复杂陆战场环境下的智能感知理论现状与发展

近年来,由于基于深度学习方法的智能检测算法不断演进,其网络结构不断进化,实用化程度不断提高,因此,将其应用于复杂战场环境下,形成实用化智能感知能力的可行性不断提高。然而算法的可靠性、可解释性问题目前仍未完全解决。本文认为,在未来的地面无人平台系统框架内,使用基于深度学习的目标检测识别方法,融合多种传感器感知信号,探索如何可靠地收集无人平台附近敌我车辆、人员、相关物体状况以及视距内的地理与气象环境信息,能够实现多元智能感知过程,构建智能复杂体系,为无人平台实现复杂战场环境感知理解,自主环境判定、自主行走、自主危险判定甚至威胁自动处置提供技术储备。同时,这也将是军队下一步智能感知理论方向的主要任务。     

尺度约束辅助的空对地目标智能检测方法

受视距远、视差小、目标特征单一和背景复杂等因素的影响,空基无人平台对地目标检测作为智能无人平台领域研究的难点问题,得到了越来越多的关注。利用传统的基于深度学习的目标检测算法容易出现错检和漏检,对此,利用单一观测视角下的同类目标成像一致性,定义了空对地区域重叠度(insection of unit,IOU)损失函数,实现了序贯图像同类目标之间的相关性表示;此外,利用空对地场景下目标之间的相关性,建立了基于朴素贝叶斯判据的目标尺度约束辅助检测模型,以提高目标检测的鲁棒性。最后基于公共数据集和自有无人机平台飞行数据,进行了空对地典型目标的检测实验,检测结果证明了上述方法的有效性。     

基于深度强化学习的作战实体智能感知与决策研究

为解决战场上作战实体的自主感知与决策问题,构建了一种基于深度强化学习的智能感知与决策框架,主要包括态势数据预处理、态势感知、行动优化和知识库4个模块,并通过单智能体无人机突防实验验证其应用效果,为解决作战实体的自主感知与决策问题提供了一种可行的技术途径。     

地空无人平台协同作战应用研究

战争即将进入智能化时代,无人装备将成为未来战场主角.地空无人平台协同应用是未来战场的必然趋势.基于未来战场复杂作战环境需求,针对地空无人平台协同作战应用进行研究.合理分析协同作战应用的必然性;从协同侦察感知、协同指挥控制、协同支援保障、协同防御警戒4个领域进行作战应用研究,并分析其技术基础及可行性;列出地空协同运用存在的难点并给出合理的意见建议,为陆军作战、编制及装备体系的论证规划提供参考.     

无人装备智能视觉技术与发展

无人装备与智能视觉技术的有机结合,能够极大拓展军事情报来源和分析手段,有效提升无人装备的战场信息获取与分析能力。本文对无人装备发展情况进行论述,从基于深度学习的图像感知和图像认知两个方面对智能视觉技术进行分析,在此基础上提出无人装备智能视觉技术未来发展策略和建议。     

DDBN的无人机决策推理模型参数学习

针对复杂战场环境下的无人机决策推理模型参数学习的问题,提出基于遗传算法的离散动态贝叶斯网络参数学习算法。该算法将模型网络参数的最大似然估计函数作为遗传算法的适应度函数,在全局进行并行优化搜索,得到最优的网络参数,从而提高了决策推理模型对复杂环境的快速适应。仿真结果表明,该算法可以获得准确的离散动态贝叶斯网络参数,能够有效地解决复杂战场环境下无人机威胁评估问题,为无人机的自主任务决策提供有效的参数保障。     

基于深度学习的自组织态势感知与决策系统

针对巡飞弹武器平台,如何提高态势感知的精准性和实时性以及作战任务自主决策的准确性,已成为当前的一个研究热点.结合以深度学习技术为代表的人工智能最新研究成果,提出基于深度学习的目标识别模型、任务自主决策模型和任务规划模型,并将模型应用于巡飞弹武器平台,提升巡飞弹武器平台协同作战任务的自主决策和智能规划能力.     

基于深度强化学习的无人战车自主行为决策

针对高动态强对抗战场环境下,无人战车面临的自主行为决策问题,分析了未来陆战场无人战车实际作战需求,构建了基于马尔可夫决策过程的自主行为决策模型,提出了一种深度强化学习结合行为树的方法,利用行为树的逻辑规则与先验知识降低强化学习问题的难度,保证收敛性和鲁棒性,同时使行为决策模型具有学习能力.构建典型作战场景,验证深度强化学习结合行为树的无人战车自主行为决策方法的有效性.     

