人工智能技术在国外舰载武器系统中的应用浅析 *

2023-03-06张进徐国亮郭浩

现代防御技术 2023年1期

张进，徐国亮，郭浩

（1. 北京理工大学自动化学院，北京 100081；2. 江苏自动化研究所，江苏连云港 222061）

0 引言

人工智能（artificial intelligence，AI）是研究用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的学科，它试图了解智能的实质，实现对人的意识、思维的信息过程模拟，并研制出一种能以与人类智能相似的方式作出反应的机器。近年来，人工智能技术得到了迅猛发展，在诸多领域都得到了广泛应用［1-3］，其中不乏舰载武器系统领域的相关研究［4］，但目前其研究成果都处于零散状态，缺乏系统的归纳和总结。国内外舰载武器系统具有相同的架构，一般是由舰载火控系统和舰载武器组成，其中舰载火控系统是指装载在舰艇上控制舰载武器对目标实施攻击或拦截的火力控制系统，从功能系统上，舰载武器系统又可以分为探测识别功能系统、指挥控制功能系统及火力打击功能系统［5］。

本文在充分调研国外文献的基础上，分别从舰载武器系统三大功能系统角度出发，阐述人工智能技术在其中的具体应用情况，以期为国内人工智能技术在舰载武器系统领域内的应用和发展提供一定的参考。

1 AI 技术在探测识别功能系统中的应用

探测识别功能系统主要负责舰载武器系统的敌对目标捕获与识别，为指挥控制功能系统提供全局态势和较为准确的目标信息。当前在探测识别功能系统中，目标识别与分类、雷达滤波、航迹关联等方面都有AI 技术的相关应用。

1.1 目标识别与分类

2017 年以来，美国军方一直在努力将人工智能整合到现有的侦察和目标识别系统中，例如Maven项目在伊拉克、阿富汗和叙利亚作战中正式应用于探测和攻击目标［6］。探测识别功能系统中一般包括雷达、光电、声呐等目标探测跟踪设备，探测跟踪设备在识别目标过程中涉及特征提取、图像处理、匹配分类等问题，而神经网络、深度学习、支持向量机等人工智能技术对以上问题又有着出色的处理能力［7］，因此得到了有效应用。

2009 年，文献［8］使用多层感知器反向传播神经网络对雷达原始信号进行特征提取，然后进行分类处理，结论表明，神经网络可以有效地应用于雷达分类。2014 年，文献［9］基于雷达获取的运动学属性，针对不同防空弹道导弹特征，利用神经网络和隐马尔可夫模型对弹道导弹进行动态分类，分类准确率在95%以上。2017 年，文献［10］利用卷积神经网络对声呐图像进行特征提取，然后利用人工标记数据训练的支持向量机对水下UUV（unmanned underwater vehicle）进行分类，结果表明，与使用其他特征提取技术（例如定向梯度直方图和局部二值算法）相比，深度学习特征提取技术目标识别和分类准确率更高。2020 年，文献［11］基于Copula 统计多元建模方法和加权稀疏表示分类，提出了新的雷达图像目标识别方法，相比于当前常见的其他识别算法，该算法具有更高的分类准确率。

1.2 跟踪雷达滤波器

舰载跟踪雷达最常用的目标跟踪滤波器是基于数值方法的卡尔曼滤波器（Kalman filter，KF）或基于卡尔曼滤波改进的其他滤波器，例如扩展卡尔曼滤波器［4］，具体的滤波器原理和应用方法，可以参考文献［12］。除数值方法外，人工神经网络在目标跟踪滤波器领域也取得了不少成果，例如，2008 年，文献［13］比较了基于广义回归神经网络（generalized regression neural network，GRNN）的神经网络滤波器与传统数值滤波器在实际雷达跟踪中的应用效果，结果表明，基于GRNN 的神经网络滤波器已经可以和传统数值滤波器相媲美，但同时研究也发现，针对不同运动特征的目标，GRNN 的参数取值差异较大，因此后续又有研究提出了用于雷达和声呐跟踪的多模型神经过滤器。2012 年，文献［14］基于GRNN 建立了多模型滤波器，多模型滤波器中由一些基本的神经滤波器组成，不同的神经网络代表着不同的目标运动状态。2018 年，文献［15］对卡尔曼滤波器进行改进，提出了GRNN+KF 和GRNN+UKF*（unscented Kalman filter）2 种滤波器算法，以应对更为复杂情形下的跟踪滤波问题。2021 年，俄罗斯等欧洲国家的超视距雷达正在应用人工智能进行赋能，支撑其对数百个各种类型的空中目标进行快速滤波和个体识别，并实现了对无人机等小型目标的自动探测与识别［6］。

