【专题】“无人系统自主性与智能化”专题编者按

地空协同无人系统作为新质跨域智能作战力量已成为世界强国开展军事技术竞争的前沿方向。本文首先总结了地空协同无人系统的概念、功能及发展目标,分析了世界主要国家制定的专项规划,从形成智能作战体系、改变战场攻防平衡及全面提高作战效能三个方面阐述了地空协同无人系统对未来战争的重大意义;其次,针对其面临的环境复杂、资源受限和平台异构等约束条件,从分布式态势认知、适应性智能导航及异构系统协同控制等方面总结了地空协同无人系统需要突破的关键技术;最后,为应对智能化战争挑战,从技术瓶颈、平台建设及政策支持等方面提出发展建议。该研究可为地空协同无人系统在国防科技领域的研究、应用和发展提供参考。     

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.     

军队工程协同设计主体识别模型优化研究

协同设计是军队工程建设军民深度融合发展和综合效益提高的必然趋势.如何有效识别协同设计主体是有效实施协同设计的关键.针对军队工程建设特点,构建协同设计主体评价指标体系,用GRD对TOPSIS模型进行优化整合,既发扬了TOPSIS法在应用上能很好地对多属性、少样本事件进行评价的优点,又利用GRD的曲线相似度的柔性评价标准,巧妙规避了TOPSIS求解刚性过强、权重过于主观、评价标准单一、偶尔无法区分两主体优劣的缺陷.实例和灰色聚类的验证结果均表明:该优化组合模型对客观、准确识别军队工程协同设计主体效果较好.     

基于分布式协调算法的多导弹网络避障

提出一种避障的多导弹网络协调算法.为了实现协同拦截,制导采用目标捕获、时间协调和避障3个独立条件.即使多导弹网络中的某一部件也只能从最近的邻居处收集信息,分布式协调算法可使一组拦截导弹同时到达目标.仿真结果表明,该制导策略为多导弹网络的避障提供了一种可行方法,具有良好的目标捕获精度.讨论了增益参数的影响,以评估所提出的方法.     

多平台空间目标观测协同调度问题

针对空间目标观测的平台多样性、单次观测不确定性、任务层次优先性等现实问题,从多平台任务协同分配的角度,统一考虑夭基、地基固定、地基移动观测平台,建立面向空间目标应急观测异构平台预调度模型,基于STK和改进NSGA-Ⅱ算法进行了仿真验证,为构建天地一体空间目标观测体系建立提供有益借鉴.     

俄乌冲突中无人机作战运用及启示

在当前大国竞争与博弈的背景下,美国针对中俄周边不断布局小国“棋子”,在最大限度降低大国直接对抗可能性的同时,局部冲突的发生概率越来越大,也导致现代战争的对抗形式、形貌形态和作战模式错综复杂。本文梳理总结了在近期的俄乌冲突中双方无人机作战运用基本情况,分析了无人机作战主要特点,并就加强无人机数据链建设,重视有人/无人协同运用,创新战术战法和重视反无人机战略提出建议,为我军在未来主要威胁方向的可能冲突,以及无人机装备发展提供参考和支撑。     

采用可达域覆盖的多航天器协同护卫策略

针对高轨高价值目标护卫问题,提出了一种基于可达域覆盖的多航天器协同护卫策略。从相对运动视角对协同护卫任务进行了描述,并将威胁源多脉冲机动可达域问题建模为凸优化问题求解。在滚动优化框架下,根据动态更新的威胁源终端可达域,设计协同护卫平面及护卫点,以此为终端位置约束构建多航天器协同轨迹规划模型,生成相应护卫轨迹。仿真结果表明,所提出的可达域分析方法能够快速计算威胁源终端可达域,协同护卫策略在多个场景下均能有效阻止威胁源,且护卫成功率随护卫航天器机动能力增强而增大。     

国防科技产业联盟构建与发展：典型模式、优化设计与突破路径

国防科技产业联盟是助力国防建设与经济建设协调发展的新型协同创新组织形态,探索国防科技产业联盟发展模式、总结其发展的实践经验对提升中国特色先进国防科技工业水平和激发国防科技协同创新活力具有积极意义。本文通过分析四类国防科技产业联盟典型模式,提炼其不同类型特征,探讨和厘清了我国国防科技产业联盟在组织管理、资金来源、信息交流、技术转移和政策供给五个维度的现存问题,进而解析了制约发展的关键因素。基于结构-行为-绩效范式搭建国防科技产业联盟运行结构,设计了“组织管理链、资金供给链、信息传递链、技术转移链、政策保障链”五链一体的布局,并进一步提出国防科技产业联盟建设的突破路径,以助力国防科技产业联盟的创新发展与高效稳定。     

基于深度卷积神经网络的多飞行器构型保持研究

基于深度卷积神经网络设计了"智能-校正"算法以快速生成制导指令;深度学习模型是由卷积层、全连接层、批量归一化层和残差网络(ResNet)组合成的一个19层深度神经网络,飞行器状态变量转化为类似于图像像素矩阵的二维矩阵,通过sgd优化和权重衰减正则项将神经网络的训练误差降低至约0.025°;之后针对飞行器运动存在制导指令...