摘要：空戰(zhàn)過程智能化是實(shí)現(xiàn)未來空戰(zhàn)的關(guān)鍵途徑，通過對該領(lǐng)域國內(nèi)外技術(shù)研究的介紹與梳理，根據(jù)“觀察-判斷-決策-行動”空戰(zhàn)環(huán)節(jié)特性，分析了未來空戰(zhàn)過程智能化技術(shù)研究思路，重點(diǎn)對無人作戰(zhàn)飛機(jī)空戰(zhàn)過程智能化關(guān)鍵技術(shù)進(jìn)行綜述。

關(guān)鍵詞：未來空戰(zhàn)過程;智能化;無人作戰(zhàn)飛機(jī);觀察-判斷-決策-行動

中圖分類號：TJ760;V271.4文獻(xiàn)標(biāo)識碼：A文章編號：1673-5048（2019）01-0011-09[SQ0]

0引言

隨著科學(xué)技術(shù)的進(jìn)步，軍事裝備必將朝著無人化和智能化方向發(fā)展[1]。無人作戰(zhàn)飛機(jī)（UnmannedCombatAerialVehicle，UCAV）作為未來空戰(zhàn)的重要角色，實(shí)現(xiàn)其空戰(zhàn)過程智能化是當(dāng)前各軍事強(qiáng)國研究的關(guān)鍵方向。對于目前空戰(zhàn)裝備而言，有人機(jī)的空戰(zhàn)過程智能化主要體現(xiàn)在飛行員空戰(zhàn)決策輔助系統(tǒng)的智能化，而無人機(jī)的空戰(zhàn)過程智能化將是集探測、識別、跟蹤、決策和作戰(zhàn)功能為一體的系統(tǒng)智能化[2]。

空戰(zhàn)戰(zhàn)術(shù)決策是空戰(zhàn)過程中的關(guān)鍵核心[3]。對于有人機(jī)，智能化的空戰(zhàn)輔助決策系統(tǒng)可以利用人工智能技術(shù)分擔(dān)一些飛行員的工作，比如自動進(jìn)行超視距識別、傳感器管理、戰(zhàn)術(shù)態(tài)勢判斷、戰(zhàn)術(shù)決策和飛行控制等。美軍的“飛行員助手”——戰(zhàn)術(shù)輔助決策系統(tǒng)（TacticsAssistantSystem，TA）[4]通過向飛行員提供周圍戰(zhàn)術(shù)環(huán)境信息，幫助飛行員在瞬間作出關(guān)鍵性決策響應(yīng)。該輔助系統(tǒng)具有模仿人類的思維、判斷和決策等能力，能替代或部分替代飛行員工作，大大減輕了飛行員的工作負(fù)擔(dān)。

對于無人機(jī)，UCAV進(jìn)入作戰(zhàn)空域并獲得授權(quán)后，獨(dú)立完成目標(biāo)數(shù)據(jù)處理與融合、態(tài)勢評估、威脅估計、攻擊/規(guī)避/干擾決策、武器-目標(biāo)分配、戰(zhàn)術(shù)機(jī)動、進(jìn)入攻擊區(qū)、發(fā)射武器及作戰(zhàn)模式[5]。在人工智能、大數(shù)據(jù)、物聯(lián)網(wǎng)、云計算等先進(jìn)技術(shù)推動下，基于人工智能的“虛擬飛行員”技術(shù)成為推動和實(shí)現(xiàn)UCAV空戰(zhàn)過程智能化的有效途徑。

本文圍繞當(dāng)前的自主空戰(zhàn)過程，介紹了國內(nèi)外現(xiàn)狀;同時圍繞空戰(zhàn)“觀察-判斷-決策-行動”過程，分析了未來空戰(zhàn)過程智能化技術(shù)研究思路;圍繞空戰(zhàn)過程智能化，對五個關(guān)鍵技術(shù)，即智能感知、態(tài)勢評估與目標(biāo)意圖識別、智能協(xié)同、自主空戰(zhàn)戰(zhàn)術(shù)機(jī)動決策以及機(jī)動軌跡生成進(jìn)行綜述。

1自主空戰(zhàn)過程的國內(nèi)外現(xiàn)狀

未來智能化的空戰(zhàn)過程既要求有人機(jī)的飛行員空戰(zhàn)決策助手要智能化，也要求無人作戰(zhàn)飛機(jī)自主空戰(zhàn)的智能化。當(dāng)前，國外軍事強(qiáng)國結(jié)合現(xiàn)役裝備發(fā)展了一系列空戰(zhàn)輔助系統(tǒng)。美國DARPA研究的“飛行員助手”通過向飛行員提供周圍戰(zhàn)術(shù)環(huán)境信息，幫助飛行員在瞬時作出關(guān)鍵性決策響應(yīng)。該系統(tǒng)最終應(yīng)用到F-22和F-35戰(zhàn)斗機(jī)上，并在識別、態(tài)勢評估、戰(zhàn)術(shù)決策和飛行控制等方面充當(dāng)“操縱者”的角色。俄羅斯針對T-50戰(zhàn)斗機(jī)研究了機(jī)載智能輔助系統(tǒng)，這種輔助系統(tǒng)是基于人工智能技術(shù)構(gòu)建、由機(jī)載計算系統(tǒng)實(shí)現(xiàn)的混合系統(tǒng)。世界其他一些國家也對空戰(zhàn)戰(zhàn)術(shù)輔助決策手段進(jìn)行了相關(guān)研究，包括：英國的“飛行管理助手”，德國的“飛行員IFR輔助操作系統(tǒng)”，以及法國的“智能座艙環(huán)境”研究計劃。國內(nèi)對空戰(zhàn)輔助決策手段的研究起步較晚，主要從飛行控制、預(yù)測顯示、協(xié)同空戰(zhàn)決策、多傳感器管理等方面進(jìn)行探討與研究。

