自主空战机动决策技术研究进展与展望

在强对抗、高动态的现代空战环境中,以空战决策为核心的自主空战在减轻飞行员决策压力、提高决策效率和准确性、提升无人机作战效能、实现有人/无人协同、探索新战术战法等方面发挥着重要作用.首先,本文分析了视距内空战和超视距空战在现代空战中的地位和关系,给出了自主空战机动决策的定义,并阐述了其在空战中的实际意义.其次,分析了自主空战机动决策在现代空战发展中的重要作用.然后,将现有自主空战机动决策建模与求解方法分为基于博弈论的方法、基于优化理论的方法和基于数据驱动的方法3大类,并系统地梳理总结了各类方法的研究分支、特点、优势及缺陷.进一步地,以1v1空战为对抗场景并选取代表算法,直观对比了3类方法的特点和性能差异.最后,针对当前自主空战机动决策技术的痛点问题提出了未来研究和发展的方向.

基于深度强化学习的智能对手自主空战决策技术

为提升空战训练对手的智能性与自主性,提升空战训练效果。针对空战战术训练智能对手自主空战决策问题,提出一种基于深度强化学习的智能体训练方法,采用最大熵强化学习(SAC)算法平衡策略探索与利用的优势,引入自博弈和多智能体联盟训练方法提升空战智能体策略的多样性和鲁棒性。针对一对一近距格斗空战场景建立智能博弈框架及奖励函数,仿真结果表明,基于零经验训练得到的智能体能够有效自主机动决策并实施近距导弹攻击,产生较好的战术效果,证明该方法在一对一近距格斗空战智能体训练中的有效性。

自主空战决策的试探机动方法及仿真研究

自主决策是无人作战飞机的关键技术之一。在近距格斗自主决策系统中,对试探机动方法进行了改进,提出了决策触发机制,根据实际战场态势确定决策时机,以适应迅速变化的战场态势;并提出逐级淘汰的战术过程评价方法,以挑选最佳机动。仿真结果表明,决策触发机制有效,战术过程评价合理,能有效提高空战效能。

目标飞机自主空战战术机动仿真

建立了目标飞机飞行运动模型和基本飞行机动控制方法,根据现代空战特点、空中态势、威胁环境和机载武器性能等因素,设计了目标飞机进攻、防御战术机动动作,并采用机动动作链实现了战术机动动作的执行。同时建立了目标自主空战决策专家系统,实现了特定的空战态势和武器挂载条件下自主空战仿真,为模拟对抗训练提供了逼真的虚拟对手,也为态势估计、信息融合等研究工作提供了符合实际的目标信息。

一种UCAV自主空战智能战术决策方法

针对自主空战过程中无人作战飞机自主进行决策的问题,提出一种基于飞行员空战经验的智能战术决策方法。首先针对飞行员空战决策经验知识难以显化表示的问题,提出一种基于情境构建的经验型隐性知识表示方法;然后基于自然决策理论中人类决策是由直觉决策与分析决策综合作用的思想,设计UCAV智能决策框架:提出认知主导的情境推理方法实现直觉决策,提出云模型的定性规则推理方法实现分析决策。仿真结果表明:认知主导的情境推理方法能快速得出决策结果,MAX-MIN云推理决策方法得到的决策结果符合有人参与决策结果的逻辑,基于安全的空战知识集重构能改善决策时间,满足实时性要求。

基于BFM方法的1vs1近距自主空战决策

无人机自主空战将是未来空战的主要样式之一。针对当前对于近距自主空战的研究往往假设简单、计算复杂以及受限于使用规模等问题,对以格斗导弹为武器的近距1vs1自主空战的主要研究内容,提出一种基于基本飞行动作的自主空战决策方法以保证空战决策的有效性和实时性。首先,根据导弹的攻击区设计一种得分函数来量化评估空战态势;其次,建立敌机机动位置的几何预测模型。然后,提出基于位置差和速度差的补偿制导方法。最后,在仿真分析中设置了攻击和防御两种典型自主空战态势,实验结果表明了所提方法的有效性和可行性。

