非完备信息下无人机智能攻防决策技术研究现状与展望

0 引言

随着电子信息、计算机、控制和人工智能等相关技术的不断发展，无人空战是未来信息化战争的一种主要模式。无人机具有成本低、机动性强、隐身性能好、可回收重复利用，以及避免人员巨大伤亡等特点，在近代多次局部战争中得到实际应用并有优异表现，因而其相关技术受到世界各军事强国的高度重视。美国国防部将无人机作战技术作为一项可以改变“战场游戏规则”的颠覆性技术并加以大力发展，该项技术也是美军第三次“抵消战略”发展规划的重要组成之一。随着各种高精尖武器的列装和作战样式的不断创新，现代战场环境复杂程度不断提高，隐身技术、电子对抗技术和电磁干扰技术不断发展，从而导致战场未知动态干扰因素持续增加，战场信息呈现非完备形态。与此同时，现代战争的作战范围越发广阔，目标的机动能力越来越大且目标的欺骗性和攻击隐蔽性也越来越强，这就对无人机在不完备信息条件下的信息处理和智能决策能力提出了更高的要求。

在复杂的空战对抗环境下，目标所采取的机动策略与战术意图在我方进行攻防决策之前往往很难直接获取。在复杂多变的空战对抗过程中，如何有效地利用多平台多源传感器获取的空战信息预测目标意图，并基于目标意图预测结果进行空战自主决策，改变己方空战态势，进而占据战场主动性，是无人机有效打击目标进而取得整场空战胜利获取制空权的关键所在。通常敌方目标的战术意图与空战态势信息紧密相关，通过对获取的空战态势信息较为准确地推理出目标的作战意图及作战方式，将给予我方无人机更多的作战反应时间，从而能起到料敌先机、先敌制胜的效果，大大提高对目标打击的突然性、快速性、准确性，进而使无人作战飞机做到“先敌发现，先敌开火”，最大程度上消灭敌人并保存自己。因此，快速准确地预测敌方目标战术意图，对我方掌握空战主动权，进而合理调度作战资源，以及取得整个空战胜利有着重要意义。

现代空战不再是简单的单机对单机的对抗，为了获取对抗优势，提高作战效率，常采用无人机群之间的协同合作对抗方式。在实际空战中，由于交战双方参战无人机数量大、种类多，因而多架无人机可根据空战位置作战任务的不同形成不同作战集团，在作战集团内部的无人机通过协同攻击敌方各个目标，从而提高打击效果。无人机多机协同多目标攻击是指无人机在作战过程中，针对不同空战态势与敌方作战意图，选择不同攻防策略与机动策略，从而达到在保全自身安全的同时尽可能毁伤敌方的目标。

实现无人机自主攻防决策可极大增强多无人机协同作战能力，而非完备信息下的无人机攻防决策，包括非完备信息处理、目标意图预测、多机协同多目标攻击决策等多个环节，是我方无人机群从感知敌方无人机到击毁敌方目标的全过程。其结构如图 1 所示。

图 1 非完备信息下的无人机攻防决策技术原理框图

本文将介绍非完备空战环境信息下的无人机攻防决策技术相关研究的最新进展。首先，针对现代空战信息具有不确定性和不完备性的特点，阐述了空战中非完备信息处理的相关研究进展；然后，为了给无人机有效攻防决策提供基础，介绍了敌方目标意图预测的一些研究成果；接着针对国内外多机协同多目标攻击技术的研究现状进行了分析总结；最后展望了在非完备信息条件下无人机攻防决策技术遇到的挑战及未来的研究方向。

1 非完备信息处理研究现状

由于现代空战战场具有强对抗、强博弈特点，使其具有高度的复杂性，如存在各种噪声、电子对抗和电磁干扰，因此传感器检测到的战场环境数据会受噪声影响，从而与实际战场环境存在一定偏差；同时，由于无人机和地面站所装备的传感器本身存在限制，以及敌机可能会隐藏自身的某些特征信息等问题，使得空战部分特征数据无法获取，从而导致所采集的数据集有部分缺省值，而无法直接使用。常用的非完备信息处理方法可以分为数据补齐法和模型扩展法两类。图 2 给出了这两种方法的处理非完备信息的基本过程。

