中国指挥与控制学会会刊 
万物互联是智能化时代的一个显著特征,也是智能化战争的一个鲜明特点。战场上的各种实体所携带的传感器时时刻刻将战场信息回传给指挥中心,海量的态势信息呈现爆炸式增长趋势。如何有效利用智能化手段,在“信息迷雾”中迅速准确发现有用信息,实现高效精准的智能态势认知,已成为一个亟待解决的关键问题。文献[1]结合人工智能技术的发展,分析了智能态势认知面临的要图标绘、要素计算、局势研判、重心判定及态势预测项技术挑战。文献[2]分析了大数据、复杂网络、深度学习和强化学习等人工智能技术在战场态势认知领域的应用前景。文献[3-4]在分析态势智能认知总体技术框架的基础上,阐述了智能态势认知面临的关键问题及可能的技术路线。文献[5-6]在分析了国内外战场态势认知研究成果的基础上,提出了未来联合作战态势认知的发展建议。以上文献大多将重点放在了智能态势面临的挑战及军事需求分析方面,较少针对具体每项挑战的解决方法分析。
1 智能态势认知概念分析
1.1 态势认知
美国心理学家Endsley M. R.在分析飞行员对飞机周围环境的感知程度与飞行行为之间的关系时,将态势认知(Situation Awareness,SA)定义为,在一定时间和空间内对环境中各组成成分的感知和理解,进而预知这些成分的后续变化状况[7]。基于此,Endsley提出了态势认知的3级模型[8]:态势感知、态势理解和态势预测。态势感知主要解决对环境成分信息的获取问题,通过多种探测手段全方位感知战场信息,实现对敌情、我情和战场环境信息的综合掌握,认识到战场有什么,但还未形成完整的战场态势认识;态势理解基于获取到的态势感知信息,分析陆、海、空、天、电、网等不同分域报送信息之间的关联关系,实现态势信息的全域汇集、综合印证和深度理解,认识到战场是什么;态势预测基于态势理解得到的关联信息,结合战场实体运动状态模型、关联关系演化模型和事件发展演变模型等物理模型和战场思维模型,对未来状态、关系和事件的发展趋势进行分析判断,认识到战场为什么,实现对战场“态”和“势”的全面认知。
1.2 智能态势认知
智能态势认知与传统态势认知一样,依然遵循Endsley所建立的3级模型架构,主要区别体现在由多源异构的海量战场信息而引发的态势加工方法和处理流程。智能态势认知中的智能体现在两个层面。一是智能化的技术手段和模型算法,诸如综合运用机器学习、神经网络、知识推理等人工智能算法,为传统认知过程提效加速;二是面向指挥员及参谋人员的智能化作业流程及处理方法,采用多视角、广关联和多分支等态势信息加工手段,为传统认知提质赋能。以往的研究文献大多聚焦于第一层面,强调智能化所带来的处理效率的提升,往往忽略了第二层面的意义。事实上,智能态势认知最终是面向人的认知,其主要作用是在高效处理战场信息基础上,加工生产契合指挥员认知思想的态势产品,进而支撑后续作战筹划及行动控制过程。所以,智能态势认知的关键是将指挥员的认知思想以规则、算法、软件和数据等形式物化到智能处理系统中,在态势认知过程中,由智能处理系统来贯彻指挥员的战场思维、指挥方式及意志品质。
2 智能态势认知关键需求分析
2.1 作战体系智能分析
现代化战争已不再是单个武器装备之间战技性能的较量,而是战场上不同作战分域和不同军种力量所构成的网络信息作战体系之间的对抗博弈,破点断链和毁链瘫面已成为现代战争的基本作战形式。2011版军语对于作战体系的定义是:由各种作战系统按照一定的指挥关系、组织关系和运行机制构成的有机整体[9]。作战体系作为一种典型的复杂巨系统,所呈现出的整体性、涌现性、不确定性和非线性等特征使得对其建模分析面临诸多难题。知己知彼才能百战不殆,智能态势认知的首要任务就是对敌方作战体系的分析,主要包括作战体系构成分析、作战体系能力分析和作战体系重心分析三个方面。
2.1.1 作战体系构成分析
作战体系构成分析是后续作战体系能力分析和重心分析的基础,主要包括体系成员挖掘、体系关系分析和体系配置分析三个主要内容。
