反无人机集群态势感知应对策略研究

创建时间:2024-10-21 15:55

源自:无人系统技术

作者:姜剑雄  桂阳  李琴  王鹏

摘要

由于无人机集群作战对重点区域、重点目标产生的威胁日益突出,开展了反无人机集群态势感知应对策略研究。首先,分析雷达、无线电、光电等多种预警探测方式的应用场景,提出了远近结合、高低搭配、梯次部署的反无人机集群联合多域探测模式。然后,构建了分级式多源信息融合结构。在目标跟踪方面,对群目标跟踪情况进行分类,主要阐述了密集群目标跟踪中分群检测、分离/合并检测、群扩展外形估计、关联与滤波算法的原理与特点;在意图识别方面,提出一种基于层次化贝叶斯网络的群目标意图识别方法,建立了多层次群目标意图识别模型,分析了行为特征、目标意图之间的推理关系。所提出的态势感知应对策略可为反无人机集群防控技术路线设计提供一定的参考价值。

 

关键词

无人机集群;反无人机;态势感知;多域探测;群目标跟踪;意图识别

1 引 言

无人机集群是以单平台无人机的作战能力为基础,无人机之间的协同交互能力为支撑,群体智能涌现能力为核心,基于开放式体系架构集成构建的集群,能够完成渗透侦察与目标指示、电子干扰与诱骗佯攻、分散打击与饱和攻击等作战任务[1-2]。近年来,世界各军事强国对无人机集群作战越来越重视。美国围绕无人机集群系统概念/架构、任务规划、自主协同、通信组网等方面先后开展了拒止环境下的协同作战、“小精灵”、进攻性集群使能战术、低成本无人机集群技术等项目研究工作[3-4]。俄罗斯开展了无人机协同作战研究,其“闪电”和S-70“猎人”两款僚机都能配合有人机以“集群”方式运用。无人机集群作战技术、战法的发展对重点区域、重点目标和重点活动产生的威胁日益突出。2018年俄驻叙利亚的赫梅米姆空军基地和塔尔图斯海军基地遭遇无人机集群空袭。2019年胡赛武装采用多架不同种类的无人机构成的无人机集群和巡航导弹对沙特油田进行协同攻击,导致沙特原油生产受到重创[5]。2022年俄乌冲突发生以来,各类小型侦察引导型无人机、自杀式无人机组成的无人机集群投入战场使用,取得较好作战效果[6]。以上战例展示了无人机集群的作战优势,但也反映出无人机集群这一锋利的“矛”对现有防控体系“盾”的严重威胁,因此,反无人机集群的作战概念、战法、武器、技术等亦受到各方的重视,矛与盾的对抗性日益加剧。文献[7]对传统的无人机集群反制技术进行分类,通过分析传统技术局限性,总结了无人机集群智能反制技术。文献[8]分析了无人机集群的技战术弱点,针对半自主编组协同型无人机集群梳理出七类有效的反无人机集群技术,并对其可行性进行了分析。文献[9]提出了构建以拦截群为核心,侦察群、反辐射群、诱饵群、电子对抗群、补充群负责协同的空中无人机蜂群拦截系统,并针对敌可能的来袭武器进行了相应的作战构想设计。文献[10]对反无人机集群作战技术路线与立体作战模式进行了设计,并总结了协同侦察探测技术、智能决策评估技术等关键技术。文献[11]对美军无人集群项目中的目标开展特性分析,并从工程型号的角度对目标进行划分,然后说明了当前各类反无人机集群手段的发展现状与不足。文献[12]聚焦以无人机为代表的“低慢小”目标的防控问题,构建了基于观察-判断-决策-行动的“低慢小”目标防控体系架构并分析了探测技术、处置手段的发展方向。现有的研究多集中于对反无人机集群软/硬杀伤手段的研究,而对敌集群态势感知的研究较少。实际上由于无人机集群具有很强的突防能力和高度的协同性,反无人机集群的关键是进行区域拒止防御,而要实现该目标,关键在于尽早感知敌集群态势,从而为摧毁敌集群运载释放平台和地面站,干扰敌通信链路等预留时间窗口。因此,针对当前研究不足,本文以反无人机集群态势感知应对策略为研究对象,首先对反无人机集群联合多域探测手段进行阐述介绍,然后分别以集群目标的融合跟踪和意图识别为例对分级式融合结构进行分析讨论。

