中国指挥与控制学会会刊 
大规模跨地域组网飞行模拟训练规模庞大,要素多,空间跨度大,实时性要求高,具有复杂多变的海量网络信息交互特点,计算任务密集且骤发性和时效性强。而传统的模拟训练计算和组网模式不能有效实现网络、计算、数据库、存储、软件应用等资源的共享和高效计算,美军提出了基于云使能模块化服务(Cloud-enabled Modular Services,CEMS)的JLVC2020全新技术架构来统合各类模拟训练系统[1],近年的发展趋势是借助大语言模型(Large Language Model,LLM)、云计算、云渲染和扩展现实(Extended Reality,XR)等技术实现面向大规模组网训练环境的云化、智能化仿真成为新的解决方案[2-6]。
随着XR和AI等新技术的发展,飞行模拟训练系统的体系架构有待变革,其将大数据、大模型、云计算、云渲染、XR、AI和LVC等仿真技术相结合,实现具有训练方案智能筹划、训练场景智能生成、在线智能评估、资源动态配置等功能的智能仿真训练平台,以支撑多机型大规模跨地域组网对抗训练和协同作战体系训练等模式[3,7],将成为下一代智能型飞行模拟训练系统建设的重要发展方向之一。因此,本文针对飞行模拟训练智能仿真平台的设计问题,从如何构建基于云边端协同智能仿真的平台架构、平台的应用模式及其关键技术等方面进行探讨。
文献[6]提出了面向服务的“飞行仿真云”概念,但与文献[8]类似,仅将云计算技术应用于模拟飞行训练体系架构中,未考虑云渲染、XR、LLM和LVC仿真等技术在飞行模拟训练中的应用;文献[9]较早提出了一种基于云计算理念的网络化建模与仿真平台,建立了“云仿真”的建模仿真模式;文献[10]研究了面向云仿真的层次化仿真服务描述框架;文献[11]将云与边缘协同计算的技术引入复杂体系仿真中,建立了“云+边缘”的建模仿真架构。这些文献研究的重点是云计算技术与仿真技术的结合,不适宜直接应用于既要考虑云计算和云渲染,又要考虑LVC强实时仿真的飞行模拟训练场景。
文献[12]设计了基于云计算和大数据技术的云数一体化平台,以支撑军事模拟训练系统的联合演练、仿真推演和作战研究等功能。文献[2]和文献[3]分别针对联合训练、跨域协同智能体系多粒度仿真实验等,设计了面向LVC训练系统的云边协同服务架构和跨域协同LVC仿真架构,但未融合考虑大数据挖掘、智能大模型、云渲染和XR等技术,缺乏新型飞行训练架构的设计。
文献[4]结合人工智能、大数据、虚拟现实、数字技术等热点,围绕航天装备体系化仿真提出了设想;文献[13]探讨了云计算技术、系统辨识技术、混合现实仿真技术和AI在航天飞行训练模拟器体系建设中的应用;文献[14-16]探讨了云计算、云渲染、XR等技术在虚拟仿真实验和智慧教室等教学领域中的应用;文献[17-20]分别探讨了云仿真、云渲染、像素流化等技术在列车、矿山、电视直播、游戏等领域的设计和应用。这些应用领域要么对云平台计算和渲染的实时性要求不高,要么未考虑大数据挖掘与智能大模型的接入,但其平台架构设计可为飞行模拟训练的云仿真平台设计提供借鉴。
从研究现状分析可见,在飞行模拟训练军事应用领域,关于云边端协同智能仿真平台如何构建,如何既支持云边端协同计算又满足XR的实时分布式云渲染,并能融合飞行训练领域智能大模型的应用研究还较少。本文针对这些问题,重点研究基于云边端协同仿真的平台架构设计,仿真任务分配、多模态运行等应用模式和部分关键技术难点,通过将云平台、大数据平台、大模型平台环境统一为智能仿真平台,实现平时和训练时相结合(简称“平训结合”)的大数据处理、大模型训练和对抗模拟训练,为大规模跨地域体系化组网训练提供云化和智能化支持。
1 智能仿真平台需求分析
