人工智能技术在潜艇作战系统中应用分析

2020-12-19高天孚邓尧文黄田力黄珊琳

舰船科学技术 2020年11期

高天孚，孔军，邓尧文，黄田力，李壮，黄珊琳

(中国舰船研究院，北京 100192)

0 引言

潜艇作为一种重要的水下作战装备，可承担局部战场态势感知、航母编队警戒护航、水下协同作战指挥、对敌陆岸目标远程精确打击、对敌大中型舰艇及编队隐蔽攻击、对敌潜艇进行攻击、特种作战力量投送等多样化的作战任务。在水下网络中心战及信息化作战条件下，潜艇未来面临的战场环境复杂多变，获取的信息多源异构，潜艇指挥员将面临如何在最短时间内正确认知战场态势，迅速做出指挥决策，快速实施战术机动，快速完成武器通道组织和武器发控等一系列问题。智能化技术在作战系统中的应用，将有效提升潜艇作战平台的性能，辅助指挥员快速作出正确决策，减少系统反应时间，提高潜艇的作战指挥效率。

1 人工智能技术在潜艇作战系统中应用分析

潜艇作战系统是指潜艇平台上用于执行警戒、跟踪、目标识别、信息处理、威胁估计及控制武器完成对敌独立或协同作战的各要素及人员的综合体，主要由声呐系统、光电设备、雷达/电子侦察设备、导航系统、通信系统、指控系统、鱼水雷武器系统、导弹武器系统、水声对抗系统、雷弹发射装置等分系统和设备组成[1]。随着技术的进步，潜艇对外部平台信息的隐蔽接收能力的不断增强，潜艇内部信息化程度不断提高，潜艇作战相关的数据的不断累积丰富，人工智能技术在潜艇作战系统上的应用必将进一步增强潜艇自身在目标识别、态势认知、指挥决策、交战控制、人机交互等方面的能力，进而提升潜艇整体作战能力。

1.1 目标识别

人工智能技术能够将艇载信息源获得的各类信息加以综合利用，提取融合多源目标信息，进而自动完成目标的识别。

潜艇在执行任务过程中，获取目标信息的信息源主要分为艇载传感器、通信系统和源数据[2]三大类。其中，艇载传感器主要包括潜艇的声呐系统、光电设备、雷达/电子侦察设备；通信系统主要包括长波、短波、超短波、卫通和浮标等各类通信设备；源数据主要包括潜艇预先加载各类数据库。

图1 潜艇作战系统组成示意图Fig.1 Composition of submarine combat system

艇载传感器主要获取的是目标探测信息。声呐系统可对跟踪的水声目标信息进行DEMON，LOFAR 谱分析，提取目标的螺旋桨转速和螺旋桨叶片数作为识别目标属性特征；对噪声目标进行测向、测距；对主动声呐脉冲信号实施侦察，测定其方位、频率、脉宽和周期等。光电设备主要获取的是目标的方位信息、距离信息、高度信息和图像信息；雷达主要能够获取目标的方位、距离信息，电子侦察设备主要对舰载、机载和岸基雷达威胁信号进行截获，测量其频率、方位、脉宽等参数。

潜艇通信系统主要获取外平台发送到目标信息。这些信息主要包括技侦情报信息、目标指示信息和我方目标活动信息等。技侦情报信息主要是指我方通过技术侦察手段破译的相关目标信息，可涵盖目标的出发港口、抵达港口、出发时间、抵达时间，目标的属性、种类、类型、型号和舷号等信息；目标指示信息指的是上级平台/系统送给潜艇的目标信息，如目标的经度、纬度、航速、航向、属性、种类、类型、型号等信息；我方目标活动信息包括我方目标的经度、纬度、航速、航向、属性、种类、类型、舷号等信息。

源数据主要包括潜艇预先加载各类作战预案、数据库。其中与目标融合识别相关的数据库包括目标特征数据库、目标识别模型库、先验知识库和历史数据库等（如目标活动的固定航道、频繁活动海区等历史信息）。

多源目标融合识别结构可分为信号级、数据级、特征级和决策级[3]。在潜艇目标识别中，各信息源获得的目标信息形式多样，提取的目标特征信息也各不相同，获取信息的实时性、稳定性和精度各异，因此在潜艇多源信息目标融合识别系统中，通常采用如图2所示的决策级目标融合识别结构[4]。

