中国指挥与控制学会会刊 
未来的两栖作战是典型的多军种联合作战,战场空间覆盖海、陆、空、天、电等多维领域,多源异构的战场数据将呈现剧烈的增长趋势,战场态势的认知和理解变得越来越困难,仅仅依靠指挥员有限的大脑存储和信息处理是远远不够的,需要采用智能化的手段进行态势的认知。因此,亟须解决态势智能认知框架的研究,明确认知要素,才能为后续态势认知模型建立、智能化技术研究提供前提,从而提升两栖作战态势感知能力,为未来两栖作战的胜利提供先决条件。
1 两栖作战态势智能认知的需求
1.1 两栖复杂环境中态势感知新难题
两栖作战分为集结装载、海上航渡、突击上陆、扩大巩固登陆场四个阶段,战场环境变化很大,战场空间不连续。两栖战场态势感知处理复杂,态势信息来源多样,包括海上(如舰载传感器)、空中(如战术卫星、侦察直升机、无人机等)、陆上(如雷达、电子侦察、光电侦察等地面侦察设备)等多种信息来源,覆盖海情、空情、陆情、水下、环境等多种情报类型[5]。两栖环境独特的水文、气象信息,水际滩头的水雾、噪声、光照变化,以及现有各种侦察力量的侦察数据格式不一,均对态势感知提出了新的难题:各类侦察装备来源不一,战场态势数据如何实现互联互通,并对复杂环境中的侦察情报进行感知和理解,获得敌方准确的目标情报及清晰的战场态势图,为两栖登陆部队提供准确的态势情报。
1.2 多军种联合有人无人协同作战的态势感知新挑战
未来的两栖作战是典型的多域联合作战,作战样式向海、陆、空多军种联合,有人无人协同趋势发展。目前的态势感知研究主要针对部分领域进行实现,但综合海陆空天电网等领域的战场态势的智能认知还未形成。而两栖作战需要考虑在多域情况下各军种、有人无人作战力量如何进行密切协同,如何处理因参战要素众多带来的数据大量增长和人工处理慢速的问题,必将面临新的挑战:1)多军种联合作战带来的数据量增长和人工处理慢速的问题,需要采用大数据、人工智能等先进计算技术为指挥员快速进行态势认知提供辅助; 2)为了保证执行同一作战任务的各军种任务一致、协同行动同步,需要确保任务相关各军种面对的态势信息以及对相关态势的感知、理解、认知要保持一致;3)对于军种不同、层级不同、专业差异、任务差异的用户,要求战场态势数据能够自动匹配用户的需求进行筛选展示及态势预测,在两栖作战急剧压缩的决策时间为用户提供可看、可懂、可用的态势信息。
1.3 国外态势感知智能化发展产生的新威胁
态势感知作为作战行动的先决条件、有效决策前提,已经引起了各国的高度重视。其中美军在智能化的发展上遥遥领先。美军将智能化技术视为“第三次抵消战略”,布局了大量基础技术研究项目,而且启动了一系列如“洞察”“心灵之眼”等面向实际作战任务背景的项目,尝试用机器学习和迁移学习等智能算法解决对抗条件下态势目标的自主认知,帮助指挥员快速定位、识别目标并判断其威胁程度[6]。
在2021年3月1日由美国人工智能国家安全委员为美国政府提供的最终建议报告中提出,到2025年美国要实现“军事AI战备状态”的目标,人工智能作为国家战略,将在全球竞争中提升美国的国防能力。作为作战行动先决条件的态势感知领域,在未来也必将面临极大的发展威胁。
2 态势智能认知概念及框架
2.1 态势智能认知概念
传统的态势感知的研究,多以美国著名心理学家M. Endsley 研究员提出的三级模型为主,如图1 所示。M. Endsley在飞行员执行空战任务的“OODA 环”中,从人的角度定义了态势感知(Situation Awareness,SA)的概念模型,即在特定的时空环境中对作战态势要素的察觉(Perception)、理解(Comprehension)、预测(Prediction),通过对目标信息进行提取,对提取的信息进行察觉、理解和预测的过程[7]。因此,态势感知主要分为态势察觉、态势理解和态势预测这三个部分,态势察觉和理解是对“态”的把握,态势预测则是对“势”的处理。
未来的两栖作战,指挥员需要在海量的战场信息条件下对战场态势进行察觉、理解及预测,并快速做出决策进而指挥作战行动。而海量信息的处理、快速推理和认知,仅仅依靠指挥员有限的大脑存储和信息处理是远远不够的。因此,对于指挥员的认知活动,必须有一种新的模式来减轻指挥员在认知过程中的负担,让计算机更多地承担计算、推理和预测的功能,让指挥员更多地发挥决策优势。
