针对战场态势信息众多、变化趋势认知困难的问题,提出基于大模型的态势认知智能体框架和智能态势认知推演方法。从认知概念出发,结合智能体的抽象性、具身性特点,明确了智能体构建的3个关键环节:学习环境、记忆方式和产生知识机制;设计了战场态势认知智能体架构,包括记忆部件、规划部件、执行部件、评估部件以及智能体训练要点。在长期记忆部件中,围绕战场复杂状态建模特点,分析大语言模型、多模态大模型、大序列模型的运用问题。态势是现实世界中人们关注的事物状态及可能出 现的变化。 军事领域中,战场态势是指战场环境与兵 力分布的当前状态和发展变化的趋势[1] 。 战场态势感 知是对敌情、我情、战场环境所处状态的感知以及对作 战进程变化的理解,是实施作战指挥决策的基础支撑。 当前,战场态势信息来源分散、复杂高维、实时快变、多 元异构,信息的碎片化、片面化、不确定性问题严重,准 确把握变化的趋势对指挥员或指挥机构也越来越 困难。 针对上述问题,文献[2]通过改进加权平均法及优 化小波变换完成数据与图像融合处理;文献[3]将数据 分析和数据展现技术运用于态势感知,然而当前战场 态势的信息量已经达到海量级别,超出了人类认知极 限,容易导致片面的战场态势感性认知。 文献[4]基于 卷积神经网络提取复杂战场环境特征;文献[5]在战场 态势感知中使用注意力机制,生成围绕作战目的和作 战任务的态势认知;文献[6]探讨将表示学习、深度学 习、强化学习和群体智能等用于态势认知。 最近,人工 智能中的大模型技术发展迅速,一定程度建模了世界 通用知识。 基于大模型的自主智能体[7⁃8] 表现出了较 强的认知环境、适应环境的能力,给战场态势感知带来 了新的启发。 本文提出利用大模型构建态势认知智能体,智能 体在仿真环境下推演学习复杂态势规律,构建从战场 之“态”到预测战场之“势”之间的复杂映射关系知识。 态 势 认 知 智 能 体 与 AIGC ( Artificial Intelligence Generated Content)一样,有望生成多种态势的发展路 径,供使用人员最终决策。

成为VIP会员查看完整内容
165

相关内容

大模型是基于海量多源数据打造的预训练模型,是对原有算法模型的技术升级和产品迭代,用户可通过开源或开放API/工具等形式进行模型零样本/小样本数据学习,以实现更优的识别、理解、决策、生成效果和更低成本的开发部署方案。
基于多智能体强化学习的协同目标分配
专知会员服务
122+阅读 · 2023年9月5日
基于机器学习的交通流预测方法综述
专知会员服务
34+阅读 · 2023年8月17日
基于知识图谱的仿真想定智能生成方法
专知会员服务
100+阅读 · 2023年6月4日
基于会话的推荐方法综述
专知会员服务
27+阅读 · 2023年5月20日
战术先验知识启发的多智能体双层强化学习
专知会员服务
106+阅读 · 2023年5月9日
基于多智能体深度强化学习的体系任务分配方法
专知会员服务
142+阅读 · 2023年5月4日
面向智能博弈的决策Transformer方法综述
专知会员服务
182+阅读 · 2023年4月14日
面向多智能体博弈对抗的对手建模框架
专知会员服务
153+阅读 · 2022年9月28日
专知会员服务
40+阅读 · 2021年5月6日
人机对抗智能技术
专知会员服务
201+阅读 · 2020年5月3日
「基于通信的多智能体强化学习」 进展综述
基于模型的强化学习综述
专知
28+阅读 · 2022年7月13日
数据驱动的态势认知技术及发展思考
专知
15+阅读 · 2022年7月12日
清华大学:从单体仿生到群体智能
专知
16+阅读 · 2022年2月9日
多模态情绪识别研究综述
专知
22+阅读 · 2020年12月21日
多模态视觉语言表征学习研究综述
专知
27+阅读 · 2020年12月3日
时空序列预测方法综述
专知
20+阅读 · 2020年10月19日
深度学习可解释性研究进展
专知
19+阅读 · 2020年6月26日
当深度强化学习遇见图神经网络
专知
224+阅读 · 2019年10月21日
国家自然科学基金
5+阅读 · 2017年12月31日
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
5+阅读 · 2015年12月31日
国家自然科学基金
9+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
0+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
17+阅读 · 2012年12月31日
国家自然科学基金
13+阅读 · 2008年12月31日
Arxiv
157+阅读 · 2023年4月20日
A Survey of Large Language Models
Arxiv
398+阅读 · 2023年3月31日
Arxiv
66+阅读 · 2023年3月26日
Arxiv
139+阅读 · 2023年3月24日
Arxiv
20+阅读 · 2023年3月17日
VIP会员
相关VIP内容
基于多智能体强化学习的协同目标分配
专知会员服务
122+阅读 · 2023年9月5日
基于机器学习的交通流预测方法综述
专知会员服务
34+阅读 · 2023年8月17日
基于知识图谱的仿真想定智能生成方法
专知会员服务
100+阅读 · 2023年6月4日
基于会话的推荐方法综述
专知会员服务
27+阅读 · 2023年5月20日
战术先验知识启发的多智能体双层强化学习
专知会员服务
106+阅读 · 2023年5月9日
基于多智能体深度强化学习的体系任务分配方法
专知会员服务
142+阅读 · 2023年5月4日
面向智能博弈的决策Transformer方法综述
专知会员服务
182+阅读 · 2023年4月14日
面向多智能体博弈对抗的对手建模框架
专知会员服务
153+阅读 · 2022年9月28日
专知会员服务
40+阅读 · 2021年5月6日
人机对抗智能技术
专知会员服务
201+阅读 · 2020年5月3日
相关资讯
「基于通信的多智能体强化学习」 进展综述
基于模型的强化学习综述
专知
28+阅读 · 2022年7月13日
数据驱动的态势认知技术及发展思考
专知
15+阅读 · 2022年7月12日
清华大学:从单体仿生到群体智能
专知
16+阅读 · 2022年2月9日
多模态情绪识别研究综述
专知
22+阅读 · 2020年12月21日
多模态视觉语言表征学习研究综述
专知
27+阅读 · 2020年12月3日
时空序列预测方法综述
专知
20+阅读 · 2020年10月19日
深度学习可解释性研究进展
专知
19+阅读 · 2020年6月26日
当深度强化学习遇见图神经网络
专知
224+阅读 · 2019年10月21日
相关基金
国家自然科学基金
5+阅读 · 2017年12月31日
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
5+阅读 · 2015年12月31日
国家自然科学基金
9+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2015年12月31日
国家自然科学基金
0+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
17+阅读 · 2012年12月31日
国家自然科学基金
13+阅读 · 2008年12月31日
微信扫码咨询专知VIP会员