無人機搜索和跟蹤的模糊認知控制器設計方法

崔軍輝，魏瑞軒，張小倩，祁曉明

?

無人機搜索和跟蹤的模糊認知控制器設計方法

崔軍輝1, 2，魏瑞軒1，張小倩3，祁曉明1

(1. 空軍工程大學航空航天工程學院，陜西西安，710038；2. 中國人民解放軍69220部隊，新疆阿克蘇，842000；3. 第二炮兵工程大學402教研室，陜西西安，710025)

搜索和跟蹤是無人機應用中非常重要的問題，采用模糊認知圖理論提出一種智能控制器設計方法。所設計的模糊認知控制器在改變無人機動作行為的同時能使任務航線穩定而平滑地切換，地面操作員只需下達基本指令，就能夠以外部事件節點激活和改變無人機執行搜索和跟蹤任務的行為節點，實現人和無人機基于語義的高層次交互。研究結果表明：這種模糊認知控制器能夠根據地面操作員指令等基本事件自動實現無人機行為的過渡和其運動軌跡的平滑切換，明顯減小地面操作員的工作量。

無人機；搜索；目標跟蹤；模糊認知圖；運動軌跡

隨著航空技術的發展，無人機(unmanned aerial vehicle，UAV)在航空領域中發揮著越來越重要的作用。UAV最突出的特點在于能夠替代人類飛行員執行“枯燥、污染、危險(the dull, the dirty, the dangerous，3D)”的任務[1]，與有人機相比，UAV能夠晝夜持續工作，更具優越性。在UAV系統所承擔的各種任務當中，搜索和跟蹤是最常見也是最重要的任務之一，典型的例如美國的全球鷹、捕食者等無人機，其主要功能就是情報偵察、目標搜索、目標指示與定位、動態目標跟蹤以及戰場監視等[2]，因此，研究UAV搜索和跟蹤應用前景廣闊、意義重大。UAV搜索和跟蹤任務一般具有區域環境復雜性、目標運動不確定性、傳感器設備不確定性和任務時間緊迫性等特點，這也使得該問題成為國內外無人機應用領域的熱點和難點問題之一[3]。目前，國內外研究重點主要是多無人機協同搜索，研究內容主要包括2類：一類是針對區域內多個特定目標，如何實現以最小代價搜索和跟蹤到盡可能多的目標；另一類是針對未知區域，如何有效分配和控制多架UAV以最小代價實現對該區域最大搜索范圍覆蓋。所采用的方法大部分是采用最優化思想，結合A*算法、人工神經網絡、蟻群算法、多模型預測以及遺傳算法等對搜索和跟蹤問題進行優化求解，滿足具體問題的最終需求[4?7]。但是這些算法一般來說時間開銷較大，而且容易陷入局部最優，因此，很難得到實際應用。本文將模糊認知圖(fuzzy cognitive maps，FCMs)理論用于UAV的搜索和跟蹤應用中，建立無人機搜索和跟蹤任務的FCMs模型，設計模糊認知控制器(fuzzy cognitive controllers，FCCs)。眾所周知，FCMs在知識表示和推理決策方面有著廣泛的應用[8]，它可以模仿人類決策和處理問題的基本能力，通過靈活的概念獲取來定義事件的行為序列，根據行為的協同和處理來達到控制目的。近年來，國內外已經有將FCMs用于地面機器人、車輛導航和規劃以及飛行器燃油管理方面的應用[9?12]，但將FCMs用于UAV系統導航和自主控制方面的應用和實例非常少，目前還沒有采用FCMs理論處理UAV搜索和跟蹤問題的應用。在無人機執行搜索和跟蹤任務過程中，地面操作員通過基本事件節點下達任務指令，從而激活和控制搜索和跟蹤任務的行為節點，與無人機進行基于語義的高層交互，而無人機結合機載傳感器的輸入信號通過FCCs響應這些高層指令，智能選擇和自主改變其飛行行為，初步的仿真結果表明這種FCCs對于發展無人機的任務控制器提供了一種實際的解決方案，此外，這種智能控制器的使用將極大減小操作員的工作量。

