【AI+军事】《AI/ML在支持混合军事行动中情报和目标定位方面的优势和挑战》加拿大国防研究和发展部

2022 年 4 月 7 日 专知

导语：AI/ML在国防与安全中的应用是一大热点，本文原文来源于加拿大国防研究和发展部，其探讨了AI/ML 技术在混合军事行动中情报收集和目标定位方面的应用。专知特此做了中文编译，欢迎关注，完整中英文版请上专知网站(www.zhuanzhi.ai)查看！

摘要：

在快节奏的军事战术环境中，情报、监视和侦察(ISR)和目标定位要求正确的ISR和有效资源配置，以满足任务需求。考虑到任务的竞争性、资源的可用性、复杂性和约束的多样性，需要自动化和优化来为运作者提供合适的决策支持，以获得最佳的收集/火力计划，并提高速度和准确性。对ISR资源和影响的全面规划和协调的响应能力。此外，支持人工智能的目标识别以及态势理解，需要人工智能技术的组合以及对所有作战领域的考虑/协调，以充分支持决策者。

在本文中，一方面针对优化的收集计划/任务和武器目标分配提出了新颖的决策支持解决方案，另一方面针对目标分类/识别和多模态数据融合提出了 AI/ML 技术。在混合战争和多域作战的背景下，相关挑战得到了强调和暴露。

1.0 引言

人工智能包含一组技术，包括基于知识的系统、机器学习、计算智能、多智能体系统和自然语言处理，用于在复杂网络中的推理、学习、计划和行动方面模仿/超越人类-物理环境。人工智能 (AI) 和机器学习 (ML) 在过去十年的爆炸式增长主要是由于深度学习算法的结合、用于训练的大型数据集的可用性以及计算能力的提高和硬件设备的进步。通过使用深度学习，人工智能/机器学习已经在两个主要领域展示了显著的成果，即来自图像/视频、文本和声学等数据源的模式识别，以及寻找最佳解决方案的决策，特别是：

• 用于从图像或多感知数据、异常检测、生活模式等进行模式识别（例如对象、事件/活动的检测与识别）的机器学习方法，以及用于开源/社交媒体的信息提取、文本分析的自然语言处理;

• 使用强化学习和其他人工智能方法（例如进化算法）寻找支持决策（例如资源分配、路径规划）的最佳解决方案。

军事作战环境正在演变并变得更加复杂，涉及多个领域和参与者以及加速的节奏，这需要在军事过程的各个级别（规划、态势感知、决策支持）提供先进的自动化支持。在大型物理空间以及几个新兴领域（即网络、空间和信息）中进行管理。因此，现代作战越来越需要跨多领域的集体和协调行动，即传统的海陆空作战物理领域与信息、空间、网络空间、经济和社会领域，通过规划涉及一组异质的合作团队，在多个领域内和跨多个领域协调和传递动力学和非动力学效应。

AI/ML 越来越多地用于各种军事领域并支持各种流程，例如情报、监视和侦察 (ISR)、指挥和控制（观察/定向/决策/行动 - OODA 循环）或目标（例如查找、修复、跟踪、目标、参与、评估 - F2T2EA 流程）。特别是，AI/ML 技术为从异构来源收集 ISR 数据提供高级自动化支持，在目标检测/识别、多感知数据融合和基于物理的分析方面，支持 PED（过程、利用、传播）过程用于情报生产和态势理解以及动态战斗管理和响应的多模态传感器和人力资源。这些数据驱动和知识密集型的复杂过程，要求混合人工智能方法利用机器/深度学习、知识表示、逻辑/符号推理，并结合其他方法，进行低级到高级信息处理（情境理解、更高级别的融合）以及决策支持。在这种情况下，用于数据处理和决策支持的人工智能解决方案必须灵活，并能适应动态环境，从而实现集成的“传感器-决策者-行动”解决方案和适当的人机协作。