图 2 处理非完备信息技术路线

数据补齐法主要是采用某种方法，如概率统计方法对不完备信息系统中对象的未知属性值预先进行填补，或删去含有未知属性值的对象，把不完备信息系统转化为完备信息系统。通常利用连续数据前后数值之间的关联对缺失数据进行修补，常用的修补方法有最小二乘法、多项式拟合和贝叶斯方法等。现有研究成果中，利用最小二乘法解决了被动雷达 / 红外复合导引头的数据融合过程中，两个不同采样频率的传感器测量数据时间不同步的问题，通过最小二乘法完成时间对准，对采用间隔的缺失数据进行修补。在分析多传感器数据融合时间不同步和数据率不一致的特点基础上，也有研究人员提出了利用曲线拟合的方法进行时间对准，该方法可以将不同传感器测得的不同采样周期的数据对准到同一时间点上，以便进行特征提取与数据融合。由于贝叶斯网络具有语义的因果关系，根据专家和数据域的先验知识，利用贝叶斯网络可以建立有效的预测模型，通过直接地进行因果先验知识的分析，从而可获得较准确的先验知识进行数据缺失信息处理。数据补齐法虽然原理简单，但无论采用那种数据补齐策略，均是对原始信息系统中未知属性值的一种人为估计，其补齐的过程都会导致原始系统信息的变化，因而所得结果不一定能反映原始系统的真实情况，并且挖掘出的知识可能带有不确定性。

模型扩展法是在不破坏原始不完备信息系统中任何信息的前提下对经典粗糙集进行扩展，直接处理不完备信息。粗糙集方法是利用数据特征量之间的关联，通过已知特征量直接进行结果的推理，该类方法具有较强的鲁棒性。直觉模糊集方法是利用先验知识，将未知数据进行模糊化处理，并设置在某个集合内，将推理的集合空间作为已知数据，从而方便参与后续目标意图预测与无人机攻防决。

2 目标意图预测研究现状

在无人机多机协同多目标攻击过程中，准确预测目标无人机的空战意图是我机进行目标分配、攻击排序的重要依据。在日趋复杂的空战环境中，目标意图预测是料敌先机、掌控空战全局变化的关键所在，对目标分配、机动决策、火力决策均有着指导性意义。预测敌方各目标的战术意图，需以敌方无人机当前的空战态势与战机状态为基础。敌方无人机的空战态势是在对目标进行识别与跟踪的基础上，进而通过雷达探测各目标无人机位置、高度、进入角、速度、加速度等飞行参数后计算得到。而战机状态是指目标无人机当前雷达状态开启情况、载弹量，以及机动动作等飞机状态信息，这些信息通过综合目标无人机各阶段的几何特性、飞行参数和飞机种类获得。通过将目标类型、速度、高度、距离、导弹类型和雷达状态等多方面因素综合起来，进而估计下一阶段目标可能的战术意图。目标意图表示和预测过程如图3 所示。

图 3 对抗目标意图表示和预测过程

目前，国内外学者关于目标意图预测进行了大量研究，比较常用方法有模板匹配、贝叶斯网络、专家系统、神经网络和 D-S 证据理论等。已有研究人员通过使用空战领域专家及作战指挥人员经验来构建目标意图模型库，然后针对实际空战提取特征，最后通过推理特征与模板的相似程度预测目标意图。葛顺等利用已知的空战态势，以及战机状态信息等先验知识来推理敌方无人机空战意图的过程，主要针对状态信息不断变化的空战环境，选用动态贝叶斯网络与序列贝叶斯网络相结合的方法来推理敌方无人机的战术意图。通过使用专家经验知识构建知识库，伍之前等使用规则描述战场态势和空战意图的对应关系，最后采用推理机推理敌方无人机作战意图。同时，崔洋培等运用空战目标意图特征数据集训练神经网络，提取空战意图预测规则，然后通过使用空战意图预测规则来推理敌方作战意图。也有研究成果通过建立影响目标意图各个因素的预测模型，结合 D-S合成法对各影响因素进行综合，进而得到目标各个可能意图结果的概率值。

随着各种高科技武器在现代战争中大量的投入使用，使得空战数据量急剧增大。与此同时，战场环境也变得越发复杂和不确定。面对复杂的战场环境，仅通过上述较为简单的目标意图预测方法，很难从复杂数据中快速准确地获取敌方的战术意图，因此需要采取更加智能的方法来实现敌方目标意图预测。深度学习的快速发展，为处理复杂数据提供了一种有效工具。孙亮等通过改进深度置信网络激活函数和参数调节算法，设计了基于深度神经网络的空战意图识别模型，最终通过仿真验证所提模型具有较高的识别率，但是该方法主要针对当前一个时刻有效。在实际空战中，战场中的目标意图往往是通过一系列战术动作来执行的，目标的状态信息，以及作战环境会呈现动态变化。针对时序特征，周旺旺等分别提出了基于栈式自编码器的意图识别模型和基于长短时记忆网络的战场对敌目标战术意图智能识别模型，将战场环境信息、目标属性、目标状态等 48 维信息作为输入以识别作战意图，这两种模型均能有效识别目标作战意图。对于深度学习方法，欧微等提出了合理采集足够多的有效空战数据是训练深度学习网络的基础。目前也有研究成果将目标意图预测分成目标状态预测与意图识别，通过长短期记忆网络对目标的状态进行预测，基于不完备区间决策树对历史数据进行规则提取，进而识别出预测数据所对应的目标意图。

