多域作战下的群目标意图识别与预测

乔殿峰, 梁 彦,*, 马超雄, 杨心语, 汪 冕, 李建国

(1. 西北工业大学自动化学院, 陕西 西安 710129; 2. 北方自动控制技术研究所, 山西 太原 030006)

0 引 言

多域作战通过协同多个领域力量协同作战,避免依赖单一的侦察或打击方式,产生优于各部分总和的整体效果,进而创造出单一领域行动无法实现的作战效果,已成为未来战争的主要作战方式。在“环太平洋-2018”演习中,美军多域战特遣队试验部队成功地演示了多域作战方法。为实现战场态势占优,这需要融合所有作战领域的感知信息,构建更为全面的战场态势,帮助决策者理解来自不同领域的信息关联及其对联合部队行动的影响,从而改善感知和判断。2020年,美军将联合全域作战(joint all domain operations, JADO)和联合全域指挥控制(joint all domain command and control, JADC2)纳入条令体系,从作战条令、系统研制、演习试验等各个层面积极推进JADC2的建设,实现多域战从军种概念上升到联合概念的转变。JADO本质是一种深度的联合作战思想,坚持多军种深度联合作战,加强陆、海、空、天、网、电等全领域的多域协同与跨域融合,虽然仍然是基于观察-判断-决策-行动(observation orientation decision action, OODA)理论,但不同于传统“通过加速OODA环以达到作战优势”理念,JADO更侧重于协同多域作战力量,融合多域战场态势,建立己方决策优势。

多域作战概念不仅极大地改变了作战体系的对抗环境和对抗方式,对作战体系的组成、结构和应用也产生了直接的影响,从复杂场景的特点入手,构建合理的作战流程是顺利实现技术应用的必要条件。例如,多武器资源分配的过程是将指挥员的意图转化为联合作战计划,必须通过准确分析战场空间信息来提高态势分析能力。战场态势分析是指挥员根据获得的战场感知信息进行战场情况分析判断过程,是战场决策的重要条件,是信息优势转变为决策优势的关键因素。群目标意图识别与预测是指对作战区域内目标作战集群所要达到某个目的或作战计划的自动评估和预判,是态势分析的重要功能,属于战场数据融合体系的高层处理部分。

目前,群目标意图识别与预测主要在贝叶斯网络(Bayesian networks, BN)推理框架下展开。贝叶斯推理具有能够应对传感数据固有的随机不确定性和意图识别固有的语义模糊性、利用目标实体先验统计信息、能利用专家的实体关系知识构建推理网络、支持推理网络参数的再学习等优点。在黑板上建立的基于BN和模糊逻辑的态势评估算法能够评估每个威胁的相对重要性。基于群目标的态势分析与威胁估计模型阐述了作战指挥流程和作战计划的逐层展开过程,印证了群目标意图识别模型的可行性。将粗糙集理论与计划识别相结合,基于粗糙集的计划识别方法,能够应对信息的语义含糊性,具有快速计划识别的优点。基于目标属性的态势关联方法指出目标的类型、运动特征以及电磁特性与意图识别之间存在逻辑关联。考虑到不同证据在态势评估中的重要性不同,引入证据权重系数的证据组合方法改进了证据的重要性的计算。面向“认知、预测、验证”闭环的态势评估的计划识别框架在态势评估系统中闭环过程的具有可描述性和可计算性。但是，上述方法缺乏对意图影响很大的时间演化关系的分析,通过将BN扩展到对时间演化过程进行表示,动态BN(dynamic BN,DBN)具备了时序处理能力,不过DBN网络规模较小,推理任务相对单一,仅能推理出作战实体的子意图,无法直接得到上层群意图。动态序列BN(dynamic series BN,DSBN)将DBN和序列BN(series BN, SBN)相结合,先由目标属性推理出行为模式,再由行为模式推理上层意图,不过缺乏对时间序列上协同关系及兵力构成方面的梳理,不适合多域作战的多兵种集群协作情况。

