什么是多域作戰？

以下定義摘自美國陸軍訓練與條令司令部：

多域作戰（MDO）描述了美國陸軍作為聯合部隊[陸軍、海軍、空軍、海軍陸戰隊和太空部隊]的一部分，如何在競爭和武裝沖突中對抗和擊敗能夠在所有領域[空中、陸地、海上、太空和網絡空間]與美國抗衡的近鄰對手。該概念描述了美國地面部隊作為聯合和多國團隊的一部分，如何在2025-2050年的時間框架內威懾對手并擊敗能力強大的近鄰對手。

MDO為指揮官提供了許多選擇，以執行同時和連續的行動，利用出其不意以及快速和持續地整合所有領域的能力，給對手帶來多種困境，以獲得物質和心理上的優勢以及對作戰環境的影響和控制。

多域作戰的關鍵元素

• 滲透敵方的反介入和區域拒止（A2/AD）系統（分層和綜合遠程精確打擊系統、沿岸反艦能力、防空系統、遠程火炮和火箭系統），使美軍能夠進行戰略和作戰機動。

• 破壞--擾亂、降低或摧毀A2/AD系統，使美軍能夠進行作戰和戰術機動。

• 利用由此產生的機動自由，通過擊敗所有領域的敵軍來實現作戰和戰略目標。

• 重新競爭--鞏固各領域的成果，迫使其以對美國和盟國有利的條件恢復競爭。

需要什么樣的軍備解決方案?

• 戰爭的速度和決策的速度可以說從來沒有像今天這樣快過，而且明天可能也會這樣。

• 在陸、海、空、天，甚至網絡領域運作的資產的密切協調，以促進ISR活動和對敵對目標的殺傷鏈，需要精確性，以及在各種平臺上 "蓄勢殺傷 "的能力。

• 系統的通用性可以減少后勤的負擔，簡化培訓和維護，并有助于確保各平臺的性能一致、可靠。

• 基于成熟技術的解決方案能夠迅速投入使用，并為作戰人員增加更多的靈活性和選擇，是一種力量的倍增劑。

美國防部第5100.01號指令要求美陸軍 "進行空中和導彈防御，以支持聯合戰役并協助實現空中優勢"。FM3-01描述了美陸軍專門的AMD部門--ADA對AMD行動的計劃、協調和執行的貢獻，以支持大規模作戰行動中的聯合和陸軍部隊。

防空和導彈防御是直接（主動和被動）的防御行動，以摧毀、消除或降低敵對的空中和彈道導彈對友軍和資產的威脅（JP 3-01）。它包括在陸地、空中、海上以及網絡空間和太空中可能采取的行動。反彈道導彈行動是擊敗空中和導彈威脅的防衛性反空結構的一個關鍵因素。在整個防空框架內，AMD行動通常與其他進攻性和防御性的防空任務相結合。雖然本手冊涉及進攻性反空和被動反空的各個方面，但它側重于主動反空戰術和程序。

FM3-01涉及到今天的作戰環境，它所設想的對美陸軍和聯合部隊的威脅是這些部隊在25年內沒有遇到過的。在這種環境下，反坦克部隊必須適應并準備在一個高度競爭的空域中進行大規模作戰行動。FM3-01為反坦克部隊提供了一個應對未來沖突的理論方法，解釋了反坦克部隊的梯隊如何為陸軍的四個戰略角色做出貢獻：塑造作戰環境、預防沖突、進行大規模地面作戰和鞏固成果。

這個FM3-01版本是以ADA梯隊為單位組織的，而不像以前的版本是以ADA系統的角度來介紹。它介紹了從陸軍航空和導彈防御司令部（AAMDC）到防空空域管理（ADAM）單元的ADA梯隊的作用、功能、基本原則和就業宗旨。它進一步描述了ADA梯隊在當前或近期行動中的AMD部隊行動和交戰行動，并討論了這些行動的持續挑戰。

這個版本引入并定義了新的AMD術語。它還定義了在其他AMD理論出版物中反復使用但從未定義的舊術語。

FM3-01由12章組成：

• 第1章提供了美陸軍AMD的概述。它介紹了一個新的ADA角色聲明，并確定了五個關鍵的ADA基本能力。它介紹了AMD的基本原則和就業宗旨。它總結了支持聯合和統一陸地行動的ADA行動。第1章重新介紹了短程防空（SHORAD），這是保護機動部隊的一個關鍵因素。本章最后討論了ADA士兵和領導人的培訓。本章中提出了大量的定義和術語的擴展解釋，以方便理解適用于所有ADA梯隊的AMD行動和語言。

• 第2章從AMD的角度討論了美陸軍行動過程。AMD部隊行動一般包括支持空中和導彈威脅的交戰所需的計劃和準備行動。AMD交戰行動包括執行和評估交戰的所有行動。

• 第3章涉及作戰環境，重點是空中和導彈威脅，從火箭、火炮、迫擊炮到洲際和潛射彈道導彈，以及它們的通用能力。它還涉及美國部隊可能面臨的來自太空和網絡空間威脅的挑戰。

• 第4章描述了任務指揮以及與陸軍AMD相關的指揮與控制（C2）。它通過AMD的視角討論了任務指揮的原則。它還介紹了適用的權力和C2要素，以及在進行交戰時的駐地。

• 第5章至第10章分別討論了AMD作戰框架以及基礎原則和宗旨在ADA梯隊中的應用，從AAMDC到機動旅編隊的ADAM單元。每一章都介紹了各自梯隊的角色和能力、組成和行動--在C2、部隊行動、交戰行動和維持行動方面。

• 第11章描述了非AMD陸軍部隊對執行AMD行動的貢獻。它總結了C2、計劃和使用以及與空中和火箭彈、大炮和迫擊炮（RAM）威脅有關的交戰考慮。它介紹了關于機動部隊 "毒刺 "小組的使用的理論和行動信息。

• 第12章概述了ADA數據和通信架構以及美陸軍、聯合和多國AMD要素之間的聯系。

• 附錄A和B分別介紹了美陸軍AMD戰略組織和系統以及ADA系統（那些通常支持作戰和戰術層面的系統）。

根據目前的理論變化，FM3-01的某些術語被添加、修改或廢除。這些術語的清單在第9頁的引言表1和2中提出。詞匯表包含了所定義的術語。

第x頁的引言圖-1說明了FM3-01的邏輯圖。第x頁的引言圖-2說明了ADA理論出版物的層次結構。

描述

未來的美陸軍部隊將需要進行跨域機動（CDM），并且有時需要半獨立地進行部署，同時通信和 GPS 等基礎設施會被中斷或拒絕。機器人和自主系統將在擴大協作決策中機動部隊的作戰范圍、態勢感知和有效性方面發揮關鍵作用。

DEVCOM ARL 專注于發展對作戰人員概念的基本理解和可能的藝術，通過研究，極大地提高基于空中和地面的自主車輛感知、學習、推理、通信、導航和物理能力，以增強和增加在復雜和有爭議的環境中的機動自由。

可擴展、自適應和彈性自主 (SARA) 協作研究聯盟 (CRA) 專注于開發和實驗加速自主移動性和可操作性、可擴展異構和協作行為以及人類智能體團隊的新興研究，以實現自適應和彈性智能系統可以對環境進行推理，在分布式和協作的異構團隊中工作，并做出適時決策，以在復雜和有爭議的環境中實現自主機動。

美國陸軍未來司令部（AFC）領導著一項持續的現代化和創新工作，以支持未來的作戰人員。AFC現在負責監督作戰能力發展司令部，并在最近重組了某些研究辦公室、實驗室和工程中心。作為對這一調整的回應，參議院軍事委員會要求國家研究院的陸軍研究和發展委員會審查這些研究組合的變化并評估其影響。本報告調查和評估了美陸軍在調整背后的戰略，與利益相關者討論了這些問題，并提出建議以確保調整符合陸軍現代化的優先事項。

一 、背景

經過20年的反叛亂和國家建設行動，美陸軍意識到其近似的競爭對手已經在幾個技術領域趕上了它。陸軍的技術優勢已被大大削弱，在某些情況下，如非對稱戰爭、無人駕駛系統、綜合防空和高超音速武器，陸軍的技術優勢已被平分或超越。2017年，陸軍部長馬克-埃斯珀領導了一項緊張工作，將陸軍科技（S&T）工作和資金重新集中在與美國近似的競爭對手相匹配，然后重新獲得美國的歷史技術優勢。作為這項工作的一部分，跨職能小組（CFTs）反映了陸軍的六個現代化優先事項和兩個交叉支持能力，以使定義需求、規劃科技和更廣泛的研究、開發、測試和評估（RDT&E）工作以滿足這些需求的過程，將這項工作的結果過渡到采購計劃的記錄，以及維持由此產生的系統更加有效。目標是在2022財年開始投入新的能力，總體現代化目標是在2035財年投入現代化的系統和能力。現代化的優先事項、交叉支持能力及其CFTs如下。

• 現代化的優先事項：
  • 遠距離精確射擊。
  • 空中和導彈防御。
  • 陸軍網絡。
  • 未來的垂直升降機。
  • 下一代戰車，以及
  • 士兵殺傷力。
• 跨領域的支持能力：
  • 可靠的定位、導航和授時/空間
  • 合成訓練環境。

隨后，美國陸軍未來司令部（AFC）于2018年成立，是一個直接向陸軍部總部（參謀長）報告的四星級陸軍司令部，負責領導陸軍的現代化建設工作。美國陸軍總命令2018-10規定，AFC

