应用于目标追踪决策的水下目标意图分析方法

李德隆 刘 阳 徐红丽 张 瑶 李冬冬

(中国科学院沈阳自动化研究所机器人学国家重点实验室 辽宁 沈阳 110016)

应用于目标追踪决策的水下目标意图分析方法

李德隆 刘 阳 徐红丽 张 瑶 李冬冬

(中国科学院沈阳自动化研究所机器人学国家重点实验室 辽宁 沈阳 110016)

为了准确判断现实水声对抗环境下水下真实目标的意图以优选追踪目标，提出一种基于多层黑板改进模型的水下目标意图分析方法。其在经典的多层黑板模型结构和运行机制中结合了威胁量化评估，即在目标趋势判断的基础上增加了目标状态特征评估，增强了方法的适用性，并通过仿真验证了该方法的有效性。该方法以水声对抗态势为应用背景，综合目标航迹信息与声纳探测信息，从海量动态信息和带有虚假水声对抗目标的信息中实时辨识出真实目标及其意图，使无人系统具备针对水下目标意图的在线自主预测以及优选追踪目标的能力。

多层黑板模型 水下目标 在线意图分析 追踪目标优选

0 引 言

水下环境复杂多变，水声干扰和声隐身等水声对抗技术的应用增加了水下目标识别的难度，静、动态的水声对抗假目标同样增加了水下目标识别的虚警率，故水下真实目标具有较强的隐蔽性。如何从海量动态目标信息和带有虚假水声对抗目标信息中实时辨识出所要追踪的水下目标及其真正意图，对于无人系统决策是非常有挑战的。

目标特征趋势判断是分析目标意图的重要途径，主流的趋势评估方法——黑板模型是一种多专家协作、快速匹配的决策系统[1-9]。该系统是将目标的离散特征趋势化，通过与先验性知识源的比对[10]，逐层抽象综合[11]，确定目标意图[12-13]。近年来，有学者对追踪目标优选的方法进行了探讨[14-15]，并阐述了水下目标意图预测的基本流程，但对于水声对抗背景下水下目标特征的筛选和提取，结合水下目标独有特征针对水下目标意图预测的研究还是空白。本文首次将经典的多层黑板模型应用于水下目标趋势分析，提出了适用于水下目标意图在线分析的多层黑板模型，将多层黑板简化为三层结构，改进了控制机构的执行调度策略。针对水声对抗背景下目标追踪决策的应用选取水下目标特征并评估目标威胁程度，综合高层黑板模型的意图预测结果形成了改进性的目标意图预测方法。仿真验证了无人系统针对水下目标意图的在线自主预测以及目标追踪决策的可行性。

1 水下目标意图分析方法

1.1 基于多层黑板模型的水下目标特征趋势分析

水下目标特征趋势分析的基础是多层黑板模型，其中由多层黑板和先验知识源组成。控制机构负责调度多层黑板与知识源，每层黑板存储对应层的意图分析流程数据和意图预测结果，低层意图预测结果作为输入。与本层黑板的先验性知识源对比，得到知识源的权威性解释后，将解释结果输入给匹配链表，匹配链表判断节点是否存在并建立相应节点。根据节点的历史信息累加节点值或者重置节点值为1，再判断节点累加值是否达到累计阈值，若达到则更新本层黑板预测结果。以此逐层向上完成目标传感信息的融合与意图抽象。

如图1所示，将水下目标态势自下而上分为三层，依次为：设备信息层、信息综合层、平台功能层。在每层中按照如图2所示的执行调度流程，进行预测结果更新，逐层向上抽象综合态势。

图1 水下目标特征趋势分析模型

图2 控制机构执行调度图

1) 设备信息层

设备信息层是模型的最底层，其中将最基本的传感器设备信息，即目标运动信息、目标声学特性信息等，通过该层具有先验知识的趋势阈值源，进行离散量的趋势转换，得到各个状态的变化趋势。其完成了最基本传感器设备信息的采集与趋势分析，描述了水下场景中的原始目标状态。

2) 信息综合层

信息综合层是模型的中层，以设备信息层的原始目标趋势状态结果为输入，通过该层具有先验物理意义说明的状态源，进行趋势意义解释。解释结果包括加速、减速、匀速、顺时针旋转、逆时针旋转、不旋转，远离、逼近、静止、活跃、不活跃、保持活跃度等。该层初步实现了目标意图的抽象。

3) 平台功能层

平台功能层是模型的最高层，以目标初步意图抽象结果为输入，通过该层具有先验目标角色描述的特征源，进行目标角色的预测。该层将同一目标的运动趋势和声学特征变化趋势意图结果结合，共同分析该目标的战术意图，其描述了水下目标种类和目标执行的具体任务，包括目标的逃离、攻击和侦查等，完成了目标意图的辨识。