目前，UCAV的空戰(zhàn)過程智能化技術(shù)研究已經(jīng)是國內(nèi)外專家的熱門課題。由于無人機(jī)能承受的過載大以及未來空戰(zhàn)的復(fù)雜度高，利用人工智能等技術(shù)賦予無人機(jī)相當(dāng)程度的自主決策權(quán)限，實(shí)現(xiàn)UCAV空戰(zhàn)過程智能化。為了追求人員零傷亡目標(biāo)，美軍認(rèn)為“非接觸”作戰(zhàn)是未來戰(zhàn)場的主要作戰(zhàn)方式，UCAV作為無人作戰(zhàn)飛行器，是“非接觸”作戰(zhàn)裝備的典型代表[6]。同時，美軍在《美國無人機(jī)發(fā)展路線圖2005-2030》中指出，無人機(jī)的最終發(fā)展目標(biāo)是：完全計算機(jī)自主化[7]。2016年6月，人工智能ALPHA在空戰(zhàn)模擬實(shí)驗(yàn)室中以100%的概率戰(zhàn)勝了空戰(zhàn)專家、美軍退役上校GeneLee[8]，如圖1所示。ALPHA采用的是遺傳模糊樹（GeneticFuzzyTrees）的方法，反應(yīng)時間不到2ms，且訓(xùn)練條件極低，一個消費(fèi)級的電腦就能滿足要求。這次空戰(zhàn)模擬對抗實(shí)驗(yàn)標(biāo)志著無人智能空戰(zhàn)已發(fā)展進(jìn)入了新的階段。2017年1月，美國海軍三架F/A-18F“大黃蜂”投放了104架微型無人機(jī)（Perdix），展示其無人機(jī)“蜂群”作戰(zhàn)能力。無人機(jī)“蜂群”作戰(zhàn)的核心就是以量取勝，以“飽和攻擊”的方式對目標(biāo)實(shí)施攻擊[9]。無人機(jī)“蜂群”作戰(zhàn)適合于防御能力較弱且低速或靜止的目標(biāo)，是未來無人機(jī)智能作戰(zhàn)的一種重要模式。美國空軍實(shí)驗(yàn)室在2018年3月發(fā)布了其面向2030年的未來空戰(zhàn)概念設(shè)想視頻。在這個視頻中，不乏有激光定向武器、微波武器、第六代戰(zhàn)斗機(jī)等為人熟知的概念，還有新提出的“忠誠僚機(jī)”（LoyalWingman）概念[10]。在“忠誠僚機(jī)”概念設(shè)想中，F(xiàn)-35戰(zhàn)斗機(jī)（作為長機(jī)）能夠控制多架無人作戰(zhàn)飛機(jī)（作為僚機(jī)）進(jìn)行協(xié)同作戰(zhàn)，如圖2所示。

2未來空戰(zhàn)過程智能化的技術(shù)思路

美國空軍上尉邁克爾·伯恩斯在《空天力量》中撰文描述到：“具有戰(zhàn)術(shù)自主能力的無人作戰(zhàn)飛行器，暫且稱之為FQ-X，采用OODA環(huán)、高機(jī)動能力的構(gòu)型以及納秒級的超快速運(yùn)算能力和對任務(wù)經(jīng)驗(yàn)的自主學(xué)習(xí)能力，將形成無與倫比的殺傷力，對未來空對空作戰(zhàn)帶來顛覆性的影響?！逼渲校琔CAV的OODA是指空戰(zhàn)武器系統(tǒng)作戰(zhàn)過程中的觀測（Observe）、判斷（Orient）、決策（Decide）、行動（Action）等關(guān)鍵環(huán)節(jié)，如圖3所示。

在未來空戰(zhàn)中，智能化將貫穿于空戰(zhàn)OODA全過程。首先，UCAV的智能觀測技術(shù)通過智能傳感器告訴UCAV在哪里以及將和誰對抗，其本質(zhì)就是空戰(zhàn)態(tài)勢感知。未來空戰(zhàn)必定處于陸、海、空、天、電、磁、網(wǎng)一體化的復(fù)雜空間中，而智能無人機(jī)作戰(zhàn)系統(tǒng)是體系作戰(zhàn)力量中的一環(huán)，是網(wǎng)絡(luò)中心戰(zhàn)系統(tǒng)中的一個關(guān)鍵節(jié)點(diǎn)。該系統(tǒng)將緊耦合在復(fù)雜的超級物聯(lián)網(wǎng)中，基于“超級物聯(lián)”和“云計算”實(shí)現(xiàn)體系作戰(zhàn)效能的最大化。智能感知是UCAV對戰(zhàn)場環(huán)境全信息域的感知能力的智能化表現(xiàn)，也是實(shí)現(xiàn)自主導(dǎo)航、任務(wù)感測的基礎(chǔ)。智能感知系統(tǒng)要求感知系統(tǒng)在信息復(fù)雜、高度對抗、任務(wù)多變的戰(zhàn)場環(huán)境中，通過有限信息感知來推斷態(tài)勢，并評估敵方作戰(zhàn)意圖。

然后，UCAV判斷智能化技術(shù)將給出敵方的意圖、威脅程度以及本機(jī)的勝算程度，這一過程也就是威脅評估的智能化。判斷目標(biāo)機(jī)的意圖是一個層層推理的動態(tài)過程。首先需要從大量的信息源中提取對己方?jīng)Q策有用的事件，然后將每個事件映射到相應(yīng)的任務(wù)上，再綜合各個事件的任務(wù)進(jìn)行推理獲得目標(biāo)的計劃安排，對目標(biāo)的意圖進(jìn)行識別。在目標(biāo)意圖識別之后，UCAV判斷智能系統(tǒng)根據(jù)當(dāng)前的信息情況，對己方的勝算進(jìn)行評估，同時也要評估敵方的威脅等級，這一過程就是UCAV作戰(zhàn)系統(tǒng)的態(tài)勢評估。

