Програмне забезпечення для військового навчального моделювання: архітектура та ключові компоненти

Симуляційне ПЗ для військового навчання архітектурно відрізняється від інших категорій оборонного ПЗ. Фундаментальна проектна задача — не пропускна здатність, не затримка та не надійність — а компроміс між детермінізмом та реалізмом. Симуляція для навчання, що є повністю детерміністичною (ті самі вхідні дані завжди виробляють ті самі результати), легка для тестування та сертифікації, але виробляє передбачувані сценарії, які досвідчені учасники навчань швидко навчаються обходити. Повністю реалістична симуляція непередбачувана та насичена, але може бути надто обчислювально витратною, надто варіабельною для контрольованих навчальних цілей або надто складною для валідації відповідно до доктринальних стандартів.

Кожне архітектурне рішення у симуляційному ПЗ для військового навчання формується тим, де система знаходиться на цьому спектрі, а ця позиція є рішенням проектування навчання, а не технологічним рішенням. Архітектор ПЗ повинен розуміти навчальні цілі перед специфікацією архітектури.

Компроміс між детермінізмом та реалізмом

Симуляційні системи для навчання поділяються на три широкі категорії залежно від їх позиції на осі детермінізм-реалізм. Конструктивні симуляції (JCATS, MUSE, JTLS) є сильно скриптованими: поведінка ОС (OpFor) слідує запрограмованим деревам рішень, результати детерміністичні за визначених вхідних даних, а симуляція розрахована на повтор для порівняння. Вони є правильним вибором для навчання прийняття рішень на штабному рівні, де ключовою змінною є рішення учасника навчань, а не поведінка симуляції.

Системи напівавтоматизованих сил (SAF) знаходяться посередині: ШІ-керовані суб'єкти слідують моделям поведінки зі стохастичними елементами (імовірнісна ймовірність влучання, ефекти морального стану, ефекти місцевості на пересування), виробляючи реалістичну варіацію, залишаючись достатньо передбачуваними для контролю «Білою клітиною» (командою управління навчаннями). JANUS та OneSAF є прикладами цієї категорії.

Високоточні симулятори (VESNA для пілотів БПЛА, артилерійські симулятори для екіпажів танків) надають пріоритет реалізму фізичного та сенсорного середовища над контрольованістю сценарію. Вони використовують фізично-обґрунтовані моделі для балістики, аеродинаміки та симуляції датчиків і застосовуються для навчання індивідуальних навичок, а не колективних навчальних сценаріїв.

Моделі поведінки ШІ OpFor

Поведінка ОС (OpFor) у симуляції реалізована як система ШІ-агентів. Кожна сутність OpFor (машина, відділення, штаб) виконує модель поведінки, що спостерігає стан симуляції, приймає рішення згідно з моделлю доктрини та видає команди руху та ураження. Якість навчання залежить значною мірою від якості цих моделей поведінки.

Стандартна архітектура для ШІ OpFor — ієрархічний планувальник мережі завдань (HTN): план місії верхнього рівня (наступ, оборона, затримка) декомпозується на підзавдання (рух на позицію, встановлення оборонного периметру, ураження виявлених цілей), які далі декомпозуються на примітивні дії (рух машини, відкриття вогню, запит підтримки). Планувальник постійно переоцінює поточний план відповідно до стану симуляції та перепланує при зміні умов.

Сучасні системи додають компоненти навчання з підкріпленням до поведінки OpFor: сутність OpFor навчається, протягом багатьох навчальних циклів, яким тактичним рішенням успішно протистояти конкретній тактиці, яку використовують учасники навчань, виробляючи адаптивне протистояння, що запобігає використанню скриптованих патернів. Це суттєво підвищує реалізм навчання, але вимагає ретельного обмеження для запобігання прийняттю ШІ тактично надлюдської поведінки, яка є нереалістичною та деморалізуючою, а не навчальною.

