24、无人机蜂群态势感知框架解析

无人机蜂群态势感知框架解析

1. 引言

近年来，多智能体系统凭借其自主性、容错性、可扩展性和协作分布式等特性，在机器人、自动驾驶车辆、群体智能、社交网络以及智能电网等众多领域得到了广泛应用。随着多智能体系统的广泛应用，其态势感知逐渐成为一个重要的研究领域。态势感知能够让多智能体系统有效提取环境元素，理解周围环境态势，从而促进系统的整体行动。

传统的态势识别技术采用贝叶斯网络、模板匹配、专家系统等方法。随着人工智能技术的快速发展，深度学习也逐渐应用于态势识别问题。不过，以往很多研究要么针对单个目标，要么在大规模蜂群态势感知时存在计算复杂的问题。

本文提出了一种无人机蜂群态势感知方案，主要贡献包括：建立了无人机蜂群态势感知框架，从态势元素识别、态势理解和优势评估三个层面进行探讨；从整体视角研究无人机蜂群，提出了几个新颖的态势元素；设计了结合当前态势和未来状态的优势评估函数。

2. 蜂群态势感知框架

Endsley在1995年提出了态势感知的三级模型，包括对态势元素的感知、理解和对未来态势的预测。基于此模型，将无人机蜂群态势感知分为三个层次：态势元素识别、当前态势理解和优势评估，框架如下：

graph LR
    A[传感器数据收集] --> B[蜂群运动特征识别]
    A --> C[蜂群编队识别]
    B --> D[态势元素]
    C --> D
    D --> E[模糊推理]
    E --> F[蜂群意图]
    F --> G[优势评估]
    D --> H[蜂群运动趋势预测]
    D --> I[蜂群编队预测]
    H --> G
    I --> G
    G --> J[优势等级]
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px
    A,B,C,D,E,F,G,H,I,J:::process

在研究中，无人机蜂群态势元素分为动态元素和静态元素。从整体视角研究，用领导者无人机的位置、高度、速度和相对航向角来代表相应的群体特征。同时引入群体极化（$p_{group}$）和群体角动量（$m_{group}$）来描述蜂群编队：
- 群体极化：$p_{group}(k) = \frac{1}{N} \left|\sum_{i=1}^{N} \overline{v} i(k) \right|^2$，其中$\overline{v}_i(k) = \frac{v_i(k)}{\sum {i=1}^{N} |v_i(k)|^2}$
- 群体角动量：$m_{group}(k) = \frac{1}{N} \left|\sum_{i=1}^{N} r_{ic}(k) \times v_i(k) \right|$，其中$r_{ic} = c_i - c_{group}$，$c_{group}(k) = \frac{1}{N} \sum_{i=1}^{N} c_i(k)$

群体极化衡量群体内个体的对齐程度，值在0到1之间，所有代理方向相同时达到最大值1；群体角动量衡量群体绕群体质心的旋转程度，值也在0到1之间，所有代理绕群体质心同向旋转时达到最大值1。

态势理解是基于态势元素的识别来解释当前态势并评估无人机蜂群的情况。采用基于模糊推理的方法实现蜂群意图识别，建立模糊推理模型和规则。

优势评估是对无人机蜂群优势水平的定量描述。设计长短期记忆（LSTM）网络来预测蜂群未来的轨迹和编队，优势评估综合了当前状态和未来状态的多个元素，如角度、位置、速度和群体编队。

3. 态势元素识别与态势理解

3.1 态势元素识别

由于无人机蜂群感知的计算复杂度随个体数量大幅增加，因此从整体视角研究蜂群态势，更关注群体特征而非个体属性。

将无人机蜂群态势元素定义为群体位置、速度、角度和编队。用领导者无人机的相关特征代表群体特征，其特征能很好地体现蜂群特征，如下表所示：
| 特征 | 代表含义 |
| ---- | ---- |
| 位置 | 领导者无人机的位置代表蜂群位置 |
| 高度 | 领导者无人机的高度代表蜂群高度 |
| 速度 | 领导者无人机的速度代表蜂群速度 |
| 相对航向角 | 领导者无人机的相对航向角代表蜂群相对航向角 |

对于蜂群编队，参考流体动力学概念，引入群体极化和群体角动量两个指标。基于这两个指标，可将集体行为编队分为集群编队和环形编队。设计多层感知器（MLP）神经网络从$p_{group}$和$m_{group}$中识别蜂群集体行为编队，MLP网络由输入层、隐藏层和输出层三层组成，各层之间全连接。

3.2 当前态势理解

提出基于模糊推理的蜂群意图识别方法，利用识别出的态势元素构建模糊推理系统来推断蜂群意图。采用多输入单输出的Mamdani模糊推理模型，输入包括蜂群编队、速度、高度、距离和相对航向角，输出为蜂群意图，包括救援、搜索和离开。输入和输出量的隶属函数如下图所示：

确定输入和输出后，建立相应的模糊规则进行模糊推理，规则如下表所示：
| 编队 | 速度 | 高度 | 距离 | 角度 | 意图 |
| ---- | ---- | ---- | ---- | ---- | ---- |
| 集群 | 低 | 低 | 短 | 小/中 | 救援 |
| 集群 | 高 | 中 | 短 | 小/中 | 救援 |
| 集群 | 低 | 低 | 长 | 小 | 救援 |
|… |… |… |… |… |… |

