人工智能技术在无人防空火箭炮中的应用

张笑天，刘中柱，张鹏飞*，郭伟峰，王智伟

（1.中北大学机电工程学院，太原 030051；2.中北大学军民融合协同创新研究院，太原 030051）

0 引言

在当前高技术现代战争中，空袭与反空袭成为战争之初主要的作战模式，并且贯穿整个战争，在很大程度上决定战争的胜负。无人防空火箭炮是集人工智能技术于一身的自主化无人作战武器。目前人工智能技术方兴未艾，在武器装备中已经得到了广泛的应用。美国的“大狗”机器人和双足人形“阿特拉斯”机器人自带大量传感器，通过人工智能算法进行自学习不断积累经验，具备在高危战场环境下的作战能力。俄罗斯的天王星-6 无人战车通过自主探测识别算法，在叙利亚战场出色地完成了扫雷任务。我国的WJ-600 无人机同样搭载着先进的人工智能算法，拥有自主控制飞行和一定的自主决策打击能力。面对智能化:武器装备的日趋发展，传统的防空武器装备出现命中精度差、反应慢等问题，并且绝大部分环节都需要人为操作或者作出决策，这种作战方式已经无法满足现代战争的需求。而基于人工智能技术的武器装备拥有更高的命中精度，并拥有一定自主决策能力，是未来武器装备的重要研究方向。

为了应对日益复杂的空战环境，通过使用人工智能技术，搭建无人防空火箭炮作战平台，在人工智能算法的驱动下，此平台将拥有更加智能化的决策功能，可以实现全天候、全时域作战，多方位打击，并且持续作战能力强，火控系统的命中率也会大大提升。相较于导弹防空，无人防空火箭炮有着较大的价格优势，并且生产周期短、研发快，是未来重要发展的防空武器装备。要实现无人自主作战必须以人工智能技术作为支撑，通过将人工智能技术运用到无人防空火箭炮上，可以减少火控系统的反应时间，提高对目标的追踪能力，从而提高火箭弹的命中精度。因此，对无人防空火箭炮上的人工智能技术进行分析和研究是至关重要的。

1 人工智能概述

人工智能是研究使用计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机。人工智能涉及到计算机科学、心理学、哲学和语言学等学科。可以说几乎涉及自然科学和社会科学的所有学科，其范围已远远超出了计算机本身科学范畴。人工智能属于思维科学的技术应用层次，是思维科学的一个应用分支。从思维观点看，人工智能不仅限于逻辑思维，要考虑形象思维、灵感思维才能促进人工智能突破性的发展［1］。人工智能会根据算法果断作出决策，这极大地减少了反应时间。通常情况下人工智能算法的运行效率要比传统算法快，这会给计算机更多时间处理其他信息。随着人工智能技术的不断发展，武器装备无人化成为目前研究的热点。为了实现武器装备的无人化，对人工智能技术的研究必不可少，将无人驾驶、无人值守、目标识别、数据挖掘等人工智能技术应用到武器系统上，可以大幅提高武器装备的自主作战能力。

计算机人工智能技术的集成阶段大致在20 世纪90 年代左右，随着硬件性能的提升，人工智能开始掀起新的发展浪潮。越来越多的行业看到了人工智能技术应用的优势，同时，越来越多的专家开启了对于计算机人工智能技术的研究［2］。图1 为近现代人工智能发展简史，从图中可以看出，现在大多先进的技术都离不开人工智能技术，先进的武器装备更是如此。

图1 近现代人工智能发展简史Fig. 1 A brief history of modern artificial intelligence development

2 无人防空火箭炮作战流程

随着大数据、人工智能时代的到来，无人智能武器是未来武器装备的发展趋势。无人防空火箭炮作为无人防空武器系统中的一员，在末端防空中起着关键作用。将人工智能技术应用到无人防空火箭炮上，可以极大提升无人防空火箭炮的作战能力，并且其自主作战、无人化等特性可以减少人力资源的使用。

无人防空火箭炮适用于高度信息化智能化作战，是典型的集自主感知、路径规划、无人驾驶、远程通信、自主打击等于一体的地面防空武器装备。涉及到传感器技术、人工智能技术、信息感知技术、通讯技术、大数据技术、自动控制技术等多领域［3］。

