美國軍隊繼續在日益復雜的安全環境中作戰，不能再期望在每個領域都有無爭議的或主導性的優勢。由特種作戰部隊（SOF）操作的飛機需要改進防御能力，以支持在非許可環境下的任務。將自動化和人機協作納入現有的防御能力，可以減少威脅的反應時間，提高有人和無人飛機配置的防御機動的有效性。這篇論文研究了作為威脅反應一部分的飛機機動的價值，以確定人類干預對時間和準確性產生負面影響的情況。它還考慮了復制Merlin實驗室的飛行自動化方法和將能夠進行防御性機動的機器訓練系統納入現有飛機的機會。分析表明，飛機的機動性對于有效的威脅反應至關重要，自動選擇操作者的行動可以提高對某些地對空威脅的生存能力。這篇論文建議重新關注特種部隊飛機的防御能力，并贊同將機載自主系統整合到傳統的載人平臺上，以提高防御性威脅反應。它還主張繼續研究在SOF任務中使用可選的載人飛機，以完善其操作效用，并在各種任務平臺上擴大能力。

美國軍隊繼續在日益復雜的安全環境中運作，不能再期望在每個領域都有無爭議的或主導性的優勢。由于地對空威脅已經擴散到在世界各地活動的敵對行為者，未來的作戰環境將以有爭議的空域為特征，這將對有人和無人駕駛飛機的操作構成挑戰。由特種作戰部隊（SOF）操作的飛機需要改進防御能力，以便在這些有爭議的地區進行機動，同時支持傳統SOF任務。這篇論文研究了商業能力的進步，以減少威脅的反應時間，提高有人和無人駕駛飛機配置的防御性機動的有效性。

通過與位于波士頓的飛行自動化初創公司Merlin實驗室合作，本分析探討了防御性機動的潛在自動化。飛機機動是對威脅作出有效反應的一個關鍵方面，自動選擇操作者的行動可以提高對某些地對空威脅的生存能力。通過確定AC-130J威脅反應中人為干預影響飛機操縱時機和準確性的步驟，這項分析揭示了復制梅林實驗室的飛行自動化方法和將能夠執行防御性操縱的機器訓練系統納入現有飛機的機會。

在威脅反應過程中確定的關鍵步驟包括威脅指示、威脅作戰識別和威脅反應配對。目前，機組人員手動執行這些步驟來完成防御性威脅機動。然而，這些步驟中的每一個都可以從自動化和人機協作中受益，通過三種明顯的方式提高整體性能。首先，生成簡化的視覺和聽覺威脅指示，確保及時通知威脅的存在。其次，自動識別過程以準確識別威脅的變體，減少了反應時間和人類識別錯誤的可能性。最后，將威脅識別與適當的飛機反應同步配對，減少了不必要的延誤，并提高了威脅操縱的準確性。

這篇論文建議重新關注SOF飛機的防御能力，并贊同將機載自主系統整合到傳統的載人平臺上，以改善防御性威脅反應。將人機協作和自主能力納入飛機防御系統，可以使防御機動性能優于傳統系統，并允許在更廣泛的環境中作戰。除了改善防御性機動，梅林實驗室的自動飛行甲板在各種不同的飛機和任務中提供了潛在的用途。繼續研究應該調查在SOF任務中使用可選擇的載人飛機，以完善其操作效用，并在各種任務平臺上擴大能力。最后，在整個特種部隊中采用梅林系統將顛覆既定的操作慣例，需要個人和組織行為的改變。為了緩解過渡期并提高采用率，AFSOC應采取步驟，盡量減少利益相關者的行為變化，同時最大限度地提高系統的操作效益。培養對人工智能、機器學習和自動化的理解，將使這些行為者為軍事技術的快速變化和戰爭特征的變化做好準備。

圖 9. AC-130 防御性威脅反應圖。

人工智能（AI）應用于武器系統是過去10年研究的一個主要趨勢。這些舉措旨在提高武器的準確性，執行非主動的瞄準手段，幫助導航和制導與控制（例如，在全球定位系統被拒絕的情況下），并減少與傳統的基于物理學的方法相比的整體計算資源，以便在更小、更實惠的武器系統上實現智能瞄準。這項研究還包括將作戰人員的戰斗空間擴展到無人駕駛飛行器，并使用蜂群方法與有人和無人平臺進行合作。

我們首先概述了人工智能的描述和歷史，并概述了人工智能在武器系統中的原理、技術和應用。這包括對監督自主系統；制導、導航和控制；行為和路徑規劃；傳感器和信息融合；智能戰略和規劃；兵棋推演建模；以及認知電子戰的研究和計劃的回顧。

然后，對將人工智能應用于武器系統的系統和項目進行了調查。雖然重點是基于美國的系統和項目，但也包括一個關于俄羅斯和中國相關系統的小節。最后，我們對將人工智能用于武器系統的倫理考慮進行了簡要評論。

引言

1.1 問題陳述

機器學習（ML）和人工智能研究的最新進展揭示了人工智能在實現創新、增加機器的效用以及增強人類能力和經驗方面的力量和潛力。人工智能技術的顛覆性和其影響的深度還沒有被廣大公眾完全掌握。考慮到新時代的新興技術威脅，展示關鍵和相關的人工智能研究和最先進的技術是很重要的，這些技術不僅為武器系統提供了比傳統武器系統更多的自主權，而且大大增加了它們的殺傷力和戰斗生存能力。最終，人工智能在開發改變游戲規則的技術方面帶來了巨大的戰略機遇，這將確保國家安全、繁榮和技術領先地位。

1.2 常規武器系統

美國軍方在創造先進的常規武器技術方面取得了巨大的進步，這些技術支持了士兵在戰場上的任務并增強了他們的能力。這些常規武器技術大多是自動化系統，在計劃、執行和完成一項任務或使命時依靠一套預先編程的規則。然而，在中國和俄羅斯等國家新開發的武器的前沿陣地上，人工智能支持的戰爭和高超音速武器給美國武裝部隊帶來了新一代的質量挑戰。下一代戰斗的步伐要求為戰略決策進行時間緊迫和大量的戰斗信息處理，這使得美國的許多常規武器系統只能執行低風險的任務，并在核領域之外處于威懾力減弱的態勢。

必須承認，人是昂貴的訓練資產。在戰場上增加更多的人員并不是推進最先進的戰爭的優雅或廉價的解決方案。相反，用支持人工智能的智能硬件來增強人在回路中的系統，可以在戰區提供更多的眼睛和耳朵，并通過使人工智能系統執行一些簡單和常規的任務來釋放人類的決策。

此外，無人駕駛作戰飛機系統（UCAS）是一種成熟的具有成本效益的系統解決方案，用于執行情報、監視和偵察（ISR）任務和遠程空襲。然而，自動化能力仍然受到人類在環形操作、評估和接觸的限制。雖然在任何可預見的未來都沒有打算消除武器化人工智能系統中的人類元素，但人類的能力仍然構成這些系統協同潛力的上限。但是，一個由人工智能驅動的智能武器系統的新生態系統將迎來新的戰爭形式和戰略。

人工智能國家安全委員會在其2021年的報告中提出，美國國防部（DoD）的軍事企業在整合人工智能技術方面落后于商業部門，并敦促在2025年前為整個國防部廣泛整合人工智能奠定基礎[1]。

1.3 人工智能的簡要歷史

幾個世紀以來，哲學家們一直在考慮以某種形式人工復制人類智能的某個方面的概念。1869年，威廉-杰農創造了第一臺基于布爾邏輯實現邏輯計算的機器。該機器能夠比人類更快地計算布爾代數和維恩圖。隨著這種邏輯計算機器的發展，人們很自然地質疑機器是否可以通過邏輯推理來為人類解決問題并做出決定。圖1-1中的時間軸顯示了人工智能的歷史和演變，并在本節中進行了詳細說明[2]。

在理論計算機科學的一些最早的工作中，英國數學家阿蘭-圖靈（Alan Turing）思考了機器是否能像人類一樣智能地行為和解決問題的問題。他在他的圖靈測試中提出，如果一臺機器能模糊地模仿人類這樣的智能生物，那么這臺機器就是智能的。這一理論測試成為一種指導性的形式主義，在這種形式主義中，當前的機器被測試其模仿人類智能概念的能力或潛力。作為測試的見證，Loebner獎是一個圖靈測試競賽，其任務是根據圖靈提出的基本問題來評估機器智能研究的現狀。

1928年，約翰-馮-諾伊曼證明了Minimax算法的基本定理，該算法旨在提供一種在零和博弈過程中使最大可能損失最小的策略。

圖1-1. AI歷史年表

在第二次世界大戰的高峰期，阿蘭-圖靈和他的團隊開發了一種機器算法，可以破譯德國的英格瑪信息密碼。他的算法的成功，推動了將復雜任務委托給機器的進一步努力，是機器計算的基礎，也是ML發展的先導。

1943年，McCulloch和Pitts開創了神經網絡（NN）的最早概念--McCulloch-Pitts的形式網絡理論--這在1949年馮-紐曼在伊利諾伊大學的四次演講中得到了體現[3]。

大約在同一時間，約翰-麥卡錫，一位計算機科學家，在1955年創造了 "人工智能 "來指代機器智能；計算機科學家艾倫-紐維爾；以及赫伯特-A-西蒙，一位經濟學家和政治學家，開創了第一個旨在自動推理的真正程序（稱為邏輯理論家）。隨著這一突破性的努力，對智能機器的探索開始了，為人工智能作為計算機科學的一個新的學術研究領域鋪平了道路。

1957年，一位名叫弗蘭克-羅森布拉特博士的心理學家開發了一個名為 "感知器 "的簡化數學模型，描述了我們大腦中的神經元如何運作。這一成就被強調為 "Perceptron收斂定理"。

同年，理查德-貝爾曼開發了動態編程，用于解決一類最佳控制問題。他還介紹了離散隨機最優控制問題的馬爾科夫決策過程表述，這為現在所稱的 "強化學習 "奠定了重要基礎。

在這些發展之后，另一位名叫阿瑟-塞繆爾的人工智能先驅利用他早先在ML方面的開創性工作，成功地開發了第一個檢查者算法。他實現了現在被稱為 "Alpha-Beta修剪 "的早期版本，這是一種搜索樹方法，通過Minimax算法減少評估節點的數量。1959年，一位名叫威廉-貝爾森（William Belson）的統計學家開發了一種名為決策樹的非參數、監督學習方法的早期版本。

在20世紀60年代，人工智能研究的重點是解決數學和優化問題。1960年，羅納德-霍華德提出了馬爾科夫決策過程的策略迭代方法，建立了一些與強化學習有關的最早的工作。

到1968年，著名的路徑搜索算法A-star是由計算機科學家尼爾斯-尼爾森提出的。60年代末，機器人建模、控制和機器視覺方面取得了進展，導致在1972年開發了第一個名為WABOT-1的 "智能 "擬人機器人，并整合了肢體操縱、視覺和語音系統。

Harry Klopf的 "適應性系統的異質理論 "的復興對適應性系統的試錯范式的發展有很大影響。1977年，Ian Witten提出了最早的強化學習系統之一，使用了時間差法。理查德-薩頓和安德魯-巴托設計了一種強化學習算法，稱為演員批評法。