2 反无人机集群联合多域探测

目前,针对“低慢小”无人机组成集群进行预警探测的主要手段包括雷达探测、无线电探测、光电探测和声波探测等,如表1所示。

 

表 1   反无人机集群预警探测手段

 

无人机集群在实际作战中,其编队构型随作战任务、作战环境变化,各成员无人机的类型,功能和机动、隐身特性存在差异,另外复杂的天气、地物、电磁环境等对所有的探测方法都有不同程度的影响。因此,要实现对无人机集群的全天候、全天时、高精度预警探测,需将远距离探测的雷达和无线电探测技术与近距离探测的光电和声波探测技术相结合,采用高低搭配、梯次部署等实现全区域覆盖,从而融合声光电磁多种探测技术以形成联合多域协同探测能力,如图1所示。同时,在前沿部署可以与指控中心进行稳定、可靠通信的空中平台和移动式地面站,将雷达、光电等探测设备集成在集群无人机上,通过空中平台和移动式地面站实现对集群无人机的释放、控制,从而借助我方无人机集群来侦察监视敌方无人机集群,形成敏捷、弹性的网络化移动式无人系统探测能力。

 

图1   反无人机集群联合多域探测模式

3 反无人机集群多源信息融合

反无人机集群多源信息融合采用分级式融合结构,如图2所示。参考文献[13],为避免信息交互的复杂性,各模块之间采用基于发布/订阅中间件的信息交互形式。反无人机集群的雷达、无线电等多个异构信源发布探测并经过预处理后的无人机集群目标原始数据、信源自身工作状态等信息,同时订阅反无人机集群指挥控制系统发布的信源管理指令。

 

图2   分级式融合结构 

 

初级信息融合模块订阅目标原始探测数据和其他情报信息,在数据库和先验知识库的支持下,完成对集群目标的定位、跟踪、身份与属性识别,然后将集群目标跟踪和识别结果进行发布,以供高级信息融合模块进行态势、威胁估计。高级信息融合模块订阅目标原始探测数据、初级信息融合模块发布的融合数据以及其他情报信息,在数据库和先验知识库的支持下,结合无人机集群作战理论推测敌无人机集群当前行为特征、作战意图,对我方的威胁及可能造成的损失,我方实施攻防对抗的行动措施与机会等,然后将态势、威胁评估结果送入反无人机集群指挥控制系统,用于支撑作战任务筹划和行动协调控制[14]。下面将主要对分级式融合结构中目标跟踪与意图识别两个模块的技术内容进行分析。

 

 

3.1 反无人机集群目标跟踪

无人机集群目标跟踪本质上是多目标跟踪的一种拓展。根据文献[15]对密集群目标的界定,考虑集群目标与雷达、无线电等传感器的相对密集程度以及集群目标在执行任务过程中编队构型的变化,本文将集群目标跟踪分为4种情况,如表2所示。

 

