现代无人系统在多大程度上真正实现了自主？在俄乌冲突中，人工智能对提升无人系统的自主性有多大作用？如何将军事无人系统从雄心勃勃的理论概念转变为实用的、人工智能赋能的战场工具？哪些技术、作战和战略方面的障碍仍然阻碍着完全自主作战的实现？
美国战略与国际问题研究中心（CSIS）在2025年3月发布的题为《乌克兰当前人工智能自主作战能力与未来愿景》的报告中探讨了这些问题。该报告分析了乌克兰在无人系统方面的创新部署，评估了人工智能在提升复杂环境中作战效能方面的作用。该报告首先回顾了乌军在军事战略和技术发展方面的更广泛愿景，明确了自主性和自主武器系统（AWS）相关主要定义，最后概述了乌军对未来战场的短期和长期展望。
基于对当前技术尚无法支持完全自主任务的认识，此份报告描述了人工智能在情报、监视与侦察（ISR）、自动目标识别（ATR）以及自主导航这三项关键功能上的应用进展，展示了这些发展如何推动战场向更高程度的人工智能赋能自主性迈进。
报告的每一部分都分析了人工智能面临的主要挑战，阐述了人工智能在应对这些挑战中的作用，并提供了案例研究，以说明人工智能在具体情境中的实际应用。此外，报告还总结了在每个功能领域中吸取的主要经验教训和呈现的发展趋势。
01
乌军的战略愿景与技术路线图
1.1 自主性相关概念
首先，明确数字化、自主性和自主武器系统（AWS）的定义非常重要，特别是不同行为体（包括乌克兰和美国军队）对这些术语的理解并不总是一致。图1展示了这些定义相互交叉和关联关系。
图1 数字化、自主性以及自主武器系统之间的关系
数字化：数字化是指在整个军事生态系统中战略性地采用先进信息技术解决方案、安全网络和用户友好界面。这种基础基础设施有助于实现高效行动，改进决策能力，并在现代战场上提供显著战略优势。尽管数字化是军事领域所有后续技术进步的基础，但本文的研究范围更为聚焦。
自主性：在军事背景下，自主性是指系统在复杂多变的环境中独立或在最少监督下完成目标的能力，自主性以数字化为基础。
自主武器系统：自主武器系统是自主性的一个更专业的子集。根据美国国防部指令3000.09的定义，自主武器系统是一种一旦启动，无需人类进一步干预即可选择和攻击目标的系统。
数字化是自主性更广泛发展的基础，而自主性最终为自主武器系统等先进应用铺平了道路。
乌克兰目前尚无“自主性”或“自主武器系统”的正式立法或政策定义。乌克兰方面常常将这些术语与无人平台或配备基本自主功能（如导航或瞄准）的平台混用。尽管这些系统可以在没有直接人类控制的情况下运行，但它们通常无法独立完成寻找、选择和攻击目标的整个过程。鉴于这种差异，本报告采用广义的自主性概念来研究人工智能应用，而不是仅仅关注自主武器系统。
1.2 乌军核心目标：利用自主系统取代战场上的人类
在技术方面，乌军将“使作战人员远离直接战斗”视为塑造未来战场的核心目标。这一目标并非空想，而是乌克兰武装部队的生存必需。俄军在人数上拥有巨大优势，而乌克兰在人力资源、训练资源以及作战人员准备时间方面都面临着重大挑战。
此外，人类作战人员存在固有弱点，包括疲劳、易受恶劣天气条件影响以及心理压力。这些人为因素会严重影响作战的可持续性和战斗力，这进一步凸显了在战场上提高自主性的战术和战略必要性。
众多乌克兰军事和工业官员反复表达了这一共同愿景，尽管它尚未形成书面战略。然而，指挥官们就这一愿景已达成广泛共识，并且已经在指导采购重点、软件部署（如全面态势感知和火力校正软件）、以及将无人系统融入部队和当前行动的工作。
1.3 战场转型路线图：乌克兰推进人工智能赋能自主性的渐进方法
战略层面：乌军的长期战略将人工智能赋能的自主系统与实时态势感知相结合，这是实现其主要目标的关键一步。这种方法旨在整合来自多个情报源的数据，借助人工智能快速进行分析，并维持每个自主系统都能访问的实时作战态势图，从而即时共享友军和敌军行动信息。
虽然乌军目前设想采用“人在回路中”的模式，必要时允许操作人员接管自主武器系统，但其长期目标是，只要能提高作战效能，就在战场上尽可能扩大自主性。这一愿景涵盖了从情报收集到目标处理全流程的所有功能，而人类的干预仅限于交战决策。
目前，技术发展的理想与现实之间仍存在巨大差距。尤其是人工智能，存在诸多问题，阻碍了其更广泛应用。持续存在的技术限制——从恶劣天气条件下的简单传感器故障，到跟踪快速移动或伪装目标困难，迫使乌克兰国防工业和军队采取渐进式方法，稳步推进。
为应对此问题，乌军首先调整了其指挥控制体系，并将无人系统与传统武器系统（如火炮）整合到单一杀伤链中。乌克兰国防制造商协会“科技力量”（Tech Force in UA）的主任米哈尔科透露，设想中的单一杀伤链会通过统一指挥系统将侦察和打击无人机与火炮整合到一起。乌军此举的目的并非要完全取代传统火炮，而是使用小型攻击无人机对侦察无人机识别和跟踪的较小目标进行精确打击。这些小规模攻击会消耗更大、更重要目标的防御力量，使其在后续决定性的火炮打击中失去保护。
向全自主军事系统过渡的第二步是开展并测试完全由无人平台执行的行动。乌军已经开始对这种方法进行作战实验。2024年12月，乌军在哈尔科夫以北的利普齐附近进行了首次全无人作战行动。此次攻击行动出动了数十辆无人车（UGV）和第一人称视角（FPV）无人机，没有步兵参与。配备机枪和弹药的无人车执行扫雷和直接射击等任务。FPV无人机从空中提供支援，形成了协同多域攻击。攻击结束后，幸存无人系统撤回乌克兰阵地。
此次战术空地协同行动成功摧毁了俄军阵地，展示了乌克兰利用消耗性技术弥补人力不足的创新方法。尽管此次行动被称为冲突演变中的“开创性时刻”，但机器人系统仍需人工操作。此次行动使乌克兰朝着实现其未来战场愿景又迈进了一步，未来战场将越来越多利用人工智能赋能的自主能力。
技术层面：乌克兰及其国内产业在实现战场自主性方面采取了有机方式。这一过程并未遵循既定正式战略，而是在对手的竞争压力、市场动态、地缘政治因素以及外国出口管制等诸多因素的共同影响下逐渐发展起来。
推动这一转变的技术发展可总结为三项并行发展的关键趋势。这些趋势催生的系统不仅灵活、经济高效，而且能适应各种任务需求，并配备支持自主性的人工智能软件。
趋势 1：乌军广泛采用小型FPV无人机作为平台，通过模块化设计可快速适应各种任务
乌克兰本国制造的中小型FPV无人机是乌克兰战场上除商用现货无人机外最常用的平台。乌军虽使用了这些商用无人机，但无法直接影响其技术发展。相比之下，许多FPV无人机由当地创新者生产和改进，因此成为本报告分析的重点。
乌军对无人机（包括FPV无人机）的分类方式与美军不同。乌军不是按照尺寸、重量或飞行高度等类别进行划分，而是根据结构配置（例如四轴飞行器或固定翼）、有效载荷能力，以及最重要的螺旋桨直径对无人机进行分类。在2022年俄乌冲突开始时，直径为7英寸的螺旋桨FPV无人机最为常见，因为它们易组装、电池较小且供应充足。但随着时间的推移，对更重有效载荷和更长飞行距离的需求不断增加，使得乌军开始部署体积更大的9~10英寸四轴飞行器，如今这些飞行器在乌克兰的行动中占据主导地位。
FPV无人机不仅尺寸越来越大，功能也变得更加多样化。如图2所示，通过添加或更换特定组件，基础型四轴飞行器平台可以适应不同任务。这种模块化方法使同一平台能够携带各种有效载荷并承担不同角色，使FPV无人机成为执行多种行动的灵活解决方案。
图2 用于各种任务的FPV无人机类型
趋势2：乌克兰国防工业正在开发可集成到多种平台的独立软件，以逐步扩大战场自主性
在向更先进的无人机硬件转变的同时，乌克兰国防工业也在软件工程方面投入了大量精力。这种方法的核心是创建模块，即独立于任何特定硬件平台开发的电子和软件组件。如图3所示，这些模块通常由一个嵌入软件的芯片（有时还配有一个摄像头）组成，通常其体积比一块肥皂还小。它们支持关键的自主功能，如环境感知、目标识别，以及在无需直接人工飞行控制的情况下接近目标的能力（即“最后一公里导航”）。
图3 实现自主功能的模块示例
