【CICC原创】在语义层重构自主无人系统：需求、框架与运行机理

（《指挥与控制学报》刊文精选）

引用格式  庞维建，李朋，尹峻松，等. 在语义层重构自主无人系统：需求、框架与运行机理[J]. 指挥与控制学报，2024，10（3）：355-364

PANGWJ, LI P, YIN J S, et al. Reconstructing autonomous unmanned systems at the semantic level: requirements, frameworks, and operation mechanisms[J]. Journal of Command and Control, 2024, 10（3）: 355-364

无人装备组成作战群协同作战是一种全新的作战模式，体现了分布式、智能化的作战思想，其单个装备成本低，技术迭代快，任务响应迅速，人员伤亡低，在争夺局部战术优势中将能发挥重要的作用。无人作战系统技术已经成为世界各国关注的重点技术领域[1–7]。美国国防部自2000年以来持续发布了8个版本的《无人系统综合路线图》，用以指导包括无人机、无人地面车辆、无人艇和无人潜航器等无人系统的发展，2018年发布的版本提出在2042年达成“无人机机群成为高度协同系统”的自主性发展目标[8]。可见，以无人机为代表的无人装备正逐步摆脱人类的“提线”，走向群体化、自主化、智能化和体系化。

无人系统自主性指无人系统能够不依赖外部的干预，在非受控的不确定环境中完成任务的能力[9]，要求无人系统能够依据“战术目标”和“使命任务”智能地生成、实时调整和执行任务计划，最终完成整个任务。这种“战术目标”和“使命任务”往往仅明确了任务的目标或者最终状态，而为了达到任务目标应该执行哪些行动、如何执行等任务规划的内容将由无人系统自主完成。这要求无人作战系统应具有一定的认知能力，具备任务理解、态势理解，以及在此基础上的使命任务预先规划和临机规划能力。对于群体无人系统来说，还需要具备对群体自身的认知能力，以实现群体共识和任务协同。

但是，现阶段无人系统任务规划的研究主要集中在规划问题的求解方法上，将规划问题看作组合优化问题，在遗传算法[10-11]、粒子群算法[12]、蚁群算法[13]、多智能进化算法[14–16]等智能算法的辅助下完成问题的求解。这些算法虽然较好地实现了规划问题的求解，但是无人系统认知和理解事物的问题并没有解决，这些算法仅是完成了问题的求解，无人系统没有形成对任务、战场环境，以及其自身的认知。因此，在规划过程中需要人类操作员根据任务情况进行大量的推理分析和数据准备工作，将实际作战问题抽象为算法能够接收的形式。当任务、目标和群体无人系统自身面临异构性特征时，规划求解将愈发依赖人工的介入。

在这样的背景下，本文提出在语义层重构自主无人系统的研究路线，旨在从建立无人系统认知模型出发，以语义为中心构建群体无人系统的基本认知体系。通过构建知识本体实现领域知识的统一表示和群体信息共享，利用语义知识引擎实现群体认知，达到任务协同和能力互操作的目的；利用知识推理实现任务认知，引导无人系统进行使命任务的预先规划；利用不确定性知识推理实现态势认知，引导无人系统在动态场景下进行任务的临机规划。

1.1数据与知识逐渐融合

近几年来以深度学习为代表的人工智能方法受到了学术界的广泛关注，深度学习、强化学习等人工智能方法开始应用于任务分配和路径规划问题，但是这些方法并没有像人类一样在理解的基础上进行求解。方法的鲁棒性和解释性差，限制了其在现实问题特别是军事领域的应用[17-18]。与此同时，针对第三代人工智能的讨论也逐渐成为热点，美国国防高级研究计划局（Defense Advanced Research Projects Agency，DARPA）在2018年提出第三代人工智能的理论框架体系——数据与知识融合的人工智能理论和方法，有学者将这个理论归结为认知图谱——知识图谱+认知推理+逻辑表达[19]。张钹认为离散的语义符号空间与连续特征向量空间的融合是第三代人工智能的可能路线之一，当符号空间通过知识推理引导特征向量空间的学习，特征向量空间通过学习将感知到的特征提升到符号空间时，机器就具备理解的能力，机器中的符号也有了根基[20]。胡晓峰也指出用深度学习的方法处理图谱，把直觉和推理融合起来，是一种有效利用知识并实现智能的方法[21]。可见，符号化的知识和知识推理，是下一代人工智能的重要研究内容。

