人工智能在无人机军事领域的应用发展研究:基于WOS核心数据库的文献计量分析

褚旭龙

(1.北京航空航天大学公共管理学院, 北京 100191; 2.科学技术部高技术研究发展中心, 北京 100044)

无人机(unmanned aerial vehicles,UAV)具备使用限制少、敏捷性强以及效费比高等优异特性,使得其成为各国军事发展的重点[1]。2022年俄乌冲突中,无人机作为重要装备力量深入参与到现代战争中,在情报侦察、作战群体通信、火力分配与打击、以及电子干扰等方面均展现出奇效,强势成为影响战争进程发展,甚至主导战争成败的关键要素[2]。

聚焦无人机智能化作战应用发展,近年来,美国、英国和中国等国家均开展了人工智能在无人机军事领域应用领域相关的战略研究与部署。美国通过制定一系列的专项规划,为其无人机的军事应用发展提供了长远、全面和持续的指导[3],美国陆军于2017年提出新版《机器人及自主系统战略》,旨在2030年实现无人机系统蜂群作战;美国防部于2018年8月,发布《2017—2042年无人系统综合路线图》,提出了无人机智能作战的系统规划。英国于2022年3月10日发布新版《机器人与自主系统战略》,旨在尽快将无人作战系统与有人作战系统高度集成,快速形成作战打击能力。中国于2019年7月发表《新时代的中国国防白皮书》,提出“以信息技术为核心的军事高新技术日新月异,武器装备远程精确化、智能化、隐身化、无人化趋势更加明显,战争形态加速向信息化战争演变”[4]。

智能无人机作战应用方面,人工智能(artificial intelligence,AI)作为颠覆性技术,逐渐赋能于无人机作战领域,带动了空战算法和机器视觉等技术的发展,对无人机的作战样式、指挥控制等方面产生了变革性影响,并逐渐贯穿作战的全周期,包括前期的情报侦察,中期目标跟踪与寻的,后期的博弈对抗与目标打击,其智能化发展运用程度逐渐成为改变战场局势的关键性因素。人工智能赋能下的无人机作战具备颠覆战争规则,改变战争形态的能力。因此,加速推进人工智能与无人机军事领域的融合创新,对推进国防和军队现代化发展,抢占未来战争制高点,起到至关重要的作用。

鉴于此,开展中外人工智能在无人机军事领域应用发展现状、发展脉络以及前沿热点研究和系统梳理,选用CiteSpace软件开展可视化分析,数据源为2013—2023年WOS(Web of Science)核心数据库相关文献,对分析结果进行系统总结与分析。研究成果为中国人工智能与无人机作战融合创新发展提供相关参考,提升研究水平。

1 数据源与分析方法

1.1 数据源

选取WOS核心数据库收录的期刊文献作为文献检索数据源,为保证所检索文献的全面性和高质量性,分别在检索策略和文献筛选环节进行了研究设计。

检索策略设计上,依据研究主题,分别从人工智能技术、无人机和军事作战应用逐一开展设定。首先是人工智能技术关键词设定方面,主要从算法的分类关系和技术应用类型两方面进行检索关键词的分解设定。算法分类方面,人工智能的主流算法为机器学习,机器学习可分为监督学习、半监督学习以及无监督学习等类型,监督学习又可分为回归、分类,同时,添加具体常用的算法包括神经网络、支持向量机、决策树、随机森林、强化学习、遗传算法、集成学习等;另一主流算法为深度学习,又可分为卷积神经网络、循环神经网络等;深度强化学习也是无人机应用的热点。人工智能技术应用类型方面,参考相关文献,设计检索关键词包括机器视觉、群体智能、多智能体系统、专家系统、自主系统等。

其次是无人机关键词设定方面,主要包括无人机、无人驾驶飞机和无人作战飞机等。无人机军事作战应用方面,按照军事作战概念和典型作战任务两部分开展分解设定。首先是作战概念方面,包括国防、军事、作战等基础检索词,还包括空战、联合作战、空地一体战、蜂群作战、多域战等;典型作战任务方面,主要包括态势感知、情报侦察、目标识别、任务规划、火力分配、电子对抗等。

