反导作战多传感器任务规划技术

倪 鹏，王 刚，刘统民，孙 文

（1.空军工程大学防空反导学院，西安 710051；2.解放军94921部队，福建 晋江 362200）

反导作战多传感器任务规划技术

倪 鹏1，2，王 刚1，刘统民2，孙 文1

（1.空军工程大学防空反导学院，西安 710051；2.解放军94921部队，福建 晋江 362200）

多传感器任务规划技术是反导作战中的重要研究内容之一，即解决如何发挥多维传感器资源的互补优势，构建“传感器-目标-任务”序列，以实现整体执行效果最优。基于JDL信息融合模型深入剖析了反导作战多传感器任务规划体系结构及其信息交互。在此基础上，结合反导作战特点，从应用和理论研究两个方面分别对多传感器任务规划技术进行了叙述。

多传感器任务规划，反导作战，JDL信息融合模型

0 引言

现阶段由于传感器部署、性能的限制以及弹道导弹非合作、飞行时空跨度大的特性，任何单一的传感器都难以独立支撑完成反导任务，主要表现在：发现难、定轨难、跟踪难、识别难、拦截制导难。采用基于多源异构资源、多阶段智能规划的多传感器任务规划技术来实现弹道导弹的持续探测跟踪和精确识别、制导，是解决上述难题的有效技术手段。

因此，如何综合运用空天多源信息，由天基、临近空间、空基、陆（海）基的传感器资源组成一体化高动态的战场感知、监视与引导体系，实现弹道目标的尽早预警、协同探测和连续稳定跟踪，进而通过精确的识别制导提高从“感知”到“行动”的快速响应能力，形成弹道目标的“探测-跟踪-识别-拦截”的闭环，是反导作战多传感器任务规划的核心问题，也是引领未来空天防御体系发展的关键技术。

1 反导作战多传感器任务规划与JDL信息融合模型

目前大多研究者主要针对防空作战中传感器管理的问题展开研究，文献［1］认为防空作战中传感器管理目的是通过控制传感器的行为提高信息融合系统的性能，在JDL（joint directors of laboratories）信息融合模型中处于第4级，在此基础上针对作战过程中传感器面临不同任务，设计了基于多Agnet的传感器结构模型。下面结合JDL模型给出传感器任务规划在整个反导作战过程中的关系。

如图1所示，反映了信息融合模型在反导作战过程中的映射关键。其中，协同引导探测接力跟踪是反导传感器任务规划的目的，传感器任务规划是整个反导信息融合的一个重要组成部分。传感器任务规划是为信息融合服务的，而信息融合是传感器任务规划的体现。根据JDL信息融合功能模型的分级，传感器任务规划是通过控制、优化各个传感器的探测行为来改善信息融合的性能，属于第4级处理（L4）。

在图1中，多源传感器是整个信息融合系统的眼睛。信息处理中心是对多源传感器探测到的目标信息进行融合处理，进而得到状态估计和目标属性。L2和L3根据信息处理中心的数据对目标进行态势评估和威胁排序，并将融合后的信息提供给C2BMC （Command，Control，Battle Manager and Communication），然后为系统中的任务规划所用，最后以交战程序组ESG（Engage Schedule Group）的方式交互地为每个威胁目标制定作战序列。ESG又可细分为 STPs（Sensor Task Plans）和 WTPs（Weapon Task Plans），分发给相应的任务规划系统。处于L4的传感器任务规划系统，接收来自L0～L3提供的信息，形成一系列传感器任务子序列（优先级、时空管控、功率管控以及资源调度）以指导传感器在未来时刻的探测行为。通过L4的反馈调节，整个系统构成了一个具有动态反馈、实时融合的闭环。

