基于群体OODA的无人集群系统智能评价模型及方法

doi:10.7527/S1000-6893.2022.28003

电子电气工程与控制

本期目录 | 过刊浏览 | 高级检索

前一篇 | 后一篇

基于群体OODA的无人集群系统智能评价模型及方法

沈博(), 武文亮, 杨刚, 周兴社

西北工业大学计算机学院，西安 710129

收稿日期:2022-09-14 修回日期:2022-09-28 接受日期:2022-11-21 出版日期:2023-07-25 发布日期:2022-12-06
通讯作者: 沈博 E-mail:shen@nwpu.edu.cn
基金资助:
国家自然科学基金(61902295);国防科技创新区(18-163-11-ZT-003-010-01);国家重点研发计划(2017YFB1001900);中央高校基本科研业务费专项资金(D5000210108)

Evaluation models and methods for intelligence of unmanned swarm systems based on collective OODA loop

Bo SHEN(), Wenliang WU, Gang YANG, Xingshe ZHOU

School of Computer and Engineering，Northwestern Polytechnical University，Xi’an 710129，China

Received:2022-09-14 Revised:2022-09-28 Accepted:2022-11-21 Online:2023-07-25 Published:2022-12-06
Contact: Bo SHEN E-mail:shen@nwpu.edu.cn
Supported by:
National Natural Science Foundation of China(61902295);National Defence Science and Technology Innovation Zone(18-163-11-ZT-003-010-01);National key Research and Development Project(2017YFB1001900);Basic Scientific Research Funds of the Central Universities(D5000210108)

摘要/Abstract

摘要：

随着无人系统、智能技术的发展以及应用日趋复杂，由若干无人系统在一定时间与空间内自主协同完成任务的智能无人集群系统得以快速涌现，其可有效提高完成复杂任务的能力，在国防装备与国民经济等领域具有重要且广泛的应用前景。无人集群系统的智能评价具有场景多样、指标多维、方法多类等特征，是极具挑战性的研究问题。本文在分析无人集群系统智能评价已有相关研究基础上，结合国家科研项目，基于群体观察-判断-决策-执行（OODA）行为模型提出了评价协同演化模型及适应群体OODA的等级评价标准，进而提出场景驱动的评价过程与适应性评价方法，设计开发自主评价工具集，并结合无人集群系统（USS）及其典型应用场景进行了初步验证。

关键词: 无人集群, 智能评价, 评价指标, 场景驱动, 评价模型

Abstract:

With the rapid development of unmanned systems and intelligent techniques， as well as the increasing complexity of the applications， intelligent unmanned swarm systems have developed rapidly. Unmanned swarms can effectively complete complex tasks via networking cooperation， and have demonstrated their potentials in the fields of defense equipment and national economy. At the same time， intelligence evaluation of unmanned swarms involves diverse scenarios， multidimensional indexes， and multi-class methods. It is quite a challenging research field. Supported by national research projects， this paper proposes the co-evolution model and the level-evaluation model based on collective Observe-Orient-Decide-Act （OODA） loop. Then. the scenario-driven evaluation process， evaluation methods and evaluation platform are proposed. A preliminary validation of the results is also conducted with Unmanned Swarm System （USS）.

Key words: unmanned swarm, intelligence evaluation, evaluation metric, scenario driven, evaluation model

中图分类号:

V279

沈博, 武文亮, 杨刚, 周兴社. 基于群体OODA的无人集群系统智能评价模型及方法[J]. 航空学报, 2023, 44(14): 328003-328003.

Bo SHEN, Wenliang WU, Gang YANG, Xingshe ZHOU. Evaluation models and methods for intelligence of unmanned swarm systems based on collective OODA loop[J]. Acta Aeronautica et Astronautica Sinica, 2023, 44(14): 328003-328003.

