基于改进DBN的无人机集群任务可靠性评估方法

《Drones》：Mission Reliability Evaluation Method of UAV Swarms Based on an Improved DBN

　　

本文研究了无人机（UAV）集群的动态任务可靠性评估问题。为应对集群系统固有的复杂性和现有静态评估方法的局限性，研究人员提出了一种基于改进动态贝叶斯网络（DBN）的新方法。在DBN的基础上构建了分层隐状态空间，并采用非线性状态转移模型来捕捉性能指标之间的耦合效应以及相关的退化模式。然后，将阶段依赖的观测模型与测量数据相结合，并利用粒子滤波进行在线状态估计。最后，根据估计结果推导出无人机集群的任务可靠性。仿真案例研究证明了该方法的有效性和可行性。

**基于改进动态贝叶斯网络的无人机集群任务可靠性评估方法解读**

**一、研究背景与问题**

随着无人机（UAV）技术的快速发展，无人机集群凭借自主协同、集体智能和高效联动，已成为重要的作战与应用形式。然而，现代应用模式正从单设备操作快速演变为协同系统运作，整体作战性能越来越依赖于通过多设备互联合作构建的协同网络。对于无人机集群，可靠性研究的焦点已从“以平台为中心”转向“以任务为中心”。现有研究虽在集群任务可靠性评估方面取得了显著进展，但普遍存在局限性：大多数方法基于投票分析或面向作战任务的设计优化，本质上执行静态的预先最优方案搜索，无法应对任务执行过程中对抗强度的实时变化；多数模型难以捕捉时间依赖性和部分可观测状态，无法处理非马尔可夫故障传播和不确定时延的退化过程；多个不确定性源的联合传播缺乏统一的概率推理框架，且评估结果多为点估计或简化的区间值，缺少动态不确定性量化信息（如随时间演变的置信区间和预测概率分布），严重限制了其对指挥决策的支持能力。

动态贝叶斯网络（DBN）作为时间概率图建模的强大工具，能够自然地捕捉状态变量随时间演变的条件依赖关系，支持部分可观测下的滤波与预测，并允许将重构策略作为决策节点纳入统一框架。因此，本研究提出一种融合数据驱动学习与自适应滤波的无人机集群动态任务可靠性评估方法。

**二、主要关键技术方法**

研究人员采用了以下关键技术方法：
（1）基于杀伤链（kill-chain）理论构建了三层综合评价指标体系，涵盖5个二级指标（侦察、定位、决策、打击、评估任务可靠性）和21个三级底层指标。
（2）改进的动态贝叶斯网络（DBN）方法，包括非线性非高斯状态转移模型（融合平滑惩罚函数、Sigmoid增强函数和子系统反馈耦合）以及阶段依赖的异方差观测噪声模型。
（3）粒子滤波（PF）推理框架，结合扩展卡尔曼滤波（EKF）建议分布、自适应噪声调整机制、KLD自适应粒子数管理和自适应重采样。
（4）基于CRITIC方法的指标权重计算和动态加权总体可靠性聚合策略。
仿真案例基于MATLAB R2022a平台，模拟了突发滑坡后的无人机集群任务场景（包括侦察、通信中继、打击无人机），执行1000次蒙特卡洛（Monte Carlo）独立运行，采集3000秒内每5秒的时序数据。

**三、研究结果**

**3.1 仿真执行与结果处理**
研究人员依据任务场景建立了仿真模型，初始化了4架侦察无人机、3架通信中继无人机和10架打击无人机，随机故障时间按各自类型服从指数分布。通过位置更新、故障判定和阶段任务执行，生成了600个时间点的数据。对所有1000次运行在相同时点取平均，并进行范围归一化、成本型指标处理和全局幂变换（非线性缩放），得到标准化观测值。

**3.2 基于改进DBN的评估计算**
将标准化观测值输入改进DBN模型，模型参数按表1设置。评估结果表明：在该任务场景下，无人机集群的侦察、打击和战损评估子任务处于失败状态（可靠性<0.5），其余子任务达到可靠水平（≥0.7），但总体任务可靠性持续偏低。子任务可靠性演化曲线显示两个明显的转折点（时间步300和500）：初始阶段侦察可靠性低并下降，因侦察无人机接近目标进入电子干扰区域；后期系统自适应调整后定位误差减小，可靠性提升。时间步300进入决策阶段，侦察和定位可靠性有所改善，决策可靠性达到较高水平。时间步450进入打击阶段，各子任务可靠性趋势一致且相互影响。时间步500进入评估阶段，作战环境改善，威胁强度下降，评估可靠性较高。

**3.3 对比分析**
为验证改进DBN的优越性，研究人员与标准DBN（使用引导粒子滤波、固定粒子数、固定观测噪声，无自适应机制）进行了对比。性能指标显示：改进模型的平均绝对误差（MAE）和均方根误差（RMSE）均优于标准模型（MAE约降低33%，RMSE约降低35%），且改进模型的标准差极小（0.0001），表明自适应机制有效抑制了随机性引起的性能波动。绝对误差比较图显示改进模型误差在0.0-0.25之间，波动更小。统计显著性检验（20次独立实验）证实差异非随机。

**3.4 敏感性分析**
对关键参数（幂变换指数α、混合系数β、提议增益proposal_gain、初始观测噪声标准差、初始过程噪声标准差）进行了单变量扰动分析。改进模型的MAE曲线始终低于标准模型且波动更小，对α和初始观测噪声标准差鲁棒性强（曲线平坦），提议增益呈现U型变化，存在最优值范围。

**四、讨论与结论**

在讨论部分，研究人员指出本模型仍存在局限性：阶段时间窗和各阶段基线权重向量预设为固定值，缺乏在线识别任务进程和自适应调整权重的能力；粒子滤波因包含EKF建议分布、数值雅可比矩阵和KLD自适应等模块，单步计算成本较高，在大规模集群或高频更新场景下在线部署存在挑战；模型使用平滑连续函数描述退化，未考虑突发故障或通信中断后恢复等离散突变情景。未来研究可进一步优化模型自适应调整能力，拓展其对多场景任务的适应性，并增强工程应用价值。

研究结论部分原文翻译如下：
无人机集群的任务可靠性源于个体单元性能与协同因素之间的相互作用，其动态性、相互依赖性和涌现性对评估方法的动态适应性提出了更高要求。为应对集群系统的非线性非高斯演化特性和多阶段任务场景，本文构建了基于动态贝叶斯网络和粒子滤波的分层可靠性评估框架。设计了包含21个三级指标和5个二级指标的两层状态系统，采用融合平滑惩罚、Sigmoid增强和子系统反馈的非线性状态转移模型来捕捉指标间的耦合关系，引入结合改进建议分布和自适应噪声机制的粒子滤波算法进行实时状态推理，并采用阶段敏感的动态加权策略聚合总体可靠性。仿真实验验证了该方法的可行性，并初步表明所提框架在动态场景下的估计精度优于标准粒子滤波。本研究为集群动态可靠性评估提供了一种新的建模范式。