袁 翔,左 毅， 王 菁, 李婷婷, 孟祥夏, 吴云超

(1.中国电子科技集团公司第二十八研究所,江苏 南京 210023;2.信息系统工程重点实验室,江苏 南京 210023)

0 引 言

智能技术飞速发展，泛在网络支撑下的智能感知和打击装备的普遍运用，催生了智能化作战体系的雏形，对传统的作战体系形成了更加强烈的冲击[1]。

随着作战样式、作战空间和作战节奏的变化，战争对抗形态的变化对态势认知能力提出更高要求。面向瞬息万变的复杂的体系化作战，指挥信息系统在态势认知的广度、深度和速度，及研判预测准确性、可靠性等方面面临挑战。

从作战指挥内在需求看，态势认知是新一代指挥信息系统的必备能力。高度对抗的战场环境下，分布式智能自主决策的装备大量部署，战争资源敏捷最优化调度，加速了战场OODA嵌套环路的迭代。对战场全面精准觉察、判明战场态势是指挥决策和行动的先决条件，缜密迅速的战局预测和对抗效果评估，是支撑作战筹划、机动部署和遂行任务效率提升的基石。联合作战指挥员对态势认知提出了多维战场感知、深度洞察理解、战局演进预测以及对抗效果评估等深度认知[2]方面的能力需求。

从数据分析使能技术看，新兴技术发展为态势认知能力提供了新的发展途径。随着军队数字化转型工作持续推进，数据已然提升到“作战要素”的高度，技术推动了作战能力增值、业务模式重构。当前以机器学习为代表的人工智能新技术日新月异发展，与作战业务活动融合，其叠加效应、倍增效应正通过大数据技术及集成应用快速释放。互联网、物联网、云计算、区块链等数字化技术发展，在数据挖掘、关联分析知识图谱等智能计算技术推动下，赋能趋势预测、形式研判、辅助决策等战场应用[3]。

由此可见，数据发现和有效利用是态势认知的重要基础。对抗条件下非合作方式获取的数据，呈现残缺不全、隐真示假和高维开环等特征，同时多方威胁引发数据安全保密手段的竞争性加固，加剧了数据发现的难度。发现战场数据潜在关联特征，拓展感知的维度和深度，提升数据利用率，是支撑深度透析的基础，包括三个方面的技术。

1)基于数据提炼知识。从历史记录数据、武器装备功能性能、战法规则结合持续积累的战场主体活动模型数据、虚实对抗的模拟数据，从中获取军事实体、活动的知识，研究知识体系结构，知识提炼方法和知识演化机制，构建可持续演进的态势认知的知识体系。

2)基于数据驱动认知。综合融合当前观测的多元态势数据，结合先验知识数据，识别战场实体的属性和关系，预测对手的作战企图，评估其威胁影响范围，生成多粒度态势。

3)基于数据构造环境。利用实时获取的战场数据，驱动战场实体的行为模型，引入交战环境数据，构造数字孪生战场，形成复杂对抗条件下的态势研判推演平台，支撑全流程的态势认知活动。

1 技术发展背景

在科学领域，感知是对感觉的信息进行组织、识别和解释；认知是一种人们认识活动的过程，包含注意力、记忆、产生和理解语言、解决问题以及进行决策的心理过程的组合。

为了更清晰的描述态势认知能力发展的需求，我们再一次重新审视感知、认知、战场态势、态势感知和态势认知等几个概念。

感知是客观主体与自然界交互的过程，是感觉、知觉和表象的统称。简单地说，感觉的作用是了解环境中“有什么”，知觉的作用是识别和判断环境中的事物“是什么”，表象是被知觉的客观事物在头脑中形成的具象化表示。

认知一词来源于拉丁语词根“真知”，意味着了解和学习。认知是人们认识客观世界的高级阶段，是信息获取、分析、归纳、存储、研判、提炼等按规则进行相关活动的总称，认知过程也是获得知识和应用知识的过程。

战场态势是在特定的时间和空间范围内，敌对双方在军事力量、兵力部署、战场环境及其相应作战行动等状态和变化趋势的总称。

态势感知(Situation Awareness,SA)源于1995年Endsley[4],是指在一定的时间和空间范围内，对动态环境中各类战场实体快速判断当前及未来形势并作出正确反应。在指挥信息系统针对战场实体(敌我环)，获取战场要素，理解要素含义，分析要素间的相互作用，形成对战场状态的客观感知和准确表达，通常必备态势数据获取、态势信息融合和态势综合展示等三个核心能力。

