陸用運動體控制系統發展現狀與趨勢

孫健 鄧方 陳杰

所謂運動體指相對于地球有運動的且具有某種用途或能夠完成某種任務的系統或平臺.本文所指的陸用運動體是指地面戰場使用的常規重型機械化設備和輕型地面作戰裝備以及相應的作戰指揮系統.包括壓制武器、坦克與裝甲車輛、防空武器、導航與指揮自動化系統、彈藥與制導兵器以及輕武器和反坦克武器,同時也包括后勤支援設備和作戰訓練、作戰指揮模擬、武器作戰使用模擬訓練等系統[1].

科學技術的高速發展給現代戰爭的形式帶來了巨大的改變.一批高精尖武器的出現,信息化與網絡化極大變革了現代戰爭的作戰理念.作戰空間大,作戰方法多,作戰環境復雜,對抗加劇是現代戰爭的主要特征.面向現代作戰的要求,陸用運動體的發展一直呈現著數字化、智能化、網絡化、無人化的趨勢.面對未來戰爭更高的要求,如何實現更加智能、自主的陸用運動體控制系統成為一個重要的課題.

面向未來的陸用運動體控制系統還面臨著諸多挑戰.1)為了實現智能化的陸用運動體控制,運動體對環境和態勢的感知是必不可少的.對環境因素與目標狀態的了解是陸用運動體實施精確打擊的前提條件.此外,隨著戰場復雜程度的加劇為了使陸用運動體能夠更好地自主決策和輔助決策,需要對環境和態勢進行有效的感知.2)隨著網絡化,信息化程度的不斷加深,火力控制與指揮控制一體化是指揮控制系統的必然發展趨勢.如何對作戰資源進行有效的管理、部署、分配、調度和控制對作戰效能有決定性影響.3)在未來作戰中,多個陸用運動體之間的自主協調、協作和協商對于更好地完成戰術與戰略目標具有重要意義.4)先進的控制技術要求陸用運動體有良好的部件,如傳感器、計算機等,高效地維護與保障這些部件是戰斗力發揮的前提.

因此為了適應現代及未來的作戰需要,要求陸用運動體能夠:

1)自主地、高效地完成對戰場的環境感知,對目標的敵我、種類、位置及運動狀態的識別;

2)高效地完成指定的作戰目標的同時,提供更多及時的信息以及建議給決策者,幫助決策者更好地理解戰場局勢變化;

3)與其他作戰單位,自主,智能地協同作戰;

4)自主地進行故障檢測與診斷,實現運動體系統良好的健康管理.

針對上述需求,提煉出如下4個研究方向:

1)環境與態勢感知;

2)火力控制與指揮控制;

3)多平臺協同;

4)故障診斷與健康管理.

1 環境與態勢感知

對于陸用運動體控制系統,環境和態勢的感知主要是對戰場地形地貌、氣象水文、敵我動態、武器配備、兵力分布等信息的獲取與掌握情況.環境和態勢感知能力對預測戰情,掌控作戰進程,奪取作戰優勢有著重要的意義.各種陸用運動體控制系統對環境和態勢感知的能力是實現系統對目標進行有效打擊的重要前提.為此,首先需獲得目標的空間位置、運動狀態以及目標種類信息,并以此為瞄準依據,驅動火力系統完成對目標的瞄準與打擊.

主要研究內容包括:目標的探測與識別,機動目標的建模與跟蹤以及多傳感器多目標關聯問題.

1.1 目標探測與識別

目前,對目標的探測主要包括雷達的主動探測形式以及光電紅外的被動方式.目標識別的主要方法可以粗略地概括為以下4類:

1)統計模式識別方法.該方法主要利用目標的統計特性,以貝葉斯理論為基礎,在提取特征向量的基礎上應用特征匹配分類技術對目標進行識別.該方法適用于較窄的場景,不適用于處理目標或背景變化較大,目標存在遮蔽,模糊等情形.

目前,最近鄰域法、多維相關匹配方法、最大似然貝葉斯分類器、貝葉斯優化決策規則、最大似然函數等都已用于目標特征的分類決策.

2)基于知識和模型的目標識別方法.此方法需要根據已有的先驗知識,對待識別目標進行相關特征的提取、歸納,并利用提取的特征對目標進行抽象建模,由它們構成目標識別的約束,最后對實際成像圖像進行相應的特征提取和目標假設,并借助獲得的目標先驗知識模型的約束對該假設完成推理和驗證,得到識別結果.

文獻[2]將知識引入到解決雷達目標識別這類復雜問題中,提出一種基于知識的雷達目標識別模型,可以有效地識別車輛和坦克兩類目標,提高目標識別的可靠性;文獻[3]中對比了基于知識的目標識別算法和恒虛警率檢測算法對真實合成孔徑雷達(Synthetic aperture radar,SAR)圖像識別效果,實驗結果表明,基于知識的目標識別算法可以更有效地識別目標,抑制虛警.

3)基于人工神經網絡的自動目標識別方法.人工神經網絡(Artificial neural network,ANN)是由大量的基本處理單元組成的非線性自適應系統,是一種模擬生物神經網絡的人工智能方法,它具有自學能力、聯想記憶能力和計算能力,能通過簡單非線性單元的復合映射而獲得較強的非線性處理能力.ANN在目標識別中得到了廣泛的應用并取得了不錯的識別效果.

文獻[4]分別應用經典反向傳播(Back propagation,BP)算法,具有動量項和自適應學習速率的BP算法和Levenberg-marguardt(LM)優化算法來訓練神經網絡以實現精確識別目標的效果,通過實驗對比發現,采用LM優化算法訓練的神經網絡收斂速度快,目標識別率較高.針對雷達目標信號復雜多樣的特點,文獻[5]提出了基于BP神經網絡的雷達目標識別方法.文獻[6]提出運用遞推最小二乘學習算法訓練徑向基函數神經網絡,對目標進行識別,實驗結果表明,基于此方法的目標識別精度較高,發生錯判的幾率有所降低,具有較好的識別效果.

4)基于深度學習的自動目標識別方法.近年來,深度學習技術快速發展,已成功應用于圖像識別等領域.深度學習是一種訓練深層神經網絡的機器學習算法,最終得到的深度神經網絡模型就是一種通過學習大量數據而得到的知識模型.將其運用到自動目標識別中,就是通過訓練圖像數據集獲得可辨識目標屬性的知識模型.獲得這種知識模型主要過程包括圖像訓練樣本集預處理,網絡模型構建和網絡模型參數優化.

