无人作战平台因其成本低廉、行动范围广、可生产性高、隐蔽性好、避免人员伤亡等优势,将在未来战场扮演越来越重要的角色。世界军事强国纷纷投入巨额资源加大无人装备研发,无人机、无人艇、无人潜航器等无人装备初具实战能力,并在纳卡冲突、俄乌冲突等局部战争中得到应用,取得了一系列战果[1-3]。
无人化作战是未来军事发展的重要趋势。作为一种新型军事力量,无人系统关键技术例如无人通信测控技术、无人图像智能识别技术、无人自主规划控制技术等迅猛发展,初步具备实战能力。同时,为了适应未来无人智能作战需求,无人系统通过“通用平台”+“模块化任务载荷”发展方式,大大拓展了无人集群多样化任务执行能力,从传统的广域监视、中继通信、补给运输等单一任务向察打一体、通探一体、反舰、反水雷等综合攻防任务发展[4]。
相比传统造价昂贵、对人员技能要求高的大型舰船、飞机等平台,无人集群作战具有规模作战优势、体系生存率高、作战成本低等非对称优势,已成为无人作战平台发展趋势。在未来海战场应用背景中,无人平台将体现出多平台协同工作的特点,即由多台相同或不同型号的无人平台组成多无人系统,协同作业、共同完成任务[5]。
现代战争中,对于火力的需求不再简单地指火力密度和速度,而更是指火力的及时性、精确性和高效性。随着无人作战系统的发展,研究能够适应未来战争发展的无人集群火力控制体系和协同要素已成为重中之重。
1 无人作战系统内涵及其分类 1.1 无人系统的内涵无人系统是和有人系统对应的一个概念。目前定义的无人系统实际上应该被称为无人化系统,更准确地讲是平台无人化的系统。目前无人系统的概念还在不断拓展,还没有一个公认的、标准定义。美军在2013年公布的无人系统发展综合路线图中,将空中无人系统、地面无人系统和海洋无人系统统称为无人系统,并分别给出了定义。美国国防部无人系统综合路线图(2017–2042)将无人系统重点发展方向分为互操作性、自主性、安全网络、人机协同4个主题,其中,明确了形成有人无人协同作战能力是未来重要发展目标之一。2021年美海军发布了《无人作战框架》,提出了无人系统发展的五大目标,将无人系统发展分为人工操作(Human Operated)、远程操作(Remote Operated)、人工监督(Human Supervised)、人工-机器编组(Human-Machine Teaming)、自主操作(Near-Independent Autonomy)5个阶段,并明确了具体发展内容和目标。随着无人系统与智能技术的深度结合,无人系统将向无人化、自主化、智能化高速发展[6-7]。
1.2 无人系统的分级根据自主完成任务的能力,可以把无人系统分为初级、中级、高级和超级4个级别。
1)初级无人系统
主要以传统的无人平台远程遥控方式为主,即“平台无人、系统有人”。无人平台具有一定的感知、处理和执行能力,具备与操作员的交互能力,但不具备决策和学习能力。由人设定任务目的并操控完成任务,典型代表为无人机。
2)中级无人系统
主要以人工远程控制监督+单平台自主感知执行结合方式,其中,平台的任务规划、任务执行、状态控制、火力打击等由人工远程控制与监督,而平台具有初级的自主感知、自主识别、自主避障等功能,能自主完成特定的任务。典型代表为无人驾驶车辆,驾驶员输入目的地,并全程监督车辆行驶,必要时人工干预;无人车则自主识别人、道路和车辆,规划行进路线,自主避障避险。
3)高级无人系统
主要以人工远程监督+多平台集群自主控制为主,无人系统具备一定程度智能水平,能够根据人工预设的任务要求、角色定位、职责分工,多机协同自主完成队形变换、战场侦察、目标识别、火力打击、效果评估等工作。操纵人员需要在远程实时监控无人集群行为,并针对突发事件及时干预修正无人集群行为,典型代表为无人机群。
4)超级无人系统
主要以多平台集群自主控制为主,以人工监督干预为辅。此时,无人系统已具备强大的自主学习进化能力,已经具备自主感知、交互、决策、学习和执行能力,面对各种突发情况时分析决策能力已超过人类水平,形成了类人甚至超人的无机生命,典型代表为科幻的未来无人系统。
本文所研究的无人作战系统是指高级的,用于作战的无人系统。
2 火力协同控制体系架构系统体系架构是复杂系统在其所处环境中的最高层次,是系统组成要素及其相互联系与互操作性的综合模型,也是系统设计的观念与原则的总纲[8]。结合无人装备的发展,以“有人/无人平台协同作战正在成为现代作战的主要模式”为基础。无人作战系统协同火控系统包含了有人、无人、指挥、协同、理解、决策、数据传输与信息共享等要素,适应有人/无人武器系统的协同管控,如图1所示。
