人工智能技術在國外艦載武器系統中的應用淺析 *

張進，徐國亮 ，郭浩

（1. 北京理工大學 自動化學院，北京 100081；2. 江蘇自動化研究所，江蘇 連云港 222061）

0 引言

人工智能（artificial intelligence，AI）是研究用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的學科，它試圖了解智能的實質，實現對人的意識、思維的信息過程模擬，并研制出一種能以與人類智能相似的方式作出反應的機器。近年來，人工智能技術得到了迅猛發展，在諸多領域都得到了廣泛應用［1-3］，其中不乏艦載武器系統領域的相關研究［4］，但目前其研究成果都處于零散狀態，缺乏系統的歸納和總結。國內外艦載武器系統具有相同的架構，一般是由艦載火控系統和艦載武器組成，其中艦載火控系統是指裝載在艦艇上控制艦載武器對目標實施攻擊或攔截的火力控制系統，從功能系統上，艦載武器系統又可以分為探測識別功能系統、指揮控制功能系統及火力打擊功能系統［5］。

本文在充分調研國外文獻的基礎上，分別從艦載武器系統三大功能系統角度出發，闡述人工智能技術在其中的具體應用情況，以期為國內人工智能技術在艦載武器系統領域內的應用和發展提供一定的參考。

1 AI 技術在探測識別功能系統中的應用

探測識別功能系統主要負責艦載武器系統的敵對目標捕獲與識別，為指揮控制功能系統提供全局態勢和較為準確的目標信息。當前在探測識別功能系統中，目標識別與分類、雷達濾波、航跡關聯等方面都有AI 技術的相關應用。

1.1 目標識別與分類

2017 年以來，美國軍方一直在努力將人工智能整合到現有的偵察和目標識別系統中，例如Maven項目在伊拉克、阿富汗和敘利亞作戰中正式應用于探測和攻擊目標［6］。探測識別功能系統中一般包括雷達、光電、聲吶等目標探測跟蹤設備，探測跟蹤設備在識別目標過程中涉及特征提取、圖像處理、匹配分類等問題，而神經網絡、深度學習、支持向量機等人工智能技術對以上問題又有著出色的處理能力［7］，因此得到了有效應用。

2009 年，文獻［8］使用多層感知器反向傳播神經網絡對雷達原始信號進行特征提取，然后進行分類處理，結論表明，神經網絡可以有效地應用于雷達分類。2014 年，文獻［9］基于雷達獲取的運動學屬性，針對不同防空彈道導彈特征，利用神經網絡和隱馬爾可夫模型對彈道導彈進行動態分類，分類準確率在95%以上。2017 年，文獻［10］利用卷積神經網絡對聲吶圖像進行特征提取，然后利用人工標記數據訓練的支持向量機對水下UUV（unmanned underwater vehicle）進行分類，結果表明，與使用其他特征提取技術（例如定向梯度直方圖和局部二值算法）相比，深度學習特征提取技術目標識別和分類準確率更高。2020 年，文獻［11］基于Copula 統計多元建模方法和加權稀疏表示分類，提出了新的雷達圖像目標識別方法，相比于當前常見的其他識別算法，該算法具有更高的分類準確率。

1.2 跟蹤雷達濾波器

艦載跟蹤雷達最常用的目標跟蹤濾波器是基于數值方法的卡爾曼濾波器（Kalman filter，KF）或基于卡爾曼濾波改進的其他濾波器，例如擴展卡爾曼濾波器［4］，具體的濾波器原理和應用方法，可以參考文獻［12］。除數值方法外，人工神經網絡在目標跟蹤濾波器領域也取得了不少成果，例如，2008 年，文獻［13］比較了基于廣義回歸神經網絡（generalized regression neural network，GRNN）的神經網絡濾波器與傳統數值濾波器在實際雷達跟蹤中的應用效果，結果表明，基于GRNN 的神經網絡濾波器已經可以和傳統數值濾波器相媲美，但同時研究也發現，針對不同運動特征的目標，GRNN 的參數取值差異較大，因此后續又有研究提出了用于雷達和聲吶跟蹤的多模型神經過濾器。2012 年，文獻［14］基于GRNN 建立了多模型濾波器，多模型濾波器中由一些基本的神經濾波器組成，不同的神經網絡代表著不同的目標運動狀態。2018 年，文獻［15］對卡爾曼濾波器進行改進，提出了GRNN+KF 和GRNN+UKF*（unscented Kalman filter）2 種濾波器算法，以應對更為復雜情形下的跟蹤濾波問題。2021 年，俄羅斯等歐洲國家的超視距雷達正在應用人工智能進行賦能，支撐其對數百個各種類型的空中目標進行快速濾波和個體識別，并實現了對無人機等小型目標的自動探測與識別［6］。