最后考虑同义词、单复数和缩写等情况并按照逻辑“与”的关系将上述3部分组合进行检索。经过多次尝试,最终检索策略设定为[(TS=(“artificial intelligence” OR “AI” OR “machine learning” OR “ML” OR “deep learning” OR “DL” OR “neural network” OR “reinforcement learning” OR “genetic algorithm” OR “support vector machine” OR “SVM” “decision tree” OR “random forest” OR “unsupervised learning” OR “swarm intelligence” OR agent OR “machine vision” OR “expert system” OR “autonomous system” OR “ensemble learning” OR “deep reinforcement learning” OR “DRL”)) AND TS=(“unmanned aerial vehicle” OR UAV* OR “unmanned aerial vehicles” OR UCAV* OR “unmanned combat air vehicle” OR drone*)) AND TS=(combat OR military OR “joint operations” OR “Intelligence reconnaissance” OR “air combat” OR “national defense” OR “reconnoitre” OR “distributed Wargame” OR “situational awareness” OR “Swarm warfare” OR “target identification” OR “distribution of firepower” OR “task planning” OR “autonomous technology” OR “electronic countermeasures” OR ECM)]。检索方式设定为主题检索。期刊发表年份范围设置为“2013—2023年”。共计检索出相关期刊文献713篇。

为了保证数据源的高质量性,文献筛选环节上采取多重操作。对所检索出的文献进行逐一筛选,去除会议通知、书稿序言、综述类数据;去除包括农业类、人文教育类、智慧城市类、城市交通类等与研究主题相关度不高的文献;最后运用CiteSpace软件对剩余的文献数据进行去重操作。通过上述3步骤,共去除246篇无效数据,最终得到467篇高质量文献作为本文的研究数据源。

1.2 分析方法

选用CiteSpace软件,以知识图谱的方式直观展示出目标研究领域内在的相关主题间的逻辑关系,进而开展研究现状、发展脉络以及研究热点的解读分析[5]。文献导出时,以纯文本格式进行下载。研究要素方面,分别从国家、机构、关键词、被引文献等不同方面开展分析,对应CiteSpace软件设置为“Country”“Institution”“Keyword”“Reference”。

最终,对纳入的467篇高质量文献从时间分布、空间分布、研究机构分布、关键节点核心文献、关键词共现、关键词聚类和时间线7个方面进行分析,梳理人工智能在无人机作战应用的研究现状、发展脉络和研究热点,总结梳理该领域的关键研究内容,旨在为相关领域的研究提供参考。

2 结果与分析

2.1 时间分布特征

依据年发文量开展领域研究的时间分布特征分析,能够一定程度了解人工智能在无人机军事领域应用发展的总体趋势情况。

基于所检索的467 篇文献数据开展发文量分析,相关结果如图1所示。可以看出,人工智能在无人机军事领域应用的文献发文量呈现稳中有升的发展趋势。且以2017年为分界点,该领域的相关研究可分为两个阶段。第一个阶段为2017年以前,该领域的年度平均发文量约为15篇。第二阶段为 2017—2022年,该领域的年度发文量约为76篇,且逐年发文量展现出增长趋势。2023年1—3月发文量为8篇。

图1 2013—2023 年发文量Fig.1 Number of published papers from 2013 to 2023

2016年被称为“人工智能元年”,人工智能开启了突破发展与广泛应用,相关理论和共性技术得到了发展,一定程度上推动了其在无人机军事领域应用的科技创新突破,因此,2017年后领域研究成果快速增长[6]。

2.2 空间分布特征

空间分布特征主要依据国家合作关系开展分析,如图2所示。国家合作网络图谱能够一定程度的了解研究领域的地理分布和合作情况。图谱中国家节点数为24个,合作关系连线为23条。