1.2从感知向认知提升

人的认知包括感觉、知觉、记忆、思维、想象和语言等[22]。计算机领域的语音、图像和视频识别分类等技术属于感觉的范畴，实现了现实世界中的物体与逻辑空间中符号的映射。但是这种映射尚未抽象为知识，因为符号之间的因果关系、关联关系和逻辑关系等尚未识别。

从感觉到知觉需要知识的加工过程，这个过程就是认知。笛卡尔认为，认知是获取知识的过程，而知识是认知的结果。可见认知是一个理解符号背后意义的过程。认知过程离不开已有知识体系的支持，可以说认知是在已有的知识体系和已有认知方法的共同作用下形成新知识的过程。在认知支持下构建的与现实世界相匹配的知识模型是进行思维过程的基础。思维具有逻辑特征，形式逻辑和辩证逻辑是思维的两种形式。逻辑导致推理，而推理产生新知。

在低自主性的无人系统中，无人装备不具备认知能力，无人装备通过传感器获取感知数据并展示在人类操作员面前。人类操作员在完成环境和态势认知基础上，进行任务的规划，并控制装备执行相应行为，通过人类的介入实现从感知到行动的闭环。对于高自主性无人系统来说，无人装备需要具备基本的认知能力，能够模仿人的知识获取、表示和处理的能力，在任务规划过程中不需要或者减少人类的介入。

无人系统环境认知方法可以分成解析方法、信号处理方法、神经网络方法和基于逻辑推理的方法4类。其中，解析方法以卡尔曼滤波技术为代表，通过构建精确模型的方法，进行无人系统和环境实体的位姿预测等，但是由于环境的复杂性和不可知性，这种方法存在难以构建精确模型的问题。信号处理法以小波分析、相关函数等信号处理方法处理传感器数据实现环境事件的感知，但是这种方法的识别范围十分有限。神经网络法通过训练神经网络的方式进行目标的识别，不需要构建精确解析模型，但是在实际应用中存在收敛时间长，训练样本难以获取的问题。基于逻辑推理的方法有贝叶斯网络法[23]、DS证据理论[24]和模糊逻辑方法[25]等。基于逻辑推理的方法以事件作为输入，通过网络化推理模型实现态势信息的推理和预测，达到态势认知的目的。但是对于无人系统来说其任务过程中面临着场景切换的问题，难以构建一种多场景广泛适用的推理模型。

基于知识的认知方法在无人系统领域得到了应用，通过对环境态势的语义化建模，实现了态势事件识别、事件推理等功能，显著提高了单个无人平台的态势认知能力[26–28]。但是当前基于知识的认知方法缺乏清晰的技术路线和框架，仅适用于简单的反应型规划问题，缺乏多场景群体协同条件下知识体系和认知模型的研究。

语义奠定了无人系统基本认知体系的基础，在认知、心智表示等方面的重要作用[29]。以语义构建的无人系统认知体系，通过模拟人类思维进行理性推理，引导无人系统实现基于高层使命任务的智能规划，从而实现一定程度的自主性。其理论依据可从以下4个方面阐述：

1）通过语义描述模拟人的认知模式。作战人员在进行作战筹划的时候，更多的是基于作战行动之间的逻辑关系和约束关系，确定打击目标清单的和作战行动。具有一定自主能力的无人系统，其任务的智能规划需要对任务的目标、执行条件等任务情况有一定水平的认知，才能制定合适的任务计划。此外，无人系统所处的战场环境、态势条件、系统状态都具有高度的未知性和不确定性，也需要无人系统具有一定程度的认知能力，以正确处理不确定性事件。通过语义描述可以模拟人的认知模式，从知识表示建模开始，通过描述性知识和因果性知识表示任务领域知识，一方面使无人系统具备结构化的知识描述能力；另一方面可以通过知识的推理实现知识再生，产生新息并引导无人系统任务智能规划和任务执行过程中的自主行为。

另外，人类的智能是符号与数据协同的过程。符号与数值，逻辑与优化都是人类智慧的表现形式，不是非此即彼的割裂关系。一方面，数值概念化为有意义的符号，为认知域的推理活动提供支持；另一方面符号量化为数值，驱动物理域无人装备的自主行动。符号与数值，逻辑与优化相互协作形成一体化的智能体系。