当前,国内涌现出了DeepSeek、ERNIE Bot、Qwen等大语言模型和Manus等通用智能体(AI Agent),结合大数据、云计算、云渲染、XR和LVC仿真等先进技术手段,为构建新一代面向全场景具有全体系的大规模跨地域组网对抗飞行模拟训练智能仿真平台提供了技术基础。
为支撑飞行员战术能力生成全阶段的模拟训练,依据自适应训练策略与飞行员能力进阶模型等训练理论,新一代飞行模拟训练智能仿真平台需具有云计算、云渲染、XR、LVC仿真和大模型等技术的融合支持能力,具有云边端协同计算、实时分布式云渲染、融合飞行训练智能大模型等主要功能。
1.1 云边端协同计算
飞行模拟训练智能仿真平台需要满足飞行员在技能和流程训练阶段、专项任务训练阶段、战术任务训练阶段、协同任务训练阶段以及综合演练等阶段的模拟训练需求,支撑各级各类模拟器运行,覆盖全部任务剖面,能够适应训练系统配置动态变化,具有异构分布式仿真能力和异域组网训练能力。因此,平台需要依托超高性能网络,将各类中心和边缘服务器、终端应用整合为“飞行仿真云”[6],形成以大数据资源和智能大模型为支撑的面向服务的仿真架构,对各类模拟训练资源进行虚拟化处理与高效的智能化管理调度。该架构不仅具有数据存储和处理、动态资源扩展和配置能力,并能依据数据资源进行大数据分析和挖掘,实现智能筹划、智能决策和智能评估等大模型技术的融合,最终构建云边端协同计算的智能仿真平台。该架构既满足面向服务、云边端灵活部署、高效运行的LVC等飞行模拟训练系统的需求[2-3],又满足人在回路飞行模拟训练的实时仿真、低延迟传输的要求,支撑同地域/异地域、多机种间的战术协同/对抗等多种训练模式。
云计算是一种将飞行训练域内全局服务中心的计算资源整合成可灵活配置资源池的分布式计算,同时也是集效用计算、负载均衡、网络存储、虚拟化技术于一体的网络计算。云计算可以为飞行模拟组网训练需求进行量身定制,为大规模人在回路组网飞行模拟训练系统的计算和存储提供有效的解决方案。
边缘计算是在靠近本地服务中心接入侧的边缘机房部署网关、服务器等设备,允许在边缘节点处理仿真计算,如低时延要求的飞行仿真计算等,进而降低时延、减少回传压力,有效提高飞行模拟训练的用户体验。边缘计算能够在边缘服务器上直接进行分布式处理、资源管理和智能代理。
终端计算是指在飞行模拟器终端基于瘦客户端、嵌入式计算设备等的轻量化计算形式。瘦客户端是指客户端-服务器网络体系中基本无需应用程序的计算机终端或者XR显示终端,它只传递必要的输入信息给服务器,并不会在终端进行过多的数据处理。结合XR等设备的使用,飞行模拟器终端的计算成本和结构复杂性将大幅降低。
云边端协同计算的平台架构关键是要解决平台的层级架构功能划分、云计算网络设计、仿真同步方法、仿真任务分配等技术问题,以有利于模型数据资源共享、大模型及智能代理的部署、模拟器的互联互通和同步仿真,实现“随时、随地、按需”的模拟训练能力,增强实战化训练水平和应急响应能力。
1.2 实时分布式云渲染
飞行模拟训练云化仿真计算,面临的主要瓶颈是大视场角多通道视景图像或XR头显图像的实时云渲染。实时分布式云渲染是以云计算为基础的渲染方式,充分融合了“实时”“云”“渲染”三个关键概念[21],将三维渲染放到了边缘侧服务器端运行,服务器端执行的是分布式可交互图像实时渲染计算。
实时分布式云渲染的核心思想是将大量用网络连接的计算资源和渲染资源进行统一管理和调度,在云服务器中进行资源的分布式存储、动态分配,构成计算与渲染资源池,通过将渲染任务分配到云端GPU服务器上,实现高效快速的模型场景实时渲染服务[22],它保证了渲染资源的共享性和安全性。
