無人機整機
無人機配件
無人機服務
設備與工具機器人與人可以通過遠程遙現(xiàn)(romote presence.)和任務代理(taskable agency)這兩種方式進行協(xié)作。在國防部的大多數(shù)應用領域當中，系統(tǒng)都是以拓展作戰(zhàn)人員的可達領域，使作戰(zhàn)人員能夠進入拒止區(qū)為目的的。因此，基于聯(lián)合認知系統(tǒng)內(nèi)協(xié)作類型的特征描述，比基于人與機器人之間的接近性的一般性分類系統(tǒng)能更有效地表述人一機交互概念。
遠程遙現(xiàn)是指人通過無人系統(tǒng)來進行遠距離實時感知和行動。在遙現(xiàn)編隊當中，之所以仍然將人留在控制回路中，一方面是因為受計算機視覺限制，另方面也是為了能夠監(jiān)控未建模或意外情況。然而，留在控制回路中的人并不一定需要為了能在遠端環(huán)境中工作而充當機器人操作員的角色。編隊的工作表現(xiàn)取決于無人系統(tǒng)，因為正是由無人系統(tǒng)來補償因與機器人協(xié)作而造成的感知構建損失(例如，機器人通過環(huán)境效應使信息量減少)和最大程度地減少直接控制機器人的工作負荷。
任務代理是指將任務責任全部委派給無人系統(tǒng)。在機動智能體編隊中，人在交接完一項任務之后，必須負責處理其他任務，直到無人系統(tǒng)再次返回。較之遙現(xiàn)編隊，在任務代理編隊中，人與機器人之間的聯(lián)系較少，但是仍然必須保持人與機器人之間的交互，以確保任務委派正確無誤，任務意圖被充分理解，并且能在無人系統(tǒng)返回之后在認知層次上對發(fā)現(xiàn)成果進行匯總。信任度是影響機動智能體是否能夠順利得以推行的一個主要因素。
究竟選擇遠程遙現(xiàn)還是任務代理，主要取決于任務的實際情況。這兩種的作方式之間有著明顯的區(qū)別。不同的任務也需要采用不同的策略。例如：在行秘密監(jiān)視任務時，無人系統(tǒng)可能要在獨立工作數(shù)天或數(shù)星期之后，才能將有價值的數(shù)據(jù)帶回；而在執(zhí)行特種部隊任務時，則可能需要無人系統(tǒng)不間斷地執(zhí)行態(tài)勢警戒。
在無人系統(tǒng)研究過程當中，有許多人認為遠程遙現(xiàn)就是遙操作(Teleoperation)，而之所以將人仍然保留在控制回路中，是由于自主能力的不足。事實上特別工作組也發(fā)現(xiàn)無人系統(tǒng)經(jīng)常被認為是“完全自主”或“完全遙操作”的系就這種觀點忽視了部分自主能力的價值，如，警戒運動、航路點導航以及感知提示等。利用這些自主能力，只要操作無誤，就可以減少操作員的工作負荷，使員能夠?qū)⑷烤Ｗ⒃谌蝿請?zhí)行上。
5. 自然語言理解
與自然語言處理(NLP)密切相關的是能用英語等普通語言與人類進行交流的計算系統(tǒng)的發(fā)展( Jurafsky&Mamm,200)。自動語音識別(ASR)是將語音信號轉(zhuǎn)化為文本信息的過程,而自然語言理解(NLU)則是將文本信息轉(zhuǎn)化為計算機能理解的正式表述的過程。人一機交互受自然語言影響。如果給無人系統(tǒng)發(fā)出的口頭指令不精確,那么委派的內(nèi)容將會簡單化,委派的速度也會隨之加快然而,自然語言是一門獨立的研究學科。本報告也同樣持有這一觀點。
人向自主系統(tǒng)發(fā)指令時,自然語言是最常態(tài)最自然的一種方式。人類一般利用自然語言來為自主系統(tǒng)制定多樣化的高級目標和策略,而不是直接進行具體的遙操作。但是,由于自然語言本身具有一定的不明確性,因此在自然語言的理解上存在一定的困難。在理解自然語言時,必須結合當時的語境來推斷語言的真實意義。構建一個能理解英語指令和人類語言的自主系統(tǒng)將是一項高技術難度的挑戰(zhàn)。為解決這個問題,我們經(jīng)常利用傳統(tǒng)圖形用戶界面(GUI)來與計算系統(tǒng)溝通。然而,在大多數(shù)情況下(例如,當用戶不方便用手進行操作時),語言仍然是最理想的溝通方式。
