常晓飞，蒋邓怀，姬晓闯，符文星

（1.西北工业大学无人系统技术研究院，西安 710072；2.西北工业大学航天学院，西安 710072）

1 引 言

无人系统由单个无人平台或多个无人平台构成，具备机械化、信息化和智能化等特征，能够自主或通过远程操控完成指定任务。典型对象包括无人飞行器、无人车辆、无人舰船、无人潜航器等[1]。随着信息技术、控制技术、人工智能技术的快速发展，无人系统在控制方式上朝着智能自主化方向发展；在作战规模上朝着集群化方向发展；在应用范围上向陆地、海洋、太空多域进行拓展[2]。目前，无人系统已经逐步扩展到工业生产、社会治理、战场空间等领域，极大地改变了军事作战样式与社会生产生活方式[3]。

仿真技术作为系统研制的重要手段，能够在可控的实验环境下开展可重复的试验验证，验证系统关键技术、考核关键技术指标、评估系统作战能力[4]。因此，仿真与评估在无人系统的研制中依然发挥着重要作用，在美军在最新的《无人系统综合路线图（2017—2042）》中，将“用于自主系统的测试、评估、校核和验证（TEVV）新方法”作为未来的发展方向之一，将“自主性建模和仿真”作为涉及的关键技术之一[5]。但随着无人作战系统朝着集群化和智能化方向发展，参战规模愈加庞大、任务平台愈加智能、战场环境愈加复杂、战场任务愈加多变、研制进度愈加紧凑，使得传统的试验方法和试验手段难以满足复杂条件下智能无人集群作战的仿真验证评估需求。

2 无人系统仿真面临的问题

无人系统作战是目前各个国家所推崇的作战思想与方式。区别于传统作战模式，一方面，无人作战系统表现为集群化，通过将传统单个完备作战平台所具备的各项功能，如侦察监视、电子干扰、打击与评估等能力分散到大量低成本、功能单一的作战平台中，通过大量异构跨域的个体来实现原本复杂的系统功能，甚至具备远超单一平台的作战能力。另一方面，无人作战系统表现为智能化，无须借助作战人员的指令导引，以高度智能为前提，实现人机协同、智能集群的作战方式，自主完成对战场复杂态势的统一认知、作战决策的分析计算以及作战任务的协调分配。

无人系统集群化和智能化的发展趋势对仿真评估技术提出了新的挑战。一方面，与传统作战系统相比，无人集群系统的仿真节点逐渐增多，各仿真对象之间呈现异构性，这就给系统建模方法与模型间的接口问题提出了新的挑战，且仿真人员需要对集群系统内部的网络管理进行建模仿真。另一方面，在智能自主系统的仿真中，由于复杂作战环境下的对抗数据稀缺问题，对智能算法的数据提取方法提出了新的要求，作战平台的智能化对于仿真模型的建立、系统仿真的条件与试验环境也提出了全新的要求。

3 集群系统仿真

3.1 无人集群仿真的基本概念分析

无人集群最初是由无人机发展来的，在智能技术以及自组网技术的飞速发展后，美国 DOD等将“无人机集群”扩展为“无人集群”，使得该概念能够涵盖海、陆、空、天等各个领域[6]，并逐步向跨域的混合集群方向发展。

由于无人集群系统通常是由异构跨域平台组成的集群网络，其仿真时面临集群系统的建模、异构仿真系统接入、复杂仿真网络管理等诸多问题。

3.2 无人集群仿真的研究现状

3.2.1 集群系统的建模

无人集群系统作为一种由大量实体组成的分布式网络系统，其仿真模型不仅包含了描述无人平台单体行为的运动模型、传感器模型、制导控制模型等，同时还包含了大量描述集群群体行为的网络模型、通信模型、避撞规则模型[6]。

集群行为的最初建模工作是由生物学家完成的。生物数学家 Parr 于1927年在解释鱼群的内聚性现象时最先提出了群体中个体间的相互作用由引力、斥力引起的建模思想。

目前，随着建模仿真技术的不断发展，集群系统的建模已经逐渐成熟，出现了较多的建模方法，主要有动力学建模、蚁群优化算法、蜂群算法与狼群算法等智能算法。动力学建模属于自上而下的方法，通过分析系统架构建立微分方程，进而模拟、解释和预测系统在不同情况的变化行为与趋势。目前，主要有拉格朗日法、欧拉法、仿真法与基于 A/R 作用的集群行为建模方法。近年来，主要使用的 SWARM 平台[7]就是基于仿真法的思想，建立一系列独立个体，通过独立个体之间进行交互，考察和研究系统的行为和演化规律。