更准确地说，在我们的研究中，ISR 和目标流程受益于 AI 技术，可优化资源规划和各种多域资源的任务（即支持 ISR 的收集器/传感器任务，以及支持目标的效应器任务）。此外，支持人工智能的传感器能够在战术边缘进行目标检测和跟踪，并随着时间的推移在更高级别（使用适当的计算架构，例如雾/云计算）补充多传感器数据融合和数据分析。

虽然常规战争侧重于物理传感器/效应器和动力学效应以达到任务目标、混合和多域作战，但考虑其他领域，例如空间、网络和信息环境，在这些领域，人工智能/机器学习在谨慎管理时也具有巨大潜力，并实现与传统战争的协同运行。

在本文中，一方面提出了用于优化收集计划/任务和武器目标分配的新型决策支持解决方案，另一方面分别介绍了用于目标分类/识别和多模态数据融合的 AI/ML 技术。相关挑战在混合战、常规战、非常规战和网络战混合战的背景下得到突出和暴露。

本文的结构如下。在接下来的部分中，我们将介绍利用 AI/ML 技术支持 ISR 和定位的研究工作，在知识表示和推理方面支持资源任务匹配，多目标优化以搜索最佳集合/效应解决方案。此外，还介绍了用于自动目标识别的基于 AI/ML 的分类和融合技术，以支持增强的态势感知和目标定位。然后，我们描述了AI/ML 技术的优势和挑战，为后续扩展到多域和混合作战，以及人工智能操作性和军事环境中的用户接受度。

2.0 负责智能和定位的传感器和效应器

快节奏军事战术环境中的情报、监视和侦察 (ISR) 以及联合火力作战，需要适当的传感器和效应器分配来满足任务需求。鉴于高度紧张的任务和资源，以及在各种约束（成本、风险或通信）下的多个目标，需要自动化和优化来为作战员提供合适的决策支持，以便制定最佳收集/火力计划。

图1：连接传感器、效应器和C2

2.1 问题与框架

在 ISR 方面，给定一组加权的收集要求/任务请求，基本的收集任务分配问题包括将收集资源或代理（例如有人/无人自主系统）分配给任务，以在预定的时间范围内优化单个或多个目标（例如收集价值、服务水平、不确定性降低、能源消耗、成本）。问题输入和/或特征包括一组收集资源和支持资源（例如基站）、一些收集任务目标和一组约束。约束与任务、操作、收集器、支持资源、通信（间歇性联系、临时网络）、容量（能量、存储、带宽）、时间方面（任务时间窗口、设置、截止日期、工作周期）、资源/信息/通信-有界推理、行程和成本等相关。收集任务需求来自指挥官关键信息需求和先验态势知识（例如战场情报准备、ISR 图片）的优先情报需求。

图 2：通用资源-目标匹配、模拟和优化框架

2.2 资源-目标匹配

匹配过程通过考虑各种维度（称为多维过滤）（例如适用性、可达性、任务的时间和天气）的一系列分析来确定可以满足所需 ISR任务的资源（移动或固定）、及时性、地形和对手的脆弱性，以便产生可行的收集/行动机会。

匹配过程使用基于知识的推理方法，它利用全面的 ISR 领域本体和相关知识库 [3]，从 SAM 项目 [4] 和相关领域模型中扩展 ISR 本体。此外，TFAV 配对对应物利用了表征效应器（武器、弹药等）的域模型。

2.3 多目标优化

所提出的优化方法利用新的小型智能体图表示和具有反馈决策模型公式的新型近似开环（用于异步分配 n 个效应器以服务 m 个任务/目标），以优化集合/效应器任务，从而适应各种任务和时间范围内的资源容量限制。这旨在最大化收集/效应值，并在给定多个相互竞争的 ISR 请求和效应（要求开火）任务的情况下推荐最佳收集/开火选项。阶段性决策取决于传入请求、累积收集值、正在进行的资源承诺、剩余资源容量和前一阶段的计划执行反馈。

