随着智能化技术在军事领域的应用，智能战场感知技术研究成为各军事强国关注热点。首先，分析了传统战场感知技术面临的挑战，阐述了国内外对战场信息觉察、理解和预测的技术研究现状；然后，评析了美军的知识导向型人工智能推理模式（KAIROS）、盖亚（GAIA）、空域快速战术执行全面感知（ASTARTE）和可解释人工智能（XAI）等项目的进展情况；最后，对智能战场感知技术的发展趋势进行了展望。
军事智能技术的飞速发展和广泛应用，必然引起作战理论、战争模式、作战方式、作战力量以及军队组织形态的深刻变革。为了增强我国的科技水平和军队作战能力，党的十九大报告指出要“加快军事智能化发展，提高基于网络信息体系的联合作战能力、全域作战能力”。
战场感知技术作为全域作战实施的共性基础技术，其核心在于汇集多域和多元情报信息，按照目标分析和打击决策等作战任务和使用需求进行融合处理、多维关联、分析挖掘和预测估计，形成保障全域作战指挥和行动的统一态势图。
未来全域作战中，作战域涵盖陆、海、空、天、网电和心理等领域，作战样式向着人机融合与编组协同方向发展，在此背景下将会产生海量、多元和异构的情报信息。面对复杂多变的战场态势，指挥员需要快速掌握当前战场局势并预测未来变化趋势，这对指挥控制系统辅助指挥员形成快速战场感知能力提出了更高要求。
下一代智能战场感知技术充分利用了计算机与人工智能算法的计算和分析处理能力，能够科学准确地把握战场情况和变化趋势，已成为联合作战制胜的基础，具体体现在以下2个方面：
1） 机器辅助情报深度挖掘，应对战场情报的“信息爆炸”。未来多域联合作战延伸至全球范围以及社会域，其信息空间和信息获取手段不断增加，导致信息种类繁多、成分复杂、内容属性多样和信息量巨大等问题的出现，使得指挥员通过信息做出科学有效的指挥决策面临重大挑战。
智能战场感知技术能够让机器代替人脑去处理海量的信息和庞大的计算，从而实现对情报深层次价值信息中复杂综合研判问题的求解。
2） 自动自主化分析研判，应对战场态势的“瞬息万变”。战场一体化作战节奏不断加快，仅凭人的能力已无法快速响应需求、发现异常和准确理解态势。例如，某国军舰以日常巡逻、物资护送等合法任务对我方重要保卫目标实施侦察，或对我方政策底线和防御体系进行试探行动，而其中的看似平常的行动随时可能发展成为严重的威胁。
智能战场感知技术能够缩短情报处理时间、主动发现异常目标以及识别意图与敏感态势情况，减轻了值班人员的负担，降低了值班工作的出错率，从而获得了信息优势。
1.1 技术现状
军事领域中，战场态势指战场中兵力分布及战场环境的当前状态和发展变化趋势，而战场感知指对战场态势信息实时掌握的过程，包括对战场态势要素的察觉、理解和预测，是将信息优势转化为认知优势和决策优势的基础，主要包括以下3个方面的内容：
1） 战场信息觉察：利用侦察设施装备对多源、异构和多维的战场信息进行提取，主要包括目标检测识别和跟踪等技术。
其中，目标检测识别技术是在背景环境中定位目标位置，给出边界框和所属类别或型号，代表性算法包括循环卷积神经网络（R-CNN）、直接线性变换（DLT）、YOLO和单激发多框探测（SSD）等；
目标跟踪技术是在目标检测识别的基础上，对机动目标进行持续性定位，侧重于相关滤波和深度学习跟踪2个方向，以多源点迹跟踪为例，主要包括以循环矩阵结构（CSK）和核相关滤波（KCF）算法为代表的目标跟踪技术，以及以全卷积孪生网络（SiamFC）算法为代表的基于深度学习的目标跟踪技术。
2） 战场感知理解：根据战场信息觉察结果进一步理解并融合目标信息，评估目标身份、意图和威胁，结合地理信息系统构建战场整体态势图，主要包括多源异构数据融合、目标身份意图识别和目标威胁评估等技术。
多源异构数据融合技术包括目标知识抽取、关系关联和关系推理等，难点为异构数据的统一表征和融合模型的建立。
