DOI:10.19486/j.cnki.11-1936/tj.2024.07.007

当前，坦克装甲车辆的机动、火力和防护性能所需的化学、机械、材料科学等尚未出现完全意义上的革命性技术，但基于神经网络、模糊控制、遗传算法等人工智能技术赋能之后，坦克装甲车辆直瞄火力火控系统的性能提升，仍将为装甲部队作战能力带来颠覆性变化。美国陆军正在进行的相关实践就很能说明问题。

前言

随着军事技术进步，现代战场感知范围急剧扩大，反映战场状态的“信息熵”呈爆炸式增长，信息熵的混乱已经成为“战争迷雾”的根本原因，洞察“战争迷雾”背后的规律成为最为重要的制胜机理，而战斗力生成模式也由人与装备结合转变为人与智能结合。虽然人工智能本身并不具备军事属性，但是神经网络具有“洞察数据规律”的能力，赋能传统装备平台能够带来“升维”优势。比如增强传统坦克装甲车辆火控系统的运作效能就是如此。随着现代数字化战场对坦克等装甲车辆需求的不断提高和人工智能、信息技术等新技术的广泛应用，世界各国都在加强其主战装甲装备的信息化和智能化建设，并对适应未来战场的新型火控系统或新型火力打击系统进行研究，使坦克具有信息化程度高、远程火力打击精度高、智能化程度高的特点。坦克作为地面战争的主要武器力量，是确保战争胜利的有力保障，而坦克火控系统作为发挥坦克作战火力的重要部分，是完成目标搜索、目标瞄准、火炮控制和目标打击的系统。因此，坦克火控系统的优劣直接影响到坦克装甲车辆整体战斗能力的强弱。传统现代坦克火控系统的任务及功能虽然在不断增强，但是高强度信息化战场环境的复杂性也在呈指数级别增加，这就要求火控系统的系统结构、态势能力、战术决策、打击效能等指标必须也同步提高，如何提高火控系统的综合作战效能面对未来战场的挑战，已成为一个十分紧迫的问题。事实上在过去40年中，坦克射手一直都使用手动操作方式来探测、识别和打击目标，并且每打击一个目标就需要执行一次手动操作流程。目标搜索和跟踪慢，控制精度低，决策时间长，且受人为因素以及战场环境的影响较大，严重制约现有坦克火控系统硬件性能发挥。即使是美国陆军最新型的M1A2C型“艾布拉姆斯”主战坦克，从搜索、识别、锁定、打击的全流程也需要较长时间。于是，在应对大国竞争高烈度战场环境的需求牵引下，美国陆军开始研究利用人工智能技术来对现役装甲作战突击平台的火控系统进行增强，并由此获得颠覆性的战术能力。

