外国媒体报道说，英国军队正在加强称为“阿斯加德”的客观定位系统的发展。信任高级通信网络和新算法，系统可以在几分钟内监视和阻止威胁目标，从而大大提高了远程攻击的效率。目前，该项目从英国国防部获得了超过10亿英镑（约13.45亿美元）的资金。目前，由于其高效和精确的特征，AI的客观定位系统已成为许多国家的军事技术研究和发展的重要领域。
从信息提取到明智的决策
IA目标定位系统是一个智能系统，它使用计算机视觉，传感器融合和AI算法来允许识别特定目标，空间坐标计算和属性分类。 Su Proceso Central Incriente el Sistema queDatos de Reconcimiento Ambiental ATravésDeSensores（Cámara，Radar等），Utilizando El Modelo para para para para ealizaranálisisdatos y procesamiento para para decesamiento para objetififos objetivosdeccoriíaPreestablecidospreastablecidos y carcular laUbicacióndel objeta extecla del objetivo de salida de salida de salida。
在冷战时代，已经进行了一项有关客观检测技术的相关研究。 En las condiciones técnicas de la época, este tipo de tecnología se basó principalmente en reglas de codificación dura y una coincidencia de patrones simples para la detección e identificación básica, y sus capacidades de procesamiento de información fueron muy limitadas. Por Ejemplo，Los Primeros sistemas de recomeocimiento esidentificacióndeSatélitePodíansidentificar objetivos grandes y de alto contraste，como los silos de misiles，y menudo estaban staban intefensossososs，他们面临着复杂的环境或摄像面的目标。
从20世纪末到本世纪初，自动学习的发展NG技术在AI的客观定位方面取得了长足的进步。在此期间，此类系统开始具有学习数据的功能模式的能力。美国陆军在科索沃战争期间部署的相关系统能够结合光线和红外线的可见图像，以在进入之前通过目标功能执行概率识别。但是，算法和时间数据量表仍然限制了这些系统的识别精度和概括功能（自动学习算法适应新数据），因此不适合手动识别。
在21世纪初，Realmeit并不能促进AI客观定位系统的创新变化的转折点是一个很大的进步，这是其经典算法的卷积神经网络技术的快速发展。该算法可以在多个堤防上提取图像功能ls，允许计算机模型识别在特定范围内伪装或部分遮挡的目标。同时，计算硬件的开发以及大量数据的外观（自动学习训练的关键资源，帮助机器通过大型数据学习来提高模型性能和概括能力）为复杂的深度学习模型提供了培训的基础。在此阶段，客观定位系统开始被逐步翻译，将信息简单地提取到智能决策中。
重建传统的杀戮链
当前，对IA客观定位系统的研究集中在三个主要方向上：多模式数据融合，边缘计算和系统的自主改进。
AI的客观定位系统不再限于分析单个数据源，而是通过合并多个来源（例如可见光）来创建全景方法冻结的，合成的开放雷达，电子信号，开源智能和声学数据。它为客观情况，战斗决策制定的图形提供了支持。例如，先前由北约测试的IA的客观定位系统可以将无人机的视频，无线电拦截标志和社交网络的信息相关联，以实现目标目标者的精确定位。
边缘计算是指数据生成的源附近的处理信息。随着该分布式计算机框架的开发，信息处理使从云到战术边缘（例如无人机和坦克）沉没了，并且已经实现了从传感器到游戏链接的实时实现。当无人机执行任务时实时收集数据，然后将其传递到云中进行处理，然后再返回它时，可能会有延迟。 Edge Computing允许无人机直接处理数据并使用船上的设备实时响应。这不是oNLY提高了响应速度，但也降低了带宽要求和数据传输延迟，这使系统更有效和可靠。
同时，许多国家的科学研究团队正在努力提高Sinstrument ISYSMS的自主能力。例如，美国空军研究所正在促进金部落的合作金额项目。通过网络技术，该项目允许无人机独立合作而无需依赖人干预，从而提高了战斗的效率和灵活性。
新技术的创新应用使AI客观定位系统可以重建传统的谋杀链。随着来自多个来源的非均匀数据的真实时间处理，对边缘计算的快速响应和深刻的独立决策的响应，IA的客观定位系统迅速定位了对手的通信节点，雷达酸味CES或关键网络节点，为电子战争和CyberDelocas提供了重要的支持。从发现到决策的过程combat因此被压缩到较小的水平，与传统模式相比，提供了数十项绩效。英国“阿斯加德”的客观定位系统是这一趋势的特定症状。
技术困境和认知进步
应当指出的是，当前用于定位AI目标的系统很大程度上取决于复杂的深度学习技术。由于深度学习算法的复杂架构，很难理解和跟踪他们的决策过程，因此，对系统提取的结论没有透明度和解释。这种情况容易产生“黑匣子”的影响，这意味着AI的决定制定过程就像一个神秘的黑匣子，人们无法理解其背后的逻辑和基础。例如，指挥官知道EL系统如何确定目标是重要的军事装置，而不是民间建筑。没有办法这样做。
数据依赖性是AI客观定位系统的另一个重要弱点。该系统主要基于多个非均匀训练数据，其识别精度应基于来自特定高质量场景的大量数据，并精确标记。但是，由于缺乏实际数据，很难用数据集完全覆盖复杂的战场环境。此外，数据标记过程很慢，在劳动力上很密集，难以统一标准，其复杂性也为标签建立了很高的要求。
值得注意的是，数据质量缺陷或标记偏差会导致系统模型中的不准确性。敌人将指示通过媒体（例如数据污染），算法的攻击来产生卡路错误目标图的系统模型和通信干扰，并错误地确定了指挥官的战场情况。为了解决这一难题，战场数据生成技术，算法能力和网络安全保护系统的构建确保AI的客观定位系统将在复杂的环境和复杂数据的威胁中保持有效的识别能力，并在未来的战场上成为“金眼睛”。 （Zhang Shihong Chen Lihui）
（编辑：Wang Xiaoxiao，Peng Jing）
分享以向更多人展示