美国陆军反无人机任务指挥系统（ 值得读3遍 ）

注红山智云，订阅最新情报

【红山导读】

本文重点介绍美国陆军与UAS任务指挥系统中部署 AI、机器学习和自动化的必要性。当前的反无人机系统任务指挥系统依靠操作员完成针对每个威胁按顺序进行的手动识别和交战过程，这在存在多个威胁试图压倒防御能力的情况下是不切实际的。

通过实施本文中的建议，美国陆军将拥有一个任务指挥系统，在对抗当前和未来敌方无人机系统的威胁和战术方面具有竞争优势。

关键词：美国陆军、现代战争、无人机、指挥系统

一、术语定义

自动化。“使用技术以最少的人工输入执行任务”，并减少或消除人为干预。流程自动化使用基于人工系统输入参数的基于规则的决策。

人工智能。国防部2018 年的人工智能战略将人工智能定义为“机器执行通常需要人类智能的任务的能力，例如识别模式、从经验中学习、得出结论、做出预测和执行操作，作为数字或自主物理系统背后的智能软件。它被定义为。

机器学习。机器使用训练算法从数据中学习，以获得不是由人类编程的“知识”。该系统不是专门编程的，而是从环境的例子中学习的。

二、人机交互

在现代战争的背景下，术语“Human on the loop”和“human in the loop”是指人类直接参与决策过程和自动化的系统决策和控制的级别。这两种方法的区别在于授予系统的自主程度以及人类监督和控制的水平。

Human on the loop。人类直接参与决策过程，系统“完全控制所执行的任何操作的开始或停止”。这种方法通常是首选，因为安全性、任务的正确性、责任感和控制力。然而，有时人类进入循环是不切实际且无效的。当前的 UAS 流程是人类循环中的一个例子，其中操作员必须执行所有任务和参数输入才能由系统创建操作。

人机交互 （HOTL）。人工监控自动化系统，但自动化可以在没有事先人工批准的情况下采取行动。这种方法可以加快决策和响应时间，这在威胁快速发展的未来至关重要。在影响一个人应用微运动技能和正确判断能力的高压力情况下，监督自主模式比仅仅依赖人类决策更有效。海军舰艇上使用的宙斯盾战斗系统和 MK15 方阵近战武器系统是人机协同防御武器系统的例子。一旦激活并受到人类监视，这些系统就可以独立攻击对船舶和其他受保护资产构成威胁的导弹、直升机和飞机。

三、反无人机 （C-UAS） 系统流程

C-UAS 流程在四个不同的要素中采用主动防御措施：检测、识别、决定和击败。该序列为评估 UAS 在不同操作环境中构成的威胁以及评估应用自动化来增强操作员行为的可能性提供了一个有用的框架。在联合部队内部，这一过程在基地防御作战中心内积极应用，该中心是反无人机系统资产和系统的负责协调、管理和操作节点。

反无人机系统流程（图片由美国陆军少校 Anthony R. Padalino 提供）

检测。反无人机过程的第一步是检测作战区域是否存在空中轨迹。这是通过各种雷达传感和跟踪方法完成的，包括机载和地面传感器。例如，Raytheon 开发了一种 360 度 AN/MPQ-64 哨兵雷达，可为无人机系统、旋翼机和固定翼飞机提供检测和询问功能。Raytheon 还开发了一种 360 度 Ku 波段射频系统 ，可以感应和跟踪飞机、火箭、野战火炮和迫击炮。KuRFS 雷达支持多种动能和非动能反无人机武器系统，包括托盘式高能激光器、陆基方阵武器系统和雷神郊狼拦截导弹。

识别。一旦检测到空中尾流，下一步就是分析轨迹并确定它是友军还是敌军。这是通过使用能够区分敌友、空域控制或敌对特征的雷达识别尾流来实现的。区分友方威胁唤醒和敌对威胁唤醒是一个复杂的过程，使用以下两种方法之一：积极和程序。主动识别是首选方法，不需要目视识别来确定可疑的空气尾流 - 使用已知敌对特征的数字识别可用于确定唤醒是否为敌对无人机系统 。程序识别使用飞机的地理位置、方位角时间和飞行路径 - 通常使用空中任务命令和作战图形来确定敌人是敌是友。

决定。在此阶段，将做出两个决定。首先，确定是否需要交战（交战规则、地缘政治局势、战术形势等），其次，确定如何拦截威胁。如果操作员识别出空中航线是敌对的，它就会决定使用动能或非动能武器来拦截已识别的威胁。评估每种威胁的方位、高度、射程和速度，以确定是否需要使用适当的武器以实现最高效和最有效的交战。

