一种针对坦克速度控制的深度强化学习算法

坦克的无人化将成为作战装备的未来研究方向之一,针对坦克无人驾驶如何提高智能体训练速度是当前深度强化学习领域的一大瓶颈,提出一种最近经验回放的探索策略来对传统的软行动者-评论家算法（soft actor-critic,SAC）进行改进,在训练阶段,赋予最近经验更大权重值,增大其采样概率,从而提高了训练的稳定性和收敛速度。在此基础上,基于应用环境以及作战任务设计奖励函数,提高算法的战场适用性。构建具体作战场景,对改进的算法与传统算法进行对比,结果表明,提出的算法在坦克速度控制上表现出更好的性能。     

面向协作式网络化的作战计划生成过程模型

传统的指挥控制系统中作战计划生成过程网络化程度低,各个软件模块间难以进行协作。针对战术作战计划生成问题,参照工作流元模型,对计划生成流程进行分析,提出了计划生成过程模型。重点针对作战计划生成过程中的网络化协作问题,在现有模型的基础上,提出了适用于战术作战计划生成的轻量级工作流引擎的设计思想,最后结合工作流技术,设计了辅助作战计划生成的流程组织工具,通过该工具手动或自动地进行作战计划生成过程,验证了该模型的有效性。     

作战仿真数据在效能评估中的运用

作战仿真数据是对装备系统进行作战效能评估的重要数据来源。介绍了对作战仿真数据进行采集的需求,归纳了数据采集的几种方式,分析研究了作战效能主要指标所需的仿真数据,描述了战场机动效能、火力打击效能、指挥控制效能、战术通信效能、战场防护效能及综合保障效能评估指标的含义及其计算方法,并通过表格的方式进行了详细说明。     

跟踪系统持续稳定跟踪目标的粒子滤波

在现代战争中,视频跟踪技术是实现精确火力打击的关键技术,是获取信息对抗胜利从而夺取战争主动权、实现发现即摧毁的重要保证。由于战场地理环境复杂,经常存在跟踪目标被遮挡而丢失的情况,因此,稳定的长时跟踪算法必不可少。针对现在战场复杂环境下目标跟踪遇到的问题,提出了基于KCF(Kernelized Correlation Filters)和粒子滤波相融合的跟踪算法,相比较传统算法其能够在复杂环境下完成长时、稳定、准确的跟踪。通过设计的视频跟踪系统的硬件平台实验结果显示,该算法可实现目标的稳定跟踪以及目标被遮挡丢失之后的重新检测,能够满足复杂战场环境下目标的长时稳定跟踪的需求。