CN106682351A - 基于计算机生成兵力的作战仿真系统及仿真方法 - Google Patents

Abstract

本发明提出一种基于计算机生成兵力的作战仿真系统及仿真方法，涉及战场仿真训练技术领域。作战仿真系统，包括：数据输入模块，数据分析模块和输出评价模块。本发明还涉及作战仿真方法，包括以下步骤：在系统初始化时，输入不同场景的路径规划、战术策略和人物地形协同关系，以及输入规划算法和操作人员的信息；初始化数据输入后，进入实验数据分析和系统建模阶段；数据建模后，输出数据以及对模型进行评价，进行收益与代价计算，推理出收益与代价的比例是否合理，并且输出结果。本发明中通过对人类行为的足够建模，CGF能不需要人的交互而自动地对仿真战场环境中的事件和状态做出反应，可以模拟出真实战争中可能的结果。

Description

基于计算机生成兵力的作战仿真系统及仿真方法

技术领域

本发明涉及战场仿真训练技术领域，特别是指一种基于计算机生成兵力的作战仿真系统及仿真方法。

背景技术

随着信息技术的迅速发展和计算机软硬件水平的不断提高，作战仿真的理论方法及各类应用己日趋成熟，但如何模拟军队行为的问题一直没有得到很好的解决。作战仿真环境中由计算机程序实现的人或实体被称为计算机生成兵力(Computer GeneratedForces，CGF)，由于人是决定战争胜负的关键因素，但现有技术中缺乏对人类行为的准确描述，必然导致仿真结果不可信。

发明内容

本发明提出一种基于计算机生成兵力的作战仿真系统及仿真方法，解决了现有技术中缺乏对人类行为的准确描述导致仿真结果不可信的问题。

本发明的技术方案是这样实现的：

一种基于计算机生成兵力的作战仿真系统，包括：数据输入模块，用于输入不同场景的路径规划、战术策略和队组协同关系，以及输入规划算法、和操作人员的信息；规划算法包括：不同场景路径规划和战术策略的算法；数据分析模块，通过对输入的路径、战术策略进行分析，实现路径规划识别建模、战术策略识别建模、作战方案识别建模，把各种输入数据进行模型形式化表示和数据分析；输出评价模块，对分析后的数据进行输出和评价，并对输出的数据进行学习推理，通过分析收益与代价，推理出模拟的决策规划是否合理。

本发明还涉及一种基于计算机生成兵力的作战仿真方法，包括以下步骤：

S1、在系统初始化时，输入不同场景的路径规划、战术策略和人物地形协同关系，以及输入规划算法和操作人员的信息；

S2、初始化数据输入后，进入实验数据分析和系统建模阶段，根据步骤S1中输入的数据，分别进行路径规划识别建模，战术策略识别建模，作战方案识别建模，将所有的数据都用模型化表示出来；

S3、数据建模后，输出数据以及对模型进行评价，进行收益与代价计算，推理出收益与代价的比例是否合理，并且输出结果。

本发明的有益效果为：

本发明中基于计算机生成兵力的作战仿真系统及仿真方法，通过对人类行为的足够建模，CGF能不需要人的交互而自动地对仿真战场环境中的事件和状态做出反应；通过本系统的仿真推演和模型评价，可以模拟出真实战争中可能的结果。

具体实施方式

下面将结合对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例中的基于计算机生成兵力的作战仿真系统，包括：

数据输入模块，用于输入不同场景的路径规划、战术策略和队组协同关系，以及输入规划算法、和操作人员的信息；

数据分析模块，通过对输入的路径、战术策略进行分析，实现路径规划识别建模、战术策略识别建模、作战方案识别建模，把各种输入数据进行模型形式化表示和数据分析；

输出评价模块，对分析后的数据进行输出和评价，并对输出的数据进行学习推理，通过分析收益与代价，推理出模拟的决策规划是否合理。

实施例中规划算法是不同场景路径规划、战术策略的算法，根据规划算法可以生成仿真对抗所需要的实验数据。

实施例中所述数据分析模块包括：

任务空间分析模块，通过对路径规划、战术策略、协同关系的分析，得出对应的领域知识与任务空间，并对任务空间进行分析；根据对任务空间的分析结果，对路径规划、战术策略、作战方案进行模型形式化表示；所述任务空间包括：路径规划、战术策略和队组协同关系；

意图识别模块，采用三类理论方法对意图识别进行建模：基于有向图的统计关系学习方法LHMM；基于无向图的统计关系学习方法MLN；基于决策/规划理论的方法；基于这三类方法解决含有协同关系、观察数据不完整、意图可变、训练数据不足等复杂条件下的CGF意图识别建模，为其他模块提供在作战仿真中需要用到意图识别产生的数据；

