传感器 模型 美军仿真系统FLAMES剖析：仿真模型框架
美军仿真系统FLAMES剖析：仿真模型框架
柔性行为分析与建模评估系统（FLAMES）是美国Ternion公司20世纪80年代中期开发研制并于2001年公布的仿真开发软件。FLAMES是基于行为仿真的开放式仿真框架软件，其软件本身不能满足用户的具体仿真要求，它仅是一个仿真框架，用户可以在此仿真框架的基础上建立各种装备模型、行为模型和消息模型形成符合自己需求的仿真软件。运用FLAMES可以模拟多种类型系统的行为，它的应用领域包括：新概念武器论证、战术和战役仿真、新战法研究和验证。
图 1 FLAMES应用
一、FLAMES模型体系
FLAMES 的模型体系如图 2所示，其中，装备模型主要模拟仿真单元中各类装备的功能特性，使之可以与环境和其他仿真单元进行交互。认知模型主要模拟人的决策过程，使仿真单元能够存储、处理来自其他仿真单元的消息并做出决策，可控制加载到仿真单元上的装备模型。所有的装备模型都通过扩展装备模型的平台、天线、通讯装备、传感器、武器系统、电子战、弹药、子系统模型8个子类而得到。
图 2 FLAMES模型框架
1)平台模型的对象实例为抽象的作战实体赋予外部特征和行为属性，使平台具有特定的物理意义，对应军事概念上的某类平台。不同类型的平台具有不同的平台模型，但抽象的平台类描述了各类平台的公共属性与操作。平台类具有固定翼飞机、旋转翼飞机、坦克、车辆、巡航导弹、卫星、水面舰艇、潜艇等子类。
(2)通信装备模型，用于模拟从一个作战实体对象向另一个作战实体对象传送消息的过程，可模拟的过程包括检测通信链路、发送消息、接收消息、处理消息等。实体对象可直接使用合适的通信装备模型对象来模拟通信装备与通信活动。
(3)传感器模型，用于模拟一个实体对象对其他实体对象的发现检测过程。该模型不直接检测实体对象而是检测实体对象上加载的装备对象。根据传感器的类型不同，传感器所能检测的装备类型也有所不同。传感器类具有地面雷达、舰载雷达、机载雷达、几何雷达、激光传感器、雷达预警接收机、声呐等子类。
(4)数据处理器模型，用于模拟处理传感器检测到其他实体时所产生的数据，还用于处理来自于其他实体的消息。通常直接由传感器模型使用，也可由实体模型使用。
(5)干扰装备模型，用于模拟电子战中通过产生电磁能量来干扰其他实体之间的发送/接收信号的装备机器干扰行为。实体对象或其他具有模拟电磁能量接收行为的装备模型也可直接使用干扰装备对象。
(6)子系统模型，用于被其他装备模型所使用，但具有一定的独立性，可独立完成子装备的固有功能，如雷达或通信干扰设备中所需的天线子系统模型。子系统模型只能被具有子系统的特定实体对象所使用，而不能被实体对象直接使用。
(7)弹药模型，用于模拟在仿真过程中由某个实体对象动态创建的炮弹或导弹飞行并破坏另一个实体的过程。弹药在发射后成为一个独立的对象，即弹药实体，由武器系统实体所控制使用，需继承平台属性、武器系统的部分属性并对其进行扩展。弹药类模型的子类有:空空半主动制导导弹、地空半主动制导导弹、空地半主动制导导弹、空空反辐射导弹、空地反辐射导弹、地空反辐射导弹、红外制导导弹、战术弹道导弹、战略弹道导弹、航空炸弹、干扰弹、火箭弹、鱼雷等。
(8)武器系统模型，用于模拟对弹药的管理、控制与发射，通常平台实体使用武器系统实体，武器系统实体使用弹药实体。
图 3 FLAMES-Based Simulation
FLAMES 的建模思路是:系统中任何活动的参与者是一个单元，缺省状态下是一个“空壳框架”，不能完成任何作战任务。作战行动通过加载于其上的装备模型和行为模型来定义和操作。
LAMES 模型体系的构建，在本质上完全使用了面向对象建模方法与技术，对模型尤其是武器装备模型提供了逐层抽象和继承的机制;但在模型的组织管理上借鉴了结构化建模的思路，使得模型的属性、方法、服务和关联都在底层进行封装，而在模型的表现与调用上，体现为经过封装的具有一定军事意义的实体。这样的建模框架为模型开发者提供了足够的扩展空间，可以根据具体需求在任何一层进行扩展，并且通过组件化模型的关联规则和组装算法，在已有模型的基础上得到新的复合模型。不过，复合模型的开发和使用，其技术难度和工程性能优化的要求均显著高于基础模型。FLAMES模型体系的突出特点是提供了行为建模机制和认知建模机制，具有灵活的扩展能力。
图 3 FLAMES plugins开发过程