6. 多智能體協(xié)調(diào)
在執(zhí)行跨機器人/軟件智能體/自然人任務時，我們常常會提到多智能體協(xié)調(diào)這一術語。每個智能體都具有一定的自主性。多個智能體之間可以通過兩種方式進行協(xié)調(diào)，即分布式協(xié)調(diào)和集中式協(xié)調(diào)。分布式協(xié)調(diào)是指多個智能體直接進行互動或交涉；集中式協(xié)調(diào)是指在規(guī)劃器的指導下統(tǒng)一進行協(xié)調(diào)。無論智能體采用哪種方式進行協(xié)調(diào)，我們都必須確保智能體不僅能夠同步化，還能適應環(huán)境或任務的動態(tài)變化。多智能體同步化經(jīng)常被理解為多智能體系統(tǒng)之間的主動協(xié)同(如機器人足球賽)或非主動協(xié)同(如螞蟻的覓食行為)。雖然協(xié)作(人一機協(xié)作)與協(xié)同之間有一定的關聯(lián)，但它指的是截然不同的主題，它假定每個智能體都對其他智能體的能力有一定的認知理解能對目標完成進度進行監(jiān)控，并且能像人類一樣進行編隊。因此，在研究過程中，多智能體協(xié)調(diào)與人一機交互是兩個相互關聯(lián)的技術領域，但是一般而言，多智能體協(xié)調(diào)研究主要側重于不同配置的智能體協(xié)同機制，而人一機交互則側重于協(xié)作認知。本節(jié)內(nèi)容將主要介紹多智能體協(xié)調(diào)的一個分支領域—一多機器人系統(tǒng)協(xié)同。
多無人平臺協(xié)調(diào)至少有四大好處：擴大覆蓋面、降低成本、提供冗余能力、實現(xiàn)規(guī)范化。與單個平臺獨立工作相比，多無人平臺協(xié)調(diào)的共同覆蓋面更廣，持久力更強，不僅可以發(fā)揮網(wǎng)絡通信中繼的作用，還可以為傳感器網(wǎng)絡覆蓋面提供保障。多個低成本無人平臺都可以替代單個高成本低可觀測平臺，也可以替代應對“反介入”和“區(qū)域拒止”而必需的高保護級別的系統(tǒng)。在出現(xiàn)噪聲、混亂、干擾、偽裝/隱蔽欺騙現(xiàn)象時，多個低成本平臺并行可以提供冗余能力，即使其中有幾個平臺正在執(zhí)行其他任務或出現(xiàn)故障時，最后依然能夠順利地完成任務。通過協(xié)調(diào)多個專用平臺或異構平臺，可以減少成本，降低設計要求。例如：在異構平臺編隊中，專用無人平臺可以為其他無人平臺加燃料，從而可以達到簡化設計、降低平臺成本的目的。
五、應用挑戰(zhàn)
1. 系統(tǒng)能力
自動化有助于在滿足一致性、可靠性和可預測性的前提下按照編程執(zhí)行行動，其挑戰(zhàn)在于,這些行動通常只適于具備限制條件的態(tài)勢(即設計人員預見并且軟件開發(fā)人員并為之編程的態(tài)勢),以及局限于為感知理解所處環(huán)境而使用的有限傳感器列陣所提供的測量值。開發(fā)既能精確感知,又能準確理解(識別并分類)所檢測目標( Object),并確立相互之間的關系以及更主要的系統(tǒng)目標(Goal),是自動化的重大挑戰(zhàn),尤其是在遇到預期外(不在設計范圍內(nèi))的目標、事件或態(tài)勢時(Object, Event, or Situation)。智能決策需要這種能力。然而,目前大多數(shù)自動化技術都存在脆弱性( Brittleness),換言之,在設計和編程范圍內(nèi)的態(tài)勢下能夠正常使用,但需要人的干預來處理設計和范圍以外的態(tài)勢。
