基于空間分塊的CGF注意力感知方法

俞棋睿 歐陽偉俊 秦 龍 矯媛媛 胡 越

1.國防科技大學(xué)系統(tǒng)工程學(xué)院 湖南 長沙 410073

陸軍分隊?wèi)?zhàn)術(shù)級作戰(zhàn)仿真系統(tǒng)中CGF 的戰(zhàn)場行為與地理環(huán)境和實體活動緊密相關(guān). 實現(xiàn)高效且精確的態(tài)勢感知和實例價值排序[1],在增強(qiáng)CGF 行為擬人性、提高仿真系統(tǒng)運(yùn)行效率等維度上都有重要意義. 空間認(rèn)知技術(shù)在環(huán)境知識的獲取、表示、管理等任務(wù)中應(yīng)用愈發(fā)廣泛[2],而實現(xiàn)對虛擬戰(zhàn)場環(huán)境感知過程的建模,能夠有效實現(xiàn)針對戰(zhàn)場態(tài)勢中目標(biāo)對象的感知、管理與查詢功能. 這對于提高CGF 模型空間感知行為的可信度和感知行為模型計算效率,具有現(xiàn)實意義.

在對軍事人員態(tài)勢感知過程方面,本文采用了價值排序的思想,價值排序指在虛擬環(huán)境中,感知主體結(jié)合多感官感知注意力機(jī)制和感知主體實例偏好等,對感知對象進(jìn)行價值評價及排序的過程. 考慮到CGF 動作行為的可編程性,重點(diǎn)考慮視覺和聽覺兩種感知方式,并充分研究各實例類感知習(xí)慣、能力等現(xiàn)有資料,提出各影響因子線性加權(quán)后的價值評價算法,從而生成CGF 態(tài)勢感知下感知目標(biāo)的有序輸出. 感知對象價值排序結(jié)果的準(zhǔn)確與否,對CGF 后續(xù)分析決策的合理性、虛擬戰(zhàn)場仿真推演的逼真性都存在一定影響. 如何合理量化影響因子的作用權(quán)重,是衡量注意力感知方法可信度的關(guān)鍵所在[3].

本文對如何提升感知模型計算效率進(jìn)行了研究.目前,制約感知效率提升的一大性能瓶頸是感知主體查詢及動態(tài)管理感知對象的時間復(fù)雜度. 其中,傳統(tǒng)的簡單遍歷法準(zhǔn)確率高但查詢效率較為低下；KD樹管理CGF 實體的方法,雖大大提高了查詢效率,但KD 樹的頻繁重構(gòu)同樣造成大量的時間浪費(fèi).

針對上述問題,本文基于空間分塊的實踐實現(xiàn)了對戰(zhàn)場空間的高效感知及動態(tài)管理. 結(jié)合多感官感知注意力機(jī)制（視、聽）及感知主體實例偏好,應(yīng)用價值排序建立了基于感知注意力機(jī)制的價值模型,并與傳統(tǒng)感知方法橫向?qū)Ρ? 結(jié)合空間分塊和價值模型搭建了分隊?wèi)?zhàn)術(shù)級態(tài)勢感知仿真平臺. 基于空間分塊的CGF 注意力感知方法,在不損失感知精度的前提下能夠有效提高感知效率,具有其可行性和有效性,可為戰(zhàn)場態(tài)勢感知實踐提供參考.

1 多感官感知注意力機(jī)制

1.1 視覺感知作用機(jī)理

視覺模型使用錐形感知模型[4],以視點(diǎn)為圓錐頂點(diǎn),視線所在直線為圓錐中線. 感知夾角構(gòu)建視錐,如圖1 所示,視錐盡頭最外圍為視圈,中心處為心點(diǎn).若CGF 實體落在錐體內(nèi),則認(rèn)為其處于可感知范圍之中,納入感知對象行列[5].

