战场态势感知关键技术研究

段玉先，刘昌云，魏文凤

（1.空军工程大学防空反导学院，西安 710051；2.空军工程大学研究生院，西安 710051）

0 引言

态势感知（Situation Awareness）最先来源于军用航空领域，是人们在面对复杂的动态系统中对“正在发生的事情”的理解。从某种意义上来讲，态势感知是人们为了完成某种主题任务，在特定环境中应用系统充分发挥人的认知活动的综合体现。态势感知在空中管制、大型系统控制、医疗卫生、汽车驾驶、网络安全等领域都有所应用。根据Kharoufah 等人2018 年的一项研究，在2000 年-2016 年随机抽取的200 起商业航空运输事故中，态势感知是最重要的人为因素［1］。在过去的30 多年里，态势感知一直是军事和科学界大量研究的主题。

随着战场信息化的飞速发展，战场信息已成为获得战场主动权的关键要素之一，而态势感知则是获取战场信息的主要手段。1995 年，美国海军上将威廉·欧文斯指出，在“系统之系统”（System of Systems）的新军事变革技术模式中，战场态势感知力量是其中重要一环［2］。2015 年，美陆军训练与条令司令部（TRADOC）发布TRADOC PAM 535-3-1，指出“未来的陆军部队需要在复杂的环境中与坚决的、适应性强的敌方组织作战的能力，发展并维持高度的态势理解能力［3］”。

在大数据时代，战场信息量将更加巨大，如何做到“未卜先知”，从数据中提取有价值的信息，并转化为所需的知识，提高态势感知的效率和能力，是未来具有挑战性的问题。本文通过分析当前态势感知领域的研究进展，就影响态势感知的因素以及涉及的关键技术进行了论述，并对未来态势感知研究中的新兴热点问题提出了展望。

1 基本概念模型

态势感知概念首先出现在第一次世界大战期间，当时是为解决军用飞机上的机组人员问题［4］。20 世纪70 年代，美国军事人类工程学家开始调查影响机组人员的因素，从那时起，态势感知成为一个公认的概念。1987 年，Endsley 提出了态势感知的定义模型［5］，如图1 所示。

图1 态势感知的三级模型

Endsley［6］提出，态势感知是在一定时间和空间内感知环境中的元素，理解它们的含义，以及对不久的将来的状态预测。同时，Endsley 指出，即使是很小的态势认知的偏差，也可能造成很严重的影响。态势感知主要包括3 个步骤：

第1 步：态势元素察觉（perception of the elements in the environment）

态势感知的第1 步是要感知和获取当前环境中相关元素的状态、属性和特点，涉及在时间/空间上对目标的感知和观察，这一阶段尚未进行数据解释和特征提取。

第2 步：态势理解（comprehension of the current situation）

通过第1 步的察觉后，得到的是不连贯的要素集合。为了得到更加连贯而精确的态势信息，需要对数据进行进一步的理解和处理，结合各实体之间的关系，从而形成整体的态势信息图。第3 步：态势预测（projection of future status）

基于第1 步和第2 步得出的信息，可以对环境的未来走势进行判断。通过研判全局，全面理解信息的含义，将其与行动者的行动意图进行比较，并提出对决策有价值的对未来状态的预测。它可以被表述为对未来系统状态和行为的心理模拟。

Endsley 提出的模型本质上是随时间推移的进程，因此，它充分考虑了动态变化，从信息的获取、察觉到信息的挖掘和处理，再到综合态势的形成和预测，其涵盖了行动者在所处环境任一时间节点的状态的信息，可以为行动者提供全面而有效的信息，以供行动者作出科学的决策。此外，它以目标为导向，对感知信息进行解释并对态势进行预测。Endsley 认为，在本质上，操作复杂系统中的人类信息处理，被视为数据驱动（自下而上）和目标驱动（自上而下）处理之间的交替，这一过程被认为是形成态势感知的关键［5］。因此，态势感知应当是对战场态势更高层次的理解和解读，并根据战场指挥员的目标预测未来的战场走势，起到辅助决策的作用。

总的来说，Endsley 提出的模型实质上是一种信息处理模型，对人的心理模型还尚未作出完全解释，因此，这一模型在应对动态环境时，态势感知效果略显不足［7］。针对这一特点，文献［8］在Endsley提出模型的基础上，探讨了在动态环境中影响态势感知能力的因素，充分考虑了内部与外部信息的交互问题，对人机交互系统的设计提出了改进方法［8］。