目前，虽然L1层级的研究作为其他层级研究的基础，一直是信息融合理论研究的最活跃和研究成果最多的领域［2-3］，但是越来越多的学者认识到作为过程优化的L4层级可有效地提高整个系统的性能，起着不容忽视的作用。因此，随着传感器技术和通信技术的发展，对于L4层级的研究也逐渐升温［4-5］。那么，从信息融合上讲，反导作战多传感器任务规划的目的就是系统在L4的优化下自适应地协调L0～L3，使得各个子系统在独立运作的同时，以交流、合作、竞争的协同运作方式共同完成任务。

综上所述，反导作战多传感器任务规划技术属于信息融合系统L4级的研究范畴。特别要指出的是，这里的融合属于广义上的融合，有别于狭义的L1级上直观的融合，是信息融合更高一层次的内容。

图1 JDL模型与反导作战的映射关系

2 多传感器任务规划技术的应用研究

2.1 任务规划

在应用研究方面，任务规划系统（Mission P lanning System，MPS）最初起源于空间搜索。20世纪70年代，为了满足军事指挥控制系统建设发展的需求，世界军事强国开始研发任务规划技术。国外军事发达国家对任务规划技术的研究起步较早并且研究较为深入，已成功应用于各类军事飞行器、军用战术任务规划系统［6］和联合战役计划系统［7］等。

相比于发达国家在任务规划领域的蓬勃发展，国内任务规划相关的研究起步较晚，相对落后。目前，国内也已开始重视这一领域的研究，并逐渐形成研究高潮。部分高校和研究所积极开展任务规划技术的研究和工程研制。北京航空航天大学在任务规划方面有着许多成果［8-9］：周锐博士针对现代军机战术任务规划系统进行研究，给出了任务规划的组成及功能；张晨虓提出了基于HLA的武器任务规划仿真体系通用框架，并设计了作战武器任务规划的仿真原型系统；孙健博士研究巡航导弹航路任务规划。国防科学技术大学的李军研究了多卫星联合下的任务规划技术［10］。这些研究都取得了一定的研究成果，对于反导作战多传感器任务规划这一特殊领域的规划的研究具有一定借鉴意义。

2.2 多传感器任务规划技术

多传感器任务规划技术属于信息融合范畴，“信息融合”概念的提出是在20世纪70年代，并首先应用于军事领域的指挥控制系统［11］。随着传感器技术和信息技术的发展，一方面，传感器分布范围和观测维度不断扩大，传感器平台机动性增强；另一方面，计算能力的需求急剧增加的同时，通信带宽又有所限制。这些使得传统的采用直接融合的方法已经难以适应，实现的效果较差。研究人员认识到，起到反馈调节的作用的信息融合L4级处理会给系统带来巨大收益，多传感器任务规划技术的研究逐渐形成热潮［12-14］。

国内在多传感器任务规划技术方面的研究较少，尤其是反导作战背景下的多传感器信息融合领域的研究则非常有限。研究的热点大多集中于：①探测跟踪能力的分配和优化，主要采用基于信息论、运筹学、智能优化技术与滤波理论相结合的方法，依据一定的准则（如后验克拉美罗界、Rényi信息差异、协方差控制和随机有限集概率假设密度滤波等等），通过建立优化函数，实现探测跟踪能力的最优匹配；②目标识别与制导技术方面，主要集中于研究目标识别的方法、引导方式的选择以及目标指示上，而对于如任务规划技术在目标识别、制导能力的分配方面的应用研究甚少。

综上所述，国内在多传感器任务规划方面的研究已有了一定的发展，大部分文献关注于某类传感器平台或者某个具体任务阶段的任务规划技术的应用研究，相关解决问题思路和采用的方法对于本文的研究具有一定的借鉴意义。但是，随着在反导作战整个过程中目标环境复杂性的增加，感知网络规模增大、动态性增强，多传感器任务规划技术面临新的难题。

3 多传感器任务规划技术理论

在理论研究方面，任务规划是人工智能一个重要的领域，其研究起源于20世纪60年代。近年来，有关任务规划的研究在问题的描述和问题求解两方面得到了新的突破，极大地扩展了任务规划的应用领域，有效提高了任务规划系统的性能，使近年来任务规划的理论研究有了长足的进展。