通过采取“每次专注于一项专业功能，然后将该功能作为独立产品提供”的模式，乌克兰的国防工业公司和初创企业可以使其模块在更广泛的系统中运行。这些系统包括各种尺寸的FPV无人机、地面车辆，甚至是安装在炮塔上的武器。这种方式为实现更广泛的自主性铺平了道路，因为每个模块都提供了一种可以集成到更大的多功能平台中的独特能力。本文后续章节的案例研究中提供了此类模块和公司的示例。
趋势 3：乌克兰优先扩大和本地化国内无人机生产，提高自给自足能力
根据乌克兰国防部长乌梅罗夫的声明，2024年乌克兰国内无人机产量大幅增长，这反映出乌克兰越来越重视扩大和本地化无人机生产能力。2024年，乌克兰国防工业公司制造和组装了超过150万架FPV无人机。此外，他们还生产了其他先进平台，包括攻击型四轴轰炸机（quadcopter bombers）、自杀式无人机、翼式侦察无人机和远程纵深打击无人机。总体而言，乌克兰在2024年生产了约200万架无人机。值得注意的是，2024年乌克兰武装部队使用的所有无人机中，96.2%是国内生产的，这表明乌克兰越来越依赖国产技术，生产组件也实现了本地化。
自2022年2月以来，乌克兰已列装超过200种国产无人机系统和40余种地面机器人平台。这些新系统大多在2024年投入使用，这表明当地制造业正在适应战争条件，并建立了可靠供应链。具体而言，仅在2024年前9个月，就有140种无人机综合系统（含设计和独特配置）和33种地面机器人系统获批投入使用。这些发展表明，乌克兰在战略上致力于提高自给自足能力，降低供应链风险，并确保乌军能够迅速适应不断变化的现代战争需求。
综上所述，乌克兰战略上对自主性的重视，反映了其未来战场转型愿景，在未来战场上，先进的人工智能赋能无人系统将取代人类直接进行战斗，以解决人力限制和作战弱点问题。通过整合模块化软件开发和扩大国内生产，乌克兰不仅能够应对战争的紧迫挑战，还可为未来自主战场环境奠定基础。
02
人工智能在情报、监视与侦察中的应用
俄乌冲突与以往的全面冲突有很大不同。这种差异的关键因素包括前线传感器所未有的普及、无人系统的广泛部署，以及数据源和数据量的指数级增长。这些因素与先进数据处理和分析技术相结合，构成了自主作战范式的一部分。在这种范式中，实时态势感知将为机器提供在作战环境中有效行动所需的战场环境认知能力。
Delta系统每天为乌克兰军方情报源提供数十TB视频、照片、声音和文本数据流。经过处理后，这些数据会返回前线，但此时是以详细的信息形式呈现，包括敌方位置、装备、行动和活动，并标注在数字地图上。几乎每个单位的指挥官甚至士兵都能通过手机或平板电脑上的统一作战图看到这些信息。
2.1 情报、监视与侦察当前面临的挑战
如前所述，设想中的未来战场与实际情况有很大差异。在情报、监视和侦察方面，有三个主要因素阻碍了乌克兰军方期望的未来自主作战范式的实现：
人类处理能力限制：现代侦察系统，尤其是无人机，生成的数据量之大，速度之快，超出了人类的处理能力。某些任务，如在高空无人机影像中检测小目标或解析微弱的声学信号，对人类分析师提出了巨大挑战。疲劳、注意力下降和工作效率降低都会增加遗漏数据中重要信息的风险。
数据处理延迟：人工数据处理本质上非常耗时，导致情报分发和作战决策出现显著滞后。在此情况下，几乎不可能实现实时响应，导致任务无法快速执行。
多源数据合成的复杂性：将来自不同来源的信息（包括图像、信号和其他类型情报）进行整合和集成，对军事分析师而言是一项复杂任务。成功的整合需要将各种数据流整合为连贯的预测和可执行建议。在真实战争条件下，由于多个团队甚至不同的外部公司都在参与数据流分析，这项任务极具挑战性。
2.2 人工智能如何应对这些挑战
尽管存在上述限制，但它们是能够克服的，数据可以快速处理为高质量的情报信息。人工智能能够近实时处理大量多源数据。在广泛的人工智能赋能能力组合中，有多种方法和系统可以帮助应对各种挑战，从在无人机图像中检测敌方装备到解析不同格式的非结构化文本数据。
表1总结了主要的数据类型、处理这些数据所涉及的任务，以及用于实现这些目标的人工智能技术。后续章节将对这些技术进行更详细解释。
表1 ISR情报源和人工智能的作用
2.2.1 图像和视频
乌军接收的图像和视频数据包含多种格式和质量各异的图片、视频和目标。传统高空情报主要依赖卫星图像，随着商业领域技术和服务的普及已取得显著进步。其情报来源既包括谷歌地球（Google Earth）这样的开源平台，以及包括Maxar Technologies、Planet Labs和Capella Space等公司提供高分辨率图像的低轨卫星。
除传统卫星图像外，乌克兰最近还获得了两层新的高空情报。这两层情报均通过执行情报、监视与侦察任务的无人机获取。第一层由高空侦察无人机收集，乌克兰私营公司在2014年乌东冲突后开始生产此类无人机。在2022年俄乌冲突爆发后，它们迅速为乌军提供了广泛的高空侦察能力。第二层图像来自商用无人机和乌克兰国产情报、监视与侦察无人机在低空执行的短期任务。
所有卫星和无人机图像都需要处理、分析和标注。基于机器学习的计算机视觉是许多人工智能驱动的视频和照片分析系统的核心。它通过深度学习算法有效解决了在视觉数据中检测和分类目标的挑战。通过识别军事装备或武器等目标，这些算法为目标跟踪和图像标注等其他任务奠定了基础。
为了处理视频的空间和时间特性，通常主要使用两种类型的神经网络：3D卷积神经网络（CNN）和循环神经网络（RNN）。CNN通过分析时空模式，捕捉目标或动作从一帧视频到下一帧的演变，而RNN则跟踪和解释序列数据，使其在识别特定运动或重复活动等任务中非常有效。利用这些方法训练机器检测目标，不受目标姿态或角度变化的影响，与人类识别目标的方式类似。
实时处理使目标识别任务变得更加复杂，因为它要求每秒分析30帧或更多帧。由于每一帧都包含数百万像素，这项任务的计算需求很高，导致此类视频处理成本高昂。
案例研究1：乌克兰国防部进行的人工智能辅助无人机图像分析
第一个案例研究展示了乌军如何利用人工智能系统，在可用资源有限条件下尽可能多地提取有用信息。在2022年俄乌冲突开始时，一个志愿者团队（后来发展成为乌国防部Delta系统项目中的“复仇者”团队）开始开发一种视频和图像分析平台。当时，俄罗斯军事装备在大范围机动，乌克兰武装部队迫切需要跟踪敌方行动，并识别俄罗斯装备的类型和位置。
为了满足这一需求，“复仇者”团队最初从主要道路和高速公路沿线的固定摄像头收集并标注影像。然后，他们使用这些数据训练人工智能模型，使其能够识别各种目标，通过元数据确定地理位置，并提供有关俄军行动的关键洞察。
然而，当俄军从乌克兰北部撤退后，战斗转变为更传统的战场形态。俄军装备在大多数地区停止自由机动，这导致固定摄像头拍摄的影像（及根据其训练出的模型）变得不那么有用。该团队转而接收并分析无人机拍摄的影像，这带来了新挑战，例如视角、分辨率和目标大小的变化。此外，需要分析的影像数量急剧增加。“复仇者”团队不得不改变方法，重点构建人工智能训练基础设施，例如使用结构化和标注的数据集，为外部人工智能工具开发创建安全测试环境，并与Delta生态系统中的其他产品进行集成。
为将人工智能集成到无人机影像分析过程中，“复仇者”团队采取了以下步骤：
（1）标准化标注实践：2022年，尚无企业解决方案能够分析无人机影像并对俄军装备进行分类。这就要求该团队开发人工智能模型来协助分析师进行标注。然而，这些模型需要在大量相关数据集上进行训练。因此，创建人工智能训练数据集成为向人工智能转型的第一步。
数据集标注是一项劳动密集型任务，需要大量人力。由于乌国防部内部资源不足，则由包括志愿者和私营部门团队在内的各种团体协助其进行数据标注。为了确保一致性，“复仇者”团队引入了正式的标注标准和协议。这些指南概述了在数据集标注过程中需要考虑的参数，如分辨率、季节变化、元数据和其他相关因素。
鉴于此，“复仇者”团队创建了一种遵循标准化标注规范的“通用军事数据集”，使数据集保持统一性与标准化。该数据集数据量足够大，能够使人工智能模型实现较高的准确性，并且可以进行筛选，以生成适用于各种用例的更小、更专用的数据集。