无人防空火箭炮作战流程如图2 所示，作战时由作战人员下达初步作战指令，综合管理计算机使用北斗卫星定位，根据路径规划算法规划全局路径。在具体行驶时根据局部路径规划算法规划局部路径信息，通过车辆上安装的各种传感器进行环境动态感知，将环境信息送入车辆搭载的物体识别神经网络，进行避障决策。到达目的地后，打开雷达搜索敌机，选择作战方式，雷达发现敌机后将目标引导给光电，光电截获后发射火箭弹进行打击。若未命中则通过测量的脱靶量等数据进行火控校准，校准后发射火箭弹，直至击中目标。

图2 无人防空火箭炮作战流程Fig. 2 The operation flow of unmanned antiaircraft rocket launcher

无人防空火箭炮拥有一定的自主决策功能，需要配备多个计算机进行数据交互和计算。无人防空火箭炮计算机系统如图3 所示。指挥控制计算机负责通过作战指令下达作战任务和判断目标威胁度；综合管理计算机负责所有计算机的任务分配和调度；火控计算机负责武器系统的锁敌、攻击等控制；数据记录计算机负责记录作战时产生的数据，为战后的数据分析及挖掘工作提供可靠数据；无人值班控制器负责无人值守功能。作战人员可以通过远程控制终端远程操控无人防空火箭炮，包括在作战等重要场景下下达指令等，并且远程控制终端上显示车体的各项性能参数，便于作战人员观察和收集作战数据，为后续系统的维护升级提供数据支撑。

图3 无人防空火箭炮计算机系统Fig. 3 Computer system of unmanned antiaircraft rocket launcher

3 无人防空火箭炮中的人工智能关键技术分析

目前防空火箭炮的驾驶和攻击大都是由人来操作，无法做到全天候、全时域待命的战争需求，而无人防空火箭炮可以完美解决以上问题，因此，无人防空火箭炮的研制就显得极其重要。分析人工智能在无人防空火箭炮中应用的关键技术，为研制无人防空火箭炮奠定基础。无人防空火箭炮中的关键技术包括无人驾驶、无人值守、目标识别、数据挖掘等。

3.1 无人驾驶技术

无人驾驶，是指通过给车辆装备智能软件和多种感应设备，包括车载传感器、雷达、卫星以及摄像头等，实现车辆的自主安全驾驶，安全高效地到达目的地并达到完全消除交通事故的目标［4］。目前无人驾驶技术在小型汽车方面已经比较成熟，可以作为无人防空火箭炮车辆的无人驾驶技术的参考。对于无人驾驶车辆来说，车辆对环境信息的识别，将直接影响车辆对行驶状态的判断及控制，车联网技术的发展，将促进无人驾驶汽车发展的步伐［5］。

无人防空火箭炮无人驾驶的流程图如图4 所示。北斗导航是按照北斗卫星提供的位置信息和全局路径规划算法规划出一条全局路线。路径规划主要是规划局部路径，且实时更新。在行驶时需要根据计算机搭载的图像识别等人工智能算法和车载传感器反馈的数据。作出具体行驶决策，从而控制无人防空火箭炮的前进方向。基于深度学习的LSTM_DTS 模型不仅具有良好的鲁棒性与准确性，并能够在恶劣环境下有效地实现无人防空火箭炮道路跟随，可以更好地辅助无人驾驶并能应用于车道偏离预警、自动泊车等无人驾驶技术［6］，但是此模型仅局限于公路，而无人防空火箭炮作战环境大多是野外。除此之外，神经网络在控制系统中的应用提高了整个系统的信息处理能力和适应能力，提高了系统的智能水平。

图4 无人防空火箭炮无人驾驶流程图Fig. 4 Unmanned driving flow chart of unmanned antiaircraft rocket launcher

通过丰富LSTM_DTS 模型的训练集，将多种路面的信息作为输入参数一起训练，适当增加网络深度，优化网络结构，改进LSTM_DTS 模型，将车道跟随技术适用于各种道路，不仅局限于公路。同时使用神经网络PID 控制算法和基于多传感器的局部路径规划算法，各个传感器实时动态获取车体周围环境信息，经过预处理后将数据传送给中央处理器，由中央处理器中的神经网络模型进行进一步处理，为无人驾驶提供更优的决策判断。