3.1 任务规划策略与建模的发展现状

任务规划策略用以解决任务规划系统中的运行机制和运行方式方面的问题，包括：基于预测的规划策略、基于条件触发的动态规划策略以及两者相结合的混合规划策略。

文献［15］从规划问题的不同侧面：模糊规划、触发式规划、鲁棒规划以及随机规划，进行了综述性的对比和分析；A.B.Teixidor［16］采用基于预测的动态调度策略解决了运输中的调度问题；在传感器领域，R.A.Baugh等人［17］从资源规划策略的角度对相控阵雷达资源管理问题进行了系统性的分析；针对卫星资源的动态规划策略问题方面，研究成果也较为丰富［18］。在国内，也有许多学者从规划策略着手研究各自领域内的规划问题。何俊［19］结合滚动时域控制理论，采用基于周期和基于事件的两种重调度策略来解决天基预警资源规划中动态扰动事件（不确定性因素）对规划问题求解带来的挑战；卢建斌［20］则是在相控阵雷达资源规划的背景下对规划策略和规划模型进行了研究。

3.2 集中式任务规划方法的发展现状

集中式任务规划方法主要应用于基于预测的规划策略，常用的优化算法包括：经典的整数规划算法、搜索算法、图论以及近几年发展起来的智能优化算法。

其中整数规划算法、搜索算法和图论是早先集中式任务规划问题中主要采用的优化算法。这类优化算法在求解小规模、约束条件较简单的规划问题上，能求得全局最优解。但是，对于大规模、复杂约束条件下的规划问题，尤其是采用整数规划方法时，该类方法具有一定的局限性，实时性差，且随着问题空间的增大，很难求得最优解［21-23］。

在搜索算法方面，典型的代表包括了基于满意决策的方法、启发式搜索算法、禁忌搜索等。其中，禁忌搜索算法可以看作是一类亚启发式搜索算法，难点是启发函数的确定。这些方法，都是从缩小问题空间或者是引入引导信息进行“方向性”搜索方面对基本搜索算法进行了改进，并成功应用于许多领域［24-25］。

智能优化算法方面，是目前求解大规模复杂优化问题运用最普遍的方法。较为常用的算法有：遗传算法、粒子群优化算法、进化算法、蚁群算法以及相关的改进或者混合的智能算法。这类算法的基本思想是通过模仿自然界现象或是生物智能来解决复杂的优化问题，虽然在理论上远不如传统优化算法完善，但是作为一种“元启发式方法”（Meta-Heuristic），对数据的不确定性有着很强的适应能力，被广泛应用于传统优化算法难以解决的NP问题中。其中，最为经典的是遗传算法，已经被广泛应用于控制、调度、任务规划等领域。Globus［26］、Simha［27］、Schumacher［28］、孙雅茹［29］等分别将遗传算法应用于传感器资源调度、任务分配问题的求解中，研究表明遗传算法具有良好的求解效果，满足了问题的求解需求。此外，一方面许多学者针对不同的优化问题对智能优化算法进行了适应性改进，获得了较好的求解效果。另一方面，随着计算机技术的发展，一些新型的/改进的智能优化算法在优化问题求解方面体现出越来越强劲的求解能力，例如狼群算法［30］、鱼群算法和头脑风暴算法［31-32］等，有着广泛的应用前景。

3.3 分布式任务规划方法的发展现状

分布式任务规划方法主要研究如何通过具有分布知识并交互的作用体之间实现问题求解，属于分布式问题求解。分布式动态规划的结果不一定是最优，针对的是局部动态变化下，整个系统依然能较好地完成任务。常用的方法包括：基于市场机制的方法和群智能算法。

基于市场机制的方法是一种基于拍卖理论的分布式控制方法，个体之间通过传递招标与投标信息，有效避免了NP-Hard问题，大大减少了个体间通信量和计算量，且不需要个体预先掌握全局信息，易实现动态分布式调整，使得个体利益最大化，进而积累为整体系统的利益最大化。基于市场机制的方法在分布式人工智能领域的研究成果相对成熟，目前被广泛应用于分布式架构下的系统中［33-34］。