图2 国家合作关系图Fig.2 Map of national partnerships

图2中的节点和字体大小代表国家发表论文数量的多少,越大代表发文量越多。深色程度表示中心性大小,即关键节点排序。可以看出,中国在该领域研究中发文量排第一位,为177篇。美国发文量排名第二,为73篇,但中心性排第一位,取值为0.55。详细排名信息如表1所示。

表1 国家发文量居于前10 位分布情况Table 1 Top 10 of the national publications

2.3 研究机构特征

如图3所示,对纳入的467篇文献开展机构发文量统计分析,以了解人工智能在无人机军事领域应用发展研究的重要研究机构。

图3 发文机构分布图Fig.3 Distribution diagram of the institutions publishing papers

排名前10的研究机构中,中国的研究机构占比80%。其中,西北工业大学在该领域的发文量排名第1,为25篇;国防科技大学发文量排名第2,为20篇;北京航空航天大学排名第3,为17篇。

同时,使用CiteSpace软件进行研究机构合作网络图谱分析,旨在展示出研究领域的核心研究群体,如图4所示。按照研究机构节点数不小于4进行筛选,共形成了4个合作较强的研究机构群体。规模最大的研究群体1涉及36个节点,包含4个主干节点且均所属中国,分别为西北工业大学、国防科技大学、北京航空航天大学和南京航空航天大学。规模排名第2的研究群体2包含5个研究机构,以华中科技大学和香港科技大学为主干节点。研究群体3包含4个英国研究机构,分别为牛津大学、诺丁汉大学、南安普敦大学、帝国理工学院。研究群体4包含3个韩国研究机构(世宗大学、亚洲大学、韩国电子通信研究院)和1个英国研究机构(考文垂大学)。

图4 研究机构合作关系Fig.4 Partnership of research institution

研究机构合作集群可以一定程度上反应该领域研究的跨国合作情况。总体而言,人工智能在无人机军事领域的研究跨国合作关系不明显,主要以本国的研究机构合作为主,同时,研究群体主要以大学院校为主,比较突出的是军工类院校占有很大比例。中国涉及该领域研究的机构占比以及合作关系规模突出,也在一定程度上反映出中国在该领域学术研究具备较大的贡献度和影响力。

2.4 关键节点核心文献分析

关键节点文献是基于文献共被引分析程序统计得出的重要文献,具有高被引、高中心度等特征,能够反映出研究者所关注的焦点或热点方向[7]。通过对467篇文献的被引频次进行统计,梳理2013—2023年WOS数据库中人工智能在无人机军事领域应用发展相关研究排名前10的关键节点文献,如表2所示[8-17]。

表2 前10 位关键节点文献[8-17]Table 2 Top 10 of the key literatures[8-17]

通过总结分析关键节点文献,可以发现这些文献主要在2015—2020年集中涌现,均具有较高的被引频次,在理论创新和应用等方面奠定了坚实的基础。总体来说,上述10篇关键节点文献按照无人机作战应用方向进行划分,主要分为目标识别与跟踪和作战决策两种类型。目标识别与跟踪对应于机器视觉技术方向,涉及5篇关键节点文献,排名为第2～6名。作战决策对应于空战算法技术方向,涉及5篇关键节点文献,排名为第1名和第7～10名。

