|
如今，新兴技术推动了各行各业的发展，人工智能（AI）、机器学习（ML）、虚拟现实（VR）和增强现实（AR）等新名词已经频繁出现在生活中。大量的资本投入促使了这些技术在民用领域的快速发展。民用领域的使用环境以合作环境为主，有利于新技术的发展。但是对于军用领域来说，其中存在着战争迷雾和博弈对抗，还存在数据缺失的问题，并且将AI直接用于武器装备也带来了道德层面问题，所以将新技术首先用于军事仿真训练领域是一种过渡办法。在过去，工业部门参与军方训练相关工作时，往往被要求为军方用户制造、交付硬件。如今，更多的交付物已从硬件（产品）转移到软件（服务），这是军工行业的重大转变。数据驱动的交付物可能会在技术需求上跟当前有很大的不同，例如要求交付无形的源代码给了新技术更多的施展空间，软件产品的附加值和利润反超了生产大型硬件产品，使得新技术得到重视和发展。通过近些年的快速发展，航空训练设备与实装的一致性、训练效率以及设备小型化等方面已经有了明显的提升。  01 人工智能技术在训练中的应用 1. 用于战术对抗训练 由专家把航空装备在任务级、交战级等不同颗粒度对抗中的基础交战规则进行抽取，将规则模型化，由人工智能技术在此基础上进行组合和扩展，在一定的战场环境中驱动实体进行交互，使其行为具有保真度。一种比较典型的算法框架为“遗传模糊树”，本质上是基于演进式的推理系统，能够利用人类作战的专家知识库，帮助其在多实体协同作战中形成实时快速决策能力。 美国辛辛那提大学开发的人工智能多实体、中距空战对抗系统，称为“阿尔法”（ALPHA），已经在公开的报道中击败了美军经验丰富的退役飞行员。该系统作为红方，控制4架F/A-18飞机从大约95千米处进入，对抗蓝方由美军退役飞行员驾驶的2架F/A-18飞机，蓝方同时有预警机支援，在态势上有优势。并且退役飞行员的武器数量和射程均优于红方。蓝方飞机目标是突破红方在海岸线的防守，经过多回合对抗，结果都是退役飞行员被击落且红方没有损失。“阿尔法”具备了一定的容错能力和强大的认知能力，能做出清晰的判断和准确的操作，比人类快250倍。人工智能没有情绪，很理性，反应快，能预测人类飞行员的行为，迅速在进攻和防御之间切换。 图1 “阿尔法”演示场景 这种使用AI驱动的系统非常适合用于飞行员的战术训练，具有成本低、易部署、行为较为准确的优点。当然，该技术也可以用于未来可预见的有人/无人协同作战的场景的训练。通过类似于“阿尔法”这种人机对抗训练，首先能增强飞行员对AI的信任，采用由易到难的方式发展自主空战能力及人类对飞行器自主能力的信任，通过不断增强空中格斗算法的难度，由中距空战向近距空战发展。AI驱动的行为让无人机具有一定更为复杂的自主能力，有人机飞行员可能会从传统的飞机员变成机队的指挥员，在编队中指挥多个高自主的无人平台作战。 2. 用于机载训练系统 在和平时期开展航空兵的实装、体系化对抗训练是一种能有效维持和提升战斗力的手段。在超视距迎头空战中，假如双方知道彼此的位置，很难在远距离将对手击落。想击落对手，往往需要多次进入、发射、偏制、规避，比的就是谁失误少，还有谁能抓住对手失误来放大自己的优势。AI本身有着几乎不失误的优势，适合成为虚拟对手与人类飞行员开展超视距空战训练。同样对于近距格斗，尽管狗斗在未来可能发生的概率已经不太大，但是也是一种必不可少的技能。机载训练系统在飞机的任务系统中增加了生成具有强对抗性的空中和地面虚拟目标的能力，使飞机能随时随地的开展“实”对“虚”的对抗训练。传统的训练系统采用实装对抗的方式，训练中没有加入虚拟目标或者智能程度很低的单一目标。将AI驱动的具有对抗性的数字实体和真实飞行的结合，将虚拟实体融入到机载传感器后，飞行员可以按照装备本身作战飞行程序使用任务系统训练。 图2 智能敌机架构 AI驱动的嵌入式程序可以让目标模仿出类似人类的行为，甚至比专家的动作更为准确。这种程序代替了过去的预先编程行为，使虚拟目标更加“人类化”。目标会对态势产生实时响应，因此飞行员无法简单预测虚拟目标的行为，这促使飞行员需要提前判断目标的行动意图并调整战术。数字化武器弹道仿真和实时评估是在机载计算机里完成的，因此飞行员会立即知道自己是被击中还是被击落。“敌人”的模拟雷达也可以把工作状态发送到实装飞机总线中，激励本机的告警设备做出响应。 02 机器学习技术在训练中的应用 随着训练需求的发展，利用数据分析的结果进行训练优化是提高训练效率和水平的有效解决方案。数据早已成为一个网络热词，对数据的有效分析和利用对各行业能起到很大作用。在航空训练领域，数据已经存在很长时间了，但是尚未充分利用这些数据使其能发挥潜力。