面向任务的战场态势生成控制与优化

田威 黄高明

基于多源信息融合的战场态势生成过程能力是信息化作战条件下赢得信息优势,夺取战场制信息权的一项关键能力.态势生成过程面临着作战意图的牵引,其根本目的是为指挥决策服务,以保证作战效能的最大化.作战意图决定了需要重点关注何种状态,提取哪些信息.不同层级的作战部门对态势信息的需求不同,对态势生成过程的要求也自然产生差别.如果没有全局协同调配,会同时获取大量多余的数据,占用有限的资源.为此,态势生成过程必须充分考虑指挥意图的需求,建立起底层的不确定性与高层意图之间的联系,进行有针对性的信息感知和处理,这在资源受限的复杂作战环境中尤为重要[1−4].

传统多源信息融合态势生成研究侧重于融合算法、模型的设计和优化,没有强调基于作战任务态势产品需求对战场环境感知资源及信息融合处理过程进行动态调整,本质上是将战场态势生成过程建模为一个开环系统,如图1所示.

图1中观测集是由分布在整个作战时空范围内的传感资源对战场环境的感知数据构成的集合.通过对传感资源的优化配置,可以在一定程度上实现对战场环境及作战对象的有选择性、有针对性感知.数据集是融合系统要处理的观测集数据构成的集合,通常为观测集的子集或加工衍生品.通过对通信资源的控制与优化,可以有选择地传输要处理的观测数据.态势信息产品集则是指对数据集进行融合处理后获得的态势信息构成的集合.

开环态势生成过程的优点是采用信息推送方式,信息融合处理流程相对固化,态势响应速度快.其缺点主要有以下两点.1)开环态势生成过程未充分考虑不同作战任务对态势信息产品的不同需求,态势信息产品对不同作战任务的可用性和支撑能力不足;2)开环态势生成过程缺乏必要的协调控制与优化手段,无法有效调控系统资源以及信息融合处理过程,从而无法动态适应复杂战场环境以及多样化的作战任务需求.

1 态势生成过程的复杂性分析

重点从战场应用环境的复杂性、资源受限、处理过程的复杂性以及多样化需求4个方面,对态势生成过程的复杂性展开分析和讨论.

1.1 应用环境的复杂性

基于多源信息融合的战场态势生成的基础是多传感器资源对战场环境的观测数据以及诸多不同来源的情报信息.态势生成过程面对的是一个时空动态变化的复杂工作环境.传感器自身测量特性不理想,且工作在复杂的外界环境中,原始观测数据中蕴含着大量的不确定性,主要体现在电子干扰、随机噪声、虚警、漏报、系统误差、数据缺失等不良影响.多源信息融合系统对于复杂战场环境应用过程中的不确定、非理想因素的抵抗能力差,在复杂的战场环境下难以稳定工作.一个典型的例子是目标密集型或传感器密集型场景下的系统误差估计问题呈现病态性[5−6].

1.2 资源受限

态势生成过程面临受限的资源约束,主要体现在有限的环境感知能力、信息传输与处理能力.

受限于传感器自身物理特性及其时空分布现状,传感器只能上报受到不良因素污染的局部环境观测数据.而且,传感器在有限的时间内,只能满足有限的任务需求.举例来讲,一个高精度的传感器是不能满足整个战场态势的需求的,其一旦被一个任务占用,就常常难以满足其他任务的需求.

某些作战任务对态势信息产品精确性和实时性有较高的要求,传感器的数据更新率高,大量不同类型的数据涌入融合系统,导致计算处理资源受限的融合系统常常需要面对庞大的实时数据流.大数据量不仅造成信息价值密度的降低,其中还夹杂着许多相互矛盾和冲突的不良数据,进一步加大了融合处理的难度[7].

通信资源往往是有限的,“何时”以及“哪个传感器”传输“什么数据”都需要仔细规划,以避免浪费信息传输资源.对通信资源进行的控制与优化可以减轻信息融合处理的负担.在复杂电磁环境下,从对抗的角度讲,通联过多在方便数据共享与分发的同时,也容易暴露己方的兵力行动或战术意图.

传感、通信与计算资源分布于态势生成系统内的各个层次、各个不同的处理环节,为应对复杂的战场环境,态势生成过程必须充分考虑资源约束的限制.