二、FLAMES组合建模
基于FLAMES装备行为模式的建模方法是完成军事仿真的有效方法，其基本思想是：采用3类模型协调工作，直观、形象、逼真地模拟双方作战力量的对抗过程，即用装备模型来模拟各种类型装备的特征和行为属性，这些装备模型可以和外部环境以及其它加载这些装备模型的实体进行交互；用行为模型模拟人的决策处理过程并赋予实体存储处理信息、决策和控制装备的能力；用消息模型来模拟利用通信装备接收和发送一定格式的消息，并处理此消息的过程，消息模型是行为模型的特例。通过在作战实体上加载这3类模型来控制实体的移动、感知、通信、决策等活动，同时也可通过动态增加、减少或修改加载在实体上的模型来改变作战实体的功能。
图 5 High-Fidelity Virtual Simulators
FLAMES提供了行为模型、认知模型和8种基础装备模型（平台模型、通信装备模型、数据处理器模型、传感器模型、武器系统模型、电子战模型、弹药模型、子系统模型）。用户可以通过FLAMES代码产生器产生指定类的FLAMES模型外壳的源代码，通过执行模型原型编辑器对生成的模型原型进行编辑，最后基于C＋＋的工程框架对模型进行修改，添加功能函数和消息响应函数，实现模型具体功能。基于FLAMES的实体构成如图 6所示。
图 6 FLAMES实体的构成关系图
面向重用的建模仿真框架为了支持模型重用，将模型划分为仿真概念框架以及仿真实现模型2个层次，根据王维平教授提出的仿真模型的可组合性具有层次的特征，结合FLAMES柔性仿真框架，形成基于FLAMES的多层次电子战仿真模型描述的组合仿真概念框架，如图 7所示。
图 7 基于FLAMES组合仿真概念框架
仿真模型的语法层次是模型的具体表现层，通常要求模型接口及其参数采用某种标准格式描述，通过结构化数据的交互实现组合过程。语法层次组合模型有效性主要从语法模型的结构和功能方面进行检验，从语法模型的结构来看，主要检验模型接口的组成，包括各语法元素的定义及类型关系；从语法模型的功能上看，主要检验模型提供功能与需求功能，分别由提供接口和请求接口表示。
语义模型主要是模型的静态语义描述，不涉及模型各语法元素在实际使用或被使用过程中的含义，该语义信息是模型自身蕴含的，与模型是否与外界发生交互、何时发生以及交互序列无关。对语义模型可组合型的检验主要包括对模型各输入、输出接口以及模型状态变量（属性）的语义约束的检验。
语用模型主要关注对模型动态语义的描述，主要指模型在一定时间段内表现出来的交互行为序列，反映了系统内部的一系列状态转移。对语用模型的可组合性检验主要对模型对外提供的功能和模型对外部的请求、模型对外交互的协议进行检验。
仿真模型的概念层次包含了领域专家和仿真开发人员对仿真及其所包含元素的一种概念认知，它所包含的领域权威信息是对仿真的顶层约束。对概念层次可组合型的检验主要是对模型组合时的概念描述一致性进行检验。
FLAMES组合建模思路：首先，基于C++开发模型组件库；其次，基于关联假设的组合建模方法，由所建模的实体，分析组成实体的具体组件；第三，在组件编辑界面，根据仿真模型的语法层次可组合性原则，初始化组件的性能参数，形成具有一定功能的组件单元；最后，在脚本编辑界面，通过脚本语言，完成具体实体单元的组合，形成具备全部功能的实体模型。模型链接器模块在模型组合中，完成对模型配置、组合的检验，并输出检验信息。所以基于FLAMES的组合建模方法可分为模型组件开发、模型组件编辑、模型组合、脚本解析、模型静态检验、模型动态检验等阶段，如图 8所示。
图 8 FLAMES组合建模流程
（1）模型组件开发。模型组件开发阶段主要是基于FLAMES内核开发模型组件的源代码以及在C＋＋环境下建立模型的片段，信息流编辑部分主要定义模型方法参数间的传递关系，控制流编辑部分负责定义模型组件方法之间的运行结构。
（2）模型组件编辑。在模型组件编辑阶段，主要完成对模型组件参数的初始化和模型组件的选择。在模型组件选择时，采用基于关联推理的组合建模方法，依据变量间的因果作用联系，选择所有与当前建模任务相关的变量集合，然后选择一个最简单的组合模型片断（CMF）来描述每个变量，同时保证全部CMF的集合是一致的，在不违背建模任务内外部环境的“建模假设”的条件下完成模型组件的选择，从而得到一个初步的模型组件单元。
