仿真在智能自主系统中作用研究

摘  要：为提高科研人员执行军事活动的效率，越来越多的操作系统嵌入了基于人工智能技术的智能功能，这些功能的开发和部署依赖于系统的全生命周期使用模拟。常用于C2系统的AI技术研究定义了表征AI和模拟技术的类型，从而在面板中确定最具代表性的25个对子{AI;Simulation}，并针对这些对子中的每一个提出技术建议，解决模拟接口、模型、体系结构的加速演变以及对真实性的需求。本文提出通过改进路线图的方式完成基于操作系统的AI要求的虚拟和建设性两类模拟。

关键词：仿真；表征AI；体系结构；高真实性

一、情况介绍

能够促进人工智能（AI）算法开发的仿真工具随着其在操作系统中越来越多地被使用而产生了新的需求。例如，在将协同作战算法应用到下一代陆地或空中交通工具之前，开发协同作战算法，特别是对这些交通工具的物理和行为模型进行逼真模拟，用于执行机器学习模型所需的海量决策支持、地形理解、图像识别、人机对话等功能。在将这些AI算法集成到实际条件下的操作系统之前完成模拟验证、验证和预认证。

本文通过研究仿真对智能自主系统的贡献，特别是定义或确定适合开发此类系统要求的仿真方法和技术，促进“人工智能与大数据”特别是人工智能技术应用案例研究的延伸。通过识别和分析最可能的模拟示例来描述需求以开发操作系统中存在的人工智能机制；提出并比较几种解决方案，为任务中确定的模拟资产提供技术建议；详细定义两个最具代表性的模拟解决方案以构建路线图。

二、操作系统中基于AI开发的仿真需求特征

通过研究智能自主系统示例，确定模拟机制的用途，以便帮助开发人工智能机制。

（一）对所研究案例的分析。

的某项研究样本中，满足需求的149个案例中有114个来自“人工智能与大数据”研究、35个来自法国海军“人工智能”工作组的补充研究。对所有的案例进行详细的分析，得出几乎所有的系统都使用了不同领域的非常多样化的AI技术的组合。通过分析，我们也能得出在每个案例中包括异常检测或数据识别等由AI技术组合执行的“智能”功能，以及在案例开发周期中用于或可能用于协助开发这些AI技术的模拟功能。其中，在149个案例中有52个不需要使用任何模拟手段，主要原因有两点：一是这些算法的设计必须基于已经存在的真实数据，二是这些算法的验证需要在真实条件下使用操作系统。

（二）仿真技术类型的定义。

仿真技术，是一种用于开发案例所用AI技术的模拟技术，如同在军事模拟领域中使用的特征描述，区分为操作模拟和技术模拟，不同的模拟技术对应不同的模拟组件。如下图所示：

（三）确定解决方案的备选方案。

通过将案例中存在的人工智能技术类别与确定的模拟技术类别交叉比较，辅助开发相应的AI算法，从而确定解决方案和替代方案。每个案例通常会通过几种不同类别的AI来执行其智能功能，这意味着每个案例都可以与几个{AI类别;模拟类别}对应，为满足开发需要，通常在不同的开发阶段采用不同的模拟手段。

{IA;模拟}配对设计、初步测试和“AI教育”阶段 虚拟仿真 仪器化模拟 建设性模拟 数值模拟 SIL 仿真（“软件在环”） HIL 仿真（“硬件在环”） MIL 仿真（“人在环路”）

如上图所示，这两种类型的交集确定了27对{IA;模拟}，分为两组：16对{IA; Simulation}对应于模拟手段，主要用于案例开发的上游阶段（左表）开发AI机制，无论是在案例设计阶段、初步测试阶段还是称为“AI教育”的阶段”，泛指基于数据或AI算法可以生成表征的情境构建AI模型；11对{IA; Simulation}对应于模拟手段，主要用于案例开发的下游阶段（右表）中的AI机制进行验证、确认和鉴定。

三、方案比较

研究任务2的目标是分析27种解决方案，由16对子{人工智能; Simulation}上游阶段和11对下游阶段，为每个分析的解决方案的模拟提出具体技术建议列表。从与一个或多个对子{AI;相关联的面板中选择了12个特征案例Simulation}，以确保技术建议的具体性，并作为其应用的示例。该选择基于一组易于评估的标准，具体包含案例中存在的AI机制的多样性、案例的成熟度以及每个案例的已知信息量。

