目前国内外专家****对实时航线规划做了大量研究。范伟伦等[5]对RRT算法进行改进，通过引入动态步长和自适应目标引力策略，在二维规划空间为无人机有效、快速地规划出一条满足实际飞行性能的较优航线，但是没有对不确定环境和三维规划空间的实时航线规划进行探究。Wen等[6]将动态域快速随机搜索树与线性二次高斯运动规划相结合，在威胁环境不确定的条件下，实现了具有良好安全性能的单机航线在线规划，然而他们并没有探索多机协同航线在线规划。以上研究均是假设无人机具有较高自主性，在面对高动态的战场威胁环境时，可为其自主规划可飞航线。Sun和Cai[7]提出了一种基于云模型的人机协同航线规划算法，通过云模型计算导引点位置，有效指导A*算法的搜索过程，使无人机规避突发威胁。张帅等[8]综合利用人类智慧和机载计算机强大的计算能力，根据任务紧急程度和战场威胁态势通过模糊推理推算出导引点位置，为其实时规划出一条顺利规避突发威胁的航线。任鹏和高晓光[9-10]研究在无人机陷入未知威胁时，凭借人的综合判断力和智慧重设重规划的起止点。Cummings等[11]和史美萍[12]凭借人类直观地判断对航点进行人为地增加或减少，实现操作员辅助路径规划以规避障碍。谭雁英[13]和杨俊超等[14]通过人机交互界面，在原航线的理想位置增设子目标点，在重规划阶段诱导无人机快速躲避威胁。上述研究总结起来就是综合利用人类智慧和无人机强大的计算能力，为其规划出一条令人满意的航线，对自主性要求并不高。关于自主性的研究，国内外已有几种典型的研究方法，例如美国AFRL划分方法[15]，Sheridan通用分类法SV-LOA[16]以及改进LOA法[17]，ALFUS自主性框架[18]，人-机权限四级模型[19]，基于人机联合认知的自主系统参考框架[20]，改进ALFUS方法[21]，陈宗基等从信息互通能力、自主功能、智能属性和自主类别等方面提出的9级自主控制等级[22]等。然而他们只是对自主能力划分进行研究，并没有建立其与实时航线规划模式间的联系。虽然谭雁英等[23]深入研究了自主飞行无人机任务规划动态智能管理总体框架，以适应各种意外复杂环境变化，但是自主等级划分相对粗糙，普适性较差。同时王阔天等[24]对多无人机监督控制系统的人机动态功能分配进行了研究，尽管实现了无人机系统自主等级(Autonomy Level of UAV System，ALUS)的改变，但构建的规则相对简单，并且没有考虑系统平台影响和飞行环境约束，实用性较差。
从自主性角度探索实时航线规划体系结构，面向高动态、强拒止和非结构化的复杂威胁环境，人机权限分配(自主性)可以动态调整，称为可变自主，即人机权限是动态分配的，而不是事先定义好的。由此形成的人机合作机制，本质是将机器智能与人类智能融合，不仅减轻了操作员认知和工作负荷，还能使无人机灵活应对战场态势变化。因此本文设计了基于可变自主的实时航线规划逻辑架构，提出了一种基于模糊推理机制的人机权限动态分配算法，进而选择合适的实时航线规划模式，以适应未来无人作战需要。
1 实时航线规划模式 航线规划是指在给定的规划空间，在满足性能指标和给定约束条件下，为无人机规划从起点至目标点的最优或可行航线。根据规划的智能化程度，可划分为人工规划、自主规划和半自主规划[25]；根据规划时间特性，可划分为离线(预先)规划和在线(实时)规划[26]。总之，航线规划可以根据不同关注内容进行划分。实时航线规划也可划分为全程在线规划、局部航线修正和完全手动规划。全程在线规划通过控制执行和规划时间的比例来实现无人机的边规划边飞行，完全由机载计算机执行，称为自主规划。局部航线修正根据获取的情报信息，利用地面站性能卓越的计算机，尽可能综合考虑各方面因素，通过离线规划为无人机实时飞行提供一个整体优化的参考航线。根据实际飞行情况和威胁环境，只在一段时间内实时规划存在危险的航线，尔后又重新回到参考航线继续飞行。包含2种情况:其一是利用机器智能和人的判断、决策能力，由人设置实时规划的起止点或由某种机制推导引导点位置，尔后由机载计算机规划，称为人机协同实时规划；其二是利用地面站的计算机，操作员通过人机交互界面进行辅助规划，称为人机交互实时规划。完全手动规划是全部由操作员手动实时规划，无形之中增加了操作员认知和工作负荷。
纵观目前关于实时航线规划的研究，结合无人机系统自主控制等级、人机交互程度、威胁复杂程度和装备智能程度，可将其划分为自主规划和人机合作规划，而人机合作规划又可划分为人机协同实时规划和人机交互实时规划，如图 1所示。自主规划是假设无人机具有类人智能，面对复杂多变的战场威胁环境，能够自主决策、规划航线，而人机合作规划是综合利用人类智能、机器智能和性能卓越的计算技术，实时规划航线。
 |
| 图 1 无人机实时航线规划模式 Fig. 1 UAV real-time route planning mode |
| 图选项 |
2 实时航线规划逻辑架构设计 实时航线规划模式取决于无人机系统自主能力，若自主能力较高，则选择自主规划，这是未来无人作战的主要形态。若自主能力较低，则选择人机合作规划，这是当下无人作战的主要模式。面向非结构化、高动态的战场威胁环境，无人机如何进行实时航线规划是一个亟需解决的关键问题。由于无人机是一个人机组成的复杂巨系统，解决该问题的一个可行途径就是其具有可变自主控制结构，根据战场威胁态势动态地进行自主性配置，进而选择合适的实时航线规划模式。可变自主是指在执行任务期间，自主等级能在全遥控与全自主之间升降级，即人机权限动态分配。
