基于辅助决策的无人机指挥控制系统分析与应用

中国直升机设计研究所

基于辅助决策的无人机指挥控制系统是实现无人机智能化的一个重要发展方向，本文详细阐述指挥控制领域的辅助决策基本理论，并根据无人机的不同功能和应用场景，分析辅助决策在无人机指挥控制系统中的应用方法和思路，可为无人机智能化指挥控制系统设计提供参考。

无人机指挥控制系统作为无人机系统的重要组成部分，主要作用是实现无人机的飞行控制和管理，更好地监视无人机平台的飞行状况，并对无人机进行遥控操作。随着人工智能技术不断发展，无人机指挥控制系统的研究偏向于利用无人机机载传感器获取各类信息，从而实现智能辅助决策，更好地控制无人机在各种复杂环境下完成精细化任务。

人工智能技术发展迅速，为无人机自主飞行提供了全新思路，美国率先提出自主作战的概念，明确将自主性作为评价无人机能力的重要指标。但是人工智能技术需要大数据、超级计算能力等技术提供支撑，同时受现有技术支撑及应用场景等条件限制，片面依靠人工智能技术实现无人机自主控制显然不现实。针对无人机指挥控制系统的特性，应重视智能化系统辅助人类行动，提高人类决策效率，降低人为失误。因此，基于辅助决策的无人机指挥控制系统成为智能无人机领域的一个重要研究课题。

辅助决策基本理论

决策是指严格遵循一定的决策程序和正确的决策原则，依靠专家和智囊组织，运用科学决策方法，采用先进信息处理技术和手段，进行综合、全方位决策。决策任务在现代战争和非战行动中呈现出多样性、复杂性、协同性等特征，对辅助决策系统的敏捷性、智能性、适应性等能力提出了更高要求，先进系统工程、信息系统、运筹优化等技术正在为辅助决策系统提供更新的理论支撑和技术支持。目前支撑辅助决策的理论基础主要有三种，即基于模型、基于知识和基于数据的理论。

基于模型的理论

模型反映了实际问题最本质的特征和量的规律。通过人为设定参数，建立目标函数和约束条件，分析模型中参数精确程度对最优解的影响，有效指导决策者作出最终决策。在指挥控制领域，目前研究最多的模型是神经网络和遗传算法模型。神经网络数学模型如图2所示，其中Ij为输入，Wj为神经元连接权，F(x)为作用函数，Oi为输出，神经网络学习是通过一定的学习算法或规则对权值进行调整，不同的学习规则也让神经网络产生了不同的分支，如BP神经网络、RBF神经网络等。而遗传算法是基于对生物遗传和进化过程的计算机模拟，通过模拟生物在自然环境下的遗传和进化过程而形成一种自适应全局优化概率搜索算法，简单来说，即在遗传和进化过程中进行选择、交叉、变异机理的模仿，完成问题最优解的自适应搜索过程，遗传算法基本模型如图3所示。

基于知识的理论

基于知识的辅助决策主要采用专家系统来实现，专家系统是指一个具有大量知识和经验，并能利用其推理的计算机系统。它将人类专家的专业理论知识和解决问题的特殊经验以计算机语言的形式存储于计算机，利用这些知识来模拟人类专家的推理和处理各种复杂问题。一般来说，专家系统没有统一的结构，但需要两个核心模块即知识库和推理机。知识库负责存储总结的专业知识和历史经验，而推理机根据当前知识库中的知识，按不同的推理方法推理得到某些结论，从而达到辅助决策的目的。

基于数据的理论

图1 人工智能技术需要大数据、超级计算能力等技术提供支撑。

图2 神经网络基本模型。

图3 遗传算法基本模型。

图4 专家系统将人类专家的专业理论知识和解决问题的特殊经验以计算机语言的形式存储于计算机。

大数据技术的意义不在于掌握庞大的数据信息，而是对这些数据信息进行专业化处理，并以合适的形式展现出来，达到支撑辅助决策的目的。基于数据的分析决策过程主要由四个步骤构成，依次为数据采集与预处理、数据存储、数据分析处理和数据展现。最后通过适当的方式辅助操作人员做出决策。

图5 无人机指挥控制系统典型组成。

辅助决策在无人机指挥控制系统的应用思考

广义指挥控制系统既包含指挥控制的主体，又包含指挥控制的客体。无人机指挥控制系统通常称为地面控制站，既是无人机状态信息显示的终端，也是指挥控制和管理的终端，其典型组成如图5所示。整个过程可以用“原始数据—信息—处理—评估—决策—执行”来描述。辅助决策是无人机指挥控制系统的重要一环，随着人工智能技术的迅速发展，辅助决策系统被赋予更多的功能和内涵。