蚁群优化算法（Ant Colony Optimization, ACO）是由Dorigo 等在20 世纪90年代提出来的[8]。目前，基于ACO 而建立的一系列模型主要都是采用信息激素变化实现问题空间的演化求解问题的。Wan 等[9]针对基本蚁群算法在机器人路径规划中存在的搜索低、时间长等问题，对其进行改进，实现了更高效率的机器人最优路径搜索。吴鹏等[10]针对传统的无人艇路径规划算法存在的问题，提出一种结合了势场蚁群算法与人工势场法的组合策略。

狼群算法最早由Yang[11]提出，算法基于狼群群体智能、模拟狼群捕食行为及其猎物分配方式,抽象出游走、召唤、围攻3 种智能行为以及“胜者为王”的头狼产生规则和“强者生存”的狼群更新机制。吴虎胜等[12]基于狼群游走、召唤、围攻3 种行为提出了狼群算法（Wolf Pack Algorithm，WPA），头狼通过胜者为王机制产生，种族更新通过优胜劣汰实现，并用马尔科夫链理论验证了其收敛性良好。Chen 等[13]利用改进的狼群算法，计算了旋翼无人机在真假三维空间内部的复杂三维空间中的准最优轨迹。

蜂群算法由Karaboga[14]于2005年提出，基本思想是启发于蜂群通过个体分工和信息交流，相互协作完成采蜜任务。赵晓林等[15]为提高多无人机动态侦察分配效率与实时动态侦察的要求，利用改进的人工蜂群算法对其建立的动态侦察资源模型求解。王海泉等[16]针对避障环境下的机器人的最优路径规划问题，提出一种基于改进蜂群算法的3 次Bezier 曲线优化的路径规划方法。

目前，各国对于集群系统的建模方法已经逐渐成熟且趋向于智能化，出现较多以个体研究为基础，之后再扩展到个体间的智能算法。近年来，群集智能的出现极大地促进了集群系统的建模仿真，但仍未进入成熟的阶段。由于其数学基础理论薄弱，且实际应用于无人作战系统的算法类型不多，现在仍有许多问题需要进一步分析与讨论。

3.2.2 异构系统的模型接口

随着现代战争从集中式向分布式发展，传统的单一全功能平台将逐渐被多个单功能平台所取代，使得无人集群中的平台对象功能、研制厂家、模型接口均存在较大差异。因此，异构模型接口的标准化问题已经成为困扰集群异构仿真的重要问题。经过多年的发展，异构模型接口的标准化问题已经有了基于高层体系结构（High Level Architecture, HLA）、统一建模语言与标准接口（Functional Mockup Interface，FMI）的3 种解决模式。

HLA 的多领域建模仿真方法通过运行支撑软件（Run Time Infrastructure, RTI）提供通用的、相对独立的支撑服务程序，将仿真应用同底层的支撑环境分开，从而使各部分可以相对独立地进行开发。它克服了基于接口的方法开放性差、无统一标准、难以扩充等缺点[17]。目前，基于HLA的建模仿真方法可以从对非 HLA 仿真系统的HLA 兼容性改造、中间件技术和扩展联邦成员架构3 方面入手。盛德号等[18]对非HLA 系统的兼容性改造进行了研究，提出了开发仿真对象模型（Simulation Object Model, SOM）、开发HLA 软件接口和使联邦成员独立于联邦成员对象模型（Federate Object Model，FOM）等方法。中间件技术通过通用的仿真系统框架中间件屏蔽了仿真应用层与仿真平台的实现细节，使仿真应用层的仿真模型组件能够在异构的仿真平台上运行，提高了仿真系统的重用性和互操作性。例如SIMplicity、SimBulider、KD-SmartSim 等[19]。龚建兴等[20]提出可扩展联邦成员运行框架是可扩展联邦成员架构的核心部件，且通过实例构建可扩展的联邦成员架构，从而使联邦成员能够适应不同的联邦。

