译文 |《陆地战车的传感器融合》

基于传感器的作战系统将为战场空间感知增加更多层次，扩展了态势感知、电子系统、网络能力。作战系统还可帮助处理、传播和利用信息，从远处战胜隐藏的敌人，以阻止他们出其不意的行动。

不断变化的作战空间中的传感器融合

战争在21世纪已经发生了变化。几个世纪以来，军队在战场上相互对峙，纯粹的军事力量、规模、部队数量和火力决定了战斗的结果。伟大的领导人操纵他们的小部队出其不意地压倒敌人而赢得战斗，这只是例外。小型反坦克和防空武器的发展和部署，还有能够实现远距离精确打击的导弹，以及军事和恐怖分子对城市地区的利用，给现代战争带来了一个重大变化--"空旷的战斗空间"。

敌人躲在暗处，伪装成平民，隐藏在地下或城市住宅中，或者是狙击手和反坦克导弹队。其中大多数人的眼睛或光学传感器几乎都看不到。他们可以通过远程操作简易爆炸装置或地雷，从多个维度攻击车辆，发动协调攻击。远程导弹或游荡武器或武器化无人机也进行攻击。面对这样一个隐藏的敌人，常规部队很可能会面临出其不意的打击，遭受重大损失，并有可能在其部队能够重组和应对威胁之前就被削弱其力量。

定位敌人

对威胁的认识要求士兵能够发现和定位隐藏的敌人。在过去，作战系统的特点是火力、机动性和生存能力。今天，作战系统在其战斗空间感知方面增加了更多层次--扩大态势感知的传感器、电子系统、网络能力，以处理、传播和利用信息，从远处克服隐藏的敌人，从而使他们无法获得期望结果。这种优势有助于用直接和间接火力击败敌人，采用有人-无人编队协作，最大限度地减少作战人员暴露在威胁之下。

新概念提供了对同行敌人的优势，因为它可以从远距离进行决定性的交战，提供更准确和致命的攻击。陆军，尤其是战术部队，需要实时能力来定位那些低特征威胁。

传统上，作战车辆使用光学和成像传感器，协助乘员扫描现场和探测目标。然而，面对隐藏的敌人，这些手段不再有帮助。需要多光谱传感器来从远处看到这种低特征的目标。在不同的波段操作，视觉、热学、声学和毫米波可以发现敌人的存在和活动特征，并在对峙的范围内定位和打击这些目标。

作战系统的传感器

战斗车辆上使用的大多数传感器都采用了被动成像传感器--今天，不同的传感器使用了全景相机、炮手和指挥官瞄准器、驾驶员视觉系统以及安装在武器站上的光电传感器的定制显示器。这些传感器可以连接到驾驶员的显示器上，显示最相关的图片。此外，通过采用机器学习和人工智能分析实时传感器信号，自动系统不断分析情况，寻找特征和模式，以发现和提醒周围的目标，甚至在驾驶员未发现的区域。

雷达是现代作战系统中可以采用的其他传感器。雷达提供了一个主动传感器，探测导弹、无人机和其他针对车辆的威胁。作为一个主动传感器，雷达可以在静默模式下使用，保持在待机模式，并由其他传感器触发，如激光警告传感器或电光火力定位器。追踪一个移动的目标，雷达可以绘制出目标的弹道轨迹，预测撞击点，并计算出起爆点，以便能够对发射器进行快速反击。其他传感器使用声学传感器，旨在探测和定位敌对火力源，如狙击手、枪支或火箭发射。这种信息可以与其他传感器相关联，以完善警报和态势图。

其他可能采用的传感器是信号情报（SIGINT），探测射频（RF）频谱中的人类活动。这些信号包括描述敌人活动的手机或无线电电子信号。战术SIGINT传感器可以对此类信号进行地理定位，并协助目标定位、预警和态势感知。

连接边缘

态势感知不能仅靠传感器来开发，因为过多的信息会扰乱视线，破坏驾驶员的态势感知。将多个传感器结合起来，形成一个单一的态势图。用户界面应该被简化，为用户提供最清晰、最相关的信息，以便决策和反应。

传感器融合是复杂的，因为它需要大量的计算能力和高速连接来实时传输和处理大型文件。在战斗车辆上安装多个传感器时，这是一项更加复杂的任务，因为有空间、重量和功率（SWaP）的限制。

将所有车载传感器连接到中央处理单元是一项复杂而昂贵的工作，主要是当传感器向处理器提供原始图像时，需要有效的高带宽本地网络连接。为了减少数据传输所需的带宽，传感器采用了边缘处理，本地处理器与传感器耦合，执行基本的图像处理和压缩功能，大大减少了传输到车辆的传感器融合处理器的数据量，在那里采用了更复杂的算法，同时还有人工智能/ML计算。

开放系统标准

用模块化开放系统方法（MOSA）设计的系统为武器系统设定了标准，以便在边缘和中心的机器之间快速共享此类信息。这样的系统提供了坚固的物理硬件、电源、冷却和射频连接，并有基于标准的插槽，可随时接收驱动基于软件的特定任务功能的电子商用现成（COTS）子系统。作为COTS硬件，这些具有成本效益的构件提供了在陆地、空中和海上平台部署系统所需的互操作性和灵活性。在传感器方面，传感器开放系统架构（SOSA）提供了将传感器系统过渡到开放系统架构的标准框架。虽然SOSA是一个由50多个联盟成员承担的建议，但它使用户在选择和获得传感器和子系统方面具有灵活性，用于传感器数据的收集、处理、利用、通信，以及系统整个生命周期的相关功能。

