基于智能仿真推演的導彈防御指揮控制系統研究

冷志成，薛鳳桐，張灝龍，劉瑞峰

摘? 要：隨著人工智能技術飛速發展，體系化智能化作戰成為未來戰場的主要作戰樣式，因此，智能化的態勢感知與指揮決策成為贏得戰爭的關鍵因素。為了實現戰場態勢的智能感知能力、作戰知識的自主學習能力和作戰指揮的自主決策能力，針對導彈防御作戰，提出了一種基于智能仿真推演的導彈防御指揮控制系統，重點研究設計了面向智能化作戰的導彈防御指揮控制系統和智能仿真推演平臺。測試表明，該系統能夠實現態勢信息的智能認知與決策信息的自主生成，為人工智能技術在軍事作戰仿真領域的應用提供了有效路徑。

關鍵詞：作戰仿真;導彈防御作戰;智能指揮決策;態勢感知;智能決策

中圖分類號：TP311.5? ? ?文獻標識碼：A

Research on Missile Defense Command and Control System

based on Intelligent Simulation Deduction

LENG Zhicheng1， XUE Fengtong2， ZHANG Haolong2， LIU Ruifeng2

（1. Unit 92578， Beijing 100161， China;

2. China Aerospace Academy of System Science and Engineering， Beijing 100048， China）

lengzhicheng1975@163.com; 1185021785@qq.com; 78058078@139.com; 1207018197@qq.com

Abstract： With the rapid development of artificial intelligence technology， systematic and intelligent operations have become the main combat style in the future battlefield. Therefore， intelligent situational awareness and command decision-making have become the key factors for winning wars. This paper proposes a missile defense command and control system based on intelligent simulation deduction for missile defense operations， in order to improve the ability of intelligent perception of battlefield situation， autonomous learning of operational knowledge and autonomous decision-making of operational command. The research has focused on designing intelligent combat missile defense command and control system and intelligent simulation deduction platform. Tests show that the system can realize the intelligent cognition of situation information and the autonomous generation of decision-making information， providing an effective path for the application of artificial intelligence technology in the field of military combat simulation.

Keywords： combat simulation; missile defense operations; intelligent command and decision-making; situational

awareness; intelligent decision-making

1? ?引言（Introduction）

近年來，隨著大數據、云計算、深度學習等技術的飛速發展，人工智能應用的廣度與深度在不斷地拓展，給人們的生活帶來顛覆性的變革。與此同時，人工智能也成為新式武器裝備、體系化作戰等軍事領域的研究熱點。在實際作戰過程中，指揮官的每一個決策都需要根據當時的戰場態勢來制定，這就造成作戰決策的動態性和強耦合性[1]，所以，戰場的態勢認知和決策速度成為打贏戰爭的關鍵因素[2]。面對未來體系化智能化作戰，復雜的戰場環境給作戰決策帶來更大的不確定性，需要更快速地進行信息融合、態勢認知和指揮決策來占據作戰優勢，贏得戰爭主動權[3-4]。因此，為了打贏未來戰爭，應用人工智能技術提升戰場態勢的智能感知能力、作戰策略的自主學習能力和作戰指揮的自主決策能力成為軍事領域需要解決的主要問題。

針對導彈防御的智能輔助決策應用需求，本文以導彈攻防為背景，在美國智能輔助決策技術研究和搭建的智能推演平臺基礎上，構建導彈防御指揮控制系統，形成導彈防御智能指揮控制系統，支撐防御方戰場態勢的智能感知、作戰知識的自主學習和作戰指揮的自主決策，為人工智能技術的軍事應用提供可行性驗證方案。

2 美國智能輔助決策技術研究（Research on intelligent supporting decision-making technology in America）

20 世紀90 年代，美國最早提出軍事輔助決策技術的概念，以實現準確及時地預測出敵方意圖并做出決策，展開行動[5]。后來，隨著軍事輔助決策技術的不斷發展，2004 年，美軍開始智能化輔助決策技術的研究，制定了實時作戰智能決策制定計劃（Real-time Adversarial Intelligence and Decision-making， RAID）。直到2007 年，美國國防部高級研究計劃局（Defense Advanced Research Projects Agency， DARPA）支持了一項指揮控制領域的項目——“深綠（Deep Green， DG）”計劃，成為最典型的軍事輔助決策系統[6-8]?！吧罹G”計劃原計劃三年，但由于各種問題于2011 年暫停，至今沒有完成?！吧罹G”計劃源于IBM公司的“深藍”，旨在集成到美陸軍現有的旅級戰時指揮決策系統上，通過實時態勢仿真，預測敵人的作戰意圖和行動，并據此提前做出決策。該計劃較早地將人工智能技術引入作戰輔助決策中，是智能輔助決策技術的早期實踐，有很好的借鑒意義。

