智能化军事【六】国外研究进展
@
前言
本文是智能化军事系列文章第六章——国外研究进展。
系列文章链接:
- 智能化军事【一】智能赋能OODA环
- 智能化军事【二】军事AI应用场景
- 智能化军事【三】军事AI应用痛点及解决方案
- 智能化军事【四】AI芯片在智能化军事中的应用模式
- 智能化军事【五】精确制导武器智能化实现
- 智能化军事【六】国外研究进展
国外研究进展
国外导弹武器智能精确制导技术发展
国外方面,美国、加拿大、英国等西方国家在*年以深度学*为主的人工智能研究浪潮中占据技术优势。美国国防高级研究计划局(DARPA)、航空航天局(NASA)等机构从上世纪90年代起一直高度关注人工智能技术研究,并持续推进人工智能技术在精确打击武器、空中侦察打击、雷达干扰对抗等国防相关领域的工程化应用,以获得更精确、更安全、更经济的军事打击效果。
在精确打击武器方面,远程反舰导弹(LRASM)项目是人工智能技术对于导弹武器精确制导的成功应用案例。LRASM是DARPA与美国海军联合部署研发的新一代反舰巡航导弹,旨在空海一体战的战略大背景下,为美国海军提供先进反水面远程作战能力。LRASM强调要具备高度的智能自主作战能力。对于LRASM而言,全自主无中继制导是其核心技术之一。全自主无中继制导是指导弹能够依靠先进的弹载传感器技术和数据处理能力完成目标探测与识别,具体包括多传感器弹载集成、多传感器信息融合、复杂战场环境下目标识别、弹载高性能数据处理等技术。在目标识别方面,美国军方称:LRASM导弹借助人工智能技术拥有“先进的末段生存能力和精确杀伤力”,能在航运密集的海面上从众多舰船中准确地识别出预设的特定类型舰船目标。因此,美国方面也将LRASM称为“人工智能(AI)导弹”。
在侦察打击方面,DARPA积极推动将人工智能最新技术应用于飞机、无人飞行器等平台在复杂环境下的快速、精确目标识别。2015年,DARPA与美国空军研究实验室(AFRL)支持深度学*分析公司(Deep Learning Analytics)开展“对抗环境下的目标识别及适应性研究(TRACE)”项目。TRACE项目旨在借助机器学*新算法、低功耗移动计算架构(多核SOC系统、多核GPU和FPGA等)和雷达信号建模方面的最新技术开发一种准确、实时、低功耗的雷达目标识别系统。据DARPA介绍,TRACE项目将借助人工智能技术,有效降低目标密集作战环境中诱饵和背景无关车辆对自动目标识别(ATR)系统有效性的影响,为战术侦察和打击平台提供远距离高精度的目标识别能力。目前,TRACE项目在对地面静止目标进行实时识别验证过程中采用了分辨率为1英尺(约0.3米)的合成孔径雷达图像,如图所示。
DARPA TRACE项目试验验证雷达图像
在雷达干扰对抗方面,DARPA从2008年开始资助先进认知干扰技术和人工智能技术研究项目,先后支持洛.马公司、BAE系统等公司开展了“行为学*自适应电子战(BLADE)”、“自适应雷达对抗(ARC)”等项目研究。BLADE与ARC项目的研究重点就是将机器学*技术用于在雷达电子对抗过程中快速分析、表征和学*敌方新的、未知的无线电威胁,动态、自主生成对抗策略,并根据干扰威胁变化,提供精确的干扰对抗性能评估。目前,BLADE项目已经成功完成空中飞行演示实验,ARC项目已进入第三阶段,预计2018年完成项目研制。
国外导弹防御领域人工智能研究
美国成像末制导技术智能化发展现状
2020年7月,美国导弹防御局与国防创新小组合作,在高超声速导弹飞行过程中利用人工智能技术模拟其轨迹。
