首页资讯军事 智能化作战的核心能力,智能导弹是一种采用具有更高的目标分辨

智能化作战的核心能力,智能导弹是一种采用具有更高的目标分辨

翟佳 郭单 李元 董毅军事技术决定战争形态。人工智能作为最重要的颠覆性技术,在军事领域的运用日趋广泛深入,成为引领世界新军事革命的主要因素,未来必将改写战争规则,催生智能化战争。智能目标识别,作为一项面向探测预警、情报侦察、态势感知、精确制…

翟郭嘉李丹园东一

技术决定战争形态。人工智能作为最重要的颠覆性技术,已经广泛应用于军事领域,成为引领世界新军事革命的主要因素。未来将改写战争规则,催生智能战争。智能目标识别是许多军事应用领域的关键使能技术,如探测预警、情报侦察、态势感知、精确制导等。,以人工智能为技术手段,可以解决战场自动目标识别的关键问题,是打赢未来智能化战争的重要手段之一。智能目标识别横版空诞生,铺天盖地。

“一旦新技术在现有技术体系的堤坝上打开一个缺口,汹涌澎湃的浪潮到来就不会太远。”这句话可以用来形容智能目标识别。

2012年,以深度学习为核心的智能目标识别在学术界声名鹊起,这一切都要归功于当年的ILSVRC评测。ILSVRC是近年来机器视觉领域最受追捧、最具权威性的学术竞赛之一。它代表了目标识别、定位、检测等机器视觉领域的最高水平,以图像和视频为数据源。在此之前,最好的Top5算法的分类错误率在25%以上,而2012年AlexNet在比赛中首次使用深度卷积网络的智能目标识别方法,错误率仅为16%。之后每年都有新的好结果出现。目前最好的Top5分类错误率在5%以下,已经超过了人类的识别水平。

2018年,一篇源自洛克希德·马丁公司的新闻稿,将具有智能目标识别的远程反舰导弹(LRASM)推到风口浪尖。该新闻稿称:“德克萨斯州戴斯空军基地第337试验中队的B-1B在加利福尼亚州穆古角的海上发射了LRASM,成功击中了海上目标并实现测试目标。”这其中,智能目标识别贡献了巨大力量。

AlexNet模型框架2018年,洛克希德·马丁公司的一份新闻稿将具有智能目标识别功能的远程反舰导弹(LRASM)推向了风口浪尖。新闻稿说:“得克萨斯州Days 空军事基地第337试验中队的B-1B在加利福尼亚州古牧角海域发射了LRASM,并成功命中海上目标,实现了试验目标。”其中,智能目标识别贡献很大。AlexNet模型框架

LRASM是美国海军和DARPA正在研发的新一代反舰巡航导弹,可以为美国海军提供先进的反水面作战能力,打击远程目标。高度智能化的目标识别能力,使LRASM能够根据识别算法对目标区域探测到的多种不同信号进行分类,逐步缩小不确定区域,最终实现复杂战场环境下的舰船目标识别,根据目标的几何特征打击特定目标点,从而形成高度独立的作战能力。智能目标识别制胜的内在机制

在信息化战争中,动态的海量数据已经超过了人脑处理能力的极限,智能目标识别的出现有着天然而迫切的需求,但内在机制才是其表现突出的关键。

智能目标识别是人工智能技术的途径。通过接收和检测目标和环境的数据,进行有效的特征提取和样本积累。经过充分学习,可以实现对未知目标的认知和识别,从而确定目标的类别、真实性、属性等信息。与其他目标识别方法不同,智能目标识别具有自主学习、智能推理和在线升级的特点。

