一种面向水面无人艇的态势推理方法技术

本发明专利技术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：

【技术实现步骤摘要】
一种面向水面无人艇的态势推理方法


[0001]本专利技术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
。

技术介绍

[0002]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
。
[0003]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
。

技术实现思路

[0004]本专利技术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
。
[0005]本专利技术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：
[0006]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；
[0007]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；
[0008]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；
[0009]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；
[0010]态势矩阵的每一行向量表示任务单元
A
i
；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
)
；
[0011]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；
[0012]4)
使用态势推理模型实现对海上环境中的态势信息补全
。
[0013]按上述方案，所述步骤
3)
具体如下：
[0014]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；
[0015]LSTM
的行动预测输出为二维离散数据
[action,range][0016]其中，行动预测结果
action
包括：加速，转弯，匀速前行，减速，停止；
[0017]行动的幅度
Range
包括：紧急，迅速，平稳，缓慢；
[0018]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；
[0019]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；
[0020]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；
[0021]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
']；
[0022]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
]；
[0023]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：
[0024]v
t
＝
conv2(W
conv
,X
t
)+b
conv
[0025]其中，
conv2
为二维卷积层函数，
W
conv
为卷积层的权值矩阵，
X
t
为
t
时刻网络的输入，
b
conv
为偏置，
v
t
为卷积网络输出的特征；
[0026]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；
[0027]以无人艇的整体态势特征
v
t
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；
[0028]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；
[0029]3.6)
定义
t
时刻全局意图为
y
t1
，对这五种意图进行独热编码，则当
y
t1
＝
[1,0,0,0,0]时，处于待命状态；当
y
t1
＝
[0,1,0,0,0]时，处于侦察状态；当
y
t1
＝
[0,0,1,0,0]时，处于决策状态；当
y
t1
＝
[0,0,0,1,0]时，处于打击状态；当
y
t1
＝
[0,0,0,0,1]时，处于评估状态
。
公式如下：
[0030]z1＝
f1(o
t
×
W1+b1)
[0031][0032]其中，
o
t
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；
[0033]训练采用的损失函数为：
[0034][0035]其中，
p
i
为样本属于第
i
类的概率，
p
＝
[p1,p2,..,p
c
]＝
z1，
y
i
为样本的独热编码表示，
y
t1
＝
[y1,y2,..,y
c
]，当样本本文档来自技高网...

【技术保护点】

【技术特征摘要】
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
A
i
；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：
v
t
＝
conv2(W
conv
,X
t
)+b
conv
其中，
conv2
为二维卷积层函数，
W
conv
为卷积层的权值矩阵，
X
t
为
t
时刻网络的输入，
b
conv
为偏置，
v
t
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
v<...

【专利技术属性】
技术研发人员：赵旭东，刘帆，许梓健，陈曦，胡洋，
申请(专利权)人：中国舰船研究设计中心，
类型：发明
国别省市：