本文以多域战下航母编队意图识别与预测为例,给出了集群目标意图推理方案。多域战群目标意图推理先根据不同实体的属性推理出个体行为,再结合作战实体的时序规则、双方相对距离及航向等信息得到同类目标元意图,最后利用实体序列协作关系及编队队形信息推理出群目标总意图,是一种多层次的识别过程,由此本文提出了基于群目标状态信息、作战规则和编队队形构建的多实体分层BN(multi-entity hierarchical BN,MEHBN)来动态推理对方意图。

1 问题描述

不同于传统的作战样式,多域作战要在联合部队内建立灵活以及具有适应性的编队,通过改变部队部署态势加强对敌威慑,以航母群为例,如图1所示,飞机和舰艇各司其职,协同完成作战任务,舰艇编队队形跟随作战任务变化。多域作战具有以下特性: 实体多类,包括航母、驱逐舰、护卫舰、战斗机、干扰机和预警机等;队形多变,包括一字横队、楔形队形、交错队形、纵队队形等;意图多样,包括远征、进攻、撤退等。

图1 航母编成示意图Fig.1 Schematic diagram of aircraft carrier organization

在多域作战中,指挥员快速、高效、准确、全面了解战场态势面临很大困难。随着未来作战节奏与进程加快,战场制胜法则是“快吃慢”,如果能够预判其下一步或几步行动,提前做出反应,就可以建立作战优势。因此,除了准确推理对方意图外,还需要预测对方意图,进行先敌打击。多域作战中的群体意图不能仅从组成单元的行为推断,只分析局部不可能得出整体性结果,仅对局部态势的认知进行组合、叠加不能得到整体战场态势,多域作战的整体性要求态势分析更加全面。多域作战不断演变的特点使态势要素之间的关系更加复杂多变,准确地理解态势更加困难。现有的态势分析方法主要存在以下局限:

(1) 与传统识别方法仅识别单一目标意图的多个模式不同,多域战群目标意图识别表现为不同类型实体意图在时序上的协作,很难直接推理得到;

(2) 由于多域战场的复杂性,当前态势分析方法很难从大量的战场数据中甄别构建BN时所需要的战场信息,亟需利用战场情报知识图谱中的各异构信源来自动构建意图推理模型。

2 多域作战下的群目标意图推理

多域作战下的群目标意图虽然不能直接观测,但意图总是通过目标属性、行为以及部署表现出来的。由于作战任务随战场态势而变化,需要对多类目标意图进行分别识别,然后综合推理得到群目标的总意图。

与传统识别方法仅识别一个意图下的多模式不同,多域作战下的意图识别需要先辨识不同类型实体的个体行为,再通过不同个体在时序上的行为变化得到元意图,然后利用实体序列协作关系及编队队形信息推理出总意图,是一种多层次的识别过程。首先,在综合目标航母编队的基本组成、公开活动、作战条例等各类信息构建的目标航母编队知识图谱基础上,根据不同作战实体的属性推理出个体行为。然后,由个体行为在时序上的行为变化得到元意图。最后,利用实体序列协作关系及编队队形信息推理出总意图,是一种多层次的识别过程,由此实现MEHBN的构建,完成群目标意图识别与预测,为多域作战下的战场态势分析提供支撑。据此构建的群目标战术意图分层树形结构的MEHBN模型如图2所示。

图2 MEHBN模型Fig.2 MEHBN model

2.1 基于知识图谱的多域作战数据及规则生成

数据来源方面,在美国国防部网站及其他开源网站渠道通过自动爬取数据、人工整编等方式整理美军各航母编队对我空海域抵近侦察情况等,积累了美军航母、各类舰船、侦察机、战斗机、电子作战飞机等相关武器装备资料。依托OpenKG.CN中文开放知识图谱平台的开源军事武器装备知识图谱,基于军事实体关系抽取、属性抽取、多源知识融合等理论和关键技术研究成果。如图3所示,课题组搭建了面向空海域管控的知识图谱原型系统软件,最终形成795个节点、14 806条边的知识图谱数据,并随着跟踪美军动向数据持续更新,基于上述装备及历史航迹数据生成本文仿真数据。