其次，空戰(zhàn)決策智能化對于UCAV來說是至關(guān)重要的一個環(huán)節(jié)。空戰(zhàn)決策智能化技術(shù)包括作戰(zhàn)規(guī)劃與戰(zhàn)術(shù)決策的智能化。一般來說，作戰(zhàn)規(guī)劃給出UCAV到哪里去、和誰去以及要做什么，其次，戰(zhàn)術(shù)決策主要表現(xiàn)在誰打誰、先打誰、用什么武器打以及怎么打。在作戰(zhàn)規(guī)劃中，未來的UCAV作戰(zhàn)系統(tǒng)必須具備更加全面的戰(zhàn)場環(huán)境感知能力，在對戰(zhàn)場態(tài)勢智能認(rèn)知的基礎(chǔ)上確定自己的占位;由于現(xiàn)代戰(zhàn)爭的復(fù)雜與多變，單個UCAV將不滿足作戰(zhàn)要求，多無人機(jī)協(xié)同作戰(zhàn)、有人/無人協(xié)同作戰(zhàn)、無人機(jī)集群作戰(zhàn)的智能化將是智能協(xié)同的具體體現(xiàn);UCAV進(jìn)入作戰(zhàn)空域并獲得授權(quán)后，必須具備精確導(dǎo)航定位、復(fù)雜動作控制、遠(yuǎn)程精確打擊、智能規(guī)劃與決策等作戰(zhàn)任務(wù)自主化能力，而智能化技術(shù)正是將UCAV從自動化推向自主化的動力源。在戰(zhàn)術(shù)決策中，對于多機(jī)對多機(jī)，首先要對協(xié)同目標(biāo)分配進(jìn)行智能化，然后根據(jù)機(jī)載武器系統(tǒng)的當(dāng)前狀態(tài)，進(jìn)行多目標(biāo)攻擊;武器決定戰(zhàn)法，不同的武器，空戰(zhàn)模式不一樣，導(dǎo)致了UCAV功能不一樣以及自主空戰(zhàn)等級的不一樣，如表1所示;最后，自主空戰(zhàn)決策智能化必須要解決三個基本性問題：如何構(gòu)建學(xué)習(xí)機(jī)制、如何進(jìn)行思維決策、如何實(shí)現(xiàn)行為控制。

最后，UCAV的行動智能化技術(shù)將告訴我們在哪里打、何時打以及打后做什么工作。不同的武器有不同的作戰(zhàn)模式。比如近距空空導(dǎo)彈，到目前為止，第四代近距空空導(dǎo)彈擁有大離軸角、大過載，全向攻擊目標(biāo)，并能打擊目標(biāo)要害部位，抗干擾性能較好等優(yōu)勢，使UCAV機(jī)動占位，并到達(dá)攻擊區(qū)發(fā)射導(dǎo)彈。UCAV作戰(zhàn)系統(tǒng)根據(jù)導(dǎo)彈的可攻擊區(qū)與導(dǎo)彈類型，可發(fā)射后不管（紅外制導(dǎo)近距格斗空空導(dǎo)彈），也可跟蹤目標(biāo)，直到將導(dǎo)彈引導(dǎo)至目標(biāo)（雷達(dá)制導(dǎo)中距空空導(dǎo)彈，如圖4

所示）。當(dāng)完成對目標(biāo)的攻擊后，UCAV還需要進(jìn)行評估工作，其中包括UCAV打得怎么樣、怎么規(guī)避威脅以及怎么退出戰(zhàn)場。毀傷評估是目前無人機(jī)自主作戰(zhàn)的一大難題，通過是否打中、是否毀傷、是否補(bǔ)彈來進(jìn)行接下來的作戰(zhàn)樣式;在空戰(zhàn)過程中，實(shí)時對空戰(zhàn)態(tài)勢的變化做出反應(yīng)，實(shí)現(xiàn)“進(jìn)攻-規(guī)避”角色的智能切換，保持我機(jī)的戰(zhàn)術(shù)優(yōu)勢，比如普加喬夫戰(zhàn)術(shù)動作，將當(dāng)前的不利態(tài)勢，轉(zhuǎn)換為整個戰(zhàn)術(shù)上的優(yōu)勢，如圖5所示。

3UCAV空戰(zhàn)過程智能化關(guān)鍵技術(shù)研究

UCAV空戰(zhàn)過程智能化的關(guān)鍵技術(shù)主要包括以下五個方面的技術(shù)。

3.1智能感知技術(shù)

UCAV態(tài)勢感知是空戰(zhàn)戰(zhàn)術(shù)決策與機(jī)動控制的前提。未來空戰(zhàn)要求智能感知系統(tǒng)能夠在信息復(fù)雜、高度對抗、任務(wù)多變的戰(zhàn)場環(huán)境中發(fā)揮重要的前端作用。智能感知技術(shù)包括多源信息采集、融合與處理技術(shù)、非結(jié)構(gòu)化環(huán)境感知技術(shù)以及復(fù)雜環(huán)境認(rèn)知學(xué)習(xí)和推理技術(shù)。

多源信息采集、融合與處理技術(shù)主要是無人機(jī)作戰(zhàn)系統(tǒng)通過多傳感器所獲得信息，依據(jù)某種準(zhǔn)則進(jìn)行組合，實(shí)現(xiàn)對所獲數(shù)據(jù)的結(jié)構(gòu)化表示，獲得目標(biāo)和環(huán)境信息。對于UCAV來說，首先通過高度傳感器（大氣數(shù)據(jù)計算機(jī)、無線電高度表、GPS）與角度傳感器（垂直陀螺、航姿參考系統(tǒng)）分別獲得原始的高度數(shù)據(jù)與俯仰角數(shù)據(jù)，再通過數(shù)據(jù)融合算法對兩者原始數(shù)據(jù)進(jìn)行處理，其數(shù)據(jù)融合過程如圖6所示。

聯(lián)合實(shí)驗(yàn)室（JointDirectorsofLaboratories，JDL）定義數(shù)據(jù)融合是一個“多層次、多方面處理自動檢測、聯(lián)系、相關(guān)、估計以及多來源的信息和數(shù)據(jù)的組合過程”[11-12]。

