澳大利亚陆军机器人技术与自动化战略明确指出，陆军将列装机器人及自主系统，以在战争中保持竞争优势。该战略主张通过机器人及自主系统对现有技术进行增强（优化现有能力）、扩充（增添新功能）及更替（引入全新平台与能力）。这一目标的实现，依赖于与工业界、学术界及国际伙伴的协同合作。

远程自主系统专为在偏远、高危或难以抵达的环境中脱离控制器独立运行而设计，能够以极少的人工干预执行复杂任务。此类系统有望显著降低澳军士兵的生理与认知负荷。例如，无人机等自主系统可担负重型装备运输、监测士兵健康与作战表现，并提供实时监视能力。远程自主系统为陆军提供了拓展作战规模的可能，通过提升火力、保护部队及延伸作战半径，既能增强单兵作战效能，又能强化军队整体战斗力。

美国与中国正利用先进技术升级其自主系统，以谋求在印太地区的战略优势。通过将远程自主系统融入军事能力体系，澳大利亚陆军可确保在技术日新月异的全球格局中保持竞争力，具备捍卫国家利益的战备能力。

远程自主系统欲有效支援军事行动，必须具备态势感知能力。态势感知²指系统对环境要素的感知、理解、预测与响应能力³，是自主系统导航及应对动态环境与任务条件的基础。获取态势感知需快速采集并处理与作战环境及任务相关的多源异构数据，这些数据通常源自先进传感器集成、地面控制站或同级自主系统。网络技术承载数据流，经由人工智能等技术处理后生成态势感知。

态势感知的可扩展性，是指远程自主系统在保障任务功能不受损的前提下，扩展其态势感知范围与深度的能力。这通过采集并处理更大量级的数据实现。可扩展性是提升态势感知水平的必要条件，对于优化现代战争中远程自主系统的运用至关重要。

迄今为止，关于远程自主系统可扩展性的研发尚显不足。为填补此空白，本文探讨澳大利亚国防军，特别是澳大利亚陆军，如何有效集成具备可扩展态势感知这一关键属性的远程自主系统。为此，本文将：

1. 梳理现有与提升远程自主系统态势感知相关的数据采集、网络增强及数据处理解决方案；
2. 分析上述方案在偏远及恶劣环境下的局限性；
3. 基于识别出的局限性与远程自主系统的技术特征，提出增强态势感知的有效路径。

主要军事力量对远程自主系统的运用

多个防务能力先进的国家，以及其他身处冲突中的技术欠发达国家，均在运用自主系统。以下为若干代表性案例，限于篇幅，不作穷尽列举。

美国

美国发展远程自主系统的核心动因在于获取作战优势。其重点在于降低士兵风险、减轻工作负荷，并增强部队态势感知以支撑攻防行动⁴。为此，美国陆军正分阶段推进远程自主系统的研发与集成。远期（2031–2040年），美国旨在以先进远程自主系统全面更替老旧自主系统，并将其深度融入军事能力体系。这表明美军计划在陆军作战中尽快实现远程自主系统的规模化部署。事实上，美国陆军发布的一份军事评估报告⁵强调，亟需将人工智能集成至军事系统以提升作战决策效能。人工智能的集成旨在构建跨层级更精准、详尽的通用作战图，并支撑多域战场环境下的快速、明智决策。

俄罗斯

俄罗斯部署自主系统的动机在于反制对手⁷。为此，俄罗斯投资研发并部署了涵盖空、地、海领域的多种自主平台。其最先进的自主系统之一是S-70“猎人”无人战斗机，专为远程打击任务设计，航程可达6000公里。另一值得关注的系统是“猎户座”无人机，可执行情报、监视、侦察及作战任务，航程250公里。尽管取得上述进展，俄罗斯大多数自主系统仍高度依赖人工控制，其长远目标是实现更高程度的自主性。

乌克兰

乌克兰在与俄罗斯的持续冲突中使用了多种自主系统，既包括军用级无人机（如土耳其TB2“旗手”），也包括商用现货无人机⁸。配备人工智能瞄准系统的TB2无人机在精确打击中成效显著。乌克兰还采用了更具成本效益的商用现货无人机执行炮兵校射与直接攻击任务。最引人注目的进展之一是乌克兰运用蜂群战术，同时部署大量商用现货无人机以压制敌方防御。这些系统尚未实现完全自主，仍需大量人工介入。

综上分析可见，多国正积极将远程自主系统纳入其军事武库，但大多数系统仍高度依赖人工控制。

当前提升态势感知可扩展性的解决方案

为深入理解如何解决远程自主系统的态势感知可扩展性问题，有必要首先考察构成可扩展性的数据源、硬件及软件组件。

态势感知通过远程自主系统内各模块的协同实现，这些模块包括数据源（如机载传感器、远程操作员、云数据库及同级自主单元）、网络、数据处理单元及执行机构。这些组件并非军用远程自主系统独有；民用领域的自主出租车⁹、太空飞行¹⁰及供应链机器人¹¹同样具备类似属性并遵循相同原理。作为态势感知的要素，数据源为远程自主系统提供上下文信息（或称语境）。上下文信息指与地点、人员或对象相关的数据。在军事语境下，远程自主系统利用上下文信息推断目标相关状态，构建态势感知。