图3 多域作战下知识图谱全局可视化界面Fig.3 Global visualization interface of knowledge graph in multi-domain operations

规则来源方面,由于群目标的战术意图与群内实体目标行为序列在统计意义上通常表现出一种确定性的关系,本文将群目标特定战术意图下群体内各实体的行为序列进行统计挖掘后,生成与特定战术意图相对应的实体行为序列模板,构建成群目标实体行为序列模板库。在作战过程中,群目标战术意图通常被分解为多个子群的战术任务,而子群的战术任务又分解为多个实体的战术行动。最终由每个实体作为自身战术行动来实施,从而实现群目标整体战术意图。以航母战斗群为例,根据其所处的空间及任务阶段的不同,本文将敌方航母群目标的战术意图空间定义为{远征、进攻、撤退},每个作战任务都有自己的作战规则,都需要群内各作战实体协同完成。航母群内目标实体包括预警机、战斗机、电子干扰机、驱逐舰、护卫舰等。飞机类意图定义为{起飞、巡航、归队},舰艇类意图定义为{护航、前出、归队、后撤}。根据群体内各实体的作战序列在时间轴上的协作,形成航母群实体目标作战规则模板。以远征意图为例,如图4所示,航母群实体目标作战规则被构建为甘特图形式。

图4 远征想定下作战规则Fig.4 Rules of war under expedition

远征作战规则由舰艇编队变换及预警机、驱逐舰、护卫舰等个体行为按时序动作来完成。在0～时刻,舰艇编队保持交错队形行驶;在～时刻,舰艇编队按照纵队队形穿过海峡;在～时刻,舰艇编队又切换为交错队形不变至整个远征周期结束。预警机在整个远征周期内依次完成起飞、巡航、归队3个个体行为。首先0～时刻快速起飞,用时较短;接着～时刻期间持续长时间巡航,在～时刻,预警机在预定战位开启雷达实现对远征区域内有威胁目标的侦测任务,监视战场动态,并为指挥官提供信息;～时刻,完成任务,预警机归队。护卫舰及驱逐舰全程意图保持一致,在0～时刻,保持护航状态;～时刻,前出完成对交战区域附近的威慑;～时刻,脱离交战海域后归队;～时刻,保持护航状态直至到达目标海域。与远征意图类似,进攻和撤退意图想定下的目标作战规则如图5和图6所示。

图5 进攻想定下作战规则Fig.5 Rules of war under offensive

图6 撤退想定下作战规则Fig.6 Rules of war under retreat

2.2 编队队形与场景态势的映射关系

多种舰艇混合编队能够实现舰艇间的优势互补,编队队形是群目标的一个重要特征,展示了群目标的行为,是推理航母战斗群意图的重要基础,对战场态势分析及指挥员决策有重要意义。图7给出了航母群典型作战编队样式。为了确定航母战斗群在不同意图下的编队情况,分析了航母群的典型编队队形与作战场景(任务)的映射关系。

图7 航母群典型作战编队示意图Fig.7 Schematic diagram of typical operations formations of aircraft carrier group

编队队形跟随场景变化,比如一字横队常用于穿越有潜在危险的海域,攻防时适宜于发射鱼雷和导弹;楔形队形常用于防空、小编队航渡以及对敌打击;交错队形常用于舰队必须迅速通过且可能与敌舰遭遇的狭隘海域;纵队队形常用于舰队必须迅速穿越的狭隘海域且不大可能与敌舰相遇,但正面火力较弱。

2.3 基于MEHBN的群意图推理

为了识别与预测敌方群目标战术意图,首先定义敌方群目标的战术意图状态空间,群目标的战术意图是一段时间内敌所有作战行动的最终目的。针对这类意图识别过程,即先由原始证据推理得到元意图,再层层序列推理得到总意图。