火力协同体系架构是一个由有人干预与无人平台节点组成的多层、多维体系结构,在组成配置上包含无人平台上的感知资源和计算资源、通信链路、系统控制任务组,以及作战管理中的部分。
在较低的层次上(资源层),这些无人平台节点所包含的资源生成了面向协同动作的反应式行为;在中间层上(任务层),人工干预或自主分解战术级作战任务,形成一系列可用于无人系统实际操作的协同指令和控制指令;在作战应用层次上(作战管理层),整个系统在人机交互作用下产生了面向有人/无人作战集群战役级作战任务目标分解,形成一系列战术级作战任务。通过构建无人系统层次化火力协同架构,在上下层次之间,实现不同指挥层级无人系统的兵力协同、侦察协同、火力协同等作战任务分解。在同一层次之间,实现同一指挥层级无人系统感知、认知、想象、推理等行为协同。在低层上,侧重于实时作战行动控制,时间片小(数分钟至数小时之间)且行为控制精度要求高;反之,在高层上,侧重于战役战术级作战筹划与指挥决策,时间片长(数小时至数天之间)且行为控制精度要求低。通过分层次分解,将“指挥”与“控制”分开,指挥层级更侧重于全局性作战筹划,控制层级更侧重于局部兵力与武器装备控制。
在任务组各平台能力均衡情况下,每个任务组的无人平台采用无中心分布式架构,如图2所示。每个无人平台(节点)采用对等的网络架构,各节点具备完整的自主规划、定位导航、目标探测、指挥控制、武器打击能力,通过通信技术,形成节点对等、无中心、具有自组织能力的无人集群系统。
火力协同系统的组成要素,是指在单个有人舰艇平台火控系统基础上,根据目标杀伤网高精度、低时延等快速响应需求,将多平台感知资源、数据链、指挥控制资源、火力资源等高效组织运用,形成网链式、响应式动态协同控制模式,提升无人化、分布式、智能化目标打击效能。而这些要素基于上述火力协同体系结构与传统的火控系统融合在一起,火力协同系统的组成要素如图3所示。
感知资源主要为无人平台携带的各种用于探测目标的传感器,无人平台包括海上各型无人艇和无人机。
数据链是火力协同系统的实现保证,具有动态和无线自组织网络特性。根据火力打击时效性要求,需要高带宽、高速率、低延迟的专用武器协同链、情报侦察链、指挥控制链,同时,针对反电子侦察、反电子干扰等要求,各类数据链应以定向波束、高频率、低功耗通信设备为主。
指挥控制是火力协同系统的逻辑指挥中心,由平台信息融合功能模块、任务分配、决策等模块组成。在战斗编组中,每个平台的逻辑指挥中心可形成相同的融合信息、统一的战斗态势图。武器平台将按照指挥控制中的“智能决策”输出的火力分配结果对敌方目标进行协作打击,同时,武器平台作为“神经末梢”,将向“指挥控制”实时上报在平台上探测并处理后的敌方目标等作战信息,供逻辑指挥中心进行战斗信息融合和战斗任务决策。
同步控制是火力协同系统的核心组成部分,由多平台协同管理与逻辑控制模块和实施数据分发中间件组成。各平台武器的同步控制模型相同,每一个平台根据接收到的一致的协调控制指令,按对本平台要求的指令,执行分配给本平台的任务。
人机交互是火力协同系统的重要组成部分,无人平台控制系统通过良好的人机交互接口为人员提供无人平台的控制功能,并能够实时监控无人平台各种类型传感器反馈信息(位置、速度、方位等),使得人员能够及时装完无人平台的工作状态,为人员顺利完成任务提供支持。
4 火力协同的指挥控制机制和任务模式 4.1 指挥控制机制协同指挥平台对任务平台的指挥控制采用OODA循环理论。在作战过程中,作战管理中心收集各无人作战系统上报的战场空间的观察信息(O),进行态势感知,形成战场判断(O),结合作战任务进行指挥协调和任务分配决策(D),将分配的子任务下发到各无人作战系统任务组执行(A),形成整个有人、有人带无人、无人武器系统作战分队的大OODA循环。同时,各无人作战系统按照子任务完成任务组的组建,在任务组中针对受领的子任务,进行局部战场细化观察(O)、战场态势判断(O),进行临机“局部决策”(D)与优化调整,将子任务智能分配为各平台执行的元任务,控制各平台协同执行(A),形成任务组内的小OODA。
4.2 协同任务模式按照新一代装备的特点,结合各平台承载的能力,体系内各不同平台相互之间组合主要分2类:有人平台协同、无人平台自主协同。