“深綠”計劃的結構框圖如圖1所示[2]，主要包括三部分：指揮員助手、閃電戰和水晶球?！爸笓]員助手”是與指揮員的人機交互接口，智能化生成作戰計劃;“閃電戰”是作戰計劃方案的仿真分析引擎，用于戰場態勢的推演;“水晶球”則完成對戰場態勢的評估優化并自主給出決策。這三部分通過軍用信息系統進行連接，實現未來戰場態勢推演、評估及預測，有效輔助指揮員的作戰決策。但由于當時技術水平限制，作戰人員認知判斷模型難以構建，再加上復雜戰場環境下的高度不確定性，使得“深綠”計劃難以繼續，被迫停止。

注：COA：精略行動計劃;FBCB2：21世紀部隊旅及旅以下作戰指揮;

CPoF：未來指揮所;PASS：有源空間監視系統

開展了“深綠”計劃后，DARPA又在2009 年至2014 年之間啟動了一系列智能輔助決策技術的項目[5]：基于視覺信息的態勢認知與推理系統的Mind's Eye計劃;在對抗條件下以AI算法完成目標識別的TRACE計劃;空中戰場的智能輔助決策DBM;具備高效率、高精度認知能力的機器輔助決策TEAM-US等項目。這些項目的開展使得美國在智能輔助決策技術研究中積累了豐富的經驗。

2016 年6 月，美國辛辛那提大學構建的“阿爾法”人工智能系統在模擬空戰中，以快速的信息感知處理能力和準確的判斷決策能力戰勝了經驗豐富的空軍上校，驗證了人工智能技術的優越性，推動了智能輔助決策技術的發展[5]。同年年底，用來全程輔助指揮員決策應對復雜戰場態勢的Commander's Virtual Staff項目在美軍成功立項，標志著美國在智能輔助決策領域已經走在了世界的前列。

相比較而言，我國在智能輔助決策技術方面的研究還是以專家系統、多智能體系統為主，雖然取得了大量的成果，但在成果質量與可推廣性方面還存在較大差距。由于戰場環境的復雜性和基于規則、專業知識的推理分析，國內的專家系統多限于解決特定領域問題的智能系統;即使多智能體系統在處理復雜系統問題方面具有顯著優勢，不過也存在知識處理能力差、統一協調差、適應能力差和人機交互差等缺點。為此，有必要應用新時代人工智能技術開展作戰輔助決策研究。

3? 基于智能仿真推演的導彈防御指揮控制系統框架（The framework of missile defense command and control system based on intelligent simulation deduction）

3.1? ?導彈攻防作戰中防御方智能指揮決策分析

針對導彈攻防作戰，作為導彈防御方，按照“觀察—判斷—決策—行動”（Observe-Orient-Decide-Act， OODA）環，主要完成態勢感知、威脅判斷、任務分配、攔截打擊等任務。在態勢感知階段，防御方指揮控制中心通過預警衛星、預警雷達等傳感器探測到進攻方導彈，并對導彈進行跟蹤分析，明確進攻導彈彈道、落點等信息。在威脅判斷階段，根據態勢感知結果，通過評估進攻導彈落點的重要程度、飛行速度、剩余飛行時間等對進攻導彈進行威脅評估，判斷是否應該攔截。任務分配則是根據威脅判斷結果和不同攔截基地攔截彈的作戰能力，對各基地的攔截彈進行打擊目標分配，裝訂目標信息。到了攔截打擊階段就是攔截彈裝訂發射諸元，發射攔截彈對目標實施打擊，完成攔截任務。因此，面向智能化作戰，導彈攻防作戰中的導彈防御指揮控制系統主要實現三方面的能力[9-11]：

（1）戰場態勢的智能感知能力：實現對來襲導彈的自主感知、自主識別，并給出來襲導彈的彈道信息、落點信息，完成對導彈攻防態勢的評估。

（2）作戰策略的自主學習能力：基于戰場態勢的感知，通過應用強化學習算法開展探測規劃、攔截策略的自主學習，構建作戰知識庫。

（3）作戰指揮的自主決策能力：以作戰知識庫為基礎，以戰場態勢感知結果為輸入，自主匹配響應的作戰策略，完成作戰指揮的自主決策。

為了實現上述三方面能力，需要大量的仿真推演與模型的學習訓練作為支撐，因此，本文搭建了基于智能仿真推演平臺的導彈防御指揮控制系統：三種能力對應的業務分系統構成導彈防御指揮控制系統，智能仿真推演平臺和導彈攻防裝備模型庫、算法庫形成虛擬訓練環境。