由于群目标的战术意图能够分解为多个群内作战实体的战术行动。因此,群目标战术意图的识别与预测首先需要对群内实体的行为进行识别,进而在群内实体行为识别结果基础上,充分考虑群目标战术意图与群内实体协作关系的确定性关联关系,实现群目标战术意图的识别与预测。如图2所示,本文将航母群目标实体分为飞机编队和舰艇编队。在群目标战术意图推理过程中,同时考虑双方之间的相对距离。

网络的第1层为群目标总意图节点;第2层为群内实体目标的元意图节点、编队队形和协作关系节点;第3层为群内实体目标的行为节点、双方高距离节点和航向节点;第4层为群内实体目标的运动学信息和事件信息。该MEHBN推理网络结构由DBN和SBN相结合构成。本文将群内实体分为飞机类实体及舰艇类实体,分别对其设计贝叶斯网络模型。

(1) 飞机类实体贝叶斯分析模型拓扑构建

飞机类实体包括预警机、战斗机和干扰机,其BN模型如图8所示。影响飞机行为的特征变量有:释放干扰、高度、速度、航向、雷达状态、发射导弹、敌我距离、电磁静默、开机等,相应特征变量的状态空间语义划分如表1所示。

图8 飞机类实体贝叶斯分析模型拓扑Fig.8 Bayesian analysis model topology of aircraft entity

表1 飞机类实体BN节点状态空间Table 1 BN node state space of aircraft entity

(2) 舰艇类实体贝叶斯分析模型拓扑构建

舰艇类实体包括驱逐舰和护卫舰。其贝叶斯网络模型如图9所示。与舰艇类实体行为相关的特征变量包括:敌我距离、速度、航向、电磁静默开机等,相应特征变量状态空间语义划分如表2所示。

图9 舰艇类实体贝叶斯分析模型拓扑Fig.9 Bayesian analysis model topology of ship entity

表2 舰艇类实体行为BN节点状态空间Table 2 BN node state space of ship entity behavior

(3) 飞机类实体意图多模构建

飞机类实体意图包括起飞、巡航和归队。以预警机为例,根据历史数据统计以及专家经验:对于敌方空中目标行为,一般以低空爬升开始,后续行为为中空巡航,这样的行为序列的元意图为起飞。类似的,中空巡航→高空巡航的元意图为巡航,中空巡航→掉头+中空巡航的元意图为归队。根据预警机行为动态转换关系,构建如图10所示的预警机行为转移概率示意图。以此类推,也可构建战斗机和干扰机的行为转移概率。

图10 预警机实体行为转移概率Fig.10 Transition probability of warning aircraft entity behaviors

(4) 舰艇类实体意图多模构建

舰艇类实体行动包括护航、前出和归队。以驱逐舰为例,根据历史数据统计以及专家经验:对于敌方舰艇目标行为,一般以匀速航向行为开始,后续行为为匀速航行、驶出队伍+加速航行和掉头+加速航行,他们分别对应的元意图为护航、前出和归队。根据驱逐舰行为动态转换关系,构建如图11所示的驱逐舰行为转移概率示意图。以此类推,也可构建护卫舰的行为转移概率。

图11 驱逐舰行为转移概率Fig.11 Transition probability of destroyer behaviors

战场群目标意图识别旨在利用战场各种传感器获取到的战场信息,结合军事知识以及作战动机,对敌方群目标的战术意图进行推断。意图预测则是在目标意图识别的基础之上,结合历史经验等信息,对敌目标的下一步意图进行预判。

首先,针对敌方个体目标运动及装备的运行状态,采用BN推理方法,完成实体目标从传感器数据到行为的映射。其次,考虑到敌方群目标的战术意图与群内实体目标行为序列在统计意义上通常表现出一种确定性的关系。本文将群目标特定战术意图下群体内各实体的个体行为序列进行统计挖掘后,抽取与特定战术意图相对应的实体作战规则,结合所构建的分层BN推理模型,实现从群内实体行为模式到群体意图的推理映射。

在群目标意图预测过程中,首先根据群目标战术意图的识别结果,从实体规则库中提取出实体个体行为转移概率,并结合当前实体意图识别结果,对实体的下一步行为进行预测。然后,结合所构建的分层BN推理模型,实现对群目标战术意图的预测。

