文摘

人类有一个基本能力,相互之间共享愿景实现共同的目标,合作无人机没有。的困难主要在于人类的同源的数学描述和难以捉摸的实验练习。提出了一种并行多视图拼接在云端,这在无人机首次评估理论和实践研究。这些术语然后重新从人类视觉共享。接下来,概念模型提出了并行多视图拼接在云端,如果实现的数学推导。此外,一个实验性合作无人机平台构建实际实现的算法。模拟和实践结果验证了我们的方法的可行性。最后,一般讨论和建议解决未来的问题。

1。介绍

无人机(UAV)作战系统中扮演一个重要的角色在获取信息优势,实施精确打击,在当前快速作战和快速完成作战任务和信息战争(1]。特别是智能无人机于一体的人工智能感知环境,使攻击策略和评估任务,等等,会导致主动和战争的胜利2]。

然而,单无人机的任务成就往往不令人满意。当单个无人机侵入一个敌占地区,它常常未能完成有效的攻击由于自己的负载限制,敌人干扰,拦截攻击。因此,它需要多个无人机之间的合作来保证任务完成(3,4]。

随着技术和设备的发展,大国之间的对抗将在高强度的状态。传统方法考虑载人车辆未来空战的为主体,直到合作的重要性无人机(Co-UAVs)被发现。合作无人机展示一种新的作战效能(5],它有以下优点。(一)情报优势:Co-UAVs分布式传感器,可以相互合作来实现精确定位目标。无人机之间的网络化操作可以共享信息,实现“任何一个人知道,大家都知道”群。实现合作的情报共享奠定基础。(b)速度优势:Co-UAVs可以在线自动分解任务根据战场情况,给相应的子任务车辆。分配的无人机可以快速反应和协调与其他操作如干扰抑制、火罢工,和损失评估,缩短了“perception-decision-action”循环和加速战斗过程。(c)合作优势:无人机之间的合作可以自主合作和自适应,使群作为一个。因此,密度均匀密集的攻击和防御。(d)数量优势:Co-UAVs通常使用低成本无人平台,这是小,需求量大。它可以保持高压情况并向敌人连续攻击,迅速麻痹反对派的防御系统,实现在最短的时间内操作的目的。

颠覆现代对敌人的攻击策略,合作无人机被视为成功的核心。尤其是Co-UAVs的群体智慧(SI)是广泛应用的关键技术赢得未来战斗6]。

理论上,苏雷什和Ghose用7)提出了一种自适应的地面攻击无人机通过建立战略路径函数在检测范围内。他们结合侦察、干扰和自主攻击Co-UAVs构建一个适应地面攻击策略。罗等。8]提出无人机的online-offline集成合作战略,它使用离线专家决策分析战场环境,建立环境影响地图;它使用网络鲁棒决策模型来评估每个无人机面临的场景,采用最好的健壮的攻击行动。王等人。9]试图找到最好的策略Co-UAVs利用径向基函数神经网络(RBF-NN)和评估性能的合作。同时,引入了可变神经网络搜索可行解集的精确候选人,可以改善RBF-NN的效率。在[10基于拍卖),间隔一致性模型算法,谋略Co-UAVs解决一致性问题,使无人机同时达到目标。

在实践中,为研究实验室的美国空军(USAF)显示,2002年,成功的关键在未来复杂的战场是使用multi-UAVs,包括搜索和攻击,调查和抑制,心理战,战术限制(11]。Co-UAVs未来无人作战的切入点。在美国空军的后续研究,数以百计的仿真实验进行了模拟Co-UAVs的拦截攻击宙斯盾防空系统(12]。结果表明,防御系统很难拦截所有无人机和防御系统一再突破,这表明Co-UAVs的攻击性能优越。2015年,国防高级研究计划局(DARPA)发表了“Gremilins”项目,计划开发部分可采Co-UAVs侦察和电子战(13]。Gremilins可以击败敌人通过抑制导弹防御系统,切断通讯,攻击敌人的数据网络基于大量的无人机。2016年,中国电子科技集团公司第四十一研究所)首先建立Co-UAVs测试样机,验证了合作原则在中国67无人机。2017年、119年固定翼无人机的飞行测试完成CETC [14]。

的理论和实践研究表明,Co-UAVs已成为赢得战场的力量,它有能力在未来改变游戏规则(15]。然而,以前的研究主要侧重于预先计划的策略,这意味着前的地面进攻策略是预先制定无人机在战场上到达。很难预先计划详尽的所有场景中,在战场上事先是未知的(或部分未知)。

