摘要：针对传统意图预测模型无法满足体系对抗下防空作战对预测准确性和可靠性的要求,提出基于BiLSTM-Attention (bi-directional long short-term memory-attention)和动态贝叶斯网络的防空目标智能意图预测方法.综合考虑目标状态信息和目标战术信息,设计防空目标作战意图特征集;充分利用收集的历史时刻数据和预测的未来时刻数据,引入双向循环和注意力机制,模拟决策人员对于作战情况的推理过程,突出影响轨迹类型的关键信息,以提高防空目标轨迹预测的准确率.在此基础上,结合目标轨迹、类型、高度和速度,构建动态贝叶斯网络,以实现对防空目标意图的精准预测.仿真实验考虑了雷达开关机对目标轨迹的影响,通过与传统目标意图预测方法对比,验证了博弈对抗条件下所提方法的可行性和优越性.

摘要：在信息化条件下,现代空间环境的复杂性急剧增加,地面操作人员难以在短时间内处理大量信息并识别未知目标的接近意图。本文将模糊理论与专家经验相结合,设计了一种可以帮助操作者快速、系统地识别接近意图的动态贝叶斯网络模型。与静态贝叶斯网络(Static Bayesian network,SBN)相比,动态贝叶斯网络在识别多个时间片内意图和通过连续计算概率预测未来趋势两方面更加实用,适用于快速变化的空间环境。众多算例表明,本文所提出的意图预测方法可行有效。

摘要：针对机器鱼对抗系统中敌方机器鱼的整体策略和个体意图进行预测。通过预测,合理规划己方行为,以提前对敌方下一步行为进行拦截,提高己方对抗实力。以BDI模型为依据,通过对敌方机器鱼朝向、位置信息的处理及场地的划分,预测敌方整体策略。根据整体策略,预测下一步可能执行的所有行为,然后通过设置置信度函数对各种行为进行评估,推断出一种可能性最大的行为作为敌方机器鱼的个体意图,从而设计己方的拦截策略。最后,以机器鱼仿真系统为验证平台,测试策略的有效性。实验证明,使用改进策可有效地分析对手的思维和意图,进而抑制对手对抗水平的正常发挥。

摘要：行人作为重要的交通参与者,其行走意图和轨迹预测对智能驾驶汽车的决策规划具有重要意义。基于注意力机制增强的长短时记忆(Long Short-term Memory, LSTM)网络,设计一种多特征融合的行人意图以及行人轨迹预测方法。该方法通过融合行人骨架和头部方向特征,以加强行人运动特征的表达,并将融合特征作为意图预测网络输入,继而得到行人意图;由于行人运动具有不确定性,将行人意图预测类别和历史轨迹坐标的联合向量作为行人轨迹预测网络的输入,以期生成更为精确的轨迹预测结果。此外,在轨迹预测网络中引入注意力机制,以加强LSTM对各个时刻编码向量的有效利用,从而提高网络的行人轨迹预测性能,并基于Daimler数据集进行训练及验证。研究结果表明:所提出的多特征意图预测方法准确率可达96.0%,优于基于骨架单特征的意图预测网络;在预测时域为1 s的情况下,预测轨迹的位置均方根误差为347 mm,相较于恒速度(Constant Velocity, CV)模型、交互多模型(Interacting Multiple Model, IMM)、常规LSTM等基线方法均有明显的提升;在实际场景分析中,提出的方法可提前0.56 s识别行人的转弯意图,可为智能车辆的决策模块提供有益线索;提出的方法能够有效降低行人意图转变过程中的轨迹预测误差,对减小车辆与行人碰撞事故,提高智能车辆行驶安全性具有重要意义。

摘要：为了兼顾无信号交叉口处智能网联车辆通行效率和舒适性要求,提出基于深度强化学习的车辆运动规划算法.结合时间卷积网络(TCN)和Transformer算法构建周围车辆行驶意图预测模型,通过多层卷积和自注意力机制提高车辆运动特征捕捉能力;利用双延迟深度确定性策略梯度(TD3)强化学习算法构建车辆运动规划模型,综合考虑周围车辆行驶意图、驾驶风格、交互风险以及自车舒适性等因素设计状态空间和奖励函数以增强对动态环境的理解;通过延迟策略更新和平滑目标策略提高算法稳定性,实时输出期望加速度.实验结果表明,所提运动规划算法能够根据周围车辆的行驶意图实时感知潜在的交互风险,生成的运动规划策略满足通行效率、安全性和舒适性要求,且对不同风格的周围车辆和密集交互场景均有良好的适应能力,不同场景下成功率均高于92.1%.

摘要：针对现有虚拟装配系统普遍缺乏对复杂情境的分析能力,难以根据上下文有效预测用户动作意图的问题,给出了虚拟装配中情境上下文的形式化定义,建立了智能虚拟装配动作预测模型。该模型通过对装配动作模式的挖掘,进行基于实例的动作意图预测,实现系统的智能虚拟装配。结合水轮发电机组的转轮体装配实例,给出了模型的实现框架。通过实验验证,该模型能够根据情境上下文准确预测用户的动作意图,实时调整零部件的动作以自动完成装配。

摘要：海上无人船在海洋运输、环境调查、情报搜集等领域得到了日益广泛的应用。目前针对海上无人船的研究主要集中在目标跟踪、追逐避碰等问题,但布防任务中的驱逐任务有着更高要求,既要驱逐可疑船只远离保护目标,又要能够预测可疑船只运动意图,从而提前进行拦截,这给无人船的自主决策带来了挑战。针对上述问题,提出了对抗环境下海上无人船对可疑目标的驱逐方法。建立了基于深度强化学习的策略梯度优化算法框架;设计了意图预测模型及封堵策略,实现无人船的提前拦截,并证明了该策略的最优性;提出基于专家经验的矫正纠偏策略,降低了智能体早期的盲目探索时间,加快智能体的训练速度,并证明了专家动作序列的单值性;搭建了基于gym的仿真环境,并在仿真环境中验证了方法的有效性。研究结果表明,提出的驱逐方法能够使无人船在速度不占优势的情况下仍能完成对可疑目标的驱逐,为海上无人船在对抗性环境中执行复杂任务提供了一种技术参考。