Wspomagane przez AI planowanie tras zaopatrzenia dla logistyki wojskowej: optymalizacja w warunkach zagrożenia

Dostarczenie zaopatrzenia we właściwe miejsce we właściwym czasie jest prostym problemem logistycznym w bezpiecznym środowisku. W spornym obszarze operacyjnym staje się ono wieloceltową optymalizacją w warunkach niepewności przeciwnika: każdy odcinek drogi niesie nie tylko czas przejazdu, lecz także prawdopodobieństwo przerwania, a prawdopodobieństwo to zmienia się wraz z ewolucją obrazu zagrożenia. Ręczne planowanie tras -- oficer sztabowy pracujący nad mapą z kartami tras i harmonogramami konwojów -- nie jest w stanie przetwarzać aktualizacji danych wywiadowczych o zagrożeniach dostatecznie szybko, aby utrzymać plan ruchu na bieżąco. Wspomagane przez AI planowanie tras zaopatrzenia zastępuje ten ręczny cykl ciągłym silnikiem optymalizacji, który pobiera warstwy zagrożeń, stan sieci drogowej i harmonogramy konwojów oraz wytwarza trasy minimalizujące narażenie na ryzyko, jednocześnie dotrzymując terminów dostaw. Ten artykuł omawia podstawowe algorytmy stojące za optymalizacją logistyki wojskowej z użyciem AI, od modelowania grafowego i integracji zagrożeń po dekonfliktację konwojów, degradację sieci i przeplanowanie w czasie rzeczywistym.

Złożoność planowania tras zaopatrzenia w środowiskach spornych

Klasyczne planowanie tras optymalizuje pojedynczy cel -- zwykle odległość lub czas przejazdu -- w statycznej sieci. Wojskowe planowanie tras zaopatrzenia nie jest ani jednoceltowe, ani statyczne. Planer musi jednocześnie minimalizować narażenie na zagrożenie, spełniać okna czasowe dostaw, respektować ograniczenia ładowności pojazdów i przepustowości dróg, dekonfliktować wiele konwojów rywalizujących o te same wąskie gardła oraz uwzględniać możliwość, że sama sieć drogowa ulegnie degradacji między momentem wydania planu a momentem ruchu konwoju. Każdy z tych wymiarów dodaje warstwę złożoności kombinatorycznej, a interakcje między nimi są nietrywialne: trasa o najniższym zagrożeniu może prowadzić przez most o niewystarczającej nośności dla najcięższego pojazdu w konwoju, a trasa, która najlepiej dekonfliktuje dwa konwoje, może wymagać czasu wyjazdu naruszającego termin dostawy.

Obraz zagrożenia jest szczególnie trudny do obsłużenia, ponieważ jest zarówno rozproszony przestrzennie, jak i niestabilny czasowo. Mapa cieplna prawdopodobieństwa IED wyprowadzona z historycznych danych o incydentach i bieżącej analizy wzorców życia jest ciągłą powierzchnią rastrową, którą trzeba przełożyć na koszty na odcinek w dyskretnym grafie drogowym. To przełożenie jest niedoskonałe: odcinek drogi, który muska krawędź strefy o wysokim prawdopodobieństwie, powinien otrzymać niższy koszt zagrożenia niż odcinek przebiegający przez jej środek, a ten sam odcinek może mieć bardzo różne poziomy zagrożenia w dwóch kierunkach przejazdu, jeśli źródła zagrożenia są rozmieszczone asymetrycznie. Co więcej, mapa cieplna jest nieaktualna w chwili jej wytworzenia -- nowe incydenty, blokady tras i przegrupowania przeciwnika nieustannie przesuwają powierzchnię zagrożenia w sposób, którego statyczny przebieg planowania nie jest w stanie przewidzieć.

Rezultatem jest problem planowania wymagający wielokrotnej re-optymalizacji, a nie pojedynczego rozwiązania. Wartość wspomaganego przez AI planowania tras polega nie tylko na tym, że znajduje ono lepsze trasy niż metody ręczne -- polega na tym, że potrafi przeplanowywać dostatecznie szybko, aby utrzymać ważność planu ruchu w miarę zmiany warunków, i robić to dla dziesiątek jednoczesnych konwojów w sieci drogowej skali teatru działań.

