Geautomatiseerde Battlefield Simulation Command and Control met behulp van kunstmatige neurale netwerken

Stewart H. Jones, Ivan J. Jaszlics en Sheila L. Jaszlics
Pathfinder Systems, Inc.
Lakewood, Colorado 80228

​

Abstract

​

Hedendaagse gedistribueerde interactieve gevechtssimulaties worden steeds groter en complexer en daarom moeilijker te beheren. Het succes van toekomstige projecten zal gedeeltelijk afhangen van het vermogen om aspecten van het bevel en de controle over de strijdkrachten op een geautomatiseerde en zeer voorspelbare manier te beheren. Kunstmatige intelligentie in het algemeen en kunstmatige neurale netwerken in het bijzonder bieden aantrekkelijke mechanismen om commandovoering en controle te automatiseren. Pathfinder Systems heeft het Linear Interactive Activation and Competition (LINIAC) Model Artificial Neural Network ontwikkeld, een high-speed, objectgeoriënteerd model, voor gebruik in verschillende gevechtssimulaties en heeft aangetoond dat dit een haalbare toepassing van deze technologie is. LINIAC is zeer geschikt voor het leveren van geautomatiseerde besluitvormings- en gevechtsbeheerfuncties voor een verscheidenheid aan constructieve slagveldsimulaties. Het emuleert de besluitvormingsfuncties van tactische eenheidscommandanten en hun staven, zoals weergegeven door roleplayer / controllers in commandopostoefeningen. LINIAC gebruikt een objectgeoriënteerd ontwerp dat een situatiepatroon herkent en een overeenkomstige uitkomst geeft in een tijdsbestek van enkele of enkele tientallen milliseconden. Een belangrijk voordeel van LINIAC is dat de training is gecodeerd in en geïnitialiseerd vanuit een externe datastructuur in plaats van hard gecodeerd als rule-bases of algoritmen. Daarom is het mogelijk om LINIAC-netwerken eenvoudig te vervangen of opnieuw te trainen om aan nieuwe vereisten te voldoen zonder de code te wijzigen. LINIAC training maakt gebruik van een grafische interface, zodat trainers geen computertaaltraining of speciale computervaardigheden nodig hebben. Experts met gespecialiseerde kennis kunnen hun kennis direct in neurale netwerken opnemen zonder de hulp van een Knowledge Engineer. Een trainer kan doorgaans twee of drie dozijn trainingsvoorbeelden per uur invoeren. Pathfinder Systems heeft het vermogen aangetoond om kunstmatige neurale netwerken van LINIAC te gebruiken in verschillende gevechtssimulatieprogramma's om geautomatiseerde commandovoering en controle te bieden over ten minste een deel van de troepen in de simulatie. De resultaten van deze projecten hebben aangetoond dat het gebruik van neurale netwerken van LINIAC het menselijke besluitvormingselement in gevechtssimulaties met succes kan emuleren met resultaten die gelijkwaardig zijn aan wat menselijke rollenspelers en geautomatiseerde regelbases kunnen bieden.

​

Invoering

​

Een fundamentele overweging bij het ontwerpen van slagveldsimulaties is dat ze het realisme zo getrouw mogelijk benaderen. Een moeilijkheid bij het simuleren van commando en controle op het slagveld is het repliceren van het besluitvormingsproces waarop het is gebaseerd. Het doel van veel simulaties is om een deel van het publiek te trainen om acceptabele gevechtsbeslissingen te nemen. Hier is het passend om menselijke operators besluitvormingsfuncties te laten uitvoeren. Het gebruik van menselijke rollenspelers om beslissingen te nemen voor de tegengestelde troepen, of vriendelijke aangrenzende en achterste troepen kan echter contraproductief zijn en geautomatiseerde commandovoering en controle kan zeer wenselijk zijn. Om dergelijke automatisering te bieden, zijn veel huidige simulaties sterk afhankelijk van beslissingsalgoritmen en regelbases in combinatie met menselijke rollenspelers om het menselijke element te bieden. Er kunnen zich problemen voordoen omdat algoritmen en regelbases mogelijk niet voldoende foutloos zijn en menselijke resources voor rollenspelers soms moeilijk te beheersen zijn. Automatisering met behulp van algoritmen en regelbases kan ook onvoldoende flexibiliteit hebben om te voldoen aan veranderende scenariovereisten zonder uitgebreide programmering. Kunstmatige neurale netwerken (ANN's) bieden een kosteneffectief alternatief voor algoritmen en regelbases voor het genereren of repliceren van menselijke besluitvorming. ANN's zijn effectief omdat ze gebaseerd zijn op voorbeelden, in plaats van hardgecodeerde implementaties.