• 領導陸軍的未來部隊現代化事業。
• 評估和整合未來作戰環境、新興威脅和技術，以制定和提供概念、要求、未來部隊設計。
• 支持現代化解決方案的交付；以及
• 通過確定戰略方向，整合陸軍未來部隊現代化事業，將資源與優先事項相結合，并保持現代化解決方案的問責制，為陸軍的未來做好準備。

委員會沒有對美國防部的每一個組成部分進行逐條審查，也沒有對它們如何受到重組的影響進行逐條審查。委員會也沒有對組建AFC的決定本身作出判斷。

1.1 科技對國家安全的價值

值得注意的是科技對國家安全的價值。科技的最大價值不在于關注當前的威脅和作戰環境，盡管它經常被要求為關鍵的近期需求制定解決方案，如分析回收的化學彈藥，以及伊拉克和阿富汗的即時解決方案問題，如MRAP快速裝甲計劃（MEAP）和CIED能力（Crew，Duke等）。科技的最大價值是作為技術和能力創新的孵化器，使美國在競爭者和對手面前擁有顛覆性和革命性的技術優勢。科技創新工作，或稱發現科學，是給予美國隱形技術、全球定位系統（GPS）、激光和雷達的原因。至關重要的是，在緊急推動恢復我們與美國競爭對手和對手的近期技術平等和優勢的過程中，科技發現科學要有足夠的資金，以便陸軍在目前的現代化視野之外能夠擁有保護國家及其利益所需的技術優勢。

1.2 美陸軍科技權限和資助

本報告第2章探討了陸軍科技事業最近的變化是如何改變了現代化和科技的決策、責任和資金狀況的。鑒于這種變化，委員會花了大量的時間來審議這些問題，并認識到科技決策和資金之間的密切聯系及其對科技企業和能力發展的廣泛影響，因此在報告中用了大量的篇幅來闡述這一主題。委員會的分析主要集中在科技企業內部的權力和責任、需求產生過程、科技的資金趨勢以及陸軍內部明確的科技領導的必要性。

1.3 美陸軍科技的作用和責任

AFC的成立似乎將現代化和科技的決策和資金置于AFC的權限和控制之下。這改變了現代化和科技決策的格局，造成了權力、角色和責任的混亂，主要影響了負責采購、后勤和技術的助理陸軍部長[ASA（ALT）]和負責研究和技術的副助理陸軍部長[DASA（R&T）]的角色。盡管AFC有明確的意圖，但對于ASA（ALT）相對于AFC的作用仍然存在混淆。這主要源于《美國法典》第10章第7016條，該條規定ASA（ALT）的主要職責是 "全面監督陸軍部的采購、技術和后勤事務"，因此指定ASA（ALT）辦公室對科技政策和預算分配負有主要責任。隨著美國法典第10章第7014(b)(8)和(d)(1)條規定的權力被重新指定給AFC，情況發生了變化。

2019年提交給國會的一份陸軍報告將AFC指揮官描述為有權在與ASA（ALT）"協商"的情況下"優先考慮、指導、整合和同步整個陸軍現代化企業的科技工作、業務和組織"。雖然上述措辭確實規定了AFC將領導整個 "現代化企業"的科技工作，但沒有具體說明科技工作的整體情況，在AFC領導下的發展委員會的重組將陸軍的大部分科技機構置于AFC的監督和責任之下--有效地使其控制了大部分陸軍的科技決策和資金。這與助理國務卿（ALT）在歷史上和目前聲明的作為整個陸軍科技領導機構的角色形成了鮮明的對比。雖然委員會不對這一轉變的效果進行評論，但這一轉變的實施和新安排的不明確正在催化陸軍科技界的混亂局面。

鑒于上述明顯沖突和重疊的權力，再加上陸軍指令和法定權力的不明確，上述提交給國會的報告強調，陸軍需要澄清AFC相對于ASA（ALT）的作用、責任和權力，并明確劃分和消除其在整個陸軍科技企業中的關系。

1.4 需求生成

建立跨職能小組（CFTs）的目的是作為連接科技界、采購界和需求界的機制--這一作用最初由ASA（ALT）來完成。雖然委員會對在整個陸軍中建立明確的優先事項表示贊賞，但CFTs的作用似乎正在促使大多數科技部門關注近期的重點。這為完成陸軍現代化的目標帶來了一些差距。也就是說，CFTs似乎正在推動能力需求和科技投資與新系統的采購保持一致，并將技術過渡到記錄項目（PORs）。

每個CFT都與現代化的優先事項相一致，并在很大程度上影響了需求的產生和預算分配。雖然CFTs的確切報告結構仍不清楚，但其在推動和領導現代化工作方面的作用--包括影響科技技術投資的決策--使其在整個陸軍科技投資的優先級和分配方面發揮了作用。委員會在這方面的主要關注點是如何選擇技術，使之成熟，并將其納入采購PORs。在AFC成立之前，需求的產生與預算過程是分開的，傳統上由TRADOC作為需求產生的主導指揮。委員會擔心，將與現代化優先事項--生成、驗證和資源有關的需求過程合并到AFC之下，會減少陸軍內部思想交流和資源優化的機會，而在這次合并之前，有多個陸軍組織參與。此外，AFC和CFTs對現代化的關注，加上對科技資源分配的控制，可能導致現代化的近期需求和科技推動能力發展的長期需求之間的沖突。

委員會注意到，CFTs提供的整合和重點反過來又提供了對現代化需求的關注和整個DEVCOM更大的統一性。這種關注使發展司令部及其下屬的ARL能夠在整個陸軍企業中更加橫向地工作。然而，委員會對文件的審查和與陸軍關鍵人員的互動顯示，領導層對科技的責任缺乏重視，而不是目前現代化計劃中設想的那些系統。委員會注意到陸軍需要澄清CFTs的作用，保持對近期和長期投資之間的重要制衡，并確保近期現代化不以長期能力發展為代價。

1.5 美陸軍科技資助趨勢

除了角色和責任以及預算權力的變化外，委員會還審查了科技資金的趨勢，以評估對科技支出的任何潛在或現有影響。委員會發現，經過通貨膨脹調整（2021財年美元不變）的6.1和6.2資金近年來有所下降，而經過通貨膨脹調整的6.3資金和--雖然不適合科技--6.4資金有所增加。如果不是因為國會的預算增加，6.1和6.2資金的減少會更大。這些加分項也推動了6.3和6.4經費的增加。陸軍已經將額外的資源集中在先進技術開發（6.3）和先進組件開發和原型（6.4）的資金上，這與現代化建設更加緊密地結合起來。對資金水平的觀察使委員會推測，科技的創新部分--6.1和6.2資金主要用于的工作--被認為不像現代化那樣重要。

委員會注意到，根據與國防部實驗室和中心人員的交談，科技界對核心資金有一種看法。AFC對分配給DEVCOM實驗室或中心的核心發現或創新資金與現代化工作的科技資金數量提供了混合信號。盡管AFC已經表示支持并希望保持實驗室和中心的核心能力，但在未來的預算中需要更加明確優先次序，否則實驗室和中心可能會繼續認為它們是在與外部伙伴競爭科技資金。此外，自AFC成立以來，對外部組織的依賴已經明顯地、適當地增加了，但同時也需要考慮對重要的內部實驗室和中心的穩定感。

考慮到對現代化的依賴程度增加，以及陸軍科技部門的現代化和創新支出比例為60/40的既定目標，委員會擔心，過于關注近期的現代化，專注于漸進式的變化，會因為長期和革命性的科技項目資金不足而造成未來能力發展上的差距。雖然委員會認為科技的60/40比例是謹慎的（見第2章的結論），但需要有機制來確保科技資金在未來的發展中保持安全，陸軍應采納國防科學委員會的建議，將科技資金增加到陸軍最高預算的3.4%。

1.6 科技領導的需要

上述每個問題都可以通過在陸軍內部建立一個明確的科技領導和 "倡導者 "來解決。委員會建議在秘書處內設立一個科技主管，作為專家和倡導者，監督科技政策并審查其執行情況。這一角色將能夠同時解決陸軍各部門之間的爭議，并確保在陸軍科技企業中倡導科技資源分配。

1.7 科技創新與勞動力

委員會認識到科技與創新之間的聯系，認識到創新對超越近似對手的關鍵需求，認識到科技人員在推動創新方面發揮的核心作用，調查了軍隊科技創新的狀況。這包括重組對科技創新和相關科技人員隊伍的影響。創新可能是對優先武器系統內能力的離散改進（例如，新的隱形涂層或高超音速結構材料的可制造性）或全新的革命性能力（例如，隱形、GPS或5G）。探索新概念的自由，即使心中沒有明確的過渡，對創新也是至關重要的，并由科技投資來驅動，從而形成新的能力和被授權的科技人員隊伍。本報告第3章重點關注創新和科技隊伍，并概述了澄清與外部團體接觸的步驟，連接軍隊和科技界，管理和維持科技隊伍，以及平衡現代化與創新。

1.8 澄清與外部團體的接觸

盡管AFC增加了校外參與，但對于科技界的許多人來說，參與陸軍研究和進行研究的途徑和機制可能是混亂的。雖然AFC網站上有相關信息，但它可以澄清聯絡點、現有的參與機會以及對AFC內部研究工作的解釋。這對那些不熟悉為陸軍工作的小型企業和研究組織來說尤其具有挑戰性，因為他們不熟悉為陸軍工作，或者缺乏處理政府和陸軍關系的專業人員。

