李静1,2, 唐振民2, 谭业发1, 石朝侠2
(1.解放军理工大学 野战工程学院，江苏 南京 210007； 2.南京理工大学 计算机科学与工程学院，江苏 南京 210094)
摘要：自主性是无人系统最为重要的性能指标之一,在对美国陆军无人地面车辆发展进行分析的基础上，以无人地面车辆自主性能力作为总体评价目标，从体现其自主性应具备的能力要素出发，分为感知能力、规划能力、运动控制能力、行为能力和学习能力5个评价方面，每个评价方面又包含多个能力因素，以此建立无人地面车辆自主性评价指标体系。
关键词：无人地面车辆; 自主性评价; 指标体系
0引言
地面无人系统在军事上称作无人地面车辆(Unmanned Ground Vehicle，UGV)，其能够在各种地面环境中无须人工干预，连续、自主地完成任务［1］。海湾战争以来，以无人机和无人车为代表的无人系统在战争中的作用日益凸显，对国防、社会、经济和科学技术产生了重大影响。美国于2000~2013年间连续发布了7个版本的无人系统路线图，不断调整美军无人系统的近、远期发展目标，将其作为未来作战系统的一部分，用于后勤运输和战备补给，或在遂行侦查、监视、目标获取及单兵作战等军事任务中应用［24］。
1自主性概念
自主性是无人系统最重要的性能指标之一,一般采用无人系统自主性级别工作组（ALFUS）给出的定义，即自主性是无人系统在预定任务目标实现过程中感知、理解、分析、交流、规划及决策制定与执行的能力［56］。当前，无人系统自主性研究已成为各国关注的热点问题，如李一波等人提出的四指标模型［7］,王越超等人采用的蛛网模型［8］,杨哲等采用的模糊评价方法［9］，都是对ALFUS工作组三因素评价模型的扩展。在现场比赛中一般以是否完成单项任务、完成任务的总数和完成时间作为评价和打分依据，如“2014中国智能车未来挑战”大赛和“跨越险阻-2014”地面无人平台挑战赛，这种方法直观、易操作，但很难全面地评价无人地面车辆的自主性能力。
2无人地面车辆自主性能力指标分解
无人地面车辆利用安装在不同部位的传感器来感知周围环境，获得道路、自身位姿、障碍物和背景环境等信息，经数据融合建立环境模型，进行实时任务和路径规划，最终通过转向和速度控制实现系统安全、可靠地运行［10］。鉴于智能技术、传感器技术、数据融合技术等的发展现状，战时环境下的自主性能力仍处于研究初期，有些能力只能以是否具备作为评价标准。因此，本文按层次分析法理论要求，以无人地面车辆自主性能力作为评价目标，从体现其自主性应具备的能力要素出发，分为感知能力、规划能力、运动控制能力、行为能力和学习能力5个评价方面，如图1所示，更加符合技术发展的要求。
2.1感知能力
在感知过程中，无人地面车辆对多传感器信息进行融合，信息包括道路边界、障碍物、交通信号和标识、路侧环境、天候环境等，并能在越野环境中检测、定位、测量和分类地表物体和环境，判断可通过性，为规划提供依据，如图2所示。
2.1.1环境感知
自然界的道路复杂多变，有标准的等级公路、规范的城市道路、路况较差的乡村道路、依地形建设的道路以及无路的野外环境，这些环境与地形、气候、天气状况、电磁辐射等共同构成了无人地面车图2感知能力指标的分解辆的工作环境。对工作环境的充分感知，做出避障策略，控制车辆行为，体现了无人地面车辆的自主性。
(1)道路跟踪
道路跟踪是以一定速度行驶时检测和跟踪道路边缘等特征的能力，同时具备能以及时采取制动行为或避开障碍的速度行驶时检测障碍的能力［2］。无人地面车辆通过在结构化道路环境中跟踪车道线，在非结构化道路环境中跟踪分割的道路边界，在越野环境中跟踪规划好的、受一定约束（战术要求、地形限制等）的轨迹路径，完成自主行驶。
(2)检测正负障碍
以一定速度（40 km/h以上）检测障碍体现了系统的能力，速度越快检测难度越大［10］。负障碍检测仍然是无人地面车辆的挑战，包括凹坑深度、水深等。
(3)地形分类
地形分类能力主要面对越野环境。越野环境不同于无人地面车辆的常规工作环境，是一种自然地理环境，涉及植被、坡地、凹坑、岩石、沙地、沼泽地、河流等天然地形［1112］。无人地面车辆在未知、复杂的越野环境中执行任务，就必须能够实时检测各种地表障碍物的几何特征和空间三维信息并加以分类，判断可通行区域，以规划出一条安全通路［2］。
(4)植被分类
无人地面车辆在有路环境中要能分割道路与植被边界，区分车道内小片植被；在越野环境中要能估计植被的高度、密度、株距等，判断车辆是否可穿过区域。对于一些细茎的植被，在车辆性能允许的条件下可以推杆，不需进行避让或路径重规划。
(5)动态避碰感知