（3）模型组合。在模型组合阶段，根据建模任务，首先分离出1组感兴趣的客观对象、描述客观对象的变量和函数关系，然后选择相应的模型组件来描述这些变量和关系。通过FLAMES内核认可的脚本语言，按照语法规则，将模型组件编辑阶段形成的组件单元组合为具备全部功能的装备实体。
（4）脚本解析。通过脚本完成模型的组合后，运行FIRE，FLAMES内核会对形成实体的脚本进行解析，从而通过脚本调用组成实体的组件模型。
（5）模型的静态检验。模型组合完毕后，执行模型链接器，完成想定中所有组合模型的语法层次的检验，并将错误信息反馈给用户。
（6）模型的动态检验。执行想定，生成模型仿真的数据库，检查模型需求定义和模型完整性信息，主要检验组合模型执行任务中功能的实现情况，并通过模型组件的使用条件解决组合模型边界问题。
图 9 FLAMES示例
参考文献：
[1] FLAMES 22.0 User Manual
[2]丁柏圆,穆富岭,李云鹏,等.面向复杂电磁环境的体系作战仿真平台设计[J].系统仿真学报,2023,35(02):330-338.DOI:10.16182/j.issn1004731x.joss.21-1098.
[3]吴志建,方胜良,朱林.基于FLAMES的电子战仿真模型的组合建模[J].舰船电子对抗,2012,35(05):55-60.DOI:10.16426/j.cnki.jcdzdk.2012.05.017.
[4]常非.美军主要推演和仿真系统模型体系与建模机制研究[J].军事运筹与系统工程,2015,29(02):75-80.
[5] 卿杜政，李芳芳，杨凯等编著.体系模型理论与建模仿真技术[M].北京：中国宇航出版社,2023
浙大校友自研跨模态模型，打造具身智能的“通用语法”
若要理解“具身智能”这一概念，不妨从“具身”一词出发。具身并非简单的“具备身体”，但其核心的确在于“身体”的概念。1945 年，法国哲学家梅洛·庞蒂（Merleau Ponty）在《知觉现象学》一书中提出“具身”这一理念。
他认为，身体经验构成人类与世界互动和理解世界的基础。“具身”意味着投入到现实之中，即参与到一个规定的环境中去，与某些筹划融为一体，并持续地介入到其中去。由于它的置身性，身体成为人类认知世界的基础。
“拥有一个身体就是拥有一个通用的装置、拥有一个涵盖所有类型的知觉展开图式。”巧合的是，也正是在这一时期，英国计算机科学家阿兰·图灵（Alan Turing）在论文《计算机器与智能》（Computing Machinery and Intelligence）中，提出了一种能借助传感器与环境互动并自行学习的人工智能，而这正是如今“具身智能”的最初构想[1]。
因此，可以将“具身智能”理解为一种将智能软件与感知硬件相结合的不同形态机器人，它们同人类一样置身于真实环境中，在与环境的互动过程中不断促进自身“进化”。
传统 AI 需要依靠内置模型对世界进行表征，再根据这些表征建构行为概念，这种模式高度依赖人工数据标注，不仅缺乏应对多变情况的灵活性，也无法理解与任务相关的未标注因素。
由于传统 AI 泛化能力的不足，开发者必须针对每一种可能的行为状态和情境细致入微地定义，并收集相应的训练数据。这一过程不可避免地会导致任务复杂度呈指数级增长，使得为每一个微小的变化进行预先训练变得极为困难甚至无法实现。
而大模型中 Transformer 架构的引入，则使模型具有高效的并行计算能力与灵活性，从而可以处理大规模数据集，并能通过微调预训练模型，快速适应不同任务场景。同时，其层次化结构能做到对复杂数据深层次的抽象和解析。
因此，Transformer 架构的引入为具身智能领域带来了范式革新，使真正智能的具身机器人成为可能。这种变革可类比于从功能手机向智能手机的演进，具身智能机器人的优势正在于它所具备的交互性与通用性，即一种在开放的场景下实现自然交互的能力。
我们先来了解一下基于大模型实现具身智能的发展历史。第一代模型主要依靠大型语言模型（Large Language Model，LLM）和视觉语言模型（Visual Language Model，VLM）来处理物理世界的交互。
但是，这类模型受限于仅能通过视觉问答形式间接与现实世界互动，缺乏对复杂环境和实时交互的理解能力。
随着技术进步，以谷歌 PaLM-E /RT2 为代表的第二代模型尝试整合 LLM 与视觉 Transformer，将自然语言与现实世界更紧密地结合起来。
