面向戰場的群智感知技術研究

趙晨潔

摘要：信息化戰爭無疑在現代戰爭形態中占據著重要地位，建設從傳感器到信息處理系統的“智能化”戰場無縫保障體系至關重要，然而基于靜態傳感設備的傳統感知網絡是無法滿足戰場需求的。因此，本文通過引入群智感知的相關理論，分析戰場保障數據需求，提出了一種面向戰場的群智感知模型，以提高戰場任務的成功率。

關鍵字：群智感知;戰場;服務模型

中圖分類號：TP277 ? ? ?文獻標識碼：A

文章編號：1009-3044（2019）13-0227-03

無論戰爭形態如何演變，敵情、我情、戰場環境始終是戰爭研究的基本問題。隨著科技力量的迅猛發展，信息量呈現出爆炸式的增長。因此，“知己知彼，百戰不殆”被賦予了更深層次的意義，即信息優勢和信息能力。信息優勢是一種動態對抗過程;信息能力是爭奪和控制信息優勢的具體體現[1]。所以從技術角度講，信息化戰爭條件下建設從傳感器到信息處理系統的無縫保障體系至關重要;其目的在于構建作戰環境感知體系，能夠實時獲取并預測敵我兩軍當前態勢以及戰場環境變化，為“智能化”戰場建設提供有力支撐。

本文通過引入群智感知的相關理論，分析“智能化”戰場保障數據需求，解決傳統感知網絡數據資源短缺、數據更新慢、軟硬件設施缺乏自主可控、感知節點少等諸多問題，以提高戰場任務的成功率。

1 群智感知關鍵技術研究

隨著嵌入式系統和普適計算的不斷發展，大部分移動智能終端設備都具備了豐富的傳感器，如熱傳感器、壓力傳感器、重力傳感器、速度傳感器等;所有移動終端可以成為感知節點，海量移動智能終端構筑起了感知平臺的復雜觸角，使實時、全面、透徹地分析判斷被服務對象當前所處的情景信息并為之提供適當服務成為可能。這種眾包思想被群智感知技術以全新的方式呈現出來，即作為基本感知單元的普通用戶移動設備，通過移動互聯網進行有意識或無意識的協作來完成大規模的、復雜的感知數據收集和感知任務分發。

1.1 群智感知的基本架構

群智感知技術可以從大量感知個體的數據中，獲取到具有集群標識的特征信息，再按需反饋給個體，例如提供推薦式服務等。“感知”與“挖掘”作為群智感知技術的兩個核心，感知層由個體與其攜帶的移動智能終端設備組成，挖掘層即后臺數據分析中心[2]。感知層的功能為完成數據的采集，分為參與式感知和機會式感知，均由終端設備進行用戶信息數據的采集并上傳。參與式感知的數據是基于用戶主動參與而獲取的，因此精度易受到人主觀意識的影響;機會式感知的數據精度依賴于感知算法和整體環境，因為其感知用戶行為的方式是在用戶無主觀意識狀態的情況下進行的。挖掘層是為發現某種潛在信息或規律而對采集到的原始數據進行深度分析。群智感知的經典架構如圖1所示。

感知平臺將某個大型社會任務劃分為多個感知服務子任務，并通過公開呼叫向移動用戶發布這些任務，在必要時采取激勵機制吸引用戶參與;用戶收到呼叫后，分析自身的觀情況并判斷是否要參與該感知服務;決定參與的用戶利用所獲取到的感知數據進行前端處理，上報感知服務平臺的過程中可以采用隱私保護手段;感知平臺處理和分析所采集到的原始數據，并將分析結果應用于環境監測、智能交通、城市管理、公共安全、社交網絡等各大服務領域;