3.2? ?導彈防御指揮控制系統框架

基于智能仿真推演的導彈防御指揮控制系統可以分為面向智能化作戰的導彈防御指揮控制系統、智能仿真推演平臺以及模型算法庫三大部分。

（1）面向智能化作戰的導彈防御指揮控制系統是整個系統的核心功能部分，主要完成導彈防御系統的態勢感知、作戰指揮控制等功能，是整個導彈防御系統的神經中樞，主要由作戰態勢智能認知子系統、戰前智能作戰規劃子系統、作戰方案智能生成子系統三部分組成。

（2）智能仿真推演平臺為面向智能化作戰的導彈防御指揮控制系統提供了一個基礎平臺，可以實現各裝備模型的交互，代理模型、指揮控制模型的訓練，仿真試驗方案的設計，作戰想定設計編輯以及仿真數據的統計分析等功能。

（3）模型算法庫中的模型包含導彈攻防雙方的裝備，即天基紅外預警衛星、地/?；走_、攔截裝備以及進攻彈模型，接受指揮控制系統的調度;同時，應具備作戰規則模型，作為仿真推演的邊界約束條件，支撐完成導彈防御任務;還應具備人工智能算法、試驗設計算法和代理模型構建算法等，為知識與規則的學習與智能推演提供支撐。

其中，智能仿真推演平臺和模型算法庫是導彈防御指揮控制系統的支撐資源?；谥悄芊抡嫱蒲莸膶椃烙笓]控制系統的結構框架如圖2所示。本文主要針對面向智能化作戰的導彈防御指揮控制系統（以下簡稱“智能指控系統”）和智能推演仿真平臺進行詳細設計。

4? 面向智能化作戰的導彈防御指揮控制系統（Missile defense command and control system for intelligent operations）

4.1? ?指控系統組成

面向智能化作戰的導彈防御指揮控制系統主要包括作戰態勢智能認知子系統、戰前智能作戰規劃子系統和作戰方案智能生成子系統三部分，如圖3所示。

作戰態勢智能認知子系統采用多源數據融合技術，對天基預警探測系統和地/?；走_探測系統等數據進行融合，提取目標的狀態和屬性后，與裝備信息庫中的威脅特征進行比對，識別出威脅目標以及威脅的位置、速度和方向等信息。在此基礎上，對威脅的彈道進行預估，確定打擊目標，對作戰態勢展開評估，為后續的作戰指揮控制奠定基礎。

戰前智能作戰規劃子系統基于上面作戰態勢的認知，通過構建導彈防御裝備代理模型，利用深度強化學習算法，對導彈防御系統的探測規劃和攔截策略進行學習訓練。在有限的作戰資源約束下，得到不同作戰態勢下探測系統的優化配置關系以及攔截系統的攔截策略，是智能指控系統的核心。

作戰方案智能生成子系統是在戰前智能作戰規劃子系統學習訓練的基礎上，深度挖掘探測系統組網與攔截策略的作戰知識，構建出作戰知識庫，通過與態勢感知系統得到的態勢信息進行特征匹配，快速制定出可行有效的作戰方案。由于態勢的不確定性以及知識挖掘的片面性，系統提供人在回路的交互模塊，實現在已有的作戰知識基礎上機器與人的智能結合，提高導彈防御系統的整體效能。

上述三個子系統構成了智能指控系統，實現了導彈防御系統的智能態勢感知與作戰方案的自主生成。

4.2? ?作戰態勢智能認知子系統

導彈防御作戰可分為預警探測、指揮控制及火力攔截三大階段?！凹皶r發現、精確跟蹤、正確識別和有效攔截”是導彈防御作戰取勝的四大要素，而預警數據接收貫穿于整個導彈防御作戰的全過程。如何實現及時發現、精確跟蹤和正確識別是導彈防御系統數據接收的核心任務。

導彈防御智能指控系統的傳感器主要包括天基預警衛星、遠程預警雷達、目標跟蹤雷達以及制導雷達等。作戰態勢智能認知子系統完成衛星與雷達的數據融合以及多種雷達的數據融合，并對戰場態勢進行評估。因此，分系統主要包括兩個主要模塊：威脅目標識別模塊和作戰態勢評估模塊，其結構圖如圖4所示。