有人无人平台协同火力控制模式主要解决利用无人平台上的探测、火力资源,辅助有人平台进行各项作战任务的问题,通过有人平台人工操控和网络化火力资源控制,完成有人/无人平台间的信息共享和火力协作运用。
无人平台自主协同火力控制模式是一种远期的作战模式,主要解决利用多个无人平台(空中/海面)上的探测、火力资源,通过自主协同决策和火力资源控制,完成多无人平台间的探测信息共享、信息中继、行动引导和火力协作运用等问题。表1为几种典型协作任务模式,还可以不断发展其他模式。
作为海战场的主要力量,无人系统火力协同更依赖于网络信息体系保障支撑,无人信息系统构建技术、无中心式自主规划与协同任务优化技术、协同一致性控制技术等关键技术亟待攻关提高[9]。为了实现无人作战系统的火力协同,必须实现各系统之间的信息和资源共享,故其网络化资源的作战管理与无中心的自主规划与一致性控制尤其关键,其多变性和复杂性带来了一系列必须解决的技术问题,如信息系统构建、无中心自主规划、协同一致性控制等。
5.1 信息系统构建技术海上无人系统行动因各类平台能力特点的限制,易受到通信能力与条件、环境因素影响、无人平台与其携载载荷、不确定性感知环境、突发性兵力故障与战损等方面因素制约。为了提高海上无人作战系统在对抗条件下的生存力、灵活性与综合作战能力,需要研究与构建多种基于对抗条件的分布式智能信息处理架构,在此基础上开展无人系统联合作战的兵力配置和使用时机、基于能力与环境变换的自适应角色分配、通信传输能力与兵力行动自适应匹配、基于无人蜂群多约束条件的自协同控制等技术研究,构建系统作战应用模式与系统信息架构的关联映射关系,形成无人系统跨平台资源互操作能力,实现无人系统资源间远程调用、复用与融合,提升无人集群多任务的支持和处理流程自适应优化。
5.2 无中心式自主规划与协同任务优化技术基于无人集群网络自组织特性下无中心式信息处理与服务方法,构建面向群体智能与多智能体分布式自动规划为理论的无人集群自主协同优化技术,形成复杂环境下无人系统无中心式协同规划与智能控制技术,提升异构无人集群在复杂对抗环境下自适应协同感知、主动式任务加载、行为自主规划与突发态势下的快速重规划能力。
5.3 协同一致性控制技术除了满足复杂战场环境中的规划实时性、避障能力、安全性指标和动力约束处理之外,还需要解决不同作战单元之间同时抵达或者依次抵达目的地的时间协同问题、不同作战单元从不同指定方位抵达目标的空间协同问题、不同作战单元作战载荷使用和信息协同等问题,满足有人/无人系统在空间、时间、信息上的战术协调一致关系,检测和消解有人/无人系统航路之间可能存在的碰撞冲突,使有人/无人系统协同作战效能最大化。
6 结 语随着人工智能技术和无人技术的发展,战争已逐渐出现无人化趋势。美国国防部无人系统综合路线图(2017–2042)提出的远景是“无人系统与有人系统无缝衔接,从而减少伤亡风险和压缩作战人员的决策过程”。本文基于这一需求,对无人作战系统协同火控体系进行了初步研究,提出了多域无人集群火力打击层次化指挥控制与多要素任务协同模式,对提升未来海上无人集群作战能力和战场生存能力提供技术支撑。
[1] |
李风雷, 卢昊, 宋闯. 智能化战争与无人系统技术的发展[J]. 无人系统技术, 2018(2): 14-20. LI Fenglei, LU Hao, SONG Chuang. Development of intelligent warfare and unmanned system technologhy[J]. Unmanned Systems Technology, 2018(2): 14-20. |
[2] |
高杨, 李东生, 程泽新. 无人机分布式集群态势感知模型研究[J]. 电子与信息学报, 2018, 40(6): 1271-1275. GAO Yang, LI Dongsheng, Cheng Zexin. UAV distributed swarm situation awareness model[J]. Journal of Electronics & Information Technology, 2018, 40(6): 1271-1275. |
[3] |