1.3 处理过程的复杂性

态势生成过程要能够处理各种非结构化、甚至矛盾冲突的多源信息,确保态势信息产品的可用性和可靠性.

融合处理过程的复杂性主要体现在以下几个方面.1)融合系统的输入数据类型迥异,有图像型、数据型、文本型等.为此融合模型要能够适应不同类型的情报格式[8−10].2)传感器上报的情报信息有其自身的时空属性,需要转换到统一的时空坐标系下才能进行融合处理.3)融合系统的组织运用结构多样,应根据实际任务需求进行合理选择.4)不同算法适用于不同的应用场景,不存在能够适应一切场景的最优算法.5)融合系统内部存在模块之间的紧密耦合关系,若不经控制,容易导致不良数据的耦合扩散[11].

1.4 多样化需求

态势生成的目标应是满足不同用户或不同任务的信息产品需求.态势生成过程面临的多样化需求体现在以下两个方面.

1)不同指挥层级对态势信息产品的需求不同.较高的指挥层级对战场态势的完整性要求较高,对态势信息产品的精细程度要求较低;而较低的指挥层级,如武器控制层级,对态势信息的精准性与现时性要求较高,而不关心与打击对象无关的其他战场态势信息.

2)不同作战任务关注不同的态势信息产品指标.实际上,基于多源信息融合的态势生成过程不可能同时满足准确性、及时性、完整性、可靠性、经济性等诸多指标的要求.受限于系统内的资源约束,一些指标间常常存在矛盾.在不同需求的作战任务并行注入的情况下,态势生成过程必须要协调开展可能存在冲突的多项任务.

综上所述,融合系统要能够根据不同用户及作战任务需求,合理配置系统资源,选择恰当的融合处理策略与方法,生成满足需求的态势产品.

2 闭环战场态势生成过程

针对开环态势生成过程存在的缺陷,提出面向任务的闭环态势生成过程模型,如图2所示.

在闭环态势生成框架下,态势生成过程由信息推送模式转变为用户拉取方式及任务驱动方式,具备满足多样化作战任务需求的潜在可能.面对复杂的战场环境,面对不同层级的信息产品粒度需求,面对不同作战任务对态势信息产品的不同指标需求,闭环态势生成过程一方面通过对信息融合处理过程本身进行控制和优化,提升信息融合系统的稳健工作能力,提升信息融合处理结果相应指标的性能和信息产品的适用性;另一方面,通过对传感、通信及计算资源进行优化配置,实现对战场环境的针对性感知,提高有限资源的利用效率.

3 战场态势生成的控制与优化

态势生成过程的控制与优化包括以下两个方面.

3.1 信息融合处理的控制与优化

对信息融合系统而言,同时追求多个指标的最优性能常常难以实现.在工程实践中,应当根据作战任务的需求对融合系统进行调控,以获得态势信息产品在所需技术指标上的针对性保障.这与JDL数据融合模型中的“Level 4过程评估”相一致[12].

在给定资源配置情况下,汇入融合系统的数据集特性给定,多源信息融合系统有其固有的性能边界,也就是说输入数据集的特性决定了融合系统的最大信息保障能力.为便于表述,下文均以目标定位误差ε和处理时延t两个性能指标为例展开分析.在给定资源组合i的前提下,融合系统的性能边界曲线记为p i(ε,t).定义m(ε,t)为作战任务信息产品需求的可行指标集的边界曲线,可见m(ε,t)是作战任务对态势信息产品指标的最低要求.那么,只有当存在ε和t,使得

成立时,才能够通过对信息融合处理过程的控制与优化来满足作战任务的需求,如图3所示.图3中曲线p i(ε,t)和m(ε,t)的交叠部分为信息融合系统能够满足作战任务需求的可行工作区域.

若对任意的ε和t,有成立,则表明当前的资源组织运用方式下输出的数据集特性无法满足作战任务需求,如图4所示.图4中曲线p i(ε,t)和m(ε,t)无交叠区域,即融合系统性能无法满足作战任务需求.此时需要对系统内的传感及通信资源进行优化控制,提高输入数据集的质量以及对特定任务的支撑能力,具体见3.2节讨论.