由于70年代中期到80年代末計算機的計算能力限制，人工智能研究在有大量數據處理要求的應用中發現了困難，如視覺學習或優化問題。同時，數學研究 "證明 "了（單層）感知器不能學習某些模式。此外，1973年發表的一份Lighthill報告對人工智能的潛力非常悲觀，這導致人工智能研究的資金被削減。結果，資金短缺導致人工智能的研究經歷了一個被稱為 "人工智能冬天 "的時期。

到了80年代中后期，繼1986年多層感知器的發展之后，在NNs方面也做出了重要的理論貢獻。這些貢獻是David Rumelhart在1986年開發的遞歸神經網絡（RNNs），John Denker等人在1987年開發的貝葉斯網絡，以及Yann LeCun在1989年開發的卷積神經網絡（CNNs）。

此外，Chris Watkins在1989年開發了另一種重要的強化學習方法，稱為 "Q-Learning"。1992年，在IBM的Thomas J. Watson研究中心，Gerald Tesauro通過自我強化學習為雙陸棋游戲訓練了TD Gammon程序。1997年，IBM的 "深藍 "計算機使用粗暴的、基于搜索的算法擊敗了國際象棋世界冠軍加里-卡斯帕羅夫，使其成為第一個在國際象棋中戰勝頂級職業選手的程序。

在90年代末和21世紀初，在ML中看到的大部分進展是由計算機處理、存儲和分布式計算方面的指數級進展所推動的。2007年，需要大量計算資源的保證最優玩法在跳棋中得到了解決。在過去的20年里，圖形處理單元用于通用計算的激增導致了今天人工智能應用的進一步進展，特別是在2012年和2014年，不同的NN拓撲結構，如殘差網絡和生成式對抗網絡的發展。

2015年，ImageNet競賽，一個為約400萬張圖像的ImageNet圖像集開發分類器的公開競賽，有一個冠軍，其錯誤率被認為低于一個人。2016年，DeepMind的AlphaGo程序在擊敗當時被認為是最優秀的圍棋選手李世石后，成為最佳AlphaGo選手。繼AlphaGo的學習能力之后，AlphaZero在2017年擴展了AlphaGo，成為國際象棋和Shogi的最佳棋手。

2019年，美國國防部高級研究計劃局（DARPA）推出了AlphaDogfight，這是基于人工智能的空戰算法在模擬的F-16狗斗中與經過頂級訓練的飛行員進行的一系列三輪競賽。第一輪和第二輪比賽中，人工智能程序相互競爭。第三輪將人工智能勝利者的飛行員提煉出來，與美國空軍武器學校的優秀畢業生進行競爭。蒼鷺系統的人工智能飛行員不僅在競爭激烈的人工智能空中戰斗人員中獲勝，而且在與訓練有素的人類F-16飛行員的較量中取得了令人難以置信的五次勝利。

OpenAI在2020年5月推出了一個名為GP3的 "自然語言處理 "模型，它生成的寫作內容與人類無異。其最新版本可以從簡單的描述性語言生成編程語言代碼[4]。人工智能的歷史繼續向前發展，特別是對國防部的武器系統應用。本報告的其余部分將調查與武器系統有關的當代人工智能技術和系統。

1.4 什么是AI？

根據Barr和Feigenbaum的說法，人工智能被定義為 "計算機科學中與設計智能計算機系統有關的部分，即表現出我們與人類行為中的智能有關的特征的系統--理解語言、學習、推理、解決問題等等"[5]。

Stuart Russel和Peter Norvig在他們的《人工智能：一種現代方法》一書中對人工智能的最新定義是："設計和建造能夠從環境中接收感知并采取影響環境的行動的智能體" [6]。

Pei Wang優雅地將智能定義為 "在知識和資源不足的情況下的適應"[7]。雖然該定義沒有說明適應的目的（如目標），但它揭示了為達到這種智能需要完成的工作。

如果要以人類為中心定義人工智能，即執行人類智能水平的任務，那么人工智能需要感知、推理、知識構建、推理、決策和計劃、學習、交流，以及有效移動和操縱環境的能力。

人工智能的科學目標是回答哪些關于知識表示、學習、規則系統、搜索等的想法可以解釋各種類型和水平的真實智能。工程目標是為不同的應用領域開發人工智能技術，以解決現實世界的問題。

在人工智能的科學基礎上，我們發現來自不同科學領域的可識別概念--哲學、邏輯/數學、計算、心理學和認知科學、生物學和神經科學以及進化。在尋求發現和更好地理解人工智能是什么或將是什么的過程中，來自這些不同知識領域的貢獻已經被證明是不可避免和不可或缺的了。許多研究人工智能的領域都在同時構建人類認知如何運作的模型，并在它們之間采用有用的概念。例如，NN，一個源于生物學的概念，試圖在簡化的人工神經元的基礎上建立人工系統，這個概念導致了一個簡單的抽象知識結構的表示，足以解決大型計算問題集。

人工智能大致分為三個主要層級--人工狹義智能（ANI）、人工通用智能（AGI）和人工超級智能（ASI）。圖1-2說明了這三個層級中的各種分組，本節將更多地討論這些分組。

1.4.1 人工狹義智能（ANI）

ANI是對一個執行狹窄或單一任務的人工智能系統的描述。它可以包括各種方法來獲得結果，如傳統的ML（以圖像分類為例）或目標檢測（包括ML和基于規則的系統）。給定一組規則或約束，它的目標是提供一組代表狹義任務的輸出。ANI不會擴展或學習新的認知，也不會自我學習新的操作模式。數據挖掘、大多數專家系統和針對某一應用的預測功能（例如，垃圾郵件檢測和面部識別）都被認為是ANI的形式。ANI還包括 "有限記憶人工智能"--用于自動駕駛汽車的系統類型，使用過去的經驗（訓練），并學習做決定，隨著時間的推移而改進。

1.4.2 人工通用智能（AGI）

AGI是一種更強大的智能形式，因為它被更多類似人類智能的特征所增強，例如自主學習的能力和解釋情緒和語音語調的能力。這使得與AGI相關的智能與人類的智能水平相當。AGI的一些關鍵核心能力如下：

• 推理、解決問題、運用策略和在不確定情況下做出決定的能力。
• 展示知識的能力。
• 計劃的能力。
• 學習的能力。
• 用自然語言交流的能力。
• 將所有上述內容整合為一個共同目標的能力。
• 類似人類的思維與圖靈測試等計算的結合。

1.4.3 人工超級智能（ASI）

ASI是一種超越最聰明的人類頭腦的智能模型。實現ASI的方法仍在概念化中，但將是那些超越AGI并需要某種自我意識的系統。這些系統最好能代表所有人類的認知能力，甚至更多。

1.5 機器學習（ML）

ML是機器從數據中學習的能力，目的是做出準確的預測。它大致分為四類學習，提供了豐富的專用和通用的技術家族。

1.5.1 監督學習

在這種形式的學習中，訓練數據使用包含的輸入和標記的或預定的輸出數據。如果有缺失的輸入或輸出條目，它們會被預處理，以便將一個輸入正確地映射到其真正的對應輸出。通過從正確生成的訓練數據集中學習，系統學會了將不在原始數據集中的輸入與預測的輸出（標簽或值）聯系起來。這種類型的訓練解決的典型問題是回歸和分類[8]。

1.5.2 無監督學習

這種形式的學習中，系統直接從未標記的數據中發現有趣的或隱藏的結構[9]。無監督學習被用于聚類分析、降維或估計可能產生輸入數據的密度[8]。

1.5.3 半監督學習

當數據集包含有標記的和無標記的數據時，這種學習形式的系統利用無標記的數據來更好地捕捉潛在的數據分布，并獲得一個更好的預測，如果它只從標記的數據中訓練的話。這種學習形式適用于訓練數據集中的標注數據遠遠少于未標注數據的情況[8]。

1.5.4 強化學習

在這種學習模式中，系統使用獎勵/懲罰機制進行訓練，這樣它所選擇和執行的行動，當行動可取時，會使系統得到獎勵，當行動不可取時，會受到懲罰。強化學習問題涉及學習如何做（如何將情況映射到行動上）以最大化數字獎勵信號[9]。

03 人工智能在武器系統中的應用

人工智能有可能應用于武器系統生態系統的許多方面。它被用來控制系統，從而實現自主性和提高性能，以在具有挑戰性的環境中選擇指導、導航和控制方面的問題。同樣，人工智能可用于解決任務和路徑規劃中的挑戰性問題，從而實現更高水平的復雜任務目標和操作要求。人工智能也被用于電子戰領域的支持、反制，甚至是反制措施。它還可能被用于來自不同系統層次和領域的信息融合，以泄露抽象的高價值戰場情報，并提供關鍵線索和快節奏的決策，從而在現代戰爭中創造寶貴的戰術優勢。

報告的這一部分將強調最先進的人工智能方法在適用于自主和武器系統的各種人工智能問題領域的使用。它是根據以下問題領域來組織的。

• 自主性

• 感知中的人工智能

• 制導、導航和控制中的人工智能

• 任務和路徑規劃

• 智能戰略

• 對手建模

• 認知型電子戰

提綱

第一章 引言

1.1問題陳述

1.2常規武器系統

1.3 AI簡史

1.4什么是AI？

1.4.1 ANI

1.4.2 AGI

1.4.3 ASI

1.5 ML

1.5.1監督學習

1.5.2無監督學習

1.5.3半監督學習

1.5.4強化學習

第二章 最先進的方法

2.1學習人工智能范例

2.1.1深度學習

2.1.2強化學習

2.2隨機優化和搜索算法

2.2.1隨機優化

2.2.2圖形搜索算法

2.3新興人工智能范例

2.3.1神經符號AI

2.3.2 NE

第三章 人工智能在武器系統中的應用

3.1自主性

3.1.1定義、級別和框架

3.1.2自主系統的功能組件

3.2感知中的人工智能

3.2.1圖像分割

3.2.2目標檢測、分類和場景理解

3.2.3傳感器融合

3.3制導、導航和控制中的人工智能

3.3.1 GN&C系統

3.3.2常規控制理論方法

3.3.3智能控制

3.3.4本地化和導航

3.3.5系統識別

3.4任務和路徑規劃

3.4.1GAs

3.4.2群體智能

3.5智能策略

3.6對手建模和兵棋推演

3.7認知電子戰

3.7.1電子支持措施

3.7.2 ECMs

3 .7.3 ECCMs

第四章 將人工智能應用于武器系統的系統和程序

4.1天線系統

4.1.1下一代空中優勢計劃

4.1.2 Shield AI Hivemind

4.1.3 Shield AI V-Bat

4.1.4 Kratos XQ-58 Valkyrie

4.1.5 MQ-20 Avenger UCAS

4.1.6自主彈藥

4.1.7 Dynetics X-61小精靈

4.2 海軍系統

4.3 陸軍系統

4.3.1 QinetiQ/Pratt Miller的遠征自主模塊化飛行器

4.3.2Textron系統公司的Ripsaw M5

4.3.3 Rheinmetall公司的Lynx KF41

4.4 群系統

4.4.1 DARPA的攻擊性蜂群戰術

4.4.2自主協同小直徑炸彈群

4.4.3 Perdix群

4.4.4 Mako UTAP22

4.4.5 Coyote UAS Block 3

4.4.6機器人代理命令和傳感群的控制架構

4.4.7激流勇進微型無人潛水器

4.5戰斗管理和智能指揮與控制

4.6 ISR和目標系統

4.6.1 SRC的HPEC Pod

4.6.2復仇女神

4.7導航

第五章 未來作戰中的AI

第六章 人工智能和外來威脅

6.1俄羅斯

6.2中國

第七章 倫理考量

第八章 總結

參考文獻

摘要

一系列因素（射程空間減少、空域限制、武器系統可用性、缺乏目標模擬能力、敵對能力監測）正在推動北約向分布式合成訓練過渡。為了幫助實現這一轉變，北約科技組織（STO）成立了MSG-165任務組，負責為聯合和聯盟空中行動通過分布式仿真（MTDS）執行任務訓練。