1 FCMs理論

FCMs是Kosko等[13]融合了Zadeh的模糊集理 論[14]和Axelrad的認知圖理論[15]提出的，它是模糊邏輯、神經網絡、圖論相結合的產物，是一種新型的知識表示和模糊推理的軟計算方法[16]。FCMs用節點和有向弧表示現實環境中實體的概念和概念間的因果聯系，通過節點間的關聯來模擬實體之間的相互作用，從而刻畫整個現實環境的動態行為。1個簡單的FCMs如圖1所示。

圖1 簡單的FCMs結構圖

FCMs中的節點也稱概念，用(1,2,3, …)表示，它可以用來描述系統的狀態、屬性、行為、動作等，每個節點可以在[?1, 1]區間內取值，表示該節點被激活的程度，其中，“+”表示正向激活、“?”表示反向激活，節點取值為“0”則說明該節點未被激活。系統在時刻的狀態是所有節點在該時刻的值集，用狀態向量表示為

FCMs的迭代推理過程，可以表示為

一般地，對于包含個節點的FCMs，為了保證每步迭代出的節點值都在[?1, 1]區間內，需要采用一個閾值函數()進行映射，每個節點在t+1時刻的值采用下式計算：

FCMs狀態空間開始由初始條件給定，通過式(4)的迭代，最終系統穩定到1個固定點或者極限環，從而停止迭代，推理結束。復雜的FCMs還有可能終止于1個非周期的或者混沌的吸引子[17]。

2 無人機搜索和跟蹤的FCMs模型

無人機在搜索和跟蹤中動作和行為的改變會使其航線隨之改變，因此，對于航線的控制必須根據UAV任務的上、下文語義來確定。在通常的UAV搜索和跟蹤場景內，一般使用載有多普勒雷達和高分辨率光學圖像傳感器設備的UAV對多個地面移動目標進行搜索和跟蹤。無人機起飛后，根據操作員的意圖“進入”到指定的“搜索”區域，然后以固定高度對地面進行“搜索”，當雷達發現目標后，UAV則降低高度對目標進行“跟蹤”，同時，實時的將機載光學傳感器獲得的跟蹤圖像傳給地面操作員。若地面操作員滿意傳回的圖像，則會“命令”UAV停止跟蹤該目標、返回搜索軌道繼續“搜索”更多的目標，最終，當燃料達到臨界值時，UAV將會自動返回和著陸。根據專家知識，建立如圖2所示的UAV搜索和跟蹤的FCMs模型。

圖2 UAV搜索和跟蹤的FCMs模型

在該模型中，將節點分為2類：第1類稱為行為類節點，表示UAV的運動和行為，包括“進入搜索區域”、“搜索目標”、“跟蹤”、“盤旋”、“返航”和“自主著陸”等，相應于圖2中的(1,2, …,6)，行為節點是設計面向UAV搜索和跟蹤模糊認知控制器的核心；第2類稱為基本事件類節點，這些節點包含了操作員的指令、UAV內部傳感器獲取的自身高度、位置、燃料情況以及UAV有效載荷的輸入信息等與UAV行為類節點有關的事件。表1所示為UAV搜索和跟蹤的FCMs模型各節點含義。

通過改變無人機搜索和跟蹤FCMs模型中相應基本事件類節點的序列或不同的激活模式，則可以產生不同的UAV動作和行為響應，這也是能夠根據FCMs設計模糊認知控制器的基本依據。