Grafowe modelowanie sieci drogowej dla logistyki wojskowej

Fundamentem wspomaganego przez AI planowania tras jest graf geoprzestrzenny, który reprezentuje sieć drogową jako skierowany zbiór węzłów i krawędzi. Węzły odpowiadają skrzyżowaniom dróg, punktom drogi, punktom zaopatrzenia, punktom dostawy i nazwanym lokalizacjom. Krawędzie odpowiadają odcinkom dróg, przy czym ukierunkowanie pozwala modelowi reprezentować ograniczenia jednokierunkowe, zamknięcia pasów i asymetryczne poziomy zagrożenia. Każda krawędź niesie zestaw atrybutów: długość w metrach, nominalny czas przejazdu według klasy pojazdu (kołowy lekki, kołowy ciężki, gąsienicowy), typ nawierzchni (utwardzona, nieutwardzona, szlak), maksymalną klasę obciążenia oraz flagę przejezdności, którą można ustawić na false, aby wykluczyć krawędź z całego routingu. Mosty są modelowane jako odrębne typy krawędzi z własną klasą obciążenia -- zwykle wyrażaną w Wojskowej Klasie Obciążenia (MLC) -- ponieważ most przejezdny dla lekkiego pojazdu kołowego może być nieprzejezdny dla zestawu czołgu podstawowego i cysterny paliwowej.

Dane sieci drogowej do planowania wojskowego pochodzą z kilku źródeł, które należy zharmonizować w jeden graf. Komercyjne wektorowe dane drogowe dostarczają bazowej geometrii i łączności. Raporty rozpoznania inżynieryjnego aktualizują klasy mostów, oceny stanu dróg i zamknięcia. Analiza zobrazowań satelitarnych i lotniczych wnosi oceny uszkodzeń dla odcinków na obszarach, gdzie rozpoznanie naziemne nie jest możliwe. Wyzwaniem fuzji danych jest utrzymanie grafu w synchronizacji z rzeczywistością: most, który wydaje się przejezdny w zbiorze wektorowym, mógł zostać zniszczony tygodnie wcześniej. Potoki aktualizacji grafu, które pobierają ustrukturyzowane raporty wywiadowcze i stosują je jako łatki atrybutów krawędzi -- zamiast wymagać pełnej przebudowy sieci -- są niezbędne dla tempa operacyjnego.

Gdy graf jest już skonstruowany, algorytmy najkrótszej ścieżki znajdują optymalne trasy. Algorytm Dijkstry oblicza globalnie optymalną ścieżkę, ale słabo skaluje się do dużych grafów przy częstych cyklach re-optymalizacji. Wyszukiwanie A* z heurystyką geoprzestrzenną (odległość w linii prostej do celu) znacząco redukuje przestrzeń przeszukiwania dla zapytań punkt-do-punktu. Dla tras wielopunktowych z uporządkowanymi punktami drogi stosuje się sformułowanie problemu komiwojażera; dla praktycznych sieci skali teatru działań heurystyki najbliższego sąsiada z lokalnymi krokami poprawy dają rozwiązania w granicach 5--10% od optimum w milisekundach. Wybór algorytmu zależy od wymaganego czasu rozwiązania, rozmiaru sieci oraz od tego, czy optymalizacja jest uruchamiana wsadowo (przed oknem ruchu), czy w czasie rzeczywistym (w odpowiedzi na zdarzenie podczas ruchu).