地面无人作战平台信息感知及其关键技术研究

信息感知是地面无人平台自主导航控制和执行任务的前提。介绍了国内外地面无人作战平台信息感知技术的研究现状;根据地面无人作战平台对远、中、近不同层次环境信息感知能力的要求,建立基于对象协同的信息感知模型。分别阐述了自主感知与协同感知各自所需的关键技术,提出多技术融合、全方位协同的发展方向。研究表明,全方位的协同感知才能提高无人作战平台自身的生存和任务执行能力。     

基于目标识别的HEVC分割算法优化与实现

为了优化视频信号在复杂网络环境下由于网络拥塞出现的数据丢包等情况,提出了一种基于目标识别的HEVC(high efficiency video coding)分割算法的优化方法,提高了视频编码的压缩效率,并实现了算法在全国产平台上的移植运行。利用深度学习进行目标识别,确定感兴趣区域,再通过指导不同区域采用不同编码单元分割深度,提高整体压缩效率。实验结果表明,该优化方法可以有效提高整体压缩效率,并完成在全国产化平台的运行实现,实现整体技术的自主可控。     

水域无人系统平台自主航行及协同控制研究进展

水域无人系统平台是指可通过远程遥控、无人驾驶、自主航行等方式达成任务的一类平台,涵盖无人船艇及其所配备的无人机、自主水下机器人等.自主航行及协同控制理论技术水平是水域无人系统平台的核心所在,已成为船舶与海洋工程及水上交通等领域的热点研究方向.为掌握水域无人系统平台的自主航行及协同控制方面的发展动态和趋势,综述了水域无人...     

Maneuvering target tracking of UAV based on MN-DDPG and transfer learning

Tracking maneuvering target in real time autonomously and accurately in an uncertain environment is one of the challenging missions for unmanned aerial vehicles(UAVs).In this paper,aiming to address the control problem of maneuvering target tracking and obstacle avoidance,an online path planning approach for UAV is developed based on deep reinforcement learning.Through end-to-end learning powered by neural networks,the proposed approach can achieve the perception of the environment and continuous motion output control.This proposed approach includes:(1)A deep deterministic policy gradient(DDPG)-based control framework to provide learning and autonomous decision-making capa-bility for UAVs;(2)An improved method named MN-DDPG for introducing a type of mixed noises to assist UAV with exploring stochastic strategies for online optimal planning;and(3)An algorithm of task-decomposition and pre-training for efficient transfer learning to improve the generalization capability of UAV's control model built based on MN-DDPG.The experimental simulation results have verified that the proposed approach can achieve good self-adaptive adjustment of UAV's flight attitude in the tasks of maneuvering target tracking with a significant improvement in generalization capability and training efficiency of UAV tracking controller in uncertain environments.     

Autonomous maneuver decision-making for a UCAV in short-range aerial combat based on an MS-DDQN algorithm

To solve the problem of realizing autonomous aerial combat decision-making for unmanned combat aerial vehicles (UCAVs) rapidly and accurately in an uncertain environment, this paper proposes a decision-making method based on an improved deep reinforcement learning (DRL) algorithm: the multi-step double deep Q-network (MS-DDQN) algorithm. First, a six-degree-of-freedom UCAV model based on an aircraft control system is established on a simulation platform, and the situation assessment functions of the UCAV and its target are established by considering their angles, altitudes, environments, missile attack performances, and UCAV performance. By controlling the flight path angle, roll angle, and flight velocity, 27 common basic actions are designed. On this basis, aiming to overcome the defects of traditional DRL in terms of training speed and convergence speed, the improved MS-DDQN method is introduced to incorporate the final return value into the previous steps. Finally, the pre-training learning model is used as the starting point for the second learning model to simulate the UCAV aerial combat decision-making process based on the basic training method, which helps to shorten the training time and improve the learning efficiency. The improved DRL algorithm significantly accelerates the training speed and estimates the target value more accurately during training, and it can be applied to aerial combat decision-making.     

