NPS 开发 AI 解决方案，使用高能激光器实现无人机防御自动化

快速阅读: 据《国防视觉信息分发服务》称，海军研究生院（NPS）开发了一种基于人工智能的解决方案，利用高能激光自动防御无人机。该方案通过自动化激光武器系统（LWS）的跟踪系统，提高了对敌方无人机的评估和中和能力。研究团队生成了包含数千张无人机图像的数据集，并使用AI训练模型。该模型已在实验室验证，并在海军水面战中心达格伦分部的实地测试中得到应用。这一进展有望提升海军的作战效能和决策优势。

海军研究生院开发了利用高能激光自动防御无人机的人工智能解决方案。照片由丹尼尔·莱纳汉拍摄。箱式测试范围（RIAB）包含一个大型抛物面反射镜和其他光学组件。在右上角，有一个3D打印的小型无人机模型安装在一个万向架上，使其能够沿飞行的三个旋转轴调整姿态：滚转（绕x轴）、俯仰（绕y轴）和偏航（绕z轴）。位于加利福尼亚州蒙特雷的海军研究生院提供专注于国防领域的研究生教育，包括涉密研究和跨学科研究，以提升海军作战效能、技术领导力和作战优势。海军研究生院成立于1909年，为国防部的军人和文职人员以及国际伙伴提供硕士和博士学位课程，通过高级教育和研究培养创新领导者并提供变革性解决方案。

激光使美国海军能够以光速作战。配备人工智能（AI），舰载防御激光系统可以进行快速、准确的目标评估，这对于当今复杂且快节奏的作战环境至关重要，在这种环境中，无人机已成为日益严重的威胁。为了应对由廉价无人自主系统（UAS）或无人机迅速增加所带来的威胁，美国海军研究生院（NPS）的研究人员和合作者正在应用AI来自动化激光武器系统（LWS）所使用的跟踪系统的关键部分。通过改进目标分类、姿态估计、瞄准点选择和瞄准点保持能力，LWS评估并中和敌方无人机的能力大大提高。增强决策优势是我们的目标。LWS的跟踪系统需要遵循一系列苛刻的步骤才能成功地对抗敌对无人机。当由人工操作员执行时，这些步骤可能耗时较长，尤其是在面对大量无人机的蜂群时。加上对手的导弹和火箭以高超音速飞行带来的挑战，努力部署适当的防御措施变得更加复杂和紧迫。

定向能和AI都被视为国防部的关键技术领域。通过自动化和加速使用AI增强的LWS进行无人机目标定位的过程，来自NPS、海军水面战中心达格伦分部、洛克希德·马丁公司、波音公司和空军研究实验室（AFRL）的研究团队开发了一种方法，让操作员在环路中监督跟踪系统，而不是手动控制它。“防御一个无人机不是问题。但是如果有多个无人机，那么发射价值数百万美元的拦截导弹就会成为一个非常昂贵的选择，因为这些无人机本身非常便宜，”NPS机械与航天工程系杰出教授布里杰·阿格拉瓦尔说，他领导着NPS团队。“海军有几个LWS正在研发和测试。LWS发射成本低廉但建造成本高昂。但一旦建成，它们就可以持续发射，每发只需几美元。”

为了实现这一级别的自动化，研究人员生成了包含数千张无人机图像的两个数据集，然后对这些数据集进行了AI训练。这产生了一个经过实验室验证并在达格伦转移到其LWS跟踪系统上进行实地测试的AI模型。这项研究由联合定向能过渡办公室（DE-JTO）和海军研究办公室（ONR）资助，涉及CNO NAVPLAN中引用的先进AI和定向能技术应用。

在典型的敌对无人机交战过程中，雷达首先进行初始检测，然后将接触信息传递给LWS。LWS的操作员利用具有宽视场的红外传感器开始追踪无人机。接下来，高倍率和窄视场的高能激光（HEL）望远镜继续追踪，其快速转向反射镜保持对无人机的锁定。视频屏幕上显示着远处无人机的图像，操作员将其与目标参考进行比较，以分类无人机类型并识别其独特的瞄准点。每种无人机类型都有不同的特征，其瞄准点是该特定无人机最容易受到激光火力攻击的位置。除了无人机类型和瞄准点确定外，操作员还必须识别无人机的姿态，即相对于LWS的相对方向，这是定位瞄准点所必需的。操作员查看屏幕上的无人机图像，以确定指向LWS的方向并发射激光束。长距离和大气条件会对LWS和无人机之间的图像质量产生不利影响，使所有这些识别工作更具挑战性和耗时。在完成所有这些准备工作后，操作员不能简单地将计算机化的十字线移动到屏幕上并按下射击按钮，就像操作动能武器系统一样，比如高射炮或拦截导弹。虽然激光以光速移动，但它们不会像科幻电影中那样瞬间摧毁无人机。激光越强大，它在给定时间内输送的能量就越多。要加热无人机以造成灾难性损坏，激光必须一直发射。但有一个问题。如果无人机转向而激光束没有相应调整，最初瞄准的位置将不再受热。在这种情况下，激光的能量会被分散到一个较大的区域，而不是集中在某一点。这个过程被称为瞄准点保持。

