自動化飛行訓(xùn)練評估中的戰(zhàn)機機動動作識別

孟光磊，張慧敏，樸海音，梁宵，周銘哲

（1.沈陽航空航天大學(xué) 自動化學(xué)院，沈陽110136； 2.中航工業(yè)沈陽飛機設(shè)計研究所，沈陽110035）

軍用戰(zhàn)機具有速度快、機動性強、戰(zhàn)術(shù)動作靈活多樣的特點，對于飛行員訓(xùn)練有著很高的要求。目前，飛行員的訓(xùn)練方式包括模擬機訓(xùn)練和實際飛行訓(xùn)練2種，采用的評估方法主要是由教練員根據(jù)經(jīng)驗進行評價。隨著人工智能技術(shù)的進步，對于研發(fā)自動化飛行訓(xùn)練評估系統(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。本文重點研究戰(zhàn)機機動動作在線識別方法，通過實時通報戰(zhàn)機的機動動作，并輸出飛行動作過程中關(guān)鍵階段的航行諸元，為自動化的飛行訓(xùn)練評估奠定基礎(chǔ)。

目前，戰(zhàn)機機動動作識別采用的方法主要有4類：①基于專家系統(tǒng)的機動動作識別方法［1-2］；②基于概率圖模型的機動動作識別，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)進行離線識別的模糊支持向量機方法［9］。文獻［1］基于領(lǐng)域?qū)＜业南闰炛R建立了飛行動作識別知識庫，該方法對于儀表科目的識別率較高，但對于簡單特技科目和復(fù)雜特技科目的識別率下降明顯。文獻［3］建立了戰(zhàn)機機動動作識別的動態(tài)貝葉斯網(wǎng)絡(luò)模型，該方法對于復(fù)雜機動動作具有較高的識別率，但是計算復(fù)雜度較高，難以在線應(yīng)用，而且需要的滾轉(zhuǎn)角信息在實際飛行訓(xùn)練中難以通過探測手段獲取。文獻［7］采用神經(jīng)網(wǎng)絡(luò)算法進行機動識別，但是需要大量的訓(xùn)練樣本來提高機動動作識別準(zhǔn)確率。文獻［9］采用的模糊支持向量機方法與傳統(tǒng)方法相比，提高了識別率。

為滿足實際飛行訓(xùn)練過程中對戰(zhàn)機機動動作的在線識別需求，本文提出了一種新型的動態(tài)貝葉斯網(wǎng)絡(luò)模型。通過綜合分析戰(zhàn)機飛行過程中各類參數(shù)的變化，選取了在機動動作執(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，具有實際應(yīng)用價值。在推理過程中，設(shè)計了在線調(diào)用機制，解決了傳統(tǒng)貝葉斯網(wǎng)絡(luò)算法因多次迭代推理導(dǎo)致的計算復(fù)雜、識別速度慢的問題。

1 戰(zhàn)機機動動作特征分析

戰(zhàn)機飛行機動訓(xùn)練包含3類科目：儀表、簡單特技和復(fù)雜特技［1］。典型戰(zhàn)機機動動作說明如表1所示。

戰(zhàn)機飛行過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。由于飛機滾轉(zhuǎn)角不能通過雷達探測手段在線獲取，因此選取對機動動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)機機動動作識別的主要特征［10］。飛行高度H是指在地面坐標(biāo)系下飛機質(zhì)心離地的垂直高度；航向角φ是指機體坐標(biāo)軸xb在水平面上的投影與地面坐標(biāo)軸xg間的夾角，機頭右偏航時為正。地面坐標(biāo)系、機體坐標(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)機機動動作說明Table 1 Descrip tion of typical fighter m aneuvers

通過對各類機動動作的姿態(tài)變化規(guī)律進行分析，并結(jié)合大量的實際飛行數(shù)據(jù)進行驗證，總結(jié)出如表2所示的各類機動動作對應(yīng)上述5種參數(shù)的變化特征。表中所有自然連續(xù)的隨機變量，如高度、速度等，通過把它們的取值變化范圍劃分成幾個合理的區(qū)間來離散化，從而和定性描述的變化特征形成一一對應(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)機機動動作參數(shù)特征分析Tab le 2 Characteristic analysis of fighter m aneuver param eters