智能目标识别衍生于自动目标识别(ATR)技术理论体系,伴随着人工智能的演进,逐渐呈现出独有的特点。自动目标识别技术的发展最早可追溯到20世纪60年代末,经历了近50年的发展历程,提出了多种多样的自动目标识别算法。纵观自动目标识别领域的发展,始终在致力于提高自动目标识别系统的自适应和学习能力。早期的系统以模式识别为主,其后发展了基于模型和基于知识的识别系统,又将人工神经网络、支持向量机等机器学习技术应用于自动目标识别领域。2006年,伴随着大数据技术、高性能计算资源的发展,以深度学习为核心的智能目标识别终于应运而生,并在图像、语音、语言识别等领域获得了成功的应用,成为解决自动目标识别问题的一种有效途径。

LRASM打击体系示意图智能目标识别源于自动目标识别技术的理论体系。随着人工智能的进化,逐渐呈现出其独有的特点。自动目标识别技术的发展可以追溯到20世纪60年代末,经过近50年的发展,各种自动目标识别算法被提出。纵观自动目标识别领域的发展,我们一直致力于提高自动目标识别系统的自适应和学习能力。早期的系统主要基于模式识别。后来发展了基于模型和基于知识的识别系统,将人工神经网络、支持向量机等机器学习技术应用于自动目标识别领域。2006年,随着大数据技术和高性能计算资源的发展,以深度学习为核心的智能目标识别终于出现,并成功应用于图像、语音、语言识别等领域,成为解决自动目标识别问题的有效途径。LRASM打击系统示意图

以深度学习为核心的智能目标识别之所以能够脱颖而出,原因在于其实现了人工智能技术从“计算”到“学习”的转变。此前,人工智能算法大都基于已知规律或确切逻辑关系建立数学模型,建立后即可运用,其核心是计算,智能实现就是按规则演算。这些算法虽然准确高效,但它们只能按照既有程序进行计算,无法应对超出程序设定的变化,是封闭的静态系统。深度学习则不同,它由多层模拟的神经元网络组成,建立后不能直接使用,必须先进行大量训练,在训练中不断提高,进而变得越来越“聪明”,是一个开放的动态系统。通过海量数据的训练,神经元网络逐层递进并提取出物理世界的各种特征,发现其模式、结构、规律,不断“进化”出更高的智能水平,其核心是学习。经深度学习形成的人工智能,一些方面甚至会超越人类。

深度学习的机理以深度学习为核心的智能目标识别之所以能够脱颖而出,是因为它实现了人工智能技术从“计算”到“学习”的转变。此前,人工智能算法大多是基于已知规律或确切的逻辑关系建立数学模型,建立后即可使用。人工智能算法的核心是计算,智能的实现是根据规则进行演算。这些算法虽然准确高效,但只能根据现有程序计算,无法应对程序设置之外的变化。它们是封闭的静态系统。深度学习则不同。它由多层模拟神经网络组成,建立后不能直接使用。它得先经过大量训练,然后变得越来越“聪明”。这是一个开放的动态系统。神经网络通过对海量数据的训练,一步步推进并提取物理世界的各种特征,发现其模式、结构和规律,不断“进化”到更高的智能水平,其核心是学习。深度学习形成的人工智能的某些方面甚至会超越人类。深度学习的机制

随着空现代战场的扩展,复杂多样的战场探测器遍布陆地、海洋、空、外层空和电磁网空,适用于智能目标识别的探测数据也得到空前的扩展。通过点信号级、序列信号级、图像级

在侦察预警方面,美国DARPA实施的目标识别与自适应(TRACE)项目力求发展一种精确、实时、低功耗的雷达目标识别系统,有效降低密集作战环境下诱饵和背景对目标识别系统效能的影响。在情报分析方面,美国密苏里大学利用智能目标识别技术对微缩图像进行分析,搜索识别中国东南沿海的反[/k0/]导弹阵地,在准确率与人工目测基本相同的情况下,识别效率提高了81倍。在精确制导方面,美国的“心灵之眼”项目侧重于自动接收和解读真实场景图像,可以快速自动识别潜在威胁,为目标打击提供依据;在电子认知方面,美国的行为学习自适应电子战和自适应雷达对抗项目都侧重于如何将智能目标识别应用于雷达电子对抗过程,以便快速识别敌方新的和未知的无线电威胁。