2016年，NPS研究团队完成了高能激光束控制研究测试台（HBCRT）的建设。HBCRT设计用于复制船上LWS的功能，例如从2014年到2017年在USS庞斯号（LPD 15）上运行的30千瓦XN-1激光武器系统。早期，HBCRT在NPS被用于研究自适应光学技术，以纠正因大气条件导致的激光束质量下降问题。后来，诺斯罗普·格鲁曼公司制造的最先进的变形反射镜的加入使得NPS研究人员能够进一步研究深湍流的影响。多年来，有15名硕士生和2名博士生通过他们的跨学科研究为HBCRT的硬件和软件做出了贡献。美国海军中尉雷蒙德·特纳（2022年获得航天工程硕士学位）和雷文·希思（2023年获得航空工程硕士学位）的研究成果也为这一研究做出了贡献。特纳帮助将AI算法集成到HBCRT中用于瞄准点选择和保持，希思则使用深度学习研究AI目标关键点估计。目前，HBCRT也被用来创建无人机图像目录，以制作真实世界的数据集用于AI训练。由波音公司建造的HBCRT拥有一个直径为30厘米的精细跟踪HEL望远镜和一个粗略跟踪中波红外（MWIR）传感器。当它们耦合在一起安装在一个大型万向架上时，可以同时上下左右移动。“MWIR是热成像的，”NPS机械与航天工程系研究助理教授金在俊说，他专攻光学束控制。“它观察的是中波红外信号，与目标的热信号有关。它具有宽视场。万向架移动以锁定目标。然后通过望远镜看到目标，望远镜具有非常小的视场。”

1千瓦的激光束（大约相当于一间教室激光笔功率的一百万倍）可以从望远镜发射。如果使用激光束，它是由一个独立的外部单元产生的，然后导向望远镜，望远镜再将激光束投射到目标上。然而，它的使用对于HBCRT的初步研究开发并不是必要的，这使得工作可以在实验室里轻松进行。通过短波红外（SWIR）跟踪摄像机，望远镜可以记录几英里外的无人机图像。尽管这是必要的，但在小型实验室中复制远处无人机的视角是不可能的。为了解决这个问题，研究人员将AFRL制造的3D打印钛微型无人机模型安装在范围盒（RIAB）内。在光学平台上构建的RIAB通过使用一个大抛物面镜和其他光学组件准确地复制了几英里外的无人机飞行。这项研究使用了一个迷你型死神无人机模型。当望远镜拍摄到无人机模型的SWIR图像时，它看起来就像是在看实际的全尺寸死神无人机。无人机模型连接在一个带有电机的万向节上，这些电机可以沿着滚（x）、俯仰（y）和偏航（z）三个旋转飞行轴改变其姿态。这允许望远镜观察无人机模型方向的实时变化。简而言之，姿态就是望远镜“看到”的无人机在其直线视线中的方向。无人机是迎面而来还是飞离，是在爬升还是俯冲，是在转弯还是平飞，或者以其他方式移动？通过测量特定姿态下无人机模型关于x、y和z轴的角度，可以精确定义并记录无人机的姿态。这一重要测量被称为姿态标签。

NPS的教员莱昂纳多·埃雷拉、金在俊和布里杰·阿格拉瓦尔最近在《机器视觉与应用》期刊上发表了详细描述数据集和AI训练的文章。洛克希德·马丁公司使用计算机生成创建了包含100,000张图像的合成数据集。使用NPS的HBCRT和RIAB创建的实际世界数据集包含77,077张图像。“我们需要大量的数据，包括不同的背景、太阳强度、湍流等因素。这就是为什么使用AI时，需要大量的工作来创建数据。而且数据越多，保真度越高，”阿格拉瓦尔说。

