欢迎关注博主 Mindtechnist 或加入【Linux C/C++/Python社区】一起学习和分享Linux、C、C++、Python、Matlab，机器人运动控制、多机器人协作，智能优化算法，滤波估计、多传感器信息融合，机器学习，人工智能等相关领域的知识和技术。
李琨,姜典辰. 美陆军面向战场物联网的边缘智能发展综述[J]
专栏：《前沿技术文献速递》
人工智能在军事领域的创新应用带来了战场态势感知和决策能力的不断增强,智能化战场装备日趋成为实施联合全域作战的关键使能因素。 近年来,围绕战场智能感知、智能分析和辅助决策,以及自主行动过程等要素,各军事大国加速推进以先进传感器、机器学习、移动宽带、边缘计算为核心特征的新技术应用研究,依托新一代通信手段和智能组网技术,大力开展各作战单元和作战要素网络化、一体化、自主化建设,加紧构建支持多域作战的战场全维智能感知体系,以抢占未来智能化战场的制高点。 在这一趋势下,美陆军率先发展了以机器学习、深度融合、智能感知技术应用为核心的“战场物联网” (Internet ofBattlefield Things,IoBT),力图将人工智能应用推向未来战场前沿
。 其构想是,在复杂多样、干扰对抗、高作战节奏和极度动态的战场边缘环境下,依托敏捷、智能化、自适应的人-多智能体组网系统,通过不断感知、识别和快速利用新出现的优势窗口,持续对作战进行规划、准备、执行与评估,提供实时分析和决策支持功能,加速多域融合,使各种能力产生快速效应,形成比对手更快的感知-判断-决策-行动(ObserveOrient-Decide-Act,OODA)周期速度,支持联合全域指挥 控 制 ( Joint All-Domain Command and Control,JADC2),从而构成非对称优势。然而,由于战场边缘的固有特性,在边缘环境下往往伴随着通信、网络和处理能力的下降,因此很难利用现有云计算和网络架构为战场物联网的边缘智能应用提供支撑,尤其是在如何缩短感知到效应的时间、增强网络的安全性和韧性,以及提升边缘智能处理能力等方面,仍然面临巨大的挑战。
针对 这 一 问 题, 美 陆 军 研 究 实 验 室 ( ArmyResearch Laboratory,ARL)与卡耐基梅隆大学等多家研究机构合作,建立了军、校、企三方合作研究联盟(Collaborative Research Alliance,CRA),致力于未来联合全域作战边缘智能应用方面的创新研究工作,
持续对智能目标驱动网络、机器学习、分布式人工智能架构等进行深入探究,并取得了一系列成果。
研究表明,采用分布式边缘智能处理架构和异构资源融合方案,将分布式人工智能、对抗环境下的机器学习、韧性组网等边缘智能技术应用到战场物联网系统中,能够为云计算减轻负担,有助于解决通信连接降级、延时长、安全性差、易受攻击等问题,是支持
未来决策优势的关键因素。
从美陆军上述发展来看,其战场物联网边缘智能的主要发展方向可归结为以下几个方面:一是寻求新的计算范式,发展超高性能,使战场物联网突破分布性、异构性和规模性瓶颈,以缩短传感器到效应的时间;二是增强分布式持续瞬态网络的系统韧性,致力于动态环境下韧性创新方案研究,以应对未来新的威胁环境;三是改进现有人工智能应用范式,开发知识导向的分布式智能架构,将科学物理模型与基于神经网络的机器推理关联起来,实现高价值军事网络的综合应用效果。具体而言,其研究工作侧重于以下几个方面:
(1)增强基于微弱指标的快速动态变化或异常检测能力
在多域作战效应决策环内,所有效应都是基于传感器检测到信息而自动产生的,因此需要快速检测到传感器测量的关键变化。 然而,在极端复杂的边缘环境下,有多种因素都可能导致产生测量误差,检测到的特征往往带有随机性和不确定性。 因此,应重点针对动态异常、移动目标、异常增长和异质目标等检测类别,开发一种基本可行的快速变化检测(即尽快检测到变化结果)方案,并逐渐扩展到有挑战性的分布式动态检测方案。
(2)提升智能系统在欺骗环境下的模型自适应能力
随着机器学习算法的出现,诱饵和伪装手段已经延伸到战场物联网环境,对手利用机器学习属性,输入错误示例,使其产生错误分类或错误预测。 这种欺骗性输入引起推理算法中错误分类外观变化极小,不会显著改变传感器输入,因此很难检测出这种输入操作。 为此,近期研究提出一种基于归因的置信度指标检测方法[5,21],用于评估对手操纵的可能性。 通过该方法,可对底层原始深层神经网络中原始输入图像进行调整,并对原始深层神经网络所产生的反应进行评估,从而测量模型的一致性。
(3)创新多模态数据融合和推理算法
战场物联网异构传感器数据规模量巨大,易导致数据处理和传输延迟。 针对这一问题,应重点开发新的分布式推理方法,通过评估动态网络带宽和边缘资源能力来划分跨边缘和云资源的神经网络推理模型,将渐进式模型层切片与网络分区相结合,从而能够在保持高性能准确性的同时保持低延迟和低能耗。 同时,设计一种新的神经网络框架,用于区分执行推理的优先级,并缩短触发关键任务的时延,以提高检测速度。 此外,对于多模态感测延迟的问题,应侧重考虑使用输入子集进行推测性推理的方法进行优化。
(4)优化分布式人工智能联邦学习模式
由于战场边缘可用的通信资源匮乏,对人工智能联邦学习系统和推理算法应用构成挑战。 新的思路是,采用任务相关的压缩方案来减少联邦学习算法的通信需求,即重新考虑资源分配协议,将通信目的纳入其中,以改善所用资源与实现结果之间的平衡。 这项工作应从一些基本问题入手,例如,考虑分布式学习的最佳沟通模式、学习算法的基本存储需求等。 研究表明,在基于复杂数据样本的分布式学习过程中,利用通信目的匹配方法可使通信效率提高 3~4 个数量级,这些效率反过来又使自动化系统的端到端延迟显著缩减。
(5)加强动态对抗环境下的网络韧性
针对高动态和对抗环境下的韧性网络,重点是构建一种分布式自动化系统,该系统可在动态(非固定)环境下管理和控制传感器-效应/ 决策环路中的资源,以在战争迷雾和敌对欺骗的边缘环境下可靠运行。 该领域的创新研究主要包括:通过新的算法提高对传感器攻击的容错率;通过风险感知设置提高对资源中断的韧性;通过技术改善计算平台在运行时的延迟变化闭环稳健性; 拜占庭式容错(Byzantine Fault Tolerance,BFT)机制和可证明的稳健分布式优化;安全深度学习推理,对分布数据的稳健性、安全强化学习和高置信度泛化等。
李琨,姜典辰. 美陆军面向战场物联网的边缘智能发展综述[J]. 电讯术,2023,63(2):300-306. DOI:10.20079/j.issn.1001-893x.221108002.
SRIVASTAVA N. The Internet of Battlefield Things(IoBT) [ EB/ OL]. ( 2021 - 09 - 21) [ 2022 - 10 - 11].https: / / dras. in / the-internet-of-battlefield-things-iobt / .
[ 2 ] ABDELZAHER T, TALIAFERRO A, SULLIVAN P,et al. The multi-domain operations effect loop: fromfuture concepts to research challenges[C] / / Proceedingsof 2020 Artificial Intelligence and Machine Learning forMulti-Domain Operations Applications II. Berlin:SPIE,2020:1-9.