不过，即便如此在构建四维世界模型、有效预测未来行为、以及在复杂交互场景中进行灵活推理等方面仍然面临挑战。
图丨谷歌 PaLM-E[2]（来源：arXiv）
由功能型到智能型的转变
总的来说，由于技术水平的限制，关于具身智能的构想并未得到充分发展。直到近来大模型技术的爆发，才重新点燃了一大批研究者对于具身智能的探索热情。
在这股热潮中，陈俊波便是其中的一员。博士毕业于浙江大学计算机科学系的他，在人工智能领域积累了不少经验。特别是在与具身智能紧密相关的自动驾驶研究方向上，他曾主导开发“小蛮驴”无人驾驶物流机器人等项目。
在发现具身智能新的发展契机后，陈俊波意识到若想探索更为广阔的应用空间，需要一个新的平台。
于是，他辞去阿里达摩院自动驾驶部门负责人的职位，于 2023 年 2 月创立有鹿机器人公司。
图丨陈俊波（来源：资料图）
陈俊波和团队研发的具身智能大模型 LPLM（Large Physical Language Model）作为一个端到端的具身智能解决方案，突破了传统深度学习依赖封闭集合和人工标注数据的局限，这归功于其解码器所采用的预测未来的学习策略。
具体而言，它会从观察到的数据中，自动地推导出复杂的时间序列模式，从而理解和预测数据中隐含的动态变化。这样一来，任何一段给定的数据，都可以根据已有数据自动标注。
这种自我标注机制能够极大提升模型从未标注数据中的学习效率和质量，因为它允许模型通过自身生成的预测，来不断校正和优化理解能力和表征能力，从而实现对于真实世界动态变化的适应。
以自动驾驶为例，在遇到需要车辆会车的复杂博弈场景时，LPLM 不仅能预测其他参与者的行为意图，还能在此基础上制定出最优行动策略，比如安全左转或让行，从而确保行车安全同时提高通行效率。
此外，LPLM 还增强了对自然语言指令的理解和执行能力。谈及这项能力重要的原因，陈俊波举例说道：“为什么目前的各类 Robo-taxi 虽然可用，但依然无法取代司机？原因之一在于，当我们提供一些比较模糊的信息位置时，它无法实现对于自然语言的准确识别。”
通过引入超越原有二维 Visual Grounding 方法的 3D Grounding 机制，LPLM 能够更准确地定位物体。同时，LPLM 模型通过深度抽象和精细建模，显著提升了对物理世界复杂度的把握。
它将物理环境的信息提炼至与大型语言模型内部特征同等的高度，进行显式的逻辑映射，通过整合多模态数据，如点云、图像、声音和文字，构建出对环境的全面细致的表示。
这些不同形式的数据提供了丰富的环境信息，从三维形状和空间位置、到视觉特征、再到上下文环境指令，为模型提供了一个综合的世界视图。从而能够理解并响应非精确或模糊的指令，显著提高具身智能系统的适应性和执行效率。
图丨LPLM 算法模型架构（来源：资料图）
打造具身智能的“通用语法”
陈俊波表示，具身智能最大的特质就是能像人类一样自主认知、思考与学习，因此与人类行为类似的人形机器人，自然成为了具身智能中备受关注的方向之一，如特斯拉 Optimus、小米 CyberOne 等即为这类产品的代表。
但是，具身智能远不止人形机器人一种，尤其是在工业、物流等场景，与各类设备的结合才是其更广泛的价值所在。基于此，陈俊波和团队打造了一款通用“大脑”。
他们赋予这款大脑的，是一种智能设备领域的乔姆斯基“普遍语法”式的能力，旨在给各类形态各异的机器人提供一种普适的认知结构和行为指导规则。
但是，这种泛化并不简单，由于传感器模型、观察到的数据分布和交互能力的不同，一种机器人通过对象探索获得的隐性知识并不能直接被另一种具有不同形态的机器人利用[3]。
得益于 LPLM 具备对三维以至四维世界的理解能力，模型能够从数据中提取出许多共性信息，通过抽象、投影、转移等过程，充当一种适用于各类机器人的基础模型，这让它的通用化使用具有可能性。
目前，陈俊波和团队已经推出一款智能清洁机器人，并在杭州良渚古城遗址、上海中心大厦等标志性地点实地运行。
陈俊波表示，之所以首先选择清洁和物流机器人作为突破口，主要原因在于当前具身智能领域正处于“从无到有”的开创阶段。
如果一开始就直接推出通用智能机器人概念，许多潜在客户可能会因对该技术的不了解、使用的不确定性以及对其潜力认识不清而产生抵触。
因此，他和团队通过智能清洁的实际案例，更为直观地揭示出通用智能模型的潜在能力，从而促进该技术在更广泛领域的普及，以达成通用化的愿景。
