一种通信受限条件下的UUV集群协同围捕方法及装置与流程
本技术涉及水下航行器控制领域,尤其涉及一种通信受限条件下的uuv集群协同围捕方法及装置。
背景技术:
1、随着水下无人系统技术的快速发展,水下航行器(uuv)集群协同围捕技术在军事侦察、水下目标追踪及海洋资源开发等领域具有广阔的应用前景。uuv集群通过多平台协同作业,能够显著提升对水下目标的探测、追踪和围捕效率,是当前水下无人系统领域的研究热点。
2、现有uuv集群围捕方法缺乏对目标运动状态和机动意图的准确估计与预测能力,难以提供本地化态势基础;在通信良好时无法将探测信息形成统一态势,难以实现合围点的全局优化分配;通信中断后无法推断其他uuv的围捕意图,难以继续执行围捕,协同围捕的准确性和鲁棒性较差,影响围捕任务的有效进行。
技术实现思路
1、为了解决上述问题,第一方面,本发明提供了一种通信受限条件下的uuv集群协同围捕方法,包括:
2、uuv集群中的每个uuv通过水声探测设备采集目标的量测信息,根据量测信息进行运动状态估计和运动意图预测,获得目标运动状态估计数据和短期运动意图预测数据;
3、获取水声通信质量数据,当水声通信质量数据满足预设条件时,根据目标运动状态估计数据和短期运动意图预测数据,通过分布式一致性融合算法生成全局目标态势;根据全局目标态势,通过分布式任务分配算法生成优化合围点;
4、当水声通信质量数据不满足预设条件时,根据目标运动状态估计数据和短期运动意图预测数据进行目标状态外推,获得外推目标状态;每个uuv通过水声探测设备获取邻近uuv的运动数据,根据外推目标状态和运动数据,通过意图推理算法推断生成优化合围点;
5、uuv集群根据优化合围点,对目标进行收缩围捕。
6、在一实施例中,根据量测信息进行运动状态估计和运动意图预测,获得目标运动状态估计数据和短期运动意图预测数据,包括:
7、将量测信息分别输入匀速运动模型、匀加速运动模型和协同转弯运动模型进行概率计算,获得匀速运动概率、匀加速运动概率和协同转弯运动概率;
8、将匀速运动概率、匀加速运动概率和协同转弯运动概率进行加权融合,获得目标运动状态估计数据;
9、根据目标运动状态估计数据构建目标历史航迹,从目标历史航迹中提取航向变化率特征和速度变化特征,将航向变化率特征和速度变化特征输入意图分类器进行意图预测,获得短期运动意图预测数据。
10、在一实施例中,水声通信质量数据包括误码率、信噪比和数据包接收成功率;
11、若误码率低于预设误码率门限,且信噪比高于预设信噪比门限,且数据包接收成功率高于预设成功率门限,则判定水声通信质量数据满足预设条件;否则判定水声通信质量数据不满足预设条件。
12、在一实施例中,根据目标运动状态估计数据和短期运动意图预测数据,通过分布式一致性融合算法生成全局目标态势,包括:
13、获取每个uuv的目标运动状态估计数据对应的协方差矩阵,每个uuv将自身生成的目标运动状态估计数据、协方差矩阵和短期运动意图预测数据,通过水声通信发送给预设范围内的邻近uuv,并接收邻近uuv发送的目标运动状态估计数据、协方差矩阵和短期运动意图预测数据;
14、每个uuv根据邻近uuv的目标运动状态估计数据和协方差矩阵,通过基于卡尔曼滤波的一致性融合算法对自身的目标运动状态估计数据和协方差矩阵进行更新,获得更新运动状态估计数据;每次更新后,计算相邻两个迭代步的更新运动状态估计数据之间的状态偏差;
15、每个uuv根据邻近uuv的短期运动意图预测数据,通过离散投票算法对自身的短期运动意图预测数据进行更新,获得更新运动意图预测数据;
16、当状态偏差收敛于预设阈值时,根据更新运动状态估计数据和更新运动意图预测数据构建全局目标态势。
17、在一实施例中,根据全局目标态势,通过分布式任务分配算法生成优化合围点,包括:
18、从全局目标态势中提取目标位置,以目标位置为中心生成动态合围编队,动态合围编队包含多个初始合围点;
19、每个uuv根据自身当前位置,计算到达每个初始合围点的路径代价,将路径代价作为竞标值;
20、每个uuv采用基于市场拍卖机制的任务分配算法,与邻近uuv交换竞标值,以总路径代价最小为目标优化uuv与初始合围点的分配,获得每个uuv对应的优化合围点。
21、在一实施例中,根据目标运动状态估计数据和短期运动意图预测数据进行目标状态外推,获得外推目标状态,包括:
22、根据短期运动意图预测数据确定目标当前的运动模式,基于运动模式从预设模型集中选择对应的目标运动模型,预设模型集包括匀速运动模型、匀加速运动模型和协同转弯运动模型;
