2018年发布的美国国防战略将人工智能和机器学习军事应用列为军事现代化关键因素，认为人工智能将深刻影响未来战争。为此雷声公司正在加速发展人工智能技术和机器学习技术，迎接智能时代。雷声公司在其网站上发表多篇相关文章，介绍公司的技术进展，本刊将陆续编译刊出。“自动目标识别系统技术及进展研究”一文，全面介绍了雷声公司在自动目标识别方面的技术进展。
当今战场有大量的平台和系统，很多平台和系统搭载有多种传感器，可从不同角度不同频段对战场进行成像。美国及其盟国军队已经投入巨资获得了海量战场数据，但单凭数据信息还不够，需要从中提取出更多相关细节和可行动的目标。
传统手段，是由人来解读战场信息数据，例如舰上人员监视一个或多个雷达屏幕，飞行员盯着其平显仪（HUD），甚至是士兵一直盯着其瞄准镜。尽管人类在分析和解释数据方面已经表现优异，但我们的能力还是有限的，操作者可能会疲劳，飞行员不能响应很多的警报和提示，士兵可能由于其周围环境影响而分心。
在当今世界，数据产生的速度已经超过了人类本身可以有效利用的速度。自动目标识别（ATR）技术是一种设计用于提高军用系统数据利用率，通过比人类更快、更精确的方式解读所获得数据的技术。
一、技术背景
情报监视与侦察（ISR）平台产生了恒定的数据流。这些平台和传感器产生数据的速度超过了分析人员的能力，而且每个分析人员只能审查一小部分数据，可能就错过了所有平台监视该区域所形成的大图像。
当与飞机交战并摧毁飞机的威胁增多时，维持战场空中优势面临更大挑战。飞机的生存和完成任务依赖于飞行员几秒之内做出的决策，早期探测和预警有助于防御敌人，但因此HUD和座舱控制系统越来越复杂，数据越来越密集，飞行员在短时内做出反应越来越困难。
现在的武器必须要速度更快、距离更远和瞄准命中精度更高。不对称和城市作战需要精确导航，而区域拒止能力需要武器在更远的地方发射，飞行员对武器引导的时间减少。导弹需要具备超过发射后不管的能力，在对目标定位和清晰识别之前就必须发射出去。ATR系统可以应对这些挑战，最大化发挥雷声公司的传感器、平台、武器和地基系统的效能。
人类可以很容易地理解户外的场景或图像，也可能很容易就承认或低估潜在问题的复杂性和挑战性。为了解释一幅图像，图像识别系统必须识别和区分由传感器特性形成的对空间变化的亮度描述模式，判断几何形状、表面材质、环境情况。人类认为解读图像是非常“自然”的一件事，但是开发这种能力所需训练数据的数量非常庞大，质量也要求很高。例如，婴儿从其父母、兄妹、甚至是电视节目那里看到了几乎是连续的有标签的训练数据流，所有这些都是设计用来教授字母、动物、车辆以及其他的图像。低龄的孩子将看到狗的照片、素描、卡通形象并且在学习和理解“狗”的过程中相互影响。即使有了这些训练数据的输入，孩子也需要很多年的试验和出现多次选择错误后在复杂场景中熟练地准确识别物体。例如图1中在停有大量车辆的停车场找到特定车辆。
图 1 从相似的物体中准确识别出目标是一个巨大的挑战
相反的，自动目标识别算法被寄望仅仅依靠有限环境集合中的少量样本就达到相同的识别水平。这就是为什么古典的自动目标识别算法仅在作战使用环境与训练样本数据极为相似的场景中应用效果才特别好的原因。当感兴趣的物体嵌入到复杂环境下，例如城市场景，或者技术应用到伪装信号或欺骗系统时，经典算法的性能会快速下降。这些情况下，模板不再匹配，主成分分析或其他分解方法提取的特征不再存在，或者已经改变，手工提取的特征虽然稳健，但是受限于设计者的想象力因而会频繁地误识别相似的物体。
二、技术进展
构建ATR系统还有很多方法。一种方法是依赖于创建包含利用三维计算机辅助设计的方法对目标建模形成数据库，然后用于ATR算法。考虑传感器特定的现象效应和观测几何学，这些模型被递归产生合成的2维信号，扫描图像寻找最佳匹配。尽管这是纯粹基于物理的方法，理论上不需要测量数据用于训练，但是建立3D模型需要CAD建模专家，并且非常昂贵。此外还需要一定数量的测量数据用于标定目标。
最近，深度学习算法已经应用到ATR系统。这些算法使用大量的数据自动训练，学习感兴趣的目标信号之间的差异，消除了对人类现象学或3D建模专家的依赖。在深度学习目标识别系统中覆盖所有可能感兴趣的成像环境的足够测量训练数据很少，进行有效训练的足够类似的测量数据是合成的，大量合成数据生成的方法是利用“生成对抗网络”（GANs）。“生成对抗网络”是非监督机器学习方法，利用两个竞争网络模型，一个有辨别力，另一个有生成能力。这种方法是整个深度学习界的一个活跃的兴趣主题，正在进行独立研发，可应用于雷声公司的多个领域。
图2 正在逐步显现的结合了快速3D目标建模和深度学习的ATR方法（混合算法）
基于抽象模型的ATR和基于深度学习的方法是图2所示连续统一体的两个极端情况。基于模型的方法通过人类最大化的先验信息的编码，而基于纯粹深度学习的方法需要大量的测量训练数据但不需要先验信息。在两种方法之间，我们坚信存在混合的算法可以通过提供有限先验信息的代价换取降低所需训练数据数量的红利。
在军事应用中最终确认能力形成是战场空间，自动目标识别可以实时提供比之前单纯依靠人类操作人员跨越更宽广数据域的知识。雷声公司对自动目标识别系统的投资为未来军事作战奠定了基础。我们正在开发具备利用有限数据训练并能部署到计算能力有限的平台上先进机器学习算法。集成到雷声公司的产品中的算法，即使是在挑战性的复杂环境和对抗条件下也将给出可以信赖的结果。
（来源：北京航天情报与信息研究所，朱风云 博士）
閱讀更多 智能前沿技術 的文章