态势智能认知是基于传统的态势感知形成的一种新型态势认知,是指利用机器学习等人工智能技术手段,对指挥员的态势认知过程进行认知建模,通过融合人的经验智慧及机器的智能算法,获得认知事物的属性及相互之间关系的智能认知结果[8]。旨在解决两栖复杂战场环境下,多军种联合作战的大数据信息超载问题,提高指挥员态势感知效率;同时,针对急剧压缩的决策时间,为指挥员提供快速的战场态势预测,辅助指挥员获得更快、更全、更准、更深的态势认知结果。
2.2 两栖作战态势智能认知概念框架
两栖作战态势智能认知框架是模型构建、系统实施的关键前提。美国著名心理学家Gary Klein对框架的定义为:框架是指对研究对象进行要素确定,通过描述要素之间的关系、要素对研究内容的影响程度,实现去除影响度小的要素,保留影响度大的要素的过程[4]。通过研究两栖作战环境下态势认知的框架,就能对两栖作战中智能态势认知的要素组成、关键算法、运行流程等进行明确,从而为态势智能认知的后续实现提供指导。
根据两栖作战的特点,在态势感知及OODA环的模型基础上,本文提出了面向未来两栖作战的态势智能认知概念框架,如图2 所示。整个态势智能认知是一个不断循环且不断优化的螺旋过程,每个循环内包括态势数据预处理、态势察觉、态势理解、态势预测、态势生成、人机协同智能增强及态势智能认知反馈优化七个过程。利用对指挥员的态势认知过程建立智能算法模型,实现对战场态势的察觉、理解和预测,认知过程中的计算数据、决策行为数据等都作为反馈数据进行智能认知的再学习,进一步优化算法模型,不断提升态势智能认知的能力。
1) 态势数据预处理
态势数据预处理是对初始的战场态势数据进行标准化及降噪处理,提升后续态势察觉的效率。两栖战场初始态势数据由遍布海、陆、空等多域的传感器立体感知网获得,存在信息冗余、格式多样、图像水雾噪声大的情况,需对初始数据进行预处理,包括对数据冗余的去重清洗、对异构数据的标准化、对图像水雾噪声的处理,为态势察觉提供处理后的战场态势标准数据,提高察觉处理效率,解决两栖复杂环境中态势感知图像处理的难题。同时建立统一的态势描述规范,为多军种联合作战提供态势共享的基础。
2) 态势察觉
态势察觉主要围绕两栖作战的要素提取展开,通过对战场态势数据进行要素提取、目标识别等算法处理,获得敌情、我情及环境信息中对双方可能产生对抗要素的信息内容。态势察觉通过对态势信息中的目标数据进行识别及分群,获得影响对抗的主要因素,将指挥员从数量繁多的态势数据中解放出来,并对态势理解及预测提供数据基础。
察觉算法模型主要包括:①要素提取:根据两栖战场要素特征对态势数据进行初步提取;②目标识别:依据目标特征或先验知识识别目标的类型;③目标分群:在目标识别基础上,按照目标的类型属性、敌我属性、运动属性、任务属性、威胁属性等特征规则进行目标分群;④行为识别:在目标分群基础上,通过各目标群的状态(产生事件、运动状态、时间)及领域知识估计目标群当前执行的行为及任务;⑤态势关联:建立不同时刻态势数据中描述的目标之间的关系,为态势理解提供数据基础。
3) 态势理解
态势理解主要是结合领域知识对态势察觉结果进行处理,发现数据之间的相关关系,解释当前的态势情况,估计战场交战形式,并判断敌方的作战意图,分析敌方防御体系以及环境态势的影响,形成态势的理解要素。通过态势实体的行为、事件、状态与作战规则、认知机制进行数据挖掘和知识推理,最后形成对敌方意图的识别。
理解算法模型主要包括:①战法规则:根据两栖作战规则,对战场态势进行识别推理;②意图推理:通过对态势察觉结果进行分析综合,理解敌方的作战目的;③作战能力:分析敌我双方兵力部署情况、目标群行为状态、武器系统配置情况等因素,对局部敌我作战能力进行评估;④认知机制:分析指挥员在战场指挥控制操作中的相关认知机制,对重点机制进行建模,以更好实现智能认知。
4) 态势预测