然而，委員會注意到，AFC仍然是一個新的組織。在AFC的一些組成組織中，有一些例子或最佳做法，如陸軍應用實驗室，它利用非傳統的合作伙伴。委員會建議，AFC開發一個中央陸軍資源網站，以便與外部組織建立伙伴關系，提供信息和參與點。

1.9 連接到更廣泛的陸軍科技社區

在美陸軍和國防部（DoD）之外的美國科技界及其資助的活動是廣泛的；工業界在技術發展方面的支出遠遠超過了政府。雖然陸軍內部的科技管道很強大，但陸軍與這個更廣泛的社區的聯系將使其能夠利用和發揮這種研究。陸軍只有幾個大學附屬研究中心（UARCs）。它們有特定的章程，并在整個RDT&E預算類別中享有良好的聲譽。雖然陸軍研究辦公室對贊助學術研究負有主要責任，但當大學附屬研究中心在其特定的章程中看到與學術機構合作的機會時，應予以鼓勵。此外，UARC也可以在研究與發展工程中心和其他機構中找到自然的合作伙伴。

對操作者需求的認識在調整科技以滿足未來能力需求方面也是至關重要的。委員會看到了強有力的證據，陸軍正在積極尋求操作人員對科技界的投入，以確定需求和能力發展。融合項目和點燃團隊計劃是這種互動的優秀范例。委員會鼓勵這些互動和它們的擴展，同時平衡近期的需求認知和科技的研究和創新責任。委員會還鼓勵AFC/DEVCOM和國防部感興趣的團體之間繼續接觸，以加強交叉合作，分享想法和發展伙伴關系，幫助最大限度地減少重復工作。

1.10 管理勞動力

為了使陸軍在創新和科技方面保持優勢，一支強大的技術隊伍對于將現場需求轉化為技術并與學術界和工業界保持緊密聯系以利用專業知識來填補關鍵的差距是必不可少的；換句話說，為陸軍保持一個技術能力的 "聰明買家"。一段時間以來，技術人員的招募和保留一直是陸軍和國防部的關鍵問題，有必要制定一個明確的勞動力發展計劃來建立和維持勞動力。AFC應制定并明確闡述高技術職業的勞動力發展計劃和結構。這個勞動力發展計劃應明確界定技術職業道路，從本科生到高級文職技術領導。此外，它應該允許這些勞動力有意義地參與、合作，不僅向工業界和學術界的合作伙伴學習，而且利用這些新發現的知識來實現有意義的變革，使科技企業能夠長期繁榮發展。陸軍實驗室主任作為科學和技術重塑實驗室擁有許多權力，他們需要被授權利用所有這些權力來維持和發展科技人員隊伍。

1.11 平衡現代化與創新

第3章重申了第2章首次強調的平衡現代化和創新的重要性，但從陸軍科技企業創新的角度來看。陸軍無法完全預測未來的威脅，因此科技投資需要足夠廣泛，以對沖不確定的未來。現代化主要側重于對特定系統的工程改進，而科技主要側重于發現和探索，這對推動長期能力發展的創新至關重要。明確劃分現代化和創新的科技計劃對于兩者的成功至關重要。科技和能力發展之間的直接聯系在開始時并不總是很清楚，但陸軍需要允許科技人員追求這些創新。

1.12 威脅

自二戰結束以來，創新和領先的科技隊伍對美國軍隊超越對手的能力至關重要。隱形技術、全球定位系統、精確彈藥、自主和無人系統，以及20世紀末和21世紀初的其他一些決定性軍事技術，都是早期科技的長期成果，也是一支擁有自由度和資源來尋求創新以確保美國軍隊超越對手的員工隊伍的成果。從本質上講，創新和科技投資使美國軍隊，以及陸軍，成為美國對手被迫適應的威脅。

二、建議

建議。美陸軍部長和陸軍參謀長應根據《2019財年國防授權法》第1068(b)(3)條和2020年11月16日陸軍指令2020-15（實現持久現代化）的指示，明確劃分和消除陸軍科技計劃在AFC和ASA（ALT）之間的角色和責任。陸軍還應該明確劃分跨職能小組在AFC、DEVCOM和ASA（ALT）方面的作用和責任。

建議。為了確保科學技術（S&T）的有效過渡，以支持美陸軍現代化的優先事項，展示領導層對未來陸軍能力的支持，支持強大的陸軍創新和技術發現工作，并保證在最關鍵的地方有可行的校內RDT&E能力，陸軍應該為科技（6.1，6.2和6.3）預算水平進行規劃和申請，至少要像國會每年增加陸軍科技一樣，反映整個陸軍現代化時期的實際增長。此外，科技撥款應該有40%用于創新和發現研究（6.1和一些6.2），60%用于陸軍現代化的優先事項（一些6.2和6.3）。這種分配應定期進行評估，以確保它能繼續滿足陸軍在現代化、創新和技術發現方面的交叉需求。

建議。美陸軍部長應在秘書處內指定一名科學技術（S&T）執行官，作為專家和倡導者，監督科技政策并審查其執行。美陸軍部長應尋求AFC和ASA（ALT）的聯合建議，以確定和編纂該執行官的權力和責任。這個被授權的科技領導者應該幫助解決AFC和ASA（ALT）的角色和責任不明確的問題，并確保近期、中期和長期優先事項的平衡，以及校內和校外的科技績效。這名高管應該是一名高級文職人員（SES/SL級別），具有很強的科技技術背景和科技界的工作經驗，并對美陸軍內科技的成功負責任。

建議。雖然 "一站式服務"可能不是一個切實可行的解決方案，但AFC應加強努力，確保在描述基礎研究的機會以及填補現代化和研究空白所需的新技術過渡時，其戰略信息的一致性和簡單性。AFC應該尋找方法使那些不熟悉陸軍的人更容易與他們進行合作。ERDCWERX是DEFENSEWERX和美國陸軍工程研究與發展中心之間的合作項目，是這類舉措的一個典型例子。

建議。委員會強調了利益共同體（CoI）在美國防部范圍內的科學和技術中所發揮的關鍵作用。雖然與利益共同體的一些接觸正在進行中（即通過與整個科技企業的主題專家的接觸），委員會鼓勵美陸軍通過AFC和DEVCOM重新致力于利益共同體的接觸。

建議。AFC應該在美國科學技術（S&T）生態系統內建立更多的聯系，以利用工業、學術和其他國防部組織的投資和技術創新，從而避免重復投資并最大限度地利用非政府的發展。它應該考慮更多地使用類似于國防高級研究計劃局 "大挑戰 "的競賽，作為一種機制來吸引工業界、學術界和其他科技界的參與。

建議。美陸軍領導層應確保實驗室主任獲得授權和有效的資源，以培養他們的勞動力，并有權利用賦予他們的所有科學和技術再創新實驗室（STRL）的權力。陸軍領導層應建立衡量STRL資金有效性的指標，并確保實驗室主任充分利用其資源來管理各自的工作隊伍。

建議。AFC應該確保其領導層不僅為現代化和研究優先事項提供一致的指導，而且積極鼓勵在各級科技人員中進行適當的授權和分散執行，以減少混亂，確保陸軍科技有一個明確的愿景，并確保以更高的質量和更低的成本交付能力。

建議。為了鼓勵創新文化，使陸軍能夠 "成為威脅"，也為了提高衡量創新的能力，AFC應該調查并實施業界公認的推動創新的最佳做法，包括領導層對創新的承諾，對實施新方法解決問題的獎勵，以及明確的責任線和問責制，而不僅僅是分配更多的資金。

支持這些建議的結果和結論可以在報告的正文中找到。

美國缺乏一套專門的人工智能（AI）戰爭的理論。這導致了在戰爭的作戰層面上缺乏對人工智能影響的討論。人工智能的定義通常采用技術視角，不考慮對作戰藝術的影響。提議的作戰藝術的新要素 "抓手（Grip）"解釋了人工智能和人類在兩個方面的基本關系：自主性和角色交換。“抓手”為人工智能戰爭的理論奠定了基礎，除了揭示改變任務指揮理論的必要性外，還提出了作戰的假設。美國空軍陸戰隊的發展以及由此產生的戰爭作戰水平（和作戰藝術）在歷史上有類似的案例，說明關鍵假設如何影響戰場的可視化。去除“人在回路中”的人工智能戰爭的假設，揭示了需要一種新的作戰藝術元素來安排部隊的時間、空間和目的，此外，美國陸軍任務指揮理論需要調整，以使指揮官能夠在各種形式的控制之間移動。

簡介

“機器人和人工智能可以從根本上改變戰爭的性質......誰先到達那里，誰就能主宰戰場。”- 美國陸軍部長馬克-埃斯佩爾博士，2018年

預計人工智能（AI）將極大地改變21世紀的戰爭特征。人工智能的潛在應用只受到想象力和公共政策的限制。人工智能擁有縮短決策周期的潛力，超過了人類的理論極限。人工智能也有望執行人類、機器和混合編隊的指揮和控制功能。人工智能在自主武器系統（AWS）中的潛力同樣是無限的：分布式制造、蜂群和小型化的先進傳感器為未來的指揮官創造了大量的配置變化。與圍繞人工智能的技術、倫理和概念問題相關的無數問題，為如何將這項技術整合到戰爭的戰術層面上蒙上了陰影。現代軍隊幾個世紀以來一直在為正確整合進化（和革命）的技術進步而奮斗。美國內戰期間的鐵路技術對 "鐵路頭 "軍隊和格蘭特將軍在維克斯堡戰役中的勝利都有貢獻。25年后，法國人忽視了普魯士的鐵路試驗，給第三帝國帶來了危險，同時也沒能把握住小口徑步槍的優勢。卡爾-馮-克勞塞維茨在《論戰爭》中指出，每個時代都有自己的戰爭和先入為主的觀念。本專著將探討當前的先入為主的觀念和人工智能在戰爭的操作層面的出現。