2.1 典型OODA循环分析 无人系统自主控制一般都是基于观察—判断—决策—行动(OODA)循环[27]，利用4个基本过程(观察、判断、决策、执行)，进而实现自主性。OODA作为一种典型结构，已广泛应用于无人机系统的各结构模型。任务规划系统是无人机完成任务的关键保证，也涉及OODA循环[28]，如图 2所示。从图 2可知，无人机不主动寻求操作员协助，无需理解和评价操作员，两者处于相互隔离状态。由于操作员可能存在不完全信任无人机的心理，在任务执行的过程中，操作员需要监督，增加了其认知和工作负荷[29]。因此，在典型OODA循环中，操作员认知能力得不到充分发挥，同时还面临着“信任危机”风险[30]。
 |
| 图 2 任务规划系统OODA循环结构 Fig. 2 OODA loop structure of mission planning system |
| 图选项 |
2.2 可变自主OOADA循环 可变自主意味着操作员不是固定在OODA循环中，也不是以特定方式参与无人机的规划控制，而是在满足相应扩展条件时，用户能够动态地加入到OODA循环。因此典型OODA循环不仅限制了用户认知能力的发挥[31]，还限制了可变自主的实现方式。为实现人机权限动态分配，依托典型OODA循环，并在O与D之间增加一个可变自主等级决策模块(Autonomy)，即形成OOADA循环，如图 3所示。在判断和决策模块之间增加一个扩展节点e，若经过评判，无需操作员介入，则执行OODA模式；反之，则由可变自主等级决策模块判定操作员介入方式，进而执行OOADA模式。
 |
| 图 3 可变自主OOADA循环 Fig. 3 Variable autonomous OOADA loop |
| 图选项 |
可变自主等级决策模块将无人机运动和状态信息、环境信息、当前任务信息、系统监督反馈信息作为输入，经模糊推理评判无人机系统自主等级，选择合适的实时航线规划模式执行任务。自主等级不同，即人机权限分配不同，需要操作员提供的辅助认知信息不同，导致操作员工作和认知负荷不同。因此在任务规划体系结构中，可变自主等级决策模块位于任务决策模块前，通过人机交互把操作员提供的辅助认知信息传递给无人机，如图 4所示。
 |
| 图 4 基于可变自主的任务规划流程 Fig. 4 Mission planning process based on variable autonomy |
| 图选项 |
2.3 人机权限分配等级 无人机实时航线规划模式与其自主等级有关，体现在操作员与无人机之间的协作关系，即人机权限。依据操作员参与实时规划的方式及其认知能力，将自主等级定义为完全手动、操作员辅助、操作员确认、完全自主4个等级。完全手动和操作员辅助是“人在环内”系统，操作员确认是“人在环上”系统，完全自主是“人在环外”系统。完全手动等级下操作员全权负责无人机的认知和决策，机器只有执行权限，即操作员认知→操作员决策→操作员规划→无人机执行；操作员辅助等级下机器有规划、执行和部分认知权限，操作员拥有认知主导权和决策权，即操作员认知→操作员决策→无人机规划→无人机执行；操作员确认等级下操作员拥有决策主导权，其他权限全权移交给无人机，并且无人机还有部分决策权，即无人机认知→操作员决策→无人机规划→无人机执行；完全自主等级下操作员不参与任何过程，无人机拥有全部权限，即无人机认知→无人机决策→无人机规划→无人机执行。因此，自主等级不同，操作员介入程度不同，人机权限分配不同，需要利用不同程度的操作员认知能力处理出现的不确定性事件，进而采取不同的实时航线规划方式。人机权限分配等级描述如表 1所示。
表 1 人机权限分配等级描述 Table 1 Description of human-machine authority allocation levels
| 等级 | 名称 | 无人机权限 | 操作员权限 | 实时航线规划模式 |
| 1 | 完全手动 | 执行 | 认知、决策和规划 | 手动规划 |
| 2 | 操作员辅助 | 规划、执行和部分认知 | 认知主导权和决策权 | 人机交互实时规划 |
| 3 | 操作员确认 | 认知、规划、执行和部分决策 | 决策主导权 | 人机协同规划 |
| 4 | 完全自主 | 认知、决策、规划和执行 | 查看反馈数据 | 自主规划 |
表选项
对表 1作如下说明：首先无人机执行远程作战任务，手动规划是指为其设置航点信息、配置载荷参数及分析战场态势。由于无人机具有距地面站远、速度快等特点，长时间手动规划并不可行，也会严重增加操作员认知和工作负荷；其次人机权限分配等级不是无人机系统自主能力的定量标准，而是人机权限分配差异。例如，在操作员确认等级下，操作员和无人机同时拥有决策权，此时没有必要将操作员与无人机之间的协作方式进行细化而划分更多的等级。
2.4 实时航线规划模式决策框架 在OODA循环基础上，增加一个自主等级决策的可变自主等级决策模块，则无人机系统可变自主架构如图 5所示，下面将对各个模块进行详细介绍。
 |
| 图 5 无人机系统可变自主体系架构 Fig. 5 Variable autonomous architecture of UAV system |
