自主系统与人工智能（AI）的集成正通过增强有人-无人编组（MUM-T）来重塑未来作战空中系统（FCAS）中的空中主宰能力。本研究提出STAR（与自主资源共享任务），一个利用多模态传感器融合数据、在指挥与控制（C2）系统内管理MUM-T作战的系统。STAR能够实现AI驱动的任务分配，基于人类与自主智能体之间的相互依赖性和能力来提高任务效率。一项包含十名参与者、针对威胁探测任务的人机回路模拟演示了该系统优化任务分配的能力。研究对七种监督机器学习模型进行了训练和测试，其中预测最佳协作模式（包括自主搜索（“侦察兵”模式）、护航（“守护者”模式）、共享任务（“协作”模式）、人工控制（“跟随”模式）和备份（“请求备份”模式））准确率最高的是极限梯度提升（XGBoost）模型，达到了89%。该方法增强了MUM-T内部的互操作性，并促进了跨智能体的资源协调。STAR也可能成为FCAS一个新的利益共同体（COI）服务，作为任务执行期间利用FCAS数据进行动态任务分配的赋能器。
关键词—智能系统，指挥与控制，人机协作，未来作战空中系统，有人-无人编组，人工智能
由于现代战争中日益增长的威胁，对协同作战飞机（CCA）的需求已成为自主系统和有人-无人编组（MUM-T）领域的一个关键研究课题。随着对手发展先进的反介入/区域拒止（A2/AD）系统以及更快速、更强大的导弹，空中优势日益受到威胁[1]。此外，先进的F-22数量有限，以及F-15C和F-11机队的老化，使其越来越难以应对高对抗性环境[1]。为此，各国政府正不断增加对自主无人CCA的投资，以期通过利用MUM-T来增强杀伤力、生存能力和任务能力。CCA是在对抗环境中与有人驾驶飞机协同作战的无人作战空中系统（UCAS），为任务支援提供了成本效益高的解决方案。美国空军旨在资助和开发具备AI功能的自主无人CCA，希望它们能在飞行第五代和第六代战机的飞行员指挥下并肩作战[2]。它们可以作为人类飞行员的队友或“忠诚僚机”，提高作战效率和人员的生存能力[3]。它们受益于扩展的航程和续航力，因为不受人类飞行限制的约束，使其能够在敌对区域（例如，核、生物或化学污染区）长时间停留，承受更高的规避导弹的G力，通过模拟减少训练需求，并允许以最少的设备同时操作多个系统[4]。下一代空中主宰（NGAD）计划设想了一个系统家族，包括第六代隐身飞机和由人工智能与机器学习（AI/ML）技术驱动的CCA[5]。这引发了关于在高压力动态战斗环境中人机自主编队（HAT）与资源管理、从控制无人机向指挥无人机转变从而改变团队动态的问题。因此，虽然自主性带来诸多好处，但也存在局限性，因为人类和自主系统都容易受到偏见和谬误的影响（例如，情境意识丧失、决策错误、回路外经验）。此外，如何评估MUM-T内部各单元的能力以确定其最佳协作方式，仍然是研究中的一个空白。
本研究探讨了指挥与控制（C2）系统在MUM-T中有效管理资源分配所面临的挑战，需要考虑来自环境因素、任务目标以及人类操作员和自主智能体能力的大量数据。更具体地说，研究侧重于AI如何能将这种海量数据的可解释性和处理优化，以用于任务分配的决策支持系统（DSS）。目标是探索AI如何：i）在任务执行期间促进人机自主编队中的动态任务分配；ii）在FCAS和多域作战（MDO）背景下支持C2对任务效应的统筹与同步。
本研究提出以下贡献：i）在模拟中训练和测试人机自主编队的方法；ii）用于动态任务分配目的、提取和处理相关传感器融合特征的多模态流程；iii）用于智能体间相互依赖性分析的能力评估；以及iv）训练和测试AI算法以预测MUM-T智能体之间最有效的协作模式。本文结构如下：第二部分介绍与FCAS中潜在的AI和自主能力、人机自主框架以及用于DSS的AI相关的关键概念。第三部分回顾业界和政府在MUM-T方面的先前工作。第四部分介绍实验方法，第五部分展示结果，第六部分为总体讨论，第七部分提供结论。
ppt
相关内容
微信扫码咨询专知VIP会员