2 戰(zhàn)機機動動作識別模型構(gòu)建

2.1 網(wǎng)絡(luò)結(jié)構(gòu)建立

在飛行訓(xùn)練過程中，飛行參數(shù)的變化是實時且連續(xù)的，動態(tài)貝葉斯網(wǎng)絡(luò)可以對跟隨時間演化的過程進行表示，從而能夠在線監(jiān)測戰(zhàn)機在一段時間內(nèi)飛行參數(shù)特征的變化情況［11］。針對不確定性問題，可以根據(jù)觀測節(jié)點概率推理出其他節(jié)點概率［12］，因此，本文選用動態(tài)貝葉斯網(wǎng)絡(luò)建立機動動作識別模型。

將選定的5個參數(shù)作為動態(tài)貝葉斯網(wǎng)絡(luò)模型的觀測節(jié)點，根節(jié)點為機動動作的識別結(jié)果。依照飛行參數(shù)的特征劃分及其與機動動作之間的依賴關(guān)系確立網(wǎng)絡(luò)中間節(jié)點，進而建立了如圖2所示的戰(zhàn)機機動動作識別動態(tài)貝葉斯網(wǎng)絡(luò)模型。圖中：MR表示決策節(jié)點，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)機的飛行高度和飛行高度變化率進行推理，將典型機動動作按照高度特征進行分類；第二層加入航向角和航向角變化率，對底層的推理結(jié)果進行細化，識別出水平直線類機動動作和其他類機動動作；第三層加入飛行速度信息，對水平直線類機動動作進行速度區(qū)分；頂層得到每種機動動作的識別概率，對應(yīng)概率最大的即為識別機動動作結(jié)果。各個節(jié)點的狀態(tài)集如表3所示。

圖2 戰(zhàn)機機動動作識別動態(tài)貝葉斯網(wǎng)絡(luò)模型Fig.2 Dynamic Bayesian network model for fightermaneuver recognition

表3 節(jié)點狀態(tài)集說明Table 3 Description of node state set

2.2 網(wǎng)絡(luò)參數(shù)設(shè)定

動態(tài)貝葉斯網(wǎng)絡(luò)推理的實質(zhì)是進行概率計算。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)機機動動作識別模型，根據(jù)當(dāng)前的特征提取結(jié)果更新網(wǎng)絡(luò)觀測節(jié)點狀態(tài)，推理得到目標(biāo)節(jié)點的概率分布。具體的戰(zhàn)機機動動作識別流程如圖3所示。

3.1 模型在線調(diào)用機制

圖3 戰(zhàn)機機動動作識別流程Fig.3 Fightermaneuver recognition flowchart

傳統(tǒng)的利用動態(tài)貝葉斯網(wǎng)絡(luò)實現(xiàn)戰(zhàn)機機動動作識別的過程復(fù)雜，每個迭代周期都需要重新結(jié)合轉(zhuǎn)移概率計算識別概率，由于大量的運算，導(dǎo)致識別時間延長。分析可知，當(dāng)動態(tài)貝葉斯網(wǎng)絡(luò)模型已收斂，且機動動作參數(shù)特征未發(fā)生改變時，進行迭代推理對識別結(jié)果沒有影響，在此種情況下不需要更新上一時刻推理結(jié)果，從而可以使識別時間大大減少。因此，為了降低計算復(fù)雜度、提高系統(tǒng)運行速度和識別實時性，本文設(shè)計了戰(zhàn)機機動動作識別模型的在線調(diào)用機制。

當(dāng)系統(tǒng)運行中滿足以下2個條件之一時，系統(tǒng)才進行模型推理，更新機動動作識別概率。

1）動態(tài)貝葉斯網(wǎng)絡(luò)模型未收斂。在每個定時器周期內(nèi)對識別概率進行判斷，當(dāng)出現(xiàn)某機動動作識別概率大于90%的情況時，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)機機動動作特征提取結(jié)果發(fā)生變化。

