智能化无人系统集群将改变未来战争格局

分布式与协作智能系统和技术（DCIST）协作研究联盟（CRA）计划

不同类型的无人系统有各自适合的任务领域。例如，无人机可能会比地面无人车更擅长穿越障碍物，但地面无人车可能比无人机更适合远距离机动。美国陆军领导人认为，下一阶段的战争将需要能够动态适应环境挑战的无人系统混编团队的支持。若要实现不同类型自主系统的协同，则需要一种能够告诉编队内每个系统平台如何移动、筹划和通信的核心策略。为了填补这一技术空白，美国陆军作战能力发展司令部下辖的陆军研究实验室启动了分布式与协作智能系统和技术（DCIST）协作研究联盟（CRA）计划。

DCIST协作联盟项目经理Brett 　Piekarski表示，美国陆军许多与“多域作战”概念相关的路线图和自主系统战略文件都依赖于空中和地面自主系统的异构混编。目前，美国陆军研究实验室在机器人协作技术联盟和微自主系统协作技术联盟方面做了很多很好的工作，但在自主系统协作方面仍然存在技术空白。美国陆军认为，自主系统协作是实现陆军未来作战概念的关键要素。协作技术联盟是陆军、私营企业和学术界之间合作的桥梁，专注于创新型科学技术的快速转化，以解决陆军的实际需求。

DCIST　CRA与全美学术界的领军者合作，旨在引领能够在未来复杂、高对抗的“多域作战”环境中扩展机动范围、增强态势感知并提高作战效能的科学技术。DCIST项目专门研究分布式智能、异构群组控制、自适应和韧性行为，以及结合所有三个研究领域的跨学科实验。鉴于该项目的规模和范围，在协作研究联盟下取得的综合进展可以显著加快陆军在未来战场上取得技术优势的速度。

来自DCIST项目自适应和韧性行为部门的团队在今年的电气和电子工程师协会（IEEE）机器人与自动化国际会议上展示了一种新型分布式智能框架。该框架得到了波音公司的支持，引入了一种称为分布式局部搜索的新式分布式信息收集方法，使无人系统编队在信息获取和能源成本之间达到最佳的平衡状态，标志着DCIST项目达到了新的里程碑。

宾夕法尼亚大学电气和系统工程学院教授、研究团队负责人George 　Pappas表示，目前的分布式搜索方法大多是派出一支无人系统编队，让其中的每个无人系统都像蚂蚁一样执行小区域内的就近目标搜索。研究团队要解决的问题是，确定如何使无人系统集群成为更具战略性的团队，从更长远的角度思考并寻找更远的目标。这是第一次在此类问题中真正考虑能源成本等因素，因而引入了一类需要解决的新的优化问题。

早期的“坐标下降算法”

为了完成重要的陆军任务，自主无人系统编队需要一种可以最大限度地发挥集群中每个平台的能力，而不会将能源或时间浪费在不必要的行动上的策略。集中式方法可以对无人系统集群提供很大程度的控制，但是仅通过一个指挥站指挥机器人的行为会使作战行动容易受到单点故障的影响。采用每个无人系统对其自身运动进行规划的分布式方法能够在应对此类风险时具有更高的韧性，但完全缺乏协调将导致浪费团队资源的多余行动。

2014年，美国国防部对顶尖大学的研究人员提供了资助，旨在创造一种新的信息收集策略，使自主无人系统能够做出长远的明智决策，而非追求短期利益。为了应对这一挑战，Pappas和他的团队最初设计了一种坐标下降算法形式的新方法，即无人系统依次执行行动规划。在这种方法中，第一个无人系统以最大程度地减少不确定性的角度规划自己的运动，然后与团队中的第二个无人系统共享此信息。第二个无人系统在制定自己的计划时会考虑第一个系统的行动计划，从而保证自己不会朝着第一个无人系统规划的方向前进。然后第二个无人系统将信息传递给第三个无人系统，第三个无人系统会考虑前两个系统的计划。

加州大学圣地亚哥分校电气和计算机工程学院助理教授、DCIST项目首席研究员Nikolay　Atanasov表示，之所以称为“坐标下降算法”，是因为每个无人系统就像一个不同的坐标，“下降”是因为通过一次处理一个无人系统来最大限度地减少不确定性。研究团队证明，即使在最坏的情况下，这种分散式规划也将至少达到集中式规划最佳性能的50%。