MTDS能力的發展并不局限于MSG-165的工作；事實上，它是北約的智能防御計劃之一，由美國贊助，因此在各個層面都有很好的知名度，但仍然未能取得必要的進展。雖然仍有一些挑戰，但該小組迄今為止所開展的工作已經為北約現有的其他合成訓練問題提供了解決方案。這些都體現在文件中，包括：

• 建立共同的空中訓練目標，幫助確定聯盟的訓練要求，幫助調整適當的訓練媒體。

• 制定參考架構原則，為聯合MTDS能力的使用提供基礎。

• 建立MTDS能力驗證演習，稱為 "斯巴達勇士20-9"（SW 20-9）。SW20-9是對以前“斯巴達勇士”方案的修改，是一個由美國空軍-非洲作戰中心（UAWC）協調的多邊參與機會，通過北約機密級別的聯合戰斗實驗室（CFBL）網絡為聯盟伙伴提供持續的連接，進行日常的、以聯盟為中心的、由單位領導的訓練。

• 制定MSG-165關于如何利用MTDS來支持北約空中作戰訓練的設想。在開發這個愿景時采用的方法顯示了更廣泛的效用，并有可能用于幫助其他部門確定他們自己的未來培訓愿景。

本文將強調在建立一個共同的北約聯合MTDS環境方面所取得的成就。

關于作者

Arjan Lemmers是英國皇家海軍陸戰隊的高級項目經理。他是北約MSG-165任務組MTDS的聯合主席，在國際分布式任務訓練計劃方面有長期經驗。Arjan也是機載嵌入式訓練系統和LVC互操作性方面的專家。Arjan領導著這個領域的幾個研發項目，并且是幾個國際社區中這些主題的主要參與者。

Clark Swindell是美國空軍作戰中心（UAWC）的建模和仿真主管。他在通過聯合模擬提供分布式訓練方面有豐富的經驗，是NMSG-165的美國國家負責人。克拉克的經驗主要集中在大規模演習，使用聯合模擬，如JLVC，JLCCTC和BLCSE，這些都是使用分布式仿真和玩家的位置，以及整合LVC互操作性和合成環境。

Richard Hemmings是亨廷頓-英格爾斯工業公司（HII）的承包商，是美國空軍作戰中心（UAWC）的LVC集成和開發負責人。最初，他在UAWC作為操作主題專家（SME）和多國LVC演習的項目官員工作，后來他被調到 "未來計劃 "工作，負責整合和開發。作為專家加入北約MSG-165任務組，理查德幫助領導UAWC的工作，主持驗證演習。

1 引言

北約和各國都需要進行聯合的集體訓練，以確保任務準備就緒。一系列的因素（射程空間的減少、空域的限制、武器系統的可用性、目標模擬能力的缺乏、敵對能力的監測）促使北約向分布式合成訓練過渡。為了幫助實現這一轉變，北約科技組織（STO）成立了MSG-165任務組，負責為聯合和聯盟空中行動通過分布式仿真（MTDS）執行任務訓練的增量實施。

本文將強調在建立一個共同的北約聯合MTDS環境方面取得的成就。它首先解釋了北約MTDS能力的背景，以及之前為實現這一能力所做的努力。然后，它提出了訓練目標，并描述了實現這一即將到來的重要訓練能力的步驟。隨后是MTDS原則的定義，為多個利益相關者的觀點提供要求和標準。這促成了MTDS參考架構，它提供了一個符合上述架構原則的通用和可重復使用的描述。在下一部分中，考慮了為聯盟集體訓練部署MTDS跨域安全解決方案時應考慮的安全問題。本文最后對斯巴達勇士20-9演習進行了展望，該演習被用作北約MTDS能力的驗證演習。

2 北約MTDS研究的背景

合成能力已經成為滿足北約軍事力量作戰訓練需求的一個重要工具。新的系統和平臺正變得越來越復雜，需要更多的準備時間來使用。技術能力的提高和成本的降低，再加上環境限制的增加和對實戰活動的敵對（電子）監控能力的提高，使得合成訓練的使用更具吸引力。因此，通過分布式仿真任務訓練（MTDS）實現的集體訓練（CT）對北約和成員國的準備工作變得越來越重要。許多成員國正朝著更多地使用先進的模擬進行任務訓練和采用國家MTDS能力的方向發展，但北約目前還沒有一個集體的MTDS能力來利用這些發展進行聯盟CT。

過去，北約在這一領域采取了一些舉措，從2000年開始進行了關于MTDS的SAS-013研究（NATO RTO SAS-013, 2004）。這項研究確定了參與國的空勤人員任務訓練的做法和局限性，并確定了先進的分布式仿真是否能加強北約飛行員和空勤人員的訓練。它提出了未來的方向，將促進北約空勤人員培訓和任務演練的分布式仿真能力的發展。這在2004年的培訓示范演習First WAVE中得到了推進，即 "虛擬環境中的第一個作戰人員聯盟"（NATO RTO SAS-034，（2007）。第一次波浪演習沒有遇到不可克服的技術障礙，并證實MTDS可以提供一個重要的新能力來滿足北約的任務培訓需求。MTDS工作組建議，北約和聯合國應認可MTDS的潛力，并共同努力將MTDS推進到作戰能力。第一波倡議的后續是北約SMART（2007年）、北約現場、虛擬、建設性（LVC）（2010年）項目，以及2011-2012年北約工業咨詢小組（NIAG）關于空中聯合任務訓練的分布式仿真研究小組（NIAG SG 162，2012）。這些研究為北約MTDS行動概念（CONOPS）的發展提供了越來越清晰的思路。然而，沒有一項研究提供了持久的MTDS能力，目的是支持作戰人員為未來行動實現任務準備。鑒于演習預算的減少，可用于實戰演習的資產的減少，以及現實模擬復雜威脅環境的難度的增加，北約缺少一種具有成本效益的手段來提高未來聯合作戰的集體行動準備能力。

北約建模與仿真小組（NMSG）的任務是 "開發和利用建模與仿真（M&S），使聯盟及其合作伙伴受益"。上述考慮是NMSG在2013年啟動MSG-128任務組 "通過分布式作戰逐步實施北約任務訓練"（NATO STO MSG-128, 2018）的動機。MSG-128研究已經驗證了連接異構作戰訓練模擬器的技術可行性，以便為多國空中任務演習提供真正的訓練價值。它已經起草了MTDS參考架構，為多國訓練演習提供了一個初步的基線，即使在促進MTDS演習就業方面仍有許多差距。多國MTDS演習的成熟將是一個漫長的過程。MSG-128小組建議，為達到這一成熟度，有以下幾個努力的軸心（Lemmers和Faye等人，2017）：

1. 在小型/中型演習的操作成熟度方面取得進展，為上述確定的差距提供技術解決方案。

2. 繼續在作戰演習環境中驗證這些解決方案，并將這些解決方案整合到MTDS最佳實踐文件中。

3. 將MTDS演習的可擴展性擴展到大型和聯合演習，包括空軍、海軍和陸軍之間的空域互操作性，以及包括聯合情報、監視和偵察（JISR）。這一行動將是LVC發展和MTDS在多國聯盟演習中使用的一個助推器。

MSG-128在2018年被后續任務組MSG-165 "通過分布式仿真為聯合和聯盟空中行動逐步實施任務訓練 "所接替，該任務組將持續到2021年初。其目標是為北約持久的MTDS環境建立基本要素，并通過初步的操作測試和評估來驗證這些要素。MTDS能力的發展并不局限于MSG-165的工作；事實上，它是北約的智能防御計劃之一，由美國贊助，因此在各個層面都有很好的可見度，但可悲的是仍然未能取得必要的進展。雖然仍有一些挑戰，但該小組迄今為止所開展的工作已經為北約現有的其他合成訓練問題提供了解決方案。這些都體現在文件中，包括

• 建立共同的空中訓練目標，幫助確定聯盟的訓練要求，幫助調整適當的訓練媒體。

• 制定參考架構原則，為聯合MTDS能力的使用提供基礎。

• 建立空中MTDS能力驗證演習，稱為 "斯巴達勇士20-9"（SW 20-9）。SW20-9是由美國空軍非洲作戰中心（UAWC）協調的一個多邊參與機會，為聯盟伙伴提供北約機密級別的聯合戰斗實驗室（CFBL）網絡的持續連接，以進行日常的、以聯盟為重點的、單位領導的訓練。

• 制定MSG-165關于如何利用MTDS來支持北約空中作戰訓練的設想。在開發這個愿景時采用的方法顯示了更廣泛的效用，并有可能用于幫助其他部門確定他們自己的未來培訓愿景。

3 共同的空中訓練目標

為了提供最大的價值和效率，北約MTDS必須關注現有訓練安排中沒有涉及的領域。因此，它不尋求復制通過現有國家或北約活動提供的訓練，而是提供額外的聯盟合成訓練能力。北約有能力提供作戰航空部門指揮能力的合成集體訓練（CT）。然而，它還沒有能力對空中指揮部（ACC）以下的戰術能力進行綜合訓練。在合成提供 "從輪子到輪子 "的空中活動方面的這一差距，是北約MTDS提供訓練的主要重點。然而，為了實現端到端的合成訓練，任何未來的系統都應該能夠連接到現有的北約合成訓練能力，特別是支持（NATO STO MSG-165, 2019）：

• 合成傳播和執行空軍司令部（ACC）訓練衍生的空中任務指令（ATO）、空域控制指令（ACO）和特別指令（SPINS）。

• ACC執行階段的訓練，將合成訓練的任務與ACC戰術人員聯系起來，支持其動態訓練。

空中訓練的要求可以分成三個日益復雜和具有挑戰性的層次，如圖1所示，并在下文中描述：

• 第1級：個人能力，涵蓋人員的個人訓練和貨幣，安全地發揮作用。

• 第2級：戰術團隊訓練，訓練分隊的 "基石"，為個人和隊員的作戰戰術和程序做準備。

• 第3級：戰術集體訓練，為復雜的空中行動提供訓練，需要多種空中能力和單位來完成一個行動任務。

在這三個級別中，1級和2級培訓將仍然是國家的責任。然而，3級戰術集體訓練是北約MTDS的關鍵多國要求；這源于許多國家難以實現這一級別的現實訓練所需的密度和能力范圍。盡管如此，在北約MTDS剩余能力允許的情況下，作為次要的優先事項，MTDS將用于2級訓練，作為提高這種訓練的真實性和復雜性的一種手段。

