分布式多平台态势一致性的实现机制

联合作战是现代战争的主要作战形式,参与联合作战的平台之间需要进行情报共享,形成协同一致的战场态势图。重点研究了Link16在分布式多平台之间实现态势一致性的机制,分析了其总体思路、采用的处理流程和方法、使用的消息种类、存在的问题和不足,并结合我军实际,提出了分布式多平台态势一致性的系统架构和实现方法。     

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。     

综合战场态势组件化表达模型研究?

战场态势是控制作战节奏、把握战斗进程的重要手段。借鉴组件化建模的思想,采用组件组合描述态势要素的方式,提出了一种崭新的战场态势表达模型。该模型构建了以态势图层为中心的管理机制、以“态”表达组件和“势”表达组件进行组合描述态势要素的建模机制和以图层服务为手段的功能扩展机制,可以显著增强战场态势显示的灵活性和提高系统功能的可扩展性。     

基于强化学习的多对多拦截目标分配方法

针对空中对抗环境中多对多拦截的武器目标分配问题,提出了一种基于强化学习的多目标智能分配方法。在多对多拦截交战场景下,基于交战态势评估构建了目标分配的数学模型。通过引入目标威胁程度和拦截有效程度的概念,充分反映了各目标的拦截紧迫性和各拦截器的拦截能力表征,从而全面评估了攻防双方的交战态势。在目标分配模型的基础上,将目标分配问题构建为马尔可夫决策过程,并采用基于深度Q网络的强化学习算法训练求解。依靠环境交互下的自学习和奖励机制,有效实现了最优分配方案的动态生成。通过数学仿真构建多对多拦截场景,并验证了该方法的有效性,经训练后的目标分配方法能够满足多对多拦截中连续动态的任务分配要求。     

生成对抗网络及其在无人系统中的应用

生成对抗网络（GAN）在无人系统多个层次上的应用提高了其智能化、自主化水平,具有巨大的应用价值和发展潜力。对GAN在无人系统技术中的应用进行了综合评述并且进行了展望。首先介绍了GAN的基本概念、训练方式和传统GAN的模型结构,并且从模型结构的变动、目标损失的变化以及适用的领域等方面详细介绍了深度卷积生成对抗网络（DCGAN）、循环生成对抗网络（CylcleGAN）、生成对抗模仿学习（GAIL）、序列生成对抗网络（SeqGAN）等GAN的8种衍生模型。接着概述了与无人系统OODA回路相关的智能感知、智能判断、智能决策、人机交互等方向上GAN方法的实际应用。最后基于无人系统共性技术的发展趋势,对GAN在无人系统的单体智能、多体或群体智能以及人机混合智能等方向上的应用进行了展望。     

人机混合智能技术主要发展动向分析

人机混合智能是由“人-机-环境”相互作用而产生的新型智能系统。对人机混合智能领域的最新研究与应用动向与进展进行了综合评述。首先介绍DARPA近年来在人机混合智能领域的加速布局;然后盘点了脑机接口、可信人工智能、虚拟现实、环境感知等人机混合智能核心技术的最新科研与应用进展;最后讨论人机混合智能面临的挑战与对未来军事发展的启示。综述表明,机器在未来将更多地用作人类“同事”,而不仅仅是“工具”,人机混合智能的各项核心技术已经不同程度地产生实战应用,而人、机之间的权责分工、能力分配、交互接口、伦理规制等将是人机混合智能进一步发展所需解决的关键问题,人机混合智能将加速军事变革进程,对作战样式、装备体系、战斗力生成模式等带来根本性变化。     

虚拟物理人工智能多粒度水下态势感知研究

在分析水下多平台集群可变粒度态势感知发展的基础上,研究了多粒度水下态势感知的体系范畴提升及时空演进同步问题,提出虚拟物理人工智能多粒度水下态势感知原理及方法。通过内嵌多物理知识和上下文情景模型的动态虚拟物理神经网络,以时空数据与情景信息为驱动,实现了跨领域多粒度水下态势感知及跨时空同步态势演进分析,为有效遂行水下攻防对抗任务提供协同智能决策支持。理论分析及数值结果表明,多粒度水下态势感知及其同步态势演进分析可以通过有效融合集群资源,增强信息优势并动态优化所涵盖的功能领域和时空规模。所提出的原理及方法可为水下立体攻防体系的构建和发展提供理论依据与技术参考。     

基于机器学习的联合作战任务筹划模型

战争复杂性日益提高,快速完成作战任务筹划对于提高指挥效率至关重要。提出了联合作战任务矩阵分析模型,为作战任务筹划提供了一种理论方法;以此为基础,构建作战任务-支撑要素-威胁要素信念网络模型;设计了信念网络关键参数的贝叶斯学习方法,采用想象力机制来提高算法在自博弈学习中的收敛速度;给出了一种深度最小威胁生成树搜索算法,该算法能够通过平衡搜索误差和搜索速度,高效完成任务优先级排序。最后,通过仿真实验验证了上述模型和算法的有效性。