軍隊為訓練、規劃和研究目的進行兵棋推演。人工智能（AI）可以通過降低成本、加快決策過程和提供新的見解來改善軍事兵棋推演。以前的研究人員根據強化學習（RL）在其他人類競技游戲中的成功應用，探討了將強化學習（RL）用于兵棋推演。雖然以前的研究已經證明RL智能體可以產生戰斗行為，但這些實驗僅限于小規模的兵棋推演。本論文研究了擴展分層強化學習（HRL）的可行性和可接受性，以支持將人工智能融入大型軍事兵棋推演。此外，本論文還通過探索智能體導致兵棋推演失敗的方式，研究了用智能體取代敵對勢力時可能出現的復雜情況。在越來越復雜的兵棋推演中，對訓練封建多智能體層次結構（FMH）和標準RL智能體所需的資源以及它們的有效性進行了比較。雖然FMH未能證明大型兵棋推演所需的性能，但它為未來的HRL研究提供了啟示。最后，美國防部提出了核查、驗證和認證程序，作為一種方法來確保未來應用于兵棋推演的任何人工智能應用都是合適的。

引言

兵棋推演是成功軍隊的寶貴訓練、規劃和研究工具。自然，美國（U.S.）國防部（DOD）計劃將人工智能（AI）納入兵棋推演。將人工智能融入兵棋推演的一種方式是用智能體取代人類玩家；能夠展示戰斗行為的算法。本論文研究了用智能體取代人類兵棋推演操作員的可行性、可接受性和適宜性。為此，本章解釋了為什么兵棋推演對成功的軍隊至關重要。

A. 軍方為什么要進行兵棋推演

軍隊進行兵棋推演是為了回答關于戰爭的關鍵問題，這些問題必須在實際沖突發生之前被理解。兵棋推演是利用對立的力量模擬實際的戰斗，并由人類的決策來決定[1]。雖然有廣泛的不同類型的兵棋推演，但它們都有一個共同的目標："獲得有效和有用的知識" [2]。這種劃分很重要，因為兵棋推演的不同目的會導致玩家和游戲控制者的行為不同。圖1顯示了兵棋推演從訓練到分析到實驗的廣泛范圍。

1.訓練用的兵棋推演

最直接的兵棋推演類型是用于訓練的兵棋推演。大型參謀部使用建設性的模擬（數字兵棋推演）來鍛煉他們的參謀過程，并驗證他們的軍事準備。小型參謀部使用虛擬模擬器來訓練他們的戰斗演習和船員演習。軍隊進行這些兵棋推演是為了了解戰爭和鍛煉決策能力[3]。所有隊員的行動和決策一般都要符合已知的條令和戰術、技術和程序（TTP）。對于大型的參謀部演習，對手可能會突破TTP的界限來挑戰參謀部（例如，表現得更有侵略性，但仍然依賴相同的TTP）。

2.用于分析的兵棋推演

兵棋推演可用于分析，即 "確定在部隊對抗中會發生什么"[3]。這些是大多數軍事人員所熟悉的兵棋推演類型：作為行動方案（COA）分析的一部分而進行的兵棋推演。這些類型的兵棋推演允許對戰爭計劃、部隊結構或理論進行評估。在這些戰役中，雙方都要采用已知的理論和TTP，但 "在這些戰役中，創新精神可以自由發揮"[4]。

3.實驗性的兵棋推演

在譜的另一端是實驗性兵棋推演。在這些戰役中，雙方都可以使用新的力量、武器和/或戰術來探索潛在的未來戰爭[5]。歸根結底，組織進行實驗性兵棋推演是為了產生 "關于戰爭問題性質的知識"[2]。美國軍方在演習中整合了這些類型的兵棋推演，如美國陸軍未來司令部的聚合項目和聯合作戰人員評估。

4.兵棋推演的好處

盡管兵棋推演既不是預測性的，也不是對現實的完全復制，但它們確實提供了一些沒有實戰就無法獲得的東西：對戰爭中決策的洞察力。當為訓練而進行戰爭演習時，組織正在學習良好的決策是什么樣子的（包括過程和最終結果）。當為分析而進行戰爭演習時，計劃者正在評估他們在計劃期間做出的決定，以及在執行期間需要做出的潛在決定。

這些好處足以讓美國防部副部長羅伯特-沃克在2015年發布了一份備忘錄，呼吁在整個美國防部重新努力開展兵棋推演[6]。沃克副部長認為，兵棋推演有利于創新、風險管理和專業軍事教育。沃克認為，最終，兵棋推演將推動美國防部的規劃、計劃、預算和執行過程，這是告知國防部資源分配的方法。美國和它的西方盟友并不是唯一相信兵棋推演好處的軍隊。中國正在為兵棋推演投入大量資源，包括將人工智能融入兵棋推演[7]。

B.兵棋推演中的人工智能

人工智能提供了一個機會，通過降低成本、加快決策過程和提供新的見解來改善軍事兵棋推演。為兵棋推演中的許多角色雇用人類操作員是昂貴的。組織必須給自己的人員分配任務（使他們脫離正常的職能）或支付外部支持。這種成本可以通過將人工智能整合到兵棋推演中而消除。兵棋推演分析的速度只能和人類操作者一樣快。用智能體代替操作員可以加快兵棋推演的速度，并允許多個兵棋推演同時發生，從而實現更廣泛的分析。最后，智能體因其在游戲中的創造性而受到關注[8]。創造性的智能體可以通過探索人類戰爭者可能沒有考慮的可能性，使戰爭計劃、部隊編隊或戰術得到更好的分析。

美國國內的國家安全組織認識到將人工智能融入兵棋推演的潛力。人工智能國家安全委員會在其最終報告中主張立即將人工智能能力整合到兵棋推演中，以確保美國及其盟友保持與同行的競爭力[9]。美國陸軍未來的模擬訓練系統--合成訓練環境（STE）設想整合人工智能來監測和調整訓練場景的難度[10]。美國陸軍研究實驗室有許多項目在調查人工智能與軍事指揮和控制系統的整合。具體來說，他們正在探索使用人工智能的一個子領域，即強化學習（RL）來進行連續規劃，以開發 "藍色部隊的新計劃"[11]。連續規劃將需要一個能夠評估其計劃的智能體，可能通過兵棋推演。

基于其他RL智能體在人類競技游戲中的成功，如《星際爭霸II》[12]、《古人防御》（DotA）[13]和圍棋[14]，多名研究人員正在研究用于戰爭游戲的RL智能體。像《星際爭霸II》和DotA這樣的實時戰略（RTS）游戲最能代表兵棋推演。與兵棋推演類似，RTS游戲需要在有限的信息環境中進行長期的目標規劃和短期的戰術決策。以前的研究表明，RL智能體可以在兵棋推演中復制理想的戰斗行為[5], [11]。根據Kania和McCaslin的說法，谷歌的AlphaGo成功擊敗了世界上最好的圍棋大師，證明了人工智能可以應用于兵棋推演[7]。

C. 問題陳述

雖然以前的研究已經證明RL智能體可以產生戰斗行為，但實驗僅限于小型交戰。研究人員只要求RL智能體控制三到五個下屬單位。強化學習智能體將需要成功擴展，以滿足涉及幾百個單位的大型兵棋推演的規模要求。

問題是，隨著兵棋推演中單位數量和類型的增加，信息量和可能的動作數量變得難以解決。Newton等人提出可擴展性是一組目標：速度、收斂和性能，同時保持在一組約束條件下：隨著項目規模的增加，成本、計算能力和時間[15] 。分層組織是擴展的一種方法。本論文將研究分層強化學習（HRL）的可擴展性。換句話說，任何可行的、可接受的人工智能集成到戰爭游戲中，隨著戰爭游戲中單位數量的增加，必須仍然顯示出理想的戰斗行為。

除了將人工智能整合到軍事兵棋推演中的可行性和可接受性之外，這種整合還需要是合適的。開發和執行一個失敗的兵棋推演是有可能的，因為從中得出的知識是無效的或沒有用的。Weuve等人[16]解釋了可能導致兵棋推演失敗的不同途徑，他們稱之為兵棋推演病癥。以取代人類操作者為目的的智能體的設計和實施，需要防止兵棋推演的病態，從而確保有效的結果。

這導致了以下的研究問題。HRL是否允許智能體在不損失性能的情況下增加合作單位的數量和有效性？什么框架可以確保智能體的設計和應用正確，以滿足兵棋推演的目的？

D. 研究范圍

本論文延續了[17]和[18]對Atlatl戰斗環境中RL的調查。Atlatl是一個離散的、基于六邊形的兵棋推演，模擬陸地作戰行動。最初的研究使用一個簡單的多層感知器[17]成功地在RL智能體中產生了戰斗行為。隨后的研究使用卷積神經網絡（CNN）架構在復雜的地形和動態的對手中研究RL智能體[18]。

雖然有廣泛的HRL方法，但本研究的重點是封建多智能體層次結構（FMH）。在FMH中，一個單一的R智能體（即經理），將任務分配給一系列被稱為工人的下級RL智能體[19]。本論文比較了在Atlatl中越來越大的場景中采用基于規則的智能體、單一RL智能體和FMH所需的資源和有效性。

兵棋推演是由玩家和裁判員組成的[1]。友軍單位的玩家被稱為藍軍，他們的對手被稱為紅軍，任何一個玩家之外的平民或軍事單位被稱為綠軍。雖然有可能通過使用所有玩家和裁判員的智能體來實現兵棋推演的完全自動化，但本論文只評估了對單個玩家的替換。