在潜艇决策级融合识别结构模型中，作战系统各分系统设备分别获取目标信息，进行特征提取后再分别完成独立识别，最后由艇载指控系统完成目标的多源信息融合识别。在各分系统统设备的独立识别过程中，可采用基于物理模型的模板匹配、聚类分析等方法；采用基于统计估计模型的贝叶斯推理、模糊推理、神经网络等方法；采用基于图像融合识别模型的图像配准相关方法等。在决策级融合识别过程中，可采用决策加权融合识别、基于D-S 证据理论的融合识别等方法。在整个目标识别过程中，需要利用数据挖掘、知识挖掘的相关方法对艇载各类目标特征数据库、模型库、先验知识库和历史数据库等进行充分的挖掘利用。

1.2 态势认知

人工智能技术能够突破人的主观认知局限，增强人的认知能力，辅助潜艇指挥员获得更快、更全、更准、更深的态势认知结果。

态势认知是在态势要素感知和多源信息融合的基础上，对战场态势的感知、理解和预测，如目标识别、威胁估计、意图识别、作战行动预测和未来战况走向预估等，是指挥控制活动从信息域走向认知预跨越的重要标志。

图2 决策级融合识别结构模型示意图Fig.2 Recognition structure diagram of decision level fusion

相比于水面或空中作战平台，潜艇依靠自身传感器或通信系统获取的信息有限，潜艇指挥员要对战场态势进行准确掌控，必须在潜艇平台自身获取信息基础上，充分利用和深入挖掘学习已掌握的作战目标信息、海洋环境信息、水声环境信息、作战案例、战术信息等历史信息形成的大数据。

在态势认知过程中，人工智能技术为解决态势智能认知过程中面临的一些问题提供一些基本方法[8]。如采用Bayes 概率理论、Hardey 集合理论、Shanonn 概率理论和Azdhe 模糊理论去解决不确定性和模糊性条件下的态势知识的建模问题；采用表示学习技术实现态势知识的表示；采用数据挖掘、贝叶斯理论、统计分析、结合认知机制的深度学习等理论方法实现对不同态势认知机制的模拟；采用深度增强学习技术解决不完全信息条件下的态势认知；采用小样本学习技术和面向样本生成的学习技术解决态势样本稀缺性问题，典型的小样本学习技术包括贝叶斯程序学习、迁移学习等，典型的面向样本生成的学习技术包括生成对抗网络、基于数据变换生成样本后的学习技术等。

在态势认知过程中，基于现阶段人工智能技术水平，有必要建立人机智能的高效协作机制，充分发挥人和机器各自优势，按需引入指挥员的主观认知。如采用基于人在回路的态势智能认知计算方法，来限定任务范围，从而缩小推理空间，降低态势推理和作战资源分配的复杂性、缩短任务计算时间等[19]，提升指挥员战场态势认知速度。

1.3 指挥决策

人工智能技术能够在态势认知基础上，辅助指挥员对各类资源的综合运用和多种战术措施的匹配使用进行统一规划，为潜艇各项战术活动的实施和作战方案拟定提供智能决策支持。

方案智能仿真推演有助于指挥员制定最佳作战方案。利用平行仿真技术构建与指控系统一致和平行的仿真战场态势环境[5– 6]，通过与指控系统的互联和信息交互，实时获取最新战场态势信息，在线仿真模拟战场目标运行状态，不断对敌方目标可能的作战意图和行为作出判断，生成下一时刻的战场态势预测结果；同时根据我方行动方案计划和掌握的敌情、海情，利用智能博弈技术[7]并行对未来不同剧情、不同时刻的敌我对抗的态势和走向进行快速仿真推演，对多分支并行仿真推演结果进行综合分析，对智能博弈过程中我方采取的战术水声决策方案、战术机动方案和攻防决策实施效果进行在线预估，辅助指挥员制定最佳作战方案。

临机智能辅助决策有助于提高指挥员战场突发情况的处置能力，快速生成作战方案。潜艇在反潜作战时经常面临紧急遭遇、近距离快速反击等作战需求。针对紧急遭遇条件下潜艇反潜作战方案快速生成问题，统筹应用已获取作战指挥过程历史数据、战场环境数据库及潜艇实时探测的信息，利用机器学习技术从历史数据中挖掘潜在规律，自动匹配推演生成最适合当前情况的预案；利用智能推理等技术，按照策略自动推理、搜索和计算，快速生成处置方案和行动指令[9 –10]，提升潜艇对反潜作战快速反应和指挥员的指挥决策能力。

