基于数字孪生的军事物联网应用技术*

邱少明，赵健成，张学翠

（1.南京信息工程大学，南京 210044；2.大连大学通信与网络重点实验室，辽宁 大连 116622；3.北方自动控制技术研究所，太原 030006）

0 引言

数字孪生技术最早源于美国国家航天局（NASA）的阿波罗计划，主要用于对航天器的工作状态进行模拟，来辅助航天员完成太空中的正确决策，减少了航天员的各种操作风险。“数字孪生”一词首次出现在2009 年美国空军研究实验室提出的“机身数字孪生体”概念中，而“数字孪生”作为独立概念首次出现则是在2010 年NASA 的两份技术报告中，其被定义为集成多物理量、多尺度、多概率的系统或飞行器仿真过程。此后，数字孪生正式进入公众的视野，开始得到各研究领域的重视［1］。数字孪生目前没有统一的理论体系，各研究与应用领域对其提出了多种定义，庄存波等对数字孪生的定义是指物理实体的工作进展和工作状态在虚拟空间的全要素重建及数字化映射，是一个集成的多物理、多尺度、超写实、动态概率仿真模型，可用来模拟、监控、诊断、预测、控制产品物理实体在现实环境中的形成过程、状态和行为［2］。当前在智慧城市、电力、医疗等领域都有数字孪生技术的相关应用，但在数字孪生应用过程中，缺乏相关的体系架构、标准的参考［3］。军事领域作为数字孪生技术的重要应用场景，也需要相关的体系架构设计。

本文根据数字孪生的军事物联网应用的特征，总结基于数字孪生的军事物联网应用架构。由于当前数字孪生技术研究处于起步阶段，相关研究应用尚未完善，根据基于数字孪生的军事物联网应用架构结合现有的相关技术进行分析讨论，并对数字孪生在军事领域应用的挑战进行总结。

1 数字孪生技术的军事应用现状及价值

数字孪生作为一种信息技术发展的新兴技术，军事战场方面的应用是其重要方向之一。2011 年3月美国空军研究实验室的一次演讲明确提到了数字孪生。数字孪生技术在军事方面的应用主要在战术训练、指挥决策和资源分配调度等场景。未来军事向着信息化的方向发展，通过数字孪生技术，可以为军事训练与指挥、战略部署等提供高效、合理的决策方案。

当前，数字孪生技术在军事上也有了初步的应用。美国的指挥自动化系统正在向以数字孪生装备方向发展，将来有可能将指挥自动化系统构筑成以数字孪生战场为依托的系统。结合数字孪生技术可以建立数字孪生仿真训练平台，提供全要素的场景模拟，并结合VR 等技术提供更加真实的体验，让士兵真实体会到战场环境。2019 年美国海军也完成了“数字林肯”系统，为“林肯号”航母建立了数字孪生体，运用数字孪生技术搭建了一体化的军事训练与作战指挥平台，提供从训练到实战的全要素平台。因此，数字孪生技术为未来提供全领域，海、陆、空一体的军事平台和多军种的协调配合平台，为打赢未来战争的提供良好基础［4］。数字孪生技术也可以为武器装备制造领域提供故障诊断、状态评估和寿命预测等。

2 基于数字孪生的军事物联网应用架构

基于数字孪生的军事物联网应用如图1 所示。战场环境中，作战人员、无人机采集的图像数据，以及坦克等设备采集的数据，通过边缘设备上传至数字孪生云平台，云平台根据实时数据对模型进行更新。指挥人员可以根据战场动态的数据进行决策模拟和资源调配，并产生最优方案下发至一线作战人员和设备。

图1 基于数字孪生的军事物联网应用Fig.1 Military internet of things application based on digital twin

根据以上应用，基于数字孪生的军事物联网应用架构如图2 所示，其具有高可靠的边端数据采集与处理、低时延的网络传输交互、高保真的数字化模型、高精准的决策支持、闭环的一体化交互控制等特征。

图2 基于数字孪生的军事物联网特征Fig.2 Characteristics of military Internet of things based on digital twin

2.1 高可靠的边缘端数据采集

高可靠的边缘端数据采集与处理是基于数字孪生的军事物联网应用的基础。由于军事应用的特殊环境，对传感器的稳定性、准确性要求更为严格，且边缘端的数据采集是模型孪生、决策支持等的数据基础。同时，边缘端的设备种类多、数据量大，边缘端还要完成多源异构数据的融合压缩等工作，都需要物理设备端提供高可靠的边缘端数据采集与处理能力。周尧等针对融合算法依赖先验信息的问题，剔除复杂环境下多传感器数据中的测量误差，提出了复杂环境下基于支持度的多传感器数据融合算法，实现传感器的加权融合［5］。