假設所有節點的狀態值只存在完全激活和不被激活2種狀態，那么該FCMs模型的狀態向量可以表示成以上所有概念的聯合形式：

圖2所示的鄰接矩陣可以通過頭腦風暴(brain-storming)法[18]等借助專家經驗和知識。表2所示為UAV搜索和跟蹤FCMs模型的鄰接矩陣。鄰接矩陣中每1行的所有元素表示該行節點的全部輸出；每1列的所有元素表示該列節點的全部輸入。由表2可知：基本事件類節點不會從行為類節點獲得輸入，但是它們可以由外部事件(發現新目標)或者基本事件驅動，例如，若雷達探測到新目標，則會激活節點1；而若地面操作員發出“停止跟蹤這個目標”，則會使節點1從激活狀態變為未被激活?；臼录惞濣c也可以由滿足預先設定好的條件激活，例如，當UAV進入航線到達期望搜索區域的中心時，1被激活。FCCs的主要功能就是自動響應地面操作員、目標探測雷達以及UAV自身的狀態監控等輸入，產生平滑而穩定的搜索和跟蹤航線。

表1 UAV搜索和跟蹤FCMs模型的概念

表2 UAV搜索和跟蹤FCMs模型的鄰接矩陣

在UAV執行搜索和跟蹤任務之前，所有節點都未被激活，狀態向量的所有元素取值為0。當任務開始時，地面操作員向UAV發出“去搜索”指定區域命令，這時節點1=1被激活，由于此時UAV距搜索區域有一定距離，因此，在地面操作員下達該命令的同時，節點1也相應被激活，于是，初始狀態向量為

根據式(4)，選擇一個可以將狀態值映射到[0,1]內的激活函數進行迭代，直到狀態向量收斂到固定點，每一步的迭代結果如下：

經過3次迭代，狀態向量收斂到了固定點，此時，UAV動作行為的結果為1(進入搜索區域)，這也是執行完“去搜索某個區域”指令所期望的結果。

3 UAV搜索和跟蹤的FCCs設計

3.1 FCCs設計的原理

UAV搜索和跟蹤的FCMs模型提供了如何根據基本行為設計智能控制器的思想。首先，通過采用FCMs強大的建模能力對UAV搜索和跟蹤全過程的動作行為建模，并將與這些行為有內在聯系的操作員的指令、UAV自身高度、位置、燃料情況以及有效載荷的輸入等事件包含在模型當中。其次，由于在該模型中，UAV的每個行為都對應著不同的航線，一般來說，“進入搜索區域”行為1對應的航線是1條固定高度的預先規定好航路點的運動軌跡；“搜索”行為2對應的航線是以固定高度、固定半徑繞搜索中心的圓形軌道；“跟蹤目標”行為3對應的航線也是圓形運動軌跡，只是UAV的飛行高度和半徑等參數與2對應的航線有所不同；相應的，“盤旋”行為4、“返航”行為5以及“自主著陸”行為6都分別對應著不同航線。FCCs的設計原理是通過基本事件的內在驅動來處理和協同UAV搜索和跟蹤中的行為節點，從而使一個行為到下一個行為能夠穩定而平滑的過渡和切換。

3.2 行為過渡的平滑機制

為了使行為之間能夠平滑過渡，采用等級限制的機制，在UAV搜索和跟蹤的FCMs模型中加入1個虛擬的門限節點，圖2中方框所代表的節點。以從“進入搜索區域”行為1到“搜索”行為2的過渡進行說明。當UAV到達指定的搜索區域中心后，任務剖面需要由行為1向2過渡，UAV在這個過程中的航線要從1個近似線性的運動軌跡過渡到1個圓形的軌跡，相應地，1由1變為0；而2則由0變為1。為了保證過渡航線的平滑，采用如圖3所示的函數來控制和調節1從1到0切換，其計算公式為

采用這種等級限制機制對基本節點1進行處理，隨著時間的推移，1的衰減將使行為節點1和2的狀態值發生改變，從而使系統的狀態向量不斷變化。假設節點1在UAV進入搜索區域后按照式(10)衰減到比1稍小的1個值，取1=0.95，這時系統的狀態向量也相應的變為

