自動(dòng)化飛行訓(xùn)練評(píng)估中的戰(zhàn)機(jī)機(jī)動(dòng)動(dòng)作識(shí)別

孟光磊，張慧敏，樸海音，梁宵，周銘哲

（1.沈陽(yáng)航空航天大學(xué) 自動(dòng)化學(xué)院，沈陽(yáng)110136； 2.中航工業(yè)沈陽(yáng)飛機(jī)設(shè)計(jì)研究所，沈陽(yáng)110035）

軍用戰(zhàn)機(jī)具有速度快、機(jī)動(dòng)性強(qiáng)、戰(zhàn)術(shù)動(dòng)作靈活多樣的特點(diǎn)，對(duì)于飛行員訓(xùn)練有著很高的要求。目前，飛行員的訓(xùn)練方式包括模擬機(jī)訓(xùn)練和實(shí)際飛行訓(xùn)練2種，采用的評(píng)估方法主要是由教練員根據(jù)經(jīng)驗(yàn)進(jìn)行評(píng)價(jià)。隨著人工智能技術(shù)的進(jìn)步，對(duì)于研發(fā)自動(dòng)化飛行訓(xùn)練評(píng)估系統(tǒng)，減少人為因素誤判，降低飛行訓(xùn)練成本的需求愈發(fā)明確。本文重點(diǎn)研究戰(zhàn)機(jī)機(jī)動(dòng)動(dòng)作在線識(shí)別方法，通過(guò)實(shí)時(shí)通報(bào)戰(zhàn)機(jī)的機(jī)動(dòng)動(dòng)作，并輸出飛行動(dòng)作過(guò)程中關(guān)鍵階段的航行諸元，為自動(dòng)化的飛行訓(xùn)練評(píng)估奠定基礎(chǔ)。

目前，戰(zhàn)機(jī)機(jī)動(dòng)動(dòng)作識(shí)別采用的方法主要有4類：①基于專家系統(tǒng)的機(jī)動(dòng)動(dòng)作識(shí)別方法［1-2］；②基于概率圖模型的機(jī)動(dòng)動(dòng)作識(shí)別，如隱馬爾可夫模型（Hidden Markov Model，HMM）［3］、貝葉斯網(wǎng)絡(luò)模型（Bayesian Network，BN）［4-6］；③神經(jīng)網(wǎng)絡(luò)［7-8］；④利用飛行參數(shù)數(shù)據(jù)進(jìn)行離線識(shí)別的模糊支持向量機(jī)方法［9］。文獻(xiàn)［1］基于領(lǐng)域?qū)＜业南闰?yàn)知識(shí)建立了飛行動(dòng)作識(shí)別知識(shí)庫(kù)，該方法對(duì)于儀表科目的識(shí)別率較高，但對(duì)于簡(jiǎn)單特技科目和復(fù)雜特技科目的識(shí)別率下降明顯。文獻(xiàn)［3］建立了戰(zhàn)機(jī)機(jī)動(dòng)動(dòng)作識(shí)別的動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)模型，該方法對(duì)于復(fù)雜機(jī)動(dòng)動(dòng)作具有較高的識(shí)別率，但是計(jì)算復(fù)雜度較高，難以在線應(yīng)用，而且需要的滾轉(zhuǎn)角信息在實(shí)際飛行訓(xùn)練中難以通過(guò)探測(cè)手段獲取。文獻(xiàn)［7］采用神經(jīng)網(wǎng)絡(luò)算法進(jìn)行機(jī)動(dòng)識(shí)別，但是需要大量的訓(xùn)練樣本來(lái)提高機(jī)動(dòng)動(dòng)作識(shí)別準(zhǔn)確率。文獻(xiàn)［9］采用的模糊支持向量機(jī)方法與傳統(tǒng)方法相比，提高了識(shí)別率。