文獻[7]采用5類目標圖像數據集:預警機、航母、驅護艦、F35、F16和B52,訓練深度神經網絡.實驗與測試結果表明此方法能有效改善目標的識別精度和速度.文獻[8]使用由Sandia國家實驗室的SAR傳感器采集的SAR圖像實驗數據集來訓練深度卷積神經網絡,來實現SAR圖像目標識別與全極化SAR地物分類,針對帶相位信息的SAR圖像,在文獻中將卷積神經網絡推廣到了復數域,提出了復數卷積神經網絡.

1.2 機動目標建模與跟蹤

由于在戰場上目標的行為模式復雜多變,為了能準確估計目標位置和運動狀態,必須要建立目標的運動模型.模型既要符合目標的實際運動情況又要便于對其進行理論上的分析和計算.目標的運動模型大體上可以分為:全局統計模型和當前統計模型.對于單純的目標跟蹤問題實際上就是目標狀態的跟蹤濾波問題.它是通過一個或多個傳感器獲取對環境中目標的有噪聲觀測值,利用計算機來完成信號處理,從背景中識別目標并對目標進行精確的跟蹤.當目標發生機動時,要保證跟蹤濾波器能夠跟蹤上目標運動狀態的變化,并輸出正確的目標運動信息.

目前,機動目標跟蹤問題所面臨的主要挑戰是測量起源的不確定性和目標運動方式的不確定性.基于模型的單模型算法和多模型算法是兩類最主要的機動目標跟蹤算法,它們的主要區別在于行為決策與狀態估計之間的關系.使用基于單一模型的自適應濾波方法進行機動目標跟蹤時效果往往并不理想.而多模型方法是對強機動目標有較高適應性的跟蹤方法.目前,典型的機動目標跟蹤算法主要包括:變維濾波算法,Singer模型算法和交互式多模型算法等.

1)變維濾波算法.該算法采用兩種模型,即非機動模型和機動模型.變維濾波算法的基本原理是:當目標處于非機動時濾波器工作于非機動模型狀態,即采用位置和速度的二維卡爾曼濾波,當檢測器檢測到目標機動時,濾波器切換到機動模型狀態,即采用位置、速度和加速度的三維增廣卡爾曼濾波器,實現目標跟蹤.

文獻[9]將變維卡爾曼濾波算法應用于激光跟蹤測量系統,實現機動目標的跟蹤,大幅提高了系統的跟蹤測量精度.文獻[10]將變維卡爾曼濾波算法應用到雷達跟蹤檢測系統,對機動目標跟蹤具有較好的性能.該方法提高了機動目標跟蹤的精度和抗干擾能力.但是,該方法存在較大的檢測延遲;濾波器之間切換時會產生較大的瞬時誤差.

2)Singer模型算法.該方法將運動目標的機動看成是噪聲注入恒定的目標運動模型而產生的擾動.不同的噪聲統計特性可以實現不同強度的目標機動.該方法原理簡單,實現方便,在一定情況下可取得較好的跟蹤效果.但該方法并沒有體現出目標產生機動的根本物理原因,對于大機動的目標,跟蹤效果較差甚至造成目標跟蹤失敗.

3)交互式多模型算法(Interacting multiple model,IMM).此方法是在廣義貝葉斯算法的基礎上發展起來的,是一種具有相當實用水平的多模型估計算法.它認為不同模型之間的轉移概率服從有限態Markov過程,在多模型算法的基礎上考慮了多模型的交互,并根據模型概率加權求和得到最終估計結果.該算法的目標跟蹤效果一般取決于其模型的選擇、模型的個數以及模型的參數;然而,盲目增加模型集的模型數量不僅會導致計算量迅速增加,而且會降低目標跟蹤性能.

文獻[11]在IMM算法中引入了容積卡爾曼濾波器(Cubature Kalman filter,CKF),設計了交互式多模型容積卡爾曼濾波算法(IMM-CKF).該算法采用Markov過程描述多個目標模型間的切換,利用CKF濾波器對每個模型進行濾波,將各濾波器狀態輸出的概率加權融合作為IMM-CKF的輸出.仿真結果表明,算法跟蹤精度比交互式多模型無跡卡爾曼濾波算法精度更高,具有重要的工程應用價值.文獻[12]做了進一步的改進,在IMM-CKF算法的基礎上,將平方根容積卡爾曼濾波器(Square root cubature Kalman filter,SRCKF)引入到IMM算法中,提出了帶有轉移概率在線修正的交互式多模型平方根容積卡爾曼濾波(IMM-SRCKF)機動目標跟蹤算法,實驗仿真結果表明,該算法相對于常規的IMM及IMM-CKF算法,IMM-SRCKF算法跟蹤精度更高,模型切換更合理,切換速度更快.

文獻[13]結合Singer模型算法和交互多模型算法各自的特點,設計了基于IMM-Singer模型的機動目標跟蹤算法,實現Singer模型參數的自適應選擇,實驗仿真結果表明,該算法與單一的Singer模型算法及常規的IMM算法相比較,有效提高了機動目標跟蹤的精度.

1.3 多傳感器多目標關聯

在多目標跟蹤的情況下,需建立多個目標點量測的關聯關系,并且同時建立多個目標的航跡.而在多傳感器的情況下該問題就更為復雜,需要建立起不同傳感器探測的目標量測之間的關聯關系.多傳感器多目標跟蹤技術是將多個傳感器獲得的信息在融合中心有機合成,用以提高多目標運動狀態估計的精度,其性能比單一傳感器要優越得多.而數據關聯算法是多傳感器多目標跟蹤技術的核心.

數據關聯問題產生的主要原因在于傳感器測量數據的不準確性以及目標跟蹤環境的復雜性.由于噪聲等原因,傳感器所得到的數據不可能完全準確.此外,由于目標跟蹤的先驗知識不足,目標的個數往往也不清楚,觀測數據是否來源于真實目標也無法事先辨別.這使得觀測數據與真實目標之間的匹配關系非常難以確定.

目前,在雜波環境下多目標跟蹤效果最好的數據關聯算法包括聯合概率數據關聯方法和多假設關聯方法.但是隨著跟蹤目標數量,回波數目與雜波密度的增加,算法的計算量急劇增加.近年來,隨著人工神經網絡的應用研究復興以來,人們開始利用神經網絡所具有的組合優化計算能力來實現多目標數據互聯問題的求解.

