本报告研究了如何利用人工智能(AI)解决方案,结合传感器数据和更高级的企业级机器学习(ML)算法,改进战术决策,提供先进的目标定位解决方案,并为艰苦环境中的步行作战人员推荐行动方案(COA)。该团队采用系统工程分析方法,为战术边缘的人工智能辅助决策系统提出要求并进行概念设计。团队将这一未来能力命名为 "地面感知作战决策(GAWD)系统"。设想中的 GAWD 能力将提供一个功能强大的人工智能/ML 骨干架构,用于在边缘传输战术相关数据,供士兵实时处理和分析,以确定目标和选择路线。此外,该能力还能监测士兵的健康状况,并将信息提供给指挥部。未来的 GAWD 系统概念将利用人工智能、ML、增强现实 (AR)、虚拟现实 (VR) 和机身处理来分析数据,从而在终端用户设备 (EUD) 或平视显示器 (HUD) 上触发实时通知和建议行动方案 (COA),以帮助下装作战人员及时做出作战决策。研究小组进行了场景分析,探讨了在三种不同的地面部署士兵场景中使用 GAWD 系统的问题。研究小组研究了在军事行动中引入 GAWD 系统的道德影响。

图 14. 用于瞄准的地面感知作战决策边缘计算系统架构图。

虽然具有未来性,但将人工智能(AI)和机器学习(ML)作为下马兵棋推演的辅助工具,是美国在战场内外保持优势的下一步。美国国防部(DOD)和联合军种正在探索将人工智能/机器学习用于各种应用,以支持作战人员执行任务。本毕业设计项目研究了如何使用人工智能/ML 来实现未来的兵棋推演决策辅助功能,以支持下装士兵执行任务。顶点团队(Linchpin 小组)采用系统分析方法,研究人工智能和机器学习的当前和预期能力,了解下装士兵的需求和任务,并利用人工智能和机器学习开发决策辅助系统的概念设计。

顶点团队设想实施一种前沿、全面的人工智能/ML 机器兵棋推演决策辅助系统,称为地面感知作战决策(GAWD)系统。该系统是一个数据套件,搭配最先进的软件(SW),可确保步兵单元在艰苦环境中的战术决策能力,有助于挽救生命。利用人工智能、机器学习和先进的数据分析技术,这一创新工具可以提供一个适应性强、可扩展的系统,可以满足各种单元规模的需求,并能与现有的军事技术和网络无缝集成。

这种实时和不断发展的系统有可能使下马士兵能够清晰、全面地了解作战环境,包括对手阵地的位置、地形特征以及使用各种传感器和数据集提供战场最新信息的友军。此外,这种兵棋推演辅助工具将通过利用机器学习和历史数据,为士兵及其指挥部提供态势感知(SA)。这些信息将能够快速分析各种场景,预测敌人的潜在动向,并根据当前形势和单元目标提出最佳行动方案(COA),从而做出关键的战术决策。

Linchpin 集团为下马士兵设计的概念性人工智能/机器学习 GAWD 系统代表了步兵战的突破性进展。通过利用人工智能/机器学习的力量,这一尖端工具将为下马士兵提供无与伦比的战略部署、决策支持和协调能力。根据设想,这一工具还将作为一个训练平台,使士兵能够参与虚拟兵棋推演和模拟场景。该系统可记录个人和单元在训练演习和真实场景中的表现,从而为行动后评估(AAR)和持续改进单兵和整个陆军提供有价值的见解。

该小组进行了一项情景分析,以探讨士兵在地面任务中如何使用 GAWD 系统。团队确定了三种相关场景,这些场景将通过添加人工智能支持的 GAWD 系统得到增强。这三种情况是 (1) 目标交战,(2) 路线选择,以及 (3) 士兵健康和状态监控。研究小组探讨了每种场景,然后比较了三种场景下未来 GAWD 能力所需的功能。

人工智能/机器学习作为一种力量倍增器,有可能显著提高下装单元的战斗力和生存能力,确保现代战场上的军事优势。它的部署将彻底改变下装作战,并为军队的卓越战术设定新的标准。

成为VIP会员查看完整内容
97

相关内容

人工智能在军事中可用于多项任务,例如目标识别、大数据处理、作战系统、网络安全、后勤运输、战争医疗、威胁和安全监测以及战斗模拟和训练。
《AI/ML 供应链软件依赖性风险分析》2023最新95页论文
专知会员服务
37+阅读 · 2023年12月19日
《国防数字孪生发展及其成效》2023最新117页论文
专知会员服务
108+阅读 · 2023年12月1日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
8+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
21+阅读 · 2014年12月31日
国家自然科学基金
68+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
14+阅读 · 2014年12月31日
Arxiv
158+阅读 · 2023年4月20日
A Survey of Large Language Models
Arxiv
408+阅读 · 2023年3月31日
Arxiv
68+阅读 · 2023年3月26日
Arxiv
147+阅读 · 2023年3月24日
Arxiv
21+阅读 · 2023年3月17日
VIP会员
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
8+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
21+阅读 · 2014年12月31日
国家自然科学基金
68+阅读 · 2014年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
14+阅读 · 2014年12月31日
微信扫码咨询专知VIP会员