2）通过语义描述知识实现经验的有效运用。基于知识的专家系统仍是一种十分有效的知识表示和运用方法，知识图谱也是一种以语义为核心的知识表示技术。人类在进行作战任务的规划和决策时，也倾向于使用已有的行动范式，可见，规则是一种有效的表示和利用经验知识的手段。一阶逻辑和规则的知识表示方法与人的知识结构相契合，能够使人的经验得到有效的运用。第三代人工智能也开始向着知识图谱+连接主义的混合式发展路线。因此，将已有的作战经验规则化，用这种规则结合语义化的领域知识，实现类似人类的理性推理依然是一种有效的智能化实现方法。基于知识的专家系统存在的泛用性问题，连接主义的机器学习也同样存在，机器学习在大量数据基础上经过长时间学习到的知识，也仅是适用于某种特定的情形，当环境稍作改变，机器学习模型可能就完全失效了。另外，规则推理可以用以引导机器学习，提高其学习效率缩短学习时间，机器学习学习到的知识也可以以符号的形式进行语义化的描述，集成到领域知识模型中。

3）通过语义描述任务实现任务式指挥。任务式指挥模式融合分散式指挥和集中式指挥的优势，被认为是符合未来发展趋势的指挥模式。但是，任务式指挥的实现需要作战单元对指挥员的任务有清晰准确的认知和理解。本文提出的智能规划框架使用本体技术对领域知识模型进行建模，通过丰富的语义信息描述任务的复杂性，能够以逻辑性强、可解释的方式为无人系统提供领域知识支持，通过知识推理能够实现无人系统对特定使命任务的正确、有效理解。

4）通过语义构建知识体系支撑智能自主行为。在人类的认知领域中，知识起到了相当大的作用，在学校的系统学习就是在构建自己的知识体系，知识体系支撑了我们的智能行为。当前对智能化作战的研究高潮迭起，但是对于无人作战系统认知体系的研究却与当前的热度极不相称。无人系统作为一种人造的全新系统，如果希望它们能够像人类一样智能地执行任务，如果没有人类辅助其构建认知体系和知识框架，它们很难达到人类的智能水平。因此，军事领域自主无人系统的研究需要重视认知问题，为无人装备构建其基本的认知体系和知识框架寻找解决方法。

3.1 能力需求

自主无人系统的智能规划与传统的作战任务规划有很大的不同。从无人系统接收到任务指令，到整个任务的执行都需要其自主完成。因此，为了支撑规划过程中的智能，框架需具备的关键能力有：

3.1.1 知识表示能力

无人系统执行任务的过程是无人系统不断与环境进行交互的过程，在这个交互过程中，无人系统感知的数据需要知识化，另一方面规划和决策也是基于符号化的知识进行。因此，实现对战场环境、使命任务、无人装备能力属性等知识的表示，是构建无人系统自主认知能力，实现自主性的基本前提。

3.1.2 知识推理能力

规划问题上升到任务层面，将不仅是数学优化问题，更偏向于推理问题，相对于过程的优化，作战行动之间的逻辑性、时间约束性等更加重要。因此，知识推理是自主无人系统的重要能力之一。

3.1.3 任务规划能力

任务的智能规划是自主地确定系统行为的基本方法，是智能的基本能力，也是智能的基本标志。对于群体无人系统来说，其任务规划能力包括群任务的规划能力和个体任务的规划能力。由于群体无人系统的异构性和群体性，在群任务规划过程中，需要能够对任务进行必要的分解，以减少任务规模。同时，个体也需要具备规划自身任务的能力，以实现分布式的规划，提高系统整体的效能。

3.1.4 态势感知与临机规划能力

战场空间的动态性和不确定性要求无人系统具备感知战场环境态势，并在使命任务约束下进行实时临机规划的能力。通过临机规划选择最佳的作战策略，保证使命任务的达成。

3.1.5 执行与控制能力

执行与控制能力是系统能够按规划结果完成任务的重要保障。因此，智能规划框架需要能够描述任务执行过程中状态，适时执行计划并有效应对行动执行失败的情况。

群体无人系统智能规划框架主要能力需求分析过程如图1所示。

图1  无人系统任务级自主性关键能力需求

Fig. 1  Critical capability requirements for mission-level autonomy of unmanned systems

3.2 关键特征

3.2.1 基于高层任务指令实现任务智能规划

基于高层任务指令实现任务智能规划是自主性最重要的特征，即无人装备能够对来自人类或者在协同条件下，来自其他自主无人装备的高层任务指令进行解析的能力。能够基于高层任务指令实现任务规划，在任务规划和执行过程中不需要或者很少需要人类的干预，也是具备任务级自主能力的重要特征。高层任务指令具有抽象性和概括性的特点，往往仅明确了任务的目标或者最终状态，任务规划和执行的细节信息需要无人系统，通过对使命任务的认知和理解过程获取。这意味着无人系统需要有关于任务的基本知识，能够解析任务指令、获取任务规划的描述性知识和过程性知识，有效规划任务。