Integracja warstw zagrożeń: mapy prawdopodobieństwa IED, obserwacji i pokrycia ogniem

Przełożenie produktów wywiadowczych na koszty routingu wymaga przestrzennego złączenia grafu sieci drogowej z warstwami zagrożeń. Dla rastrowych warstw zagrożeń, takich jak mapy cieplne prawdopodobieństwa IED -- wytwarzane przez modele analityki predykcyjnej łączące historyczne dane o incydentach z cechami terenu, infrastruktury i wzorców życia -- złączenie oblicza średnią lub maksymalną wartość zagrożenia wzdłuż każdego odcinka drogi poprzez próbkowanie rastra w punktach rozmieszczonych wzdłuż geometrii krawędzi. Wynikowy wskaźnik zagrożenia na krawędź jest normalizowany do skali 0--1 i łączony z pozostałymi warstwami zagrożeń za pomocą ważonej sumy, której współczynniki są konfigurowalne przez operatora. Operator planujący uzupełnienie paliwa może najwyżej ważyć ryzyko IED; planujący ewakuację medyczną może najsilniej ważyć pokrycie ogniem bezpośrednim, ponieważ pojazdy nie mogą sobie pozwolić na żadne starcie.

Wektorowe warstwy zagrożeń wymagają przecięcia wielokąt-krawędź zamiast próbkowania rastra. Wielokąt pokrycia ogniem bezpośrednim reprezentujący zagrożenie liniowe (line-of-sight) ze znanej pozycji uzbrojenia przeciwnika jest przecinany z każdą krawędzią drogi, aby obliczyć ułamek długości krawędzi, który mieści się w odcisku pokrycia. Krawędzie w całości znajdujące się w strefie pokrycia ogniem otrzymują pełny koszt zagrożenia; krawędzie muskające granicę strefy otrzymują koszt proporcjonalny. Bufory punktów obserwacyjnych -- reprezentujące obszary, w których konwój byłby obserwowany i meldowany, podnosząc zagrożenie wtórne -- są obsługiwane w ten sam sposób. Kluczową decyzją projektową jest to, czy połączyć wszystkie warstwy zagrożeń w jeden złożony koszt, czy zachować je jako odrębne wymiary w optymalizacji wielocelowej. Pojedyncze koszty złożone są obliczeniowo prostsze, ale wymagają od operatora zobowiązania się do wag przed rozwiązaniem. Optymalizacja wielocelowa zwraca front Pareto tras równoważących czas przejazdu z narażeniem na zagrożenie, dając dowódcy więcej informacji kosztem bardziej złożonego interfejsu decyzyjnego.

Czasowa zmienność zagrożenia jest najtrudniejszą warstwą do zintegrowania. Wzorce aktywności przeciwnika -- wyższe ryzyko podłożenia IED w ciemności, wyższe ryzyko ognia bezpośredniego za dnia w określonym terenie -- oznaczają, że optymalna trasa dla konwoju nocnego różni się od optymalnej trasy dla konwoju dziennego na tej samej parze początek-cel. Indeksowane czasowo koszty krawędzi pozwalają optymalizatorowi uwzględnić te wzorce, jeśli czas wyjazdu jest znany, ale znacznie zwiększają złożoność przechowywania i odpytywania grafu. Praktycznym podejściem jest wstępne obliczenie rekomendacji tras dla trzech lub czterech reprezentatywnych okien czasowych (świt, dzień, zmierzch, noc) i pozwolenie planerowi na wybranie odpowiedniego okna w czasie planowania misji, zamiast rozwiązywania w pełni indeksowanego czasowo grafu w czasie rzeczywistym.

Dekonfliktacja konwojów wielopojazdowych i harmonogramowanie okien czasowych

Plan logistyczny skali teatru działań zazwyczaj obejmuje dziesiątki do setek jednoczesnych konwojów poruszających się przez współdzieloną sieć drogową. Bez dekonfliktacji wiele konwojów zbiegnie się w tych samych wąskich gardłach -- przeprawach mostowych, przełęczach górskich, korytarzach tranzytowych miast -- tworząc kolejki, które zwielokrotniają czas postoju i narażenie na zagrożenie. Dekonfliktacja konwojów wyznacza zestaw tras i czasów wyjazdu, który zapobiega temu zbieganiu się, jednocześnie nadal dotrzymując terminów dostaw. Bazową strukturą matematyczną jest problem marszrutyzacji pojazdów z oknami czasowymi (VRPTW): każdy konwój jest pojazdem o ustalonej pojemności, każdy punkt dostawy ma okno czasowe, a odcinki dróg mają ograniczenia przepustowości wyprowadzone z ich szerokości, parametrów inżynierii ruchu i polityki operacyjnej dotyczącej odstępów konwojów.