图/表 16

图 1

图 2

图 3

图 4

图 5

表 1

图 6

表 2

图 7

图 8

表 3

无人集群目标搜索等级划分实例

等级	等级命名	群体观察	群体判断	群体决策	群体执行
1	团队协调	单载荷感知固定感知模式感知静态目标	判别已知简单环境下静态目标	预设搜索模式固定搜索路径	按预设搜索模式执行固定搜索路径
2	行为规划	单载荷感知固定感知模式感知动态目标	判别已知简单环境下动态目标	预设搜索模式规划搜索路径	按预设搜索模式执行规划搜索路径
3	任务重构	多载荷感知可变感知模式感知动态多目标	判别已知复杂环境下动态目标	多载荷切换多模式切换在线重规划搜索路径	根据环境变化，可选择最优感知载荷和最优感知模式，可按重规划路径搜索
4	合作博弈	多载荷感知可变感知模式感知动态多目标感知外部威胁	判别已知复杂环境下动态目标，敌我识别、态势感知	多载荷切换多模式切换在线实时搜索路径规划小规模战术规划	根据环境变化，可选择最优感知载荷和最优感知模式，可进行实时搜索路径规划、自主完成战术目标
5	协同认知	多载荷感知可变感知模式感知外部环境感知动态多目标感知外部威胁	未知复杂环境认知与构建、识别未知环境下动态多目标，敌我识别、态势感知	多载荷切换多模式切换在线实时搜索路径规划自主选择目标小规模战略规划	根据环境变化，可选择最优感知载荷和最优感知模式，可进行实时搜索路径规划、自主判定搜索目标，自主完成战术目标
6	群体理智	多载荷感知可变感知模式感知外部环境感知动态多目标感知外部威胁	未知复杂环境认知与构建、识别未知环境下动态多目标，敌我识别、态势感知	多载荷切换多模式切换在线实时搜索路径规划自主选择目标长远战略规划	根据环境变化，可选择最优感知载荷和模式，可进行实时搜索路径规划、自主判定搜索目标，自主完成长远战略目标

