《生成可解释军事行动方案（COA）》

制定行动方案（COA）是军事决策过程中的一个重要步骤。在陆地作战中，这是一个人工的、创造性的过程，指挥官及其参谋人员在整个过程中要考虑许多因素，如任务、地形和天气、条令、威胁能力和自身能力。这种手工流程的缺点是无法考虑太多因素，参与的参谋人员数量较多，而且很难对主要行动方案进行评估。新的（基于人工智能的）技术可以克服这些缺点，并在实施后可作为战术决策辅助工具。本文介绍了一项研究成果，在为陆地行动提供自动战术决策支持工具方面迈出了一步。对于连级的单一 SEIZE 任务，根据条令模板，使用遗传算法根据模拟效果选择和优化 COA。通过将（遗传算法）优化过程中模拟运行的各个结果与地形的战术特征联系起来，初步阐明了生成的行动方案。

图 1. 四种不同军事决策过程的比较

制定行动方案（COA）是陆地作战军事决策过程中的关键步骤。制定行动方案过程的步骤包括生成可能的行动方案、根据指挥官给出的标准对行动方案进行评估，以及从所有生成的行动方案中选择一个作为命令的行动方案。这是一个人工的、创造性的过程，指挥官及其参谋要考虑许多因素。人工遵循这种流程的好处是，计划人员还能将预见的任务内化，从而更有能力适应新情况。不过，这种手工流程也有缺点，如无法考虑所有可能性、涉及的人员数量多、所需时间长以及难以评估主要行动方案。新技术，如基于人工智能的规划技术和作战模拟，可以克服这一缺点，并提供决策支持工具，通过考虑各种可能性并建议系统认为具有高潜力的可能性，来促进这一人工流程。

有了这种决策支持工具，指挥官就有可能无法完全理解所建议的任务和计划的动机和细节。因此，必须特别注意对自动生成的计划进行解释。因此，我们将深入探讨（人工智能）自动化如何支持行动方案的制定，以及如何以军事规划流程参与者可理解和熟悉的方式解释所选的行动方案。

作为向通用战术决策辅助工具迈出的第一步，本文针对一个特定的使用案例进行了探索性研究。所选场景是一个连级任务，原则上可由机器人自主系统（RAS）部队执行。规划过程中选择了 “SEIZE ”任务，北约将其定义为 “清除指定区域并取得控制权”。根据领域知识中的 “条令模板 ”选择了通用 COA。利用遗传算法（GA） 从具体路线和阶段划分方面对选定的 COA 进行了优化，该算法通过任务模拟对 COA 的实施进行评估。对所评估 COA 的统计分析将其与战术地形特征联系起来，从而为解释所获得的结果迈出了第一步。

第二节讨论了军事决策和 COA 生成的背景。第三节讨论（基于人工智能的）工具如何支持陆地行动的军事决策过程。第四节介绍了解释所生成的作战行动指令的方法，第五节列举了一个实例，以在实际情况中展示第三节的理论。第六节是总结和未来展望。

用于 COA 生成、评估和选择的 AI 和模拟支持工具

决策过程可以使用各种工具来支持。一个显而易见的选择是模拟，它可以对操作的结果进行估计。此类工具可用于 COA 评估步骤，指挥官设计的 COA 可通过模拟进行评估。集成人工智能可增强这一过程，通过利用人工智能方法生成和完善 COA，从而创建更复杂的工具。这种方法将传统的战略制定与尖端技术相结合，为优化复杂军事场景中的决策过程提供了一条途径。

解释 COA 的结果

行动方案是在战场上取得决定性优势的复杂计划。任何提出行动方案的人工智能系统都会对大量可能的行动方案进行分析，并以某种方式对这些方案进行比较。人类也遵循类似的过程，最大的区别是只考虑 2-3 种主要作战行动。不过，人类可以解释自己的选择和偏好，决策支持系统也应具备类似的功能。

