无人作战飞机自主空战战术动作的分层识别方法*

史浩宇，赵克新

（空军工程大学航空工程学院，西安 710038）

0 引言

自主空战（Autonomous Air Combat，AAC）概念一经提出，立刻引起了世界各军事强国对无人作战飞机（Unmanned Combat Air Vehicle，UCAV）发展的高度重视［1-3］。UCAV 作为一股新生力量，在当前的几场局部战争中展现出了巨大的作战潜力。要想充分激发未来UCAV 自主空战的作战能力，首先需要能够有效地识别出UCAV 自主空战战术动作。目前关于UCAV 空战战术动作识别的研究尚处于探索阶段，具有代表性的识别方法有基于智能Agent 识别的方法［4］、基于模糊神经网络识别的方法［5-6］、基于规则匹配识别的方法［7］和基于模糊最小二乘支持向量机识别的方法［8］等。

空战中飞行员对敌机战术动作的判断属于经验式推理方法的一种。从人的思维决策上来说，完成一个战术动作是需要一个过程。同样的对战术动作的识别也是需要一个过程。基于此，提出一种分层识别的UCAV 自主空战战术识别方案。仿真结果表明该方法可行性好，同时具有较好的扩展性。

1 建立分层识别模型

分层识别方案的实质是拼接组合的思想，是将空战战术动作视为由一系列的基本动作在以时间序列为轴线的基础上连接而成。因此，可以将战术动作分解为基本动作序列，通过识别基本动作序列来判断战术动作的类型。基于上述思想，提出以下3个假设［9］：

1）战术动作假设：假设目标机在空战格斗中运动轨迹是一种固定模式连接而成的，这种固定模式又叫“战术动作”。

2）标准动作假设：在实际空战中，所有的战术动作都是标准的战术动作，非标准的战术动作已在预处理阶段被处理。

3）动作可拆解假设：假设空战战术动作可拆解为多个不可进一步拆解的基本动作单元。由基本动作单元在时间轴线上串接而成的组合动作，即空战战术动作。

在上述基本假设的基础上，采用分层识别的方法来对空战战术动作进行识别。分层识别系统的结构如图1 所示，第1 层对基本动作进行识别，通过对飞机参数特征的识别分析来确定基本动作类型；第2 层对组合动作进行识别。根据识别结果来决定下一步决策类型。若基本动作系列能够被成功识别，则根据其结果采取相应决策；若未能识别，则以基本动作序列的最末端为依据进行决策。

图1 分层识别模型

2 基于模糊逻辑推理的基本动作识别

模糊逻辑推理是模糊控制的基础，属于不确定推理方法中的一种，其基础是模糊逻辑，其基本结构如图2 所示。为了减少输出的结果受噪声数据的影响，对输出进行平滑处理后再输出。

图2 模糊逻辑推理结构图

2.1 基本动作和飞行数据特征量的选取

基本动作属于战术动作的一种，只是单个基本动作在实际空战环境中的运动特征比较明显，容易识别。基本动作应具有以下3 个特征：1）全覆盖性；2）普遍性；3）最小单元性。综上，选取横滚、爬升、俯冲、平飞和盘旋5 种飞行动作作为模糊识别层的基本动作。

对于基本动作的识别判定主要根据飞行数据特征量来确定的，每一个基本动作都能够在由特征量空间中找到一个相对应的特征向量。为了能够有效地表征在识别时间段内的基本动作，选取飞行高度变化率、偏航角、偏航角变化率、俯仰角、俯仰角变化率，以及滚转角和滚转角变化率在内的共7 个运动参数，作为判断基本动作的飞行数据特征量。在这些特征量组成的特征空间中，每一个有实际物理意义的特征向量都映射出一个基本动作。

2.2 模糊逻辑推理

2.2.1 模糊化和解模糊化

模糊化和解模糊化的一个相反的过程，前者是将作用在实数域上精确量转化为基于模糊逻辑推理系统所能处理的模糊量。后者是将经过模糊推理机输出的模糊集合映射为一个确定的点，即本文中的5 种基本动作之一［10］。

解模糊化选用最大隶属度法，选取模糊子集中隶属度最大的元素作为控制量进行清晰化。该方法可以忽略隶属程度较小的元素，运算量较小。

图3的模糊变量隶属度函数

2.2.2 建立模糊逻辑推理判定准则

表1 模糊逻辑推理判定准则

2.2.3 “平滑处理”过程

解模糊化过程是将经过模糊推理后的模糊数据转换为确定信息的一个过程。但在实际解模糊化中，输入的数据本身就是模糊的数据，对于计算机来说是难以准确区分。并且在对这些模糊数据处理过程中，与之相关的各推理规则的激活函数值可能相对较低，容易在受到噪声影响的情况下导致推理误判。

为了避免噪声（雷达数据噪声和传感器数据噪声等）影响模糊逻辑推理层的推理结果，在解模糊化后添加一个“平滑处理”。设t 时刻r 推理规则的激活函数值为，激活阈值为C，若，都使则意味着推理错误，那么，其中指上一时刻；若，使，则直接输出即可。