多源信息采集、融合與處理技術(shù)應(yīng)用至今，有著很多成熟的數(shù)據(jù)融合算法，包括聚類分析方法、證據(jù)理論法、DS算法以及近年來火熱的計算機(jī)智能方法。通過融合過程中采用的不同算法，多源信息融合技術(shù)可以分為兩類：基于統(tǒng)計學(xué)的數(shù)據(jù)融合技術(shù)與基于人工智能的數(shù)據(jù)融合技術(shù)[13]，如圖7所示。在多傳感器數(shù)據(jù)融合中，基于統(tǒng)計學(xué)的算法主要運(yùn)用傳統(tǒng)概率統(tǒng)計方法，利用概率分布或者密度函數(shù)來描述數(shù)據(jù)的不確定性，主要包括貝葉斯估計[14]、卡爾曼濾波[15]以及回歸分析[16]等算法;基于統(tǒng)計學(xué)的數(shù)據(jù)融合技術(shù)，主要解決

數(shù)據(jù)的不確定性融合，雖然有完善和可理解的數(shù)學(xué)處理方法，但魯棒性較低。近幾年，基于人工智能的數(shù)據(jù)融合算法被廣泛關(guān)注，其中包括遺傳算法[17]、神經(jīng)網(wǎng)絡(luò)[18]、模糊邏輯[19]等算法;基于人工智能的數(shù)據(jù)融合算法通過一定的先驗(yàn)知識，同時用自組織、自適應(yīng)的學(xué)習(xí)方式對數(shù)據(jù)進(jìn)行訓(xùn)練及預(yù)測。對于數(shù)據(jù)融合方法的加權(quán)系數(shù)的優(yōu)化問題，智能優(yōu)化算法可以有效地從各融合數(shù)據(jù)中提取有效信息，取得良好的融合效果[20]。

在復(fù)雜、強(qiáng)對抗環(huán)境下，無人機(jī)系統(tǒng)實(shí)現(xiàn)高可靠、強(qiáng)實(shí)時環(huán)境感知的難度很大。戰(zhàn)爭是一種復(fù)雜、混亂的行為，戰(zhàn)場環(huán)境具有不確定性與不可預(yù)知性，因此空戰(zhàn)中感知到的數(shù)據(jù)是非結(jié)構(gòu)數(shù)據(jù)。非結(jié)構(gòu)化的空戰(zhàn)感知信息常表現(xiàn)出以下特征：數(shù)據(jù)形式是高維、海量、動態(tài)的;同時，內(nèi)容是不完整、不確定的。非結(jié)構(gòu)化的環(huán)境感知能力是依據(jù)物理傳感器收集到的真實(shí)物體信息以及作戰(zhàn)系統(tǒng)的虛擬物體信息，重建真實(shí)物理場景。目前，環(huán)境感知在理論和應(yīng)用方面取得了巨大進(jìn)步，但是還不能處理復(fù)雜的環(huán)境感知問題，尤其是未來空戰(zhàn)過程智能化中的環(huán)境感知問題。隨著人工智能的發(fā)展，國內(nèi)外學(xué)者將遺傳算法、模糊邏輯、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、深度學(xué)習(xí)等人工智能方法應(yīng)用于非結(jié)構(gòu)化環(huán)境感知問題中[21-23]。

UCAV能夠感知、識別、理解其所處的戰(zhàn)場環(huán)境，是UCAV作戰(zhàn)系統(tǒng)實(shí)現(xiàn)高級智能的基礎(chǔ)。借鑒人類認(rèn)知過程重點(diǎn)突破認(rèn)知信息處理、復(fù)雜環(huán)境認(rèn)知算法、基于認(rèn)知的學(xué)習(xí)和推理方法是未來空戰(zhàn)過程智能化的趨勢。UCAV復(fù)雜環(huán)境認(rèn)知學(xué)習(xí)和推理技術(shù)分為反應(yīng)層與協(xié)調(diào)層，環(huán)境信息通過反應(yīng)層傳感器接受與處理，送到協(xié)調(diào)層的認(rèn)知模型，利用人工神經(jīng)網(wǎng)絡(luò)（實(shí)現(xiàn)學(xué)習(xí)過程）結(jié)合以規(guī)則為基礎(chǔ)的專家系統(tǒng)（實(shí)現(xiàn)推理過程）可以實(shí)現(xiàn)一個完整的認(rèn)知學(xué)習(xí)與推理系統(tǒng)[24]，UCAV基于神經(jīng)網(wǎng)絡(luò)的認(rèn)知技術(shù)如圖8所示。

3.2態(tài)勢評估與目標(biāo)意圖識別技術(shù)

空戰(zhàn)態(tài)勢評估與目標(biāo)意圖識別是智能空戰(zhàn)決策的前提，是不可缺少的一個環(huán)節(jié)。目標(biāo)意圖識別是戰(zhàn)場態(tài)勢評估的一個重要部分，并且直接關(guān)系到UCAV作戰(zhàn)系統(tǒng)的決策[25]。

目標(biāo)意圖識別系統(tǒng)有空戰(zhàn)行動特征提取、任務(wù)推理和意圖識別三級結(jié)構(gòu)組成，這三級結(jié)構(gòu)逐級推理，每級都以前級為基礎(chǔ)，形成意圖識別系統(tǒng)，如圖9所示。目標(biāo)意圖識別就是利用多傳感器系統(tǒng)提供的戰(zhàn)場目標(biāo)信息，判斷出目標(biāo)可能的意圖。目標(biāo)意圖識別方法主要包括貝葉斯推理[26]、貝葉斯網(wǎng)絡(luò)[27]、神經(jīng)網(wǎng)絡(luò)[28]以及專家系統(tǒng)[29]等。由于多個傳感器的信息樣式多樣性以及戰(zhàn)場環(huán)境不確定性，傳統(tǒng)的目標(biāo)識別方法不能準(zhǔn)確有效地去處理不確定信息。置信規(guī)則庫具有可追溯性和可解釋性，將其與傳統(tǒng)方法結(jié)合，可以提高意圖識別的精度[30]。XGBoost是梯度Boosting機(jī)器算法的一種執(zhí)行方法，可以進(jìn)行并行計算，通過與傳統(tǒng)識別方法結(jié)合，使識別實(shí)時化。