對作戰層面的討論側重于作戰藝術，以及指揮官和他們的參謀人員如何通過整合目的、方式和手段，以及在時間、空間和目的上安排部隊來發展戰役。在作戰藝術中缺乏以人工智能為主題的討論，增加了不適當地部署裝備和以不充分的理論進行戰斗的風險；實質上是在邦聯的火車上與追兵作戰。美國的政策文件和技術路線圖主要集中在能力發展和道德影響上，而沒有描述一個有凝聚力的人工智能戰爭的理論。但美國和中國在自主行動方面的實驗趨于一致；這引起了沖突的可能性，其特點是越來越多的被授權的人工智能和AWS沒有得到實際理論框架的支持。這個問題導致了幾個問題。美國軍隊的人工智能戰爭理論是什么？大國競爭者的人工智能戰爭理論是什么？有哪些關于顛覆性技術的歷史案例？理論應該如何改變以解釋顛覆性技術？

本專著旨在回答上述問題。它還提出了兩個概念，以使指揮官能夠在戰場上可視化和運用人工智能；一個被暫時稱為 "抓手"的作戰藝術的新元素和一個任務指揮理論的延伸。該論點將分三個主要部分進行闡述。第一節（理論）將證明人工智能需要一個認知工具來在時間、空間和目的上安排部隊，方法是：綜合美國的人工智能戰爭理論，描述中國的人工智能戰爭理論，以及揭示當前文獻中的“抓手”理論。第二節（歷史）是對1973年為應對技術轉變而從主動防御演變而來的空地戰（ALB）的案例研究。第二節將重點討論戰場維度的思想、任務指揮理論的演變以及相關的作戰藝術的正式出現。第三節（新興理論）提出了作戰藝術的新要素，作為一種認知工具，幫助指揮官和參謀部將21世紀的戰場可視化。第三節將把以前的章節整合成一個有凝聚力的模型，讓指揮官和參謀部在時間、空間和目的方面可視化他們與AI和AWS的關系。第三節還將提供一個任務指揮理論的建議擴展，以說明人機互動的情況。

主要研究成果

人工智能的復雜性導致了正式的戰爭理論的缺乏；然而，在美國的政策和發展文件中存在著一個初步的美國人工智能戰爭理論。人工智能戰爭理論必須解釋人類和人工智能之間的關系，這樣才能完整。通過作戰藝術和任務指揮的視角來看待人工智能，揭示了自主性和角色互換的兩個頻譜，通過不同的組合創造了人工智能戰爭理論的維度。這些維度，或者說掌握的形式，代表了作戰藝術的一個新元素。同樣，需要將任務指揮理論擴展到一個過程-產出模型中，以實現掌握形式之間的移動。

方法論

綜合美國目前的人工智能政策和AWS的發展路線圖，提供了一幅戰略領導人如何看待人工智能的圖景，允許發展一個暫定的戰爭理論。由于缺乏關于武器化人工智能的歷史數據，政策和發展路線圖是必需的，因此本專著中提出的理論是由提煉出來的概念產生的。由于中國的工業和技術基礎的規模，中國被選為對抗模式，預計在10到15年內，中國將超越俄羅斯成為美國最大的戰略競爭對手。

圖文并茂的案例研究方法將被用來分析主動防御和空地戰之間的過渡。該案例研究將整合技術、政策和戰爭理論，以喚起人們對多域作戰（MDO）和人工智能在21世紀戰爭中作用的疑問。第二節的批判性分析側重于理論的發展，而不是其應用。第二節的詳細程度是有限制的，因為它仍然是一個更大（和有限）整體的一部分，因此重點應繼續揭示戰場可視化和認知輔助工具之間的聯系。第三節通過作戰藝術的新元素和任務指揮理論的調整來回答每一節中發現的問題，從而將前幾節連接起來。人工智能缺乏歷史，考慮到人們不能直接分析以前的沖突，以獲得教訓或原則。在這種情況下，任務指揮理論提供了一種間接的方法來理解使人類能夠集中式和分布式指揮和控制功能的機制，以及為什么人工智能缺乏相應的機制會抑制我們感知機會的能力。第三節將把美國現行政策和路線圖中的幾個抓手成分匯總到任務指揮理論提供的框架中。

范圍和限制

本專著存在于美國陸軍多域作戰概念的框架內，其理解是解決方案是聯合性質的，因為 "陸軍不能單獨解決問題，概念發展必須在整個聯合部隊中保持一致，清晰的語言很重要。"本專著不能被理解為對MDO中提出的問題的單一解決方案，而是一種幫助實現戰斗力聚合的方法。

關于人工智能的討論充滿了倫理、法律和道德方面的考慮，本專著不會涉及這些方面。本專論的假設是，人工智能的軍事用途在政治上仍然是可行的，而且 "戰略前提 "允許該技術的軍事應用走向成熟。由于運用的變化幾乎是無限的，人工智能的戰術實施將不會被詳細討論，而重點是在作戰層面上的概念整合。一般能力將被限制在與作戰藝術和作戰過程有關的具體趨勢上。

"戰術包括三個相互關聯的方面：完成任務的創新和靈活的手段，在面對有思想和適應性強的敵人時，在不確定的條件下進行決策，以及了解戰斗對士兵的影響。” - 美國陸軍理論出版物（ADP）3-90《進攻與防御》。

《戰術藝術》是陸軍戰術部(DTAC)的一個系列，專注于旅級到軍團級的作戰。本書的讀者是規劃和執行地面作戰行動的戰地級軍官。這本《戰術藝術》第一卷的標題是《大規模作戰行動：師級作戰》。各個章節由DTAC的教員撰寫，然后由戰術系內部或外部的主題專家進行同行評審。未來的章節將有不同的主題，但都將以聯合武器作戰為基礎。

在過去的20年里，對手密切關注著美國陸軍從關注常規的聯合武器機動訓練轉向執行穩定和反叛亂（COIN）行動，主要是在美國中央司令部（CENTCOM）的行動區域。當美國陸軍正在適應這種作戰環境時，對手進行了研究了，并發展了對抗美國認為理所當然的常規作戰優勢能力。美國陸軍決定，為了應對新出現的威脅，它需要一個更新的作戰理論，利用現有的技術、部隊結構和能力。

2017年10月，美國陸軍出版了其頂點理論手冊的新版本，即《作戰手冊》（FM）3-0。這一新理論將作戰重點回歸到針對同行威脅的大規模作戰行動（LSCO），并在作戰框架中增加了鞏固區。隨著這一新理論的出現，需要將陸軍的文化從對穩定和反叛亂行動的關注轉移到重新學習進行LSCO所需的技能上。在整個陸軍中灌輸這種變化的需要造就了像本書這樣的專業著作。

本書有幾個目的。首先，它將有助于向目標受眾介紹從穩定行動到LSCO的過渡。第二，它將幫助讀者了解該師在擴展的戰場上與同行威脅的斗爭。第三，它將促進和支持陸軍戰術部（DTAC）教員的專業發展。

本簡編分為十八個獨立的章節。每一章由不同的作者撰寫，風格和重點各不相同。有的使用歷史小故事來更好地理解讀者，有的則使用圖形或引文；所有的內容都集中在師在大規模作戰行動中如何作戰。

第1章 "師建制的演變"討論了師部在大規模作戰行動中作為戰術總部的主要作用，以及師如何為下屬各旅制定行動，為各旅執行任務提供資源，并在時間、空間和目的方面對行動進行協調、同步和排序。

第2章，"大規模作戰行動：重新學習一個舊概念"，描述了有限應急行動和大規模作戰行動之間的特征差異，并研究了一個歷史案例，其中大規模作戰行動的特征表現出來。

第3章 "安全區行動"討論了與大規模作戰行動有關的安全區行動，并提出了潛在的近期和遠期解決方案，以應對在這一有爭議地區的威脅力量。

第4章，"行動框架：啟用節奏和決策"，描述了師長如何使用作戰框架來劃分責任區，以及解釋不同活動的目的、資源分配，以及在時間、空間和目的上會發生什么活動。

第5章，"師部鞏固戰果"，重點介紹了當前陸軍師在大規模作戰行動后鞏固戰果的理論，以及利用支援區指揮所作為一種手段，將各種必要的戰術任務同步化，以協助師部鞏固戰果。

第6章，"師級情報：深入觀察以贏得近距離"，闡述了對師和師長的情報支持的背景和觀點。它討論了情報部門在復興師部中的作用，作為理解情報部門如何支持師長和下屬旅戰斗隊的起點。

第7章，"師級大規模作戰行動中的火力支援：將重點從以反叛亂為中心的火力轉移"，分析了當前美國陸軍野戰炮兵的結構、理論、訓練和人員配置。它比較和對比了1942年的戰斗和現在的相似之處，特別關注大規模作戰行動中師級行動的火力作戰功能。