圖1 視覺模型錐形感知示意圖Fig.1 Schematic diagram of cone perception of visual model

在二維平面上,如圖2 所示,采用視覺模型扇面感知. 以觀察點(diǎn)為圓心,最大觀察距離為半徑,視野跨度為扇形的角弧度,從而確定視覺觀察范圍[6].

圖2 視覺模型扇面感知示意圖Fig.2 Schematic diagram of sector perception of visual model

1.2 聽覺感知作用機(jī)理

聽覺模型[7]使用球形感知模型,如圖3 所示,以聽覺中心為球心,設(shè)定聽覺半徑及聽覺閾值,根據(jù)各聲源分貝數(shù)與聽覺閾值的比對,聲源地理坐標(biāo)與感知球形區(qū)域的匹配確定CGF 實體的可感知性.

圖3 聽覺模型球形感知示意圖Fig.3 Schematic diagram of spherical perception of auditory model

在二維平面上,如圖4 所示,采用聽覺模型圓形感知. 以觀察點(diǎn)為圓心,最大聽覺距離為半徑,繪制聽覺感知圓,從而確定聽覺感知范圍.

圖4 聽覺模型圓形感知示意圖Fig.4 Schematic diagram of circular perception of auditory model

2 空間分塊的對象感知方法

2.1 空間分塊的實施

空間分塊,即按照固定長寬分割特定地理空間為若干等大地塊,如圖5 所示,sTile 即為地圖sMap中的等大地塊.

圖5 作戰(zhàn)區(qū)域空間分塊思想可視化呈現(xiàn)Fig.5 Visualization presentation of spatial block concept in combat geographical area

此外,于各地塊內(nèi)部維護(hù)一系列存儲某一特定類型及陣營實體的鏈表,即以vector 容器存儲某一地塊內(nèi)各類型-陣營對包含的全部CGF 實體集合；同時構(gòu)建CGF 實體與所屬地塊間的二維映射哈希表,以STL 的關(guān)聯(lián)容器map 建立CGF 實體ID 與所屬地塊間的鍵值對應(yīng)關(guān)系. 其中,鏈表實現(xiàn)了對單個地塊內(nèi)部感知對象的定位索引,為軸對齊包圍盒（axisaligned bounding box,AABB）涉及地塊的感知提供支撐；而哈希表則存儲了整個仿真區(qū)域內(nèi)所有感知對象的信息,以便根據(jù)感知對象ID 查找其相關(guān)信息. 鏈表和映射哈希表的引入,實現(xiàn)了地塊與CGF 實體的雙向鏈接,從不同層面滿足了用戶的快速查詢需求.

映射哈希表建立了CGF 實體與所屬地塊的索引關(guān)系,有利于快速定位實例所屬空間分塊,大大降低了對象查詢和管理的時間復(fù)雜度.

1）時間復(fù)雜度優(yōu)化.鏈接CGF 實體與空間地塊,在快速定位的同時實現(xiàn)了戰(zhàn)場感知范圍的塊幅壓縮,即克服了遍歷較大地理空間范圍造成的高時間復(fù)雜度.

在具體實施時,先根據(jù)觀察者初始位置及其類型屬性,繪制其視覺觀察扇面和聽覺感知圓,并拓展為各自的AABB. AABB 即為包含該對象,且各邊平行于坐標(biāo)軸的最小矩體,在二維平面上體現(xiàn)為最小矩形. 通過包圍盒在地理空間所處位置和覆蓋面積,確定各自觀察范圍的相關(guān)所屬空間地塊. 并通過CGF實體和空間地塊的映射關(guān)系,遍歷相關(guān)地塊全部實體,分別與視覺觀察扇面或聽覺感知圓相匹配. 空間分塊思想的應(yīng)用,大大降低了戰(zhàn)場空間遍歷的時間復(fù)雜度,優(yōu)化了全域遍歷的低成效、高耗時等弊端.

