中国科技核心期刊      中国指挥与控制学会会刊     军事装备类重点期刊
指挥控制与仿真

指挥控制与仿真 >

2025 , Vol. 47 >Issue 3: 126 - 134

DOI: https://doi.org/10.3969/j.issn.1673-3819.2025.03.018

训练与仿真

一种基于靶标代理的虚实对抗训练系统交互设计方法*

  • 张琪 1 ,
  • 黄鹤松 1 ,
  • 蔡亚 2 ,
  • 焦鹏 1, †
展开
  • 1 国防科技大学系统工程学院, 湖南 长沙 410073
  • 2 南京模拟技术研究所, 江苏 南京 210016
†焦 鹏(1981—),男,博士,副研究员。

张 琪(1988—),男,博士,助理研究员,研究方向为作战仿真、智能行为建模。

Copy editor: 许韦韦

收稿日期: 2024-09-14

  修回日期: 2024-10-08

  网络出版日期: 2025-05-28

基金资助

*军事理论科研计划项目(24-JSLLKY-151)

收起

Interaction design for virtual-real confrontation training system based on target agent

  • ZHANG Qi 1 ,
  • HUANG Hesong 1 ,
  • CAI Ya 2 ,
  • JIAO Peng 1, †
Expand
  • 1 College of Systems Engineering, National University of Defense Technology, Changsha 410073, China
  • 2 Nanjing Research Institute on Simulation Technique (NRIST), Nanjing 210016, China

Received date: 2024-09-14

  Revised date: 2024-10-08

  Online published: 2025-05-28

Fold

摘要

现阶段陆军实兵训练主要以实兵对抗训练系统为主,综合实兵实装(Live)、模拟器(Virtual)和构造仿真系统(Constructive),开展虚实一体的LVC联合模拟对抗训练普遍面临虚实数据难同步、虚实兵力难感知、虚实模型难交互等突出问题,严重制约LVC训练发展。为解决以上问题,在已有实兵对抗训练系统基础上,提出基于靶标代理的虚实对抗训练系统交互设计方法:① 引入靶标作为智能虚兵模型的现地代理,解决实兵对虚兵难感知、模型难交互的问题;② 采用行为树作为靶标虚兵模型的决策算法,实现对靶标代理智能控制;③ 采用5次样条插值算法对靶标设备低频采样数据进行状态估计,实现虚实数据实时同步。初步实验表明,所提方法设计的虚实对抗训练系统能够实现虚实兵力之间的智能对抗交互,系统运行稳定、可靠性强,可以为虚实一体LVC训练系统研制提供有效支撑。

关键词： LVC训练; 虚实交互; 靶标代理; 行为树决策; 模型状态同步

本文引用格式

张琪 , 黄鹤松 , 蔡亚 , 焦鹏 . 一种基于靶标代理的虚实对抗训练系统交互设计方法*[J]. 指挥控制与仿真, 2025 , 47(3) : 126 -134 . DOI: 10.3969/j.issn.1673-3819.2025.03.018

Abstract

At present, army mainly relies on the live engagement system in the live training, integrating live, virtual, and constructive simulations. However, the implementation of integrated LVC joint simulation confrontation training faces significant challenges such as synchronizing virtual-real data, limited perception of virtual-real forces, and intricate interaction between virtual-real models, which severely impede the progression of LVC training. To address these issues, this paper proposes an interaction design method for a LVC confrontation training system based on intelligent target agents, building upon the existing live engagement system: ① Introducing targets as field agent for virtual forces models resolves challenges in real force perception of virtual force and model interactions. ② Utilizing behavior trees as the decision-making algorithm for target virtual forces models facilitates intelligent control of target agents. ③ Employing quintic spline interpolation algorithms to smoothen and denoise low-frequency sampled data from target devices, enabling real-time synchronization of real and virtual data. Initial experiments demonstrate that the proposed method for designing the LVC confrontation training system enables intelligent interaction and confrontation between real and virtual forces. The system is stable and reliable, providing effective support for developing integrated LVC training systems.