另外,人雖然存在個體差異,但通常具備掌握大局(整體任務目標)、評估態(tài)態(tài)勢(行動上下文)、飛行中思考的能力,以適應新的態(tài)勢,并不是按照基于規(guī)則方式(大多數(shù)軟件編程如此),更多地依賴于模式識別、心智模型、類比推理(有時在非常抽象的層面上)。然而,人并不擅長快速連貫地處理大量數(shù)據(jù),也難以長時間保持注意力。
隨著自主能力的不斷提升(包括應對更多樣的態(tài)勢和不確定性的能力),我們預測未來系統(tǒng)對人的干預需求將會下降。然而,在可以預見的未來,仍然需要保持一定程度的人一系統(tǒng)交互,其原因包括:
(1)硬件越來越復雜,因而更容易出現(xiàn)故障。
(2)軟件越來越復雜,因而更容易出現(xiàn)漏洞,脆弱性也隨之上升。
(3)這些系統(tǒng)將在對抗環(huán)境中使用,因而可能會遇到初始設計人員未曾考的態(tài)勢
簡言之,隨著軟硬件通過擴展來適應更多態(tài)勢或作戰(zhàn)模式,并且在越來越復的環(huán)境中使用系統(tǒng),系統(tǒng)的復雜性將明顯上升。這會導致以下結果：
(1)由于復雜性升高,導致系統(tǒng)的可理解性下降(即為何這樣做?
(2)給定態(tài)勢下執(zhí)行方式的可預測性下降,向必須與系統(tǒng)交互的人提出了嚴峻挑戰(zhàn)
(3)為解決前述兩個問題而進行人為干預所需的通信鏈的脆弱性上升。
因此美國空軍在可預見的未來,大多數(shù)甚至全部作戰(zhàn)行動將采取人和自主合的方式,從而在面對特定敵手時的各種作戰(zhàn)條件下完成任務。自主性將用以降低手動數(shù)據(jù)處理和集成需求,提高速度,并在軟硬件能力范圍內(nèi)執(zhí)行有關行動。我們?nèi)匀恍枰獧C組人員來進行與自主性高層目標指示有關的指揮與控制。因為機組人員掌握了設計界限和/或情境(上下文)感知范圍以外的知識,可以新的態(tài)勢,并與其他部隊和活動進行協(xié)調(diào)。
2. 態(tài)勢感知與人在回路外的執(zhí)行問題
與自主系統(tǒng)協(xié)作時的態(tài)勢感知是確保系統(tǒng)按照作戰(zhàn)目標運行的關鍵。人監(jiān)督自動化所面臨的關鍵挑戰(zhàn)是人在回路外(Out-of-the-Loop),換言之,檢測自動化所出現(xiàn)的問題,或者是自動化控制的系統(tǒng)所出現(xiàn)的問題,人的速度較慢,因此無法快速地完成問題診斷和適當干預。究其原因,是在使用自動化時由以下原因?qū)е聭B(tài)勢感知明顯下降：
(1)接口不提供必要信息,且通常缺乏系統(tǒng)狀態(tài)反饋
(2)要求人經(jīng)常監(jiān)視的系統(tǒng)(而這也是人并不擅長的一種技能,因為人在監(jiān)視時每次至多30分鐘,警覺性便會下降)。
(3)從主動信息處理切換至被動信息處理許多航空事故之所以發(fā)生,都是因為飛行員不在回路中,因而無法及時地進行適當干預。
此外,飛行員在理解自動化工作內(nèi)容的問題上(甚至是在正常操作過程中主動嘗試理解時)也面臨著巨大的挑戰(zhàn)。如果對所顯示的信息存在誤解。有時是因為誤讀系統(tǒng)模式,或者未能準確地預測系統(tǒng)在給定態(tài)勢下的反應,將會導致態(tài)勢感知不精確,進而決策失當。即使是訓練有素的飛行員也可能無法充分地理解自動飛行導航與制導控制系統(tǒng)的所有模式,因而會在一定程度上影響與自動化的有效交互。未來系統(tǒng)需要更加注重開發(fā)能使所有機組成員保持期望的態(tài)勢感知水平的自主性方法。
3. 最優(yōu)工作負荷等級
