无处不在,搜你所想

无人装备组成作战群协同作战是一种全新的作战模式，体现了分布式、智能化的作战思想，其单个装备成本低，技术迭代快，任务响应迅速，人员伤亡低，在争夺局部战术优势中将能发挥重要的作用。无人作战系统技术已经成为世界各国关注的重点技术领域[1–7]。美国国防部自2000年以来持续发布了8个版本的《无人系统综合路线图》，用以指导包括无人机、无人地面车辆、无人艇和无人潜航器等无人系统的发展，2018年发布的版本提出在2042年达成“无人机机群成为高度协同系统”的自主性发展目标[8]。可见，以无人机为代表的无人装备正逐步摆脱人类的“提线”，走向群体化、自主化、智能化和体系化。

无人系统自主性指无人系统能够不依赖外部的干预，在非受控的不确定环境中完成任务的能力[9]，要求无人系统能够依据“战术目标”和“使命任务”智能地生成、实时调整和执行任务计划，最终完成整个任务。这种“战术目标”和“使命任务”往往仅明确了任务的目标或者最终状态，而为了达到任务目标应该执行哪些行动、如何执行等任务规划的内容将由无人系统自主完成。这要求无人作战系统应具有一定的认知能力，具备任务理解、态势理解，以及在此基础上的使命任务预先规划和临机规划能力。对于群体无人系统来说，还需要具备对群体自身的认知能力，以实现群体共识和任务协同。

但是，现阶段无人系统任务规划的研究主要集中在规划问题的求解方法上，将规划问题看作组合优化问题，在遗传算法[10-11]、粒子群算法[12]、蚁群算法[13]、多智能进化算法[14–16]等智能算法的辅助下完成问题的求解。这些算法虽然较好地实现了规划问题的求解，但是无人系统认知和理解事物的问题并没有解决，这些算法仅是完成了问题的求解，无人系统没有形成对任务、战场环境，以及其自身的认知。因此，在规划过程中需要人类操作员根据任务情况进行大量的推理分析和数据准备工作，将实际作战问题抽象为算法能够接收的形式。当任务、目标和群体无人系统自身面临异构性特征时，规划求解将愈发依赖人工的介入。

在这样的背景下，本文提出在语义层重构自主无人系统的研究路线，旨在从建立无人系统认知模型出发，以语义为中心构建群体无人系统的基本认知体系。通过构建知识本体实现领域知识的统一表示和群体信息共享，利用语义知识引擎实现群体认知，达到任务协同和能力互操作的目的；利用知识推理实现任务认知，引导无人系统进行使命任务的预先规划；利用不确定性知识推理实现态势认知，引导无人系统在动态场景下进行任务的临机规划。

1.1数据与知识逐渐融合

近几年来以深度学习为代表的人工智能方法受到了学术界的广泛关注，深度学习、强化学习等人工智能方法开始应用于任务分配和路径规划问题，但是这些方法并没有像人类一样在理解的基础上进行求解。方法的鲁棒性和解释性差，限制了其在现实问题特别是军事领域的应用[17-18]。与此同时，针对第三代人工智能的讨论也逐渐成为热点，美国国防高级研究计划局（Defense Advanced Research Projects Agency，DARPA）在2018年提出第三代人工智能的理论框架体系——数据与知识融合的人工智能理论和方法，有学者将这个理论归结为认知图谱——知识图谱+认知推理+逻辑表达[19]。张钹认为离散的语义符号空间与连续特征向量空间的融合是第三代人工智能的可能路线之一，当符号空间通过知识推理引导特征向量空间的学习，特征向量空间通过学习将感知到的特征提升到符号空间时，机器就具备理解的能力，机器中的符号也有了根基[20]。胡晓峰也指出用深度学习的方法处理图谱，把直觉和推理融合起来，是一种有效利用知识并实现智能的方法。可见，符号化的知识和知识推理，是下一代人工智能的重要研究内容。

1.2从感知向认知提升

人的认知包括感觉、知觉、记忆、思维、想象和语言等[22]。计算机领域的语音、图像和视频识别分类等技术属于感觉的范畴，实现了现实世界中的物体与逻辑空间中符号的映射。但是这种映射尚未抽象为知识，因为符号之间的因果关系、关联关系和逻辑关系等尚未识别。