如圖6 所示,觀察扇面的AABB 覆蓋了從A-I的全部地塊,需遍歷9 個地塊中全部對象；而聽覺感知圓的AABB 僅覆蓋了塊A、塊B、塊D、塊E、塊G、塊H,只需遍歷上述6 個地塊中的對象[5].

圖6 觀察扇面和聽覺感知圓的AABBFig.6 AABB of the observing sector and auditory perception circle

2）對象感知方法. 確定感知主體Agent 的位置及觀察方向,進(jìn)一步確定其視覺感知扇面及聽覺感知圓. 在此基礎(chǔ)上分別繪制觀察扇面及感知圓的AABB,依此確定完全或部分重疊的相關(guān)地塊,即觀察遍歷的范圍. 進(jìn)而利用地塊與CGF 實體間的鏈表實現(xiàn)對相關(guān)CGF 實體的快速定位及其與感知范圍的匹配,以最終確定感知對象列表.

2.2 空間分塊的比較優(yōu)勢

相較于傳統(tǒng)鏈表的遍歷查詢和KD 樹的高頻重構(gòu),空間分塊思想在對象管理和查詢方面,有其顯著的比較優(yōu)勢.

一方面,相比于傳統(tǒng)鏈表的順序遍歷法,空間分塊的對象感知方法實現(xiàn)了實體的定位初篩,將感知范圍限制在與視覺扇面及聽覺感知圓的AABB 完全重疊或部分重疊的空間分塊內(nèi),大大壓縮了遍歷范圍,避免了對不在感知范圍內(nèi)目標(biāo)的比對檢查.

另一方面,KD 樹的對象管理方式包含KD 樹的構(gòu)建與查詢. 感知對象在戰(zhàn)場空間內(nèi)頻繁遷移的過程中,其相對位置不斷變化,故KD 樹的頻繁重構(gòu)無法避免. 相比于KD 樹通過犧牲重構(gòu)時間成本換取較高查詢效率的弊端,空間分塊的對象感知方法充分利用了一定時間跨度內(nèi)CGF 實體基本停留于所屬初始空間分塊內(nèi)的特點(diǎn),大大降低了信息頻繁存取造成的時間損耗,且極少數(shù)感知對象跨地塊遷移對應(yīng)于空間分塊算法僅涉及相關(guān)鏈表及映射哈希表的刪改,其時間成本同樣遠(yuǎn)低于KD 樹重構(gòu).

3 基于感知注意力機(jī)制的價值模型

計算機(jī)生成兵力綜合了包括聽覺、視覺在內(nèi)的多種感官,從虛擬戰(zhàn)場環(huán)境中進(jìn)行態(tài)勢感知. 感知注意力機(jī)制既包括由感知能力、習(xí)慣等要素導(dǎo)致的信息捕捉差異,又包含CGF 實體基于個體類型、屬性的個性化偏好. 構(gòu)建感知注意力機(jī)制的價值模型,即對以上兩種注意力機(jī)制的作用機(jī)理實行量化建模.從選擇與反饋兩個角度入手,通過感知信息的初篩,并將信息傳回智能體形成反饋,依據(jù)價值排序生成基于價值得分的感知對象優(yōu)先度降序?qū)嵗斜?

3.1 價值指標(biāo)體系構(gòu)成

真實戰(zhàn)場環(huán)境中,感知主體感知戰(zhàn)場態(tài)勢會結(jié)合客觀目標(biāo)威脅度及主體實例偏好,對感知目標(biāo)價值進(jìn)行綜合考量,通過建立價值指標(biāo)體系,確定價值指標(biāo)參數(shù)及影響權(quán)重,求出價值得分并進(jìn)行降序排序.

模型建立層面,分別建立視覺注意力模型[8-9]和聽覺注意力模型.