此外，Endsley 将态势感知定义为信息处理的认知产物，学界对此有不一致的意见。在1995 年，Smith 和Hancock 从整体关系的立场出发，提出了感知周期模型，根据人与外部世界的互动关系来定义态势感知，将其定义为一种“知识创造和采取明智行动的生成过程”，着重表现人与环境之间的相互作用。这一模型将态势感知定义为“外部定向的意识”［7］。此外，Sarter 和Woods 将态势感知视为一种“正在进行的过程”，将其定义为“获得全面，连贯的态势陈述，并根据态势评估的结果不断更新”。

如今，学界在定义上的争辩之处在于，态势感知是获得意识的过程［10］，还是意识的产物［5］，亦或是两者结合的产物［7］。对此，学界尚无统一的认知，需进一步地探索。

在过去的20 年里，关于团队和共享态势感知的研究逐渐兴起。Endsley 认为团队态势感知是“每个团队成员拥有其工作所需态势感知的程度”［5］。从这个意义上说，这意味着团队中的每个成员都需要具备该岗位所必需的态势感知信息，这样团队才能成功［11］。如果团队中的一个人拥有所需的态势感知信息，但未成功向其他成员传输，也会产生严重的错误［12］。综合来看，大多数对团队态势感知的解释都集中在对相同情况的“共同理解”上。Endsley 在2001 年给出了共享态势感知的概念，即“团队成员在共享态势感知需求上拥有相同态势感知的程度”［13］。在这个定义中，团队成员不需要分享所有的信息，只需要分享共同的信息需求。

另外，在新军事变革需求的驱动下，信息网络与战场态势感知的需求联系越来越紧密。2006 年，Stanton 等人提出了分布式态势感知的概念（DSA），将其定义为“一种面向系统而不是面向个人的区分行为过程的描述方法”，各Agent 可以在团队合作中通过沟通进行实时态势感知［14-15］。这一论述也将态势感知的研究趋势，从个人的思维角度转向复杂环境下多智能体的分布式态势感知角度。

随着人工智能等技术的进步，战场态势感知也不断涌现出新的热点问题，例如如何在无人平台或通信不畅、电磁干扰等恶劣环境条件下实现对整体态势的感知，都是该领域未来的研究方向。

2 影响因素

未来的战场环境变幻莫测，各种因素的叠加会影响人们对于态势元素的提取、关联和判断。根据美国空军上校J.R.Boyd 在1987 年提出的OODA 环模型［16］，态势感知主要作用于物理域、信息域和认知域，是物理域、信息域与认知域共同作用的结果，如图2 所示。其中，认知域主要指人的主观意志、思维及判断能力，强调人在态势感知中的能动作用，属于主观因素范畴。而物理域和信息域则强调传感器平台、数据传输和指控体系的重要性，属于客观因素范畴。

图2 OODA 环模型

2.1 主观因素

人是态势感知客观性的最大因素和决定性因素［17］。通过研究发现［18］，人的注意力、工作记忆局限性、当前任务目标、心理模型，以及预期目标和成见期望都会对态势感知能力造成影响。

2.1.1 注意力和工作记忆

在Endsley 模型中，态势理解和态势预测以及随后的行动方案都必须在工作记忆中进行，因此，人的注意力和工作记忆能力成为影响态势感知的重要因素之一。在动态环境中，由于新操作员注意力和工作记忆能力有限，态势感知和决策过程的进展难免会受到限制。在复杂和动态的环境中，信息超载，任务复杂性和多项任务可能会迅速超出一个人有限的注意力能力。

2.1.2 心理模型

态势感知的效果还受到操作员心理作用的影响。越南战争中，大多数飞行员会在最初的10 次战斗任务中丧生，彼时，他们尚未开发出战场环境下进行快速情况评估和决策的思维模型和模式。在Endsley 的三级模型中，主要假设之一就是心理模型在态势感知中发挥关键作用。在战斗中，通过心理模型与已知态势状态的匹配情况，可以将决策流程进一步简化。在实践中，经验丰富的决策者能够使用长期记忆存储（心理模型的形式）来规避感知不充分和环境类别限制的影响。环境中的特征可以映射为操作员脑中的心理模型，并且这些模型促进了态势感知的发展［5］。Smith and Hancock［7］提出，实现和维持态势感知的过程围绕着内部持有的心理模型，该模型包含有关某些情况的信息，有助于预测情况事件，将个人的注意力引向环境中的线索，并指导最终的行动过程。