（2）创建验证数据集：为了评估人工智能模型的性能，该团队创建了独立的验证数据集，其内容与通用军事数据集不重叠。例如，如果某一模型训练用于检测某一型号的俄军坦克，验证数据集将包括该坦克的颜色变化、伪装隐藏在灌木丛中的坦克图像或覆盖有反无人机网的图像。这种方法使模型能够准确评估误报情况，并提高模型的总体可靠性。
（3）开发小型专用人工智能模型：实际操作经验表明，更小的专业化模型在无人机影像分析准确性方面比单一综合人工智能模型高得多。因此，“复仇者”团队和外部团队开始开发多个小型模型，每个模型都针对特定数据类型（例如，特定无人机影像和卫星图像）进行定制。这种方法提高了针对不同作战场景的准确性和相关性，尤其专注于人眼难以识别和人类易忽略的情况：低分辨率和低质量影像中的小目标。
（4）促进外部人工智能模型训练：“复仇者”团队允许通过审查的开发人员在安全环境中使用通用数据集的部分内容训练其模型，而不会暴露敏感数据。例如，无人机制造商可以请求与其产品特性（如特定飞行高度、摄像头类型或分辨率要求）相匹配的无人机影像，并在平台的受保护环境中训练其算法。
（5）实现实时影像自主分析：该平台与一种名为VEZHA的直播系统集成，VEZHA是Delta生态系统的一部分，旨在分析实时无人机影像。虽然人类操作员仍执行大多数分析任务，如对事件进行分类和记录，但人工智能模型性能的提高以及与流媒体服务的集成，使得人工智能辅助分析的作用越来越大。此类分析可能包括两个主要用例：
· 实时分析：在此场景下，人工智能算法根据可观察到事件（如激烈战斗或大规模部队和装备机动）的数量和强度对视频进行优先级排序。相对空旷区域侦察任务的无人机视频流优先级较低。VEZHA还支持多个操作员同时观看同一视频流，并共同记录检测到的事件（如坦克位置、被摧毁的车辆和炮击）。然后，这些事件会与数字地图关联（如通过Delta监视器），并辅以截图和详细信息，以提供更全面的态势感知。
· 事后分析：VEZHA系统仅对最具挑战性的影像（如低分辨率或高空拍摄影像）启动事后分析。由于人工智能辅助分析需要消耗大量计算资源，系统会优先处理难度较大的图像，而不是那些本身清晰度较高的图像（例如由低空飞行无人机拍摄的图像，图像中的目标对人类来说更容易分辨）。因此，自动化检测资源保留用于最需要它们的场景。
案例研究2：Vector情报、监视与侦察无人机系统
量子系统公司（Quantum Systems）是一家总部位于德国、业务遍及美国和澳大利亚的无人机技术企业，近期在基辅设立了新的分支机构。自2022年3月以来该公司一直在对其系统进行测试，并向乌克兰提供这些系统。该公司最初只是捐赠了几架Vector无人机系统并专注于培训乌军，如今已迅速发展为大规模合作伙伴关系，目前已部署了500多套系统。
Quantum Systems的Vector无人机在乌军打击任务中执行情报、监视与侦察任务。作为敏捷侦察装备，其负责定位目标并将精确数据传输给更大型的打击无人机，例如乌克兰制造的Nemesis无人机。这种协同作战确保了高效的火力支援和火炮校正。针对普遍存在的GPS干扰问题，Quantum Systems采用光学导航技术和Silvus抗干扰软件提供的先进数据链路予以应对。该系统能够在某个频率受到干扰时，自主扫描并切换到备用频率，确保关键任务通信。
Vector无人机设计的标志性特点是其模块化架构。其可更换的机头整流罩和成像系统允许根据任务需求进行定制。这些无人机配备了昼夜可用的Boson摄像头，并搭载英伟达Jetson Orin人工智能计算机，即使在GPS拒止情况下，也能收集高分辨率图像并进行实时处理。
Quantum Systems正在部署Receptor AI，这是一种先进的软件包，使无人机能够自主执行目标识别任务。这些算法仍在开发中，它们将利用乌克兰的数据集进行训练，以确保更好地适应真实战斗环境。
尽管在人工智能方面投入大量资金以提高自主性，Quantum Systems仍然强调保持人类操作员在决策回路中。该公司表示，这种人类监督应确保即使技术不断进步，道德考量、战略目标和最终决策仍直接由人类控制。
2.2.2 声学侦察
声学侦察是指利用声音收集情报和监测环境。它并不是一个新概念，人们几十年来已经以各种形式使用这一技术，包括从二战期间的潜艇声纳系统到用于探测飞机或炮火的预警系统。
然而，集成人工智能可通过实现声音的自动化精准快速分类和识别，彻底改变这一领域。人工智能技术使声学侦察系统能够实时处理音频数据，从而能够检测和区分仅靠人类听力难以识别的声音模式。
人工智能驱动的声学侦察所使用的技术与视频图像分析中使用的技术几乎相同。它使用先进的机器学习技术和神经网络，如卷积神经网络（CNN）和循环神经网络（RNN）来分析音频信号。这些神经网络经过训练，从声波中提取特征并进行相应分类。借助深度学习增强的频谱图分析等工具，系统能够可视化和解译声学信号，区分无人机、车辆、脚步声，甚至特定的环境噪音。
案例研究3：Zvook声学侦察系统
以下关于Zvook声学侦察系统的案例研究阐述了乌克兰在实际中如何应用这些技术。乌军对声学探测系统的使用，不仅显著提升了情报、监视与侦察能力，还增强了防空能力。雷达在低空区域的探测效果较差，而Zvook则可通过声音分析有效探测和识别低空飞行的空中威胁。它使用高质量麦克风和曲面声学反射镜来汇聚声波，并通过放置在反射镜后面的鞋盒大小的计算机处理捕获到的声音。目前，Zvook通过其网格状部署的声学传感器，覆盖了乌克兰约2万平方公里的区域。
与雷达相比，这些系统成本更低，每个站点成本约500美元。它们也是无源的（即不发射可被探测到的信号），对低空飞行的无人机特别有效，对无人机的探测距离可达4.8公里，对巡航导弹的探测距离为6.9公里。Zvook处理数据速度很快，探测结果通常在12秒内就能显示到Delta态势感知系统中，误报率仅为1.6%。其共享的信息包括目标类型、声音、位置和运动方向。
Zvook的声学分析人工智能能力源自与乌克兰科技初创公司Respeecher的合作。Respeecher在战前致力于为好莱坞开发人工智能语音生成技术。Respeecher的人工智能算法，尤其是那些基于机器学习的算法，能够分析传感器捕获的声学信号。
首先，人工智能驱动的分析会从所有其他声音（如汽车声、鸟声和人声）中筛选出潜在空中威胁。然后，人工智能系统经过训练，能够根据声音特征对不同类型的空中威胁进行分类。例如，它仅通过声音就能区分直升机、巡航导弹、汽油发动机驱动的无人机和涡轮螺旋桨飞机。
最新一代的声学传感器和人工智能模型具备了能够检测声源方向（包括方位角和仰角）的新能力。这意味着多个传感器现在可以协同工作，利用来自不同位置的交叉方位角信息来精确确定目标坐标、航向和速度。从本质上讲，这将该系统转变为一种无源声学雷达，提供了一层新型探测能力，形成对现有雷达系统的补充。Zvook系统的卓越性能使得雷达主要在收到声学警报后才启动。许多雷达系统默认处于关机状态，以避免发射信号，防止引发俄军攻击。Zvook帮助乌军雷达只在优先情况下才开启。
当新型无人机或其他武器系统出现时，Zvook团队大约需要一周时间收集足够多的数据集，用于训练人工智能模型识别其声音。随后，声学站的软件会进行远程升级，以便所有传感器都能识别新威胁类型。
2.2.3 文本信息分析
乌军获取的大量文本数据主要来自三大类来源：一是截获的俄军通信被转化为文本的内容；二是乌军内部用于信息交流的聊天消息；三是平民通过聊天机器人应用程序提交的报告。
处理基于文本的情报是人工智能的另一核心优势领域。自然语言处理（NLP）及相关机器学习方法能够筛选海量的消息、聊天记录和截获的通信内容，提取重要情报信息。命名实体识别和主题建模等技术可以识别重要信息，如姓名、地点或关键事件，并突出那些可能被忽视的模式。通过快速交叉验证多源数据，这些由人工智能驱动的系统能在地图上提供地理定位信息，显示敌方装备或部队位置和行动。因此，这些基于文本的信息源成为了另一层数据，对于增强实时态势感知同样具有重要价值。