雖然使用自動化的目標通常是減少手動工作量(進而降低操作的人力需求),但它通常未必能夠?qū)崿F(xiàn)這一目標。這種情況被戲稱為“自動化的尷尬( Irony of Automation)。在高工作負荷飛行階段(例如,飛機起降),它通常會導致工作負荷進一步增大;而在低工作負荷飛行階段(例如,途中),卻能減少工作負荷。由于理解并與自動化進行交互會使需求增大,工作負荷通常從可觀測的手動任務切換為不一定可觀測的認知任務。未來需要進一步開發(fā)易于使用、理解和交互的自主系統(tǒng)。此外,必須特別注重選擇哪些任務由自動化處理,或者委派給自主系統(tǒng)執(zhí)行,確保機組人員收到的是與人的能力相適應的一組連貫任務,而不是輕易無法實現(xiàn)自動化的離散任務。這種“以人為中心”( Human Centered)的方法對于實現(xiàn)“人一自主編隊”性能最優(yōu)化至關重要。
4. 人—自主決策集成
自主性通常用以支持人的決策。專家系統(tǒng)或決策支持系統(tǒng)提供決策指導。例如,行動過程制定或評估、目標提示或者對探測到的目標進行分類等。實際上,有效的決策支持存在困難。雖然我們一般假定這種系統(tǒng)能夠改善人的決策尤其是在執(zhí)行困難任務時,但事實并非如此。證據(jù)顯示,人一般先采納系統(tǒng)評估所增加,因而決策時間也會相應延長。因此,輔助決策系統(tǒng)如果存在缺陷,可能并不一定能夠提升整體人/系統(tǒng)決策的精確度和實時性。盡管好的建議有用,但如果建議失當,則會使決策人犯錯,因而整體任務性能將會嚴重下降。
相反,評判人的決策(例如,指出已規(guī)劃的行動過程可能存在的問題)的決策支持系統(tǒng),由于輸入是在人做出決策之后(而非之前)發(fā)生的,因此能夠剔除由人到計算機解決問題的方案偏差。它同樣還利用了計算機的一大優(yōu)勢,即快擬人提出的解決方案(例如,行動過程)從面從環(huán)境態(tài)勢的多樣性以及對抗行動中,識別出潛在的缺陷或缺點。這將更好地促進人/自動化協(xié)同,進而提升整體性能。隨著決策智能體和系統(tǒng)未來使用越來越廣泛,我們必須特別注重開發(fā)認知交互方案來改進(而非干擾)機組人員的決策。此外,我們必須基于人/系統(tǒng)性能的綜合輸出,認真檢驗這種系統(tǒng)的作戰(zhàn)效能。
5. 自主性中的知情態(tài)勢信任
為了使機組人員能夠有效地與自主系統(tǒng)協(xié)同,機組人員必須能夠判斷自主執(zhí)行任務的可信任度。這種信任不僅與系統(tǒng)整體可靠性有關,還與根據(jù)態(tài)勢對系統(tǒng)在特殊態(tài)勢下執(zhí)行特定任務的性能評估有關。為此,機組人員必須建立知情信任(Informed Trust)—對應用自主能力的時機、程度以及干預時間進行精確評估。信任度的校準一從過度信任(自滿)到信任不足(抵觸)可能比較困難,應當基于以下幾個因素：
(1)系統(tǒng)因素。包括整體有效性和可靠性;可靠性主觀評估;發(fā)生系統(tǒng)故障 (或在態(tài)勢中無法做出適當?shù)男袆?,導致快速失去信任且在問題出現(xiàn)后信任恢復緩慢的近因( Recency);系統(tǒng)的可理解性和可預測性、及時性與完整性。
(2)個體因素。包括個體執(zhí)行任務的能力、整體信任意愿以及其他個人特征。
(3)態(tài)勢因素。包括時間約束、工作負荷、必要工作,及關注其他競爭性任務的需求。
過去,機組人員就以下問題單獨進行決策：
(1)信息。對信息輸入的信任度(例如,基于信息源的可信度、傳感器的可靠性、信息的及時性,以及來自其他信息源的確認)。
(2)他人。對其他隊友的信任度。
(3)自動化。對特定自動化工具的信任度。
