26、《对抗环境下武器目标分配与基于OpenHarmony的车路协同系统研究》-优快云博客

本文链接：https://blog.youkuaiyun.com/study/article/details/152147524

《对抗环境下武器目标分配与基于OpenHarmony的车路协同系统研究》

1. 对抗环境下武器目标分配

在对抗环境中，武器装备的目标分配是一个至关重要的问题。当引入目标函数 f(x) 和 g(x) 后，武器装备分配与任务指派（AWTA）问题演变成了一个多目标优化场景。主要目标是找到一组任务分配策略，在考虑对抗能力和资源利用的同时，优化目标摧毁效果并最小化武器资源消耗。

为了解决这个问题，构建了一个静态双目标优化模型。该模型综合考虑了武器平台打击目标的效益、打击弹药的成本以及目标防御方案。模型的约束条件包括每个武器平台的有效载荷约束、弹药的目标分配约束和总弹药量约束。

为了求解这个模型，采用了多目标粒子群优化（MOPSO）算法，并使用约束处理机制来优化计算过程。通过模拟实验，分析了小规模对抗场景下武器目标分配的迭代情况，得到了该场景下的帕累托前沿。同时，验证了 MOPSO 算法和 NSGA 算法在上述模型中的性能，并比较了它们的求解效果。

实验设置算法的迭代次数为 100，使用 100 个粒子，并引入 NSGA - II（非支配排序遗传算法）进行对比。结果表明，MOPSO 算法在搜索空间的探索范围更广，能够发现更多的帕累托最优解，从而产生更具多样性的最优解集合。

下面是实验的简单流程：
1. 设置参数 ：将 MOPSO 算法的迭代次数设为 100，粒子数量设为 100。
2. 引入对比算法 ：引入 NSGA - II 算法。
3. 进行实验 ：运行两种算法求解模型。
4. 分析结果 ：比较两种算法的求解效果，观察帕累托前沿。

2. 基于OpenHarmony的车路协同系统

随着交通系统的快速发展，智能交通系统（ITS）的需求日益增长。车路协同系统（VICS）作为实现 ITS 的技术解决方案，通过无线通信技术和物联网（IoT）实现车辆与车辆、车辆与基础设施之间的动态信息交换，提高了交通系统的安全性和效率。

然而，VICS 的发展面临着一些挑战，其中多个异构设备之间的通信和协调问题是关键挑战之一。系统中的设备如路边传感器、自动驾驶车辆、交通灯、手机等具有不同的硬件资源和通信能力，导致开发效率低下和兼容性差。

分布式操作系统可以管理多设备间的通信，为解决这一问题提供了可能。OpenHarmony 作为一种新兴的分布式操作系统，具有多内核设计，能适应不同资源类型的设备，其分布式软总线功能可以集成各种通信接口，提供统一的上层接口，促进设备间的自动发现、组网和数据传输。

为了探索 OpenHarmony 在 VICS 中的应用，构建了一个小型化的硬件平台。该平台包括路边感知系统和自动驾驶车辆，以模拟真实场景。

2.1 系统框架

系统框架主要由路边感知系统和自动驾驶车辆组成：
- 路边感知系统 ：包含相机模块、车辆定位模块和基于分布式软总线的通信模块。相机模块捕获图像并存储，将图像存储地址传输到车辆定位模块。该模块使用基于 OpenCV 库的程序分析图像，获取车辆的位置、航向角和检测置信度，然后将数据打包通过通信模块发送给自动驾驶车辆。
- 自动驾驶车辆 ：通过通信模块接收路边感知系统的数据。如果有多个路边感知单元，数据将根据置信度和及时性进行融合。融合后的数据发送到控制核心板，核心板分析数据确定车辆的期望运动，并使用 PWM 外设控制车辆运动。

以下是系统框架的 mermaid 流程图：

graph LR
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;
    A(路边感知系统):::process -->|图像数据| B(车辆定位模块):::process
    B -->|位置、航向角、置信度| C(通信模块):::process
    C -->|数据| D(自动驾驶车辆通信模块):::process
    D -->|融合数据| E(控制核心板):::process
    E -->|控制信号| F(PWM外设):::process
    F -->|控制| G(车辆运动):::process