1.3 航迹关联

通常情况下，舰载武器系统需要配备不止一种探测跟踪设备，当多种探测跟踪设备同时探测到同一目标时，会出现多条航迹，但决策者只需要最正确的一条航迹，因此就涉及航迹关联。航迹关联最常见的解法是数值解法，但近年来也有尝试使用神经网络进行航迹关联的研究。

2017 年，文献［16］利用神经网络方法将合成孔径雷达与自动识别系统探测到的目标信息进行航迹融合，通过与数值方法的比较，表明神经网络航迹关联可以成为替代数值方法的有效途径。2020年，文献［17］提出了一种基于分布式概率最大似然估计的分布式航迹融合方法，并通过5 个传感器的航迹融合实例，验证了该算法在各种测量噪声条件下的有效性。

通过以上分析可知，AI 技术在探测识别功能系统的应用主要集中于对目标的识别与分析上，但在实际作战过程中，除了对目标进行准确识别和分类外，重点还需要对目标的来袭意图进行判断，尤其是当前联合作战已成为未来趋势的背景下，空、海及水下等多域目标存在同时来袭的可能。来袭意图判断需要在态势集成基础上进行态势理解，这也是未来研究需要重点突破的方面。

2 AI 技术在指挥控制功能系统中的应用

指挥控制功能系统主要负责对来袭目标进行威胁判断，快速生成武器-目标打击方案，并根据全局态势的改变，不断更新打击方案。当前主要应用于辅助决策系统，包括其中的指控系统、威胁评估、目标分配等方面，都有AI 技术的相关应用。

2.1 辅助决策系统——指控系统

面对速度越来越快的飞机和导弹，留给舰载武器系统指挥决策的时间越来越短，为满足现代战争对快速决策的需求，美国国防部高级研究计划署于2007 年开启了“深绿（darle green）”计划，如图1 所示。旨在将人机交互、语音识别、混合仿真等关键技术嵌入指挥控制系统，辅助指挥官快速准确地作出决策。迄今为止，“深绿”已经攻克了部分关键技术并取得了成果，例如军事场景定义语言（military scenario definition language，MSDL）［18］、美国新一代计算机生成兵力系统——OneSAF 仿真系统等［19］。

图1 “深绿”计划结构概览Fig. 1 Overview of “dark green” program structure

“深绿”计划的核心技术基础是MSDL，MSDL 旨在提供能够被各种各样计算机模拟接口所兼容的一个标准化结构，用于捕获军事场景中的复杂内容。2009 年，美国仿真互操作性标准组织（simulation interoperability standards organization，SISO），已经完成了军事场景定义语言标准化工作的1.0版［18］。2010 年，文献［20］将联盟作战管理语言（coalition-battle management language，C-BML）集成到MSDL 中，实现了C4I 系统设备之间相互交流等军事场景。2019 年，SISO 开发了指挥控制系统与仿真系统的互操作（C2SIM）标准，用于替代现有的MSDL和C-BML 标准，C2SIM 标准在兼容MSDL 和C-BML标准的基础上，可操作性更强，适用场景也更为广泛［21］。

2021 年，洛克希德·马丁公司、哈里斯公司和Alphabet 公司正在开发一种基于人-机混合智能的战略指挥与作战控制系统，在现实世界的战争中，除了传统的指控任务外，该系统还被用于在无交互情况下实现自主指挥控制［6］。在指挥中心应用时，在决策层个别元素失效后能够自动创建一个新的指挥节点，以保持其兵力的可管理性。与此同时，俄罗斯也正在开发新的基于人工智能的指控系统，通过在航空航天部队、地面部队和舰艇部队之间，应用一套跨平台的目指、火力和电子压制手段的打击链路闭合控制系统，协调组织军种间合作，提高协同作战能力［22］。

2.2 辅助决策系统——威胁评估

舰载武器系统面临的是来自空中、水面、岸基及水下的多层次、多批次目标威胁，因此必须要对来袭的多批目标进行威胁评估，优先攻击威胁程度大的目标，以最大化舰船生存概率。目前常见的威胁评估方法包括贝叶斯网络、层次分析法、模糊集理论等［23-25］。