而随着作战人员被更短的决策周期、更大的数据量和更多的技术系统所淹没,美国军方认识到需要自动化决策辅助来支持战斗管理。2020年,美国海军研究生院开展了“利用人工智能进行防空和导弹防御:以结果为导向的决策辅助”研究项目。
2021年8月,美国时任导弹防御局局长乔恩·A·希尔在太空与导弹防御研讨会上称,美国军方进行导弹试验时会产生大量数据(*一次地面中段防御测试产生的数据量就达到了TB级),但并非所有数据都会得到利用,导弹防御局正在研究如何使用人工智能改进算法,以及如何执行检测-控制-交战序列,从而检测跟踪和区分目标、进行指挥控制操作。
飞航导弹是依靠弹体产生的空气动力以及发动机的推力,沿着机动多变的弹道自主飞行,并将战斗部载荷投送到目标的武器,可以说,飞航导弹从诞生就是一个人工智能系统,它具备了知识表示、感知、规划、运动控制等特征。飞航导弹的智能化是渐进的概念,随着技术进步飞航导弹的智能化也在不断提高,目前美国的远程反舰导弹LRASM被认为是当前智能化飞航导弹的典型代表。
2023年美国两次试射了海空通用的“远程反舰导弹”LRASM,根据其宣传片,部属在海上的美国舰艇编队派出挂载LRASM的F18战机巡逻,监视卫星发现俄罗斯海上舰艇编队目标后,向指挥中心发送目标指示信息。作战指挥系统根据作战需求,发射两枚舰载LRASM,通过数据链由舰艇向导弹传输目标指示信息,随后F18战机发射一枚LRASM导弹。弹间通过数据链进行通讯,可在GPS拒止条件下正常工作,并在线规划航迹。飞行过程中能自主感知突然出现的威胁,并对威胁进行建模,实现在线航迹重规划,绕过障碍。导弹飞到末段,首先用被动远距离探测目标,完成虚假目标剔除,高价值目标识别和锁定,并降高贴海面超低空突防,在距离目标较*时用成像导引头实现目标薄弱部位识别,最终完成目标攻击,在此过程中三发导弹还完成了自主的目标打击任务分配。可见LRASM在自主感知威胁、自主在线航迹规划、多弹协同、目标价值等级划分、目标识别等方面的智能化水平有了大幅度提高。
美 国 新 一 代 反 舰 导 弹 AGM-158C(LRASM),末端制导采用多模复合制导(红外成像+被动雷达)。LRASM突破了多传感器信息探测与融合、弹载高性能信息处理、自动目标识别等技术,具有多融合制导、自主航线规划与危险规避、末端自主目标筛选与识别和关键部位打击等智能化特征。凭借自身的多维信息探测、融合以及处理技术,使得LRASM一方面可以进行远距离舰船目标的自主识别与捕获,并能够通过人工智能技术在众多舰艇中剔除虚假目标;另一方面,使其能够在无任何中继制导信息的支持下,进行完全自主导航和攻击。面对电子对抗日益激烈的战场环境,LRASM利用被动雷达进行电子频谱的检测定位,能够在岛岸背景下确定威胁位置与区域,并根据威胁程度和目标编队状态,自主进行航迹规划,实现高效突防;在距离目标较*时,依靠宽视场、全天候的凝视红外成像导引头,通过实时红外图片与预存基准图片进行相关匹配,识别出目标的关键部位进行打击。
美国雷声公司研制的SDB-II小直径炸弹(GBU-53),采用了世界上首款三模导引头,具备恶劣自然环境下全天时、全天候攻击地面目标的能力。SDB-II的三模导引头包括半主动激光传感器、非制冷红外成像传感器和毫米波雷达。该三模导引头结合了激光制导的高命中精度、红外成像的高目标识别率、毫米波雷达的高穿透性等优点,为弹药的智能化提供了优异的传感器,并结合智能信息处理技术,使得SDB-II可以在复杂地物背景下对坦克、装甲车辆等目标进行快速自主分类、识别和跟踪,进而实现全天时全天候条件下对地面固定或移动目标的打击。
以色列成像末制导技术智能化发展现状