本論文還研究了用智能體替換對方部隊（OPFOR）即紅色部隊時可能出現的復雜情況。討論了具體的兵棋推演病癥，并提出了緩解這些病癥的方法。美國防部的驗證、核實和認證（VV&A）框架被應用于通過RL對OPFOR的建模。

E. 研究結果

本論文發現，當FMH智能體以分布式方式進行訓練時，FMH智能體未能比單一RL智能體表現得更好。當經理和工人在同一環境中訓練時，FMH智能體的學習能力有所提高。然而，工人的不一致行動使經理無法制定最佳策略。此外，FMH的訓練要求超過了單個RL智能體的要求，這抑制了FMH擴展到大型軍事兵棋推演的能力。最后，本論文發現，將人工智能整合到軍事兵棋推演中的方法適合于像美國防部的VV&A框架那樣的過程。否則，基于模型的去太原的病癥會使兵棋推演的目標失效，并對美軍產生負面影響。

F. 論文對研究的貢獻

本論文通過進一步研究在建設性模擬中采用完全自主的智能體，對美國政府有直接好處。完全自主的兵棋推演智能體，能夠在多個層次上運作，需要支持兵棋推演的全部范圍。這很容易延伸到軍事規劃期間的決策支持工具，協助規劃者快速評估不同的COA。此外，探索在兵棋推演中使用智能體的適宜性將促進兵棋推演界采用人工智能。

NRP20財年廣泛領域研究[1]設計的數據戰略的目的是 "描述美海軍在未來分布式艦隊中如何分析和傳輸數據"[2]。[1]的作者還規定："由于信息和知識的質量在很大程度上取決于數據管理，后者被美國防部的創新者視為聯合部隊戰斗空間中未來數字任務數據架構的基石，因為信息和知識的質量在很大程度上取決于它。" 在[1]中的最后一個分章 "未來研究領域 "中，作者總結道："......執行這一戰略將使海軍能夠加入為支持JADC2和其他當前概念而制定的任何聯合數據。"

這項研究是一個機會，可以進一步推進一個想法，即早期提出的海軍數據戰略確實適合 "可加入"的要求。然而，關于JS J6為JADC2提供的 "數據管理 "戰略，團隊認為現在是時候從戰略角度來看待 "數據 "了。其認為JS J6將與最好的思想家合作，發展 "數據管理 "戰略，以支持過去和早期的數據戰略工作所規定的要求。其堅信，"數據管理 "戰略應該是重要的，但仍然是次要的，它為知識戰略提供了一個舞臺。其認為，后者并不是一成不變的，而是一個充滿活力的機制，為處于戰術邊緣的作戰人員和支持其行動的決策提供知識理解能力，從而在聯合戰斗空間中戰勝對手，在過于復雜和不確定的決策空間中戰勝對手。

作戰想在當前廣泛領域研究的 "導言 "部分分享的最后一個想法是，認識到任何數據戰略必須包括成為 "聯合 "戰略的規定。在JADC2發明之前，每個部門和機構都已經并仍在繼續作為一個 "聯合 "力量運作。海軍數據戰略是 "聯合 "的，因為海軍和海軍陸戰隊，除了少數可能的例外，都是以聯合的方式運作。然而，海軍一直在執行與陸軍和空軍等所有其他軍種共享的聯合任務。這同樣適用于海豹突擊隊，他們與特種作戰部隊（SOF）的其他部門協調努力。不言而喻，海軍與太空部隊以及諸如NSA、NRO和NGA等情報機構緊密結合。

融合項目（PC）是一項美國陸軍學習活動，旨在整合和推進他們對聯合部隊（陸軍、海軍、空軍和海軍陸戰隊）的貢獻。根據研究和分析中心（TRAC）-蒙特雷的說法，"PC確保陸軍作為聯合戰斗的一部分，能夠快速和持續地整合或'融合'所有領域的效果--空中、陸地、海上、太空和網絡空間，以便在競爭和沖突中戰勝對手"（研究和分析中心[TRAC]2020）。目標是評估在PC21上展示的新的創新系統（SoS）技術是否滿足為聯合部隊提供必要的速度、范圍和融合所需的作戰能力，以產生未來的決策主導權和大國競爭的超能力。然而，鑒于PC期間各種現代技術的注入，TRAC-蒙特雷目前缺乏一種方法來衡量作戰效果以及作為軍隊和聯合部隊的融合是否正在實現。因此，本項目的重點是制定一個概念性的評估框架，以確定在PC21演習中測試的多域作戰（MDO）任務中SoS的作戰有效性。這個框架將集中在那些被證明可以減少傳感器到射手（S2S）時間的技術的行動有效性，以便在聯合MDO任務中消滅一個固定的目標。

該小組確定，對某一特定能力的功能分解，結合用于開發MOE的Langford綜合框架的修改版，將產生描述該特定能力的行動有效性的良好措施。為了將衡量標準轉化為價值分數，團隊使用了構建價值尺度的理想范圍方法，該方法為每個衡量標準建立了一個從最好到最壞的情況，使其具有適應任何能力的靈活性。帕內爾的搖擺加權法被用來量化利益相關者對每個蘭福衍生的MOE的重要性，以確定能力的每個MOE的加權價值分數（WVS）。WVS相加得出總分，這就提供了對運營有效性的最終評估。然后，該團隊產生了一個行動有效性量表，向利益相關者說明他們的能力在這個量表中的得分情況。

該項目最后針對概念評估框架應用了PC21用例，以衡量其在生成與用例中的能力最相關的MOE以及單一行動有效性分數方面的穩健性。該模型的最終驗證將在目前計劃于2021年10月開始的PC21期間進行。

總之，該團隊使用系統工程流程建立了一個概念性評估框架系統，該系統將使TRAC-Monterey有能力評估PC21期間展示的新的創新SoS技術的作戰能力。該團隊開發了一個利益相關者分析，一個由利益相關者衍生的目標層次，一個功能分解，以及一個創建良好措施的過程，將這些措施轉化為價值分數，量化措施的重要性，并將產生的價值匯總為一個單一的、行動有效性分數。該框架將為利益相關者提供信息，使他們能夠就進一步的技術開發做出明智的決定。TRAC-Monterey還可以將本研究中制定的衡量標準作為指南，在整個PC21和未來的PC活動中收集相關信息。

建議 TRAC 在 PC21 期間對照 S2S 用例 1-1 驗證概念性評估框架。還應采用其他用例來測試框架的靈活性和可用性。還建議進一步研究行動效率的認知方面，以及如何利用這些信息來擴大本評估框架的范圍。TRAC和JMC向團隊表示，PC的努力將有助于改寫聯合行動的理論。

摘要

航空仿真環境（葡萄牙語為Ambiente de Simula??o Aeroespacial - ASA）是一個定制的面向對象的仿真框架，主要用C++開發，能夠對軍事作戰場景進行建模和仿真，以支持巴西空軍在航空航天方面的戰術和程序開發。這項工作描述了ASA框架，帶來了其管理多個仿真機的分布式架構、用于后處理仿真數據的數據分析平臺、在仿真運行時加載模型的能力，以及同時進行多個獨立執行的批處理模式執行平臺。此外，我們還介紹了最近在空戰背景下使用ASA框架作為仿真工具的工作清單。

關鍵詞：仿真環境，分布式仿真，數據分析，軍事，作戰場景

1 引言

高級研究所（IEAv）是巴西空軍（For?a Aérea Brasileira - FAB，葡萄牙語）的一個研究組織，自2018年以來，開發了航空航天仿真環境（Ambiente de Simula??o Aeroespacial - ASA，葡萄牙語），以提供一個計算解決方案，實現作戰場景的建模和仿真，允許用戶建立戰略、參數和指揮決策，支持在航空航天背景下為國防目的制定戰術、技術和程序。

現代戰場場景的特點給建立實際的戰斗仿真帶來了新的挑戰，需要更多的綜合和靈活的解決方案，不僅要解決技術問題，還要解決組織問題[10]。仿真、集成和建模高級框架（AFSIM）是一個正在開發的框架的例子，以解決其中的一些挑戰[1]；然而，它只限于少數美國合作伙伴。在這種情況下，ASA環境被設想為同時足以支持FAB的戰略規劃，滿足作戰分析的需要，并允許開發和評估新技術以加強軍事研究，將自己定位為一個靈活的解決方案，可以根據用戶需求進行調整。這種靈活性是針對客戶的不同特點，這導致了廣泛的要求，而這些要求僅靠商業現成的（COTS）仿真軟件是無法滿足的。由于開發一個全新的解決方案并不高效，ASA團隊決定研究公開可用的工具，旨在將它們整合到一個靈活、可訪問和可擴展的環境中。

擬議的解決方案使用混合現實仿真平臺（MIXR）[11]作為其仿真引擎，這是一個開源的軟件項目，旨在支持開發強大的、可擴展的、虛擬的、建設性的、獨立的和分布式的仿真應用。ASA擴展了MIXR的可能性，增加了額外的元素，創造了一個環境來優化開發者和分析者的任務。我們創建了一個管理器應用程序，作為多種資源之間的接口，作為一個樞紐來運行、存儲和分析眾多計算機上的各種仿真。此外，這個應用程序允許同時創建大量的仿真，只需根據分析員的需要改變初始條件。同時，模型和工具可以在運行時動態加載，以增加靈活性。所有仿真數據都存儲在一個專門的數據庫中，這加快了數據收集過程，促進了更強大的統計分析。此外，考慮到結果的復雜性和ASA用戶的不同技術知識，我們在系統中整合了一個專門的數據分析平臺，不僅用于規劃或可視化目的，還用于對情景產生的數據進行后期處理。

