第2章
智能无人系统基础理论

为了使智能无人系统具备完成各种环境下不同难度和挑战性的任务，需要研究和解决一系列理论问题和突破一些关键技术。其研究目标是以建立知识、数据和反馈于一体的人工智能理论和模型，构建面向真实场景下的具有高度协同决策能力的智能无人系统。

具体而言，其核心内容包括以下几点：

（1）研究基于先验知识的时空约束的环境建模和场景感知技术，实现高度复杂环境下对场景的透彻理解和大场景目标的识别。将人类先验与知识引入数据驱动计算框架，提高现有人工智能方法的适应性和推广性，提高识别、分类、推理和预测等能力；突破无监督学习、经验记忆利用和内隐知识加载以及注意力选择等难点问题，建立基于数据依赖和知识依赖的更为灵活的机器学习模型，目的是新的学习模型同时具备知识推断系统的鲁棒性，推理能力，以及数据模型的预测能力，并与复杂环境融合，增强智能无人系统对于复杂环境的学习能力，向更高水平的智能。

（2）研究面向网络—物理—人类社会（Cyber Physical Human，CPH）三元空间的知识表达新方法，特别是非符号知识和直觉知识等表达刻画方法，形成物理世界、信息世界和人类社会互为映照的知识表示体系，链接个体、语义和实体。建立起严密知识和不确定知识以及形象知识表达体系，刻画三元空间相互验证的常识性知识，为感知、理解、推理和决策提供支撑，形成从数据中不断学习、自我更新知识的自主学习能力。这种三元空间表达，可以更为有效，自主进化地完成不同类型的学习任务，并提供更为完备的验证方法，使得在面对复杂环境中，学习模型仍能具备自我进化，尽快适应新环境的能力，提高新型智能无人系统的可靠性和抽象能力。

（3）面向智能无人系统的协同决策需求，建立适用于多平台分布式和多模态交互式协同决策的机器学习理论和方法，并研发多平台分布式智能无人系统的自主协同技术，在提高单平台自主能力的同时提升多平台信息分布式协同，实现系统从个体的学习能力到整体的通信优化性能的提升，从而提高整体智能融合水平和高程度的自主协作能力。具体而言，通过将学习算法性能和智能无人系统整体性能综合考虑，建立更为合理的优化模型，为提升智能无人系统的融合水平提供更为有效的分析工具和性能提升。

（4）研究智能无人系统对不确定环境和事件的感知和判断能力，实现快速变化动态场景下的自主学习与决策能力。通过借鉴人类思维和学习的认知机制，加强以注意力、记忆为核心的脑启发可计算模型研究，与数据智能方法相结合，实现大数据智能学习中自适应主动探索学习方法。具体而言，要加强大脑中感知记忆、工作记忆和长期记忆中信息或知识的表达与构造方法研究，在此基础上，加强大数据知识学习和理解过程中场景理解驱动的激活模型自更新和自调整机制，实现大数据中知识的自适应学习。

以上研究方向均有着同一个最终目标，即提出更为可靠的人工智能模型和系统，面向更为复杂的环境，并自主进化调整。智能决策技术是多种高新技术的综合产物，具有较好的潜在收益，其发展水平代表着一个国家的综合科研发展水平，也具有重要的经济和战略意义。项目的研究，立足于当前的发展现状和前沿，可以为智能无人系统产业的可持续发展提供保障，为全面构建智慧型社会的智能制造、服务和军事现代化水平提供技术支撑，作出贡献。为了保障智能无人系统基础理论的深入探索与核心智能技术的创新研究，为各种类型智能无人系统研制提供所需的各种基础组件和验证手段，推动人工智能在不同领域中的应用，重点开发面向智能无人系统共性核心技术的支撑平台。 IoNr67G5H8BZQvPGNoGHsc6poynh/8/3dEX3r3kQNbFe1NfJ9FGPMr9S/jqFmJ6m