| 图选项 |
事件监控的作用是监测复杂战场威胁环境的冲突事件和操作员事件(操作员与无人机之间的通信)。事件监控是可变自主的启动开关，当监测到冲突事件(与当前任务目标矛盾的事件)，则标识该事件，如图 6所示。若监测到新冲突事件，则启动自主等级决策过程；若监测到已标识事件，则不启动自主等级决策过程；若监测到操作员事件，则根据人机交互信息调整规划参数，若在等待交互时间内，没有得到操作员反馈信息，无人机将提高自主等级以确保自身的生存概率。
 |
| 图 6 无人机系统自主等级可变的状态迁移 Fig. 6 UAV autonomous level variable state transition |
| 图选项 |
态势评估的作用是评估无人机对当前复杂战场威胁环境的认知状况，包括敌我态势分析、动态和静态威胁的不确定程度、可飞行性情况、战场环境的约束条件。这些不确定性因素影响规划参数的调整和系统平台的性能。
任务评估的作用是评估当前战场威胁态势下无人机对任务理解的不确定性程度，包括任务的目标状态和规划结果两部分。这些将影响无人机的战略目标，能够发挥操作员高层认知和决策能力。
操作员状态(Operator Status，OS)评估的作用是评估操作员当前的认知和工作负荷的不确定性程度，包括操作员疲劳程度和技能水平等方面，进而将无人机自主等级推荐至适合当前操作员状态的自主等级。
自主等级决策的作用是基于战场威胁态势和任务不确定性评估以及操作员状态评估进行自主等级决策，产生当前形势下无人机对于自身能力的认识，进而选择合适的实时航线规划模式。
3 无人机系统自主等级改变流程 开展无人机可变自主研究，在复杂威胁战场环境或系统平台通信链路“致盲”时，无人机可以不依赖链路指令完成作战任务，使其自我规划和管理能力得到充分发挥，进而提高自主作战能力。
3.1 自主等级改变原理 针对某个任务周期，其主任务可分解为一系列子任务。对于每个子任务，利用态势评估、任务评估以及操作员状态评估的结果确定当前无人机系统自主等级。因此，在系统平台稳定时，对于执行的任务，假设战场态势良好，完成任务效果较好，操作员状态较差，则自主等级较高。自主等级改变原理图如图 7所示。
 |
| 图 7 无人机系统自主等级改变原理图 Fig. 7 Autonomous level change schematic of UAV system |
| 图选项 |
从图 7可以看出，无人机系统自主等级由当前态势变化、当前任务需求和操作员状态共同决定；自适应算法用来确定如何以及何时改变自主等级。在自适应算法中，态势评估和任务评估对自主等级的改变作用突出，尤其是在战场态势恶劣或任务发生冲突时，态势评估和任务评估对自主等级的改变有决定性作用。
3.2 自适应算法流程 算法输入确定以后，自主等级的改变采用如图 8所示的自适应算法流程。
 |
| 图 8 人机权限动态分配决策流程 Fig. 8 Decision-making process of dynamic human-machine authority allocation |
| 图选项 |
从图 8可知，以下4种情况需要改变无人机系统自主等级：①战场威胁态势恶劣时自主等级的改变；②通信链路“致盲”时自主等级的改变；③战场威胁态势良好、通信链路正常时自主等级的改变；④战场威胁态势良好、通信链路正常且存在任务冲突时自主等级的改变。
采用产生式规则表示自主等级的改变策略，为了使规则表示更加形式化，定义Pmi为任务mi重要度、Ui为智能组件i独自完成任务mi的信任度、ULi为许可智能组件i独自完成任务mi的最低信任度、Ai为智能组件i自主等级、Acurrent为智能组件i当前的自主等级、Amax为智能组件i自主等级的最大值。针对上述4种情况，构造自主等级改变规则。
1) 战场威胁态势恶劣时自主等级改变规则。
无人机自主地完成任务或返航。具体的规则如下：
a) If (Ui＞ULi) then (Ai=Amax)。
b) If (Ui＜ULi) then (UAV return)。
2) 通信链路“致盲”时自主等级改变规则。
自主等级改变规则与规则1)所述相似。
3) 战场威胁态势良好、通信链路正常时自主等级改变规则。
自主等级的改变根据操作员状态评估进行决策。详细规则如下：
a) 操作员状态较好时，自主等级较低。
b) 操作员状态适中时，自主等级适中。
c) 操作员状态较差时，自主等级较高。
4) 战场威胁态势良好、通信链路正常且存在任务冲突时自主等级改变规则。
当存在任务冲突时，作如下假设：
① 操作员首先处理重要度较高的任务。
② 若Ui＞ULi，则信任智能组件i独立处理该任务。
假设tmi和tmj分别为任务mi和mj的发生时刻，则自主等级改变规则如下：
a) If (Ui＞ULi, Uj＜ULj) then (Ai=Amax, Aj=Acurrent)。
b) If (tmi=tmj) and (Ui＞ULi, Uj＞ULj) and (Pmi＞Pmj) then (Ai=Acurrent, Aj=Amax)。
c) If (tmi=tmj) and (Ui＞ULi, Uj＞ULj) then (Ai=Acurrent, Aj=Amax)。