其中,机器视觉方向的关键节点文献属于共性关键技术类成果,主要为目标检测方向的重大理论研究突破,主要包括经典的区域卷积神经网络(region-convolutional neural network,R-CNN)、SSD(single shot multibox detector)、YOLO(you only look once)模型研究。R-CNN系列目标检测模型技术发展脉络主要涉及R-CNN、Fast-RCNN(fast-region convolutional neural network)、Faster-RCNN(faster-region convolutional neural network)。经典的循环神经网络(recurrent neural network,RNN)算法按照工作流程划分,主要包含区域候选、特征提取、分类和位置精修,其存在的显著缺点是重复计算导致模型训练空间和时间成本高。Fast-RCNN在R-CNN基础上实现了优化,其将特征提取、分类和位置精修融合到一个网络里面,节省了空间,并把多个任务的损失函数集成到一起,使用统一的全连接层同时执行分类与位置精修,缩短了模型的计算时间,但由于候选区域算法仍与R-CNN模型一致,速度提升不明显。表2排名第2的为Ren等[9]于2017年发表的关于Faster-RCNN成果,区别于Fast-RCNN,引入区域建议网络RPN和anchor box概念,有效降低了运算时间并提升了预测准确率。YOLO是Redmon等[11]在CVPR2016提出的一种目标检测算法(表2中排名第4),区别于Faster-RCNN模型将目标检测分为分类和回归两个问题,其将目标检测问题同意按照回归类问题进行求解,使用单独的端到端网络,完成从原始图像的输入物体位置和类别的输出,其优点为背景的误检率低且运算速度快,但缺点为识别小物体能力相对较差。排名第5的为Redmon等[12]于2018年发表的YOLOv3模型相关成果,该模型相较于YOLO模型,优化提升了模型预测准确率以及小物体检测的能力。排名第3的为Liu等[10]于2016年发表的SSD模型成果,其相较于YOLO模型实现了改进优化,融合不同卷积层特征实现了多尺度目标检测,提升了小目标检测能力,引入anchor box概念提升了目标检测准确率。排名第6的为He等[13]于2016年发表的深度残差学习相关成果,解决了深度神经网络随着网络层数的增多出现的网络消失/爆炸和网络退化问题,显著提升了特征提取的准确率。

空战算法方向的关键节点文献中包含重大原创性突破和实际应用类成果。2015年,Volodymyr等[8]在Nature发表了关于深度强化学习方法的论文,解决了传统强化学习动作空间和样本空间都很小的局限性。在实际应用中,作战环境复杂多变,机动状态连续且动态变化,产生出高维度数据量,传统的强化学习很难处理。面对此种情况,深度强化学习能够通过深度学习的特征提取进行数据降维,并与强化学习的序贯决策能力结合,从而能够解决更加复杂的任务。2016年,Silver等[15]在Nature发表了第一代AlphaGo相关理论成果论文,阐述了AlphaGo的模型过程和训练方法,主要包含监督学习、强化学习、策略网络、值网络以及蒙特卡罗搜索等,在博弈对抗中表现优异,以4∶1的高分击败了围棋世界大师级冠军李世石,反响强烈。上述两篇发表于NATURE期刊上的高质量文献属于原创性理论突破类论文,同时,表2中还包含深度强化学习在无人机、无人作战飞机智能决策中的应用类论文。 Liu等[17]于2017提出,基于DQN(deepQ-learning network)算法高维度数据下的作战智能决策,并进行了仿真验证。Yang等[14]于2020年提出基于深度强化学习的短程空战无人机机动决策,仿真验证表明可获得有效的对抗决策策略。

2.5 关键词共现可视化分析

论文的关键词往往能够概况性的体现出该论文的核心研究主题,而同时存在于一篇文章中的几个关键词,其间会存在逻辑关联关系,这种关系为共现频次。通过对某个领域的相关文献所涉及的关键词进行共现频次分析,能够一定程序上反映出该领域的研究热点[18]。

使用CiteSpace软件,以关键词为研究要素,开展关键词共现分析,结果如图5、表3所示。图5为生成的关键词共现图谱,其中,关键词节点N为49个,关键词间的连线数量E为59条。在关键词共现图谱(图5)中,关键词字体的大小反映了其出现频次数量的不同,频次大小与可视化节点的字体大小成正比;关键词间连线的粗细程度反映了关键词之间的联系程度,其间的连线越粗代表关键词联系越紧密。

表3 关键词词频居于前20 位分布情况Table 3 Top 20 of keywords in terms of word frequency

图5 关键词共现Fig.5 Co-occurrence of keywords

其中网络词频居于前20位的关键词分布情况如表3所示。前10位的关键词分别为:无人机(143 次)、深度学习(41 次)、遗传算法(32 次)、机器学习(29 次)、强化学习(26 次)、算法(24 次)、优化(23次)、目标检测(22 次)、系统(20 次)、深度强化学习(12 次)。关键词出现频次越高,表明该关键词为热点问题。