2.4 混合和多域作战的考虑

联合火力旨在尽可能高效和有效地整合所有类型的火力，以产生预期的效果，这意味着整合动态和非动态火力以实现对目标的预期致命和非致命效果。此外，多域作战包括在时间和空间上同步的所有五个作战域（空中、陆地、海洋、太空、网络）的火力，以实现互补效果。

因此，我们需要仔细分析所提出的目标方法在多域或混合作战背景下的适用性，用于目标开发、能力分析、部队分配和战斗评估，以及人工智能和适当技术的使用。

3.0 AI赋能目标识别

指挥和控制、情报或目标确定过程包括目标检测、识别，以支持战术图像编辑和态势感知，以采取适当的行动。特别是，武器-目标分配过程依赖于有关目标的信息以及对它们的预期影响来实现目标。

3.1 基于机载传感器的海上监视

海上监视的主要挑战之一是机载平台利用多感知来源自动识别目标，包括来自光电和红外相机的航拍图像、雷达数据等，使用 AI/ML 技术增强态势理解并减少认知过载人类分析师/操作员。

为此，我们研究了深度学习和卷积神经网络 (CNN) 的使用，它们为对象分类提供了非常好的结果，并测试了几种 CNN 架构。在这种情况下，迁移学习用于大型标记的预训练数据集，并使用针对此特定任务的海上船舶数据集对模型进行微调。与类似条件下的最新技术相比，对不同网络和配置的测试证明了良好的准确性结果 [13]。

3.2 AI/ML目标识别挑战

虽然自动目标识别是一个成熟的研究课题，但挑战仍然存在，正如近年来大量关于人工智能目标检测/识别/识别的文献所示。

尽管 AI/ML 在定义明确特征的目标分类方面表现良好，但在准确的目标识别和增强的态势感知方面仍然存在挑战和需要改进的地方。更重要的是，AI/ML 数据驱动方法需要获取足够种类和质量的数据集，以确保良好的代表性。缺乏军事目标的标记数据（图像或声学信号）和/或数据集中缺少类别代表了一个重大缺陷。增加数据集的一种有趣方法是使用先进的 3D 模型和模拟技术生成逼真的合成数据。这保证了为在操作环境中遇到的目标类型提供具有代表性和平衡良好的标记数据集。用于模型训练的真实和合成数据集的组合以及迁移学习技术提供了增强的分类输出。

4.0 人工智能对混合和多域作战的挑战

AI/ML 预计将成为未来冲突中的一项关键技术，并且在过去几年中，AI/ML 技术在网络或信息领域的使用显著增加。赛博战是多域作战和混合战的核心部分，但信息环境和网络空间将越来越容易受到攻击。作战领域有着强耦合的联系，仍有许多挑战和不确定性需要解决。下面报告了其中一些挑战。

集中/分布式处理。
对抗性机器学习。
可解释性。
混合AI。
AI可操作化。

5.0 结论

已经介绍了用于自动目标识别的代表性 AI/ML 应用程序以及寻找资源分配最佳解决方案的决策辅助。针对这个问题提出了足够灵活的 TIFAV 框架，可以扩展以支持混合/多域军事行动。这些研究工作与美国国防部联合全域指挥与控制 (JADC2) 倡议和相关工作相一致，特别是旨在加速在目标过程的多个阶段使用人工智能的美国陆军融合项目。

在设计可靠、强大和值得信赖的人工智能系统、决策者和作战人员的操作/部署和采用方面，仍然存在各种挑战。美国国家人工智能安全委员会 (NSCAI) 最近发布了一份最终报告 [19]，在这个方向上提供了一系列建议，特别是它提到需要开发和部署支持人工智能的网络防御和技术来对抗敌对信息操作。

此外，用于多域和混合作战的数据驱动的机器学习方法需要过多的训练资源，并且容易受到对抗性攻击（例如在计算机视觉或网络领域）。军事领域的复杂性，对多领域的考虑和混合战争的性质，需要实时态势感知以快速响应急迫的威胁，以及跨领域同步和动态适应变化的需要，要求通过结合人工智能技术和精心设计的最佳人机协作方式来提高自动化程度。

（中文版）专知便捷查看