以色列拉斐尔先进防务系统公司研制的“海上破坏者”第五代导弹武器系统,具备人工智能、场景匹配、自动目标识别等独特功能。“海上破坏者”配备有先进红外成像导引头, 能够通过弹载计算机利用深度学*,实现场景匹配,使其可以在卫星导航拒止区域正常执行打击任务;并通过基于人工智能的自动目标识别技术,从攻击航线上出现的众多相似目标中,准确识别真实目标,并对目标关键部位实现精确打击。此外,该导弹配备有先进的数据链,支持“人在回路”的实时决策和任务规划,具有多向、同步攻击能力。
以色列拉斐尔公司研制的SPICE-250制导炸弹,采用电视/红外双模成像末制导,利用光电场景匹配技术、目标自动识别技术(ATA)以及深度学*等技术,实现对地面固定和移动目标的精确打击。SPICE-250将获取的地形数据与实时光电图像相结合,利用光电场景匹配技术,在GPS拒止环境下实现自主导航;SPICE-250利用人工智能和深度学*技术,能够在复杂地面背景中自动识别出地面机动目标,实现对其的精确打击。
其他国家成像末制导技术智能化发展现状
挪威康斯伯格海事公司研制的NSM反舰导弹,可以通NSM武器系统任务规划软件,基于战场态势/场景数据和人员的战术要求,自动生成任务规划方案,并可存储200个航路点的自行数据,相较于捕鲸叉Block II的8个航路点有了质的飞跃。NSM采用先进双波段(3 ~ 5和8 ~ 12)宽视场智能型红外成像(I3R)导引头,该导引头能够获取远距离目标的高解析度双频红外图像,并通过基于模板数据库的自动目标识别(ATR)技术,能够实现复杂背景下的预定目标的分选和跟踪,并能够按照发射前选定的瞄准点,打击目标的关键部位。该导引头还内置有诱饵参数识别技术,能够从机理上提升对抗舰载红外电源干扰、箔条干扰等性能。
军事决策
在军事决策领域,最先提出智能决策辅助概念的是美军,智能决策旨在通过各类信息技术与算法,实现机器对目前战场态势的正确理解,辅助指挥人员做出合理决策。2014 年,美国国防预先研究计划局 (DARPA) 开展分布式作战管理研究(DBM) ,该项目面向空中作战决策辅助,进行态势感知,任务规划和指挥控制,协助指挥员与飞行员在通信受限的情况下完成作战任务。
美国辛辛那提大学开发的 AI 系统“阿尔法”,能够胜任空军飞行编队僚机的智能控制任务。 2016 年 6 月,“ 阿尔法” 在 VR-F16 模拟对抗中,战胜了与之对垒的美空军资深飞行员。在此之前,该系统就曾在限制作战能力的条件下多次战胜人类飞行员。与人类飞行员相比,该系统从信息收集到做出决策的过程快了约 250 倍。2020 年 6 月 24 日,美国空军发布了“ 空中博格(Skyborg) ” 项目的最新进展视频,显示其正在开发一套基于人工智能的“计算机大脑” 系统; 该系统能够操控“ 忠诚僚机” 无人机和完全自主的无人作战机。“ 空中博格(Skyborg) ” 系统将具备两大功能: (1) 担任人工智能副驾驶,处理信息辅助飞行员决策并可接手突发情况,以飞行员的理解方式做出决断; (2) 自主驾驶无人机。可以集成在低成本消耗性无人机中,人类飞行员只负责无人机的投送。
参考资料
- 智能传感器应用实践 拓展阅读 4-2 AI伴着导弹飞 - 道客巴巴
- 无人机蜂群联合指挥作战技术详解_无人机蜂群的网络安全-CSDN博客
- 7598架无人机表演背后惊人的AI战力|军用无人机|大疆|通信|飞行_手机网易网
- 【特约报告】导弹武器智能精确制导技术发展分析
- 陈栋, 田宗浩. 面向深度学*的弹载图像处理异构加速现状分析[J]. 航空兵器, 2021, 28(3): 10-17.