3.2 動態(tài)識別網(wǎng)絡(luò)模型推理算法

動態(tài)識別網(wǎng)絡(luò)模型的推理過程分為4個步驟：

步驟1 根據(jù)當(dāng)前時刻觀測信息，計算機動動作識別概率。依據(jù)條件獨立性假設(shè)，將網(wǎng)絡(luò)模型劃分為起點是根節(jié)點，終點是相應(yīng)觀測節(jié)點的獨立推理鏈路。根據(jù)當(dāng)前時刻觀測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)前時刻證據(jù)信息的機動動作識別概率。

4 仿真實驗

為驗證戰(zhàn)機機動動作在線識別方法的有效性，進行了仿真實驗，將戰(zhàn)機的飛行高度、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)實時輸入識別系統(tǒng)，通過特征提取和模型推理得到機動動作識別結(jié)果。實驗結(jié)果給出了計算復(fù)雜度和識別準(zhǔn)確率的對比分析。

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，開展仿真實驗，分析本文方法的計算復(fù)雜度，實驗飛行軌跡如圖4所示。

經(jīng)過對輸入數(shù)據(jù)進行特征提取可知，在初始飛行階段，戰(zhàn)機的飛行高度、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，按照此特征進行推理，識別結(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)用機制持續(xù)推理，直至動態(tài)貝葉斯網(wǎng)絡(luò)收斂，此時識別結(jié)果為急躍升；至第37.05 s，戰(zhàn)機的飛行高度、航向角和飛行速度特征提取結(jié)果發(fā)生改變，進行模型推理，得到識別結(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，識別得到“S”形急轉(zhuǎn)機動動作。識別過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)點信息，按照模型推理算法步驟進行網(wǎng)絡(luò)推理，中間節(jié)點MA各狀態(tài)隨時間變化的推理概率如圖6所示，時間坐標(biāo)軸變比例縮放，在特征提取結(jié)果發(fā)生改變處時間單位長度為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，節(jié)點各狀態(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 識別過程特征提取結(jié)果Fig.5 Feature extraction results in recognition process

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

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

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

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

圖7 迭代次數(shù)對比Fig.7 Comparison of iteration times

4.2 戰(zhàn)機機動動作識別率對比

根據(jù)戰(zhàn)機機動動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)行的典型機動動作如表5所示。根據(jù)飛行過程中的飛行高度變化，同時考慮各機動動作的銜接合理性，利用蒙特卡羅模擬實驗對飛行高度層中可選用的機動動作進行隨機調(diào)用［13-14］。

對8 000組實驗數(shù)據(jù)進行識別，得出本文方法對儀表類動作識別率為99.7%、簡單特技類動作識別率為98.4%、復(fù)雜特技類動作識別率為97.2%，與其他2種方法的識別率對比結(jié)果如圖9所示。

圖8 戰(zhàn)機機動動作識別概率Fig.8 Flightermaneuver recognition probability

表5 飛行高度層與機動動作合理性選擇Table 5 Fligh t level and m aneuver reasonab le choice

圖9 識別率對比Fig.9 Comparison of recognition rate

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

5 結(jié) 論

本文就戰(zhàn)機的機動動作在線識別問題做出了深入地分析和研究，通過仿真實驗對比，結(jié)果顯示本文方法對于戰(zhàn)機機動動作的識別率高、實時性好，能夠滿足在線應(yīng)用需求，為實現(xiàn)自動化的飛行訓(xùn)練評估奠定了基礎(chǔ)。

1）本文方法與傳統(tǒng)貝葉斯網(wǎng)絡(luò)識別算法相比，以戰(zhàn)場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)用于自動化飛行訓(xùn)練評估，也可以推廣至空戰(zhàn)態(tài)勢評估和空戰(zhàn)決策領(lǐng)域，為預(yù)測目標(biāo)飛行軌跡及評估目標(biāo)作戰(zhàn)意圖威脅提供支撐［15-19］。

2）本文方法對于戰(zhàn)機機動動作具有較高的識別率。在進行8000次實驗條件下，對3類機動動作的識別率為：儀表類99.7%、簡單特技類98.4%、復(fù)雜特技類97.2%。

3）本文提出的戰(zhàn)機機動動作識別貝葉斯網(wǎng)絡(luò)模型在線調(diào)用機制免去了傳統(tǒng)貝葉斯網(wǎng)絡(luò)識別算法中不必要的推理過程，使計算復(fù)雜度得到較大程度的降低，滿足了在線應(yīng)用的實時性需求。