在云边端架构下,实时分布式云渲染关键是要解决云端、边缘端和终端的资源存储调度、渲染任务分配、实时交互和XR虚实融合显示等技术问题。在飞行模拟训练的云渲染中,视景图像生成、虚拟仪表绘制、航电显示画面、三维态势绘制等专有功能集中分配在边缘侧的渲染服务器上,而本地飞行模拟器终端上只需要装备一个瘦客户端。该客户端任务是把要渲染的数据和设置的参数传到边缘侧服务器,边缘侧服务器会完成渲染任务并把渲染结果返回给客户端,其运用了包括图形学、AI推理计算、高效音视频编解码、混合现实、实时通信等多项技术。
实时云渲染通过利用云计算的强大计算能力,可以快速完成复杂的渲染任务,不受客户端硬件性能的限制,能够同时处理多个渲染任务,调度统一的三维模型数据资源,可提高模拟训练图像渲染的效率,降低传统视景系统的硬件成本,提升组网训练条件下不同性能飞行模拟器的渲染图像质量的一致性,并具有较高的灵活性和可扩展性。
1.3 飞行训练智能大模型
随着DeepSeek等大模型在技术性能与成本控制上实现的突破,人工智能与军事领域的垂直融合进入加速落地阶段,除了在装备本体智能化与作战决策智能化的发展路径外,军事训练智能化也是重要的发展趋势[23]。
当前智能大模型具备典型通用技术特征,是培育和发展新质战斗力的重要引擎[24]。通过飞行模拟训练网络信息体系的建设,以选定的军事基座大模型为基础,依托军事基础数据、训练大纲和飞行训练大数据等,通过对基座大模型的预训练、指令微调、外挂知识库等,形成飞行训练智能大模型和针对特定飞行业务流程精细化训练的高性能小模型和智能代理,具备专用业务流程的飞行训练场景定制化能力。
面向飞行训练云边端架构下的智能大模型,需解决大模型训练与应用时的平训结合、多模态运行、智能代理部署、组训场景应用模式等技术问题,以在云边端平台架构下生成训练场景和组训方案,智能生成训练想定和在线智能分析评估,并支持生成飞行员的个性化模拟训练方案,同时可以生成智能化的CGF兵力,提升飞行模拟训练的逼真性、有效性和智能化水平。
2 智能仿真平台架构设计
在大规模人在回路组网战术对抗、多机种协同飞行模拟训练中,战术训练器实体及智能CGF兵力之间需要频繁沟通,既包含了大量导弹等武器的发射、飞行、爆炸、损伤等计算,又包括了各实体的传感器探测仿真和电磁气象等战场环境仿真[8],还需要战术运用智能决策和智能评估分析,数据资源庞大、计算任务密集且骤发性和时效性强。而传统模拟训练分散独立的计算模式不能有效实现网络、计算、数据库、存储、软件、大模型等资源的共享和高效计算。
2.1 平台层级架构设计
该平台架构以大规模数据资源为支撑,以智能大模型+智能代理+实时仿真模型为核心,通过云计算和云渲染实现大规模、高并发、海量存储的异地互联同步智能仿真框架。平台采用资源、接口、数据、模型和应用5层架构,以分布式交互标准为遵循,在云端集成智能大模型、边缘端集成智能代理和各类常规模型资源及平台接口的同时,针对云端、边缘端和终端仿真环境提供了并行化仿真模型工具、服务和个性化训练支持,为战术训练模拟系统开发提供了支撑平台。
(1)资源层
平台在多种网络连接基础上,依托基础网络设施、虚拟化技术和同步技术,提供了云计算、云渲染、大容量存储的软硬件资源、低延迟网络资源、同步服务等通用资源,以虚拟化、容器为基础,各应用根据需要动态调用所需资源,提供统一运行环境管理、状态管理、服务权限管理等应用支撑服务,实现计算资源的透明、弹性分配,支持资源发布和资源匹配,解耦仿真资源的所有权和使用权。
(2)接口层
平台以多种网络通信接口中间件为基础,提供了网络通信引擎、联网数据分发等分布式数据交互服务,网络授时及平滑预测等时空一致性服务等,为各仿真系统提供一体化的接入、数据公布订购、消息传输、数据中继等功能,主要用于解决分布式异构系统、仿真系统、模拟器等之间的互联、互通、互操作等问题。
(3)数据层
