一种面向多无人机协同探测的多传感器自适应管理方法技术

本发明专利技术涉及一种面向多无人机协同探测的多传感器自适应管理方法。该方法包括采用贝叶斯网络推理技术的目标协同识别模型；利用贝叶斯网络通过离线学习和在线学习的方式得到多传感器特征级别协同感知概率；使用感知信息熵来表征目标类别的“不确定性”；基于感知信息熵建立了目标协同识别到传感器动态管理的“感知‑学习‑决策‑行动”的探测闭环；使用感知信息熵增量作为多无人机协同探测网络的传感器资源动态调度的判断依据；采用遗传算法与粒子群算法相结合的智能优化算法提升“多无人机‑多目标”的分配效率；从多传感器多目标特征综合识别的角度出发，利用多种传感器探测的多种特征对未知目标进行识别。

【技术实现步骤摘要】
一种面向多无人机协同探测的多传感器自适应管理方法
本专利技术属于多无人机协同探测
，特别涉及一种面向多无人机协同探测的多传感器自适应管理方法。
技术介绍
随着科技的迅猛发展，无人机已成为国内外的研究热点。无人机作为一种可控制并能执行多种任务的无人驾驶航空器，无论在军事还是民用都具有广泛的应用前景。未来，集群是无人机的发展趋势。在集群信息共享的过程中，如何将感知到的目标、平台状态信息传递到其他个体，使得整个系统既能满足可用带宽限制以减小被侦测到的概率，又能满足协同控制和决策的需要，是一个非常重要的问题。在多无人机协同探测系统中，多架无人机可配备不同的传感器，通过相互协同工作，获得更大的范围、更高的精度及更强的鲁棒性。要实现态势的协同感知，需要进行协同目标探测、目标识别和融合估计、协同态势理解和共享，以获取完整、清晰、准确的信息，为决策提供支持。现有技术方法一般都是通过融合多个传感器在同一时刻的判决结果，在决策级别进行目标的综合识别，依靠建立的优化目标函数实现传感器的自适应管理。这些技术大都在决策级别目标综合识别的基础上进行传感器优化管理，无法充分发挥多种类型传感器不同探测特征的最大效用；此外，由于战场环境的复杂性，两个传感器有可能会对同一个目标做出相反的判决，有可能会造成像基于D-S证据理论的传感器自适应调度算法的失效。在多无人机协同探测网络中，不同种类、不同工作模式的传感器能够提供目标不同特征的描述，通过综合多个特征的信息，能够产生比系统中任何一个传感器更有效、更准确的身份估计和判决。因此，在多无人机协同探测过程中，一方面可以通过融合多种不同探测特征信息，使目标识别概率最大；另一方面，考虑目标的独特性，不同的目标特征对目标身份识别的贡献度不一样，因此在多传感器管理过程中应该选择携带合适的传感器的无人机使探测目标特征最有利于识别。
技术实现思路
鉴于上述问题，本专利技术提出以下方案，其目的在于希望通过这种协同探测的多传感器自适应管理方法，提升整个多无人机协同探测网络的识别时效性。为了实现上述目的，本专利技术采取的技术方案为：1.一种面向多无人机协同探测的多传感器自适应管理方法，其特征在于，该方法包括：步骤A：建立采用贝叶斯网络推理技术的目标协同识别模型，进行综合识别：在某一个控制周期k，采用N部不同类型的传感器探测M个未识别目标，其探测特征向量值为Xk＝(x1,x2,…,xm)，则根据贝叶斯理论对目标的判决概率p(wi|Xk)为：其中p(xj|wi)为目标探测的先验概率，p(wi)是目标类型wi出现的概率；步骤B：利用贝叶斯网络通过离线学习和在线学习的方式得到多传感器特征级别协同感知概率；步骤C：使用感知信息熵来表征目标类别的不确定性；各传感器对目标的探测是互相独立的，在k时刻系统的感知信息熵为：X1:k表示第1个控制周期到第k个控制周期传感器累积的目标特征组合，pi(w|X1:k)是指在第k个控制周期已知目标特征组合X1:k的前提下，对第i个目标识别的贝叶斯判决概率，感知信息熵增量△H定义为：△Hk＝Hk(p)-Hk-1(p)，△Hk越大说明对目标的分类不确定性越大，对应的目标更需要携带对应的传感器对它做进一步识别；步骤D：基于感知信息熵建立目标协同识别到传感器动态管理的“感知-学习-决策-行动”的探测闭环；步骤E：使用感知信息熵增量作为多无人机协同探测网络的传感器资源动态调度的判断依据；步骤F：采用遗传算法与粒子群算法相结合的算法来建立多无人机-多目标分配模型：步骤G：从多传感器多目标特征综合识别的角度出发，利用多种传感器探测的多种特征对未知目标进行识别。相比于现有的技术，本专利技术的优点有：1)本专利技术从多传感器多目标特征综合识别的角度出发，充分利用了多种传感器探测的多种特征对未知目标进行识别；2)提升了整个多无人机协同探测网络的识别时效性；3)基于遗传粒子群算法的多无人机-多目标分配算法，结合了粒子群算法设计简单、收敛速度快以及遗传算法求解组合优化问题易于表达的优点；4)采用遗传算法与粒子群算法相结合的智能优化算法提升“多无人机-多目标”的分配效率；通过遗传粒子群算法重新优化分配传感器资源，动态生成携带特定传感器的无人机组合对未知目标进行探测感知，实现了“感知-学习-决策-行动”的探测闭环。附图说明图1是本专利技术的基于感知信息熵增量的多传感器管理流程；具体实施方式下面结合附图说明及具体实施方式对本专利技术进一步说明。基于感知信息熵增量的多传感器管理流程图如图1所示。该流程框架包括离线学习和在线决策两部分。离线学习部分，针对协同探测网络历史探测数据，采用贝叶斯网络对探测目标进行统计分析，得到不同类型传感器对不同类型目标探测特征分布以及全特征模式下的传感器识别先验条件概率分布，作为目标识别在线决策的依据；在第k个控制周期的在线决策过程中，首先对k时刻之前的探测数据进行目标特征提取、离散化，得到已探测目标特征组合，然后对第k时刻分配的新传感器组合，结合传感器探测特征分布预测目标特征。已探测目标特征组合加上预测买不了特征组合可以得到组合的部分目标特征组合，采用贝叶斯推理结合离散学习得到的先验条件概率分布表可以计算得出未知目标的综合识别概率。在此基础上，求解当前时刻传感器网络对未知目标的预测感知信息熵，与上时刻的感知信息熵相减得到感知信息熵增量。感知信息熵增量作为探测系统的反馈输入，在信息熵增量减小的情况下，通过遗传粒子群算法重新优化分配传感器资源，动态生成携带特定传感器的无人机组合对未知目标进行感知，从而实现“感知-学习-决策-行动”的探测闭环。1)目标协同识别模型本专利技术采用贝叶斯网络推理技术实现对待识别目标进行综合识别。贝叶斯网络推理主要应用贝叶斯推理算法以及贝叶斯网络的条件概率表，对识别目标的类型进行概率计算，取概率值最大的目标类型为目标所属类型。设多无人机协同探测网络中，目标种类为W，对于探测目标可以分类到0,1,…W类别上，其中0表示信息不足未能区分目标。假设在某一个控制周期k，采用N部不同类型的传感器探测M个未识别目标，其探测特征向量值为Xk＝(x1,x2,…,xm)，则根据贝叶斯理论对目标的判决概率p(wi|Xk)为：式中，假设各个传感器的探测是相对独立的。其中p(xj|wi)为目标探测的先验概率，p(wi)是目标类型wi出现的概率。p(xj)测量值xj出现的先验概率。贝叶斯准则下，目标类型判断的依据为：2)目标特征提取及离散化贝叶斯推理需要事先建立贝叶斯网络的条件概率表，如示例表1所示，该概率表可以通过对多无人机协同探测系统中传感器的历史探测数据离线学习得到，也可以由专家结合理论及实际工程经验给出。由于贝叶斯网络接受的数值都是离散的数值，而部分传感器提取的目标特征信息通常是连续的，因此需要将连续分布的特征数值模糊转换为离散的特征数值。例如，速度可以按照速度的大小模糊成为“快-中-慢”三个数值；红外特征可以按照目标辐射亮度的大小模糊成为“强-中-弱”三个数值。表1贝叶斯网络的先验条件概率分布表(示例)3)感知信息熵的计算探测系统的目的就是与目标环境互相作用，以进一步减小目标分类的“不确定性”。这种不确定性可以通过信息熵来描述。在多无人机多目标协同探测过程中，假设各传感器对目标的探测是互相独立的，则在本文档来自技高网...