最后，感知平臺對用戶數據進行量化評估，如果有必要可根據相應的激勵機制適當地補償用戶執行感知服務任務的代價。

1.2 群智感知應用的分類

當前群智感知技術服務模式中，手機、平板電腦等移動感知設備具有普適性，借此可以完成依靠個體很難實現的社會感知任務。新南威爾士大學[3]開發的霧霾監視系統HazeWatch是在手機上擴展外部傳感器的基礎上完成的，該系統能夠實時測量空氣中一氧化碳、臭氧、二氧化硫、二氧化氮的濃度;此外該大學研究人員還開發了類似系統Ear-Phone，利用手機本身所攜帶的麥克風監測周圍噪聲水平，旨在分析噪聲污染對人的行為所帶來的影響。微軟研究院主持的Nericell項目[4]使用手機內置速度傳感器、重力傳感器、方向傳感器等來監測道路狀況，如凹坑、凸起，或制動和喇叭（該兩者為交通擁堵的隱形指標）;通過采集的海量數據分析出道路表面粗糙度、噪聲情況、交通條件等信息，其目的在于方便城市居民出行。在國內的Geolife工程中，研究人員以群智感知技術作為指導思想，采集了170多名志愿者四年的GPS軌跡和北京兩萬多臺出租車三個月的GPS軌跡，并作出了以下研究工作：通過數據挖掘得出比較受人們青睞的景點以及人們參觀景點的順序習慣;利用人類的歷史地理位置信息來推斷用戶的社會關系;從基于Web應用的GPS軌跡中發現用戶的交通模式等。

雖然群智感知技術目前更多致力于民用研究，如環境監測、公共安全、城市管理、智能交通、社交服務等，但是這種利用群體智慧感知更全面情境信息的思維模式近年來在發展軍事力量研究中也是初見端倪。為了提高部隊在可視化程度較低的夜間戰斗力，美軍在伊拉克戰爭中為每一名士兵提供了單兵頭盔夜視系統，以及其它類似的熱成像設備（如Lion、Sophie系統等）;以單兵設備為感知節點，大量節點所采集到的圖像數據匯總上傳到后臺數據處理中心，通過數據挖掘、數學建模等技術手段及時呈現出當前整個戰場環境。此外，美國第1陸戰師為支援陸戰隊員在巴格達城市環境中作戰采購了單兵電臺，該電臺具備頭盔內置耳機、麥克風以及能連接到槍上的按鍵式通話系統，其原理也是通過以人為中心的感知節點來采集數據，并從中分析獲取有用知識。由此看來，這類“單兵”系統不僅用于近距離戰斗中的監視和目標搜索，而且其內置傳感器也改善了整個系統的共享態勢感知能力。此類系統大部分是在阿富汗戰爭中有過出色表現后，通過緊急作戰需求程序專為伊拉克戰爭而設計的。因此，無論是從順應時代發展潮流的角度而言，還是從加強軍隊信息化建設與國際化水平接軌的角度來講，研究群智感知技術在戰場上的應用具有非常深遠的意義。

2 面向戰場的群智感知模型的構建

無論是傳統戰場還是現代戰場，作戰環境對軍隊的運動、使用、防護和作戰都會產生不可避免的影響。所謂作戰環境是指與作戰活動有關的外部空間及其影響作戰活動的各種因素和條件的統稱，包括時間、自然環境、基礎設施、信息、政治、社會等多個變量[5];美國軍方認為，作戰環境是所有軍事行動的基本條件。因此，基于作戰環境的相關理論并結合群智感知的基本架構，本文提出了一種可拓展的面向戰場的群智感知應用模型，如圖2所示。

該模型不僅涉及到群智感知相關理論，還涉及到了數據挖掘關鍵技術，包括多源化感知數據獲取、特征信息的提取、移動節點的集群行為分析、智能服務推送等。為了提高模型的可用性，應用場景應至少滿足以下兩個條件：1）以參與式為感知方式的節點間是相互信任并能夠接收、轉發和傳遞任何數據的;2）伴隨著附著在作戰節點上的各種移動設備功能不斷發展與完善，越來越多的嵌入式微型傳感器可配置其中。