3.2.2 软硬件松耦合，多硬件平台有效适应

当一套规划系统仅适用于一套硬件装备时，人们更倾向于这是一个自动化的系统，而当系统能够适用于多种硬件装备，并能够在硬件装备接入系统时识别出这种硬件，人们则更倾向于认为这是一个自主化的系统，因此，实现软硬件的松耦合不仅是自主协同作战的需求，因为需要同时管理多种硬件装备，同时也是智能的重要体现。通过在无人装备硬件之上构筑语义层，使上层的任务规划软件或者自主控制软件能够识别无人装备的软件、硬件组成，以及性能指标、作战能力等信息，是实现无人装备硬件与软件之间松耦合的有效途径。

3.2.3 知识有效共享和重用

无论是在机器人领域还是无人系统领域，当需求或者应用场景发生细微的变化时，智能系统将需要进行大量的代码重构工作，这也是很多智能系统无法摆脱程式化标签的原因之一。因此，在知识层面实现信息的共享和重用，对于智能系统具有至关重要的意义。通过定义统一的本体，对战场环境、任务和无人群体等知识进行形式化的表示，并使用语义知识引擎进行领域知识的统一管理，这种知识管理模式能够最大限度地将具备共享和重用需求的知识，从无人装备控制系统的架构中剥离出来，在不同系统、不同装备个体中得以重用。

3.2.4 具有分层的知识体系结构

在群体协同作战场景下，从个体、编组到整个作战群，任务具有明显的分层特征。不同的层级面临着不同的规划问题，每个层级知识的抽象程度、描述粒度和规划目标都各不相同。因此，智能规划框架的知识体系一方面要有良好的分层结构，支持不同层次任务规划的知识表示需求；另一方面应具有良好的层次聚合性，支持不同层次间知识的跨层流动。

自主无人系统语义重构技术路线包含两个核心组成部分：领域知识本体、语义知识引擎。其中，领域知识本体提供了智能规划的概念范畴，是整个框架的基础，包括确定性知识和不确定性知识表示框架；语义知识引擎是知识本体的实例化，实现真实战场环境到逻辑认知空间的映射，同样包括确定性知识推理和不确定性知识推理。

自主无人系统语义重构模仿人的认知过程，以环境、任务、无人装备、态势和战术策略的本体表示为基础，通过本体推理、规则推理和概率推理实现对任务和态势的认知，最终达到知识推理引导任务规划和临机规划的目标。基于本体建模的群体无人系统智能规划框架如图2所示。

图2 自主无人系统的语义重构研究路线

Fig. 2 Research routes of semantic reconstruction of autonomous unmanned systems

4.1 自主无人系统语义重构的内涵

自主无人系统语义重构框架是知识推理与任务规划的结合体，其内涵可概括如下：

1）基于知识实现任务规划。基于知识意味着规划可以充分利用经验信息，这种经验信息包含人类的任务经验、无人系统在历次任务执行过程中学习到的经验，以及在虚拟的仿真世界中学习到的经验。基于知识意味着无人系统的任务规划具备了成长性和共享性的特征，能够模仿人类根据经验更好地完成某项任务。

2）任务规划与运动规划的集成规划框架。任务规划的作战行动序列生成、任务分配和航迹规划3个阶段本身具备高度的耦合性。在无人系统协同作战问题领域中，这种信息的耦合更加紧密。基于本体的任务规划立足于高层任务规划，同时考虑任务规划与运动规划的融合，实现无人系统任务的智能规划。

3）通过对数据和信息的知识化提高智能水平。一方面知识化便于信息和数据在无人系统之间共享；另一方面结构化的知识更便于解释和推理。当前受到广泛关注的各种学习算法，本质上是在学习一种知识。这些知识需要有一个规范的表示和交互方式，以支持各类无人系统进行查询、共享、推理和使用，提高智能的泛化性能。

4.2自主无人系统语义重构的优势

本文提出的自主无人系统语义重构技术路线相比现有的规划技术有以下3个优势：

1）泛用性强。框架以本体技术为基础实现领域知识的形式化表示，通过本体对无人装备能力属性的形式化描述，实现了软件与硬件的解耦，提高了智能规划框架的泛用性。

2）便于集成和运用多种算法。框架在认知层面考虑了行为层的优化问题，将算法与其所适用的问题通过语义化的表示联系起来，使无人系统能够根据当前的问题特点选择合适的算法求解，便于集成多种先进算法提高规划系统的性能。