1.2 基于威胁度评估的追踪目标优选

经过上述水下目标特征趋势分析，确定出符合先验反应趋势的多个疑似目标。为了最终决策出要追踪的目标，需融入目标威胁度的评估，在水下目标意图结果的基础上叠加量化的威胁度，综合判断和优选追踪目标。

目标威胁度的评估是通过目标威胁特征因素的量化及综合评估模型，得到要分辨目标的综合威胁量化结果，对这些结果进行比较，得到威胁度最高的目标，即追踪目标。建立目标威胁特征因素量化模型如下：

1) 相对强度

相对强度是判断目标声学特性的基础特征量，能够反映目标的综合信息，相对强度越高威胁度越高。故相对强度的量化模型：

(1)

式中，c1表示目标归一化相对强度，TS表示无人系统得到的相对强度。

2) 航行速度

航行速度反映了目标运动特征的基本状态，是区分水下目标种类的重要参考因素，航行速度越高目标威胁度越高。航行速度的量化模型：

(2)

3) 多普勒速度

多普勒速度体现了目标的声学特性，反映了目标与无人系统的相对运动状态，是区分真假目标的重要参考因素，多普勒速度越低，目标威胁程度越高。多普勒速度的量化模型：

(3)

4) 多普勒速度匹配度

多普勒速度匹配度同样体现了目标的声学特性，是区分水下目标种类的重要参考因素，反映了目标运动学参数估计多普勒速度与目标检测多普勒速度的匹配程度。两者速度差值越小，匹配程度越高，目标威胁程度越高，两种方法计算出的多普勒速度误差服从高斯分布，故多普勒速度匹配度的量化模型：

c4=e-dΔv2

(4)

式中，c4表示归一化的多普勒速度匹配度，d为系数，Δv为两种方法计算出的多普勒速度差值。

5) 距离

距离反映了目标运动特征的基本状态，是预测目标运动趋势的重要参考因素，距离越小目标威胁程度越高。距离的量化模型：

(5)

(6)

根据各个威胁因素的重要程度，引入加权因子来平衡对综合威胁程度的影响，即得到了综合威胁量化评估模型：

(7)

2 仿真分析

建立典型的水声对抗场景如图3所示，设定6个水下目标，“·”表示前一个探测周期目标位置，“*”表示当前时刻目标位置，箭头为目标的运动趋势。其中1号目标为正在快速规避的可携带多种水声对抗设备的真实目标，2号和3号目标为动态变向干扰的声诱饵假目标， 4号目标为静态干扰的声诱饵假目标， 5号目标和6号目标为声纳设备虚警目标。

图3 水下目标运动态势图

利用本文提出的方法开展决策，前一个预测周期目标特征信息如表1所示，当前时刻目标特征信息如表2所示。为方便分析，将匹配链表中节点累计阈值设定为1。

表1 前一个预测周期目标特征信息

表2 当前时刻目标特征信息

设备信息层知识源阈值见表3，知识源阈值的设定结合了水下目标的实际运动情况与声学特征情况，参考了一个预测周期内各特征参数变化趋势的典型值。

表3 设备信息层知识源阈值

设备信息层意图预测结果见表4。表中数据由当前时刻与前一个预测周期目标特征信息的差值与阈值逐项比较得到，表中的数值1、-1、0分别代表了特征参数变大、变小和不变，反应了特征参数变化的趋势。

表4 设备信息层意图预测结果

根据设备信息层抽象结果，对照信息综合层物理意义信息源，得到信息综合层抽象结果，见表5。

表5 信息综合层意图预测结果

根据信息综合层结果反映出的趋势特征，对照先验目标角色特征源，得到初步的目标意图结果，见表6。

表6 平台功能层意图预测结果

从结果中，可以分辨出多个疑似目标。计算各目标威胁特征量化及综合评估结果，见表7。

表7 各目标特征量化及综合评估结果

综合目标意图和威胁度分析，见表8，结果表明1号目标为最佳追踪目标，与仿真设定相符合，决策建议追踪1号目标。

表8 目标意图和威胁综合结果

从仿真试验过程和结果可以看出，与传统的多层黑板模型相比，本文黑板模型每层的黑板内容简洁且明确，三层黑板足够完成水下目标意图的抽象。改进的控制调度机制使得本方法特别适用于无人系统的在线目标意图预测，选取的目标特征能够反映出目标的趋势特征，方法能够从静、动态的水声对抗假目标中提取出真实目标，目标意图预测结果与威胁度分析结果综合能够得到准确的目标决策信息。

3 结 语

将多层黑板模型应用在水下目标意图分析，将水下目标意图分析的实时动态问题分解为基于态势意图分层的多个子黑板的动态状态更新。将先验性知识源加入到动态问题的匹配决策系统中，提取出符合先验知识的疑似目标，结合量化威胁方法，最终决策出要追踪的真实目标，通过仿真算例证明了该方法的可行性。该方法适用于无人系统针对多特征目标共存环境的战术决策。

[1] Gupta R,Singh A K.A Concept for Co-existence of Heterogeneous Recommender Systems Based on Blackboard Architecture[C]//International Conference on Distributed Computing and Internet Technology.Springer International Publishing,2015:409-414.