圖1：空中訓練的級別

為確保任何未來的MTDS能力能夠滿足必要的作戰訓練和演練要求，必須確定MTDS將提供的作戰訓練類型。因此，通過與MSG-165行動小組代表協商，制定了北約聯盟反恐目標（CCTO）（NATO STO MSG-165，2019）。這項工作提供了50個CCTVO。這些CCTVO被分組，以提供MTDS解決方案必須能夠支持的廣泛任務集，并幫助未來的培訓設計。以下任務集被確定。攻擊、進攻性反空、防御性反空、空中C2、空中機動性、空中情報監視和偵察、戰斗支援、空地一體化和空海一體化。

在第1級和第2級活動中的個人和構件訓練中，重點是確保機組人員能夠在駕駛艙內采取必要的行動來有效地打擊他們的平臺。然而，在第三級培訓中，雖然正確的機組人員行動仍然很重要，但概念上的重點卻發生了微妙的變化。第三級培訓必須提供培訓機會，以確保在通常大型和復雜的編隊中，控制人員和機組人員之間發生正確、及時的C2互動，如圖2所示。

圖2：將在CT環境中復制的操作互動

與1級和2級培訓相比，3級培訓的重點發生了微妙的變化，允許更加關注合成培訓的交付。因此，雖然大型實戰演習仍然是實現訓練真實性、建立信心和戰略信息的重要手段，但北約空中訓練的更大比例可以在合成環境中常規實施。這一假設已經在MSG-165行動小組中進行了討論和測試，主要的結論是，對于3級多國訓練，對于任務集，超過50%的訓練可以以合成方式進行。

4 參考架構

北約MTDS能力旨在將國家或北約的模擬資產整合到一個分布式的合成集體訓練環境中，這些資產通過一個共同的模擬基礎設施連接。仿真資產一般通過網關或門戶連接到該基礎設施。合成訓練環境的一致性也是參與集體合成訓練和演習的模擬資產的互操作性的關鍵。含有合成環境數據的數據庫的制作可能是整個M&S成本的重要組成部分，這意味著應該促進重復使用。仿真資產提供者通常使用相同的高級流程來生成他們的環境數據產品，但詳細的數據生成流程因生產商或集成商的不同而略有不同。這些差異使數據重用變得復雜，并危及目標應用的最終互操作性。

為了實現MTDS的合成集體訓練環境，能夠快速響應新的訓練需求，需要為訓練環境的開發和工程制定共同的流程和技術協議。由于技術協議通常是在每次演習中制定的，因此仍然缺少一個具有相關工程流程和技術協議的共同認可的模擬基礎設施。這就是MTDS參考架構（RA）發揮作用的地方（van den Berg, Huiskamp, et al., 2019）。該參考架構以構件、互操作性標準和模式的形式概述了MTDS的要求，用于實現和執行由分布式仿真支持的合成集體訓練和演習，與應用領域（陸地、空中、海上）無關。MTDS RA的重點是合成集體訓練和演習，因此將包括具有MTDS特定功能和接口的構件和模式。由于RA是在北約范圍內開發的，它也將利用北約的模擬互操作性標準。

用于特定訓練或演習活動（如 "斯巴達勇士 "演習系列）的模擬環境架構被稱為解決方案架構。由于MTDS的RA為合成集體訓練環境提供了一個 "模板解決方案"，因此解決方案架構中使用的許多元素的要求原則上應來自RA。但是，可能還需要進行一些改進，以滿足特定事件的要求。這可能包括選擇仿真協議和特定的中間件解決方案（DIS、HLA）、網關組件、跨域解決方案、數據記錄工具，以及代表合成物理環境（SPE）的協議和格式。參考數據交換模型是通過RA提供的，但解決方案架構仍然需要就這些參考數據交換模型中的哪些具體部分將在具體事件中使用達成協議。

通常情況下，各套原則形成一個層次結構，即架構原則將被企業原則所告知、闡述和約束。架構原則定義了使用和部署資源和資產的基本一般規則和準則。它們反映了企業各要素之間的某種程度的共識，并形成了做出未來決策的基礎。在MSG-165中，為MTDS定義了10個主要的架構原則。下面將討論這些原則。

1.支持北約行動的合成集體訓練和任務演練 MTDS工作的主要預期應用是在北約范圍內的合成集體訓練。應為單一服務和聯合行動開發一個共同的技術和程序解決方案。就技術要求而言，任務演練被認為與任務訓練密切相關。

2.啟用（混合的）現場、虛擬和建設性資產 MTDS應（在未來）支持（混合的）現場、虛擬和建設性的模擬玩家。聯合行動和聯合行動的集體訓練需要有許多模擬實體的復雜訓練場景。訓練對象通常會在實戰、虛擬和混合的LVC環境下進行訓練。解決方案應支持LVC的混合集成。

3.提供靈活性和發展能力 許多國家已經使用模擬系統進行訓練。然而，這些現有的系統在技術上往往是非常不同的。MTDS RA應定義一個框架，該框架在技術上是先進的，沒有限制性（例如，可擴展新的模擬資產），并且不會不必要地阻礙訓練（例如，帶寬，穩健性）。應定義門戶或網關，以允許在MTDS中整合遺留系統，并允許MTDS所需的靈活性。

4.使用開放標準 北約提倡使用開放標準，因為它促進了成本效益的互操作性。開放標準可以被所有各方自由使用。對私人方（如供應商）的使用沒有任何限制。

5.遵守北約政策和標準 MTDS應遵守北約關于M&S互操作性和標準的政策和協議。偏離這一原則需要說明理由，包括對合適的北約標準的評估和與替代解決方案的比較。

6.支持在北約保密級別或最高級別使用 MTDS應支持北約行動的合成訓練和任務演練。系統、理論和任務執行的保密方面需要得到保護。應就系統、網絡、場地和能夠接觸上述內容的人員的實施和認證達成協議。

7.在一次演習中支持多個安全域或飛地 應就屬于不同飛地的系統、網絡、場地和人員之間的信息交流的實施和認證達成協議，可能通過使用CDS解決方案。每個國家和北約之間的CDS解決方案的認證將由每個國家承擔。

8.提供有代表性的訓練環境 MTDS應提供一個有代表性的集體訓練環境，以支持演習中所有參與者的公平競爭（或公平戰斗）。仿真系統性能的差異不應導致某些參與者獲得不現實的（不）優勢。

9.解決多個利益相關者的觀點 MTDS使用RA來提供對特定MTDS解決方案設計的通用和可重復使用的描述。RA是以架構構件的形式來描述的，對這些構件的解決方案有要求和適用標準。為了實施MTDS，將涉及不同的利益相關者。這些構件應該為不同利益相關者的觀點提供指導。

10.通過聯網模擬器為北約和國家的集體培訓提供具有成本效益的培訓解決方案，不得對用戶以及各中心及其工作人員施加不可接受的限制，因為這些限制不值得花費時間，也不能被行動上的好處所抵消。

MTDS原則為多個利益相關者的觀點提供了要求和標準。MTDS RA提供了一個符合上述架構原則的通用和可重復使用的描述。它使用了架構積木（ABB）和架構模式（AP）的概念來定義應用和服務的框架，使國家訓練系統能夠被整合到一個分布式的合成集體訓練環境中。圖3提供了該框架中主要ABB的概述。

圖3：MTDS框架的應用和服務

圖3中的應用是面向用戶的能力，與稱為服務的后端能力互動。例如，圖中顯示--在解決方案層面--將有一個或幾個用于場景準備的應用程序；這些軟件組件與后端服務實現（如威脅生成服務）互動，向這些服務提供模擬場景數據。框架應用和服務的一個子集（門戶服務、面向消息的中間件服務、威脅和跟蹤生成服務以及合成自然環境（SNE）服務）在（van den Berg, Huiskamp, et al., 2019）中有更詳細的討論。

5 跨域安全

北約國家有必要在北約MTDS演習中整合和操作其國家或主權機密模擬資產，以實現其共同的空中集體訓練目標。同時，北約國家希望保護這些最敏感或最機密的資產、其基礎數據和信息，防止因加入這種北約MTDS演習而受到（網絡）安全威脅。在不同國家敏感度、信任度或安全分類級別的模擬資產之間實現安全連接和互操作性，對于成功實施北約MTDS能力和演習至關重要。

M&S跨域安全（CDS）服務旨在滿足這一要求，使北約國家能夠通過共同共享的北約MTDS模擬主干，對位于其國家安全領域的模擬資產進行安全互操作。在這種情況下，安全域被定義為在一致的安全政策下運行的模擬資產，并由一個組織、國家和/或安全認證機構（SAA）擁有。安全政策定義了關鍵要素，如安全分類、可釋放性、利益共同體和任何其他對模擬資產中包含和處理的實際軍事系統和理論的數據和信息的特殊處理注意事項。

在這里，M&S CDS被定義為一個由安全強化服務組成的系統，該服務是為減輕在不同安全領域運行的模擬資產之間傳輸模擬數據的特定安全風險而定制的。這樣的M&S CDS可以被看作是一種網關環境的形式。與普遍應用的M&S（網絡）網關不同，M&S CDS提供了廣泛的安全控制，以提供全面的模擬數據過濾和深度防御，具有更高的保障水平。M&S CDS服務是保護整個北約MTDS基礎設施及其組成的模擬資產免受所有形式的安全威脅所需的整個安全措施的一個專門部分。除其他外，這包括：模擬資產和設施的物理和網絡邊界保護裝置，模擬資產或設施與網絡連接的物理安全，模擬資產和監測之間的加密通信保護，人員安全許可和意識培訓。這些常見的安全措施對于MTDS演習的安全執行也應到位。

理論上，可以設想許多通用的應用拓撲結構，其中部署M&S CDS解決方案，以確保在多個安全域之間進行受控和安全的模擬數據交換。然而，在實踐中，這種拓撲結構的實施必須符合具體的使用案例和威脅環境所施加的跨域安全要求和限制。這意味著分布式仿真環境的跨域安全不僅僅是孤立地關注M&S CDS設備（如數據節點、防護裝置或信息交換網關）。只有當每個連接的安全域內的模擬資產和網段滿足某些可信的安全政策、實踐和要求，并且其相關的安全風險被充分理解和接受時，才能保證整個分布式仿真環境的適當安全水平（反之亦然）。因此，在北約MTDS用戶背景和威脅環境下，在為聯盟集體訓練部署M&S CDS解決方案時，應考慮以下安全因素。

1.最重要的是，每個北約國家需要保持對其國家擁有的模擬數據和信息的完全控制，以及在MTDS訓練演習之前、期間和之后如何共享這些數據和信息。這意味著每個國家將始終通過本國擁有的CDS設備將其機密模擬資產與北約MTDS模擬主干連接起來，這些設備受本國的SAA和安全政策的約束。