表2   无人机集群目标跟踪情况分类

无人机集群在释放后,由于集群目标的群成员多,各群成员间距较小。在特定的传感器精度下,目标的密集程度使得整个集群成为不可分辨目标;亦或是传感器精度足以进行分辨,但群成员所产生的回波众多且关联门交叉严重,易出现关联错误。此时需采用密集群目标跟踪算法来生成全局集群目标质心航迹。当集群抵近战场后,根据无人机集群的作战形式与成员无人机的功能,整个集群可能分解为侦察群、诱饵群、干扰群、打击群等不同任务群,各任务群内部成员间距较小,传感器无法分辨,需采用密集群目标跟踪算法来生成各局部集群目标质心航迹(各任务群目标质心航迹);此时,由于各任务群目标的质心间距较大,若将不可分辨的任务群目标整体视作等效单目标的话,则可得到稀疏多目标航迹(各任务群目标质心航迹)。随着各任务群在作战过程中的对抗损耗以及各任务群与传感器之间的相对位置变化,集群目标将演变为若干个不可分辨群目标和若干个可分辨的单目标,此时可分别采用稀疏多目标跟踪算法和密集群目标跟踪算法来生成相应的目标航迹。稀疏多目标跟踪通常采用传统的多目标跟踪算法,先数据关联,再状态滤波,从而生成多目标航迹。其中,数据关联算法包括最近邻算法、概率数据关联算法、联合概率数据关联算法、多假设跟踪算法(Multiple Hypothesis Tracking,MHT)等,典型滤波算法包括卡尔曼滤波、粒子滤波等。图3给出了密集群目标的跟踪框架,显然,其与稀疏多目标跟踪相比具有更多的处理流程,基本包括分群检测、数据关联、状态滤波以及分离/合并检测等步骤。其中,分群检测的任务是将同一个密集群目标产生的量测划分到同一量测集合,当群内部成员数量较多时,为保证划分效率,需选择合适的分群检测算法;群分离/合并是群结构演化的重要表现形式,主要影响群内部成员数量和成员之间的相互作用关系;数据关联是为群内部成员找到与其对应的雷达量测点迹;状态滤波则基于目标模型预测,利用关联到的量测点迹来对目标状态进行滤波估计,从而生成全局密集群目标质心航迹或各局部密集群目标质心航迹。

 

图3   密集群目标跟踪框架

 

(1)分群检测算法分群检测算法主要包括距离分群与聚类分群两种,前者是当前应用最为广泛的量测划分方法。不考虑群扩展外形下,距离分群的公式为

 

(1)