基于统一建模语言的多领域建模方法具有与领域无关的通用模型描述能力，对于任何确定了的领域，由于采用相同的模型描述形式，都可以实现统一的建模。Modelica 作为一种统一建模语言，目前得到广泛使用，其采用数学方程描述不同领域的物理规律，可以为任何能够用微分方程或代数方程描述的问题进行建模和仿真[21]。目前，较为成熟的是基于Modelica 语言的仿真工具Dymola 和MathModelica。张慧静[22]利用Dymola软件建立了包含电源、动力学和控制等分系统的卫星系统多领域仿真模型。华中科技大学[23]基于Modelica 语言建立了MWorks 平台，并由实现了在MWorks 上与外部工具，如MATLAB/Simulink模型进行集成。

Daimler AG 公司为解决异构模型标准化问题提出了FMI 标准[24]，该标准可以在不同建模仿真软件中设计出具有统一的模型格式和数据存储方式的模型，且一个建模仿真软件设计出的模型可以在其他建模仿真软件上使用而不需要进行任何的更改。陆冠华等[25]针对飞行器设计领域的异构模型问题，提出采用FMI 构建多源异构模型的通用通信接口，从功能模型单元（Functional Mockup Unit，FMU）模型封装与联合仿真两方面，给出了一种一体化仿真平台解决方案。徐东[26]针对应用传统分析方法对于异构模型仿真出现的分析结果不准确问题，提出一种基于FMI 协议的跨领域多学科仿真系统建模分析方法，此方法相比于传统方法，可以得到更为准确的分析结果。

随着多域联合作战概念的不断深入，异构模型接口问题逐渐成为建模仿真过程中的一大难题，以上提出的3 种方法由于其具备标准性、开放性、可扩充性以及支持分布式仿真等特点，已经在各国得到了充分的应用。

3.2.3 集群体系的仿真管理

随着仿真节点的逐渐增多，仿真系统也变得愈加复杂，这就使得仿真人员在仿真过程中对复杂系统的管理提出了新的要求，本节从对复杂集群仿真系统的时间管理、任务调度以及自组网网络仿真3 方面展开论述。

对仿真系统的时间管理问题，在本质上就是要始终确保将消息按顺序发送，确保仿真执行的正确性与可重复性[27]。对于时间管理机制，连续系统最主要采用 HLA 保守时间管理协议，离散系统最主要采用的是保守时间推进机制与乐观时间推进机制[28-29]，与在此基础上发展的受约束的乐观策略、混合策略和自适应策略等。这几种管理策略目前均在特定领域得到较好的实际应用。张翔等[30]针对含有DIS、TENA、HLA 的两种及两种以上的多体系结构仿真系统的结构特点，对实时仿真与非实时仿真分别设计了时间管理方案。Huang 等[31]提出一种为智能时间管理的代理接口，可以用来统一 HLA 规范中时间步进、事件驱动和乐观时间推进的时间管理服务。

对仿真系统的任务调度问题，实质上就是按照一定的规律将多个仿真任务映射至仿真节点上，重新排列任务的执行顺序，以符合任务间的相互依赖关系，并获得最小调度长度[32]。针对无人机分布式仿真系统，目前主要采用功能分布式调度方式。该调度方式将命令与数据调度分开，指令采用集中式调度，数据则采用分布式调度方式。吴文波[33]针对多核集群实时仿真系统的任务调度问题，在遗传算法和模拟退火算法的基础上提出模拟退火算法以解决多核集群系统的网络流问题。Muthsamy 等[34]为满足多个服务质量指标，提出一种基于蜂群觅食优化的任务调度方法，可以获得可用虚拟机的最有任务调度。

对于自组网网络仿真问题，就是要保证在无人集群系统协同作战时，多个个体之间要时刻保持互联通信。自组网技术无须固定基础设施，网络的运行完全由节点自身实现，能够满足无人集群系统的作战特点与要求。杜晓博[35]针对由舰船、飞机等平台在海上形成的大规模军用自组织网络，提出了一种联合仿真方法，设计了基于连通度的分层分簇路由算法，解决了其路由仿真工作面临的高计算复杂度和时间复杂度问题，并通过仿真验证了该方法的可行性。Deng 等[36]针对传统自组网路由协议存在局限性的问题，提出一种改进的CA-DSR 协议。该协议综合考虑利用编码机会、寻找最短路径和灵活地避免长路径时延等因素作为路由选择准则。