因此，這項工作的主要貢獻是為軍事目的的航空航天背景下的建模和仿真引入了一個新的環境，包含：一個管理多個仿真機的分布式架構；一個用于后處理仿真數據的增強型軍事作戰場景數據分析平臺；一個在仿真運行時加載模型的能力；一個使用不同初始參數進行多次執行的批處理模式執行。此外，我們介紹了最近使用ASA平臺作為空戰領域解決問題的仿真工具的工作清單。

本文的其余部分組織如下。第2節介紹了ASA的架構。在第3節中，我們帶來了一些使用ASA作為仿真工具的研究，這些研究與空戰分析有關，作為這個仿真框架的應用實例。最后，第4節陳述了關于ASA當前狀態的結論，并為未來的工作帶來一些想法。

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。

野外火災對國土安全構成直接威脅，因為它們造成嚴重的個人、經濟和社會壓力。隨著無人駕駛飛行器（UAV）蜂群的使用越來越普遍，它們很可能作為一線消防航空資產，提高空中滅火飛行的操作速度，從而提高消防員的安全。這篇論文探討了使用無人機蜂群作為火災撲救方法的概念，在一個現實的火災場景中，將理論上的無人機蜂群與傳統的航空資產進行比較，然后使用系統工程方法來定義在林野空間實施無人機蜂群的壓力點。這項研究的結果支持無人機蜂群的繼續發展，并明確界定了在實施大規模無人機蜂群飛行之前必須解決的領域。滅火無人機蜂群系統顯示出巨大的前景，因為它具有相對的便攜性，并且能夠為無法隨時獲得傳統滅火飛機的地區提供空中滅火選擇。然而，在實施之前，解決無人機蜂群系統的后勤和通信限制，將是至關重要的。

執行摘要

野外火災對美國國土安全構成了明顯的威脅，因為它影響了自然資源，降低了以森林產品工業為生的人們的經濟穩定性，造成了財產和房屋的損失，并可能造成生命損失。認真對待野地火災的威脅，并尋求實施增加安全和保障的技術進步是至關重要的。荒地消防戰術的下一個重大進展可能是使用成群的無人駕駛飛行器（UAVs）對荒地火災進行火力攻擊。

隨著全球變暖和火季延長的趨勢，促進荒地消防領域的創新至關重要，以確保消防部隊的最大影響，同時提高消防員的安全。在一項回顧性研究中，巴特勒發現，從2000年到2013年，有78名野外消防員的死亡，即26.2%，與航空有關。國家機構間消防中心報告說，在過去10年中，"每年平均有62,693場野火，每年平均有750萬英畝受到影響。"國家消防局估計，現在每年用于撲滅野火的費用為16億美元。盡管有所有這些事實，這些年用于撲滅這些火災的資源基本上保持不變。由于野外火災的威脅使公民面臨財產損失、高額的撲滅費用和潛在的生命損失，目前有必要探索基于無人機的火災撲滅。無人機群可能比目前的航空資產更有效地執行空中滅火的關鍵任務。

無人機蜂群是在特定參數下部署的半自主的航空器群，以完成一項任務。這些飛機在發射和回收時得到人類控制器的協助，但隨后被允許在特定參數下完成任務。無人機蜂群可以被證明是快速部署的空中資產，可以在地面部隊到達之前找到并壓制火勢。利用無人機群進行滅火行動可以提高消防員和公眾的安全，使火勢保持小規模和可控，提供早期探測和撲滅野地火災，并釋放傳統的航空資產以部署到關鍵的火場。

使用傳統的固定翼和旋轉翼飛機來撲滅火災有其局限性，即飛機無法在濃煙條件下、天氣事件和黑暗的夜晚飛行。在不受控制的環境中，在靠近活躍的野地火災時駕駛飛機，不允許有任何誤差，其結果可能是災難性的。由于無人機和無人機群有能力在夜間和許多有機組人員的飛機無法做到的條件下飛行，因此利用無人機和無人機群可以實現更高的操作速度。致力于使用無人機群進行空中滅火可能會減少消防員因空中事故而死亡的人數，同時使火勢更小、更容易控制。

這篇論文旨在回答這樣一個問題：新興的無人機群技術如何在野外環境中作為一種火災攻擊方法來實施。研究設計采用了一種三管齊下的方法。首先是概念驗證法，通過參與先進機器人系統工程實驗室（ARSENL）和海軍研究生院的機器人和無人系統教育與研究集團的實際無人機群飛行任務來促進。在測試過程中，我們飛行了多種類型的無人機群，并將無人駕駛的地面車輛整合到群中。實際測試表明了在荒地部署無人機群的可行性，并強調了在全面部署前必須解決的問題。

第二種方法是對50架無人機群和傳統的單引擎空中加油機（SEAT）進行比較分析，攻擊理論上的火災。該分析允許對無人機群和傳統飛機在特定時間內攻擊火災進行比較。衡量標準包括投放的滅火劑數量和每種資產的預計運營成本。這些信息被用來完成無人機群和傳統飛機之間的成本比較。最后，Innoslate 4（V 4.5.1.0）基于模型的系統工程軟件和建模系統被用來模擬無人機群和空中加油機的飛行方案，使用準確的飛行、加油和重新裝載周期時間。這些飛行方案允許(a)確定實施的壓力點，(b)了解無人機群和SEAT飛機的限制和好處，以及(c)確定無人機群操作和確保成功任務所需的地面支持人員之間的關鍵關系。

作為這項研究的結果，我們相信無人機群可以對野外環境中的空中滅火做出重要貢獻。無人機群因其相對的便攜性和對防火區有限的進入障礙而顯示出巨大的前景。雖然50架無人機群對每個森林保護區來說可能并不可行，但即使有幾架滅火無人機，在地面部隊可以攻擊它們之前，也可以控制低至中強度的火災。然而，在這之前，必須解決許多壓力點，以全面實施基于無人機群的火災撲救。其中一些問題包括制定和實施明確的無人機群飛行政策和程序，審查聯邦航空管理局關于無人機群行動的現行規則，制定支持無人機群行動的后勤最佳做法，并確保積極的通信聯系以保證對無人機群的完全控制。最后，如果美國接受了將無人機群用于野外消防和其他商業行動的概念，那么支持無人機和無人機群的基礎設施以及專注于建造、編程和操作的無人機具體教育就至關重要。

在野外環境中使用無人機群的概念對于提高消防行動的安全性和生產力有明確的價值。雖然有一些障礙需要克服，但未來的野外消防工作將大量涉及無人機群。預計多個運營商將尋求進入無人機群建設和運營的最前沿，這既是一個商業機會，也是一個協助解決日益嚴重的野外火災問題的機會。雖然無人機滅火不太可能很快取代傳統的空中滅火，但使用無人機群作為另一種空中滅火工具的能力，特別是在傳統飛機不飛行的夜間，應該為火災管理人員提供另一種快速和更安全地緩解火災的手段。

I. 引言

荒地消防戰術的下一個重大進展可能是使用無人駕駛飛行器（UAVs）群，在荒地火災失去控制之前對其進行火力攻擊。蜂群是在特定參數下部署的無人機自主團隊，以完成一項任務。無人機群被允許在任務參數范圍內做出自主和合作的決定，同時由一個操作員進行監督控制。這種能力與目前的無人機操作形成對比，后者需要每架飛機都有一個飛行員。利用無人機群進行滅火行動有可能提高消防員和公眾的安全，提供早期探測和撲滅野地火災，并釋放傳統的航空資產以部署到關鍵的火災。

A. 研究的動機

野地火災對美國國土安全構成了明顯的威脅，因為它影響了自然資源，降低了以森林產品工業為生的人們的經濟穩定性，造成了財產和房屋的損失，并可能造成生命損失。大規模的野地火災所代表的危險是如此嚴重，以至于火災管理人員必須嘗試使用所有可用的戰術來抑制它們，包括直接和間接的火災攻擊方法。這些技術需要將消防員置于危險之中，以減緩或阻止火災的發展。2010年至2019年期間，134名消防員在撲滅野地火災時因公殉職。"國家機構間消防中心 "報告說，在過去10年中，"平均每年有62693場野火，平均每年有750萬英畝受到影響。 "然而，這些年來，對抗這些火災的資源可用性保持不變。隨著全球變暖和火季延長的趨勢，促進野地消防領域的創新至關重要，以確保消防部隊的最大影響，同時提高消防員的安全。

1. 用蜂群技術增強消防戰術

使用單個無人機來協助收集野地火災的情報的概念是熟悉的領域。對于大多數大型野地火災，單個無人機可用于觀察火災的位置和運動，或監測已逃離控制線的火災。無人機產生的情報成為火災預測和即將到來的行動期的行動規劃的一個關鍵因素。然而，無人機還沒有被部署用于直接滅火活動，也沒有在野地火災中部署無人機群。蜂群技術正處于起步階段，需要更多的開發才能成為應用于滅火行動的可行選擇。

術語 "無人機群 "是指由一個控制器操作的多個無人機。受控蜂群是為特定任務編程的無人機團隊，由一個控制器操作。半自主的蜂群是一個由控制器協助發射和回收的無人機團隊。半自主蜂群有特定的任務參數，據此它可以識別任務，決定哪些成員將完成任務，完成任務，并恢復到基站，同時在成員之間進行分工以確保成功完成。