1)体系成员挖掘
2)体系关系分析
3)体系配置分析
作战体系内节点成员的高效搭配能够确保体系内预警探测、火力打击和指挥通信等能力有序衔接,远程、中程、近程能力梯次配置。体系配置分析就是要分析作战体系架构及结构配置,明确作战体系内各成员主要职能,分析成员所处的阵型阵位,支撑指挥员掌握作战体系当前任务及行动意图。针对以上问题,杨远超等[19]基于凸优化方法研究了编队作战体系的反潜阵型配置,并给出了舰机协同反潜过程中的体系配置准则。刘昕[20]综合考虑导弹来袭方向、护卫舰防御能力和指挥舰相对位置等影响因素,分析了作战体系的最佳防空阵型配置。苏琦等[21]分析了潜艇在不同态势下对水面舰艇的阵位配置优劣。乔殿峰等[22]利用作战体系实体序列协作关系和体系配置信息,构建了多域作战下的群目标意图推理模型,有效支撑了对航母作战体系任务及意图的认知预测。
2.1.2 作战体系能力分析
作战体系能力分析是在作战体系构成分析的基础上,结合体系运行机理进行的体系化释能分析。首先基于同质能力叠加原理,分析作战体系预警探测、火力打击、指挥通信等单一能力域的能力覆盖范围、作用区域等静态指标;然后结合OODA环、作战环等理论,分析作战体系在异质能力耦合作用下,针对特定作战目标遂行作战任务的能力,支撑指挥员掌握作战体系有效威慑范围、有效打击时间等动态指标[23⇓-25]。针对以上问题,曹冠平等[26]通过构建联合探测环、信息共享环、联合决策环、联合响应环和复合环等作战体系拓扑环结构,分析了拓扑环变化条件下的作战体系能力。杨圩生等[27]以对敌方目标的打击率和打击效率为指标,构建了作战体系能力分析模型。俞锦涛等[28]依据广义效能环模型,对防空反导作战体系节点和效能边进行了能力分析,基于广度优先搜索方法发掘作战体系效能环,有效支撑了指挥员进行作战体系能力评估和结构优化。
2.1.3 作战体系重心分析
作战体系重心通常指作战体系内的关键节点或关键联系[29],其分析主要包括以下两方面内容。
1)体系节点重要度评估
体系节点重要度评估是基于网络结构评价指标及专家评价指标,构建体系节点的重要性计算模型,对作战体系内节点进行重要度评估,以支撑作战筹划人员进行作战目标优选及打击目标排序[30]。针对以上问题,魏青等[31]通过综合考虑作战体系内节点的可替代程度、局部连通重要度和效能影响度等因素,构建了作战体系节点的重要度评估指标。龚建兴等[32]和李尔玉等[33]提出了基于功能图的度中心性、介数中心性和接近中心节点重要度等评估指标,采用PageRank等算法进行了作战体系关键节点分析。左嘉娴等[34]采用变异系数法为各个指标赋权,通过加权进行作战体系节点重要度评估。王哲等[35]从任务可完成性视角出发,将作战体系节点的作战属性及任务完成效果作为节点重要度评估指标。王耀祖等[36]通过动态搜索作战体系内的杀伤链,以作战体系节点所处的杀伤链数和敌方目标重要性为基础,构建了体系节点重要度评估指标。
2)级联失效分析
2.2 作战窗口智能发觉
2.2.1 作战时间窗口发觉
考虑敌我作战体系的对抗特性,作战时间窗口发觉问题在一定条件下可以等效为武器目标分配问题,可分为两类:静态武器目标分配和动态武器目标分配[45]。静态武器目标分配是指为了获得最优或满意的作战效果,在一定时间内将防御武器分配给来袭目标。在静态武器目标分配模型中,没有考虑武器和目标的时间属性,而动态目标分配能够根据战场形势变化进行决策,更加真实地反映作战环境的变化。作战时间窗口发觉主要分析内容包括[46]:目标时间窗口:防御方武器能够对进攻方目标进行射击的时间段;武器时间窗口:防御方武器发现目标到命中目标所需的最短时间,包括武器系统的响应时间及武器命中目标所需的飞行时间;武器-目标时间窗口:防御武器开始向目标射击的时间窗口,只有在此窗口内组织火力打击,目标才有可能被击中。
2.2.2 作战空间窗口分析
2.3 战场局势演化预测
