防空反导智能指控系统作战需求研究*

2020-04-02范成礼郭相科

火力与指挥控制 2020年2期

付强，王刚，范成礼，郭相科

（空军工程大学防空反导学院，西安 710051）

0 引言

人工智能在民用领域近年来进入了“井喷式”的发展阶段，从以往的计算智能飞速地向认知智能方向发展。例如：最早基于暴力搜索的“深蓝”打败卡斯帕罗夫，到有监督学习的AlphaGo 战胜人类顶尖棋手李世石，再到小样本无监督学习的AlphaZero战胜AlphaGo［1］。目前，人类已经不满足棋类游戏的智能应用，把目光投向在搜索空间比围棋大10 个量级的《星际争霸》即时战略游戏当中，训练出的智能“指挥员”在宏观的游戏节奏把控和战术细节处理方面已经达到专业玩家的水平［2］。在民生方面、“智慧城市”、“无人超市”已经从概念变为现实；“双11”购物狂欢节中的偏好推送、智能客服、全国物流仓储配送都需要人工智能进行大数据的处理分析。人工智能在民用领域已取得了举世瞩目的成就，但是在军用领域的应用仍然在摸索阶段［3］。

人工智能在军事中的应用与民用相比发展缓慢，其根本原因在于战场态势的不完整性、不确定性以及不可预见性。而在防空反导作战领域，这些特点尤为突出，对手的饱和攻击、超低空突防、隐身、电磁干扰等对抗手段，使得防空反导作战存在体系的高复杂性、博弈的强对抗性、空间的高机动性、时间的高实时性等特点［4］，需要智能“指挥员”协助指挥员进行态势理解、辅助决策以及武器控制。防空反导指控系统智能化的发展既是机遇也是挑战。

1 防空反导智能指控系统需求分析

如图1 所示防空反导指挥控制模式由最初的火力单元各自为战，到集中式指控模式，再到实现网络化作战，各火力单元间具备协同能力，作战效能提升显著。

图1 指挥控制模式发展阶段

然而，面对敌人的突防手段更加多样化、智能化，被动防御处于更加不利的局面。同时，防空反导的作战过程涉及要素众多，作战样式多变，时间要求苛刻，这对指控系统提出了更高的要求。防空反导指挥控制系统作为实现防空反导网络化、体系化作战的核心，如何寻求最有效、最合适的指挥控制方法来发挥其最大效用，已经成为防空反导指挥控制系统研究过程中的关键问题。而智能指控能极大程度地提高体系的鲁棒性和敏捷性，是未来指控系统发展的必然方向［5］。

1.1 防空反导指挥控制系统面临问题

目前防空反导指挥控制系统在信息融合、辅助决策等方面以相对固化的模型及规则为基础，面临的主要问题体现在以下几个方面：

1.1.1 航迹关联方面

当目标跟踪中断到再次跟踪上目标时，指控系统将其视为新生目标，并对目标重新分配批号。这会给指挥员带来极大的工作量，需要与上级、下级及友邻单位对目标进行校批，确定目标的同一性，特别是在目标已被跟踪和拦截干预时，可能会贻误战机。

1.1.2 作战筹划方面

目前，战前筹划主要由人来完成，指挥员领受作战任务后根据我方作战能力、保卫要地类型数量、战场地形环境、敌人主要来袭方向等因素制定作战方案。人在进行作战筹划时对部署方案的优劣评价仅能进行定性的描述，难以进行定量的分析。结合指控系统的战前筹划功能，可以根据地形遮蔽等因素计算火力单元的杀伤区及传感器的探测范围优化兵力部署方案，但是耗时较大。文献［6］给出了一种判断敌人空袭方向的方法；在已知敌我双方兵力以及自然环境信息的情况下，该方法可行；而实际防空反导作战中信息是模糊缺失的，甚至是虚假的。

1.1.3 态势估计方面

态势估计的核心是判断目标的威胁程度，形成威胁排序。当前指挥控制系统在进行威胁估计时主要考虑的是目标的当前状态信息。信息融合的偏差以及目标的战术机动会使目标的状态突变，指挥控制系统给出的威胁程度排序会发生较大变化。然而目标的真实意图并没有发生改变，使得威胁估计不准确，可信度较低。

1.1.4 任务分配方面

在任务分配方面，随着网络化作战的日益成熟［7］，预警、制导、拦截资源向着松耦合方向发展，传统目标-火力分配模式逐渐被虚拟火力单元的“杀伤链”模式取代，任务分配矩阵维数大大增加。由于战场不确定性和多变性，难以求解满意的任务分配方案，甚至会造成资源冲突。

1.2 防空反导指挥控制系统智能化发展需求

当前防空反导指挥控制系统处于计算智能阶段，提供大量的诸元解算支持［8］。而固化的规则无法适应多变的战场环境，需要人工智能强大的策略探索能力去发现适应性更强的模型及规则，进而得到更好的作战方案，更灵活准确的实时决策信息。