数据层实现飞行训练领域专用、公开和外部等不同类型仿真资源的云存储,包括大规模的结构化数据和非结构化数据,是涵盖敌我双方武器装备、历史训练记录、战术战法和战场环境等精确领域语料的集合,既有大纲、标准、规则等文档数据,又有实装训练产生的飞参记录、音视频等历史数据,同时包括战术战法库、综合环境数据库和三维模型库等。这些大数据用于支撑仿真计算和通用大模型的训练,构成外挂知识库并可进行知识检索。
(4)模型层
模型层提供面向模型的边缘端并行云仿真和面向服务的并行云计算等云-边端模型工具,支持公共基础模型和机型相关仿真模型工具的动态复用,将仿真计算与仿真系统使用者之间解耦出来,确保松耦合式部署、互联互通、统一运维、仿真和裁决结果的一致性,降低软件和硬件耦合程度。
云端提供智能大模型服务、公共环境仿真服务和裁决评估服务,靠近用户侧的边缘端提供飞行模拟训练业务流程和CGF智能代理计算、飞行等仿真和图像云渲染等实时仿真解算。智能大模型和智能代理以数据层为依托,采用场景驱动的多智能体组织运用与能力生成,形成具有军语理解、任务规划、决策建议和训练评估等能力的大模型+小模型运行模式。
(5)应用层
应用层采用虚拟化方法面向飞行训练模拟器终端提供仿真应用软件库,包括个性化训练配置、综合视听觉仿真、操控头位数据采集等终端仿真应用和训练管理应用,允许用户通过Web浏览器等使用各类仿真软件,实现基于文本和语音输入的组训管理、训练导调、训练计划和训练想定等智能生成的非实时性请求人机交互服务,提供飞行员操控数据和音视频反馈数据的编解码服务,提供飞行员头位、眼动跟踪等轻量化的分析处理功能,最大程度降低对终端模拟器的硬件性能要求,提供便捷化的应用部署。
该平台架构将大数据、大模型、云计算、云渲染与建模仿真技术深度融合,将云平台、大数据平台、大模型平台环境统一为智能仿真平台,提供云+边+端的智能仿真生态,可为各类已有和在建的XR类飞行模拟训练系统提供云化和智能化支持,提供联网训练模拟器系统的动态自动构建,彻底实现模拟训练领域智能仿真工程思想。
2.2 平台网络结构设计
平台的层级结构要素需要部署在不同地域模拟训练中心的核心云、边缘云和模拟器终端上,网络物理结构连接复杂,涉及以太网、光纤网、无线网等异构、异质、受控的通信网络,网络数据的高效流转、时间同步、逻辑一致性要求严格。
该平台采用分布式交互和广域互联的“云+边+端”网络体系架构,采取软件定义功能的总体思路,具有支撑各训练模拟器的独立运行、同地/异地协同分布仿真,数据资源管理和调度,大模型训练及使用,云仿真系统控制等训练功能,构建一个标准化、服务化、模块化、弹性可扩展的平台网络结构。
(1)广域核心云计算
其覆盖广泛的地理区域,支持大规模分布式模拟训练需求,提供面向服务的并行计算,由核心云仿真计算CPU/GPU集群、大模型训练和计算服务集群、CFS(Cloud File Storage)云存储、云数据资源管理和任务分发集群等组成,其核心目标是提供高效的资源调度能力、强大的数据处理性能、高可用性和弹性可扩展的云服务能力。
广域核心云通过云管理平台统筹调度模拟训练资源,管理各个区域边缘节点,优化整体运行效率。同时,核心云支持大数据的清洗和挖掘,集成AI大模型的训练、测试与验证,完成模拟训练的在线智能评估,并负责全面性的模拟器互联安全审计和防护策略,为保护系统免受网络攻击提供多层级保障。
(2)区域边缘云计算
其部署在各区域模拟仿真中心网络枢纽的中小型数据中心,用于处理本区域内的模拟器互联仿真需求,提供面向模型的并行仿真计算,由CPU/GPU集群、分布式存储和高带宽网络等高算力资源池组成,并提供用于AI Agent的算力资源,主要是满足本区域飞行模拟训练对仿真计算和渲染任务实时性要求较高的需求,并将关键数据上传至核心云进行深度分析,为在线/事后评估分析以及后续的优化和改进提供基础。
