人工智能赋能的反无人机任务式指挥系统：推进美陆军跟上现代战争的步伐

图：2021 年，在亚利桑那州尤马试验场进行的测试中，"苍狼 "2C 无人机拦截器的两种变体被发射。动能拦截器为美国陆军提供了灵活的短程反无人机系统能力。（照片由美国陆军提供）。

战争的新特点之一是单向无人机系统（UAS）的扩散。在乌克兰和伊拉克/叙利亚，正在进行的战斗由廉价生产的无人驾驶飞机组成，这些飞机装满炸药，通过全球定位系统（GPS）或全球导航卫星系统（GLONASS，相当于俄罗斯的全球定位系统）飞行到距离安全发射点数百公里之外的精确目标位置。然而，现有的用于对抗敌方无人机系统的任务式指挥系统缺乏必要的技术能力，无法在当今战场上充分捍卫战斗力。用于反无人机系统（C-UAS）的任务式指挥系统需要人工智能（AI）、机器学习和自动化来协助操作员做出决策，并能同时使用击溃机制。此外，当前的实战系统缺乏与新兴工业探测和击溃系统的数据互操作性，导致基地防御操作中心（BDOC）拥有多个 "封闭 "网络来击溃共同的威胁。

本文明确了在美国陆军 C-UAS 任务式指挥系统中实施人工智能、机器学习和自动化的要求。当前的 C-UAS 任务式指挥系统依赖操作员完成手动识别和交战过程，该过程针对每个威胁按顺序进行，对于试图压倒防御能力的多个威胁的场景来说不切实际。通过实施本文中的建议，美国陆军将拥有一个在应对当前和未来敌方无人机系统威胁和战术方面具有竞争优势的任务式指挥系统。

人在环内与人在环上

在现代战争背景下，"人在环上 "和 "人在环内 "指的是人类参与决策和控制利用人工智能或自动化的系统的程度。这两种方法的区别在于赋予系统的自主程度以及人类的监督和控制水平。

人在环内。人类直接参与决策过程，并 "完全控制 "系统 "开始或停止执行的任何操作"。这种方法通常在安全、任务精确度、责任和控制方面更受青睐。然而，在有些情况下，人在环内可能并不实用或有效。目前的 C-UAS 流程就是人在环内的一个例子，操作员必须执行每一项任务和参数输入，才能由系统创建一个动作。

人在环内（HOTL）。人类对自动化系统进行监督，但自动化系统可以在未经人类预先批准的情况下采取行动。这种方法可以加快决策和响应速度，这在威胁迅速演变的未来至关重要。在影响人类运用微观运动技能和正确判断能力的高压力情况下，有监督的自主模式（HOTL）将比完全依赖人类决策更加有效。海军舰艇上使用的宙斯盾作战系统和 MK 15 法阵近程武器系统就是 HOTL 防御武器系统的典范。这些系统一旦启动并在人员的监督下，就能独立攻击对舰艇或其他受保护资产构成威胁的导弹、直升机和飞机。

反无人机系统流程

C-UAS 流程采用主动防御措施，包含四个不同的要素：检测、识别、决定、击败。这一顺序为评估无人机系统在不同作战环境中造成的威胁以及应用自动化加强操作员行动的可能性提供了一个有用的框架。在联合部队中，这一流程在 BDOC 中得到了积极应用，BDOC 是 C-UAS 资产和系统的负责协调、管理和使用节点。

图：反无人机系统流程

检测。C-UAS 流程的第一步是探测行动区域内是否存在空中航迹。这可以通过各种雷达传感和跟踪方法来实现，包括空中和地面传感器。例如，雷神公司开发了 360 度 AN/MPQ-64 Sentinel 雷达，可探测无人机系统、旋转翼飞机和固定翼飞机，并具有敌我识别询问功能。雷神公司还开发了 360 度 Ku 波段射频系统 (KuRFS)，可感知和跟踪飞机、火箭、火炮和迫击炮。KuRFS 雷达支持多种动能和非动能 C-UAS 武器系统，如 Palletized 高能激光器、陆基 Phalanx 武器系统和雷神苍狼拦截器。

识别。探测到空中航迹后，下一步是分析航迹，确定是敌是友。这是通过使用具有识别敌友能力的雷达（如上文提到的 Q-64）、空域控制机构（空中交通管制、联合空中作战指挥）或敌方特征对航迹进行识别敌友询问来完成的。区分友方和敌方威胁航迹是一个复杂的过程，需要使用两种方法之一，即正面识别和程序识别。正面识别是最可取的方法，不需要目视识别就能确定可疑航迹--利用已知的敌方特征进行数字识别（基于物理），可用于确定航迹是否为敌方无人机系统。程序性识别使用地理位置、航向时间和飞机飞行路径来确定敌友--通常与空中任务指令和/或作战图形相配合。