1.4 問題與展望

目前存在的目標探測與識別方法均存在著一定的局限,特別是在復雜的戰場環境下對目標的識別,跟蹤還存在著一些困難.對于目標識別,在復雜環境中有效地識別目標,使方法對于環境具有高自適應性仍然是挑戰.在目標跟蹤問題上,如何在平衡計算復雜度的前提下提高跟蹤精度,增強自適應能力仍會是未來的研究方向.如何提高在復雜環境下目標跟蹤的性能也是亟待解決的問題.此外,在多不確定性環境下,多傳感器多目標跟蹤問題上,目前尚未出現實用的算法,還需要更多的研究.隨著深度神經網絡等機器學習方法在計算機視覺中的廣泛應用,可以預見這些新方法與目標識別,目標跟蹤的結合將會是未來研究的重點.如何將這些算法從實驗室推廣到計算資源受限的平臺上,并將在數據集上取得的效果泛化到真實環境中是實用化的重要研究問題.

2 火力控制與指揮控制

火力控制是信息化戰爭的主要依據,火力指的是武器或彈藥系統形成的有效殺傷、摧毀、破壞的能力;控制則是對這樣的火力進行精準的控制,以期望達到想要的目標.指揮控制是信息化戰爭的重要手段,指揮所執行的功能是“做決定”,它負有重大的責任,指揮要對被指揮的人負責;控制是對指揮員的決定進行操控,通過發出指令來進行控制.簡單來說,指揮控制決定打擊的目標,火力控制決定以哪種方式去打擊這個目標.火力控制與指揮控制相輔相成,共同成為現代戰爭的重要組成部分,同樣也是國家戰爭水平先進性的重要標志.因此,火力控制與指揮控制的發展對國家的意義十分巨大.

2.1 火力控制

火力控制主要包含以下三個方面:火力控制系統、火力控制理論和火力控制技術.火力控制理論是火控科學重要的組成部分,是火控科學的基礎.火力控制理論用來分析、綜合火力控制的全過程.發展至今,火力控制理論已經形成了一套獨有的理論體系,可以用來指導火力控制系統的設計.火力控制技術是基于火力控制理論并且可以應用到具體火力控制系統中的一種方法,根據火力控制系統的功能組成,火力控制技術可以細分為:目標搜索技術、目標跟蹤技術、氣象與彈道條件測量技術、定位定向技術、脫靶量測量技術、火控計算機技術、武器隨動控制技術、信息顯示與控制技術、信息傳輸技術.火力控制系統不僅是現代武器系統必不可少的重要組成部分,而且也是現代武器系統先進性的重要考量.火力控制系統涉及的領域十分廣泛,幾乎所有的現代武器系統中都含有火力控制系統.火力控制理論、火力控制技術和火力控制系統互相發展,互相促進,共同推動了火力控制學科的發展.火力控制理論是火力控制學科的基礎,伴隨著現代武器水平不斷發展而逐步更新的火力控制理論是火力控制學科發展的巨大推力;火力控制技術是火力控制學科得以不斷發展,完善的重要支柱,火力控制學科是一門多學科交叉的學科,不同學科中先進技術的發展促進了火力控制技術綜合性的發展,從而為火力控制學科的發展做好了充足的保證;火力控制系統是火力控制學科的集中表現,隨著火力控制系統對于促進現代武器性能提升的作用日益顯著,很好彰顯了火力控制學科在未來的發展中有很好的前景.本節主要針對火力控制理論、火力控制技術和火力控制系統的國內研究現狀進行總結.

2.1.1 火力控制理論

1)命中分析

命中分析是將目標航跡數學模型與彈頭彈道數學模型聯立建立命中方程,進而換算出武器的射擊諸元.命中分析研究內容一般包括:彈道方程與射表、命中方程、命中方程求解與命中方程分析等.近年來,國內在該領域主要針對不同武器系統的火控諸元解算模型和命中方程解算方法進行研究.

Deng等[14]利用射表數據虛擬的彈道曲線和參數辨識方法,建立了一種彈道微分方程模型,并給出整個方法的流程圖.趙東華等[15]提出了一種基于二分法求根思想的解外彈道方程組決定火炮射擊諸元算法,有效避免了查找射表帶來的諸如容易出錯,時間長,數據擬合復雜等問題,在保證計算精度的條件下大大提升了求解射擊諸元的計算速度.隨著計算機技術的迅猛發展,對火控彈道諸元解算速度提出了更高的要求.秦鵬飛等[16]通過對現行基于二分法的彈道解算方法的詳細分析,提出了一種全新的基于落點諸元信息的彈道解算方法,進一步提高了火炮射擊諸元的實時解算能力.邱曉波等[17]針對動對動過程中容易出現的火炮難以命中目標等問題,利用車體運動速度傳感器補償彈丸附加初速,采用機動運動模型進行目標跟蹤與預測,并直接在極坐標系下設計了目標機動模型和濾波算法用于解命中計算,為實際環境下作戰系統的解命中方法提供了一種新型的改進策略.

2)誤差分析

誤差分析在火力控制理論中具有很重要的實際價值.對實際環境下各個作戰系統的火控進行誤差分析,可以為不同情況選擇進行誤差補償或者為改進控制策略提供良好的思路和參考,對于提升我國火控系統戰術、技術性能有重要的指導意義.

許建勝等[18]采用蒙特卡洛方法對末敏彈命中目標位置的散布特性進行了仿真研究,分析了風向、傘的擺動、滾轉角和戰斗部散布等各個參數對于命中點的影響.陳敬志等[19]給出了空艦導彈火控系統動態精度實驗方法和需確定的重要的實驗要素,提出了有效的誤差分析與處理方法,為空艦導彈火控系統的設計定型提供了技術支撐.李魁武等[20]結合火控閉環控制技術和火控解算誤差相關性,建立了針對自行高炮射擊誤差綜合補償模型,利用火控解算前一時刻的誤差特性,對后一時刻火控解算進行誤差實時綜合補償,有效提高了自行高炮射擊精度.

2.1.2 火力控制技術

火力控制技術屬于應用范疇,它綜合了計算機技術、網絡技術、通信技術、控制理論與技術、光電子等技術,具有典型的多學科交叉特性.本節僅對火控系統中的幾個重要支撐技術的近些年取得的成果進行總結.

1)火控計算機技術

火控計算機技術是研究火控系統計算設備的科學技術,包括火控計算機硬件和火控軟件.火控計算機是火控系統數據處理的核心與中樞;火控軟件一般指運行于火控計算機上的應用程序.