在推出智能清洁机器人后，陈俊波计划将这一核心技术——智能“大脑”拓展至挖掘机、铲车等更多传统机械设备领域，实现更广泛的智能化改造。
但是，要想打破传统机器学习依赖人为编程与模块化集成的局限，并不能只依靠数据量的增长。
所以对于陈俊波而言，LPLM 以大规模数据驱动自我进化的潜能还有待充分挖掘。他补充称：“在具身智能赛道上，重要的不仅仅是技术本身的创新，更重要的是如何将这种智能技术以恰当的方式应用到不同的行业中。”
为此，他和团队也正在逐一破解应用场景中的具体难题。同时，以可持续的商业模式推动技术快速普及与产业化。
未来，他们将继续致力于实现物理世界的 Scaling Law，通过扩大数据采集和应用的覆盖面，形成数据增长与技术进步之间的正向循环，以具身智能技术的发展促进更多传统行业的变革。
参考资料：1.A. M. Turing. Computing machinery and intelligence. Computation & intelligence: collected readings. American Association for Artificial Intelligence,23–46.(1995).https://dl.acm.org/doi/10.5555/216000.2160052.Driess, Danny, et al. Palm-e: An embodied multimodal language model. arXiv:2303.03378 (2023). https://doi.org/10.48550/arXiv.2303.033783. Hu, Yafei, et al. Toward general-purpose robots via foundation models: A survey and meta-analysis. arXiv:2312.08782(2023).https://doi.org/10.48550/arXiv.2312.08782
运营/排版：何晨龙
相关问答
传感器 静态 模型 是什么?静态模型是描述经济系统处于相对平衡状态时各种因素相互作用规律的一种经济数学模型。它主要研究均衡状态的数值和达到均衡状态所需的条件,而不考虑时间因素和...
伊莱克斯bcd-211e冷藏室温度 传感器 阻值?根据对伊莱克斯bcd-211e冷藏室温度传感器的了解,我们得知:1.伊莱克斯bcd-211e冷藏室温度传感器模型为PT1000。2.PT1000的阻值随温度的变化而变化,其阻值和...
使用感应器 模型 的前提是?材料表面受到外载荷时,在距材料表面一定距离的范围内发生弹塑性变形,当外载荷卸去后,弹性变形恢复,而塑性变形保留,形成表面残余应力。材料表面受到外载荷时,...
如何用磁通门原理制作直流小电流 传感器 ?大量的研究试验表明,基于“零磁通原理”的小电流传感器更适合电力系统绝缘在线检测的要求。本文所述小电流传感器即是以磁通门技术为基本原理,加上闭环控制...
小孔成像的 模型 怎么做? - 熊作 的回答 - 懂得把一支削得很尖的铅笔,在一张硬纸片的中心部分扎一个小孔。孔的直径约三毫米左右。设法把它直立在桌子上。然后拉上窗帘,使室内的光线变暗。点上一...
物料 传感器 有哪些?物料分拣系统一般用光敏传感器。摄像头采集到的图像主要作如下处理:首先对数据解码,利用查表法将RGB空间模型数据转化为HSI空间模型,然后采用类间方差法将图像...
非接触式 传感器 多少钱?[回答]为实现对振动的有效测量,构建了压电加速度传感器的振动测量系统,对压电加速度传感器的力学模型及基本原理进行了有效地分析,并采用灵敏度比较法标定...
非接触式 传感器 多少钱?[回答]激光振动传感器记录被测体在振动过程中的运动轨迹,并用至大值减去至小值得到振幅,当振幅超过界定值时,可通过软件设置输出报警信号,采样频率高,能精...
proteus超声波 传感器 怎么找?超声波反映到接受放大电路中就是一个小信号模型,你可以用一个小信号正弦波输入到接受放大电路中,只要达到放大等目的就算仿真成功了。发射电路:仿真很简单,...
NASA为Mars 2020火星车安装的新着陆 传感器 组件将发挥怎样的作用?更先进的MEDLI2包由三种类型的传感器组成-热电偶、热通量传感器和压力传感器。它们输入数据采集和信号调节传感器支持电子单元,记录在大气进入和降落伞部署期...