2.1.3 数据驱动和目标导向

在自上而下、以目标为导向的决策过程中，人们预先设定的目标和计划会对态势感知的各个方面产生影响。在对态势进行理解过程中，人们需要根据目标对收集到的信息进行处理和整合，完成预期的目标。而在自下而上、以数据为驱动的决策过程中，在对环境模式进行识别过程中，人们的计划和目标可能会因环境中事件或条件的改变而改变。当其中任何一个环节停止正常运行时，整个态势感知系统都会出现问题。过多地被数据驱动限制，数据量会变得超负荷，无法实现预期目标；而过多地被目标所限制，则将会使操作员忽略环境中的变化。因此，两者的交替处理在动态环境态势感知中至关重要。

2.1.4 成见期望

人们对信息的特征、形式和位置深刻的了解程度，可以极大地促进对信息的感知［5］。也就是说，一个人对信息的先入之见或期望会影响对信息感知的速度和准确性，从而影响整个态势感知的效果。在环境中积累的认知经验，能够让操作人员对未来事件产生期望，从而使他们有倾向性地感知和处理信息。

随着人工智能等技术的兴起，人脑的潜力将被无限地开发出来，以制脑权为核心作战新模式，将使得认知域被拓展得更宽，同时传感器探测手段、将深刻影响未来战场态势感知的形式和效果。

2.2 客观因素

如今的战场条件下，人的因素、武器因素结合得越来越紧密，表现为无人化、自动化、智能化。其中，武器平台的自动化程度、传感器平台的感知能力、战场环境的不确定性以及数据的传输、存储和分发，都会对人的态势感知效果产生影响。

2.2.1 武器平台自动化程度

武器平台使用自动化处理时，当态势感知级别较低时，可能会导致系统出现非典型情况，从而将降低决策行为的及时性和有效性。系统收集所需信息的能力、有效呈现该信息的系统接口的能力、压力和工作量的影响、系统的复杂性，以及自动化的特性都是影响态势感知的重要因素［11］。此外，信息的呈现方式对其可读性、可理解性和可访问性至关重要，从而影响人类的感知、认知和性能。

2.2.2 传感器平台感知能力

克劳塞维茨说过，“战争中行动所依据的情况有3/4 好像隐藏在云雾里一样，是或多或少不真实的”［19］。在战场环境中，对弈双方都会采取伪装、欺骗、干扰等措施，掩盖真实战术意图，使对方难以判断自己的真实动向，产生“战争迷雾”。这就使得雷达、ESM、声呐等传感器探测的信息不完全、不精确，加之设备自身会产生误差等原因，会对接下来产生的态势信息造成很大的不确定性。

2.2.3 战场环境的不确定性

当前战场面临的特殊环境包括弱信号环境、面对火力协同的多平台全分布环境、战区与战略态势估计中的全谱感知环境，以及非统计独立的多源相关信息环境。战场态势感知需要解决的是在海量信息中找到有价值的信息。除去人的主观因素，战场态势的不确定性，信息的丢失（可能是由于通信和数据网络中不可避免的故障引起的）以及非法的信息侵入，都对态势感知提出了挑战。

2.2.4 数据的传输、存储和分发

物理域的客观事实如何通过信息域对认知域产生有效的作用是评价信息优势的出发点［20］，也是提高态势感知的重要途径。态势感知作为中间层次，需要向下对接收到的态势元素进行有效的融合和整合，从而向上为高层次分发所需的态势信息，用于下一级的威胁估计和决策制定。

其中，在数据传输过程中，噪声的产生会影响信息的准确度，包括信息值的偏差、信息值的错误、信息值的质量等［21］。在对海量信息进行存储时，由于存储设备的硬件条件、操作系统、服务器质量产生的存储误差，也会对态势信息的精度或完整性造成影响。而在态势信息分发的过程中，分发模式的差异、分发方式的不同、分发时序的差异、态势的更新，都会对战场态势的一致性造成影响，从而影响态势感知的效果。D.Wickens 的研究证明［22］，工作负荷的增加可能会转移保持态势感知的资源（从而减少后者），但设计良好的可用显示器，既可以减少工作负荷，又可以提高态势感知能力。

3 关键技术

Endsley 指出，未来战场空间中的实质性挑战不是缺乏数据，而是数据过于丰富［12］。获取正确的信息无异于大海捞针。解决这一问题的关键需要明确哪些人需要哪些数据，以及如何对这些数据进行合理而有效的处理，以使其转化为真正所需的信息，将其实时、准确地提供给所需人员，并通过完善的思维模型或投影工具进行展现。根据这一描述，可以构建战场态势感知总体框架视图，如图3 所示，主要由传感器节点、信息处理节点以及指控节点组成，涉及物理域、信息域和认知域。在这一过程中，需要由雷达、预警机、侦察卫星等组成的多传感器组网系统侦察并搜索战场态势信息，传输至信息处理节点。信息处理节点通过深层次数据挖掘、多源信息融合等方式将态势理解和预测结果转发到指控节点，由指控节点制定决策并实施行动，根据战场形势变化对传感器功能和任务进行反馈调整，形成闭环过程，见图4。