齊勁松等[21?22]結合國產化工程實踐分別提出了基于龍芯2F+1A和龍芯3A+2H的火控計算機系統的設計思路和方法,在保證滿足軍用系統的安全性和可靠性的同時,也具有良好的實時性和實用性.鄧方等[23]將改進粒子群優化的彈道解算方法和多核計算機并行計算能力相結合,提出了一種基于改進粒子群優化的彈道并行求解算法,極大地減少了彈道計算時間.

2)網絡化火控技術

傳統集中式的火控體系結構由于其信息處理速度慢,抗毀性差等原因已不能適應現代化作戰的需求,并且隨著網絡技術的飛速發展和高科技作戰形式的不斷產生,人們開始研究了一種網絡化的火控體系結構.網絡化控制系統是通過網絡閉環的反饋控制系統,系統內各節點可以通過網絡互相連接通信并根據環境需求靈活重組,系統反應速度快,適應性和抗毀性強.自網絡化火控系統這個問題提出以來,一直受到很多學者的廣泛關注.

陳晨等[24]以網絡化防空作戰為背景,構建了網絡化防空火控系統的分層分布式體系結構和基于預測序列的信息傳輸方式,并針對防空作戰的任務需求,提出了相應的指揮體系重組方法.陳杰等[25]在此基礎上,將網絡化防空火控系統和航跡融合問題進行結合,提出并構建了基于聯邦卡爾曼濾波技術的航跡融合方法,很好地解決了在信息傳輸過程中出現的數據丟包和時延等問題.王磊等[26]以區域防空反彈道導彈網絡化作戰為背景,描述和分析了軍事系統資源的動態集成過程,實現了區域防空網絡化作戰體系結構的服務視圖產品的設計.

2.1.3 火力控制系統

火力控制系統是實現火力控制功能的、若干相互聯系和相互作用的要素組成的統一整體,這些要素包括裝備和人.火力控制系統是火控理論和火控技術的物化或載體.

坦克作為陸上作戰的中堅力量,受到了越來越廣泛的關注.坦克火力控制系統經歷4個發展階段:人工裝表、簡易自動裝表、穩像和自動跟蹤.王欽釗等[27]針對火控系統解命中理論、目標跟蹤與狀態辨識、炮控系統穩定精度以及射擊延時誤差等多個層面分析影響坦克火控系統性能的原因,并提出相應的改進方法.鄭巖等[28]建立了車載火控系統在高速運動的情況下對運動目標進行自動跟蹤時敵我兩車相對運動關系的數學模型,并基于傳感器的實時信息利用卡爾曼濾波技術實現了車載火控系統對目標的自動跟蹤,提高了首發命中率.

2.2 指揮控制

指揮控制是戰爭運用的重要手段之一,它隨著戰爭的發生而誕生,也必將隨著生產力的發展而不斷發展.從20世紀50年代的C2(指揮與控制)系統,到60年代C3(指揮、控制與通信)系統,70年代C3I(指揮、控制、通信與情報)系統,再到C4I(指揮、控制、通信、計算機和情報)系統以及最新的C4ISR(指揮、控制、通信、計算機與情報、監視、偵察)系統,指揮控制系統越來越呈現出多技術交叉的特征.陸用運動體系統指揮控制的研究方向主要包括:多傳感器數據融合、網絡化指揮控制、智能輔助決策,下面就這三個方向在近些年取得的成果分別進行闡述.

2.2.1 多傳感器數據融合

多傳感器數據融合技術為國內外研究的熱點.多傳感器數據融合是指:將一定數量不同的傳感器的觀測數據進行綜合從而獲得被測對象更魯棒更完整的描述的過程.多傳感器數據融合技術廣泛應用于機器人、傳感器網絡、目標識別、智能系統設計等領域.目前常用的多傳感器數據融合的算法包括加權平均法、卡爾曼濾波法、多貝葉斯估計法、人工神經網絡法、專家系統等.

張品等[29]將貝葉斯估計和卡爾曼濾波結合起來,提出了一種優化的貝葉斯估計多傳感器數據融合方法.司迎利等[30]提出了一種基于全局狀態估計的多傳感器加權數據融合算法,可以使狀態的估計值充分逼近真實值,從而使得算法具有較高的融合精度和抗干擾性.曾喆昭等[31]提出了一種基于遞推最小二乘法的多傳感器數據融合的正交基神經網絡算法,用基于遞推最小二乘法的神經網絡算法對各傳感器的量測數據進行處理,并用神經網絡輸出結果的平均值來實現多傳感器的數據融合.

2.2.2 網絡化指揮控制

網絡化控制系統是指通過網絡閉環的反饋控制系統.近年來,網絡化控制系統得到了廣泛的研究和飛速的發展.網絡化指揮控制是網絡化控制技術在軍事領域內的典型應用.網絡化指揮控制將在一定范圍內的作戰單元通過網絡連接起來,在互聯互通,互操作的基礎上,將各個分散的作戰單元形成一個整體,提高資源的綜合利用率,實現作戰效能的大幅提升.網絡化指揮控制系統具有極強的抗毀性、靈活性、快速性,是物聯網時代的必然產物.

李啟元等[32]分析了網絡化指揮控制中的同步問題.在指揮控制經典的包以德循環(Observation,orientation,decesion,action,OODA)模型的基礎上結合耦合相位振子的Kuramoto模型,建立了網絡化指揮控制系統動態行為描述模型.在此基礎上,分析了耦合強度與網絡化指揮控制系統同步特性之間的關系.王文普等[33]從網絡化作戰所特需的入網能力、作戰指揮能力、指揮關系重組能力、網絡安全防護能力出發,詳細分析了網絡化指揮控制系統的作戰能力,并建立了網絡化作戰能力的評估指標體系和評估模型.

2.2.3 智能輔助決策

隨著戰爭復雜程度的加重,對決策者提出了越來越高的要求,例如,能否24小時連續作戰,能否綜合各方面信息快速決策,能否在短時間內對戰場形勢進行估計,能否快速對目標的威脅程度進行評估并迅速調整火力分配和部署以求精準消滅等.因此,智能輔助決策系統引起了越來越多人的關注,成為地面武器裝備指揮控制系統中的研究熱點.智能輔助決策包括4個方面:信息獲取,戰場態勢評估,目標威脅估計和火力分配等.