区域边缘云不仅具有智能调度与优化能力,更重要的是要具有支撑多模拟器互联的实时仿真解算和实时渲染能力,具有低延迟仿真服务保障能力,实现仿真数据的智能优化编解码和跨地域数据协同,并设置联网分发和联网导调节点,依赖边缘节点降低端到端的延迟。
(3)局域终端仿真计算
局域终端仿真计算是在靠近各模拟器的终端用户侧部署的瘦客户端计算资源,主要是提供受训人员操控的实时数据采集、处理,完成到边缘节点数据的编解码,提供基于XR头显的视听触觉响应和舱内仪表画面指示。终端模拟器具有本地导调、训练配置、智能筹划、想定编辑和态势显示等节点,用于实现对本地模拟器的综合导调控制,具体的终端连接形式如图3所示。
边缘侧服务器集群采用云计算、云渲染、AI Agent技术实现模拟器集群的云端集中仿真解算和重量级的视景图像实时渲染及音视频编码,由终端模拟器实现显示端轻量级的音视频解码处理和虚实融合显示,实现了一个通过高速网络连接并由服务器集群算力支撑的联网训练网络。边缘侧服务器集群可部署在本地域仿真服务中心,带动本地多台战术训练器的联网训练,同时支持本地仿真服务中心与异地的仿真中心互联,从而构成军兵种级的智能仿真云。
2.3 平台同步仿真策略
基于云计算的智能仿真平台架构,具有分布、交互、实时的典型特征。平台通过在云端提供统一的数据、坐标和计算等服务,可确保全系统仿真解算的空间一致性;难点是如何确保仿真进程的时间一致性,而时序同步和时间管理是实现正确仿真逻辑的关键,必须保证云端服务器和终端战术训练器计算时序的同步性和时间的一致性,才能实现各仿真模型的正确交互和同步推进问题。
因此,平台采用的同步仿真策略如下:在各层的云计算网路和终端仿真网路引入时钟同步控制器,并采用基于同步时序的多源仿真数据同步更新策略,以软硬结合的分层式混合同步仿真方法,来解决云端和战术训练器终端各仿真节点的同步推进。
在硬件层,平台采用基于北斗卫星等GNSS的同步时序触发信号生成和授时控制设备[26],在云管理层中设置硬件时钟及时钟同步服务,统一所有架构内战术训练器的仿真时间。以GNSS授时信号作为实现跨地域同步计算触发时序信号的基准,以保证各战术训练器飞行仿真等重要节点每帧解算的触发时刻和周期的一致性,解决云计算仿真架构下模拟器之间的时间一致性问题。
在软件层,平台采用基于同步时序的多源仿真数据同步更新策略,云端服务器运行的飞行仿真、AI兵力、武器模型等解算软件,通过软件端的数据同步接收、平滑预测(DRM)、模型解算和数据发送等工作的协调推进,以保证实体数据更新的连续性和一致性。
云端服务器仿真节点的本地实体维护一个高精度仿真模型和一个简化的DRM;联网数据分发节点则采用DRM对远端的仿真实体状态进行平滑预测。无论是云端仿真节点,还是联网数据分发节点,其数据更新均在硬件同步信号的触发下进行处理,从而实现异地仿真的正确交互时序和同步推进。
3 智能仿真平台应用模式
3.1 云边端仿真任务分配
云边端仿真任务的分配遵循在智能仿真平台架构下的松耦合式部署、统一运维和分离使用的要求,支持仿真模型和工具的动态复用、资源调度和负载均衡的管理。基于云边端协同的智能仿真平台,组网飞行模拟训练系统的云边端仿真任务分配如图4所示。
云端仿真提供离线的军事训练大数据搜集、分析和整理,并形成支撑智能仿真的组训方案、演习演练等特定数据集或知识库,并基于这些数据集预先对智能大模型进行训练微调,形成用于组网训练的专用训练筹划、想定生成、评估分析等业务智能代理模型;同时,云端提供统一的算法模型库、战法规则库和装备性能参数数据库等。平台将数据量大、数据调度任务繁重的战场环境仿真、智能分析评估等部署于云端,实现云端的在线组网智能仿真,确保仿真环境和仿真结果评估的一致性。综上,智能仿真平台的云端实现了大数据、大模型和组网仿真的三网资源统一,大数据和大模型的离线任务用于支撑在线的组网智能仿真。