从感觉到知觉需要知识的加工过程，这个过程就是认知。笛卡尔认为，认知是获取知识的过程，而知识是认知的结果。可见认知是一个理解符号背后意义的过程。认知过程离不开已有知识体系的支持，可以说认知是在已有的知识体系和已有认知方法的共同作用下形成新知识的过程。在认知支持下构建的与现实世界相匹配的知识模型是进行思维过程的基础。思维具有逻辑特征，形式逻辑和辩证逻辑是思维的两种形式。逻辑导致推理，而推理产生新知。

在低自主性的无人系统中，无人装备不具备认知能力，无人装备通过传感器获取感知数据并展示在人类操作员面前。人类操作员在完成环境和态势认知基础上，进行任务的规划，并控制装备执行相应行为，通过人类的介入实现从感知到行动的闭环。对于高自主性无人系统来说，无人装备需要具备基本的认知能力，能够模仿人的知识获取、表示和处理的能力，在任务规划过程中不需要或者减少人类的介入。

无人系统环境认知方法可以分成解析方法、信号处理方法、神经网络方法和基于逻辑推理的方法4类。其中，解析方法以卡尔曼滤波技术为代表，通过构建精确模型的方法，进行无人系统和环境实体的位姿预测等，但是由于环境的复杂性和不可知性，这种方法存在难以构建精确模型的问题。信号处理法以小波分析、相关函数等信号处理方法处理传感器数据实现环境事件的感知，但是这种方法的识别范围十分有限。神经网络法通过训练神经网络的方式进行目标的识别，不需要构建精确解析模型，但是在实际应用中存在收敛时间长，训练样本难以获取的问题。基于逻辑推理的方法有贝叶斯网络法[23]、DS证据理论[24]和模糊逻辑方法[25]等。基于逻辑推理的方法以事件作为输入，通过网络化推理模型实现态势信息的推理和预测，达到态势认知的目的。但是对于无人系统来说其任务过程中面临着场景切换的问题，难以构建一种多场景广泛适用的推理模型。

基于知识的认知方法在无人系统领域得到了应用，通过对环境态势的语义化建模，实现了态势事件识别、事件推理等功能，显著提高了单个无人平台的态势认知能力[26–28]。但是当前基于知识的认知方法缺乏清晰的技术路线和框架，仅适用于简单的反应型规划问题，缺乏多场景群体协同条件下知识体系和认知模型的研究。

语义奠定了无人系统基本认知体系的基础，在认知、心智表示等方面的重要作用[29]。以语义构建的无人系统认知体系，通过模拟人类思维进行理性推理，引导无人系统实现基于高层使命任务的智能规划，从而实现一定程度的自主性。其理论依据可从以下4个方面阐述：

1）通过语义描述模拟人的认知模式。作战人员在进行作战筹划的时候，更多的是基于作战行动之间的逻辑关系和约束关系，确定打击目标清单的和作战行动。具有一定自主能力的无人系统，其任务的智能规划需要对任务的目标、执行条件等任务情况有一定水平的认知，才能制定合适的任务计划。此外，无人系统所处的战场环境、态势条件、系统状态都具有高度的未知性和不确定性，也需要无人系统具有一定程度的认知能力，以正确处理不确定性事件。通过语义描述可以模拟人的认知模式，从知识表示建模开始，通过描述性知识和因果性知识表示任务领域知识，一方面使无人系统具备结构化的知识描述能力；另一方面可以通过知识的推理实现知识再生，产生新息并引导无人系统任务智能规划和任务执行过程中的自主行为。

另外，人类的智能是符号与数据协同的过程。符号与数值，逻辑与优化都是人类智慧的表现形式，不是非此即彼的割裂关系。一方面，数值概念化为有意义的符号，为认知域的推理活动提供支持；另一方面符号量化为数值，驱动物理域无人装备的自主行动。符号与数值，逻辑与优化相互协作形成一体化的智能体系。