輔助決策傳統的求解方法是建立在以數學規劃為基礎的建模方式上的.王連峰等[34]研究了空襲目標的實時威脅評估問題,在充分利用目標與陣地實時信息的基礎上,應用模糊理論結合加權平均模型對威脅度進行了較準確的計算,評估結果更符合實現情況.馬瑾等[35]以裝甲車為實例,提出適用平面的二次曲線獲取方法,并在此基礎上求解了戰場環境中關注目標的三維幾何數據.隨著計算機技術與人工智能技術的不斷發展,許多智能優化算法不斷涌現,例如:蟻群算法、粒子群算法、模擬退火算法、遺傳算法、差分進化算法、深度學習算法等.朱豐等[36]分析了大數據背景下的戰場態勢評估,對基于深度學習的戰場態勢評估問題進行了較全面的綜述,并展望了未來的研究方向.李姜等[37]采用粒子群算法(Particle swarm optimization,PSO)對支持向量機(Support vector machine,SVM)中懲罰參數和核函數進行優化,建立改進的PSO-SVM目標威脅估計模型及算法.劉海波等[38]采用模擬退火改進的粒子群算法代替神經網絡中傳統的梯度下降法,對網絡參數初始值進行優化,建立了基于模擬退火粒子群算法優化的灰色神經網絡模型,并應用于空中目標威脅評估,取得了良好的效果.

2.3 問題與展望

在目前的陸用運動體裝備系統中,火力控制與指揮控制仍然是分開的.其原因在于目前的裝備自動化、信息化、智能化程度仍然是較低的.首先,為了提高火力控制與指揮控制一體化程度,提高未來裝備的自動化水平是充分條件之一.再次,將理論上效果優良的火力控制方法實用化,利用網絡化提高火控系統信息融合程度是提高火控系統效率的重要方向.目前在信息融合方面無通用算法出現,而且針對復雜戰場上信息傳遞和處理能力存在瓶頸,仍然需要解決方案.網絡化控制系統是未來的趨勢,針對其中復雜的信息流與物質流的互動和控制仍然需要研究.面對未來更加復雜的戰場環境,智能輔助決策系統將會是智能陸用運動體的控制系統的重要組成部分.目前智能算法層出不窮,如何將它們運用在決策輔助中,并且將效果推廣到真實環境中將會是智能輔助決策系統研究中的關鍵問題.

3 多平臺協同

多平臺協同控制和優化,是現代戰爭的重要特點,如何將分散的戰略戰術資源和各類武器平臺有機地結合起來,最大化地發揮出作用,充分利用武器平臺的“合同”優勢,整合有效的武器資源,對我方的重要基礎設施進行有效的保護,對作戰資源進行高效的管理,實現對敵方威脅的有效清除對于作戰效能的提高有著至關重要的作用.從2000年起,美國國防部每兩年制定一次無人作戰系統路線圖.在新版的路線圖中明顯地強調了多無人平臺的協同.美軍成功開展了通用式開放架構、自主處理與魯棒決策、全異信息融合與控制的研究,并于2012年5月在DARPA位于Georgia的Fort Wtewart成功進行了多平臺的協同群集驗證.針對無人機蜂群作戰,美國也積極開展相關的研究工作,啟動了一些研究項目.例如,美國空軍研究實驗室提出的“忠誠僚機”項目,美國國防高級研究計劃局提出的“小精靈”項目和“體系綜合技術和實驗”項目等.在真實的戰爭環境中,武器與目標信息、信息傳輸過程中包含的擾動、不可預計的意外事件、同時決策時間,打擊頻率都受到客觀條件的約束,在多平臺協同中,必須要解決包含不確定性的強約束條件下的動態決策問題.其次,無人機、無人車等無人平臺的引入,在多平臺協同過程中必須要考慮有人/無人系統的協同指揮和快速響應,為此需要建立相應的知識庫和決策體系,研究任務分配和指揮決策問題.

3.1 作戰資源部署

在戰爭開始之前,需要對戰場形式進行評估,利用已有的傳感探測資源和武器戰略資源進行空間部署,針對可能出現的作戰情形,提前做好準備,使得在實戰中占到主動權和先機,但是在實際的作戰中,需要考慮的因素極其復雜,對于不同設施的重要性評估,戰略資源的毀傷概率等,作戰資源部署更多地依賴戰場指揮者的經驗和智慧,當前對于作戰資源部署的研究還不成熟,只有少量的研究成果進行了量化分析.

作戰資源部署需要根據作戰意圖、任務、敵情和地形確定,不同的因素對于問題的重要性不均勻,機械的量化會導致模型與實際情形的差異較大,對于實際作戰無指導意義.在實際的進攻部署中,需要劃分戰場和方向,每個方向包括多個不同的作戰單位,不同的單位有各自的任務和目的,而在防御部署中,同樣要在各個戰場構建多道防線,防線間還有預備隊等替補集團.

在考慮防空部署問題上,邢清華提出了掩護價值的概念[39],即掩護能力和保衛目標重要程度的綜合度量,利用其作為優化指標,采用啟發式算法,優化得到模型的解,并在實際應用中驗證了可行性.劉健提出了部署方案相似度的概念[40],在資源部署過程中,優化過程極其困難,同時暴力搜素也是不現實的,通過相似度概念,可以通過少量的計算,實現目標明確的優化資源部署.此外,文獻[41?42]同樣考慮了防空導彈的部署問題,但是分別使用了模擬退火算法和進化算法對于優化問題進行求解.

3.2 作戰資源分配

根據已有資源的屬性不同,作戰資源分配問題可以分為傳感探測資源分配和武器資源分配,雖然在具體背景下的資源分配有差異,但是抽象到數學模型,在問題描述和求解上具有相似性,現有的研究集中于武器目標分配問題.隨著信息技術的高速發展,現代戰爭不斷向信息化,系統化發展,先進的傳感監測系統可以精準地探測到目標,現代化的武器能夠對目標進行準確的打擊,通信技術將不同的平臺、資源、信息連接在一起,在這樣的背景下,武器目標分配問題的求解變得尤為重要,對于制定正確的戰術戰略決策有著重大意義.

武器目標分配問題(Weapon target assignment,WTA)是多系統協同中的動態決策的主要問題,是軍事運籌學中一個經典的組合優化問題.通過有效的分配已有資源,對目標進行打擊,使得對敵方目標最大化損毀,或者保護己方重要設施,并且使用最小的作戰消耗.不同的優化目標之間往往不一致,甚至是相互矛盾的,需要權衡各個目標之間的相對重要性,選取合適的優化目標.WTA問題可以用數學中的多目標優化來描述,這是作戰資源分配的一個通用的決策模型.解決多目標優化問題的實質是在各個目標之間做取舍,權衡相對重要性進行折中處理.