【技术保护点】
1.一种面向多无人机协同探测的多传感器自适应管理方法，其特征在于，该方法包括：步骤A：建立采用贝叶斯网络推理技术的目标协同识别模型，进行综合识别，其中该步骤包括：在某一个控制周期k，采用N部不同类型的传感器探测M个未识别目标，其探测特征向量值为Xk＝(x1，x2，...，xm)，则根据贝叶斯理论对目标的判决概率p(wi|Xk)为：

【技术特征摘要】
1.一种面向多无人机协同探测的多传感器自适应管理方法，其特征在于，该方法包括：步骤A：建立采用贝叶斯网络推理技术的目标协同识别模型，进行综合识别，其中该步骤包括：在某一个控制周期k，采用N部不同类型的传感器探测M个未识别目标，其探测特征向量值为Xk＝(x1，x2，...，xm)，则根据贝叶斯理论对目标的判决概率p(wi|Xk)为：其中p(xj|wi)为目标探测的先验概率，p(wi)是目标类型wi出现的概率，p(xj)测量值xj出现的先验概率；步骤B：利用贝叶斯网络通过离线学习和在线学习的方式得到多传感器特征级别协同感知概率；步骤C：使用感知信息熵来表征目标类别的不确定性，该步骤包括：各传感器对目标的探测是互相独立的，在k时刻系统的感知信息熵为：X1：k表示第1个控制周期到第k个控制周期传感器累积的目标特征组合，pi(w|X1：k)是指在第k个控制周期已知目标特征组合X1：k的前提下，对第i个目标识别的贝叶斯判决概率，感知信息熵增量ΔH定义为：ΔHk＝Hk(p)-Hk-1(p)，ΔHk越大说明对目标的分类不确定性越大，对应的目标更需要携带对应的传感器对它做进一步识别；步骤D：基于感知信息熵建立目标协同识别到传感器动态管理的...

【专利技术属性】
技术研发人员：张钦宇，陈冬强，韩啸，杨毅，韩继泽，陶维晓，
申请(专利权)人：哈尔滨工业大学深圳，
类型：发明
国别省市：广东,44