第8章，"師級的信息作戰"，根據新版FM3-0定義的統一陸軍作戰概念討論了信息作戰的開展，特別關注了師級梯隊。它討論了師作為最低的戰術梯隊，擁有足夠強大的人員和部隊結構來運用信息作戰的所有方面。

第9章，"美國陸軍航空兵--在大規模作戰行動中設置條件和創造效果"，討論了陸軍航空兵作為聯合軍種機動的重要組成部分，必須了解如何在大規模作戰行動中應用、整合和同步陸軍航空兵的能力。它解釋了向FM3-0《作戰》的過渡如何必須在陸軍指揮旅的決定性行動的主要戰術總部--師中最普遍地進行。

第10章，“大規模作戰行動的回歸：渡河行動”，根據新的 FM 3-0《作戰》和對大規模作戰行動的關注，重新審視了執行渡河任務的持久任務要求的理論。以二戰為例，它討論了為領導者準備執行這項艱巨任務的培訓。

第11章，"工兵對大規模防御行動的支持"，通過對FM3-0《作戰》中最新理論的研究和歷史實例的使用，解釋了工兵組織的獨特能力如何支持大規模作戰行動的防御行動。

第12章，"進攻中的機動作戰"，通過使用一個歷史小故事來研究FM3-0《作戰》中的新理論。本章討論了進攻中的機動性行動，并提供了指揮官和參謀人員在規劃和執行這些行動時在師及以上級別的考慮。

第13章，"過渡：適應師級大規模作戰中的變化"，重點討論了與開展大規模作戰行動的師有關的變化。它既研究了從進攻性作戰行動向防御性作戰行動的過渡，也研究了從防御性作戰行動向進攻性作戰行動的過渡。

第14章，"與死神共存：大規模戰斗中的傷亡和后果"，承認不可避免地有可能發生大量的傷亡和難以想象的不舒服的后果，特別是在大規模戰斗行動的高強度混亂中。在為戰爭做準備時，我們有明確的義務為最壞的情況做準備。

第15章，"控制混亂：反思任務指揮"，是關于在大規模作戰行動中指揮師和軍團。其目的是幫助指揮官和參謀人員思考如何指揮和控制這些編隊與有能力的近似競爭對手作戰。

第16章 "任務指揮與師團作戰 "討論了任務指揮的理念及其在大規模作戰行動中的作用。本章的第一部分探討了任務指揮。第二部分提供了對任務指揮如何被納入大規模作戰行動的理解，同時研究了主動性的理念。

第17章，"大規模作戰行動中的互操作性"，用當前的理論術語描述了互操作性，闡明了互操作性的摩擦點，然后簡要地討論了互操作性的層次。讀者將了解到陸軍作為聯合部隊的一部分，是如何對待互操作性的。

第18章，"城市地形中的師級戰斗"，解釋了在城市環境中進行大規模作戰行動的師如何履行與在任何其他地形中執行的師相同的職能。然而，這些功能的不同取決于三個變量：城市地形的尺寸、城市地形的密度以及城市地形的高階效應。

在未來的軍事行動中，通過協調多智能體系統（MAS）來實施戰略機動以獲得對對手的優勢，是一個很重要的途徑。最近探索MAS協作的工作主要集中在識別、分類、驗證、實施，以及通過多智能體強化學習（RL）來研究新興的協作方式。強化學習方法可以通過探索和利用選定行動來響應特定環境中的突發行為，這有可能抑制對抗性協作，反過來又可以為各種情報、監視、目標獲取和偵察任務提供機會窗口。本報告簡要介紹了RL領域的突出工作及其在自主戰略機動協作式MAS中的潛在應用。

1 引言

美國陸軍現代化激增是由對手在多個領域（如陸地、海洋、空中、網絡、電磁和空間）對美國構成的威脅所推動的，這對美國利益的威脅超出了常規戰爭。預計未來的戰斗將在這些復雜的多領域環境中進行，人工智能（AI）將指導與人類士兵一起協同工作的機器人Agent的戰術、技術和過程（TTPs）。這些機器人將聚集在一起，形成智能多Agent團隊，與人類士兵有效協作，完成任務。

美國陸軍作戰能力發展司令部（DEVCOM）陸軍研究實驗室（ARL）的基本研究計劃（ERPs）構建了開發和實施智能多Agent系統（MAS）的具體計劃路徑。此類陸軍計劃為美國國防行動提供了關鍵研究問題的答案，這些問題匯聚在一起，指明陸軍未來司令部的現代化努力方向。人工智能用于自主機動性（AIMM）和新興超限技術（EOT）是ERP的例子，明確側重于使下一代戰車具有自主感知、學習、推理、規劃和機動能力。這些未來的自主系統將與人類智能體合作進行預測和規劃，并通過戰場上的自主機動（AIMM）和保護（EOT）向士兵提供支持。本報告重點關注需要進行的自主協作，以使多智能體系統（即人類、智能體或人類和智能體混合）在未來的軍事行動中取得成功。

集成和協調的MAS將需要技術的進步，重點是超越我們目前的能力，以有效地對付同等裝備的對手（同行或接近同行）的協作戰略機動性。一個直接的挑戰是開發能夠以良好協調方式自主和智能地工作的智能體團隊。這種能力要求智能體在執行關鍵任務時與士兵一起觀察、定位、決定和行動（OODA-Loop）。雖然新的努力促進了對多智能體范式中情報的一般理解，但目前對情報的解釋并不明確。最近的文獻表明，基于強化學習（RL）的方法可能為實現這種技術進步提供了一條可行的途徑，本文介紹的一系列工作就是證明。

在本報告中，介紹了RL領域的貢獻，以及它們在軍事環境中的潛在應用--特別是通過戰略編隊機動來抑制對手的協作，以實現戰場上的超越。最小化、限制或完全抑制對抗性多Agent行為中的協作是探索和執行在模擬情況下通過RL實驗得出戰略機動的一種手段。此外，協作的戰略機動可以通過各種RL方法學習，以告知防御部隊創造機會或優勢窗口的潛在途徑。

為了在模擬環境中通過戰略機動的RL方法實現MAS協作，我們首先介紹了近年來一些最突出的RL研究。最近在RL領域的進展（如alphago）促進了更復雜的多智能體強化學習（MARL）算法在現實世界應用。此外，近年來也有一些框架來實現多智能體協作。這些努力加在一起，可以為開發和實施多機器人協作提供一條道路，以便在為未來戰場設計的多機器人系統中實現戰略機動。

在下面的章節中，對近年來突出的RL方法進行了分類和概述，并表明這些方法與DEVCOM陸軍研究實驗室目前的研究和開發項目相一致。具體來說，本報告的重點是確定戰略機動的特定算法的優勢和劣勢。此外，對選定的RL方法類別進行了分類，以深入了解戰略機動的潛在實施，并考慮到情報、監視、目標獲取和偵察（ISTAR）任務。

2. 多域作戰中多智能體系統的戰略機動

簡單地說，戰略機動可以解釋為一組智能體協調他們的行動，通過戰勝對手來實現一個共同的目標。破壞，是戰略機動的一個特例，可以表示為對對手協作戰略機動的抑制。因此，戰略機動一詞的使用意味著至少存在兩個對立的或敵對的雙方，他們處于動態的斗爭中，通過限制、抑制或以其他方式破壞對手的協調或戰術，并強加自己的協作戰術來獲得對對方的優勢。

在本節中，提供了一個對抗性的交戰場景，其核心是使用選定的遠程資產，這些資產本質上破壞了友好部隊的交戰。圖1顯示了一個圖例，描述了與所述多域作戰（MDO）情景相關的選定資產和部隊的軍事符號學。根據MDO理論，在武裝沖突中，對手的遠程反介入和區域拒止（A2AD）火力系統可以被用來拒絕友軍在戰區的機動自由（見圖1）。這是通過將情報、監視和偵察（ISR）資產與致命性和非致命性火力相結合來實現的，以攻擊戰略和行動支持區的友軍指揮結構、維持能力和部隊編隊。這些地區是近距離地區作戰資產（如部隊和裝備）的傳統集結地（見圖2）。對手有能力在友軍后方深處識別和攻擊目標，導致這些實體在地理上與戰術支持區和近距離區分離，這有效地提高了友軍的損耗率，即所謂的對峙。鑒于前線部隊與戰略和作戰機動支援相分離，敵對勢力可以利用這種友軍孤立無援的情況，將其消滅。

圖1 友軍（BLUEFOR，左）和敵軍（OPFOR，右）部隊的資產和資源。在所描述的MDO情景中，假設BLUEFOR和OPFOR的所有資產都是自主化的編隊。

圖2 敵軍（OPFOR）使用遠程導彈和火箭炮干擾或破壞友軍（BLUEFOR）戰略支援區的維持行動，這使得友軍無法以有利的條件與近距離地區的敵軍機動部隊交戰。為了應對這一戰略，BLUEFOR執行反擊任務，以摧毀位于深火區的OPFOR遠程火力系統（藍色箭頭）。從深層機動區的BLUEFOR SOF發出的三叉箭頭代表了一種 "破壞 "戰術，它打破了對手的隊形和節奏。

圖3 壓制（S）或解除（N）敵方遠程火力系統和ISR資產，使友軍能夠穿透敵方的A2AD保護傘。這使友軍能夠在近距離地區擊敗敵人，并使機動指揮官有能力利用他們的成功，迅速將部隊轉移到深度機動區，摧毀（D）脆弱的敵方資產并追擊撤退的敵軍。F表示 "固定"，可有效減緩敵軍的行動。粗箭頭代表部隊移動的方向。