决定。在此阶段要做出两项决定：第一，确定是否需要交战（交战规则、地缘政治形势、战术形势等）；第二，确定使用何种方法拦截威胁。如果操作员确定空中航迹具有敌意，则决定使用动能或非动能武器拦截已确定的威胁。对每个威胁的方位、高度、射程和速度进行评估，以确定交战要求，并使用适当的武器进行最有效率和效果的交战。

击败。在这一阶段，操作员成功地对确定的敌方航迹造成动能或非动能影响。在这一阶段，目视确认拦截或数字确认是确定成功或失败效果的方法。如果敌方航迹未被击溃，操作员将动用更多资产，直至击溃威胁或击中预定目标。

手动交战的挑战

前沿区域防空指挥与控制（FAADC2）是美国陆军目前的任务式指挥系统，它提供了探测、识别和使用动能和非动能击溃效果的网络架构。FAADC2 自 1989 年以来美国防部一直在使用。

FAADC2 系统目前在识别、决定和击溃阶段使用手动交战流程，这极大地阻碍了切实有效地击溃敌方威胁，尤其是在仅有几秒钟时间做出决定的情况下。操作员必须手动查询每条雷达轨迹，并针对敌对目标手动处理每个防御系统，既耗时又容易出现人为错误。

图：前沿区域防空指挥与控制用户界面提供共同空中图像。

这种人工操作过程无法同时进行战斗，而在快速演变的战斗场景中需要同时进行战斗。手动交战所耗费的时间将使无人机群能够不受阻碍地攻击和穿透防御层。在同时应对多个无人机系统的攻击、潜在的友军空中交通、武器系统之间的转换、评估其他威胁和管理当前交战时，BDOC 操作员经常面临任务饱和和人为错误可能性增加的问题。

FAADC2 系统要求操作员进行手动交战，这分散了操作员对关键空中航迹识别的注意力，进一步加剧了人为错误，降低了击败无人机系统的效率。威胁无人机系统攻击速度的提高（喷气式 "沙赫德-238"）和使用地形遮蔽以避免早期雷达探测，进一步削弱了人工方法的有效性，并将导致 C-UAS 拦截成功率的下降。

推进 C-UAS 任务式指挥系统的建议：人工智能辅助识别

应将人工智能集成到任务式指挥系统中，以提高探测敌机航迹的作战效率。这种集成可为操作人员提供持续的分析能力，对基地防区内的空中轨迹进行询问。人工智能的优势在于能够从先前记录的数据中分析和识别模式。C-UAS 任务式指挥系统应将先前记录的威胁数据存储在秘密的云存储库中，以便人工智能识别系统在整个战区范围内访问，以人类操作员无法达到的速度和精度整合空中轨迹数据。

人工智能识别和鉴定威胁空轨并及时向人类操作员发出警报的能力将降低任务饱和度，并使操作员能够保留最终的空轨鉴定权。将人工智能纳入航迹识别将提高操作员识别的准确性，并缩短识别威胁所需的时间，增加向地面部队发出迫在眉睫的威胁警报的时间，从而保存战斗力。

机器学习算法将在识别阶段发挥重要作用，通过分析基于物理的雷达轨迹数据、全动态视频和其他形式的探测数据，增强任务式指挥系统的能力，帮助操作员在一段时间内区分敌方和非敌方空中轨迹。机器学习算法将提高人工智能提醒操作员注意威胁航迹的能力，同时还能确保操作员根据识别的数据特征了解可能的友军航迹。

如果不能将人工智能和机器学习算法集成到任务式指挥系统中，那么 BDOC 的性能将与人类操作员的性能相当，无法发挥系统的最大潜能。缺乏人工智能和机器学习工具的人类操作员处于不利地位。他们有可能无法快速识别航迹，也有可能无法确保成功拦截敌方航迹，以防止无人机系统打击预定目标。虽然人类可以手动执行询问和识别任务，但他们无法像人工智能一样精确、快速、一致地执行任务。

自动交战：推进决定和击败阶段

为解决目前 FAADC2 人工交战流程的局限性，一旦操作员确认空中航迹具有敌意，美国陆军应在决定和击败阶段实施自动化流程。通过采用自动化，FAADC2 系统将自动使用适当的方法进行交战，直至击败威胁。这种自动交战能力将大大缩短交战响应时间，使操作员能够集中精力识别威胁和消除空域冲突，而系统则会选择和监控击溃方案，以最有效的方式进行拦截，避免人为错误。此外，C-UAS 流程保留了 HOTL，以确保仍有人参与发射决定。