3 基于匹配原则的组合动作识别

3.1 建立组合动作匹配动作库

当前普遍认可的一种战术动作划分是25 条战术动作曲线［11］。从25 条战术动作曲线中选取4 种比较典型的组合动作进行建模并识别，分别为：半筋斗、高速摇摇、半滚倒转和筒滚［12-13］。组合动作是由基本动作按照某种规则排列而成的，主要表现在不同组合动作的结构特征和时间特征上。表2 从组合动作的结构特征上对4 种典型组合动作的组成进行了表示。

表2 4 种比较典型组合动作的组成结构

以组合动作“半滚倒转”为例，采用模拟“美军国防部无人机发展路线图”的方式对组合动作的时间特征进行表示，如图4 所示。

图4 “半滚倒转”的时间特征

由组合动作的时间特征图可以看出在同一时间段内UCAV 所做的空战动作可能是多个基本动作叠加而成，并完全是单个基本动作的简单排列。因此，首先需要对组合动作的结构和时间特征进行分析，然后在其基础上建立组合动作匹配动作库。

3.2 时间自动机的基本定义

时间自动机是一个带有有限时钟集合的有穷状态机，其为实时系统的行为建模和性能分析提供了一种简单而有效的形式化描述方法，即带有时间因素的系统状态转换图［13-14］。设为时间序列；φ 为时间约束；v 为时钟解释；∑为有限字符集合；α 为字符序列；t 为时钟值。

Step3：时钟记录。让所有时钟均以同一速度计时且不断更新从起始位置（或被重置后的位置）开始经过的时间。

Step6：判断问题li与A 关系。若li∈A，则该时间字被时间自动机接受；否则继续Step3。

3.3 时间自动机的应用

每一个组合动作的识别，都需要构造一个与之相对应的时间自动机T。设αi表示一个基本动作，则有限字符集合∑表示某个战术机动动作包含的全部基本动作所组成的集合；引入时钟集合C，用来记录基本动作αi的持续时间。因此，UCAV 自主空战过程可以用时间字描述。同时在专家经验的基础上，结合组合动作的结构特征和时间特征给出相应的时钟约束集合R（C）和接受位置集合A。

以“半滚倒转”为实例设计的时间自动机。

图5 时间自动机——“半滚倒转”

图5 前行通道的转移说明该组合动作的相应几何形态能够被识别，且该组合动作的最终接受位置为A=l5'。

为了能够降低组合动作识别的时间冗余度和提高组合动作识别的可扩展性，本文采用了并行结构的方法，设计了如下页图6 所示的时间自动机识别器模型。并行结构的使用有效地降低了识别过程的时间冗余度，同时若在UCAV 自主空战中出现了新的战术动作，只需增加相应的时间自动机数量，同时更新组合动作匹配库即可，具有良好的可扩展性。

图6 组合动作识别器模型

4 实验仿真与分析

以“半滚倒转”战术动作为实例进行可行性验证。图7 是在MATLAB 环境下仿真生成UCAV“半滚倒转”战术动作三维空间轨迹；图8 是通过两级识别系统第1 层模糊逻辑推理方法提取的运动参数曲线（即特征向量曲线）。组合动作识别模块识别结果如表3 所示。

图7 “半滚倒转”三维空间轨迹

通过识别结果可知，UCAV 首先处于平飞状态；然后在平飞的过程中迅速进行横滚，使机腹朝上向前飞行；紧接着迅速下拉180°，获得速度优势，同时改变方向和使机腹朝上，最后平飞追赶或攻击。结合UCAV 运动三维空间轨迹可知，识别结果与“半滚倒转”战术动作相符合。

有人机飞行员进行对敌机战术动作识别时，先通过对敌机运动状态持续观察一段时间，然后根据个人战斗经验，判断出敌机作何战术动作。本节基于两级识别系统的战术动作识别，通过模糊逻辑推理层提取出UCAV 运动的特征向量曲线，然后组合动作识别器进行匹配识别，在第4.97 s～22.81 s 中识别出UCAV 在做“半滚倒转”动作，识别过程表明组合动作识别器与有人机飞行员识别敌机动作过程相符合，并且实验结果表明了两级识别系统对进行战术动作识别的可行性。

图8 “半滚倒转”运动参数

表3 组合动作识别结果

5 结论

针对战术动作识别，提出了分层识别方法。第1层通过采用基于模糊逻辑推理的方法，对飞参数据进行分析识别，输出相应的基本动作序列；组合动作识别层利用第1 层的输出作为输入，通过时间自动机提取组合动作形态，并与组合动作匹配库进行匹配，确定出组合动作的类型。文章不足之处是在对典型战术动作识别进行了研究，没有涉及非典型动作，在下一步的研究工作中将对非典型战术动作的识别进行研究对比。