兼顾探索性与经济性的“分布式局部搜索算法”

分布式局部搜索建立在“坐标下降方法”的基础上，将能源和降低不确定性之间的权衡考虑在内，这是大多数信息收集算法往往忽略的现实任务中的关键要素。研究团队希望无人系统更具探索性，以便这些系统能够作为一支团队来获取信息并减少不确定性，同时也希望无人系统能够节约资源（电量或耗费的时间）。分布式局部搜索算法能够以可扩展的方式在众多无人系统组成的集群内实现了探索性和经济性的平衡，这是DCIST项目的关键创新点之一。

借助分布式局部搜索，单个无人系统会定期与队友进行交流，并在团队内其它无人系统获得有关周围环境的更多信息时为团队推荐更明智的行进线路。在每次集群会话期间，无人系统会根据其对环境的了解来评估提议的动作，并确定未来行动的能量成本是否会超过潜在的信息增益。一旦所有无人系统达成一致，集群就会迅速采用更新后的团队计划。集群产生的解决方案在物理上更容易实现，也更有意义。这一前沿领域研究的不仅是如何让无人系统团队从一个地方移动到另一个地方，还包括如何让这些系统了解环境、对手和彼此。

DCIST研究人员进行了一项计算机模拟以说明分布式局部搜索背后的强大功能。在模拟演示中，地面和空中无人系统被放置在一个一半泥泞不堪一半伴有强风的环境中。地面无人系统在泥泞的一侧必须消耗更多的能量，而空中无人系统则会在有风的一侧消耗更多的能量。一旦配备了分布式局部搜索算法，随着时间的推移，该算法逐渐找到了将空中和地面无人系统分别分配到最适合其运动的区域中的解决方案，即地面无人系统学会了在有风的一侧搜索目标，而空中无人系统则学会了留在泥泞的一侧。相比之下，就近搜索算法只会设法使信息增益最大化，而没有考虑泥泞和风况等运动成本。

正如团队合作对士兵们在战场上成功完成任务起着至关重要的作用一样，无人系统集群在任务期间共同制定和修改计划的能力是陆军的一项重要技术优势。这种革命性的人工智能行为框架可能会引领大规模无人系统团队的发展，这些团队将能够快速适应意外的任务威胁并智能地规划适当的应对措施。智能化自主系统在高度动态的情况下协同规划的能力将为陆军在日益复杂的任务和作战环境中使用无人系统团队创造机会。对于美国陆军而言，分布式局部搜索等解决方案仅代表DCIST这一项目推动下所实现的技术突破的冰山一角。

DCIST项目的意义——解决复杂战场环境下的自主性问题

DCIST自适应和韧性行为部门负责人Jonathan　Fink表示，美国学术界的一些“高人”正在与陆军研究人员通力合作，以解决陆军在鲁棒的多智能体自主行为中最具挑战性的相关问题。比如，宾夕法尼亚大学的科研人员正在研究如何使用机器学习来加快自主智能体之间跨网络无线通信背后的计算速度。

美国陆军还在投资新技术，旨在实现抗干扰的通信能力。陆军拥有使这些智能体进行自主规划的算法工具，但研究工作的最终目标是找出能够加快或改进这些算法应用规模的新方法，目的是使这些算法工具在应用到大量智能体中时也能有效运作。尽管DCIST　CRA提出了一系列技术里程碑，但该项目的真正价值在于其研究如何针对特定的战场需求来实现美军相对于敌方的优势。

虽然商业公司生产的无人系统和人工智能技术可以满足普通消费者的需求，但战场上的士兵面临着无法保证对全球通信系统、基础设施或其他资源的持续利用的独特环境。对陆军相关任务的复杂性、独特作战环境和敌对性环境的关注推动了开发数据集和基本方法的研究，目的是将商业方法扩展到那些它们可能无法适应的战场限制条件下，这有助于确定商业市场驱动因素和用例通常无法解决的技术差距。

对于国防部以外的许多有贡献的研究人员来说，DCIST项目为他们提供了一种能够以自己认为有意义的方式为陆军士兵提供帮助的机会。虽然研究人员可以开展各种形式的合作，但DCIST的独特之处在于它是极少数能够引导研究界解决国家安全问题的项目之一。研究人员预测，美国陆军将在5年内拥有能够在大片区域内执行长期任务的大型陆地和空中无人系统编队。（转自：中国航空新闻网）