3）具有更好的人机交互性能。框架以语义为核心，赋予无人系统认知与推理能力，可以通过高层任务指令指挥无人系统完成大型复杂任务，也可以直接控制无人系统执行原子任务，通过人类指导任务执行过程积累任务经验，为提取复杂任务的运行模式，进行任务知识建模，扩展智能规划系统的认知范畴奠定基础。

本文提出的语义重构框架下的智能规划运行机理如图3所示。框架以语义知识引擎为纽带，驱动任务规划到任务执行的各个阶段。

图3 基于语义重构框架的智能规划运行机理

Fig. 3 Operation mechanism of intelligent planning based on semantic reconstruction framework

5.1 知识工程技术辅助机器认知

构建无人系统知识本体是语义重构框架运行的起点和入口，需要对无人装备、任务、环境、态势、策略等领域知识进行系统的建模。知识本体由军事领域专家构建，其中，包含了任务相关的概念、常识和规则等，如空海协同侦察打击、协同电子攻击、协同侦察监视等作战行动涉及的常识概念和组织实施规则。本文针对无人系统的自主化作战问题，改进并提出了基于行为模式分析的本体建模方法，通过以行为和事件为中心分析领域问题，能够更加系统地获取到无人系统任务自主化所需要的概念、属性和关系。一种典型的自主无人系统知识概念框架如图4所示。

图4  自主无人系统领域知识概念框架

Fig. 4 Framework of domain knowledge concept for autonomous unmanned systems

知识本体不仅可描述任务相关的事实逻辑，同时可以通过数据属性（data properties）对所处环境的数值信息进行描述，使其成为一个融合符号知识与数值知识的异构知识库，在进行推理实现复杂任务智能规划的同时，能够为运动规划等需要进行优化计算的环节提供数值参数支持。知识本体构建了无人系统认知与理解的概念框架和认知范畴。

5.2 知识引擎实现共识机制支撑群体协同

知识引擎是本体的实例化表示，知识引擎通过知识库存储知识，通过知识推理处理知识，解决了动态知识统一表示的问题。此外，通过知识引擎的云端部署和分布式访问设计，实现了群体内资源共享、态势共享。

知识库包含了静态和动态两个重要的内容。静态知识主要是已有的作战条令、作战规则、流程等经验知识和常识，这部分知识对于无人系统的任务来说是普适性的，通常抽象为类、关系和规则进行存储。本体概念、经验知识、常识知识构成了无人群体的共识基础。

动态知识主要是无人系统的态势信息，是在本体的概念框架下，将当前传感器感知数据映射到本体，并以特定的帧率进行存储和更新。由于本体定义了统一的标准概念，动态知识都是特定概念的实例化，保证了无人群体对态势的一致理解。

知识推理是在规则等因果知识定义的逻辑下，对语义知识库中的显式知识进行逻辑运算，得到隐含知识的过程。高层任务指令不包含规划问题的详细情况，必须通过知识推理进行补全，因此，解析和处理高层指令是推理机的重要功能。通过对云端和本地知识库进行知识检索和推理，获取任务的初始状态，解析高层任务指令并生成任务目标状态。这些状态信息作为任务规划的输入，传递到规划器，完成作战行动规划。可解释的知识推理和一致的知识表示实现了群体的共同认知。一种典型的态势语义信息共享框架如图6所示。相关研究见文献[30]。

图5  态势语义信息共享框架

Fig. 5 Framework of situational semantic information sharing

5.3 知识推理引导高层任务预先规划

知识推理引导高层使命任务预先规划属于知识表达的过程，是在获取了任务规划相关知识基础上进行任务指令解析，对任务进行预先规划的过程。

以群体协同自主情报，侦察，监视（intelligent，surveillance，reconnaissance，ISR）为例，任务规划的过程为：

知识库通过本体建模方式存储协同任务领域知识。如，1）战场环境知识：目标点位置，无人机能够执行的任务等；2）任务域知识：机动、侦察、攻击、评估等；3）军事常识知识：具备相应侦察载荷的无人装备才能执行相应军事目标的侦察，如警戒雷达需要L波段或S波段侦察载荷；4）无人系统知识：无人装备的类型、载荷、性能指标和能力属性等。