智能目标识别赢了。

未来战争的关键一环

算法是人工智能技术的核心,算法更强的一方能够快速准确地预测战场态势,创造最佳战术,实现“未战先胜”。作为许多军事应用中的关键使能技术,例如探测和预警、情报侦察、态势感知、精确制导等。在战争智能化过程中,智能目标识别是赢得算法战的重要手段之一。

一方面,智能目标识别是获得学习优势、认知优势和决策优势的关键。一是通过知识积累和优化,准确提取目标特征,缩短个体“学习曲线”;二是能及时有效处理海量情报数据,促进数据处理水平快速增长,有效解决“信息迷雾”;三是具有适应能力,能为指挥决策提供有力支持。

另一方面,智能目标识别是战斗空扩大和战斗时间压缩的关键。现代战场,作战空空间延伸到陆地、海洋、空、外层空和电磁网空。遍布战场的各种传感器产生的情报侦察监视预警信息呈爆炸式增长,导致战场信息收集不及时,有效信息输出时效性低,反馈错误严重。与此同时,无人机、蜂群等新型智能武器装备的引入和新的作战样式,对指挥员决策的及时性、准确性和灵敏性提出了更高的要求。

智能目标识别可以把人从生理极限中解放出来。基于自主学习、智能推理和在线升级的技术优势,整合不同数据源,提高数据处理和数据挖掘效率,缩短观察、判断、决策和行动(OODA)回路的反应时间,降低战场态势感知的不确定性,在智能决策、指挥协同、情报分析、电磁网络攻防等关键作战领域发挥作用。满足智能目标识别

带来的挑战和机遇

智能目标识别在未来战争中的发展趋势既是一个重大挑战,也是一个难得的机遇。近年来,美国等国家积极探索智能目标识别在物理域、信息域、认知域等战争空中的创新应用。要谋求构筑新高地的军事优势,就必须冷静、客观、全面地分析智能目标识别的适用边界、科学问题和技术短板,既推动理论创新,又避免盲目追求。我们不仅大力发展和推进智能目标识别的研究,而且积极探索非对称反制手段和威力手段。

智能目标识别绝非万能。一是脆弱性。智能目标识别优良的表现,并不意味着其完美无瑕、毫无漏洞。以图像智能目标识别为例,当攻击者利用智能目标识别算法模型的漏洞,在装备目标上加装特定伪装图案后,便可对卫星、无人飞行器和各类智能装备背后所依赖的军事图像识别系统进行攻击,使其无法正常识别视频图像内容。为应对新形势,一方面需要利用智能目标识别技术研发新型军事装备;另一方面要了解对手可能采用的智能对抗技术和装备,并寻找其中的算法漏洞,研发相应的防御和反制措施,使智能目标识别在攻与防的环境中不断发展。

智能对抗案例智能目标识别绝不是万能的。一个是脆弱性。智能目标识别的优秀表现并不代表它完美无瑕。以图像智能目标识别为例,当攻击者利用智能目标识别算法模型的漏洞,给设备目标加上特定的伪装图案,就可以攻击卫星、无人机以及各种智能设备背后的军事图像识别系统,使其无法正常识别视频图像内容。为了应对新的形势,一方面,需要利用智能目标识别技术来研发新型军事装备;另一方面,需要了解对手可能采用的智能对抗技术和装备,找出算法漏洞,制定相应的防御和对抗措施,使智能目标识别在攻防兼备的环境中不断发展。智能对抗案例

第二是透明度。智能目标识别模型的复杂性给它带来了非凡的预测能力。但如果其提取的深度特征不直观,就很难理解算法的决策过程,也很难分辨出具体动作背后的逻辑,识别风险就会不可控,识别算法的适应性也无法准确估计。

