空地协同效能反馈的无人车目标捕获策略研究

郭宇强，郭俊文，卢志刚*，李志伟，翟晓燕

（1.北方自动控制技术研究所，太原 030006；2.智能信息控制技术山西省重点实验室，太原 030006）

0 引言

在新时代背景下，边境地区不但存在传统安全问题（如领土、军事冲突等），也不断出现非传统安全问题（如恐怖主义、非法移民、偷渡等），应对传统或非传统威胁的作战仍然是边防保卫的主要任务。在边境巡逻警戒的过程中，如何准确、快速地获取未知目标的位置、数量、特征等信息，掌握对方的态势，有利于指挥端及时作出决策，对边境保卫任务的完成有关键作用。

目前在无人车使用光电设备侦察目标区域的时候，按照下发的任务，在侦察点进行搜索侦察，通常使用周扫、扇扫以及人工搜索等模式，需要耗费大量时间，并且现阶段对于光电设备的研究主要针对伺服稳定控制、目标跟踪精度等方面，对于边境、高原山地、森林等复杂环境条件下对未知目标的搜索捕获还没有特别有效的策略。文献［1］在电子侦察领域，使用雷达传感器进行目标监测，使用贝叶斯理论的调度方法，提高了目标的捕获概率以及减少了搜索时间。文献［2］通过光学设备的视场、成像能力以及目标的速度、大小，实现了单信息条件引导下的目标搜索跟踪功能，以目标速度和方位作为单信息条件，通过航迹预测进行目标跟踪。文献［3］使用最大威胁度的方法进行搜索目标区域，针对目标威胁度的大小，制定探测传感器的侦察策略，可以减少侦察时间。文献［4］采用重点与随机结合的搜索方式，对权重因子占比大的区域采用重点搜索的方式，对其他非重点区域采用随机搜索的方式，来进行避障策略的研究。

上述搜索方法大多需要确定的条件才能实现对目标的搜索捕获，而在边境侦察应用中，要达到很高的目标识别捕获率、获取到明确的目标信息是很困难的。本文针对边境区域作战中目标分布随机、无人车光电设备搜索侦察时间长、目标捕获效率不高等问题，基于无人车一定装备数量的条件，以无人机协同搜索结果作为先验信息，以目标搜索捕获效能（包括时空覆盖率和满足目标信息准确率）作为反馈条件，采用基于效能反馈机制的改进贝叶斯理论方法实现目标搜索捕获策略的优化。

1 基于空地协同效能反馈机制的无人车目标捕获方案

本文采用无人机与无人车协同来进行搜索侦察任务，即无人机与无人车共同对目标区域展开搜索，基于无人机采集的先验目标信息，无人车对目标区域展开有效侦察搜索和目标捕获，结合效能反馈机制，更新无人车目标捕获方案，直到目标捕获结果满足效能要求或策略更新次数达到两次，为无人车长时间跟踪目标、采用多种非致命手段处置目标，以及协助地面人员捕获目标提供有利条件。如图1 为基于效能反馈机制的无人车目标捕获流程图。

图1 基于效能反馈机制的无人车目标捕获流程图

基于效能反馈机制的无人车目标捕获流程分为如下5 个步骤：

1）指挥端进行空地协同搜索捕获任务的部署与分配，将任务分别下发给无人车与无人机。

2）无人机接收到任务，对目标区域率先展开搜索侦察，获得目标信息后，将信息回传到指挥端。

3）基于无人机给出的先验目标信息，指挥端对信息进行分析处理，得到不同目标在不同位置的概率分布，这些已知的概率便作为搜索区域t=t时刻的目标存在概率值。无人车采用改进贝叶斯理论的方法，对t时刻的概率值进行计算，制定合适的搜索捕获策略，合理分配目标区域的搜索时间。

4）根据已分配好的搜索时间，无人车执行搜索捕获任务，获取目标信息。

5）以时空覆盖率和满足目标信息准确率作为效能反馈条件，如果不满足效能要求，则更新搜索捕获策略，并且将当前已有信息作为先验信息，重新分配搜索时间，无人车再次执行搜索捕获任务；如果捕获结果满足效能要求或更新次数达到两次，则输出目标搜索捕获结果。