对于集群体系的仿真管理问题是当下的一个研究热点，从本节可以看出，目前各国研究学者对此已经提出一些相对成熟的理论，但仍有许多亟待解决的问题。例如，如何更好地实现仿真系统负载均衡与跨平台仿真，以及对于时间推进机制算法中如何保证系统不会有过多的开销与运行成本等。开展集群体系的仿真问题研究对于提高仿真的实时性、可信性、可用性等具有重要意义。

4 智能自主系统仿真

4.1 智能自主系统仿真的基本概念分析

对无人系统而言，智能是指具备自动地获取和应用知识的能力、思维与推理的能力、问题求解的能力和自动学习的能力[37]。而根据美军2017版《无人系统路线图》中提到的内容，自主是指一个实体根据对世界、自身和情况的了解和理解，自主地开发和选择不同的行动方案以实现目标的能力[38]。自主性和智能性是智能无人系统最重要的两个特征，智能自主系统是一个具有高等级智能性的自主系统。

未来战争将向着深度信息化、智能无人化、网络体系化的方向发展，智能无人系统将成为未来战场的重要角色。智能自主系统的建模与仿真技术将以大数据资源、高性能计算能力、智能算法为基础，将新一代信息通信技术及各类应用领域专业技术深度融合，以提升仿真系统的整体智能化水平[39]。

4.2 无人智能自主系统仿真的研究现状

4.2.1 智能自主系统建模

无人作战系统具有智能性、自主性，它是由多个智能个体组成的具有协同作战能力的复杂武器装备系统，对于智能仿真技术提出了全新的要求。随着建模仿真技术的不断发展，对于智能自主系统有很多的建模方法[40]，下面主要对基于Agent、大数据智能与深度学习的建模方法进行介绍。

基于 Agent 的建模仿真方法为作战模拟仿真提供了一种新方法。它是对复杂系统中基本元素及基本元素间相互作用的建模和仿真，将复杂系统中的微观行为和宏观涌现现象有机地结合，是一种自顶向下分析、自底向上综合的建模方式[41]。目前的热点课题主要是 Agent 的理论模型、多Agent 系统（Multi-Agent System，MAS）及其开发应用。意大利热那亚大学Bruzzone 等[42]构建了一种基于Agent 驱动的异构仿真环境。该环境包括UUV、水下潜艇平台、水面无人船和GPS 卫星等仿真作战实体，实现对系统结构、管理过程和人为因素的综合分析。日本东海大学 Watanabe[43]设计了一个通用化的 MAS 仿真支撑环境以及半实物仿真平台，可满足UUV 系统的水声传感器、推进器、能源以及 CCD 相机测试工作。哈尔滨工程大学Liu 等[44]在BDI-Agent 模型的基础上，借鉴神经生理结构模型，提出了包含感知区、反射区和慎思区的AUV 心智模型，并通过多AUV编队穿越未知雷区的仿真试验验证了心智模型的有效性。

由于智能自主系统机理具有高度的复杂性，往往难以得到解析解，而需要大量实验与数据对其内部机理进行模拟与仿真。基于大数据智能的建模方法是利用海量观测与应用数据实现对不明确机理的智能系统进行有效仿真建模的一类方法。王晓晔等[45]基于数据聚类分析与利用神经网络进行权重的修正，提出了一种改进的K 最近邻分类算法。同时，对于指数式增长的可用数据，可以采用基于深度学习的仿真建模方法，但深度学习高度依赖于数据的样本容量和标记精度，国内外学者在此基础上，结合强化学习，提出深度强化学习理论。Liu 等[46]基于此方法，设计出战役级智能体训练系统。该系统提供分布式持续学习、大规模训练和计算存储资源等能力，为研究人机混合协作及群体智能涌现提供技术平台。

综上所述，随着人工智能技术的不断发展，仿真人员对于智能自主系统的建模方法正在向以机器学习为算法基础的智能化、数字化建模理论与方法发展，这些算法理论的出现可以有效提高智能自主仿真系统的可靠性。但是由于复杂作战系统数据的稀缺以及战场的不确定性，对机器学习算法提出较大的挑战，并且如何选择与优化机器学习算法以得到期望的模型也是仿真人员需要解决的一个重要问题。

4.2.2 智能自主算法仿真研究

AI 是未来无人系统提高智能自主性的关键技术。无人系统的智能化主要体现在自主规划路径的能力、执行任务的自主决策能力和与系统内部的自主协作能力[47]。为了更加快速有效地实现上述3 种能力，不同的研究人员提出了不同的实现方式。