d) If (Ui＜ULi, Uj＜ULj) then (执行相应任务的时刻错开)。
4 实时航线规划模式决策 第3节只给出了自主等级改变规则，没有给出求解方法。为实现自主等级决策，进而选择合适的实时航线规划模式，提出了一种基于模糊推理机制的自主等级改变方法。
4.1 输入及输出变量模糊化 自适应算法输入包含3个变量，即态势评估、操作员状态评估和任务评估。从3.1节分析可知，态势评估对自主等级改变有决定性作用。根据操作员状态好坏程度，假设其值取值范围为[0, 1]，划分为5个级别，即“非常好”、“比较好”、“一般”、“比较差”和“非常差”，对应的取值范围见表 2，操作员状态模糊化隶属度函数如图 9(a)所示。
表 2 输入及输出变量的模糊化处理 Table 2 Fuzzy processing of input and output variables
| 模糊化处理 | 语言值 | 符号 | 取值范围 |
| 操作员状态模糊化 | 非常好 | VS | [0, 0.3] |
| 比较好 | S | [0.15, 0.45] | |
| 一般 | M | [0.35, 0.65] | |
| 比较差 | L | [0.55, 0.85] | |
| 非常差 | VL | [0.7, 1] | |
| 任务重要度模糊化 | 一般 | M | [0, 1.5] |
| 比较重要 | L | [0.8, 2.5] | |
| 非常重要 | VL | [2, 6] | |
| 战场威胁态势复杂程度模糊化 | 一般 | M | [0, 3.5] |
| 比较复杂 | C | [1.75, 6.25] | |
| 非常复杂 | VC | [4.5, 8] | |
| 无人机系统自主等级模糊化 | 低 | L | [1, 4] |
| 中 | M | [3, 7] | |
| 高 | H | [6, 10] |
表选项
 |
| 图 9 输入及输出变量的隶属度函数 Fig. 9 Membership function of input and output variables |
| 图选项 |
假设任务重要度(Task Importance，TI)取值范围为[0, 6]，将任务评估结果模糊化为3个级别，即“一般”、“比较重要”和“非常重要”，对应的取值范围见表 2，任务评估模糊化隶属度函数如图 9(b)所示。
假设战场威胁态势复杂程度的取值范围为[0, 8]，将态势评估模糊化为3个级别，即“一般”、“比较复杂”、“非常复杂”，对应的取值范围见表 2，战场威胁态势复杂程度的模糊化隶属度函数如图 9(c)所示。
按照Parasoraman等提出的改进LOA法[17]进行自主等级划分，深入分析人机权限动态分配的特点，并与第2节定义的无人机系统自主等级相结合，可将其模糊化处理为3个级别，即“低”、“中”和“高”，对应的取值范围见表 2，自主等级的模糊化隶属度函数如图 9(d)所示。
4.2 模糊推理规则 无人机系统自主等级作为模糊推理输出变量，输入变量包括操作员状态、任务重要度和战场威胁态势复杂程度。模糊推理规则采用If-Then的形式进行表示，根据前面给出的自主等级改变原则和3个输入变量的不同语言值，可以构造45条推理规则，具体的规则如下：
1. If OS is VS and TI is M and CTS is M, then ALUS is L.
2. If OS is VS and TI is M and CTS is C, then ALUS is L.
3. If OS is VS and TI is M and CTS is VC, then ALUS is H.
4. If OS is VS and TI is L and CTS is M, then ALUS is L.
5. If OS is VS and TI is L and CTS is C, then ALUS is L.
41. If OS is VL and TI is L and CTS is C, then ALUS is H.
42. If OS is VL and TI is L and CTS is VC, then ALUS is H.
43. If OS is VL and TI is VL and CTS is M, then ALUS is H.
44. If OS is VL and TI is VL and CTS is C, then ALUS is H.
45. If OS is VL and TI is VL and CTS is VC, then ALUS is H.
其中：CTS为战场威胁态势复杂程度。
4.3 实时航线规划模式决策实验仿真 Mamdani法作为最常用的模糊推理方法，主要涵盖输入变量模糊化、推理规则的确定、融合推理规则的输出及去模糊化4个过程[32]。MATLAB是一款功能十分强大的软件，经过多年发展，目前已经集成了很多工具箱[33]。MATLAB R2016b中的Fuzzy Logic Designer使得模糊推理系统的设计更加便捷，集成了系统编辑器、隶属度函数编辑器、规则编辑器、推理规则查看器以及输出查看器等5个图形编辑器[34]。实时航迹规划模式决策的模糊推理框图如图 10所示，MATLAB R2016b中Fuzzy Logic Designer能够实现在不同操作员状态和任务重要度输入的条件下无人机系统自主等级的模糊推理，如图 11所示。