2.2 分布式软总线的数据通信

在物联网环境中，设备间的数据通信需求多样。OpenHarmony 当前版本提供了基于软件总线的多种数据通信方法，如 RPC 通信、分布式数据对象和分布式数据库。考虑到 VICS 中多个路边感知系统为多个车辆服务的场景，选择使用 OpenHarmony 的分布式数据库功能作为通信模块。

具体操作是创建一个键值（KV）类型的数据库，通过键值对搜索和修改数据条目。修改后，系统会自动同步数据并进行数据维护。上层应用只需通过相应的分布式数据库接口访问和操作数据。

2.3 硬件平台与车辆定位

硬件平台 ：使用小型化硬件平台模拟真实场景。自动驾驶车辆采用配备 HI3516 设备的缩小版汽车，该设备具有双核心 Cortex - A7 MP2 CPU、1GB DDR3、8GB eMMC 和 2.4GHz WIFI 通信芯片，运行 OpenHarmony 3.1 Release 版本，主要通过 2.4GHz WIFI 通信，使用 PWM 信号控制直流电机。路边感知系统主要由 HI3516 设备和校准过的 SONY Sensor IMX335 相机组成。实验场地有白色圆形框架作为车道标记。
车辆定位 ：在路边感知系统中，使用 OpenCV 库进行车辆定位。在自动驾驶车辆屏幕上显示颜色标记，路边感知系统捕获图像后，通过 OpenCV 程序进行处理。程序先进行颜色滤波分离图像的红色和绿色成分，然后对每个成分进行高斯滤波和边缘检测，最后根据图案的几何关系计算车辆的姿态和检测结果的置信度。

当多个路边感知单元共同检测同一自动驾驶车辆的姿态信息时，设计了数据融合方案。该方案考虑检测准确性和实时性能两个关键标准：
- 检测准确性 ：通过计算捕获图像和标准图像的 Hu 矩距离来评估检测结果的准确性，公式为：
[C_{pic} = \frac{1}{\sum_{i = 1}^{7} \left| \frac{1}{sign(h_{A_{i}})} \cdot log(h_{A_{i}}) - \frac{1}{sign(h_{A_{i}})} \cdot log(h_{A_{i}}) \right|}]
其中 (C_{pic}) 是几何准确性的置信度，(h_{A_{i}}) 和 (h_{B_{i}}) 分别表示标准图像和检测图像的 Hu 矩值。
- 实时性能 ：以接收到的信息为起点，初始权重值设为 5。每次使用数据后，权重值减 1，直到降为 0 或该设备的数据更新，得到表示实时性能的置信度 (C_{time})。

整体数据融合权重公式为：
[D_{fuse} = \frac{\sum_{i = 1}^{m} D_{i} \cdot C_{pic_{i}} \cdot C_{time_{i}}}{C_{time_{max}} \sum_{i = 1}^{m} C_{pic_{i}}}]
其中 (D_{fuse}) 表示融合结果，(m) 表示设备总数，(D_{i}) 表示感知结果，(C_{pic_{i}}) 表示几何准确性置信度，(C_{time_{i}}) 表示实时性能置信度，(C_{time_{max}}) 表示实时性能置信度的最大值，本文设为 5。

2.4 车辆运动规划与控制

自动驾驶车辆在接收到多个路边感知单元的数据并进行融合后，计算当前姿态与目标姿态的差异，确定期望的航向角，并与当前航向角进行比较，从而决定车辆的行动，如左转、右转或前进。在本研究中，路边感知单元仅处理感知任务，规划和控制由自动驾驶车辆自身完成。

以下是车辆运动规划与控制的流程：
1. 接收数据 ：自动驾驶车辆接收多个路边感知单元的数据。
2. 数据融合 ：根据检测准确性和实时性能进行数据融合。
3. 计算差异 ：计算当前姿态与目标姿态的差异。
4. 确定航向角 ：确定期望的航向角。
5. 比较并决策 ：与当前航向角比较，决定车辆行动。
6. 控制运动 ：通过 PWM 外设控制车辆运动。

综上所述，对抗环境下的武器目标分配和基于 OpenHarmony 的车路协同系统都有各自的特点和挑战。武器目标分配通过优化算法和模型求解提高了资源利用效率和目标摧毁效果；车路协同系统利用 OpenHarmony 的分布式特性解决了异构设备的通信问题，为智能交通的发展提供了新的思路。