Dit artikel beschrijft een benadering die Pathfinder Systems, Inc. (PSI) heeft gevolgd om ANN's toe te passen om Command and Control voor militaire simulaties te automatiseren. PSI heeft het LINIAC Neural Network-model ontwikkeld voor het emuleren van Command and Control-beslissingen. Het is gebruikt voor demonstraties met de Brigade/Battalion Battle Simulation (BBS), binnen het BBS-SIMNET Interoperation-project om beslissingen te genereren voor SIMNET Semi-Automated Forces, en in ROLEPLAYER, een zeer eenvoudige slagveldsimulatie, die een praktisch gebruik van LINIAC neurale netten op peloton-, compagnie- en bataljonsniveau. Een ander voorbeeld, dat momenteel wordt ontwikkeld door PSI en de MITER Corporation, is de toepassing van ANN's op het EAGLE-gevechtssimulatiemodel. Momenteel is de EAGLE-simulatie sterk afhankelijk van op regels gebaseerde beslissingen. Dit project is bedoeld om de haalbaarheid aan te tonen van het vervangen van regelbases op het laagste niveau van commando en controle in een complexe simulatie met ANN's.

​

De behoefte aan flexibele AI-commando's en -controle

​

Er zijn enkele duidelijke problemen met het gebruik van algoritmen en regelbases om menselijke besluitvorming te repliceren. Meestal zijn ze hard gecodeerd en zijn ze moeilijk te veranderen als de behoeften van de simulatie veranderen. Recente wereldwijde militaire ontwikkelingen, zoals de ontbinding van de Sovjet- en Oostblok-troepen en de opkomst van strijdkrachten uit de derde wereld, hebben de commando- en controlevereisten voor gevechtssimulaties veranderd. Tegenwoordig moeten ze flexibel genoeg zijn om een verscheidenheid aan militaire doctrines en operatiemethoden te accommoderen, waarbij vaak een snelle herconfiguratie nodig is. Als het nodig is om algoritmen en regelbases te implementeren met behulp van syntactisch rigide programmeertalen of talen voor gegevensinvoer, vereist hun ontwikkeling programmeertechnici om de commando- en controlevereisten te vertalen in de juiste taalsyntaxis. De stappen die nodig zijn om de kennis van experts te vertalen in een geformaliseerde syntaxis, introduceren de mogelijkheid van miscommunicatie en misverstanden, wat kan leiden tot programmafouten. Zelfs als er een goed begrip bestaat, kunnen logische fouten onbedoeld worden gegenereerd. Er is een aanzienlijke hoeveelheid testen vereist om dergelijke fouten te detecteren en te verwijderen. Ten slotte moeten regelbases en algoritmen gewoonlijk rekening houden met alle mogelijke onvoorziene omstandigheden bij het analyseren van een probleem, zodat niet-verklaarde omstandigheden geen onbedoelde resultaten in de simulatie zullen genereren. Er zijn aanzienlijke technische inspanningen nodig om ervoor te zorgen dat alle redelijke situaties in de code worden weergegeven.

​

Het gebruik van kunstmatige neurale netten voor geautomatiseerde commandovoering en controle kan veel van deze beperkingen overwinnen. ANN's kunnen worden geïmplementeerd als een objectklasse met standaardinterface- en beslissingsmethoden. Een simulatie kan dan veel beslissingsobjecten van die klasse creëren, elk met zijn unieke omgeving bestaande uit invoerinformatie en een "verbindingsmatrix" die het gedrag van een bepaalde ANN inkapselt. De beslissingsmethode is een relatief eenvoudig wiskundig proces dat geldig is voor een breed scala aan beslissingstoepassingen. Een goed ontworpen ANN-object is geschikt voor elke compatibele beslissingsbasis en repliceert getrouw de cognitieve redenering waarmee het is getraind.

