基于风险驱动协同点分配的多UUV（Unmanned Underwater Vehicle）协同围堵方法

《Journal of Marine Science and Engineering》：Multi-UUV Encirclement with Risk-Driven Coordination Point Allocation

　　

摘要：利用多艘无人水下航行器（UUV/Autonomous Underwater Vehicle, AUV）进行协同围堵是水下基地防御中的关键任务，但现有方法通常依赖静态风险规则，无法动态融合多源信息，且将协同点（Coordination Point）分配与实时风险评估解耦，限制了其在对抗态势演化下的自适应响应能力。为解决上述局限，研究人员提出了一种用于协同点分配的连续风险驱动自适应加权策略（Continuous Risk-Driven Adaptive Weighting Strategy），该策略将评价指标权重表示为实时贝叶斯风险强度（Bayesian Risk Intensity）的光滑函数，实现时间效率导向与同步导向围堵模式间的无缝切换，无需离散跳变。该策略嵌入一个闭环决策框架中，框架集成了用于动态风险量化的贝叶斯网络（Bayesian Network, BN）和用于保证从接近阶段至任务完成阶段连续可执行性的在线角点部署模型（Online Corner-Based Deployment Model）。仿真实验验证所提框架能在任务全程动态风险演化过程中确保稳定、自适应的围堵。相较于贪婪优先级分配（Greedy Priority-Based Allocation）和时间均衡分配（Time-Balance Allocation）两种传统基线方法，所提策略分别减少任务完成时间最高达22.8%和9.5%，表明其在动态不确定环境中具有较强鲁棒性。

论文解读：基于风险驱动协同点分配的多UUV协同围堵方法

研究背景与意义

在水下基地防御任务中，多UUV（Unmanned Underwater Vehicle，亦称AUV/Autonomous Underwater Vehicle）协同围堵（Encirclement）入侵目标是典型应用场景。现有研究存在三方面不足：一是风险评估多采用静态规则，难以融合多源不确定信息并量化置信度；二是协同点（Coordination Point，即围堵阵位）分配与实时风险评估解耦，无法根据威胁等级动态调整优化目标（如偏向快速抵达或同步抵达）；三是位姿调整（Position Adjustment/Occupied Attack Planning）与上层分配割裂，目标运动可能导致指定阵位在UUV抵达时几何不可行。为解决上述问题，研究人员构建了一种将贝叶斯威胁评估、风险驱动自适应协同点分配与在线可达域分析相耦合的闭环自主决策框架，实现从态势感知到最终打击执行的连续可行性保障。该论文发表于《Journal of Marine Science and Engineering》(JMSE)。

主要关键技术方法

研究人员采用以下关键方法开展研究：①基于贝叶斯网络（Bayesian Network, BN）的动态风险评估模块，融合目标航向偏差角、距防护区距离、可参战UUV数量N_avail、受威胁UUV占比ρ及目标速度v_t五个风险因子，通过条件概率表（Conditional Probability Table, CPT）推理输出高/中/低风险后验概率分布并取最大后验概率（MAP）为判定结果；②连续风险驱动自适应加权协同点分配策略（Strategy Five），构造连续风险强度变量R_risk（由BN输出的各类别概率加权求和），将时间效率指标权重设为R_risk的单调增函数、协同同步指标权重设为单调减函数、机动与安全指标权重固定，经归一化后对候选分配方案进行多准则综合评价择优；③基于角点（Corner-Based）载荷部署模型的在线位姿调整模块，分析UUV可达区域（Reachable Region）与载荷有效作用包络（Feasible Deployment Envelope），判别即时执行（Immediate Execution）、需占位调整后执行（Occupied Attack Feasible）或不可行三种状态并计算占位点参数；④端到端仿真对比贪婪优先级分配（Strategy One）、时间均衡分配（Strategy Two）、分段风险加权分配（Strategy Three）、规则约束加权分配（Strategy Four）及所提连续风险驱动分配（Strategy Five）。

研究结果

3.1. 考虑目标意图的多UUV协同响应风险等级评估

研究人员选取目标航向偏角Δψ（与防护区连线和目标航向夹角，越小越危险）、目标距防护区距离d_T（越近越危险）、可发动攻击的协作UUV数N_avail（越多风险越低）、处于目标作用范围内的协作UUV占比ρ（越高越危险）及目标速度v_t（越快越危险）五项因子，离散化为L/M/H三级输入BN叶节点，根节点为威胁等级TL∈{L,M,H}。通过联合概率分解P(TL,各因子)=P(TL)∏P(因子|TL)及junction tree算法精确推断后验概率P(TL|证据)。结论：BN能有效融合多源不完全信息并在各典型对抗场景下输出与战术判断一致的威胁等级，支持后续连续风险强度R_risk=Σ_iP(TL=i)·w_i（i=H,M,L）的计算。