2 基于效能反馈机制的改进贝叶斯理论搜索捕获策略

以边境区域侦察搜索和目标捕获为例，采用基于效能反馈机制的改进贝叶斯理论搜索捕获策略，基于无人机先验信息，获取到t时刻边境目标区域内存在的目标信息，经过贝叶斯网络模型，得到t时刻区域的目标存在概率分布，合理分配无人车的搜索时间。以时空覆盖率和满足目标信息准确率作为指标，反馈调节搜索捕获策略。

2.1 贝叶斯网络模型构建

本文采用先验概率分布，根据无人机采集的目标信息求解该区域目标的存在概率。考虑到边境作战中，以坦克Ω、车辆Ω、人员Ω以及工事Ω4种为边境常见敌方目标，用集合N 表示，设N={Ω，Ω，Ω，Ω}，因此，朴素贝叶斯先验概率公式：（1）其中，事件A 表示该目标区域存在目标，事件B 表示该目标区域发现4 种可能的目标结果。

考虑到探测设备对不同的目标有不同的识别率和虚警率，假设在某一侦察区域中，分别捕获到目标1 和目标2，探测设备对两个目标的识别概率均为g。由于该探测设备对目标1 的识别率高、虚警率低，而对目标2 的识别率低，虚警率高，因此，该侦察区域目标1 的存在概率ω和目标2 的存在概率ω并不相同，识别率与目标存在概率之间的关系满足g＜ω＜ω。综上，用识别概率来表示目标的存在概率是不合适的，因此，本文在综合考虑探测设备的识别率和虚警率的基础上，对贝叶斯网络模型进行改进。

用g表示探测设备对目标的识别概率，p表示探测设备虚警概率，H表示是否存在目标，z表示探测设备是否识别到目标，

对于无人机侦察过的区域，无人机光电装置未探测出目标，同时也不存在目标的区间，该侦察区域t时刻目标的存在概率值为

对于无人机已侦察过的目标区域，基于给出的目标信息，无人车的光电转台调转到目标点所在位置，对目标点附近进行搜索，因此，无人车的光电装置搜索角度，以及搜索高低角是影响搜索时长的因素之一。以目标点为中心，设∂为无人车对目标所在区域进行搜索捕获的搜索角度，β 为无人车对目标所在区域进行搜索捕获的高低角。此外，目标的威胁度等级W也是影响侦察时长的因素之一，目标的威胁度越大，则分配的侦察时间越长，越有可能将该目标进行搜索捕获。

基于目标的最终发现概率、搜索角度、威胁度等因素，求得每块区域搜索捕获的最佳时长为：

通过计算得出各个目标区域的侦察搜索时间，以任务的形式发送给无人车，无人车按此搜索捕获策略对目标区域进行搜索捕获。无人车完成目标捕获任务后，以时空覆盖率和满足目标信息准确率作为效能反馈指标，评价制定的搜索捕获策略是否有效，以及是否需要无人车进一步更新搜索捕获策略。

2.2 效能反馈机制

基于无人机采集的先验目标信息，无人车根据贝叶斯理论的方法，合理分配边境目标区域的侦察时间。由于无人车光电设备存在误识别率，仅搜索捕获一次目标存在虚警率和误差，因此，无人车光电设备完成一次侦察搜索后，根据侦察信息的反馈效果，如时空覆盖率、目标信息准备率等，更新无人车的搜索捕获策略，使下一次搜索捕获取得更优的效能。虽然搜索捕获多次可以降低虚警率和误差，但是次数过多会降低搜索效率，造成时间的冗余和浪费，因此，参考多位学者的研究以及相关工程化应用后，本文对目标区域的搜索捕获策略更新不多于两次。