对信息融合处理过程的控制与优化主要包括融合处理模型的选择、核心算法的组织与运用以及关键参数的选择与调校等内容.以航迹关联(Track-totrack Association,TTTA)问题为例,不同航迹关联算法适应不同的应用场景,在具体使用时应注意合理选择.最近邻(Nearest Neighbor,NN)法将距离最近的航迹配对,运行速度快,适用于目标稀疏场景,在目标密集场景下容易发生性能退化[13].全局最近邻(Global Nearest Neighbor,GNN)法考虑全局意义下的最小距离,提高了目标密集场景下的解算性能,但计算复杂度明显提高,且在系统误差环境下,GNN的最优性能难以保证[14].基于参照拓扑特征的航迹关联方法可以很好地应对系统误差环境,但计算复杂度较GNN更大[15−16].因此,在实际应用过程中,要根据应用环境和任务需要进行算法的选择与优化.

3.2 资源的组织运用

作战任务最终决定了需要提取战场环境的哪些信息.定义u i(k)为当前信息融合处理结构和资源配置对作战任务k的信息支撑能力,也称信息效用[17],其度量了态势产品对作战效能的价值,为系统资源的优化配置提供了理论支撑.

信息效用度量框架下的资源组织运用可使态势产品对作战任务更具针对性,避免态势生成过程获取过多的冗余数据,达到有限系统资源的高效利用.在单任务情况下,给定资源组织运用方式i,可认为融合系统最优性能是u i(k)的可达上确界,二者相等的条件是采用最恰当的信息融合处理过程.通常希望多源信息融合系统输出的态势产品精确、全面、及时,这对作战任务意味着完美的信息支撑保障能力.然而,在实际作战过程中,对态势信息产品提出的要求越苛刻,态势生成过程所耗费的资源就越多,融合处理过程也越复杂.因此,单纯地追求最大化信息效用,即

不应该作为资源调控的目的.实际上,应尽量少地出于侦察探测的目的来重新配置资源,只要u i(k)能够支撑作战任务需求便可.再进一步考虑资源约束,令资源组织运用方式i的费用为c i,那么资源调控的目标可以表述如下优化问题

考虑融合处理过程控制与优化仍无法满足作战任务需求的情况,图5给出了资源调控的示意图,其中p j(ε,t)是资源组织运用方式j的信息支撑能力边界.

通过资源合理配置,融合系统支撑能力由p i(ε,t)提升至p j(ε,t),图 5 中p j(ε,t)与m(ε,t)相交于一点,也即

只存在一个可行解.这意味着p j(ε,t)对应某个满足作战任务需求m(ε,t)的极小资源组织方式.

资源调控的内容主要包括传感(即信源[18])及通信资源的组织运用方式、传感器的工作模式和状态、数据的共享与交互等等[19].下面以传感器数据传输速率的优化设计为例对资源调控进行解释.精确跟踪依赖于对目标机动模型参数的准确估计,及时获取目标运动模型的变化信息是精确跟踪的关键.以高采样率进行持续测量,就可以基于较多的实时数据来对目标运动模型进行更为准确的刻画,进而得到较高的跟踪精度.然而,在通信带宽受限的系统中,必须要在目标跟踪精度和数据传输速率之间进行折衷.可见,通过对通信资源的调节可以影响对目标运动状态的感知能力.

需要指出的是,在复杂战场环境下,即使采用最恰当的信息融合处理过程、追求信息效用最大化的资源配置也可能无法达到作战任务的信息产品需求.在这种情况下,只能往回追溯到传感资源,对其提出明确的信息获取需求以提高传感资源的信息获取能力,或者引入新的传感探测资源.

4 并发多任务的影响

态势生成过程常常会面临并发多任务的复杂情形.例如,海上舰艇编队可能会同时进行防空反导、反潜、对海或对陆打击等多作战任务.并发多任务情形下,态势生成过程变得更为复杂,主要体现在以下两个方面:

1)多任务对应的信息产品需求在实现上可能存在冲突.信息产品性能指标的底层支撑是资源.与单任务不同,并发多任务往往伴随着资源之间的复杂竞争与合作关系.

用T k表示任务k,用D k表示支撑任务k的最小数据集.若任务i和任务j对应的数据集之间无交集,即

则称任务i和任务j相互独立,态势生成过程可以互不影响地并行处理.若下式成立

称任务i包含于任务j,记作T i＜T j,此时态势生成过程只需要重点关注任务j即可.若式

同时成立,则称任务i和任务j相关.