MDO理論規定了擊敗對手A2AD能力的計劃（即對峙），以便戰略和作戰機動能夠使前沿部署的友軍以有利的條件與對手交戰（即穿透和瓦解A2AD系統以利用機動自由）。在這里，我們只關注友軍（BLUEFOR）野戰軍和軍團與敵方A2AD系統交戰時的滲透和瓦解部分，這可能需要在未來的戰斗中使用自主MAS。此外，據推測，圖1中友軍（BLUEFOR）和敵軍（OPFOR）的所有符號都將包含自主化的編隊（例如，機器人戰車、自動瞄準系統、地面和空中的機器人ISR資產）。圖2和圖3分別顯示了利用這種符號學與自主化編隊進行戰略機動的情景圖。

如圖2所示，敵對的A2AD火力系統通過攻擊戰略和作戰支持區來創造對峙局面。友軍火力和防空部隊從太空和高空監視（未顯示）接收有針對性的情報，在狹窄的時間窗口內打擊高價值目標（即多管火箭系統[MLRS]），以減少對手的位置調整。除了監視之外，還可以采用戰略刺激--打擊來穿透和瓦解對手的遠程火力系統。

在ISTAR任務中，MARL可以通過利用敵軍理論和敵軍行動中的局部觀察，戰略性地照亮和跟蹤敵軍目標的位置。此外，經過MARL訓練的具有自主能力的編隊，結合高度機動和分散的空中和地面火力，可以開始壓倒對手的遠程防空。友軍可以利用經過訓練的MARL方法來利用對手的TTP，進行防空和地面火力的戰略機動。這些具有自主能力的編隊根據從戰略空基刺激收集的監視數據選擇地理位置。隨著對手的遠程火力系統被消滅，戰略和作戰支援部隊能夠向前方的作戰部隊推進（機動）（見圖2）。

敵軍利用ISR資產識別作戰支援區的友軍資產，并從作戰縱深火力區用遠程火力系統（即多管火箭炮）攻擊友軍。這些敵方火力擾亂了友軍在該地區進行傳統支援行動的能力，這反過來又導致這些活動在離部隊前線更遠的地方進行。這通過擴大戰場和緊張的補給線而造成地理上的對峙。此外，這還允許敵方機動部隊以有利于敵方既成事實的條件與近距離地區的友軍作戰。根據MDO的理論，為了消除對峙，友軍的炮兵系統必須在敵軍的火力和ISR資產部署之前識別、交戰并摧毀它們。友軍SOF通過破壞補給和指揮與控制（C2）節點以及為聯合火力提供目標數據來協助這項工作。這在敵人的A2AD保護中創造了缺口，可以被機動指揮官所利用。在這種覆蓋下，友軍機動部隊穿透并利用近距離和深層機動區域的缺口。

在作戰區，近距離和縱深地區的聯合部隊的戰略編隊可能是自主啟用的編隊（即MAS），利用MARL訓練的策略來利用對手的TTP（來自理論）、本地觀察和ISR收集的信息。如圖2所示，聯合部隊將協調其ISR和遠程精確火力的能力，為前沿部署的BLUEFOR部隊提供支持。在戰略和作戰單位的支持下，擁有自主能力的前線部隊可以在近距離和縱深地區進行協調，以分離和擊敗敵方資產。這將促進消滅敵對的前沿機動部隊（OPFOR），使遠程火力系統容易受到地面攻擊（瓦解），如圖2所示。

聯合火力（即友軍或BLUEFOR）壓制或消滅對手的遠程火力系統，使友軍機動部隊能夠進入并擊敗近距離區域的作戰部隊（見圖3）。然后，友軍機動部隊利用這一優勢，在深度機動區（見圖3中的D區）摧毀敵方的助推器。這將導致剩余的敵對機動編隊從近距離區域撤出，并在深層機動區域建立一個新的戰線。這個過程不斷重復，直到達到戰略目標或打敗OPFOR。這些協調活動在理論上可以通過人類士兵和自主多智能體系統之間的合作來實現。此外，鑒于目前正在積極研究開發和部署這種自主系統，預計未來的戰場將需要考慮像這樣的場景來規劃戰略機動。

本節提供了一個可以應用MARL方法訓練自主化編隊的場景；然而，在這種復雜的MDO環境中執行的具體RL方法還沒有經過測試，或者可能還不存在。下一節闡明了與利用RL方法為未來的MDO交戰訓練MAS有關的一些挑戰。

3 挑戰

在這項工作中，我們將重點聚焦到可以指導MAS克服與軍事防御MDO中戰略機動相關挑戰的RL方法。從技術上講，RL是機器學習（ML）的一個分支，它超越了從數據中建立精確的預測，通過在環境中產生行動來展示學習。這種學習的展示可以被認為是一種決策形式，但更準確的描述是通過狀態空間探索進行戰略行動選擇。

RL智能體在獎勵函數的基礎上進行學習（或訓練），最終確定在當前情況下（即該智能體在環境中的狀態），哪一個是智能體要選擇的最佳行動。例如，RL智能體可以與環境互動，產生與獎勵掛鉤的經驗，這將形成學習的策略（即一系列的狀態-行動對）。然而，在后面的章節中強調，目前的RL方法可能還不夠成熟，無法克服與人類類似的適應性相關的挑戰，以便在新情況或環境中進行智能決策。盡管RL算法有其缺點，但它們似乎是在軍事防御MDO中實現協調的MAS執行戰略機動的最有希望的途徑之一。

在多智能體任務中，協作通常是定義不清的，而且經常被用來表示一組智能體在某些合作任務領域中成功地執行了任務。在以前的工作中，開發并采用了各種新方法來測量執行合作任務時智能體行動之間的相互依賴性，以確認這些智能體事實上已經學會了協作。對協作的確認是確定MAS有能力與其伙伴合作的先決條件，而不是簡單地采取導致某種程度的優化行動。雖然在某些情況下，最佳行為可能是可取的，但如果任務以某種不可預見的方式發生了變化，一個簡單的最佳行為的智能體可能會在戰場上導致災難性的損失。因此，未來防御行動的MAS必須具有明確協作的能力。

在本節的其余部分，描述了與開發戰略機動MAS有關的一些挑戰，其中時間尺度、能力和局部目標可能有很大的不同（例如，MDO），但需要某種程度的協作。此外，假設更大程度的靈活協作可以促進任務執行的改進（例如，更快、更少的損失、非直觀的策略、有效處理不斷變化的能力/團隊組成）。

隨著環境在動態戰場上的變化，敵對雙方（至少）可能需要重復規劃和預測，以便1）跟上，或2）領先于對手的規劃和預測。經過RL訓練的MAS能夠學習這種動態的規劃和預測循環。另外，如果學習智能體建立了一個關于對手協作行動的適當模型，然后采取行動破壞這種協作，也可以實現這一目標。

在一個理想的情況下，一個被選來指導MAS行為的算法將學會處理環境、對手戰術和能力、自身能力（獲得新的能力或失去以前的能力）、團隊組成（例如，改變合作者）和局部目標的變化。然而，大多數最先進的（sota）方法受到經驗的限制（正如許多RL方法的情況一樣）。此外，在大多數模擬中，團隊的能力和組成通常是固定的，不能為算法提供足夠的數據來操作和處理任何上述的特征變化。因此，在選擇一種算法來指導旨在產生戰略機動的MAS的行為時，必須考慮新的或動態的事件、行為、資產和實體。

總之，目前的算法方法在復雜的軍事防御MDO環境中沒有達到所需的能力。目前的缺點可以分為三類。1）數據要求，由于情況的新穎性，數據是有限的，數據集不足以產生準確的預測，或者數據以某種方式被污染（例如，嘈雜、臟亂或對手的改變），2）有限的計算資源，以及3）算法不能泛化到訓練期間遇到的情況之外（例如，不同的目標、改變的能力或修改的團隊組成），導致狹隘或脆弱的MAS解決方案。

在下一節中，我們將更詳細地討論RL的缺點，以闡明如何克服這些問題，為軍事防御MDO環境提供解決方案。為此，我們介紹了現有的RL算法的分類法。這一努力應提供對有前途的RL技術更好的洞察力，這可能有助于確定最終應用于美國國防MDO的可行途徑。

4. RL技術和方法

學習算法的可擴展性是MDO中軍事任務的主要關注點之一，特別是因為這種任務可能需要大量的智能體來完成一個目標。此外，軍事任務可能涉及多個子任務，每個子任務都有自己的子目標，從而進一步復雜化了場景。在MDO中，預計一個子目標由無數復雜的戰略演習組成，這需要MAS的快速計算，以及使用最小計算資源（如在戰術邊緣計算）的最佳（或至少足夠）戰略。因此，一個可擴展的RL算法必須考慮到：1）環境和任務的復雜性；2）智能體（伙伴和對手）的數量，以便每個智能體能夠在通過RL學習過程中收集經驗時正確選擇行動。

環境復雜性（即智能體的狀態和行動空間的大小）可以指環境的狀態空間中可用的狀態數量，以及該環境中智能體可用的行動方案數量。RL算法的可擴展性是指在足夠復雜的狀態和行動空間中，在合理的時間和計算能力內計算最優策略的能力。環境的復雜性還包括納入額外的智能體（例如，擴展到MAS），其中狀態空間被放大以考慮到額外的智能體，而行動空間的大小被乘以該之智能體的數量。