态势认知(Situation Cognition，SC)是在战场态势感知的基础上，从全局视角对战场敌我双方的实体、活动及相互作用关系的识别、理解与分析研判的过程，涵盖指挥员依据作战知识和经验，鉴别、分析获取的信息，并试图理解战场情况、判断可能影响、预测未来趋势的全过程。态势认知的结果是指挥员决策、筹划和实施行动控制的基础，包括：觉察、理解、预测和评估。

态势感知和态势认知有区别又有联系，态势认知是信息技术发展高级阶段，它将认知计算技术融入指挥系统并形成的新型的支撑能力。回顾20世纪90年代美国国防部试验室联席理事会(Joint Directors Laboratory，JDL)提出的信息融合模型(见图1)，描述了对来自多源的信息和数据进行检测、关联、相关、估计与综合等多级多层面的处理过程，以得到精确的目标状态与身份估计，以及完整、及时的态势与威胁估计。结合文献[5]对战场态势功能的细化，我们可以发现其中0、1、2前三级主要是态势感知的能力，而2、3、4级主要是态势认知的范畴，两者有交错重合的部分。

图1 美国防信息融合模型示意图

结合人类模糊的先验知识、群体决策共识等认知计算技术，以数据积累知识，支撑态势理解，进而实现对复杂多变的战场态势分析和预测，为有效应对战场海量信息爆炸、消除战争迷雾、实现对战场“透明”认知提供智能化支撑，当前态势认知支撑技术已发展成为智能指挥技术的风口。

不断积累丰富的态势知识库以及机器认知技术，甚至更前沿的仿生认知技术，为早期目标编队特征、威胁动态评估、作战行动意图识别等态势觉察、理解、预测、评估过程中机器难于自主处理的问题，提供了智能化支撑手段，数据成为驱动业务流程发挥效能的原动力，作战知识体系更是成为态势认知计算的核心基础设施。

作战指挥内在需求牵引及数据技术驱动，为知识体系构建、多维态势觉察、态势深度理解、态势演进预测、对抗效果评估提出新动力。

2 知识体系构建

知识体系的研究包括知识架构[6]和可计算的知识数据两个层面，知识体系研究的重点在于其关联特征，涉及 “深度关联”研究知识的背景、“横向关联”研究知识间的相关性、“纵向关联”研究知识的抽象与运用以及知识点间的关联强度等四个方面的内容。

知识数据包括事实、信息的描述以及在实践中获得的实物技能(处理信息的方法)；知识体系是知识数据及其关联的集合。它是领域专家总结出来的、相对客观的，但任何知识体系都不存在任何绝对完善，需要持续演进完善[7]。

基于以上认识，构建驱动态势认知的知识架构，它分为三层：底层的基础知识是对客观事实的认定，包括实体知识和任务事件知识，实体知识涵盖人装物弹，以实体知识图谱为主要形态；任务事件知识以战场事件为主体，主要描述实体之间的关系，以事件图谱为主要形态；中层的提炼知识是经过统计、推理、演绎等方法，对某类主题的结构分析和总结，这一层主要为战法规律知识，通过提炼总结出的行动模式、规则和规律，以模型为主要形态，例如典型地域的事件模式，军事政治与经济行为的因果关系等；高层的高阶知识是在对事物规则、机理等把握的基础上，抽象形成对事物的预测和评估，这一层是以态势研判、预测等业务等业务主线的应用知识，以可再造流程为主要形态。同层间可根据业务领域规模扩展；在纳入基本规则和常识后，对下一层是归纳总结、凝练提升关系。知识体系架构图如图2所示。

图2 知识体系架构图

1)基础知识层基于实体知识图谱和事件图谱的技术已广泛应用，成熟度比较高[8]。但基于统计分类方法抽取的事件的特征抽取准确度有局限行，特别是事件的关联关系识别难度更大。运用时空运动状态匹配、文本语义解析、影像目标与场景识别等联合关联技术，研究并建立事件间的共指、因果、顺承等关系，构建事件知识图谱，支撑目标属性和战法识别、战场态势预测。