 |
| 图 10 实时航迹规划模式决策模糊推理框图 Fig. 10 Block diagram of real-time route planning mode decision-making fuzzy inference |
| 图选项 |
 |
| 图 11 OS、TI和CTS与ALUS之间的关系 Fig. 11 Relationship between OS, TI, CTS and ALUS |
| 图选项 |
从图 11可以看出，当操作员状态较好、任务重要度较低和战场威胁态势复杂程度较低时，无人机系统自主等级较低；当操作员状态较差、任务重要度较高和战场威胁态势较复杂时，无人机系统自主等级较高，比较符合实际作战需求，根据无人机系统自主等级的高低，进而选择合适的实时航线规划模式。当OS=0.6，TI=2，CTS=1时，ALUS=5，此时应选择人机协同实时规划；当OS=0.75，TI=3.5，CTS=6时，ALUS=8，此时应选择自主规划；当OS=0.201，TI=2.563，CTS=0.5时，ALUS=2，此时应选择人机交互实时规划。
4.4 方法对比实验仿真 在复杂战场环境下，以无人机执行高空侦察任务为例，分别采用本文方法与文献[21]中的模糊综合评价法来评价无人机系统的自主等级。由于文献[21]中考虑了4个因素集，即环境变化度、任务完成度、系统状态稳定程度和人机交互程度，为了与本文形成鲜明的对比，在此将因素集演化为战场威胁态势优劣、任务重要度、通信链路状态和操作员状态。因为无人机执行侦察任务，所以本文认为任务重要度和操作员状态比其他两个因素重要，同时可利用层次分析法得到判断矩阵D，即
 |
通过求取判断矩阵D最大特征值对应的特征向量，并将该特征向量归一化即可得到评价因素集的权重向量w=[0.30 0.39 0.10 0.21]。
由于模糊综合评价法利用统计的方式来分析各因素集对无人机系统自主等级的影响，通过相关领域专家打分的方式来确定单因素评价矩阵，选取10位领域专家对各因素进行统计分析，即可得单因素评价矩阵P，即
 |
则可根据因素集的权重向量和评价矩阵得到模糊综合评判结果B=
通过单因素评价矩阵可知该无人机执行的任务重要度一般，同时操作员的状态较好，则通过本文所提出的方法，可计算出此无人机系统的自主等级ALUS=3，由于其属于低自主等级的隶属度较高，则执行侦察任务的无人机会选择操作员辅助的方式进行实时航线规划，即通过人机交互的方式进行实时航线规划。普遍认为执行高空侦察的无人机，其自主能力比较低。由此可见，本文方法相较于模糊综合评价法，更加符合实际的作战需求。
5 结论 1) 根据国内外关于实时航线规划的研究，本文对实时航线规划模式进行了分类。同时对无人机系统的自主等级进行了深入研究，由于实时航线规划模式与自主等级有关，建立了它们之间的对应关系。
2) 针对传统OODA循环存在“信任危机”的风险，建立了基于可变自主的OOADA实时航线规划逻辑架构，操作员根据相应扩展条件动态地加入到实时规划中，并对模式决策框架进行说明。
3) 提出了基于模糊推理机制的自主等级改变方法，由于自主等级本质上是一个任务周期中的人机权限动态分配过程，深入分析一个任务周期中的人机权限，经模糊推理得出无人机系统自主等级，进而选择合适的实时航线规划模式。与模糊综合评价无人机系统自主等级的方法相比，本文方法可以得出更加符合实际的结果，同时也减少了专家商讨的不确定性与随意性，实用性更强。
参考文献
| [1] | 姚鹏, 王宏伦, 刘畅. 基于动态流体扰动原理的三维滚动航路优化[J]. 北京航空航天大学学报, 2015, 41(12): 2280-2287. YAO P, WANG H L, LIU C. Three-dimensional rolling path planning via dynamic fluid disturbance[J]. Journal of Beijing University of Aeronautics and Astronautics, 2015, 41(12): 2280-2287. (in Chinese) |
| [2] | PILARSKI G M.The concept of recommender system supporting command and control system in hierarchical organization[C]//2014 European Network Intelligence Conference.Piscataway: IEEE Press, 2014: 138-141. |
| [3] | United States Air Force Chief Scientist.Technology horizons-A vision for air force science & technology during 2010-2030: AF/ST-TR-10-01-PR[R].Washington, D.C.: U.S.Air Force, 2010. |