图3 战场态势感知总体框图

图4 战场态势感知技术流程图

3.1 数据采集能力

在整个态势感知的环节中，态势信息的获取是感知的前提。在未来的战场上，随着隐身突防能力的逐渐增强，超声速能力的快速提升，各种作战平台需具备高效的反侦察、抗捕获能力。面对严峻的战场形势，仅仅依靠以往单部雷达、声呐等传感器各自进行信息获取，已经难以抗衡电子对抗系统。如何科学地对多传感器网络进行组网，同时提升传感器自身捕获信息的能力，提高对战场目标的检测概率，并对多个传感器获取的信息进行融合，发挥网络化整体优势，形成体系化综合对抗优势，是提升战场态势感知能力的重要问题。

早在20 世纪50 年代，苏联防空系统就成立了国土防空军，强调对于防空系统的自动化和组网化，例如在国土周围部署A-135 反弹道导弹系统，由7 部“鸡笼”远程警戒雷达、6 部“狗窝”雷达和13部导弹阵地雷达组成，各传感器单元之间密切协作，衔接成网。这种雷达组网的方式，是在作战单元内部或单基地范围内的组网，其数据采集能力有限。在如今的21 世纪，更为先进的是不同体制、不同频段、不同极化方式的传感器之间的全面组网，可以从陆、海、空、天、网络等多媒介侦测信息，实现全天候、全维度的战场态势感知，扩大在空间和时间上获取信息的范围，提高对于目标的探测和识别程度。例如美军部署在韩国的萨德（THAAD）导弹防御系统，就是和美军的天基卫星、海基宙斯盾雷达以及其他媒介的传感器实现全面组网，采用卫星、红外、雷达三位一体的综合预警方式，探测和侦察范围得到显著提升，其AN/TPY-2 型X 波段陆基相控阵雷达作为其雷达组网的核心，探测范围或可达到2 000 km 以上。在任务规划的牵引下，各自传感器设备根据协同部署策略，设置“即插即拔”的网络接口，保证整个协同网络的正常运行不会受到网络单元数量增加或减少的影响，多传感器网络一体化协同作战能力得到充分展现。

为了提高无处不在、持续不断的监视能力，美国陆军通信电子研究、开发和工程中心（CERDEC）启动了“每个接收器都是传感器（ERASE）”项目，该项目至少包括6 项相关科学和技术研究工作。每项工作都是一个独特的构建模块，结合起来将创建一种可显著增强和扩展陆军战术感知能力的整体方法。

此外，2017 年12 月，美国国防高级研究计划局（DARPA）战略技术办公室（STO）发布“海洋物联网”（OoT）项目的跨部门公告（BAA），计划通过部署大量低成本、智能化海上浮标以组成分布式传感器网络，突破雾、雨、云层覆盖以及其他环境条件限制，实现对大范围海洋区域的持续态势感知。2020 年4月14 日，美国CSBA 智库发布《侦察威慑：无人机系统在大国竞争中的关键作用》报告，提出“侦察威慑”的作战概念，强调在西太平洋和东欧的关键地理区域长期部署非隐身长航时无人机，形成无人侦察网络，以保持实时、持续的态势感知［23］。

目前，有很多研究集中于研究最小传感器部署（MSD）问题，目的是部署最少数量的传感器以覆盖重要区域。文献［24］总结比较了贪婪算法和机器学习算法，对传感器任务分配问题提出了优化建议。文献［25］开发了基于形状和区域检测的局部覆盖框架（LCSAD），运用局部几何Voronoi 六角形（LGVH）和相识区域六角形（AAH），分别针对探测形状和探测区域两个角度，提升了传感器探测性能，拓展了传感器覆盖范围。文献［26］针对最大定向目标覆盖（MDTC）问题，开发了一种分布式算法，可用于独立调整其监视方向，以使覆盖目标的数量最大化。文献［27］针对战场传感器受益最大化问题，提出了用于战场物联网（loBT）传感器激活的方案，应用图形贝叶斯博弈方法，降低了传感器能耗，有效地减少了数据冗余。文献［28］提出了一种可供士兵使用的可穿戴传感器，将手持设备和移动应用程序转变为功能侦察节点，利用图像识别功能和物体检测来对战场空间进行监视和侦察。上述研究都是传感器覆盖范围和自身性能上有所建树，但在各系统之间配合和交互方面研究不足。针对于此问题，文献［29］对战场侦察监控系统进行了设计，基于MEMS 技术，使传感器节点具有短距离双向通信的能力，自动形成侦察网络。文献［30］就数据融合和传感器部署间的协作关系进行了探讨，审视了覆盖优化问题的解决方案。