图2 智能“指挥员”离线训练要素

如图2 所示，智能“指挥员”的训练需要强大的计算资源作为后盾［9］，同时需要开发适用性及针对性较强的云计算操作系统，结合数据中台构成底层的训练基础。并开发防空反导数字战场，包括防空反导作战流程，战场环境，作战规则，交战准则，敌我双方武器系统模型等等。在此基础上训练智能“指挥员”，基于云计算平台强大的策略探索能力，在数字战场规则下进行试错迭代，提升“指挥员”智力。在相似的想定下，通过迁移学习“指挥员”能做到举一反三。然而，当作战规则、系统模型有较大变化时，则需要重新训练“指挥员”，因此，想定设计的全面性、合理性及针对性需要综合考虑：数字战场越真实，训练出的“指挥员”越能适应实际作战。在训练结束后，依据可视化的对抗推演过程，可人工调整策略搜索参数，优化“指挥员”的决策行为。防空反导作战复杂度远高于围棋，原因主要在于火力单元行为控制更复杂、战场环境不确定、作用机理更模糊、评价标准更抽象。而目前在即时战略游戏中采用“分而治之”的方法更加适用于实际作战［10］，将复杂的决策问题拆分成更细小、更专业的决策任务，并针对性设计相关算法。

训练一名优秀指挥员需要经历大量实战演习，同样，训练智能“指挥员”需要较为逼真的数字战场环境。因此，训练前需要细化防空反导作战规则、交战准则、敌我双方装备特性等，构建较为真实的战场想定。进而，凝练指挥员的知识、经验，在人的指导下训练智能“指挥员”，从传统计算智能向认知智能迈进。最后，在无监督的情况下，智能“指挥员”针对不同想定自主进行防空反导作战推演，经过不断试错来积累经验，使得系统在实践中得到能力提升。

指挥控制系统智能化的发展是一个长期的过程，是随着人工智能技术的逐渐成熟和军事样本数据积累的渐进发展过程。

2 防空反导智能指挥控制系统面临挑战

未来防空反导指控系统智能化发展主要面临两个挑战。1）防空反导作战样本数据的稀缺；2）缺少科学验证评估的手段。

人工智能的学习需要以数据为支撑，部分知识指挥员已经提炼为经验，由于知识的不规范，误差较大，如果再由机器学习进行提炼，会使学习结果偏离实际，未必优于人工提炼。因此，“知识库”变得尤为重要［11］，需要进一步完善防空反导作战规则、交战准则、条令条例等知识体系［12］。

机器学习对数据的质量和数量均有很高要求，需要采集演习训练、仿真实验获得的样本数据，并进行清洗、加工、标注后才能保证数据质量，工作量较大。另外，演习的装备运用程度、敌我对抗程度、战术灵活程度均与实战有较大差距，一定程度会出现样本数据单一，分布不均衡的问题。防空反导作战演练成本较高，无法得到海量的可用样本，而打造逼近真实的防空反导数字战场，由人工智能决策推演产生训练数据或许是唯一可行的方式。

智能指控系统的可行性和优越性难以科学验证，准确、定量的描述智能系统的智力高低也是一个难题。人工智能可以探索新的作战规则，但是它的搜索、推理及决策行为过程对于人类是一个“黑箱”。因此，人类需要学习“机器语言”，从理论上探索机器学习、强化学习的作用机理［13］。目前，定量描述决策“大脑”的智力水平非常困难，较为可行的方式是设计大量符合实际空袭作战的想定，一部分想定作为训练集，一部分作为测试集，通过空防对抗推演结果：如保卫要地受损程度，消灭来袭目标数量，消耗拦截弹资源、传感器资源等因素，判断人工智能的决策水平，并建立相关准则进行量化分析。

3 防空反导智能指挥控制系统发展建议

3.1 防空反导智能指控系统架构

首先需要构建底层的云计算平台作为计算基础，同时，需要开发完善适用于云计算且国产化的操作系统以及调度前台数据的通用中台，这些构成了机器学习、强化训练的硬件及算法基础。

此外，面向用户方面，需要构建完善防空反导作战规则、交战准则、装备特性［14］，也包括机器学习中建立的抽象模型，基于“知识库”指导智能“指挥员”学习。

3.2 人与智能“指挥员”的协作机制

对于中近程防空和末段低层反导可以朝着完全无人化的方向发展，体现灵活性。对于远程/中远程防空、末段高层以及中段反导而言，指挥员与智能“指挥员”的“双回路”决策模式是可行的发展方向。如图3 所示，不同信息源的观测结果作为智能“指挥员”的空情输入，在此基础上，智能“指挥员”进行信息融合形成完整、稳定的空情态势，并进行态势理解，基于敌我态势智能“指挥员”进行在线认知决策，通过合理分配预警、跟踪、拦截资源，形成最优“杀伤链”。作战过程中，指挥员除了进行重大决策以外，对智能“指挥员”的决策实时监督，二者合理分配任务，高度互信。从而，满足防空反导作战指控系统辅助决策的准确性和实效性［15］。