式中,可通过概率和量测维数确定。足式(1),则将其划分到同一量测子集,否则,划分到不同量测子集。针对距离分群算法难以划分邻近群目标的问题,文献[16]对算法进行改善,提出了子划分方法。文献[17]提出一种基于坐标映射的量测划分方法,将多维量测坐标降维映射到一维后先进行距离划分,再对划分结果进行关联整合。考虑群扩展外形下,文献[18]利用随机矩阵将目标外形建模为椭圆,提出了预测划分和期望最大划分方法。文献[19]提出了基于自适应共振理论的系列方法,具有较好的划分效率和稳定性。不同于距离分群,聚类分群首先确定一个初始聚类中心,然后计算一定范围内各个量测向该聚类中心的聚集程度,使得以该聚类中心构成的量测集合的聚集程度在阈值范围内,通过构建这样的量测集合实现分群,现有研究包括基于K-means聚类、模糊聚类、谱聚类等。(2)分离/合并检测算法群目标的分离/合并检测算法主要包括演化图形网络模型、模式空间等。其中最常用的是演化图形网络模型。演化图形中的每个节点表示一个群内目标,而边表示群内目标之间的相互关系,它通过计算不同目标之间位置和速度的马氏距离来判断是否发生群分裂或合并。当目标之间马氏距离大于阈值距离时,判断为发生群分裂;当目标之间马氏距离小于阈值距离时,判断为发生群合并。由于阈值距离通常根据先验知识选取,具有一定的主观性,文献[20]提出了一种基于核Fisher判别分析的群结构更新模型,通过数据训练出来的模型来更新群结构,无需人为干预。(3)群扩展外形估计算法相比于单目标或者稀疏多目标跟踪,密集群目标跟踪不仅需要估计群目标质心位置,还需要估计群目标在空间中的扩展外形。群扩展外形反映了群目标在空间中的大小和形状,是群目标跟踪的重要内容。根据模型的复杂程度及适用范围,可将群扩展外形分为简单几何外形(如圆、椭圆、矩形等)和复杂几何外形。文献[21]将目标群扩展外形看作椭圆形,提出采用随机矩阵描述椭圆扩展外形,在贝叶斯框架下实现了对目标运动状态和扩展状态后验概率密度的联合估计,该方法具有滤波方程简单、预设先验参数少、鲁棒性强等特点,是当前密集群目标跟踪中最常用的一种扩展外形估计方法。与随机矩阵不同,椭圆随机超曲面模型(Random Hypersurface Model,RHM)通过构造一个增广的描述群目标状态的向量,并对增广向量进行估计以实现对群目标质心运动状态和扩展状态的联合估计。针对星凸外形建模,文献[22]提出了星凸RHM方法,能够递归地估计半径函数和目标质心状态。RHM是一个鲁棒的目标模型,无论扩展外形建模与实际外形匹配程度如何,基本上都能够得到目标外形的精确近似。实际上,群目标的扩展外形大多无法通过简单几何外形近似,因此为更加准确地描述群扩展外形,还应估计复杂几何外形。当前对复杂几何外形的估计方法主要有水平集RHM方法和多椭圆方法。水平集RHM方法利用给定外形函数的水平集实现外形转换,能够对任意填充外形进行建模。多椭圆方法则是将群目标的实际扩展外形看作多概率分布的混合,采用多个椭圆近似群目标外形。(4)关联与状态滤波算法基于关联与状态滤波的算法是稀疏多目标跟踪算法的衍生拓展。现有研究多采用基于MHT的滤波算法,但是密集群目标跟踪中数据关联过程复杂,计算量大,容易出错。因此,引入基于随机有限集的方法,这类方法避免了直接数据关联带来的复杂问题,同时也能够较好地适用于目标群成员数目未知且时变的情况,其核心是多目标贝叶斯滤波器,主要包括[23]:(a)概率假设密度滤波算法(Probability Hypothesis Density,PHD),特点是计算复杂度低,但群目标数目估计方差大;(b)带势概率假设密度滤波算法(Cardinalized Probability Hypothesis Density,CPHD),特点是与PHD滤波采用泊松杂波虚警模型相比,采用更为通用的独立同分布聚类虚警模型,使得群目标数目与状态估计更准确,但计算复杂度过高;(c)多伯努利滤波算法(Multi-Bernoulli,MB),特点是计算复杂度低,但使用的假设条件比较严格,故只适用于低杂波密度场景;(d)扩展标签随机集滤波算法(Generalized Labeled Multi-Bernoulli,GLMB),由于PHD、CPHD、MB等滤波算法无法提供群目标航迹信息,因此GLMB滤波基于标签随机有限集将目标标签合并到各目标状态,实现了对群目标数目和航迹信息的输出,但计算复杂度比较高。

 

3.2 反无人机集群意图识别

完成对无人机集群目标运动状态、身份属性的估计后,需要基于上述信息对战场态势进行评估,推测敌无人机集群行为特征,进而识别出敌无人机集群作战意图。常见的群目标意图识别方法有:基于规则和模板匹配的意图识别方法,基于D-S(Dempster-Shafer)证据理论的意图识别方法,基于神经网络的意图识别方法以及基于贝叶斯网络(Bayesian Network,BN)的意图识别方法[24]。其中,基于规则和模板的意图识别方法主要根据专家经验知识和识别逻辑构建规则和模板,仅适用于简单场景,无法应对比较复杂的空战态势;D-S证据理论通过计算不同证据融合的基本概率分配函数,实现对目标意图的不确定性推理,该方法识别目标意图的信度较低,且容易发生证据冲突;神经网络方法能够处理多源异构数据,数据处理能力、模型泛化能力好,但其针对空中目标的意图识别结果可解释性较差。基于BN的意图识别方法能够有效利用群目标统计信息和先验知识,并解决传感器探测不确定性和推理规则的模糊性问题。受文献[25-26]启发,这里采用层次化贝叶斯网络(Hierarchical Bayesian Network,HBN)来推理无人机集群意图,建立的多层次群目标意图识别模型如图4所示。首先,根据任务群目标i的运动状态与工作状态推理出群目标i的行为特征;然后,基于群目标i在时序上的行为特征变化得到群目标i的意图;最后,综合各任务群目标意图,识别出无人机集群目标总意图。