《对抗环境下武器目标分配与基于OpenHarmony的车路协同系统研究》

3. 实验验证与结果分析

为了验证基于 OpenHarmony 的车路协同系统的有效性，进行了相应的实验。实验使用上述构建的小型化硬件平台，在模拟的真实场景中进行测试。

3.1 实验设置

实验在特定的场地进行，场地中有白色圆形框架作为车道标记，模拟真实的道路环境。使用配备 HI3516 设备的缩小版自动驾驶车辆和由 HI3516 设备及 SONY Sensor IMX335 相机组成的路边感知系统。系统运行 OpenHarmony 3.1 Release 版本，设备间主要通过 2.4GHz WIFI 进行通信。

3.2 实验流程

初始化 ：启动路边感知系统和自动驾驶车辆，确保设备正常运行，分布式数据库正常连接。
数据采集 ：路边感知系统的相机模块开始捕获图像，车辆定位模块对图像进行处理，获取车辆的位置、航向角和检测置信度，并将数据上传到分布式数据库。
数据融合 ：自动驾驶车辆从分布式数据库获取多个路边感知单元的数据，按照前面提到的数据融合方案进行数据融合。
规划与控制 ：自动驾驶车辆根据融合后的数据计算当前姿态与目标姿态的差异，确定期望的航向角，通过比较当前航向角做出决策，控制车辆运动。
循环执行 ：重复步骤 2 - 4，直到完成实验。

以下是实验流程的 mermaid 流程图：

graph LR
    classDef process fill:#E5F6FF,stroke:#73A6FF,stroke-width:2px;
    A(初始化):::process --> B(数据采集):::process
    B --> C(数据融合):::process
    C --> D(规划与控制):::process
    D --> E{是否完成实验}:::process
    E -- 否 --> B
    E -- 是 --> F(结束):::process

3.3 实验结果分析

实验结果表明，基于 OpenHarmony 的车路协同系统在一定程度上实现了车辆与路边感知系统之间的有效通信和协同工作。

通信性能 ：分布式数据库功能为设备间的数据通信提供了稳定的支持，能够及时同步数据，满足系统对实时性的要求。
定位准确性 ：通过 OpenCV 库进行车辆定位，并结合数据融合方案，提高了车辆定位的准确性。在多个路边感知单元共同检测的情况下，融合后的数据更加可靠。
运动控制 ：自动驾驶车辆能够根据融合后的数据准确地规划和控制运动，在模拟的车道中实现了较为稳定的行驶。

然而，实验也发现了一些问题：
- 计算资源限制 ：路边感知系统的计算资源有限，只能处理感知任务，限制了系统的整体性能。如果路边感知系统能够具备更强大的计算能力，可以分担更多的规划和控制任务。
- 环境适应性 ：系统在复杂的环境中，如光照变化、遮挡等情况下，车辆定位的准确性会受到一定影响，需要进一步优化算法提高环境适应性。

4. 总结与展望

4.1 研究总结

本文围绕对抗环境下的武器目标分配和基于 OpenHarmony 的车路协同系统展开研究。

在武器目标分配方面，构建了静态双目标优化模型，采用 MOPSO 算法进行求解。实验结果表明，MOPSO 算法在搜索空间的探索能力更强，能够找到更多的帕累托最优解，提高了武器资源的利用效率和目标摧毁效果。

在车路协同系统方面，利用 OpenHarmony 的分布式特性构建了小型化硬件平台，实现了车辆与路边感知系统之间的通信和协同工作。通过分布式数据库进行数据通信，采用 OpenCV 库进行车辆定位，并设计了数据融合方案，提高了系统的性能。

4.2 未来展望

武器目标分配 ：当前的静态双目标优化模型在对抗环境下有一定的效果，但为了更好地适应动态环境，需要进一步构建更符合动态性能的模型。未来将重点处理动态及时性问题，探索更好的收敛性能，结合实际应用场景的动态特征改进模型和算法。
车路协同系统 ：
- 增强计算能力 ：提升路边感知系统的计算资源，使其能够分担更多的规划和控制任务，提高系统的整体性能。
- 优化算法 ：针对复杂环境下的车辆定位问题，优化算法提高环境适应性，确保系统在各种情况下都能稳定运行。
- 拓展应用场景 ：将车路协同系统应用到更广泛的场景中，如城市交通、高速公路等，进一步验证系统的有效性和实用性。

总之，这两个领域的研究都具有重要的意义和广阔的发展前景，未来需要不断地进行探索和改进，以满足实际应用的需求。