基于DBN跟踪、Vieta排序与距离融合的UUV集群威胁评估

《Journal of Marine Science and Engineering》：UUV Swarm Threat Assessment via DBN Tracking, Vieta Ranking, and Distance Fusion

　　

在复杂海洋环境中作业的无人水下航行器（UUV）集群必须准确评估周围目标的威胁，以确保任务成功和航行安全。然而，现有威胁评估方法应用于水下集群时面临三个基本瓶颈：无法跟踪随时间演变的目标意图，多目标排序依赖主观指标加权，以及易受空间异构声纳噪声的影响。本文提出了一种分层威胁评估框架，通过三个集成模块解决上述瓶颈。首先，采用带有专门设计的航向因子的动态贝叶斯网络（DBN）随时间跟踪目标意图，在连续观测中传播威胁概率，并在最接近点之前实现早期预警。其次，基于Vieta定理的代数排序算法通过六个指标效用的初等对称多项式构造综合威胁向量，避免了多属性排序阶段显式的专家定义权重系数，同时捕获了指标的独立与协同交互作用。第三，距离加权集群聚合策略通过为地理上更近的节点分配更高的融合权重来抑制个体声纳噪声，利用集群配置中固有的空间多样性。在代表性目标运动场景下的仿真实验通过四项互补实验研究验证了该框架。结果表明，与静态贝叶斯网络相比，DBN将输出方差降低了超过56%，并在15秒内响应突发意图变化。代数排序算法在不需任何手动或数据依赖权重的情况下实现了与TOPSIS相同的优先级排序。距离加权聚合相比等权平均将均方根误差降低了63.2%，信噪比提高了8.7分贝。所提出的框架为代表性水下集群场景中基于仿真的自主威胁感知提供了一种有原则且可解释的解决方案。

**论文解读：基于DBN跟踪、Vieta排序与距离融合的UUV集群威胁评估框架研究**

**一、研究背景与问题提出**
论文发表于《Journal of Marine Science and Engineering》。研究指出，无人水下航行器（UUV）已成为海洋科学探索、资源开发及基础设施维护的关键装备，其任务模式正从单平台向多UUV集群协同作业转变。在复杂海洋环境中，UUV集群需实时评估周围目标（如敌方潜艇、商用船舶、海洋哺乳动物和漂移障碍物）的潜在威胁，以保障航行安全与任务执行。然而，现有威胁评估方法面临三大关键瓶颈：
第一，"动态意图漂移"问题。水下目标在三维且受海流影响的环境中具有高机动性，其意图随时间演变，但多数现有方法（如标准贝叶斯网络BN）基于静态快照进行推理，无法捕获目标机动的时间演化过程。尽管已有动态贝叶斯网络（DBN）被用于空中目标跟踪，但其依赖的运动学特征在水下声学环境中因传播延迟而可靠性较低，且缺乏专门处理水下"接近-离开"歧义的模型设计。
第二，"主观加权困境"问题。当多个威胁同时出现时，传统多属性决策（MADM）方法如TOPSIS、层次分析法（AHP）和模糊综合评价，需要预设指标权重（如距离与速度的相对重要性），这种主观性在不可预测的水下任务中可能失效，且加权求和形式无法显式表达指标间的非线性交互效应。
第三，"空间噪声异质性"问题。集群中各UUV节点的声纳探测受多径传播、热噪声和海洋混响影响严重，而现有融合策略通常对各节点等权处理或使用预设权重，未充分利用观测可靠性与目标距离之间的空间相关性——即更接近目标的节点通常具有更高的信噪比（SNR）。
针对上述瓶颈，研究提出了一种层级式威胁评估框架，将评估过程解耦为"时间意图推理"与"空间多属性排序"两个层面。