目标身份意图识别技术包括贝叶斯网络（BN）、模糊集合理论、深度置信网络（DNN）、堆栈自编码器和循环神经网络（RNN）等。
目标威胁评估技术是战场决策级的推理行为，受类别属性、运动状态和现场环境等因素影响，现有研究多基于目标自身属性进行排序并评估目标威胁程度。
3） 战场感知预测：根据战场信息觉察和战场感知理解的结果，快速准确地判断编队作战体系并估计作战行动效果，为指挥员制定应对策略提供保障。
编队作战体系能够通过多源信息的相互印证，以及计算运动对象加速度数据的相关系数，得到对象之间的编队关系，并通过编队要素的类型、作用和战术战法对编队要素的指挥通联体系等进行分析；
作战行动效果评估主要依据行动任务进行敌方作战体系毁伤评估、弹药效力评估、我方生存力评估和误伤评估等，通过将评估结果与指挥员最初设想与意图进行比较，建立各类评估模型，从而为指挥员调整作战行动和优化配置战斗资源提供依据。
1.2 外军项目现状
2018年9月7日，美国国防部高级研究计划局（DARPA）宣布将投入20亿美元启动下一代人工智能战役（AI Next Campaign），以期引领第3次人工智能浪潮。DARPA局长史蒂文•沃克在该机构成立60周年大会上表示：
“通过AI Next Campaign，我们正在投资多项人工智能项目研究，旨在将计算机从专门工具转化为解决问题的合作伙伴。目前，机器缺乏语境推理能力，对它们的训练必须涵盖所有可能发生的情况，这不仅代价高昂，而且最终是不可能做到的。我们希望探索机器如何获得类似人类的交流和推理能力，以及识别新情况和环境并适应它们的能力。”
智能战场感知技术作为AI Next Campaign中的重要方向，包括DARPA和Plantir公司等机构布局的知识导向型人工智能推理模式（KAIROS）、盖亚（GAIA）、空域快速战术执行全面感知（ASTARTE）和可解释人工智能（XAI）等项目，这些项目大部分针对共性的基础技术开展研究，一旦突破可直接转化到作战指挥领域。
1） KAIROS项目：2019年，DARPA创建了KAIROS项目，通过人机协作方式挖掘隐藏在海量多媒体和多语言信息中的有用信息，并梳理其背后的逻辑关系。
具体来说，该项目将研制一个半自动化的机器学习系统，从媒体片段和事件中挖掘分析各国隐秘的战略意图（如国家领导人的决策意图或某些重大活动的开展），无效化处理敌方的各种战略欺骗手段，从而提升用户态势洞察、预警探测、情报处理和战争理解能力。
2） GAIA项目：2019年，美国陆军和海军陆战队采用Plantir公司的交互式分析平台对大量战场感知情报进行分析后，建立了GAIA项目。该项目集成了海、陆、空和天的情报与态势信息并进行了上图展示，通过嵌入式选项卡或超链接方式实现了资源有效整合。
各级指挥官通过GAIA项目进行信息交互以确保每个任务参与者均能在同一时间采取行动。GAIA项目通过分布式引导的展现逻辑，将复杂信息以人的思维方式展示给指挥官，并通过提供操作按钮辅助指挥官进行快速决策，达到缩短决策时间和提高决策正确性的目的。
3） ASTARTE项目：2020年，DARPA公布了与陆军和空军合作开展的ASTARTE项目，旨在高度拥挤的未来战场中实现高效的空域作战，并消除友军间的空域活动冲突。ASTARTE项目不仅可为友军提供持续更新的战场动态图，还可利用其传感器网络探测并绘制对手的位置，从而提高美军在反介入/区域拒止（A2/AD）环境下的战场感知能力。
与创建动态空域通用作战图不同，ASTARTE项目并非寻求开发联合及联盟合作伙伴必须使用的软件及硬件通用框架，因为ASTARTE的核心旨在与各军种目前及将来使用的指挥与控制系统兼容，并自动将最新相关的空域信息推送到所有联合作战单位。