構(gòu)建視覺注意力模型時,主要考慮指標(biāo)為目標(biāo)與感知主體間距離[10]、角度偏移量[11]及感知目標(biāo)移動性[3]三要素為價值評價排序依據(jù). 對聽覺注意力模型[12],主要考慮指標(biāo)為聲音分貝數(shù),如圖7 所示. 鑒于Agent 主體根據(jù)其不同的屬性特點(diǎn)對感知對象存在的特定實例偏好,本文進(jìn)一步將主體實例偏好納入價值指標(biāo)體系.

圖7 注意力機(jī)制價值指標(biāo)構(gòu)成示意圖Fig.7 Schematic diagram of composition of value indicators of attention mechanism

3.2 感知注意力的價值評價算法

感知注意力的價值評價算法: 輸入: CGF 主體可感知目標(biāo)對象全集R；輸出: 價值優(yōu)先度排序后的感知對象降序?qū)嵗斜?

對于任意目標(biāo)i∈R: 1）以目標(biāo)與感知主體之間的距離從大到小進(jìn)行排序,得到目標(biāo)距離序號Rdis；2）以目標(biāo)與視覺中軸線的角度偏移量從大到小進(jìn)行排序,得到目標(biāo)偏移量序號Rangle；3）以目標(biāo)當(dāng)前移動速度從小到大進(jìn)行排序,得到目標(biāo)移動性序號Rmobility；4）以目標(biāo)分貝數(shù)從小到大進(jìn)行排序,得到目標(biāo)分貝數(shù)序號RDecibel；5）基于目標(biāo)類型進(jìn)行從低價值到高價值的偏好排序,得到偏好排名序號Rpref；6）將以上5 個參數(shù)分別賦權(quán)進(jìn)行線性加合[13-14],并降序排序,得到根據(jù)價值得分降序排序后的有序目標(biāo)集R′. 因各要素在價值評價體系中的重要度衡量存在實際偏好,故本實驗平臺暫采取直接相加并求取算術(shù)平均的方式定義價值得分.

4 實驗驗證

4.1 分隊?wèi)?zhàn)術(shù)級態(tài)勢感知仿真平臺框架

分隊?wèi)?zhàn)術(shù)級作戰(zhàn)仿真系統(tǒng)旨在通過仿真推演還原真實戰(zhàn)斗場景實況[15]. 考慮到多兵種一體化聯(lián)合作戰(zhàn)已然成為未來戰(zhàn)爭的基本作戰(zhàn)形式,為充分還原虛擬戰(zhàn)場環(huán)境,優(yōu)化CGF態(tài)勢感知,搭建仿真戰(zhàn)場環(huán)境應(yīng)設(shè)置不同陣營及多種類型的CGF 模型（含坦克、裝甲車、單兵、集群等）,并使之按照想定規(guī)則隨機(jī)散落于地理空間各處. 鑒于CGF 實體生命周期的局限性和真實人類的注意力有偏性,在定義CGF 對象時也應(yīng)引入注意力機(jī)制并定義生命周期屬性,以初篩無效感知,凸顯主要信息,實現(xiàn)多兵種及多陣營下的CGF 感知注意力控制,如圖8 所示.

圖8 分隊?wèi)?zhàn)術(shù)級態(tài)勢感知仿真平臺框架Fig.8 Simulation platform framework of element tactical-leveled situational awareness

4.2 分隊?wèi)?zhàn)術(shù)級態(tài)勢感知仿真平臺實現(xiàn)

本文聚焦于虛擬戰(zhàn)場環(huán)境下感知主體對地圖內(nèi)各實例對象的感知效應(yīng). 在考慮到真實戰(zhàn)場環(huán)境影響的基礎(chǔ)上,綜合視覺和聽覺兩個感知維度,和感知主體實例偏好的主觀維度,提出了基于感知注意力機(jī)制的價值模型,依此對主體態(tài)勢感知的注意力機(jī)制進(jìn)行仿真模擬. 同時,結(jié)合實際軍事分析需求,實現(xiàn)了二維空間下仿真推演的簡單可視化并進(jìn)一步將其封裝為動態(tài)鏈接庫,完成針對基于感知注意力機(jī)制的價值模型的驗證. 同時,搭建的戰(zhàn)場態(tài)勢感知仿真實驗平臺,也能更加方便用戶及時通過仿真結(jié)果進(jìn)行分析,在短時間內(nèi)迅速作出調(diào)整決策.