通過使用狀態-動作對的表格來解決RL的可擴展性問題是不實際的，因為連續的領域會使表格無法維持，而且在合理的時間內同時更新所有智能體的表格條目是不可行的。即使有足夠大的計算資源（如過多的計算機內存）來包含所有的狀態，在每個狀態-動作對之間的學習也會太慢。與利用表格跟蹤狀態-動作對相反，一個解決方案是使用非參數函數近似器（例如，權重為參數的深度神經網絡）來近似整個狀態空間的值。然而，函數近似器必須是可微分的，這樣就可以計算出一個梯度，以提供參數調整的方向。

有兩種方法來訓練值函數近似器：1）增量方法和2）批量方法。增量方法使用隨機梯度，在梯度方向上調整近似器的參數，使估計值和目標值之間的誤差最小。然而，增量方法的樣本效率不高，因此不具備可擴展性。相比之下，批量處理方法從一組經驗中保存數據，并使用它們來計算函數近似值估計和目標值之間的誤差。批量方法與傳統的監督學習有共同之處，即結果是已知的（例如，數據被標記），計算近似值的估計值和實際結果值之間的誤差。這種類型的批量學習通常被稱為經驗重放。重復這個過程將導致最小平方誤差的解決方案。最近一個成功的經驗重放的例子是用深度Q網絡（DQN）玩雅達利游戲演示的。盡管函數近似法在復雜的環境中顯示出了成功，但如果不考慮額外智能體的加入（即非平穩性或部分可觀察性），單靠這種方法不太可能足以訓練出MDO場景的MAS。

與價值函數近似法相比，策略學習方法依靠策略梯度（PG）的計算來明確優化策略，而不是間接依靠價值函數。與函數近似方法相比，PG具有更好的收斂特性。PG方法比價值近似方法更受歡迎的主要原因是它們能夠在高維和連續的行動空間中有效（即在復雜環境中可擴展）。在蒙特卡洛（MC）策略梯度（例如REINFORCE算法）中，實際回報（選擇行動）與一個分數函數相乘，以計算梯度。該梯度被用于策略調整（通過改變參數值）以找到最大的回報行動。MC策略梯度具有高方差，收斂速度慢，因為它使用智能體的狀態-行動對在不同時間的整個軌跡來獲得一個返回值。另一種可能超越傳統函數近似方法缺點的解決方案是利用 "演員評論"方法。

在演員-評論家方法中，PG方程被修改為使用價值函數的近似值，而不是使用真實的行動-價值函數乘以分數（如REINFORCE算法）。這表明行為者按照評論者所指向的方向調整策略，以便使總的累積獎勵能夠達到最大。評論者的這一策略評估步驟可以通過使用組合值近似方法（即MC、時差-TD（0）和TD（λ））來完成。為了減少策略梯度的差異，可以使用一個優勢函數。優勢函數告訴我們，與一般的狀態值函數相比，一個行動比另一個行動（Q值）好多少。這意味著評論者必須估計Q值。一個有效的方法是使用TD-error，它是優勢函數的無偏樣本，評論者對一組參數進行近似。TD(λ)資格跟蹤也可用于評論者估計不同時間步長的值。有趣的是，MC（高方差）和TD方法可以與行為人一起使用，隨著時間的推移（即收集的經驗）修改策略。

由于MDO涉及軍事任務，RL算法必須有能力與許多其他智能體協調，以實現最佳的戰略機動，因此MAS的算法必須能夠與大量的智能體和異質資產一起擴展。算法的另一個重要能力是處理復雜狀態空間（即許多智能體）和多領域環境的大量觀察能力。在接下來的章節中，我們將討論在MDO中使用不同種類的RL算法對戰略機動的影響。

無模型算法可分為非策略性和策略性算法，其中狀態行動空間可以是連續的或離散的。在這一節中，討論了無模型算法的優勢和劣勢，以及它們如何與戰略機動相一致，從而實現MDO的目標。這一分析的目的是為尋找在MDO環境中實現戰略機動性的潛在算法方法提供方向。

4.1 深度Q網絡（DQN）

深度Q網絡（DQN）是一種單一的RL智能體算法，它被訓練用來玩行動空間離散、狀態空間連續的Atari 2600游戲。DQN使用一個用Q-learning訓練的卷積神經網絡，從高維輸入（連續圖像）中學習。

DQN算法是一種有效的樣本方法，因為它利用所有收集到的經驗來提取盡可能多的信息。DQN足夠強大，可以使用相同的超參數進行訓練，玩六種不同的Atari游戲，其中智能體在其中三個游戲中的表現比人類專家更好。

然而，DQN的一個缺點是，在理論上不能保證訓練好的神經網絡實現穩定的Q值預測（即在不同的獨立模型中，訓練好的策略可能會有很大的差異）。

鑒于DQN本質上是一個單一的RL智能體模型，它應該不足以在MDO中進行戰略機動。在MDO中，多智能體RL算法可能更適合，因為智能體在執行時間內典型的分散化，允許智能體彼此獨立運作。此外，DQN的原始實現只利用了四個觀察序列來學習Q值，這對于MDO中的戰略機動來說是不夠的。多個資產的戰略機動通常不能在如此短的時間間隔內被捕獲。事實上，這是DQN在評估的三個Atari游戲（即Q*bert、Seaquest和Space Invaders）中與人類相比表現不好的主要原因。然而，存在一些DQN的變體來解決這個問題和其他弱點。

Bootstrap DQN就是這樣一個變體，它學習了一個Q網絡的集合，以提高采樣效率，并克服了傳統DQN的不足之處。行動消除是另一種與DQN一起使用的方法，以解決大的行動空間。帶有記憶類型的DQN（即循環神經網絡）也可以用來處理部分可觀察性。如果一個智能體需要為完成任務而導航環境，這種方法就特別有用。另外，分布式DQN返回一個分布信息，可用于評估策略風險和減少最佳解決方案周圍的方差或噪音。

盡管DQN及其修改后的變體在處理比簡單的Atari游戲更復雜的任務方面很有前途，但DQN方法本質上缺乏一個多智能體預測機制來進行協作戰術，而這是MDO中戰略機動的需要。此外，DQN在大多數情況下計算量太大，無法用于軍事相關環境。最后，DQN算法方法對未見過的例子（例如，伙伴的新行為或環境中出現的實體/障礙）缺乏足夠的適應性。

4.2 深度確定性策略梯度（DDPG）

在現實世界中，大多數常規任務涉及連續狀態和行動空間。然而，DQN只考慮離散的狀態空間和低維的行動空間。處理連續狀態和行動空間的DQN的另一種方法是深度確定型策略梯度（DDPG）方法。DDPG通過結合價值函數近似和確定性策略梯度（DPG），推進了DQN方法的進展。DDPG利用行為批判的方法，可以克服連續空間的復雜性。這種無模式、非策略預測和控制算法可以執行物理控制任務（如車桿、靈巧的操縱、腿部運動或汽車駕駛）。

另一種使用深度神經網絡的方法是信任區域策略優化（TRPO）。這種方法直接構建一個隨機策略，而不需要演員-評論者模型（不要與環境模型混淆，這將使其成為一種基于模型的方法）。與TRPO類似，引導式策略搜索（GPS）不需要角色評論模型，而是使用軌跡引導的監督式策略學習以及一些額外的技術（例如，減少視覺特征的維度，在網絡的第一層增加機器人配置動態的信息）。因此，GPS的數據效率很高，如果需要的話，可以改編成DDPG。另一方面，PILCO首先學習一個概率模型，然后找到一個最佳策略。PILCO在某些問題領域具有很高的數據效率；然而，它的計算量很大。此外，D4PG對DDPG算法提出了一些改進：分布式評論者更新、分布式并行演員、N步返回和經驗重放的優先級，以實現對不同類別任務的更穩定和更好的解決方案。

從戰略機動的角度來看，DDPG算法的主要缺點是它被設計成一個完全分散的單一智能體算法（即獨立學習者）。因此，DDPG算法不便于在多智能體場景中進行協作。因此，使用DDPG所產生的戰略機動將不會產生協作的團隊行為。此外，DDPG不具備處理基于角色的多目標任務的能力，而這是軍事行動中戰略機動的要求。

4.3 多智能體深度確定性策略梯度（MADDPG）

RL智能體互動對于戰略機動的人工智能系統至關重要，不同的智能體可能需要組成團隊來抑制對手的戰略合作或抑制對手的協調。Q-Learning和PG方法分別受到非平穩性和高方差的影響。為了克服這些問題，多智能體深度確定性策略梯度（MADDPG）算法擴展了一個演員評論家方法，這使得它可以通過集中智能體訓練而對多智能體系統發揮作用。MADDPG框架采用集中式評論家家進行訓練，并在測試期間部署分散的演員。一個評論者（每個智能體都有一個）接收每個智能體的策略，這允許開發具有潛在不同獎勵功能的依賴性策略（例如，MADDPG允許訓練具有相反獎勵功能的對抗性團隊）。相反，演員（即策略網絡）在訓練和測試期間只擁有本地知識。演員（通過訓練）在與評論者評價一致的方向上反復改進策略。