為滿足實(shí)際飛行訓(xùn)練過(guò)程中對(duì)戰(zhàn)機(jī)機(jī)動(dòng)動(dòng)作的在線識(shí)別需求，本文提出了一種新型的動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)模型。通過(guò)綜合分析戰(zhàn)機(jī)飛行過(guò)程中各類參數(shù)的變化，選取了在機(jī)動(dòng)動(dòng)作執(zhí)行中占主要影響的飛行參數(shù)，克服了傳統(tǒng)方法需要滾轉(zhuǎn)角信息的缺點(diǎn)，具有實(shí)際應(yīng)用價(jià)值。在推理過(guò)程中，設(shè)計(jì)了在線調(diào)用機(jī)制，解決了傳統(tǒng)貝葉斯網(wǎng)絡(luò)算法因多次迭代推理導(dǎo)致的計(jì)算復(fù)雜、識(shí)別速度慢的問(wèn)題。

1 戰(zhàn)機(jī)機(jī)動(dòng)動(dòng)作特征分析

戰(zhàn)機(jī)飛行機(jī)動(dòng)訓(xùn)練包含3類科目：儀表、簡(jiǎn)單特技和復(fù)雜特技［1］。典型戰(zhàn)機(jī)機(jī)動(dòng)動(dòng)作說(shuō)明如表1所示。

戰(zhàn)機(jī)飛行過(guò)程中伴隨著各種參數(shù)的變化，包括飛行高度、飛行速度、俯仰角、滾轉(zhuǎn)角、航向角、迎角和側(cè)滑角等。由于飛機(jī)滾轉(zhuǎn)角不能通過(guò)雷達(dá)探測(cè)手段在線獲取，因此選取對(duì)機(jī)動(dòng)動(dòng)作影響最大的飛行高度、航向角、飛行高度變化率、航向角變化率和飛行速度作為戰(zhàn)機(jī)機(jī)動(dòng)動(dòng)作識(shí)別的主要特征［10］。飛行高度H是指在地面坐標(biāo)系下飛機(jī)質(zhì)心離地的垂直高度；航向角φ是指機(jī)體坐標(biāo)軸xb在水平面上的投影與地面坐標(biāo)軸xg間的夾角，機(jī)頭右偏航時(shí)為正。地面坐標(biāo)系、機(jī)體坐標(biāo)系、飛行高度H、航向角φ和飛行速度Vk定義如圖1所示。

表1 典型戰(zhàn)機(jī)機(jī)動(dòng)動(dòng)作說(shuō)明Table 1 Descrip tion of typical fighter m aneuvers

通過(guò)對(duì)各類機(jī)動(dòng)動(dòng)作的姿態(tài)變化規(guī)律進(jìn)行分析，并結(jié)合大量的實(shí)際飛行數(shù)據(jù)進(jìn)行驗(yàn)證，總結(jié)出如表2所示的各類機(jī)動(dòng)動(dòng)作對(duì)應(yīng)上述5種參數(shù)的變化特征。表中所有自然連續(xù)的隨機(jī)變量，如高度、速度等，通過(guò)把它們的取值變化范圍劃分成幾個(gè)合理的區(qū)間來(lái)離散化，從而和定性描述的變化特征形成一一對(duì)應(yīng)的關(guān)系。

圖1 坐標(biāo)系及飛行參數(shù)Fig.1 Coordinate system and flight parameters

表2 戰(zhàn)機(jī)機(jī)動(dòng)動(dòng)作參數(shù)特征分析Tab le 2 Characteristic analysis of fighter m aneuver param eters

2 戰(zhàn)機(jī)機(jī)動(dòng)動(dòng)作識(shí)別模型構(gòu)建

2.1 網(wǎng)絡(luò)結(jié)構(gòu)建立

在飛行訓(xùn)練過(guò)程中，飛行參數(shù)的變化是實(shí)時(shí)且連續(xù)的，動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)可以對(duì)跟隨時(shí)間演化的過(guò)程進(jìn)行表示，從而能夠在線監(jiān)測(cè)戰(zhàn)機(jī)在一段時(shí)間內(nèi)飛行參數(shù)特征的變化情況［11］。針對(duì)不確定性問(wèn)題，可以根據(jù)觀測(cè)節(jié)點(diǎn)概率推理出其他節(jié)點(diǎn)概率［12］，因此，本文選用動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)建立機(jī)動(dòng)動(dòng)作識(shí)別模型。