態(tài)勢感知仿真平臺實現(xiàn)的具體功能如下: 1）該平臺使用戶能夠在地圖場景內(nèi)或隨機(jī)或于指定位置放置感知對象[16]；2）即時改變視覺觀察扇面朝向,按用戶需求調(diào)整感知方向（觀察扇面中心線方向）[17]；3）實現(xiàn)感知對象在地圖范圍內(nèi)的隨機(jī)游走；4）實現(xiàn)了Agent 主體對CGF 實體的實時探測、價值排序及可視化輸出；5）即時按用戶需求改變Agent 主體所處坐標(biāo)位置；6）實現(xiàn)AABB 的可視化呈現(xiàn).

如圖9 所示,本文模擬的區(qū)域規(guī)格為100*100,單個地塊規(guī)格為10*10,故將整個區(qū)域劃分為了10*10 的方格區(qū). 設(shè)地塊數(shù)量為M,CGF 實體數(shù)量為N,故區(qū)域內(nèi)總的變量個數(shù)為地塊數(shù)量與CGF 實體數(shù)量的累加,即M+N. 在遍歷查詢、KD 樹查詢和分塊查詢3 種查詢方式下,感知對象篩選過濾計算任務(wù)的時間復(fù)雜度分別如下：遍歷查詢因涉及模擬區(qū)域內(nèi)全部CGF 實體,故算法時間復(fù)雜度為O（N）；KD樹查詢算法在計算篩選過濾環(huán)節(jié)的時間復(fù)雜度時,并不考慮KD 樹構(gòu)建算法的時間耗費(fèi),因此,當(dāng)CGF實體對象均勻分布于地圖中時,KD 樹的近鄰搜索時間復(fù)雜度趨近于O（log2N）,只有在CGF 實體呈現(xiàn)集中部署的情況下搜索時間復(fù)雜度才退化為O（N）. 然而在本文研究所涵蓋的應(yīng)用場景中,由于CGF 實體位置的動態(tài)變化,將頻繁引發(fā)KD 樹的全局重構(gòu),這將帶來額外的時間開銷；而對于本文所給出的空間分塊算法,考慮最壞情況為智能體的感知區(qū)域覆蓋了全部地塊,即感知區(qū)域的AABB 覆蓋了所有的地塊,此時算法時間復(fù)雜度為O（M）+O（N）,但實際應(yīng)用中,感知主體的感知區(qū)域面積遠(yuǎn)遠(yuǎn)小于整個地圖的面積,且作為感知對象的CGF 實體一般呈均勻分布的態(tài)勢,因此,其實際的搜索地塊數(shù)量M′＜＜M,其時間復(fù)雜度將得到大幅壓縮,且個別CGF 實體由于運(yùn)動發(fā)生的位置改變只需要相鄰地塊之間的鏈表刪除和插入操作,因此,更適合用于維護(hù)動態(tài)場景中的目標(biāo)信息,故實際時間復(fù)雜度應(yīng)遠(yuǎn)小于O（M）+O（N）.

圖9 戰(zhàn)場態(tài)勢感知仿真實驗平臺可視化Fig.9 Visualization of battlefield situation awareness simulation experiment platform

本仿真實驗平臺采用windows10 操作系統(tǒng),CPU信息為Intel（R）Core（TM）i7-9750H CPU@2.60 GHz 2.59 GHz. 該仿真平臺中,在戰(zhàn)場空間內(nèi)初始投入200 個CGF 實體,令其按照想定規(guī)則隨機(jī)分布于地圖各分塊內(nèi). 青藍(lán)色扇形和紫色圓形分別為視覺觀察扇面和聽覺感知圓的可視化呈現(xiàn),玫紅色矩形則為其AABB 標(biāo)示.