3.2 无人值守技术

当武器装备到达指定目的地后，为满足全天候作战需求，应具备无人值守功能，即没有人为的干预，武器系统可以根据人工智能算法自己作出决策。无人值守系统是一种在信息智能处理基础上作出任务决策、自主完成作战任务的系统［7］，具有以下几种特性：1）自主性：无人值守系统拥有完全自主决策功能，可以自主进行势态感知，敌我识别，同时根据指挥车给定的作战任务作出决策，可以全天候作战。2）共享性：无人值守系统的感知系统由雷达、电台、网络等组成，可以实现周围环境信息共享、信息处理结果共享。通过更大范围内战场信息共享，掌握任务所需要的战场情报。3）可靠性：无人值守系统需要使用大量人工智能决策算法，其计算机系统十分复杂，因此，必须保证拥有更高的可靠性，能够长时间稳定运行。其中包括自主诊断能力、诊断错误上报能力、数据备份能力，以及简单的自我修复能力等。

无人值守系统工作流程如图5 所示。环境感知使用光电、雷达等设备搜索空中目标，当有空中目标进入雷达范围后进行敌我识别，若是敌军则判断威胁度，火控系统会优先攻击威胁度高的目标。远程控制终端主要负责唤醒综合管理计算机，使其退出无人值守状态。并且指挥车可以通过远程控制终端给综合管理计算机发送具体作战指令。目前无人值守系统大多都采用决策树算法来实现决策功能，决策树算法泛化性差、容易过拟合，这使得决策模型的训练和推广变得十分困难。随机森林算法预测准确率极高，不容易过拟合，可以在大数据集上运行。随着数据集的不断扩充，算法的准确度也会随之提高。但如果输入的特征向量具有非常高的维数，这会导致模型的学习是非常困难的，因此，高的输入维数通常需要调整分类器使之具有低方差和高偏置。

图5 无人值守系统工作流程图Fig. 5 Operation flow chart of unattended system

无人防空火箭炮的无人值守系统，通过使用随机森林和神经网络算法共同来做决策，两种算法各有一个权重，最后的决策由两种算法的占比来决定，双算法共同决策可以弥补单算法可能出现的判断失误。将输入的高维度张量降维，变成低维度的向量然后作为模型的输入，通过监督学习得到决策分类器，可以在大数据集上取得较好准确率。

3.3 目标识别技术

在未来战争中，电磁环境十分恶劣，诱饵干扰异常复杂，目标数量日益增多，机动强度越来越高，单个传感器和直接对目标的识别技术已经不能满足现代战争的需求。因此，必须使用多传感器和智能识别的方式进行目标识别。目标识别的初始阶段是通过多传感器共同进行目标信息采集，多传感器系统的优势是采用数据分析融合等技术，将多种数据源融合在一起，可以更好地完成对目标的识别任务。利用不同传感器的数据互补和冗余，从各自独立的测量空间获取信息，追踪对象的不同特质，从而提供更准确的数据［8］。此外，多传感器可以从不同的角度探测目标的飞行姿态，火控计算机可以根据这些信息判断目标的威胁度、真假性等信息。因此，多传感器融合的目标识别技术是为人工智能算法提供真实数据必不可少的手段。

无人防空火箭炮目标识别流程图如图6 所示。目前图像识别有多种不同的特征提取技术，其中基于二值化，基于变换、基于纹理和基于形状的技术进行融合可以更加高效地识别图像，并且从这些技术中提取的结果特征规模相当小［9］。此外针对智能化作战背景下目标识别问题，使用改进YOLOv3 模型［10］，通过精简特征提取网络、改进多尺度特征融合、深度分离卷积、锚框尺寸优化等措施，提高算法的目标检测能力。Swin Transformer 模型［11］具有分层的结构和多尺度的特征，计算复杂度随着图像大小线性增长，可以在大分辨率图像上去训练模型。DETR 模型［12］采用端到端的目标检测方法，直接利用Transformers 这种能全局建模的能力，把目标检测看成一个集合预测问题，不会输出冗余的框，不再需要用非极大值抑制去做后处理，让模型的训练和部署都简单了不少。

图6 无人防空火箭炮目标识别流程图Fig. 6 Flow chart of target recognition of unmanned antiaircraft rocket launcher