2.2 低时延的网络传输交互

低时延的网络传输交互是基于数字孪生的军事物联网应用的关键。战场形势瞬息万变，数据采集与处理完成后，需要将数据快速地传输到孪生云平台。因此，低时延的网络传输交互需要高效率的网络架构和算法。针对网络传输延迟的优化，主要从网络架构和路由算法等方面进行改进。在边缘端网络架构设计时，采用软件定义物联网的架构来降低功耗和延时，提高设备的可靠性。陈亮等提出SDIoT（software-defined internet of things）通用架构，能够简化物联网网络管理，有利于实现异构网络互连，资源动态管控和安全可靠的业务应用［6］。对于网络延迟，贾惠丽针对无线传感网（WSN），结合变异的蚁群算法，改善K-means 的聚类效果，设计了一种KACO 路由算法，有效减少了传输过程中的能量耗费，增强了WSN 的服务性能［7］。陈洋在针对无线传感器网络中存在数据传输延时较高的问题，提出一种数据传输延时优化的路由协议，在减少端到端延时、提高传输的可靠性等方面表现良好［8］。

2.3 高保真的数字化模型

高保真的数字化模型是基于数字孪生的军事物联网应用的根本。基于数字孪生的军事物联网应用需要完成高准确率的数字化建模，不仅要完成外观的建模，更要对其资源、运行状态等部分完成全面的数字化建模。王鹏等提出面向数字孪生的动态数据驱动建模与仿真方法，通过随机有限集对信息物理系统（cyber physical systems，CPS）中的物实体和传感器进行数据驱动建模，并使用基于贝叶斯推理的预测与校正过程支持数据驱动的仿真模型运行。该方法能够很好地实现数字孪生机制下虚实结合的仿真运行，并实现数据驱动的CPS 仿真模型解算，通过以实利虚的方式，有效提高了仿真结果的准确性和可信性［9］。但是，当前的建模仿真的精确度仍然较低，不能够精确描述模型的物理特性。

2.4 高精准的决策支持

高精准的决策支持是基于数字孪生的军事物联网应用的核心。根据数字化模型和数据支持，需要对决策进行数字化仿真，并对多次决策的结果进行评估，最终选取最优的决策结果。当前数字孪生辅助军事决策技术尚处于起步阶段，但已有的相关决策技术，可以结合数字孪生系统发挥更大的作用。战斗人员编组可结合现有研究应用到数字孪生技术提高决策效率，张庆生提出了一种基于模糊遗传算法的人员战斗编组优化算法，用于坦克部队人员的战斗编组中，提出直接编码方案和合适的种群初始化方法对算法进行改进［10］。知识图谱技术可以将专家知识应用到数字孪生系统内，辅助军事决策。车金立等对基于百科知识的军事装备知识图谱构建与应用进行了研究，构建了军事装备领域的知识图谱，实现了知识问答功能［11］。LUO 等提出的一种针对对抗性导弹目标分配的基于深度强化学习的数据驱动策略优化［12］，可以通过数字孪生系统的孪生数据，完成更高效的导弹目标分配。

2.5 闭环的一体化交互控制

闭环的一体化交互控制是基于数字孪生的军事物联网应用的最终目标，仿真预测的结果最终要运用到物理设备中。因此，要实现物理实体和数字化模型之间闭环的一体化交互控制。在无人机控制方面，郑峰婴等针对先进布局无人机多操纵面冗余的控制分配问题，提出一种基于自适应概率引导的混合多目标控制分配方法，有效处理舵面耦合及非线性特性，减少能耗损失，实现操纵面多目标控制分配，使得无人机快速平稳跟踪控制指令［13］。

根据以上的技术特征，本文提出一种基于数字孪生的军事物联网应用架构体系，主要分为物理设备层、网络层、孪生层和应用层。基于数字孪生的军事物联网应用架构如下页图3 所示。

图3 基于数字孪生的军事物联网应用架构Fig.3 Application architecture of military Internet of things based on digital twin

物理设备层：物理设备层主要包括基础施工设施传感器和边缘端计算控制设备。基础设施传感器主要完成对资源、人员等相关数据信息进行数据采集。

网络层：网络层与物理设备层组成物联网数据采集系统，主要将物理设备层采集和处理完成的数据传输到孪生层，实现模型孪生，并为应用层提供数据支持。

孪生层：实现物理层的设备建模，并拥有高实时的模型仿真和同步。同时，孪生层还完成对物理设备层传输的数据进行存储，最终为应用层提供模型验证、控制、预测、决策和交互等工作。