通過式(4)迭代推理，直到狀態向量收斂，此時有

從圖3可見：基本事件節點1狀態值的微小變化，通過FCCs的處理可以使行為節點1產生微小的衰減，同時也使行為節點2增加1個很小的值，這一過程通過式(10)連續的過渡轉化，直到線性地進入搜索區域航線與圓形的搜索航線完全融合。搜索行為2到跟蹤目標行為3也采用類似的行為過渡平滑機制，通過FCCs處理將2個不同的圓形航線完全融合。

3.3 UAV運動軌跡和行為的協同

假設有效載荷傳感器固聯在UAV的機體中心，搜索和跟蹤目標對應的圓形軌道的高度和半徑是由機載圖像傳感器的視野和所能探測到的范圍確定的，若不考慮圖像傳感器隨云臺運動的情況，則可以認為搜索和跟蹤航線是1個高度為、搜索(跟蹤)半徑為的圓形投影，如圖4所示。不同的UAV運動軌跡的切換過程可以認為是FCCs對其行為的協同處理過程。

圖4 搜索和跟蹤航線在地面投影示意圖

根據UAV的空速、轉彎半徑、轉彎速率和轉彎中心點定義1個無顯著特點的UAV運動軌跡，一組特定的參數對應著1個行為模態的運動軌跡，要使2個行為模態的運動軌跡穩定而平滑的過渡，就需要對其運動軌跡所對應的這些參數進行平滑融合。在計算融合軌跡參數時，FCCs將被激活行為節點的狀態值作為其軌跡參數的權重，通過向量加法對2個運動軌跡的參數進行加權求和，最終計算得到的加權值即為2個軌跡融合后的運動參數。

根據幾何投影知識，UAV運動軌跡在地面投影的一般方程可以表示為

其中：參數，，和由圖5所示定義；為UAV的空速；為航向角；為投影圓的中心點位置。

圖5 飛行器一般運動軌跡在水平面的投影

若UAV的運動軌跡是線性的，即=0，軌跡切換的開始瞬間令，則可以根據下式計算得到

將式(13)對時間求導代入式(16)，從而有

(17)

對式(17)進行求解，有

其中：

從而，

而從“搜索”到“跟蹤目標”行為的航線是按從一個圓形軌道到另一個圓形軌道以切線過渡的方式切換的。這時，以及0和0的變化按照FCCs進行控制和調節的，而參數則需要FCCs協同被激活的行為節點2和3，根據式(13)~(16)聯合求解。期望角速率可以根據上述求的方法求得，本文只給出最終結果：

需要說明的是：在“搜索”到“跟蹤目標”行為過渡過程中，行為節點2和3狀態值的激活程度是由節點1根據等級限制機制由多普勒雷達對目標的探測進行控制和調節。這些狀態值又分別通過式(23)~(25)來決定行為過渡過程中軌跡參數的變化速率。

4 仿真與分析

通過1個搜索和跟蹤任務場景的仿真來驗證本文所設計的模糊認知控制器的性能。任務開始時，地面操作員向UAV發出“去搜索東北方向大約1 km的區域”，UAV按照預定的航路點進入搜索區域，進入搜索區域后，UAV保持在700 m的高度對該區域進行搜索。當在某個位置發現移動目標時，UAV就從該點降低高度和速度切換到跟蹤目標軌道，在大約400 m的高度對該目標跟蹤一段時間后，地面操作員“命令”UAV返回搜索軌道高度，沿著新的搜索軌道繼續搜索下一個目標，直到燃料到達臨界值，UAV自動終止搜索和跟蹤任務，自動返回并著陸。

圖6所示為UAV在執行該任務過程所歷經航線。從圖6可以看出：不同動作行為所對應的航線之間的切換是連續而且光滑的。

圖7所示為從“進入搜索區域”行為向“搜索”行為過渡時UAV的航向和轉彎角之間的關系。從圖7可知：雖然UAV的朝向和轉彎角相同，但當UAV開始向搜索行為過渡時，其朝向比轉彎角有90°的相位超前。這個結果也是所期望的，因為UAV在剛開始向搜索行為過渡時，其軌跡過渡點的轉彎角0°，而此時機頭的朝向正好指向西，即270°，因此，兩者之間剛好會產生90°的相位差。

