DARPA提高自主性的建模仿真新方法

人们对未来战争充斥大量无人作战已经深信不疑，但对于如何利用建模仿真加速推进无人系统的研制，却了解并不多，他们不熟悉限制现代自主系统潜力的各种因素。

针对这个问题，DARPA近期开展了多个颠覆性创新项目，其本质是需要回答一个问题：如何提高自主性的建模仿真新方法？

考虑到现实世界中的训练费用，自主性是通过建模仿真学习的。一般来说，它是这样的：

• 创建了一个需要自主性的预期平台模型。

• 该模型在尽可能真实的环境中进行各种模拟，以生成训练自主系统做出正确决策的数据。

• 在充分训练模型后，将这些学习转移到物理系统中并进行测试，以确保训练有效。

国防部平台高保真环境中的训练模型有时需要几个月甚至几年的时间。此外，当面对现实世界中未知的情况/观察时，自主性变得脆弱。这种脆性被称为模拟到真实（模拟到真实）间隙。例如，一架无人机从密集的城市移动到沿海环境，会遇到一个截然不同的观测空间。

与商业自主系统不同，如仓库机器人或在使用地理围栏的受控环境中运行的自动驾驶汽车，军事系统有更多的未知变量。例如，飞行动力学可能会关闭，照明条件可能会发生变化，而且通常不可能精确地模拟对手在现实世界中的行为。

与高保真模拟的传统智慧相反，DARPA的理论是，利用共享语义（例如，参与规则）在不同的低保真模拟中学习和转移自主性，可以使自主性从模拟更快地转移到现实中，甚至可能早在同一天，而不是传统方法的几周/几个月。

此外，从复杂/逼真的模拟转向抽象和不精确的模拟，可以使系统更好地适应动态环境中快速和不可避免的变化。

从不精确和抽象模型到自主技术的转移计划旨在开发快速的自主转移技术，以实现对动态环境中快速和不可避免的变化具有鲁棒性的当日自主性，并适应各种平台和领域。

DARPA项目经理Alvaro Velasquez博士表示：“以高保真度对所有事物进行建模，使AI代理能够过度适应模拟的动态。”。“当你进入现实世界时，没有什么看起来与你建模/模拟的完全一样。我们希望在各种平台和领域实现普遍的自主性。”

该程序将测试低保真度模拟可以以更高的速度和规模生成数据的理论，引入泛化而不是记忆的可能性。

“我们的愿景是在非常多样化和抽象的模拟中学习自主性，”Velasquez说。“我们将把这种自主性转移到我们多样化的平台和环境中，并探索相反的方向。一旦我们收集了这些现实世界的经验，我们将探索如何完善我们的抽象、模型、模拟和语义表示，以建立一个反馈环，实现更稳健的迁移学习。”

根据数字孪生战场实验室建模仿真小组的分析，大家熟悉的AFSIM、AWSIM和OPSIM等仿真工具，并不适应未来战争高节奏持续改进的需要，因此，创新建模仿真颠覆性技术，成为DARPA引入数字孪生体、AI/ML和数据科学等的基本理由。

近期即将发布的《建模仿真白皮书》是数字孪生国防系列最后一本，很好总结了美军在该领域的各项创新举措，展现面向未来战争需要的建模仿真创新生态。