Key words： LVC training; virtual-real simulation interaction; target agent; behavior trees decision; model state synchronization

训练仿真系统通常可分为实兵实装(Live Simulation)、模拟系统(Virtual Simulation)、构造仿真系统(Constructive Simulation)3类系统。实兵实装系统是指真实的人员操作真实的训练装备系统,模拟系统是指人在环境的虚拟操作系统,构造仿真系统是指纯虚拟的仿真系统[1]。近年来,综合3类系统构建虚实结合的集成环境来开展训练,有望解决传统训练方式存在的环境构设困难、组训代价高、闭环评估难等问题,具有较大发展潜力,受到以美国为首西方国家的高度重视[2-4]。
目前,在陆军LVC训练系统中,由于真实人员缺乏感知虚拟作战环境和兵力并与其进行对抗交互的手段,普遍面临实兵对虚兵感知难、打击交互难、虚实兵力的状态数据在统一空间内准确同步难等突出问题,严重制约LVC训练的发展[5-7]。为解决这一问题,研究者们尝试采用增强现实(Augmented Reality,AR)及混合现实技术(Mixed Reality,MR)实现虚实兵力交互[8-11]。然而,不论是AR还是MR技术,所依赖的眼镜和头盔等外部设备,目前在应用方面普遍存在定位精准度、室外光照等场景适应性不高,长期携带并处于运动状态对使用者造成眼疲劳、头晕不适等问题,可靠性、便利性方面的不足阻碍了其在训练领域的普及发展。
随着5G通信、建模仿真、机器人等技术的发展,智能靶标系统作为训练场上具有半自主行动能力的主体得到了广泛关注[12-14]。与传统靶标相比,智能靶标具有部署简便、半自主性的特点,如可根据指令和当前状态实施机动、开火打击,遭受攻击后可按照一定规则进行简单规避等。郭彪等研究了一种能够模拟外军主动防御系统的靶标[15],该靶标利用全新防护理念,融合了多种防护手段,为作战试验和设备建设提供了新思路。曹俊宏等针对轻武器训练装备智能化、无人化发展趋势,提出了一种仿人智能移动靶标的概念设计方案[16],为仿人智能移动靶标这一全新的军事模拟训练提供了有益借鉴。曹乐怡基于地面车辆热辐射理论,设计了一种红外模拟靶标,能够在一定程度上模拟装甲车的红外辐射特性[17]。以上系统采用了一些简单的智能化手段提升靶标的反应性和适应能力,但由于当前机器人技术智能水平的局限性,在复杂训练地形和开放对抗场景中,依托靶标完全开展自主兵力的对抗尚无法实现。
结合以上分析,针对陆军联合模拟对抗训练中实兵对虚兵难感知、实兵对虚兵打击交互难进行、虚实兵力状态数据难准确同步的问题,考虑靶标半自主智能、简便部署特性在作战训练中的潜力,本文提出一种基于靶标代理的虚实对抗训练系统交互设计方法。首先,引入简易靶标作为虚兵在真实世界中的代理,并设计分布式虚实对抗系统架构,为实兵能够感知和打击虚兵提供了一条不同于当前尚不成熟的虚拟现实技术的可行路径。其次,设计定制的行为树支持虚兵对靶标代理的智能规划与反应式控制,在靶标代理支持虚实感知交互的基础上,可融合虚兵的智能认知行为模拟和靶标的逼真物理特性及动作模拟,解决传统与实兵实装对抗的交战级虚兵模型逼真度不高的问题。再次,采用5次样条插值算法实现对虚兵连续状态的精准估计,解决因靶标设备采样稀疏和通信不稳定导致的模型状态难同步、虚实交互不准确问题。
典型系统设计和现地场景实验表明,所提方法为陆军LVC训练系统的虚实兵力交互提供了一种可行的新思路。依托所提方法设计的系统相比现有虚拟现实、增强现实等虚实交互手段,在真实训练场景下能够实现实虚交互,且系统运行稳定、可靠性强,虚兵与其靶标代理位置精度在1 m以内,保证了虚实兵力交互状态的准确性,已在某重大演示验证活动中试用,初步应用成效显著,提升了虚实对抗训练开展的可行性。