复杂海战场环境下AUV全局路径规划方法

针对无人自主水下航行器(Autonomous Underwater Vehicle, AUV)在复杂海战场环境中路径规划时环境模型复杂、约束条件多的情况,建立了包括战场地形、敌方威胁、障碍物和海流场等在内的比较完善的海战场环境模型。以AUV航行时间、威胁时间最短为优化目标,给出了一种基于振荡型入侵野草优化(Invasive Weeds Optimization, IWO)算法的AUV全局路径规划方法,并分别与标准IWO算法、全振荡型IWO算法以及粒子群算法等三种路径规划算法比较。仿真结果表明,所提方法具有较强的寻优能力和鲁棒性,可在复杂海战场环境下为AUV高效地规划出满足性能要求的航行路径。     

动态威胁环境下单无人机测向定位航迹优化算法

为解决单架无人机在动态战场环境下的测向定位问题,提出了一种基于动态窗口法的单机测向定位航迹优化算法。以最大化Fisher信息矩阵行列式为测向定位评价准则,在由动态探测雷达和静/动障碍构成的动态战场环境中,基于动态窗口法思想,将测向定位航迹优化评价准则由传统的单步最优原则扩展到对多步预测航迹的评价,同时考虑雷达探测和静/动障碍环境对预测航迹的影响,通过滚动时域方法控制无人机最优航向。仿真结果表明,所提方法能够使无人机在有效逃避雷达探测威胁以及规避环境中静/动障碍的条件下保证对目标的高精度测向定位,为解决动态战场环境下的单架无人机测向定位问题提供了新思路。     

OODA-L模式下的智能无人集群作战仿真建模框架

介绍了智能无人集群作战的相关概念,为反映智能无人仿真实体的自主能力和适应能力,提出将学习过程显性化的观察-判断-决策-行动-学习(Observe, Orient, Decide, Act and Learning, OODA-L)模式,并进一步扩展为适用于集群协同的Co-OODA-L模式。在智能无人仿真实体的总体描述上,采用马尔可夫决策过程进行数学抽象处理,提出智能无人Agent的三域分层结构。为体现智能无人集群作战的自主协同、分布式等特点,提出了利用人工神经网络将可变数量的智能无人Agent融合为同构或异构集群进行协同作战建模的体系结构。     

无人系统安全防护研究

当前,无人作战系统在大规模、高烈度、高科技体系对抗中的安全防护能力尚显不足,需从多方面加以提升。本文首先从自然环境、协同运用、综合对抗以及自主权限给无人系统带来的安全风险为出发点,深入分析了无人系统的安全防护需求;其次,根据需求,总结了无人系统安全防护的目标,并分别从提升无人系统环境适应性能、降低无人系统可探测概率、强化无人系统抗毁伤能力、夯实无人系统自主作战安全性设计等四方面详述了无人系统可采取的安全防范措施;再次,利用体系防护资源,结合无人平台和载荷的防护基础,提出了内外一体的、控制与防护分离的协同安全架构;最后,对无人系统安全防护的未来发展趋势进行了展望。     

基于本体的战场环境信息规范化目录服务研究

目录服务是面向服务架构的战场环境保障系统的重要功能,其根本目的是使分布、海量战场环境信息形成面向任务的数据集,供作战人员使用.为了规范战场环境信息目录服务并实现智能查询功能,将OGC-CSW规范和本体引入战场环境信息目录服务的设计中,建立了战场环境信息目录服务框架,并重点对面向任务的元数据信息模型、任务本体模型以及语义查询机制等关键技术进行了深入研究.最后通过实验对文中方法进行了验证.     

分级智能化的武器平台——无人平台体系结构解析

通过对现有机器人体系结构的总结,结合任务需求和当前技术发展水平,构造了一种人机智能紧耦合的无人平台系统结构.该结构分为7层,具有3种导航模式,6种控制方式,能够实现从主从遥控到全自主不同智能层次的无人平台构建,为无人平台的设计提供了工程指导,并为无人平台的应用提供了方向.     

支持潜艇态势感知的连通性网络设计及应用

以保证潜艇隐蔽性为前提,如何增强潜艇的战场态势感知能力是提升潜艇作战效能的关键。因此,以分析潜艇战场态势感知能力现状为基础,构建一种以无人平台作为战场单元,支持潜艇战场态势感知的连通性网络模型,并对其组成、功能及工作过程进行了详细设计;对战场单元的任务载荷和任务规划进行了详细阐述;最后从作战角度出发,展开连通性网络的作战应用研究。