1.3 航跡關聯

通常情況下，艦載武器系統需要配備不止一種探測跟蹤設備，當多種探測跟蹤設備同時探測到同一目標時，會出現多條航跡，但決策者只需要最正確的一條航跡，因此就涉及航跡關聯。航跡關聯最常見的解法是數值解法，但近年來也有嘗試使用神經網絡進行航跡關聯的研究。

2017 年，文獻［16］利用神經網絡方法將合成孔徑雷達與自動識別系統探測到的目標信息進行航跡融合，通過與數值方法的比較，表明神經網絡航跡關聯可以成為替代數值方法的有效途徑。2020年，文獻［17］提出了一種基于分布式概率最大似然估計的分布式航跡融合方法，并通過5 個傳感器的航跡融合實例，驗證了該算法在各種測量噪聲條件下的有效性。

通過以上分析可知，AI 技術在探測識別功能系統的應用主要集中于對目標的識別與分析上，但在實際作戰過程中，除了對目標進行準確識別和分類外，重點還需要對目標的來襲意圖進行判斷，尤其是當前聯合作戰已成為未來趨勢的背景下，空、海及水下等多域目標存在同時來襲的可能。來襲意圖判斷需要在態勢集成基礎上進行態勢理解，這也是未來研究需要重點突破的方面。

2 AI 技術在指揮控制功能系統中的應用

指揮控制功能系統主要負責對來襲目標進行威脅判斷，快速生成武器-目標打擊方案，并根據全局態勢的改變，不斷更新打擊方案。當前主要應用于輔助決策系統，包括其中的指控系統、威脅評估、目標分配等方面，都有AI 技術的相關應用。

2.1 輔助決策系統——指控系統

面對速度越來越快的飛機和導彈，留給艦載武器系統指揮決策的時間越來越短，為滿足現代戰爭對快速決策的需求，美國國防部高級研究計劃署于2007 年開啟了“深綠（darle green）”計劃，如圖1 所示。旨在將人機交互、語音識別、混合仿真等關鍵技術嵌入指揮控制系統，輔助指揮官快速準確地作出決策。迄今為止，“深綠”已經攻克了部分關鍵技術并取得了成果，例如軍事場景定義語言（military scenario definition language，MSDL）［18］、美國新一代計算機生成兵力系統——OneSAF 仿真系統等［19］。

圖1 “深綠”計劃結構概覽Fig. 1 Overview of “dark green” program structure

“深綠”計劃的核心技術基礎是MSDL，MSDL 旨在提供能夠被各種各樣計算機模擬接口所兼容的一個標準化結構，用于捕獲軍事場景中的復雜內容。2009 年，美國仿真互操作性標準組織（simulation interoperability standards organization，SISO），已經完成了軍事場景定義語言標準化工作的1.0版［18］。2010 年，文 獻［20］將 聯 盟 作 戰 管 理 語 言（coalition-battle management language，C-BML）集成到MSDL 中，實現了C4I 系統設備之間相互交流等軍事場景。2019 年，SISO 開發了指揮控制系統與仿真系統的互操作（C2SIM）標準，用于替代現有的MSDL和C-BML 標準，C2SIM 標準在兼 容MSDL 和C-BML標準的基礎上，可操作性更強，適用場景也更為廣泛［21］。

2021 年，洛克希德·馬丁公司、哈里斯公司和Alphabet 公司正在開發一種基于人-機混合智能的戰略指揮與作戰控制系統，在現實世界的戰爭中，除了傳統的指控任務外，該系統還被用于在無交互情況下實現自主指揮控制［6］。在指揮中心應用時，在決策層個別元素失效后能夠自動創建一個新的指揮節點，以保持其兵力的可管理性。與此同時，俄羅斯也正在開發新的基于人工智能的指控系統，通過在航空航天部隊、地面部隊和艦艇部隊之間，應用一套跨平臺的目指、火力和電子壓制手段的打擊鏈路閉合控制系統，協調組織軍種間合作，提高協同作戰能力［22］。

2.2 輔助決策系統——威脅評估

艦載武器系統面臨的是來自空中、水面、岸基及水下的多層次、多批次目標威脅，因此必須要對來襲的多批目標進行威脅評估，優先攻擊威脅程度大的目標，以最大化艦船生存概率。目前常見的威脅評估方法包括貝葉斯網絡、層次分析法、模糊集理論等［23-25］。

2008 年，文獻［23］基于貝葉斯網絡方法建立了威脅評估系統，該威脅評估系統可以處理參數觀測不完整時的情形。2015 年，文獻［24］利用模糊集理論對威脅評估進行了精準描述，并引入與目標威脅度相關的參數來提高算法精度，通過動態防空場景的應用，驗證了該威脅評估方法的正確性和可靠性。2020 年，文獻［25］利用深度學習計算雷達和光電等傳感器捕獲到目標的特性，并將這些特性作為參數輸入貝葉斯網絡中進行目標威脅評估，該方法最大的優勢是計算速度快且精度高。