1 传统实兵对抗训练系统

实兵对抗训练系统作为一种先进的作战训练系统,采用实兵实装+数字弹或激光的理念在实战化训练中发挥着越来越重要的作用。如图1所示,基本实兵对抗训练系统一般包括外场设备单元、适配器单元、数据通信中间件和毁伤裁决单元。外场设备单元中的实兵装备是在原有实装的基础上改造的,配置卫星定位、4G/5G无线通信、激光直瞄和间瞄武器、毁伤状态显示等模组。实兵适配器负责完成实兵装备和中间件之间的数据通信及协议转换,数据通信中间件是系统各功能单元之间数据分发以及仿真时间统一推进的数据服务工具软件,毁伤裁决单元负责整个仿真系统中所有打击交互毁伤的裁决计算,并将裁决结果发给中间件。系统运行时,卫星定位模组能够实时获取实兵实装的位置数据,由于通信限制采样周期一般为10 s级,激光直瞄武器可以直接发射激光进行打击并裁决,间瞄武器能够输出间瞄打击数据到毁伤裁决单元裁决,4G/5G无线通信模组负责实兵装备和实兵适配器之间实时数据通信,毁伤状态显示模组收到裁决结果后,通过声光报警和冒烟展现自身的毁伤状态。
图1 传统某实兵对抗训练系统架构

Fig.1 A traditional live engagement training system architecture

当前随着LVC虚实对抗训练的开展,要求实兵对抗训练系统能够与已有的模拟器、构造仿真系统等进行态势、指令、情报等数据的传输交互及虚实状态同步,这对原有系统架构及交互方式提出了挑战。分析已有实兵对抗训练系统结构容易发现,一方面由于实兵人员没有途径感知虚拟数字场景,导致引入虚兵和虚拟场景时实对虚单方面无法感知及交互,另一方面仿真功能单元和大量实兵装备之间可能存在采样周期频次低、数据传输延迟等问题,导致实兵之间、虚实之间数据的准确性和实时同步有很大挑战,难以对实际情况进行逼真模拟,影响实兵装备的作战效果和训练质量。

2 基于靶标代理的虚实对抗训练系统交互设计

2.1 系统架构设计

考虑基本实兵对抗训练系统存在的不足,本文在其基础上引入靶标和虚兵单元,构建基于靶标代理的虚实对抗训练系统,有效解决了虚实数据难同步、虚实兵力难感知和虚实模型难交互等突出问题。该系统由外场设备单元、适配器单元、数据通信中间件、虚兵单元和毁伤裁决单元5部分构成,如图2所示。
图2 基于靶标代理的虚实对抗训练系统架构

Fig.2 Architecture of LVC confrontation training system based on intelligent target

本文所述虚实对抗训练系统,所设计的虚兵模型包括两类:靶标虚兵模型和普通虚兵模型,两者均实现了对虚兵的智能决策等认知行为模拟,但不同于普通虚兵模型,靶标虚兵模型不进行装备物理特性和基本动作模拟。靶标虚兵模型主要模拟想定中可能发生虚实交互的仿真实体,在训练场现地设立对应的靶标代理,以被实兵感知和交互。靶标虚兵模型根据认知决策行为输出对靶标代理的基本动作控制指令,由靶标代理实现在训练场现地基本的机动、姿态变换、打击等动作表现,并将代理实时的位置、毁伤等状态数据同步给靶标虚兵模型。虚实兵力之间的直瞄打击交互,实兵打虚兵由实兵发射激光、靶标代理通过设备接收直接进行裁决解算,虚兵打实兵由靶标虚兵模型发送打击数据并由毁伤裁决单元解算。间瞄打击交互虚实兵之间均打数据由毁伤裁决单元进行解算。除激光打击外,各系统间数据通过适配器协议转换和中间件传输,最终实现了靶标代理和靶标虚兵模型之间行为及结果的一一映射,从而解决 LVC 中虚兵和实兵不能相互感知及攻击的难题,详细原理如图3所示。
图3 虚兵和实兵相互感知、攻击原理图

Fig.3 Schematic diagram of mutual perception and attack between virtual and real soldiers