群智能算法是一类以演化计算技术为基础，通过“种群”间个体的交互作用实现对问题的寻优。其具有灵活、稳定、分布式控制和自组织能力，不仅适用于集中式下优化问题的求解，也能在没有集中控制且不提供全局模型的前提下，解决模型较大、个体行为简单的动态分布式优化问题［35］。目前，较常用的群智能算法有：蚁群算法和粒子群算法。此外，还有许多新兴的群智能算法，包括人工蜂群、狼群算法、萤火虫算法。这类算法的求解效率高，鲁棒性好，是一种“anytime”算法，难点是算法的局部收敛问题，可以有效解决个体行为较为简单的优化问题。

4 结论

本文基于JDL信息融合模型系统分析了反导作战多传感器任务规划的定位与内涵。在此基础上，分别从应用和理论两方面对多传感器任务规划技术进行总结，并详细分析反导作战背景下的多传感器任务技术面临的问题以及有效的解决思路，对开展该问题的研究具有重要的指导意义。

［1］张广远，王福军，魏震生.Agent的多传感器管理方案［J］.火力与指挥控制，2009，34（7）：168-170.

［2］何友，王国宏，彭应宁，等.多传感器信息融合及应用［M］.第2版.北京：电子工业出版社，2007：1-12.

［3］潘泉，王增福，梁彦，等.信息融合理论的基本方法与进展［J］.控制理论与应用，2012，29（10）：1232-1244.

［4］罗开平，姜维，李一军.传感器管理综述［J］.电子学报，2010，38（8）：1900-1907.

［5］HERO A O，COCHRAN D.Sensor management：past，present，and future［J］.IEEE Sensors Journal，2011，11（12）：3064-3075.

［6］周锐，成晓静，陈宗.战术任务规划系统研究［J］.控制与决策，2004，19（4）：441-444.

［7］HURA M.Intelligence support and mission planning for autonomous precise-guided weapons implications for inelligence support plan development［R］.AD-A282344，1999.

［8］张晨虓，刘虎，武哲.基于HLA的武器任务规划仿真体系通用框架 ［J］.计算机技术与发展，2011，21（5）：68-71.

［9］孙健，吴森堂.基于改进粒子群优化算法的巡航导弹航路规划 ［J］.北京航空航天大学学报，2011，37（10）：210-215.

［10］王冲，景宁，李军，等.协同进化方法求解多中心卫星任务规划问题［J］.航空学报，2010，31（9）：1832-1840.

［11］李洋思，张科，余瑞星，等.攻击时敏目标的多传感器协同探测技术［J］.计算机与现代化，2013（6）：30-33.

［12］CASTAóN D A.Approximate dynamic programming for sensor management［C］//Proceeding of the 36th IEEE Conference on Decision and Control， 1997， 2：1202-1207.

［13］MANYIKA J，DURRANT-WHYTE H.Data fusion and sensor management：A decentralized information-theoretic approach［M］.NJ：Prentice Hall，1995.

［14］MANYIKA J，DURRANT-WHYTE H.Data fusion and sensor management：A decentralized information-theoretic approach［M］.NJ：Prentice Hall，1995.

［15］WILLY H，ROEL L.Project scheduling under uncertainty：Surveyand research potentials ［J］.European Jof Operational Research，2005，165（2）：289-306.

［16］TEIXIDOR A B.Proactive management of uncertainty to improve scheduling robustness in proces industries［D］.Catalunya：Universitat Polituecnica de Catalunya，2006.

［17］BAUGH R A.Computer control of modern radars［M］.US：RCA Missile and Surface Radar，1973.

［18］DONATI A，POLICELLA N，AI planning and scheduling infusion in space：ESA achievements and perspectives［C］//SpaceOps 2010 Conference，USA：Alabama，2010：1-7.

［19］何俊.基于预警任务的天基预警资源调度方法研究［D］.长沙：国防科学技术大学，2007.