张婷婷, 宋爱国, 蓝羽石. 集群无人系统自适应结构建模与预测[J]. 中国科学:信息科学, 2020, 50(3): 347-362. ZHANG Tingting, SONG Aiguo, LAN Yushi. Adaptive structure modeling and prediction for swarm unmanned system[J]. Science in China(Information Sciences), 2020, 50(3): 347-362. |
[4] |
孙佳琛, 王金龙, 陈瑾. 群体智能协同通信: 愿景、模型和关键技术[J]. 中国科学:信息科学, 2020, 50(3): 307-317. Sun Jiachen, Wang Jinlong, Chen Jin. Cooperative communication based on swarm intelligence: vision, model, and key technology[J]. Science in China(Information Sciences), 2020, 50(3): 307-317. |
[5] |
王中许, 张学彪, 盛安冬. 基于分布式节点的火控体系研究[J]. 兵工学报, 2005, 26(5): 638-640. WANG Zhongxu, ZHANG Xuebiao, SHENG Andong. Research on Fire-control System Based on Distributed Nodes[J]. Acta Armamentarii, 2005, 26(5): 638-640. DOI:10.3321/j.issn:1000-1093.2005.05.014 |
[6] |
冯振宇, 彭倍, 王刚. 基于图神经网络技术的水下无人系统智能决策研究[J]. 舰船科学技术, 2020, 23(3): 63-66. FENG Zhenyu, PENG Bei, WANG Gang. Research on intelligent decision making of underwater unmanned system based on graph neural network technology[J]. Ship Science and Technology, 2020, 23(3): 63-66. DOI:10.3404/j.issn.1672-7649.2020.03.013 |
[7] |
田菁, 陈岩, 沈林成. 不确定环境中多无人机协同搜索算法[J]. 电子与信息学报, 2007, 29(10): 2325-2328. Tian Jing, Chen Yan, Shen Lincheng. Cooperative search algorithm for multi-UAVs in uncertainty environment[J]. Journal of Electronics & Information Technology, 2007, 29(10): 2325-2328. |
[8] |
彭辉, 沈林成, 朱华勇. 基于分布式模型预测控制的多UAV协同区域搜索[J]. 航空学报, 2010, 31(3): 593-596. PENG Hui, SHEN Lincheng, ZHU Huayong. Multiple UAV cooperative area search based on distributed model predictive control[J]. Acta Aeronautica ET Astronautica Sinica, 2010, 31(3): 593-596. |
[9] |
孙海波, 周锐, 邹丽. 通信和测量受限条件下异构多UAV分布式协同目标跟踪方法[J]. 航空学报, 2011, 32(2): 299-310. SUN Haibo, ZHOU Rui, ZHOU Li. Distributed cooperation target tracking for heterogeneous multi-UAV under communication and measurement constraints[J]. Acta Aeronautica ET Astronautica Sinica, 2011, 32(2): 299-310. |