圖6 搜索和跟蹤任務的航線

1—航向角；2—轉彎角

圖8所示為FCMs在整個仿真過程中UAV行為類節點狀態值的迭代結果。從圖8可以明顯看到：各行為節點狀態值的變化過程符合無人機的搜索和跟蹤任務場景。需要指出的是在整個搜索和跟蹤的過程中，地面操作員只需下達“去搜索這片區域”命令，或者當UAV完成跟蹤某個目標后下達“停止跟蹤這個目標”命令，其他所有動作和行為均通過FCCs處理由UAV自動完成，因此，可以極大減少地面操作員的控制操作。

1—C1；2—C2；3—C3；4—C4；5—C5；6—C6

5 結論

1) 采用模糊認知圖方法針對無人機的搜索和跟蹤問題中提出了模糊認知控制器的設計思想，FCMs為智能控制器的設計提供了一個很好的框架結構，給出了一種類似人類用于決策和處理問題的具有很大彈性的概念獲取方法。

2) 結合專家知識給出了無人機搜索和跟蹤的FCMs模型，根據FCMs的推理機制設計了用于協調和處理無人機執行搜索和跟蹤任務的模糊認知控制器，通過模糊認知控制器對搜索和跟蹤行為節點的協同和處理，從而可以使不同任務航線穩定而平滑地切換。當采用基本事件節點控制和調節行為的過渡時，模糊認知控制器起到了本質的行為協同作用，通過理論分析和仿真，基本事件節點或者外部事件的改變可以使UAV產生一系列實實在在、可以感覺到行為和動作的變化。

3) 本文提出的模糊認知控制器的設計方法應該也可以用于多無人機協同、無人機協同攻擊甚至無人機安全等更復雜的無人機應用場景，這有待進一步研究和驗證。

[1] Office of the Secretary of Defense. Unmanned aircraft systems roadmap 2005-2030[R]. Washington DC: Office of the Secretary of Defense, Department of Defense, 2005: 1?31.

[2] Per S, Jonas N, Rickard B, et al. Path and sensor planning framework applicable to UAV surveillance with EO/IR sensors[R]. Stockholm: FOI-Swedish Defence Research Agency, 2005: 16?28.

[3] Magnus L. Survey of search and secure algorithms for surveillance UGVs[R]. Stockholm: FOI-Swedish Defence Research Agency, 2007: 21?35.

[4] LI Xia, WEI Ruixuan, WANG Zhike. Three-dimension path planning for UAV using improved A* algorithm in complicated threat environment[J]. High Technology Letters, 2011, 17(1): 13?18.

[5] Dirafzoon A, Salehizadeh S, Emrani S, et al. Coverage control for mobile sensing robots in unknown environments using neural network[C]// Proceedings of the IEEE International Symposium on Intelligent Control. Yokohama: International Academic Publishers, 2010: 1482?1487.

[6] ZHU Qingbao, HU Jun, CAI Wenbin, et al. A new robot navigation algorithm for dynamic unknown environments based on dynamic path re-computation and an improved scout ant algorithm[J]. Applied Soft Computing, 2011, 11(8): 4667?4676.

[7] 彭輝, 沈林成, 朱華勇. 基于分布式模型預測控制的多UAV協同區域搜索[J]. 航空學報, 2010, 31(3): 593?601. PENG Hui, SHEN Lincheng, ZHU Huayong. Multiple UAV cooperative area search based on distributed model predictive control[J]. Acta Aeronautica et Astronautica Sinica, 2010, 31(3): 593?601.

[8] Elpiniki I P, Jose L S, A review of fuzzy cognitive maps research during the last decade[J]. IEEE Transactions on Fuzzy Systems, 2013, 21(1): 66?78.