由于必須在火場上放置大量的水或阻燃劑的滅火有效載荷，使用單個無人機進行直接滅火攻擊的概念既沒有被大力探索，也沒有被研究。然而，隨著無人機群技術的潛力，允許在站點上放置許多較小的有效載荷，以及攜帶多達100磅的重型無人機系統的進步，許多無人機群可能會有效地壓制火災。使用無人機群而不是傳統的飛機，可能是野火撲滅的下一個巨大進步。執行這項工作的技術正在開發中，然而，目前它既不實用，也無法擴展。

2. 野地火災越來越普遍，破壞性越來越大

野地火災必須作為國土安全問題用廣角鏡頭來看待。許多行動方案可以同時進行，以減少野地火災的頻率、嚴重程度和強度。有必要不把一個解決方案作為解決野地火災問題的萬能藥，而是擁抱創新和技術，以應對減少這些破壞性火災的挑戰。

由于大火對經濟、社會和情感的影響極大，野地火災直接威脅到美國的國土安全。撲滅這些火災的成本在貨幣支出和人力成本方面繼續增加，包括消防員和死于野地火災的市民的生命。國家消防局估計，現在每年用于撲滅野地火災的費用為16億美元。歷史上，有一個指定的 "火災季節"；然而，損失巨大的野地火災發生在一年中的所有月份，導致西部一些州放棄火災季節的概念。

由于野地火災繼續給消防員和生活在城市-野地交界處的人們帶來挑戰，探索更有效和更具成本效益的方法來對抗這些破壞性的火災變得至關重要。人們無法逃避的事實是，全球變暖正在改變森林的易燃性，使其更容易燃燒。這些煤渣干燥的條件造成了由于火勢發展速度太快而導致多人喪生的情況。一個明顯的例子是2018年加利福尼亞州的營地大火，85人喪生，18,804座建筑被燒毀，主要是在火災發生的前五個小時。一個更近的例子是2021年12月30日科羅拉多州丹佛市外的馬歇爾大火，在短短幾個小時內，有兩人喪生，991座建筑被燒毀。這場大火是由干燥的條件和超過每小時90英里的風助長的。加劇這些火災的事實是，在人員、飛機和雇用額外援助的資金方面，打擊這些火災的資源有限。資源的稀缺已經成為一個重要的問題，特別是在火災季節的中心地帶，多個火災正在燃燒并迅速擴大。在過去的幾個火災季節，有的時候根本沒有足夠的資源投入到消防工作中。當這種情況發生時，火災管理人員必須做出艱難的決定，注銷有時數千英畝的土地或數百個房屋。

3. 全球變暖和對荒地的威脅

以前被認為是史無前例的火災和火災行為，現在似乎已經成為每年夏天的常態。全球變暖極大地影響了荒地環境，創造了更熱和更干燥的氣候，使火災持續增長。目前和遺留的關于在何處、如何以及何時滅火的政策增加了美國森林的燃料負荷。森林管理政策需要幾十年才能趕上美國森林目前的燃料負荷。全球變暖和氣候變化倡議可能需要幾十年才能對森林產生積極的影響。根據保險信息協會的數據，2020年美國大約有1010萬英畝的土地被燒毀，美國處于野火高風險或極端風險的房屋共有450萬。

必須承認全球變暖和氣候變化對野外環境的負面影響。全球變暖對森林最重要的影響是干旱和更高的日平均溫度。這些較高的溫度對植被有兩個重大影響。第一是創造較低的長期燃料濕潤度（從燃料中帶走水分）。第二，在環境中造成蒸汽壓力不足（帶走空氣中的水分），使植被更容易著火。11 燃料越干燥，受熱時越容易著火。這兩種氣候變化影響共同作用，使燃料干燥，然后保持干燥。

全球變暖的第二個影響是氣候變化促成的不穩定的天氣模式，在雨季帶來大量的雨水，在夏季帶來更熱和更干燥的條件。雨水在春季促進了輕型植被的生長，增加了總體燃料負荷。當更熱、更干燥的夏季到來時，新生長的植被很容易干燥。這些植被現在已經 "固化"，并準備好攜帶火種，特別是當暴露在風中時。如果該季節的植被沒有燃燒，那么下一個火災季節的燃料量就會增加。全球變暖影響的天氣模式對野地火災產生了指數級的影響，首先是增加了燃料負荷，然后是嚴重干燥的地區，使其更容易發生火災。森林管理政策允許嚴重的灌木叢積累，在森林環境中創造了促進火災更熱、更快、更強烈的條件。

能否準確地界定什么是導致全球變暖和氣候變化對野地火災的具體影響，在未來幾年將繼續吸引公眾的關注。全球變暖的影響每年都隨著美國西部和全球其他地區的大型野火燃燒而顯示出來。這些大火將要求消防管理人員接受有可能限制未來大火增長的技術和政策。莫里茨指出，國家對野火在全球變暖中的作用的理解正在改變。他說，在2003年至2007年期間，在大型野地火災期間，通常問的問題是 "這里該怪誰？" 相反，現在問的問題是："這些火災是由于氣候變化造成的嗎？"也許認識到野火是全球變暖的一個極端結果將影響到對全球氣候變化產生積極影響的政策。

4. 野地環境中航空資產的利用

隨著野地火災的威脅使公民面臨潛在的生命損失，高額的貨幣成本，以及無人機研究的其他領域的新興潛力，探索基于無人機的火災撲滅，在這個時候是有必要的。了解飛機在撲滅野地火災中的作用是至關重要的。使用消防直升機和固定翼飛機已經成為當前整體滅火計劃的一個組成部分，特別是在大型快速移動的野地火災中。一般來說，消防管理人員利用飛機的速度和能力，在火勢擴大為重大火災之前迅速撲滅。很少，如果有的話，飛機能夠完全壓制火災。最終需要地面上的消防員來完全控制野地火災。從本質上講，飛機是用來 "爭取時間"，以便獲得和部署其他消防力量。

然而，使用飛機是一種極其昂貴的救火方法。美國林務局（USFS）按類型和能力確定了飛機的合同費率。在2018年至2021年的合同期內，1型直升機（動力最強，能夠投下最多的水）的合同費率在每飛行小時4000美元至8000美元之間，這取決于飛機類型。固定翼飛機投放緩釋劑的成本可能在每飛行小時7100美元至13500美元之間，不包括緩釋劑成本。美國聯邦調查局在2018年 "約6.07億美元的合同飛機，"包括旋翼和固定翼飛機。在預算緊張的時代，人們必須考慮使用飛機滅火的成本效益。如果使用無人機滅火可以證明成本較低，而且與傳統航空資產一樣有效，甚至比傳統航空資產更有效，那么就應該深入探索無人機的使用。

使用固定翼和旋轉翼飛機來撲滅火災有其局限性，即飛機不能在濃煙條件下飛行，天氣事件，夜晚的黑暗，飛行員飛行時間的限制，能夠駕駛這些飛機的人有限且專業，以及在需要維修時無法進入飛機。在不受控制的環境中，在靠近活躍的野地火災時駕駛飛機，不允許有任何誤差，其結果可能是災難性的。大量的消防員在從事滅火行動時因飛機事故而死亡。在一項回顧性研究中，巴特勒、奧康納和林肯發現，從2000年到2013年，有78名野地消防員的死亡與航空有關，占26.2%。19在這種情況下，高度熟練的消防員和飛行員喪生，他們駕駛的機體通常被摧毀。雖然消防管理人員試圖將消防員和機組人員的風險降至最低，但不幸的是，將男女人員置于危險境地以減緩或阻止野地火災，仍然是一種有效的策略。

在未來幾年，無人機和無人機群可能會取代載人航空資產進行火情識別和直接滅火。由于無人機和無人機群有能力在夜間和多種條件下飛行，而有機組人員的飛機卻不能，因此利用無人機和無人機群可以實現更高的操作速度。此外，無人機理論上可以飛行整整24小時，只受制于所需的維護、飛行員的休息要求，以及嚴重到不允許飛行的火災條件。致力于無人機和無人機群可能會減少消防員因空中事故而死亡的人數，并使火災更小、更容易控制。

B. 研究問題

如何將新興的無人機群技術作為野外環境中的一種火災攻擊方法來實施？

C. 方法和研究設計

本論文探討了無人機群如何成為直接滅火行動的一種新方法，即抑制或延緩火勢發展到初期階段，使常規消防部隊有時間在火勢發展到重大荒地火災之前到達、控制和壓制火勢。通過與先進機器人系統工程實驗室（ARSENL）和海軍研究生院的機器人和無人系統教育與研究小組一起參與實際的無人機群飛行任務，使用了概念驗證方法。這些飛行為情景研究的有效性提供了依據，這些研究用于開發在荒地環境中實際應用的任務。實際測試告知了部署的可能性，并強調了全面部署前必須解決的問題。此外，我們分析了商業無人機群用戶的當前利用模式，以確定他們的應用與他們可能融入荒地消防行動的關系。