表 3

图 9

图 10

表 4

图 11

图 12

参考文献 44

1	BENI G， WANG J. Swarm intelligence in cellular robotic systems［M］∥In： DARIO P， SANDINI G， AEBISCHER P， editors. Robots and Biological Systems： Towards a New Bionics？ Berlin： Springer， 1993： 703-712.
2	ZOMAYA A Y. Handbook of nature-inspired and innovative computing［M］. Berlin： Springer， 2006： 187-219.
3	PAN Y H. Heading toward artificial intelligence 2.0［J］. Engineering， 2016， 2（4）： 409-413.
4	郭斌，於志文. 人机物融合群智计算［J］. 中国计算机学会通迅， 2021， 17：35-40.
	GUO B， YU Z. Crowd intelligence with the deep fusion of human， machine and IoT［J］. Communication of The Chinese Computer Society， 2021， 17：35-40 （in Chinese）.
5	国务院. 新一代人工智能发展规划［EB/OL］. （2017-07-20）［2022-07-25］. .
	Department State. Development plan of new generation AI［EB/OL］. （2017-07-20）. ［2022-07-25］. .
6	WU C， ZHANG T. Intelligent unmanned systems： Important achievements and applications of new generation artificial intelligence［J］. Frontiers of Information Technology & Electronic Engineering， 2020， 21（5）： 649-651.
7	樊邦奎，张瑞雨. 无人机系统与人工智能［J］. 武汉大学学报（信息科学版）， 2017， 42（11）： 1523-1529.
	FAN B K， ZHANG R Y. Unmanned aircraft system and artificial intelligence［J］. Geomatics and Information Science of Wuhan University， 2017， 42（11）： 1523-1529 （in Chinese）.
8	SCHRANZ M， DI CARO G A， SCHMICKL T， et al. Swarm Intelligence and cyber-physical systems： Concepts， challenges and future trends［J］. Swarm and Evolutionary Computation， 2021， 60（2）： 100762.
9	DORIGO M， THERAULAZ G， TRIANNI V. Swarm robotics： Past， present， and future［J］. Proceedings of the IEEE， 2021， 109（7）： 1152-1165.
10	CHEN J， SUN J， WANG G. From unmanned systems to autonomous intelligent systems［J］. Engineering， 2022， 12： 16-19.
11	CHUNG S J， PARANJAPE A A， DAMES P， et al. A survey on aerial swarm robotics［J］. IEEE Transactions on Robotics， 2018， 34（4）： 837-855.
12	DORIGO M， THERAULAZ G， TRIANNI V. Reflections on the future of swarm robotics［J］. Science Robotics， 2020， 5（49）： eabe4385.
13	HAMANN H. Swarm robotics： A formal approach［M］. Berlin： Springer， 2018：6-8.
14	武文亮，周兴社，沈博，等. 集群机器人系统特性评价研究综述［J］. 自动化学报， 2022， 48（5）： 1153-1172.
	WU W L， ZHOU X S， SHEN B， et al. A review of swarm robotic systems property evaluation research［J］. Acta Automatica Sinica， 2022， 48（5）： 1153-1172 （in Chinese）.
15	ZHANG K， YANG Z， BASAR T. Multi-agent reinforcement learning： A selective overview of theories and algorithms［M］. Hanadbook of Reinforcement Learning and Control. Berlin： Springer， 2021：321-384.
16	KAELBLING L P. The foundation of efficient robot learning［J］. Science， 2020， 369（6506）： 915-916.
17	TURING A M I Computing machinery and intelligence［J］. Mind， 1950， LIX（236）： 433-460.
18	LI L， ZHENG N N， WANG F Y. A theoretical foundation of intelligence testing and its application for intelligent vehicles［J］. IEEE Transactions on Intelligent Transportation Systems， 2021， 22（10）： 6297-6306.
19	国家自然科学基金委员会. 人工智能挑战性科学难题及颠覆性技术［EB/OL］. （2019-01-04）［2022-07-25］. .
	National Natural Science Foundation. Challenging scientific problems and disruptive technologies of AI ［EB/OL］. （2019-01-04）［2022-07-25］. （in Chinese）.
20	国家标准化管理委员会，中央网信办，国家发展改革委，等. 国家新一代人工智能标准体系建设指南［EB/OL］. （2020-07-27）［2022-07-25］. .
	National Standardization Management Committee， Central Network Information Office， National Development and Reform Commission， et al. Construction guidelines of national new generation AI standard system［EB/OL］. （2020-07-27）［2022-07-25］. （in Chinese）.
21	DEFENSE O. Unmanned aircraft systems roadmap 2000-2025［R］. Washington DC： Department of Defense， 2000.
22	DEFENSE O. Unmanned aerial vehicles roadmap 2002-2027［R］. Washington DC： Department of Defense， 2002.
23	DEFENSE O. Unmanned aircraft system roadmap 2005-2030［R］. Washington DC： Department of Defense， 2005.