2.所有將參加北約MTDS演習的北約國家都使用私營軍事網絡北約聯盟戰斗實驗室網絡（CFBLNet）作為共同的網絡基礎設施，以連接他們的機密模擬資產和其他相關的培訓應用，直至北約機密級別。這意味著參與的北約國家有一個共同的協議，在每個國家對這些資產或應用的安全等級執行方面相互信任，在此基礎上，他們可以通過這個網絡連接、共享數據和信息。因此，目前，從這個北約CFBL網絡到較低信任安全域的級聯連接對任何北約國家來說都是非常不可取的，甚至是不可接受的。

3.北約MTDS將部署符合北約STANAG和標準的仿真互操作性中間件服務（如HLA、DIS和TENA），以便在一個統一的分布式仿真環境中對國家仿真資產進行互操作，用于集體任務訓練和演習。目前，這些中間件標準通過一個共同的共享數據空間和模擬信息交換數據模型來交換模擬數據，而這并不提供任何安全措施。這意味著，任何國家只要能進入北約CFBL網絡，并被允許用正確的加密密鑰加入特定的MTDS演習，也可以直接訪問參與模擬資產之間交換的所有模擬數據。因此，這個集體模擬數據集是MTDS演習中所有參與國（即安全領域）的 "共享秘密"。

4.M&S CDS部署拓撲結構過于復雜，將使每個國家安全領域內的機密模擬資產的安全保障和操作復雜化，并可能增加攻擊面、轉換數據流渠道的風險以及與較低信任環境的級聯連接。這意味著過于復雜的部署拓撲結構可能會在整個MTDS演習準備、執行和匯報階段給北約國家帶來額外的成本和準備時間。因此，CDS的部署拓撲結構應該在滿足國家安全和培訓要求的前提下，設計得盡可能的簡單。

圖4描述了在北約MTDS演習中部署M&S CDS的參考拓撲，該拓撲是根據前面提到的安全考慮因素確定的（Roza，等人，2020）。

圖4：北約MTDS CDS部署的參考拓撲結構

該參考拓撲結構反映了這樣一種典型情況：參與北約聯盟級分布式仿真環境的仿真資產由不同的國家擁有，因此屬于受不同SAA管轄的安全領域。為了確保每個國家完全控制其國家擁有的機密模擬數據，以及如何與其他國家共享這些數據，每個國家通常應使用自己的CDS設備。在這里，每個國家的CDS首先將自己的主權機密模擬數據集轉換并映射成可釋放的數據集，然后根據商定的集體模擬信息交換模式將其發布到集體共享的模擬數據集中。這種共享數據受到共同商定的安全措施的集體保護，如數據加密，以確保通過第三方網絡基礎設施進行保密信息交流，并對每個國家的參與模擬設施采取安全措施，以獲得加入北約MTDS聯盟級演習的權限。反之，國家擁有的CDS設備可以保護單個或聯合的國家機密模擬資產免受來自北約CFBL網絡的網絡攻擊，包括因訂閱共享數據空間的數據而導致的未經授權的模擬數據入侵。

6 MTDS驗證演習

從UAWC的演習選項中選擇，"斯巴達勇士 "活動是通過分布式仿真進行的多國、以空中為重點的訓練。這次演習將在北約的CFBL網絡上進行，在四天的時間里使用每個國家的模擬或仿真器通過DIS和HLA進行連接。UAWC模擬/環境生成器將提供整體的合成環境、安全語音、聊天功能和紅色部隊來填充該領域。

為了建立支持大規模演習所需的行動區域，UAWC雇用了其他模擬中心的專家，包括空戰訓練中心（英國皇家空軍瓦丁頓空軍基地）、北約預警系統ASCOT控制員（北約蓋倫基興航空站）和萊昂納多公司（意大利）。此外，計劃中的參與包括法國空軍（FAF）、意大利空軍（ItAF）、北約預警系統、英國皇家空軍（UK）、加拿大皇家空軍（RCAF）、荷蘭皇家空軍（RNLAF）、西班牙空軍（SpAF）、美國空軍（USAF）和美國陸軍（USA）。因此，它還將通過采用嵌入盟軍控制和報告中心（CRC）和北約預警機的美國陸軍防空炮火控制官（ADAFCO）來實現聯合和北約的互操作性訓練。為了繼續提供互操作性的機會，演習還將通過北約預警機E-3、建設性的E-8 JSTARS和皇家空軍RC-135 "鉚釘 "聯合模擬器支持情報監視偵察（ISR）的 "鐵三角"。這種ISR融合能力模擬了關鍵的現實世界ISR整合，以提高跨平臺和機構的決策技能。這項培訓還將在盟軍CRC和聯合戰術空中管制員（JTAC）之間執行美國空軍支援行動中心（ASOC）的連接。最后，為了支持這項工作，將有多架反空和攻擊飛機，包括建設性的和有人駕駛的模擬器，通過故意瞄準（DT）、打擊協調和偵察（SCAR）以及近距離空中支援（CAS）來支持協調打擊。

由于有機會進行驗證演習，目前建立的基礎設施和系統得到了利用。由此產生的系統和網絡提供了探索規定的RA和CDS配置的混合機會。因此，支持演習的數據被記錄下來，用于進一步的參考架構測試和比較，這使得演習規劃者能夠專注于實現MTDS CONEMP（NATO STO MSG-165, 2019）中概述的聯盟集體訓練目標（CCTO）。通過在整個演習責任區（AOR）創造3級訓練機會，集中精力實現盡可能多的CCTVO，演習策劃者能夠將50個CCTVO中的37個作為計劃目標（NATO STO MSG- 165，2019）。

參照上圖2，不同的任務和飛機類型之間的相互作用有助于建立3級訓練的復雜性。為了開始建立所需的部隊互動過程，規劃者希望建立一個能夠支持現有參與者所需復雜性的戰斗空間。隨著四（4）個指揮和控制（C2）元素的使用，結構化的通道被分配給每個C2元素。有了這些通道，就需要控制戰斗機的進攻/防御行動，以及確保空中加油保持所需的CAPs的支持要求。這種最初的集體行動將戰斗機及其加油機與控制它們的C2機構聯系起來，以滿足聯合空中作戰司令部（CAOC）在規劃文件中制定的規定的區域防空計劃（AADP）。這種看似簡單的互動現在發生在四（4）個不同的元素之間，可以想象是在四（4）個不同的地點。對于 "斯巴達勇士 "20-9，意大利空軍（ItAF）的歐洲戰斗機在作為C2機構的北約預警機控制的航道上與作為建設性實體的UAWC控制的加油機之間的互動現在將3個不同的單位聯系在一起，以實現一個相對良性的集體訓練目標，AAR.02--在同一地點進行空對空加油。同樣地，一個集體可以通過綜合空中行動（COMAO）完成一個更復雜的舉措，以實現進攻性反空（OCA）目標OCA.01（護航），OCA.02（戰斗空中掃蕩）和SEAD.01（壓制敵人防空）。為了建立這個集體目標，規劃人員利用C2機構在機會窗口期間將屬于COMAO包的飛機組織到他們的集結點，然后提供空中掩護（護送），假設達到CAOC的規劃文件規定的可接受的風險水平（ALR）。這個目標給C2機構帶來了決策，他們有能力從以前的打擊中辨別出ALR（防空設施是否被充分壓制？）、COMAO包的狀態、護航OCA組的狀態以建立空中控制，然后是打擊發生后的戰斗損傷評估（BDA）信息。這些集體行動現在占了多個地點的多個小組，處理融合的情報（敵方防空狀態），以及打擊前和打擊后的有效信息交流。

對于MTDS事件的規劃者來說，場景的復雜性不應掩蓋手頭任務的復雜性。在這種情況下，規劃文件根據ALR定義了限制，并建立了已知的時間事件來創建這些打擊窗口。這就創造了機會，或缺乏機會，基于提供給決策者的輸入--在這種情況下，接受培訓的C2機構。對于演習策劃者來說，所需的CCTVO成為驅動特定場景的焦點。通過創建這些決策點，在多個平臺上收集相關信息，所有這些平臺都在為已知的事件進行協調，從而實現了集體訓練點。在更大的事件中，實現這些功能的機會可能會在細節和機會的海洋中消失，以引起更大的力量反應。然而，正是通過保持任務的簡單性來控制信息的流程和流動，才可以在不影響訓練對象或創造支持環境的白軍元素的情況下常規地實現CCTO。

最后，為了改變行動區的任務，特定的任務集在整個行動區被輪換使用。這種輪換使不同的C2機構能夠在四個演習日的每一天改變他們的重點。當一些機構負責支持CAS時，其他機構則負責協調COMAO包、SCAR資產或動態目標事件。此外，戰斗的性質在四天的演習中也有所改變。通過不保持時間線（演習第1天=第100天，演習第2天=第101天，等等），計劃者可以用較小的每日投入進一步構建演習事件。在這個例子中，演習日以10天為單位向前移動。這樣，雙方的補給都可以完成，但更重要的是，戰爭的基調可以得到調整。對于SW20-9來說，10天的增量提供了創造紅方部隊推進日、藍方部隊推進日、停火（以及隨后重新陷入戰爭）日和僵局日的機會。這些都會在對事件的整體解釋中產生色調和變化，從可能的叛逃者到自相殘殺的擔憂，都需要加以考慮。這些變化為所有玩家提供了一系列的事件和任務集，以解釋和建立他們的行動方案，從而增加集體的訓練機會。

7 結論和對北約聯合MTDS的建議

北約內部MTDS能力的發展并不限于MSG-165的工作。MSG-180工作組努力在海洋領域建立MTDS能力（名為LVC-T）（NATO STO MSG-169. 2019）。此外，這兩個小組的工作與MSG-164建模與仿真服務（MSaaS）有關（NATO STO MSG-164. 2018）。MTDS也是北約的智能防御倡議之一，由美國贊助，因此在各個層面都有很好的知名度，但遺憾的是仍然未能取得必要的進展。為了幫助這個問題，我們打算通過將海洋領域納入MTDS倡議，將智能防御的努力結合起來。雖然仍有一些挑戰，但迄今為止所開展的工作已經為其他現有的北約合成訓練問題提供了解決方案。這些問題包括：

• 分析未來的空中訓練需求，從而重新確認多國MTDS活動的好處。

• 建立共同的空中訓練目標，幫助確定聯盟的訓練要求，幫助調整適當的訓練媒體。

• 制定參考架構原則，為聯合MTDS能力的使用提供基礎。

• 制定MSG 165的愿景，即如何利用MTDS來支持北約空中業務培訓。在開發這個愿景時采用的方法顯示了更廣泛的效用，并有可能用于幫助其他部門確定他們自己的未來培訓愿景。