知道目標(biāo)的意圖之后，UCAV作戰(zhàn)系統(tǒng)需要分析自己的勝算，其本質(zhì)就是態(tài)勢評估。依據(jù)敵我雙方武器、電子設(shè)備性能、敵作戰(zhàn)企圖，以定量或定性的形式對敵方威脅程度做出估計和分析，確定敵方的威脅等級，實(shí)現(xiàn)敵我態(tài)勢評估，如圖10所示。當(dāng)敵我雙方空戰(zhàn)能力相當(dāng)時，具有優(yōu)勢空戰(zhàn)態(tài)勢的一方將會取得空戰(zhàn)勝利。對于空戰(zhàn)威脅評估，首先要建立優(yōu)勢函數(shù)，通過優(yōu)勢函數(shù)值來評估態(tài)勢優(yōu)勢，為了使評估結(jié)果全面，還需要引入空空導(dǎo)彈攻擊區(qū)[31]。

3.3智能協(xié)同技術(shù)

智能協(xié)同主要解決多無人機(jī)之間分布式協(xié)同和人機(jī)之間的交互協(xié)作行為，實(shí)現(xiàn)有人/無人機(jī)協(xié)同作戰(zhàn)、多無人機(jī)協(xié)同作戰(zhàn)，增強(qiáng)無人機(jī)集群的任務(wù)能力。協(xié)同智能技術(shù)包括多無人機(jī)任務(wù)分配與協(xié)調(diào)技術(shù)、多無人機(jī)編隊協(xié)同航路規(guī)劃技術(shù)、分布式態(tài)勢共享技術(shù)、人機(jī)功能動態(tài)分配與人機(jī)接口技術(shù)。

在多無人機(jī)任務(wù)分配與協(xié)調(diào)中，以最小代價合理地將無人機(jī)以最佳任務(wù)狀態(tài)分配給最合適的UCAV[32]。針對任務(wù)分配與協(xié)調(diào)問題，常采用的方法有基于協(xié)商機(jī)制的分布式方法、基于多層樹的協(xié)同方法以及基于智能優(yōu)化算法的任務(wù)分配，圖11所示為現(xiàn)有的優(yōu)化算法。由于未來空戰(zhàn)的復(fù)雜多樣性，任務(wù)分配與協(xié)調(diào)模型的評價函數(shù)必定是多項(xiàng)指標(biāo)融合在一起的，而智能優(yōu)化算法不能保證每個指標(biāo)都是最優(yōu)的，但可以肯定的是求得的解一定是較優(yōu)解。在實(shí)際的協(xié)同任務(wù)執(zhí)行過程中，可能會出現(xiàn)任務(wù)環(huán)境不確定性，因此，基于快速求解的智能優(yōu)化算法更能穩(wěn)定地適應(yīng)實(shí)時環(huán)境。

多無人機(jī)協(xié)同在未來戰(zhàn)爭中要面臨環(huán)境復(fù)雜、約束眾多、信息模糊、實(shí)時性高等諸多挑戰(zhàn)，同時要確保無人機(jī)的安全、任務(wù)代價、運(yùn)行時間等多項(xiàng)指標(biāo)整體優(yōu)化。多無人機(jī)編隊協(xié)同航跡規(guī)劃是指多架無人機(jī)編隊根據(jù)任務(wù)需求，設(shè)計出滿足機(jī)動性能約束與威脅環(huán)境約束的協(xié)同航跡[33]。編隊協(xié)同根據(jù)協(xié)同地位分為平等協(xié)同（各機(jī)地位相同，目標(biāo)一致）、長僚協(xié)同（僚機(jī)隨長機(jī)協(xié)同）與銜級協(xié)同（按級協(xié)同）。多UCAV協(xié)同航跡規(guī)劃方法主要包括機(jī)器學(xué)習(xí)[34]、A*搜索算法[35]、快速搜索隨機(jī)樹、概率圖方法以及智能優(yōu)化算法[36]。由于戰(zhàn)場環(huán)境的多變性以及無人機(jī)平臺的性能約束，應(yīng)關(guān)注實(shí)時智能航跡規(guī)劃算法亟待解決的問題，同時還要考慮智能航跡規(guī)劃系統(tǒng)產(chǎn)生的航跡是否滿足飛機(jī)性能要求。

無人機(jī)集群協(xié)同完成任務(wù)的前提是享有對當(dāng)前作戰(zhàn)任務(wù)環(huán)境的相同認(rèn)知，這就要求在機(jī)間數(shù)據(jù)鏈的基礎(chǔ)上發(fā)展分布式態(tài)勢共享技術(shù)。同時，無人機(jī)作戰(zhàn)系統(tǒng)是“平臺無人、系統(tǒng)有人”，智能化無人機(jī)作戰(zhàn)系統(tǒng)可以與有人系統(tǒng)共同完成任務(wù)，實(shí)現(xiàn)高效協(xié)同，如圖12所示。

3.4自主空戰(zhàn)戰(zhàn)術(shù)機(jī)動決策技術(shù)

