無人作戰(zhàn)平臺

1、無人作戰(zhàn)體系指控技術(shù)關(guān)鍵技術(shù)匯編無人作戰(zhàn)平臺 ( U CV)包括無人機(jī) ( U AV) 、無人艇 ( USV)和無人潛器 ( 群 )( UUV) 等,能夠在危險復(fù)雜環(huán)境中執(zhí)行情報監(jiān)視與偵察、目標(biāo)攻擊、通信中繼和電子干擾等任務(wù)。 作為武器作戰(zhàn)平臺 , 其信息化作戰(zhàn)水平相對較低。 針對智能指揮控制 , 重點討論了無人作戰(zhàn)平臺的指揮控制關(guān)鍵技術(shù) , 采用了實用的自主行為建模新技術(shù) , 提出了目標(biāo)分配、自主行為決策控制等研究方法。最后指出當(dāng)前的技術(shù)解決方案的局限性。自2000 年以來 , 美軍對無人作戰(zhàn)平臺 ( U CV) 智能指揮控制 ( 簡稱指控 ) 要求包括 : UCV 自主遠(yuǎn)距離航行時 , 在

2、無人力控制的情況下 , 自動收集并傳送信息 , 探測、評估并主動規(guī)避威脅和障礙物。 在出現(xiàn)不可預(yù)知情況及惡劣水文氣象條件下 , 可根據(jù)任務(wù)目標(biāo)、周圍環(huán)境情況和剩余動力 , 迅速做出反應(yīng) , 自主決策返航或與其他 UCV協(xié)作 , 組成編隊 , 協(xié)同完成任務(wù)。根據(jù)該要求 , 目前美軍很多軍工企業(yè)和科研院所都在開展 UCV的智能指控研究 , 也取得了相當(dāng)?shù)某删?, 但美軍依然認(rèn)為 , 未來需進(jìn)一步提高 U CV 的自適應(yīng)能力、動態(tài)威脅規(guī)避能力和自主集結(jié)能力 , 以提高其智能指控水平。1. 指控工作原理U CV 指控工作原理框圖如圖 1 所示 ,主要分為 U CV 動態(tài)控制、自主行為決策控制和地面 (

3、 控制站 ) 人工干預(yù)控制 3 部分 1。U CV 動態(tài)控制包括平臺動態(tài)模型和武器系統(tǒng)。平臺動態(tài)模型和武器系統(tǒng)改變UCV 的狀態(tài)和行為 ,從而對戰(zhàn)場環(huán)境產(chǎn)生影響 , U CV 所載的各類傳感器通過對戰(zhàn)場環(huán)境不斷的探測感知 , 形成實時戰(zhàn)場態(tài)勢。自主行為決策控制根據(jù)戰(zhàn)場態(tài)勢、 戰(zhàn)術(shù)知識庫和作戰(zhàn)規(guī)則庫實時做出戰(zhàn)術(shù)決策、實施動作規(guī)劃和執(zhí)行戰(zhàn)術(shù)動作 , 為UCV 動態(tài)控制部分發(fā)出相應(yīng)的命令和控制信號 , 如平臺機(jī)動和武器發(fā)射等。 地面 ( 控制站 ) 人工干預(yù)控制用于管理和控制 UCV系統(tǒng) , 包括任務(wù) / 目標(biāo)分配、初始化、啟動和干預(yù) UCV的自主行為。2 UCV 自主行為建?；究蚣躑CV 自主行

4、為建?；蜃灾餍袨闆Q策控制的基本框架如圖2 所示 ,主要包括探測感知、認(rèn)知處理、行為結(jié)果和存儲器4部分 2。探測感知主要完成有關(guān)戰(zhàn)場環(huán)境和情報信息的收集 ,并將收集到的信息轉(zhuǎn)換為能夠在認(rèn)知處理過程被識別的模型內(nèi)部信息表示形式。 主要是應(yīng)用信息融合理論 , 需要重點研究圖像分析處理技術(shù) , 提取運動目標(biāo) , 實現(xiàn)敵我識別以及目標(biāo)跟蹤 , 同時為評估和主動規(guī)避威脅和障礙物的決策提供依據(jù) 3 ?？蚣苤械拇鎯ζ靼üぷ鞔鎯ζ骱烷L期存儲器 2 種。前者主要保留認(rèn)知處理過程中的臨時信息 ; 后者用來存儲有關(guān)的權(quán)威知識 , 相當(dāng)于一個知識庫。認(rèn)知處理主要完成信息處理和自主決策功能, 包括態(tài)勢評估、多任務(wù)模型、