武器目標分配問題根據不同的標準可以進行不同的分類,根據應用場景的不同可以分為防御性WTA和進攻性WTA.進攻性WTA以造成最大毀傷為目的,防御性WTA的目標為保護關鍵設施和防御資源.根據模型是否時變分為動態WTA和靜態WTA.當前的研究主要集中于靜態WTA問題.動態WTA包含不確定性和參數變化,問題的分析和求解較為困難.在文獻[43]中,作者總結了當前WTA問題研究的現狀,指出了在動態WTA問題的特征,目前的研究集中在靜態WTA上,同時指出只有規模小的問題被很好地解決,而大規模問題目前沒有好的解決方案.

在文獻[44]中,Lloyd等已經證明了目標武器分配問題為NP完全問題.文獻[45]中使用大規模鄰域搜索的方法進行WTA問題求解,在可行解中求取最優的結果,雖然得到了準確的解,但是計算的時間和空間復雜度較大,文獻[46]給出了改進的大范圍鄰域搜索的方法,但是當維度增加,搜索空間變大后,無法得到性能良好的解決方法.隨著研究的深入各類智能優化算法表現良好,其中進化算法成為了研究的熱門,進化算法是一種隨機優化方法,該方法被證明了可以用于單目標優化,又可以用于多目標優化,算法對于待優化問題的連續性要求沒有傳統算法高,可以處理的目標函數和約束條件也更加寬泛.

文獻[47?51]分別在不同的背景下,使用遺傳算法,求解WTA問題,其中文獻[47]討論了在多層防御體系下的武器目標分配,在文獻[48?50]中考慮了不同情形下的防空防御問題,文獻[51]考慮了動態武器目標分配問題,利用元級控制過程控制算法的響應時間.文獻[45]同樣考慮了防空作戰指揮系統的WTA問題,采取了融合小生境技術及跨代基因選擇技術的改進的遺傳算法,取得了良好的求解效果.單獨使用遺傳算法和改進遺傳算法對與性能的提升有限,在原始的基于分解的多目標優化問題中,使用的是模擬二進制交叉和多項式變異算子,為了改進算法效果,將遺傳算法與其他智能優化算法融合,如蟻群算法[52]、粒子群算法[53]、模擬退火等.同樣是考慮在多層防御體系下的防空作戰,在文獻[54]中,將模擬退火和遺傳算法融合,模擬退火算法作為一種隨機啟發式優化算法,通常用于難以求解的組合優化問題,搜索近似最優解[55],先使用遺傳算法搜索到接近全局最大/最小值,然后使用模擬退火進一步優化結果,使得計算效率提高.文獻[56?58]將粒子群算法和遺傳算法融合,改善了單獨使用單一算法的性能.

3.3 多平臺協同控制

現代戰爭中,各個智能平臺將共同協作,收集信息,打擊目標,毀傷評估,而不是傳統的單一平臺指揮作戰,為滿足未來戰爭的需要,必須構建一體化智能作戰平臺,依靠群體優勢,利用異構協同作戰平臺,應對復雜的戰場環境.由于戰爭環境的變化迅速,充斥著隨機事件和人為因素,在惡劣的條件下,如果只考慮多智能平臺的穩定性,則系統無法滿足實際要求,無法適應多樣化的任務和復雜的環境.因此,必須要解決在任務與環境約束下的多平臺協同控制問題,以提高系統環境適應能力與復雜任務的完成能力.

3.3.1 連通性保持條件下的協同控制

在系統節點保持連通的情況下,如何進行協同控制是最近的研究熱點,研究人員從不同的角度進行分析.在文獻[59]中,通過給拓撲中的邊加上權值,保證拓撲連通,研究動態拓撲中的多智能體協同控制.同樣是在保證拓撲的連通性方面,文獻[60?61]使用了勢能函數的概念,特別地,連通度約束被轉化為每個節點運動的微分約束.在無線網絡約束下,Spanos等在[62]中提出了“幾何魯棒性問題”,文獻[63]使用圖的連通性,分析了閉環的多智能體運動規劃.

多智能體系統與圖論聯系緊密,圖論的相關理論可以用于多智能體系統的分析,將子系統看作節點,系統間的聯系看作邊,整個系統形成一個拓撲,很多研究分析了以拉普拉斯矩陣為基礎的代數特征,比如最小的非零特征值、譜半徑等,這些代數特征一定程度地反映了系統的連通特性.在文獻[64]中,考慮的情形是機場網絡的連通度最大化,即航班的增加和取消問題,提升機場運營效率.文獻[65]考慮的是二階積分器模型,給出了分布式的優化系統連通度的方法.Zavlanos等使用的是分布式次梯度優化的方法,優化目標仍然是增大化系統連通性[66].Mesbahi等假設兩個節點間的距離決定拓撲權重,考慮最優配置個體位置時,優化系統代數連通度,即最小的非零特征值[67?68].

在保證系統連通性的條件下,結合適當的協同控制策略,可以實現多種控制目標.Xiao考慮的是分布式平均一致性問題的優化,使用半正定規劃優化代數連通度,得到快速收斂的迭代方法[69].Cortes等則使用外心算法,使得每個節點的目標節點位于鄰居節點的交集中,利用局部信息,實現全局無分裂的群集行為[70].Schuresko等使用分布式的方法提取拓撲生成樹,在系統切換的過程中保持節點間的連通[71?72].

3.3.2 障礙物規避條件下的連通性保持

在真實的環境中,各個子系統所處的環境充滿著各類擾動,其中障礙物規避是必須考慮的實際問題.避障控制是一個非常關鍵的問題,障礙不僅是環境中可能出現的干擾節點運動的實例,也包含節點之間的相互規避,以免發生碰撞.