2）通过语义描述知识实现经验的有效运用。基于知识的专家系统仍是一种十分有效的知识表示和运用方法，知识图谱也是一种以语义为核心的知识表示技术。人类在进行作战任务的规划和决策时，也倾向于使用已有的行动范式，可见，规则是一种有效的表示和利用经验知识的手段。一阶逻辑和规则的知识表示方法与人的知识结构相契合，能够使人的经验得到有效的运用。第三代人工智能也开始向着知识图谱+连接主义的混合式发展路线。因此，将已有的作战经验规则化，用这种规则结合语义化的领域知识，实现类似人类的理性推理依然是一种有效的智能化实现方法。基于知识的专家系统存在的泛用性问题，连接主义的机器学习也同样存在，机器学习在大量数据基础上经过长时间学习到的知识，也仅是适用于某种特定的情形，当环境稍作改变，机器学习模型可能就完全失效了。另外，规则推理可以用以引导机器学习，提高其学习效率缩短学习时间，机器学习学习到的知识也可以以符号的形式进行语义化的描述，集成到领域知识模型中。

3）通过语义描述任务实现任务式指挥。任务式指挥模式融合分散式指挥和集中式指挥的优势，被认为是符合未来发展趋势的指挥模式。但是，任务式指挥的实现需要作战单元对指挥员的任务有清晰准确的认知和理解。本文提出的智能规划框架使用本体技术对领域知识模型进行建模，通过丰富的语义信息描述任务的复杂性，能够以逻辑性强、可解释的方式为无人系统提供领域知识支持，通过知识推理能够实现无人系统对特定使命任务的正确、有效理解。

4）通过语义构建知识体系支撑智能自主行为。在人类的认知领域中，知识起到了相当大的作用，在学校的系统学习就是在构建自己的知识体系，知识体系支撑了我们的智能行为。当前对智能化作战的研究高潮迭起，但是对于无人作战系统认知体系的研究却与当前的热度极不相称。无人系统作为一种人造的全新系统，如果希望它们能够像人类一样智能地执行任务，如果没有人类辅助其构建认知体系和知识框架，它们很难达到人类的智能水平。因此，军事领域自主无人系统的研究需要重视认知问题，为无人装备构建其基本的认知体系和知识框架寻找解决方法。

3.1 能力需求

自主无人系统的智能规划与传统的作战任务规划有很大的不同。从无人系统接收到任务指令，到整个任务的执行都需要其自主完成。因此，为了支撑规划过程中的智能，框架需具备的关键能力有：

3.1.1 知识表示能力

无人系统执行任务的过程是无人系统不断与环境进行交互的过程，在这个交互过程中，无人系统感知的数据需要知识化，另一方面规划和决策也是基于符号化的知识进行。因此，实现对战场环境、使命任务、无人装备能力属性等知识的表示，是构建无人系统自主认知能力，实现自主性的基本前提。

3.1.2 知识推理能力

规划问题上升到任务层面，将不仅是数学优化问题，更偏向于推理问题，相对于过程的优化，作战行动之间的逻辑性、时间约束性等更加重要。因此，知识推理是自主无人系统的重要能力之一。

3.1.3 任务规划能力

任务的智能规划是自主地确定系统行为的基本方法，是智能的基本能力，也是智能的基本标志。对于群体无人系统来说，其任务规划能力包括群任务的规划能力和个体任务的规划能力。由于群体无人系统的异构性和群体性，在群任务规划过程中，需要能够对任务进行必要的分解，以减少任务规模。同时，个体也需要具备规划自身任务的能力，以实现分布式的规划，提高系统整体的效能。

