法律状态公告日
法律状态信息
法律状态
2022-09-06
实质审查的生效 IPC(主分类):G01S13/86 专利申请号:2022104617363 申请日:20220428
实质审查的生效
技术领域
本发明属于空中多目标跟踪、态势评估与空中交通管制领域,具体涉及一种基于目标运动轨线的空中目标意图推断方法。
背景技术
随着现代先进武器和技术装备的大量使用,以及直升机、无人机、战斗机、预警机、导弹等作战平台的不断进步,现代战场环境正变得日益复杂,战争形态也正从传统的机械化、信息化作战向未来的无人化、智能化作战演进。一方面,现代化战争的很多集群式作战任务中,敌方的目标数目众多且来源于不同的方向;而另一方面,我方的局部防御能力有限,必须利用有限的火力精确打击对我方威胁最大的来袭目标。基于上述原因,跟踪监视来袭目标,判断其对我方的威胁大小及作战意图,即基于目标跟踪,进行威胁估计与意图推断,并据此采取告警、精确打击等操作,具有十分重要的意义。合理地对空中目标进行威胁估计可以为指挥人员制定科学的作战方案提供信息支撑,发挥我方防空武器系统的最大作战效能,为赢得战争的胜利提供有利条件。
随着多源信息融合及其相关技术的发展,从上世纪七十年代开始,世界各国开始将目光投入威胁估计领域并进行大量的研究与创新,使得威胁估计在理论基础以及实践层面得到了飞速发展。
国外首先开始对威胁估计领域进行研究。威胁估计的定义由JDL提出:威胁估计是依据敌我武器装备的性能、军事部署及当前态势等因素,推断敌方的作战能力及进攻意图,做出敌方对于我方的威胁程度的定量评估。Alan N.Steinberg指出,一次完整的威胁估计需要包括预测产生威胁的时间、发出预警、对威胁进行描述、确定威胁度的大小以及给出威胁估计结果。B.Chalmers表示,一次完整的威胁估计是一个十分复杂的工程,在实际战场环境下,我们需要结合航空、航海、数学、物理、导航、制导以及先验知识与经验等等才能有一个较为客观、正确的威胁估计结果。此外,国外还运用了贝叶斯网络、模糊推理等方法,解决威胁估计与意图推断问题。
在国内,王朔指出,威胁估计是根据实际战场环境上由传感器网络收集信息,基于这些信息,对目标威胁程度进行估计的一项非常复杂的任务。曲长文表示,威胁估计问题具有多属性特征,可以运用多属性决策方法进行求解。赵建军,康长青等,采用贝叶斯网络解决目标威胁估计问题。郭辉,唐立军等,采用基于支持向量机的空中目标威胁评估模型,解决空中目标威胁估计问题。王猛从属性分析角度出发,进行基于属性分析的威胁评估技术研究。罗艳春提出基于模糊神经网络的空中目标威胁估计。
相比于威胁估计,国内外意图推断领域的研究工作较少。李曼等提出基于模板的态势估计推理模型与算法。曲长文,伍之前等提出采用多属性决策法解决意图推断问题。王昊冉,陈霞,葛顺等采用贝叶斯网络解决意图推断问题。徐建平等提出基于模糊推理的空中目标意图识别方法。
发明内容
本发明的目的在于克服上述不足,提供一种基于目标运动轨线的空中目标意图推断方法,本发明基于传感器对于目标的量测获取目标运动轨线,并根据轨线推断其意图,为指挥人员制定科学的作战方案提供信息支撑,使传感器网络达到更高的使用效能。
为了达到上述目的,本发明包括以下步骤:
S1,通过基于雷达和红外传感器组成的传感器网络来识别并跟踪目标,从被噪声污染的量测中递推估计目标的运动状态,从而得到目标的运动轨迹数据;
S2,选取目标的运动轨迹数据的一个时间标度进行量化,得到目标的运动轨线的航迹段估计,并用字母序列表示经过位置和速度量化后的目标的运动模式;
S3,采用模式识别算法计算基于由航迹段生成的目标运动轨线序列,得到目标轨线模型;
S4,根据目标轨线模型并结合监测区域的物理信息,做出意图推断决策。