2016年10月,DARPA发布了“可解释人工智能”项目(XAI)的广泛机构公告。其目标是建立一套新的或改进的机器学习技术,生成可解释的模型,并结合有效的解释技术,使最终用户能够理解、信任和有效管理未来的人工智能系统。通过这个项目,新的机器学习系统将能够解释自己的逻辑原理,描述自己的优势和劣势,并解释自己未来的行为。

智能目标识别实战化之路坎坷艰辛。目前,智能目标识别还不适于强杂波的、拥挤的、复杂的、快速变化的军事应用场景。以美国为代表的军事强国早在40年前就期望实现精确制导系统的智能化,但目前大多数导弹系统并没达到智能目标识别的预期目标,这包含智能目标识别在数据、算法、理论方法等层面遇到的应用瓶颈和科学问题。

DARPA 的XAI项目总体框架实战中的智能目标识别之路坎坷而艰辛。目前,智能目标识别不适合强杂波、拥挤、复杂和快速变化的军事应用场景。早在40年前,以美国为代表的军事强国就期望实现精确制导系统的智能化,但目前大多数导弹系统都未能实现智能目标识别的预期目标,这其中包括智能目标识别在数据、算法、理论方法等方面遇到的应用瓶颈和科学问题。DARPA XAI项目的总体框架

第一,难以保证数据的充分性和有效性。数据的充分性和有效性将直接影响智能目标识别的性能。但在实战中,战场环境的复杂性、目标特征的不确定性以及对抗条件导致的信息不完全性,会导致目标特征的不可重复性、杂波背景的复杂多变、低对比度、远距离、伪装、隐蔽和干扰、外部场景的多变性(不同地理区域、战场条件和气象条件)等问题。当提供的数据集稀疏、不完整、分布不均匀且质量不足时,许多智能算法不会表现出良好的性能。

第二,现有算法的局限性需要被打破。许多现有的商业智能目标识别算法的一个重要限制是它们对训练数据集的批处理。在使用批处理的时候,需要一次性得到所有的训练数据,这样学习算法才能构建出可以在实际应用场景下运行的模型。当积累的数据量不能满足训练需求时,就需要深度网络来实现在线学习和现场训练。然而,如何设计鲁棒的在线学习方法仍然是军事应用中的一个棘手问题。同时,针对复杂战场环境下无法获得数量充足、分布全面、质量优良的样本数据的实际问题,需要结合无监督、半监督和有监督方法,从先验知识和关键特征中学习,减少对数据的依赖,探索对噪声不敏感、完全可以使用稀疏标注或无标注数据集的学习方法。

第三,智能目标识别缺乏理论支持。由于缺乏科学的理论支持,也缺乏确定智能目标识别系统性能边界的信息理论度量,智能目标识别系统的性能难以理解和预测。同时,军事领域的智能目标识别缺乏测试领域的研究,尤其是测试、验证、试验、评估和鉴定的核心技术体系,基础支撑理论、综合测试环境、评估指标体系等关键基础问题尚未取得实质性突破,智能目标识别在军事应用领域的准确性、可用性和有效性无法得到解答。

编辑:颜歌

本文来自网络,不代表管理窝立场。转载请注明出处: https://www.guanliwo.com/a/zx/41639.html
上一篇璁ょ煡鍩熶綔鎴樼殑姒傚康,鍐崇瓥涓績鎴樻蹇靛浘,璁ょ煡鍩熶綔鎴樼殑姒傚康
下一篇 美太空武器,美国太空部队装备,美太空武器
管理窝

作者: 管理窝

这里可以再内容模板定义一些文字和说明,也可以调用对应作者的简介!或者做一些网站的描述之类的文字或者HTML!

为您推荐

评论列表()

    联系我们

    联系我们

    0898-88888888

    在线咨询: QQ交谈

    邮箱: email@wangzhan.com

    工作时间:周一至周五,9:00-17:30,节假日休息

    关注微信
    微信扫一扫关注我们

    微信扫一扫关注我们

    关注微博
    返回顶部