一种基于轨迹序列建模的水下目标意图识别方法

本技术涉及人工智能与水下目标感知，具体涉及一种基于轨迹序列建模的水下目标意图识别方法、装置、电子设备、存储介质和程序。

背景技术：

1、随着自主水下航行器在海洋探测、资源开发、环境监测及水下作业领域的广泛应用，水下目标行为分析与智能决策逐渐成为智能水下系统的核心问题之一。水下环境具有复杂性高、感知条件受限、通信带宽低和延迟大等特点，使得传统基于视觉或声呐信号的目标识别和跟踪方法在行为理解层面面临挑战。水下目标意图识别作为从观测数据中推断目标未来行为或目的的高级认知任务，对于提升自主系统智能化水平具有重要意义。

2、在多自主体协同任务中，意图识别尤其关键。不同水下航行器需要在通信受限和环境不确定条件下协同完成搜索、跟踪和信息共享，准确预测同伴的行为意图可显著提升协同效率和任务完成率。已有研究提出，通过融合深度学习与认知推理模型，可以在有限数据交换条件下实现对多智能体行为意图的有效推断。

3、此外，将不确定性推理、信息推理及潜在结果框架引入意图识别，可以增强对目标行为动机的理解，从而提高多目标任务的预测准确性。战术意图识别的核心流程分为两个关键步骤：。

4、（1）从实时更新的水下态势与多源感知数据中，筛选并抽取意图关联特征。

5、（2）对特征信息进行融合处理与推理分析，进而判定目标的运动意图。

6、水下意图识别的技术流程通常包括行为特征提取、状态-动作映射建立及意图推断。然而，由于轨迹数据难以获取且存在噪声、多意图行为之间存在复杂时序相关性，传统规则或浅层学习方法在处理复杂轨迹及动态行为模式时表现有限。为解决数据获取难题，强化学习和仿真方法被广泛应用于生成可控轨迹数据。

7、通过差异化奖励设计和多智能体策略优化，可生成多类型、多分布的目标轨迹数据，为意图识别模型提供丰富训练样本。近年来，深度学习序列模型在水下意图识别中得到了广泛关注。长短时记忆网络可用于增强对时序相关性强、局部行为特征不明显轨迹的判别能力，通过对关键航迹片段进行加权处理，提高意图预测的准确性。

8、目前，水下目标行为意图识别是态势估计领域的研究热点，也是决策系统制定任务规划的核心依据。在复杂任务背景下，水下环境的复杂性与动态性显著增强，决策系统难以在有限时间内高效处理海量环境信息并精准判别水下目标行为意图，这就对智能指挥系统提出了迫切需求--需依托智能化手段辅助决策系统缩短响应周期、提升决策科学性。

9、尽管近年来水下目标意图识别研究取得了一定进展，但在复杂任务场景和实际应用需求的双重约束下，该领域仍存在若干亟待突破的关键问题，主要体现在以下几个方面：（1）水下目标意图具有较强的隐蔽性与多样性，难以进行统一建模；（2）真实水下多意图轨迹数据获取困难，制约数据驱动方法的有效应用；（3）水下目标意图识别需兼顾识别精度与实时性，现有方法难以平衡二者。

10、综上所述，在面对水下环境数据集稀缺、环境复杂的现实情况，本发明提出了基于轨迹序列建模的水下目标意图识别方法，旨在通过模拟水下的意图轨迹数据进行意图识别，为水下意图识别任务提供解决方案及技术储备。

技术实现思路

1、本技术公开了一种基于轨迹序列建模的水下目标意图识别方法、装置、电子设备、存储介质和程序，旨在解决复杂水下环境中目标行为隐蔽性强、机动模式复杂、多意图特征交织及传统方法识别精度低、实时性不足的技术问题。