领域知识表示模块，首先分析任务空间，从任务空间中提取领域知识，然后根据选择的识别模型，将其进行形式化表示；所述领域知识包括：可能存在的作战意图、为达到意图可能采取的行动、行动前键和约束关系、行为对实体和环境状态的影响、需要设定的参数。

任务空间分析模块：分析识别对象的任务空间是进行作战仿真对抗推演的前提和基础，包括三类任务空间：

路径规划：描述智能体运动中的关键路径点、目标点，给出智能体的路径规划方案或一定状态下的路径选择方案。需要识别的意图为运动目标以及到达目标可能选择的路径。

战术策略：描述智能体可能采取的战术策略以及为达成战术策略而采取的行为、行为间的约束关系，与路径规划中的位置信息不同，战术策略一般用军语等抽象词汇描述。其中涉及的战术策略包括但不限于：进攻、防御、佯攻等，动作包括队形展开、压制、破障、冲锋等。

队组协同关系：描述队组的位置关系或协同模式等。具体形式包括但不限于：队形关系(如三角队形、线性队形等)，战术协同关系(如步炮协同、步坦协同、空地协同等)。

意图识别模块：该模块是作战仿真系统的核心，建模方法的选择必须满足应用背景的需求。本模块实现所采用的方法包括但不限于：

基于逻辑隐马尔可夫模型(Logical hidden Markov model，LHMM)的意图识别：LHMM是一种将隐马尔可夫模型(Hidden Markov model，HMM)和一阶谓词相结合的统计关系学习方法，与一般的HMM相比，LHMM增加了匹配与实例化过程，这不但提高了计算效率，还使其能够处理非结构化的数据。由于LHMM中具有观察过程建模，可通过对其进一步拓展，较好地解决含有协同关系、位置信息不完整和意图可变化的路径规划识别问题。

基于马尔可夫逻辑网(Markov logic networks，MLN)的意图识别：MLN是一种将马尔可夫网和一阶逻辑相结合的统计关系学习方法，作为一种判别模型，MLN克服了HMM等有向图模型的独立性假设，其适用范围更广。

基于决策/规划理论的意图识别：HMM类和MLN的参数训练都属于有监督学习。在作战仿真中，由于用户行为和作战场景的变化很大，训练样本和测试样本经常不能满足同分布假设。为此，本发明使用决策/规划模型计算不同意图的效用值，再依据效用最大化原则进行意图识别，从而降低意图识别对训练数据的依赖。为解决仿真对抗中无法收集对手历史数据的问题，本发明对智能体完成意图的收益和执行代价、意图更改代价及随机因子分别建模：首先，利用当前的状态空间和决策模型/规划器计算完成意图的收益与执行代价；随后，对识别对象决策的随机性建模，依据识别对象的偏好生成随机因子并将其作用于意图收益。在线识别过程中，还需要记录上一时刻的意图，并对意图更改的代价进行建模。最后综合以上要素，判断识别对象的当前意图。将各种意图的收益代价比进行归一化后，可作为可能意图的信度值。

意图识别建模与其应用背景高度相关，本发明以XX指挥训练模拟系统中的山地攻防作战作为CGF意图识别的背景。其中，红方与蓝方分别执行进攻与防守任务，蓝方CGF对红方兵力进行持续观察并识别红方作战意图。蓝方关注的红方意图包括两种，一是运动目标与运动路径，二是进攻的战术策略。此外，红方执行任务过程中存在的战术协同关系(进攻队形、任务协同等)也是需要识别的内容。依据上述基本任务分别设计红蓝双方的作战想定，并开展攻防对抗。在仿真过程中记录可用的观察数据，数据类别主要有位置信息、实体属性、时间。数据生成方式有两种：一种是由人工操作的兵力生成，另一种是由CGF自动生成，在系统采用多种自动规划算法的情况下，CGF生成的数据还可进一步区分。以路径规划为例，在起点和目标点相同的情况下，采用A*算法、人工势场法，基于Voronoi图的算法产生不同的运动轨迹和运动规律。本发明在仿真系统中实现两种以上多智能体规划算法。

领域知识表示模块：根据军事需求，本模块将提取其中的相关知识。具体内容包括：明确假设空间，即可能存在的意图；为完成意图智能体可能采取的规划，如行为及其划分、行为间的约束关系、行为对状态空间(环境和智能体)可能产生的影响等；根据选择的识别模型，对领域知识进行形式化表示。