总体来看，目前大多数传感器仍是处于信息获取与融合处理相分离的阶段，对于多传感器组网探测和多传感器数据融合联合研究还不够深入，需要将融合算法用于多传感器的部署和管理，适应未来复杂多变的战场环境。未来随着人工智能等技术的发展，也需要加快探索基于人工智能的传感器覆盖率优化方法。此外，实时高精度融合估计算法的开发问题、非均匀采样系统的鲁棒性和稳定性研究问题、非线性系统传感器网络的部署问题，以及长距离传感预警等问题，也是未来具有挑战性的问题［31］。

3.2 数据挖掘技术

美国陆军研究实验室技术实施计划（2016-2020 年）KCI-CS-2 中指出［32］，战场上实时而大规模的数据分析可以限制战术突击，提高态势感知并主动获取自主情报来帮助美国陆军获得信息优势，而数据挖掘是其中的核心技术之一。

数据挖掘技术是进行战场态势理解的关键技术之一，它可以从复杂的、多尺度的、信息丰富的海量数据中提取或挖掘出隐藏在背后的有价值的知识和信息，为目标的检测定位问题提供解决方案。主要应用于对态势知识的提取与发现过程中，需要在海量的信息库中挖掘或发现该态势中潜藏的规律性知识，以及该态势与其他态势之间的关系，同时对非合作对象的行动企图和行为进行分析，作出一定的预判。

空间中的数据挖掘和知识发现，主要是通过统计、聚类等算法挖掘其中的模式。而战场空间的数据挖掘与知识发现，则需要根据地理位置，结合敌我双方的信息挖掘敌方更多特征信息，从而分析敌方意图走向，为己方提供下一步可靠的行动方案。

环境信息的不完全性造成的影响，是对数据进行挖掘前必须要考虑的问题，因此，有必要建立开发一个专门用于指挥控制系统的知识库，并在此基础上进行态势感知和数据提取。文献［33］提出了一种基于关联数据挖掘的分类算法，利用Dempster-Shafer 信度理论关系数据库（DS-DB），可以有效地表示各种数据缺陷。文献［34］建立了一种专门用于指挥控制系统的知识库，储存高质量的战场知识元素，用于智能战场识别服务。文献［35］提出了一种基于经验的模型CBSA，将态势感知（SA）模型和基于案例的推理（CBR）模型相融合，可以感知用户所处上下文环境，为态势感知筛选所需的信息。文献［36］对几种常用的特征选择评估方法进行了探讨。文献［37］从战场态势识别的需求出发，对相应的知识上下文数据库进行了分析，探讨了智能数据库的构建，并提出了一种将数据库与DMDF 相结合的匹配关键字的数据挖掘算法［37］。

以上文献大多是基于传统的数据挖掘方法，例如D-S 证据理论、贝叶斯网络、基于模板等，但在复杂、大数据、非线性、充斥“维度灾难“和”“战争迷雾”的战场上，传统方法难以适应态势推理的巨量状态空间，缺乏对于数据的深入挖掘，并且在知识表示、时空推理等方面都存在些许不足［38］。2007 年，DAPPA 启动的“深绿”计划，将人工智能、深度学习等方式引入辅助决策，通过大量经典案例的学习，在博弈中根据形势暴力搜索未来走棋方式，预测对方的行动，作出收益最大的决策方案，实现对于当前和未来态势的自动生成、理解和研判，大大减少了决策周期，将制定方案的时间压缩为之前的1/4。而随着战场态势信息的爆炸性增长，“深绿”在处理不确定性的复杂态势时所暴露的组合爆炸问题，以及意图估计时面临的非理性博弈问题，同人的主观性研判还是存在差距，因此，项目于2011 年终止。

