智能化|智能化无人系统集群将改变未来战争格局( 二 ) 智能网联|数字政通|无人驾驶

2014年，美国国防部对顶尖大学的研究人员提供了资助，旨在创造一种新的信息收集策略，使自主无人系统能够做出长远的明智决策，而非追求短期利益。为了应对这一挑战，Pappas和他的团队最初设计了一种坐标下降算法形式的新方法，即无人系统依次执行行动规划。在这种方法中，第一个无人系统以最大程度地减少不确定性的角度规划自己的运动，然后与团队中的第二个无人系统共享此信息。第二个无人系统在制定自己的计划时会考虑第一个系统的行动计划，从而保证自己不会朝着第一个无人系统规划的方向前进。然后第二个无人系统将信息传递给第三个无人系统，第三个无人系统会考虑前两个系统的计划。
加州大学圣地亚哥分校电气和计算机工程学院助理教授、DCIST项目首席研究员Nikolay Atanasov表示，之所以称为“坐标下降算法”，是因为每个无人系统就像一个不同的坐标，“下降”是因为通过一次处理一个无人系统来最大限度地减少不确定性。研究团队证明，即使在最坏的情况下，这种分散式规划也将至少达到集中式规划最佳性能的50%。
兼顾探索性与经济性的“分布式局部搜索算法”
分布式局部搜索建立在“坐标下降方法”的基础上，将能源和降低不确定性之间的权衡考虑在内，这是大多数信息收集算法往往忽略的现实任务中的关键要素。研究团队希望无人系统更具探索性，以便这些系统能够作为一支团队来获取信息并减少不确定性，同时也希望无人系统能够节约资源（电量或耗费的时间）。分布式局部搜索算法能够以可扩展的方式在众多无人系统组成的集群内实现了探索性和经济性的平衡，这是DCIST项目的关键创新点之一。
借助分布式局部搜索，单个无人系统会定期与队友进行交流，并在团队内其它无人系统获得有关周围环境的更多信息时为团队推荐更明智的行进线路。在每次集群会话期间，无人系统会根据其对环境的了解来评估提议的动作，并确定未来行动的能量成本是否会超过潜在的信息增益。一旦所有无人系统达成一致，集群就会迅速采用更新后的团队计划。集群产生的解决方案在物理上更容易实现，也更有意义。这一前沿领域研究的不仅是如何让无人系统团队从一个地方移动到另一个地方，还包括如何让这些系统了解环境、对手和彼此。
DCIST研究人员进行了一项计算机模拟以说明分布式局部搜索背后的强大功能。在模拟演示中，地面和空中无人系统被放置在一个一半泥泞不堪一半伴有强风的环境中。地面无人系统在泥泞的一侧必须消耗更多的能量，而空中无人系统则会在有风的一侧消耗更多的能量。一旦配备了分布式局部搜索算法，随着时间的推移，该算法逐渐找到了将空中和地面无人系统分别分配到最适合其运动的区域中的解决方案，即地面无人系统学会了在有风的一侧搜索目标，而空中无人系统则学会了留在泥泞的一侧。相比之下，就近搜索算法只会设法使信息增益最大化，而没有考虑泥泞和风况等运动成本。
正如团队合作对士兵们在战场上成功完成任务起着至关重要的作用一样，无人系统集群在任务期间共同制定和修改计划的能力是陆军的一项重要技术优势。这种革命性的人工智能行为框架可能会引领大规模无人系统团队的发展，这些团队将能够快速适应意外的任务威胁并智能地规划适当的应对措施。智能化自主系统在高度动态的情况下协同规划的能力将为陆军在日益复杂的任务和作战环境中使用无人系统团队创造机会。对于美国陆军而言，分布式局部搜索等解决方案仅代表DCIST这一项目推动下所实现的技术突破的冰山一角。