將空戰(zhàn)決策作為一個系統(tǒng)，系統(tǒng)的輸入是與空戰(zhàn)態(tài)勢相關(guān)的各種參數(shù)，如我機(jī)的平臺參數(shù)、武器參數(shù)、敵我構(gòu)成的態(tài)勢參數(shù)等，決策過程便是系統(tǒng)內(nèi)部的信息處理機(jī)制，系統(tǒng)輸出的即為決策結(jié)果：戰(zhàn)術(shù)方案或者某種機(jī)動動作，如圖13所示?？諔?zhàn)決策是一個復(fù)雜的動態(tài)過程，空戰(zhàn)決策的結(jié)果必須能被下一級執(zhí)行層識別并執(zhí)行，如此循環(huán)往復(fù)，直至任務(wù)結(jié)束。在空戰(zhàn)決策問題中，對決策結(jié)果影響較大是空戰(zhàn)態(tài)勢函數(shù)、空戰(zhàn)決策模型。合理的態(tài)勢函數(shù)不僅能直觀地表示當(dāng)前空戰(zhàn)態(tài)勢，并且在決策推理過程中也不會過于冗長復(fù)雜，態(tài)勢函數(shù)的設(shè)計重點(diǎn)在于態(tài)勢子函數(shù)權(quán)重的自適應(yīng)調(diào)整，即在不同的態(tài)勢情況下，子函數(shù)的權(quán)重自動調(diào)整以突出當(dāng)前態(tài)勢下，哪種因素對整個態(tài)勢的

影響更大;空戰(zhàn)決策模型的設(shè)計決定了決策結(jié)果的優(yōu)劣，因此構(gòu)建一個穩(wěn)定的、精度較高的、實(shí)時性強(qiáng)的決策模型是研究空戰(zhàn)決策問題的核心?？諔?zhàn)決策和控制技術(shù)與“觀察-判斷-決策-行動：OODA”循環(huán)結(jié)構(gòu)相結(jié)合，運(yùn)用大數(shù)據(jù)和機(jī)器學(xué)習(xí)方法提取有人機(jī)飛行員的空戰(zhàn)經(jīng)驗(yàn)并結(jié)合推理決策算法，實(shí)現(xiàn)實(shí)時空戰(zhàn)決策。自主空戰(zhàn)機(jī)動決策傳統(tǒng)方法主要包括微分對策[37]、矩陣對策法[38]、近似動態(tài)規(guī)劃法[39]、影像圖法[40]。人工智能就是構(gòu)造一個人工系統(tǒng)使其能讓機(jī)器來替代需要人類智力才能完成的工作。隨著人工智能的發(fā)展，基于人工智能的空戰(zhàn)決策方法包括專家系統(tǒng)、遺傳模糊樹和強(qiáng)化學(xué)習(xí)。

3.5自主空戰(zhàn)機(jī)動軌跡生成技術(shù)

自主空戰(zhàn)機(jī)動軌跡生成是UCAV將戰(zhàn)術(shù)決策、機(jī)動決策產(chǎn)生的結(jié)果轉(zhuǎn)化為飛行控制系統(tǒng)能夠識別的軌跡指令或者引導(dǎo)指令，是決策層與執(zhí)行層之間的接口。機(jī)動軌跡生成的目標(biāo)是基于某一目標(biāo)函數(shù)，為UCAV規(guī)劃參考軌跡或者規(guī)劃操縱控制系統(tǒng)的期望輸入量，使無人作戰(zhàn)飛機(jī)按照該參考量執(zhí)行，從而實(shí)現(xiàn)決策目的。自主空戰(zhàn)機(jī)動軌跡生成技術(shù)包括確定型算法和隨機(jī)搜索算法以及后來的群智能算法和近幾年比較熱門的數(shù)值解法，其分類如圖14所示[41]。針對空戰(zhàn)態(tài)勢快速變化的特點(diǎn)，首先設(shè)計了UCAV行為規(guī)劃模塊一般框架，分別針對攻擊占位機(jī)動行為和規(guī)避敵機(jī)威脅的機(jī)動行為設(shè)計了目標(biāo)函數(shù)，使UCAV在空戰(zhàn)過程中根據(jù)當(dāng)前態(tài)勢結(jié)合戰(zhàn)術(shù)決策、機(jī)動決策結(jié)果自動在目標(biāo)函數(shù)之間進(jìn)行切換，并通過軌跡規(guī)劃模塊將機(jī)動行為轉(zhuǎn)換為機(jī)動飛行參考軌跡，送入執(zhí)行層進(jìn)行實(shí)施。

4結(jié)束語

空戰(zhàn)過程智能化是有人機(jī)空戰(zhàn)輔助系統(tǒng)與無人作戰(zhàn)飛機(jī)的發(fā)展趨勢，研究未來空戰(zhàn)過程中的智能化技術(shù)是實(shí)現(xiàn)智能空戰(zhàn)的有效途徑。首先對國內(nèi)外的自主空戰(zhàn)技術(shù)進(jìn)行探究與綜述，從有人機(jī)空戰(zhàn)輔助系統(tǒng)與無人作戰(zhàn)飛機(jī)兩種角度看自主空戰(zhàn)技術(shù)發(fā)展。根據(jù)“觀察-判斷-決策-行動”空戰(zhàn)環(huán)節(jié)的特征，分析其智能化技術(shù)的目的，同時給出相應(yīng)的設(shè)計思路。要設(shè)計一個完整空戰(zhàn)智能化系統(tǒng)，需要解決五個方面的關(guān)鍵技術(shù)。隨著人工智能的發(fā)展，通過引入人工智能的理論與思路，空戰(zhàn)過程智能化將離我們不遠(yuǎn)。

參考文獻(xiàn)：

[1]黃長強(qiáng)，丁達(dá)理，黃漢橋，等.無人作戰(zhàn)飛機(jī)自主攻擊技術(shù)[M].北京：國防工業(yè)出版社，2014.

HuangChangqiang，DingDali，HuangHanqiao，etal.AutonomousAttackTechnologyforUCAV[M].Beijing：NationalDefenseIndustryPress，2014.（inChinese）

[2]黃長強(qiáng)，唐上欽.從“阿法狗”到“阿法鷹”——論無人作戰(zhàn)飛機(jī)智能自主空戰(zhàn)技術(shù)[J].指揮與控制學(xué)報，2016，2（3）：261-264.

HuangChangqiang，TangShangqin.FromAlphagotoAlphaeagle：OntheIntelligentAutonomousAirCombatTechnologyforUCAV[J].JournalofCommandandControl，2016，2（3）：261-264.（inChinese）

[3]ZhouKai，WeiRuixuan，XuZhuofan，etal.ABrainLikeAirCombatLearningSystemInspiredbyHumanLearningMechanism[C]∥IEEE/CSAAGuidance，NavigationandControlConference，2018：286-293.