為了說明無人機群直接攻擊火災的潛在價值，本論文利用俄勒岡州西部的蒂拉穆克州森林的一場理論火災。使用50架無人機群和一架單引擎固定翼空中加油機對火災進行 "攻擊"。單引擎空中加油機（SEAT）是傳統上用來攻擊火災的常規飛機。對無人機群和傳統的SEAT飛機攻擊這場火災進行了比較分析。符合國防部建筑框架的系統工程建模軟件Innoslate 4（V 4.5.1.0）被用來模擬無人機群和空中加油機的飛行方案，使用準確的飛行、加油和重新裝載周期時間。為了進行比較，飛行受制于SEAT的一個正常燃料循環。通過對兩種資源所提供的總的消防產品和每加侖的比較成本，對火災攻擊方法進行了比較。這些信息導致了關于使用無人機群作為消防資產的可行性的結論，這些無人機群可以代替傳統的空中消防設備，也可以作為輔助設備。最后，對目前的空中野地滅火方法進行了定量分析，明確地側重于使用常規固定翼飛機與蜂群技術對付理論火災的成本。通過比較分析和實際測試，建立了一個理論部署模型，解決了利益相關者的擔憂和作為商業運作的無人機群行動的潛力。

D. 研究目標

• 檢驗利用無人機群進行野外滅火的可行性。

• 確定如何將無人機群應用于荒地消防工作。

• 識別目前特定于軍事的無人機群應用，這些應用可以適用于荒地消防。

E. 章節概述

這篇論文在很大程度上受到了城市-荒地交界處的消防員個人經驗的影響。第一章討論了這項研究的動機和它的關鍵性。野地消防是一個高度專業化的領域，帶來了自己的語言和行話，所以第二章定義了關于野地消防的背景信息，并介紹了與理解本論文有關的術語。第三章涉及與論文主題和研究問題相關的學術文獻。在第四章中，對比較分析的方法進行了描述和解釋。由于對蜂群技術的研究有限，第四章劃定了分析中的假設和限制。它還主要依靠Innoslate 4系統工程軟件來圖解滅火的過程。本章最后介紹了我們的實驗和建模的結果。第五章討論了傳統的固定翼空中加油機和50架無人機組成的蜂群飛行之間的比較分析結果。從這個比較分析中，設計出了對未來無人機群實施的建議。第六章回顧了這些結論，并建議進行后續研究，以進一步發展無人機群在野外環境中的使用課題。該研究應加強使用無人機群進行直接火力攻擊的可行性。雖然這項技術和研究的實際應用可能要在未來幾年才能實現，但這些發現應該為未來的研究人員提供一個起點。

隨著當前海軍戰爭的趨勢轉向自動化作戰武器系統，美國海軍正將其戰略重點放在人工智能（AI）能力上，以減少作戰人員行動時間。這個系統工程（SE）項目使用約翰-博伊德的觀察、定向、決策和行動（OODA）概念和海軍陸戰隊規劃過程（MCPP）（Angerman 2004；美國海軍部2016）來代表人類-人工智能決策過程。空中和導彈防御（AMD）的殺傷鏈是通過簡化聯合目標定位理論“JP 3-60”（參謀長聯席會議2018）來體現的。殺傷鏈過程中提高操作動化水平被證明可以大大減少執行時間，如果進一步發展和實戰化，將為海員和海軍陸戰隊提供防空的戰術優勢。通過使用專家系統和人工智能加速殺傷鏈將大大縮短交戰時間，有效地擴大戰斗空間。

該項目開發了用于防空和導彈防御的人工智能（AI-AMD）架構，該架構旨在通過對威脅進行優先排序并在人類用戶的最小介入下采取行動來改善作戰決策。該項目專注于理解和評估空空導彈防御（AMD）的殺傷鏈，通過確定使用AI-AMD可以更快地執行行動。項目組確定并評估了與應用于殺傷鏈過程中各個步驟的AI-AMD自動化水平相關的風險。該小組進行了建模和模擬（M&S）分析，以比較低水平自動化（"無 "人工智能）的殺傷鏈和高水平自動化（"有 "人工智能）的殺傷鏈，根據節省的時間來評估改進。

該團隊在M&S分析的基礎上開發了高度自動化的AI-AMD決策輔助作戰能力的概念，并確定了有可能應用于未來AI-AMD架構的現有和未來人工智能方法。該團隊按照美國防部的架構框架（DODAF）進行了架構分析，以確定AI-AMD的操作過程。該小組采用基于模型的系統工程（MBSE）方法，使用SE工具Innoslate來開發概念架構。架構分析結合了藍軍（BLUFOR）防空傳感器、武器裝備和聯合網絡，創建了一個OV- 5b/6c行動圖，描述了AI-AMD決策輔助輸出與JP 3-60聯合目標定位程序步驟協同應用，以消除敵人的威脅（參謀長聯席會議2018）。為了完成其任務，BLUFOR系統（SoS）執行36項業務活動：AI-AMD內部的17個決策點和外部系統的19個功能（包括傳感器行動和網絡通信）。該團隊使用實驗設計（DOE）、離散事件和隨機模擬分析了架構分析的結果，發現在目標定位過程中高壓力的AMD場景需要完全自動化水平，而低壓力的AMD場景需要最低水平的自動化。該團隊開發了一個決策風險矩陣，顯示出高壓力情況下的風險可以通過完全的自動化水平來降低。目標定位過程中17個步驟中的每個步驟的風險評估都被分為四類：低、中低、中和高。團隊制定了一個相關的風險值來進行風險評估確定。團隊利用Parasuraman的自動化水平（1-10級）來進行風險評估，將決策風險與目標定位過程中各個步驟的自動化水平聯系起來（Parasuraman, Sheridan, and Wickens 2000）。該小組開發并使用了一條效用曲線來幫助確定每個自動化水平所節省的時間。自動化程度越高，節省的時間就越多。

該項目側重于單一威脅的交戰，以了解殺傷鏈過程中AI-AMD的時機。該小組進行了M&S分析，以證明AI-AMD架構的能力。該小組使用Innoslate MBSE工具和Microsoft Excel進行了離散事件模擬。在大量投資于行動圖之前，團隊使用Excel來評估元模型。仿真的主要重點是建立AI-AMD在不同壓力水平下的時間性能，如低、中、高。次要目標是將該模型發展為可交付的設計工具，在NPS用于未來研究。該小組從公開來源的威脅數據中選擇了三個有代表性的交戰：低壓力情景（時間軸為58.65分鐘），中度壓力情景（時間軸為9.72分鐘），以及高壓力情景（時間軸為1.51分鐘）。該小組的M&S分析結果顯示，在低壓力情景下，僅由人類做出的決策（自動化水平1）導致對飛入時間為58分鐘或以上的敵方威脅的AMD殺傷率達到100%。對于中度威脅情景（代表AI-AMD對每個作戰活動決策節點的不同自動化水平（如6到10）），1000次隨機運行的數據結果顯示所有交戰的平均完成時間為8.08分鐘。當AI-AMD系統被設置為較高的自動化水平時，該系統在中等威脅情況下成功地進行了AMD防御。高壓力場景的分解時間線允許每個作戰活動決策節點有0.09分鐘。該小組將人工智能-AMD系統設置為在高壓力情景下僅由人工智能進行決策（自動化水平10）。高壓力場景的結果表明，在自動化程度為10級的情況下，有可能成功應對敵人的威脅。該小組進行了敏感性分析，以探索替代的基本代表分布（基線、對稱變量擴散和高度傾斜）的影響。雖然分布形狀的變化確實影響了結果，但在每一種情況下，只有在人工智能支持的節約率超過97%的情況下，才會在高壓力場景中取得成功。

該項目研究了人工智能方法如何應用于AMD決策，以提高自動化水平，減少人類-人工智能團隊的執行時間（人工智能輔助決策）。該團隊自上而下地分析了AMD殺傷鏈：從OODA到尋找、固定、跟蹤、目標、參與和評估（F2T2EA）。該小組確定了17個關鍵決策點，在這些決策點上，提高自動化水平可以提高AMD的決策速度。潛在的自動化水平與每個不同步驟相關的風險進行了平衡。該小組使用M&S來評估人工智能-AMD系統在低水平的自動化（"無 "人工智能）到高水平的自動化（"有 "人工智能）下的決策的及時性。由此產生的AI-AMD概念架構的高層次能力被記錄下來，隨著系統技術的成熟，建議利益相關者考慮。該團隊確定了現有和未來的人工智能方法及其在AMD殺傷鏈中的潛在應用。該小組已經確定了未來人工智能-AMD的迭代需求，以研究整個戰場上具有多種威脅和參與的更復雜的情況。

摘要

軍事決策在不同的領域--陸地、海洋、空中、太空和網絡--以及不同的組織層面--戰略、作戰、戰術和技術上發揮著關鍵作用。建模和仿真被認為是支持軍事決策的一個重要工具，例如，生成和評估潛在的行動方案。為了成功地應用和接受這些技術，人們需要考慮到整個決策 "系統"，包括決策過程和做出決策的指揮官或操作員。

人工智能技術可以以各種方式改善這個決策系統。例如，人工智能技術被用來從（大）數據流中提取觀察結果，自動建立（物理/人類/信息）地形模型，產生對未來事件和行動方案的預測，分析這些預測，向人類決策者解釋結果，并建立人類決策者的用戶模型。

對于所有這些應用，人工智能技術可以在不同的情況下被使用，并且已經開始被使用，因此有不同的要求。在本文中，我們概述了人工智能技術和模擬在決策"系統"中的不同作用，目的是在我們的社區中促進對人工智能的綜合看法，并為用于軍事決策的各種人工智能研發奠定基礎。

1.0 引言

軍事決策有多種形式。它發生在不同的領域--陸地、海洋、空中、太空、網絡--以及不同的組織層次[7]。例如，在戰略層面上，決策是否以及何時在一個特定的作戰區域內開始一項軍事任務。在作戰層面上，聯合部隊指揮官決定為某項行動分配哪些軍事要素，并指定在具體行動中尋求的預期效果。在戰術層面上，例如，海上任務組的反空戰指揮官決定由哪艘護衛艦來應對來襲的威脅。最后，在技術層面上，要決定在什么范圍內使用什么武器來消滅對手。