S1中,传感器网络来识别并跟踪目标的模型如下:
式中,(x
S1中,采用滤波算法从被噪声污染的量测中递推估计目标的运动状态,粒子滤波的具体流程如下:
第一步,通过先验概率p(x
选取先验概率p(x
依据重要性密度函数产生N个随机样本粒子
第二步,计算各个粒子的权重:
权重归一化,得到:
第三步,若满足下式,则进行重采样,
将带权样本
第四步,对等权重样本
式中,k为时刻点,
S2中,对目标的运动轨迹数据的一个时间标度进行量化的具体方法如下:
采用位置航迹段量化和速度航迹段量化;
位置航迹段量化是对一处于我方空中监测的区域按照合适的网格大小进行网格化,如果空中目标的位置估计在采样时刻落入了某一个网格,就取此网格的中心作为本次采样的位置点,即认为在该采样时刻,目标的航迹位于此网格的中心,相邻两次采样时刻所对应位置点的连线,即构成航迹段,由航迹段,构成目标的航迹段轨;
速度航迹段量化是将目标在任意时刻的速度方向量化为八个方向,如下式所示,形成一个速度方向的集合:
其中,
S3中,使用Earley解析算法对由航迹段生成的目标运动轨线序列进行模式识别;
Earley解析算法中,假定上下文无关文法G=(V
建立剖析表序列I
第一步,建立剖析表I
①若S→α在P中,将项目[S→·α,0]加人I
②若[B→γ·,0]在I
③若[A→αB·β,0]在I
重复②和③,直至I
第二步,根据I
①对于每个在I
②若[A→α·Bβ,0]为I
③若[A→α=Bβ,i]∈I
重复②和③,直至I
第三步,判决;
x∈L(G)的充要条件为:I
S3中,目标轨线模型分为直线型、弧线型和矩形型;
直线型:
若目标始终朝着同一个方向飞行,则其航迹为一条直线,该模型对应的轨迹序列为L
空中目标沿直线飞行,其航迹不是一条直线,采用空中区域网格化,对目标的位置进行量化,得到结果;
弧线型:
弧形型对应的轨迹序列为L
矩形型:
矩形型对应的轨迹序列为L
令矩形型对应的轨迹序列中,字符a和c的数目相等,而字符b和d的数目能够不相等,矩形模型能够描述三次直角转弯的运动轨线。
S4的具体方法如下:
当其飞行轨迹对应形式化模型为直线型时,在其运动方向上,存在我方重要军事基地,则判断意图为攻击我方基地;
当其飞行轨迹对应形式化模型为直线型,其飞行轨迹附近,无军事基地与雷达站点,则判断飞行意图可能过境或无关;
当其飞行轨迹对应形式化模型为弧线型,为异常轨线,经观察发现,其飞行轨迹避开我方雷达站点,则推断意图是秘密侦察该区域或避开我方雷达实现逃逸。
与现有技术相比,本发明通过传感器网络获取目标的运动轨迹数据,并建立目标轨迹模型,将目标轨迹模型与监测区域的物理信息相结合,能够得出各个目标轨迹形状以及目标与保护对象的相对位置,从而进行意图推断决策。本发明实现了基于运动轨线的空中目标意图推断,提高了传感器网络对空中目标的态势感知能力。在众多军用与民用领域,如导弹拦截、区域目标监视等方面都有较大应用潜力和价值,能够为目标的识别、跟踪提供更多依据,从而提高传感器网络的探测效率,为指挥人员制定科学的作战方案提供信息支撑,为发挥我方防空武器系统的最大作战效能提供有利条件。
附图说明
图1为本发明的流程图;
图2速度矢量量化示意图;
图3为仿真实验场景1,对方目标直线飞向我方重要保护目标;
图4为仿真实验场景2,对方目标做近似直线运动(小幅度反复改变方向),但是并不朝向我方重要保护目标;
图5为仿真实验场景3,对方目标做弧线运动(弧线围绕我方重要保护目标),但是并未对我方重要保护目标形成封闭轨线;
图6为仿真实验场景4,对方目标做环绕的运动(围绕我方重要保护目标),并且对我方重要保护目标形成封闭轨线。
具体实施方式
下面结合附图对本发明做进一步说明。