背景

美国陆军从2018年开始逐步进行陆军转型进程，通过系统对比“现有能力”与“任务能力”的差距，在“全域战争理论”的顶层设计下，对其作战指导、部队结构、装备体系进行重大革新与重构，陆军于2018年开始启动了大规模现代化换装计划。2021年美军结束反恐战争，正式转向大国竞争，当前大国之间的竞争日趋白热化，“第三次抵消战略”下的美军“疯狂而激进”，新兴技术再次成为其“想要逆风翻盘”的救命稻草。美军此次改革既有2028短期目标，也有2035、2050等中长期目标，核心谋求“体系代差”、“认知代差”的智能优势，成为其此次军队改革的核心主旨。美国陆军此次根据任务需求的转型规模之大、理念之新、变革之深、影响之远，前所未有。特别是以人工智能为代表的新兴技术与军事领域的深度融合，将对未来作战产生翻天覆地的变化。负责美国陆军转型技术革新的国防部官员曾指出：“颠覆性的创新必将产生颠覆性的技术，而颠覆性的技术也必将带来颠覆性的影响”。美国五角大楼的一位现役将军也说：“美国陆军正处于现代化的转型之中，并从中东转向专注于中俄的威胁，对于这一点，我们可以玩得开心。”当然，“玩得开心”是建立在实力的基础上，而美国陆军自信他们有这个实力。当然，为此进行的资源投入也是可观的。目前，美国陆军为推进战略转型总计开展了近100个项目计划，其中先期计划包括35个优先项目。这项总计耗资将达到百亿美元规模的计划涵盖作战领域广泛，包括：新型地面车辆、远程精确火力、增强网络工具，这些现代化项目将大量应用人工智能、机器人、新材料、定向能等颠覆性的赋能技术。美国陆军现代化进程的装备发展工作主要由陆军未来司令部（AFC）承担，该司令部为美国陆军下属司令部，与美国陆军司令部（FORSCOM）、美国陆军训练和条令司令部(TRADOC)、美国陆军物资司令部（AMC）属于同级的内设司令部。此外，陆军关键技术办公室（RCCTO）主要承担前沿尖端武器系统研发。这其中美国陆军未来司令部（AFC）下属的集成和同步团队（IST）所承担的任务之下，就是将人工智能领域的技术成果进行转化，为现役装备进行赋能升级。人工智能集成中心为集成和同步团队（IST）下设机构，负责美国陆军人工智能技术应用的论证与研发，由其主导的“普罗米修斯”人工智能应用计划，其目的之一就是用于对美国陆军现役坦克装甲车辆等突击平台的火控系统进行技术增强性改进。“普罗米修斯”项目的成果，则由同属集成和同步团队（IST）的陆军应用实验室（AAL）进行实施。陆军应用实验室（AAL）主要负责具体解决方案（寻找地方可用科研机构、生产厂商等），该机构不遵循国防部装备采购合同流程，主要目的是以最快的速度响应部队实战需求。

地面突击平台的智能化火控系统愿景与现实

如前所述，目前坦克等使用直瞄火力的地面突击平台火控系统的操作大多采用人为操作，目标搜索和跟踪慢，控制精度低，决策时间长，且受乘员心理素质、生理状态以及战场环境的影响较大，严重制约现有坦克火控系统首发命中率和射击反应时间，使火控系统的性能难以发挥。随着目标识别、智能控制、威胁评估等技术的不断成熟，以及各类传感器和智能武器自主技术在军事装备上的广泛应用，坦克火控系统正呈现出智能化、自主化的发展趋势，最后随着智能无人技术和信息融合技术的不断发展，将实现坦克无人化的作战能力。不过，目前业界对火控系统的智能化和自主化没有明确的定义和界限，普遍认为智能化火控系统是一个具有良好的人机交互性，可以自主完成目标智能搜索、目标识别、目标跟踪、信息共享、智能辅助决策、智能火力打击等功能，能够极大简化坦克乘员操控复杂程度、减轻乘员负担的火控系统。自主化火控系统则是在目标自主搜索和识别、目标自主跟踪、打击优化决策、自动火力打击实施等技术的基础上，利用人工智能、自主控制等技术，实现目标火力打击全过程无人化、自主化的火控系统。自主化火控系统与智能化火控系统相比，自主化火控系统更加强调在整个火控系统的工作过程中没有人为因素的干预，完全依靠系统本身实现在非结构战场环境下的火力打击。在自主化火控系统中，人只起到环外的监视作用，不干预火控系统的行为，实现坦克火控系统的自主化和无人化是必然的趋势，但由于地面作战环境复杂，情况多变，作战任务多样，突发状况频出，仍有许多问题需要人为的决策解决，且地面环境下目标易于遮挡和伪装，对目标的自主识别难度远大于空中和海上的目标辨识，现阶段实现坦克火控系统的无人化和自主化存在较大的困难，所以只能以技术插入的方式实现现役地面装甲突击平台火控系统的半智能化。具体来说，半智能化坦克火控系统主要是为解决现有火控系统在功能上的不足和智能化水平较低的问题，要在现役坦克现有火控部件和传感器的基础上，添加跟踪主机、系统主机、控制主机和图像获取单元等软硬件部件，构建一套人机协同的火控系统。在明确系统的人机分配问题和主要功能的分配问题基础上，以智能化的设备取代炮长进行目标跟踪和火炮控制，辅助车长进行目标识别搜索和打击决策，实现火控系统的部分智能化。技术插入型的智能化火控系统可以分解为两个层次，第一层由三套主机部件组成，第二层在第一层的基础上继续细分得到，包括大视场战场图像获取子系统、目标检测与识别子系统、多目标跟踪子系统、多目标信息管理子系统、智能辅助决策子系统、武器高精度伺服控制子系统和目标自主打击子系统，所应用的技术主要包括态势信息感知技术、战场目标管理技术、智能打击决策技术和武器系统智能控制技术。其工作流程主要是在保留原坦克火控系统光学通道的同时，通过图像获取单元实现对车、炮长视场中的图像采集；系统主机负责多目标的管控，对多目标的威胁度进行评估，实现对目标打击顺序的排序，并完成多目标的图像位置解算和粗略方位指示，同时作为整个设计系统的触屏显示模块，实现目标类型输入、弹种选择、火控系统参数设置及状态信息显示、触屏操控、电子图像放大等动作；跟踪主机负责进行目标的识别和跟踪，并对目标打击完成后情况进行毁伤评估；最后依靠控制主机贯穿搜索-决策-跟踪-打击-毁伤评估整个流程，实现对整个系统的控制。2014年雷声系统公司研发的目标搜索新概念火控系统增强模块（MTAS），虽然已经部分装备美国陆军部队，但是主要是以增强火控系统对目标的跟踪和瞄准能力为核心功能，与半智能化火控系统还有本质的区别。