24	CLOUGH B. Metrics， schmetrics！ How do You track a UAV’s autonomy？： AIAA-2002-3499［R］. Reston： AIAA，2002.
25	SHOLES E. Evolution of a UAV autonomy classification taxonomy［C］∥ 2007 IEEE Aerospace Conference. Piscataway： IEEE Press， 2007： 1-16.
26	SHERIDAN T B. Automation， authority and angst—revisited［C］∥1991 Proceedings of the Human Factors Society Annual Meeting. San Francisco： Human Factors & Ergonomics Society Press， 1991： 2-6.
27	HUANG H M， PAVEK K， ALBUS J， et al. Autonomy levels for unmanned systems （ALFUS） framework： An update［C］∥ Defense and Security. San Francisco： SPIE， 2005： 439-448.
28	YOUNG L， YETTER J， GUYNN M. System analysis applied to autonomy： Application to high-altitude long-endurance remotely operated aircraft： AIAA-2005-7103［R］. Reston： AIAA， 2005.
29	陈宗基，魏金钟，王英勋，等. 无人机自主控制等级及其系统结构研究［J］. 航空学报， 2011， 32（6）： 1075-1083.
	CHEN Z J， WEI J Z， WANG Y X， et al. UAV autonomous control levels and system structure［J］. Acta Aeronautica et Astronautica Sinica， 2011， 32（6）： 1075-1083 （in Chinese）.
30	王越超，刘金国. 无人系统的自主性评价方法［J］. 科学通报， 2012， 57（15）： 1290-1299.
	WANG Y C， LIU J G. Autonomy evaluation method of unmanned system［J］. Chinese Science Bulletin， 2012， 57（15）： 1290-1299 （in Chinese）.
31	ZHANG T， LI Q， ZHANG C S， et al. Current trends in the development of intelligent unmanned autonomous systems［J］. Frontiers of Information Technology & Electronic Engineering， 2017， 18（1）： 68-85.
32	段海滨，范彦铭，魏晨，等. 群体熵：一种群体智能行为的量化分析工具［J］. 中国科学（信息科学）， 2020， 50（3）： 335-346.
	DUAN H B， FAN Y M， WEI C， et al. Swarm entropy： A quantitative analysis tool for swarm intelligence behaviors［J］. Scientia Sinica （Informationis）， 2020， 50（3）： 335-346 （in Chinese）.
33	CHAITIN G J. Algorithmic information theory［M］. Cambridge： Cambridge University Press， 2004：179-196.
34	CHAITIN G J. Gödel’s theorem and information［J］. International Journal of Theoretical Physics， 1982， 21（12）： 941-954.
35	LEGG S， HUTTER M. Universal intelligence： A definition of machine intelligence［J］. Minds and Machines， 2007， 17（4）： 391-444.
36	CHOLLET F. On the measure of intelligence［DB/OL］. arXiv preprint： 1911.01547， 2019.
37	郑志明，吕金虎，韦卫，等. 精准智能理论：面向复杂动态对象的人工智能［J］. 中国科学：信息科学， 2021， 51（4）： 678-690.
	ZHENG Z M， LYU J H， WEI W， et al. Refined intelligence theory： Artificial intelligence regarding complex dynamic objects［J］. Scientia Sinica （Informationis）， 2021， 51（4）： 678-690 （in Chinese）.
38	罗杰，姜鑫，郭炳晖，等. 群体智能系统的动力学模型与群体熵度量［J］. 中国科学：信息科学， 2022， 52（1）： 99-110.
	LUO J， JIANG X， GUO B H， et al. Dynamic model and crowd entropy measurement of crowd intelligence system［J］. Scientia Sinica （Informationis）， 2022， 52（1）： 99-110 （in Chinese）.
39	IANTOVICS L B， EMMERT-STREIB F， ARIK S. MetrIntMeas a novel metric for measuring the intelligence of a swarm of cooperating agents［J］. Cognitive Systems Research， 2017， 45： 17-29.
40	WANG X H， ZHANG Y， WANG L Z， et al. Robustness evaluation method for unmanned aerial vehicle swarms based on complex network theory［J］. Chinese Journal of Aeronautics， 2020， 33（1）： 352-364.
41	HECKER J P， MOSES M E. Beyond pheromones： Evolving error-tolerant， flexible， and scalable ant-inspired robot swarms［J］. Swarm Intelligence， 2015， 9（1）： 43-70.
42	杨伟. 关于未来战斗机发展的若干讨论［J］. 航空学报， 2020， 41（6）： 524377.
	YANG W. Development of future fighters［J］. Acta Aeronautica et Astronautica Sinica， 2020， 41（6）： 524377 （in Chinese）.
43	CHEN T Q， GUESTRIN C. XGBoost： A scalable tree boosting system［C］∥ Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2016： 785-794.
44	ZHENG L M， YANG J C， CAI H， et al. MAgent： A many-agent reinforcement learning platform for artificial collective intelligence［DB/OL］. arXiv preprint： 1712.00600， 2017.