​

Het is mogelijk om trainingsmethoden voor ANN's te ontwerpen met behulp van standaard grafische interfacetechnieken die geen programmeerkennis van de trainer vereisen, zodat kennisexperts ze direct kunnen trainen zonder afhankelijk te zijn van een technische tolk. Experts kunnen snel, vaak intuïtief, leren hoe ze dergelijke interfaces kunnen gebruiken om ANN's rechtstreeks te trainen in sessies die slechts een uur of twee duren. Experts kunnen ook de commando- en controlevariabelen definiëren met behulp van Engelse woorden en zinsdelen die zowel voor de trainer als voor het trainingspubliek logisch zijn. Bij het trainen van ANN's is het niet nodig om voorbeelden te geven voor alle mogelijke invoercombinaties, zoals in het algemeen het geval is met algoritmen en regelbases. Een neuraal net kan duizenden tot honderdduizenden mogelijke invoercombinaties hebben, maar een kleine, representatieve steekproef van het totaal is voldoende voor een adequate training. ANN's zijn erg goed in het extrapoleren van de voorbeelden waarmee ze zijn getraind om andere, vergelijkbare voorbeelden te behandelen. De sleutel tot een goede training is natuurlijk om voorbeelden op te nemen die een zo breed mogelijk scala aan invoervoorwaarden dekken.

​

Als een simulatie meerdere scenario's moet kunnen accommoderen om verschillende militaire doctrines of werkingsmodi weer te geven, dan is het mogelijk om ANN's voor elk scenario te trainen en geschikte ANN-objecten voor het gespecificeerde scenario te initialiseren met het vereiste gedrag bij het starten van de simulatie in plaats van te wijzigen de simulatiecode. Deze techniek is ook van toepassing op geautomatiseerde command and control voor meerdere echelons. De beslissingsstructuur voor verschillende echelons kan vergelijkbaar zijn in die zin dat elk echelon naar dezelfde reeks voorwaarden kijkt en gelijkwaardige beslissingen neemt. Het enige verschil kan zijn dat elk echelon verschillende redeneringen kan gebruiken om tot vergelijkbare beslissingen te komen. Daarom is het mogelijk om een enkele beslissingsstructuur op meerdere echelons toe te passen, maar laat elk echelon een set ANN-objecten gebruiken die uniek zijn getraind om zijn individuele redenering weer te geven.

​

Ten slotte is het mogelijk om neurale netwerken stapsgewijs te trainen. Als een ANN ongepast gedrag vertoont binnen een simulatie, is het mogelijk om deze snel om te scholen. In feite is trainen door middel van simulatiescenario's een zeer effectieve trainingsmethode.

​

Het model voor lineaire interactieve activering en competitie (LINIAC)

​

Als onderdeel van zijn onderzoek naar het gebruik van ANN's voor commando- en controletoepassingen, heeft Pathfinder Systems, Inc. het ANN-model voor lineaire interactieve activering en competitie (LINIAC) ontwikkeld. Figuur 1 illustreert hoe het LINIAC-model beslissingen neemt. Elke LINIAC ANN bestaat uit een invoervector, weergegeven als naar beneden wijzende pijlen, een uitvoervector, weergegeven als naar rechts wijzende pijlen, en een verbindingsmatrix. De invoervector definieert een reeks invoervoorwaarden, waarbij elke voorwaarde een van twee of meer toestanden kan aannemen. Het werkelijke aantal voorwaarden en toestanden voor een bepaalde ANN is willekeurig, maar kan niet veranderen nadat de ANN is getraind zonder dat herscholing nodig is. In het LINIAC-model kan elke voorwaarde slechts één toestand aannemen, die wordt uitgedrukt door een 1-waarde, terwijl alle andere toestanden voor die voorwaarde worden uitgedrukt door een 0-waarde (hoewel gewogen numerieke waarden ook mogelijk zijn). De LINIAC-uitgangsvector bestaat uit één voorwaarde ook met een willekeurig aantal toestanden. De zwarte stippen, weergegeven op het snijpunt van elke horizontale en verticale pijl, vertegenwoordigen de neurale verbindingen tussen invoer- en uitvoervectorelementen en de grootte van elke stip suggereert de relatieve sterkte of "gewicht" van de verbinding. Het gewicht bepaalt hoe sterk elke ingangstoestand de corresponderende toestand van de uitgangsvector beïnvloedt. Een LINIAC-beslissing wordt altijd geselecteerd als de uitvoerstatus met de grootste cumulatieve waarde. De sleutel tot de succesvolle werking van LINIAC is het vaststellen van de waarden van de verbindingsmatrix tijdens de training, zodat een bepaald invoerpatroon altijd het resultaat oplevert dat de trainer heeft gespecificeerd.