应用层：主要实现军事的相关应用，根据孪生层提供的相应接口，实现如战略决策、兵棋推演和资源分配等应用。

3 关键技术

基于数字孪生的军事物联网应用各功能层中主要包含模型的建模、渲染、数据采集、数据传输、数据存储和计算等功能。其相关的工具和技术如表1 所示。

表1 相关技术Table 1 Related technology

传感器设备完成对战场等环境的数据采集，如人员位置、战场环境等，并通过卫星通信等技术使用传输协议完成数据的传输。主要使用如3DMax、Simulink 等工具完成对物理实体的数字化建模，包括对物体的外观、物理特性等的建模。建模完成后，由Unity3D 等引擎工具对模型进行实时的渲染，为用户提供可视化的交互界面。

3.1 物理设备层

物理设备层主要由传感器、边缘设备等部分组成。该部分主要用于作战过程中作战人员、资源等的数据采集，并上传至孪生层。散布在战场上的地面传感器可与GNSS 位置数据、无人机视频数据等进行融合，通过情报、监视和侦察信息的分布式获取，形成多维侦察监视预警体系，并利用实时数据库，完成边缘端的数据存储。在这种体系下，单兵、装备、物资等都是一个个网络节点，通过物联网的实时感知，可以为上层的指挥决策提供有效的数据支持，能够帮助指挥人员掌握战场态势，提高决策效率。

对于数据采集，高效的数据采集与数据融合是当前研究中的重要问题。文献［14］为了最大限度地提高物联网无人机数据采集过程中的数据采集效率，研究了物联网设备的带宽分配和无人机的三维轨迹设计。在无人机-近地轨道数据传输过程中，针对无人机上传数据总量和能耗，共同优化无人机的发射功率和近地轨道卫星的选择。文献［15］将无人机用作移动边缘计算服务器，开发了无人机辅助物联网系统，其中，使用马尔可夫链从丢包率和数据量方面分析数据收集的性能，根据能量和时间消耗成本的偏好系数设计无人机的计算频率，可以为物联网设备提供强大的数据收集和高效的计算。对于数据融合问题，文献［16］提出了一个在边缘进行数据融合和AI 处理的框架，可以比没有数据融合的AI 更快，同时降低了能耗。文献［17］针对雾计算中高度相关冗余数据，通过轻量级数据融合方法消除了收集数据中的相关性，减少节点级别的数据冗余，并在边缘服务器之间公平分配融合的数据流。

3.2 网络层

网络层主要完成物理设备的数据传输工作。网络层主要利用卫星通信、5G 等技术将物理设备采集的数据传输到孪生层。在当前的数字孪生系统和物联网系统中，主要通过OPC UA、MQTT 等协议将数据传输至指挥控制中心，用于战略决策等功能。OPC UA 是一种框架，并没有规定数据的类型，可以融入MQTT 等协议进行通信，支持跨平台数据通讯，主要用于局域网内设备的数据交互。但是OPC UA 实现复杂，使用成本较高。MQTT 占用资源较少，可以在低带宽的网络中实现数据的传输，适用于资源有限、网络带宽较小的场景。此外，数字孪生的军事应用中，网络结构是研究的重要方向之一，文献［18］提出了一种基于物联网的无人机网络用于军事应用，分配了一组多个无人机网络来监视地理区域，每架无人机相互连接，整个网络由控制单元通过物联网进行监控，所有无人机的数据都由控制单元控制并存储在数据库中。数字孪生技术对于实时性要求很高，因此，低延时也是重要的研究目标。文献［19］针对低延迟物联网，研究了两种基于有限块长度编码的低延迟物联网的盲重传方案，在重传阶段引入自动重复请求和混合自动重复请求机制，提高低延迟物联网的可靠性。文献［20］针对物联网设备网络传输数据的安全性，提出了利用8 位操作原理的低延迟、最优功率混合轻量级密码认证方案。文献［21］通过分析模型和基于混合模糊的强化学习算法，在边缘雾计算环境中进行数据包分配和选择，解决了大数据流量导致的网络拥塞和高延迟等问题。

3.3 孪生层

孪生层主要实现模型的构建、渲染与仿真，并完成物理设备层上传的数据存储，为上层决策等功能提供共用接口。孪生层是数字孪生的核心，高保真的数字化模型是创建数字孪生体的关键，也是上层应用的基础。建模包括几何建模和物理建模，几何建模主要完成对物理实体的外形进行建模；物理建模则要根据实体的物理特性设计相关算法进行数字化建模。目前主要的数字孪生建模工具有：3DMAX、CAD、Matlab、Revit、CATIA 等软件，3DMAX、CAD 主要面向基础建模，Revit 主要面向建筑信息模型建模，CATIA 则是面向产品生命周期管理。渲染与仿真主要实现模型的驱动和仿真验证。建模完成后的物理实体模型要通过Unity3D 等工具进行渲染与仿真，验证模型的正确性。当前主要的渲染工具有Unity3D 和Three.JS 等，Unity3D 是实时3D 互动内容创作和运营平台，提供一整套完善的软件解决方案，可用于创作、运营和变现任何实时互动的2D 和3D 内容。Three.JS 则基于原生WebGL 封装运行的Web 平台的三维引擎，其具有跨平台的优势。