23、将目标运动状态估计数据作为初始状态,通过目标运动模型进行递推计算,获得未来时段内各时刻的外推目标状态。
24、在一实施例中,根据外推目标状态和运动数据,通过意图推理算法推断生成优化合围点,包括:
25、每个uuv根据外推目标状态中的目标位置,重新生成以目标位置为中心的多个更新合围点;
26、每个uuv从获取的邻近uuv的运动数据中,提取每个邻近uuv的航向矢量;
27、针对每个邻近uuv,分别计算航向矢量与每个更新合围点所在方向之间的方向偏差,将方向偏差最小的更新合围点推断为趋向合围点;
28、每个uuv从所有更新合围点中排除趋向合围点,从剩余的更新合围点中选择到达代价最小的更新合围点作为优化合围点。
29、第二方面,本发明提供了一种通信受限条件下的uuv集群协同围捕装置,用于实现所述的通信受限条件下的uuv集群协同围捕方法,所述装置包括:
30、运动计算模块,用于uuv集群中的每个uuv通过水声探测设备采集目标的量测信息,根据量测信息进行运动状态估计和运动意图预测,获得目标运动状态估计数据和短期运动意图预测数据;
31、第一优化合围点生成模块,用于获取水声通信质量数据,当水声通信质量数据满足预设条件时,根据目标运动状态估计数据和短期运动意图预测数据,通过分布式一致性融合算法生成全局目标态势;根据全局目标态势,通过分布式任务分配算法生成优化合围点;
32、第二优化合围点生成模块,用于当水声通信质量数据不满足预设条件时,根据目标运动状态估计数据和短期运动意图预测数据进行目标状态外推,获得外推目标状态;每个uuv通过水声探测设备获取邻近uuv的运动数据,根据外推目标状态和运动数据,通过意图推理算法推断生成优化合围点;
33、目标围捕模块,用于uuv集群根据优化合围点,对目标进行收缩围捕。
34、第三方面,本发明提供了一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述程序时实现所述的通信受限条件下的uuv集群协同围捕方法。
35、第四方面,本发明提供了一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现所述的通信受限条件下的uuv集群协同围捕方法。
36、本发明具有以下有益效果:
37、1、通过量测信息生成目标运动状态估计数据和短期运动意图预测数据,为后续围捕决策提供本地化的态势基础;通信质量良好时,通过分布式一致性融合算法生成全局目标态势,并基于分布式任务分配算法得到优化合围点,使各uuv能够获得全局最优的围捕位置;通信质量受限时,根据目标运动状态估计数据和短期运动意图预测数据获得外推目标状态,再结合邻近uuv的运动数据,通过意图推理算法推断出优化合围点,使uuv集群在通信中断或不可靠的情况下仍能维持围捕任务;uuv依据优化合围点对目标实施收缩围捕,提升了协同围捕的准确性和鲁棒性。
38、2、通过将量测信息分别输入匀速运动模型、匀加速运动模型和协同转弯运动模型进行概率计算并加权融合,提高了目标运动状态估计的准确性,通过从历史航迹中提取航向变化率特征和速度变化特征并输入意图分类器,增强了短期运动意图预测的可靠性;通过设定误码率、信噪比和数据包接收成功率三个门限条件来综合判定水声通信质量,提升了通信状态判断的鲁棒性;在通信满足预设条件时,利用基于卡尔曼滤波的一致性融合算法对目标运动状态估计数据和协方差矩阵进行迭代更新,并采用离散投票算法对短期运动意图预测数据进行共识化,在状态偏差收敛后生成全局目标态势,从而实现了多uuv在水声通信可用条件下的分布式协同态势生成,提升了优化合围点的精确性。
39、3、通过根据短期运动意图预测数据动态匹配对应的目标运动模型,将目标运动状态估计数据作为初始状态进行递推外推,使得在通信中断期间各uuv仍能基于目标实时意图获得准确的外推目标状态,有效弥补了水声通信不可用时目标信息缺失的问题,为后续合围决策提供了可靠的预测依据;令各uuv根据外推目标状态更新合围点,并结合邻近uuv的航向矢量推断其趋向合围点,从剩余合围点中选择到达代价最小的作为自身优化合围点,实现了无通信条件下的合围点自主避让和分配冲突避免,显著提升了通信拒止环境下uuv的自适应能力和任务可靠性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com