案例研究4：ePPO防空系统
ePPO是一款移动应用程序，它利用人工智能收集和分析民众上报的关于导弹和无人机等空中威胁信息。用户需先通过乌克兰政府的Diia应用程序进行身份验证，方可使用该程序。验证通过后，用户可以通过选择目标类型（无人机、导弹、飞机或直升机）并按下一个大红色按钮来发送警报，上报其观察到的空中威胁。
人工智能会处理这些数据，估算威胁最可能的轨迹，并预测其方向和速度。乌克兰国防部副部长切尔诺戈连科称，该过程确保数据能在2到7秒内传送到数字地图，所有防空部队军官都可以访问该地图。切尔诺戈连科在社交媒体上发文强调，该系统显著增强了乌克兰抵御无人机和导弹攻击的能力。
该应用程序的一个独特功能是所谓“威胁正在朝你袭来”，这是一个个性化告警功能，如果威胁可能危及用户所在位置，就会向用户发出告警。这一告警是基于人工智能赋能的数据融合和飞行轨迹预测发出的。在收集数据大约10分钟后，人工智能会向用户提供威胁移动的大致坐标，使其能够及时采取预防措施。目前，ePPO应用程序下载量已超过60万次，有20万活跃用户为联合雷达系统提供数据。ePPO代表了在利用众包数据和人工智能增强防空能力、保护平民免受持续冲突影响方面的重大进展。
案例研究5：Griselda数据分析平台
Griselda是一个由人工智能驱动的非结构化数据处理系统，可以针对多种用途进行定制。Griselda常被称为乌克兰版Palantir（一家专注于大数据分析的美国公司）。该公司创始人特普卢欣分享了这项技术的两个典型应用案例，它们在很大程度上使用了相同的底层方法。
第一个应用案例是分析群聊，以获取可供行动用的情报。在2022年俄乌冲突爆发之初，作战人员主要通过群聊或Signal等即时通讯平台分享情报信息。尽管拥有更先进的通信系统（如Delta）和专门的军事通信渠道，但一些基础平台至今仍被广泛使用。某些渠道每天会收到数千条消息，其中常常包含非结构化和非标准化战场报告，比如发现俄军装备的信息。但如此大量的碎片化数据会让前线作战人员不堪重负，如果没有技术解决方案，几乎不可能及时提取关键信息。
第二个案例涉及对从多个来源截获的俄方音频通信内容的管理。传统上，处理如此庞大的音频数据集需要投入大量人力资源，包括配备众多分析师的大型呼叫中心，这些分析师负责转录、理解和提取相关细节。这种方法不仅劳动强度大，还容易出错，限制了其效率和可扩展性。
为应对这些挑战，Griselda与乌克兰军方在这两个案例上展开合作，借助人工智能实现了流程自动化。该系统在关键功能上取代了人工操作，如转录、语义分析以及从截获的对话中识别实体和关键数据点。此外，人工智能构建了本体图谱（ontological graphs），能够在海量数据集中进行模式识别和语义关联。这些图谱使分析师能够发现人类人工无法洞察的信息和关系。特普卢欣称，通过此类工作流程的自动化，人工智能估计可减少99%的人力需求。从作战角度看，这一突破大大提高了情报信息处理的速度、准确性和效率。
重要的是，Griselda与Delta系统的集成确保所有情报信息能在整个指挥链中即时分发。这些信息随后会在地图上可视化呈现，实现向相关人员的无缝分发，包括部署在发现可疑活动区域的无人机操作员。通过引导无人机前往指定位置，这些操作员可以验证情报，并在必要时收集更多细节，从而增强态势感知和提高作战效率。
2.3 经验教训
利用人工智能进行初步数据筛选和优先级排序，能够优化实时情报处理的资源配置。通过自动筛选大量传入信息，如来自侦察无人机的多个视频流，人工智能系统可以标记出需要立即处置的关键内容。这种方法有助于分析师团队将有限的带宽和处理能力用于最相关数据上。
对军事数据集的整理和标注进行标准化，能够提高人工智能模型开发的效率和灵活性。采用一致的协议对输入数据（从无人机数据到卫星图像）进行标记和管理，有助于为不同的人工智能应用分离相关参数，并筛选出较小的数据集。军方和私营部门团队可以在此方面展开合作，确保有结构完善的数据集可用于专门的训练和更准确的模型部署。值得注意的是，这种标准化大多是自然形成的，并非由某个标准化委员会或组织推动。
构建专业化小规模人工智能模型，能够更有效应对特定作战挑战。可利用大型数据集的特定子集训练小型专业化人工智能模型完成特定任务，而不是依赖单一综合性模型。这种方法不仅能实现更精确的问题求解，还能简化模型训练过程，使解决方案更适应不断变化的任务需求。
2.4 发展趋势
乌克兰军方迫切需要将所有无人侦察系统集成到态势感知和火力校正平台中。乌克兰军方期望，无论用于战术还是战略行动，任何规模和领域的无人情报、监视与侦察系统制造商，都能将相关数据输入共享情报系统（如Delta）。这一需求有助于确保所有侦察行动共同构建全面的实时作战态势图。
乌军正转向采用人工智能赋能的实时多传感器融合技术，以增强态势感知能力。通过整合无人机图像、卫星照片、声学信号和文本信息等数据，乌军能够创建持续更新的作战态势图。这一转变增加了先进数据融合技术需求，确保人工智能工具能够从每个数据源中快速提取信息，并将其融合为一幅统一的通用作战态势图。
人工智能系统正在超越基本数据分析功能，发展成为在整个目标交战周期中为指挥官提供可供行动使用的洞察和战略建议。基于实时情报评估，这些工具不仅能标注潜在威胁，还将推荐优先打击目标，识别可用资源缺口，并确定哪些资产最适合应对特定威胁。
军事机构正在放宽对外部开发者访问审核数据集的限制，这为保持其人工智能模型的准确性和相关性提供了机会。通过允许经过批准的私营公司和研究人员在安全环境中使用政府提供的数据进行人工智能模型训练或测试，此举大大减轻了各公司在数据收集方面的负担。这些努力旨在开发一批更适应作战需求快速变化的先进人工智能模型。
人工智能赋能的实时态势感知为联合全域作战奠定了基础。人工智能赋能的数据融合技术，将来自陆地、空中、海上、太空和网络空间的情报融合为统一态势图，为执行跨域协同行动奠定了基础。同时，这也是与盟军伙伴协作执行联合行动的基础，使决策者能够快速调配资源、识别威胁并把握住战机。
03
人工智能在自动目标识别中的应用
自动目标识别（ATR）是一套用于自动检测、分类和跟踪物体或人员的技术。其核心是模式识别算法，该算法将接收到的传感器数据与一组已知模板或行为模型进行匹配，将异常特征标记为潜在目标。自动目标识别在军事领域并非新概念，但人工智能改变了其工作方式以及系统开发方式，提升了性能并降低了成本，而此前这些应用往往因成本过高而难以实现。
在实际应用中，自动目标识别遵循一种三步流程。首先，人工智能赋能的自动目标识别系统通过扫描指定区域，利用视觉和非视觉传感器数据检测目标。一旦检测到目标，系统就会通过识别该目标最有可能代表的事物来对其进行分类，例如车辆、人员或建筑物。最后，系统会跟踪每个已识别目标，持续更新其位置信息，并预测其可能移动或状态变化。这种持续监测能力在快速变化的战术场景中尤为重要，因为它能让地面作战人员实时了解潜在威胁。
本节重点介绍自动目标识别作为无人系统内置功能所发挥的作用，展示机载人工智能应用如何使这些平台更接近完全自主作战。值得注意的是，目标识别在使未来自主武器系统能够独立选择目标方面发挥着关键作用。此外，自动目标识别通常也被整合到那些不符合自主武器系统定义的系统中。
自动目标识别技术可增强实时决策能力，无论决策是由人类操作员还是系统本身执行。其基于人工智能算法和传感器融合的特性，也使其能够高度适应战场环境的不断变化，标志着在利用人工智能高效、准确且可靠地处理复杂数据方面实现了重大飞跃。
3.1 自动目标识别当前面临的挑战
尽管自动目标识别技术在现代战场上已不可或缺，但它仍然面临着巨大挑战。虽然在受控环境中表现良好，但在实战复杂动态条件下，其适应性和精度会下降。以下是配备自动目标识别功能的有人操控无人机面临的一些主要挑战：
使用诱饵和伪装：自动目标识别面临的最紧迫挑战之一，是区分真正的威胁和精心设计的欺骗手段。乌克兰和俄罗斯军队都经常部署诱饵，如充气坦克或假火炮装置，以及先进的伪装技术，导致目标识别算法和人类操作员都难以辨别。