本发明将把山地攻防作战中的军事问题与改进的意图识别模型相结合：首先分析任务空间，从任务空间中提取领域知识，再对其进行形式化表示。红方进攻的任务空间包括：路径规划，如机动过程中的路径点，机动方案(可能经过的阵地、道路)，最终的进攻目标；战术策略，如集中兵力强攻，或正面佯攻、侧面迂回等；战术协同关系，如步坦协同、步炮协同、空地协同等。基于分析后的任务空间提取领域知识：可能存在的作战意图；为达到意图可能采取的行动，行动前键和约束关系；行为对实体和环境状态的影响；需要设定的参数等。提取领域知识后，将其进行形式化表示从而被识别模型中的学习和推理算法使用。

实施例中所述输出评价模块包括：

MLN模块，对山地攻防作战中的战术策略进行识别，进行模型分析；引入高阶逻辑，加入连续函数，提高计算准确率和识别准确率；分析在山地攻防图中可能存在的问题，并对模型的模拟结果进行评价和反馈；

LHMM模块，能够处理非结构化数据，进行仿真系统的模拟；构建新的动态贝叶斯网(Dynamic Bayesian networks,DBN)结构和视力表，并在其识别框架中引入行为终止变量；隐状态持续时间建模，利用对数正态分布、指数族分布、Coxian分布描述持续时间，更好的模拟出仿真模型在实战中的效果并且进行反馈。

改进LHMM模块：尽管LHMM能较好地处理非结构化数据，但当马尔可夫假设不能满足时，其性能会出现严重退化。作战意图的实现通常是执行计划的结果，而不是简单地依据当前状态进行决策。因此，就需要减弱LHMM对马尔可夫假设的依赖。此外，原来基于forward-backward算法的精确推理计算复杂度较高，不适用于战场的在线意图识别。首先，结构层次化。参考一种典型的层次化马尔可夫决策模型——抽象HMM，为LHMM构建新的DBN结构和实例表，并在其识别框架中引入行为终止变量；其次，隐状态持续时间建模，拟利用对数正太分布、指数族分布、Coxian分布等描述持续时间。除依据已有数据检验哪种分布更加适用于描述意图外，还着重考虑环境和智能体自身状态对意图变化的影响；构建基于层次化结构的参数学习算法；最后，使用逻辑蒙特卡洛方法(粒子滤波)。

MLN模块：MLN同时保留了逻辑和概率方法的优点。本发明中使用MLN以增强对客观世界的表示能力，并提高模型学习、推理算法的精度和计算效率。针对MLN在山地攻防意图识别中可能存在的问题，对模型算法进行改进。MLN模块的核心是对其结构和定义的改造，如引入高阶逻辑(二阶逻辑)和加入连续函数等，同时，根据上述改变，构建相应的学习和推理算法模块。

本发明还涉及基于计算机生成兵力的作战仿真方法，包括以下步骤：

S1、在系统初始化时，输入不同场景的路径规划、战术策略和人物地形协同关系，以及输入规划算法和操作人员的信息；

S2、初始化数据输入后，进入实验数据分析和系统建模阶段，根据步骤S1中输入的数据，分别进行路径规划识别建模，战术策略识别建模，作战方案识别建模，将所有的数据都用模型化表示出来；

S3、数据建模后，输出数据以及对模型进行评价，进行收益与代价计算，推理出收益与代价的比例是否合理，并且输出结果。

实施例中步骤S2中，

所述路径规划识别建模：通过对输入的路径规划信息进行建模，输出数据后，在最后的输出评价模块中用来学习，推理；

所述战术策略识别建模：通过设定软硬规则，输出基于决策/规划理论的意图识别，进行收益与代价的计算，模型比较后，判断模型是否合理；

所述作战方案识别建模：用模型形式化表示作战方案后，通过学习，构造对应的作战模型。

实施例中步骤S2包括：

基于LHMM的路径规划识别建模：首先需要明确路径规划过程中的常量符号、变量符号、谓词符号和函数符号，再根据路径规划构造层次化的因果图；LHMM需要计算出各个节点间的转移概率，再通过判断当前时刻的节点及其父节点来实现路径规划识别；

基于MLN的战术策略识别建模：首先明确可能使用到常量符号、变量符号、谓词符号和函数符号，再将战术规则和作战规律用一阶谓词表示成命题形式，依据专家经验判断软硬规则，即分析出恒为真的命题和可能为假的命题，通过求解MLN最大可能性问题，就可得到当前时刻可能性最大的意图，还可通过计算边缘概率和条件概率得到意图为真时的概率；