在这里,一个人类合作Co-UAVs灵感的方法。我们首先需要一个解释人类的面向目标的合作,尤其是战略使基于愿景共享。然后,类似人类的模型称为并行多视图拼接在云端(PMVSC),包含这些biobehavioral-science见解以结构化合作的无人机系统。除了PMVSC的发展,我们并将该模型应用于各种地面攻击任务的无人机的多目标,需要相互合作。最后,尝试在一个真实的场景PMVSC(有两种截然不同的类型对象的精确处理性能测试Co-UAVs多目标)基于实验multi-UAVs平台。

2。面向目标的合作基于视觉的人类共享

人类的合作正被社会心理学家画报列文et al。16,17]。他指出,人类的合作是一个复杂的群体行为 )这是受内部个人( )和外部环境( ): 在哪里代表行为的个人和集个人组的总量。是个体的内部条件和特点,包括各种生理和心理因素,如生理需求、生理特征、能力和人格。是每个个体周围的外部环境。

列文CoH模型在某种程度上揭示了人类行为的一般原则。然而,它是一个被动的合作模式,没有明确的目标。目标导向行为的过程中寻求实现总体目标的群体。合作任务,每个人都有自己的任务;他们独立工作以及并行实现总体目标。因此,方程(1)可以修改如下: 在哪里代表了组织的目标,这是由每个人的目标。

一个典型的场景,如图1为例。总体目标是找到的所有对象(图中红色圆圈1)环境中,但是有障碍物挡住了视线。每个人只能看到本地对象和环境(半透明的愿景)。他们分享他们的异象的整体环境,共同协商一个合适的对象赋值。

3所示。面向目标的基于视觉共享合作机制

3.1。并行多视图轮廓拼接在云

我们建议的体系结构的图形表示在图给出2提出感知,认知,和分配目标在无人机的合作系统的环境就像人类的目标明确的合作基于视觉共享,每个人负责特定的目标,实现总体目标。

在PMVSC,目标(包括true和false)首先被无人机和每个无人机只能知道目标在自己的视野(FoV)。有几种无人机目标环境,检测机载摄像机的目标。尽管无人机可以获得当地的信息通过感知模块,它不能删除重复的目标群体。每个无人机上传其FoV云通过视觉感知信息共享模块。愿景共享模块进行预处理的检测环境信息各自的无人机,然后分离FoV合并起来成为一个完整和详细的环境在一个地图。接下来,整个地图都转移到认知模块区分目标是否正确或错误。有价值的和真正的攻击目标是必要的,而不是伪装和假目标。最后,真正的目标是信息传递给下一个模块,负责任务分配和路径规划。

PMVSC架构,为了达到这种复杂的过程,很多组件都需要解释,以下各部分将描述的与数学算法推导过程。

3.2。PMVSC的组件和算法

假设有无人机执行攻击任务。为th无人机在集团形象被相机 ,在哪里 方向的位置吗x- - -y设在在感知形象。感知模块,丰富多彩的形象应该预处理,使之更方便后续处理。

原始图像相机的红色,绿色和蓝色的模型(RGB-model);每种颜色的主要谱组件出现在红、绿、蓝的颜色。模型是基于笛卡儿坐标系统。RGB-model观测和应用优势。然而,根据阿里指出et al。18],RGB-model相比有两个下级色调,饱和度、和光照模型(HSI-model): (a)这三个组件是用于描述图像一起,导致很多不必要的组件中会增加计算的信息。(b)的变化在RGB空间点和点之间的欧几里得距离不相称的实际颜色的变化。进行分色时,很容易做出错误的分离,省略有用的信息,或者把无用的信息和有用的信息。

图3显示了铸铁圆柱彩色空间模型, , ,和代表的价值色相,饱和度,照明,分别为: 在哪里 , ,和代表的归一化值红色,绿色和蓝色的形象。

感知模块功能将RGB转换为铸铁。在HSI-model,图像空间特性是显而易见的。后将RGB空间转化为HSI空间,每个信息的连接结构更紧凑,每个组件都是相互独立的,和颜色信息的损失少,分割和目标识别奠定了良好的基础。

RGB转移到HSI后的信息应该在视觉上传到共享模块,该目的信息标准化和图像不变性,如图4。

在图像处理中,图像的不变矩特征可以反映形状信息,它翻译不变性的能力和可伸缩性不变性(19]。获得的图像 ,定义它的 - - - - - -秩序的起源时间如下: 在哪里和代表图像的行和列的规模最大 和 方向的位置吗x- - -y设在中 , 。

然而,原点的时刻响应的变化 。为了实现翻译的不变性和可伸缩性,是改善 - - - - - -订单中心时刻: 在哪里和代表图像的质心位置,他们可以由以下公式计算:

因为只能保持平移不变性,所以归一化中心矩定义获得可伸缩性不变性的能力:

在一个认知模块,如图5,主要功能是旋转不变性、图像马赛克,和目标分类。

从[20.),我们可以推断旋转不变性可以获得由方程组(8基于归一化中心距离:

的图片 和 ,如图6,图像马赛克的关键过程是找到最相似的地区都和蒙太奇的两个图像基于共同的地区。假设测试区域长度的平方 ,两个图像之间的相似度定义为 。然后,图像马赛克可以实现通过计算最小值:

一旦图像扫描线准备,所有检测到的目标组合成一个整体形象 。然后,目标应该是分类找出真正的攻击目标。对于多目标的准确识别,特征提取和特征分类是关键问题。真和假目标非常相似,甚至扭曲真正的目标的过程中识别会导致识别错误。cognitive-based智能识别方法用于本文分类目标特征相似性约束来实现高精度的识别。

假设有的目标 。为th和th目标 和 ,一个矩阵特征空间可以介绍来表达的相似性和 :

然后,问题的特征分类和识别真假目标可以转化为向量相似性约束特性的问题 。对目标进行分类具有类似的特性,也减少同样的目标方程的相似性(11)显示

从方程(11)是一个优化问题的矩阵,有必要把它变成一个奇异值矩阵,以获得最优的解决方案。的奇异值矩阵是 在哪里P变换矩阵和吗的奇异值矩阵 。

假设是一个对角矩阵组成的第一矩阵的奇异值和是一个左奇异值向量对应 ,有一个明确的解决方案 :

对于任何一个正交矩阵 ,来验证仍然是解决吗问题。因此,原问题的目标函数可以改写如下:

如果作为输入层和作为网络的输出层,问题可以作为深信心网络模型来解决,这是类似于深信任网络的能量函数(21]。取每个网络输入层作为一个变量,并可见作为一个隐藏的变量,可以定义能量函数通过使用Gauss-constrained玻尔兹曼机模型方程(15为了合理地分类特征的数据: 在哪里 模型参数和吗和代表网络中隐藏或显示的数量单位,分别。

通过定义模型相似性约束参数的范围值 ,数据特征值的相似性分类可以改变。也就是说,它实现的认知识别特征相似的目标,最后它可以区分真正的目标和假目标从 ,如图是哪一个7。为一个目标 ,特征点是 。假设样本的特征点和 。从方程(12),如果 , 属于假目标,或者是真正的目标。

在过去的过程,真正的目标任务Co-UAVs进行了研究。尽管许多聪明的方法被用来研究多重代理合作问题[22- - - - - -26),特别是对于每个无人机的不可预期的结果的行为目标任务,它将影响后续的无人机的实现的策略。然而,这些方法过于主观,他们与实时任务分配过程高度耦合。有必要引入一些更客观和动态目标分配的方法。本文介绍了贝叶斯网络到无人机目标分配任务建模解决实时动态调整和战略目标任务。

概率的贝叶斯网络是一个有向无环图注释,可以用来揭示学习和统计推断功能预测、因果分析等。为多个无人机的目标分配的任务在这篇文章中,贝叶斯网络可以表示如下: 在哪里 是一个有向无环图, 属于Co-UAVs参与任务,是一组弧图吗 ,和是一个概率图的注释 ,如图是哪一个8。

对于任何无人机成员 ,中的每个元素代表了目标节点的条件概率密度。概率密度的规则如下: 概率的计算在哪里需要概率值,计算的数量是非常巨大的。

因此,引入变量独立性假设的贝叶斯网络可以大大减少先验概率的贝叶斯网络的定义。概率密度规则构造在这篇文章中,我们可以找到一个最小子集 ,对任何目标任务节点在网络结构中,这并不是独立的条件: 在哪里父节点组吗在图 。通过这种方式,任务节点的概率分布分配给无人机可以确定独特的:

最后,还可以指定其他Co-UAVs真正目标,如无人机成员 :

4所示。实验

4.1。无人机的实验平台

实验进行了Co-UAVs自适应相机,飞行控制器,算法解算器和数据发射机。图9显示单个无人机平台,感知外部环境的机载自适应分辨率相机嵌入式三自由度pan-tilt平台上,在实时飞行状态的内部传感器集成PIX-4飞行控制器。然后,外部环境和内部状态的信息传送到机载英特尔电脑,功能的算法计算,目标识别和指令生成。最后,生成的指令转换为运动命令通过PIX-4控制器。

如图Co-UAVs的实验平台10。移动屏幕可以读取所有数据从内置英特尔电脑坚持和改变算法参数。地面站功能从飞行的无人机获取实时信息,包括图像特征,飞行状态和合作信息。计算后,每个无人机地面站发送控制命令。

4.2。图像马赛克

数据(11日)- - - - - -11 (d)由Co-UAVs显示4画面捕捉到相机上,转移到云(地面站)。

合并后的形象,整个环境可以通过应用本文提出的图像镶嵌算法。定义测试区域长度的平方的阈值图像马赛克 是0.85。的结果如图12。

在图12四个图片拼在一起。同时,整个环境的信息可以通过图像马赛克。结果表明该方法可以找到类似的图像之间的地区,和蒙太奇四个图像基于公共区域,表明PMVSC的优越性和可行性。