2、为了实现上述目的，本技术第一方面提供一种基于轨迹序列建模的水下目标意图识别方法，包括：

3、构建水下目标多行为意图任务场景模型，建立包括汇聚、巡检、规避和驶离的多意图规则库，并基于目标运动学模型提取各类意图对应的轨迹特征；

4、基于强化学习方法构建意图驱动的马尔可夫决策过程模型，根据所述多意图规则库设计差异化奖励函数，并结合近端策略优化算法生成多类型水下目标运动轨迹数据；

5、对生成的轨迹数据进行归一化处理及序列划分，构建用于模型训练的样本数据集；

6、构建融合注意力机制的长短时记忆网络模型，利用所述样本数据集进行训练，所述模型对轨迹序列进行特征提取与时序建模，实现目标意图分类；

7、采用滑动窗口机制对实时采集的目标运动轨迹进行分段输入至训练好的模型，输出水下目标意图的实时识别结果。

8、可选地，基于目标运动学模型提取轨迹特征，定义目标位置向量与观测节点位置的相对距离、相对径向速度与相对方位差；

9、对于汇聚意图，其规则为持续趋近观测节点且航向对准，相对间距缩小且航迹夹角趋于闭合；

10、对于巡检意图，其规则为在预划定的环形走廊内活动，转向率方差与路径弯曲度增大；

11、对于规避意图，其规则为航向偏移量与变轨频次加剧，表现为轨迹突变；

12、对于驶离意图，其规则为持续脱开区域重心，相对距离标度持续放大。

13、可选地，构建包含位置、速度及航向信息的状态空间，定义航向变化及速度调整的动作空间；

14、所述差异化奖励函数包括：对于汇聚意图，强化接近行为、惩罚远离行为并鼓励朝向对准目标方向；对于巡检意图，奖励保持在环带区域内运动并鼓励围绕目标进行环形绕行；对于规避意图，根据转向幅度的阈值范围给予激励；对于驶离意图，奖励拉大相对距离并约束航向偏差。

15、可选地，生成的轨迹数据采用csv格式存储，包括时间步编号、位置坐标、运动速度、航向角、速度变化率、角速度变化率；

16、对所述轨迹数据进行归一化处理，并按照时间步顺序进行序列划分，生成固定长度的时序样本数据集。

17、可选地，融合注意力机制的长短时记忆网络模型以长短时记忆网络作为基础网络提取轨迹序列的时序特征；

18、在注意力机制中，以当前时刻前一状态的特征作为查询向量，对历史状态序列中的键向量进行相关性度量，计算得到注意力权重，并对历史状态序列的值向量进行加权求和，获得全局上下文表示，结合长短时记忆网络的隐状态进行意图分类。

19、可选地，初始化滑动窗口，将连续轨迹序列按照固定长度窗口进行分割，构造窗口内状态特征序列并进行归一化处理；

20、在每一采样时刻更新滑动窗口内容，当窗口长度满足预设要求时，将归一化后的状态特征序列输入训练好的意图识别模型进行前向推理，输出对应窗口的意图类别及其概率结果，实现动态更新的实时识别。

21、为了实现上述目的，本技术第二方面还提供一种基于轨迹序列建模的水下目标意图识别装置，包括：

22、多意图建模模块，用于构建水下目标多行为意图任务场景模型，建立包括汇聚、巡检、规避和驶离在内的多意图规则库，并基于目标运动学模型提取各类意图对应的轨迹特征；

23、轨迹生成模块，用于基于强化学习方法构建意图驱动的马尔可夫决策过程模型，根据所述多意图规则库设计差异化奖励函数，并结合近端策略优化算法生成多类型水下目标运动轨迹数据；

24、数据预处理模块，用于对生成的轨迹数据进行归一化处理及序列划分，构建用于模型训练的样本数据集；

25、模型构建模块，用于构建融合注意力机制的长短时记忆网络模型，利用所述样本数据集进行训练，所述模型对轨迹序列进行特征提取与时序建模，实现目标意图分类；

26、实时识别模块，用于采用滑动窗口机制对实时采集的目标运动轨迹进行分段输入至训练好的模型，输出水下目标意图的实时识别结果。

27、为了实现上述目的，本技术第三方面还提供一种电子设备，包括处理器和存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时实现如前面提供的一种基于轨迹序列建模的水下目标意图识别方法。

28、为了实现上述目的，本技术第四方面还提供一种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如前面提供的一种基于轨迹序列建模的水下目标意图识别方法。

29、为了实现上述目的，本技术第五方面还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如前面提供的一种基于轨迹序列建模的水下目标意图识别方法。

30、本技术公开了一种基于轨迹序列建模的水下目标意图识别方法、装置、电子设备、存储介质和程序，方法包括：构建水下目标多行为意图任务场景模型，建立包括汇聚、巡检、规避和驶离的多意图规则库，并基于目标运动学模型提取各类意图对应的轨迹特征；基于强化学习方法构建意图驱动的马尔可夫决策过程模型，根据所述多意图规则库设计差异化奖励函数，并结合近端策略优化算法生成多类型水下目标运动轨迹数据；对生成的轨迹数据进行归一化处理及序列划分，构建用于模型训练的样本数据集；构建融合注意力机制的长短时记忆网络模型，利用所述样本数据集进行训练，所述模型对轨迹序列进行特征提取与时序建模，实现目标意图分类；采用滑动窗口机制对实时采集的目标运动轨迹进行分段输入至训练好的模型，输出水下目标意图的实时识别结果。本技术通过构建汇聚、巡检、规避和驶离等多类意图的统一建模框架，实现了复杂水下行为及其关键轨迹特征的规范化表达，增强了多意图场景下的描述能力；引入基于强化学习的轨迹生成方法，能够自动生成多类型、多分布的目标运动数据，有效缓解真实水下数据获取困难的问题，提高了模型训练的数据支撑能力与泛化性能；采用融合注意力机制的长短时记忆网络模型，并结合滑动窗口策略，实现了对轨迹序列关键特征的有效提取与实时处理，从而在复杂水下环境中具备较高的识别精度与良好的实时性。