失败。操作员在此阶段中识别的敌对尾流上成功实现动力学或非动力学效果。拦截的视觉或数字确认是用于确定此阶段的积极或消极影响的方法。如果恶意唤醒未被销毁，操作员将使用额外的资产，直到威胁被消除或影响到预期目标。

四、手动参与的挑战

前线区域防空指挥与控制是美国陆军目前的任务指挥系统，它为检测、识别和操作动能和非动能消除效应提供了网络架构。自 1989 年以来，国防部 一直在使用前沿区域防空指挥和控制。前沿区域防空指挥和控制系统目前在识别、确定和消除阶段使用手动交战流程，严重阻碍了有效和高效地消除敌人威胁，尤其是在只有几秒钟的时间做出决策时。操作员必须手动查询每个雷达尾迹，并针对敌对目标单独手动处理每个防御系统，这非常耗时且容易出现人为错误。

前方区域防空指挥与控制 （FAADC2） 用户界面提供通用航拍图像。（照片由 Northrop Grumman 提供）

这种手动过程会干扰快速发展的战斗场景所需的同时交战。通过花时间进行手动交战，UAS 集群可以不受阻碍地攻击和穿透防御。基地防御运营中心 操作员在处理多个无人机系统攻击、潜在的友军空中交通、武器系统之间的转换、其他威胁的评估以及当前的交战管理时，经常面临任务饱和和人为错误的可能性增加。前线区域防空指挥和控制系统要求操作员手动接合，这分散了操作员对关键空中航迹识别的注意力，并进一步加剧了人为错误和击败无人机系统的效率低下。提高威胁性无人机系统的攻击速度以及使用地形掩蔽来逃避雷达的早期检测，进一步降低了手动方法的有效性，并导致反无人机系统拦截的成功率降低。

五、C-UAS 任务指挥系统发展建议 - 人工智能的识别支持

应将人工智能集成到作战指挥系统中，以提高探测敌方空中轨迹的作战效率。这种集成通过提供持续的分析功能来协助操作员调查基地防御区域内的空中轨迹。AI 的优势在于它能够从过去记录的数据中分析和识别模式。反无人机任务指挥系统应将先前记录的威胁数据存储在基于云的秘密存储库中，并通过 AI 识别系统实现战区范围的访问，以人类操作员无法达到的速度和准确性集成空中轨迹数据。

AI 能够识别和识别威胁性的空中轨迹并快速提醒人类操作员，从而降低任务饱和度，并允许操作员保留最终识别尾流的权限。将 AI 整合到尾流识别中可以提高操作员识别的准确性，减少识别威胁所需的时间，并增加提醒地面部队注意迫在眉睫的威胁所需的时间，从而维持战斗力。

机器学习算法在识别阶段发挥着关键作用，它通过分析基于物理的雷达尾流数据、全动态视频和其他形式的检测数据，增强了任务指挥系统的能力，帮助操作员随着时间的推移识别敌对和非敌对空中航迹。机器学习算法提高了 AI 提醒操作员威胁性尾流的能力，同时还允许操作员根据感知的数据特征识别看似友好的踪迹。

如果人工智能和机器学习算法没有集成到任务指挥系统中，基地防御作战中心将只能像人类操作员一样运作，无法充分发挥系统的潜力。无法从 AI 和机器学习工具中受益的人类操作员处于劣势。此外，无人机系统还存在无法成功破坏敌对尾流以防止其击中预定目标的风险。人类可以手动询问和识别，但他们无法以与 AI 相同的准确性、速度和一致性执行任务。

六、自动参与：通过 Decision 和 Elimination 阶段

为了解决当前手动前沿区域防空指挥和控制交战流程的局限性，美国陆军在确认操作员处于敌对空中尾流后，应在确定和消除阶段引入自动化流程。随着自动化的结合，前线区域防空指挥和控制系统以适当的方式自动参与，直到威胁被消除。

这种自动交战功能显著缩短了交战响应时间，使操作员能够专注于识别威胁和避免空域碰撞，同时系统选择和监控最有效的拦截方式，从而消除人为错误。此外，反 UAS流程保留了人机协同，并确保人类参与发射决策。自动交战消除了人工操作员执行手动选择单个尾流、发射拦截导弹以及针对每个评估的威胁发射陆基方阵武器系统或托盘化高能激光器的多步骤顺序过程的需要。

在自动决策和消除功能中，操作员在人工监督下进行人工确认的敌对尾流，而反无人机系统决策和消除系统能够使用多个武器系统同时应对多种威胁，以实现真正的联合防御火力能力。自动消除能力增加了 UAS 拦截，缩短了交战时间，显著减少了人为错误，并大大增加了击败 UAS 集群攻击的可能性。

