[发明专利]用于无人机空中对抗的决策系统及方法

说明书

本发明提供一种用于无人机空中对抗的决策系统及方法，属于无人机领域。决策方法包括：步骤S10：获取在预定时间段内蓝方无人机的第一状态和红方无人机的第二状态；步骤S20：采用LSTM网络根据第一状态预测蓝方无人机在未来预定时刻的第一预测状态；步骤S30：从与红方无人机相关联的机动动作库中选取机动动作；步骤S40：根据红方无人机的当前状态和选取的机动动作计算红方无人机在执行机动动作后的未来预定时刻的第二预测状态；步骤S50：根据第二预测状态与第一预测状态计算在未来预定时刻蓝方无人机对红方无人机的威胁系数；步骤S60：重复步骤S30至步骤S50直到计算出所述威胁系数；步骤S70：选取最小威胁系数；步骤S80：输出与最小威胁系数对应的机动动作。

技术领域

本发明涉及无人机领域，具体地涉及一种用于无人机空中对抗的决策系统及方法。

背景技术

对于空中对抗领域的无人机决策方法主要包括两种：一是基于当前态势进行决策的方法。在此类中，分为两种情形。一种是在完全信息下，依据当前态势进行决策的空战决策方法，例如完全信息静态博弈，微分对策，影响图等。一种是不完全信息下，例如使用模糊理论，区间灰数，区间数层次分析法等方法将对不完全信息下的威胁或者攻击效能进行评估继而做出决策的空战决策方法。二是基于未来态势或态势变化趋势的决策方法。依据当前态势对未来态势进行预测，可以更好的掌握战场态势的发展，该类方法通过对当前态势和未来态势的评估来进行决策。基于态势预测和推理进行决策现也有许多的方法，例如：①滚动时域，②动态贝叶斯网络，③模糊动态博弈，④证据网络等。

但是，这两种方法均存在缺陷。第一类方法中，建立在完全信息条件下的决策方法无法解决信息不完全下的机动决策问题。第一类方法中，无论是完全信息条件下还是不完全信息条件下，都是依据当前态势进行机动决策，在决策中也不考虑敌方机动，不能把握战场变化趋势和未来威胁态势变化，具有局限性。第二类方法中，虽然在决策过程中考虑战场变化趋势，试图对未来态势进行推断，但是依然具有局限性：①滚动时域控制中，选择合适的值函数非常关键。对于简单的最优控制问题，可从相对应的HJB偏微分方程求得，但此问题的HJB方程实际上难以求解，使用近似值函数。近似值函数中，需要构建战术优势值。在构建战术优势值的过程中，需要构建敌方运动状态方程，并且已知敌方加速度，不能适用敌方机动完全未知的条件。②贝叶斯网络是概率论与图论的有机结合，所以贝叶斯网络在解决不确定性问题方面有着天然的优势。近年来贝叶斯网络已经成为不确定性研究领域的一大热门，因此有方法采用贝叶斯模型，或者动态贝叶斯网络模型对战场不确定性信息进行预测与评估。但是贝叶斯模型需要一定的先验知识，制定先验概率和条件概率。③模糊动态博弈方法需要已知敌我双方的策略集。④证据网络方法需要结合知识库及专家的先验知识构建评价函数。由此可见，第二类方法也都无法解决在敌方机动策略完全未知的情况下基于战场态势预测和推理的决策问题，即在敌方机动完全未知，没有先验规则的情况上，以上的方法都无法适用。

发明内容

本发明的目的是提供一种用于无人机空中对抗的决策系统及方法，该决策系统及方法在无人机模拟对抗时能够根据蓝方无人机的状态判断并输出红方无人机的机动动作。

为了实现上述目的，本发明实施方式提供一种用于无人机空中对抗的决策方法，该决策方法可以包括：

步骤S10：获取在预定时间段内蓝方无人机的第一状态和红方无人机的第二状态；

步骤S20：采用长短期记忆(Long Short-Term Memory，LSTM)网络根据第一状态预测蓝方无人机在未来预定时刻的第一预测状态；

步骤S30：从与红方无人机相关联的机动动作库中选取未被使用的机动动作；

步骤S40：根据红方无人机的当前状态和选取的机动动作计算红方无人机在执行机动动作后的未来预定时刻的第二预测状态；

步骤S50：根据第二预测状态与第一预测状态计算在未来预定时刻蓝方无人机对红方无人机的威胁系数；