在文獻[73]中,Olfati-Saber給出了在自由空間中,存在障礙物的條件下分布式集群算法的設計和分析的理論框架,給出了三種具體的集群算法.除了勢函數,流函數也是目前的研究重點,其實質仍然是人工勢場函數的思想,但是借鑒了流體力學中的勢場區域概念,將每個節點看作是流體的一部分,構造復勢函數,得到平滑的控制規律.Waydo等借用水動力分析的概念,給出的流函數滿足拉普拉斯方程,給出了二維空間的導航函數[74].同樣是使用流函數,文獻[75]從將智能體視為不可壓縮的流體通過圓形障礙物擴展到多個障礙物,并包含編隊、風險管理,實現復雜環境下的路徑規劃問題.文獻[76]將人工勢函數和流函數結合,實現了穩定的集群運動,在保證系統動態的拓撲連通性的同時實現了避障.Daily等考慮了高速運動物體的路徑規劃,在復雜外形的障礙物情況下,其勢場為多個圓形勢場的加權平均[77].此外,針對無人機平臺的路徑規劃,在地形障礙和視為圓形雷達區域的影響下,將無人機的目的地視為端,推導出復雜的流函數[78?79].

3.3.3 基于事件驅動機制的協同控制

在實際的協同控制系統中,各個平臺之間通過網絡進行通信交換自身的局部信息.而在實際環境中,網絡帶寬通常有限,如何在盡量不降低系統總體控制性能的情況下,盡可能地降低通訊頻率是一個值得考慮的問題.事件驅動機制的提出在一定程度上解決了這個問題.所謂的事件驅動機制是指當某一預先設計好的事件(如平臺的狀態偏差超過某一個閾值等)發生時才執行一次操作(如信息傳輸等).基于事件驅動的控制方法在單個系統的控制中得到了廣泛應用[80?82].特別是,Astrom 等證明了對于一階隨機系統在滿足一定性能指標的前提下,事件驅動方法可以有效降低控制器的更新頻率[81].近年來,基于事件驅動機制的協同控制受到了廣泛的關注.現有文獻中事件驅動機制可以大體分為以下幾種:1)集中式事件驅動機制;2)分布式事件驅動機制;3)自驅動機制;4)邊驅動機制.文獻[83]分別提出了一類集中式事件驅動機制和一類分布式事件驅動機制,研究了基于上述驅動機制的一階多智能體系統一致性控制問題.集中式事件驅動機制中往往包含了系統中所有個體的信息,故在實際系統中,尤其是規模較大的系統中,很難實現.與之相比,分布式事件驅動機制中每個個體都有自己的驅動條件,且僅與自身狀態及其鄰居狀態有關.因此,分布式事件驅動機制更適用于大規模網絡化系統,具有更好的擴展性和魯棒性.文獻[83]提出的分布式事件驅動條件包含了其鄰居的當前時刻信息.這就意味著該機制中要求鄰居的狀態時刻可知,從而無法從本質上降低通訊頻率.為此,文獻[84]利用已知的鄰居信息代替當前的鄰居信息,提出了一種分布式的事件驅動機制,進一步降低了個體與其鄰居之間的通訊頻率.文獻[85]提出了一種利用預估器的分布式事件驅動策略,更進一步地降低了通訊次數,同時取得了良好的一致性控制效果.上述兩種事件驅動機制均需要單個平臺對自身的狀態進行實時監測以判斷是否滿足事件驅動條件,而在實際系統中這一要求往往不能實現.為此,文獻[86]考慮一種自驅動機制.在自驅動機制中,下一次的事件驅動時刻可以由系統根據當前狀態計算而得到,因引無需對自身狀態進行實際監測.在上述的驅動機制中,只要驅動條件滿足,所有的個體均向其鄰居發送信息.文獻[87]提出了一種基于邊信息的事件驅動機制.在該機制中每一條鏈接邊具有不同的驅動條件,當該條件滿足時,與該鏈接邊對應的兩個智能體之間傳送信息.在事件驅動的多平臺協同控制中,另一個比較重要的問題同排除Zeno現象.所謂的Zeno現象是指在有限時間內發生無限次驅動.該問題的主要研究思路是證明任意兩次驅動之間的間隔存在一個嚴格大于0的下界.

3.4 問題和展望

目前,協防布陣與火力分配優化主要存在如下問題.目前的研究主要集中在靜態WTA模型上,對于動態WTA模型的研究比較匱乏,動態與靜態分配相結合的研究則更少.文獻中現有的方法主要解決了小規模的WTA問題,對于較大規模的WTA分配問題還亟需高效,計算量更小的解決方法.現有WTA問題的研究基本沒有考慮分配中的不確定性因素.研究WTA問題需要研究作戰過程中的不確定性因素,這也是面向實際作戰的WTA問題求解的一個難點.同時,目前文獻中的WTA模型往往沒有考慮戰場環境的動態變化,使得模型的適用范圍不夠寬廣.此外,布陣與火力分配的結合也是一個非常具有挑戰性的研究方向,完善的布陣方法應當結合火力分配來對布陣效果進行評估,由此才能建立合理,精確的布陣方法.

在現有的研究中,通常人為地割裂拓撲連通性保持和分布式運動協同控制之間的聯系,往往片面強調連通性保持而忽視了具體控制任務的需求,缺乏將連通性作為約束條件,從而與具體的協同控制任務目標相結合的一體化綜合控制方案.此外,如何設計完全分布式的事件驅動機制以及相應的如何排除Zeno現象是一個值得探討的問題.此外,針對更一般的拓撲條件,如切換拓撲、時變拓撲等,設計事件驅動一致性協議也是非常具有挑戰性的研究課題.

4 故障診斷與健康管理

隨著陸用運動體系統的日益更新,高科技的不斷應用,系統的復雜度越來越高,不斷往集成化、智能化、高效化方向發展,對可靠性、維修與保障的要求也越來越高.同時維修費用所占的比重在陸用運動體系統全壽命周期費用中越來越大.因此,系統的健康狀況日益受到關注.維修方式從計劃性向高自適應性轉變.維修保障由傳統的故障后維修,計劃性維修向基于狀態維修、預測性維修、智能化維修方向發展[88].為了滿足系統維修保障的需求,綜合集成狀態監控、故障診斷、故障預測和健康評估成為一種必然趨勢,裝備健康管理(Equipment health management,EHM)成為研究的熱點.它對于提高陸用運動體系統的安全性、可靠性、維修性、降低全壽命周期經濟支出,實現自主維修、預知維修與智能化維修具有重要的意義[89].

陸用運動體系統的EHM技術主要包括狀態監控、故障診斷、故障預測、健康評估和決策調控等方面.EHM超出了傳統裝備監控和維修的范圍,將裝備納入到規范化、科學化和智能化的管理之中,因此EHM將維修和管理有機地結合在一起.