动态避碰感知能力是指无人地面车辆行驶在道路上，能够检测车道内的行人和车辆，估计自身和障碍的位置和速度，识别交通信号和标识，融入车流，保持安全行驶。其中自动目标识别能力ATR［2］（区分敌友、非作战人员和车辆的能力，并对危险进行评估）体现无人地面车辆高自主性。
2.1.2全天候感知
对无人地面车辆自主性评价是基于某种任务环境进行的，因此对于天候环境中的气候、季节和一些其他气象条件作为先验信息不列入评价指标体系。主要考虑由图2中列出的天气条件带来的地面覆盖（积水、雪、落叶等）、泥泞、能见度、光照突变等影响。
2.1.3态势感知［13］
态势的若干要素从不同角度和层面体现战场态势的内容。
(1)作战环境要素感知
作战环境要素感知包括之前环境感知的所有内容，还包括在战时环境中对特殊障碍（武装军人、装备车辆、炸毁的建筑物和桥梁、掩体等）、作战标识（行进路线标识、军种符号等）等的识别。
(2)力量对比感知
力量对比感知包括对企图、兵力、行动等信息的感知。企图是最难正确推测的要素；兵力可以通过部队编制编成序列、部队部署态势、电磁频谱管理态势等进行估计；行动可以通过生成火力打击态势、侦察态势、装备保障态势、后勤支援态势、兵种协同态势等推测。
(3)社情感知
社情感知是对作战区域内及周边的政治制度、宗教信仰、经济状况、人口素质、生产力水平、能源储备情况等的感知，属战略层的态势感知。
作战目标不同，所关心的战场态势不同，且战场态势的诸项构成要素及其相互关系随作战进程而变化。
2.1.4抗电磁干扰能力
按电磁干扰的种类［14］将无人地面车辆的抗电磁干扰能力分为抗自然电磁辐射能力、抗人为电磁辐射能力和抗敌方电磁辐射能力。
2.2规划能力
规划能力是无人地面车辆实现自主行为，进行任务和路径的有效规划，如图3所示。
2.2.1任务规划
任务规划能力的自主性体现在无人地面车辆根据突发状况进行任务规划与重规划的能力。自主任务规划在战时需要具备军事知识库（战术文件、作战规程等）、态势估计、任务理解和作战知识等［2］，根据需要完成独立行动、编队任务规划和任务重规划。
2.2.2路径规划
路径规划是生成一条从指定起始位置到目标位置并避开环境中障碍的运动轨迹的过程［2］。路径规划算法输入的是标明正、负障碍，给定起点和终点的环境地图，输出的是一组规定了运行轨迹的途经点［10］。
(1)避障路径规划
在无人地面车辆进入工作状态前，结合车辆动力学、已知地形、天候条件等先验知识，识别和理解任务环境，进行全局路径规划，避开有障碍、危险性大、不可通行区域。
(2)局部路径重规划
无人地面车辆的工作环境是部分已知或完全未知，系统必须根据传感器获得的实时信息或战术要求对路径进行调整或重新规划。
(3)多系统多目标路径规划
单系统路径规划已经发展得比较成熟，对于多车多任务的路径规划还处在不断发展中，体现规划能力的高自主性。
2.3运动控制能力
无人地面车辆运动控制分成纵向控制和横向控制［10］，如图4所示。
2.3.1横向控制
在保证车辆行驶平顺性的前提下，无人地面车辆以最短的响应时间通过转向实现精确跟踪期望路径。横向控制过程中需要考虑车辆纵向速度、道路边界和曲率、路侧环境、车辆周围障碍和背景等。
2.3.2纵向控制
在保证动力性的前提下，通过车辆跟踪速度的控制和与前方障碍的间距控制，实现对车辆速度的精确控制。纵向控制过程中需要考虑道路线形、纵坡、能见度改变、前方障碍的速度和位置等。
2.4行为能力
行为是传感和动作在系统中结合的可见行动模式，它可以是天生的、经学习得到的，或者严格说是一种激励的响应［2］。无人地面车辆行为包括战术行为和协作行为，如图5所示，行为能力技术的发展仍处于初级阶段。
2.4.1战术行为［2］
无人地面车辆的战术行为不仅包含一般意义上的行为，还包括基于战术上使用的军事协议的行为。
(1)战术调遣
战术调遣包括单独或编队的行为，利用地形自我隐蔽和逃避、非杀伤性自我保护、占据有利位置等。
(2)对于装备了武器的无人地面车辆，必须具备确定目标、作战和毁伤评估行为。
(3)通信合作能力
无人地面车辆必须知道何时及怎样进行通信，何时报告敌情、请求指挥和火力支援等。
(4)复杂军事作战行为
复杂军事作战行为包括战术规避、生存技术、避免自然危险的损害、能用当地语言与居民交流等。
2.4.2协作行为
人机协作或系统协同需要通过车载无线通信设备接收相互间的实时状况，完成协作任务的可能性取决于带宽和通信距离。
(1)人机协作
无人地面车辆在遇到无法判断的环境时，需要与操作人员协作来完成任务，或是根据环境的复杂程度进行自主性等级的调整，实现可变自主性。
(2)多系统协作［15］
多个地面无人系统能够完成编队、监视及搜索救援等任务。
(3)异域系统协同