4） XAI项目：2016年，DARPA发布XAI项目，旨在建立新的或改进的机器学习技术，生成可解释的模型，并结合有效的解释技术，使用户能够理解、信任并管理未来的人工智能系统。通过该项目，新的机器学习系统将能够解释自身逻辑原理、描述自身优缺点并解释未来行为表现。
2021年，该项目重点增强可解释系统的鲁棒性，以适应日益复杂的机器学习任务，并通过扩展认知模型来度量系统在大量数据集和场景下的可解释性与准确性；将部分可解释模型技术集成到原型系统中，并与国防部及情报界合作活动共同演示验证能力。
作为智能战场感知的核心基础技术，自然语言处理、计算机视觉和信息融合等人工智能技术发展迅速，这些技术在改变人类生产和生活的同时，将引发未来战争和军事信息系统领域的重大变革，并加速作战体系和战争形态向数字化、智能化和无人化方向发展，为未来指挥决策能力提升以及发展新型指挥信息系统奠定了基础。智能战场感知发展趋势如图1所示。
图1 智能战场感知发展趋势
2.1 自然语言处理向深度机器理解方向发展
自然语言处理技术在语义分词和实体识别等方面已接近人类专业水平，但在事件识别、文本生成和机器阅读理解等方面仍存在不足。自然语言处理未来将向文本理解与推理方向发展，以解决文本从浅层分析到深度理解、从规范到自由生成以及跨媒体信息检索等问题。
军事应用方面，自然语言处理将向情报文本的目标事件识别和智能辅助问答等方向发展。为解决人工判读时间长、人工作业任务重和海量信息过载等问题，自然语言处理将通过军事文本关键信息抽取、文本目标关联与推理以及关键信息答案生成，实现图谱数据、关系数据和动向情报等异构知识的关联与快速检索，帮助情报分析人员从大量的低价值情报数据中自动获取关键信息。自然语言深度机器理解主要包括以下3类关键技术：
1） 基于Transformer的双向编码器表征（BERT）+ LSTM的情报领域命名实体识别技术
军事领域中的实体类型包括武器装备、军事目标和战备设施等，由于训练语料欠缺且标记代价较大，因此特征选择具有特殊性。由于通用实体抽取模型是依据互联网公开语料和日常新闻媒体素材训练得到的，因此其抽取能力有限。
首先，采用情报事件领域数据集（军事新闻等）对BERT模型进行预训练；
然后，基于双向长短时记忆网络（Bi-LSTM）+条件随机场（CRF）的情报领域命名实体识别方法将句子的嵌入序列输入Bi-LSTM，并自动提取特征；
最后，在Bi-LSTM层后再接入CRF层来做句子级别的标签预测，使标注过程无需对各个词元进行独立分类，从而提高了识别准确率。
2） 基于循环神经网络的联合事件抽取技术
事件抽取过程包括触发词识别与事件分类以及论元识别与角色分类2个核心步骤，联合抽取模型同时进行上述2个步骤，从而取得较好的事件抽取效果。传统的事件抽取依赖词法和语法特征，这使得模型对于不同数据集的泛化适应能力大幅下降，而深度学习的事件抽取方法虽然能够学习底层特征，但仍无法充分利用语法间关系。
通过采用基于循环神经网络的联合事件抽取模型，在LSTM单元构成的双向循环神经网络中加入依赖桥来连接句法上相关的单词，并对所有事件论元候选集合两两构建向量层，使得在事件论元水平上的信息能够交互，通过依存关系增强模型中每个词的语法相关信息。
3）基于情境感知的机器阅读理解问答技术
人类与机器的对话过程中存在省略、歧义和多义等各种语言现象，在不同的上下文情境中，同样的问题描述代表的含义千差万别，如何让机器正确理解自然语言背后的意图成为构建阅读理解等人机交互系统首先需解决的问题。
为此，针对不同用户的个性化表述方式，采用序列到序列模型实现从用户的个性化表述到系统的标准化表述方式的问句重写；
利用用户、任务和交互记录3个维度的情境感知信息表征当前的上下文状态，通过指代消解方式对问句进行填充；
在意图表达模糊的情况下，采用基于情境注意力机制的深度网络模型实现不同上下文情境下的问题意图预测；