在威脅目標識別模塊中，根據系統接收到的多源異構數據信息，利用數據融合算法完成數據的坐標轉換、航跡關聯等數據融合工作，獲得一致性的目標狀態和屬性數據，包括位置坐標、速度、飛行高度、加速度、RCS、紅外特性等參數?；谝延械膶Ψ窖b備信息庫中的特征信息，利用模式識別算法，完成來襲目標匹配，得出來襲目標即進攻彈的參數。

根據威脅目標識別模塊得出的進攻彈參數，作戰態勢評估模塊對作戰態勢開展評估。通過彈道預估算法對進攻彈的彈道進行預測，主要獲得進攻彈的剩余飛行時間以及落點坐標。在此基礎上，通過與價值目標的數據庫中的目標數據進行對比，采用評估分析方法，對進攻彈的威脅展開評估。通過對全部進攻彈的態勢評估，完成對整個態勢的評估。

4.3? ?戰前智能作戰規劃子系統

戰前智能作戰規劃子系統是結合作戰態勢的認知，以基于試驗設計得到的歷史仿真樣本數據為基礎，構建探測系統與攔截武器的代理模型;再通過深度強化學習算法，對導彈防御系統的探測系統規劃和攔截策略進行學習訓練，形成“仿真數據—代理模型—作戰知識”三階段的認知提升，具體的系統結構關系如圖5所示。

代理模型是采用數學擬合的思想代替現有物理分析模型的近似技術，從20 世紀50 年代開始，已經成功應用于各個領域。由于各種原因輸入輸出變量之間的物理分析模型難以準確構建，一般可以基于多次實驗數據通過數學擬合的方式搭建輸入輸出之間的響應曲面模型，因此，構建代理模型的實質可以認為是對樣本數據的擬合。目前比較主流的代理模型構建方法包括：響應面方程、人工神經網絡、隨機森林模型、Kriging模型、支持向量機模型、徑向基函數模型以及高斯過程等。

4.4? ?作戰方案智能生成子系統

作戰方案智能生成子系統是在戰前智能作戰規劃子系統學習訓練的基礎上，利用探測系統組網與攔截策略的作戰知識，對多層攔截方案進行規劃，同時對探測資源進行優化部署。此外，由系統提供人在回路的交互模塊，支持人的指令控制。分系統結構圖如圖6所示。

5 智能仿真推演平臺（Intelligent simulation deduction platform）

智能仿真推演平臺作為面向智能化作戰的導彈防御指控系統的基礎支撐環境，提供分布式實時仿真試驗環境，并為指揮決策模型的訓練提供平臺基礎。智能仿真推演平臺包括分布式仿真推演引擎、想定設計與開發工具、試驗設計工具、智能訓練器、策略學習器、數據統計分析工具以及二維三維態勢顯示系統等七大部分，平臺組成如圖7所示。

分布式仿真推演引擎是在應用系統執行期間為對象模型、試驗對象和試驗資源的調度提供高性能、強實時、低延遲的通信支撐平臺。仿真引擎以中間件標準為信息交換規范，將仿真對象接入智能仿真應用中，為仿真模型提供實時運行環境，通過發布訂購組件提供仿真對象之間的交互機制，以消息處理組件為公共通信手段，為核心服務生成的實物仿真對象和綜合仿真對象提供可靠的信息交互手段，并對通信服務質量和通信網絡進行管理。

想定設計與開發工具為平臺提供可視化、圖形化想定編輯模塊，可通過鼠標操作快速部署仿真實體，編輯各類航線航道、任務區域等仿真資源，指導任務計劃，形成仿真作戰想定。

試驗設計工具根據試驗目的選取試驗因子和多因子水平，采用獨立因子試驗設計、全部析因試驗設計、正交試驗設計、均勻試驗設計等多種試驗設計方法，批量生成想定樣本集。試驗設計工具通過函數形式調用底層試驗設計算法接口，按照給定的格式傳入因子、因子水平分布以及生成樣本信息，返回試驗因子水平列表。

智能訓練器支持裝備代理模型的訓練過程。訓練器通過調用試驗設計工具生成的試驗樣本數據或者歷史仿真數據，再通過調用指控系統中的代理模型構建算法，通過多樣本數據的運行管理，實現對導彈防御裝備代理模型的擬合，為后續深度強化學習提供模型支撐，提高學習效率。

策略學習器支撐導彈防御作戰知識的學習過程。學習器是在智能仿真推演平臺的基礎上，利用指控系統中構建的深度強化學習模型以及裝備代理模型，通過平臺的仿真引擎與仿真工具開展攻防作戰的仿真學習，形成攔截作戰知識，支撐戰前作戰規劃和防御作戰方案的自主生成。

