MFPR-ED:一种基于动态贝叶斯网络的多特征概率推理环境决策方法
《INTERNATIONAL JOURNAL OF PRODUCTION ECONOMICS》:MFPR-ED: A Multi-Feature Probabilistic Reasoning Method for Environment Decision based on Dynamic Bayesian Networks
【字体:
大
中
小
】
时间:2026年07月10日
来源:INTERNATIONAL JOURNAL OF PRODUCTION ECONOMICS 10.6
编辑推荐:
袁超|李浩杰|于航|张传豪|张凌云
摘要:在无人机(UAV)的起飞或部署阶段,环境特征通常较为微弱且难以区分,这导致环境识别精度较低,而此时却需要高精度的自主控制。在这种条件下,传统的基于阈值超过时间(TOT)的环境决策方法无法同时确保安全与可靠性。为提升在弱环境条件下的识别能
袁超|李浩杰|于航|张传豪|张凌云
摘要:在无人机(UAV)的起飞或部署阶段,环境特征通常较为微弱且难以区分,这导致环境识别精度较低,而此时却需要高精度的自主控制。在这种条件下,传统的基于阈值超过时间(TOT)的环境决策方法无法同时确保安全与可靠性。为提升在弱环境条件下的识别能力,本文提出了一种基于动态贝叶斯网络(DBN)的多特征概率推理环境识别与决策方法(MFPR-ED)。该方法采用结合DEMATEL、ISM和BIC(DIB)的因果结构建模框架,构建静态贝叶斯网络来描述环境特征与决策参数之间的关系,从而揭示它们之间的因果依赖关系。随后通过敏感性分析,找出对阈值、时间窗口和比率参数有显著影响的关键环境特征,以及影响环境决策结果的主导因素。接着运用网格搜索算法优化TOT决策规则的参数。在此基础上,引入时间约束来构建能够捕捉环境状态时间演化特性的动态贝叶斯网络。进一步整合ECOC-SVM决策机制,实现实时多环境分类。仿真结果表明,所提方法在无人机弱环境条件下可实现97.2%的环境识别精度,相比传统TOT方法提升了3%。同时,状态遗漏检测率从16.5%降至5.0%,误报率从4.6%降至2.6%。通过实验室静态实验和现场动态测试的进一步验证表明,该方法显著提升了复杂飞行环境中的环境决策准确性与稳定性,为无人机的飞行安全、任务转换及自主控制提供了可靠支持。
引言:无人机(UAV)及小型智能飞行平台已成为能够在复杂作业环境中执行多种任务的必备自主系统[1]。它们的可靠运行依赖于对环境条件及内部系统状态的精准实时感知与决策[2][3][4]。在典型的任务周期中,无人机会经历起飞、加速、巡航、机动和着陆等多个飞行阶段,在此期间,机械、热力、磁力和电学等多种物理场会持续作用于机载子系统,产生多种来源且随时间变化的环境激励信号[5][6][7]。这些环境信号可直接反映无人机的运行状态及其状况变化,为任务模式切换、协同控制策略调整以及自主决策的执行提供基础,同时保障飞行安全与系统可靠性。随着无人机应用范围的不断扩大以及作业环境复杂程度的日益增加[8][9],在计算资源有限的条件下实现高度可靠的环境状态识别与实时决策,已成为提升无人机自主性及协同控制能力的重要技术挑战[10][11][12]。
在环境信号处理与状态决策方面,传统方法主要依赖固定决策阈值(FDT)[13]和基于阈值超过时间(TOT)[14][15]等规则驱动的方法。这些方法根据环境信号的统计特性,如幅度和持续时间来确定系统状态,通常依赖于明显的峰值和独特的时序模式[16]。尽管这类方法实现简单且具备良好的实时性能,但其决策参数往往是通过经验确定的,且高度依赖于特征的可分性。因此,只有当环境信号具有明显区分度时,这些方法才能发挥良好作用。在特征较弱或环境复杂的场景下,由于信号幅度较小、状态间差异细微,且测量易受噪声干扰,这类方法的效能就会大打折扣。本研究重点关注无人机的起飞或部署阶段,此时所测得的环境响应幅度通常较低,且不同环境状态下的特征分布存在重叠现象。为便于表述,本文将这种环境条件称为弱启动环境。
为进一步刻画环境特征并丰富环境信号的表征方式,现有研究从时频域和能量域等多个角度提取描述性物理信息,从而提高特征空间中不同环境状态的可分性[17][18][19]。在特征利用方面,研究人员采用扩展卡尔曼滤波器(EKF)融合惯性测量数据以及位置/速度数据等多传感器信息,实现对非线性动态系统的在线状态估计与噪声抑制,进而提升无人机的状态跟踪精度与环境决策的可靠性[20][21]。机器学习方法,如支持向量机(SVM)和CLKAN-RF模型,也被用于实现无人机的实时监控、故障诊断以及参数优化[22][23][24]。此外,时频小波变换、姿态校正和贝叶斯网络等模型也被应用于飞行轨迹预测、姿态修正、风险评估以及作业模式切换,有助于提升无人机的自主飞行能力与系统感知精度[25][26][27][28][29]。
