无人系统8：基于机器学习的网络控制系统

导读：为了更好配合第三届数字孪生体挑战赛（DTC 2021），数字孪生战场实验室准备了100个无人系统案例，计划用100期案例分析发布在数字孪生体挑战赛公众号。本案例为系列之八，介绍了网络控制系统的创新应用。

网络控制系统（NCS，Network Control System）是指挥控制中重要应用，引入机器学习将大大改善该系统的运行效率和效果，甚至取得难以想象的作战成效，这是美国海军开展该创新项目的根本原因，它设计了新型的架构体系。

给定有限的具有运动能力的移动系统、通信和传感器，如何支撑军事任务的完成呢？

该项目的解决方式是为网络控制系统开发高级自治能力，通过在操作的所有阶段为最佳NCS配置输入任务相关的信息，包括任务前的计划等。

从方法论来看，使用自适应子模块的机器学习技术，能够开发近乎最优的网络控制系统拓扑，以支持竞争沿海城市环境的实时、混合主动任务目标。

之所以能够实现这样的目标，主要原因如下：

‒ UAV/USV/UUV/USG的组合可用于支持同时执行的任务。

‒ 这是一个动态环境，需要对网络拓扑进行一致评估。

‒ NCS 架构的一个必要组成部分是评估并提出建议以提高性能。

通过加入机器学习能力的网络控制系统，自适应子模块性提供了一个潜在的实时框架，用于确定移动、异构无人（和有人）系统的网络组的适当配置，这是在网络控制系统的创新应用。

由于结合传感器信息、车辆动态和网络状态以及通信限制，这种方法提供了比以前更强大的解决方案。

在具体研发过程中，应确定资产的适当组合和定位，以支持多种混合计划任务场景。同时，还应该开发功能模块，实现近乎实时地评估，将网络控制系统拓扑调整为动态环境，满足提高性能的要求。

作者：吴海军，数字孪生战场实验室研究员

* 系列文章，未完待续。