2.2 靶标代理设计

相对于传统固定活动靶标而言,智能靶标具有一定的自主性,如移动更自由、靶标隐现、发射激光束更随机、智能识别靶计算成绩等。常见用于训练的智能靶标包括装甲类(坦克)和单兵类两种,其外形匹配作战对手的外形特征,高逼真度模拟单兵和装甲类车辆。针对训练需求,通常在原有靶标平台基础上加入无线通信、定位、机动控制等模组。定位模组实时获取靶标当前的经纬度数据,机动控制模组负责获取平台机动状态以及控制平台的机动和转向,无线通信模组负责所有打击、被激光打击、位置数据的收发,数据上传频率通常为1秒级,但由于信号问题周期可能不固定。由于通常分队级训练虚兵模型仿真推进步长不大于100 ms,实际演训中经常出现虚实系统之间状态更新不同步,使得靶标虚兵模型存在状态跳变等现象,影响训练效果。
针对已有智能靶标,本文通过设计靶标适配器及基于五次样条插值的虚实状态同步算法,实现虚实之间的数据实时交互和状态同步。

2.2.1 靶标适配器

靶标适配器是靶标代理和中间件之间的通信中转站,主要完成数据协议的转换、虚兵模型对靶标代理的驱动和控制、靶标代理的状态更新以及靶标代理与实兵、虚兵之间打击交互等功能,最终实现了靶标代理和整个仿真系统的互联互通。如图4所示,适配器主要包含靶标数据收发子线程、协议转换算法和中间件仿真推进子线程。靶标数据收发子线程主要通过设置UDP服务端,实现上行数据(经纬度数据、状态数据和开火交互数据等)和下行数据(如毁伤裁决结果、机动路径数据及机动控制命令等)的接收与转发,其通过哈希表实时保存和更新所有靶标代理的位置、机动状态、毁伤状态等数据。中间件仿真推进子线程遵循中间件的通信架构和协议,主要向中间件发送经协议转换后的靶标位置、状态、直瞄打击交互数据等,并接收来自中间件的毁伤裁决结果和靶标机动控制指令,其利用靶标-模型编号映射表管理靶标代理和靶标虚兵代理模型的匹配关系。协议转换主要完成靶标数据通信协议与中间件数据通信协议之间的转换,以及虚实状态同步处理算法等。
图4 靶标适配器结构图

Fig.4 Structure diagram of target adapter

2.2.2 基于五次样条插值的虚实状态同步

在适配器的协议转换中,使用五次样条插值方法对靶标代理发送的非固定周期的离散状态数据进行插值处理,使靶标虚兵模型的状态变化更符合真实靶标,代理也更平滑。
(1)定义五次样条函数表达式
在本文中,为提升数据处理与分析的精确程度,我们基于文献[18]提出5次样条插值函数,对靶标的下一运动状态进行了计算。所述5次样条插值函数在区间[xi,xi+1]处的表达式为