美国陆军先进瞄准和致命性半自动系统

着眼于现役装备的升级改进，美国陆军计划用于地面装甲机动突击平台的火控系统智能化升级项目被称为“先进瞄准和致命性半自动系统”（ATLAS）。ATLAS起源于美国陆军“普罗米修斯”计划，系统核心算法由美国陆军C5ISR中心和武器中心联合研发。该系统能够以比人类快得多的速度从大量的卫星图像和其他数据中发现目标，甚至是伪装和隐藏的目标。之前，美军主要依靠部署在本土的分析员团队处理情报数据，依赖卫星和海底光缆与几千英里外的前线部队共享数据，这为敌方攻击美军通信系统创造了机会。“普罗米修斯”系统可替代大型分析员团队，在战区指挥总部的先进微型数据采集系统分发车（ADV）终端上运行，将数据通过陆军战术网络传输给前线部队。该系统可使情报数据的传输距离大大缩短，并将目标信息与武器系统进行无缝集成。基于“普罗米修斯”计划发展的ATLAS本质上是一套用于图像目标检测的机器学习算法，图像目标检测主要可以分为离线训练和在线检测阶段两个阶段。在离线训练阶段，首先根据待检测目标的类型构建图像样本数据库，并将数据库中的样本图像进行标注，以区分正样本与负样本；然后通过图像特征提取方法提取样本图像的特征；在提取目标特征之后，建立目标检测模型，并根据提取的目标特征对模型进行训练。在训练过程中，模型参数不断调整，模型收敛到一定程度后，停止训练得到收敛后的模型。在线检测时，首先通过滑动窗口、选择性搜索、显著性检测等待检测区域提取方法提取图像中的待检测区域；然后通过特征提取方法得到待检测区域的特征；最后将特征送至目标检测模型，得到目标的类型以及在图像中的位置。图像目标检测属于被动式探测，在隐蔽性、抗电子干扰能力、功耗以及硬件平台体积等方面具有较大优势，而且图像更符合人眼视觉观察习惯。与传统的坦克火控系统相比，具备图像目标自动检测功能的坦克火控系统具有以下几点技术优势：一是可以进一步提高坦克火控系统的战场感知能力。现代化战争中，以战场信息的获取和处理为主要内容的战场感知的地位与作用更加突出，已成为贯穿坦克装甲车辆作战过程中的一种基本行动，同时也是进行各类战斗行动的前提与基础。通过图像目标检测技术自动处理战场图像，搜索战场中感兴趣的目标，可以提高战场目标搜索效率，从而进一步提高坦克火控系统的战场感知能力；二是可以有效地提高系统的战斗射速。坦克火控系统可以根据图像目标自动检测模块获取的目标类型与位置信息，自动选择弹种并装填弹药以及自动控制瞄准线指向目标。当精确瞄准目标后，系统可以自动测距并精确跟踪目标，获取目标的距离以及目标相对于坦克的角速度等解算射击诸元所需的参数。相对于传统的坦克火控系统，具有自动检测功能的坦克火控系统能够自主完成装弹、测距、跟踪等多项任务，从而能够有效地降低系统的射击反应时间，提高系统的战斗射速；三是可以降低坦克乘员的工作负荷，提高持续作战能力。图像目标检测技术可以提高搜索效率，并将检测结果发送至火控计算机，由火控计算机自动操控火炮实现对敌方目标的自主打击。在这个火力打击过程中，乘员只需要对火控系统的自主打击行为进行监控，在火控系统出现异常时，可以及时取消自主打击行为。与现有坦克火力打击工作模式相比，这种工作模式能够有效降低坦克乘员的操作难度与操作任务量，提高其持续作战能力。