边端仿真提供靠近模拟中心用户侧的在线实时仿真和智能小模型代理,将各战术训练器实时的飞行、航电、武器、音效、视景和CGF智能代理等解算任务繁重的仿真模块分离部署于边端。边端仿真强调实时性和同步性,通过优化计算资源配置、智能编解码算法和软硬混合同步方法等提供技术支撑。
终端仿真包括综合控制台软件和战术训练器等仿真运行,高效的网络数据传输提供了边端与终端低延迟的数据交互保障,通过终端仿真工具和模块,实现通用的训练管理和评估、自适应训练配置和训练数据服务等,并提供满足视景显示、头位跟踪和航电显示等功能的轻量级通用插件,实现战术训练器终端的综合视觉反馈环境仿真。
3.2 平训结合多模态运行
云边端协同仿真的平台架构提供了丰富的计算资源,若仅用于训练时的仿真解算,将造成大量的资源浪费。因此,该智能仿真平台的核心运行流程分为平时和训练时两种运行模态(如图5所示)。平时支持军事训练大数据的处理分析和军事智能大模型的训练调试,提供训练时数据和模型的支撑;训练时支撑模拟环境的智能构建、动态仿真与交互、数据采集与评估等,为平时的数据分析和模型构建提供反馈,构成平训结合、互为支撑的平台运行模式。
(1)平时运行模式
①军事训练大数据处理
其平时完成军事训练大数据的搜集、清洗、分析和整理,形成知识库进行入库管理,大数据的搜集工作主要由终端上传到边缘侧和中心云服务器,数据的挖掘分析处理工作主要依托中心云服务器来完成,最后整理的数据库和知识库等也主要存储在中心云服务器,以支撑全局的联网训练。
②智能大模型训练
基于整理的数据库和知识库,可以依托中心云服务器在平时对军事智能大模型进行预训练、微调和测试,同时可以对智能CGF进行训练和强化学习,不断升级迭代智能模型。
(2)训练时运行模式
①训练前准备阶段
该平台主要依托云平台管理系统完成云边端训练资源的分配调度,面向飞行员的个性化模拟训练方案或面向联网对抗的训练方案的智能生成筹划、训练想定的智能生成和编辑,战场环境的构建与初始化,虚拟作战单元的实体生成并赋予其物理属性(如位姿信息、武器挂载等)和AI行为逻辑等。
②训练进行时阶段
其在云边端协同完成模型的实时解算和渲染的同时,依托导调节点对训练任务、条件和进程进行人为干预和在线自动智能评估,实现对训练过程的态势可视化和指挥控制,同时完成训练数据的记录。
③训练后处理阶段
其由中心云服务器根据全程记录的操作数据、飞行数据、环境数据、战术数据等,通过大数据分析识别训练弱点(如反应滞后、战术失误),智能生成可视化的评估分析报告,并通过训练回放和战术复盘推演,结合AI建议开展训练讲评和训练方案优化。
3.3 平台应用场景
该智能平台在平时和训练时的两种运行模式下,具有多种应用场景,涵盖从单机到多机协同及战术对抗等模拟训练场景,并可提供支撑模拟训练的通用智能助手、智能作战参谋、智能飞行教官等多种应用智能体,支持云化和智能化的大规模跨地域体系化组网训练,主要应用场景如表1所示。
表1 平台主要的应用场景Tab.1 Platform Main Application Scenarios |
| 运行 模式 | 应用 场景 | 场景描述 | 平台能力支撑 |
|---|---|---|---|
| 训练时 | 单平台模拟训练 | 单台飞行模拟器的基本技能训练 | 边端协同计算、实时云渲染、场景智能生成、智能评估等 |
| 单机种多平台协同训练 | 同型飞机模拟器同地域组网协同训练 | 云边端协同计算、同步仿真、实时云渲染、任务动态调度、场景智能生成、智能评估等 | |
| 多机种战术对抗模拟训练 | 多型飞机模拟器的跨地域组网战术对抗训练 | 云边端协同计算、同步仿真、实时云渲染、任务动态调度、模型数据共享、体系训练支撑、智能大模型、方案智能筹划、场景智能生成、智能评估等 | |
