人工智能在水下攻防體系中的應用構想

羅 浩，張劍鋒，郭 喻，韓恩權

（海軍研究院，北京 100161）

0 引言

人工智能涵蓋了計算機科學、統計學、腦神經學、社會科學等諸多領域，是一門處于快速變化中的交叉學科[1-3]。人工智能是讓人覺得不可思議的計算機程序，是與人類思考方式、人類行為相似的計算機程序，是會學習的計算機程序；是根據對環境的感知，做出合理的行動，并獲得最大收益的計算機程序[1]。人們希望通過研究，將其用于模擬和擴展人的智能，輔助甚至代替人們實現多種功能，包括識別、認知、分析、決策等。2016年以AlphaGo為標志的第3次人工智能浪潮的到來，是更強大的計算能力、更先進的算法、大數據、物聯網等諸多因素共同作用的結果。人工智能算法大致的發展歷程如下[2-3]。

1956年夏天，在達特茅斯夏季人工智能研究會議上，約翰·麥卡錫、馬文·明斯基等科學家，共同討論當時計算機科學領域尚未解決的問題，第一次提出了人工智能的概念。

神經網絡算法是機器學習算法中的一個重要分支。20世紀40年代起，就有學者開始從事神經網絡的研究。第一個大突破出現于1958年，Rosenblatt在計算機上模擬實現了感知機（Perceptron）模型，可以完成一些簡單視覺處理任務。1969年，Minsky等人論證了感知機在解決異或等基本邏輯問題時能力有限，這一缺陷直接導致了此后長達10年的冷靜時期。直到80年代，神經網絡迎來復興，物理學家Hopfield在1982年和1984年發表了2篇關于人工神經網絡研究的論文，提出了一種新的神經網絡，可以解決一大類模式識別問題。1995年，Rumelhart、Hinton等許多神經網絡學者成功實現了使用后向傳播 BP算法來訓練神經網絡。Yann LeCun等人受生物視覺模型的啟發，改進了卷積神經網絡，在手寫識別等小規模問題上取得了當時的最好結果。2001年，Hochreiter等發現使用BP算法時，模型訓練超過一定迭代次數后容易產生過擬合，神經網絡又一次進入低谷。2006年，Hinton和他的學生在 Science雜志上發表了一篇文章[4]，從此掀起了深度學習的浪潮。深度學習能發現大數據中的復雜結構，大幅提升了應用效果，在語音識別、圖像數據庫分類等問題研究上，取得了驚人成果。2014年，Ian Goodfellow等學者發表論文提出生成對抗網絡，為創建無監督學習模型提供了強有力的算法框架。

即使神經網絡的發展如日中天，淺層學習算法也在持續發展，在一些任務中占有一席之地。1984年，Breiman和 Friedman提出決策樹算法；1995年，Vapnik和Cortes提出支持向量機（SVM），用一個分類超平面將樣本分開達到分類效果。

強化學習從60年代誕生以來一直發展著，直到在 AlphaGo中與深度學習的創造性結合讓它重獲新生[5-6]。深度學習是機器學習的一個子類，它從原始特征出發，自動學習高級特征組合。強化學習問題是給定數據，選擇動作以最大化長期獎勵；它的輸入是歷史的狀態、動作和對應獎勵，要求輸出的是當前狀態下的最佳動作。許多控制決策類問題都是強化學習問題，比如讓機器通過各種參數調整控制無人機實現穩定飛行，通過各種按鍵操作在電腦游戲中贏得分數等。2016年由谷歌旗下DeepMind公司的David Silver創新性地將深度學習和強化學習結合，打造出圍棋軟件AlphaGo，接連戰勝李世石、柯潔等世界圍棋冠軍，展現了強化學習的巨大威力。2017年，升級版的AlphaGo以Master的網名，在對奕平臺上，與中日韓最高水平棋手在內的數十位人類頂尖棋手過招，奕出了60∶0的絕對優勢戰績。

目前，在人工智能的主要技術方向上有機器視覺、語音識別、機器翻譯、規劃決策系統、自動駕駛等[2]。

1 人工智能在水下攻防體系中的應用構想

水下攻防作戰主要是指為爭奪制水下權，敵我雙方兵力開展的攻擊和防御作戰，其參與的主要兵力有水下的潛艇、UUV等，以及為爭奪對水下空間控制權而投入的反潛飛機、反潛水面艦艇等非水下兵力。在水下攻防作戰中的許多領域都存在重難點問題，人工智能方法，尤其是深度學習、強化學習等方法的出現，為這些重難點問題的解決提供了新的思路，有望取得很好的應用效果?？紤]到潛艇、水下無人集群等將成為未來水下戰的主要兵力[7]，本文重點針對潛艇和UUV群裝備的人工智能應用開展構想。