无人防空火箭炮作为先进的末端防空武器装备，通过多传感器捕获目标信息，采用DETR 模型端到端的目标检测方法来搜索目标，借鉴YOLOv3、YOLOv7、Swin Transformer 等神经网络模型架构来搭建一种针对空中目标具有更好识别效果的模型。

3.4 数据挖掘技术

无人防空火箭炮作战体系产生的数据种类多，数据量大，若不采用数据挖掘技术很难从大量的数据中找到有价值的信息。利用人工智能技术将这些数据进行分析和挖掘，寻找有价值的信息，为以后系统维护升级提供数据支撑。因为数据量庞大，因此，使用数据板卡来临时记录数据，战后再将数据板卡中的数据存入数据库。由于从各种数据源快速获得高质量、高可靠性的作战信息，收集信息的方法已经发生了变化，利用板卡、硬盘等材料临时存储数据，通过以太网或者电台传输数据成为当下数据获取的主流。大数据分析所需的研究和开发不局限于单一学科，需要通过跨学科的方法，联合多个领域专家，共同对无人防空火箭炮作战时产生的数据进行分析，最终利用可视化的方法展现出来［13］。QT 作为开源编译器，采用C++语言作为开发语言拥有着广泛的开发基础，并且代码运行效率可以得到保证，用此编译器开发无人防空火箭炮可视化界面可以有效节省成本。在数据挖掘过程中要根据具体数据具体分析，这样才能挖掘出无人防空火箭炮作战数据的空白点，为以后更有效的打击目标做保证。

数据挖掘流程如图7 所示，要想进行数据挖掘就必须先收集数据，这是数据挖掘的前提。收集好数据后需要把不同格式、性质的数据集成到一起。数据挖掘模型搭建过程中往往是在数据预处理上花费最多的时间，随后对这些数据进行简化，将简化的数据通过分箱、聚类、回归等算法进行处理，去除离群点得到完整一致的数据。然后通过平滑聚集、数据概化、规范化等方式，将数据转换成适用于挖掘的形式，这就得到了规范的数据，随后进行最重要的数据挖掘过程，利用决策树、神经网络、自然语言处理、语义分析等人工智能技术，对数据库中的数据进行深度挖掘，结合深度学习技术建立相应的数据挖掘神经网络模型等技术，得出有用的分析信息［14］。模型评估是根据数据挖掘过程中得到的模型，让领域专家验证挖掘结果的正确性。最后将数据挖掘得到的信息通过可视化的手段展现给用户。朴素贝叶斯模型对小规模数据的挖掘处理效果良好，但需要计算先验概率；决策树计算简单，可解释性强，但容易发生过拟合情况，而且忽略了数据之间的相关性；神经网络分类准确度高，处理能力强，但需要大量的参数和训练数据。

图7 数据挖掘流程图Fig. 7 Flow chart of data mining

无人防空火箭炮通过借鉴决策树和神经网络等经典数据挖掘算法，在对无人防空火箭炮数据的预处理上花费更多的时间和精力，以此得到更加规范和易处理的数据集。将处理过后的数据集经神经网络训练，观察输出数据与预期数据的吻合程度，通过不断调参来优化网络性能与准确度，得到泛化模型，挖掘出有效信息，最后把数据分析的结果通过可视化手段展示出来，可以更直观地展示数据挖掘成果。

4 结论

本文通过分析人工智能技术在无人防空火箭炮中无人驾驶、无人值守、目标识别、数据挖掘技术中的应用，提出了基于神经网络PID 控制算法、基于多传感器的局部路径规划算法的无人驾驶技术、基于监督学习的典型决策树无人值守技术、基于多传感器和DETR 模型的目标识别技术、基于决策树和神经网络等数据挖掘算法的数据挖掘技术。无人防空火箭炮是未来防空武器发展的必然产物，人工智能技术的应用无疑是解决当前技术难题的关键方法。通过使用人工智能技术可以减少整个武器系统计算的消耗时间，实现多领域联合作战，获得未来战争的制胜权。目前人工智能技术发展火热，将人工智能技术运用到无人防空火箭炮上，可以大大提高防空装备的防空作战能力，实现防空武器装备的跨越式发展。