2)提炼知识层构建战法规律知识是当前研究热点。在限定主题数据集上，运用马尔科夫逻辑网、本体推理的联合推理方法获得了比较好的效果，但基于大规模开放域的知识提取研究仍处于起步阶段，尚需要研究者努力去攻关开垦。面向作战条令、军事教材或作战方案推演的博弈样本数据，运用战法规则的正则表达抽取和模式挖掘技术，建立战法规则的表征模型和基本元语，提炼兵力运用、协同等知识规则，但目前在开放域环境下抽取二元实体关系甚至隐含关系，现有方法难如人意。

3)高阶知识层涉及人类认知机理的理论研究还处于前沿探索阶段，基于小样本的元学习、非确定条件下的最佳行为决策以及常识类机器知识的产生等问题的理论基础还在完善之中。

为形成支撑知识体系持续完善的动力机制，需研究知识自演化技术。基于时序知识图谱增量构建方法、知识吻合度计算等方法，为知识增长和演化提供技术途径。

在大量知识数据积累的同时，必须同步考虑知识数据治理，建立平台化的知识确权、以及标准和模型管理、安全和质量管理、价值评估和共享管理等多团队协同治理能力。提高知识利用效率，降低风险。

3 多维态势觉察

态势觉察是将观测到的战场实体的状态、属性等多模态的数据进行关联融合，形成对战场目标当前位置、运动参数、身份、类型等在物理世界中客观画面的估计[9]，是态势认知的信息基础。信息系统数据驱动力表现在信息关联汇聚和目标身份辨析两个环节，如图3所示。

图3 多模态信息融合与感知示意图

1)多模态信息关联融合，跨越“异构鸿沟”和“语义鸿沟”，从视频、图像、文本、语音等多模态数据中挖掘关联关系，改善数据样本稀缺和信息不完全等特性，迭代构建多模态军事实体知识图谱，基于弱标注信息的异构实体及关系检测数据，训练跨模态系统学习的异构实体检测模型，解决多模态数据间高阶非线性关联计算时间复杂度问题，增强模态的语义表达能力，基于知识数据提高目标特征完全性。在大规模高机动目标时空特征估计实时处理基础上，结合具有低频高维稀疏特征的任务特征数据，需面向特定任务区域引入基于时间、空间关联的联合滤波策略，估计任务时间、空间的相对关系特征，实现大差异信息融合，支撑大规模关联计算。

2)强对抗条件下目标身份辨析，在前得到目标信息相关数据基础上，从多个维度估计目标身份、意图及相应的置信度。针对各类目标动能特征估算与历史活动规律的偏差，以及被侦获特征进行联合估计；进而引入置信度归一计算方法，解决多规则推理智能体证据冲突问题，实现对战场不明目标身份与意图的快速识别；最后于信度向量的余弦相似度，进行置信度融合，得到最终识别结果。

4 态势深度理解

在态势察觉的基础上，依据判明身份的目标活动状态信息，分析对抗双方的行为，洞察对手行动意图及对我达成行动的可能影响，就是态势理解[10]。在形成战术条令、战法知识、事件规律等抽象知识的基础上，对战场有关敌、我、环的各类数据按照知识和规则进行进一步的处理和组织，基于知识发现[11]隐藏在战场目标时空状态表象之下内在的协同/对抗关系[12]及影响范围。例如通过实时接入的目标探测数据，结合目标的典型活动样式模型，跟踪单目标空间状态或载荷工作状态的变化，识别协同关系、对抗特征，实现威胁动态变化过程分析，如图 4所示。

图4 态势深度理解与解析示意图

(1)多粒度聚合解聚分析

多视图实体聚合解聚比较复杂，特别是基于任务的动目标聚合解聚时空复杂度巨大。运用高分辨拟合任务群组技术，挖掘观测的单目标与群主目标关联关系，实现多层级战场实体聚合解聚分析，丰富完善战场态势分析维度。分析过程包括航迹切分、编队识别和任务剖面分析三个环节。

首先，针对高机动目标分离出运动元轨迹，标定元轨迹段特征(区别于探测的空间状态点特征)，该特征数据有效去除了实时观测数据的抖动，能够提高计算鲁棒性，大幅降低计算时间复杂度。