通过以上技术途径，使得系统能充分利用上下文信息理解用户的意图，提高问句回答的准确率。
2.2 计算机视觉向认知建模与时空语义关联分析方向发展
计算机视觉在人脸和物体识别分类等方面已接近甚至超过人类，但在图像理解方面仍面临较大挑战。计算机视觉将向多模态多层次认知模型构建、时空关系及事件间语义相关性推理、文本与声音跨模态集成以及与环境交互学习等方向发展，以解决图像描述、事件推理和场景理解等问题。
军事应用方面，计算机视觉将向多源影像数据目标判读等方向演进。针对样本数量少和无固定特征等问题，计算机视觉将以机器学习为基础，增强因果逻辑和动机预测等认知逻辑推断，通过融合目标特征和专家知识，实现细类目标识别、轻量化影像目标识别和多传感器影像判读等能力，辅助情报人员快速找到目标并定位变化区域，从而支撑后续目标意图分析和态势研判。计算机视觉语义识别主要包括以下关键技术：
1） 基于平行仿真的影像伪装目标对抗识别技术
无人机拍摄的成像视频中包含复杂的目标基础设施和地形地貌，如何解决障碍物遮挡和伪装情形下的目标检测与识别是业界的难点问题。
首先，构建一套虚拟伪装对抗场景，并基于相关任务要求和作战人员经验知识，综合进行基于深度学习的防御模型和攻击模型的设计；
然后，将获得的训练集和测试集放入模型进行交替训练，通过联合损失函数进行模型的迭代优化，同步提升防御模型和攻击模型的性能，实现博弈过程的纳什均衡；
最后，将通过人工场景测试的模型部署于真实应用场景，实现对无人机成像数据目标类别识别和伪装目标定位。
2） 基于元学习的小样本图像目标识别技术
军事图像情报处理中存在样本少，以及目标的大小不一、多尺度和小类别间差异细微等问题。小样本学习旨在从单个或少数训练样本中学习关于对象类别的信息，这对于大量数据的深度学习至关重要。通过元学习，采用“利用先前经验学习如何学习”的思想来解决小样本学习问题。
首先，将卷积神经网络输出进行拼接得到支持集和目标集的多尺度特征；
然后，设计支持集和目标集的多尺度特征结合方式，得到关系特征；
最后，将关系特征通过神经网络进行度量学习，提升对军事影像目标类别和位置的推断效果，从而挖掘目标类型、来源、关联关系和战损情况等信息。
2.3 情报信息融合向异构融合与知识推理方向发展
信息融合能够将多源异构（文本、图像、表格和图谱等）的信息进行有效关联，基于知识图谱，打破传统人工情报查询、筛选和关键信息提取（目标位置和属性等）的壁垒，从数据中自动学习并产生知识，从而关联融合形成跨领域知识体系。
基于知识图谱的信息融合将由静态实体类知识向动态事件类知识方向转变，由基础三元组表示向连续向量和复杂高阶表示方向发展，由关系建模向复杂路径建模方向发展；知识推理也将由确定性规则推理向不确定性概率推断方向发展，解决大规模、跨领域和开放式的知识图谱的计算效率、智能推荐和常识推理等问题。
军事应用方面，信息融合将向深度认知推理方向演进。针对知识的表示、构建和服务问题，通过自适应构建军事决策知识体系、事理模式挖掘与战法规则生成，实现知识体系的持续演化和动态增长，并从日常海量事件和媒体片段中识别出相互关系，快速发现海量事件中的潜在联系，使战场态势理解更深入且指挥决策更清晰。基于异构情报信息自动关联主要包括以下2类关键技术：
1） 基于异构情报信息自动关联技术
情报大数据处理的核心是面对海量多源异构情报数据，快速准确地对高价值信息进行提取与融合，从而实现面向任务的战场感知。
首先，采用基于知识图谱的战场情报关联技术构建统一的时空基准，实现多源、异构和动态情报的组织建模；然后，利用文本、影像和视频等信息提取方法实现多元信息的抽取，并将抽取的信息进行融合，形成目标的多维多源特征数据库；最后，利用目标可信判据生成技术生成目标判识的线索链及决策判据，以支撑指挥员快速准确地判定目标身份，及时做出决策。