2.2.1 时空覆盖率

如图2 所示为本文的目标区域划分示意图，根据目标区域的面积以及探测装备的探测范围，将目标区域分为8 个探测区域，区域C 存在两个目标，而区域F 不存在目标。

图2 大致目标区域划分示意图

时空覆盖率为探测区域面积与探测区域侦察时间的乘积之和与目标区域面积与总侦察时间乘积的比值。因此，时空覆盖率的定义如下：

其中，S为目标区域的总面积，T为分配给无人车搜索目标区域所需要的总时间，S为探测区域的面积，t为该探测区域分配好的侦察时间。

以时空覆盖率作为无人车策略更新的效能反馈条件，其评价标准是时空覆盖率的大小位于最小面积覆盖率和最大面积覆盖率组成的区间内时，即认为本次搜索是有效的，否则认为本次搜索是无效的。对于实际边境区域中，存在一定数量无人车或无人机都难以搜索覆盖的区域，因此，无人车最大搜索捕获目标区域的面积为n 个探测区域的面积，总面积为目标区域的面积，即最大面积覆盖率为：

其中，有m 个区域均为感兴趣区域。因此，时空覆盖率σ 满足η＜σ＜η，即认为时空覆盖率效能反馈符合要求。

2.2.2 目标信息准确率

通过信息融合得到目标信息准确率的评价，更新无人车的搜索捕获策略，可以大幅度提高侦察和融合效率。无人机与无人车将采集到的目标信息进行融合，得到更为准确的结果，可以提高目标特征信息识别的准确性，降低虚警率。其中，空地协同信息融合准确性评价指标有：目标属性偏差、目标位置偏差以及目标数量偏差等。

1）目标属性偏差。针对无人机与无人车对不同目标的识别率不同，无人机识别到的目标类型Ω与无人车识别到的目标类型Ω存在不一致的情况，即Ω≠Ω；也存在无人机识别到的目标类型Ω与无人车识别到的目标类型Ω一致的情况，即Ω=Ω。采用模糊积分的决策级融合方法对无人车与无人机获取的目标属性信息进行融合，最终得到融合结果Ω，融合后存在以下情形：

Ω=Ω无人车识别目标类型与融合结果一致

Ω≠Ω无人车识别目标类型与融合结果不一致

（16）

当两个结果一致时，即认定无人车侦察有效，不会进行策略更新以及进行二次分配侦察时间，将融合结果进行上报即可；而两个结果不一致时，判定无人车侦察无效，基于现有的概率信息，根据式（11），更新搜索捕获策略，重新计算无人车侦察目标区域的时间，对目标重新进行搜索捕获。

2）目标位置偏差。针对无人机与无人车获取的目标存在位置偏差的问题，首先考虑无人机与无人车获取的目标类型是否一致，如果一致，则存在两种可能，一是该区域内存在多个目标、二是该目标为运动目标；如果两者识别的目标类型不一致，则存在目标区域内有多个目标出现的情况，根据已获得的目标信息，制定新的搜索捕获策略，再次分配该区域侦察时间。图3 为目标位置偏差反馈流程图。

图3 目标位置偏差反馈流程图

3）目标数量偏差。针对无人机与无人车搜索捕获到的目标数量不一致的问题，可能存在两种情况，一是无人机与无人车均捕获到目标，二是只有无人车或无人机捕获到目标。对于第1 种情况，根据现有概率信息作为先验信息，制定合适的搜索策略，搜索捕获后如果不存在数量偏差，则将二者信息进行融合上报。对于第2 种情况，如果是无人机发现目标，则无人车再次制定搜索策略进行侦察；如果是无人车发现目标，则无人机重新返回目标区域进行侦察，侦察过后，如果不存在数量偏差，则将二者信息进行融合上报。

如果无人车或无人机再次搜索侦察过后，现有结果不变，仍存在数量偏差，则说明部分目标被障碍物遮挡，或由于地形地势因素导致某一方探测设备无法侦察，因此，将无人车与无人机的共同搜索结果作为最终结果即可。如图4 所示为目标数量偏差反馈流程图。

图4 目标数量偏差反馈流程图

3 仿真验证分析

3.1 仿真情况

首先基于上述分析设计，构建了无人车基于无人机先验信息，进行搜索捕获敌方目标的仿真环境，并进行了仿真实验。

表1 为无人机光电设备识别结果及区域侦察时间结果表。无人机将获取的信息上报给指挥中心。

表1 无人机识别结果及侦察时间统计

然后，根据无人机获得的先验信息，进行无人车搜索捕获策略的制定和区域侦察时间的分配。无人车对区域内的敌方目标进行搜索捕获，期间根据效能反馈机制实时更新搜索策略，自动再次搜索捕获。获取的目标结果如表2 所示。