这主要是因为涉及军用数据的最大障碍是工业部门或者其它机构的访问权受限。缺少对所需数据的访问权限可能会阻碍利用机器学习技术去开发解决方案。训练数据和仿真数据的敏感性相对较低，这使得机器学习技术有了施展空间。 机器学习算法需要学习一定规模的数据，因此随着对正确数据的访问增加，这些算法变得更智能。此外，大数据不一定比小数据好，重要的是要有正确的数据。基于各种数据源的相关性，形成所需要的数据集后才能得出有意义的结论。基于训练数据集的深层神经网络，是目前一种比较主流的预测训练效果表现的方法，被证明具有实时预测训练表现的能力，可以更有效地修改训练内容以保持学员的参与度，从而帮助转移和保留必要的技能。 图3 简易桌面模拟器 它将使计算机能够自动化那些完全客观的过程。比如在练习密集编队科目时，人类教练员不容易评估以英尺或毫秒为单位的偏差。但是用计算机自动评估工具可以测量、显示，使评估标准化并跟据客观标准分析实时数据，给出评价结论，从而使人类教练员有能力关注更多主观因素。 有些学员学习得更快，有些学习得慢。通过数据分析，暴露出训练过程中存在的问题，根据个人能力水平评价结果进行调整，提高或降低训练复杂性，加快或放慢训练进度，为持续改进过程提供了直接和客观的见解，从而可以优化培训大纲。这种闭环训练系统实现个性化培训，适应学员当前的知识储备，让其保持最佳学习水平。 图4 加拿大CAE公司 Rise数据分析工具 该技术还用于监测、统计学员的生理特征，分析他们在面临不同困难程度情况下的生理反应。学员在心脏附近佩戴监测传感器，可测量心率、呼吸频率、脉搏和血压，查看学员对任务的反应程度。例如，它可以检测当前科目是否对学员过于简单或困难。当学员遇到飞机单发失效或者任务临时改变，或者遇到了恶劣天气，敌方战斗机或地空导弹来袭时，可以分析学员心理的变化。 03 混合现实技术在训练中的应用 大量基于XR（增强现实AR-混合现实MR-虚拟现实VR）的设备或软件投入到了仿真训练中。MR处于虚拟现实（完全合成）和AR（完全现实）之间的中间地带。VR应用于训练领域相对较早，但在用于飞行员训练时由于看不见物理环境，飞行员无法与驾驶舱进行交互，缺乏触觉反馈。如今，触觉手套技术成为了发展方向之一，使开发者更容易将触觉手套和动作整合到基于虚拟现实（VR）的培训解决方案中。这种紧凑型装置重量轻，便于携带，利用力反馈和虚拟驾驶舱控制交互，以提高沉浸感和训练真实感，并可配置各种飞行和驾驶员控制器，价格远低于传统大型模拟器，提供较高的真实感和持久的训练效益。通过让他们像在现实世界中那样自然地使用双手来提高肌肉记忆，这将改变未来模拟训练的方式。 MR的出现给这个难题带来了另一种解决办法，该系统使用物理接口和虚拟接口的组合，使人员可以从虚拟世界看见驾驶舱，解决了与物理驾驶舱交互的问题。 图5 AR与MR区别 MR技术结合了物理环境和计算机生成（或虚拟）信息，在设备小型化的同时还具有让眼部舒适的分辨率和视野。在某些情况下，这些利用MR技术的小型化、便携式和可机动部署的训练系统将分担当前传统训练系统（如全任务模拟器）上开展的一些训练任务，从而分担了对这些高端的任务模拟器或者实装的占用。 在接下来的10年中，MR将成为仿真训练重点关注的一项技术，对于航空兵训练而言，MR技术可以部分取代传统的、笨重的、对场地要求高的球幕投影系统；对陆军的单兵训练，MR这种头戴式设备具有可移动的优势，可灵活部署用于户外训练，而这是通过传统的固定培训系统无法获得的使用方式。 图6 L3 Link BBXR混合现实模拟器 目前，头戴式设备的运动跟踪由放置在房间周围的传感器来感应用户的位置。在未来的几年中，这种跟踪方式逐步转为内置于头戴式耳机中，它使用摄像头来感应用户的位置，而无需在周围空间中放置外部传感器。 04 小结 新技术使航空训练不断发展以提高训练的效率和战备状态。新的训练方式从过去的集中训练在向基于云的分布式训练转变；从以训练内容为中心向以学员为中心转变；训练系统中智能化、高保真的目标是提升训练效果的关键因素。目前用机器学习方法开发的空战程序已经表现出了动作准确、反应快、信息处理快、以及最重要的在特定范围内几乎不犯错误的优势；头戴式训练设备其在视景上有较高的代入感，在成本上比传统模拟器便宜得多，在物理尺寸和应用程序成熟度方面也有优势。但是在短期内，传统高端模拟器凭借在触感和人机界面方面有优势，不会被创新产品取代。后续，采用通用化硬件和定制化软件的模拟器是提高效费比的好办法，可以作为一种补充，能够提供额外的准备和训练时间，加快知识转移，以便在高端的模拟器中进行更有针对性的训练。 |
|
|
