能力的動態(tài)評估和可視化推理分析。

1 自主能力評估指標體系

科學合理的指標體系是無人機自主能力評估和動態(tài)調整的基礎。本文依據(jù)對地攻擊無人機使命任務和作戰(zhàn)過程，構建面向全任務過程的自主能力評估指標體系。

1.1 對地攻擊無人機作戰(zhàn)過程分析

作為未來信息化戰(zhàn)爭重要的空戰(zhàn)武器裝備，對地攻擊無人機擁有超長的續(xù)航能力、強大的掛載能力和快速的反應速度，具備縱深攻擊和攔截作戰(zhàn)能力，能夠執(zhí)行戰(zhàn)略支援、隱蔽突防、壓制防空等作戰(zhàn)任務[8]。對地攻擊無人機執(zhí)行作戰(zhàn)任務具有過程性和階段性特點[9]，因此，對無人機作戰(zhàn)過程進行系統(tǒng)分析有利于構建完善的自主能力評估指標體系。在所執(zhí)行的作戰(zhàn)任務中，隱蔽突防任務的復雜程度最高，其作戰(zhàn)過程分為5個階段，如圖1所示。

圖1 對地攻擊無人機作戰(zhàn)流程圖

1)任務準備階段。無人機指揮所領受作戰(zhàn)任務，研究分析并制定作戰(zhàn)計劃，給對地攻擊無人機裝訂任務規(guī)劃結果，包括航路規(guī)劃和目標分配方案。機務工作準備完畢后，無人機起飛并飛抵指定任務空域。

2)突防階段。飛抵指定任務空域后，若不滿足敵防區(qū)外發(fā)射武器的條件，則依靠隱身性能、電子干擾和機動能力對敵防空火力網(wǎng)進行突防。

3)偵察搜索階段。進入目標區(qū)域，利用機載傳感器和探測雷達獲取戰(zhàn)場環(huán)境和地面目標的狀態(tài)信息，進行信息融合并分析敵我相對態(tài)勢，為攻擊決策提供數(shù)據(jù)支撐。

4)攻擊階段。形成攻擊決策后，根據(jù)無人機和地面目標的相對位置進行火控解算，選擇武器攻擊既定目標。

5)返航階段。任務完成后，進行機動逃逸以迅速脫離危險區(qū)域，按照任務規(guī)劃或重規(guī)劃航線返航著陸。

實際的作戰(zhàn)任務過程更為復雜，對地攻擊無人機可能面臨許多突發(fā)的不確定事件[10]，作戰(zhàn)過程是一個動態(tài)的演化過程。因此，對地攻擊無人機自主能力評估需要考慮3個問題：一是正向問題，當給定作戰(zhàn)方案時，綜合考慮任務復雜度、環(huán)境因素和無人機自身性能等眾多因素[11]，確定無人機自主能力等級，從而實現(xiàn)既定作戰(zhàn)目標和效果；二是中間干涉問題，在作戰(zhàn)任務過程中，由于環(huán)境、敵我態(tài)勢和作戰(zhàn)任務的改變，需要及時調整自主能力；三是逆向問題，如果無法達到期望的自主能力，需要如何調整以接近期望的自主能力。

1.2 對地攻擊無人機自主能力評估指標體系

自主能力為對地攻擊無人機適應高對抗戰(zhàn)場環(huán)境及執(zhí)行復雜任務提供了有力支撐，作戰(zhàn)任務是驅動對地攻擊無人機自主能力動態(tài)調整的關鍵因素。由作戰(zhàn)過程分析可知，對地攻擊無人機執(zhí)行隱蔽突防任務時，感知(observe)、判斷(orient)、決策(decide)、行動(act)環(huán)節(jié)(OODA)在5個不同任務過程中的側重不同，意味著不同任務過程對自主能力的需求也不同。

基于OODA作戰(zhàn)環(huán)理論，同時考慮對地攻擊無人機執(zhí)行任務時的安全性和智能性要求，借鑒文獻[4]的相關研究成果，圍繞感知探測、規(guī)劃決策、作戰(zhàn)執(zhí)行、安全管理和學習進化5個方面構建自主能力評估指標體系，如表1所示。其中，感知探測能力是無人機作戰(zhàn)行動和自主能力調整的先決要素；規(guī)劃決策能力是無人機對地面目標進行自主攻擊的關鍵；作戰(zhàn)執(zhí)行能力是無人機執(zhí)行戰(zhàn)術任務和自主摧毀敵方地面目標的能力；安全管理能力是無人機實現(xiàn)自主飛行的基本保障；學習進化能力是無人機作戰(zhàn)效能增長及智能自主的重要體現(xiàn)。