3.2. 协同点自适应分配方法设计

围堵协同点均匀分布于以目标为中心、以载荷最大射程R_max为半径的球面上，含优先拦截点A1（目标—基地连线上靠基地侧）及两侧对称点A2、A3。构建含到达时间J1~J2、时间均衡J3、航向调整负担J4~J5、航程J6~J7、安全距离J8~J9等九项指标的综合评价体系。Strategy Five定义w_time-eff(R_risk)∝R_risk，w_sync(R_risk)∝(1?R_risk)，w_{maneuver&safety}=const，归一化后计算各分配方案综合评价值F=Σw_i·rank_ij并选最优。结论：连续映射避免了分段阈值法（Strategy Three/Four）在风险过渡区间的权重跳变与阵位反复重分配（Reassignment）及路径回溯（Backtracking），高风险时侧重最快抵达关键拦截点A1，低风险时侧重多UUV同步抵达，中间状态平滑过渡。

3.3. 位姿调整的优化设计

基于角点（Corner-Based Payload Deployment）模型分析相对运动，确定UUV可达区域为相对速度矢量构成的锐角区；载荷可行域为圆心在预期命中点、半径R_max的圆域（满足‖P_launch?P_impact‖≤R_max且命中时间兼容目标—载荷速度比μ=v_t/v_w<1）。若当前位置在可行域内则立即发射（Immediate Execution）；否则求解最小时间占位点P_occ使UUV沿直线以v_UUV抵达后发射可命中目标（Occupied Attack）；若无解则标记不可行。结论：该模块与上层BN评估—协同点分配形成闭环，确保分配阵位在UUV实际抵达时仍满足几何—运动学可行性，消除"分配到但打不到"的问题。

仿真结果（Section 4）

在高(H)、中(M)、低(L)风险BN评估结果下分别运行五种策略，记录最优分配方案、重分配次数、是否出现路径回溯及围堵完成时间。Strategy One无风险适配，完成时间0.135 h；Strategy Two仅优化时间均衡，完成时间0.116 h；Strategy Three分段加权引发两次重分配与回溯，完成时间0.136 h；Strategy Four与Five均仅一次无回溯重分配，完成时间0.105 h。Strategy Five相较Strategy One、Two、Three任务完成时间分别缩短约22.2%、9.5%、22.8%。灵敏度分析显示权重敏感系数α在±40%范围内波动时最优方案选择保持稳定。

讨论与结论翻译（Section 5 Discussion & Section 6 Conclusions）

讨论指出：BN威胁评估在各高/中/低典型场景下输出符合战术预期；连续风险驱动加权策略对系数扰动具鲁棒性；分段加权（Strategy Three）因离散跳变致额外重分配降低效率；连续映射（Strategy Five）克服此缺陷且在通信暂断时可维持上一周期分配直至链路恢复。目前局限包括对目标状态完全已知假设、权重系数为专家预设未自主学习、目标机动性仅用速度简化表示、以及单目标有限UUV数的场景适用性。未来拟引入EKF/粒子滤波进行状态估计、在线学习校准权重、扩展至多目标多入侵者及复杂目标机动。

结论翻译：本研究针对单目标多UUV协同围堵问题构建了闭环决策流程以解决静态风险评估、协同点分配与态势脱节及位姿调整不可执行三类缺陷。首先，贝叶斯网络融合五项因子动态输出高/中/低风险概率分布，体现对抗风险为多维度需持续更新的信念状态而非固定阈值。其次，多准则协同点分配之权重随风险态势连续光滑调节，证明速度—同步权衡应为风险强度的连续统而非固定择一。第三，基于角点部署模型的在线占位求解通过可达域与载荷包络校验确保分配与物理执行间几何一致性。集成框架使围堵阵形随风险演化自适应调整，较传统基线最高缩短任务完成时间22.8%，提升成功率、响应速度与到达一致性。确认将风险感知与行动选择闭环耦合是实现自适应性能的关键——不仅是增加算力，而是结构性联结感知与决策。