电子战干扰：除了物理对抗措施，俄乌双方还部署了强大的电子战系统，以干扰无人机通信、传感器数据传输以及更广泛的指挥链。电子战系统会干扰实时数据传输，使无人机或其操作员难以可靠识别和确认目标。因此，自动目标识别系统必须可在通信链路降级或中断环境中运行，依靠机载处理来完成目标识别和跟踪任务。
应对低能见度和城市密集环境：自然和人为因素，如雾、雨、雪以及夜间行动，会显著降低标准光学和红外传感器效能。在此情况下，自动目标识别可能会依靠雷达或声学探测等替代方法，但这些方法本身也存在性能限制。乌克兰东部的城市环境由于基础设施密集，进一步增加了复杂性。即使是更先进的传感器、算法以及训练有素的操作员也常常会感到困惑，而乌克兰的开发者们正努力在保持精准目标识别的同时，尽量减少附带损伤。
3.2 人工智能如何应对这些挑战
人工智能在复杂作战环境中识别和跟踪目标的速度、准确性和效率方面具有显著优势。配备人工智能赋能的自动目标识别软件可直接集成到无人系统中。通过在本地独立网络中处理数据，人工智能算法可以融合多个传感器的输入，即使是在与基地的态势感知系统无法进行实时通信的情况下，也能使作战人员了解周围环境和目标情况。
人工智能赋能自动目标识别的核心能力在于能够比人类操作员更快速、准确地检测和分类目标。经过包含真实战场场景的数据集训练的先进机器学习算法，能够在各种地形和天气条件下区分车辆、人员和建筑物。这些系统可以持续运行而不会疲劳，能够捕捉到人类观察者可能忽略的细微差别，从而识别诱饵和伪装目标。
除检测外，人工智能还擅长根据威胁等级、与友军距离以及任务目标等实时变量，对多个目标进行快速优先级排序。一些乌克兰人工智能赋能自动目标识别系统采用了与情报、监视与侦察部分所述相同的技术（卷积神经网络和循环神经网络），以及强化学习等其他技术。此外，人工智能模型已经集成到无人系统机载软件中。借助这些能力，无人机可以在任务期间实时处理海量传感器数据并应用预测模型。人工智能系统可以确定威胁，并向操作员建议哪些威胁需要立即打击。因此，人工智能减轻了人类操作员的认知负担，同时确保了其能够更加迅速且准确地作出关键决策，如选择先打击哪个目标。
人工智能驱动的自主性还提高了应对敌方对抗措施的能力，尤其是那些旨在干扰通信链路和导航系统的措施。通过从“人工控制”转变为“人工监督”后，即使在操作员信号被干扰或丢失的情况下，人工智能赋能平台也能保持瞄准目标。此外，像素锁定等技术可以支持高精度跟踪，使无人机即使在操作员通信中断的情况下，也能锁定目标，这在强电子战干扰环境中是一项关键优势。
机器学习模型可为这种韧性能力提供支持，使系统能够从每次行动中学习，不断改进其应对策略。通过强化学习和其他自适应技术，人工智能可识别敌方新战术，并不断提高平台的瞄准精度。
这种迭代学习循环有助于无人机在快速变化的作战环境下保持效能，最终最大限度减少作战任务中断时间，并保护关键军事资产。
尽管这些基于人工智能的技术在乌克兰战场上仍处于早期部署阶段，目前仅限于基本的目标识别和跟踪，而非先进的预测模型或机载推荐系统，但乌克兰作战人员对它们的使用在规模和复杂度上都在不断增加。与此同时，军事部门也正在积极制定监管框架和操作程序，以促进并规范（特别是在采购方面）这些新兴系统的采用，从而为在不久的将来实现更复杂的人工智能能力奠定基础。
案例研究 6：ZIR自主套件
ZIR System公司专门开发可适配几乎任何类型攻击无人机的软件。ZIR软件的关键特性是目标自动检测的能力（这也是该系统名为ZIR的缘由，ZIR在乌克兰语中意为“视力”）。该系统包括一个硬件组件，即集成有计算机和数字摄像头的紧凑型模块，以及一个软件组件，即一个能够识别目标的预训练人工智能模型。该软件还增加了一些自主导航能力。
硬件模块大约只有一块肥皂大小，设计上能够无缝集成到各种平台，从四轴飞行器到飞机。7到10英寸的标准四轴飞行器模型已有预设配置。对于固定翼无人机，该公司只提供必要的线路和组件，制造商需要自行解决重量平衡、摄像头安装位置以及其他产品设计问题。虽然硬件集成过程看似简单，但每架新无人机仍需要进行人工调整。因此，集成ZIR套件的整个过程可能需要几周至一个月时间。
人工智能驱动的软件利用开源数据训练，能够识别多种目标类型，包括步兵、民用汽车、小型货车、卡车、防空系统、火炮、装甲车和坦克。它可以自动检测目标，并在1公里外锁定目标，同时在3公里范围内自主运行，即使在复杂电子战环境中也能稳定执行任务。其精度约为90厘米，还能攻击速度高达每小时64公里的移动目标。
该公司致力于通过开发一种能够独立飞行、检测和攻击目标的系统，以实现完全自主为目标。为推进这一目标，该公司采用了ArduPilot，这是一款用于无人载具的开源自动驾驶软件，支持自主导航、航点规划和实时遥测。借助ArduPilot，该系统可以在不依赖通信的情况下运行，上传任务指令，在指定区域内定位并消灭目标。此外，在缺乏卫星覆盖的环境中，可用光学导航代替GPS系统。这一能力已通过一次成功的三英里测试飞行得到验证，飞行器在没有GPS系统的情况下返回了起点。
ZIR System公司的另一个主要考虑因素是系统的易用性以及系统操作员培训时间。为此，该公司不断收集新飞行员的反馈，找出他们遇到的问题并加以改进。该公司还提供软件和硬件使用的视频和书面操作指南，并与无人机培训学校合作，将其系统培训纳入课程中。操作员可在一天内掌握目标瞄准系统基本原理，并通过进一步练习提高熟练度。
案例研究 7：Skydio公司的自动目标识别技术实现从消费级技术到战场人工智能的演进
Skydio团队分享了他们在乌克兰的经历。最初，他们面临的一个主要问题是其旧款无人机X2使用静态频率，极易受电子战的影响。X2最初是根据2010年代初美国军方的采购要求设计的，当时的设计是预期用于伊拉克和阿富汗等电子战挑战较小或不存在的环境，因此缺乏频率敏捷性。而在2022年俄乌冲突爆发时，这些无人机在对抗俄罗斯的干扰时遇到了困难。正如Skydio团队所警告的那样，电子战导致X2无人机出现通信故障、作战范围缩小，在乌军中声誉受损。
为了解决这些问题，Skydio团队在2022年至2024年间对乌克兰进行了30多次访问。此举有助于该团队将战场经验融入到X10D无人机的开发中。X10D无人机能够抗干扰、在无GPS信号的情况下导航，并可集成到多种指挥控制系统中，但X10D主要满足商业领域和公共安全广泛需求。然而，本案例研究的重点是其自动目标识别（ATR）方面的突破，这一技术突破成为该无人机在情报、监视和侦察（ISR）任务中发挥效能的核心优势。
自2014年起，Skydio的自动目标识别能力从最初为消费级无人机设计的简单目标跟踪功能，逐步演进为现今采用深度学习的复杂检测系统。该软件最初用于在体育赛事中跟踪运动员，后来经过改进可用于军事用途。如今，Skydio的深度学习和计算机视觉团队不断优化这些模型，提高对光电和红外图像的检测精度。X10D无人机配备了同级别中最先进的热像仪，可提供辐射红外成像功能，使操作员能够评估温度变化、检测热信号，从而判断车辆近期处于使用状态还是已被遗弃。
Skydio的视觉惯性里程计（VIO）技术进一步增强了自动目标识别能力。X10D无人机配备了六个超广角导航摄像头，每个摄像头的视角超过200度，使其能够创建用于避障的3D地图。最初，视觉惯性里程计技术仅限于在30米以下高度的飞行中使用，因为在更高高度缺乏足够的视觉特征来实现稳定导航。然而，通过利用改进的集合计算机视觉技术以及大量Skydio内部数据，Skydio将GPS拒止环境下的导航高度扩展到300米，这使得该技术在开阔战场和城市环境中的战术侦察中更具实用性。这一改进对于城市战以及在密集城市景观中的情报、监视与侦察任务至关重要，因为在这些环境中，GPS信号常常因电子战或建筑物结构干扰而不可靠。
为了最大限度发挥作用，Skydio已致力于将X10D无人机集成到乌克兰的指挥控制网络中，包括军方使用的Delta系统和其他机构系统。这种集成使得无人机情报、监视与侦察数据能够在多个单位之间共享，增强了乌军战场态势感知能力。