然而,这些方法本质上依赖于具有强可观测性和可分性的环境特征,即不同的系统状态在特征空间中能形成清晰的决策边界。当无人机在特征较弱或环境复杂的条件下运行时,信号差异会减小,特征分布愈发重叠,这使得传统的基于TOT的方法难以同时保持高精度与高稳定性。此外,尽管一些深度学习与集成学习方法能够提升决策性能,但它们较高的模型复杂度[30][31]使得其严重依赖计算资源与训练数据,因此在计算资源有限的机载环境中难以应用。
为应对这些挑战,本文提出了一种基于动态贝叶斯网络的多特征概率推理与实时环境决策方法,即多特征概率推理环境决策方法(MFPR-ED)。该方法针对弱特征及复杂环境条件下状态决策的不稳定性问题,通过构建连接环境特征、识别参数与决策结果的因果结构,并借助敏感性分析和网格搜索技术优化TOT决策规则的参数。在此基础上,引入时间约束来构建动态贝叶斯网络,依据提取的特征对环境状态进行概率推断。该贝叶斯网络的推断结果作为主要决策依据,而优化后的TOT结果则作为辅助依据,共同输出稳定的环境决策结果。与那些依赖高度区分度特征或高复杂度模型的方法相比,所提方法在特征较弱的环境条件下能够实现更高的精度与更好的实时性能。
本研究的主要贡献如下:
(1) 构建了一个贝叶斯网络模型,描述了无人机环境特征、识别参数与实际环境状态之间的关系。提出了基于DEMATEL - ISM - BIC(DIB)的因果结构建模框架,实现对特征变量和TOT参数的结构化建模,明确它们之间的层级关系,并通过交叉验证确保模型的合理性。与传统的基于经验或约束学习的 方法相比,该框架能得到更为合理且客观的贝叶斯网络结构。
(2) 基于构建的贝叶斯网络,通过敏感性分析找出对环境识别结果有显著影响的关键环境特征,以及那些对TOT参数变化敏感的相关特征。随后运用网格搜索方法优化阈值、时间窗口和比率参数,为所提方法的结构设计与参数配置提供依据。
(3) 开发了一种基于动态贝叶斯网络的多特征概率推理与实时环境决策方法,即MFPR-ED方法。基于贝叶斯网络的相关性分析及敏感性分析结果,引入时间约束构建动态贝叶斯网络,对环境状态的演化进行概率推断。进一步结合优化的TOT准则与ECOC - SVM决策机制,为决策提供辅助支持,从而在弱环境条件下提升识别的稳定性与精度。
(4) 设计并实现了用于无人机环境激励特征识别的硬件在环(HIL)仿真平台。通过实验室静态实验、HIL仿真以及现场动态测试,验证了所提方法的可行性与准确性。
本文的其余部分结构如下:第2节介绍研究背景、用于无人机环境识别的贝叶斯网络与动态贝叶斯网络的基本理论,以及环境特征提取方法。第3节阐述所提出的DIB建模框架及其分析结果,随后是对贝叶斯网络的分析以及TOT参数的优化。基于第3节的结果,第4节提出MFPR-ED环境决策方法并评估其性能。第5节通过实验室静态实验和现场动态测试,对所提方法进行实验验证。最后,第6节总结本研究的主要发现,并指出未来研究的潜在方向。图1展示了所提方法的整体框架。
环境识别需求:在无人机的自主任务执行过程中,系统必须根据环境状态确定当前的飞行阶段,进而启用相应的控制策略或任务功能,如图2所示。例如,在任务的起飞、部署或执行阶段,只有当确认无人机已进入稳定的飞行环境后,才会启用相关的控制逻辑或任务模块[32][33][34]。因此,环境识别至关重要。
因果结构建模与分析:在弱启动环境条件下,无人机所处的环境状态表现为特征显著性低、信息不确定性高,且环境状况不断变化,这使得环境识别本质上成为一个与状态转换和时间相关的问题[38][39]。为了在后续的动态识别模型中实现可靠推断,必须在建模阶段对环境特征进行分析,明确特征之间以及特征与环境状态之间的关系。
MFPR-ED方法的设计与验证:第3节通过因果分析建立了环境特征之间的结构关系模型,并构建了描述无人机环境特征、识别参数与实际环境之间关系的贝叶斯网络,从而为弱环境识别提供了理论基础。然而,在实际场景中,环境状态具有明显的时间特征。为进一步提升识别与决策的准确性,在实验验证方面,为无人机弱环境识别设计了实验模块,并构建了硬件在环仿真平台,开展了静态与动态实验。
总结与结论:为满足无人机在弱环境条件下的识别需求,本文提出了一种基于MFPR-ED框架的弱环境识别方法。主要贡献与结论总结如下:
(1) 构建了描述无人机环境特征、识别参数与实际环境之间关系的贝叶斯网络模型,并进行了敏感性分析。分析结果表明,诸如峰值之类的物理激励特征对识别具有重要作用。
CRediT作者贡献声明:袁超:写作——审阅与编辑、写作——初稿撰写、软件工具使用、研究工作、形式分析、数据整理。李浩杰:指导监督、项目管理。于航:写作——审阅与编辑、指导监督。张传豪:写作——审阅与编辑。张凌云:写作——审阅与编辑。
利益冲突声明:作者声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。
致谢:本研究得到了江苏省自然科学基金项目(编号BK20251455)的支持。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号