將選定的5個(gè)參數(shù)作為動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)模型的觀測(cè)節(jié)點(diǎn)，根節(jié)點(diǎn)為機(jī)動(dòng)動(dòng)作的識(shí)別結(jié)果。依照飛行參數(shù)的特征劃分及其與機(jī)動(dòng)動(dòng)作之間的依賴關(guān)系確立網(wǎng)絡(luò)中間節(jié)點(diǎn)，進(jìn)而建立了如圖2所示的戰(zhàn)機(jī)機(jī)動(dòng)動(dòng)作識(shí)別動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)模型。圖中：MR表示決策節(jié)點(diǎn)，MY為航向分類結(jié)果，VK為飛行速度，YAW 為航向角，MA為高度分類結(jié)果，YAR為航向角變化率，ALT為飛行高度，ALR為飛行高度變化率。

此網(wǎng)絡(luò)模型共分4層，底層根據(jù)戰(zhàn)機(jī)的飛行高度和飛行高度變化率進(jìn)行推理，將典型機(jī)動(dòng)動(dòng)作按照高度特征進(jìn)行分類；第二層加入航向角和航向角變化率，對(duì)底層的推理結(jié)果進(jìn)行細(xì)化，識(shí)別出水平直線類機(jī)動(dòng)動(dòng)作和其他類機(jī)動(dòng)動(dòng)作；第三層加入飛行速度信息，對(duì)水平直線類機(jī)動(dòng)動(dòng)作進(jìn)行速度區(qū)分；頂層得到每種機(jī)動(dòng)動(dòng)作的識(shí)別概率，對(duì)應(yīng)概率最大的即為識(shí)別機(jī)動(dòng)動(dòng)作結(jié)果。各個(gè)節(jié)點(diǎn)的狀態(tài)集如表3所示。

圖2 戰(zhàn)機(jī)機(jī)動(dòng)動(dòng)作識(shí)別動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)模型Fig.2 Dynamic Bayesian network model for fightermaneuver recognition

表3 節(jié)點(diǎn)狀態(tài)集說(shuō)明Table 3 Description of node state set

2.2 網(wǎng)絡(luò)參數(shù)設(shè)定

動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)推理的實(shí)質(zhì)是進(jìn)行概率計(jì)算。此網(wǎng)絡(luò)模型中的條件概率及狀態(tài)轉(zhuǎn)移概率均基于領(lǐng)域?qū)＜抑R(shí)確定。

以高度分類結(jié)果MA為例，其條件概率表（Condition Probability Table，CPT）如表4所示。

表4 高度分類結(jié)果CPTTab le 4 CPT of altitude classification resu lts

3 模型在線調(diào)用與推理

基于建立的戰(zhàn)機(jī)機(jī)動(dòng)動(dòng)作識(shí)別模型，根據(jù)當(dāng)前的特征提取結(jié)果更新網(wǎng)絡(luò)觀測(cè)節(jié)點(diǎn)狀態(tài)，推理得到目標(biāo)節(jié)點(diǎn)的概率分布。具體的戰(zhàn)機(jī)機(jī)動(dòng)動(dòng)作識(shí)別流程如圖3所示。

3.1 模型在線調(diào)用機(jī)制

圖3 戰(zhàn)機(jī)機(jī)動(dòng)動(dòng)作識(shí)別流程Fig.3 Fightermaneuver recognition flowchart

傳統(tǒng)的利用動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)實(shí)現(xiàn)戰(zhàn)機(jī)機(jī)動(dòng)動(dòng)作識(shí)別的過(guò)程復(fù)雜，每個(gè)迭代周期都需要重新結(jié)合轉(zhuǎn)移概率計(jì)算識(shí)別概率，由于大量的運(yùn)算，導(dǎo)致識(shí)別時(shí)間延長(zhǎng)。分析可知，當(dāng)動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)模型已收斂，且機(jī)動(dòng)動(dòng)作參數(shù)特征未發(fā)生改變時(shí)，進(jìn)行迭代推理對(duì)識(shí)別結(jié)果沒(méi)有影響，在此種情況下不需要更新上一時(shí)刻推理結(jié)果，從而可以使識(shí)別時(shí)間大大減少。因此，為了降低計(jì)算復(fù)雜度、提高系統(tǒng)運(yùn)行速度和識(shí)別實(shí)時(shí)性，本文設(shè)計(jì)了戰(zhàn)機(jī)機(jī)動(dòng)動(dòng)作識(shí)別模型的在線調(diào)用機(jī)制。

