大数据背景下深度学习技术在作战任务规划中的应用

刘先章 张自然

【摘 要】阐述了大数据环境下如何使用深度学习技术，解决军事（战术级）作战任务规划面临的战场环境复杂，信息不完备、不确定，策略制定设计到的因素复杂性提高等问题。并分析了深度学习技术在作战任务规划中的具体应用模式和工作流程，探讨了未来可能的发展方向，为作战任务规划的自动化、智能化、自适应化提供了新思路。

【关键词】大数据;深度;任务规划

一、什么是作战任务规划

（一）概念内涵

从其规划的方法过程来看，“任务规划”一词可以追索到《运筹学》中的“规划”，即研究约束条件下实现目标函数最优的理论和方法。应用于军事领域，“作战任务规划”是指根据已知的约束条件、作战资源和目标状态，运用相应的规划推理方法，生成一系列、成体系的作战行动指令，通过执行以上指令实现“初始状态—目标状态”的演变，即在战争设计、组织筹划的过程中，按流程化的作战程序，将作战要素、作战资源和作战行动等精确地统筹管理的基本过程。

（二）作战任务规划的基本流程

目前，作战任务规划涵盖了作战计划、作战辅助决策和任务规划等概念，美军经过多年的实战，不断修订，形成了较为完备的作战规划流程。美军《联合作战规划》中规定，作战任务规划主要包括任务启动、规划分析、方案制定、行动分析、兵棋推演、方案对比、行动方案报批、计划或命令制定共七步。本文根据当代信息化技术在作战中应用的特点，结合我军目前作战规划任务的实际需求，采用常规作战中任务规划的 “构想—方案—计划”三阶段流程，对作战任务规划流程进行了梳理。

（三）任务规划在作战领域中的发展需求

作战任务规划的出现和发展是技术发展和战争形态变化所驱动的结果。信息化条件下的联合作战，尤其当下大数据和深度学习背景下的人工智能时代，对作战任务规划系统提出了更高的要求。需要我们必须转换思想观念，完善体制机制，加强基础研究，突破关键技术。将大数据和深度学习技术应用于作战任务规划中，提高系统的智能化、认知化和自适应化，以适应未来战争战场态势瞬变，信息量爆炸等复杂的战场环境。

二、深度学习关键技术

深度学习技术兴起的主要驱动因素有三个方面，一是大量数据的收集与以前相比变得容易;二是计算机硬件技术发展所带来的强大算力，如GPU技术和并行计算硬件系统;三是算法的有效性高更多依赖于数据质量的好坏。可以说，深度学习带来的是一种解决问题思维方式的转换：传统的算法思维是根据数据和规定寻找答案;而深度学习技术处理问题的思路，是知道答案和数据，去寻找数据中所蕴含的规律。也可以理解为解决问题的思路，由曾经的模型驱动转变为现在的数据驱动，是的解决问题的思路发生了根本性的改变。在当前的大数据时代下，用深度学习技术解决作战任务规划中的问题，深度学习技术可以自学习找出数据中所蕴含的隐形规律，有利用问题更好的解决。

三、大数据环境下深度学习在作战任务规划中的应用

在作战任务规划的OODA循环中，各作战单元实现战场态势信息的实时感知和共享，并在此基础上对战场整体态势进行理解，实现分布式的动态规划与协调。由上节对大数据环境下深度的简要介绍可知，在作战任务规划系统中，深度学习可用于战场态势感知及理解，进而为战术决策和任务规划提供重要依据。即通过获取海量战场信息和数据，实时感知并准确理解战场态势，挖掘复杂态势中的隐藏信息，是指挥员做出正确决策规划的基础。近年来，快速发展的大数据和深度学习技术通过构建多层卷积神经网络，采用无、半监督逐层训练方法，提取目标的多尺度特征，避免了梯度发散和局部最优问题，在目标检测、行为识别、无人驾驶等诸多领域都得到了广泛应用。将深度学习应用在态势理解中，通过多层神经网络逐层进行训练，实现对战场态势的认知和理解。训练数据的来源包括历史数据、演习训练、靶场试验、战场仿真等。