2006 年，加拿大学者Geoffrey Hinton 团队提出了深度学习的概念，经过多年的发展已经成为人工智能领域研究热点之一，推动了指挥智能化的发展。深度学习利用神经元之间的层层连接，实现对于原始数据的学习。通过调整神经元之间的连接强度，调整改变神经网络的功能，模拟人脑的学习方式。深度学习的突出优势是对大数据的自主特征提取和聚类分析，能够适用于非线性、大容量、多维度的战场态势分析和理解［39］。自2016 年起，由谷歌公司研发的阿尔法围棋（Alpha Go）接连战胜人类围棋高手李世石和柯洁，展现出以深度学习为核心的智能系统的强大效能，已成为战场态势感知新的研究热点。文献［40］对特征提取技术和特征选择技术进行分析，研究了数据降维问题在深度学习中的应用。文献［41］研究了“维度诅咒”对机器学习的影响。此外，文献［42］提出了一种基于卷积神经网络（CNN）的YOLO 模型，用于从输入图像中直接获取目标的位置、类别和置信概率，以实现端到端的学习，从而提高目标检测的效率。针对如今战场敌方数据来源不足，战争记录难以获取的现状，文献［43］提出了一种利用Wargame 战争游戏平台进行态势感知的方法，利用军事作战规则和经验知识产生期望的结果，然后使用CNN 神经网络进行训练，并缩小理想结果与训练结果之间的差距。

深度学习面临的瓶颈问题之一就是需要大量训练样本支撑。而在不确定性的战场环境中，样本资源往往难以获取［44］。其次，实战化样本数据也难以获取，仅靠实兵演习和推演模拟的想定同真实战场样本数据还是存在差距。以上战场的特殊性原因造成了态势样本的稀缺，给以深度学习为代表的机器学习方式造成困难。因此，以少样本学习为代表的元学习方式为解决此类问题提供了思路。少样本学习（Few-shot Learning）［45］是元学习中典型应用的技术，是元学习在监督学习领域的应用。与深度学习所需大量样本进行训练不同，少样本学习的目标是利用少量的样本就可以完成学习任务，通过将之前的经验和当前的训练样本信息相结合，构建新的神经网络，以避免在新数据上出现拟合等状况。因此，少样本学习技术对于作战态势的理解具有重要的借鉴意义。这种以元数据驱动的方式，为机器根据所分析问题的性质灵活选择正确算法提供了指南。

如何从海量数据中捕捉和提取可靠、有价值和准确的信息，是当今最重要的研究主题之一［46］。在瞬息万变的战场上，如何提高大数据背景下的处理效率，探索处理异构、复杂的原始数据的新技术，是数据挖掘领域接下来要面对的问题。

3.3 信息融合技术

数据融合技术的概念起源于20 世纪70 年代，在20 世界80 年代末演变为信息融合，目前已经广泛应用于战场环境中的实体目标识别和跟踪，陆地、海洋和空域监视，雷达跟踪，遥感等场景［46］。信息融合技术是一种多层次、多类别的数据处理方法。它对数据进行检测和分析，明确数据之间的相关性，使数据结果更加准确可靠。

美国国防部实验室联席理事会（Joint Directors Laboratory，JDL）1986 年推出数据融合初始模型，从功能角度确定了数据融合的军事概念是：对来自多源的信息和数据进行检测、关联、相关、估计与综合等多级多层面的处理，以得到精确的目标状态与身份估计，以及完整、及时的态势与威胁估计。近30年来，JDL 顶层模型在不断进行完善和补充，相继在1998 年、2004 年制定JDL 修订模型和推荐模型，并依次经过JDL 融合过程顶层模型、DFIG2004 模型改进，发展到人在回路的用户-融合模型，如图5所示。主要从3 个方面进行改进。一是传统的JDL模型中，信息融合系统采用数据驱动的方式，对数据的处理受制于上下文的推理，用户有时无法按需定制所需的信息，忽略了人的主观作用。因此，JDL模型从传统的自动融合结构向以人为主导的融合结构推进，愈加注重发挥人在体系中的作用［47］，将人视为“软传感器”融于系统，为解决隐形知识、高层融合难题等机器无法独立完成的问题提供了途径。二是向信息获取与融合的一体化信息融合方向拓展。三是逐渐从数据融合、信息融合向认知融合方向演变，由机器从数据中提取信息含义转向由系统对获取数据赋予信息含义过程，从而涉及到对信息的理解和认知［48］。

图5 信息融合模型演变特征

我国信息融合领域专家赵宗贵研究员根据JDL模型，总结出适应军事战场环境的信息融合模型，如图6 所示。

图6 JDL 5 层模型的军事应用

如今，作为战场态势感知中不可或缺的因素和技术之一，广义的信息融合技术涵盖了物理域、信息域、认知域和社会域的内容。在军事领域中，信息融合技术包括信号级融合、时空配准、目标机动跟踪、异介质图像融合、用户参与和主导的信息融合、分布式信息融合、基于大数据的信息融合，以及信息融合高端应用等技术［47］。有关信息融合的算法很多，包括贝叶斯估计［49］，聚类算法［50］，遗传算法［51］，卡尔曼滤波［52］，机器学习［46］，卷积神经网络［53-54］，Dempster-Shafer 证据理论算法［55］等。