為了支持北約聯合MTDS的發展，我們提出了以下建議：

• 發展北約綜合演習要求，從北約贊助的年度MTDS演習開始。這將有助于提高整個北約對MTDS能力和好處的認識，并有助于為MTDS的培訓制定必要的優先次序。

• 正式確定聯盟對未來多國合成訓練的期望。我們相信，這將帶來巨大的好處，并提供必要的自上而下的方向和指導，以幫助推動MTDS能力的發展，這是一個初步要素。

鳴謝

本文介紹的工作是由以下北約國家和組織在MSG-165任務組中合作完成的。比利時、加拿大、法國、德國、意大利、荷蘭、挪威、西班牙、土耳其、英國、美國、歐洲航空集團（EAG）、北約工業咨詢集團（NIAG）和北約空中作戰卓越中心。所以這項工作的功勞應該歸功于這個MSG-165任務小組的所有參與者。本文的作者是MSG-165的聯合主席，并代表整個小組的作用。

1 引言

近年來，"蜂群 "和 "構建蜂群"是無機組系統界最普遍的流行語之一，不僅包括航空器，還包括陸地、海洋、水面以及水下的無人系統。然而，什么是蜂群，或者它需要擁有哪些基本能力，還沒有正式定義。北約的無機組飛行器社區最近開始為上述術語制定定義，以最終正式確定各自的術語供官方使用，但由于不同社區對什么是蜂群有不同的解釋和觀點，很快就陷入了困境。因此，以空中為中心的定義可能不太適合于其他領域。

本文旨在概述挑戰，并在討論未來 "蜂群 "的定義及其在無人飛行器背景下的相關術語提供思考素材。

2 定義的目的

每個術語的定義都需要滿足一個目的；否則，它就沒有意義，也不需要被定義。例如，遙控飛機（RPA）被定義為 "由經過培訓和認證的飛行員控制的無人駕駛飛機[......]，其標準與有人駕駛飛機的飛行員相同。"因此，使用RPA一詞表明操作飛機需有一定程度的飛行員資格要求。以同樣的方式，需要同意該定義是為哪些條件和目的服務的，即在哪些情況下需要它。

定義 "蜂群 "所面臨的挑戰是，適用的用途差別很大，一種用途的定義參數可能與另一種用途不相關。為了概述這一挑戰，下面介紹了一些例子。

作業用途。使用蜂群來實現軍事效果是基于需要解決的軍事問題。只有當蜂群功能與其他解決方案相比能帶來軍事利益時才會被采用。所期望的效果在本質上將符合能力要求的定義，因此，需在采購者的法律框架內。實戰化蜂群技術并按照適用的國家和聯盟立法、交戰規則以及戰術、技術和程序進行操作，可能需要一個定義，該定義提供了關于軍事能力、遠程操作模式、指揮和控制手段以及人類互動程度的說明。

開發者用途。需要充分了解潛在的蜂群功能，以便從開發者的角度確定軍事使用的好處。開發蜂群技術和實現蜂群行為的正確執行可能需要復雜的自主性和人工智能應用水平，使人類能夠將蜂群作為一個整體進行操作，但不需要（甚至不允許）控制任何單獨的蜂群實體。因此，這種用途的定義可能集中在自主性水平、其在硬件和軟件中的技術實現以及蜂群功能在其系統中的適應性。

反蜂群用途。在觀察和防御蜂群時，自主性水平或指揮和控制手段并不那么重要。從這個角度來看，實體的數量、它們的觀察行為以及它們假定的蜂群能力是最相關的問題，因此也是決定性的因素，不管蜂群實體是人工控制還是自主操作。識別一個較大的實體群是否有資格成為蜂群的挑戰隨著展示的蜂群行為的復雜性而增加。

在其他情況下，"蜂群 "一詞的定義可能需要偏離或替代，以達到其目的。為了解決這個難題，有兩個選擇。首先，為每一種用途制定多個定義，其次，找到一個可以服務于所有（或至少是大多數）用途的共同標準。由于多種定義有可能在不同的用戶群體之間造成混淆和誤解，因此第二種選擇更受歡迎。每個用戶群體以后可以將其具體要求作為子類別術語附加到一般定義中，類似于RPA，它是 "非螺旋槳飛機 "這一總體定義下的一個子類別。

3 共同標準

這就給我們帶來了一個挑戰，即為總體的蜂群定義確定一個共同標準。通過觀察蜂群，特別是其行為，可以發現共同點，不管它是由空中、陸地還是海上的無人系統組成，也不管蜂群的行為是實際執行的還是只是被感知的。因此，一個總體的定義應該從蜂群的外部外觀和視覺感知開始，而不是關注其內部運作。后者可以用子類術語來涵蓋和區分。

4 蜂群行為

在開源研究中，有許多關于蜂群行為的定義，但它們主要描述的是同一個概念，通常將蜂群智能作為一個前提條件。例如:

• "蜂群是大量個體組織成協調運動的現象。僅僅利用環境中他們所掌握的信息，他們就能聚集在一起，集體移動或向一個共同的方向遷移"。

• "蜂群智能是對分散的、自組織的系統的研究，這些系統能夠以協調的方式快速移動"。

• "在蜂群機器人學中，多個機器人通過形成類似于在自然系統中觀察到的有利結構和行為來集體解決問題，如蜜蜂群、鳥群或魚群"。

• "蜂群智能源于動物的自然蜂群行為，可以定義為相同大小的動物表現出的集體行為，聚集在一起解決對其生存至關重要的問題。蜂群智能可以被定義為簡單代理群體的新興集體智能"。

上述所有定義的共同點是形成蜂群的個體的 "協調運動"。集體智能也被提到是實現這種行為的關鍵因素；然而，觀察者將無法確定蜂群的協調運動是基于集體智能還是通過其他控制手段。因此，在總體定義中，集體智能是一個需要考慮的次要屬性，需要由后續術語來涵蓋。值得注意的是，未來的技術，包括人工智能和機器學習應用，可能使觀察者能夠確定一大群實體是否擁有可能造成更大威脅的額外蜂群功能。因此，"集體智能"或類似的可識別的蜂群功能可能被納入定義中。

【值得注意的是，"多個蜂群元素 "原則上意味著，任何數量大于1的單位，如果從事蜂群行為以提高整體單位的集體能力，都可以被視為一個蜂群。由于沒有專門的系統，識別蜂群行為幾乎是不可能的，因此，除非另有證明，否則最好將看似一起行動的多個實體視為一個蜂群。更高的數量會放大蜂群行為的好處。另外，各個實體不需要完全相同，只需要兼容，作為蜂群的一部分解決軍事問題。】

5 單個蜂群元素的數量

根據上述定義推斷，蜂群的另一個關鍵要素是參與的實體數量，但沒有明確規定最低數量。是否有一個閾值需要跨越，以脫離傳統的分組方案，如中隊、航班，從而有資格成為蜂群？同樣，我們有幾個選擇：

1.將任何由兩個或更多元素組成的編隊都歸為蜂群。

2.將蜂群定義為超過特定數量的單個元素的群體，其數量高于上述傳統分組。

3.避免任何具體化，將這一細節再次留給后續的分類學層次。

為了避免限制性太強，并允許有子類別，建議采用最后一種方案。術語"多個蜂群實體"很好地表達了建議的 "非特定性"，并將在文章后面為此而使用。

6 空間分布

上述可觀察到的特征，即 "協調運動 "和 "多個蜂群元素"，并不意味著各個蜂群實體之間有最小或最大的距離。已經有了采用廣泛分布的無機組的飛行器來轉播無線電通信或向偏遠地區提供互聯網連接的概念。單個航空器之間的距離可能是數百公里，以提供大面積的覆蓋。即使在較小的規模上，蜂群實體也可以在僅幾百米的距離內以協調的方式運作，以觀察一個地區或攻擊具有多個影響點的較大目標。如果不能對群體（或蜂群）進行整體調查，那么這些實體是否遵循預先確定的和不協調的模式或執行協調行動，對觀察者來說可能仍然是隱蔽的。因此，蜂群的空間分布不是一個總體定義的限定因素，而且會不必要地限制其應用，盡管這些特征可能在反蜂群活動中發揮作用，并在隨后的術語中加以定義。

7 人與人之間的互動

在談論蜂群技術時，人們廣泛討論了不同的自主性水平和相應的人類互動水平。例如，自主性水平越高，在實際任務中對人類投入的要求就越低。顯示出一套完整的蜂群行為的蜂群很可能處于自主性等級的高端，將人類互動的必要性降到最低。也可以假設這種人類互動適用于整個蜂群，以控制總體的蜂群功能，而不是單個的蜂群實體。然而，在觀察由單個空中、陸地、地面或地下飛行器組成的蜂群時，很難確定其自主性和人類互動水平，因此對于總體 "蜂群 "的定義而言，這不是一個相關因素。為了不限制定義的適用性，這些特征應該用一個子術語來描述，如 "智能蜂群"、"自主蜂群 "或類似的措辭，因為它們肯定在研究和開發、蜂群就業方面具有適用性，而且可能用于法律目的。

8 蜂群的能力

人們通常認為，組成一個蜂群可以增強或產生單個系統無法實現的能力。蜂群可以被認為是一個系統簇，它可以執行預先設計的功能并提供一個或多個（軍事）效果。這些效果要么直接受益于蜂群行為，要么間接受益于單個系統能力的組成，作為一個組合的蜂群功能。這種好處需要從能力要求、作業和防御的角度清楚地理解，并且可以與其他軍事用途的定義聯系起來。一般來說，蜂群行為是任何蜂群能力的基礎。然而，蜂群能力可能因使用的系統類型而有很大的不同，而且與蜂群行為相比，不能觀察到，只能在執行前假設。因此，能力聲明被認為不適合作為總體定義，還應該由下屬術語涵蓋。

9 定義提議

一個定義取決于蜂群的預期用途。由于蜂群應用提供了各種用途，本文建議從一個總體定義開始，并在下屬術語中涵蓋各個使用屬性。

以下是一個總體定義建議，涵蓋并支持所有軍事領域及其各自的無機組人員系統，隨后對定義的每個術語進行了解釋。

形成。這應表明蜂群元素之間的空間相關性，同時有意不進一步描述其具體組織。這就為各個蜂群元素之間的各種距離和空間安排留出了分類的空間。

多個。蜂群可能由少數甚至數百個元素組成，但至少要超過一個。不具體的術語 "多個 "允許該定義適用于所有類型的蜂群，無論其參與元素如何。定義一個具體的數字對于任何下屬的術語來說也將是困難的。可以對小型蜂群中的 "可計算的數量 "和大型或大規模蜂群中的 "不可計算的數量 "進行區分，這可能有助于區分人類或技術系統被接近的實體所淹沒時的威脅。

實體。它包括所有類別的無人系統，包括空中、陸地、地面和地下系統。如果計算機程序或衛星系統的協調行動是北約未來的選擇，這個術語也可以適用于網絡和空間領域。可以考慮使用從屬的術語，例如，無人駕駛飛機系統群（UASSw）或無人駕駛地面車輛群（USVSw）。

顯示協調的行為。蜂群的內部運作和技術機制可能有所不同，對于某些用途，定義甚至可能不需要審查這些內部特征。本文所確定的共同點是蜂群的行為，包括可以觀察到的協調動作和行動。故意不說明這些協調行動是如何實現的。實現蜂群功能的技術手段可以用隨后的術語來表達，如 "自主蜂群 "或 "智能蜂群"。