［20］卢建斌.相控阵雷达资源优化管理的理论与方法［D］.长沙：国防科学技术大学，2007.

［21］GOOLEY T D.Automating the satellite range scheduling process［D］.Ohio：Air Force Institute of Technology，1993.

［22］GOOLEY T D，BORSI J J，MOORE J T.Automating air force satellite control network （AFSCN）scheduling［J］.Mathl.Comput.Modelling，1996，24（2）：91-101.

［23］靳肖闪，李军，刘湘辉.基于拉格朗日松弛与最大分支算法的卫星成像调度算法［J］.宇航学报，2008，29（2）：304-309.

［24］GOOLEY T D，BORSI J J，MOORE J T.Automating network（AFSCN）scheduling［J］.Math.Comput.Modelling，air force satellite control，1996，24（2）：91-101.

［25］李云峰.卫星-地面站数传调度模型计算法研究［D］.长沙：国防科学技术大学，2007.

［26］GLOBUS，CRAWFORD J，LOHN J，et al.A comparison of techniques for scheduling earth observing satellites［C］//Sixteenth Innovative Applications of Artificial Intelligence Conference，2004.

［27］SIMHA T，RASMUSSEN S，SPARKS A，et al.Multiple task assignments for cooperating uninhabited aerial vehicles using genetic algorithms ［J］.Computers and Operations Research，2006，33（11）：3252-3269.

［28］SCHUMACHER C，CHANDLER P，PACHTER M，et al.Constrained optimization for UAV task assignment［C］//AIAA Guidance，Navigation，and Control Conference and Exhibit.Providence，Rhode Island，2004.

［29］孙雅茹，土风阳，韩月平，等.卫星自主运行任务调度问题的优化算法［J］.计算机工程与设计，2005，26（2）：461-464.

［30］IIDA K，HOHZAKI R.The optimal search plan for a moving target minimizing the expected risk ［J］.Journal of the Operations Research Society of Japan，1988，31（2）：294-320.

［31］SHI Y H.Brain storm optimization algorithm［J］.Advance in Swarm Intelligence，2011，6728：303-309.

［32］杨玉婷，史玉回，夏顺仁.基于讨论机制的头脑风暴优化算法［J］.浙江大学学报（工学版），2013，47（10）：1705-1711.

［33］ZLOT R.Multi-robot exploration controlled by a market economy ［C］//Proceedings of the IEEE International Conference on Robotics and Automation （ICRA）.Washington：IEEE Press，2002：3016-3023.

［34］张飞.多机器人协作探索的改进市场法［J］.控制与决策，2005，20（5）：37-41.

［35］王水花，张煜东，吉根林.群智能算法的理论及应用综述［J］.南京师范大学学报（工程技术版），2014，14（4）：31-38.

Research on Layered Decision-Making of Multi-Sensors Planning Based on Heterogeneous MAS in Anti-TBM Combat

NI Peng1，2，WANG Gang1，LIU Tong-min2，SUN Wen1
（1.School of Air and Missile Defense，Air force Engineering University，Xi’an 710051，China；2.Unit 94921of PLA，Jinjiang 362200，China）

The technology of multi-sensors mission planning（MSMP）is one of the most important research issues in anti-missile combat.Aiming at achieving the global optimization and making best use of complementary advantages,the sequences of“sensor-target-mission”would be got by MSMP.On the basis of joint directors of laboratories（JDL）information function model,the architecture and information interaction of MSMP in anti-missile combat is analyzed.Finally,combining the characteristics of anti-missile combat,the technology of MSMP from theoretical and applied aspect is surveyed.

multi-sensors mission planning （MSMP），anti-missile combat， joint directors of laboratories（JDL）information function model

TP182；TP391

A

10.3969/j.issn.1002-0640.2017.08.001

1002-0640（2017）08-0001-05

2016-05-13

2016-08-07

倪 鹏（1985- ），男，福建福州人，博士。研究方向：指挥信息系统。