解析&推理模块在本体支持下解析任务指令（如“对某目标执行侦察打击任务”），匹配本体中的任务模型，解析生成任务目标。

根据知识本体定义的任务模型，获取任务规划需要的环境信息、目标信息和装备能力信息等，通过任务模型中的规划方法对进行群体层面的任务规划。

无人装备任务规划器根据分配的任务进行个体任务规划，完成问题的求解并生成任务计划。

计划派遣节点与无人装备之间通过发布/订阅机制进行信息的交互，计划派遣模块解析任务计划。无人装备任务执行模块通过订阅计划发布话题，判断是否需要执行某项原子任务。

无人装备匹配到需要执行的任务后，在仿真环境或者真实环境中执行任务，同时，无人装备的感知模块在环境中提取知识信息并实时更新到知识引擎中。

知识推理还对任务的执行过程提供支持，推理并指派任务。例如，无人机通常可挂载不同的侦察载荷以适应不同类型目标的需求，通过对无人装备和任务相关知识进行建模，可以通过知识推理，确定对不同目标侦察时需要何种侦察载荷。如图6（a）所示。

对于简单任务可以通过推理和描述性的知识完成任务的规划，但是对于复杂的任务，往往需要借助符号规划进行推理求解。规划域定义语言（planning domain definition language，PDDL）规划器和相关求解算法是实现该功能可选方法，由于本体描述方法和PDDL描述方法同属于符号表示的范畴，两者可以通过定义转换规则进行良好的转换，保证了框架的一致性。PDDL规划器不仅可以用于个体层面的任务规划，也可用于群体层面的任务规划。一种基于符号推理与数学优化的融合任务规划框架如图6（b）所示。相关研究见文献[31]。

（a）候选无人装备的推理过程

（b）基于符号推理与数学优化的融合任务规划框架

图6  知识推理引导高层任务自主规划

Fig. 6 Knowledge reasonging guided high-level task autonomous planning

5.4 不确定性知识推理实现态势认知与临机规划

将传感器信息符号化，将真实战场环境映射到符号空间，通过态势信息的语义表示构建了临机规划的态势认知基础；对于动态多场景下的复杂规划推理模型，使用多实体贝叶斯网络将推理模型进行片段化、语义化的表示，并将其作为临机规划的领域知识库，使概率推理系统能够根据规划需求实时构建贝叶斯网络推理模型；临机规划以策略选项的形式输出规划结果并作为一种高层任务指令传递给高层任务预先规划模块，形成动态闭环的智能规划框架。一种基于贝叶斯网络的挂了推理规划框架如图7所示。相关研究见文献[32]。

图7  贝叶斯概率推理规划框架

Fig. 7 Framework of Bayesian probabilistic reasoning planning

在分析无人系统自主性发展特点和任务级自主性能力需求的基础上，提出了一种符合维特根斯坦哲学思想的自主无人系统研究路线，即:在语义层重构自主无人系统，从无人系统认知建模出发，以语义为中心构建群体无人系统基本认知体系，以支持无人系统任务层面自主性，并阐释了自主无人系统语义重构技术路线的内涵、优势和运行机理。该语义重构技术路线通过构建知识本体实现领域知识的统一表示和推理，利用语义知识引擎实现群体认知达到群体信息共享、任务协同和能力互操作的目的；利用确定性知识推理和不确定性知识推理，引导无人系统进行预先规划和动态场景下的临机规划。通过在语义层重构自主无人系统，实现了无人系统、环境、任务等知识的表示和推理，为构建无人系统认知系统，理解和利用知识提供了实践基础，使其能够利用知识引导预先规划和临机规划，实现任务级自主性。在语义层重构无人系统是适应无人系统自主性特征和能力需求，将自主性研究从优化层面提升到认知层面的可行技术路线。

References

[1] 张杰勇, 钟赟, 孙鹏, 等. 有人/无人机协同作战指挥控制系统技术[J]. 指挥与控制学报, 2021, 7（2）: 203-214.

ZHANG J Y, ZHONG Y, SUN P, et al. Command and control system and technology for manned/unmanned aerial vehicle cooperative operation[J]. Journal of Command and Control, 2021, 7（2）: 203-214.（in Chinese）

[2] 段海滨, 申燕凯, 王寅, 等. 2018 年无人机领域热点评述[J]. 科技导报, 2019, 37（3）: 82-90.

DUAN H B, SHEN Y K, WANG Y, et al. Review of technological hot spots of unmanned aerial vehicle in 2018[J]. Science

& Technology Review, 2019, 37（3）: 82-90.（in Chinese）

[3] 沈林成, 牛轶峰, 朱华勇. 多无人机自主协同控制理论与方法[M]. 2版. 北京: 国防工业出版社, 2018.