建模和仿真被認為是支持這些現場決策過程的一個重要工具（例如，見[3]的清單）。它提供了一種理解復雜環境和評估潛在行動方案有效性的手段，而不必使用現場測試。因此，借助于建模和模擬可以更安全、更便宜、更快速，而且可以更容易地測試不同的操作方式。此外，對于戰場上的軍事行動來說，廣泛地試驗軍事行動應該如何進行，甚至可能在道德上不負責任。因為，在指揮官可以決定不繼續按照同樣的戰術行動之前，就已經產生了意想不到的效果。

現代建模和仿真經常得到人工智能（AI）技術的支持。例如，用于仿真單個節點、組織和社會行為模型（見一些背景資料[13][4]），以獲得對對手合理和可能行為的洞察力。在這種行為洞察力的基礎上，可以為許多決策層面的軍事行動設計提供智能分析和決策支持。此外，人工智能技術被用來構建這些模型，與這些模型互動，并迅速分析大量的模擬結果數據。這里的技術進步非常多，例如，使用機器學習來構建更真實的行為模型[11]，改善人機協作[5]，對大量的模擬數據進行理解[10]。然而，人工智能技術只有在對決策者有用的情況下才能也應該被用于軍事決策。這意味著，只有在決策質量提高或決策過程變得更容易的情況下，才應將人工智能技術（在建模和仿真中）整合起來。

成功應用和接受用于決策支持的模擬仿真--可能建立在人工智能技術之上--取決于與主要軍事決策過程的互動和不斷學習（[1]）。決策者和分析員應該知道如何提出正確的輸入問題，以便通過建模和仿真來回答。然后，這些問題應該通過建模和仿真研究轉化為正確的輸出答案。因此，在各種互補的人工智能技術的支持下，應該對軍事決策過程和軍事模擬之間的互動有一個廣泛、全面的看法，并服從不同的功能要求。在本文中，我們概述了由人工智能技術支持的軍事仿真在決策"系統"中的不同作用，目的是在我們的社區內促進對人工智能的綜合看法，并為軍事決策的各種人工智能研發奠定基礎。

2.0 基于仿真的軍事決策

如引言所述，決策發生在不同的領域和不同的組織層面。在這里，我們提出了一個決策系統的示意圖，以提供一個關于如何通過仿真來支持決策的一般見解。這一觀點（圖1）來自于對多個決策過程的分析，如聯合定位[5]、作戰計劃[7]、海上反空戰[1]，并與著名的OODA環[8]相結合。該觀點中的元素解釋如下。

圖1：由建模和仿真支持的軍事決策周期的系統觀點。

觀察：OODA循環的第一步是觀察，從廣義上講，就是觀察現實世界中正在發展和出現的事件和情況。觀察包括，例如，來自傳感器的（原始）數據，包括我們自己的眼睛和耳朵，以及來自報告、報紙和社會媒體的符號數據。還收集了來自高層指揮和控制實體的指導意見。這些數據由分析員處理，對鏡頭中的個體進行命名，計算某些Twitter標簽的出現次數，驗證某個事件是否真的發生，等等。根據[9]，這可以被稱為情境意識的第一級：對當前情況下的元素的感知。

世界模型：在OODA環的觀察步驟中，已經開始了構建世界模型的過程，無論是隱性的還是顯性的。符合軍事決策觀點的世界模型的另一個名稱是共同行動圖。所有相關的概念都在世界模型中得到體現，包括不確定因素和假設。請注意，世界模型可以被仿真，即個體、平臺、團體或社會的行為可以隨著時間的推移而被預測，即使是在用戶的頭腦中隱含完成。

定位：在OODA循環的第二步，分析者使用他的專業知識，對觀察結果進行推理，形成假設，例如對手的意圖。通過這樣做，實現了對真實世界的深入理解[12]，這反映在世界模型中（仍然是顯性或隱性的）。在態勢感知方面，這被稱為第2級（對當前形勢的理解）和態勢感知能力第3級（對未來狀態的預測）。在任何時候，推理的結果可能是世界模型結構是不充分的，例如，現實世界的一個方面被認為是不相關的，但最后發現是相關的。因此，世界模型需要被更新。

決定：決策者，可能是與分析員相同的人，將根據對現實世界的理解，考慮如何采取行動的選項。世界模型的預測能力被用來演繹各種情景，讓人了解什么是理想的行動方案，什么不是，或者讓人了解空間和/或時間上的關鍵點，這樣就可以對這些關鍵點給予額外考慮。當然，如果世界模型是隱含的，這都是決策者的精神努力。此外，對于感興趣的現實世界系統的預測行為，可以得出的結論的精確性和/或確定性有很大不同：從精確的路線，到可能的戰略和理論的廣泛指示。

行動：在OODA-環的這一步，行動被執行。這些行動發生在真實世界中，然后一個新的OODA-環開始觀察是否需要重新考慮已經做出的決定。另一個行動可以是向 "較低層次"的決策過程下達命令，例如，讓下屬單位計劃和執行他們所得到的任務。這就是不同組織層次的決策過程的互動方式。還要注意的是，盡管每個組織層面的世界模型都與真實世界相聯系，但這些世界模型的結構（即被認為是相關的）可能是不同的。

從概念上講，在上述的決策過程中引入模擬（實際上首先是建模的巨大努力）是很直接的。在第一步和第二步中，建立了世界相關部分的模型，在以后的時間里，它被用來評估許多不同的情景，分析由此產生的結果，并根據其結論做出決定。正如后面將顯示的那樣，人工智能技術的作用與建模和模擬的使用有很大關系。

雖然從概念上來說，納入仿真模擬和人工智能技術是很簡單的，但為了給行動提供真正的附加值，它需要被嵌入到具體的決策過程中。而每個決策過程都是不同的，有不同的時間限制，不同的行動者，在不同的操作環境中。這將對開發使用的解決方案，包括人工智能技術，提出不同的功能要求。此外，根據具體的作戰決策環境，應用人工智能技術的附加值（或缺乏附加值）將是不同的。在下一節中，我們將對一個具體的案例進行進一步的探索，盡管肯定不是詳盡的努力，以允許對這種系統在這個過程中可能具有的不同角色進行更通用的識別。

3.0 案例研究：聯合目標定位周期

本節提供了一個關于如何利用仿真和人工智能技術來支持作戰層面上的（蓄意）聯合目標定位決策的案例研究。對于每個想法，都有以下描述：被加強的行為者（決策者）和/或產品，人工智能如何提供支持，以及使用這種形式的支持的附加值是什么。請注意，這個案例研究的目的是為了更好地了解人工智能技術應用的廣度，因此，目標不是完全涵蓋所有的可能性，也不是過于詳細。這種類型的案例研究已經確保了可以得出初步的功能要求，人工智能技術和智能建模與仿真應該應用于此。

圖2顯示了北約盟國聯合出版物3.9中的聯合瞄準決策周期，其中強調了五個想法。

圖2--來自北約盟國聯合出版物3.9的聯合目標定位周期，JFC=聯合部隊指揮官，JTCB=聯合瞄準協調委員會，JTL=聯合瞄準清單，TNL=目標

想法1--基于AI的目標系統分析的所有來源分析。第一個想法是支持目標小組的成員在聯合目標定位周期的第二階段參與目標系統分析，進行目標開發。例如，假設從第一階段開始，就打算通過瞄準對手的石油生產來擾亂其資金能力。在第二階段，分析人員將研究石油生產的目標系統，以確定油井、煉油廠、管道、重要的道路，也許還有相關的關鍵人物，等等，基于他們擁有的所有來源（圖像、信號情報、人類情報，等等）。

人工智能技術可以協助人類分析員建立 "目標系統模型"，即通過采用模式識別算法來處理大量的所有來源的信息，通過使用推理算法將信息碎片組合成一個結構化和連貫的整體。分析傳入信息的算法可能--經過增量的人工智能驅動的創新--也能夠識別尚未反映在目標系統模型中的新概念，然后可以自動添加到模型中。另一種可能性是創建一個 "虛擬分析師"（見圖3），通過不斷挑戰假設、假說和人類偏見來協助人類分析師，這需要額外的用戶建模和可解釋的AI技術。

圖3：人類和虛擬分析員，一起解釋數據，推理信息和知識，以建立一個目標系統模型。

這個想法的潛在附加值首先體現在完整性上，更多的目標可以呈現給人類分析員--它仍然可以為交叉檢查的目的做最后一步的目標審查。因為所有來源的情報都被整合到目標識別決策中，所以可以得出更具體的目標信息。識別算法經過訓練后，與基于人眼從數據中識別目標時相比，可以更快更及時地進行識別。最后，該算法可以明確地轉向識別不同類型的目標，這些目標可能并不都在人類分析員的經驗或觀察能力范圍內。

想法2--通過算法識別來自目標系統分析的優先目標。第二個想法是支持從一個給定的目標系統分析中識別優先目標。這有助于目標支持小組成員得出一個聯合的優先目標清單，該清單是在聯合目標定位周期的第二階段，即目標開發階段制定的。人工智能技術的支持始于將目標系統分析（如果還沒有的話）轉化為計算機可理解的形式，該形式由功能關系連接的實體組成，并由目標任務的目標支持。然后，在相關的時間范圍內計算直接或間接瞄準不同實體所產生的效用（例如，效果和效果的持續時間）。