自主空战决策中的战术过程评价方法

战术过程评价是自主空战决策中的重要部分。在装备航炮和格斗弹的双机近距格斗这一战术背景下,合理考虑角度、距离、机动与能量因素,构造了战术状态优势函数。在此基础上,提取战术过程的特征量,建立有优先级的判据体系,提出了逐级淘汰的战术过程评价方法。仿真结果表明,战术状态优势函数能准确体现格斗中各时刻双机战术态势的优劣,逐级淘汰方法能有效地从候选的机动动作中得到空战决策结果。

自主空战连续决策方法

未来空战正朝着无人化、自主化方向发展,自主空战决策方法是未来空战的重要支撑手段之一。传统空战决策方法由于维度限制,存在无法处理连续动作与远视决策的问题。基于Actor-Critic方法提出空战连续决策的统一方法架构,依据空战训练经验对状态空间、动作空间、奖励及训练科目进行合理设计,测试多种连续动作空间强化学习算法在高不确定性空战场景下的学习效果并进行可视化验证。结果表明:基于本文提出的方法架构,可以实现连续动作下的远视价值寻优,智能体可以在复杂空战态势下做出最优决策,对随机机动飞行目标有较高的击杀率,且空战机动轨迹具有较高的合理性。

自主空战中无人机规避导弹机动策略研究

针对具有一定自主空战能力的无人机,建立了以过载为输入的飞行动力学模型和采用三维比例导引法的导引弹道模型,并且结合神经网络为无人机设计了一种规避来袭导弹的机动策略。通过坐标系的变换减少了"无人机—导弹"这一复杂系统的自由度,将系统模型简化为少数变量输入和单变量输出的非线性模型。基于此模型生成并学习神经网络的样本库,并利用神经网络直接从无人机与导弹的位置关系预测规避结果,为无人机实时提供规避策略。仿真算例验证了规避算法的有效性。

人工智能自主空战即将成为现实

4月下旬,美国《新闻周刊》网站报道,美国军方宣布开展了一次“开创性试验”,让一架经过大量改装、由人工智能控制的双座F-16D X-62A战斗机(也称可变稳定性飞行模拟器测试机)与另一架由人驾驶的F-16战斗机进行正面对抗。这是去年9月在位于加利福尼亚州的爱德华兹空军基地开展的演习活动的一部分,但美军方拒绝透露这次空中格斗的结果。

航空集群自主空战研究进展

航空集群自主空战是军事智能化领域必须研究的典型难点问题。综述了智能空战相关理论与技术,理清了智能空战发展的脉络,分析了航空集群理论与技术以及人工智能在空战决策领域的应用现状,探讨了中国智能军事发展的可鉴之策及实现集群自主空战的可行途径。

空战自主机动决策问题建模

描述了自主空战机动决策问题,系统研究了自主机动决策各个环节,建立了子环节数学模型,构建了整个自主机动决策模型,并通过11个基本机动动作仿真验证了模型的有效性。

自主空战技术中的机动决策:进展与展望

自主空战(AAC)是指飞机依靠机载等相关设备,自主进行战场感知、决策及控制,以执飞空战的技术,其核心是机动决策模块。针对该模块的研究,调研了国内外的现有方法,并按照有关方法的核心内涵,将其分为基于数学求解、机器搜索、以及数据驱动3类分别简要概述;针对每一类方法列出了具有代表性的示例技术,并讨论了其优缺点。指出了自主空战决策的研究应立足现有相关方法及技术基础,同时积极吸纳机器学习、人工智能等新兴技术,合理利用各类方法的优点,取长补短,实现自主空战决策的长足发展;有关于该研究设想的关键科学问题及其潜在解决方案也在文中进行了初步讨论。希冀基于针对自主空战决策研究框架及实现方法的概念性讨论,促进其技术发展,推广相关思路在有关国家安全、国民经济建设等领域的应用,以满足国家重大需求和工程实践。

UCAV近距空战自适应态势评估方法研究

针对UCAV近距自主空战中态势评估非参量法经验主义依赖性较重、全局适应性较差的问题,提出了一种自适应空战态势评估方法。首先构建角度、距离和能量优势评价函数;其次设计一种自适应当前空战态势的评估权重模型,综合考虑角度关系、攻击边界威胁和能量优势,将空战态势因子按照优先等级划分为4类、64种态势,满足空战过程的连续性;最后为验证模型的有效性,将自适应态势评估模型与试探机动进行仿真对抗,结果表明自适应态势评估模型具备较好的全局指导性。