朝著一個目標前進。這是為軍事背景服務的，因為可以假設蜂群總是指向一個目標，以實現其特定的任務目標，從簡單的現場調查、情報、監視和偵察，到打擊或自殺任務。這可能與軍事背景以外的情況無關，可以不提。

【蜂群是由多個實體組成的，它們朝著一個目標表現出協調一致的行為。】

10 結論

為 "蜂群 "找到一個一致的定義是一個困難的挑戰，因為在所有的軍事領域和民事應用中都有很多用途。要在北約內部實現對蜂群定義的廣泛接受，唯一的解決辦法是確定所有蜂群特征的共同點，將定義減少到最低限度，并將專門用途的具體細節留給下級術語。

作者

安德烈-海德爾，中校是一名炮兵軍官，在指揮與控制和作戰計劃方面有超過15年的經驗。他是JAPCC的無人駕駛飛機系統主題專家，已有十多年的經驗，并代表JAPCC參加北約聯合能力小組的無人駕駛飛機系統和北約反無人駕駛飛機系統工作組。他撰寫了關于無人機系統和C-UAS的操作和法律問題的多項研究、書籍和文章。

安德烈亞斯-施密特，中校于1993年加入德國空軍。在軍官學校學習后，他在慕尼黑的德國武裝部隊大學學習計算機科學。自1998年以來，他在地基防空方面建立了廣泛的背景，特別是愛國者武器系統。他開始擔任戰術控制官，隨后在不同的 "愛國者 "部隊中擔任偵察官、炮臺執行官和炮臺指揮官。此外，他曾兩次不連續地被派往德克薩斯州的布萊斯堡。在這之間，他曾在前空軍師擔任A3C的任務。目前，他是JAPCC的綜合防空和導彈防御/彈道導彈防御中小企業。

前沿作戰基地（FOB）防御是一項人力密集型任務，需要占用作戰任務的寶貴資源。雖然能力越來越強的無人駕駛飛行器（UAV）具備執行許多任務的能力，但目前的理論并沒有充分考慮將其納入。特別是，如果操作人員與飛行器的比例為一比一時，并沒有考慮提高無人機的自主性。本論文描述了使用先進機器人系統工程實驗室（ARSENL）蜂群系統開發和測試自主FOB防御能力。開發工作利用了基于任務的蜂群可組合性結構（MASC），以任務為中心、自上而下的方式開發復雜的蜂群行為。這種方法使我們能夠開發出一種基于理論的基地防御戰術，在這種戰術中，固定翼和四旋翼無人機的任意組合能夠自主分配并執行所有必要的FOB防御角色：周邊監視、關鍵區域搜索、接觸調查和威脅響應。該戰術在軟件模擬環境中進行了廣泛的測試，并在現場飛行演習中進行了演示。實驗結果將使用本研究過程中制定的有效性措施和性能措施進行討論。

第1章：導言

1.1 背景和動機

2019年，美國海軍陸戰隊司令大衛-H-伯杰將軍發布了他的規劃指南，作為塑造未來四年的部隊的一種方式。他在其中指出："我們今天做得很好，我們明天將需要做得更好，以保持我們的作戰優勢"[1]。這句話摘自海軍陸戰隊司令大衛-H-伯杰將軍的《2019年司令員規劃指南》（CPG），呼吁采取集中行動，以應對海軍陸戰隊在未來戰爭中預計將面臨的不斷變化的挑戰。在為海軍陸戰隊確定未來四年的優先事項和方向的CPG中的其他指導，呼吁建立一個 "適合偵察、監視和提供致命和非致命效果的強大的無人駕駛系統系列"[1]。伯杰將軍進一步呼吁利用新技術來支持遠征前沿基地作戰（EABO）。EABO將需要靈活的系統，既能進行有效的進攻行動，又能進行獨立和可持續的防御行動。簡而言之，實現EABO將需要最大限度地利用每個系統和海軍陸戰隊。

從本質上講，伯杰將軍正在呼吁改變無人駕駛飛行器的使用方式。通過使用大型的合作自主無人飛行器系統，或稱蜂群，將有助于實現這一目標。無人飛行器蜂群提供了在人力需求和后勤負擔增加最少的情況下成倍提高戰場能力的機會。正如伯杰將軍所提到的 "下一個戰場"，海軍陸戰隊將必須利用各種技術，最大限度地利用自主性和每個作戰人員在戰場上的影響。

目前的無人系統使用理論是以很少或沒有自主性的系統為中心。另外，目前的系統依賴于單個飛行器的遠程駕駛；也就是說，每輛飛行器有一個操作員。部隊中缺乏自主系統，這在監視和直接行動的作戰能力方面造成了差距。此外，側重于一對一操作員-飛行器管理的無人系統理論要求操作員的數量與車輛的數量成線性比例。這對于 "下一個戰場 "來說是不夠的。相反，海軍陸戰隊將需要能夠讓操作員擺脫束縛或提高他們同時控制多個飛行器的能力系統[2]。

考慮到這些目標，美國海軍研究生院（NPS）的先進機器人系統工程實驗室（ARSENL）已經開發并演示了一個用于控制大型、自主、多飛行器的系統，該系統利用了分布式計算的優勢，并將駕駛的認知要求降到最低。ARSENL在現場實驗中證明了其系統的功效，在該實驗中，50個自主無人駕駛飛行器（UAV）被成功發射，同時由一個操作員控制，并安全回收[3]。

1.2 研究目標

這項研究的主要目標是證明使用無人機蜂群來支持前沿作戰基地（FOB）的防御。特別是，這需要自主生成、分配和執行有效的、符合理論的基地防御所需的子任務。這部分研究的重點是開發基于狀態的監視、調查和威脅響應任務的描述；實施支持多飛行器任務分配的決策機制；以及任務執行期間的多飛行器控制。

輔助研究目標包括展示基于任務的蜂群可組合性結構（MASC）過程，以自上而下、以任務為中心的方式開發復雜的蜂群行為，探索自主蜂群控制和決策的分布式方法，以及實施一般的蜂群算法，并證明了對廣泛的潛在蜂群戰術有用。總的來說，這些目標是主要目標的一部分，是實現主要目標的手段。

1.3 方法論

基地防御戰術的制定始于對現有基地防御理論的審查。這一審查是確定該行為所要完成的基本任務和子任務的基礎。然后，我們審查了目前海軍陸戰隊使用無人機的理論，以確定這些系統在基地防御任務中的使用情況。

在確定了任務要求的特征后，我們為基地防御的整體任務制定了一個高層次的狀態圖。子任務級別的狀態圖等同于MASC層次結構中的角色。

ARSENL代碼庫中現有的算法和游戲以及在研究過程中開發的新算法和游戲被用來在ARSENL系統中實現子任務級的狀態圖。最后，根據高層次的狀態圖將這些游戲組合起來，完成基地防御戰術的實施。

在游戲和戰術開發之后，設計了基于理論的有效性措施（MOE）和性能措施（MOPs）。通過在循環軟件（SITL）模擬環境中的廣泛實驗，這些措施被用來評估基地防御戰術。在加利福尼亞州羅伯茨營進行的實戰飛行實驗中，也展示了該戰術和游戲。

1.4 結果

最終，本研究成功地實現了其主要目標，并展示了一種包含周邊監視、關鍵區域搜索、接觸調查和威脅響應的基地防御戰術。此外，開發工作在很大程度上依賴于MASC層次結構，以此來制定任務要求，并將這些要求分解成可在ARSENL蜂群系統上實施的可管理任務。這一戰術在實戰飛行和模擬環境中進行了測試，并使用以任務為中心的MOP和MOE進行了評估。最后的結果是令人滿意的，在本研究過程中開發的戰術被評估為有效的概念證明。

1.5 論文組織

本論文共分六章。第1章提供了這項研究的動機，描述了這個概念驗證所要彌補的能力差距，并提供了ARSENL的簡短背景和所追求的研究目標。

第2章討論了海軍陸戰隊和聯合出版物中描述的當前海軍陸戰隊后方作戰的理論。還概述了目前海軍陸戰隊內無人機的使用情況，并描述了目前各種系統所能達到的自主性水平。

第3章概述了以前自主系統基于行為的架構工作，ARSENL多車輛無人駕駛航空系統（UAS）和MASC層次結構。

第4章對基地防御戰術的整體設計以及高層戰術所依賴的游戲進行了基于狀態的描述。本章還詳細介紹了用于創建、測試和評估這一概念驗證的方法。在此過程中，重點是對每一戰術和戰術所針對的MOP和MOE進行評估。

第5章詳細介紹了所進行的實戰飛行和模擬實驗，并討論了與相關MOPs和MOEs有關的測試結果。

最后，第6章介紹了這個概念驗證的結論。本章還提供了與基地防御戰術本身以及更廣泛的自主蜂群能力和控制有關的未來工作建議。

現代綜合防空系統（IADS）所帶來的日益復雜的反介入區域拒止（A2AD）威脅，加上高端隱形平臺所提供的日益強大的優勢，促使美國空軍高級領導人投資于徹底改變2030年及以后的空中力量。這一新設想的一個突出因素是蜂群武器，其目的是通過用大量低成本、可損耗的航空資產來壓倒國際航空運輸系統，并通過自主能力來解決這一挑戰。這項研究提出了一個框架，按照三個獨立的維度對不同級別的自主能力進行分類，即單獨行動的能力、合作能力和適應能力。使用模擬、集成和建模高級框架（AFSIM）構建了一個虛擬作戰模型，模擬以有人駕駛的穿透式轟炸機和自主巡航導彈群為特征的友軍空襲包與以A2AD角色行動的敵軍IADS之間的交戰。通過使用自主性框架作為設計實驗的基礎，評估了不同水平的自主性對攻擊包性能的影響。對實驗結果的分析揭示了哪些方面和什么級別的自主性對促進這一模擬場景的生存能力和殺傷力最有影響。

1. 引言

1.1 動機和背景

戰爭的技術性質正在迅速發展，人們越來越重視對大量數據的收集、處理和決策。隨著指揮與控制（C2）決策空間的復雜性增加，指揮系統根據現有信息采取行動的速度越來越成為一個限制性因素。具有不同程度的人與系統互動的自主系統為緩解這一不足提供了機會。美國2018年國防戰略（NDS）[18]明確要求國防部（DoD）"廣泛投資于自主性的軍事應用"，作為促進大國競爭優勢的一項關鍵能力。

參與大國競爭的一個自然后果是反介入區域拒止（A2AD）環境在聯合沖突的所有方面擴散。從美國空軍（USAF）的角度來看，現代綜合防空系統（IADS）構成了卓越的A2AD威脅，這嚴重抑制了通過常規手段建立空中優勢的前景[2, 20]。這一挑戰促使部隊結構的優先事項發生了變化，因為將能力集中在相對較少的高端系統中的感知風險越來越大。美國空軍科學和技術戰略[26]設想，數量龐大的低成本、易受攻擊的航空資產將很快發揮曾經由數量有限的高價值資產完成的作用。這種大規模的蜂群的任務規劃和空戰管理（ABM）工作的規模可能很快超過人類的認知能力，這使得它成為非常適合自主性研究和開發的應用領域。