远程自主系统与数据源之间的上下文信息交换通过网络进行。系统内置数据源通过内部通信信道（数据线缆）与处理组件交互。远程自主系统亦依赖外部数据源，这要求低时延通信。自主移动机器人通过5G网络或专用高带宽链路（如千兆多媒体串行链路，支持高达6吉比特的传感器数据传输且误码率低）与云处理器及人类操作员交换传感器数据与任务信息。带宽描述网络每秒可传输数据的最大速率，指示网络在特定时刻的数据吞吐能力。远程自主系统利用运行于各类处理器上的人工智能与机器学习算法，处理从网络获取的上下文信息以推断环境态势，进而采取必要行动（执行）。

非军事领域运用远程自主系统的典型案例是Waymo现役一代自动驾驶出租车。该车型于2017年在亚利桑那州凤凰城都会区投入运营，自2024年起逐步推广至大亚利桑那地区、旧金山及洛杉矶。在远程自主系统支持下，Waymo出租车通过周身部署的多个激光雷达感知周围环境。其“大脑”为车载计算系统，内含中央处理器与图形处理器，可实时处理传感器数据以识别物体并规划安全行驶路径。当遭遇超出内置人工智能模型处理能力的异常情况时，车辆会将情境信息回传至远程人类操作员接管控制。整个过程依托超高可靠低时延通信¹²完成。远程自主系统在商业领域的另一应用实例是工厂环境中的自主移动机器人，其利用激光雷达在动态环境中导航，使人类工人免受危险机械与化学品的伤害。

在政府领域，美国国家航空航天局的“机智号”火星直升机便得到了远程自主技术的支撑。该直升机旨在验证动力飞行在火星上的可行性，利用激光测距仪与导航相机测定高度与速度，并依赖多处理器架构，根据传感器反馈的环境条件调控旋翼运作。

尽管军用、民用、工业及政府领域均有远程自主系统的成功应用，但要实现并维持态势感知的可扩展性，仍需在上下文信息获取、网络传输及数据处理方面持续改进。远程自主系统需具备持续采集并处理多语境、多源数据的能力。然而，当代技术的缺陷意味着远程自主系统目前受限于对固定上下文源的依赖，无法实现无缝的上下文源发现。网络与处理性能的局限亦会损害态势感知。服务质量（通常用带宽、时延¹³等指标表征）与处理质量（包括可靠性、互操作性等指标）同样对整体态势感知产生显著影响。

更深层次的问题在于，鲜有远程自主系统能有效处理源自多源的上下文信息，其数据源通常被限定在部署时预定义的固定集合内。尽管如此，学界仍在努力克服此限制。例如，美国国防高级研究计划局的“进攻性”项目¹⁴构想了多达250架无人机与地面系统协同支援城市环境作战。这些无人机互为上下文信息源，实现信息共享。但它们仍无法发现新数据源，数据采集范围受限于软件栈中预定义的数据源。

目前已有多种方法可用于增强远程自主系统的态势感知，但仍存在局限。下文将作进一步阐释。

上下文管理平台

上下文管理平台旨在通过桥接应用与数据源，增强远程自主系统的数据采集能力¹⁵⁻¹⁶。如下文所述，上下文管理平台可分为三类：领域专用型、开放生态集中型及开放生态分布式。

领域专用型上下文管理平台

此类平台的核心特征是集成固定的上下文信息源，且绑定特定领域。BDCAM¹⁷与CoCaMAAL¹⁸是两个面向助老监护与患者监测的案例，它们实现相关传感器与应用间的数据共享。这类平台适用于具有特定上下文信息需求的应用，但与需要来源极为多样且动态变化的上下文信息的远程自主系统不相兼容。

开放生态集中型上下文管理平台

此类平台根据接收自多源数据的更新，协调并向应用分发相关上下文信息，充当中央服务器角色，使应用能获取多样化的上下文信息。典型案例如“上下文即服务”平台¹⁹与FIWARE上下文管理平台²⁰。其主要局限在于集中式架构在网络连接受限或单平台需服务多台远程自主系统时，会导致响应延迟。随着上下文源与应用负载的增加，平台的处理时间亦会上升。除“上下文即服务”平台外，此类先进平台大多缺乏附带上下文质量（如时效性、准确性）度量指标的信息分发功能。本文后续章节将对上下文质量的属性进行深入探讨。

开放生态分布式上下文管理平台

此类平台目前正处于研发阶段，表现为“上下文即服务”平台的分布式版本²¹。在此类生态中，上下文源与应用通过分布式的上下文管理平台网络互联。相较于集中式平台，分布式平台有望提供更快速的上下文响应，其信息获取速度远优于领域专用型或开放生态集中型平台。