基于决策/规划理论的作战方案识别建模：采用层次化任务网规划器SHOP2来描述作战方案，其知识描述由任务、执行器、方法和公理组成；其中，任务包括原子任务和复合任务，复合任务是可进一步划分的任务，而原子任务为可直接由执行器执行的任务，没有父节点的复合任务即为意图，建模过程中，将作战方案逐步分解直至原子任务，再给出任务执行的约束关系，最终形成HTN结构图。

基于LHMM的路径规划识别建模：路径规划是红方进行进攻作战的关键环节，规划内容一般有机动过程中的路径点，机动方案(可能经过的阵地、道路)和最终的机动目标。为了使用LHMM进行路径规划识别，首先需要路径规划过程中的常量符号、变量符号(对象)、谓词符号(关系)和函数符号(函数)，再根据路径规划构造层次化的因果图。一般情况下，CGF的进攻目标决定了其机动方案，而机动方案决定了其经过的路径点序列。值得注意的是，这种决定性仅具有统计意义，CGF的决策行为经常是不确定性的，LHMM需要计算出各个节点间的转移概率，再通过判断当前时刻的节点及其父节点来实现路径规划识别。

基于MLN的战术策略识别建模：首先使用军语对分队山地攻防战术规则进行描述，明确可能使用到常量符号、变量符号(对象)、谓词符号(关系)和函数符号(函数)，在将战术规则和作战规律用一阶谓词表示成命题形式，依据专家经验判断软硬规则，即分析出恒为真的命题(硬规则，权重为无穷大)和可能为假的命题(软规则，将权重设为变量)，并表示为其一阶逻辑知识库和无向图。MLN无向图本质上是一个马尔可夫网，需要识别的意图即为无向图中的隐谓词。通过求解MLN最大可能性问题，就可得到当前时刻可能性最大的意图，还可通过计算边缘概率和条件概率得到意图为真时的概率。

基于决策/规划理论的作战方案识别建模：用决策/规划理论对作战方案进行建模的核心是选取规划器或决策模型，SHOP2是一种领域无关的HTN任务规划器，其知识描述由任务(Task)、执行器(Operator)、方法(Method)和公理组成(Axiom)。其中，任务可包括原子任务和复合任务，复合任务是可进一步划分的任务，而原子任务为可直接由执行器执行的任务。没有父节点的复合任务即为意图。建模过程中，将作战方案逐步分解直至原子任务，再给出任务执行的约束关系，最终形成HTN结构图。

获取模型参数，基于改进的识别模型和提取的领域知识进行仿真实验，分别比较统计关系学习方法(LHMM和MLN)和基于决策方法在解决路径规划识别和策略识别问题时的效果，通过模型评价进一步当前方法的不足和明确未来的研究方向，评价指标包括precision、recall和F-Measure，三个指标的定义如下：

其中，N为可能的意图数目，TP为测试集中真实意图为第i个意图且识别结果为第i个意图的次数，TI为测试集中识别结果为第i个意图的次数，TT为测试集中真是意图为第i个意图的次数。为此precision和recall分别从识别结果和测试集两个角度衡量了识别模型的性能，F-Measure是对precision和recall两个指标的综合。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于计算机生成兵力的作战仿真系统，其特征在于，包括：

数据输入模块，用于输入不同场景的路径规划、战术策略和队组协同关系，以及输入规划算法、和操作人员的信息；规划算法包括：不同场景路径规划和战术策略的算法；

数据分析模块，通过对输入的路径、战术策略进行分析，实现路径规划识别建模、战术策略识别建模、作战方案识别建模，把各种输入数据进行模型形式化表示和数据分析；

输出评价模块，对分析后的数据进行输出和评价，并对输出的数据进行学习推理，通过分析收益与代价，推理出模拟的决策规划是否合理。

2.根据权利要求1所述的基于计算机生成兵力的作战仿真系统，其特征在于，所述数据分析模块包括：

任务空间分析模块，通过对路径规划、战术策略、协同关系的分析，得出对应的领域知识与任务空间，并对任务空间进行分析；根据对任务空间的分析结果，对路径规划、战术策略、作战方案进行模型形式化表示；所述任务空间包括：路径规划、战术策略和队组协同关系；

意图识别模块，采用三类理论方法对意图识别进行建模：基于有向图的统计关系学习方法LHMM；基于无向图的统计关系学习方法MLN；基于决策/规划理论的方法；基于这三类方法解决含有协同关系、观察数据不完整、意图可变、训练数据不足等复杂条件下的CGF意图识别建模，为其他模块提供在作战仿真中需要用到意图识别产生的数据；