SHEN L C, NIU Y G, ZHU H Y. Theories and methods of autonomous cooperative control for multiple UAVs[M]. 2nd

Edition. Beijing: National Defense Industry Press, 2018.（in Chinese）

[4] 邓长春, 籍长国, 李小奇. 无人机作战应用论[M]. 北京: 蓝天出版社, 2011.

DENG C C, JI C G, LI X Q. Application of UAV Warfare[M]. Beijing: Blue Sky Publishing House, 2011.（in Chinese）

[5] 费爱国, 张陆游, 董洪乐. 提升飞机编队自主作战能力的若干思考[J]. 指挥与控制学报, 2020, 6（1）: 1-4.

FEI A G, ZHANG L Y, DONG H L. Thoughts on improving the autonomous combat capabilities of aircraft formations[J].

Journal of Command and Control, 2020, 6（1）: 1-4.（in Chinese）

[6] ARMY U S. Unmanned aircraft systems roadmap 2005 -2030[R]. Washington, D. C. : USA: Office of the Secretary of

Defence, 2005.

[7] 张阳, 司光亚, 王艳正. 无人集群作战建模与仿真综述[J].电子信息对抗技术, 2018, 33（3）: 30-36.

ZHANG Y, SI G Y, WANG Y Z. Review on modeling and simulation of unmanned swarm operation[J]. Electronic In原

formation Warfare Technology, 2018, 33（3）: 30-36.（in Chinese）

[8] 靳崇, 张宾, 麻志强, 等. 面向无人化陆战的指挥控制系统智能化运用[J]. 火力与指挥控制, 2021, 46（11）: 12-19.

JIN C, ZHANG B, MA Z Q, et al. Intelligent application of the command and control system for unmanned-oriented land

warfare[J]. Fire Control & Command Control, 2021, 46（11）:12-19.（in Chinese）

[9] 董晓明. 海上无人机装备体系概览[M]. 哈尔滨: 哈尔滨工程大学出版社, 2020.

DONG X M. Overview of maritime UAV equipment system[M]. Harbin: Harbin Engineering University Press, 2020.（in

Chinese）

[10] MOUSAVI S, AFGHAH F, ASHDOWN J D, et al. Use of a quantum genetic algorithm for coalition formation in largescale UAV networks[J]. Ad Hoc Networks, 2019（87）: 26-36.

[11] MENG H, XIN G. UAV route planning based on the genetic simulated annealing algorithm[C]// IEEE International Conference on Mechatronics and Automation. IEEE International Conference on Mechatronics and Automation, 2010: 788-793.

[12] SHIN J J, BANG H. UAV path planning under dynamic threats using an improved PSO algorithm[J]. International Journal of Aerospace Engineering, 2020, 2020: 1-17.

[13] 苏梅梅, 程咏梅, 胡劲文. 基于改进蚁群算法的无人机集群任务分配和路径规划联合优化[J]. 无人系统技术, 2021,

4（4）: 40-50.

SU M M, CHENG Y M, HU J W. Combined optimization of swarm task allocation and path planning based on improved

ant colony algorithm[J]. Unmanned Systems Technology, 2021,4（4）: 40-50.（in Chinese）

[14] 施孟佶. 复杂环境下多智能体一致性控制及其在协同飞行中的应用[D]. 成都: 电子科技大学, 2017.

SHI M J. Consensus control of multi-agent systems in complex environments and its applications in cooperative flight

control of unmanned aerial vehicles[D]. Chengdu: University of Electronic Science and Technology of China, 2017.（in

Chinese）

[15] 菅垄. 面向一致性的多智能体系统事件触发控制和分布式优化研究[D]. 成都: 电子科技大学, 2019.

JIAN L. On event-triggered control and distributed optimization for consensus of multi-agent systems[D]. Chengdu:

University of Electronic Science and Technology of China,2019.（in Chinese）

[16] NUGRAHA Y, CETINKAYA A, HAYAKAWA T, et al. Dynamic resilient network games with applications to multi-agent consensus[J]. IEEE Transactions on Control of Network Systems, 2020（8）: 246-259.

[17] JACOB S, PETER G, PETTERI P, et al. An examination of diameter density prediction with k-NN and airborne lidar[J].Forests, 2017, 8（11）: 444.

[18] DONG Y, LIAO F, PANG T, et al. Boosting adversarial attacks with momentum[C]// IEEE/CVF Conference on Computer Vision and Pattern Recognition（CVPR）, 2018: 9185-9193.

[19] 唐杰. 唐杰教授深度报告: 人工智能的下个十年！[EB/OL].（2020-03-25）[2021-10-19]. https: //zhuanlan.zhihu.

com/p/133517890.

