指挥与控制系统与仿真系统互操作(C2SIM)是仿真互操作性标准组织(SISO)于 2020 年发布的一项标准。该标准的目的是在 C2 系统和仿真系统之间表达和交换指挥与控制 (C2) 信息。C2SIM 标准的部分内容包括使用 C2SIM 初始化信息初始化仿真系统的功能。虽然这些信息的目的是将以后由 C2 系统控制的实体实例化,但并不严格要求 C2 系统必须出现在演习中。这就为出于各种其他原因使用 C2Sim 初始化报文提供了可能性。

这些信息的一个可能用途是任务规划工具的通信机制。这些工具有助于缩小军事角色扮演者的作战知识与模拟系统主题专家的技术知识之间的差距。任务规划工具允许用户使用类似于 C2 系统的用户界面,在计算机生成的部队系统中轻松生成场景。这些系统大多依靠导出军事场景定义语言(MSDL)格式的文件,然后将其导入模拟系统。MSDL 标准已被 C2SIM 标准取代,系统可过渡到更新的标准。通过使用 C2SIM,规划工具还可以利用计算机生成部队系统的模拟能力来帮助用户规划方案。本文介绍了使用 C2SIM 信息与仿真系统通信的规划工具的开发过程,以及该标准带来的各种优势。

由仿真互操作性标准组织(SISO)于 2020 年发布的指挥与控制系统与仿真系统互操作(C2SIM)标准实现了 C2 系统与仿真系统之间的指挥与控制(C2)信息交换[3]。该标准允许使用 C2SIM 初始化消息对仿真系统进行初始化,除了对 C2 系统控制的实体进行实例化外,还可用于多种目的。其中一个用例是作为任务规划工具的通信机制,在军事角色扮演者的作战知识与仿真系统主题专家的技术知识之间架起一座桥梁。

通常情况下,真人虚拟建构(LVC)演习任务是利用各种互不关联、版本控制能力有限的工具进行规划的。这通常需要一名经验丰富、具备作战知识的主题专家(SME)构建多个保真度不断提高的预定场景图形,同时模拟系统操作员在模拟系统中构建相同场景,以确定其可行性。由于需要多名操作员,而且这些系统不具备互操作性,因此需要花费更多的时间来制定低地轨道演习的作战任务。任务规划工具可以通过与模拟系统集成的单一工具来制定整个任务,从而帮助解决这些问题。

任务规划工具是一种专门用于生成作战方案的应用程序。这些工具可能类似于计算机生成的部队应用程序或 C2 系统(或两者的某种组合),但不具备执行模拟的能力。相反,它们为模拟系统输出必要的信息,以初始化其实体。直到最近,这都是通过军事场景定义语言(MSDL)完成的,但 C2SIM 最近取代了这一标准。Forcebuilder 和 StackFrame 的 Web 军事场景开发环境 (WebMSDE) 是任务规划工具的两个实例。Forcebuilder 是一个可生成 MSDL 文件的增强型 Microsoft Access 数据库,在战斗实验室协同仿真环境(BLCSE)上执行的 "统一挑战 LVC "演习(2017-2019 年)期间被广泛使用。WebMSDE(如图 1 所示)是一款功能强大的场景生成工具,作为 "一支半自动化部队"(OneSAF)[5]的一部分而开发。

C2SIM 标准

指挥与控制(C2)系统的发展在现代军事行动中起着举足轻重的作用,它将复杂的功能集成在一起,提高了作战效率。这些系统主要以计算机为基础,具有几个关键功能:生成或接受军事行动计划,以命令的形式传达给单元,并通过情报报告显示这些行动的当前状态。这就为用户提供了态势感知,使他们能够根据情景的变化发布新的命令。在一个分布式、网络化的 "系统之系统 "中,各级指挥官和参谋人员之间的相互联系凸显了当今 C2 系统的复杂性。

C2(指挥与控制)系统经常被整合到军事模拟演习中,以复制真实的作战场景,让受训人员在模拟作战条件下发展关键的决策技能。将计算机模拟与 C2 系统结合起来有三个主要目的:

  • 通过行动方案(COA)分析协助规划过程,模拟预测行动方案的潜在结果。
  • 通过提供一个合成作战环境,让参与者输入活动信息并查看针对模拟对手的可能结果,从而加强军事训练。
  • 在反映对手和环境因素最佳情报的环境中协助任务演练。

一直以来,模拟需要在 C2 和模拟系统之间设置人工中介。然而,人们一直希望将模拟与 C2 系统直接连接起来,以减少所需的时间和人力。此外,有必要为这种耦合提供一个标准化接口,即 C2SIM,以实现各种模拟和 C2 系统的互换使用。C2SIM 结构如图 2 所示。

如第 1 节所述,C2SIM 取代了 MSDL 和联军作战管理语言(Coalition-Battle Management Language,C-BML)标准,将其整合为单一标准。MSDL 标准侧重于为联军中的 C2 和仿真系统提供一致的启动条件数据,而 C-BML 则用于提供命令和任务信息。通过为数据交换提供统一的语言和结构,C2SIM 简化了 C2 系统和仿真系统之间的通信和协调。

北约建模与仿真小组(NMSG)测试的联军使用的 C2SIM 版本是这一概念的最佳范例。它允许多个联盟伙伴通过共享网络运行 C2SIM。每个国家都使用自己的 C2 系统和模拟,准确反映其部队、装备和理论。尽管每个国家的部队都有其独特的属性,但这种互操作性使其能够快速做好执行任务的准备,促进有效协作。[4]

C2SIM 的发展经历了各种合作努力,包括建立 SISO 研究小组和北约 MSG 参与联盟战士互操作性演习 (CWIX) 等活动,所有这些都极大地促进了其进步和作战相关性。C2SIM 标准的演变是技术进步和作战需要之间动态相互作用的结果,SISO、NATO MSG 和其他利益相关方的共同努力在制定标准方面发挥了关键作用,这些标准不仅要解决复杂的技术问题,还要解决实际环境中的实用性问题。随着 C2SIM 的不断进步,它在加强联军环境中军事行动的互操作性和有效性方面发挥着至关重要的作用。

开发支持 C2SIM 的任务规划工具原型

为支持 2019 年 CWIX 演习,雷斯顿测试中心(RTC)开发了 OneSAF 的原型扩展,以便与实施 C2SIM 标准草案的系统对接。该原型设计有三个主要目标:(1) 通过 C2Sim 服务器集中控制模拟;(2) 向 C2Sim 客户端提供实体位置报告;(3) 根据 C2Sim 命令启动模拟行为。开发过程包括用一个新组件增强现有的 OneSAF 用户数据网关(UDG),以便与 C2Sim 服务器进行有效通信。该接口采用了简单文本定向消息协议(STOMP)用户,并将 C2Sim 订单翻译成 JavaScript Object Notation (JSON),以便与 UDG 进行无缝交互。该原型扩展的架构如图 4 所示。尽管 C2Sim 标准的草案性质和有限的开发资源带来了挑战,导致 OneSAF 中的保真度有限且需要硬编码行为输入,但原型成功地展示了基础级别的互操作性[1]。

为了利用 C2SIM 标准快速开发任务规划工具,重新使用了为 CWIX 演习开发的 OneSAF 扩展程序。对 2019 年使用的原型进行了更新,以便与最新版本的 C2SIM(ClientLib v4.8.3.1)和 OneSAF 软件(12.0 版)协同工作。此外,最初的 OneSAF-C2SIM 原型并不完全支持通过 C2SIM 初始化消息初始化实体。在 CWIX 演习期间,演习前创建了一个 OneSAF 场景文件,其中包含 OneSAF 系统模拟的所有实体。这大大简化了原型,因为实体无需通过 C2SIM 信息进行实例化。OneSAF-C2SIIM 原型能够生成 C2SIM 初始化报文,以填充其他连接系统上的必要数据结构。

原型的初始化能力已得到增强,可通过 C2SIM 初始化信息将 OneSAF 实体实例化。作为标准的一部分,初始化报文包含实体名称及其相关单元的组织结构、实体位置、实体的 DIS 枚举以及实体的运行状态。实体实例化的一个难点是将所需的 DIS 枚举映射到特定的 OneSAF 实体,但这并不是一对一的映射。在这个早期原型中,选择了数量有限的 OneSAF 实体,并建立了一个映射表来转换 C2SIM 初始化信息中包含的每个实体。一旦解析了这些信息,就可以在 OneSAF 中直接创建实体。