2008 年，文献［23］基于贝叶斯网络方法建立了威胁评估系统，该威胁评估系统可以处理参数观测不完整时的情形。2015 年，文献［24］利用模糊集理论对威胁评估进行了精准描述，并引入与目标威胁度相关的参数来提高算法精度，通过动态防空场景的应用，验证了该威胁评估方法的正确性和可靠性。2020 年，文献［25］利用深度学习计算雷达和光电等传感器捕获到目标的特性，并将这些特性作为参数输入贝叶斯网络中进行目标威胁评估，该方法最大的优势是计算速度快且精度高。

总体而言，威胁评估方法首先都需要找到与目标威胁相关的若干参数作为算法输入，然后不同算法通过内在机制对参数进行计算评估，最后得到该目标的威胁度。

2.3 辅助决策系统——目标分配

目标分配与威胁评估紧密相关，舰载武器系统一般配备了多种软硬武器，各软硬武器对目标的毁伤或拒止概率不一样，威胁评估工作完成后，如何将敌对目标合理地分配给各软硬武器，以最大化作战效能，这其实是一个非线性整数规划问题，近年来，被许多学者采用各种智能算法求解［26-28］。例如，文献［26］利用遗传算法或改进遗传算法求解武器-目标分配问题，文献［27］利用粒子群优化（particle swarm optimization，PSO）算法求解武器-目标分配问题，另外还有其他智能优化算法的应用等［28］。

通过以上分析可知，AI 技术在指挥控制功能系统中的应用主要集中于智能辅助与决策，智能辅助与决策的技术基础是自然语言处理、语义理解以及决策规则数据库。在实际作战过程中，战场态势瞬息万变，美国及俄罗斯等国家由于长期参与现代化局部战争，已经积累了丰富的实战决策规则，这一点需要引起我们的重视。在缺乏实战的情况下，应重点开展模拟实战训练等，以此积累丰富的实战决策规则，智能辅助决策才能更好地发挥其作用。

3 AI 技术在火力打击功能系统中的应用

火力打击功能系统主要依据武器—目标打击方案，对来袭目标进行有效打击，摧毁目标。

3.1 弹道外推

弹道外推一般采用基于运动学建模法和基于动力学建模法。基于运动学建模法通常利用一段实测数据拟合多项式参数来外推弹道曲线，基于动力学建模法通过分析目标的运动和受力实际情况，建立微分方程求解弹道轨迹，以此外推弹丸落点［29］。但以上2 种方法求解较为复杂，国外有学者利用神经网络、支持向量机等人工智能技术进行弹道外推，其目的在于提高弹道外推速度与精度。例如，文献［30］为了预测弹丸落点，建立了一种基于多模型极大似然估计（multiple models-maximum likelihood estimate，MM-MLE）进行弹道外推的方法，并用蒙特卡罗模拟方法进行了验证，结果表明该方法具有较高的落点预测准确率。

3.2 智能弹药

20 世纪80 年代前，常见的引信可分为触发引信、非触发引信和时间引信3 种基本类型，此时的引信系统对目标的特征信息无法进行处理，没有达到智能化程度。80 年代以后，随着计算机技术、电子技术和数字技术的不断发展，新型智能引信系统开始出现，例如基于微机电系统技术的智能侵彻引信，该引信采用单片微型计算机等处理器对获取的信号进行处理，通过对比弹体侵彻过程中和预先设置的加速度值、目标侵彻层数、目标侵彻空穴数、目标侵彻深度值等信息，从而控制弹丸战斗部的起爆时机。

近年来，以色列拉斐尔先进防御系统公司开发一了种现代智能弹药，即Spice 250 精确制导防区外滑翔弹药，该弹药被放置在航空运载器的机翼下，它拥有75 kg 的弹头［6］。由于部署了分离后机翼释放装置，可自主攻击100 km 以内的目标。在训练过程中，支持人工智能的光电瞄准器配备了移动或固定目标的三维图像和软件，可以检测并决定是否与之交战，根据给定标准选择最佳攻击目标。2019年，洛克希德·马丁公司和雷神公司为美国研发了更复杂的智能弹药，形成针对带有多弹头的洲际弹道导弹的对抗措施，利用发射井发射助推器，一个或多个配备智能制导系统的专用摧毁元件末端拦截空间目标。该弹药经测试能够成功拦截多弹头洲际弹道导弹。与此同时，俄罗斯军火制造商也在研究生产智能弹药，已知应用包括“Krasnopol”型制导炮弹、多管导弹系统的远程引信和带有智能自导头的巡航导弹等产品［22］。