模糊规则的选择和制定符合客观事实，设计模糊推理系统时考虑了专家知识和经验，能更准确地反映实际情况。

4. 无人机蜂群优势评估

4.1 蜂群运动趋势和集体运动编队预测

原始态势序列信息包含多智能体、多时刻的多维态势信息。为有效获取未来态势信息，需在时间维度上处理原始态势信息。

本文采用LSTM循环神经网络模块进行轨迹预测和蜂群编队预测。蜂群中每个单元的时空信息并行输入LSTM时间特征提取层进行计算，处理不同单元信息的模块化网络结构由多个共享参数的LSTM网络模块组成，如下所示：

graph LR
    A[输入序列] --> B[LSTM层1]
    B --> C[LSTM层2]
    C --> D[全连接层]
    D --> E[轨迹预测结果]
    D --> F[编队预测结果]
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px
    A,B,C,D,E,F:::process

网络的训练输入是包含无人机蜂群轨迹和蜂群集体运动编队特征（$p_{group}$和$m_{group}$）的序列，输出是与输入状态相同的预测序列。

LSTM的前向传播算法按以下步骤进行：
1. 设计两个LSTM层，第一个LSTM层负责提取过去的时间序列信息，第二个LSTM层用于预测未来信息。
2. 在每次前向传播时，进行总共目标长度步的预测。
3. 对于每个预测步，将结果追加到输入序列的末尾，并移除输入序列的第一个状态。
4. 用更新后的输入序列预测下一个时间步的状态。

4.2 蜂群优势评估

为评估蜂群优势，需关注其特征。基于识别出的态势元素和预测信息，构建角度优势函数、速度优势函数和距离优势函数来确定蜂群的整体优势值。
- 角度优势函数 ：当蜂群速度方向更接近目标时，更容易接近目标，即相对航向角越小时，蜂群对目标越有优势。角度优势函数构建如下：
$T_{\phi} = e^{sign(\Delta\eta)(\frac{\Delta\eta}{a\pi})^2}$
其中，$a$是可变参数，与蜂群和目标之间的距离$d$成正比。$\Delta\eta$表示蜂群预测的未来相对航向角与其当前相对航向角的差值。
- 速度优势函数 ：可设定蜂群速度越大，对目标的优势越大。速度优势函数构建如下：
$T_v = \frac{v - v_{min}}{v_{max} - v_{min}}$
其中，$v_{min}$和$v_{max}$分别表示无人机蜂群的最大和最小速度。
- 距离优势函数 ：为评估距离优势，预测蜂群下一个时刻的位置并与当前位置比较，计算距离变化。距离优势函数构建如下：
$T_d = e^{sign(\Delta d)(\frac{\Delta d}{\sigma_d})^2}$
其中，$\sigma_d$是由蜂群相对航向角确定的变量，$\Delta d$表示蜂群预测的未来位置与其当前位置的差值。
- 综合优势评估函数 ：根据上述优势函数，构建蜂群与目标之间的综合优势评估函数。在距离优势或速度优势较大的情况下，如果角度偏差较大，综合优势程度不会很大。因此，将三个优势指标处理为乘法关系，得到综合优势评估函数：
$T =
\begin{cases}
\alpha_1 \cdot T_{\phi} \cdot T_d + \alpha_2 \cdot T_{\phi} \cdot T_v & \text{集群编队} \
\beta_1 \cdot T_d + \beta_2 \cdot T_v & \text{环形编队}
\end{cases}$
其中，$\alpha_1$、$\alpha_2$、$\beta_1$和$\beta_2$分别是权重系数，取值范围为$0 \leq \alpha_i \leq 1$，$\sum \alpha_i = 1$，$0 \leq \beta_i \leq 1$，$\sum \beta_i = 1$。

5. 仿真结果

为验证所提出的无人机蜂群态势感知方案的有效性，进行了一系列仿真。

5.1 态势元素识别和预测

首先，使用Python和Pytorch构建神经网络分析数据，仿真在运行Windows 11、配备AMD Ryzen5 500和NVIDIA RTX3090的计算机上进行，训练参数如下表所示：
| 参数 | 识别（MLP） | 预测（LSTM） |
| ---- | ---- | ---- |
| 智能体数量 | 50 | 50 |
| 训练轮数 | 100 | 500 |
| 学习率 | 0.001 | 0.001 |
| 批量大小 | 128 | 128 |
| 隐藏层大小 | 128 | 256 |
| 全连接层数量 | 2 | 1 |
| 序列长度 | - | 50 |
| 预测长度 | - | 10 |
| LSTM层数量 | - | 2 |

• 蜂群编队识别 ：使用交叉熵作为损失函数训练MLP神经网络进行蜂群编队识别。利用群体极化和群体角动量可大大简化蜂群编队的识别。训练结果表明，无人机蜂群编队识别的准确率随迭代次数增加而提高，100次迭代后，识别准确率可达99%。
• 蜂群编队和轨迹预测 ：使用均方误差作为损失函数训练LSTM神经网络进行蜂群编队和轨迹预测。在仿真中，使用过去50个状态预测未来10个状态，每个状态包括无人机蜂群的位置和编队特征。状态每0.5秒采样一次，在采样25秒后对未来5秒的状态进行预测。训练过程中，蜂群特征预测的准确率随迭代次数增加而提高，并收敛到96%。

在仿真中，对无人机蜂群的轨迹和形状进行了良好的预测。例如，红色实线表示输入轨迹，绿色实线表示未来的实际轨迹，蓝色虚线表示预测轨迹，蓝色点表示单个无人机，透明蓝色点表示未来的个体。透明点仅用于方便形状预测，并不意味着对未来每个个体进行准确预测。

综上所述，所提出的无人机蜂群态势感知方案在态势元素识别、预测和优势评估方面表现良好，具有一定的有效性和实用性。