在具体的算法原理上，ATLAS主要是通过构建大规模的图像数据集，然后通过机器自动学习训练获取网络参数，从而更高效地表达样本特征并精确检测目标，具有较强的自学习能力。直白地说，ATLAS的核心目标是使用一系列人工智能、软件平台和自主系统将战场环境中获取的“威胁目标”（是否具有威胁，例如识别平民、敌人，取决于人工智能判断的理论原则），进行自动检测与分析识别，再通过人工智能系统与战斗人员协同交互，以极快的速度控制武器响应。ATLAS使用人工智能辅助目标检测与识别，一旦“威胁”数据输入到程序中，ATLAS会处理地形、可用武器、威胁距离、威胁数量等变量，以确定适宜的射击系统来应对给定的威胁。操作员只需点击按钮，就可以评估并遵循智能系统的建议，在识别出威胁的几秒钟内向武器系统发送射击指令。美军参与测试的人员评价：“这绝对是一项了不起的技术”。ATLAS能获得如此高评价实际上是一件令人吃惊的事情，因为这意味着美国陆军在将人工智能应用于坦克等地面突击平台火控系统的实用化进程中，对于很多困扰已久的问题取得了突破——比如，大规模的图像数据库是研究坦克火控系统图像目标检测技术的基础，坦克火控系统战场目标数据库与普通的数据库有较大的区别，当前主流的目标检测数据库，主要包含交通工具、动物、家具、电子产品等生活中常见的目标，部分数据集中含有装甲车辆、人员以及无人机等目标，但数量较少、种类不全且背景简单。坦克火控系统目标数据库中的目标种类应该主要是坦克火力打击的目标，如装甲车辆、武装人员、碉堡以及低空飞行器等能够对坦克装甲车辆或人员产生威胁的目标。同时，还应该考虑光线、气候、遮挡、伪装、目标大小、目标姿态、背景、清晰度等各种因素。如果图像数量少或其他因素考虑不足，利用该数据库训练得到的检测模型泛化能力不够，在实际应用时就容易出现漏检、误检的情况，实战效果较差。所以必须建立大规模的战场图像目标数据集，但由于数据集中目标种类繁多、图像数量多，并涉及到微光、可见光以及红外等不同波段的图像，建立如此大规模的数据集，对于任何一家科研单位而言都是一个庞大的工作量，难度较大。再比如，模型是图像目标检测技术的核心，利用相同的图像数据库训练不同的模型，得到的检测结果有较大差距。随着深度学习、人工智能技术的不断发展，相比于传统的图像目标检测模型，基于深度学习的目标检测模型取得了突破性的进展，已成为当前主流的研究方向。但由于地面战场环境极其复杂，以及较远的观测打击距离，在建模过程中，需要考虑目标类型、目标尺寸以及目标信息不完整等因素；同时，信息化战场态势瞬息万变，需要在保证图像目标检测精度的条件下，尽可能地提高图像目标检测的速度。此外，当前大部分图像目标检测方法主要针对静态图像，而在实际作战过程中，主要是视频图像，但目前针对视频图像的目标检测技术研究不足。当前的各种基于深度学习的图像目标检测模型还存在许多不足，难以满足实际需求，这也是目前图像目标检测技术没有在坦克火控系统应用的最主要原因。同时还需要看到，基于深度学习的图像目标检测模型通常具有较多的模型参数以及较大的计算量，但坦克、步兵战车等地面装甲突击平台战斗舱内空间狭小，电气部件众多，因此，对图像处理平台的体积、功耗以及计算能力具有较高的要求，由于深度神经网络具有多个隐藏层，其内在的并行性要求硬件平台必须具备大规模并行体系结构，以及优秀的计算加速能力。