總體而言，威脅評估方法首先都需要找到與目標威脅相關的若干參數作為算法輸入，然后不同算法通過內在機制對參數進行計算評估，最后得到該目標的威脅度。

2.3 輔助決策系統——目標分配

目標分配與威脅評估緊密相關，艦載武器系統一般配備了多種軟硬武器，各軟硬武器對目標的毀傷或拒止概率不一樣，威脅評估工作完成后，如何將敵對目標合理地分配給各軟硬武器，以最大化作戰效能，這其實是一個非線性整數規劃問題，近年來，被許多學者采用各種智能算法求解［26-28］。例如，文獻［26］利用遺傳算法或改進遺傳算法求解武器-目標分配問題，文獻［27］利用粒子群優化（particle swarm optimization，PSO）算法求解武器-目標分配問題，另外還有其他智能優化算法的應用等［28］。

通過以上分析可知，AI 技術在指揮控制功能系統中的應用主要集中于智能輔助與決策，智能輔助與決策的技術基礎是自然語言處理、語義理解以及決策規則數據庫。在實際作戰過程中，戰場態勢瞬息萬變，美國及俄羅斯等國家由于長期參與現代化局部戰爭，已經積累了豐富的實戰決策規則，這一點需要引起我們的重視。在缺乏實戰的情況下，應重點開展模擬實戰訓練等，以此積累豐富的實戰決策規則，智能輔助決策才能更好地發揮其作用。

3 AI 技術在火力打擊功能系統中的應用

火力打擊功能系統主要依據武器—目標打擊方案，對來襲目標進行有效打擊，摧毀目標。

3.1 彈道外推

彈道外推一般采用基于運動學建模法和基于動力學建模法。基于運動學建模法通常利用一段實測數據擬合多項式參數來外推彈道曲線，基于動力學建模法通過分析目標的運動和受力實際情況，建立微分方程求解彈道軌跡，以此外推彈丸落點［29］。但以上2 種方法求解較為復雜，國外有學者利用神經網絡、支持向量機等人工智能技術進行彈道外推，其目的在于提高彈道外推速度與精度。例如，文獻［30］為了預測彈丸落點，建立了一種基于多模型極大似然估計（multiple models-maximum likelihood estimate，MM-MLE）進行彈道外推的方法，并用蒙特卡羅模擬方法進行了驗證，結果表明該方法具有較高的落點預測準確率。

3.2 智能彈藥

20 世紀80 年代前，常見的引信可分為觸發引信、非觸發引信和時間引信3 種基本類型，此時的引信系統對目標的特征信息無法進行處理，沒有達到智能化程度。80 年代以后，隨著計算機技術、電子技術和數字技術的不斷發展，新型智能引信系統開始出現，例如基于微機電系統技術的智能侵徹引信，該引信采用單片微型計算機等處理器對獲取的信號進行處理，通過對比彈體侵徹過程中和預先設置的加速度值、目標侵徹層數、目標侵徹空穴數、目標侵徹深度值等信息，從而控制彈丸戰斗部的起爆時機。

近年來，以色列拉斐爾先進防御系統公司開發一了種現代智能彈藥，即Spice 250 精確制導防區外滑翔彈藥，該彈藥被放置在航空運載器的機翼下，它擁有75 kg 的彈頭［6］。由于部署了分離后機翼釋放裝置，可自主攻擊100 km 以內的目標。在訓練過程中，支持人工智能的光電瞄準器配備了移動或固定目標的三維圖像和軟件，可以檢測并決定是否與之交戰，根據給定標準選擇最佳攻擊目標。2019年，洛克希德·馬丁公司和雷神公司為美國研發了更復雜的智能彈藥，形成針對帶有多彈頭的洲際彈道導彈的對抗措施，利用發射井發射助推器，一個或多個配備智能制導系統的專用摧毀元件末端攔截空間目標。該彈藥經測試能夠成功攔截多彈頭洲際彈道導彈。與此同時，俄羅斯軍火制造商也在研究生產智能彈藥，已知應用包括“Krasnopol”型制導炮彈、多管導彈系統的遠程引信和帶有智能自導頭的巡航導彈等產品［22］。

通過以上分析可知，AI 技術在火力打擊功能系統中的應用主要集中于智能化彈藥方面，這將大大提高彈藥的毀傷概率，從而提升武器系統的作戰效能。2020 年，伊朗圣城旅司令蘇萊曼尼被刺殺事件，也證實了智能化彈藥可以與無人機圖像配準技術相結合，從而發揮更大的作用。通過將無人機實時獲取的圖像與衛星圖像進行配準，獲取目標的實時位置，為智能化彈藥提供精確目指，實現遠程精準打擊，這也將是未來重點研究方向。