5、規(guī)劃和決策以及學(xué)習(xí)等,這是 U CV 指控技術(shù)中的重點和難點 , 也是制約 U CV 自主作戰(zhàn)能力的主要因素。態(tài)勢評估根據(jù)當(dāng)前所獲取的信息以及自身的知識 , 對戰(zhàn)場態(tài)勢和形勢的發(fā)展做出評估。 主要采用基于范例的推理以及貝葉斯理論等方法。 規(guī)劃和決策根據(jù)周圍戰(zhàn)場環(huán)境的變化和對戰(zhàn)場態(tài)勢的評估 , 確定 UCV的作戰(zhàn)行為 , 目前應(yīng)用較多的技術(shù)主要有基于仿真的規(guī)劃、產(chǎn)生式規(guī)則和決策表等方法。行為結(jié)果主要依據(jù)認(rèn)知處理部分的決策結(jié)果 , 選擇合適的作戰(zhàn)行為來執(zhí)行 , 執(zhí)行的過程和結(jié)果將對戰(zhàn)場環(huán)境產(chǎn)生影響 , 并形成新的戰(zhàn)場態(tài)勢。3 UCV 指控關(guān)鍵技術(shù)本節(jié)重點討論 UCV地面控制部分中的目標(biāo)分配技術(shù),同

6、時對自主行為決策控制部分中的行為建模實現(xiàn)技術(shù)作進(jìn)一步闡述。3. 1 多 UCV協(xié)同攻擊多目標(biāo)的目標(biāo)分配技術(shù)當(dāng)多個 UCV 需要完成對多個目標(biāo)的協(xié)同攻擊任務(wù)時,地面控制部分應(yīng)實現(xiàn)對多 UCV 的目標(biāo)分配。這一問題可以歸結(jié)為從全局最優(yōu)的整體利益出發(fā),研究多U CV 協(xié)同攻擊多個不同價值目標(biāo)時的目標(biāo)分配問題。由于問題的解空間隨資源和目標(biāo)總數(shù)呈指數(shù)級增加,因此需要一種合適的算法,既能滿足問題對解的性能要求 ,又能滿足實時性要求。為了獲得多個 UCV的最優(yōu)目標(biāo)分配方案 ,通常需要某些 UCV 做出對自身不一定是最優(yōu)的折衷選擇。 基于滿意決策 ( SD) 的多 UCV協(xié)同目標(biāo)分配方法 ,應(yīng)用滿意決策理論

7、( SDT)解決協(xié)同作戰(zhàn)目標(biāo)分配問題。SD 是一種集合論的思想 , 建立在博弈論的基礎(chǔ)上 , 通過選擇函數(shù) P S ( u) 和拒絕函數(shù) P R ( u) ( 這對度量函數(shù)稱為綜合滿意度函數(shù) , 具有數(shù)學(xué)意義上的概率結(jié)構(gòu)形式 ) , 以量化的形式度量決策智能體中每個決策接近成功達(dá)到目標(biāo)的程度和執(zhí)行該決策的代價 4?；?SD 的多 UCV 協(xié)同目標(biāo)分配的基本原理是:每一 UCV 根據(jù)自己完成任務(wù)的成功概率和預(yù)估代價 ,確定能夠接受的目標(biāo)集合,即滿意集 ( SS) 。在滿意集中 , U CV 選擇合適的決策 , 形成多 UCV協(xié)同的目標(biāo)分配決策 , 以期用盡可能小的代價及盡可能大的成功概率完成多

8、 UCV 的全局目標(biāo)任務(wù) , 從而實現(xiàn)多 UCV 對多目標(biāo)的協(xié)同攻擊。滿意集為 U CV 任務(wù)目標(biāo)分配提供協(xié)同決策空間。在此基礎(chǔ)上 , U CV 通過協(xié)同的多目標(biāo)分配實現(xiàn)多 U CV 之間高層次、大范圍的快速任務(wù)協(xié)同。3. 2自主行為決策控制的行為建模技術(shù)行為建模是對人的智能、 思維形式建模 , 是 U CV自主行為建?；驔Q策控制的核心部分。傳統(tǒng)的行為建模技術(shù)一般采用邏輯、 規(guī)則或框架等方法 , 目前多數(shù) UCV 系統(tǒng)中的行為推理也基于上述方法。 隨著行為建模的日趨復(fù)雜 , 上述方法已無法滿足需求。伴隨著作戰(zhàn)指控技術(shù)的發(fā)展和 U CV 的研究 , 行為建模日益成為熱點 , 新的且實用的自主行為

9、建模技術(shù)也不斷發(fā)展和完善 , 其中有代表性的 4 項建模技術(shù)如下 5 :3. 2. 1態(tài)勢評估模型建模技術(shù)認(rèn)知過程中的態(tài)勢評估是對當(dāng)前形勢的估計及未來形勢的預(yù)測, 構(gòu)建態(tài)勢評估模型的主要技術(shù)包括:專家系統(tǒng)、黑板系統(tǒng)、基于范例的推理和貝葉斯信任網(wǎng)技術(shù)。專家系統(tǒng) , 即產(chǎn)生式規(guī)則系統(tǒng) , 主要包括規(guī)則庫、事實庫和推理機(jī) 3 部分 , 其中 , 推理機(jī)是專家系統(tǒng)的核心 , 它運用事實庫中的數(shù)據(jù)對規(guī)則庫進(jìn)行搜索、 推理和匹配。黑板系統(tǒng)將當(dāng)前狀態(tài)分解成不同部分 , 并添加到黑板上的適當(dāng)位置 , 利用這些信息可以對當(dāng)前的形勢做出分析 , 并對未來的發(fā)展進(jìn)行預(yù)測 , 所得到的分析和預(yù)測結(jié)果也會添加到黑板上。