| 平时 | 通用智能助手 | 训练方案和场景智能筹划、生成和知识检索 | 军事训练大数据挖掘分析处理、通用智能大模型预训练、微调和测试等 |
| 智能作战参谋 | 军事决策、作战监控和态势评估 | 军事训练大数据挖掘、多源数据融合处理、专用智能大模型训练、智能研判、评估和筹划 | |
| 智能飞行教官 | 能力进阶智能评估、自适应训练策略调整和训练场景智能配置 | 飞行训练数据分析处理、训练方案筹划、场景智能生成、实时交互和事后评估、专用动模态融合智能大模型训练 |
平台应用场景覆盖飞行员能力进阶模型各阶段的模拟训练需求,为飞行员从僚机参战资格、双机长机、多机长机到空中任务指挥官编队战术能力的生成提供全阶段模拟训练。因此,飞行员能力进阶训练是融合平台多应用场景的一种综合应用模式,是智能作战参谋、智能飞行教官和不同阶段训练相结合的典型应用模式,可为飞行员的能力进阶提供自适应训练支撑,如图6所示。
平台所提供的自适应训练方案和场景智能生成能力、训练表现实时/事后评估能力和训练场景在线智能配置能力,可针对受训人员能力薄弱点调整个性化训练场景;飞行员能力进阶模型分别为自适应训练中训练场景在线配置和训练评估两个环节,明确不同能力进阶阶段训练资源配置需求和编队战术能力要点评估需求,实现自适应训练策略的优化调整,支撑飞行员战术能力生成全阶段的模拟训练。
4 智能仿真平台关键技术
4.1 云XR和AI融合的航空模拟训练仿真技术
在云边端协同仿真平台架构中,平台采用了边缘侧云渲染、终端侧XR显示和中心云AI技术融合的全新智能交互式航空模拟训练方式,打通了虚实空间的界限,可对受训过程进行自适应智能辅助。云XR的硬件结构、云边端网络拓扑和处理流程机制,将直接影响其在飞行模拟训练中应用的体验性。
在云XR+AI架构中,所有XR和AI应用均运行在边缘云渲染服务器端,利用边缘云渲染服务器端的强大计算能力和显卡的渲染能力,实现XR和AI应用运行结果的呈现,边缘云渲染服务器端的航空模拟训练画面和声音经过编码技术处理,形成实时的音视频流。该音视频流通过网络发送到终端,由终端实现低时延解码并呈现于XR头显上,如图7所示。
云XR渲染引擎基于CPU和GPU虚拟化技术,实现多个头显终端的训练场景设备交互效果实时渲染和流化处理,完成场景数据的调度、加载和实时渲染;AI协同控制完成多机协同控制、全息智能引导标注等计算,并将计算结果反映到实时渲染的画面上。
因此,平台实现了飞行模拟训练运行能力由终端转移到云端的过程,以构建云XR和AI全新智能交互式飞行模拟训练模式。该模式的关键核心即是虚拟视景的云渲染效率和交互的无延时体验,解决思路包括:采用多视角分布式渲染、基于AI场景检测的GPU硬件编/解码、场景卡顿或丢帧时的终端侧AI图像生成、网络受限条件下异构多链路聚合保密传输、面向网络QoS的边缘智能视频传输和面向用户QoE的边缘智能视频传输优化等技术提高云渲染效率、降低延时感、提高交互信息安全性。
4.2 大数据和大模型与实时仿真的云化融合技术
飞行模拟训练系统是多任务大数据应用的实时仿真系统,从方案筹划、想定生成到对抗运行的全流程均需智能大模型服务支撑,需调用系列决策分析/任务/智能体小模型的实时解算。因此,在本文提出的云边端协同智能仿真平台中,大数据和大模型支撑飞行模拟训练系统实时仿真的云化融合技术是智能仿真平台需要突破的关键技术之一。
在航空飞行模拟训练领域,当前还是主要依靠单机运行的静态模型实现对已有知识的集成挖掘,主要基于理论模型和经验知识实现对系统的实时模拟,基于生成式技术的实时仿真应用较少,即使应用也在很大程度上基于相关性而不是因果关系。因此,研究人员解决思路如下:基于平时的飞行训练、演习演练等积累的数据,构建云仿真引擎,在动态演化模型预训练生成、跨设备载体的云化迁移应用、蓝军CGF智能体的自主决策以及体系对抗维度的推理演化能力挖潜等方面提供AI和大数据融合的建模与实时仿真手段,基于云化的计算环境形成创造“深度”新知识的能力。