2.6 关键词时间线图分析

通过CiteSpace软件开展关键词时间线图分析,旨在明晰人工智能在无人机作战应用中的热点领域、研究发展脉络与趋势,结果如图6所示。

图6 关键词时间线图Fig.6 Keyword timeline

联系紧密的一组关键词可以构成独立的研究领域或研究方向,有助于开展对象研究的热点分析跟踪[19],首先对467篇文献数据关键词进行聚类分析,如图6所示,共呈现出10大聚类,主要包括#0多目标优化、#1数据汇集、#2目标跟踪、#3机器视觉、#4轨迹、#5武器目标分配、#6群体、#7卷积神经网络、#8强化学习、#9空中成像。评估聚类结果的科学性指标包括聚类模块值(Q)和聚类平均轮廓值(S)。一般认为Q>0.3意味着聚类结构显著,S>0.5代表聚类结果是合理的。如图6所示,Q为0.541 8,S为0.535 4,说明结果的科学有效性。

对每类聚类结果i,选取频次排名前5的被引文献关键词进行统计分析。其中,#0多目标优化包含的关键词为算法、深度强化学习、多智能体系统、游戏、任务分析;#1数据汇集包含的关键词为人工智能、群体智能、无人机、通信、自主系统;#2目标跟踪包含的关键词为机器学习、模型、空战、计算机视觉、机动决策;#3机器视觉包含的关键词为遗传算法、优化、路径规划、导航、避障;#4轨迹包含的关键词为自主控制飞行器、飞行器、搜索、跟踪、轨迹;#5武器目标分配包含的关键词为神经网络、设计、飞机、深度学习、分配;#6群体包含的关键词为网状系统、安全、互联、群体、无人机;#7卷积神经网络包含的关键词为无人机、深度学习、目标探测、卷积神经网络、监控;#8强化学习包含的关键词为强化学习、无人战斗机、迁移学习、DDPG(deep deterministic policy gradient)算法、MADDPG(multi-agent DDPG)算法;#9空中成像包含的关键词为系统、空中成像、行为、自动配准、数据融合。

2.7 研究热点总结

综合分析关键节点文献、关键词共现、关键词聚类、突现词以及关键词时间线图结果,结合高被引文献的研读,对人工智能在无人机军事领域应用的研究热点进行归纳总结,包括技术发展脉络、研究方向的困难点、技术路径的优缺点等。总体上,归纳为3个热点研究主题,分别为军事侦察、任务规划和自主作战决策。

2.7.1 情报侦察

战场态势信息的快速的、准确地获取,是有效开展作战的第一步,起到克敌制胜的关键作用。其为作战任务规划、指挥决策与打击提供信息输入。人工智能赋能下的无人机,能够开展战略、战役以及战术侦察,使得其成为一大研究热点,主要包括目标识别与目标跟踪,包含聚类#1、#2、#7和#9。

目标识别的热点研究方向为机器视觉。目前,应用较多的探测方式多为雷达和红外探测,但容易收到干扰。随着技术的发展,基于图像或视频信息的机器视觉技术成为了无人机目标识别应用的热点研究方向。主要算法类型包括以决策树、支持向量值、神经网络等算法为代表的机器学习和以Faster-RCNN、YOLO、SSD等算法为代表的深度学习。通过总结技术发展趋势可知,区别于民用上的目标检测,战场环境存在背景信息的复杂性、目标的多样性以及高度机动动态变化等问题,提升了目标的识别难度无人机智能化目标识别难度,如果鲁棒性不佳,将导致识别率低,无法掌握战场上的敌方情报;如果算法运行的速度慢,将不能实现期望的作战效能。学者们主要以算法的实时性和鲁棒性优化为目标开展了算法的迭代优化或机制创新[19-20]。