（一）在AI算法开发中的应用对仿真的影响。

每个对子{IA;建议解决方案Simulation}对应一个模拟用于开发属于该对中相应AI类别的算法时的建议列表。为使建议更加精准，首先列出对模拟机制可能的修改，以使其满足需要；其次我们将这些潜在影响分为5类：①模拟的接口，它可增强包含AI机制的应用程序的运用，主要是通过提供非常大或易于修改的API开放接口，可以更轻松地将模拟与案例互连。②模拟的加速能力，在模拟快速的大量场景时需要与实时比较x10数量级的“适度加速”，为此可以利用一个像通过机器学习算法之类的具有更高加速率的模拟。③仿真模型，为适应AI算法的开发需求，可通过降低详细程度以加速数据生成或者通过增加详细程度的方法来获得更高的真实度，以对模型的详细程度进行参数化。④软件或硬件架构，验证模型（例如生成数据）以及学习构建的模型时，会对其软件或硬件架构产生影响，此时需要有一个基础设施来并行计算，从而在不降低模型质量的情况下加速模拟。⑤模拟操作代表性，模拟或人工智能算法生成的数据与实际操作数据相比，在实施场景及其生成的情况方面更有代表性。

（二）25个选定解决方案的技术建议。

对子{IA;与“以人为中心的AI技术”相关的模拟}不能生成足够具体和具有代表性的两个相关案例，推荐表应重点介绍与该对相关的特征案例，以及用AI机制的图像生成器说明“IA BD 103-自动地理”如何使用。另外，通过{IA;关联的面板的其他用例列表，Simulation}对和要处理的难点，实现将模拟（此处为虚拟模拟）用于AI机制开发（此处为正式的技术）。

四、模拟演化在人工智能中的作用

任务3的目标是通过以路线图的形式展现模拟的演化来详细定义阶段2中的解决方案。

（一）选择要研究的两个解决方案

根据使用模拟开发AI机制时可能遇到困难的严重程度的不同，从任务2中的25个备选方案中选择两个解决方案，以此完成对每个方案的评估。评估时，根据必须进行修改时产生的影响的重要性级别确定多个标准，以匹配AI算法。多个标准中，最主要的标准是“模拟的速度”和“模拟模型的精细度”，一方面，模型越精细则运行所需要的时间会越长，因此在开发AI算法时必须把模拟速度作为重要指标，目的是在有限的时间内通过数千次模拟运行找到最佳解决方案；另一方面，仿真模型的精细度可以确保在模拟的逼真环境中构建和验证智能自主系统。次要标准是“操作现实主义”和“界面复杂性”。

（二）“虚拟仿真”路线图。

虚拟仿真是一个通过使用精细的仿真模型来获得能够快速生成代表所研究领域的大量图像、视频等数据的仿真，以辅助开发自主智能系统开发上游阶段的以数据为中心的学习技术。如，对于典型案例“IA BD 103：自动地理参考”这种快速发展的虚拟模拟，需要通过大量地理定位图像来收集基于神经网络的系统的数据。

仿真的目标是构建一个包含具有不同细节级别的模型、用于构建这些模型的工具和用于选择它们的界面的多分辨率虚拟架构。该架构包含一些参数化的不同模型，通过模型实现所谓的增量学习，学习的第一阶段使用增量模型，学习的最后一段使用精细模型。同时，需要将一些服务的工具集成到这个新的模拟架构中，用于验证仿真模型以及这些模型生成的数据的代表性。最后，通过模拟生成的所有类别的数据改进现有标准并提出与用于图像的标准类似的新标准。

（三）路线图“仿真建设”。

建设性模拟问题，是一个在上游开发以环境为中心的自主智能系统的发展阶段可以获得能够将非常高的执行速度与生成的数据的强大操作真实性相结合的模拟问题。

构造性仿真的目标是构建一个多分辨率构造性仿真，其中包含具有不同细节级别的模型、构建这些模型的工具和选择它们的界面。在将建设性模拟及其多分辨率版本集成到目标架构中之前，可以研究几种并行化解决方案将不同的模拟模型激活为服务，并参数化这些模型的详细程度。这种双重能力可以帮助我们实现渐进学习，在早期阶段可以先使用较粗略的场景和模型进行学习，然后在后期学习阶段再对其进行细化。

最后，为实现模拟和AI机制之间的特定交流，路线图还需要通过将验证模拟模型的工具和验证这些模型生成的数据的代表性的工具集成到这个新的模拟架构中，提出互操作性标准的扩展。

五、结论

开展基于使用模拟技术类型学和专门为研究构建的人工智能技术类型学工作，是实现使用人工智能机制表征操作系统的通用方法。通过分类实现以25份技术建议表的形式建立适合每个AI类别开发的模拟解决方案，并确定每个方案在AI机制开发中的权重。

路线图的每项任务都可分解成一项研究、测试，随着AI的发展，将会有更多的AI机制在操作系统中被使用，虚拟和建设性模拟的演变亦可用于满足其他人工智能需求，并为其他5个领域建立新的路线图。由此得出，这两个路线图是基于相对相似的方法、接口和架构基础，因此，不同路线图之间可以相互借鉴，触类旁通，完成多种类别的仿真。