Skydio目前已向乌克兰交付了约1000架X10D无人机，其中许多已部署在乌克兰战场中。它们主要用于战术情报、监视与侦察任务，帮助探测、跟踪和瞄准敌方资产，包括其他无人机、地面车辆和电子战单位。X10D无人机抗干扰、可在无GPS条件下导航并可提供高保真自动目标识别数据，进而显著提高了其在无人机与火炮联合打击行动中的效能，这是乌克兰不断发展的无人机作战战略中的关键战术。
3.3 经验教训
将目标识别任务交给无人平台搭载的人工智能自动目标识别系统，在减少人为因素相关限制、提升任务成果方面非常有效。通过实现装备识别和其他目标检测过程自动化，无人机减轻了前线人员因疲劳、压力或技能不足而产生的负担。这一转变使操作员能够专注于更复杂、更高级别的决策，最终提高作战效率和态势感知能力。
乌克兰无人机制造商优先开发可与任何无人平台集成的专业化自主能力。这些公司围绕完善独立自主能力（如人工智能赋能的自动目标识别功能）构建核心商业模式，旨在确保这些能力能够无缝应用于各种无人系统，从而加速该领域的整体技术进步。
乌克兰工程师利用开源技术和现有的计算机视觉模型，加速研发并降低成本。通过整合现成的软件解决方案（包括开源计算机视觉框架），开发人员能够更快创建和部署自动目标识别系统。这种经济高效的策略对于可消耗或一次性平台尤其具有吸引力，因为在这些平台上，降低单位成本和开发成本比高度定制化解决方案更具优势。
3.4 发展趋势
配备自动目标识别系统的无人机在实战中展现出卓越效能，促使乌军开始采购更多具备自主能力的无人机。2024年，在认识到自动目标识别技术的作战优势后，乌军开始采购10000架具备人工智能增强自主能力的无人机，这标志其在更广泛采用先进自主系统方面迈出了早期一步。尽管这一采购数量仅占2024年订购的近200万架无人机的一小部分，但它标志着乌克兰在向自主能力和性能更强平台迈进方面迈出了重要一步。
为无人机配备可负担得起的机载计算机，使人工智能模型能够进行实时目标识别。通过将低成本处理器直接安装到无人机硬件中，乌军能够部署紧凑型人工智能模块，这些模块无需依赖大量外部处理即可识别目标。这种方法降低了延迟，节省了带宽，并提供了更大作战灵活性，特别是在连通能力或远程计算能力可能受限的环境中。
采用只需较小数据集的人工智能训练技术，简化了无人机任务中的目标识别过程。训练人工智能算法通常需要海量高质量数据，然而，专为较小数据集设计的新型模型能够实现更快速开发和适应。这种高效性使得即使在某些目标类型全面训练数据有限的情况下，也能更快部署自动目标识别功能。
为应对诱饵和伪装等不断演进的对抗手段，乌克兰工程师持续对模型进行升级，并频繁使用更新后的作战数据进行再训练。随着对手采用创新方法躲避探测，自动目标识别模型必须不断用真实世界数据进行优化。定期更新不仅能使人工智能保持时效性，还能降低因地方新战术导致误判的风险，确保在不同战场条件下都能稳定识别目标。
自动目标识别系统的模块化集成方法，扩大了该技术在各种无人平台上的适用性。例如，当炮塔配备自动目标识别系统时，其瞄准和射击精度会大幅提高。这些炮塔又可以安装在卡车或无人车上，拓宽其作战用途，增强总体任务多样性。
04
人工智能在自主导航中的应用
虽然无人机追击俄军士兵的画面以及动辄价值数百万美元的装备损毁评估可能会吸引公众关注，但这些并不能完全体现其中的复杂性。乌克兰前线操作员透露，大多数小型低成本第一人称视角（FPV）无人机的任务成功率仅为10% ~15%，即使是技术娴熟的操作员，成功率通常也只能达到30%~50%，而“最后一公里导航”系统可大幅提高任务成功率。
在乌克兰军方，“最后一公里导航”特指无人机在进入可视范围且操作员确认目标后，引导其完成最后进近阶段的机制。虽然最初“最后一公里”解决方案设计为集成功能，但现在已经作为独立系统进行采购，可以安装到各种无人机平台上。尽管其集成需要进行某些硬件升级，如加装紧凑型计算芯片或将模拟相机更换为数字相机，但这些改造相对简单，为实现更自主的无人机作战提供了灵活途径。
4.1 自主导航当前面临的挑战
无人机打击任务成功率较低，反映出几项关键挑战，这些挑战可归纳为四类：
人为因素：操控FPV无人机需要与操控消费级无人机有很大不同的一套专业技能这。FPV无人机需要精确手动控制俯仰、滚转、偏航和油门，容错率极低。一系列压力因素会进一步加剧操控难度，包括2~3秒的信号延迟、恶劣天气条件以及目标快速移动且不可预测。无人机操作员必须在面临战场威胁（如被发现和遭受反击的风险）所带来的压力下，迅速适应这些变化因素。这些因素综合起来会大大增加操作员失误的可能性，也凸显了“最后一公里”自主导航的重要性。例如，如果目标在快速移动的车辆上，仅信号延迟这一因素就可能意味着需要依靠“最后一公里”自主导航（有时也称为“末端导航”）才能成功实施打击。
电子战：电子战始终是无人机作战面临的一个持续存在的威胁，俄乌双方都部署了先进干扰和欺骗技术。干扰是指在特定频段（通常用于无线电控制或GPS）上发射大功率电磁能量，压制合法信号，从而切断无人机与操作员之间的通信链路。一旦无人机失去导航或位置数据，除非其机上有备用能力，否则几乎无法操控或监测。
俄军电子战部队主要采用两种策略。第一种是局部保护“气泡”，这是一种便携式设备，可在高价值资产周围约200~300米半径范围内干扰信号，在无人机最后进近阶段将其挫败。第二种策略是远程干扰，依靠大型发电机和专业设备在更大范围内实施干扰。虽然局部干扰仅影响有限区域，但这两种方法都对依赖持续遥控的无人机构成了巨大挑战。
值得注意的是，乌军电子战行动有时会加剧这些困难。据乌克兰无人机部队指挥官苏哈列夫斯基上校称，在共享空域中，友军干扰经常影响乌克兰无人机，给操作员带来了更多复杂性。
无线电波物理特性：无线电波传播的物理限制是另一个挑战。无线电视距传播（地形或建筑物等障碍物会中断信号）可能会使无人机与操作员失去联系，导致无人机无法完成任务。虽然中继系统可以在一定程度上解决这一问题，但在瞬息万变且不可预测的战场环境中，中继系统并不总是可用或可靠，这进一步增加了有效导航和最终进近目标的难度。
攻击移动目标：这是一项特别有挑战性的任务，也是无人机操作员需要掌握的独特技能。当无人机从后方追击目标时，由于两者同向运动，其相对接近速度会降低，这使操作员有更多时间对目标运动变化做出反应。相反，正面接近则会增加难度，因为无人机和目标会高速靠近，留给操作员调整无人机飞行路径的时间窗口很窄，通常还需要进行一定预测。横向或垂直方向运动会使问题更加复杂，因为操作员必须不断调整以对准目标变化位置。
4.2 人工智能如何应对挑战
要克服战场无人机行动所面临的挑战，实现自主导航是重要一步。自主导航利用机器学习技术，而非固定的基于规则的指令。通过将先进的人工智能算法和传感器套件直接集成到无人机上，这些平台无需操作员持续发出指令，即可即时独立做出关于飞行路径、定位和避障的决策。本质上，无人机是利用机器视觉和深度学习算法构建周围环境的动态图像，使其能够绘制环境地图、在无GPS信号的情况下确定自身位置，并动态规划路线以避开意外出现的危险。
一旦通过自动目标识别或操作员手动输入确定目标，向自主飞行的过渡就变得尤为关键。在此阶段，“最后一公里导航系统”直接控制飞行，规划最后的进近和交战路径。依靠实时传感器输入，无人机可以根据阵风、地形变化或意外障碍物等变量进行调整。
视觉里程计等技术使无人机能够持续评估自身位置，即使在通信降级的情况下也能保持稳定飞行。因此，局部电子战的干扰能力（通常局限于特定半径内）会大大降低：无人机可以在干扰范围外锁定目标，并在无需人工干预的情况下继续执行任务，这大大降低了信号丢失带来的风险。
未来的“最后一公里导航系统”在攻击移动目标时将实现更高精度。通过自适应航迹修正功能，以及基于海量车辆/人员运动数据训练的预测模型，人工智能系统可以预测目标潜在机动动作。与此同时，可利用持续光学跟踪进一步优化这些预测，使无人机能够快速应对目标的突然转向。