目标跟踪的热点研究方向为以深度学习为主体的算法研究。典型的基于视觉的目标跟踪主要是通过提取目标的特征信息并预测其在未来时间序列内的位置信息实现跟踪效果。总结技术发展趋势可知,目标跟踪的主要技术路径从生成类向跟踪方法向判别类跟踪方法发展。相比于生成类算法在复杂目标跟踪表现出的局限性,基于深度学习的判别类算法能够提取目标中更多的价值信息,从而提高跟踪效果[21]。无人机作战背景下的目标跟踪面临的主要困难包括相机抖动、光照变化、视角变化、模糊运动、遮挡丢失、算力依赖以及实时性要求高等问题,总结具体研究成果可知,学者们主要从采样策略、区域生成、数据增强、尺度估计、无人机群数据信息融合以及与强化学习结合等方向提升目标跟踪性能[22]。同时,基于多无人机群协同跟踪的研究也逐渐受到关注,通过全局数据融合、覆盖率优化等方面的算法优化,能够有效地提高目标跟踪准确性和高效性[23]。

值得一提的是,部分学者以无人机为识别跟踪对象开展了反无人研究。随着无人机技术和群智能技术的快速发展,数百架小规模、低成本的无人机集群执行复杂的作战任务,给低空空域防御带来了巨大的威胁和挑战[24]。利用目标识别与跟踪技术来探测和跟踪来袭的无人机群,是反无人机战略的前提,同时部分学者基于群体智能算法、强化学习算法、深度学习算法,开展了无人机群的拦截策略的研究,得到了多无人机防空问题的解决方案[25]。

2.7.2 任务规划

任务规划是无人机军事领域研究的重点环节之一,以情报侦察信息为基础,以作战目标为牵引,综合考虑敌情(目标数量、类型以及威胁程度等)、我情(集群数量、载荷能力、物理运动能力等)以及战场环境(天气、地形等)等多方因素约束,开展无人机/无人机群的作战计划制定,是一个复杂的大规模约束多目标优化问题,很大程度上决定了无人机执行任务的效率。人工智能驱动下的无人机自主任务规划是一大研究热点,主要分为路径规划和任务分配,包含聚类#0、#3和#5。

总结分析相关高被引文献可知,群体智能算法是人工智能在无人机任务规划(路径规划和任务分配)方面的研究热点。路径规划方面,逐渐从以精确方法和启发式方法为代表的传统算法(穷举法、动态规划、工势场法、A*算法等)向以群智能算法(蚁群算法、粒子群算法、遗传算法等)为代表的人工智能算法演进[26]。传统方法在多无人机任务规划以及复杂任务等情况下展现出诸多局限性。如精确方法只适用于小场景简单任务下的路径规划问题,在目标函数以及约束条件较多时,难以形成有效的路径规划结果;启发类算法在大规模作战场景下,往往容易出现局部最小值问题,影响全局最优目标的实现。同时,传统类算法在群体无人机协同任务路径规划等方面也表现不理想。群体智能算法在解决多目标优化问题方面的卓越性促进了智能化技术在无人机群路径规划的应用发展[27-29]。主要研究方向为3类群体智能算法的应用,分别为基于物种遗传交叉变异进化论的遗传算法,模仿自然界鸟类捕食群体智能行为的粒子群算法和模仿蚁群觅食群体智能行为的蚁群算法。任务分配方面,主要以实现无人机组全局效能最大化为目标开展的侦察、打击、干扰等任务的设定。学者们在群体智能算法基础上开展了算法的改进、组合等研究,取得了系列成果[30]。进一步,部分学者开展了群体智能算法与深度学习算法的结合应用,综合群体智能算法的随机搜索能力和深度学习算法的特征提取表征能力,取得了很好的任务分配效果并缩减了运算时间[31]。同时,基于强化学习在序贯决策优化问题上的优势,部分学者也发表了其在无人机群路径规划方面的研究成果,具备路径动态快速规划的能力[32]。

2.7.3 自主作战决策

日趋复杂的战场环境和战场态势,使得空战决策具有强对抗、高动态等特点,对无人机自主作战提出了挑战。基于人工智能的方法赋予无人机学习和自我扩展的能力,使智能无人机具备灵活性、适应性更强的作战决策能力,是无人机作战应用研究中的热点与难点,包含聚类#4、#6和#8。