通过以上分析可知，AI 技术在火力打击功能系统中的应用主要集中于智能化弹药方面，这将大大提高弹药的毁伤概率，从而提升武器系统的作战效能。2020 年，伊朗圣城旅司令苏莱曼尼被刺杀事件，也证实了智能化弹药可以与无人机图像配准技术相结合，从而发挥更大的作用。通过将无人机实时获取的图像与卫星图像进行配准，获取目标的实时位置，为智能化弹药提供精确目指，实现远程精准打击，这也将是未来重点研究方向。

4 其他应用

人工智能技术除了在舰载武器系统三大功能系统中有相关应用外，在整个舰载武器系统使用过程中，还存在着其他应用，例如武器系统故障诊断。

武器系统各分系统之间、分系统与各设备之间以及各设备之间存在着复杂的关系，当系统出现某一故障时，诊断过程往往比较复杂和困难。因此，近年来国外涌现了利用故障树、专家系统等人工智能技术，用以辅助工程技术人员进行武器系统故障诊断的应用［31］。

另外，近年来随着无人装备的发展，无人机、无人艇及无人水下航行器都被应用到舰载武器系统中，用于丰富探测手段、扩大探测范围、增强打击能力等方面。现代攻击型无人机XQ-58“女武神”，由美国Kratos Defense & Security Solutions 公司研发。据了解，该型无人机在2019—2020 年进行了相对成功的试验，被定位为人类控制的战斗机的“僚机”。同时，美国海军正在研发一种大排量无人水下航行器，其自主航行至少为70 天，可独立制导，避开各种障碍物并识别水下和水面目标。俄罗斯也在开发相关的跨域无人系统，包括用于侦察、巡逻、扫雷和火力支援的“Uran-9”和“Soratnik”陆基机器人设备、“Galtel”水下/海底探测系统、“猎人”攻击型无人潜航器和“波塞冬”核动力的潜航器［6］。

5 分析与总结

5.1 应用总结

从以上分析可知，AI 技术在舰载武器系统三大功能系统都取得了有效应用，技术本身并无优劣势差异，但应用侧重点略有不同，整体概略表如表1所示。

表1 AI 技术在舰载武器系统中的应用概略表Table 1 Overview of application of AI technology in shipborne weapon system

AI 技术在探测识别功能系统应用的基础技术主要包括图像处理、分类识别以及关联分析等，在指挥控制功能系统中应用的基础技术主要包括自然语言处理、知识图谱以及智能推荐等，在火力打击功能系统中应用的基础技术主要包括回归分析、自适应算法等。

人工智能技术通过提升目标识别率、指挥控制效率以及弹药毁伤概率等，有效提升了舰载武器系统整体作战效能。

5.2 发展趋势

美国将人工智能战略作为美国国防战略的一部分，并明确指出：未来人工智能“将改变社会，最终改变战争的性质”。俄罗斯也非常重视人工智能技术发展，第490 号俄罗斯总统令《2030 年前国家人工智能发展战略》中给出了如下定义：“人工智能是一套能够模仿人类认知功能（包括自我学习和没有预定算法的方案搜索）的技术解决方案，在执行特定任务时获得至少与人类智力相当的结果。”随着人工智能技术的不断深入，其在舰载武器系统中将呈现以下几点发展趋势：

（1）深化信息融合

随着美国海军体系化发展思路，舰载武器系统将会逐步融入更多体系中，所获取的传感器资源也会越来越多。人工智能技术将会在信息融合领域进一步深化应用，为舰载武器系统提供更为准确、更为连续的目标特征信息。

（2）加强数据利用

数据对于掌握战场态势、有效指挥决策至关重要，舰载武器系统中也存在着大量有价值的数据，但目前尚未被利用，相信在可预见的未来，人工智能技术将会挖掘价值数据，实现数据的按需服务，让数据“说话”，助力舰载武器系统的发展。

（3）智慧健康管理

目前，利用专家系统实现装备的诊断、预测、评估、决策等任务仍是主要模式，专家系统可有效解决时空障碍等问题，但没有充分利用大量的现场数据等有效信息，因而无法实现智能预测等功能。近年来，智慧健康管理、智能客服等技术发展迅速，凭借其细粒度知识管理模式、良好智能交互过程以及多渠道接入方式，被普遍应用于各行业的产品咨询、售后服务以及统计分析等当中，专家系统和智能客服技术的有效结合，将会是发展趋势之一。

（4）可解释性研究

当前的人工智能技术，存在“黑盒子”效应，无法彻底解释其中的原理，也很难进行重构，这在军事应用中将削弱其可靠性，未来将进一步研究人工智能技术的可解释性，从而提高其可靠性。