对于MEHBN模型的下半部分DBN,Ge()表示推理结果(总意图信度);Pa()表示意图的父节点(父意图信度);Ch()表示意图的子节点(状态空间变量),则

Ge()=(|Pa()Ch())

为了推理群目标意图,父节点的意图是未知的,因此Pa()未知,只能通过状态空间变量Ch()来推理意图,则

(1)

式中：()表示意图的先验概率,默认取值为意图状态的均等分布;(Ch()|)()表示从意图的状态空间得到的信息;为归一化因子。

在个体行为DBN中,状态空间变量的父节点为前一时刻节点对应的状态空间变量,给定在任意时刻初始元意图为均等分布,则

(2)

式中：∈为状态空间变量由转移到的概率,为目标状态空间变量沿时间轴的状态转移概率矩阵,由先验知识已知。因此,根据充足的证据基于DBN推理得到各元意图,即MEHBN模型上半部分SBN的叶节点。

对于MEHBN模型上半部分SBN,总意图分为元意图,,…,的推理。由于,,…,是实现总意图的元意图实现序列,与DBN中元意图互相独立,在SBN推理部分的元意图是一个序列。此时,一个父节点的状态等同于其对应的子节点序列,由于序列概率中的子序列是沿时间动态演化的状态序列,满足马尔可夫性,即节点序列,,…,满足：

(|1:-1)=(|-1)

(3)

式中：1:-1表示由到的序列。因此,节点序列呈现特定规律,,…,的概率为

(,,…,)=()()…()=

()(|)…(|-1)(-1)=

相应父节点的状态信度()为对应子节点呈现某种特定规律的序列的信度,则

()=(,,…,)=

式中：()表示在相关规则下时刻意图状态的概率;(+1|)表示满足马尔可夫条件下发生后继续发生+1的概率,即意图的转移概率。此处，假设元意图序列,,…,的状态转移概率已知,多层意图分解的情况以此类推,最终推理得到群目标意图。

3 实验验证

3.1 多域作战下场景想定

本文将MEHBN模型应用于军事上的群目标意图推理,并以多域作战下航母战斗群夺岛作战想定为例验证所提算法的有效性。具体的作战想定如表3所示。

表3 多域作战下的航母群作战想定Table 3 Scenarios for aircraft carrier group operations in multi-domain operations

在实际作战过程中,实体作战样式动态且多变,实体行为的变化趋势与实际战场情况紧密相关,群意图是群内作战实体通过一系列战术活动来达到最终的作战目的。因此,需要根据作战实体的历史数据来设计实体行为转移概率,形成航母群目标典型元意图的状态先验概率表如表4和表5所示。

表4 预警机状态-元意图关系表Table 4 Relationship table between the state of warning aircraft and the meta-intention

表5 驱逐舰状态-元意图关系表Table 5 Relationship table between the state of destroyer and the meta-intention

本文使用准确率Acc和均方根误差RMSE来验证算法的有效性,Acc和RMSE的定义为

3.2 群目标意图识别

本文算法输入为根据美航母群典型想定生成仿真数据,0～90时刻、90～180时刻、180～270时刻分别为远征、进攻以及撤退的仿真数据。利用如图2所示的MEHBN模型“自下而上”推理得到群意图,首先根据群目标的状态信息推理得到当前时刻的每个作战实体的元意图,再利用作战实体的时序规则、实体在序列上的协作关系及编队队形推理出群目标总意图。

如图12所示,远征、进攻及撤退的意图识别结果分别在第19、101及185时刻超过设定阈值(意图识别结果正确的阈值概率设为60%),在整个多域作战想定下的意图识别过程中,识别准确占比为87.78%。值得注意的是,在0～19时刻,由于数据积累不足,识别结果未能达到输出阈值,故按推理错误判定。此外,在远征切换为进攻及进攻切换为撤退时,由于意图是一个缓慢变换的过程,其识别结果也会存在一段误判区,随着数据的增加,识别结果越来越准确。由于识别准确占比与阈值的大小相关,阈值取值根据应用背景来设定。