3.1.4 态势感知与临机规划能力

战场空间的动态性和不确定性要求无人系统具备感知战场环境态势，并在使命任务约束下进行实时临机规划的能力。通过临机规划选择最佳的作战策略，保证使命任务的达成。

3.1.5 执行与控制能力

执行与控制能力是系统能够按规划结果完成任务的重要保障。因此，智能规划框架需要能够描述任务执行过程中状态，适时执行计划并有效应对行动执行失败的情况。

群体无人系统智能规划框架主要能力需求分析过程如图1所示。

3.2 关键特征

3.2.1 基于高层任务指令实现任务智能规划

基于高层任务指令实现任务智能规划是自主性最重要的特征，即无人装备能够对来自人类或者在协同条件下，来自其他自主无人装备的高层任务指令进行解析的能力。能够基于高层任务指令实现任务规划，在任务规划和执行过程中不需要或者很少需要人类的干预，也是具备任务级自主能力的重要特征。高层任务指令具有抽象性和概括性的特点，往往仅明确了任务的目标或者最终状态，任务规划和执行的细节信息需要无人系统，通过对使命任务的认知和理解过程获取。这意味着无人系统需要有关于任务的基本知识，能够解析任务指令、获取任务规划的描述性知识和过程性知识，有效规划任务。

3.2.2 软硬件松耦合，多硬件平台有效适应

当一套规划系统仅适用于一套硬件装备时，人们更倾向于这是一个自动化的系统，而当系统能够适用于多种硬件装备，并能够在硬件装备接入系统时识别出这种硬件，人们则更倾向于认为这是一个自主化的系统，因此，实现软硬件的松耦合不仅是自主协同作战的需求，因为需要同时管理多种硬件装备，同时也是智能的重要体现。通过在无人装备硬件之上构筑语义层，使上层的任务规划软件或者自主控制软件能够识别无人装备的软件、硬件组成，以及性能指标、作战能力等信息，是实现无人装备硬件与软件之间松耦合的有效途径。

3.2.3 知识有效共享和重用

无论是在机器人领域还是无人系统领域，当需求或者应用场景发生细微的变化时，智能系统将需要进行大量的代码重构工作，这也是很多智能系统无法摆脱程式化标签的原因之一。因此，在知识层面实现信息的共享和重用，对于智能系统具有至关重要的意义。通过定义统一的本体，对战场环境、任务和无人群体等知识进行形式化的表示，并使用语义知识引擎进行领域知识的统一管理，这种知识管理模式能够最大限度地将具备共享和重用需求的知识，从无人装备控制系统的架构中剥离出来，在不同系统、不同装备个体中得以重用。

3.2.4 具有分层的知识体系结构

在群体协同作战场景下，从个体、编组到整个作战群，任务具有明显的分层特征。不同的层级面临着不同的规划问题，每个层级知识的抽象程度、描述粒度和规划目标都各不相同。因此，智能规划框架的知识体系一方面要有良好的分层结构，支持不同层次任务规划的知识表示需求；另一方面应具有良好的层次聚合性，支持不同层次间知识的跨层流动。

自主无人系统语义重构技术路线包含两个核心组成部分：领域知识本体、语义知识引擎。其中，领域知识本体提供了智能规划的概念范畴，是整个框架的基础，包括确定性知识和不确定性知识表示框架；语义知识引擎是知识本体的实例化，实现真实战场环境到逻辑认知空间的映射，同样包括确定性知识推理和不确定性知识推理。

自主无人系统语义重构模仿人的认知过程，以环境、任务、无人装备、态势和战术策略的本体表示为基础，通过本体推理、规则推理和概率推理实现对任务和态势的认知，最终达到知识推理引导任务规划和临机规划的目标。基于本体建模的群体无人系统智能规划框架如图2所示。

4.1 自主无人系统语义重构的内涵

自主无人系统语义重构框架是知识推理与任务规划的结合体，其内涵可概括如下：

1）基于知识实现任务规划。基于知识意味着规划可以充分利用经验信息，这种经验信息包含人类的任务经验、无人系统在历次任务执行过程中学习到的经验，以及在虚拟的仿真世界中学习到的经验。基于知识意味着无人系统的任务规划具备了成长性和共享性的特征，能够模仿人类根据经验更好地完成某项任务。

2）任务规划与运动规划的集成规划框架。任务规划的作战行动序列生成、任务分配和航迹规划3个阶段本身具备高度的耦合性。在无人系统协同作战问题领域中，这种信息的耦合更加紧密。基于本体的任务规划立足于高层任务规划，同时考虑任务规划与运动规划的融合，实现无人系统任务的智能规划。

分享到：