S(x)=(120βi)-1( α i 5 Mi+1- α i + 1 5 Mi) +(6βi)-1×

( α i 3 Ti+1- α i + 1 3Ti)- β i 36( α i 3 Mi+1- α i + 1 3Mi)+

β i - 1(αiyi+1-αi+1yi)- β i ( α i T i + 1 - α i + 1 T i ) 6+

7 β i ) 3 ( α i M i + 1 - α i + 1 M i ) 36
其中,x表示从该段曲线的起点到终点的相对位置,xi代表第i个样条节点的横坐标,yi代表第i个样条节点的纵坐标,αi=x-xi,βi=xi+1-x,(i=0,1,…,n);Mi在力学上解释为梁在xi截面处的弯矩,称为S(x)的矩,Mi=S(4)(xi),即Mi为S(xi)的四阶导数;Ti在力学上描述了梁在xi截面处弯曲形状的变化率,Ti=S″(xi),即Ti为S(xi)的二阶导数。
(2)预测下一运动状态
在虚实对抗训练系统中,为了实现高度逼真的模拟效果,需要预测靶标的下一运动点,还需要准确计算并同步其朝向,这一过程是确保虚实状态紧密同步的关键环节。预测下一运动点方法如下:从代理中获取运动轨迹集合Xn={(x0,y0),(x1,y1),…,(xn-1,yn-1)}作为五次样条函数的输入,并计算下一个运动点坐标(xn,yn)。朝向的预测计算基于预测的运动点坐标,同时结合目标当前自身的位置(或上一已知位置),利用位置差向量计算来确定。一旦预测的运动点坐标和计算出的朝向被确定,这些信息将被立即同步到虚拟环境中,以反映实际或预测中的运动状态。通过高效的同步机制,可以确保虚拟环境中的目标与实体目标在位置、速度和朝向等方面保持高度一致,从而提升训练的真实感和有效性。
综上所述,5次样条插值法采用分段处理插值方法,各阶段相互独立,不涉及插值基函数,插值函数表达式固定,只需解方程得到区间内样条节点的二阶导数和四阶导数值就能得到函数表达式,能较好地解决动态增加节点的问题,相比 Newton 插值和 Hermite 插值,计算复杂度低,程序实现灵活。

2.3 基于定制行为树的虚兵智能决策模型

在本方法中,计算机生成兵力(CGF)虚兵模型,具有一定的自主行为决策能力,可感知作战范围内的兵力态势,其智能决策和行为控制对于提高作战效能、降低人员伤亡具有重要意义。然而,传统的虚兵模型往往基于规则或状态机,难以适应复杂多变的战场环境和敌情变化,因此如图5所示,本文通过设计定制化的行为树,在接收任务和发现敌人反应式打击决策的行为树基础上,改造通用动作节点,将 A* 路径规划算法作为服务封装到动作节点中形成 A* 路径规划器节点,定制形成通用机动执行子树,可根据输入的地形环境和规划路径点,循环调用机动目标点直至到达目标。在执行过程中,若受到上级打击命令或发现敌人等优先级更高的行为,可中断当前规划任务执行过程执行相应的反应式决策,以此形成兼具反应式决策与规划特性的混合式行为树虚兵智能决策模型。虚兵模型利用行为树逻辑控制输出的指令动作,通过靶标代理完成具体的动作执行。
图5 基于定制行为树的靶标虚兵决策模型

Fig.5 Decision-making model of target constructive force based on customized behavior tree

3 原型系统及验证

3.1 实验想定描述

为了验证本文设计的虚实对抗训练系统交互设计方法的有效性,在某演示验证环境中依据本方法实现了原型系统,进行了虚实兵力间对抗交互和虚实状态同步测试的初步实验。实验中蓝方两辆坦克由本文设计的靶标虚兵模型和靶标代理组成,红方火力为实兵。蓝方坦克接到上级指挥所命令,需要前往某地执行任务,行进过程中红方实兵感知到蓝方坦克虚兵并进行火力打击。通过现地观察采集实验中靶标每一时刻的状态数据,并与仿真系统中靶标虚兵模型数据进行对比,以此检验靶标虚兵模型系统的状态同步、预测以及智能决策能力。实验中的靶标代理根据汽车底盘平台(装甲类)和小型四轮机器人平台(单兵类)进行改造而来,详见图6。
图6 靶标实景图

Fig.6 Actual view of the target

3.2 实验结果分析

3.2.1 虚实对抗交互总体效果

图7所示为虚实交互打击总体效果,其中左图为实兵通过靶标代理感知虚兵靶标模型兵力并开展打击后的三维场景,右图为现地靶标代理被打击视频。以上实验结果显示,通过引入简易式的靶标代理,构建基于靶标代理的虚实对抗训练系统,可有效实现陆军实兵感知虚兵且两者发生对抗交互。表1 展示了两个蓝方靶标虚兵模型与真实靶标代理的位置坐标,可以看到两者间距离差保持在1 m以内,表2展示了两个蓝方靶标虚兵模型与真实靶标代理的朝向,两者间朝向差保持在3°内。采用本方法所设计的虚拟场景和靶标代理实景状态基本一致,保证了虚实交互的准确性,从而提高模拟的真实性和实战应用效果。
图7 靶标遭遇火力打击三维态势和实景图