虽然当前系统仍在无人机操作员所称的“合理命中半径”内运行（意味着可能击中坦克或战壕，但击中的不一定是其最脆弱部位），但人工智能的持续进步和机载硬件的改进有望显著缩小这一误差范围。
案例研究8：VGI-9自主导航系统
无人机制造商透露，VGI-9是目前使用最广泛的目标瞄准系统之一。它将第一人称视角（FPV）无人机升级为半自主武器系统，使它能够锁定目标，并精确打击时速达到80公里的移动目标。
首先，每次任务前，该系统需要输入安全PIN码才能激活瞄准功能。因此，即使对手捕获了无人机，若没有该代码，也无法使用其目标瞄准能力。无人机起飞后，操作员可通过实时视频将其引导至作战区域，操作员还可观察屏幕角落有放大画面的实时视频实现精准目标识别。
该系统持续监测电子战威胁。屏幕界面通过接收信号强度（RSS）和信噪比（SNR）指标提供信号干扰实时反馈。如果存在敌方干扰，信噪比值会降至接近或低于零，这表明无人机链路受到严重干扰。
为应对此情况，无人机配备了巡航控制模式。当无人机受到干扰时，操作员可保持稳定的飞行高度并激活巡航控制模式。顾名思义，一旦启动该模式，它会锁定无人机的高度、速度和方向，使无人机即使在信号严重干扰区域也能维持既定航线。这种故障保护机制不仅能避免无人机因失联坠毁，而且能够保证无人机绕过干扰区并保持在干扰区外运行——敌方部队或高价值装备可能就位于该区域。仅此一项功能，就能显著提升任务成功率。
当无人机接近目标区域时，操作员搜索目标。一旦目视确认目标，操作员激活目标锁定功能。此时，控制模式从手动飞行切换到自主攻击。无人机的机载系统锁定选定的目标点，并在无需飞行员进一步输入的情况下开始向目标靠近。如果通信链路仍然可用，飞行员保留有限的微调能力。通过右操纵杆，操作员可以微调无人机轨迹，以确保最佳攻击效果（如瞄准敌方坦克装甲最薄弱部位）。
在完全自主攻击中，该系统确保无人机在即使没有飞行员干预的情况下也能保持攻击路线。无人机的机载人工智能负责最后的导航，确保最高命中概率。
但此项技术目前仍存在局限性。该系统在打击大型、高价值目标（如坦克和火炮）时显著提高了作战效能，但其在瞄准车辆特定部位时精度有限。虽然它能确保无人机到达目标，但无法保证精确击中目标的特定点（如坦克的薄弱部位）以彻底摧毁目标，不过仍可达成使目标丧失作战能力效果。
案例研究9：The Fourth Law公司的自主导航技术
The Fourth Law公司的创始人阿兹纽克表示，该公司致力于开发一种用于无人机的人工智能导航系统，使其能够在完全自主模式下运行。The Fourth Law为FPV无人机开发了一个价格低廉但功能强大的模块。该模块集成有一个摄像头和一块内置软件的小型计算机板，成本约为50~100美元。该模块可安装在任何常见配置的FPV无人机上（无论是7英寸还是10英寸无人机），通常安装位置在无人机前摄像头所在的两个安装导轨之间。此模块目前已实现量产，集成到数十家厂商的无人机产品中，并且在战场前线得到广泛应用。
The Fourth Law所做的演示展示了一段带有放大功能的第一人称视角（FPV）无人机视频，以及一个处于工作状态的“目标搜索器”，这表明尽管模拟视频分辨率较低，但因其成本低、可靠性高，仍然被广泛使用。一旦飞行员在放大区域内识别出一辆移动的卡车，只需拨动一个开关，目标就会被红色方框框住，控制权随即交给机载人工智能。然后，两个算法协同工作：一个算法持续跟踪目标运动，另一个算法管理无人机复杂的飞行机制。独立的神经网络实时优化目标边界，确保即使目标车辆持续移动，也能实现精确攻击。
该公司透露，The Fourth Law公司很快将为固定翼无人机引入“最后一公里”导航功能，这将扩大其飞行范围，突破无线电地平线限制，使作战距离扩展至48~96公里。然而，“最后一公里导航系统”只是该公司实现完全自主的五步路线图中的第一步。
第二步是开发“最后一公里”自主轰炸技术。其工作原理与当前系统类似，但无人机不是直接撞击目标，而是投掷炸弹。这种自主有效载荷投放系统目前正在进行实验室测试。计算机执行投弹操作能够比人类更精确，甚至能完成飞行员无法及时执行的复杂机动动作。投弹完成后，操作员重新获得控制权，回收无人机，而不是每次任务后都弃用。
第三种关键技术也在测试中，即自动目标瞄准技术。该技术利用神经网络自主识别和跟踪目标。项目团队已成功优化神经网络的目标识别功能，使其能够在非常廉价的硬件上高效运行。
通过整合这三项技术，该公司希望操作员只需发射无人机并在地图上设定航点。无人机将起飞、飞向目标、执行投弹任务、返回并降落，全程都在完全无线电静默并完全自主状态下完成，无需操作员干预。
第四步，该系统将能够在无GPS信号的情况下导航，通过使用预加载地图、机载传感器和光学导航技术，确保即使在GPS信号拒止区域也能成功完成任务。
第五阶段的开发涉及实现直升机和固定翼无人机起降过程自动化，这对于自主应对空中威胁（如敌方FPV无人机）至关重要。例如，当驻扎在战壕中的部队遭受敌方FPV无人机攻击时，可以在战壕前部署多架配备摄像头的警戒无人机对空扫描。一旦探测到敌方FPV无人机来袭，这些警戒无人机可以自主发射，通过撞击威胁或在附近引爆来消除危险，从而保护友军。
The Fourth Law公司的完全自主路线图从多个方面反映出乌克兰公司在开发自主能力方面的总体思路。
案例研究10：乌克兰远程打击无人机
在乌克兰利用人工智能技术增强的众多军事系统中，自杀式无人机（OWA-UAV）是其中之一。虽然这些自杀式无人机在前线广泛使用，但具有一定自主能力的远程打击无人机更为引人关注。这些无人机完全由乌克兰自主研发，在乌克兰多个机构中得到广泛应用。远程打击无人机的作战效能和快速发展表明，它们能够打击俄罗斯境内几乎任何具有战略意义的目标，其携带的炸药足以摧毁包括工厂、建筑物和机场等关键基础设施以及停放在机场的飞机。
由于深入敌方领土的远距离飞行需要突破敌方防空系统，以及穿越边境沿线60公里宽的电子战系统覆盖区域，自主导航已成为远程打击无人机不可或缺的能力。虽然乌克兰官方拒绝透露他们使用的技术，但一位业界代表透露，其中一些先进无人机利用基础人工智能技术实现导航和抗干扰能力。机载计算机使无人机能在电子战环境中导航，并按照预先规划的飞行路线飞行。这些飞行路线通常是利用乌克兰收集或盟友共享的大量情报数据制定的。
此类飞行路线通常包含1000多个航点，以躲避俄军防空系统。计算机使用机器视觉算法，将无人机传感器获取的实时图像数据与和其计算机中预先加载的卫星及地形数据进行比对。经过训练能够识别地理特征和目标的人工智能模型，使无人机能够自主确定自身位置，并在最后接近目标时实现高精度导航，且无需卫星通信。
Lyutyi无人机就是一款成功的远程打击无人机。据报道，对俄罗斯炼油厂的成功袭击中，其中约80%由该无人机完成。然而，这款无人机尚未实现完全自主。它可以自主完成部分飞行路线，但在接近目标的最后阶段，主要还是依靠人工操作。乌克兰官员拒绝透露该系统在最后进近阶段如何与操作人员保持通信。此外，此类远程打击任务需要分析师、情报官员、特种部队和操作人员共同进行周密筹备。
一位Lyutyi无人机操作员表示，他在执行任务前通常会收到详细的目标分析报告，但并不知道是谁撰写的这份分析报告。这份15~20页的任务计划对目标和任务计划进行了逐分钟的详细描述，其中包括防空系统、卫星图像和雷达数据等全面信息。
该操作人员描述了无人机接近目标时面临的挑战，以此来说明攻击路线规划的复杂性。无人机必须逆风接近目标，并且在飞行过程中可能会遇到管道或其他建筑结构等障碍物，因此必须实现精确导航来确保精确打击。此外，目标位于1250多公里之外，且任务通常在无光学观测条件下执行，这不仅大幅增加了操作难度，也证实了无人机在最终进近阶段需要人工操控。
案例研究11：Shield AI公司的自主远程情报、监视与侦察（ISR）能力
2024年夏初，Shield AI向乌克兰交付了一小批V-BAT无人机系统进行测试。当时，V-BAT主要依靠先进的跳频、频谱变化和更高功率通信链路来应对敌方电子战威胁，而非完全自主。