VRPTW jest NP-trudny, co oznacza, że rozwiązania dokładne są obliczeniowo nierozwiązywalne dla dużych instancji. Produkcyjne planery logistyki wojskowej używają solverów metaheurystycznych -- adaptacyjne przeszukiwanie dużego sąsiedztwa (ALNS) jest obecnym stanem praktyki -- które znajdują rozwiązania niemal optymalne dla instancji z 50--200 konwojami i 500--2 000 punktami dostawy w ciągu dwóch do pięciu minut czasu rozwiązywania. ALNS działa poprzez iteracyjne niszczenie części bieżącego rozwiązania (usuwanie podzbioru przypisań konwojów) i naprawianie go za pomocą zachłannej heurystyki wstawiania, akceptując poprawy i okazjonalnie akceptując gorsze rozwiązania, aby wymknąć się z optimów lokalnych. Operator naprawy respektuje wszystkie ograniczenia: okna czasowe, pojemność pojazdów, klasy obciążenia dróg i obwiednię kosztu zagrożenia. Rozwiązania naruszające twarde ograniczenie (nośność mostu, termin dostawy) są odrzucane; rozwiązania zwiększające narażenie na zagrożenie ponad określoną przez operatora tolerancję są karane w funkcji celu.

Odstępy w obrębie pojedynczego konwoju są odrębnym, lecz powiązanym problemem. Konwój dziesięciu pojazdów poruszający się z prędkością 40 km/h z odstępem 100 m zajmuje 1 km drogi. Jeśli trasa prowadzi przez 500-metrowy korytarz miejski, konwój jest stłoczony przez cały czas tranzytu, tworząc wydłużone okno celu o wysokiej wartości. Oprogramowanie do planowania tras świadome długości konwoju albo podzieli konwój na dwa rzuty z rozłożonymi czasami wyjazdu, albo zidentyfikuje trasy unikające długich ograniczonych korytarzy dla dużych konwojów. Wymaga to atrybutów krawędzi, które kodują nie tylko przejezdność, lecz także efektywną przepustowość jako funkcję rozmiaru i prędkości konwoju.

Degradacja sieci drogowej: modelowanie nośności mostów, stanu dróg i wąskich gardeł

Sieć drogowa w środowisku spornym degraduje się nieustannie. Mosty są atakowane, kraterowane lub zalewane. Drogi nieutwardzone stają się nieprzejezdne po ulewnych deszczach lub przedłużającym się ruchu pojazdów gąsienicowych. Wąskie gardła miejskie zostają zablokowane przez porzucone pojazdy, gruz lub celowe przeszkody. Plan trasy, który był optymalny o godzinie H, może być częściowo lub całkowicie nieprzydatny o H+12. Modelowanie degradacji sieci drogowej próbuje przewidzieć ten rozpad i włączyć go do optymalizacji tras, zamiast odkrywać go, gdy konwój dotrze do nieprzejezdnego odcinka.

Degradacja mostów jest awarią pojedynczego punktu o najwyższych konsekwencjach w sieci drogowej. Zniszczony most na przeprawie rzecznej może wyeliminować wszystkie trasy w korytarzu, zmuszając konwoje na alternatywne przeprawy, które mogą dodać godziny przejazdu i zwiększyć narażenie na zagrożenie. Planer powinien utrzymywać wskaźnik podatności mostu dla każdej przeprawy, który łączy jej znaczenie strukturalne (liczbę tras zależnych od niej), oceniony priorytet jej atakowania przez przeciwnika oraz jej bieżący stan. Trasy polegające na mostach o wysokiej podatności powinny nieść dodatkowy koszt awaryjny, a plan powinien z góry identyfikować alternatywne przeprawy, tak aby dowódcy konwojów mieli trasę zapasową bez konieczności pełnego przeplanowania przez radio, jeśli podstawowa przeprawa zostanie zablokowana.