表2 无人车识别结果

最后，通过无人机与无人车对目标区域的搜索捕获，将二者信息进行决策级融合，最终得到准确的目标信息。图5 为搜索捕获目标的概率分布和时间分布图。图5（a）为无人机侦察到目标信息的概率分布图。通过获得各个区域内目标存在的概率值，合理分配侦察时间，无人车按照分配好的区域侦察时间，对目标区域进行搜索捕获识别，因此，图5（b）为目标区域侦察时间分布图，图5（c）为无人车搜索捕获到目标信息概率分布图，图5（d）为融合后目标精确分布概率图。

图5 搜索捕获目标的概率分布和时间分布图

3.2 仿真结果分析

根据无人机与无人车采集的目标信息，结合效能反馈机制，更新搜索捕获策略，实现了更优的目标捕获效能。

3.2.1 搜索策略的时空覆盖率

根据上述仿真结果，按照式（12），计算得出时空覆盖率为74%，并根据式（14）、式（15）计算最大面积覆盖率η和最小面积覆盖率η，得出η=78.54%，η=68.72%，时空覆盖率满足η＜σ=74%＜η指标，则本次侦察搜索有效。

3.2.2 目标捕获信息准确率

对于无人机与无人车获取的侦察信息，存在目标属性偏差、目标数量偏差等情况。如目标3 存在目标属性偏差，无人机识别为人员的概率为82%，无人车识别为车辆的概率为83%，采用基于模糊积分的方法进行决策级融合，得到目标3 的类型为车辆，与无人车识别结果一致，因此，不再更新无人车搜索捕获策略。如目标4，无人机未在目标区域检测出目标，而无人车检测到目标区域存在人员，在这种情况下，无人车不存在未识别到目标的情况，因此，不再对无人车下达侦察此目标区域的任务。

3.2.3 搜索时间比较

在目前工程化应用中，无人车光电设备采用较多的方法有周视搜索方法，有时候也采用最大威胁度搜索方法。其中，周视搜索方法是以固定角速度对搜索区域进行固定时长侦察，最大威胁度搜索方法是按照每个区域的威胁度排序从大到小分配时间进行搜索。现将周视搜索、最大威胁度搜索方法与本文采用的方法进行综合比较。如图6 为以上3种方法的搜索时间对比图。

图6 3 种方法的搜索时间对比图

由图6 可以看出，对于无人机未发现目标，但无人车可以捕获到目标的区域，使用最大威胁度搜索方法分配给无人车的侦察时间为0，这块区域不会被无人车进行搜索侦察，因此，对于最后融合结果的准确性会降低。而对于周视搜索，对于所有目标区域，侦察时间相同，会造成时间的浪费。最后通过计算，周视搜索目标区域所耗费的时间为600 s，采用最大威胁度搜索方法所需要的时间为550 s，本文采用的方法耗时为512 s，因此，本文所使用的方法有效缩短了无人车侦察目标区域的搜索时间，并且相比于最大威胁度方法，提高了上报信息的准确率。

3.2.4 搜索策略更新次数

由于光电转台识别存在一定的虚警率和误识别率，对目标区域只进行一次搜索存在较大误差，而多次搜索会增加搜索时长，因此，参考多位学者的研究以及相关工程化应用，综合考虑基于无人机的搜索信息时，无人车搜索策略更新不超过2 次。本文采用的方法，为避免效能反馈陷入局部最优，对无人车某一区域的搜索捕获策略更新不多于2 次，对存在目标的区域最多搜索3 次，而对于非目标存在的区域，可以做到侦察一次即可，因此，采用本文的方法大大提高了无人车搜索捕获目标的效率。

4 结论

本文提出了一种基于效能反馈机制的改进贝叶斯理论的边境区域无人车目标捕获策略。根据改进贝叶斯方法进行区域概率计算，并且得出每个区域的搜索时长，无人车进行目标区域的搜索，以时空覆盖率和满足目标信息准确率作为反馈指标，动态更新搜索捕获策略。通过仿真实验，与基于最大威胁度方法侦察目标区域的总耗时和一般周视搜索下的耗时进行了分析对比，证明了本文方法的可行性和优越性。