参见图1和图2,在每个进行传感器分配的单位时间内,本发明具体包括以下步骤:
步骤一,目标跟踪,基于传感器网络,从量测中递推估计目标的运动状态,从而得到目标的运动轨迹数据。
步骤二,航迹段估计,对滤波后得到的目标轨迹进行量化,得到目标运动轨线的航迹段估计,并用字母序列表示其运动模式。
步骤三,轨线序列识别,基于由航迹段生成的目标运动轨线序列,采取合适的模式识别算法,得到目标轨线模型。
步骤四,意图推断引擎,根据目标轨线模型并结合该监测区域的物理信息,做出意图推断决策。
步骤一中,传感器对各目标的量测模型如下:
式中,(x
步骤一首先进行目标跟踪,其中选用粒子滤波,粒子滤波的具体流程如下:
第一步,通过先验概率p(x
选取先验概率p(x
依据重要性密度函数产生N个随机样本粒子
第二步,计算各个粒子的权重:
权重归一化,得到:
第三步,若满足公式5,则进行重采样,
将带权样本
第四步,对等权重样本
式中,k为时刻点k,
步骤二首先进行位置航迹段量化,对一处于我方空中监测的区域按照合适的网格大小进行网格化,如果空中目标的位置估计在采样时刻落入了某一个网格,就取此网格的中心作为本次采样的位置点,即认为在该采样时刻,目标的航迹位于此网格的中心。相邻两次采样时刻所对应位置点的连线,即构成航迹段,由航迹段,构成目标的航迹段轨迹。
接着进行速度航迹段量化,由位置的量化,得到位置航迹段,在网格大小选取合适的情况下,航迹段的方向,同时也是空中目标在该航迹段的平均速度的方向,仅仅在八个方向上取值。因此,我们将目标在任意时刻的速度方向量化为八个方向,形成一个速度方向的集合:
空中目标轨线的形式化模型可以分为三类:
(1)直线型
若目标始终朝着同一个方向飞行,如正东方向,则其航迹为一条直线,该模型对应的轨迹序列为L
(2)弧线型
弧形型对应的轨迹序列为L
(3)矩形型
矩形型对应的轨迹序列为L
接着使用Earley解析算法对由航迹段生成的目标运动轨线序列进行模式识别,识别目标为以上三种语法规则。
Earley解析算法中,假定上下文无关文法G=(V
(1)建立剖析表I
①若S→α在P中,将项目[S→·α,0]加人I
②若[B→γ·,0]在I
③若[A→αB·β,0]在I
④重复②和③,直至I
(2)根据I
①对于每个在I
②若[A→α·Bβ,0]为I
③若[A→α=Bβ,i]∈I
④重复②和③,直至I
(3)判决
x∈L(G)的充要条件为:I
轨迹序列识别范例如下表:
表1轨迹序列识别范例表
接着结合轨线模型的意图推断引擎进行推断。
意图推断引擎逻辑为,当其飞行轨迹对应形式化模型为直线型时,在其运动方向上,存在我方重要军事基地,可初步推断,其意图可能为攻击我方基地(G
参见图3,识别结果其飞行轨迹对应模型为直线型,在其运动方向上朝向我方重要军事基地,推断其意图可能为攻击我方基地,需对该目标密切关注,必要时进行驱逐以及火力打击。图4,其飞行轨迹对应形式化模型为直线型,其飞行轨迹附近,无军事基地与雷达站点,推断该空中目标的飞行意图为过境或无关。图5,其飞行轨迹对应形式化模型为弧线,为异常轨线,经观察发现,其飞行轨迹恰好避开我方雷达站点,推断其意图可能是秘密侦察该区域或避开我方雷达实现逃逸。图6,其飞行轨迹对应形式化模型为矩形,为异常轨线,该矩形中心存在我方军事基地,推断该目标的意图为侦察我方基地所在区域,若目标威胁度较大,需密切关注其下一步动向,必要时进行驱逐以及火力打击。综上所述,识别结果符合直观推断。
机译: 基于多位置地面无线电监视-空中目标接收器监视系统中空中目标坐标的确定方法
机译: 一种识别目标空中信号的方法,一种利用目标方向测量的多位置空间分布式无线电导航系统
机译: 用于测量和记录针对运动目标,尤其是空中目标的锐射和盲击练习中的瞄准误差的方法和装置