然而,隨著自主系統(tǒng)在未來的普及,單獨實體之間的界限也將變得模糊。自主系統(tǒng)可以作為信息源,也可以是處理信息并執(zhí)行行動的系統(tǒng),或者是機組人員交互的對象。
必須特別注意,確保機組人員能夠在充分了解有關信息的前提下建立一定的信任,確定對自主系統(tǒng)在特定任務、特定態(tài)勢、特定時刻等條件下當保有的信任度。
六、研發(fā)挑戰(zhàn)
1. 自主性的態(tài)勢模型
為了使自主性獲得成功,系統(tǒng)必須超越簡單計算邏輯,能夠在更完整地理斷變化的任務和環(huán)境的基礎上進行推理。這種系統(tǒng)需要考慮：
(1)表示當前態(tài)勢、融合多感知輸入、保證態(tài)勢理解和預測,從而支持的計算機模型。
(2)按照已學習的態(tài)勢分類(對應于存儲的計劃與行動)映射當前模式匹配。
(3)確定對相關信息的注意力分配、信息解釋,以及數(shù)據(jù)不完整時,缺失信息默認值的預期態(tài)勢模型。
(4)表示態(tài)勢表達中不確定性的上下文模型。
(5)指導信息搜索和解釋的基于目標的行為(目標驅(qū)動的行為)。
(6)識別關鍵環(huán)境提示,映射至不同態(tài)勢類別的能力。
(7)根據(jù)態(tài)勢類別相對狀態(tài)和未來狀態(tài)預測,處理多項目標和動態(tài)目標優(yōu)先級重劃分實現(xiàn)數(shù)據(jù)驅(qū)動行為的能力。
(8)在模式匹配與現(xiàn)有態(tài)勢類別匹配不理想時,進行推理的系統(tǒng)、環(huán)境與其他參與方(如隊友、敵手、平民等)的模型。
(9)態(tài)勢類別與模型的主動學習與提煉。
(10)制訂計劃以實現(xiàn)目標并按需求進行動態(tài)重規(guī)劃的能力。
(11)按需求優(yōu)化環(huán)境、系統(tǒng)及其他來源的數(shù)據(jù)釆集,以支持態(tài)勢模型持續(xù)需求的能力。
(12)與操作員或其他自主系統(tǒng)就上述任意功能(例如,目標統(tǒng)一、態(tài)勢模型、決策、功能分配與優(yōu)先級劃分計劃等)進行交互,以實現(xiàn)協(xié)同獲準行動的能力。
2. 學習系統(tǒng)
在開發(fā)系統(tǒng)自主性的過程中,使用學習系統(tǒng)既有優(yōu)點也有不足。為了使這些學習系統(tǒng)成功地得到應用,我們必須彌補這些不足。以積極的眼光看,應用基于學習算法的系統(tǒng)能夠應對各種情境因素(例如,環(huán)境因素、任務相關因素、敵手),生成能夠應對更多樣的態(tài)勢的魯棒性方案。在這種情況下,設計人員和開發(fā)人員不需要提前預測所有潛在的條件(這從理論和實踐的角度來看都十分困難),或者預先指定在各種可能的條件組合下應當采取的措施。相反,他們創(chuàng)建了一種結構,使自主性進行自我組織和學習,并適應不斷變化的態(tài)勢。這要求自主性可發(fā)人理解學習和推理。在人的認知和生物學的啟發(fā)下,我們得出有以下幾種方法可用：
(1)模糊邏輯( Fuzzylogic)。提供將一個或多個連續(xù)狀態(tài)變量映射至相應類別以進行推理和決策的框架 。
(2)神經(jīng)網(wǎng)絡( NeuralNetworks)。網(wǎng)絡利用通過程序在大型典型案例數(shù)據(jù)庫的訓練過程中學習到的可變互聯(lián)權重來進行知識表達的算術框架,學習解決方案。
(3)遺傳與進化算法(Genetic and Evolutionary Algorithms)。在進化遺傳的啟發(fā)下采用重復仿真的方法,縮小潛在選項的范圍,選擇最優(yōu)解決方案。
以上每種方法都可結合適當?shù)南到y(tǒng)架構來應對自主性挑戰(zhàn),達到知識獲取、編譯、表達存儲、處理和提取的目的。由于現(xiàn)實環(huán)境存在內(nèi)在的復雜性，這些方法的合理性可能遠遠超過那些借由專家來獲取緊急情況的大量細節(jié)信息的方法。