1.1 潛艇作戰的智能化指揮控制

潛艇是水下作戰的傳統兵力，隨著人工智能技術的應用，有望進一步提升潛艇作戰能力。想象一下，在潛艇指揮艙室，指揮人員分配給機器大致的任務或要求，如搜索 A海區潛艇。機器理解任務或要求后，或通過詢問指揮員方式進一步明確有關輸入，進行任務規劃，形成最優執行方案并執行。執行過程中，機器會根據外部戰術環境變化及需要，對方案進行動態調整并與指揮員進行協商確認，在這種指揮方式下，系統反應可能更快速。由于指揮目標的多樣性，可以通過鍵盤鼠標、語音等方式傳達指揮員意圖，從而指揮機器完成有關任務。為便于實現，可適當限定機器可接受的任務命令范圍。語音包含的含義較豐富（智能語音識別技術可提供支撐，為防止誤識別、誤觸發，可進一步優化改進），通過鍵盤鼠標輸入和選擇表達的含義比較精確，便于描述精確性數字、約束等內容。在指揮過程中，隨著時間變化，在機器認為有必要讓指揮員做出選擇決策時，也可以采用協商的方式與指揮員協商確認，這種協商技術依賴于人機溝通的深度融合。智能指揮的程度可以根據應用需要向人機結合半自動化、并逐步向機器自主全自動化方向發展。

圖1 潛艇智能指揮控制示意圖Fig.1 Schematic diagram of submarine intelligent command and control

在目標探測方面，重點是通過傳感器對水下水聲、電場、磁場、激光等感知，檢測目標是否存在。水下環境條件下，傳統上是通過信號處理方法對目標進行檢測，如智能探測潛艇、探測水雷等。隨著人工智能技術的發展，有可能通過對信號處理圖像或原始信號進行智能識別處理（深度學習和計算機視覺技術可提供支撐），快速提取目標特征，提高目標檢測的速度，實現機器自動快速檢測目標，并使得傳感器感知范圍得到增強。艇上具有較強的計算處理能力，具備進行復雜計算的基礎。

在目標運動要素解算方面，以往在假設目標勻速直線運動的狀態下，本艇對目標作純方位觀測，本艇需進行機動，方能解算出目標運動要素。該問題是一個非線性問題，能否解算出可用的結果與目標是否機動有關。一旦目標機動，不滿足假設，需要在目標機動后重新進行解算。目前基于深度學習的神經網絡技術可以解決一些非線性問題，因此可以嘗試進行一些探索性試驗：一是可以通過大量的仿真數據及實際測試數據，研究是否可訓練出用于識別目標機動行為的模型；二是可以研究目標勻速直線運動假設下是否可以基于神經網絡訓練出目標距離、目標速度或目標航向等要素，為解算目標運動要素提供新方法；三是可以研究機動目標的解算方法和本艇機動方法；四是可以通過仿真分析，甚至可以探索研究基于目標方位跟蹤信號的目標運動要素估計方法。

在目標識別方面，主要是識別目標種類（潛艇、UUV、大型水面艦艇、商船、漁船、水雷、魚雷、魚、魚群等）、屬性（敵、我等）。水下攻防作戰重點是水聲識別?？捎嗅槍π缘赝ㄟ^聲吶等傳感器采集大量數據作為訓練樣本，利用深度學習神經網絡、決策樹、支持向量機、知識圖譜等技術，通過大量訓練，形成識別率較高的算法，為目標識別提供支持。

在威脅估計方面，傳統的威脅估計主要是針對態勢中的目標信息。根據目標的作戰能力、與我方兵力位置的相對幾何態勢信息，通過特定方法分析計算得到目標的威脅程度并排序。隨著人工智能技術的發展，可以考慮規范威脅判斷的輸入信息，通過軍事專家研討分析的方法，研究各種場景下目標的威脅程度，獲取大量寶貴訓練數據，通過訓練得到基于神經網絡、決策樹或支持向量機的威脅估計方法。所獲得方法的威脅估計結果可以與現有方法進行分析比對，判別新方法的有效性。