3 多机协同多目标攻击研究现状

现代战争的战场环境复杂且作战任务众多，单架无人机越来越难以适应复杂的空战环境，多机协同作战是未来空战的主流方式。多无人机协同作战能弥补单架无人机作战能力不足的问题，给空军战斗力带来极大提升。无人机多机协同作战是指两架或两架以上无人机相互配合、相互协作，共同执行作战任务的空战方式，是现代智能空战的主要发展方向之一，也是现代陆、海、空、天、电一体化作战模式在多机空战中的具体反映。多无人机协同多目标攻击是将处于不同位置、不同价值和不同威胁程度的敌方目标按收益最大代价最小的原则分配给不同类型、价值和战斗力的无人机，以达到整体作战效能最大的目标。显然多无人机协同多目标攻击决策是组合优化问题，属于非确定性多项式时间 NP 问题，巨大的计算代价是 NP 问题需要解决的难点。

为实现多无人机协同空战，首先需要综合分析敌我双方无人机的空战态势、战机性能和战术意图，进行攻防决策。多无人机协同多目标攻击是指根据当前已知的态势信息与敌方无人机的战术意图，通过一定的分配策略科学合理地分配我方的无人机资源，进行有效攻防决策，以达到最大毁伤敌方无人机的同时我方机群最小损失的目标，其原理框图如图 4 所示。

图 4 多机协同多目标攻击决策原理

到目前为止，在多机协同多目标攻击决策问题上有很多经典算法，如整数规划、约束规划、图论方法等。针对超视距编队协同空战中的目标分配问题，有研究成果通过建立现代空战微分对策模型，分层完成编队分组和组内单机目标分配过程，设计了以战力强度排序为依据、以“不重不漏”为原则的基于整数规划的超视距编队空战目标分配模型。为满足实际空战中的实时性要求，有研究人员提出了基于时间约束的多平台协同目标分配模型，然后采用改进分布式拍卖算法进行求解。该模型充分考虑了战场以及战机存在的限制，能较好满足空战实时性要求。已有研究成果对火力分配问题进行分析，建立了火力分配的图论模型，并结合图论模型的特点给出了模型的匹配算法。这些方法致力于求解火力分配最优解，但是，随着攻击决策问题规模变大，求解时间会呈指数形式增长，求解难度同样呈指数形式增大。而启发式搜索算法的目的是在可接受的时间范围内计算问题的可行解，在计算时间与解的质量两方面进行折中，在较短的时间内获取较优的可行解。

空战过程是一个瞬息万变的过程，很多情况下，目标分配不仅需要分配决策结果取得最优结果，同时也需要满足空战实时性的要求。启发式搜索算法与空战目标分配问题属性的契合，引起了国内外大量学者的兴趣与关注。目前常用的启发式算法有遗传算法、粒子群算法、蚁群算法等。在飞行代价函数的基础上，研究人员已提出基于改进遗传算法的多机协同目标分配方法，仿真结果表明遗传算法能很好解决多机协同目标分配问题。针对多机协同目标分配问题，也有研究成果采用改进粒子群算法进行求解，设计了新的粒子群位置和速度更新方法，充分利用了粒子群的全局搜索能力，并采用贪婪策略增强粒子群算法的局部搜索能力，从而实现目标分配解空间的全面混合搜索。结合空战态势评估和蚁群算法，研究人员已提出一种新型的目标分配方法，将敌我双方的无人机视为蚂蚁移动起始点，将自主优先权视为蚂蚁的行进距离。另外，通过自适应调整信息素挥发因子的值，从而在目标分配解空间中寻找最优解。此外，很多研究成果采用启发式全局智能优化算法，如混合蛙跳算法、人工免疫算法、布谷鸟算法、狼群算法等，对多机协同多目标攻防决策问题进行求解，充分体现了启发式搜索算法在求解多机协同多目标攻防决策问题上的优越性。