數據統計分析工具針對智能仿真推演產生的數據開展統計分析，包括對數據的預處理、標準化、聚類分析、統計分析等，支撐智能訓練器、策略學習器應用深度學習、強化學習算法開展訓練，并為后續的效能評估奠定數據基礎。

二維三維態勢顯示系統可基于二維、三維數字地圖對整個對抗及學習過程進行直觀顯示，包括仿真流程、關鍵事件、特效、學習曲線等。

根據上述智能仿真推演平臺的組成，得到平臺的框架，如圖8所示。智能仿真推演平臺主要分為四層：資源層、引擎層、工具層和應用層。資源層是整個平臺的基礎，主要包括模型庫和算法庫，為智能推演訓練提供紅藍方裝備模型、作戰規則模型、作戰決策模型、試驗設計算法、代理模型構建算法和人工智能算法等支撐。引擎層主要完成智能推演訓練的流程調度和管理，實現數據分發、流程管控、時間管理、想定解析、模型/實體管理等功能服務。工具層是支持用戶完成智能推演訓練的工具集合，實現智能仿真訓練的基本功能，包括想定設計與開發工具、試驗設計工具、態勢顯示工具、智能訓練工具、策略學習工具和數據統計與分析工具。應用層是用戶的應用需求，包括作戰仿真推演、智能感知、智能決策、二維三維態勢顯示以及作戰仿真數據分析等主要功能。

6? ?結論（Conclusion）

本文主要在研究美國智能輔助決策技術的基礎上，針對導彈攻防作戰中導彈防御作戰，分析導彈防御智能指揮決策的能力需求，搭建了基于智能仿真推演平臺的導彈防御指揮控制系統，該系統主要包括面向智能化作戰的導彈防御指揮控制系統、智能仿真推演平臺及模型算法庫三部分，并詳細闡述了各系統的功能及模塊構成，提出了系統實現的可行技術路線。本文研究內容對人工智能技術在作戰仿真推演方面的應用具有一定的參考意義。

參考文獻（References）

[1] 吳金平，楊靜，范學滿.指揮控制智能決策系統與技術研究[C]//中國指揮與控制學會.第八屆中國指揮控制大會論文集.北京：兵器工業出版社，2020：368-373.

[2] 郭圣明，賀筱媛，胡曉峰，等.軍用信息系統智能化的挑戰與趨勢[J].控制理論與應用，2016，33（12）：1562-1571.

[3] 胡曉峰，榮明.智能化作戰研究值得關注的幾個問題[J].指揮與控制學報，2018，4（03）：195-200.

[4] 付長軍，鄭偉明，葛蕾，等.人工智能在作戰仿真中的應用研究[J].無線電工程，2020，50（04）：257-261.

[5] 張曉海，操新文.基于深度學習的軍事智能決策支持系統[J].指揮控制與仿真，2018，40（02）：1-7.

[6] 胡曉峰，郭圣明，賀筱媛.指揮信息系統的智能化挑戰——“深綠”計劃及AlphaGo帶來的啟示與思考[J].指揮信息系統與技術，2016，7（03）：1-7.

[7] ZHOU Y， HUANG J， HUANG K. A study on impact of "deep green" on command and control[J]. Fire Control & Command Control， 2013， 38（6）：3-6.

[8] ZHOU Y， HUANG J， HUANG K. Review on key technology in deep green[J]. Journal of System Simulation， 2013（7）：34-37.

[9] 彭希璐，王記坤，張昶，等.面向智能決策的兵棋推演技術[C]//中國指揮與控制學會.第七屆中國指揮控制大會論文集.北京：兵器工業出版社，2019：193-198.

[10] 陸凌云，王芳，何加浪，等.指揮控制系統仿真建模思考[C]//中國指揮與控制學會.第七屆中國指揮控制大會論文集.北京：兵器工業出版社，2019：625-628.

[11] 曹雷.基于深度強化學習的智能博弈對抗關鍵技術[J].指揮信息系統與技術，2019，10（05）：1-7.

作者簡介：

冷志成（1975-），男，碩士，高級工程師.研究領域：仿真技術.

薛鳳桐（1993-），男，碩士，助理工程師.研究領域：系統工程.

張灝龍（1977-），男，博士，研究員.研究領域：系統仿真與評估技術.

劉瑞峰（1994-），男，碩士，助理工程師.研究領域：仿真技術.