在未来战场上，多平台、多传感器资源管理和实时信息处理对于整个信息融合的过程尤为重要。文献［56］针对传统信息融合系统计算能力有限，信息处理能力受限、系统弹性差等特点，提出了一种基于云计算的信息融合系统，利用其超级计算能力、强大的信息处理能力，以及灵活的云架构结构弥补传统信息融合系统的不足，为战场信息融合的发展探索出新的方向。

在信息化时代，战场信息呈现3 个数据特征：大数据量、高度异构、高度复杂（高度维度或相互关联）［57］。文献［58］开发了一种人类观察误差对齐模型，将人类观察数据（软数据）与传感器数据（硬数据）相结合，增强融合结果的精确性和可靠性，并减少了融合系统评估和关联的数据量的异质性和复杂性。文献［59］针对联合作战条件背景下信息异构的情况，设计了一个基于内容的异构信息共享框架，便于内容的集中组织、存储和管理，以实现系统从局部概念模型到全局统一概念模型的映射。文献［60］提出了利用模糊逻辑技术，对多传感器数据进行融合处理，实现对有关对象和情况的高级判断。为了减少冗余信息带来的影响，文献［61］提出了一种基于模糊的数据融合方法，使用数据融合机制从传感器测量结果中删除不正确且重复的数据，以提高服务质量（QoS），降低传感器能耗。

21 世纪初，随着“网络中心战”的打响，要求信息融合系统具备较强的计算能力和实时数据处理能力，分布式信息融合的概念应运而生。它强烈依赖于所属的网络结构，驱动战场感知领域需求向系统化演进，寻求全局融合与局部融合在功能上的平衡或优化。面对日趋复杂的战场环境，如何对不确定、不准确、不完整的数据进行建模，如何处理不同环境下捕获的异质性数据，如何减少测量、传输过程中的噪声及电磁频谱等方面的干扰，实现信息效用的最大化，都是分布式信息融合系统所要面对的问题和挑战。

3.4 可视化技术

在信息化条件背景下，战场态势可视化技术是通过运用虚拟现实技术、地理信息系统、多媒体等技术，将抽象复杂的战场态势信息以人眼可观的形式进行展示的处理过程。态势可视化的优势在于，可以让所有计算机用户分享任何态势信息，且可以根据各自授权性质，将可用的信息显示在界面上。此外，可视化技术还可以将复杂琐碎的数据背后隐藏的关键信息进行分析和展示。美军2020 年联合展望中提出，互操作性是2020 年联合部队的一项任务，特别是在通信、通用后勤项目和信息共享方面，旨在提高各系统态势信息的共享［62］。

战场态势的可视化产品的展现形式是态势图，以美军提出的共用作战图（Common Operational Picture，COP）为代表，其概念源自军事行动中指挥和控制（C2）的需要，旨在通过展示从陆、海、空、天、信息域各个子系统收集的信息来建立团队态势感知，帮助操作人员保持对整体动态局势的正确认知。美军国防信息系统局（DISA）的文件从数据环境角度对COP 的描述为：COP 是分发数据处理和交换的环境，并能在其中开发出连续的目标战术数据库，每个参与者根据自己传感器的观察、处理领域的专门知识和标准作战程序（SOP）中的指挥角色，都能够对这个数据库进行增添、修改和提供附加值。

目前，有很多文献就COP 系统进行研究［63-65］。文献［63］提出了一种系统性的COP 开发方法，通过共享心理模型，最大限度地减少信息过载，实现信息效用的最大化，并指出信息需求分析在该系统中起到核心作用。文献［64］探讨了如何利用可视化技术向战场人员提供有效信息，使其能在较短的时间内完成信息交互。文献［65］提出了一种可以在移动环境（如mCOP）中实现的行动方案，利用K-Nearest-Neighbor 算法计算出最合适的匹配路线，丰富指挥员的态势感知。但随着信息的爆炸性增长，COP系统需要不断地进行更新换代以适应复杂的环境和指控模式。美国陆军下一代的指挥控制系统NGCCS（Next Generation Command and Control System）中的Joint WebCOP 模块集成了更为先进的信息处理技术、互联网技术以及GIS 系统，在无需安装插件的情况下，即可为参战人员提供战场空间的实时态势可视化信息。目前，美国国防高级研究计划局（DAPPA）已经着眼于现代战争作战维度拓展需要，开展“XDATA”、“PLAN X”、“HIVE”等可视化技术研究项目，研制处理速度和能力显著提升的硬件处理设备和软件平台，用于分析和挖掘海量数据之间的联系，为指挥员提供战场态势中有价值的信息线索，将引领指挥决策指向数字化作战新时代。