4 未来发展趋势

未来信息空战处于陆、海、空、天、电、磁、网一体化的复杂空间环境，具有环境高复杂性、博弈强对抗性、响应高实时性、信息不完整性和边界不确定性等特点。由于智能无人机具有大机动能力使其飞行包络大，能对飞行环境做出快速反应，自主适应各种不同的复杂博弈对抗环境和时变的作战任务与目标，因而无人机是未来体系作战力量中重要组成部分。未来空战中，智能无人机将成为主体，不同类型无人机在执行任务时互相协作、互相配合的空战模式，它是未来高科技空战的主要发展方向，如下一些关键技术还需要进一步研究和发展。

(1) 无人机战场环境智能感知技术

考虑战场环境的复杂性，在实际空战中如何合理利用战场环境信息，针对不同的空战环境进行战术布置，有利于占据制空权从而获取战争胜利具有重要军事意义。因此要求无人机能在信息复杂、高度对抗、任务多变的战场环境下，具有信息获取、信息精确理解和一致性战场空间描述的能力，实现快速、准确、充分提供敌、我、友机的状态、行动、计划和意图等信息，实时动态地控制和集成战术指挥，保持无人机与友机对战场态势信息的共享与共识，可为准确有效的决策打下坚实基础，同时提高无人机作战的安全性。

(2) 无人机非完备信息的智能挖掘技术

在现代战争中，各种高科技武器和作战平台的投入使用，使得空战数据量急剧增大。与此同时，战场环境也变得越来越复杂且具有大的不确定性。由于空战对抗环境存在不确定性，部分空战数据可能缺失，目前针对空战信息不完备情况进行有效处理的方法还较少，可以通过利用人工智能、模式识别、机器学习、统计学、数据库、可视化技术进行数据处理，并揭示出大量数据中隐含的、先前未知的并有潜在价值的信息等，可为无人机有效攻防决策提供必需的信息，因而研究无人机非完备信息的智能挖掘技术具有较大的实际意义。

(3) 多无人机协同作战的冲突消解方法

无人机群协同作战是利用各种平台提供的实时信息，构成空、天、地一体化的数据通信网络。机群各机之间，无人机与指挥中心之间都存在大量的可交互信息，且信息种类繁多，数据量庞大，在进行任务规划和攻防决策时极可能发生信息冲突。另一方面，由于多机协同任务分配或攻防决策时存在大量约束，如燃油约束、弹载量约束等，可能造成任务分配或攻防决策的冲突，这些冲突都会给无人机系统协同作战带来极大困难，需要进一步研究异类多源传感器信息冲突、多无人机协同任务分配冲突和攻防决策冲突的消解方法。

(4) 基于人工智能的无人机群作战样式和管控方法

随着信息技术、武器装备和人工智能技术的不断发展，无人机集群作战是未来智能空战的重要组成部分。有必要针对未来信息化全域作战开展基于战争形态的无人机对抗样式的研究，以实施全方位、多样式的攻击，从而破坏敌方的跨域联合能力，以较小的代价打赢战争的目标。探索人工智能与无人机群协同作战之间的关系，提出无人机群协同作战新样式。引入人机对抗推演各种作战样式及对战场资源的利用来模拟整个作战过程，通过对推演过程中指挥员决策的分析来寻找适合当前战争的最佳作战样式，并实现自适应作战资源智能调度与管控。

(5) 基于人机混合增强的多无人机攻防决策技术

为了提升作战效率与任务冗余性，降低资源的浪费，要求不同机种、不同功能的无人机相互协同合作完成不同类型和复杂程度的任务。如果把人的智慧与经验引入到智能空战系统的攻防决策计算回路中，利用人对模糊、不确定问题分析与响应的优势，将高级认知机制与无人机智能决策紧密耦合，可使两者相互适应、协同工作，并最终成“1+1>2”的增强智能形态。因此，开展基于混合增强智能的无人机群多目标协同攻防决策技术相关研究，不仅可推动混合增强智能技术的进步和发展，也为未来战场全维作战环境下的智能决策提供了重要的参考。

(6) 无人机协同攻防决策的智能评估方法

随着信息化技术的高速发展和先进装备的大量列装，空战智能化程度及战场复杂程度和智能化程度愈来愈高，多无人机协同空战智能决策与评估问题已成为了争夺战场制空权亟需解决的问题，也是无人机自主空战决策的关键问题之一。为了适应协同作战空战环境中出现的态势变化快、敌情复杂、敌我信息量大及模型复杂等问题，需建立详细的评价指标体系和评价模型，利用智能评估方法对无人机空战攻防决策结果进行评估，判断是否需要二次决策，完成整个闭环的空战过程，可降低作战资源的浪费，从根本上提高多无人机协同空战的作战效能。

（参考文献略）