《基于人工智能的多域作战任务调度系统》报告

无人系统在各领域的日益融合正在重塑军事行动，从规划到任务执行。北约在训练演习中展示出兴趣，其中混合有人-无人团队的同步至关重要。STAR是一个人工智能驱动的任务工具，旨在在有人和无人系统间分配任务，支持协调多域作战的规划、任务分配、协调和执行。STAR集成了多模态数据，执行能力评估，并向具有人工监督的指挥控制系统提供基于人工智能的任务分配建议。通过如Unreal Engine、Cesium三维地理空间建模和JSBSim飞行动力学等建模与仿真环境，STAR能够实现高保真度的任务执行，包括模拟代表性有人和无人载具及其适当的资产和基于人工智能的能力，应用于诸如水下保护、海陆空作战或搜救等逼真场景。STAR实现了人机交互，同时允许C2操作员验证或否决任务分配建议。STAR通过使用机器学习模型实现了高达89%的任务分配准确率，显示出提高任务准备状态，并增强联合多域作战中的协调、互操作性和效果同步的潜力。

多域作战中的有人-无人协同

有人-无人协同是指自主无人系统与人类协同进行的协调行动。它通过新的角色、权限、结构、学习、协调和任务分配流程，重新定义了团队动态。它允许将具有不同类型能力、知识和相互依赖性的多智能体团队跨领域结合，以执行多样化任务。MUM-T可以增强团队能力，创造力量倍增器，最大限度地降低作战中的人员风险和部署成本，同时实现协同学习能力。在下一节中，我们将讨论使MUM-T具有挑战性的一些要素，以及人工智能和建模与仿真如何帮助解决这些问题。

自主与无人智能体

美国国家标准与技术研究院将无人系统的自主性定义为其感知、认知、分析、通信、规划、决策和执行任务以实现特定目标的能力，通常只需很少或无需人工干预。自主性通过“人类独立性”和“情境自主能力”来分类，后者考虑了任务类型、环境以及允许的人类参与程度[3]。在实践中，自主操作使无人系统能够执行人类操作员或其他系统分配的任务，集成了导航、目标锁定和避障等能力。然而，重要的是要注意，认为无人系统能完全取代人类——无论是在达成相同任务成果还是减少伤亡方面——的想法过于简单化了。与人类不同，无人系统缺乏动态和不可预测的战斗场景所需的灵活性和适应性[3]。广义上讲，无人系统被定义为无随车操作员的动力平台，其依靠外部控制单元、计算机和通信系统来接收命令、收集数据和执行任务[3]。例子包括无人地面车辆、无人驾驶航空器、无人水面艇、无人水下航行器、无人值守弹药和无人值守地面传感器。这些正日益成为从军事行动到环境监测等各种应用中不可或缺的组成部分。这些系统通常配备了广泛的复杂自主能力，使其能够执行诸如目标识别、探测和跟踪等复杂任务。实现这些功能的一项关键技术是计算机视觉，其中YOLO和卷积神经网络等算法被广泛用于实时物体识别和场景理解。除了视觉处理，这些系统还依赖自主导航、路径规划和任务执行，通常采用深度强化学习或优化算法等先进技术。这些方法使系统能够从动态环境中学习，在不确定或不可预测的场景中做出决策，并通过与周围环境的互动不断改进。然而，这些能力需要大量的数据用于训练和验证，以及大量的计算资源来处理和分析数据。为了缓解现实世界测试的挑战并提高团队战备水平，这些系统通常在模拟环境中进行初步训练和评估。

MUM-T中用于决策支持的人工智能

人工智能在战术层面的战场上应用日益受到关注。在军事行动的战役和战略层面，人工智能极大地支持了数据分析和规划工作。其处理海量信息的能力使人工智能能够协助决策，例如兵力部署和选择最能有效推进战略目标的计划。这表明人工智能未来在高层军事决策中有潜力发挥更大作用。虽然人工智能尚未在此能力上广泛部署，但某些系统在战术层面已展现出优于人类军事人员的性能，这表明人工智能未来在战略军事决策中的参与有巨大潜力。人工智能能够在短时间内综合大量数据，这可能有助于应对人类生理局限。这些系统采用人工智能驱动的目标锁定和控制机制，能够在几分之一秒内处理信息和执行行动。在应对快速出现的威胁（例如高超音速导弹，其响应窗口极为有限）时，人工智能同样可以应用于决策支持，尽管目前尚不知晓存在此类防御系统。战场上自主武器的日益增多突显了人工智能的战术意义，因为其在动态战斗场景中的速度和响应能力可以提供相对于传统系统的决定性优势。在包括战役和战略规划在内的更高层级的战争中，人工智能对数据分析和决策支持贡献巨大。其处理大量信息的能力使其能够为诸如兵力部署和选择最能推进战略目标的计划等决策提供依据。它可以帮助解决诸如“何处投入兵力、何种计划最接近战略目标”等难题。因此，这可以在任务期间协助支持军事决策流程，以便根据持续的数据流、MUM-T能力的动态变化以及态势感知来重新调整行动方案。

与自主资源共享任务（STAR）

STAR旨在促进任务三个阶段的决策制定OODA循环：i) 任务预操作阶段——通过支持兵棋推演仿真，并根据“如果-那么”想定确定最佳行动方案；ii) 任务执行阶段——由于任务前给出的计划和命令常因事态变化而改变，它可以帮助支持围绕动态任务分配的决策；iii) STAR也可帮助支持事后分析，以更好地准备和支持未来任务，帮助评估每个智能体执行其任务和职责的能力现状，并可用于通过建模与仿真来校准人类和自主智能体的训练/表现。STAR能够提供一个可接入仿真器的系统，从而促进部队战备状态，该系统有助于生成并部署任务行动、启动团队，并在接收关于有人-无人协同任务分配的人工智能建议的同时，测试和评估不同策略。STAR由多个组件构成，其描述见2.1节。介绍的三个主要模块是：i) 多模态管道；ii) 能力评估；iii) 动态任务分配模块。这三个模块中的每一个都可以接收来自仿真和建模数据的输入，这使得系统能够在感兴趣的特定用例上进行测试，并有助于收集数据以及了解每个有人或无人智能体在任务中可能行为的潜在洞察。