• 用任务术语解释生成的COA结果

在这项工作中，我们以与模型无关的方式处理问题，即生成 COA 的算法的内部推理机制不能用于推导解释。这样做有几个原因 (1) 将算法视为黑箱，解释生成方法就可以应用于任何类型的算法。(2) 目前还没有就哪种方法最适合生成 COA 达成共识，因为 COA 的性质相当复杂。当不同的技术被证明更有效时，在基于模型的解释上所做的努力可能很快就会被淘汰。我们提出了一种使用三步法生成人类可读解释的方法，如图 3 所示。这三个步骤是：(1) 地理空间锚定，提取描述任务区的术语；(2) 统计分析，使用学习系统生成的数据评估潜在的解释模式；(3) 生成解释，将有希望的模式转化为人类可读的文本。

图 3 生成解释的三个拟议步骤 生成解释的三个拟议步骤

在地理空间锚定阶段，系统会在任务区寻找命名的地理空间要素。这些元素与战术空间对象（TSO）有密切关系[10]。由于地理空间锚定的命名要素并非针对特定任务，因此它们属于 0 级 TSO。有名称的常见地形要素包括街道、湖泊、河流、城市、城镇和区内的区域。但有些区域很少有名称，如森林或开阔区域（平原）。由于用户很可能不熟悉自动生成的名称，因此为了向用户提供良好的解释，必须为这些区域分配一个名称，并在地图上清晰地向用户突出显示该区域。

研究了利用开放信息源检索/缩减此类区域的方法。其中一个很有前景的来源是开放式街道地图。数据提取可以通过 geofabric 下载。在这种情况下，我们检查了挪威的数据。可下载的内容包括建筑物、土地利用、自然、地点（如城镇、村庄）、礼拜场所（如教堂）、兴趣点（如学校、政府办公室）、铁路、公路、交通、运输、水域和水道的数据。有些地物是点状地物（如兴趣点），有些是线状地物（如水道），有些是多边形地物（如建筑物）。许多要素都有名称，可从数据集中检索名称和位置。就本研究的主题而言，我们认为可以从该数据源中提取街道和城市区域等信息。但是，森林面积太大，没有任何用途，而且开放区域也没有描述。由于大部分场景都发生在城外的森林和开阔地带，因此我们暂时不使用该数据集。

此外，有几个区域源自 C2 系统，如任务区、侧翼单位区域和相线。这些内容可以从 C2 系统中的信息中检索到，也可以很容易地输入。为了测试解释功能，我们手动创建了一个包含所有所需信息的 geojson。所创建的多边形与 OpenStreetMap 数据集中的多边形相同，而林区、空地和 C2 信息项目则是根据自己的判断添加的。为创建用于本节介绍的统计分析技术的数据集，在执行模拟时记录了以下值：位置、健康状况、目标、被敌方发现、造成的伤害和效果测量（即友方平均健康状况、敌方平均健康状况以及两者之间的△）。用于统计分析的数据是优化过程中评估的所有独特行动方案。即使是差劲的 COA 也能有助于适当解释不应该做什么。为了分析生成的数据，我们选择了一种基于模式的方法。解释模式可以看作是一种结构化的假设，说明哪些因素促成了任务的完成或失败（即有效提高或降低模拟的平均得分）。哪些因素应成为模式的一部分可能是无限的，因为任何方面都可以纳入解释（例如，早餐吃三份而不是两份三明治可提高任务成功率）。不过，我们的方法仅限于军事人员经常使用和认可的元素。在所介绍的原型系统中定义的解释模式包括以下可选要素：

位置/区域。这是一块地形的多边形，可能从其他来源获取。位置必须可以通过计算进行评估，也就是说，位置的起点和终点必须清晰明了。另一个重要方面是对每个位置进行命名，以便在以后的解释中使用。

单位指示。一个特定的单位正在执行一个特定的操作可能很重要。因此，可以标明该单位。如果没有说明，则可以接受任何单位。

时间指示。某些操作必须在某个时间之前或之后或在某个时间间隔内执行，这一点可能很重要。通过添加定时，可以检测到这些微妙之处。

否定。人们可能希望知道某些事情没有发生，从而获得更好的任务结果。这表示模拟过程中没有发生事件。

其他模式。为使系统更具活力，模式之间可以相互关联。只有当所有链接模式都有效时，该模式才有效。例如 A 单元位于 X 位置，而 B 单元位于 Y 位置。