基于多目标优化与强化学习的空战机动决策

为了解决无人机自主空战中的机动决策问题,提出了一种将优化思想与机器学习相结合的机动决策模型。采用多目标优化方法作为决策模型核心,既解决了传统优化方法需要为多个优化目标设置权重的困难,又提高了决策模型的可拓展性;同时在多目标优化的基础上通过强化学习方法训练评价网络进行辅助决策,解决了决策模型在对抗时博弈性不足的缺点。为了测试决策模型的性能,以近距空战为背景,设计了3组仿真实验分别验证多目标优化方法的可行性、辅助决策网络的有效性以及决策模型的总体性能,仿真结果表明,决策模型可以对有机动的敌机进行有效的实时机动对抗。

基于L-Kshape-HACA的空战态势分割聚类

在近距空战中,实时获取可靠的空战态势信息对于决策指引是非常重要的。针对近距空战态势变化剧烈以及评估参数多维耦合的问题,提出了一种基于L-Kshape-HACA的多元空战态势分割聚类方法。以分层时序聚类分析为框架,利用拉普拉斯中心性方法确定聚类数目,同时采用Kshape对多元时间序列进行聚类分析,解决了多维参数下的态势信息提取问题。利用12组近距空战数据进行测试,并与14种聚类算法进行比较,结果表明L-Kshape-HACA在聚类中心确定和态势分割准确性上与实际空战态势更加符合。

基于时序分析的近距空战数据知识提取及应用

近距空战数据是飞行员空战经验的具体体现,其知识提取与应用对于无人作战飞机提升近距自主空战决策效率和空战效能至关重要.围绕近距空战数据研究的必要性与研究思路进行阐述,从多元时间序列分类识别、分割聚类、预测3个角度对近距空战数据知识提取与应用关键技术进行分析,重点对机动轨迹识别、态势评估与目标状态预测进行综述与方案设计.

深度强化学习的无人作战飞机空战机动决策

无人作战飞机(unmanned combat aerial vehicle,UCAV)在进行空战自主机动决策时,面临大规模计算,易受敌方不确定性操纵的影响。针对这一问题,提出了一种基于深度强化学习算法的无人作战飞机空战自主机动决策模型。利用该算法,无人作战飞机可以在空战中自主地进行机动决策以获得优势地位。首先,基于飞机控制系统,利用MATLAB/Simulink仿真平台搭建了六自由度无人作战飞机模型,选取适当的空战动作作为机动输出。在此基础上,设计了无人作战飞机空战自主机动的决策模型,通过敌我双方的相对运动构建作战评估模型,分析了导弹攻击区的范围,将相应的优势函数作为深度强化学习的评判依据。之后,对无人作战飞机进行了由易到难的分阶段训练,并通过对深度Q网络的研究分析了最优机动控制指令。从而无人作战飞机可以在不同的态势情况下选择相应的机动动作,独立评估战场态势,做出战术决策,以达到提高作战效能的目的。仿真结果表明,该方法能使无人作战飞机在空战中自主的选择战术动作,快速达到优势地位,极大地提高了无人作战飞机的作战效率。

基于SSA算法的飞行动作规则自动提取

针对空战知识获取问题展开研究,提出了一条从海量飞行参数中获取知识的途径。构建空战专家系统知识库;对于飞行动作规则知识的提取,提出了一种基于樽海鞘群优化算法的飞行动作规则知识提取方法,为了使提取的规则知识简洁有效,对算法的评价函数进行了设计。通过对水平右转弯机动动作和斤斗动作进行规则提取仿真与分析,验证了该方法的有效性和可行性。

基于改进SOS算法的UCAV鲁棒机动决策研究

针对无人作战飞机自主空战机动决策问题,提出了一种鲁棒机动决策方法。设计了反映空战态势的鲁棒隶属函数,并基于此设计鲁棒多目标决策函数;针对动作库在机动决策中的不完备性与传统优化方法求解时效性缺陷,运用基于自适应和精英反向学习策略改进的共生生物算法,对控制量进行优化进而完成机动决策;仿真结果表明,鲁棒机动决策结果更具优势且改进算法求解具有实时性,满足机动决策需求。