地圖內(nèi)各CGF 實體依據(jù)其特定類型和陣營,由不同半徑及顏色的空心圓標(biāo)出,并被賦予特定行進(jìn)速度. 地圖右側(cè)欄內(nèi)由上至下分別顯示當(dāng)前時刻仿真時鐘、仿真速度、探測距離、觀測數(shù)量、查詢方式及排序依據(jù),CGF 實體列表內(nèi)容則為感知對象的有序輸出[18]. 隨仿真時鐘不斷推進(jìn),地圖內(nèi)各實例對象以特定行進(jìn)速度沿隨機(jī)方向不斷游走[3],隨著感知對象不斷變化,右側(cè)欄輸出也隨時間推進(jìn)實時更新.

圖10 所示為3 種感知方式耗時對比（仿真平臺運(yùn)行100 次）,橫向比較空間分塊的對象感知方法、簡單遍歷法以及基于KD 樹的對象管理方法,可以發(fā)現(xiàn),空間分塊的對象感知方法在態(tài)勢感知的時間效率上具有極大優(yōu)勢. 相比之下,簡單遍歷法因篩選范圍存在較大冗余耗時更多,而KD 樹因頻繁重構(gòu)造成大量時間損耗. 觀察感知結(jié)果（如圖11）可知,三者在感知對象的數(shù)量和內(nèi)容上完全一致,僅僅只是價值排序的結(jié)果有所不同. 即空間分塊法本身不會造成感知精度上的明顯損失.

圖10 3 種感知方式耗時對比Fig.10 Time consuming comparison of three kinds of perception modes

圖11 3 種感知方式下結(jié)果的對比呈現(xiàn)Fig.11 Comparative presentation of results under three kinds of perception modes

在具體的仿真實驗實施中,簡單遍歷法及基于KD 樹的對象管理方法以感知主體與CGF 實體間的坐標(biāo)距離為依據(jù)降序排序；而空間分塊的對象感知方法則應(yīng)用本文所提出的基于感知注意力機(jī)制的價值模型,依據(jù)價值得分降序排序. 觀察排序結(jié)果可知,依據(jù)坐標(biāo)距離的排序方法,存在較近單兵實體的價值優(yōu)先度略高于稍遠(yuǎn)的裝甲目標(biāo)的情形,不符合主觀認(rèn)知. 而價值模型的構(gòu)成則充分考慮感知習(xí)慣及主觀認(rèn)知,更符合戰(zhàn)場實際.

綜上所述,基于空間分塊的CGF 注意力感知方法在不損失感知精度的前提下,能夠有效提高感知效率,優(yōu)化價值優(yōu)先度排序[19-21],具有一定可行性,可為戰(zhàn)場態(tài)勢感知實踐提供參考.

5 結(jié)論

本文實現(xiàn)了視聽兩種感官和感知主體實例偏好共同作用下的虛擬戰(zhàn)場態(tài)勢感知以及針對感知對象的價值排序,進(jìn)一步基于離散事件調(diào)度框架,對虛擬戰(zhàn)場態(tài)勢感知仿真實驗平臺設(shè)計了完整的可視化動態(tài)鏈接庫. 基于當(dāng)下研究成果對下步工作作出如下展望: 1）拓寬感知維度；2）實現(xiàn)工程化；3）權(quán)重偏好訓(xùn)練；4）優(yōu)化系統(tǒng)構(gòu)建. 在后續(xù)工作中,需要進(jìn)一步拓寬感知維度,以進(jìn)一步貼近實戰(zhàn),提高仿真實驗之于現(xiàn)代化戰(zhàn)爭的借鑒意義.

致謝

感謝本文的共同第一作者歐陽偉俊先生對態(tài)勢感知仿真實驗平臺可視化實現(xiàn)、感知注意力價值評價算法設(shè)計等工作作出的重要貢獻(xiàn).