[4]喬鑫，孔繁峨，馮星，等.單機(jī)超視距空戰(zhàn)智能輔助決策方法[J].電光與控制，2011，18（6）：9-15.

QiaoXin，KongFane，F(xiàn)engXing，etal.AnIntelligentDecisionMakingMethodUsedinBeyondVisualRangeAirCombat[J].ElectronicsOptics&Control，2011，18（6）：9-15.（inChinese）

[5]黃長強(qiáng)，趙克新，韓邦杰，等.一種近似動態(tài)規(guī)劃的無人機(jī)機(jī)動決策方法[J].電子與信息學(xué)報，2018，40（10）：2447-2452.

HuangChangqiang，ZhaoKexin，HanBangjie，etal.ManeuveringDecisionMakingMethodofUAVBasedonApproximateDynamicProgramming[J].JournalofElectronics&InformationTechnology，2018，40（10）：2447-2452.（inChinese）

[6]呂信明.軍用無人機(jī)的發(fā)展及對策[J].國防科技，2013，34（1）：5-7.

LüXinming.MilitaryUAVDevelopmentandCountermeasures[J].NationalDefenseScience&Technology，2013，34（1）：5-7.（inChinese）

[7]UnmannedSystemsIntegratedRoadmap2005-2030[R].WashingtonDC：DepartmentofDefenseOffice，2005.

[8]

UniversityofCincinnati.

NewArtificialIntelligenceBeatsTacticalExpertsinCombatSimulation[EB/OL].（2016-06-27）[2018-11-15].http：∥magazine.uc.edu/editors_picks/recent_features/alpha.html.

[9]袁利平，陳宗基，周銳，等.多無人機(jī)同時到達(dá)的分散化控制方法[J].航空學(xué)報，2010，31（4）：797-805.

YuanLiping，ChenZongji，ZhouRui，etal.DecentralizedControlforSimultaneousArrivalofMultipleUAVs[J].ActaAeronauticaetAstronauticaSinica，2010，31（4）：797-805.（inChinese）

[10]AllhoffF，EvansNG，HenschkeA.RoutledgeHandbookofEthicsandWar：JustWarTheoryintheTwentyFirstCentury[M].London：Routledge，2013.

[11]KhaleghiB，KhamisA，KarrayFO，etal.MultisensorDataFusion：AReviewoftheStateoftheArt[J].InformationFusion，2013，14（1）：28-44.

[12]YangMingxing，HeJingsha，SunXuguang.ResearchonSecureDataAggregationinWirelessSensorNetworksBasedonClusteringMethod[C]∥InternationalConferenceonInternetTechnologyandApplications，IEEE，2011：1-4.

[13]張浩，張靜靜.無線傳感器網(wǎng)絡(luò)數(shù)據(jù)融合算法[J].計算機(jī)工程與軟件，2017，38（12）：296-304.

ZhangHao，ZhangJingjing.ASurveyofDataFusioninWirelessSensorNetworks[J].ComputerEngineering&Software，2017，38（12）：296-304.（inChinese）

[14]AbdulhafizWA，KhamisA.BayesianApproachtoMultisensorDataFusionwithPreandPostFiltering[C]∥InternationalConferenceonNetworking，SensingandControl，IEEE，2013：373-378.

[15]XuJian，LiJianxun，XuSheng.DataFusionforTargetTrackinginWirelessSensorNetworksUsingQuantizedInnovationsandKalmanFiltering[J].ScienceChinaInformationSciences，2012，55（3）：530-544.

[16]YangMingxin.ConstructingEnergyEfficientDataAggregationTreesBasedonInformationEntropyinWirelessSensorNetworks[C]∥IEEEAdvancedInformationTechnology，Electronic&AutomationControlConference，2015：527-531.

[17]PintoAR，MontezC，AraújoG，etal.AnApproachtoImplementDataFusionTechniquesinWirelessSensorNetworksUsingGeneticMachineLearningAlgorithms[J].InformationFusion，2014，15：90-101.

[18]LiShi，LiuMengyao，XiaLi.WSNDataFusionApproachBasedonImprovedBPAlgorithmandClusteringProtocol[C]∥27thChineseControlandDecisionConference，2015：1450-1454.

[19]IzadiD，AbawajyJH，GhanavatiS，etal.ADataFusionMethodinWirelessSensorNetworks[J].Sensors，2015，15（2）：2964-2979.

[20]孫凱明，胡曉工，王剛.基于布谷鳥搜索算法的多傳感器數(shù)據(jù)融合[J].自動化技術(shù)與應(yīng)用，2018，37（7）：13-15.

SunKaiming，HuXiaogong，WangGang.MultisensorDataFusionBasedonCuckooSearchAlgorithm[J].TechniquesofAutomation&Applications，2018，37（7）：13-15.（inChinese）

[21]劉宏林，羅楊宇，李成榮.基于模糊控制器的未知環(huán)境下移動機(jī)器人導(dǎo)航[J].計算機(jī)仿真，2011，28（1）：201-205.

LiuHonglin，LuoYangyu，LiChengrong.FuzzyControllerforMobileRobotNavigationunderUnknownEnvironments[J].ComputerSimulation，2011，28（1）：201-205.（inChinese）

[22]高峰，黃玉美，林義忠，等.自主移動機(jī)器人的模糊智能導(dǎo)航[J].西安理工大學(xué)學(xué)報，2005，21（4）：337-341.

GaoFeng，HuangYumei，LinYizhong，etal.FuzzyIntelligentNavigationofAutonomousMobileRobot[J].JournalofXianUniversityofTechnology，2005，21（4）：337-341.（inChinese）

[23]賈林，顧爽，陳啟軍.基于圖像視覺伺服的移動機(jī)器人自主導(dǎo)航實(shí)現(xiàn)[J].華中科技大學(xué)學(xué)報：自然科學(xué)版，2011，39（S2）：220-222.