| [4] | 胡晓峰, 荣明. 智能化作战研究值得关注的几个问题[J]. 指挥与控制学报, 2018, 4(3): 195-200. HU X F, RONG M. Several important questions of intelligent warfare research[J]. Journal of Command and Control, 2018, 4(3): 195-200. (in Chinese) |
| [5] | 范伟伦, 李薇, 冯杭. 基于改进RRT算法的无人机实时航迹规划[J]. 舰船电子工程, 2019, 39(2): 56-60. FAN W L, LI W, FENG H. UAV trajectory planning based on an improved RRT algorithm[J]. Ship Electronic Engineering, 2019, 39(2): 56-60. (in Chinese) |
| [6] | WEN N F, SU X H, MA P J, et al. Online UAV path planning in uncertain and hostile environments[J]. International Journal of Machine Learning & Cybernetics, 2015, 8(2): 1-19. |
| [7] | SUN X X, CAI C. Human-machine cooperation in unmanned aerial vehicle path planning based on cloud model[J]. Automatic Target Recognition and Image Analysis, 2011, 8003(1): 554-561. |
| [8] | 张帅, 李学仁, 张鹏, 等. 基于人机合作的无人机实时航迹规划[J]. 北京航空航天大学学报, 2017, 43(4): 814-822. ZHANG S, LI X R, ZHANG P, et al. UAV real-time path planning based on human-machine cooperation[J]. Journal of Beijing University of Aeronautics and Astronautics, 2017, 43(4): 814-822. (in Chinese) |
| [9] | 任鹏, 高晓光. 人机协同智能航迹规划算法[J]. 系统仿真学报, 2015, 27(2): 313-319. REN P, GAO X G. Man-machine coordinated intell-igent flight path planning algorithm[J]. Journal of System Simulation, 2015, 27(2): 313-319. (in Chinese) |
| [10] | 任鹏, 高晓光. 有限干预下的UAV低空突防航迹规划[J]. 系统工程与电子技术, 2014, 36(4): 679-684. REN P, GAO X G. Human intervention flight path planning for UAV low-altitude penetration[J]. Systems Engineering and Electronics, 2014, 36(4): 679-684. (in Chinese) |
| [11] | CUMMINGS M L, MARQUEZ J J, ROY N. Human-automated path planning optimization and decision support[J]. Human-Computer Studies, 2012, 70(2): 116-128. DOI:10.1016/j.ijhcs.2011.10.001 |
| [12] | 史美萍.基于人机协同的月球车路径规划技术研究[D].长沙: 国防科学技术大学, 2006: 56-62. SHI M P.Research on path planning technology for lunar rover based on the human-machine cooperation[D].Changsha: National University of Defense Technology, 2006: 56-62(in Chinese). http://cdmd.cnki.com.cn/Article/CDMD-90002-2007141102.htm |
| [13] | 谭雁英. 基于人机合作策略下的SAS算法的多无人机路径再规划[J]. 西北工业大学学报, 2014, 32(5): 688-692. TAN Y Y. Path replanning approach for multiple UAVs based on SAS (sparse A* search) algorithm under human automation collaboration[J]. Journal of Northwestern Polytechnical University, 2014, 32(5): 688-692. (in Chinese) |