然后，最終結果可以由人類分析員檢查，該分析員可能會重新引導算法的某些部分，以確保最終結果選擇的優先目標盡可能地滿足和平衡任務目標。另一種可能性是，分析表明，對目標系統的某些部分還沒有足夠的了解，無法做出某種決定，然后發出新的情報請求，以減少這種不確定性。

在這種情況下，使用人工智能技術的附加價值首先體現在通過完整地確定優先事項，包括最大限度地實現任務目標，同時最大限度地減少負面問題，從而更好更快地確定優先次序。這種全面的分析可能會導致原始的目標選擇，在這種情況下，會發現反直覺但非常有效的目標。目標優先級的可追溯性增加了，因為目標選擇問題的算法規范以及積極和消極的相關功能迫使決策者在激發他們的偏好時完全明確。

想法3--能力和優先目標的自動映射。與目標開發（第二階段）密切相關的是第三階段的能力分析。第三個想法是協助，仍然支持目標支持小組的成員，找到最適當的（致命和非致命）能力的最佳同步組合，可以應用于產生所需的物理和心理效果。使用模擬和人工智能技術來自動生成和播放高水平和低水平的行動方案，可以獲得對計劃的優勢、機會、弱點和威脅的深刻理解。當然，只有在與人類分析員和決策者密切合作的情況下，建立這樣的理解才是有用的，這就需要有人類意識的 "虛擬分析員 "技術。

想法4--計算機輔助的穩健和適應性部隊規劃和分配。在聯合定位的第四階段，能力分析的結果被整合到進一步的行動考慮中，推動聯合部隊指揮官對目標的最終批準。仿真和人工智能優化技術可用于尋找稀缺資源對目標或其他任務的最佳分配。什么被認為是 "最好的 "可以是不同的，例如，爭取最大的效果、安全、穩健、靈活，或這些和更多因素的任何組合。這可能會提供原始的規劃和分配方案，從人類分析者的角度來看，這些方案部分是反直覺的，但卻富有成效。智能優化算法可以幫助確定時間和/或空間上值得監測的關鍵點。而且，如果可以實時跟蹤進展，在事件或機會實際發生之前就可以立即生成重新分配方案，在時間緊迫的情況下減少決策時間。

想法5--自動評估軍事行動績效措施。在聯合定位的最后階段，收集和分析數據和信息，以確定計劃的行動在多大程度上得到執行（績效的衡量），以及達到預期的效果（效果的衡量）。因為這種類型的分析與其他階段的分析基本相似（即需要觀察和理解），所以在這里采用的模擬和人工智能技術可以被重復使用。例如，"目標系統模型"可以用來事先確定哪些措施或措施的組合最能說明性能和/或成功，也許還要考慮到其他因素，如效果的可測量性和延遲性。這些見解可用于指導例如戰斗損失評估工作。算法可以自動產生多種假設，當數據/信息可用時，"虛擬分析師"可以協助對這些假設和信息進行推理，幫助人類分析師以結構化的方式更好地解釋復雜的情況。

4.0 討論：人工智能在軍事決策中的作用

在本節中，我們將討論人工智能技術在軍事決策中可以發揮的作用，并將這些作用與前面介紹的軍事決策系統聯系起來。這些作用是由上面的案例研究綜合而成的。不同的作用是沿著兩個層次結構的，從上到下：在 "過程"層面，不同但連貫的步驟/階段被執行；在 "個體"層面，人類（或團隊）負責執行決策過程的特定步驟。

在整個決策過程的層面上，有多個步驟可以區分。在前面介紹的決策系統觀點中，這些步驟是觀察、定位、決定和行動。在聯合定位案例研究中，這些對應于六個階段，由不同的人在不同的時間執行。在這個層面上，我們為人工智能技術定義了四個功能角色，以支持決策過程。

• 感知：這個角色中的人工智能技術，主要以模式識別的形式，幫助處理大量的數據，如在圖像中尋找人，檢測數據流中的異常情況等。

• 態勢理解：這個角色的功能是實現對當前或假設的作戰環境的理解[12]，從而描述所有相關實體、它們之間的關系以及不可觀察的屬性，如它們的野心和目標。例如，對關于最近敵對活動的現有信息進行推理，結合關于他們的理論的一般知識，可以用來產生關于他們最可能的意圖的假設。

• 計劃生成：在這個角色中，人工智能技術，例如搜索和優化，被用來生成旨在達到（或避免）某種目標情況的計劃、策略和行動方案。處理元標準，如計劃的穩健性或情況的實用性也是這個作用的一部分。顯然，在許多情況下，不確定性是行動環境所固有的，因此不能被忽視。盡管如此，對當前形勢的理解越好，預測能力就越強。

• 學習：扮演這一角色的人工智能技術被用來更新有關作戰環境的知識。例如，在某個時間點，人們可能會發現一個被認為是正確的關于敵人理論的假設不再有效了。為了能夠保持正確的理解，這種新知識應該反映在所有其他決策步驟中。

在單個節點層面上，決策過程的單一步驟被執行，通常由一個或一組人類分析員和/或決策者負責。無論這一步需要什么，人工智能技術都可以在不同的合作角色中被使用，以支持人類。

• 專家系統支持：在這個角色中，支持的形式就像一個經典的專家系統，以知識和優化結果的形式向人類決策者或分析員提供建議。重要的考慮因素是，例如，如何以人類能夠接受的方式向其提供建議。對可解釋人工智能的研究可能是一個方向。

• 虛擬團隊成員：在這個角色中，人工智能技術被用來在人類和支持系統之間創造一種更平等的互動關系，積極為一個共同的目標工作。例如，虛擬團隊成員可以通過提出問題使假設明確化或挑戰偏見來幫助做出決定的（認知）過程。人類-人工智能的研究可能是一個追求的方向。

• 自主決策：決策過程中的其他步驟的互動，專家系統和虛擬團隊成員支持的考慮同樣有效。例如，在其他決策中的人類需要能夠推斷出一個自主系統。

圖4顯示了在軍事決策系統視圖中繪制的人工智能的七個角色。當使用模擬和人工智能來支持決策過程時，應該始終考慮這些不同的角色是如何互動的，無論是在過程層面還是在個人層面。例如，在聯合目標定位的過程層面上，第二階段包括定位（目標系統分析）和決定（為達到預期效果而瞄準什么）。第三階段也包括定位（自身能力）和決定（如何實現預期效果）。這些階段共享相同的世界模型，在這個過程中引入人工智能支持將推動這些步驟的合并，這不是不可想象的。在個體層面上，例如再次考慮第2階段，分析員可以得到綜合態勢理解、規劃生成和學習技術的支持，以及虛擬團隊成員和專家系統支持技術的任何組合。

圖4：由建模和仿真支持的軍事決策周期的系統視圖，其中人工智能技術的功能（黃色）和協作（綠色）作用被描繪出來。

5.0 結論和進一步研究

在本文的第一部分，我們介紹了軍事決策的系統觀點，主要基于OODA循環，其中我們介紹了世界模型，作為向整個決策周期提供建模和仿真支持的核心手段。接下來，從我們的聯合目標定位案例研究中，我們推斷出人工智能可以為軍事決策做出貢獻的七個功能性和協作性角色。這些角色對應于決策步驟，或者對應于如何向負責該過程步驟的人提供支持。最后，我們將這些人工智能角色整合到決策系統視圖中。

本文的目標是為我們社區內人工智能的綜合觀點做出貢獻，并為軍事決策的人工智能各種研發奠定基礎。在開發支持軍事決策的模擬和人工智能時，我們建議同時考慮過程層面和單個節點層面。在過程層面上，通過使用建模和仿真可以獲得好處。在單個節點層面上，為人類分析員和決策者提供實際支持，人工智能技術可以通過不同的角色組合對此作出貢獻。鑒于決策過程的各個步驟都是不同的，并且提出了不同的要求，履行這些不同角色的人工智能技術需要作為一個整體來開發。

我們相信，隨著對這一主題的更多研究，軍事決策的速度和質量都可以得到改善。然而，非常重要的是，要持續關注特定的未來人工智能應用的附加值，以及研究這些應用可能對，例如，負責該過程的人的所需技能，甚至該過程本身的影響。最后需要的是一個系統，它的存在是因為它可以建立，而不是有人幫助。對于這一點，應該更普遍地回答如何限定然后量化應用人工智能進行具體軍事決策應用的附加價值的問題。這樣的見解反過來又會成為關于人工智能用于軍事決策的集體技術路線圖的寶貴基礎。

6.0 參考文獻

[1] Bloemen, A., Kerbusch, P., van der Wiel, W., Coalition Force Engagement Coordination, TNO Report TNO-2013-R12117, 2015.

[2] Connable B, Perry W, Doll A, et al. Modeling, Simulation, and Operations Analysis in Afghanistan and Iraq. Santa Monica, CA: RAND, 2014.

[3] Davis P., Kulick J., Egner M. Implications of Modern Decision Science for Military Decision-Support Systems. Santa Monica, CA: RAND, 2005.

[4] Kunc, M., Malpass, J., White, L.(2016). Behavioral Operational Research, Theory, Methodology and Practice. Palgrave Macmillan, London.

[5] Langley, P., Meadows, B., Sridharan, M., Choi, D. (2017). Explainable Agency for Intelligent Autonomous Systems. Proceedings of the Twenty-Ninth AAAI Conference on Innovative Applications (IAAI-17).