E-mail：hkxb@buaa.edu.cn

关于我们

期刊社服务

专业学科

封面文章

友情链接

主管单位：中国科学技术协会主办单位：中国航空学会北京航空航天大学

等级	等级命名	群体观察	群体判断	群体决策	群体执行
1	团队协调	感知内部基本的运行状态信息与外部静态目标等环境信息	内部基本运行状态信息与外部静态目标等环境信息预测	简单动作行为协调	内部避碰，故障隔离，完成简单指派任务
2	行为规划	感知外部动态目标等环境变化信息	外部动态目标等可变环境信息预测	简单动作行为规划	外部动态目标规避，故障修复，完成简单指派任务
3	任务重构	识别外部动态目标等关键的场景元素	外部动态目标等关键的场景元素评价	简单突发任务决策	追踪动态目标，完成简单突发任务
4	合作博弈	辨识外部动态目标等关键的场景元素	外部动态目标等关键的场景元素行为推理	复杂突发任务决策	完成复杂突发任务
5	协同认知	认知外部动态目标等重要的场景元素	交互策略推理	长远目标任务决策	完成长远目标任务
6	群体理智	认知与预测所有场景元素	交互战略判断	完全自主战略意图制定	完成长远战略任务

群体能力	行为能力	复合能力	原子能力	评价参数
群体聚合能力C_s	群体观测能力C_sob	群体感知能力C_sse	个体感知能力集合｛C_ise｝	感知频率，感知距离，感知类型，感知精度
		群体通信能力C_scm	个体通信能力集合｛C_icm｝	通信距离，传输速率
		群体载荷能力C_slo	个体载荷能力集合｛C_ilo｝	载荷最大重量，最长时间，载荷类型
	群体判断能力C_sor	群体计算能力C_scp	个体计算能力集合｛C_icp｝	计算频率，总线频率
	群体判断能力C_sor	群体分析能力C_san	个体分析能力集合｛C_ian｝	分析准确率，分析实时性
	群体决策能力C_sde	群体计算能力C_scp	个体计算能力集合｛C_icp｝	计算频率，总线频率
		群体通信能力C_scm	个体通信能力集合｛C_icm｝	通信距离，传输速率
		群体规划能力C_spl	个体规划能力集合｛C_ipl｝	分析准确率，分析实时性
	群体执行能力C_sac	群体载荷能力C_slo	个体载荷能力集合｛C_ilo｝	载荷最大重量、最长时间，载荷类型
		群体运动能力C_smo	个体运动能力集合｛C_imo｝	上行速度，下行速度，最大水平速度，横轴角，滚轴角
		群体续航能力C_sna	个体续航能力集合｛C_ina｝	当前总能量，个体单位里程能耗

[1]	罗旭东, 吴一全, 陈金林. 无人机航拍影像目标检测与语义分割的深度学习方法研究进展[J]. 航空学报, 2024, 45(6): 28822-028822.
[2]	熊骏, 解相朋, 熊智, 庄园, 郑宇. 基于图模型的无人集群同步自定位与相对定位[J]. 航空学报, 2023, 44(S2): 729708-729708.
[3]	牛皓飞, 蔡庆中, 李健, 杨功流. 基于图优化的通信受限环境下协同导航方法[J]. 航空学报, 2023, 44(11): 327342-327342.
[4]	刘闯, 鱼小军, 张婷, 朱豪坤. 无人集群装备仿真试验关键技术现状及趋势[J]. 航空学报, 2022, 43(S1): 726919-726919.
[5]	向锦武, 董希旺, 丁文锐, 索津莉, 沈林成, 夏辉. 复杂环境下无人集群系统自主协同关键技术[J]. 航空学报, 2022, 43(10): 527570-527570.
[6]	张宏博, 郑联语, 王艺玮. 基于模块服役状态的盒式连接可重构型架稳定性评估方法[J]. 航空学报, 2021, 42(9): 424180-424180.
[7]	何锋, 李二帅, 周璇, 李浩若, 龚子杰. 机载网络时间触发通信调度设计优化与评价方法[J]. 航空学报, 2021, 42(7): 324258-324258.
[8]	贾宝惠, 于灵杰, 蔺越国, 卢翔. 基于AHP-SPA方法的民机修理级别确定综合分析模型[J]. 航空学报, 2017, 38(11): 221130-221130.
[9]	孙智, 孙建红, 赵明, 陈悦. 基于改进PMV指标的飞机驾驶舱热舒适性分析[J]. 航空学报, 2015, 36(3): 819-826.
[10]	张礼学, 王中伟. 平流层飞艇环境适应性评价模型[J]. 航空学报, 2013, 34(4): 719-726.
[11]	陈海;王新民;赵凯瑞;李俨. 基于灰关联层次分析法的无人机自修复控制策略评价[J]. 航空学报, 2010, 31(5): 1030-1037.
[12]	李曙林;杨森;孙冬. 军用飞机环境适应性评价模型[J]. 航空学报, 2009, 30(6): 1053-1057.
[13]	徐嘉. 故障星分布对星座PDOP可用性影响的建模及评价[J]. 航空学报, 2008, 29(5): 1139-1143.

基于群体OODA的无人集群系统智能评价模型及方法

Evaluation models and methods for intelligence of unmanned swarm systems based on collective OODA loop

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 16

参考文献 44

相关文章 13

编辑推荐

Metrics

本文评价