當(dāng)系統(tǒng)運(yùn)行中滿足以下2個(gè)條件之一時(shí)，系統(tǒng)才進(jìn)行模型推理，更新機(jī)動(dòng)動(dòng)作識(shí)別概率。

1）動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)模型未收斂。在每個(gè)定時(shí)器周期內(nèi)對(duì)識(shí)別概率進(jìn)行判斷，當(dāng)出現(xiàn)某機(jī)動(dòng)動(dòng)作識(shí)別概率大于90%的情況時(shí)，視網(wǎng)絡(luò)模型處于收斂狀態(tài)，否則標(biāo)記網(wǎng)絡(luò)模型未收斂。

2）戰(zhàn)機(jī)機(jī)動(dòng)動(dòng)作特征提取結(jié)果發(fā)生變化。

3.2 動(dòng)態(tài)識(shí)別網(wǎng)絡(luò)模型推理算法

動(dòng)態(tài)識(shí)別網(wǎng)絡(luò)模型的推理過(guò)程分為4個(gè)步驟：

步驟1 根據(jù)當(dāng)前時(shí)刻觀測(cè)信息，計(jì)算機(jī)動(dòng)動(dòng)作識(shí)別概率。依據(jù)條件獨(dú)立性假設(shè)，將網(wǎng)絡(luò)模型劃分為起點(diǎn)是根節(jié)點(diǎn)，終點(diǎn)是相應(yīng)觀測(cè)節(jié)點(diǎn)的獨(dú)立推理鏈路。根據(jù)當(dāng)前時(shí)刻觀測(cè)信息更新每條鏈路的推理結(jié)果，再將各條鏈路的推理結(jié)果相乘得到綜合當(dāng)前時(shí)刻證據(jù)信息的機(jī)動(dòng)動(dòng)作識(shí)別概率。

4 仿真實(shí)驗(yàn)

為驗(yàn)證戰(zhàn)機(jī)機(jī)動(dòng)動(dòng)作在線識(shí)別方法的有效性，進(jìn)行了仿真實(shí)驗(yàn)，將戰(zhàn)機(jī)的飛行高度、飛行高度變化率、航向角、航向角變化率和飛行速度數(shù)據(jù)實(shí)時(shí)輸入識(shí)別系統(tǒng)，通過(guò)特征提取和模型推理得到機(jī)動(dòng)動(dòng)作識(shí)別結(jié)果。實(shí)驗(yàn)結(jié)果給出了計(jì)算復(fù)雜度和識(shí)別準(zhǔn)確率的對(duì)比分析。

4.1 在線調(diào)用算法復(fù)雜度分析

在處理器為Intel（R）Core（TM）i7-6700 CPU@3.4 GHz、內(nèi)存（RAM）為16.0 GB、64位操作系統(tǒng)配置下，開(kāi)展仿真實(shí)驗(yàn)，分析本文方法的計(jì)算復(fù)雜度，實(shí)驗(yàn)飛行軌跡如圖4所示。

經(jīng)過(guò)對(duì)輸入數(shù)據(jù)進(jìn)行特征提取可知，在初始飛行階段，戰(zhàn)機(jī)的飛行高度、飛行高度變化率、航向角變化率和飛行速度的特征提取結(jié)果為保持，航向角特征提取結(jié)果為變小，按照此特征進(jìn)行推理，識(shí)別結(jié)果為左盤旋；此特征提取結(jié)果維持到第24.05 s，戰(zhàn)機(jī)的飛行高度、航向角和飛行速度的特征提取結(jié)果發(fā)生改變，系統(tǒng)啟用在線調(diào)用機(jī)制持續(xù)推理，直至動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)收斂，此時(shí)識(shí)別結(jié)果為急躍升；至第37.05 s，戰(zhàn)機(jī)的飛行高度、航向角和飛行速度特征提取結(jié)果發(fā)生改變，進(jìn)行模型推理，得到識(shí)別結(jié)果為左盤旋；至第54.05 s，除航向角變化率外的其他特征均發(fā)生改變，更新識(shí)別結(jié)果為俯沖；至第64.05 s，除飛行速度以外的其他特征發(fā)生改變，經(jīng)模型推理，識(shí)別得到“S”形急轉(zhuǎn)機(jī)動(dòng)動(dòng)作。識(shí)別過(guò)程中具體的特征提取情況如圖5所示。