图12 基于MEHBN的航母群意图识别结果Fig.12 Intention recognition result of aircraft carrier group based on MEHBN

为了更好地说明本文算法的创新性,经典的推理算法——模糊逻辑,被用来推理群目标的意图,如图13所示,模糊逻辑算法在去模糊化之后得到的结果是“非黑即白”的,且无法给出具体意图的概率信息,因此,推理结果为非0即1。此时的意图推理结果与阈值设定无关,模糊逻辑在整个多域作战想定下的意图识别过程中,识别准确占比为7778%。由于模糊逻辑算法无法进行意图预测,此处仅展示了意图推理结果。

图13 基于模糊逻辑的航母群意图识别结果Fig.13 Intention recognition result of aircraft carrier group based on fuzzy logic

3.3 群目标意图预测

本文算法输入为根据美航母群典型想定生成仿真数据,0～90时刻、90～180时刻、180～270时刻分别为远征、进攻以及撤退的仿真数据。如图14所示,预测1拍后的航母群意图时,远征、进攻及撤退的意图预测结果分别在第13、100及186时刻超过设定阈值(意图预测结果正确的阈值概率设为60%),在整个多域作战想定下的意图预测过程中,预测准确占比为86.30%。预测4拍和8拍的意图结果如图15和图16所示,在整个多域作战想定下的意图预测过程中,预测准确占比分别为80.37%和72.59%。随着预测时间的增加,准确率逐渐下降,这是由于预测准确率会随着预测时间范围的增长降低,本文给出的预测概率输出阈值为06(可依据具体应用而定),小于阈值时不输出结果。本文根据测试发现预测时间范围不大于8拍时预测结果的概率大于阈值,能够准确输出预测结果。然而,当预测时间范围为9拍时,预测结果的概率小于阈值,无法输出结果。

图14 基于MEHBN的航母群意图预测1拍结果Fig.14 Intention prediction result of aircraft carrier group based on MEHBN in one step

图15 基于MEHBN的航母群意图预测4拍结果Fig.15 Intention prediction result of aircraft carrier group based on MEHBN in four steps

图16 基于MEHBN的航母群意图预测8拍结果Fig.16 Intention prediction result of aircraft carrier group based on MEHBN in eight steps

如表6所示,本文算法在识别和预测情况下准确率和RMSE两个指标均优于模糊逻辑算法。表7所示为算法运行100次的平均单次运行时间统计结果,可以看出在进行意图推理时,本文算法与模糊逻辑算法的运行时间基本持平,但是模糊逻辑算法无法进行意图预测。整体来说,本文算法对比模糊逻辑算法能够在几乎相同运行时间下得到更准确的推理结果。

表6 性能指标对比分析Table 6 Comparative analysis of performance indicators

表7 推理和预测单次运行时间Table 7 Inference and prediction single run time s

4 结束语

针对多域作战因素复杂多变,不仅体现在目标实体空间运动及属性上,也体现在战术意图上。在综合群目标的基本组成、公开活动、作战条例等各类信息的知识图谱基础上,提出了一种基于群目标状态信息、作战规则和编队队形构建的MEHBN来动态推理敌方意图。首先通过目标状态和事件信息推理出目标作战实体行为,再利用作战实体的时序规则、双方相对距离及航向信息推理出目标元意图,在此基础上结合实体序列协作关系及编队队形信息推理出群目标总意图。最后,典型想定的仿真结果表明本文所提算法的推理结果符合实际,证明该模型对实现群意图识别与预测有较好的能力。

本文研究了多域作战下的群目标意图识别与预测,但还有很多问题值得进一步研究和完善,后续的研究工作可以从以下两个方面展开:

(1) 战场搜集到的数据大多是航迹情报,需要进行时空配准及数据清洗,得到有用的战场态势信息；

(2) 战场态势日益复杂,战场对抗愈发体现为体系间的博弈攻防,这导致目标意图的隐蔽性更强,与双方体系能力和兵力配置的关联性更加紧密,需要研究博弈对抗环境下目标意图识别方法。