Degradacja stanu dróg na szlakach nieutwardzonych jest modelowana za pomocą funkcji przejezdności, która łączy nośność gleby, wilgotność gleby, obciążenie osiowe pojazdu i skumulowaną liczbę przejazdów. Każdy przejazd pojazdu zmniejsza nośność podmokłej drogi nieutwardzonej; powyżej progu droga staje się nieprzejezdna dla pojazdów kołowych i musi być objeżdżana. Efekt ten jest szczególnie wyraźny podczas roztopów wiosennych w klimatach kontynentalnych, gdy lustro przemarznięcia opada, a nasycone gleby tracą nośność na tygodnie. Oprogramowanie do planowania tras, które uwzględnia dane prognoz wilgotności gleby z numerycznych modeli prognozowania pogody, może zidentyfikować, które nieutwardzone odcinki tras prawdopodobnie staną się nieprzejezdne w horyzoncie planistycznym, i odpowiednio je ważyć, kierując konwoje ku utwardzonym alternatywom, zanim nawierzchnia ulegnie degradacji, a nie po niej.

Przeplanowanie w czasie rzeczywistym przy skompromitowaniu trasy lub aktualizacji zagrożenia

Zdarzenia skompromitowania trasy -- uderzenie IED, blokada trasy, meldunek o kontakcie na odcinku przypisanym do aktywnego konwoju -- wymagają przeplanowania szybszego, niż pozwala na to wsadowy cykl optymalizacji. Architektura przeplanowania inkrementalnego oddziela pełną optymalizację sieci, która działa okresowo (co 15--60 minut, w zależności od tempa aktualizacji wywiadowczych), od przeplanowania sterowanego zdarzeniami, które działa w ciągu sekund od zdarzenia wyzwalającego i dotyczy tylko konwojów, których pozostałe trasy obejmują skompromitowany odcinek. Przeplanowanie sterowane zdarzeniami używa inkrementalnego algorytmu najkrótszej ścieżki, takiego jak D*-Lite, który utrzymuje wsteczne drzewo najkrótszych ścieżek od celu i propaguje zmiany kosztu krawędzi tylko przez część drzewa dotkniętą aktualizacją. Dla typowej zmiany dotyczącej pojedynczej krawędzi lub niewielkiego skupiska sąsiednich krawędzi D*-Lite przelicza optymalną ścieżkę w czasie proporcjonalnym do rozmiaru dotkniętego podgrafu, a nie całej sieci.

Potok przeplanowania musi być połączony z łańcuchem meldowania wywiadowczego o niskim opóźnieniu. Meldunek o kontakcie, który dociera do centrum operacyjnego, ale którego transkrypcja i wprowadzenie do systemu planowania tras jako aktualizacji kosztu trwa 20 minut, nie zapewnia żadnej korzyści operacyjnej konwojowi, który wciąż porusza się ku zagrożeniu. Wdrożenia produkcyjne integrują silnik planowania tras bezpośrednio ze strumieniem zdarzeń C2 -- każde zdarzenie CoT oznaczone jako akt wrogi lub blokada trasy automatycznie wyzwala aktualizację kosztu dla dotkniętej krawędzi i inicjuje przeplanowanie dla wszelkich konwojów przypisanych do tej krawędzi. Zmieniona trasa jest przesyłana na terminal dowódcy konwoju w ciągu dwóch minut od zdarzenia wyzwalającego, dając dowódcy czas na działanie, zanim dotrze do skompromitowanego punktu.

Przeplanowanie nie zawsze jest możliwe. Konwój znajdujący się już wewnątrz wąskiej doliny bez alternatywnych wyjść nie może zostać przekierowany przez oprogramowanie; wymaga to reakcji taktycznej ze strony dowódcy konwoju. System planowania tras powinien komunikować nie tylko zmienioną trasę, lecz także powód przeplanowania i poziom pewności oceny zagrożenia, tak aby dowódca mógł ocenić, czy zaakceptować sugerowane odejście, czy kontynuować na pierwotnej trasie na podstawie swojej lokalnej świadomości sytuacyjnej. Ten aspekt współdziałania człowiek-maszyna -- oprogramowanie dostarcza zoptymalizowaną rekomendację, a dowódca zachowuje uprawnienie do jej zastąpienia -- jest centralny dla koncepcji operacyjnej wspomaganego przez AI planowania logistycznego w środowiskach spornych, zgodnie z szerszymi podejściami do widoczności ostatniej mili taktycznej i śledzenia zaopatrzenia.