态势预测是对作战区域内的双方兵力交战情况进行预测判断,通过对敌方目标进行威胁评估、对交战趋势等作战态势演变情况进行预测、对未来可能出现的兵力部署情况进行预测、对两栖作战登陆点等作战要点进行预测,让指挥员对交战趋势变化情况进行提前掌握,把握战场指挥时机,提升指挥员指挥效能。态势预测是在态势理解基础上,结合双方兵力部署/配置性能情况、环境要素情况、目标威胁情况、双方作战原则、目标等实体间关系情况等进行数据分析及智能预测,实现态势的数据预测。
预测算法模型主要包括:①态势假设:根据态势理解的要素内容,按照各要素之间的对抗等关联关系提出对态势变化的假设情况;②态势核验:对态势假设提出的假设情况进行检验,选择发生概率确定性最高的态势假设;③威胁估计:通过分析战场双方态势情况,分析敌方目标的作战能力、作战意图,结合战场环境等相关因素,评估敌方各目标威胁等级情况;④要点预测:威胁评估基础上,结合战场态势情况以及敌我双方兵力布势、作战意图等因素,实现两栖作战各阶段的作战重心预测、重要作战环节时机预测、登陆点等关键位置预测等。
5) 态势生成
态势生成针对不同指挥层级以及同一层级不同作战任务,聚焦战场空间内的关键节点和重要目标,通过对态势信息的合理组织,对态势察觉要素、理解要素及预测要素的可视化,为用户提供统一理解的共用态势图、有针对性的主题态势或定制态势等智能展现方式。共用态势按战术、战役、战略三级结构逐层构建,保证各层级指挥作战人员对态势理解的一致性。同时通过对作战任务、领域空间、目标定位等多种主题方式进行组织,定制主题态势信息,提供用户视角下多维灵活的态势展现方式,提供二三维地图、图表联动等形式的态势展示。在保证态势信息一致性基础上,解决不同层级不同作战任务的不同用户对态势信息的差异性需求。
考虑两栖作战高效决策的特点,在态势生成态势图基础上,通过语音识别、肢体手势、虚拟现实等智能的人机交互方式,在两栖作战指控快节奏下,提高指挥员的决策操作效率。
6) 人机协同智能增强
人机协同智能增强旨在提高人机协同效果,实现人脑+智能系统的深度融合,并最终反馈至智能认知算法的完善与优化。通过人工认知形式化表示,将指挥员的作用引入智能认知计算回路,实现指挥员决策引导与智能算法的融入,融入方式包括人工主动干预及机器申请协助。
态势认知智能算法在处理两栖战场庞大的数据量时,指挥员可基于经验、决策、谋略等对智能认知算法进行主动干预;同时当智能算法遇到信息缺失、不确定性等因素无法得到最优结果时,也可触发申请请求指挥员协助,通过人机协同柔性互补,达到态势认知智能增强效果。
7) 态势智能认知反馈优化
态势智能认知反馈优化是智能认知的关键环节,是对算法模型、认知领域知识、作战规则等智能处理一个持续迭代的过程。由于两栖作战的战场环境存在强对抗、态势信息不确定不完美等特性,态势察觉、理解、预测等认知数据,以及指挥员的决策方案、行动效果等都可用于认知学习及模型改进,从而通过持续的认知学习实现认知算法模型的优化。
2.3 态势认知框架与传统态势感知框架的区别
智能认知框架与传统态势感知框架的区别主要在于以下几个方面:
1)数据处理程度不同
智能认知框架中不仅对战场态势进行处理,还需要结合作战筹划及领域知识数据进行数据挖掘处理,通过智能算法分析,发现数据间的相关关系,突破了人类分析联系事物的局限性,解决了人类在面对海量数据存在的分析和聚焦困难的问题,为指挥员提供态势理解、形势预测的服务,大幅提高决策速度及决策质量。
2)智能迭代优化的不同
智能认知框架可通过多次试验的中间计算数据、决策行动数据及行动效果反馈数据进行再学习,从而不断迭代优化认知模型,相较于传统的态势感知框架具有自优化的优势,不断提升认知深度及认知质量。
3)态势层次生成的不同
智能认知框架通过层次化态势生成,提供共用态势图及主题/定制态势,建立灵活多样和粒度可变的态势显示,相较于传统的统一态势展示形式,在保证态势信息一致性基础上,解决不同层级不同作战任务的不同用户对态势信息的差异性需求。
3 结束语
本文对未来两栖作战的态势智能认知需求进行了分析,并对认知态势要素进行了说明,从框架整体层面,建立了智能态势认知的概念框架,描述了框架各个组成部分的功能、作用和主要模型内容,为未来两栖作战态势智能认知的发展提供支持,加速战场信息优势到决策优势的发展,为两栖作战的胜利提供先决条件。