随着大数据技术的发展，人机交互技术也迎来了革新。文献［66］针对当前作战指挥控制系统采用二维信息显示不直观、易重叠的问题，提出了一种将混合现实技术（MR）应用于战场指挥决策的方法，设想出一种操作者与各种形式全息投影图像相交互的指挥控制模式，通过佩戴混合现实设备，操作者可以接收到各个维度的态势信息，作出实时的决策，从而提高决策效率。文献［67］借助跨现实（XR）等技术对COP 效能进行了拓展。

在未来的多域作战中，面临的最大挑战就是环境中人员之间的信息交互，因此，需要对信息中介进行基础研究并开发新的信息交互方法［67］。美国陆军训练与条令司令部颁布的Pam 525-3-1《陆军作战概念》手册中提出，迫切需要“使机器适合士兵，而不是相反”［68］。因此，需要可视化系统设计周期中加强士兵与技术之间联系的新方法和模型，降低技术复杂性，开发出能够快速识别和感知的动态态势模型，使士兵能够更快、更准确、更果断地采取行动，满足未来战场的需求。

4 展望

战场环境中蕴含着大量的不确定因素与非线性信息，态势数据也呈现出大数据5V 特征，即Volume（大量）、Variety（多样）、Value（价值）、Velocity（高速）、Veracity（真实性）［69］，这也给战场态势感知带来挑战。如今，随着人工智能、物联网等技术的发展，自适应感知、自主学习、自主决策将成为未来趋势，可以从以下方面进行研究。

4.1 态势知识库的扩充

在强干扰和对抗战场环境下，态势要素明显增多，面对异构复杂的信息，需要构建扩充规范统一的战场态势知识库，开展对于本体的研究，完成对于战场态势要素的抽象概述，实现标签分类，以形成一致性的态势感知。

4.2 不确定性态势推理问题

知识表示和态势推理一直是态势感知中的研究热点。针对战场上出现的大量不完整、不精确的信息，需要采取有效的表示方法进行态势推理，以增进指挥员对于态势的理解和预测。如今，不确定性推理方法主要包括：贝叶斯推理技术、模糊推理技术、D-S 证据推理技术、可信度理论、粗糙集理论以及基于模板的推理方法等技术。面对瞬息万变的战场形势，单靠一种推理方法难以达到预期的效果，需要借助多种手段联合应对，完善战场态势知识库，提高认知效率。

4.3 完善数据链系统的构建

未来战场必然是网络化的战争形势，数据链系统作为一种网络化的战术信息系统，可以实现信息和数据在传感器平台、武器平台、指挥控制系统间的实时传输，态势生成与共享能力是其独特的特征。可以借助数据链系统不断升级系统的软硬件实力，以最快速度完成态势的生成、分发和共享，赢得体系对抗优势。

4.4 人机交互技术

DARPA 认为，未来指挥智能化的关键在于人机结合，即“半人马模式”，以抵消第3 次消耗战略，现如今美军各军种都将人机交互、人机结合等类似技术作为未来研究的重点［70］。人在态势感知中有核心能动作用，而人的行为难以用精确的或概率的方法来描述。随着虚拟现实、全息成像、可穿戴等技术的发展，“沉浸式”态势感知逐渐兴起。通过设置双功能性的接口和协议，可以使指挥人员身临其境地完成显示操控、手势动作、语音等人机交互功能，以实现“人在回路”的循环，在帮助计算机准确识别操控人员的指控意图的同时，增强作业人员态势感知的效果。

4.5 无人平台的协同感知问题

态势感知是无人战斗机（UCAV）在现代空战中完成自主作战任务的重要一环。由于其成本、体积、适应性等优势，无人机将在未来战场发挥无限的潜力。在面对复杂、不透明的战场环境时，如何有效应对电磁干扰等复杂耦合，完成无人机群间的一致性态势感知，实现协同决策，是下一步态势感知领域值得注意的方向。

5 结论

本文对态势感知的模型发展进行了介绍，结合战场背景，总结了影响态势感知的因素，通过梳理总结近年来研究资料，对态势察觉、理解、预测各个阶段中应用的关键技术给出了分析，并展望了态势感知研究方向以及需要深入研究的内容。总的来看，战场态势感知的研究还处于初级阶段，相关理论研究还在逐步推进，需要做好与应用层面的对接。