孪生层的建模方法影响着数字孪生的应用效果。文献［22］提出了支持从单元层到系统层，系统层到分散系统层的模型构建的多层建模框架，还考虑了模型随时间变化的机制。文献［23］提出了一种将语义资源建模与实时工业对象传输相结合的使能技术框架，以提高数字孪生的性能。设计了一种包括工业对象元模型和工业对象模型的增强建模方法，对异构设备进行全面建模，包括状态、功能、事件、互操作性和灵活性。通过制定统一的规范，实现标准化和通用化，工人可以根据多变的工作环境灵活定制和复用模型。文献［24］提出了一种基于机器人的智能制造系统，其支持自动重构的数字孪生虚拟实体的五维融合模型，该模型不仅可以真实地描述物理制造资源，还可以代表数字孪生的能力和依赖关系。提出基于服务功能块的可重构策略，提高功能和算法的可重用性，使基于机器人的制造系统满足不同粒度和目标的各种可重构需求。

3.4 应用层

在军事上，应用层主要利用机器学习和智能算法完成战略决策、兵棋推演和资源分配等应用场景，其中，主要的算法有知识图谱等。知识图谱本质上是一种语义网络，主要利用可视化技术描述知识资源间的相互联系，并通过图卷积神经网络完成辅助决策。在战场的指挥过程中，根据边缘端节点数据，辅助决策系统可以通过预先的指挥决策知识的学习，提供作战略决策的推荐来辅助判断。辅助决策系统可以实现对战场的全场景分析，支持复杂的战场态势研判［25］。除了以上决策技术，当前决策方面，文献［26］将数字孪生融入跨组织边界的协作意识框架，提高故障诊断和预测的准确性，支持制定更准确、更可靠的维修计划。文献［27］建立了空中辅助车联网动态数字孪生，以捕捉时变的资源供需情况，从而进行统一的资源调度和分配。文献［28］提出基于邻域自适应调整机制的分解的多目标进化算法来适应边缘环境。构建并求解了基于伤害效果最大化和打击成本最小化的多目标火力资源配置优化模型。文献［29］提出了一个使用数字孪生、扩展现实（XR）和5G 技术的未来综合作战训练平台。在所提出的平台下，战斗人员可以在虚拟战斗空间中掌握基于协作的团队单元格斗技能掌握和情景动作训练，解决训练不足的问题。

4 数字孪生技术在军事领域应用的挑战

在数字孪生技术当前的应用过程中，仍面临诸多挑战，如多源异构数据融合，物理实体的高精度建模等。在军事应用中，网络结构则更加复杂，对传感器的可靠性也有更高的要求。当前数字孪生技术在军事的应用主要挑战如下。

4.1 物联网边缘端数据采集、传输与处理

在数字孪生技术的军事应用中，需要传感器的数量增加，而且军事应用场景的特殊性，传感器数据的传输依赖雷达、卫星等方式资源有限，传感器的种类和数据结构也更加复杂，对于边缘端的数据采集与处理有更高的要求。在战争场景中，数据融合的结果对战场态势评估、决策起着至关重要的作用。多源异构数据融合需要将不同传感器的不同结构的数据进行分析、处理，这也是数字孪生技术要解决的重要问题之一。由于数字孪生技术的实时性要求，需要有更加快速与高效的网络通信接口，这也是数字孪生技术发展过程中需要重点关注的研究方向。

4.2 数字孪生模型

当前，对军事领域装备、系统很难做到精确建模，数字孪生技术发展处于起步阶段，数字孪生体建模技术的复用性不足，不同场景都需要单独建模。数字孪生模型更多关注了外在的可视化效果，实际的物理特性表达仍有一定的误差，不能很好地支撑数字孪生技术的应用。数字孪生领域尚未形成统一的标准，数字孪生模型没有统一的接口规范，也是当前数字孪生技术发展亟待解决的问题。

4.3 人工智能技术

数字孪生技术的关键在于应用，而人工智能技术是近年来的热门研究领域。数字孪生体产生大量的数据，需要人工智能技术来完成相关数据分析与决策。而且数字孪生技术的实时性、准确性等特点对人工智能技术发展有了新的要求，使用数字孪生模型产生的数据，对物理实体的状态进行评估，是未来要面对的重要问题。

5 结论

随着工业4.0 的提出，数字孪生技术逐渐成为研究热点。本文基于军用数字孪生的需求，提出了基于数字孪生的军事物联网应用架构，并对所需相关的技术进行了介绍。当前数字孪生技术的研究正处于起步，相关的标准体系暂时还未建立。未来数字孪生技术将在军事方面得到更加广泛的应用，对推动军事技术的发展，打赢未来战争具有十分重要意义。