为了AI模型，生成了三种不同的AI训练场景，并进行了比较，以确定哪种场景表现最佳。第一种场景仅使用合成数据集，第二种场景使用合成和实际数据集，第三种场景仅使用实际数据集。由于数据集及其各个数据条目的巨大规模需要巨大的计算能力来进行AI训练，研究人员使用了配备四个Tesla V100 GPU的NVIDIA DGX工作站。NPS运营着许多NVIDIA工作站。2024年12月，为了继续推进基于AI的技术，NPS与NVIDIA建立了合作关系，成为其AI技术中心之一。“一旦我们生成了一个模型，我们就想测试其性能如何，”阿格拉瓦尔说。“假设你有一个包含100,000个数据的数据集。我们将用80,000个数据进行训练，然后用20,000个数据进行测试。一旦它在20,000个数据上表现良好，我们就完成了训练。”

美国海军中尉亚历克斯·胡克是一位肖姆克学者，最近从NPS获得了航天工程硕士学位，并成为一名学生飞行员，他参与了测试AI模型的姿态估计。“一种提高模型在3D空间中预测UAS姿态可靠性的方法是检测所谓的分布外数据，”他说。“有多种方法可以判断一张图像是否可信，或者是否属于分布外数据。”通过将测试数据图像输入到现有的AI模型中，然后将AI模型输出的姿态与测试数据图像的姿态标签进行比较，胡克可以不断训练和优化AI模型。目前与阿格拉瓦尔合作的是NPS空间系统工程专业的美国海军中尉尼古拉斯·梅西纳，他去年毕业于美国海军学院，主修航空航天工程，并成为一名鲍曼学者，毕业后将进入核海军职业路径。“我的论文在某种程度上偏离了我与人工智能和光学的工作方式，但阿格拉瓦尔博士和埃雷拉博士都非常棒，”梅西纳说。“我的研究专门针对光学湍流预测和分类。我用大型图像数据集训练我的AI模型，并致力于提高模型预测图像中波前的准确性。”

自动基于图像的无人机识别和分类面临的最大挑战之一是姿态模糊。这发生在实际无人机在远处的姿态与一个或多个其他姿态无法区分的情况下。因为LWS将远处飞行的3D无人机视为红外光谱中的2D图像，无人机形状的特征实际上会消失在轮廓中。例如，直接迎面飞来的无人机轮廓看起来与完全相反方向飞离的无人机轮廓相同。研究人员通过引入雷达提示解决了AI模型的姿态模糊问题。雷达跟踪数据可以揭示无人机是接近、撤退还是以其他方式移动。在AI训练中，无人机图像的姿态标签被用来模仿真实的雷达传感器输出。团队还开发了一种单独的方法来模拟雷达数据并提供雷达提示。

总体来说，仅使用真实世界数据集训练的AI模型表现最佳，产生的误差最少。负责NPS AI实验室并在机械与航天工程系任教的莱昂纳多·埃雷拉说：“达格伦拥有我们的模型，该模型是在HBCRT室内收集的数据集上训练的，并辅以合成数据。他们可以使用无人机收集实时数据，并在此基础上创建新数据集进行训练。这被称为迁移学习。”在NPS将继续在其他条件下和针对其他类型的无人机创建更多数据。仅仅因为AI模型已经在Reaper上进行了训练，并不意味着它对其他类型的无人机也可靠。但在AI模型可以部署之前，我们必须首先将其集成到达格伦的跟踪系统中。

“我们现在已经在跟踪系统中实现了实时运行模型，”达格伦的成像科学家埃里克·蒙塔格说，他领导着一个开发了当前由高能激光远征（HELEX）使用的LWS跟踪系统的小组，HELEX是安装在陆基演示器上的LWS。“今年内，我们计划演示跟踪框架内的自动瞄准点选择作为概念验证，”蒙塔格补充道。“我们不需要发射激光来测试自动瞄准点功能。已经有项目——HELEX就是其中之一——对这项技术感兴趣。我们一直在与他们合作，并从他们的平台上使用我们的跟踪系统进行射击。”

当实地测试进行时，HELEX将从雷达提示开始跟踪，并使用姿态估计自动选择瞄准点。HELEX的跟踪系统将是半自主的。因此，操作员将从旁监督，而不是手动控制跟踪系统。除了LWS之外，这项研究还为整个舰队的其他用途打开了可能性。其他平台上的跟踪系统也可能从这种类型的AI增强自动化中受益。在船载防御可能受到大量无人机、导弹和火箭威胁的时候，提高识别敌我及对抗敌方威胁的效率可能会成为提升决策优势的关键因素。

(以上内容均由Ai生成)