Fig.7 Three-dimensional view and real picture of the target under fire

表1 蓝方靶标虚兵模型与真实靶标代理位置对比

Tab.1 The position comparison of blue target constructive model and real target agent

序号 靶标虚兵模型
位置/m		 真实靶标代理
位置/m		 位置距
离差/m
1 (112.57,42.29) (113.24,41.94) 0.756
2 (158.32,63.71) (159.01,63.24) 0.835
表2 蓝方靶标虚兵模型与真实靶标代理朝向对比

Tab.2 The orientation comparison of blue target constructive model and real target agent

序号 靶标虚兵模型
朝向/rad		 真实靶标代理
朝向/rad		 朝向差/
(°)
1 (0.987,0.156) (0.927,0.106) 2.46°
2 (0.972,0.233) (0.912,0.183) 2.13°

3.2.2 位置预测实验结果对比分析

基于5次样条插值法,根据靶标每隔一段时间内上传更新的机动数据,在靶标虚兵模型中每0.1 s插值预测机动路径点,实验中部分时刻靶标实际机动部分和插值处理后的靶标机动数据见表3。初始时刻0 s、1.4 s、2 s为靶标不定期的实时数据上传更新时间,其余时刻靶标实际位置由实验人员现地记录采集。图8为实际机动路径和插值预测路径对比图,不难发现,在每隔一段时间根据实际数据对预测路径点进行校正的情况下,插值预测的机动路径点基本保持误差在1 m以内,结果能够满足部队训练的真实性与可靠性要求。
表3 靶标机动规划路径

Tab.3 The target maneuver planning waypoints

序号 时间/s 靶标实际机动路径点
(x轴坐标/m,y轴坐标/m)		 插值处理后的机动路径点
(x轴坐标/m,y轴坐标/m)		 实际值与预测值
之间的距离差/m
1 0 (63.5,70.72) (63.5,70.72) 0
2 0.1 (64.1,70.35) (64.27,70.57) 0.28
3 0.2 (64.7,69.94) (64.86,70.31) 0.4
4 0.3 (65.2,69.52) (65.42,69.92) 0.46
5 0.4 (65.8,68.47) (65.98,69.41) 0.96
6 0.5 (66.4,68.69) (66.57,68.91) 0.28
7 0.6 (67.0,68.44) (67.22,67.95) 0.54
8 0.7 (67.5,67.86) (67.71,67.27) 0.63
9 0.8 (68.1,67.45) (68.29,66.63) 0.84
10 0.9 (68.7,67.21) (68.81,66.24) 0.98
11 1.0 (69.3,66.89) (69.37,65.93) 0.96
12 1.1 (69.9,66.03) (69.9,65.58) 0.45
13 1.2 (70.5,65.86) (70.53,65.31) 0.55
14 1.3 (71.1,65.47) (71.21,65.02) 0.46
15 1.4 (71.7,64.79) (71.7,64.79) 0
16 1.5 (72.3,64.56) (72.43,64.49) 0.15
17 1.6 (72.9,64.37) (73.12,64.11) 0.34
18 1.7 (73.5,63.74) (73.64,63.89) 0.21
19 1.8 (74.1,63.07) (74.24,63.49) 0.44
20 1.9 (74.7,62.93) (74.87,62.86) 0.18
21 2 (75.3,62.3) (75.3,62.3) 0
图8 靶标机动规划路径对比

Fig.8 The target maneuver planning path comparison

3.2.3 智能决策实验结果分析

本实验中,蓝方靶标虚兵模型根据上级指挥所命令前往指定目标点时,按照定制行为树决策模型,首先会调用局部A*算法进行路径规划,在未发现威胁时实施避开障碍物到目标点的机动,当其遭遇敌方实兵火力打击时,将会中断机动任务,触发优先级更高的远离敌最佳火力打击范围还击的打击策略,交火完成或脱离威胁后,会重新进行路径规划向新的目标点行进。如图9所示。
图9 智能决策规划路线图