2） 知识驱动的战场目标理解与智能认知推理技术
针对情报分析证据链不完善，敌方、我方和环境处理相互割裂，以及情报知识运用不成体系等问题，采用知识驱动的战场目标理解与智能认知推理算法，实现对不明目标的类型、型号和意图的辅助研判，具体包括以下3个方面的内容：
（1） 利用时空、频域和实体维度关联相关证据，比对多个不明目标的机舰性能，从而判断目标的类型；
（2） 利用轨迹大数据挖掘技术将航行路线与历史活动规律进行匹配，判断目标型号与意图；
（3） 对机舰性能、活动规律和航行计划等证据信息综合推理印证，得出目标身份和行为意图，进而提升基于机器自学习的复杂环境下战场目标智能认知水平。
2.4 识别预测向可解释和可追溯的交互式协同感知方向发展
准确性与透明度是战场感知识别预测中与人工智能相关的关键指标。其中，准确性强调战场感知模型的拟合能力以及在某种程度上准确预测未知样本的能力，如目标意图预测的准确度等；透明度强调战场感知系统能够给出自身决策过程工作原理的程度，是用户理解机器的基础，如目标意图预测的可信度等。
随着战场环境越来越复杂，指挥员对人工智能可解释性的要求不断增加。因此，将“黑匣子”转为可解释的交互式人工智能成为相关领域的发展趋势，也是实现以人为中心的人工智能的前瞻性挑战。
军事应用方面，目标身份意图识别与预测需通过可解释和可追溯的交互式协同感知提升情报分析人员的决策效率。针对战场感知缺乏对局势的深度理解和对未来趋势的预测等问题，综合运用自然语言语义融合、知识图谱和可解释推理等技术，快速从多域和异构情报中抽取目标关键线索，通过关联融合来自动推理目标的身份意图，从而提高指挥员判读效率和准确度。交互式协同感知主要包括以下2类关键技术：
1） 面向任务情境的交互感知技术
综合运用语音、文本、表情、眼动、手势、生理信号及虚拟现实/增强现实（VR/AR）等前沿人机交互技术与设备，让作战指挥人员通过对话等方式传达需求与作战意图，从而构建统一的多模态人机交互语言规范，提供机器与人，机器与机器之间意图解析转换服务；结合面部表情和手势动作等新型交互输入的指代性内容进行语义补充。
机器将多模态信息进行语义融合与意图映射，实现对作战指挥人员表达信息的精准理解和对系统信息的多元化展现，最终引导作战指挥人员采用规范的话术表达意图，同时实现各级指挥所之间指令和信息的规范化表达。
2） 人机混合的智能战场感知技术
战场感知的基础在于人决策的价值性与机器处理的事实性的有机结合。指挥员擅长将情报去伪存真、提炼价值和归纳总结；机器擅长从海量情报中搜集和汇聚情报，分析挖掘隐藏信息，自动加载各种智能分析模型。
通过采用人机混合的智能战场感知技术，分析人机共生的情报交互分析机理，借鉴指挥员分析战场目标的思维方式，通过交互引导式的决策知识建模方法，将敌情分析、目标个体和周边影响等模块化的智能分析挖掘功能，以拖曳+组合的可视化方式展示给指挥员，并通过提供操作按钮辅助指挥员进行快速决策。
机器可自动从海量情报中挖掘关键线索，而人的经验则可转化为机器的判断能力，因此将人机进行结合，从而实现全域海量情报基础上的征兆实时预警、异常快速研判和意图精准预测，达到缩短决策时间和提高决策正确性的目的。
智能战场感知是指挥决策和行动控制的前提，随着人工智能和大数据等技术的发展，未来战场信息呈现海量分布和爆炸式增长的特点，多源信息深度理解、语义关联、异构融合推理和可解释交互等技术将成为战场感知领域的主流发展方向。
当前对智能战场感知技术的研究已进入了一个理论与实践相结合、现实与未来相联系的阶段，促进相关技术在战场感知领域的广泛应用，对于我国提高技术水平、增强经济实力和建设智能化技术强国具有重要意义。
| 留言与评论（共有 0 条评论） “” |
