[发明专利]一种面向多无人机协同探测的多传感器自适应管理方法

说明书

本发明涉及一种面向多无人机协同探测的多传感器自适应管理方法。该方法包括采用贝叶斯网络推理技术的目标协同识别模型；利用贝叶斯网络通过离线学习和在线学习的方式得到多传感器特征级别协同感知概率；使用感知信息熵来表征目标类别的“不确定性”；基于感知信息熵建立了目标协同识别到传感器动态管理的“感知‑学习‑决策‑行动”的探测闭环；使用感知信息熵增量作为多无人机协同探测网络的传感器资源动态调度的判断依据；采用遗传算法与粒子群算法相结合的智能优化算法提升“多无人机‑多目标”的分配效率；从多传感器多目标特征综合识别的角度出发，利用多种传感器探测的多种特征对未知目标进行识别。

技术领域

本发明属于多无人机协同探测技术领域，特别涉及一种面向多无人机协同探测的多传感器自适应管理方法。

背景技术

随着科技的迅猛发展，无人机已成为国内外的研究热点。无人机作为一种可控制并能执行多种任务的无人驾驶航空器，无论在军事还是民用都具有广泛的应用前景。未来，集群是无人机的发展趋势。

在集群信息共享的过程中，如何将感知到的目标、平台状态信息传递到其他个体，使得整个系统既能满足可用带宽限制以减小被侦测到的概率，又能满足协同控制和决策的需要，是一个非常重要的问题。在多无人机协同探测系统中，多架无人机可配备不同的传感器，通过相互协同工作，获得更大的范围、更高的精度及更强的鲁棒性。要实现态势的协同感知，需要进行协同目标探测、目标识别和融合估计、协同态势理解和共享，以获取完整、清晰、准确的信息，为决策提供支持。

现有技术方法一般都是通过融合多个传感器在同一时刻的判决结果，在决策级别进行目标的综合识别，依靠建立的优化目标函数实现传感器的自适应管理。这些技术大都在决策级别目标综合识别的基础上进行传感器优化管理，无法充分发挥多种类型传感器不同探测特征的最大效用；此外，由于战场环境的复杂性，两个传感器有可能会对同一个目标做出相反的判决，有可能会造成像基于D-S证据理论的传感器自适应调度算法的失效。

在多无人机协同探测网络中，不同种类、不同工作模式的传感器能够提供目标不同特征的描述，通过综合多个特征的信息，能够产生比系统中任何一个传感器更有效、更准确的身份估计和判决。因此，在多无人机协同探测过程中，一方面可以通过融合多种不同探测特征信息，使目标识别概率最大；另一方面，考虑目标的独特性，不同的目标特征对目标身份识别的贡献度不一样，因此在多传感器管理过程中应该选择携带合适的传感器的无人机使探测目标特征最有利于识别。

发明内容

鉴于上述问题，本发明提出以下方案，其目的在于希望通过这种协同探测的多传感器自适应管理方法，提升整个多无人机协同探测网络的识别时效性。

为了实现上述目的，本发明采取的技术方案为：1.一种面向多无人机协同探测的多传感器自适应管理方法，其特征在于，该方法包括：

步骤A：建立采用贝叶斯网络推理技术的目标协同识别模型，进行综合识别：

在某一个控制周期k，采用N部不同类型的传感器探测M个未识别目标，其探测特征向量值为X_k＝(x₁,x₂,...,x_m)，则根据贝叶斯理论对目标的判决概率p(w_i|X_k)为：

其中p(x_j|w_i)为目标探测的先验概率，p(w_i)是目标类型w_i出现的概率；

步骤B：利用贝叶斯网络通过离线学习和在线学习的方式得到多传感器特征级别协同感知概率；

步骤C：使用感知信息熵来表征目标类别的不确定性；

各传感器对目标的探测是互相独立的，在k时刻系统的感知信息熵为：