4 其他應用

人工智能技術除了在艦載武器系統三大功能系統中有相關應用外，在整個艦載武器系統使用過程中，還存在著其他應用，例如武器系統故障診斷。

武器系統各分系統之間、分系統與各設備之間以及各設備之間存在著復雜的關系，當系統出現某一故障時，診斷過程往往比較復雜和困難。因此，近年來國外涌現了利用故障樹、專家系統等人工智能技術，用以輔助工程技術人員進行武器系統故障診斷的應用［31］。

另外，近年來隨著無人裝備的發展，無人機、無人艇及無人水下航行器都被應用到艦載武器系統中，用于豐富探測手段、擴大探測范圍、增強打擊能力等方面。現代攻擊型無人機XQ-58“女武神”，由美國Kratos Defense & Security Solutions 公司研發。據了解，該型無人機在2019—2020 年進行了相對成功的試驗，被定位為人類控制的戰斗機的“僚機”。同時，美國海軍正在研發一種大排量無人水下航行器，其自主航行至少為70 天，可獨立制導，避開各種障礙物并識別水下和水面目標。俄羅斯也在開發相關的跨域無人系統，包括用于偵察、巡邏、掃雷和火力支援的“Uran-9”和“Soratnik”陸基機器人設備、“Galtel”水下/海底探測系統、“獵人”攻擊型無人潛航器和“波塞冬”核動力的潛航器［6］。

5 分析與總結

5.1 應用總結

從以上分析可知，AI 技術在艦載武器系統三大功能系統都取得了有效應用，技術本身并無優劣勢差異，但應用側重點略有不同，整體概略表如表1所示。

表1 AI 技術在艦載武器系統中的應用概略表Table 1 Overview of application of AI technology in shipborne weapon system

AI 技術在探測識別功能系統應用的基礎技術主要包括圖像處理、分類識別以及關聯分析等，在指揮控制功能系統中應用的基礎技術主要包括自然語言處理、知識圖譜以及智能推薦等，在火力打擊功能系統中應用的基礎技術主要包括回歸分析、自適應算法等。

人工智能技術通過提升目標識別率、指揮控制效率以及彈藥毀傷概率等，有效提升了艦載武器系統整體作戰效能。

5.2 發展趨勢

美國將人工智能戰略作為美國國防戰略的一部分，并明確指出：未來人工智能“將改變社會，最終改變戰爭的性質”。俄羅斯也非常重視人工智能技術發展，第490 號俄羅斯總統令《2030 年前國家人工智能發展戰略》中給出了如下定義：“人工智能是一套能夠模仿人類認知功能（包括自我學習和沒有預定算法的方案搜索）的技術解決方案，在執行特定任務時獲得至少與人類智力相當的結果。”隨著人工智能技術的不斷深入，其在艦載武器系統中將呈現以下幾點發展趨勢：

（1） 深化信息融合

隨著美國海軍體系化發展思路，艦載武器系統將會逐步融入更多體系中，所獲取的傳感器資源也會越來越多。人工智能技術將會在信息融合領域進一步深化應用，為艦載武器系統提供更為準確、更為連續的目標特征信息。

（2） 加強數據利用

數據對于掌握戰場態勢、有效指揮決策至關重要，艦載武器系統中也存在著大量有價值的數據，但目前尚未被利用，相信在可預見的未來，人工智能技術將會挖掘價值數據，實現數據的按需服務，讓數據“說話”，助力艦載武器系統的發展。

（3） 智慧健康管理

目前，利用專家系統實現裝備的診斷、預測、評估、決策等任務仍是主要模式，專家系統可有效解決時空障礙等問題，但沒有充分利用大量的現場數據等有效信息，因而無法實現智能預測等功能。近年來，智慧健康管理、智能客服等技術發展迅速，憑借其細粒度知識管理模式、良好智能交互過程以及多渠道接入方式，被普遍應用于各行業的產品咨詢、售后服務以及統計分析等當中，專家系統和智能客服技術的有效結合，將會是發展趨勢之一。

（4） 可解釋性研究

當前的人工智能技術，存在“黑盒子”效應，無法徹底解釋其中的原理，也很難進行重構，這在軍事應用中將削弱其可靠性，未來將進一步研究人工智能技術的可解釋性，從而提高其可靠性。

6 結束語

本文通過充分調研人工智能技術在國外艦載武器系統中的應用現狀，證明人工智能技術已經逐步應用到了艦載武器系統各個領域內，而且都取得了一定的成果，是助推國外艦載武器系統技術發展的又一大新動力。隨著人工智能的不斷突破，其在艦載武器系統中的應用將會越來越廣泛和深入，需要不斷地跟進和研究。