Integracja z teatralnymi systemami logistycznymi i meldowaniem C2

Silnik planowania tras działający w izolacji od szerszego ekosystemu logistycznego i C2 zapewnia tylko ułamek swojej potencjalnej wartości. Integracja z teatralnymi systemami zarządzania logistyką -- które śledzą poziomy zapasów, dostępność pojazdów, stan obsługi technicznej i harmonogramy dostaw -- pozwala optymalizatorowi tras podejmować decyzje uwzględniające pełny kontekst łańcucha dostaw. Planer tras, który wie, że dany punkt zaopatrzenia ma krytycznie niski poziom paliwa, nada priorytet konwojowi uzupełniającemu paliwo nad mniej priorytetowym przewozem ładunku, odpowiednio dostosowując czasy wyjazdu i trasy, zamiast traktować wszystkie konwoje jako równie priorytetowe dane wejściowe optymalizacji. Ta świadomość łańcucha dostaw przekształca planer tras z rozwiązania punktowego w komponent większej architektury optymalizacji logistyki wojskowej napędzanej przez AI.

Integracja meldowania C2 zapewnia, że plany tras są widoczne dla dowódców odpowiedzialnych za ochronę wojsk i koordynację taktyczną. Planowana trasa każdego konwoju, zaplanowane punkty drogi i szacowane czasy przybycia są publikowane jako nakładki na COP, pozwalając dowódcom zidentyfikować, kiedy konwój przejedzie przez sektor, za który są odpowiedzialni, oraz odpowiednio skoordynować eskortę lub osłonę. Dekonfliktacja tras z pododdziałami manewrowymi -- zapewnienie, że konwój logistyczny nie przemierza odcinka drogi w tym samym czasie co element manewrowy poruszający się w przeciwnym kierunku -- wymaga dostępu do nakładki ruchu planu manewru. Integracja ze wspólnym obrazem operacyjnym poprzez publikację zdarzeń CoT lub bezpośrednią wymianę nakładek GIS umożliwia tę koordynację bez konieczności osobnej rozmowy telefonicznej przy każdym ruchu konwoju. Integracja wspiera również analizę po misji: rzeczywiste ślady konwojów zarejestrowane przez systemy pozycjonowania pojazdów można porównać z planowanymi trasami, aby zidentyfikować systematyczne odchylenia, wąskie gardła, w których konwoje konsekwentnie zwalniają, oraz odcinki tras, gdzie dane planistyczne nie odpowiadają rzeczywistości w terenie.

Zgodność ze standardami jest warunkiem wstępnym integracji teatralnej. Dane tras muszą być wymienialne w formatach, które systemy odbierające mogą skonsumować bez niestandardowych adapterów: nakładki taktyczne MIL-STD-2525C do wizualizacji COP, ustandaryzowane formaty wymiany danych logistycznych do interoperacyjności systemów zarządzania łańcuchem dostaw oraz CoT do powiadomień sterowanych zdarzeniami dla klientów ekosystemu TAK. Wsparcie autonomicznych platform uzupełniania zaopatrzenia dodaje kolejny wymóg integracyjny: bezzałogowe naziemne i powietrzne pojazdy uzupełniające potrzebują danych tras w formacie czytelnym maszynowo, ze współrzędnymi punktów drogi, profilami wysokości i statusem przejezdności na poziomie odcinka, a nie nakładek mapowych zaprojektowanych dla operatorów ludzkich. Silnik planowania tras zbudowany na otwartych standardach geoprzestrzennych -- OGC WFS/WMS dla danych sieci, GeoJSON dla wyjścia tras i CoT dla wiadomości o zdarzeniach -- może obsługiwać zarówno konsumentów ludzkich-operatorów, jak i autonomiczne platformy z tego samego obliczenia trasy bez narzutu konwersji formatów.