路径的自主规划能力是无人系统的第一个智能化趋势。目前的路径规划算法主要分为两类。一类是人为设置，例如A*算法、人工势场法、细胞分解法等。宋雪倩等[48]提出利用 Dubins 曲线找到有效节点，结合A*启发式搜索的思想，分别为每架无人机离线构建由 Dubins 曲线组成的最短避障路径。另一类是系统个体根据自身所处的环境信息，实时规划路径的智能反应算法，例如遗传算法、蜂群算法、粒子群优化算法等。关震宇等[49]提出一种基于路径的无人机的避障规划算法，采用遗传算法，结合无人机的飞行性能和最小转弯半径得到一种在已知障碍空间位置前提下的无人机路径规划方法。Xie 等[50]提出了布谷鸟算法在无人机探索三维环境尤其是战场环境中的应用，并且在解决三维空中路径规划问题中对布谷鸟算法进行优化。

对于任务的理解与决策能力是无人系统的第二个智能趋势。当面对复杂的任务时，无人系统不需要人为对其进行分配任务或做出决定，而是自主完成任务，是无人系统自主控制的关键技术和智能程度的体现。任佳等[51]针对不确定环境下的任务决策问题，提出了基于的参数自适应推理算法实现在小样本观测下的动态任务决策，并着重讨论了专家认知程度不确定对该自适应推理算法的影响。赵振宇等[52]以 FRPNs 结构实现规则推理，按照规则分析系统的推理过程，建立一种基于模糊推理Petri 网的无人机智能决策方法，提高了无人机在动态不确定环境下的自主控制级别。孙楚等[53]设计了基于连续动作控制变量的无人机机动决策方法，采用共用隐层的NRBF 神经网络结构分别逼近效用值与动作控制变量，提出了基于相对熵距离的神经网络隐层节点自适应构建方法。

无人系统内部可以由许多相同的和不同的个体组成，他们应该有能力进行自主合作、消除冲突，通过相互配合、协作的作战方式执行任务，具有同时攻击多个敌方目标和能提高杀伤概率的优点。陈侠等[54]针对多无人机协同打击的攻防博弈问题，建立了多无人机协同打击任务的攻防博弈模型，给出了h人有限策略静态博弈模型与纯策略纳什均衡的求解方法。马国欣等[55]为实现多导弹协同攻击同一目标，提出一种法对于无角度约束和有角度约束的情况均适用时间协同分布式导引律设计方法。Yao 等[56]为解决多无人机在对抗环境下的风险问题，提出一种协同攻击任务分配算法，此算法可降低无人机群在后期的环境风险问题，且较遗传算法有更好的求解结果。

智能无人系统总体上还处于发展初期阶段，智能化是无人系统的重要发展方向。如何提高无人系统的智能自主水平是当下的研究重点[57]。从目前研究结果可以看出，智能算法的应用有助于解决复杂系统的建模问题，并且将人工智能技术以及网络技术等引入到仿真系统，以此形成智能自主仿真系统是未来智能无人系统的研究重点。

4.2.3 智能自主仿真系统

自20 世纪初，美国作为无人作战系统建设领先国家就开始开展无人作战装备智能化转型。随着人工智能技术与战争形态的不断发展，各国已将作战智能认知技术作为关键颠覆性领域，并对其未来发展做出长期规划。

2007年，美国国防预先研究计划局（DARPA）受到“深蓝”计算机在国际象棋比赛中战胜世界冠军加里·卡斯帕罗夫的启发，提出了一套“深绿”计划。深绿由“指挥员助手”人机接口系统、“闪电战”仿真系统和“水晶球”控制系统组成。DARPA利用动态数据驱动应用系统的基本思想，将仿真和实验/试验有机结合，使仿真可以在执行过程中动态地从实际系统接收数据并做出响应[58]。

2016年6月，美国辛辛那提大学开发的Alpha AI 人工智能与美国空军上校吉恩·李通过空战模拟器对战，Alpha AI 大获全胜。在模拟空战中，应用厄内斯特在辛辛那提大学开发出的名为“模糊遗传树”的算法，实现了“动作及简单战术行为”，凭借有着快于人类200 余倍的反应与计算速度，最终在虚拟的模拟飞行对战中完胜对手[59]。