為反應總體目標層指標在不同作戰(zhàn)階段的能力水平，選取19個影響任務進程的關鍵指標作為第2層指標。以機載裝備系統(tǒng)的性能或所表現(xiàn)的局部能力對作戰(zhàn)過程層指標的支撐程度為依據(jù)，選取關鍵機載裝備參數(shù)或系統(tǒng)局部性能作為第3層指標，對指標進一步細化分解。

表1 對地攻擊無人機自主能力評估指標體系

表1(續(xù))

2 基于BN網(wǎng)絡的自主能力評估模型

根據(jù)作戰(zhàn)任務復雜性和自主能力評估過程的不確定性，本文利用貝葉斯網(wǎng)絡進行自主能力評估，首先綜合改進熵權法和隸屬度加權法確定根節(jié)點先驗概率，基于專家評價法確定子節(jié)點條件概率；其次通過貝葉斯網(wǎng)絡的3種推理模式，進行自主能力動態(tài)評估；最后根據(jù)仿真結果，給出自主能力調整建議，基本流程如圖2所示。

圖2 自主能力評估流程

2.1 貝葉斯網(wǎng)絡

貝葉斯網(wǎng)絡(Bayesian network, BN)又稱信度網(wǎng)，它是以概率論和圖論為基礎，以有向邊表示變量之間的因果關系，以條件概率表示變量之間關系的強弱[12]，描述問題具有形式直觀的特點。BN可用二元組N=表示,其中G=為有向無環(huán)圖，其節(jié)點X={Xi},i=1,2,…，n，A?X×X表示有向邊的集合；P={P(Xi|Pa(Xi)),Xi∈X}為條件概率的集合。在貝葉斯網(wǎng)絡中，離散變量集合X=(X1,X2,…,Xn)的聯(lián)合概率分布P(X)表示為:

(1)

2.2 貝葉斯網(wǎng)絡推理

在知識不確定和信息不完備情況下，貝葉斯網(wǎng)絡的強大推理能力能夠有效融合多源信息，對不確定性問題進行決策分析、推理學習和動態(tài)評估。貝葉斯網(wǎng)絡有3種推理模式：

1)因果推理：一種正向推理過程，根據(jù)成因信息推測出結果，由父節(jié)點的條件概率推測子節(jié)點的條件概率。假設所有父節(jié)點Ei組成的證據(jù)集合為EC,則在此情況下子節(jié)點M狀態(tài)為Mj的概率為：

P(M=Mj/EC)=P(M=Mj|E1=e1,

E2=e2,…,En=en)=

(2)

式中：Ei∈EC；P(E1=e1,E2=e2,…,En=en)為狀態(tài)已知節(jié)點的聯(lián)合概率；n為狀態(tài)已知的父節(jié)點個數(shù)；P(M=Mj|E1=e1,E2=e2,…,En=en)為向前傳導的條件概率。

2)影響因素推理:又稱診斷推理，是一種由果到因的反向推理方式。通過改變子節(jié)點條件概率，觀察相關父節(jié)點在狀態(tài)空間中取每種狀態(tài)的概率，進而分析子指標對上層指標的影響程度。假設已知子節(jié)點狀態(tài)為M=Mj，則父節(jié)點后驗概率分布為：

(3)

3)截斷分析推理:綜合因果推理的前向推理能力和影響因素推理的逆向診斷能力。當中間指標節(jié)點的取值固定時，一方面可以通過前向推理得到評估指標節(jié)點的狀態(tài)，另一方面可通過逆向診斷得出子指標的影響程度。

3種推理模式可以很好地解決1.1節(jié)提出的問題。針對任務前的正向問題，采用因果推理分析本次任務所需自主能力，為戰(zhàn)場態(tài)勢評估提供依據(jù)；針對任務中的中間干涉問題，采用截斷分析推理，對動態(tài)演化的戰(zhàn)場態(tài)勢進行推理分析，快速應對突發(fā)情況；針對任務后的逆向問題，對無人機的自主能力影響因素進行分析，形成評價報告，為下次作戰(zhàn)行動提供自主能力調整策略。

2.3 貝葉斯網(wǎng)絡節(jié)點參數(shù)

貝葉斯網(wǎng)絡的節(jié)點參數(shù)包括根節(jié)點先驗概率和子節(jié)點條件概率。為處理無序的底層數(shù)據(jù)，綜合改進熵權法和隸屬度加權兩種方法計算根節(jié)點先驗概率；為緊密結合作戰(zhàn)任務過程，利用專家評價法確定子節(jié)點條件概率。