- 美国AI辅助高超声速导弹防御能力发展浅析
- 飞航导弹人工智能应用
- 于俊庭, 李少毅, 张平, 罗振宇. 光电成像末制导智能化技术研究与展望[J]. 红外与激光工程, 2023, 52(5): 20220725. DOI: 10.3788/IRLA20220725
- 陈咸志, 罗镇宝, 李艺强, 陈陶. 自动目标识别在图像末制导中的应用[J]. 红外与激光工程, 2022, 51(8): 20220391. DOI: 10.3788/IRLA20220391
- 罗天翔.基于深度强化学*的*距空战轻量化决策网络设计[D]. 电子科技大学, 2024. DOI: 10.27005/d.cnki.gdzku.2024.005349.
- 罗仁威.基于强化学*的非对称空战多智能体系统的设计与实现[D]. 电子科技大学, 2023. DOI: 10.27005/d.cnki.gdzku.2023.004687.
- 郭星泽.基于深度强化学*的多作战智能体协同围捕研究[D]. 大连交通大学, 2024. DOI: 10.26990/d.cnki.gsltc.2024.000215.
- 段续庭,周宇康,田大新,等.深度学*军事领域应用综述[C]//中国科学技术协会,交通运输部,中国工程院,湖北省人民政府.2022世界交通运输大会(WTC2022)论文集(交通工程与航空运输篇).北京航空航天大学交通科学与工程学院;军事科学院系统工程研究院;中国人民解放军军需工业学院;,2022:9.DOI:10.26914/c.cnkihy.2022.019819.
- 宋晓茹,刘康,高嵩,等.基于深度学*的军事目标识别算法综述[J].科学技术与工程,2022,22(22):9466-9475.
- 祝学军,赵长见,梁卓,等.OODA智能赋能技术发展思考[J].航空学报,2021,42(04):16-25.
- 符惠桐.基于深度学*的目标识别轻量化模型研究[D]. 西安工业大学, 2022. DOI: 10.27391/d.cnki.gxagu.2022.000123.
- 孙智孝,杨晟琦,朴海音,等.未来智能空战发展综述[J].航空学报,2021,42(08):35-49.
- 郭亚楠,曹小群,何友,等.人工智能赋能军事领域的思考与展望[J].计算机仿真,2024,41(05):1-6.
- 张龙,雷震,冯轩铭,等.军事大模型:应用分析、关键技术和评估体系框架[C]//国防科技大学系统工程学院.第六届体系工程学术会议论文集—体系工程与高质量发展.军事科学院系统工程研究院;中国人民解放军31511部队;,2024:14.DOI:10.26914/c.cnkihy.2024.028436.
- 崔翛龙,高志强,姬纬通,沈佳楠,张敏,邱鑫源.“艾武大模型+”:一种军事大模型系统的开发与实证[J].数据采集与处理,2024,(3):588-597
- 新一代箭载高速光纤总线技术研究与应用*_参考网
【推荐】编程新体验,更懂你的AI,立即体验豆包MarsCode编程助手
【推荐】凌霞软件回馈社区,博客园 & 1Panel & Halo 联合会员上线
【推荐】抖音旗下AI助手豆包,你的智能百科全书,全免费不限次数
【推荐】博客园社区专享云产品让利特惠,阿里云新客6.5折上折
【推荐】轻量又高性能的 SSH 工具 IShell:AI 加持,快人一步
· 实操Deepseek接入个人知识库
· CSnakes vs Python.NET:高效嵌入与灵活互通的跨语言方案对比
· 【.NET】调用本地 Deepseek 模型
· Plotly.NET 一个为 .NET 打造的强大开源交互式图表库
· 上周热点回顾(2.17-2.23)