然后，面向特征轨迹段，计算轨迹相似性，提取目标任务趋向特征，改进单距离的敏感因子，从而提升高机动目标的分群准确性。

最后，针对动目标群组，提供面向任务剖面的队形征匹配能力，识别编队任务特征，满足大规模密集群内编队队形的识别要求。

(2)知识驱动的战法样式识别

将经验和战法等模糊、非确定的战法概念知识进行形式化表征，探索多元参数化表征军事、环境、社会等要素，将实时战场态势数据中提取的实时目标/编队的运动状态、任务载荷工作状态、战场环境等信息，建立模糊匹配模型，同时实现了基于可计算知识的态势理解和判断，破解决策的可解释性。

(3)基于多属性决策模型的威胁动态评估

基于目标类型、划定的区域等静态规则，存在着威胁评估不连续、可信度低等局限。以编队样式、处置剩余时间、航路捷径距离等数据为驱动，结合战法运用，综合敌我目标作战能力、任务企图、实时运动状态等信息进行多属性决策，基于意图、能力、机会三个方面对敌方目标威胁进行威胁等级、威胁对象、威胁方式等维度动态评估。

5 态势演进预测

态势预测[9]是在态势理解基础上，利用多方兵力作战能力、行动样式以及环境要素，预测战局整体的发展方向、多方优势变化等对抗能力走向的过程。通常态势预测是对特定域的定性分析，基于对抗样本数据训练生成的多方博弈模型，形成非完全信息的行为决策分析、减低试错时空成本等定量分析支撑方法。

面向态势预测需求，构建博弈对抗环境平台，不仅能够支撑多智能体对抗决策分析[13]，而且在提升多样化的对抗数据样本规模、分析战局演变链路等优化数据质量和规模方面具有广阔发展空间，如图5所示。

图5 基于对抗博弈环境的态势演进分析示意图

(1)多样化对抗数据样本生成

缺乏逼真的对抗态势样本数据，是制约态势分析智能技术发展的瓶颈。对基于初级网络对抗样本，运用课程学习机制逐步提升对抗的复杂性，针对态势特征、识别效能、模型参数的随机化等建立样本生成模型，促进其适配新环境，生成大量高逼真的态势样本。

(2)态势演变关键点分析

构造形成博弈收益矩阵。基于网络动力学方法，实现对动作节点的特征及其后续动作节点之间的关系描述，遍历整个节点网络；合并节点收益变化不大的前后节点，融合各节点，形成态势关键点。对态势关键点的聚类分析以及基于时序性、相似性的链路挖掘，形成态势演变链路。最终，根据战场态势演变关键点和链路，从而实现对体系对抗中作战重心、关键态势点、未来局势走向等态势决策的证据支撑与保障。

(3)敌方作战意图预测技术

建立了任务/目标双层意图预测模型，基于多头注意力机制提取指挥员关注重点，实现对敌方作战任务、作战方向的预测，预测结果输入给任务目标预测模型，实现了对任务重点打击目标的预测。

6 对抗效果评估

态势评估是指依据当前态势，将兵力分布、作战行动、战场环境等要素有机的联系起来，综合评估态势要素及兵力运用对总体战局的影响。

基于数字孪生技术，在构建的数字孪生试验环境下，结合体系对抗多维度、多场景、多要素、多尺度的特征，运用应用实体模型、交战知识数据，从体系性、对抗性视角[14]等构建基于数据的态势评估指标体系和评估模型，进行虚拟空间[15]下的态势综合量化评估。作战体系能力分析示意图如图6所示。

图6 作战体系能力分析示意图

7 结 语

认知技术作为人工智能发展的核心基础，各国从体系化智能建设之初，就将其作为重要支柱加以大力发展。美军2018年明确提出了四大类人工智能应用场景，其中态势感知是排在第一位的(其余三项分别为增强作战装备的安全性、实施预测性维修和补给、精简业务流程等)，以提升业务水平、取得战略优势。认知技术所蕴含的能力，特别是对体系对抗信息支撑，有着不可替代的作用。

成体系布局态势认知技术发展，未来数据驱动的战场态势洞察建议重点发展三个方向的研究：1)基础理论研究，厘清概念内涵，构建认知总体框架，明确要素组成；2)应用基础研究，实现数据知识化，积累领域知识，健全顶层数据架构，形成可计算军事知识资产库、知识模型；3)构建孪生对抗环境，虚实联动助力态势评估。