將特征提取結(jié)果作為網(wǎng)絡(luò)的證據(jù)節(jié)點(diǎn)信息，按照模型推理算法步驟進(jìn)行網(wǎng)絡(luò)推理，中間節(jié)點(diǎn)MA各狀態(tài)隨時(shí)間變化的推理概率如圖6所示，時(shí)間坐標(biāo)軸變比例縮放，在特征提取結(jié)果發(fā)生改變處時(shí)間單位長(zhǎng)度為1 s，直至推理概率收斂。由圖6分析可知，在特征提取結(jié)果發(fā)生改變時(shí)，節(jié)點(diǎn)各狀態(tài)的推理概率迅速發(fā)生改變，直至接近收斂處收斂速度有所變緩。

圖4 飛行軌跡仿真Fig.4 Flight path simulation

圖5 識(shí)別過(guò)程特征提取結(jié)果Fig.5 Feature extraction results in recognition process

圖6 推理過(guò)程中MA節(jié)點(diǎn)推理概率Fig.6 Probability of MA node in reasoning process

在識(shí)別過(guò)程中，加入在線調(diào)用機(jī)制的識(shí)別方法與傳統(tǒng)的貝葉斯網(wǎng)絡(luò)識(shí)別方法相比，避免了不必要的推理過(guò)程，使計(jì)算時(shí)間減少了76.9%。具體推理過(guò)程中有無(wú)在線調(diào)用機(jī)制下的識(shí)別迭代次數(shù)對(duì)比如圖7所示。模型推理的定時(shí)器周期設(shè)定為50ms，在線調(diào)用機(jī)制作用下的模型解算都能在規(guī)定周期內(nèi)完成，具有良好的實(shí)時(shí)性。

戰(zhàn)機(jī)機(jī)動(dòng)動(dòng)作識(shí)別概率如圖8所示。圖中采樣時(shí)間坐標(biāo)軸變比例縮放，當(dāng)特征提取結(jié)果發(fā)生改變時(shí)，即在24 s、37 s、54 s、64 s處，坐標(biāo)軸單位長(zhǎng)度為1 s；至網(wǎng)絡(luò)收斂，即出現(xiàn)機(jī)動(dòng)動(dòng)作識(shí)別概率達(dá)到0.9時(shí)，坐標(biāo)軸單位長(zhǎng)度為10 s，直至下一次特征提取結(jié)果發(fā)生改變。圖8中的機(jī)動(dòng)動(dòng)作編號(hào)1～13代表表2中從上至下的13種機(jī)動(dòng)動(dòng)作。

分析可知，在特征提取結(jié)果發(fā)生改變后，算法對(duì)左盤旋、急躍升和俯沖的識(shí)別均能在短時(shí)間內(nèi)完成。對(duì)“S”形急轉(zhuǎn)的識(shí)別初始階段，由于航向特征提取結(jié)果為變大，右盤旋的識(shí)別概率有所增加。后由于航向特征提取完全，“S”形急轉(zhuǎn)的識(shí)別概率升高直至網(wǎng)絡(luò)收斂。

圖7 迭代次數(shù)對(duì)比Fig.7 Comparison of iteration times

4.2 戰(zhàn)機(jī)機(jī)動(dòng)動(dòng)作識(shí)別率對(duì)比

根據(jù)戰(zhàn)機(jī)機(jī)動(dòng)動(dòng)作飛行高度變化特性，將飛行高度劃分為高空層、中間層及低空層，每類高度層中可執(zhí)行的典型機(jī)動(dòng)動(dòng)作如表5所示。根據(jù)飛行過(guò)程中的飛行高度變化，同時(shí)考慮各機(jī)動(dòng)動(dòng)作的銜接合理性，利用蒙特卡羅模擬實(shí)驗(yàn)對(duì)飛行高度層中可選用的機(jī)動(dòng)動(dòng)作進(jìn)行隨機(jī)調(diào)用［13-14］。