| [14] | 杨俊超, 史越, 马海明. 一种人-自动化系统协作的无人机航迹规划方法[J]. 计算机测量与控制, 2015, 23(9): 3216-3324. YANG J C, SHI Y, MA H M. A route planning method for UAV based on collaborative human-automation RRT[J]. Computer Measurement & Control, 2015, 23(9): 3216-3324. (in Chinese) |
| [15] | Office of the Secretary of Defense.Unmanned aircraft system roadmap 2005-2030: 20301[R].Washington, D.C.: Defense Science Board, 2005. |
| [16] | SHERIDAN T B. Automation, authority and angst-revisited[J]. Proceeding of the Human Factors and Ergonomics Society Annual Meeting, 1991, 35(1): 2-6. DOI:10.1177/154193129103500103 |
| [17] | PARASORAMAN R, SHERIDAN T B, WICKENS C D. A model for types and levels of human interaction with automation[J]. IEEE Transactions on Systems, Man, and Cybernetics-Part A:Systems and Humans, 2000, 30(3): 286-297. DOI:10.1109/3468.844354 |
| [18] | HUANG H M.Autonomy levels for unmanned systems (ALFUS) framework: Safety and application issues[C]//Workshop on Performance Metrics for Intelligent Systems.New York: ACM, 2007: 48-53. |
| [19] | DoD.Unmanned systems integrated roadmap: FY 2013-2038[R].Washington, D.C.: Office of the Secretary of Defense, 2013. |
| [20] | Defense Science Board.The role of autonomy in DoD systems: 20301-3104[R].Washington, D.C.: Department of Defense Science Board, 2012. |
| [21] | 杨哲, 张汝波. 无人系统自主等级模糊评价方法[J]. 小型微型计算机系统, 2009, 30(10): 2043-2047. YANG Z, ZHANG R B. Fuzzy evaluated method for the autonomy levels of unmanned systems[J]. Journal of Chinese Computer, 2009, 30(10): 2043-2047. (in Chinese) |
| [22] | 陈宗基, 魏金钟, 王英勋, 等. 无人机自主控制等级及其系统结构研究[J]. 航空学报, 2011, 32(6): 1075-1083. CHEN Z J, WEI J Z, WANG Y X, et al. UAV autonomous control levels and system structure[J]. Acta Aeronautica et Astronautica Sinica, 2011, 32(6): 1075-1083. (in Chinese) |
| [23] | 谭雁英, 张波, 祝小平. 自主飞行无人机任务规划的动态智能管理与执行策略[J]. 弹箭与制导学报, 2004, 24(7): 121-123. TAN Y Y, ZHANG B, ZHU X P. Dynamic mission plan intelligent management and execution scheduling in autonomous UAVs[J]. Journal of Projectiles, Rockets, Missiles and Guidance, 2004, 24(7): 121-123. (in Chinese) |