JiaLin，GuShuang，ChenQijun.AnAutonomousNavigationProcedureforMobileRobotonImageBasedVisualServoing[J].JournalofHuazhongUniversityofScienceandTechnology：NaturalScienceEdition，2011，39（S2）：220-222.（inChinese）

[24]賀倩，馮志勇，張平.基于人工智能技術(shù)的認(rèn)知無線網(wǎng)絡(luò)重構(gòu)決策算法[J].通信學(xué)報，2012，33（7）：96-102.

HeQian，F(xiàn)engZhiyong，ZhangPing.ReconfigurationDecisionMakingBasedonArtificialIntelligenceTechnologyinCognitiveRadioNetworks[J].JournalonCommunications，2012，33（7）：96-102.（inChinese）

[25]PachterM，ChandlerPR，SmithL.ManeuveringFlightControl[J].JournalofGuidance，Control，andDynamics，2012，35（3）：368-374.

[26]WiseKA，LavretskyE，HovakimyanN，etal.VerifiableAdaptiveFlightControl：UCAVandAerialRefueling[C]∥AIAAGuidance，NavigationandControlConferenceandExhibit，2008：1-26.

[27]MahmoodA，KimY，ParkJ.RobustH∞AutopilotDesignforAgileMissilewithTimeVaryingParameters[J].IEEETransactionsonAerospace&ElectronicSystems;，2014，50（4）：3082-3089.

[28]洪炳熔，金飛虎，高慶吉.基于蟻群算法的多層前饋神經(jīng)網(wǎng)絡(luò)[J].哈爾濱工業(yè)大學(xué)學(xué)報，2003，35（7）：823-825.

HongBingrong，JinFeihu，GaoQingji.MultiLayerFeedforwardNeuralNetworkBasedonAntColonySystem[J].JournalofHarbinInstituteofTechnology，2003，35（7）：823-825.（inChinese）

[29]LavretskyE，WiseKA.RobustandAdaptiveControlwithAerospaceApplications[M].Berlin：Springer，2013：367-372.

[30]趙福均，周志杰，胡昌華，等.基于置信規(guī)則庫和證據(jù)推理的空中目標(biāo)意圖識別方法[J].電光與控制，2017，24（8）：15-19.

ZhaoFujun，ZhouZhijie，HuChanghua，etal.AerialTargetIntentionRecognitionApproachBasedonBeliefRuleBaseandEvidentialReasoning[J].ElectronicsOptics&Control，2017，24（8）：15-19.（inChinese）

[31]顧佼佼，劉衛(wèi)華，姜文志.基于攻擊區(qū)和殺傷概率的視距內(nèi)空戰(zhàn)態(tài)勢評估[J].系統(tǒng)工程與電子技術(shù)，2015，37（6）：1306-1312.

GuJiaojiao，LiuWeihua，JiangWenzhi.WVRAirCombatSituationAssessmentModelBasedonWeaponEngagementZoneandKillProbability[J].SystemsEngineeringandElectronics，2015，37（6）：1306-1312.（inChinese）

[32]魏政磊，趙輝，黃漢橋，等.基于SAGWO算法的UCAVs動態(tài)協(xié)同任務(wù)分配[J].北京航空航天大學(xué)學(xué)報，2018，44（8）：1651-1664.

WeiZhenglei，ZhaoHui，HuangHanqiao，etal.DynamicUCAVsCooperativeTaskAllocationBasedonSAGWOAlgorithm[J].JournalofBeijingUniversityofAeronauticsandAstronautics，2018，44（8）：1651-1664.（inChinese）

[33]周瑞，黃長強(qiáng)，魏政磊，等.MP-GWO算法在多UCAV協(xié)同航跡規(guī)劃中的應(yīng)用[J].空軍工程大學(xué)學(xué)報：自然科學(xué)版，2017，18（5）：24-29.

ZhouRui，HuangChangqiang，WeiZhenglei，etal.ApplicationofMPGWOAlgorithminMultipleCooperatingUCAVPathPlanning[J].JournalofAirForceEngineeringUniversity：NaturalScienceEdition，2017，18（5）：24-29.（inChinese）

[34]GuB，ShengVS，TayKY，etal.IncrementalSupportVectorLearningforOrdinalRegression[J].IEEETransactionsonNeuralNetworksandLearningSystems，2014，26（7）：1403-1416.

[35]ZhangB，TangL，RoemerM.ProbabilisticWeatherForecastingAnalysisforUnmannedAerialVehiclePathPlanning[J].JournalofGuidance，Control，andDynamics，2014，37（1）：309-312.

[36]黃長強(qiáng)，趙克新.基于改進(jìn)蟻獅算法的無人機(jī)三維航跡規(guī)劃[J].電子與信息學(xué)報，2018，40（7）：1532-1538.

HuangChangqiang，ZhaoKexin.ThreeDimensionalPathPlanningofUAVwithImprovedAntLionOptimizer[J].JournalofElectronics&InformationTechnology，2018，40（7）：1532-1538.（inChinese）

[37]MukaiH，TanikawaA，TunayI，etal.SequentialLinearQuadraticMethodforDifferentialGames[J].ComputationalOptimizationandApplications，2003，25（1-3）：193-222.

[38]PoropudasJ，VirtanenK.GameTheoreticValidationandAnalysisofAirCombatSimulationModels[J].IEEETransactionsonSystems，Man，andCyberneticsPartA：SystemsandHumans，2010，40（5）：1057-1070.

[39]MaYaofei，MaXiaole，SongXiao.ACaseStudyonAirCombatDecisionUsingApproximatedDynamicProgramming[J].MathematicalProblemsinEngineering，2014.

[40]VirtanenK，RaivioT，HmlinenRP.ModelingPilotsSequentialManeuveringDecisionsbyaMultistageInfluenceDiagram[J].JournalofGuidance，Control，andDynamics，2004，27（4）：665-677.