国外从20世纪70年代已提出辅助决策支持系统，希望借助计算机，基于模型库、数据库、知识库和方法库等系统，为决策人员提供帮助。基于该模式，美军研制了联合作战计划和执行系统(JOPES)、战区级作战方案评估系统(CEM)、计算机辅助任务规划系统(CAMPS)、联合任务规划系统(JMPS)、参谋计划与决策支持系统(SPADS)等一系列指挥控制辅助决策系统。21世纪以来，美国先后启动可视化数据分析、深度学习、高级机器学习概率编程等大量基础技术研究项目，探索从文本、图像、声音、视频和传感器等不同类型多源数据自主获取信息、处理信息、提取关键特征和挖掘关联信息的相关技术。相比国外，国内无人机指挥控制领域的辅助决策系统发展较为缓慢，目前人工智能技术已在语音识别、图像识别和自然语言处理等领域取得突破，国内智能化控制研究掀起了新一轮高潮，但是辅助决策系统在无人机指挥控制系统的具体应用尚待深入研究。

前文已简要阐述指挥控制领域常用的辅助决策理论方法。但是，无人机指挥控制系统不仅需要完成无人机平台、任务载荷等系统的指挥和控制，还需要根据环境信息、无人机性能、任务载荷性能等条件约束，对任务进行合理分配及航线规划，使无人机在最短时间内完成任务或付出最低代价。因此，单纯依靠某一种方法无法完成指挥控制系统的辅助决策，综合多种方式才能达到有效辅助决策的目的。以下根据无人机不同功能和应用场景，对辅助决策应用展开分析。

飞行控制辅助决策

无人机是一个综合系统，包括动力、通信、导航、飞行控制管理、任务载荷、电气等系统，这些分系统众多重要飞行参数需要在指挥控制系统的界面得以体现，而无人机操控员需要根据这些参数的变化发出相应指令，这对操控人员的专注度和反应敏捷度提出了很高要求。如何减轻操控人员的工作负担，基于专家的系统和基于数据的原理可以提供解决方案，辅助决策系统将成为无人机指挥控制系统发展的重要方向。

对于无人机平台而言，专家系统中的知识应包括理论上准确的飞行状态参数数据信息，比如无人机系统中燃油温度的值域范围、发动机转速的值域范围等参数，还包括无人机试飞人员的经验数据，因为有些飞行参数的数值虽然在值域范围内，但却出现了问题或故障征兆，经验丰富的操控人员通常能捕捉到这类敏感信息。简要流程如图6所示，实时飞行遥测数据进入专家系统后，与专家系统中的飞行参数理论库和模糊经验库同时进行规则匹配，依赖神经网络或遗传算法等优化算法得到自适应权重后，做出相应结论，最后以适当方式在界面中显示，辅助操控人员做出决策。

图6 专家系统简要执行流程。

无人机产品在长期研制和试验过程中积累了大量数据，包括航空电子、飞行、任务载荷等数据。无人机数据具有重要应用价值，通过分析可实现辅助操控、故障预测等支持。但是目前无人机指挥控制系统对数据的处理分析尚存不足，对数据缺乏了解和缺少应用需求，导致大量数据只能是单纯的存储，并未挖掘其潜在价值。

无人机飞行数据的应用可以从两方面展开。一是对已有飞行数据进行分类分析，建立不同飞行阶段的控制特征模型，如起飞、航线飞行、降落等各飞行阶段，确立特征模型与飞行参数的关系，挖掘分析不同飞行阶段指令操控的关联性，并以合适的方式对操控员进行提示，为操控员提供辅助决策，从而减少其操控负担；二是分析整理历史数据中各子系统的故障，重点分析故障发生前系统参数随时间的变化趋势，找到故障发生前的一些规律，通过这些规律辅助操控人员进行故障预测，为操控人员多赢得一些处置时间。

任务规划辅助决策

无人机任务规划是无人机系统的一项核心关键技术，它不仅包括基本的航线规划，还需完成对任务区域内威胁的分析和评估，确定无人机武器配置、起飞架次、飞行路径等。无人机任务规划是多约束条件下的策略求解问题，需要考虑任务需求、环境信息、平台性能等多种影响因素。

以航线规划为例，基于辅助决策的无人机航线规划系统的目标是，采用合适的算法和方法，充分考虑飞行环境中既定及可能出现的约束条件，在飞行约束条件下，合理构建航线目标函数和飞行效能评估函数。这里的约束条件既包括无人机平台约束条件，如最大距离、最大拐弯角、飞行高度等约束条件，还应包括地理地形等外部环境的约束条件。在这些函数变量的约束下，然后根据不同的飞行任务，确定初始航线，经过神经网络或遗传算法不断优化航线，使目标函数中的安全系数达到最高。对于复杂态势下的多无人机任务规划，则需要在优化算法中加入任务系统调度、环境态势评估模块等，综合各类约束条件得到无人机任务规划问题的最优解。

智能无人机是未来发展的必然趋势，而基于辅助决策的无人机指挥控制系统能够有效提高其决策效率，减少人为失误，是实现无人机智能化的重要基础。本文详细介绍了辅助决策的基本理论，并结合当前无人机指挥控制系统的发展现状，提出将辅助决策用于飞行控制和任务规划。随着人工智能算法不断优化，辅助决策模型和理论必定能在无人机指挥控制系统设计领域一展所长。