10、基于范例推理的基本思想是從過去相關(guān)的范例進(jìn)行推理。 實際應(yīng)用時 , 把系統(tǒng)的知識用一組范例庫表示 , 每一個范例都用一組特征表示 , 知識庫中的所有范例具有同樣的數(shù)據(jù)結(jié)構(gòu)。 當(dāng)新的形勢 ( 目標(biāo)范例 ) 出現(xiàn)時 , 便可將它與范例庫中的所有范例進(jìn)行比較 , 再依據(jù)相似性度量原則 , 找出與其最接近的范例 , 從而實現(xiàn)態(tài)勢評估的目的。貝葉斯信任網(wǎng)技術(shù)的理論依據(jù)是貝葉斯定理 , 當(dāng)已知狀態(tài) S 的先驗概率 , 且觀察到 S 的相關(guān)事件 E時, 則可計算出 S 的后驗概率。該技術(shù)適用于系統(tǒng)的推理過程。3. 2. 2決策制定模型建模技術(shù)決策是為了達(dá)到某個特定目標(biāo) , 從各種不同的方案中選取最優(yōu)方案。

11、除了專家系統(tǒng)和貝葉斯信任網(wǎng)可應(yīng)用于決策制定外 , 還有基于效用理論的決策方法。 在基于效用理論的決策中 , 狀態(tài)的效用值用效用函數(shù)計算 , 它是狀態(tài)的非線性函數(shù)。在實現(xiàn)過程中 , 根據(jù)影響效用值的因素選擇相應(yīng)的決策方法 , 主要包括基本效用理論、多屬性效用理論和隨機(jī)效用模型 3 類。規(guī)劃模型建模技術(shù)規(guī)劃是制定具體行動的方案或計劃,主要有產(chǎn)生式規(guī)則或決策表方法、式搜索或遺傳算法、 規(guī)劃模板或基于范例的推理以及基于仿真的規(guī)劃方法4型實現(xiàn)技術(shù)。組合種模產(chǎn)生式規(guī)則或決策表方法是規(guī)劃模型采用最多的技術(shù) , 其中的規(guī)則和決策表都是建立在作戰(zhàn)條例基礎(chǔ)之上的。 其不足之處是 : 僅能處理規(guī)則庫或決策表存在的情

12、況 , 對于其中不存在的情況無法處理。組合式搜索或遺傳算法一般用作規(guī)劃決策模型的輔助手段 , 能夠產(chǎn)生完整的規(guī)劃方案 , 在遇到新的情況時 , 可以規(guī)劃出新方案。其主要缺點是在進(jìn)行復(fù)雜的規(guī)劃時計算代價太大 , 無法用于實時的行為建模。規(guī)劃模板或范例與作戰(zhàn)規(guī)則保持一致時 , 作戰(zhàn)任務(wù)可規(guī)劃成更為詳細(xì)的行動計劃。規(guī)劃模板或基于范例的推理采用的都是經(jīng)驗知識 , 符合人的行為特點 , 但其靈活性和適應(yīng)性較差。基于仿真的規(guī)劃方法并不產(chǎn)生規(guī)劃結(jié)果 , 主要依靠對可供選擇的規(guī)劃方案進(jìn)行快速仿真 , 以實現(xiàn)對這些規(guī)劃方案的快速評估、修改、細(xì)化及優(yōu)化等。3. 2. 4學(xué)習(xí)模型建模技術(shù)學(xué)習(xí)模型的建立不僅是 U C

13、V 的自主行為建模 , 也是整個人工智能領(lǐng)域研究的難點和發(fā)展方向之一。 常見的實現(xiàn)技術(shù)有基于規(guī)則的學(xué)習(xí)模型、基于范例的學(xué)習(xí)模型和神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型等。基于規(guī)則的學(xué)習(xí)模型系指當(dāng)一個新的情況或者某一沖突出現(xiàn)時,若現(xiàn)有的規(guī)則無法解決 , 則啟動一問題求解過程來進(jìn)行求解。同時 , 這一新的情況和問題求解的結(jié)果又構(gòu)成一條新的規(guī)則 , 并將其添加到規(guī)則庫中 , 即完成了學(xué)習(xí)過程。由于該方法在啟動一條規(guī)則時 , 需要對觸發(fā)狀態(tài)進(jìn)行精確匹配。 因此 , 存在噪聲影響時 , 其靈活性較差?；诜独膶W(xué)習(xí)模型工作原理系指存儲對過去求解問題的經(jīng)驗 ( 即范例 ) 。當(dāng)出現(xiàn)新問題時 , 利用其與已知范例的相似性進(jìn)行求解、更新及存儲等。 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)模型是一種基于人腦工作機(jī)制的模型。 該學(xué)習(xí)模型由一些相同的單元及單元間帶權(quán)值的連接線組成 , 其中每個單元具有一個狀態(tài)。進(jìn)行習(xí)時 , 先根據(jù)問題