2.3.1 根節(jié)點先驗概率

貝葉斯網(wǎng)絡根節(jié)點先驗概率是進行最終評估的基礎，本文提出一種基于改進熵權的隸屬度加權法，主要步驟如下：

Step 1 利用改進熵權法確定指標權重。

①收集子指標數(shù)據(jù)，得到{X1,X2,…,XM}，Xj=(x1j,x2j,…,xnj)T,j=1,2,…,m。

②計算信息熵:

(4)

③計算信息熵冗余度:

dj=1-Hj(j=1,2,…,m)

(5)

值得注意的是，根據(jù)式(5)計算權重，當Hj→1時，信息熵差值的微小變化就會導致熵權差異較大的異?，F(xiàn)象。針對該問題，對式(5)進行改進：

(6)

Step 2 采用隸屬度加權法確定根節(jié)點先驗概率。

①劃分根節(jié)點屬性等級V={V1,V2,…,Vs}，并確定第j個子指標屬于等級Vi的隸屬度γij；

2.3.2 子節(jié)點條件概率

由于缺乏實際觀測數(shù)據(jù)，難以進行有效的參數(shù)學習，本文利用專家評價法確定子節(jié)點條件概率(CPT)，為說明方法，在由節(jié)點A、B、C構成的貝葉斯網(wǎng)絡中，假設A、B為節(jié)點C的父節(jié)點。首先根據(jù)專家經(jīng)驗和歷史數(shù)據(jù)的分類，劃分節(jié)點屬性等級，設節(jié)點A、B、C的屬性等級均為V={好，差}；而后，邀請專家評定打分，得節(jié)點C的條件概率，見表2。

表2 節(jié)點C的CPT

3 仿真驗證與分析評估

假定某型對地攻擊無人機領受對地攻擊任務，按照1.1節(jié)介紹的作戰(zhàn)流程開展行動，需要對其自主能力進行評估。無人機自主能力發(fā)展趨勢是遙控-半自主-全自主，因此，將對地攻擊無人機自主能力分為一級(遙控)、二級(半自主)和三級(完全自主)3個等級。

3.1 節(jié)點參數(shù)確定

節(jié)點參數(shù)確定一直是一個難點問題，本文采用基于改進熵權的隸屬度加權法確定先驗概率。改進熵權法改良了傳統(tǒng)熵權公式的缺陷，能夠有效反應數(shù)據(jù)的變異程度；隸屬度加權法可以綜合考慮數(shù)據(jù)特征，得到更為精確的先驗概率。以節(jié)點B5為例，邀請無人機研制和使用專家組成評估組(專家數(shù)量n=10),采用模糊分類方法建立子指標B5屬性等級集合，規(guī)定90分以上為好，80～90分為一般，80分以下為差，如表3所示。

根據(jù)表3給出的子指標數(shù)據(jù)，通過Step1計算步驟，可得根節(jié)點B5的子指標權重為ω={0.348 5,0.257 6,0.220 1,0.173 8}

表3 根節(jié)點B5指標數(shù)據(jù)

根據(jù)表3中子指標的數(shù)據(jù)和規(guī)定的屬性等級劃分，得到節(jié)點B5的子指標隸屬度，如表4所示。

表4 節(jié)點B5子指標隸屬度

根據(jù)Step2計算節(jié)點B5的先驗概率為P={0.416 8，0.249 3，0.333 9}

3.2 基于作戰(zhàn)任務階段的自主能力分析推理

作戰(zhàn)任務是驅動無人機自主能力動態(tài)變化的關鍵因素。利用2.2節(jié)介紹的推理方式，分別對作戰(zhàn)任務前、中和作戰(zhàn)任務后3個過程進行自主能力推理分析，挖掘深層次的作戰(zhàn)信息。

1)作戰(zhàn)任務前自主能力預估。作戰(zhàn)任務前預估本次任務所需自主能力，實現(xiàn)對戰(zhàn)場態(tài)勢的整體把控。輸入各節(jié)點參數(shù)，采用因果推理，運行仿真工具Netica，得到圖3所示的評估結果。由圖3可知，對地攻擊無人機自主能力等級為三級、二級、一級的概率分別是50.5%、41.4%、8.05%，由最大概率隸屬原則可知自主能力等級為三級，表明執(zhí)行此任務需要較高的自主能力。分別對比子指標A1、A2、A3、A4、A5的good、common、bad的值，可知無人機的行為執(zhí)行能力和感知探測能力較強，而安全管理能力和學習進化能力偏弱。