2.1 多源化感知數據的獲取

在面向戰場的群智感知模型中，除了作戰人員外，作戰工具也可以被用作感知節點。無論是傳統的裝甲車、運輸車，還是未來作戰武器中的無人地面作戰車、偵察機器人、微型無人偵察機等均是由作戰人員進行操控，作戰工具的當前狀態、移動狀態以及工具之間的交互狀態很明顯具有人的意志;由此可見，作戰工具完全可以勝任移動節點的所有感知任務。結合作戰環境的相關理論，考慮到兩軍交戰可能發生在人煙稀少的熱帶山林或者高寒山地等，也可能發生在人口密集的城市環境;在人口比例相對密集的作戰空間中，人文環境在作戰活動中也占據著舉足輕重的地位。為了避免不必要的沖突與傷亡，可以選擇非作戰人員（即普通用戶）為感知節點來更好地實時監測當地居民情況。對于非作戰人員，數據的安全性在信息采集過程中顯得尤為重要;其感知方式的設定可以區別于作戰人員的參與式感知方式，采用機會式感知，即用戶在無意識的行為中進行數據收集。

2.2 特征信息的提取

由于移動節點本身屬性的差異性以及節點所處環境的復雜性，必然會導致原始數據集存在冗余、異構的現象。為了解決模型中感知數據的分析問題，需要數據分析方法相關理論的支撐。數據挖掘是一個結合了數據庫技術、人工智能、機器學習、統計、知識工程和信息檢索等技術的多學科領域，融合了大量最新研究成果。數據挖掘技術可以應用于提取戰場特征信息，其目的是自動分析作戰數據并從中獲取隱含情報，以幫助指揮員做出相對準確的作戰決策。譬如在城市空間環境中作戰，人口相對比較密集且非作戰人員（即普通用戶）的行為是不受控制的;基于盡量避免出現不必要傷亡的作戰原則，對非作戰人員的行為預測也是一項不能忽視的任務;因此，可以對眾多普通用戶的歷史移動軌跡數據建立馬爾科夫預測模型，分析移動節點的集群行為，以達到偵察作戰人文環境的目的。

2.3 作戰方案智能推送

作戰指揮的核心是作戰決策，作戰環境的復雜性決定了人仍然是現代戰爭中的主導決策者;然而，信息化戰場中態勢的瞬息變化卻是人力目前所無法企及的;因此，面向戰場的群智感知模型在某種情況下能夠有效輔助指揮員進行作戰決策。

首先，建立決策問題庫用以存儲諸多軍事專家進行決策的經驗數據;其次，根據大量的戰場實時數據不斷擬合與訓練作戰模型;然后，由AI輸出幾套最優候選方案;最后，指揮員根據具體戰場情況并結合自身作戰經驗來確定最終的作戰方案，該方案通過模型被下發至各級指戰員。

3 結束語

移動智能終端設備的飛速發展，使得更多嵌入式傳感器得到應用;感知節點可以獲取到更全面的情景信息，從海量多方位的感知數據中能夠挖掘出更加準確有效的數據知識，更好地滿足作戰需求。新型移動智能終端設備也為群智感知技術在戰場中的應用帶來了更艱巨的新挑戰。本文僅僅是群智感知技術戰場應用的冰山一角，更多疑問還需致力于該研究領域的工作人員共同努力。

參考文獻：

[1] 徐哲， 李卓， 陳昕.面向移動群智感知的多任務分發算法[J]. 計算機應用， 2017， 37（1）：18-23.

[2] 張繼德， 袁印， 劉亞志，等.一種面向信息質量的移動群智感知協作方法[J]. 計算機工程， 2017， 43（7）：15-21.

[3] 郭瑞， 賀筱媛. 面向戰場態勢數據智能分析的預處理方法[J]. 電子技術與軟件工程， 2017（16）：157-157.

[4] 劉琰， 郭斌， 吳文樂，等.移動群智感知多任務參與者優選方法研究[J]. 計算機學報， 2017， 40（8）：1872-1887.

[5] 楊俊， 肖國輝， 郝禹辰.美軍作戰環境研究現狀[J]. 火箭軍軍事學術， 2017 （2）： 29-31.

【通聯編輯：張薇】