自动交战的批评者可能会指出，操作员需要手动交战已识别的威胁，以确保系统在武装冲突法和交战规则范围内运行。。然而，这些担忧在反 UAS过程的识别阶段得到了缓解，在这个阶段，人类将威胁判断为敌对和直接的机器干预。我们建议，除非操作员确认这是恶意唤醒，并且允许系统参与（人在环与人在环），否则不会启用恶意唤醒。

七、UAS （C-UAS） 的未来：基于 AI 的自动化识别、决策和消除

AI 使人类操作员能够利用雷达的全部功能在拥挤的空域中识别多个尾流。威胁识别的唯一限制是雷达能够检测到试图逃避或掩盖特征的 UAS。人工操作员仍然可以手动询问唤醒，并保留将唤醒分类为友好或敌对的最终权限。决策和消除阶段的自动化通过在人类确认空中尾流为敌对后实现 UAS 的自主同时参与，提高了反 UAS任务指挥系统的有效性。

通过基于云的存储库存储和实时数据融合，通过先进的机器学习算法随威胁的“战术、技术和程序”而发展，自动化系统可以评估被人工操作员标记为敌对的空气尾流所构成的威胁级别。他们将能够决定适当的应对措施，例如采用拦截导弹等动能系统或调用电子战对策。这种自动化不仅节省了宝贵的参与时间，还减轻了人工操作员的负担，使他们能够专注于识别和监督威胁。

八、加强您应对未来战争的能力

美国陆军应该立即将机器学习和自动化集成到前沿区域防空指挥和控制 任务指挥系统的识别、确定和消除阶段。通过利用当今可用的自动化、人工智能和机器学习技术，任务指挥系统可以适应当前在战斗中观察到的威胁并从中学习，从而提高无人机拦截的成功率。

商用车技术的类似进步正在导致配备人工智能和机器学习的车辆的出现，以实现自动驾驶功能。在 AI 和机器学习技术的支持下，车辆可以从周围环境中学习并通过存储库实时访问数据，以改进决策、学习对对象进行分类并提醒操作员。国防部内部也存在自动化流程技术。看看美国海军的 Aegis Combat System 舰艇就知道了。我们必须应用新兴技术来发展工业时代的系统，以便以战斗的速度进行创新。

通过自动化实现的威胁识别时间缩短、拦截能力提高和准确性提高，为对抗新兴的无人机技术和威胁提供了战术优势，尤其是那些针对战略资产、部队集中和高优先级位置的技术和威胁。随着对手不断创新其无人机系统，部署无人机系统，包括喷气动力 Shahed-238UAS，操作员将需要几秒钟来正确检测、识别、确定和击败敌对空气尾流。美国陆军需要领先于威胁，而不是等待适应。

九、结论

自 1989 年以来，前沿区域防空指挥和控制任务指挥系统在应对空中威胁和管理空域方面发挥了关键作用。然而，与当前在乌克兰、伊拉克和叙利亚战场上观察到的“战术、技术和程序”相比，当前系统中使用的工业时代手动交战流程在效率方面构成了挑战，并最终威胁到士兵的生存能力。

通过整合人工智能、机器学习和自动化技术，前线区域防空指挥与控制 系统超越了对手的威胁能力，提高了其击败反无人机系统的能力。自动交战将操作员置于循环中，能够以仅靠人工操作员无法执行的战术和技术决策速度对 UAS进行联合武器防御。

不推进反无人机系统任务指挥系统和维持手动反无人机流程的风险使不道德的国家和非国家行为体能够以相对低成本/高回报的权衡在冲突连续体中与美国竞争。正如最近在中东发生的事件所见，不道德的国家和非国家行为者能够使用低成本无人机系统对美国军队进行精确打击，这对在战略层面产生影响的力量构成了风险，并危及我们的国家利益。

在大规模作战行动中执行任务的风险是从港口到部队前线的编队耗尽。在数字时代缺乏速度和精度的干预能力将无法阻止对物流节点和战斗力的大规模破坏，作战部队指挥官将需要更多资源才能达到理想的军事最终状态。将 AI、机器学习和自动化纳入对抗 UAS是一项高度优先的计划，需要立即采取行动，以便在这种快速发展的威胁环境中领先于对手。

目录

一、术语定义

二、人机交互

三、反无人机 （C-UAS） 系统流程

北京红山智云科技有限公司

地址：北京海淀区红山口8号
座机：010-62401160
手机：18511651170（微信同号）
网址：www.hongshanzhiyun.com

激活数据价值，让防务更智能
10大数据库，100大子库
100W+外军开源情报，全网首发

更多请关注

红山智云旗下媒体