TANG J. Report of professor Tang Jie: next decade for artificial intelligence[EB/OL].（2020-03-25）[2021-10-19].

https://zhuanlan. zhihu.com/p/133517890.（in Chinese）

[20] 张钹, 苏航, 朱军. 迈向第三代人工智能[J]. 中国科学: 信息科学, 2020, 50（9）: 7-28.

ZHANG B, SU H, ZHU J. Toward the third generation of artificial intelligence[J]. Scientia Sinica: Informationis, 2020,

50（9）: 7-28.（in Chinese）

[21] 胡晓峰, 齐大伟. 智能决策问题探讨———从游戏博弈到作战指挥, 距离还有多远[J]. 指挥与控制学报, 2020, 6（4）:

356-363.

HU X F, QI D W. On problems of intelligent decision -making———how far is it from game-playing to operational

command[J]. Journal of Command and Control, 2020, 6（4）:356-363.（in Chinese）

[22] CHANG C L, LEE R C T. Symbolic logic and mechanical theorem proving[M]. New York: Academic Press, 1973.

[23] LI T, ZHANG W, GAO S, et al. Situation assessment method based on bayesian network and its application in

space battlefield[C]// Proceedings of 2017 2nd International Conference on Computer Engineering, Information Science

and Internet Technology, 2017: 547-554.

[24] 刘庆利, 王文广, 张学翠, 等. 基于改进DS 证据理论的指挥控制系统信息融合方法[J]. 火力与指挥控制, 2022, 47

（2）: 82-87.

LIU Q L, WANG W G, ZHANG X C, et al. Information fusion method of command and control system based on improved DS evidence theory[J]. Fire Control & Command Control, 2022, 47（2）: 82-87.（in Chinese）

[25] 刘卓昀, 郑志蕴. 基于模糊MEBN 的不确定性本体表示和推理研究[D]. 郑州: 郑州大学, 2017.

LIU Z J, ZHENG Z Y. Uncertainty representation and reasoning research of ontology based on fuzzy MEBN[D]. Zhengzhou:Zhengzhou University, 2017.（in Chinese）

[26] 张汝波, 尹莉莉, 顾恒文. 不确定海洋环境下AUV 环境感知方法研究[J]. 计算机研究与发展, 2013, 50（9）: 1981-

1991.

ZHANG R B, YIN L L, GU H W. Environment perception for AUV in uncertain ocean environment[J]. Journal of Computer Research and Development, 2013, 50（9）: 1981-1991.（in Chinese）

[27] 邵太华, 陈洪辉, 舒振, 等. 面向无人作战指挥控制的任务智能解析技术[J]. 指挥与控制学报, 2021, 7（2）: 146-

152.

SHAO T H, CHEN H H, SHU Z, et al. Mission intelligent parsing for unmanned combat command and control[J]. Jour原

nal of Command and Control, 2021, 7（2）: 146-152.（in Chinese）

[28] 赵鑫业, 王义涛, 王超, 等. 战场信息交换语言统一开发框架[J]. 指挥与控制学报, 2021, 7（1）: 46-55.

ZHAO X Y, WANG Y T, WANG C, et al. A unified development framework for battlefield information exchange language[J]. Journal of Command and Control, 2021, 7（1）: 46-55.（in Chinese）

[29] 徐英瑾. 心智、语言和机器———维特根斯坦哲学和人工智能科学的对话[M]. 北京: 人民出版社, 2022.

XU Y J. Mind, language and machine———wittgenstein’sphilosophy and the science of artificial intelligence dialogue

[M]. Beijing: People’s Publishing House, 2022.（in Chinese）

[30] PANG W J, LI H, MA X Y, et al. A semantic-centered cloud control framework for autonomous unmanned system

[J]. Journal of Systems Engineering and Electronics, 2022,33（4）: 771-784.

[31] 庞维建, 李朋, 马心意, 等. 基于本体的无人系统智能规划架构研究[C]// 2023届中国系统仿真与虚拟现实技术高

层论坛论文集, 2023: 28-34.

PANG W J, LI P, MA X Y, et al. Research on ontologybased intelligent planning architecture for unmanned systems[C]// Proceedings of the 2023 China System Simulation and Virtual Reality Technology Forum, 2023: 28-34.（in Chinese）

[32] PANG W J, MA X Y, LIANG X M, et al. Role-based Bayesian decision framework for autonomous unmanned systems

[J]. Journal of Systems Engineering and Electronics, 2023,34（6）: 1397-1408.