总结技术发展脉络可知,主要算法类型包括强化学习、深度强化学习、多智能体深度强化学习等类型。强化学习主要用于解决序贯决策问题,其核心思路是智能体在与环境的持续交互中进行试错学习,即根据环境反馈学习最佳策略,使得智能体从环境中获取的累积回报达到最大,是开展无人机自主作战决策的热点算法之一[33]。然而,现代战争复杂战场态势下高纬度数据问题造成了强化学习应用效果的不佳,维度灾难下的有效特征表示是其所面临的主要难题。随着计算能力的提升和算法的持续演进,深度学习技术在物体检测、信号分析等领域应用成果十分瞩目。将具有表征优势的深度学习和决策优势的强化学习相结合,深度强化学习能够有效解决空战背景下的高维、连续状态空间和复杂作战机动空间的复杂问题,并取得了巨大的成功[34]。随着单智能体作战决策能力的提升以及无人机蜂群作战等新式作战战法的应用需求,深度强化学习与多智能体系统结合下的多智能体深度强化学习逐渐成为新兴研究热点,已在博弈对抗、机器人避障、无人机编队等诸多领域得到了成功的应用,并成为研究多智能体系统中群体智能涌现的关键方法[35]。

总结具体研究成果可知,学者们主要以提升无人机自主决策能力为目标开展了算法的收敛性、鲁棒性、可迁移性以及泛化能力等方面优化工作,主要包括主体参数设计、态势评估方法、奖励函数设计、策略探索机制、模型训练方法等具体的研究方向。Lee等[36]将自我模仿学习方法和分层强化学习方法相结合,提升了无人机策略探索能力,使得无人机在执行最短飞行路径规划下能够有效避开敌方导弹攻击。Yang等[37]基于人类从简单到复杂逐渐学习理念,提出模型分层训练方法,有效解决了DQN方法在高度动态和不确定机动的近距离空战下训练负载大、训练时间长的问题。Gong等[38]提出了空战协同战略框架,将专家协同空战经验与多智能体深度强化学习奖励函数相结合,提高了无人机群的协同作战能力。部分学者也开展了人工智能与其他技术的融合创新研究,如与数字孪生技术相结合,提高了作战单元的运动参数的真实性[39];与虚拟现实技术相结合,以三维可视化方式展示模型的对抗训练过程[40]。

3 结论

采用CiteSpace软件对WOS数据库收录的人工智能在无人机军事领域应用相关的467篇高质量文献从时间分布、空间分布、研究机构分布、关键节点核心文献、关键词共现、关键词聚类和关键词时间线7个方面进行分析,得出以下结论。

(1)总体情况方面,近10年人工智能在无人机军事领域应用研究的发文量总体上呈现稳中有升的发展趋势,且以2017年为分界点,逐年发文上升趋势幅度变大。2013—2017年,是人工智能在无人机军事领域的应用发展的基础研究阶段。同时,随着算力的进步和算法的衍进,人工智能技术实现突破发展,因此,其在无人机军事领域的研究成果随着时间的推移而持续快速增长,说明某一关键技术的理论性突破或发展对科技创新具有强大的推动作用。

(2)中国在人工智能在无人机军事领域的应用发展领域具备突出的研究活跃度和产出量,在该领域研究中发文量排第一,发文量排名前10的研究机构占比为80%,且形成了节点数最多的研究机构合作集群,一定程度上反映出中国在该领域学术研究具备较大的贡献度和影响力。美国在该领域空间分布的中心性排名第一,在国际合作方面占据优势。

(3)对人工智能在无人机军事领域应用的研究热点进行了归纳总结。按照作战应用方向划分,归纳了军事侦察、任务规划、自主作战决策3大热点研究主题。对每一热点主题分别进行了技术发展脉络、研究方向的困难点、技术路径的优缺点的总结,旨在为相关领域的研究工作提供参考。