4.3。目标的识别

设置 和 ,,有三个真目标和三个假目标在目标区域和三个无人机参与搜索和攻击任务。设置模型参数单位矩阵和 , ,和作为功能约束的目标相关的约束。

标准的真假目标用于培训如图13,每个无人机在实际飞行的测试结果如图所示14。即使目标有一个很大的失真(如防尘罩、边缘变形和随机方向的影响真或假身份),该方法可以提取特征点计算相似性和准确分类和识别他们。

为了描述该算法的目标识别过程,一个真正的目标(图(14日))和一个假目标(图14 (f)精心选择),图片在处理的过程中提出了如图15和16,分别。

机载计算机首先将获得的图像转化为HSI颜色空间,可以被机器。消除无用的信息之后,它提取转换后的图像的特征值。然而,在原始特征值空间中,特征值几乎充满了整个空间特征值,因此不可能对特性来区分目标类型进行分类。因此,根据本文算法构造特征空间转换。在转换后的特征空间中,特征值有明显的分布特征,可以直接分类。数据15(d)和16(d)被确定为目标分类,不同类型的图15(d)属于T目标和图15(d)属于F目标。最后,真假目标识别的新功能空间和准确的目标组识别的任务是完成。

4.4。目标的任务

假设无人机已检测到所有真正的目标,有必要指定每个无人机的任务,以便Co-UAVs可以以最低的成本获取合作完成任务。为lth Co-UAVs成员 ,攻击的真正目标的概率是

图17是合作的照片多无人机的攻击目标。三个无人机攻击其相应的目标,他们的攻击概率各自的目标是0.83,0.82和0.86。所有标记在图11,最优任务分配的决定在所有的无人机可以通过选择获得最大概率值。基于无人机的实验平台,本文相关的目标分配算法进行测试。不限于推导的理论模拟,本文算法适用于实践和完全再现了该算法的可行性与实际Co-UAVs的平台。

4.5。实验结果在Co-UAVs

为了验证提出的机制的有效性和可行性,PMVSC在实际环境中测试。在这项实验中,3 Co-UAVs用于集群,搜索、识别、和定位真假目标(圆形目标,直径7米,和目标识别区域2米)的目标区域,然后攻击目标。面积约1000 m×250 m,和飞行区域包括起飞和降落区域(起飞和降落的矩形区域面积100 m×50 m)和目标区域(200×300)的矩形区域。六个目标在目标区域中设置。在每个附加任务,三个目标是随机选择和放置白色标志”T“在目标中心代表真正的目标。同样的,其他三个目标使用“F”标志代表了错误的目标。

实际的实验环境的示意图说明图所示18(实验区域是不规则区域图所示由于实际环境的限制),其中包含隐藏的目标(灰色),真正的目标,和假目标(红色)。

图19展示了一个实用面积三Co-UAVs上面的空中目标的环境。有多个目标需要识别。从车载摄像头,每个无人机可以感知外部世界和感知信息转移到云(如图18绿色区域)合并独立和部分图像整体形象和区分真正的目标。最后,真正的目标被分配到各自的无人机袭击,如图20(一个)和20 (b)。在图20(一个),武装无人机(带有白色沙袋弹药)被攻击的命令,然后飞到指定目标。另外,图20 (b)攻击后的结果,我们可以看到精确攻击目标,表明了该方法的可行性和有效性基于Co-UAVs。

5。结论

针对多目标攻击的问题,提出了一种策略multi-UAVs的精确的目标识别、攻击和基于PMVSC任务分配。以下是一些结束语。(一)一个人形的机制和算法是指人类的视觉共享模型。拟议中的PMVSC不仅表现在模拟还在实验实践。(b)无人机平台构建,包括车载摄像头,三自由度pan-tilt,焦油飞行控制器和计算机。Co-UAVs基于多个无人机和地面站。所有提出的算法(包括共享愿景、目标识别和目标分配)是Co-UAVs进行测试,以证实该方法是实际可行的。(c)提出建设性的机制将为我们理解新的洞察人类的视觉共享,可以直接反映在人类的设计算法。

不过,有几个问题需要进一步研究。(一)几十个无人机之间的合作:尽管无人机研究的合作,形成,该方法应用于只有三个无人机;因此,如何使它一般可以实现更多的无人机是一项重要的工作。(b)移动目标攻击:在这篇文章中,目标是放置在地面上,这意味着它们是静态的。与移动目标相比,静态目标更难攻击。研究动态目标需要进一步研究。

数据可用性

所有生成的数据或分析在本研究包括在手稿中。除此之外,所有的数据都包含在本研究可根据要求通过联系相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是支持部分由中国国家自然科学基金资助61573373。