领域知识表示模块，首先分析任务空间，从任务空间中提取领域知识，然后根据选择的识别模型，将其进行形式化表示；所述领域知识包括：可能存在的作战意图、为达到意图可能采取的行动、行动前键和约束关系、行为对实体和环境状态的影响、需要设定的参数。

3.根据权利要求1所述的基于计算机生成兵力的作战仿真系统，其特征在于，所述输出评价模块包括：

MLN模块，对山地攻防作战中的战术策略进行识别，进行模型分析；引入高阶逻辑，加入连续函数，提高计算准确率和识别准确率；分析在山地攻防图中可能存在的问题，并对模型的模拟结果进行评价和反馈；

LHMM模块，能够处理非结构化数据，进行仿真系统的模拟；构建新的DBN结构和视力表，并在其识别框架中引入行为终止变量；隐状态持续时间建模，利用对数正态分布、指数族分布、Coxian分布描述持续时间，更好的模拟出仿真模型在实战中的效果并且进行反馈。

4.一种基于计算机生成兵力的作战仿真方法，其特征在于，包括以下步骤：

S1、在系统初始化时，输入不同场景的路径规划、战术策略和人物地形协同关系，以及输入规划算法和操作人员的信息；

S2、初始化数据输入后，进入实验数据分析和系统建模阶段，根据步骤S1中输入的数据，分别进行路径规划识别建模，战术策略识别建模，作战方案识别建模，将所有的数据都用模型化表示出来；

S3、数据建模后，输出数据以及对模型进行评价，进行收益与代价计算，推理出收益与代价的比例是否合理，并且输出结果。

5.根据权利要求4所述的方法，其特征在于，步骤S2中，

所述路径规划识别建模：通过对输入的路径规划信息进行建模，输出数据后，在最后的输出评价模块中用来学习，推理；

所述战术策略识别建模：通过设定软硬规则，输出基于决策/规划理论的意图识别，进行收益与代价的计算，模型比较后，判断模型是否合理；

所述作战方案识别建模：用模型形式化表示作战方案后，通过学习，构造对应的作战模型。

6.根据权利要求4或5所述的方法，其特征在于，步骤S2包括：

基于LHMM的路径规划识别建模：首先需要明确路径规划过程中的常量符号、变量符号、谓词符号和函数符号，再根据路径规划构造层次化的因果图；LHMM需要计算出各个节点间的转移概率，再通过判断当前时刻的节点及其父节点来实现路径规划识别；

基于MLN的战术策略识别建模：首先明确可能使用到常量符号、变量符号、谓词符号和函数符号，再将战术规则和作战规律用一阶谓词表示成命题形式，依据专家经验判断软硬规则，即分析出恒为真的命题和可能为假的命题，通过求解MLN最大可能性问题，就可得到当前时刻可能性最大的意图，还可通过计算边缘概率和条件概率得到意图为真时的概率；

基于决策/规划理论的作战方案识别建模：采用层次化任务网规划器SHOP2来描述作战方案，其知识描述由任务、执行器、方法和公理组成；其中，任务包括原子任务和复合任务，复合任务是可进一步划分的任务，而原子任务为可直接由执行器执行的任务，没有父节点的复合任务即为意图，建模过程中，将作战方案逐步分解直至原子任务，再给出任务执行的约束关系，最终形成HTN结构图。

7.根据权利要求6所述的方法，其特征在于，步骤S3包括：

采用LHMM和MLN方法，评价指标包括precision、recall和F-Measure，三个指标定义如下：

$precision=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}\frac{{\mathrm{TP}}_i}{{\mathrm{TL}}_i}$

$recall=\frac{1}{N}\underset{i=1}{\overset{N}{\Σ}}\frac{{\mathrm{TP}}_i}{{\mathrm{TT}}_i}$

$F-Measure=\frac{2\·precision\·recall}{precision+recall}$

其中，N为可能的意图数目，TP为测试集中真实意图为第i个意图且识别结果为第i个意图的次数，TL为测试集中识别结果为第i个意图的次数，TT为测试集中真是意图为第i个意图的次数；precision和recall分别从识别结果和测试集两个角度衡量了战术策略识别模型的性能，F-Measure是对precision和recall两个指标的综合。

8.根据权利要求5所述的方法，其特征在于，基于决策/规划理论的意图识别：首先，利用当前的状态空间和决策模型/规划器计算完成意图的收益与执行代价；随后，对识别对象决策的随机性建模，依据识别对象的偏好生成随机因子并将其作用于意图收益；在线识别过程中，还需要记录上一时刻的意图，并对意图更改的代价进行建模；最后综合以上要素，判断识别对象的当前意图；将各种意图的收益代价比进行归一化后，可作为可能意图的信度值。