2024年晚些时候，Shield AI在乌克兰组织了两阶段的V-BAT能力演示。第一阶段在测试靶场进行，七台大功率干扰机同时运行，以验证无人机的抗干扰能力，V-BAT成功通过了这次测试。在第二阶段，乌军从后方距离前线约40公里处发射V-BAT，使其飞行95公里进入争议地区，并定位到一个SA-11“ 山毛榉”地对空导弹连。在这次任务中，V-BAT中继目标坐标，助力“海马斯”（HIMARS）火箭炮成功实施打击，Shield AI的工程师在现场提供技术支持。
在两个阶段的演示中，V-BAT无人机都搭载了Shield AI的“蜂巢思维”（Hivemind）软件，该软件可在GPS拒止环境中提供状态估计能力。该公司表示，这种能力对任务成功至关重要。这种状态估计软件采用因子图优化技术，即使在通信或GPS访问受限环境中，也能通过综合来自摄像头、GPS和惯性测量单元的传感器数据，使无人机实时准确确定自身位置、方向和速度。该系统不断优化这些传感器信息，识别潜在危险并相应调整飞行路径。
这些演示还突显了V-BAT在乌克兰战场行动中的另一优势——其航程和滞空时间。当无人机运行时间从1~2小时增加到8~10小时时，情报、监视与侦察（ISR）任务识别和跟踪关键目标的窗口时间大大增加。因此，在GPS拒止环境下，人工智能驱动的导航已被证明是长时间侦察任务的基础。
因此，乌军向Shield AI订购了200多架无人机，不过据Shield AI公司代表透露，该公司当年的V-BAT无人机产能仅为120架。
4.3 经验教训
自主导航使无人机打击成功率提高了三到四倍。通过减少对持续人工操控和稳定通信（这两者都容易受到电子战和人为压力的影响）的依赖，自主无人机将目标打击成功率从大约10%~20%提高到约70%~80%。来自乌克兰不同军事组织和公司的多位受访者都认同这些数据的准确性。如此高的可靠性降低了对操作员的技能水平要求，使更多作战人员能够使用这些武器系统。
配备自主导航的无人机通过最大限度减少无人机损失和任务尝试次数，降低了总体打击成本。由于这些无人机能够高效执行任务并返回基地，减少了所需替换单元数量。接下来，军事预算可以更合理分配，用于其他项目研发或专业资产采购。
更快、更精确的打击缩短了敌方可用于发现和反击的时间，最终降低了遭受反击的风险。当任务以更少的尝试次数完成时，敌方就更难确定攻击的位置或时间。高作战节奏降低了敌人立即做出反应的可能性，提高了任务成功率。
自主无人机操作的培训时间大幅缩短，使前线人员更容易掌握。一位乌克兰军用无人机飞行员教官称，过去需要大量飞行时间的培训，现在可以缩短到几个小时甚至几分钟。这一发展使更多士兵在具备极少专业技能的情况下，也能高效操作无人机。
对机载人工智能软件进行加密，增加了对手对自主系统进行逆向工程的难度，有助于乌克兰保持技术领先地位。尽管对手可以在几周内复制硬件设计，但人工智能软件的复杂加密措施会延缓他们开发类似系统的速度。通过保持软件安全优势，乌军在无人机自主性方面继续领先于对手。
4.4 发展趋势
乌克兰积极将独立自主模块投入使用，为规模化采购和前线部署铺平道路。乌军已启动自主模块的编码工作，并将其投入使用，以实现规模化采购。通过作为独特组件实现这些模块的标准化，并制定其集成和使用指南，乌克兰军方能够更快使其武器库和战术适应作战需求。
无人机培训项目将自主导航纳入核心课程，以适应自导系统日益普及的趋势。无人机操作员培训机构已认识到向人工智能辅助飞行的转变，目前正在培训学员掌握手动和自主操作无人机技能。平均而言，学习使用自主功能的培训时间不到一天。
实现从起飞到任务执行再到着陆的完全自主飞行，有助于降低运行成本和对持续设备补充需求。这种整体性的自主化方法反映了商用航空领域的进展。在商业航空领域中，可重复使用性大幅降低了成本。通过延长无人系统的使用寿命，军方可以更有效分配资源，同时保持战备状态。
由于地面、海上和水下平台系统的复杂性和成本更高，因此在这些系统中实现人工智能赋能的导航将是一项重大挑战。尽管无人机在自主作战方面处于引领地位，但要将类似功能应用于多域作战，需要克服更复杂的技术和环境障碍。虽然将自主导航集成到地面系统的前景广阔，但在实际实施中，这对乌克兰防务公司来说仍是一个尚未攻克的挑战。
自主导航是无人机蜂群作战的关键组成部分，尽管完全自主的蜂群作战仍处于早期开发阶段。虽然乌军已经进行了小规模无人机蜂群实验，但尚未部署真正的无人机蜂群，蜂群中的无人机之间能够进行通信、协同决策和行动调整。实现这种级别的协同需要在人工智能算法、通信协议和实时决策能力方面取得重大突破。
05
结 语
目前，乌克兰的现代无人系统尚未实现完全自主。虽然人工智能在从情报、监视与侦察到自动目标识别及导航等特定能力方面上有显著提升，但这些提升范围有限。让人类远离直接战斗的需求仍然是推动发展的愿景，但真正的自主性程度有限，这也反映了当前技术的局限性。
乌克兰并未采用全面的端到端解决方案，而是采取了循序渐进的方法，逐步引入人工智能来应对特定作战挑战。这种方法不仅反映了当前作战的现实，也展示了“目标选择”和“最后一公里导航”等军事概念如何转化为实战功能的实践路径。
总体而言，人工智能在简化数据分析、减少人为错误和应对电子战方面发挥了重要作用，但它仍需要人类监督，尤其是在交战决策方面。虽然这些不同功能使乌克兰的无人系统更接近完全自主愿景，但它们尚未融合成一个无缝集成的自主作战过程。此外，在未来部署自主系统时，还应考虑以下几个因素：
人工智能模型的复杂性和透明度：现代人工智能系统可能体积更小、训练速度更快，但其“黑箱”特性使得在战斗中的效能难以预测。除非人类操作员能够理解人工智能的决策过程，确保其在生死攸关的情况下表现可靠，否则完全自主仍面临高风险。
作战准备和在军事战略中整合：采用自主系统需要进行全面规划，包括明确的作战概念，并将其纳入军事条令、组织、训练、物资、领导、人员和设施（DOTMLPF）框架的各个部分，使流程和政策能够适应新技术的需求。
监管和法律空白：自主性的法律边界因国家而异，且在很大程度上仍未明确界定。以乌克兰为例，该国尚未对“自主性”和“自主武器系统”进行定义。与此同时，乌克兰计划与国际法保持一致，但国际法在涉及自主系统的伦理和法律问题上也存在重大不确定性。
用于人工智能训练以实现自主性的数据：俄乌冲突通过提供有关敌方设备的真实数据，为加速人工智能（AI）的开发和训练提供了丰富的数据集。而那些没有这种直接战场信息的国家，必须提前做好规划，构建和完善用于训练和验证自主系统的敌方装备数据集。
尽管如此，乌克兰在人工智能方面的关键发展趋势表明，未来可靠的完全自主可能会成为现实。首先，硬件和软件采用模块化架构，体现了一种灵活的方法，这样既降低了开发成本，又简化了升级过程。通过将人工智能软件与物理平台分离，乌克兰国防工业公司可以更快速更新或替换特定功能，如目标识别，而无需重新设计整个系统。
其次，对开源技术和独立软件销售的高度重视，展现了利用现有创新成果而非从头开发每个组件的优势。这有助于缩短研发周期，同时使硬件成本保持在可承受范围内。
第三，人工智能模型的小型化趋势不断发展，在经过精心整理的（基于较小且精心策划的）较小数据集上进行训练，使得机载实时处理能力越来越容易实现。由此获得的执行复杂任务执行能力（如在不依赖可靠通信或卫星导航情况下的最后一公里自主导航）降低了对电子战的敏感性，又扩大了作战范围。
第四，无人系统在军事战略和行动中的更广泛整合，包括从通用作战态势图到条令改革，表明乌军正积极推动人工智能跨越试验阶段。
虽然这些措施尚未构建起完全自主的战场，但它们构成了技术路线图的重要基础，也许这一路线图未来将实现完全自主作战，但在关键的伦理和战略决策环节，仍需人类持续介入。
（本文根据互联网资料编译整理，仅供参考使用，文中观点不代表本公众号立场）
声明：本文来自电子小氙，版权归作者所有。文章内容仅代表作者独立观点，不代表安全内参立场，转载目的在于传递更多信息。如有侵权，请联系 anquanneican@163.com。