2019年5月，DARPA 发布空战演进（Air Combat Evolution, ACE）项目，项目通过空中格斗的自动化和智能化来增强飞行员对战斗自主性的信任。ACE 采用自下而上的方式开发战斗自主性的性能及对自主能力的信任。如同训练飞行员一样，ACE 通过将空中格斗算法应用到难度和真实感不断增强的任务中来训练算法[60]。该项目将自动空中格斗的战术应用到更复杂的、异构的、多飞机的战役级模拟场景，为未来实时、战役级的马赛克战试验奠定基础。

圣塔菲研究所于1994年提出并开发的Swarm平台，提供了实现建立基于Agent 仿真模型的、可共享的基本对象类库以及运行基于Agent 的仿真模型的控制引擎或虚拟机[61]。澳大利亚ADFA开发了RABBLE[62]，采用MAS 结构，增加了学习机制，使仿真群体行为利于决策。澳大利亚的AOD 开发的SWARM 和Battle Model[63]，可对空战中的飞行员、战斗机管理者、传感器管理者、空战防御指挥官以及地勤人员进行Agent 建模。

此外，由于国内对智能自主系统的研究起步较晚，相比于美国还有很大的差距。目前，各个高校与研究所之间联合协作也取得了一些成果。由北京理工大学人机交互课题组开发的BitMod系统，采用面向对象的模块化设计，可以完成自主模型的可视化创建及属性编辑等功能。由国防科学技术大学建立的JCass 系统[64]，是一个针对复杂系统的、采用基于Agent 的建模与仿真方法的分布式仿真平台，能够满足复杂系统和网络Cluster 环境特点的要求，且方便用户的使用。

5 结束语

在目前军事需求与技术进步的推动下，无人作战系统的仿真研究工作处于快速发展的阶段。本文从集群系统仿真与智能自主系统仿真入手，分析其目前研究工作的主要难点，并对其近年的发展概况进行总结。

随着建模仿真技术的不断发展，无人作战系统的仿真会对无人作战系统的发展产生极大的推动作用，是研究无人系统作战不可或缺的支撑手段与重要工具。根据查找相关文献，以及作者自身在研究过程中的总结，下面简要介绍未来可能的发展方向以及难点。

（1）多域作战仿真理论需要进一步发展。对于多域作战这样的新兴概念，需要建立一种与其形态相适应的指挥控制理论——多域多环嵌套理论，构建多域作战指挥基本模式，指导跨域作战指挥控制系统建设[65]。并且多域作战空间的情报数据存在异构分散、碎片化、不连续和非结构化等问题，特别是网络、电磁和太空目标的跨域信息融合尚处于空白阶段。未来对于多域作战仿真，需要对这些认知领域也进行建模，以尽可能还原作战场景。

（2）转变对复杂无人作战系统的评估理念。面对无人作战这样的复杂系统，传统的评估方法难以反映系统的自适应性、整体性、不确定性等特点，另外，传统方法的指标选择存在较强的主观性与片面性，这样会导致评估结果的不准确与不合理。目前，随着军事大数据与深度学习等方法的出现，需要转变对体系能力评估理念的理解，引入新的体系建模理论和效能评估方法。应大力发展以数据驱动为机理的评估方法，将“指标树”转化为“指标网”，探索体系能力微观与宏观之间的联系。

（3）开展智能自主系统仿真试验鉴定技术。随着以深度学习为代表的机器学习研究的兴起，使得人工智能、大数据与智能自主系统建模仿真之间的深度融合有了进一步的发展。对于智能自主系统仿真，我国需利用各类新型仿真技术手段开展对于关键性技术的试验评估。通过集成各类仿真技术，开展连续自主性仿真试验，实现大样本并行仿真多种想定场景和测试无人自主系统的作战效能。

（4）进一步重视LVC 技术在军事训练领域的作用。LVC 技术通过将实装、仿真器、虚拟数字系统整合在一起，构建更加逼真和复杂的训练和复杂任务环境，能够更好地解决多系统融合仿真的难题，以及更好地模拟未来战争，应对未来多域联合作战的挑战。世界各国将LVC 体系对抗仿真系统应用于军事演习，拓展了军事训练的手段方法，且极大地提升了战役战术联合训练水平。但目前LVC 集成带来的互操作和安全问题限制了各国充分利用其实现联合训练的潜力，未来需要需进一步重视基于LVC 的仿真与训练，提出解决现有问题的通用架构与方法。