战场局势,即战局,体现敌对双方通过一系列交战,于一定时间或阶段内在作战全局或局部区域,所形成的战场态势和军事形势。战场局势的演化预测需要综合敌我兵力部署、战场潜力目标分布、作战行动及意图等多种战场信息,并广泛关联和深层挖掘。局势演化预测一直是态势认知过程中最关键也是最困难的一个环节,主要原因是目前仍缺乏对战场局势的有效建模,无法依据当前战场状态有效预测未来战场形势,造成战场态势展现有“态”无“势”[54]。近年来,数字孪生技术为此问题提供了一个新的解决思路。数字孪生技术[55]可以为真实战场的每个作战实体创建完全一致的数字模型,将当前战场态势信息映射到虚拟战场。通过对数字模型进行超实时仿真,在多个虚拟战场内模拟未来战局演化过程,并与真实战场建立反馈机制,构建虚实一体的战局演化空间。可以发现,智能态势认知过程中对战场局势演化预测的需求主要包括两个方面,一是构建尽可能多的战局演化分支,确保对未来敌我对抗博弈结果的全覆盖;二是匹配尽可能准的虚拟战场数字模型,确保战局演化预测结论的准确性。
2.3.1 态势演化趋势分析
真实战场中作战行动复杂多变,奇正转化变幻莫测,未来战局的演化结果会出现多个分支或者分支组合等情况。态势演化趋势分析需借助蒙特卡洛仿真、智能强化学习和博弈论等基础理论,构建基于数字孪生环境的智能战场博弈推演平台,开展多样本空间博弈结果的对比、统计和聚类分析[56],确保生成的多样本分支演化结果能够尽可能覆盖敌方行动空间,同时需不断与真实战场状态进行比较,及时裁剪不合理的推演分支,避免分支过多而产生组合爆炸现象。
2.3.2 数字模型实时修正
虚拟数字模型是构建虚拟平行战场的基础,要求数字模型与真实作战实体的状态、属性、隶属关系和运动特性等战场行为保持一致,以确保战局演化预测结果的准确性及可信性。因此,依据实时态势信息修正和调整数字模型成为构建数字孪生系统的核心问题之一[60]。一方面,需要根据引接得到的态势要素特征数据,与数字模型库中的仿真模型进行自动匹配关联,不断丰富模型颗粒度及所包含的作战单元模块,并将组合得到的数字模型及时加载更新到虚拟数字战场中;另一方面,根据最新的战场态势信息,动态修正作战实体对应的数字模型,校正模型的类别、模型参数配置、模型输出及行为状态等信息,确保战局演化预测的基准点与当前真实战场状态保持一致。
2.4 认知产品智能表征
态势认知产品又称为态势图,是表达战场情况的传统手段,内容包括兵力部署、行动企图、作战计划和基础地理环境信息等。态势图按照产生的作用可以分为战场状况图、战场形势图、专题研讨图和简易图等四种类型,基本作用是构建战场“一幅图”,基于一致的公共数据资源,实现指挥所内作战人员对敌我双方情况的一致性理解与认知[64]。认知产品智能表征,指应用智能化技术和流程,自动处理联合战场上纷杂凌乱的陆、海、空、天等各分域战场目标信息,自动理解其间存在的兵力群组、作战行动及作战意图等信息,辅助参谋人员智能标绘作战要图。具体需求包括多尺度认知产品表征和战场形势智能表征两个方面。
2.4.1 多尺度认知产品表征
李凤霞等[66]针对多尺度建模中的聚合解聚问题,对位置、速度、状态、战损四种属性设计了聚合解聚映射算法,用以支撑不同尺度下战场实体状态的表征。项祺等[67]通过对卷积神经网络中不同卷积层输出的特征进行多尺度融合,并结合软注意力机制对融合特征进行权重分配,提出了一种新型战场态势认知表征方法。田胜等[68]提出了基于用户认知的态势多尺度可视化设计,包括分层分级、关联聚合、时空多维、焦点推送等智能辅助模型,能够有效降低用户认知负荷,增强态势感知和人机工效。宋翊宁等[69]将空间态势研究主体对象划分为特征要素尺度、单元实体尺度和战略能力尺度等多个尺度模型,利用要素图设计和知识湖构建实现了空间态势的智能表征。
2.4.2 战场形势智能表征