4.1 故障診斷和預測

隨著部隊對陸用運動體系統保障性要求的提高,對陸用運動體系統的故障診斷與預測技術提出了更高的要求.該方面的研究也越來越受到廣泛關注.

對陸用運動體系統的故障進行準確及時的預測,檢測與診斷,并進行及時維修是系統持續發揮戰斗力的重要保障,具有重要的軍事意義.同時,故障診斷和故障預測技術在陸用運動體系統維護中的使用能夠節省大量維修費用,對裝備的貯存、使用及維護具有顯著的經濟價值.目前故障診斷的主要方法可以分為三類:基于模型的方法、基于信號處理的方法和基于人工智能的方法.基于模型的故障診斷方法主要有狀態估計法、參數估計法和等價空間法.基于模型的故障診斷方法往往需要建立精確的數學模型.由于實際系統受到多種復雜因素的影響,建立其精確的數學模型往往是非常困難的,這也限制了這種方法的應用范圍.尤其是陸用運動體系統其所處的戰場環境非常復雜,其數學模型往往帶有很強的非線性和不確定性,建立其精確的數學模型難度非常大.故基于模型的故障診斷方法很難適用于陸用運動體系統的故障診斷.基于信號處理的方法利用信號模型,提取出信號特征,例如如頻率、方差、幅值等,然后對這些信號特征進行分析從而判斷出故障[90].基于信號處理的故障診斷方法主要包括測量系統輸入輸出法、信息匹配法、小波變換法等.陸用運動體系統日益復雜化,需要處理的信號數量較多且容易受干擾,因此該方法難以滿足實際要求.基于人工智能的故障診斷方法往往不依賴于精確的數學模型,通過學習、訓練、推理等方式對故障進行診斷與識別.基于人工智能的故障診斷方法比較適用于具有強非線性、強擾動、強耦合的復雜系統.因此,該方法可廣泛應用于陸用運動體系統的故障診斷.

故障預測技術,是一種建立在對系統的實時狀態進行監測,分析系統的發展趨勢以及對系統的故障進行預測的一種維修方法,相對于事后維修與計劃維修,它能夠使武器系統更為安全可靠地工作,節約大量資源,是武器裝備維修一個發展趨勢.目前文獻中主要有模型驅動、數據驅動、基于概率統計三種故障預測方法[91].

模型驅動方法的前提條件是系統的物理模型必須已知,基于故障演化機理模型預測部件的剩余壽命.模型驅動的方法主要包括:卡爾曼濾波、粒子濾波、基于知識的方法等[92].數據驅動的故障預測技術不需要系統的模型已知,但必須要求系統的定量數據可以獲得.該方法以采集到的數據為基礎應用各種數據處理手段對故障進行預測[93].數據驅動的方法主要包括:專家系統、神經網絡、灰色模型、其他人工智能方法等.基于概率統計的故障預測技術[94]的主要思想是從故障的歷史數據的統計特性角度對故障進行預測.基于概率統計的方法主要有:時間序列預測法、馬爾科夫模型、回歸預測法、支持向量機等.

4.2 健康評估和決策支持

為了監測陸用運動體系統的健康狀況,以避免突發系統失效,需要對系統的運行狀態進行準確地評估,然后根據評估結果制定合理的維修計劃.針對陸用運動體系統由于多種原因而產生的故障,可采用基于失效機理、專家經驗知識、數據信息等方法建立相應的健康評估模型.在此基礎上應用各種推理方法(如規則推理、模糊推理、專家系統、貝葉斯網絡等)判定陸用運動體系統的健康指數[95].健康指數是指陸用運動體系統處于健康狀態的程度,它可以由具體的數值表示.例如0表示系統處于完全故障狀態,1表示系統處于完全健康狀態.根據推理得到的系統的健康指數,可以判定出系統目前所處的健康水平,從而為安排維修,排除故障隱患提供一定的依據[96].一般來講,陸用運動體系統的健康程度總可以由相關監測參數信息反映.對得到的監測參數信息進行綜合處理便可以得到裝備健康水平[96].為此,文獻[95]提出了一種基于模糊層次分析法的監測參數選擇方法以及基于粗糙集合的裝備健康評估方法.在經典的層次分析法的基礎上引入了三角模糊數構造決斷矩陣,克服了評判的絕對性.利用粗糙集確定監測參數的權重,使得評估結果更加客觀.文獻[97]基于置信規則庫(Belief rule base,BRB)理論,同時利用半定量信息,建立了一種復雜機電系統健康評估模型.該模型綜合利用證據推理,差分進化等技術,使知識表達方式更接近實際,一定程度上解決了定性知識存在主觀性的問題.實驗結果表明該模型可以取得較高的評估精度.

在故障診斷與預測和健康評估的基礎上,綜合考慮系統中可利用的資源,利用計算機仿真,專家系統等技術建立陸用運動體系統健康決策支持系統是非常必要的.該系統能夠自動分析和識別系統中各位組成部分出現的健康問題,對系統的整體健康情況進行綜合評判,形成決策方案.利用該系統生成的決策方案,可以調配各種維修資源,相關的人力資源等,提高陸用運動體系統的健康管理水平和維護維修效率.

4.3 問題與展望

隨著陸用運動體系統集成化、綜合化、信息化水平的不斷提高以及計算機技術、通訊技術、網絡技術、人工智能技術、大數據技術等信息技術的飛速發展,陸用運動體系統的維修保障與健康管理系統朝著網絡化、智能化、高效化、集成化的方向發展[98].目前,陸用運動體系統健康管理的理論研究和實踐應用上還存在很大的差距,維修與保障缺乏準確性和時效性.因此需以故障診斷和預測技術為依托,建立合理的陸用運動體系統維護決策方案,改善和提高裝備健康管理的自動化水平.

5 結束語

在未來高技術戰爭的背景下,陸用運動體將會在更加復雜的戰場上承擔更復雜的任務,如持續控制地面戰場,防御空中來襲目標等,任務艱巨,使命重大.陸用運動體需要在未來變得更智能,更高效才能夠在未來戰場上殲敵制勝.本文從陸用運動體控制系統中的環境與態勢感知、火力控制與指揮控制、多平臺協同、維修保障與健康管理這4個方向闡述了面向未來、高智能的陸用運動體控制系統的基礎理論以及技術的發展現狀和趨勢.可以預見,未來軍事對抗的科技含量必將越來越高.它們在不斷給陸用運動體的控制系統設計帶來更多挑戰的同時,也同時推進控制技術水平的提高.