Fig.9 Roadmap of intelligent decision-making planning

(1)初始路径规划与机动
实验开始后,蓝方靶标虚兵模型接收到前往指定目标点(设为坐标点D)的命令。随即,模型启动了定制行为树决策模型,并调用局部A*算法进行初始路径规划。在T0时刻,模型从起始位置(设为坐标点A)出发,沿着A*算法规划出的避障路径(如图9中虚线所示)机动。此路径有效避开了沿途的障碍物,确保了模型在无威胁状态下的高效行进。
(2)遭遇威胁与即时反应
随着机动的深入,在T1时刻,蓝方靶标虚兵模型接近了敌方实兵的活动区域,并突然遭遇来自敌方的火力打击。面对这一突发威胁,模型迅速评估当前态势,决定中断原有的机动任务,并触发优先级更高的打击策略,即立即远离敌最佳火力打击范围。这一决策体现了模型对战场态势变化的即时感知与快速反应能力。
(3)路径重新规划与执行
在确认已脱离敌方火力威胁后(T2时刻),蓝方靶标虚兵模型根据当前位置(设为坐标点C)及最新的战场信息,重新进行了路径规划,选择了一条新路径(如图9中实线所示)继续向原目标点D前进。
通过上述详细分析可以发现,模型具备在路径规划的同时,对战场动态情况进行反应式决策处置的能力。
依据本文方法所设计系统已在某重大演示验证活动中试用,初步应用成效显著。由上述实验可以发现,在实际作战中,通过靶标代理能够有效解决作战训练时的虚实数据交互问题,此外,利用5次样条插值处理之后的位置数据更加符合实际,能够满足部队训练的真实性与可靠性要求。

4 结束语

针对当前 LVC 联合模拟对抗训练面临的虚实数据难同步、虚实兵力难感知、虚实模型难交互等突出问题,本文在已有实兵对抗训练系统基础上,提出基于靶标代理的虚实对抗训练系统设计方法。通过引入靶标作为智能虚兵模型的现地代理,并设计了基于定制行为树的靶标虚兵模型智能决策算法,为解决上述问题提供了有效的方法。实验结果表明,通过使用靶标代理及五次样条插值法,能够有效实现虚实兵力之间的对抗交互和虚实状态同步,提升了对抗训练中虚实兵力的一体化融合,为陆军LVC训练系统的设计和推广提供参考支撑。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
毛子泉, 高家隆, 龚建兴, 等. 虚实结合仿真在军事领域的应用综述[J]. 系统仿真学报, 2023, 35(11): 2 289-2 311.

MAO Z Q, GAO J L, GONG J X, et al. Application of virtual-real simulation in military field[J]. Journal of System Simulation, 2023, 35(11): 2 289-2 311.

[2]
白爽, 洪俊. 美军面向LVC联合训练的技术发展[J]. 指挥控制与仿真, 2020, 42(5): 135-140.

DOI

BAI S, HONG J. Development of U.S. LVC joint training technology[J]. Command Control & Simulation, 2020, 42(5): 135-140.

[3]
GAO A, GUO Q, DONG Z, et al. Research on virtual entity decision model for LVC tactical confrontation of army units[J]. Journal of Systems Engineering and Electronics, 2022, 33(5): 1 249-1 267.

[4]
彭勇, 张淼, 胡越. 面向LVC训练系统的云边协同服务架构[J]. 系统仿真学报, 2023, 35(9): 1 825-1 836.

PENG Y, ZHANG M, HU Y. Cloud-edge collaborative service architecture for LVC training system[J]. Journal of System Simulation, 2023, 35(9): 1 825-1 836.

[5]
高昂, 董志明, 郭齐胜, 等. 陆军分队 LVC 战术训练虚实实体配置研究[J]. 系统仿真学报, 2021, 33(4): 982-994.

DOI

GAO A, DONG Z M, GUO Q S, et al. Study on virtual and real entity configuration of army units LVC tactical training[J]. Journal of System Simulation, 2021, 33(4): 982-994.

DOI

[6]
杨芸, 胡建军, 李京伟. LVC 训练体系建设发展现状及关键技术[J]. 兵工自动化, 2023, 42(1): 4-15.

YANG Y, HU J J, LI J W. Development status and key techniques of LVC training system[J]. Ordnance Industry Automation, 2023, 42(1): 4-15.