**二、关键技术方法**
研究采用三项核心技术：
1. **动态贝叶斯网络（DBN）意图跟踪模块**：构建一阶马尔可夫DBN，引入专门设计的航向因子（heading factor），利用目标速度在目标到主机视线向量上的归一化投影，区分接近、离开与横向运动，仅通过位置测量即可消除水下声学中难以直接测距率的接近-离开歧义。观测变量包括距离、速度和航向因子，隐状态为目标威胁意图（干扰/非干扰），通过前向滤波递归更新威胁概率。
2. **基于Vieta定理的代数排序算法**：针对六个威胁指标（距离、速度、航向因子、加速度、载荷量、攻防效能），先通过单调递增函数将各指标映射为效用值，再利用Vieta公式构造初等对称多项式作为综合威胁向量的分量，最后采用字典序比较规则对多个目标进行排序，全程无需任何人工或数据依赖的权重系数。
3. **距离加权集群聚合策略**：对于检测到同一目标的多个UUV节点，采用反距离加权规则，为地理上更接近目标的节点分配更高融合权重，从而抑制远处低信噪比节点噪声的影响。该方法无需训练或标定，物理可解释性强。
样本数据为合成轨迹与仿真观测，未使用实测野外数据。

**三、研究结果**
仿真实验在代表性目标运动场景下展开，涵盖四个互补的实验研究：
1. **DBN意图跟踪性能**：在匀速直线运动场景下（高速8 kn与低速4 kn），DBN产生平滑的单峰威胁概率曲线，峰值出现在最接近点（CPA）之前，实现早期预警；高速目标峰值概率为0.82，低速目标为0.71。相比静态BN，DBN将输出方差降低超过56%（高速）和61%（低速），静态BN在离开阶段出现明显振荡且倾向于高估威胁（峰值高出0.09~0.14）。
2. **距离加权集群聚合噪声抑制**：五艘红方UUV围绕基地部署，目标以4 m/s直线运动。距离加权聚合相比等权平均将均方根误差（RMSE）从0.114降至0.042（降低63.2%），信噪比（SNR）从6.3 dB提升至15.0 dB（提升8.7 dB）。等权平均在目标距离较远时因低信噪比节点权重过大而产生明显偏差。
3. **多目标排序与TOPSIS对比**：三个配置不同威胁指标的目标，Vieta方法生成的排序与TOPSIS完全一致。其中，航向因子效用差异是区分目标威胁等级的主导因素。Vieta方法无需计算权重即可得出与TOPSIS相同的排序，证明了其客观性与一致性。
4. **突发意图反转鲁棒性测试**：目标以6 kn速度沿30°接近角向基地航行，200 s时突然转向180°。DBN在转向后15 s内将威胁概率降至0.25以下，而静态BN需35 s；转向后DBN输出方差为0.012，静态BN为0.041，降低超过70%。
此外，工程鲁棒性测试表明，在降低观测频率至10 s、测距误差增加至2%并加入10%随机丢包的情况下，DBN输出方差从0.0022增至0.0038，峰值概率保持0.968，表现出算法级稳定性。计算基准测试显示，DBN前向滤波每观测更新平均耗时约0.0098 ms，远低于5 s的传感周期。

**四、讨论与结论**
讨论部分指出，DBN相比静态BN的优势源于一阶马尔可夫转移结构，其能够整合历史与当前信息，在观测矛盾时快速修正信念，而静态BN缺乏时间平滑机制。Vieta代数排序通过初等对称多项式自然嵌入指标间的非线性交互信息（如中等距离、高加速度与敌对航向的协同效应），这是线性加权方法无法实现的。距离加权聚合策略利用集群固有的空间多样性，符合声纳探测SNR随距离衰减的物理规律，且计算开销极低。
研究结论部分指出：DBN意图跟踪模块在代表性条件下表现出优于静态BN的时间稳定性与响应速度，输出方差降低超56%，突发意图变化响应时间为15 s；Vieta代数排序算法实现了与TOPSIS一致的多目标排序，无需任何手动或数据依赖权重，且可解释性强；距离加权聚合策略相比等权平均将RMSE降低63.2%，SNR提升8.7 dB。研究同时指出局限性：当前验证基于代表性合成运动模式而非目标特定动态模型，通信延迟、执行器动力学等下游因素未显式建模，未来将开展深度强化学习自适应参数学习、端到端联合优化及湖上/水池现场试验，以弥合理论开发与实际部署之间的差距。