然而,學習方法也不無挑戰(zhàn)。這些方法通常要求開展大量的工作來確定提供給學習系統(tǒng)的相關參數(shù)和信息,并創(chuàng)建學習與組織輸出的適當系統(tǒng)架構。此外,學習系統(tǒng)還提出了以下新的挑戰(zhàn)：
(1)可理解性(Understandability)。這種系統(tǒng)的邏輯與行為可能對于機組人員很難理解,而且系統(tǒng)開發(fā)人員通常無法完全理解自主性的行為方式—盡管我們可以采用相關方法來獲取描述算法“黑盒子”內(nèi)部主要特征的規(guī)則。然而這些意見可能并不完整,也不能表達系統(tǒng)行為的復雜全貌。
(2)確認(Validation)。如果美國空軍的安全關鍵作戰(zhàn)行動接受了利用學習技術開發(fā)的自主系統(tǒng),那么成功驗證和確認開發(fā)這些系統(tǒng)的方法就非常關鍵。般而言,目前的技術還不足以應對這一挑戰(zhàn)。
(3)標準化(Standardization)。如果學習算法今后能夠在實踐中繼續(xù)演化那么在一致性的問題上將會遇到新的重大挑戰(zhàn)。系統(tǒng)是否會為了保證一定程度的一致性而將學習到的經(jīng)驗傳授給其他系統(tǒng)呢?每種情況下保證學習到適當?shù)慕?jīng)驗的標準是什么?這些經(jīng)驗對于其他環(huán)境是否具有廣泛性?不同系統(tǒng)的行為方式是否不同(要求機組人員能夠理解和預測自主性的運行方式,進而以適當?shù)姆绞脚c之交互并正確地調(diào)整對自主性的信任度)?如果訓練期結束后學習算法凍結,那么這些算法是否會與其他方法一樣而遭遇脆弱性的問題,因而無法在不斷變化的現(xiàn)實環(huán)境下學習和自適應?
如果利用學習系統(tǒng)來開發(fā)未來的自主系統(tǒng),那么我們必須解決這些挑戰(zhàn)。
3. 驗證與確認
美國空軍先進系統(tǒng)軟件的驗證與確認對于保證系統(tǒng)能夠安全而一致地按照預期運行十分關鍵。為此,我們需要引入新的自主軟件的驗證與確認方法。傳統(tǒng)方法以需求跟蹤為基礎,無法應對自主性軟件的復雜性。十分多樣的潛在狀態(tài)和狀態(tài)組合能夠進行相互測試,而臨界條件卻難以理解。系統(tǒng)支持自主性交互的能力是成功實現(xiàn)自主性的重要條件,確認測試必須明確予以考慮。
4. 網(wǎng)絡
自主性可能能夠應對美國空軍作戰(zhàn)行動的許多挑戰(zhàn),但也和其他軟件系統(tǒng)樣,容易受到網(wǎng)絡攻擊。鑒于自主性的復雜性檢測漏洞或故意嵌入的惡意軟件更加困難。和自我健康監(jiān)視系統(tǒng)一樣,提高環(huán)境感知有助于應對這一挑戰(zhàn)。此外,保證網(wǎng)絡彈性的方法(包括檢測、對抗或者應對自主性和系統(tǒng)其余內(nèi)嵌部分的網(wǎng)絡攻擊的能力)非常重要。網(wǎng)絡彈性并不是在開發(fā)完成之后可以在加入系統(tǒng)的一種特性。相反,在開發(fā)任何自主系統(tǒng)方法的過程中我們必須考慮網(wǎng)絡彈性的因素?！顿惒┮晥D2025》( Cyber vision2025)更為完整地探討了網(wǎng)絡對抗環(huán)境下任務保障的相關問題。
2025-09-19 12:22
2025-09-18 11:24
2025-09-17 10:55
2025-09-16 09:27
2025-09-12 11:30
2025-09-11 10:41
2025-09-09 10:52
2025-09-04 21:58
2025-08-28 11:13
2025-08-27 14:14