虽然定制的解决方案通常比基于COTS的系统提供更高的性能，但遵守COTS和开放标准可以更频繁地升级和增强电子和光电系统，以更快的速度和更低的成本增加更先进的能力。例如，机器学习应用将信号处理和威胁识别能力提升到新的速度和智能水平。这种类型的应用将来自传感器的实际世界数据与它已被训练为识别的数百万个例子进行比较。该应用程序使用比较的结果来做出决定，采取行动，并为作战人员提供他们无法获得的洞察力。

数据的重要性

机器学习应用中的高级软件依赖于能够快速处理大量数据的复杂算法。要执行这种高级软件，取决于专门的硬件所提供的速度和处理能力，而这些硬件很可能在今天的平台上是没有的。当所有系统组件遵循MOSA时，驱动传统图像处理器应用的处理器卡可以被替换为驱动机器学习应用的更复杂的处理器卡。通过更新软件和简单的换卡，作战人员可以获得基本的新的威胁识别能力，而且干扰最小，不增加SWaP。

虽然机器学习是战场上需要速度的一个具体例子，但更快地处理来自更多来源的不断增加的数据量的要求适用于今天使用的几乎每一个应用程序。由于有能力几乎立即将任何系统中执行任何功能的任何卡类型升级为更快、更强大的替代品，作战人员有了新的机会来保持对威胁的领先，并提高其战术优势。

这种升级可以使用现场可编程门阵列（FPGA）卡进行优化，用于:

• 雷达
• 电子战
• 信号情报
• 雷达警告接收机
• 软件定义的无线电应用

图像处理可以使用通用图形处理单元（GPGPU），为光电/红外（EO/IR）应用带来TFLOPS的处理能力。这些GPGUs对于捕捉和处理来自千兆像素相机的大量数据流至关重要。软件定义的无线电模块和定位、导航和定时（PNT）计时卡也消除了每个系统对不同PNT服务的需要。在中央处理器中嵌入与CMOSS相一致的计时卡，使所有连接的系统能够相互操作，确保一致和标准化的定位和计时参考。通过用一个只需要一个机箱插槽的小卡来取代大型的、单独的无线电盒，有可能大大减少SWaP-C。北约的电子学标准遵循通用车辆结构（GVA）和北约GVA（STANAG 4754）标准。

萨博提供了几款为符合GVA和NGVA标准而设计的坚固系列系统。坚固型车载计算机（RVC）是一个基于第七代单板计算机平台的高性能车辆计算机单元，其设计符合当代电子学标准。另一款计算机，即耐用型车载计算机-嵌入式，RVC-E，是一款完全耐用、超级紧凑、高性能的计算机单元，为由NVIDIA Jetson TX2平台驱动的强大应用而开发。RDC10显示器包含一个英特尔酷睿i7 CPU平台，几个外部接口端口，以及定制的连接器外壳/连接器配置。两者的设计都符合DEF STAN 23- 09 GVA和STANAG 4754 NGVA。

下一代战斗车载电子

电子技术的应用可以在车辆升级过程中实施，但往往在新的车辆设计中得到更大规模的实施。其中一个例子是埃尔比特系统公司的Torch-X Mounted，其设计符合通用车辆结构（GVA）的电子学标准。该系统提供了一个集中的用户界面，结合了所有平台的传感器和效应器，为指挥官和乘员提供了一个单一的界面，以便在所有车辆和战斗小组的传感器和效应器的基础上统一和综合地了解情况。该系统基于人工智能的决策支持优化了传感器和效应器的使用。

未来方案的另一个例子是法德主力地面作战系统（MGCS），取代了德国的LEOPARD II和法国的LECLERC主战坦克（MBT）。MGCS正在推动将实施AI赋能的传感器融合的要求。MGCS并不像新坦克计划那样寻求一对一地取代主战坦克，而是将采用一种系统的方法，将有人和无人地面车辆以及具有先进的自动瞄准和自我保护能力的无人机系统结合起来。车辆之间的连接、共享态势感知和目标定位不仅需要在每个车辆上进行融合和人工智能，还需要通过高速宽带网络在传感器和车辆之间进行扩展。

德国电子系统公司HENSOLDT是有能力提供这样一个综合传感器融合网络的解决方案供应商之一。该公司已经提供了透视装甲系统（SETAS），该系统为乘员提供了360度的视野，甚至在用户没有看到的区域。SETAS可以与其他系统集成和通信；例如，将基于地理数据的对象分享给邻近的车辆；这些数据可以从不同的战场区域收集，并融合成一个多维的态势图。车载处理使之成为可能，因为它是在靠近传感器的地方进行的，不需要向其他地方传输数据。

更多传感器融合实例

埃尔塔系统公司的Athena AI核代表了一种用于可选择的载人战车的创新方法。该系统是在CARMEL技术演示器上实施的。Athena自主地结合所有从外部和内部来源收到的数据，包括EO、雷达和SIGINT。然后，它对目标进行分析和分类，确定响应的优先次序，并向乘员显示态势图，以便评估和决策。Athena还提供行动建议，并通过机上和机下的适当效应器关闭操作循环来贯彻这些决定。

人工智能最终将在模仿人类的能力而不仅仅是人脑能力产生的影响--也就是说，它能以人类的方式评估信息。人工智能进行传感器融合和跟踪关联的能力--利用广泛的输入和远比人类操作员更快--将带来能力上的逐步改变。