战场形势智能表征,重点面向战略战役级指挥员,利用部队集结地域及进攻箭头等军标,粗粒度表征战场合围、焦灼、钳击等整体形势。主要需求包括:在作战筹划阶段,依据格式化的计划文书,智能化辅助生成首长决心图和作战计划图等认知产品,减轻参谋作业人员要图标绘工作量;在行动控制阶段,依据作战计划及当前战场目标状态,分析计划完成情况和任务执行进度,智能化辅助生成作战经过图和节点态势图等认知产品。针对以上问题,贺筱媛等[70]提出利用机器智能将战场态势抽象为多层的作战能力空间分布图,利用知识推理将人类知识和作战能力空间分布进行深度融合,进而实现战场形势的智能表征。郭婉等[71]在聚合空中目标群结果基础上,利用聚合空心箭头表征群整体航迹的总体走向,为目标群运动趋势研判提供支撑。孙雅薇等[72]提出综合利用聚类算法和热力图表征战场局势,利用作战区域的颜色及亮度变化,提示指挥员战局对抗的激烈程度。
2.5 战场态势智能复盘
战场态势复盘指记录指挥决策驱动下的态势演化过程数据,并在战场态势回溯过程中寻找关键态势演化决策点的过程。现代战争对战场态势复盘的需求愈发强烈,主要原因有两个:一是现代战争代价高昂,对国家财力物力消耗巨大,并有可能影响国家整体发展形势,只能通过复盘从以往战争中吸取经验;二是现代仿真技术的快速发展已经使得高并行、大样本仿真成为可能,可以通过仿真的手段对作战过程进行模拟,在大量战场实验样本中研究战争和设计战争。智能态势认知对于战场态势复盘的需求主要包括态势决策点分析和作战线分析两个方面。
2.5.1 态势决策点分析
态势决策点是指对战场未来走向和战局未来变化产生决定性作用的点,一般为标志性事件的决策点或关键作战时机的决策点[4]。态势决策点分析,就是要在战场态势特征关联分析和态势理解的基础上,依据态势演化趋势对态势决策点的位置和类型等属性特征进行分析。态势决策点并不是某次战场态势的偶然性节点,而是大量战场仿真样本所具备的共同结果,决策点后敌我作战体系对抗博弈过程将殊途同归,所以态势决策点分析的基础首先是战场样本的聚类分析。在同类战场样本空间集中,利用智能化算法,对战场样本数据进行分析识别,寻找对战争走向起决定性作用的决策点。针对以上问题,袁翔等[73]在生成多样化对抗数据样本网络的基础上,基于网络动力学方法描述节点之间的关系,通过合并节点收益变化不大的前后节点,融合各节点,从而有效定位分析态势决策点。
2.5.2 作战线分析
作战线是指通过因果关系将多项使命和任务关联起来的逻辑思维线索,一般用于连接一系列决定性的作战行动,是作战方法的思维辅助模式。战场局势的转换通常由事件主导,而不是由时间主导,所以战场态势复盘中的作战线分析首先需要进行关键事件的识别提取。战场中的热点新闻、军事动态、作战文书、关键战报、文电指令等包含大量的战场事件,需要对其中的关键事件进行识别分析,从而预判战争征候,理解敌方意图。在关键事件提取分析的基础上,可以将多个关键事件进行关联性分析,分析战场演化过程,借鉴事件脉络生成的技术方法,智能识别关键事件之间的关联关系,组织生成作战线,重构指挥员战争设计思路方法。其成果也可作为样本输入,支撑后续人工智能算法学习训练。目前可供借鉴的事件脉络生成方法主要包括基于关联性分析的故事脉络构建方法、基于特征建模的故事脉络构建方法以及基于传播模型的故事脉络构建方法等[74]。针对以上问题,陈黎明等[75]通过对新闻关键词的词频-逆类别频率和热度对事件关键词进行反馈更新,采用有主干和分支的故事树结构展现事件发展脉络。刘东等[76]利用种子算法挑选关键事件,设计了一种包含主干脉络和分支脉络的层次化故事脉络生成方法。
3 结束语
智能态势认知是军事领域亟待解决的关键技术之一,也是支撑后续作战筹划、任务控制等战场指挥决策的基础。本文在分析态势认知和智能态势认知概念内涵基础上,以未来信息化战争条件下指挥员认知过程为出发点,重点分析了智能态势认知面临的作战体系智能分析、作战窗口智能发觉、战场局势演化预测、认知产品智能表征和战场态势智能复盘五项关键需求,并结合现有文献研究分析了可能的解决办法及应对措施。