1.4 交战控制

人工智能技术能够进一步提升作战系统组织并综合控制鱼雷、导弹、声抗器材等软硬武器对目标实施攻击和防御的能力。

在鱼雷发控导引中，基于遗传算法的鱼雷导引方法响应速度快，收敛性好和鲁棒性强，能够达到较高的垂直命中精度；基于神经网络的鱼雷导引方法不需要导引问题的精确数学模型，有一定的容错能力，并与基于最优控制导引法具有相似的弹道性质[11– 12]。

在导弹航路规划中，基于遗传算法、蚁群算法和粒子群算的随机自适应搜索智能优化算法思想简单，易于操作，对优化函数没有特殊要求，能有效的解决航路规划过程中由于规划区域过大或者规划目标运动时所引起的组合爆炸所带来计算量和规划时间将呈指数增长的问题，能够有效缩短导弹航路规划时间[13]。

在声抗器材使用中，基于遗传算法使用声诱饵防御鱼雷技术，可有效解决传统穷举统计方法由于决策参数增多，计算量急剧增加的问题，提高了潜艇防御来袭鱼雷的成功概率[14 –15]。

在与UUV 的协同作战中，人工智能技术将进一步推动潜艇与UUV 平台协同作战的应用[16,18]。依托智能UUV，潜艇可以进一步提高自身隐蔽性，增强网络通信能力，拓展侦察和攻击范围，在复杂战场环境中最小化潜艇风险和损耗，丰富作战手段，提高潜艇战场生存概率。

1.5 人机交互

人工智能技术可为潜艇作战系统提供新型高效的交互手段。

随着生物特征识别、语音识别、草图识别、手势识别、用户意图识别等人机交互技术的的成熟应用，潜艇作战系统可集成各种新型人机交互设备，可具备用户身份精确识别、指挥信息快速输入，用户意图智能推断，操作界面智能导航、指控命令自动处理、作战信息按需显示等功能，真正实现“实时联想、实时提示、实时导航、实时组织”的智能型人机交互[17]，提高人机交互的效率和自然性，满足未来指挥员快速指挥和决策的需求。

1.6 基础支撑

人工智能应用基础设备为人工智能技术在作战系统中的应用提供有力支撑。

在硬件层面，图形处理器（Graphic Processing Unit，GPU）、现场可编程门阵列（FPGA，Field Programmable Gate Array）和专用集成电路（Application Specific Integrated Circuit，ASIC）计算能力的提升为深度学习等人工智能算法的实现提供底层硬件支撑。

在软件层面，人工智能软件框架实现对人工智能算法的封装，数据的调用以及计算资源的调度使用，有效支撑系统应用。在数据采集传输领域包括Sqoop，Flume，Kafka 等软件框架；在数据存储管理领域包括Redis，HBase，Cassandra，MongoDB，Neo4j 等软件框架；在计算处理领域包括Spark，Flink 等软件框架；在数据查询和分析领域包括Hive，HAWQ，Impala，Presto，Spark SQL 等软件框架；在数据可视化领域包括Tableau，QlikView 等软件框架；在深度学习领域包括TensorFlow，Caffe，Deeplearning4，CNTK 等软件框架。

这些软硬件可有效整合改造并嵌入到潜艇作战系统信息基础设施中，可满足作战系统在应用层面的目标识别、态势认知、指挥决策、交战控制、人机交互等复杂应用需求。

2 思考建议

为进一步推动人工智能技术在潜艇作战系统装备中的应用，建议做好以下工作：

1）加强顶层规划，系统均衡发展，总体能力聚优

做好潜艇作战系统装备研制建设过程中相关人工智能项目研究的顶层规划，紧密结合人工智能技术的现状和未来发展，统筹潜艇作战系统中人工智能项目的研制和建设，实现系统装备的均衡发展和总体能力聚优。

2）明确关键需求，加强多方合作，解决作战亟需

根据潜艇作战系统发展，明确关键需求，与国内各研究机构、高校、AI 科技公司及其他战略伙伴开展最广泛的合作，使得系统关键需求与最新人工智能技术成果能够快速与对接，在试验验证基础上，成熟一个应用一个，稳步推进，为潜艇作战系统提供亟需的智能化系统装备。

3）做好样本数据积累，建立受控共享机制，打造合作共赢生态链

加强潜艇作战系统在日常值班、实兵演练和兵棋推演过程中的数据采集备份，做好人工智能技术应用的相关知识和样本数据的积累；建立样本数据的自动化标注和受控共享机制，将原始数据变为受控的高可用公共财富；在军民融合发展趋势下，以军方需求为牵引，依托国防工业部门生产研发力量、AI 企业的技术支持和高校的理论方法，发挥各行业优势，打造多方合作共赢的人工智能技术应用生态链。