显然，ATLAS能获得美国陆军的高度评价，暗示着对于上述这些制约因素已经有了突破或是较好的解决办法。目前，除美国之外其他各国陆军基于深度学习机器视觉的图像检测识别基本都处于起步阶段，这里不单纯是人工智能技术的限制。机器学习训练所需的实战数据是除去算力和算法之外对人工智能融入主战战备效能影响最大的因素，关键的是实战数据并不能通过平时训练或演习取得的数据能够代替的，用于机器学习训练的实战数据集对于人工智能融入军事领域在某些方面有着至关重要的影响。美军真正对于作战、训练数据的收集与运用始于越南战争时期，长达半个世纪的实战数据分析与运用已经达到全球绝对领先的程度，而其他国家对于实战数据的收集与运用是在近些年才得到逐步重视，普遍严重缺乏实战图像数据积累，属于难以逾越的劣势。不过即便如此，美国陆军的ATLAS并非是完全自主的智能化火控系统，最终的武器指令需要通过人机交互实现，最终决策者还是人，所以ATLAS只能被称为半智能化火控系统。

真正智能化/自主火控系统的定义是：在目标自主搜索和识别、目标自主跟踪、打击优化决策、自动火力打击实施等技术的基础上，利用人工智能、自主控制等技术，实现目标火力打击全过程无人化、自主化的火控系统，整个工作过程中没有人为因素干预，完全依靠系统本身实现在非结构战场环境下的火力打击，在自主化火控系统中人只起到环外的监视作用不干预火控系统的行为。当前，美国陆军已经开始在最新版本的M2“布雷德利”步兵战车上装备ATLAS系统。新版本“布雷德利”步兵战车加装ATLAS后，通过使用先进传感器、机器学习算法和触摸屏显示器来实现目标搜索和打击过程的自动化，使作战人员能够以更快的速度响应威胁。ATLAS系统利用人工智能算法对来自红外摄像头的图像和视频输入进行搜索以识别潜在目标，并将识别结果高亮标注在显示屏上，从而为火控制系统提供详细的目标瞄准数据。ATLAS系统智能火控制系统通过触摸屏显示器，替代传统的操作台，由士兵确定是否使用50毫米口径的XM913机关炮打击目标。XM913机关炮比美国陆军早期版本的“布雷德利”步兵战车上使用的25毫米机关炮强大许多，有效射程大幅增加，打击效能提高275%，并且具备使用可编制弹药的能力。如果士兵在触摸屏上点击步兵目标，系统会自动旋转50毫米机关炮锁定目标，自动选择适配弹药，连续向敌方目标发射短点射或长点射，系统甚至能够根据敌方队形调整爆炸点。