地面无人系统可以与空中无人系统、水下无人系统经过数据共享完成协同，构成陆、海、空三位一体的立体战斗格局［16］。
2.5学习能力
学习能力是指通过经验提高性能的某类程序［17］。学习可以用于无人地面车辆的任何软件技术中，如图6所示。
2.5.1基本学习
目前的机器学习主要是基于特征分类器的学习（将区域分为道路和非路、地形分类、植被分类、交通标志识别等）和行为学习（人类驾驶行为的学习等）。
2.5.2增强学习
增强学习又称强化学习，是解决一个能够感知环境的自治Agent，通过学习选择能到达目标的最优动作［17］。增强学习是一种无监督的、基于试错的学习方法，通过与环境交互学习合适的策略［18］，如多系统避障行为学习、通过增强学习形成合理的行为序列完成高级协作行为。
3结论
目前的无人地面车辆自主性主要体现在道路跟踪、检测障碍、交通信号识别、全天候行驶等技术层面，而且主要是针对单车系统的。随着智能技术的发展和车辆机动性的不断提升，在全地形行驶、多系统协同、编队控制和集团作战等方面的需求，必将出现高自主性无人地面车辆，如何更准确地评价其自主性是亟待解决的问题。本文建立的自主性评价指标体系将对未来无人地面车辆自主性评价工作的深化有一定指导意义。
参考文献
［1］ National Research Council of the National Academies. Technology development for army unmanned ground vehicles［M］. Washington DC, USA: National Academy Press,2003.
［2］ National Research Council of the National Academies.军用无人地面车辆技术的发展［M］.付梦印，王美玲，译.北京：国防工业出版社，2009.
［3］ Office of the Secretary of Defense. Unmanned systems roadmap 20072032［Z］．Department of Defense，Washington DC，20071210.
［4］ Office of the Secretary of Defense. Unmanned systems integrated roadmap FY20092034［Z］．Department of Defense，Washington DC，20090312．［5］ Huang Huimin, MESSINA E, ALBUS J. Toward a generic model for autonomy levels for unmanned systems(ALFUS)［C］.Proceedings of the 2003 Performance Metrics for Intelligent Systems (PerMIS) Workshop, Gaithersburg, Maryland，2003.
［6］ 高劲松，邹庆元，陈哨东.无人机自主性概念研究［J］.电光与控制，2007，14(5)：5861.
［7］ 李一波，王新星，姚宗信,等.无人平台自主能力分级的四指标模型［J］.电光与控制,2012,10(10)：3437.
［8］ 王越超，刘金国.无人系统的自主性评价方法［J］.中国科学: 科学通报，2012，15(15)：12901299.
［9］ 杨哲，张汝波.无人系统自主等级模糊评价方法［C］.先进制造技术与工业信息学博士生学术论坛论文集, 2009：20432047.
［10］ 陈慧岩，熊光明，龚建伟.无人驾驶汽车概论［M］.北京：北京理工大学出版社，2014.
［11］ 郑有飞.环境科学概论［M］.北京：气象出版社，2011.
［12］ 贝佐夫，普萨列夫，科瓦连科，等.军事地形学［M］.北京：解放军出版社, 1990.
［13］ 董志明，郭齐胜，黄玺瑛.战场环境建模与仿真［M］.北京：国防工业出版社，2013.
［14］ 李修和.战场电磁环境建模与仿真［M］.北京：国防工业出版社，2014.
［15］ 蔡自兴，陈白帆，刘丽钰,等.多移动机器人协同原理与技术［M］.北京：国防工业出版社，2014.
［16］ 林聪榕，张玉强.智能化无人作战系统［M］.长沙：国防科技大学出版社，2008.
［17］ MITCHELL T M. Machine Learning(International Editions)［M］.McGrawHill，2003.
［18］ 周彤，洪炳镕，周洪玉.基于模块化Q学习的足球机器人合作［J］.微型机与应用，2005，24(10)：6568.