1.2 問題陳述

本研究試圖評估幾種自主巡航導彈群的行為對A2AD環境中藍方（友方）空中性能的影響。具體來說，所研究的A2AD場景考慮了紅方（對手）的IADS被藍方聯網的自主巡航導彈群吸引，以促進穿透式轟炸機的后續打擊。在任務規劃時沒有考慮到的突然出現的威脅，可能會進入該場景以增加紅色IADS的力量。蜂群必須在沒有外部反彈道導彈的幫助下，檢測并應對這些突發威脅以及任何其他對抗性任務參數的變化。A2AD場景的建模是使用模擬、集成和建模高級框架（AFSIM）完成的。

1.3 研究問題

為了解決問題陳述，本研究將對以下問題提供答案：

1.具有自主反彈道導彈能力的巡航導彈蜂群能在多大程度上提高藍方空襲包在A2AD環境下的生存能力（即避免被紅方IADS發現和摧毀的能力）？

2.具有自主反彈道導彈能力的巡航導彈群能在多大程度上提高A2AD環境下藍方空襲包的殺傷力（即探測和摧毀紅方IADS元素的能力）？

1.4 論文的組織

本論文的其余部分包含四章，組織如下：第二章對包括自主性、A2AD環境、基于代理的建模和仿真（ABMS）以及實驗設計（DOE）等主題的參考材料進行了回顧。第三章建立了A2AD場景、AFSIM模型實現和實驗設計的結構，作為本研究的框架。第四章介紹了實驗模擬運行的結果和附帶的分析。最后，第五章討論了從這項研究中得出的結論，以及對未來研究方向的建議。

摘要

兵棋模擬是一種決策工具，可以為利益相關者分析的場景提供定量數據。它們被廣泛用于制定軍事方面的戰術和理論。最近，無人駕駛飛行器（UAVs）已經成為這些模擬中的一個相關元素，因為它們在當代沖突、監視任務以及搜索和救援任務中發揮了突出的作用。例如，容許戰術編隊中的飛機損失，有利于一個中隊在特定戰斗場景中勝利。考慮到無人機的分布可能是這種情況下的決定性因素，無人機在超視距（BVR）作戰中的位置優化在文獻中引起了關注。這項工作旨在考慮敵人的不確定性，如射擊距離和位置，使用六種元啟發法和高保真模擬器來優化無人機的戰術編隊。為紅軍蜂群選擇了一種空軍經常采用的戰術編隊，稱為line abreast，作為案例研究。優化的目的是獲得一個藍軍蜂群戰術編隊，以贏得對紅軍蜂群的BVR戰斗。采用了一個確認優化的穩健性程序，將紅軍蜂群的每個無人機的位置從其初始配置上改變到8公里，并使用兵棋方法。進行了戰術分析以確認優化中發現的編隊是否適用。

索引詞：優化方法，計算機模擬，無人駕駛飛行器（UAV），自主智能體，決策支持系統，計算智能。

I. 引言

兵棋是在戰術、作戰或戰略層面上模擬戰爭的分析性游戲，用于分析作戰概念，訓練和準備指揮官和下屬，探索情景，并評估規劃如何影響結果。這些模擬對于制定戰術、戰略和理論解決方案非常有用，為參與者提供了對決策過程和壓力管理的洞察力[1]。

最近，無人駕駛飛行器（UAVs）作為一種新的高科技力量出現了。利用它們來實現空中優勢可能會導致深刻的軍事變革[2]。因此，它們的有效性經常在兵棋中被測試和評估。

由于具有一些性能上的優勢，如增加敏捷性、增加過載耐久性和增加隱身能力，無人機已經逐漸發展起來，并在許多空中任務中取代了有人系統[3]。然而，由于戰斗的動態性質，在視覺范圍之外的空戰中用無人系統取代有人平臺是具有挑戰性的。在空戰中，無人機可以被遠程控制，但由于無人機飛行員對形勢的認識有限，它將在與有人平臺的對抗中處于劣勢。然而，這種限制可以通過自動戰斗機動[4]和戰術編隊的優化來克服。此外，使用無人機可以允許一些戰術編隊和戰略，而這些戰術編隊和戰略在有人駕駛的飛機上是不會被考慮的，例如允許中隊的飛機被擊落，如果它有助于團隊贏得戰斗。文獻中最早的一篇旨在優化超視距（BVR）作戰中的飛機戰術編隊的文章[5]表明，空戰戰術是用遺傳算法（GA）進行優化的候選方案。該實施方案采用分層概念，從小型常規作戰單位建立大型編隊戰術，并從兩架飛機的編隊開始，然后是四架飛機，最后是這些飛機的倍數。在模擬中沒有對導彈發射進行建模。當一架飛機將其對手置于武器交戰區（WEZ）的高殺傷概率（Pkill）區域內一段特定時間，簡化的交戰模擬器就宣布傷亡。事實證明，所提出的方法的應用是有效的，它消除了團隊中所有沒有優化編隊的飛機，并為整個優化編隊的飛機團隊提供了生存空間。

Keshi等人[6]使用了與[5]相同的分層概念，從由兩架飛機組成的元素中構建大型戰術編隊。模擬退火遺傳算法（SAGA）被用來優化編隊，使其能夠克服對局部最優解的收斂。對16架飛機的編隊進行了優化，提出的最優解表明SAGA比基本的GA更有效。最后，為了探索一個穩健的SAGA，對不同的馬爾科夫鏈進行了比較，事實證明自調整馬爾科夫電流更適合所提出的問題。

Junior等人[7]提出使用計算機模擬作為一種解決方案，以確定BVR空戰的最佳戰術，使擊落敵機的概率最大化。在低分辨率下使用通用參數對飛機和導彈進行建模，并改編了名為COMPASS的模擬優化算法，模擬了兩架飛機對一架飛機的BVR戰斗。低分辨率模型假定在水平面的二維空間內有一個均勻的直線運動。使用優化的戰術表明，擊落敵機的平均成功率從16.69%提高到76.85%。 Yang等人[8]提出了一種方法來優化飛機對一組目標的最佳攻擊位置和最佳路徑。該工作考慮到飛機能夠同時為每個目標發射導彈，并將飛機與目標有關的攻擊性和脆弱性因素作為評價攻擊位置的指標。一個高保真模擬被用來模擬每個導彈的飛機、雷達、導彈和WEZ的動態特性。這項工作并沒有解決在BVR戰斗場景中優化一組飛機對另一組飛機的編隊問題。

Li等人[9]提出了一種基于指揮員主觀認識的編隊優化方法，即在空戰中目標設備信息不確定的情況下選擇飛機編隊的問題。首先，計算戰斗機的戰斗力，這是通過指揮員的主觀認識評估目標戰斗力的基礎。戰斗機的戰斗力以能力的形式表現出來，包括攻擊、探測、生存能力、通信、電子戰、預警系統等。因此，通過采用前景理論和綜合模糊評估來優化空戰訓練。最后，一個應用實例證明了該方法在小規模空戰中的可行性。作者聲稱，利用戰斗力評估戰斗情況的能力為優化空戰訓練提供了一種新的方法。

?zpala等人[10]提出了一種在兩個對立小組中使用多個無人駕駛戰斗飛行器（UCAVs）進行空戰的決策方法。首先，確定兩隊中每個智能體的優勢地位。優勢狀態包括角度、距離和速度優勢的加權和。在一個團隊中的每個智能體與對方團隊中的每個智能體進行比較后，每個航空飛行器被分配到一個目標，以獲得其團隊的優勢而不是自己的優勢。為一對對立的團隊實施了一個零和博弈。對許多智能體參與時的混合納什均衡策略提出了一種還原方法。該解決方案基于博弈論方法；因此，該方法在一個數字案例上進行了測試，并證明了其有效性。

Huang等人[11]開發了新的方法來處理UCAV編隊對抗多目標的合作目標分配和路徑規劃（CTAPPP）問題。UCAV的編隊是基于合作決策和控制的。在完成目標偵察后，訓練指揮中心根據戰場環境和作戰任務向每架UCAV快速傳輸任務分配指令。UCAV機動到由其火控系統計算出的最佳位置，發射武器裝備。合作目標分配（CTAP）問題通過增強型粒子群優化（IPSO）、蟻群算法（ACA）和遺傳算法（GA）來解決，并在歸因、精度和搜索速度等方面進行了比較分析。在進化算法的基礎上發展了UCAV多目標編隊的合作路徑規劃（CPPP）問題，其中提供并重新定義了獨特的染色體編碼方法、交叉算子和突變算子，并考慮燃料成本、威脅成本、風險成本和剩余時間成本來規劃合作路徑。

Ma等人[12]開展的工作解決了在BVR作戰場景中優化兩組（R和B）無人機對手之間的優勢地位問題。一個無人機ri∈R對一個無人機bj∈B的優勢是通過ri和bj之間的距離、ri的導彈發射距離的下限和上限、ri的高度和bj的高度之差以及ri的最佳發射高度來估計的。決定性的變量是無人機在兩組中的空間分布和每架飛機在這些組中的目標分配。無人機在三維作戰空間BVR中的可能位置被簡化（離散化），通過立方體的中心位置來表示。每個無人機組都有一組立方體。優化問題被建模為一個零和博弈，并被解決以獲得納什均衡。

Ma等人[12]提出的工作沒有使用高保真模擬來分析無人機空間分布的選擇和分配給它們的目標對BVR作戰的影響。高保真模擬對飛機、雷達、導彈及其導彈的WEZ的動態特性進行建模。這些動態特性也影響到BVR作戰時每架飛機的行動觸發，因此也影響到最終的結果。例如，如果在兩組無人機之間第一次沖突后的時間窗口內考慮高保真BVR作戰模擬，新的沖突可能會發生，直到模擬結束。因此，每個在交戰中幸存的無人機將能夠選擇一個新的目標，這取決于可用目標的優勢值。在[12]中沒有考慮與無人機行為有關的不確定性。有關敵方無人機在戰術編隊中的確切位置及其導彈發射距離的信息是行為不確定性的例子。這兩個信息和上面描述的其他信息在BVR戰斗中是相關的：它們直接影響飛機之間的交戰結果。

在這項研究中，我們試圖解決文獻中發現的一些局限性，如低分辨率模擬、與敵人有關的不確定性的處理以及缺乏對優化解決方案的穩健性的確認，旨在提高兵棋結果的質量。我們的目標是驗證哪些藍色蜂群的戰術編隊可以在BVR戰斗中戰勝紅色蜂群。作為一個案例研究，RED蜂群使用了空軍經常采用的戰術編隊，稱為line abreast[13]。為了評估BLUE蜂群解決方案的穩健性，我們解決了新的問題，改變了RED蜂群每架飛機的位置，目的是估計新的RED蜂群編隊對BLUE蜂群的優化戰術編隊的效率的影響。

我們使用自主智能體和高保真計算機模擬來優化BVR戰斗中的無人機戰術編隊，考慮與敵人相關的不確定性，如戰術編隊中的位置誤差和導彈發射距離。統一行為框架（UBF）被采納為創建自主智能體的基礎。飛機和導彈在三維環境中用六個自由度（DoFs）建模。

該程序將在接下來的章節中進一步討論。