虽然平时可以积累大量的飞行训练、演习演练等数据,但飞行模拟训练在军事垂直应用领域的数据建设依然面临采集成本高、数据“多源”、跨域融合难、标注数据少等断点堵点,其解决途径是:针对数据的客观标注、质量评判、完备裁定、表征描述,研究建立新理论和新方法,构建面向飞行训练数据的自动化智能化识别和标注工具,实现对飞行动作、战术机动和战术运用的自动标注和战术运用评判等技术。
针对蓝军的“小样本”属性,其战术战法和武器运用数据匮乏,更需探索基于自博弈强化学习的模型演化与数据挖掘技术的互补结合。针对复杂武器系统的体系化对抗战术运用特点,解决思路是:研究云化环境下的智能建模语言、智能仿真专件、智能体建模与验模等方法,开展CGF等智能体的模型进化和在线实时性评估,增强其在训练模拟场景下的环境感知和自主决策能力,支撑大数据、人工智能和云计算等技术赋能的飞行模拟训练体系化实时性仿真。
4.3 云边端协同仿真实时交互技术
云边端协同仿真实时交互技术是分布式智能仿真系统的核心支撑技术,而智能仿真平台的通用性和可扩展性设计,是实现基于云边端协同仿真实时交互的基础。难点在于结合云边端协同仿真的特点对分布式交互标准协议等技术进行研究,形成标准化体系,建立数据通信标准、模型运行标准和数据存储标准,规范分布式数据交互服务、模型解算系统集成与服务、智能虚拟兵力集成与服务等交互服务内容,可采用的解决方案如下:
一是开展智能仿真平台通信网络架构与先进训练数据链技术的接口集成研究,为跨广域网异构LVC参训平台提供数据交互及时统服务,具备参训兵力的分布式接入和随遇授权接入能力,为参训系统的时空一致性实现和训练数据采集/训练评估奠定基础。
二是提供统一的地理环境、气象水文、武器弹药、电磁对抗、通信导航等仿真模型的接入接口,为智能兵力仿真、作战平台仿真提供支持。
三是对基于AI仿真引擎架构的接口技术进行研究,提供舰艇、飞机、导弹等智能化兵力的标准化接入接口。
针对该平台多模态运行、多终端接入的联合调度难点,其解决思路如下:智能仿真平台的分布仿真数据与消息交互可以依托于虚拟数据仓库完成[13],模型工具以服务形式进入虚拟数据仓库,仿真平台中形成的计算结果以数据服务的形式提供使用,系统的控制、数据分析与处理依托数据服务进行。本文采用数据压缩与同步预测算法,减少网络带宽压力,确保多节点数据的一致性,采用TSN时间敏感网络保障XR终端的实时低延迟数据传输。
在推动仿真框架与云边端协同协议的标准化基础上,平台为解决云边端协同仿真部署中计算节点的分析分配、负载均衡设计、使用模式设计及其状态监测等技术难点,解决思路是采用AI驱动的智能协同技术,通过AI预测负载、进行异常检测、驱动任务分配和优化资源,赋予云边端仿真系统自组织和自适应能力,实现更高效、实时化、智能化的分布式系统协同仿真。
5 结束语
云边端协同仿真的平台架构不仅是技术底座,也是推动飞行模拟训练领域智能化转型的核心驱动力,其通过云边端跨地域资源整合、动态复用、协同仿真和虚实融合,为面向大规模、体系化、多要素作战的模拟训练需求提供了统一、高效且经济的解决方案,在推动LVC虚实联合训练中进一步融合了大数据、大模型、云计算、AI和XR等先进技术,在统一的软硬件计算环境支撑下,构建了面向全场景、全体系、智能化的云边端协同仿真平台,可实现平训结合的大数据处理、大模型训练和跨地域组网对抗模拟训练。它打造了人机高效协同的模拟仿真架构,可支撑未来战争形态预演和验证,体现了模拟训练领域“智能化+”的深度应用。