| [24] | 王阔天, 张国忠, 沈林成, 等. 多无人机监督控制的人机动态功能分配研究[J]. 计算机工程与应用, 2009, 45(30): 245-248. WANG K T, ZHANG G Z, SHEN L C, et al. Study on dynamic function allocation of human supervisory control multi-UAV[J]. Computer Engineering and Applications, 2009, 45(30): 245-248. (in Chinese) |
| [25] | 毛红保, 田松, 晁爱农. 无人机任务规划[M]. 北京: 国防工业出版社, 2015: 76-80. MAO H B, TIAN S, CHAO A N. Unmanned aerial vehicle mission planning[M]. Beijing: National Defense Industry Press, 2015: 76-80. (in Chinese) |
| [26] | 胡中华, 赵敏. 无人机任务规划系统研究及发展[J]. 航天电子对抗, 2009, 25(4): 49-51. HU Z H, ZHAO M. Research and development of UAV mission planning system[J]. Aerospace Electronic Warfare, 2009, 25(4): 49-51. (in Chinese) |
| [27] | MICHAEL F L, MOON T, KRUZINS E. Proposed network centric metrics:From connectivity to the OODA cycle[J]. MORS Journal, 2005, 10(1): 24-26. |
| [28] | 龙国庆, 祝小平, 周洲. 多无人机系统协同多任务分配模型与仿真[J]. 飞行力学, 2011, 29(4): 68-71. LONG G Q, ZHU X P, ZHOU Z. Model and simulation of cooperative multi-task assignment for multi-UAV system[J]. Flight Dynamics, 2011, 29(4): 68-71. (in Chinese) |
| [29] | FEIGH K M, DORNEICH M C, HAYES C C. Toward a characterization of adaptive systems:A framework for researchers and system designers[J]. Human Factors:The Journal of the Human Factors and Ergonomics Society, 2012, 54(6): 1008-1024. DOI:10.1177/0018720812443983 |
| [30] | MACHARET D G, FLORENCIO D A.A collaborative control system for telepresence robots[C]//IEEE/RSJ International Conference on Intelligent Robots & Systems.Piscataway: IEEE Press, 2012: 5105-5111. |
| [31] | SHERIDAN T B, PARASURAMAN R. Human-automation interaction[J]. Review of Human Factors and Ergonomics, 2005, 1(1): 89-129. DOI:10.1518/155723405783703082 |
| [32] | ANDREJS R, OLEG U. Application of fuzzy logic for risk assessment[J]. Information Technology and Management Science, 2015, 17(1): 50-54. |
| [33] | NEGNEVITSKY M.人工智能智能系统指南[M].陈薇, 等, 译.北京: 机械工业出版社, 2007: 85-100. NEGNEVITSKY M.Artificial intelligence: A guide to intelligent systems[M].CHEN W, et al, translated.Beijing: Machinery Industry Press, 2007: 85-100(in Chinese). |
| [34] | 李国勇, 杨丽娟. 神经·模糊·预测控制及其MATLAB实现[M]. 北京: 电子工业出版社, 2013: 100-112. LI G Y, YANG L J. Neural·fuzzy·predictive control and its MATLAB implementation[M]. Beijing: Electronic Industry Press, 2013: 100-112. (in Chinese) |