 

 

图4   群目标意图识别模型

 

群目标行为包括高空巡航、中空巡航、低空巡航、平飞加/减速、俯冲、跃升、水平盘旋等。根据群目标运动状态变化,例如,当群目标编队队形稳定,质心高度保持不变,速度保持不变,通过不同高度区间划分,可分别匹配高空巡航、中空巡航、低空巡航行为。而当群目标质心高度保持不变,水平面内分别作加速或减速运动时,对应平飞加/减速行为。群目标特征可直接从传感器探测信息中获取,在状态空间中描述,其语义划分如表3所示。

 

表3   群目标状态空间

 

群目标意图包括侦察、诱饵、干扰、打击、突防、防御、撤离等。考虑到群目标意图与其行为特征序列在统计意义上通常变现出一种确定性关系,根据历史数据统计和专家经验,例如,当群目标以高空巡航开始,后续为(中空巡航+雷达开机),这样的行为特征序列所对应的群目标意图为侦察。当群目标以中空巡航开始,后续为(中空巡航+干扰开机)→俯冲→(低空巡航+干扰开机)→跃升→(中空巡航+干扰开机),意图为干扰。同理,中空巡航→平飞加速→(俯冲+发射武器)的意图为打击,中空巡航→(俯冲+电磁静默)→(低空巡航+电磁静默)→(水平加速+电磁静默)的意图为突防。

 

贝叶斯推理公式[27]为

 

(2)    

式中,某个群目标,N是可能的意图数。由于贝叶斯推理是基于一个类条件独立性假设的,假设群目标意图下的各时序行为特征相互独立,则群目标意与群目标t及M个独立的时序行为特征之间的条件概率关系满足

(3)

   

(4)    

式中,表示群目标t在k时序区间内的行为特征。通过对已搜集整理的推理样本进行训练,可以求得式(3)中的条件概率;再利用式(2)~(4)来推理计算群目标意图的条件概率;将N种意图的条件概率计算完毕后,最大的则认为其对应的意图最为可能。

群目标总意图需结合无人机集群战术战法来对各任务群目标意图进行综合分析,针对群目标总意图的推理,可将群目标总意图记为父节点,各任务群目标意图记为子节点x1,x2,···,xn,n为任务群个数。父节点的可信度为

 

(5)    

式中,是推理规则下子节点Xi 意图的发生概率;表示Xi-1 发生后继续发生Xi  的概率,其可根据实际情况来定义。

4 结 论

针对现有研究多集中于对反无人机集群软/硬杀伤手段的研究,而对敌集群态势感知的研究较少,本文提出了以反无人机集群联合多域探测、多源信息融合为主的态势感知应对策略,构建了从传感器探测→融合跟踪→行为特征→意图识别的感知链,研究成果可为反无人机集群防控技术路线设计提供一定的参考价值。下一步将结合典型的反无人机集群作战想定,针对所提出的应对策略进行数据收集和仿真验证。未来,随着大语言模型技术[28]在多模态、关联性、逻辑性方面的持续发展,基于大模型事件抽取的态势感知方法也将逐渐具化并在反无人机集群作战中发挥重要作用。

声明:公众号转载的文章及图片出于非商业性的教育和科研目的供大家参考和探讨,并不意味着支持其观点或证实其内容的真实性。版权归原作者所有,如转载稿涉及版权等问题,请立即联系我们删除。

浏览量:0
收藏