[9] Seyed K G, Ali A G. Action selection in robots based on learning fuzzy cognitive map[C]// Proceedings of the 2006 IEEE International Conference on Industrial Informatics. Singapore: International Academic Publishers, 2006: 731?736.

[10] Va??ák J. Approaches in adaptation of fuzzy cognitive maps for navigation purposes[C]// Proceedings of the SAMI 2010-8th IEEE International Symposium on Applied Machine Intelligence and Informatics. Slovakia:International Academic Publishers, 2010: 28?30.

[11] Pozna C, Troester F, Precup R E, et al. On the design of an obstacle avoiding trajectory: Method and simulation[J]. Mathematics and Computers in Simulation, Elsevier Science, 2009, 79(7): 2211?2226.

[12] 陳軍, 高曉光, 丁琳. 模糊認知圖在預警機燃油管理中的應用[J]. 系統工程與電子技術, 2008, 30(9): 1717?1720. CHEN Jun, GAO Xiaoguang, DING Lin. Application of fuzzy cognitive maps in fuel management of airborne warning and control systems[J]. Systems Engineering and Electronics, 2008, 30(9): 1717?1720.

[13] Kosko B. Fuzzy cognitive maps[J]. International Journal of Man-Machine Studies, 1986, 24(1): 65?75.

[14] Zadeh L A. Fuzzy sets[J]. Information and Control, 1965, 8(3): 338?353.

[15] Axelrad R. Structure of decision: The congnitive maps of political elites[M]. Princeton: Princeton University Press, 1976: 16?22.

[16] Hana?zadeh P, Aliehyaei R. The application of fuzzy cognitive map in soft system methodology[J]. Systemic Practice and Action Research, 2011, 24(4): 325?354.

[17] Zhou S, Liu Z Q. Fuzzy causal networks: general model, inference, and convergence[J]. IEEE Transactions on Fuzzy Systems, 2006, 14(3): 412?420.

[18] Wojciech S, Witold P, Lukasz A K. Learning of fuzzy cognitive maps using density estimate[J]. IEEE Transactions on Systems, Man, and Cybernetics-Part B: Cybernetics, 2012, 42(3): 900?912.

(編輯 羅金花)

Design of fuzzy cognitive controllers for unmanned aerial vehicle searching and tracking purposes

CUI Junhui1, 2, WEI Ruixuan1, ZHANG Xiaoqian3, QI Xiaoming1

(1. College of Aeronautics and Astronautics Engineering, Air Force Engineering University, Xi’an 710038, China;2. 69220 PLA Troops, Aksu 842000, China;3. Staffroom 402, Second Artillery Engineering University, Xi’an 710025, China)

Searching and target-tracking is a very important problem for unmanned aerial vehicle application. A kind of fuzzy cognitive controller based on fuzzy cognitive map theory was designed. The fuzzy cognitive controller governed and managed behavior coordination when pacing nodes were used to regulate behavior transitions. Meanwhile, transitions of the unmanned aerial vehicle flying trajectories were continuous and smooth from one behavior mode to another, and just by using a simple instruction, an operator was able to make upper semantic based interaction between man and UAV. As soon as the instruction was issued all the other actions taken by the UAV were autonomous, and managed by the fuzzy cognitive controllers. The results show that the designed fuzzy cognitive controllers may coordinate the behaviors of the mission scenario automatically and release the ground operator from complicated workload.

unmanned aerial vehicle; searching; target following; fuzzy cognitive maps; motion trajectory

10.11817/j.issn.1672-7207.2015.09.017

V249

A

1672?7207(2015)09?3279?08

2014?12?06；

2015?02?10

國家自然科學基金資助項目(61105012)；航空科學基金資助項目(20135896027)；中國博士后科學基金資助項目 (2012M512149) (Project(61105012) supported by the National Natural Science Foundation of China; Project(20135896027) supported by the Aeronautical Science Foundation of China; Project(2012M512149) supported by China Postdoctoral Science Foundation)

魏瑞軒，教授，博士生導師，從事無人機自主控制研究；E-mail: rxwei369@sohu.com