除了从任务规划工具中生成模拟实体外,还研究了从模拟系统中查询信息的能力。为了证明这种功能的实用性,我们利用 OneSAF 中的视距计算(视线计算的一种)功能来填充任务规划工具中的图形。为此,在 UDG 中创建了一个额外的应用编程接口(API)端点,并使用 "呈现状态传输"(REST)查询与任务规划工具进行通信。图 5 显示了任务规划工具与 OneSAF 之间的完整信息流。

成为VIP会员查看完整内容
34

相关内容

人工智能在军事中可用于多项任务,例如目标识别、大数据处理、作战系统、网络安全、后勤运输、战争医疗、威胁和安全监测以及战斗模拟和训练。
《利用 ChatGPT 实现高效事实核查》
专知会员服务
45+阅读 · 2023年10月25日
《TextCycleGAN 技术报告》
专知会员服务
31+阅读 · 2023年5月4日
《用于代码弱点识别的 LLVM 中间表示》CMU
专知会员服务
13+阅读 · 2022年12月12日
《多域作战环境下的军事决策过程》
专知
50+阅读 · 2023年4月12日
ICLR'21 | GNN联邦学习的新基准
图与推荐
11+阅读 · 2021年11月15日
关于GANs在医学图像领域应用的总结
人工智能前沿讲习班
31+阅读 · 2019年6月4日
Seq2seq强化,Pointer Network简介
机器学习算法与Python学习
15+阅读 · 2018年12月8日
一文概览用于图像分割的CNN
论智
13+阅读 · 2018年10月30日
RNN | RNN实践指南(2)
KingsGarden
19+阅读 · 2017年5月4日
Caffe 深度学习框架上手教程
黑龙江大学自然语言处理实验室
14+阅读 · 2016年6月12日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
10+阅读 · 2014年12月31日
A Survey of Large Language Models
Arxiv
327+阅读 · 2023年3月31日
Arxiv
67+阅读 · 2022年9月7日
Arxiv
12+阅读 · 2021年3月24日
Heterogeneous Deep Graph Infomax
Arxiv
12+阅读 · 2019年11月19日
Augmentation for small object detection
Arxiv
11+阅读 · 2019年2月19日
Arxiv
13+阅读 · 2019年1月26日
VIP会员
相关VIP内容
《利用 ChatGPT 实现高效事实核查》
专知会员服务
45+阅读 · 2023年10月25日
《TextCycleGAN 技术报告》
专知会员服务
31+阅读 · 2023年5月4日
《用于代码弱点识别的 LLVM 中间表示》CMU
专知会员服务
13+阅读 · 2022年12月12日
相关资讯
《多域作战环境下的军事决策过程》
专知
50+阅读 · 2023年4月12日
ICLR'21 | GNN联邦学习的新基准
图与推荐
11+阅读 · 2021年11月15日
关于GANs在医学图像领域应用的总结
人工智能前沿讲习班
31+阅读 · 2019年6月4日
Seq2seq强化,Pointer Network简介
机器学习算法与Python学习
15+阅读 · 2018年12月8日
一文概览用于图像分割的CNN
论智
13+阅读 · 2018年10月30日
RNN | RNN实践指南(2)
KingsGarden
19+阅读 · 2017年5月4日
Caffe 深度学习框架上手教程
黑龙江大学自然语言处理实验室
14+阅读 · 2016年6月12日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
3+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
10+阅读 · 2014年12月31日
相关论文
A Survey of Large Language Models
Arxiv
327+阅读 · 2023年3月31日
Arxiv
67+阅读 · 2022年9月7日
Arxiv
12+阅读 · 2021年3月24日
Heterogeneous Deep Graph Infomax
Arxiv
12+阅读 · 2019年11月19日
Augmentation for small object detection
Arxiv
11+阅读 · 2019年2月19日
Arxiv
13+阅读 · 2019年1月26日
微信扫码咨询专知VIP会员