[7]
杜楠, 谭亚新, 冯斌. 基于对象元模型的 LVC 实验资源服务化方法研究[J]. 系统仿真学报, 2022, 34(8): 1 834-1 846.

DU N, TAN Y X, FENG B. Servicing method of LVC experiment resources based on object metamodel[J]. Journal of System Simulation, 2022, 34(8): 1 834-1 846.

[8]
陈栋, 连细南, 陈朋. 一种基于增强现实技术的炮兵实弹对抗训练方法研究[J]. 舰船电子工程, 2021, 41(3): 89-92.

CHEN D, LIAN X N, CHEN P. Research on a method of artillery live ammunition confrontation training based on augmented reality technology[J]. Ship Electronic Engineering, 2021, 41(3): 89-92.

[9]
龙知洲, 陈珺娴, 唐荣富, 等. 基于增强现实的士兵系统研究进展[J]. 火力与指挥控制, 2022, 47(8): 1-6.

LONG Z Z, CHEN J X, TANG R F, et al. A Survey on soldier systems based on augmented reality[J]. Fire Control & Command Control, 2022, 47(8): 1-6.

[10]
KUENZ A, ROSMANN S, SAYFUTDINOV G, et al. Improving MR visualization of digital twins using HoloLens2[C]// Proceedings of the Conference on Learning Factories (CLF), 2021.

[11]
CHEN M Z, YANG R, TAO Z X, et al. Mixed reality LVC simulation: a new approach to study pedestrian behaviour[J]. Building and Environment, 2022, 207: 108 404.

[12]
柳想成, 韩隆, 郑毅, 等. 智能靶标目标检测方法研究[J]. 激光与红外, 2023, 53(11): 1 712-1 718.

LIU X C, HAN L, ZHENG Y, et al. Research on intelligent target object detection methods[J]. Laser & Infrared, 2023, 53(11): 1 712-1 718.

[13]
毛新军, 杨硕, 黄裕泓, 等. 自主机器人多智能体软件架构及伴随行为机制[J]. 软件学报, 2020, 31(6): 1 619-1 637.

MAO X J, YANG S, HUANG Y H, et al. Towards software architecture and accompanying behavior mechanism of autonomous robotic control software based on multi-agent system[J]. Journal of Software, 2020, 31(6): 1 619-1 637.

[14]
管文辉, 樊长虹. 基于 CAN 总线的智能组合靶标[J]. 电子世界, 2015(15): 27-29.

GUAN W H, FAN C H. Intelligent combination target based on CAN[J]. Electronics World, 2015(15): 27-29.

[15]
郭彪, 孔小林, 张林锐, 等. 一种模拟外军主动防护系统的靶标[J]. 兵器装备工程学报, 2019, 40(2): 86-89.

GUO B, KONG X L, ZHANG L R, et al. A target for simulating T-90 active defense system[J]. Journal of Ordnance Equipment Engineering, 2019, 40(2): 86-89.

[16]
曹俊宏, 罗自荣, 蒋涛, 等. 仿人智能移动靶四连杆倒伏机构优化设计[J]. 机械设计与研究, 2022, 38(2): 66-70, 74.

CAO J H, LUO Z R, JIANG T, et al. Optimization design of an auto reset four-bar mechanism for humanoid intelligent mobile targets[J]. Machine Design and Research, 2022, 38(2): 66-70, 74.

[17]
曹乐怡. 某车辆红外模拟靶标技术研究[D]. 西安: 西安工业大学, 2023.

CAO L Y. Research on infrared simulation target technology of a vehicle[D]. Xi’an: Xi’an Technological University, 2023.

[18]
崔煜, 张政治, 孙华丽. 几种插值方法在GPS卫星轨道计算中的应用[C]// 第四届中国卫星导航学术年会论文集-S3精密定轨与精密定位, 2013.

CUI Y Y, ZHANG Z Z, SUN H L. Applications of several interpolation algorithm in GPS satellite orbit calculation[C]// China Satellite Navigation Conference, 2013.

Options
文章导航

/

〈 〉