在攻防決策方面，結合目標運動狀態信息，當確認待打擊目標或面臨的威脅目標后，為了達到最好的打擊或防御效果，需決策武器的選擇、武器的使用時機、使用方式。如果能夠將決策問題的邊界和規則明確，一方面可以采用類似AlphaGo的自身博弈的方式（深度學習和強化學習技術可提供支撐），不斷調整優化自身決策模型，以得到最好攻防效果；另一方面可以考慮充分利用軍事專家的經驗，考慮基于規則的專家系統解決有關決策問題。

武器控制方面：在武器發射前，提高發射控制流程的自動化水平，進一步縮短反應時間，可考慮應用發控動作自動監控識別確認、多智能體并行控制等技術減少人工干預環節，提高發控流程的連貫性、并發程度；在武器發射后，可智能預估打擊效果并據此動態調整打擊目標。

1.2 UUV群的自主協同作戰

未來水下攻防作戰中采用多個UUV形成群（如圖2）協同執行完成任務將是重要發展方向。如美深海SHARK系統中的多個UUV能夠在部署后自主組網成集群，進行區域監控，并對進入監控區的目標進行接力跟蹤，并實施打擊。當UUV群在領受任務，并被部署后，如何動態地組織，進行任務分配，在保持群的隊形的同時，完成協同探測、跟蹤、決策、打擊、評估、情報上報等任務，是亟待解決的問題。在UUV群的應用上，可以有2種思路：一種是將UUV群當作一個整體，規定好UUV個體基本的機動、探測、識別、決策、打擊、通信、能量管理的控制命令及響應流程，采用強化學習、智能生物群（如魚群）等方法統籌研究，實現對其機動、探測、識別、決策、打擊、通信、能量管理等行為的統一決策和控制，綜合得出 UUV群的最佳行動控制策略；另一種是針對具體的研究難點，在潛艇指揮控制有關技術研究基礎上，進一步針對 UUV群應用特點研究解決。

圖2 UUV群分布式行為控制示意圖Fig.2 Schematic diagram of UUV group distributed behavior control

1）在水下通信自組網方面，考慮到水聲通信延遲大、帶寬窄，并存在不確定性，多個UUV的水聲組網通信需適應水下特點、考慮隱蔽需求。相比無線網絡，應以盡可能少的信息交互實現組網。為保證網絡拓撲結構的相對穩定，還需要對 UUV群的隊形進行適當的控制。

2）在水下協同探測方面，實現對目標的定位和跟蹤是必須要解決的問題，具體在實現上涉及到協同探測的任務規劃、協同探測數據處理等，考慮到UUV上計算處理能力較為有限，應盡可能采用簡便易行的方法。

3）在目標識別方面，UUV群需基于聲、光、電、磁等各種探測信息，尤其是水聲信息，自主識別目標種類、屬性，以完成自主執行的任務。相比于潛艇對目標的識別，UUV群的任務可能較為單一，在目標識別上可進一步聚焦其所針對的目標。

4）在自主交戰決策方面，UUV群在發現并跟蹤目標、判別目標身份后，需決策是否進行交戰以及交戰的時機，需決策對群內節點的武器目標分配。武器發射后，需對打擊效果進行評估，并決策是否繼續交戰。

5）在機動控制方面，每個 UUV需要能夠主動規避航行中的威脅或障礙物，確保UUV的航行安全。

6）在能量管理方面，每個 UUV自身能源有限，需做好UUV群的能源均衡管理統籌，使UUV群執行任務的時間盡可能長。

2 結束語

美國海軍在2018年對水下航行器（UUV）投入了巨大熱情，其John Richardson上將的《維護海上優勢 2.0設計》列出了不遲于2025年的多個UUV的打包合同：ORCA、Snakehead、Razorback和Knife fish[8]。在美國防部2020財年海上領域預算重點中，無人和自主領域投資37億美元，開發進攻性無人水面艦艇、無人潛航器和自主后勤平臺等裝備，加強競爭環境下的機動和殺傷能力；人工智能領域投資 9.27億美元，通過聯合人工智能中心和先進圖像識別項目擴大軍事優勢；投資22億美元用于增強哥倫比亞級戰略核潛艇的戰略威懾能力[9]。因此，在水下攻防領域，結合水下 UUV和潛艇的發展，積極應用人工智能技術，是值得關注的重要研究方向。除結合單一的具體問題研究應用人工智能技術外，也可將UUV群作戰作為一個整體決策控制問題結合人工智能技術進行研究。本文重點針對水下攻防領域無人潛航器集群和潛艇作戰，對人工智能技術的應用指出了一些研究問題或研究方向，具體問題的解決和實現還依賴于工程應用的不斷探索和實踐。