對(duì)8 000組實(shí)驗(yàn)數(shù)據(jù)進(jìn)行識(shí)別，得出本文方法對(duì)儀表類動(dòng)作識(shí)別率為99.7%、簡(jiǎn)單特技類動(dòng)作識(shí)別率為98.4%、復(fù)雜特技類動(dòng)作識(shí)別率為97.2%，與其他2種方法的識(shí)別率對(duì)比結(jié)果如圖9所示。

圖8 戰(zhàn)機(jī)機(jī)動(dòng)動(dòng)作識(shí)別概率Fig.8 Flightermaneuver recognition probability

表5 飛行高度層與機(jī)動(dòng)動(dòng)作合理性選擇Table 5 Fligh t level and m aneuver reasonab le choice

圖9 識(shí)別率對(duì)比Fig.9 Comparison of recognition rate

由此看出，具有在線調(diào)用機(jī)制的動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)識(shí)別算法與傳統(tǒng)貝葉斯網(wǎng)絡(luò)識(shí)別算法［3］相比，各類機(jī)動(dòng)動(dòng)作識(shí)別率均有明顯提高；與神經(jīng)網(wǎng)絡(luò)算法［7］中得到的識(shí)別率數(shù)據(jù)進(jìn)行直接對(duì)比，各類機(jī)動(dòng)動(dòng)作識(shí)別率略有提高，但文獻(xiàn)［7］中識(shí)別簡(jiǎn)單和復(fù)雜特技類的機(jī)動(dòng)動(dòng)作數(shù)目較少，而且此模型需要大量的數(shù)據(jù)樣本進(jìn)行模型訓(xùn)練。

5 結(jié) 論

本文就戰(zhàn)機(jī)的機(jī)動(dòng)動(dòng)作在線識(shí)別問(wèn)題做出了深入地分析和研究，通過(guò)仿真實(shí)驗(yàn)對(duì)比，結(jié)果顯示本文方法對(duì)于戰(zhàn)機(jī)機(jī)動(dòng)動(dòng)作的識(shí)別率高、實(shí)時(shí)性好，能夠滿足在線應(yīng)用需求，為實(shí)現(xiàn)自動(dòng)化的飛行訓(xùn)練評(píng)估奠定了基礎(chǔ)。

1）本文方法與傳統(tǒng)貝葉斯網(wǎng)絡(luò)識(shí)別算法相比，以戰(zhàn)場(chǎng)中可以直接在線獲取到的信息為推理依據(jù)，因此，其既可以應(yīng)用于自動(dòng)化飛行訓(xùn)練評(píng)估，也可以推廣至空戰(zhàn)態(tài)勢(shì)評(píng)估和空戰(zhàn)決策領(lǐng)域，為預(yù)測(cè)目標(biāo)飛行軌跡及評(píng)估目標(biāo)作戰(zhàn)意圖威脅提供支撐［15-19］。

2）本文方法對(duì)于戰(zhàn)機(jī)機(jī)動(dòng)動(dòng)作具有較高的識(shí)別率。在進(jìn)行8000次實(shí)驗(yàn)條件下，對(duì)3類機(jī)動(dòng)動(dòng)作的識(shí)別率為：儀表類99.7%、簡(jiǎn)單特技類98.4%、復(fù)雜特技類97.2%。

3）本文提出的戰(zhàn)機(jī)機(jī)動(dòng)動(dòng)作識(shí)別貝葉斯網(wǎng)絡(luò)模型在線調(diào)用機(jī)制免去了傳統(tǒng)貝葉斯網(wǎng)絡(luò)識(shí)別算法中不必要的推理過(guò)程，使計(jì)算復(fù)雜度得到較大程度的降低，滿足了在線應(yīng)用的實(shí)時(shí)性需求。