MADDPG的一個主要弱點是，對Q函數的輸入隨著環境中智能體數量的增加而增加（不可擴展）。這給MDO中的戰略機動性帶來了問題。如果智能體需要被替換、添加、修改或移除，可能需要進行再訓練。在戰略機動中，智能體可能需要定期轉換角色或改變能力，這對MADDPG適應軍事領域構成了重大挑戰。此外，頻繁的再訓練將使快速戰略機動變得不可能。縮短訓練時間將減少邊緣的計算負荷，使快速戰略機動成為可能。MADDPG不能適應這種極端情況。對于軍事應用，希望有一個強大的對手或智能體模型，以便使作戰時間最大化（即有足夠的時間來執行戰略機動）。

為解決其可擴展性問題，對MADDPG的一個潛在修改是形成智能體集群，為集群而不是每個智能體單獨學習一個策略。在發生新事件的情況下，可以推遲重新訓練的需要，因為從理論上講，一個智能體集群將有一套處理動態情況的可變能力。此外，這將避免隨著智能體的修改或新智能體的引入而增加Q函數的輸入空間。然而，問題來了。我們怎樣才能將一個任務分解成部分獨立的子任務，并使最優分組策略的退化程度最小？

雖然MADDPG可以形成一組異質的多智能體策略，能夠完成不同的任務，但這種方法不能很好地擴展到十幾個智能體。隨著智能體數量的增加，策略梯度的方差會呈指數級增長。因此，這種方法不太適合MDO中的戰略機動，在這種情況下，必須考慮到40多個異質智能體的對抗情況。克服這一可擴展性問題的方法是均值場多智能體RL算法，該算法計算鄰近智能體Q值的均值估計，當智能體之間的鄰近互動變得復雜時，可能導致高誤差率。此外，進化種群課程算法的設計是為了通過將遺傳算法方法與RL相結合，使MADDPG具有可擴展性。隨著MADDPG的進步和該方法所顯示的成功，可以想象這些算法的進步會導致在模擬實驗中對MDO內的戰略機動性進行強有力的演示。

與MADDPG不同的是，反事實多智能體（COMA）方法對所有智能體使用一個集中的評論家，但被設計用于離散的行動空間。COMA比MADDPG更具可擴展性，但它可能導致一套同質的策略，在智能體能力充分不同、局部目標不同或獎勵函數不同的情況下可能失敗。與MADDPG類似，Minmax多智能體DDPG（M3DDPG）比MADDPG的原始版本增加了一項改進，允許智能體制定更穩健的策略來對抗對手（即具有對立獎勵結構的競爭游戲）。然而，M3DDPG仍然無法處理異質智能體被引入系統的情況。

在具有連續狀態和行動空間的環境中實施算法，有時需要利用常見的技術來操作輸入或輸出，如離散化狀態和行動空間或將離散的策略輸出轉換為連續輸出。轉換策略輸出的一個例子是OpenAI多智能體粒子環境中MADDPG的實現。在這個例子中，離散的策略組件被用來計算連續的行動。從另一個角度來看，多智能體轉化器軟雙Q學習算法將連續行動空間離散為一組速度和角速度控制，然后可以在運動模型中使用。盡管這些技術允許在連續環境中使用這種算法，但這些算法方法沒有用連續信息進行訓練，這可能會限制它們在物理環境中進行戰略機動的功效。

4.4 價值為本

最近的一個基于價值的MARL算法系列在非常復雜的《星際爭霸2》模擬環境中被證明是相當成功的，其中根據智能體的本地Qa值學習了一個集中的聯合行動值Qtot。然后通過線性argmax算子從Qa中提取一個分散的策略。這種非常簡單而有效的分解方法避免了學習聯合行動值，而聯合行動值的規模并不大。如果增加新的智能體或用新的能力替換智能體，仍需進行再訓練。然而，與MADDPG相比，它更具有可擴展性，因為單個Q值僅從局部觀察中學習，避免了通過學習因子化的Qtot來學習聯合行動值。但是，當有超過40個智能體時，這個系列的算法的可擴展性可能會受到挑戰。為了使其更具可擴展性，已經提出了基于角色的算法RODE，其中智能體的角色是根據他們對環境的影響對他們的行動進行聚類來確定。該算法對于大量的智能體顯示了非常有希望的結果。

對于戰略機動，RODE算法是非常有前途的，因為各組智能體可以被分配到不同的角色，其中角色可以基于他們的行動和對環境的影響或任何其他固定的行為（對于盟友或甚至敵人）。然后，該算法可用于不同群體的戰略角色轉換。由于不同角色的行動空間受到限制，該算法收斂得非常快。這種算法也適合于基于角色的技術的戰略使用，這可能會在未來的工作中進行研究。即使RODE是非常可擴展的，我們也不清楚當新的智能體將被添加到環境中時如何調整它；需要學習一個集中的策略以實現最佳協作。

與RODE算法相比，一種可擴展的多智能體強化學習方法部署了一種熵-規則化的非策略方法來學習隨機價值函數策略，實驗表明它能夠擴展到1000多個智能體。如前所述，可擴展的RL算法關注環境的復雜性--系統或團隊中的智能體越多，狀態空間越大。RODE是有限的，因為它使用一個集中的策略，當更多的智能體被引入到環境中時必須重新訓練。多智能體轉化器軟雙Q學習算法是一種集中訓練的非策略學習算法（即共享一個中央經驗重放緩沖器），其執行是分布式的（即每個智能體根據其本地觀察做出自己的控制決定），而不是來自中央控制器。由于這種分布式的方案，當智能體被添加或從系統中移除時，團隊不受影響，繼續執行他們的策略。

在可擴展性方面，訓練大型MAS（即許多智能體）是很困難的，而且已經表明，即使是最先進的算法也不能為復雜的MARL任務學習到高性能的策略。多智能體變換器軟雙Q學習通過在訓練期間利用啟發式方法緩解了這一可擴展性問題，該方法允許在較小的智能體集合上訓練策略（例如，在目標追蹤場景中，四個智能體追蹤四個目標），并且該策略已被證明可以在執行中與更多的智能體一起工作而不需要任何調整（即用1000個智能體測試和評估）。訓練和執行過程中使用的啟發式方法使算法能夠解決智能體數量的巨大分布變化：它基本上將測試時的大型復雜觀察空間縮減為接近智能體策略最初訓練的內容。從軍事角度看，這種提法是戰略機動的理想選擇，因為現場的智能體可能會在原地丟失或獲得，可能要考慮額外的戰略信息。一個靈活和可擴展的算法提供了MDO中所需要的能力。

5. 洞察力和結論

由于一些因素，包括科技進步，美國的對手正在變得更加先進。在未來的MAS自主戰爭中，協作的戰略機動可以為國防軍帶來某些優勢。在這篇文章中，我們討論了一些最突出的RL算法，以發現訓練MAS的可行候選策略，這些MAS可以有效地進行戰略機動，從而在未來潛在的軍事行動中打開機會之窗。本文描述了RL方法的分類法，并對最突出的RL算法進行了概述。研究發現，由于訓練和測試因素的不同，大多數RL算法缺乏處理與未來潛在沖突相關的復雜性的能力。

DEVCOM ARL ERPs為開發和實施智能MAS提供了一個規劃性的路徑。鑒于陸軍研究項目為美國國防行動提供了關鍵研究問題的答案，AIMM和EOT ERPs特別促成了研究，可以為協作的自主MAS提供一個路徑，可以克服與1）環境，2）對手戰術和能力，3）自身能力（即，獲得新的能力，失去以前的能力，或能力被改變），4）團隊組成（例如，增加、刪除或交換隊友），5）戰略團隊定位、進入、導航（機動）以支持部隊并壓倒對手，以及6）任務目標。最近，AIMM和EOT ERP在這一領域的工作闡明了衡量MAS協調性的方法，并允許開發一個框架來訓練和測試執行各種任務的MAS的協調性，此外還評估了利用一系列集中訓練技術的新算法方法。

此外，還需要進行更多的調查，以闡明有利于在ISTAR任務和其他交戰場景中利用MAS的軍事戰略。在淺顯的情況下，將完全自主的MAS送入高風險情況（即預期因果率高的情況）是可取的；然而，由于目前的技術限制，僅僅期望MAS能夠在沒有人類監督或干預的情況下完成任務是不夠的。因此，在未來的工作中，將進行研究以確定一套強有力的交戰方案。最后，這項工作將導致自主MAS的最終整合，以便在未來的軍事行動中盡可能地協調戰略機動。

【摘 要】 高效的多機器人團隊需要能夠在復雜環境中實現目標，以應對搜索和救援等現實世界的應用。多機器人團隊應該能夠以完全分散的方式運作，單個機器人團隊成員能夠在沒有鄰居之間明確溝通的情況下采取行動。

美國陸軍研究實驗室Brian Reily等人提出了一種新穎的博弈論模型，該模型可以實現去中心化和無通信導航到目標位置。每個機器人都通過估計其本地隊友的行為來實施自己的分布式博弈，以識別使他們朝著目標方向移動的行為，同時避開障礙物并保持團隊凝聚力而不發生碰撞。從理論上證明了生成的動作接近納什均衡，這也對應于為每個機器人確定的最佳策略。實驗表明該方法可以通過多機器人系統實現分散式和無通信導航到目標位置，并且能夠避免障礙物和碰撞、保持連接性并對傳感器噪聲做出穩健響應。

該方法可以實現分布式和無通信導航。以藍色突出顯示的機器人在考慮其鄰居的預期策略及其策略對它們的影響后選擇其策略，而沒有實際交流。這樣，藍色機器人就可以避免碰撞，保持團隊凝聚力，避開障礙物，朝著目標位置前進，無需直接溝通。