简介：在舰艇防空作战过程中，人类操作员通常需要综合考虑成本、时间和作战规则等诸多因素才能决定是发射拦截导弹还是使用射频信号干扰来应对来袭导弹。随着战争规模的扩大以及新变量的引入，这种作战决策的难度将进一步提高。
针对上述问题，美国麻省理工学院（MIT）林肯实验室防空、反导和海上防御技术分部的研究者开发出一款基于学徒调度（Apprenticeship Scheduling）的人机协同优化（COVAS）系统。COVAS使用机器学习算法来模仿人类专家在充裕时间内考虑所有可用选项后作出的决策，是目前唯一能够为用户提供实时舰船自防御调度方案，以完成特定任务的系统。
林肯实验室隶属于美国国防部，由MIT工学院负责运行管理。作为全美第一个大规模、跨学科、多功能的技术研究开发实验室，该实验室的使命是将高科技应用于国家安全问题中。林肯实验室的主要研究领域包括防空系统的高级电子学、空间监控、导弹防御、战场监控、空中交通管制等，重要科研成果包括远程雷达和弹道导弹早期预警系统（BMEWS）、赛其（SAGE）原型系统和萨德（THAAD）导弹的陆基雷达（GBR）等。
1、发展历程
项目创始人Matthew Gombolay在其MIT博士学位论文中首次引入了COVAS概念。COVAS系统在早期阶段被贝斯以色列女执事医疗中心的妇产科用于为产房工作人员关于如何安排产妇床位或产妇剖腹产后安排哪位护士进行照料的建议。在2016年加入林肯实验室后，Gombolay博士使用COVAS开发了一种用于“打击群守卫（SGD）”训练系统的数据集，用于记录和展示受训者对导弹威胁所作出的战术决策。
“打击群守卫”是由高级概念与技术集团和林肯实验室合作研制的一款舰艇自防御训练系统，主要针对目前对美国海军威胁最大的反舰巡航导弹（ASCM），利用人工智能和机器学习技术建立了一套模拟训练系统，帮助海军学员理解美国海军开发的多型反ASCM系统，使其能够在信息不完整的条件下迅速作出最正确的自防御决策，同时利用学员在训练过程中积累的决策数据不断训练和改进智能决策模型，提高训练效果。
2、技术方法
COVAS以分支界定法为基础，在决策树模型中展示基于概率统计的行动方案，每个行动都真实反映了人类的决策过程，确保用户能够理解系统生成这个解决方案的原因。这种实时生成的解决方案能够为用户提供存在问题的行动计划建议，用户可以根据生成的标准评测分值对解决方案进行评估并最终决定具体的行动方案。
如何开发能够协助用户完成技术任务的高效调度软件长期以来都是美国海军面临的一项难题。在COVAS问世前，软件开发人员必须事先广泛征求行业专家的意见，并理解终端用户必须考虑的相关政策和标准才能开始开发，这个过程非常耗时且软件产品往往无法正确反映出人类决策。而终端用户很难充分、全面地描述自身的自然决策过程，也导致工程师和研究者开发出的算法也无法从真正意义上取代用户的决策过程并满足用户需求。
COVAS系统通过观测训练计划中的数据输入内容来学习人类专家的实时操作行为。这些计划详细描述了采取的具体行动（在海战中包括反制措施的时间和地点）和未采取的行动，COVAS将用户在同一时间点采取和未采取的行动进行成对比较，帮助系统预测用户在给定条件下将会采取的行动选择并实现资源的最优部署。
“通过一次只考虑一对行动，而不是一次性考虑所有行动，COVAS可以不限于在具有相同可用行动数量的环境中学习行动。例如下雨时，用户在雨伞、夹克、雨披或毛衣中选择了雨伞。以此可以推出雨伞优于雨披、雨伞优于夹克、雨伞优于毛衣、雨披不优于雨伞、夹克不优于雨伞和毛衣不优于雨伞共6个训练样本，而不是传统方法得到的单一数据。
在从小问题的演示中学习之后，COVAS将通过见证这些演示而开发的规则集应用于具有更多变量的更复杂问题。此功能允许系统响应小规模和大规模问题，而无需观察其他行为。
通过对这类简单问题的学习，COVAS可以将从中获取的规则应用到变量更多、更复杂的问题中，因此无需观测更多行为就可以对小型和大型问题作出响应。
3、结语
2018年，COVAS系统获得了《R&D》杂志评选的年度百大创新技术奖。未来，在海军研究办公室（ONR）将COVAS系统纳入海军未来能力（FNC）前，Gombolay团队将继续完善和改进COVAS系统，提高系统的整体能力。
本文来自投稿，不代表本人立场，如若转载，请注明出处：http://www.souzhinan.com/kj/145322.html