圖3 貝葉斯網(wǎng)絡自主能力評估模型

2)作戰(zhàn)任務中戰(zhàn)場態(tài)勢推演。隨著任務進程的推進，無人機將面臨復雜多變的戰(zhàn)場環(huán)境帶來的不確定性事件。如何適應急劇動態(tài)變化的戰(zhàn)場場景，并對多元信息進行有效分析、歸納和判斷，成為作戰(zhàn)過程中自主能力決策的關鍵。以突防階段為例，假設敵防空火力及兵力部署情況已知，并且指揮中心將相關數(shù)據(jù)傳輸給對地攻擊無人機，則在突防階段，無人機不需要過多的感知探測能力，將其bad值設為100%并更新模型，見圖4。

圖4 證據(jù)更新后的貝葉斯網(wǎng)絡評估結果圖

此時，無人機自主能力等級為二級。對比圖3和圖4，態(tài)勢感知能力、環(huán)境感知能力、目標探測能力和信息融合能力的good值分別降低18.7%、34.4%、10.4%、14.5%，表明感知探測能力受環(huán)境感知能力影響較大。

3)作戰(zhàn)任務后自主能力影響因素分析。作戰(zhàn)任務結束后，對本次任務進行總結分析，找出影響自主能力的關鍵因素。假設本次任務所需自主能力等級為完全自主(自主能力為三級的概率設為100%)，記為A=Ac，采用影響因素推理更新模型。對比各個節(jié)點先驗概率和后驗概率的變化，并進行排序，排序結果見表5。

針對指標的重要程度分析，采用概率重要度和關鍵重要度[13]來驗證影響因素推理的有效性。

概率重要度描述根節(jié)點狀態(tài)的變化對葉節(jié)點的影響，計算公式為：

IP(i)=P(A=Ac|Li=Lg)+P(A=Ac|Li=Lc)-

2P(A=Ac|Li=Lb)

(7)

式中：Li表示根節(jié)點i的屬性等級；Lg、Lc、Lb分別表示屬性等級為good、common、bad。

關鍵重要度綜合概率和敏感兩個方面考慮子指標對自主能力的貢獻程度，即子指標的關鍵程度，其計算公式為：

(8)

根據(jù)式(7)、(8)計算根節(jié)點的關鍵重要度，計算結果見表5。

表5 影響因素推理和關鍵重要度排序

3.3 基于仿真結果的自主能力調整建議

作戰(zhàn)任務前，根據(jù)實際任務情況預估所需自主能力，選擇合適的無人機機型和載荷類型。由圖3可知，該無人機的感知探測能力和作戰(zhàn)執(zhí)行能力較強，而安全管理能力和學習進化能力偏弱。因此，在飛行任務前需要做好安全檢查工作，以彌補無人機安全管理能力的不足，而學習進化能力偏弱是目前無人機的共性問題，但學習進化能力是高端智能無人機自主能力的重要體現(xiàn)，不容忽視。

作戰(zhàn)任務中，根據(jù)戰(zhàn)場態(tài)勢及任務情況調整無人機自主能力。由圖4可知，若戰(zhàn)場態(tài)勢已知，無人機不需要太高的自主能力。對比感知探測能力子指標的概率變化值，可以發(fā)現(xiàn)感知探測能力的最大影響因素為環(huán)境感知能力。因此，在應急情況下調整無人機感知探測能力，需要著重注意環(huán)境感知能力。

作戰(zhàn)任務后，綜合影響因素推理和關鍵重要度來分析自主能力影響因素。由表5可知，兩種排序結果差別不大，自主能力主要影響因素為態(tài)勢感知能力、環(huán)境感知能力、任務規(guī)劃能力、突防能力和鏈路通信能力。其中，感知能力是對地攻擊無人機自主作戰(zhàn)的先決要素；任務規(guī)劃能力是無人機適應復雜戰(zhàn)場環(huán)境的根本保證；突防能力是任務成敗的關鍵因素；鏈路通信能力是聯(lián)合作戰(zhàn)和編隊集群的基本保障。仿真結果符合客觀實際，證明貝葉斯網(wǎng)絡評估模型具有一定的合理性。

4 結語

1)基于OODA理論，構建了面向全任務過程的評估指標體系，建立了自主能力評估與作戰(zhàn)任務的關聯(lián)關系，滿足了不同任務階段的作戰(zhàn)需求。

2)貝葉斯網(wǎng)絡模型的3種推理模式較好解決了作戰(zhàn)過程中的正向問題、中間干涉問題和逆向問題，為復雜環(huán)境下自主能力決策提供了依據(jù)。

需要指出的是，作戰(zhàn)任務過程中的不確定因素和不可控因素過于繁多，評估模型的有效性還需要進一步結合任務實際進行檢驗，評估體系也需要根據(jù)任務類型進行調整和優(yōu)化。