Рушії сценарного скриптингу

Проектувальникам навчань потрібно створювати та змінювати навчальні сценарії без написання коду. Рушій сценарного скриптингу — це інтерфейс між проектувальниками навчань та симуляцією: він надає графічне середовище для розміщення підрозділів, визначення цілей, скриптингу тригерів (коли підрозділ X досягає місця Y, ввести подію Z) та налаштування параметрів поведінки OpFor.

Рушій скриптингу повинен підтримувати як попередньо заплановані елементи сценарію (початкове розгортання сил, скриптовані ін'єкції від Білої клітини), так і динамічну модифікацію сценарію (Біла клітина коригує сценарій у реальному часі в міру розвитку навчань, не зупиняючи симуляцію). Останнє вимагає API ін'єкції подій, що дозволяє авторизованим вхідним даним змінювати стан симуляції без порушення внутрішньої узгодженості симуляції.

Формати файлів сценаріїв повинні використовувати відкриті, версіоновані схеми (на основі XML або JSON), сумісні з іншими симуляційними системами. Фірмові бінарні формати сценаріїв створюють прив'язку до постачальника та запобігають повторному використанню сценаріїв між системами — суттєва проблема для навчальних організацій, що експлуатують кілька симуляційних платформ.

Системи розбору навчань (AAR)

Розбір навчань (AAR) — це місце, де реалізується навчальна цінність. Добре спроектована система AAR повинна відтворювати навчання з будь-якого моменту часу, з анотаціями прийнятих рішень, інформації, доступної особам, що приймають рішення, в кожен момент, та результатів. Це вимагає безперервного запису стану симуляції з достатньою часовою роздільною здатністю для точного відтворення.

База даних AAR записує кожну зміну стану сутності (позиція, статус, зіткнення) з мітками часу мінімальною роздільною здатністю 1 секунда, а ідеально субсекундно для критичних подій (постріли зброї, знищення машин, командні передачі). Рушій відтворення повинен відтворювати точний стан за будь-яким запитаним часовим штампом, підтримуючи відтворення на повній швидкості та в уповільненому режимі з можливістю паузи та опитування конкретних сутностей.

Найцінніша можливість AAR — відтворення з перспективи: показ навчань з точки зору особи, що приймає рішення — яку інформацію вона мала в конкретний момент (не що було правдою, а що її датчики їй повідомляли) — а не з усезнаючої перспективи. Це дозволяє точний аналіз того, чому рішення було прийнято і чи було воно доцільним з урахуванням доступної на той момент інформації, а не лише того, чи був результат сприятливим.

Рушії місцевості та фізики

Військова симуляція вимагає точності даних місцевості, якою комерційні ігрові рушії не надають пріоритету: точне представлення DTED (цифрових даних висот рельєфу), моделі прохідності рослинності та ґрунту для пересування поза дорогами, маскування датчиків (чи може підрозділ A виявити підрозділ B з урахуванням рельєфу між ними?) та обчислення прямої видимості для застосування зброї. Більшість систем військової симуляції використовують цільовий рушій місцевості або розширюють комерційний ігровий рушій (Unreal, Unity) специфічними для оборони модулями місцевості.

Балістичні моделі повинні бути калібровані за таблицями систем зброї — симуляція, що використовує загальні лінійні моделі снаряда замість зброєспецифічних даних зовнішньої балістики, буде виробляти навчання, що навчає неправильним очікуванням дальності. Для навчання екіпажів зброї точність балістичної моделі є безпосередньою проблемою навчальної безпеки.

Симуляція деградованого зв'язку

Однією з найменш реалізованих можливостей симуляцій для навчання є точне моделювання деградованого зв'язку. Навчання зазвичай проводяться в чистих симульованих мережах, що не мають ніякого відношення до оспорюваного РЧ-середовища рівноцінного конфлікту. Симуляція, що вносить реалістичну деградацію зв'язку — на основі ефектів рельєфу, моделей радіоелектронного придушення та конкуренції за пропускну здатність — змушує командирів та штаб відпрацьовувати навички прийняття рішень, які їм реально знадобляться в операціях. Це вимагає рівня симуляції зв'язку, що моделює розповсюдження сигналу, конфлікти частот та обмеження пропускної здатності, та застосовує ці обмеження до інформаційного потоку в симуляції.