（一）场景識别

战场环境是战争的载体，影响着作战的全过程。对战场环境分析的准确与否，决定了态势感知的效果。尤其是未来战争环境包括了海陆空天等多域的结合，使人主观判断的局限性愈发明显，此时深度学习等人工智能技术领域的发展将有效地适应未来战场环境的客观需求。

（二）目标检测

在未来战争中，敌方目标均为多域多兵种，目标的多样性、隐蔽性、伪装性以及战场环境的复杂性都大大提升了目标检测识别的难度，传统的人工提取特征设计分类器的方式难以满足作战中快速准确识别敌方目标的需求，而深度学习的快速发展以及大量公开图像数据集的建立，将大幅提高检测战场目标的速度和精度，例如：基于区域选择的R-CNN系列与端到端的YOLO和SSD系列的检测速度和精度均有了较大提高。由此可见，基于深度学习的目标检测方法相较于传统目标检测方法而言，其检测性能得到了显著提升，部分模型已能够达到特定应用需求。

（三）行为判断

行为判断是通过深层神经网络提取不同行为的多尺度特征，经过分类回归的方法将待检测的行为划分至行为集合中的某一类，包括特征提取、行为描述和回归分类3个环节：神经网络向三维空间的扩展，促使了三维卷积在行为识别中的运用;视频数据中空间和时间信息进行的编码后，进一步加深和改进了三维卷积在行为识别领域的发展;双流卷积神经网络的方法的提出，可以将空间流和时间流信息进行融合后用于分类识别，大幅提高了行为识别的准确率。

（四）威胁估计

威胁估计是根据当前战场形势对敌方军事力量的杀伤能力以及对我方的威胁程度的综合评估。在充分考虑战场态势感知的前提下，根据敌我双方的兵力部署、武器性能、敌方攻击意图和我方作战策略，以定量分析的方式对敌方威胁等级进行评估。现代战场的快节奏要求指挥员从战场上多源数据信息中实时分析并预测目标威胁等级，针对敌方作战行动场景提前进行决策规划，这种超前行动方式更适合复杂、多变、突发性强的未来作战场景，具有非常重要的意义。因此，及时准确地评估敌方目标威胁度，并根据我方的作战方案和武器系统的性能，提前进行科学火力分配和打击决策，是提高战场致胜能力的关键。DARPA开展的洞察项目，通过对多类传感器数据进行融合和推理，实现对潜在威胁的评估和预测。

四、结语

为适应未来智能化战争的需要，就要求作战规划任务朝着自动化、智能化和自学习化发展。在实际的战场空间当中，我们所采集的数据，大多没有标识，那如何解决这个问题，是作战任务规划中的核心技术，为此本文根据数据的拓展性和数据信息的可迁移性，在现有训练模型的基础上，高效分析整合有用信息，结合迁徙学习、集成学习和半监督学习等技术，提高学习效能和质量。在对数据进行不断分类、训练、学习的基础上，将生成结果作为作战任务规划的重要参考，并结合人工智能、深度等技术，逐步实现数据层面和技术层面的自动化，为指挥员的筹划提供科学依据，最大程度上降低主观因素对于作战指挥的不良影响。

参考文献：

[1]赵国宏，罗雪山. 作战任务规划系统研究[J]. 指挥与控制学报，2015（5）.

[2]谢苏明，毛万峰，李杏. 关于作战筹划与作战任务规划[J]. 指挥与控制学报，2017，3（4）：281-285.

[3]胡晓峰. 关于联合作战规划系统的几个问题[J]. 指挥与控制学报，2017，3（4）：273-280.

[4]刘全，翟建伟，章宗长. 深度强化学习综述. 计算机学报，2018，41（1）.

[5]姜娜，顾庆传，杨海燕，黄吉亚 .大数据下的深度学习算法[J]. 电脑与信息技术，2019（3）：33.

[6]U.S. Joint Chiefs of Staff. Joint Operation Planning，Joint Publication（JP）5-0[Z]. 2011（8）.

（作者单位：空军航空大学）