[2] Fernández-de-Alba J M,Fuentes-Fernández R,Pavón J.Architecture for management and fusion of context information[J].Information Fusion,2015,21(1):100-113.

[3] Han X,Mandal S,Pattipati K R,et al.An optimization-based distributed planning algorithm:A blackboard-based collaborative framework[J].IEEE Transactions on Systems,Man,and Cybernetics:Systems,2014,44(6):673-686.

[4] Straub J,Reza H.The use of the blackboard architecture for a decision making system for the control of craft with various actuator and movement capabilities[C]//Information Technology:New Generations (ITNG),2014 11th International Conference on.IEEE,2014:514-519.

[5] Shay J S,Tsai M P,Shieh P I.A blackboard-based architecture for modular product design[C]//Applied Mechanics and Materials.Trans Tech Publications,2014,472:1084-1087.

[6] Sun Y Y.Realization on Multi-Agent Intelligent Decision Support System Based on Blackboard[J].Applied Mechanics & Materials,2012,271-272(21):1608-1613.

[7] Shin M,Kang T,Kim S.Detection and Notification of Failures in Distributed Component-Based Robot Applications Using Blackboard Architecture[M] .Distributed Autonomous Robotic Systems.Springer Japan,2016:433-446.

[8] Straub J,Reza H.A Blackboard-style decision-making system for multi-tier craft control and its evaluation[J].Journal of Experimental & Theoretical Artificial Intelligence,2015,27(6):763-777.

[9] Straub J.Using a blackboard architecture or expert system to identify obfuscated targets from symptoms[C]//SPIE Defense+ Security.International Society for Optics and Photonics,2015:945408-945408-11.

[10] Shroff G,Sharma S,Agarwal P,et al.A blackboard architecture for data-intensive information fusion using locality-sensitive hashing[C]//Information Fusion (FUSION),2011 Proceedings of the 14th International Conference on.IEEE,2011:1-8.

[11] Zhang Yaozhong,Zhang Lei,Du Zhiqiang.Distributed blackboard decision-making framework for collaborative planning based on nested genetic algorithm[J].Journal of Systems Engineering and Electronics,2015,26(6):1236-1243.

[12] 侯小军,陈忱,王晓帆.基于事件驱动与分级多层黑板模型的态势评估方法[J].软件工程,2016,19(4):5-7.

[13] 王杨.战场态势目标识别与态势意图预测的算法研究[D].江南大学,2015.

[14] 杨向锋,杨云川,张奎,等.鱼雷多目标威胁评估建模与仿真[J].鱼雷技术,2014(5):337-340.

[15] 王艳艳,刘开周,封锡盛.AUV纯方位目标跟踪轨迹优化方法[J].机器人,2014,36(2):179-184.

UNDERWATERTARGETINTENTANALYSISMETHODAPPLIEDTOTARGETTRACKINGDECISION

Li Delong Liu Yang Xu Hongli Zhang Yao Li Dongdong

(StateKeyLaboratoryofRobotics,ShenyangInstituteofAutomationChineseAcademyofSciences,Shenyang110016,Liaoning,China)

In order to accurately determine the intention of underwater targets with realistic acoustic warfare to optimize track targets, we present an underwater target intent analysis method based on improved multi-layer blackboard model. We combined the threat quantification evaluation with the classical multi-layer blackboard model structure and operation mechanism. Based on the judgment of target trend, we increased the target state feature evaluation, enhanced the applicability of the method, and verified the effectiveness of the method by simulation. This method realized the real target and its intention in real time from the massive dynamic information and the information with the false water acoustic warfare goal by combining the target track information and the sonar detection information with the background of the underwater acoustic warfare. And it enables unmanned systems to have the ability to track online self-predicted and optimize track targets for underwater targets.

Multi-layer blackboard model Underwater target Online intent analysis Tracking target optimization

TP18

A

10.3969/j.issn.1000-386x.2017.09.038

2016-10-28。李德隆，副研究员，主研领域：海洋机器人(包括自主水下机器人、水面机器人、混合型海洋机器人)控制系统。刘阳，助理研究员。徐红丽，副研究员。张瑶，副研究员。李冬冬，博士生。