2)多任务之间存在重要程度差异.从指挥决策的角度,不同作战任务对整体作战效能来讲具有不同的优先等级.在信息效用框架下的资源控制与优化过程中,需要将任务间的优先等级考虑进来,建立多任务综合信息效用度量.定义资源组合i对当前执行的多任务的综合信息效用为U,有

其中,b k用来表征作战任务k对指挥高层作战意图实现的重要程度.通过对系统资源配置以及融合处理过程进行恰当的综合调控,提高系统资源的多任务综合信息效用,可以更好地满足并发多任务对态势信息产品的差异性要求,获得整体作战效能的提升.

5 结论

面向任务的战场态势生成是未来信息作战过程中赢得信息优势的关键支撑.针对开环态势生成过程存在的问题,构建了闭环态势生成过程框架,提出了信息融合处理过程以及有限资源的控制与优化手段.通过对信息融合处理过程的控制与优化,可提升态势生成过程对复杂战场环境的适应能力;通过对系统有限资源的控制与优化,可提升对战场环境的针对性精确感知能力以及对作战任务的针对性精确信息支撑能力.

1 RUSU C,THOMPSON J,ROBERTSON N M.Sensor management with time,energy and communication constraints[J].arXiv preprint arXiv:1702.04927,2017.

2周倜.海战场电磁态势生成若干关键技术研究[D].哈尔滨:哈尔滨工程大学,2013.

3 BENASKEUR A R,RHEAUME F.Adaptive data fusion and sensor management for military applications[J].Aerospace Science and Technology,2007,11(4):327−338.

4 FOO P H,NG G W.High-level information fusion:an overview[J].Journal of Advances in Informaion Fusion,2013,8(1):33−72.

5 TIAN W,WANG Y,SHAN X M,et al.Robust sensor reg-istration based on bounded variables leastsquares[C]//Advanced Materials Research.Trans Tech Publications,2014,898:802−806.

6 TIAN W,WANG Y,SHAN X M,et al.Robust sensor regis-tration with the presence of misassociations and ill condi-tioning[J].IEICE Trans.on Fundamentals of Elec-tronics Communications and Computer Sciences,2013,E96-A(11):2318−2321.

7 ISAAC III R,WILSON B,JOHNSON E E,et al.Data flood helping the navy address the rising tide of sensor in-formation[R].Rand Corporation,2014.

8高俊,李志光,沈昌祥.数字化战场的基础建设[M].北京:解放军出版社,2004.

9华一新,薛本新.建立联合作战图系统共享战场态势信息[J].军事测绘,2006(2):123−127.

10王泽根.面向COP的空间信息服务研究[D].郑州:解放军信息工程大学,2005.

11田威.复杂环境下多传感器航迹关联与抗差处理[D].北京:清华大学,2014.

12 LIGGINS M E,DAVID H,JAMES L,et al.Handbook of multisensor data fusion:theory and Practice[M].Boca Raton:CRC press,2008:45−66.

13 KANYUCH A,SINGER R.Correlation of multiple-site track data[J].IEEE Trans.on Aerospace and Electronic Systems,1970,(2):180−187.

14 BLACKMAN S,POPOLI R.Design and analysis of modern tracking systems[M].Norwood,MA:Artech House,1999:628−632.

15 TIAN W,WANG Y,DU X J,et al.Reference pattern-based track-to-track association with biased data[J].IEEE Trans.on Aerospace and Electronic Systems,2016,52(1):501−512.

16 TIAN W,WANG Y,SHAN X M,et al.Track-to-track association for biased data based on the reference topology feature[J].IEEE Signal Processing Letters,2014,21(4):449−453.

17 BLASCH E,VALIN P,BOSSE E.Measures of effectiveness for highlevel fusion[C]//The 13th Conference on Information Fusion,IEEE,2010:1-8.

18夏祖勋,刘同明.海上编队多源信息融合的信源组合与信源评价[J].华东船舶工业学院学报,1995,9(3):5−9.

19 HERO A O,COCHRAN D.Sensor management:past,present,and future[J].IEEE Sensors Journal,2011,11(12):3064-3075.