自动交战将不再需要人类操作员手动选择每个单独的轨道，并执行多步骤的顺序过程，以发射拦截器，并针对每个评估的威胁发射陆基 "法阵 "武器系统或托盘式高能激光器。有了自动判定和击溃能力，操作员就可以对人类确认的敌方轨迹进行人工监督，而 C-UAS 判定和击溃系统则有能力使用多种武器系统同时进行攻击，以大规模打击多种威胁，实现真正的联合武器防御火力。自动击溃能力将增加对无人机系统的拦截，缩短交战时间，大幅减少人为失误，并显著提高击溃无人机群攻击的概率。

自动交战的反对者可能会提出，操作人员需要手动与已识别的威胁交战，以确保系统在武装冲突法律和交战规则范围内行动。然而，这些保留意见在 C-UAS 流程的识别阶段得到了缓解，在这一阶段，由人工确定威胁是否具有敌意，并指挥机器进行干预。我们建议，除非操作员(1) 确认轨道为敌方轨道，(2) 授权系统交战（人在环上与人在环内），否则敌方轨道不会交战。

C-UAS 的未来：人工智能辅助识别，自动化决定胜负

人工智能将为人类操作员提供在雷达的全部潜能范围内识别拥挤空域中多条航迹的能力。威胁识别的唯一限制将是雷达在探测试图规避或掩盖其特征的无人机系统方面的性能。人工操作员仍可手动询问航迹，并保留将空中航迹划分为友好或敌对航迹的最终权力。

决定和击败阶段的自动化将提高 C-UAS 任务式指挥系统的效率，在人工确认空中航迹为敌方航迹后，可自主同时与无人机系统交战。通过云存储库存储的实时数据融合，以及随着威胁战术、技术和程序不断发展的先进机器学习算法，将使自动化系统能够评估被人类操作员标记为敌对的空轨所构成的威胁级别，并确定适当的应对措施，如使用拦截器等动能系统或启动电子战对抗措施。这种自动化不仅能节省宝贵的交战时间，还能减轻人类操作员的负担，使人类能够专注于威胁识别和挫败监督。

增强未来战争能力

美国陆军应立即将机器学习和自动化融入 FAADC2 任务式指挥系统的识别、决策和击败阶段。通过利用当今可用的自动化、人工智能和机器学习技术，任务式指挥系统可以适应和学习在战斗中观察到的当前威胁，并提高无人机系统拦截的成功率。商用汽车技术也取得了类似的进步，配备人工智能和机器学习技术的车辆可实现自动驾驶功能。利用人工智能和机器学习技术的车辆能够从周围环境中学习，通过存储库实时访问数据，改进决策，学习物体分类，并向操作员发出警报。美国国防部也有自动化流程技术，只要看看美国海军的宙斯盾战斗系统舰艇就知道了。我们必须应用新兴技术来推进我们工业时代的系统，以战争的速度进行创新。

通过自动化缩短威胁识别时间、增强拦截能力和提高精确度，将为应对新兴无人机系统技术和威胁提供战术优势，特别是那些针对战略资产、部队集结地和高优先级地点的威胁。随着对手不断创新和部署无人机系统，包括喷气式 "沙赫德-238 "无人机系统，操作人员将有几秒钟的时间来正确探测、识别、判断和击败敌方空中航迹。美国陆军必须走在威胁的前面，而不是等待适应。

结论

自 1989 年以来，FAADC2 任务式指挥系统在应对空中威胁和管理空域方面发挥了至关重要的作用。然而，我们当前系统所使用的工业时代人工交战流程对乌克兰、伊拉克和叙利亚战场上观察到的当前战术、技术和程序的效率构成了挑战，并最终威胁到我们人员的生存能力。通过整合人工智能、机器学习和自动化技术，FAADC2 系统将提升 C-UAS 的作战能力，使其超越对手的威胁能力。将操作员置于环内的自动交战可实现 C-UAS 联合武器防御，其战术和技术决策速度是人类操作员无法独立完成的。

不推进 C-UAS 任务式指挥系统和维持人工 C-UAS 流程的风险，将使恶意的国家和非国家行为者能够以相对低成本/高回报的权衡方式，在冲突连续体上与美国竞争。正如最近在中东发生的事件中看到的那样，恶意的国家和非国家行为体有能力利用低成本的无人机系统对美军实施精确打击，这给部队带来了具有战略影响的风险，并使我们的国家利益受到威胁。在大规模作战行动中，任务的风险在于从港口到前线部队的编队减员。缺乏数字时代速度和精度的干预能力将无法防止后勤节点和战斗力的大规模破坏，需要作战指挥官投入更多资源才能实现预期的军事最终状态。将人工智能、机器学习和自动化融入 C-UAS 战斗是一项高度优先的工作，需要立即关注，以便在这个快速发展的威胁环境中保持领先对手。