除了新版本的M2“布雷德利”步兵战车外，美国陆军还计划在现役的M1A2SEPV2主战坦克上应用ATLAS系统。2020年8月开始，美国陆军就组织现役坦克部队测试ATLAS，并为开发团队提供反馈，目的是尽快改进系统以实现部署。在美军阿伯丁试验场的测试中，ATLAS系统识别的“威胁”目标被发送到触摸屏显示器，并被垂直排列在屏幕左侧，屏幕中间显示坦克火炮当前瞄准的目标，屏幕四周是不同的控制选项，包括弹药、火力类型、摄像机设置等。用户点击屏幕左侧的目标后，坦克会自动旋转火炮至该目标的击毁点，同时火力控制系统自动推荐适配弹药。使用ATLAS系统的坦克从目标探测到打击过程只需要几秒，一旦摧毁了目标，用户可点击屏幕，选择ATLAS推荐的下一个目标。测试结果表明，在相同的时间内使用ATLAS系统进行识别、瞄准和打击的效率是传统手动操作的3倍以上。目前，美军通过一系列“融合计划”演习，验证了使用人工智能等新型技术将各种传感器和武器结合起来的可行性。尽管ATLAS目前尚不具备联网能力，但已经具备自动探测威胁并推荐打击方案的能力。ATLAS系统在一系列“融合计划”演习中的出色表现，标志着人工智能技术正成为美陆军战场最前沿的制胜秘钥。

余论

人工智能在军事层面的数据处理能力可以缩短决策时间，是实现分布式智能作战体系功能的核心技术，帮助识别现有模式难以探测的威胁，机器赋能的洞察力可以帮助指挥员理解对手行为模式，预测敌方未来可能采取的行动。人工智能为军事领域带来的能力是颠覆性、革命性的，要站在更高的维度审视这种能力带来的巨大影响。美军认为所有的军事问题均为系统科学问题，所以技术进步就必然会推动其作战概念革新，这也是当前美国陆军着力将ATLAS这类人工智能技术成果嵌入到现有地面突击平台装备的深层原因。通过对现有坦克火控系统部分功能的智能化改造和设计，综合运用智能控制、图像处理、优化决策等技术以及计算机控制系统快速准确的优势，实现坦克火控系统操控的部分智能化，不仅能够简化乘员的操控复杂程度，缩短射击反应时间，而且能够提高射击精度，做到“先敌发现，先敌开火”。技术插入型半智能化火控系统通过传感器能够自动获取目标距离、图像、运动状态等信息，对多目标进行统一捕捉和跟踪，依据智能辅助决策子系统对目标进行威胁度评估，实现对目标的实施规划和打击决策，与原火控系统中乘员依据平时作战经验和目标发现顺序进行目标打击的方式相比，具有更高的科学性和合理性。

此外，通过目标识别子系统、目标跟踪子系统和目标自主打击子系统，可以代替炮长自主完成对战场目标的搜索、跟踪、瞄准和打击。新型火控系统采用“人机协同集中捕获目标，系统智能打击”的打击模式，做到了“功能不减反增，性能不降反提”。充分发挥计算机运算速度快、精度高，反应时间短的优势，采用目标自动跟踪和自主打击的方式，克服在目标机动条件下人为操作误差大、效率低、命中精度低的缺点，大大提高坦克对目标的快速瞄准和精确打击，提高了火控系统的整体性能。总之，一个理想的技术插入型半智能坦克火控系统图像目标检测系统，应该是既能高效地实现对战场目标的自动检测，同时又能与坦克火控系统的其他功能模块相匹配，提高坦克火控系统的智能化与信息化程度，并减轻坦克乘员的工作负荷。在这一领域，美国陆军已经走在了各国前列。而包括我国在内的其他国家，之所以在这一领域进展相对落后，则有着复杂的原因。目前，算法方面得益于民用领域自动驾驶、机器视觉、无人机等技术的突飞猛进，与国外发达国家差距并不明显，甚至具备局部领先；算力方面虽然高性能运算芯片受到美国限制，但是现有技术完全可以满足目前战术层面的算力需求；但是，实战训练数据集方面还远远无法满足需求，导致算法也不容易确定正确的升级演进方向。只有加大力度建立战术图像数据采集处理中心，才有希望解决机器视觉算法与数据同步升级演进的问题，这是实现数据方面弯道超车可行的途径。

结语