[6] NATO Allied Joint Doctrine For Joint Targeting AJP 3.9(B), 2015.

[7] NATO Allied Command Operations. Comprehensive Operations Planning Directive Interim V2.0.

[8] “OODA loop.” Wikipedia, The Free Encyclopedia. 10 Mar. 2018.//en.wikipedia.org/wiki/OODA_loop

[9] “Situation Awareness.” Wikipedia, The Free Encyclopedia. 17 Mar. 2018.

[10] Smit, S., Veldhuis, G., Ferdinandus,G., et al. KaV Advanced Visual Analytics, TNO Report DHWELSS-, 2016.

[11] Toubman, A., Poppinga, G., Roessingh, J. (2015). Modeling CGF Behaviour with Machine Learning Techniques: Requirements and Future Directions. Proceedings of Interservice/Industry Training, Simulation, and Education Conference (I/ITSEC) 2015.

[12] “Understanding.” Wikipedia, The Free Encyclopedia. 18 Apr. 2018.

[13] Zacharias, G., MacMillan, J., van Hemel, S. (2008). Behavioral modeling and simulation: From individuals to societies. National Research Council, National Academies Press.

當前的海軍作戰要求水手們根據動態作戰環境中的不確定態勢信息做出時間緊迫和高風險的決策。最近的悲慘事件導致了不必要的傷亡，海軍行動中涉及決策復雜性，并特別突出了 OODA 循環（觀察、定向、決策和評估）中的挑戰。涉及使用武器系統的殺傷鏈決策是 OODA 循環中一個特別緊張的類別——具有難以確定的意外威脅、縮短的決策反應時間和致命的后果。有效的殺傷鏈需要正確設置和使用船上傳感器；未知接觸者的識別和分類；基于運動學和智能的接觸意圖分析；環境意識；以及決策分析和資源選擇。

該項目探索了使用自動化和人工智能 (AI) 來改進海軍殺傷鏈決策。該團隊研究了海軍殺傷鏈功能，并為每個功能制定了特定的評估標準，以確定特定 AI 方法的功效。該團隊確定并研究了 AI 方法，并應用評估標準將特定的 AI 方法映射到特定的殺傷鏈功能。

圖：利用人工智能改進海軍殺傷鏈的作戰概念

總結

當前的海軍行動通常是快節奏的、關鍵的，并且需要做出高風險的決策，這些決策有時基于非常動態的戰區中的不確定信息。許多例子強調了提高決策效率的必要性以及減輕觀察團隊負擔的必要性。缺乏上述情況的例子包括 2017 年的菲茨杰拉德號航空母艦 (DDG 62) 和 MV ACX Crystal相撞，以及 2009 年皇家港口號航空母艦 (CG 73) 的擱淺。一些根本原因是相關人員缺乏經驗、疲勞和壓力.

上述事故展示了軍事行動的難度，并展示了 OODA（觀察、定向、決策和評估）循環中的挑戰（Jones 等人，2020 年）。人為錯誤、人的認知限制和海軍作戰固有的決策復雜性導致了 OODA 循環中的挑戰，更具體地說，是殺傷鏈過程中的挑戰。

現代戰斗空間由來自常規陸地、空中和海洋等多個領域以及來自太空和網絡空間的大量數據組成。決策者需要考慮許多因素，包括交戰規則 (ROE)、要使用的武器、傳感器和意圖評估。發現、修復、跟蹤、瞄準、參與、評估 (F2T2EA) 殺傷鏈模型緩解了該過程的一些困難（參謀長聯席會議，2013 年）。人工智能 (AI) 和機器學習 (ML) 可以通過分析備選方案和使用評估標準將 AI 方法映射到殺傷鏈功能，從而幫助海軍在戰術領域做出殺傷鏈決策。這是在本報告的五個章節中分三個階段完成的。

本報告利用了數百個資源，主要利用了美海軍研究生院 AI-OODA 團隊在其 Capstone 報告（2020 年）中進行的先前研究，“利用人工智能 (AI) 進行空中和導彈防御 (AMD)：以結果為導向的決策援助。”他們將他們的工作與 John Boyd 的觀察、定向、決定和行動決策框架相結合。作為他們分析的初步步驟，AI-OODA 團隊將特定的 OODA 功能明確且緊密地耦合到特定的 F2T2EA 功能。然而，本報告斷言 OODA 循環是一個決策循環，它嵌套在殺傷鏈的每個功能中，而不是在高壓力或低壓力情況下專門映射到一個或多個殺傷鏈功能。團隊基于 F2T2EA 模型開發了一組 28 個殺傷鏈功能。

在制定將 AI 方法映射到殺傷鏈的評估標準時，很難確定一個好的決策，這對于決策評估至關重要。在評估決策時，必須考慮選擇行動時的知識意識狀態以及解釋能力。使用了幾種對決策進行評分的方法，從定義和優先考慮感興趣的“武器-目標”到制定評分標準和報告評估結果，以供其他人審查。

目前，人工智能的狀態非常廣泛，必須對其進行解釋，以了解人工智能對殺傷鏈中功能的適用性。本報告討論了所選 AI 方法的高級概述，并突出顯示了部分最流行的方法。首先，沒有普遍接受的定義，這很難定義人工智能。其次，人工智能與機器學習 (ML) 存在差異。 ML 允許在準確性和可預測性方面取得增量收益； AI 接收數據并通過算法提供輸出。人工智能的歷史從 1940 年代艾倫·圖靈 (Alan Turing) 的加密機器到 1980 年代美國政府在戰略計算計劃中的使用，再到今天在聯合人工智能中心 (JAIC) 中的人工智能戰略五個支柱，從領先的人工智能人力到安全和倫理。美國國防高級研究計劃局 (DARPA) 在 3-wave 框架中描述了 AI 的發展方向，分為手工知識 (Wave 1)、統計學習 (Wave 2) 和上下文推理 (Wave 3) 在 1-4 個維度內情報參數的屬性（Launchbury 2017）。這些屬性包括感知、推理、抽象和學習。

人工智能涉及可以根據輸入值預測結果的監督學習。有幾種使用監督學習進行學習的技術。包括線性回歸和分類。此外，許多數值方法可以分析發生的學習有效性，例如 F-score 和 Accuracy score。人工智能還可以使用無監督學習，它使用算法來發現未標記數據集中的數據模式或分組。在分析未知（y）響應以揭示標記（x）數據中的模式時，無監督學習是有益的。數據分析界的一個著名例子是鳶尾花（Iris flower）數據集。僅使用標記的數據，可以看到響應聚集在一起，并且可以確定響應中存在模式（花的種類）。無監督學習的方法包括聚類和 K-means，但還有其他方法。強化學習有一個代理能夠接收來自環境的反饋并理解基本目標。此外，正如 Sutton 和 Barto 在（2018 年）中解釋的那樣，探索和開發之間存在權衡。最后，生成對抗網絡 (GAN) 利用無監督學習和強化學習，通常用于神經網絡 (NN)。神經網絡是機器學習算法的極好來源，它有大量的輸入，而這些輸入又會產生大量的計算。 NN 非常適合用于模擬、自然語言處理、博弈論和計算機視覺。 NN 只是一種將輸入映射到輸出的簡單方法，可以在此過程中進行學習。然而，NN 可以被描述為一種“黑盒”學習技術，因為很難解釋正在發生的事情，并且通常需要一種可解釋的 AI (XAI) 技術。 XAI 的三個主要組成部分是可解釋模型、解釋界面和解釋心理學（Gunning 2019）。數據安全必須與“大數據”一起考慮，“大數據”是指非結構化、復雜和大型數據集，具有五個 v 特征：數量、速度（數據量隨時間變化的增加）、多樣性、真實性和價值。其他理論包括決策理論、模糊邏輯和效用函數

使用上述文獻綜述，該團隊開發了一個框架，用于將 AI/ML 映射到 AMD（空中導彈防御）殺傷鏈。采取了四個步驟：1) 建立模型框架，2) 確定決策點，3) 應用 AI/ML 方法，以及 4) 分析結果。該團隊確定了以下用于殺傷鏈映射分析的 AI/ML 方法：線性回歸、邏輯回歸、聚類、關聯、隨機森林、神經網絡、GAN 和樸素貝葉斯。評估標準被稱為“決策點”并提出四個問題：（1）所需輸出的類型是什么，（2）所需的學習類型是什么，（3）可解釋性（XAI）是什么水平需要，以及 (4) 需要多少個預測變量？該團隊通過基于一組決策點和評分過程評估每個殺傷鏈功能的每種方法來執行映射。對于被認為非常適合某項任務的方法，得分為+1，如果該方法適合但次優，則為0，如果該方法不適合該任務，則為–1。

該團隊進行了映射分析，根據與殺傷鏈的 28 個功能中的每一個功能相關的評估標準（決策點）分析 AI 方法。該團隊使用評分方法來確定每個殺傷鏈功能的最佳整體 AI/ML 分數。團隊的映射顯示為 0。

該團隊的 AI/ML 映射到殺傷鏈功能為國防部和海軍提供了兩個關鍵好處。首先，映射本身是設計和開發支持殺傷鏈決策的人工智能戰術決策輔助工具的重要起點和基礎。其次，該團隊將 AI 方法映射到殺傷鏈的分析過程可用于了解 AI 在許多其他軍事和非軍事領域的應用。識別適當的人工智能方法、制定評估標準和評分過程以及制定過程功能以進行分析映射的過程對于支持許多不同人工智能系統的工程具有深遠的潛力。

表1：AI/ML方法到殺傷鏈的映射