尽管开放生态分布式上下文管理平台代表了富有前景的技术方向，其仍带有集中式特征。在不稳定的网络条件下运行时，这可能导致上下文质量合规性的不一致。此外，随着上下文源与应用数量的增加，确保分布式节点间的同步将变得极为复杂。

增强网络（通信）能力

有多种方法可用于增强网络，从而提升远程自主系统可实现的态势感知水平。这些方法包括调度算法、异构网络切换、中继节点及机器学习技术，覆盖广泛的军事应用场景，如改善军用车辆间通信、为GPS拒止环境下的无人机提供导航支持、支撑搜救行动的监视任务等。其他应用还包括自主决策与增强型远距离数据传输。具体方法详述如下。

调度算法²²⁻²⁴

调度算法用于在带宽受限环境中对传输数据进行优先级排序，以确保高效、及时的递送。该方法的主要局限在于难以有效应用于带宽波动的环境。调度算法通常针对特定带宽条件设计，灵活性不足以应对带宽的动态变化。将调度技术与基于中继节点的方法（见下文）结合，或可克服此局限。

异构网络切换²⁵⁻²⁶

此方法根据网络可用性及性能，在不同网络技术（如Wi-Fi、5G、卫星）间无缝切换，以维持最优连接。许多商用无人机，如大疆经纬M300，均采用此技术。它在长期演进、Wi-Fi或专用射频链路等不同通信信道间切换，确保即使在偏远地区或恶劣环境下也能维持连接。难点在于不同网络的速度与性能各异。Wi-Fi与5G通常速度较快但覆盖范围有限，而卫星互联网虽能提供远距离连接，速度却较慢。卫星网络的低速可能阻碍远程自主系统在动态环境中的性能发挥。同样，远程自主系统作业的偏远性常使Wi-Fi或蜂窝网络难以覆盖。

中继节点²⁷⁻²⁸

中继节点（亦称跳点节点）用于扩展网络覆盖或增强信号强度。在远程自主系统的实际部署中，使用中继或跳点节点扩展网络连接十分常见。例如，派诺特ANAFI无人机²⁹利用中继节点（4G网络节点）实现远距离通信。军用无人机常采用带中间节点的网状网络，以在偏远地区维持通信。

静态节点（如典型GSM网络所用）是最常见的类型。问题在于静态节点可能无法有效维持远程自主系统的连接。这是因为静态节点无法根据地形起伏、潮汐变化等可能干扰信号强度与可靠性的环境因素重新定位。可采用携带网络的无人机或车辆等移动中继节点来应对这些挑战。此方法允许节点随环境变化动态调整，但也带来了成本与资源需求的不确定性。

用于数据预测的机器学习³⁰

机器学习利用人工智能技术预测并重建丢失或损坏的数据。然而，机器学习预测的准确性高度依赖输入数据的质量。若数据不完整或含有“噪声”，预测结果的可靠性便会下降。虽然机器学习有助于预测连续数据流中的缺失数据，但该方法在应对全新或无关的输入时难免力有不逮，限制了其在远程自主系统中的应用价值。

增强处理能力

处理海量实时数据需要强大的算力支撑。MQ-9“死神”³¹等军用级无人机配备了现场可编程门阵列与片上系统架构等强劲车载计算系统。这些系统能实现更快的数据处理，并兼具能效优势以处理复杂任务。 具备可扩展任务目标的远程自主系统常面临多变的数据速率与任务需求。当系统执行数据量恒定且可预测的任务时，车载计算资源通常足以应付数据处理。但若需应对波动的数据负载，则需比内置能力更灵活的处理机制。以下是若干提升远程自主系统数据处理能力的可行途径。

边缘与雾计算实现分布式数据处理

边缘计算旨在将计算能力下沉至需求设备近端，以最小化时延。雾计算则更具体地指在边缘与云之间增设一层，为边缘提供额外的计算资源。此方法将额外的处理组件部署在更靠近远程自主系统的位置，从而减轻系统内置处理资源的负荷及数据传输至地面站的时延。

采用边缘与雾计算的系统案例包括美国陆军的先进战斗管理系统³²。该系统将指挥控制功能分布式部署于多类资源，而非依赖单一中央系统。另一案例是美国空军的F-35战斗机，其运用边缘计算原理直接在机上处理海量数据。通过这种方式，传感器数据得以采集并与同中队其他F-35的信息融合，生成统一的战场态势图³³。

尽管在边缘设备上处理数据有利于实时响应，但其有限的计算能力可能意味着无法处理来自多源的所有输入数据。例如，当边缘设备的处理能力与中央服务器或云系统的能力不匹配时，便会出现问题，进而导致数据同步障碍。

数据卸载至地面站或云系统

当边缘节点、雾节点（若已部署）及远程自主系统车载能力达到处理上限时，数据将被传输（卸载）至地面站或云资源进行处理。例如，美国陆军拥有多个新旧应用系统，均将数据卸载至地面站。

地面站的典型代表是空军分布式通用地面系统³⁴。它具备收集并处理各类情报、监视、侦察平台所获数据的能力。同样，战术情报瞄准接入节点系统³⁵也能处理包括天基、空基及地基平台在内的多源传感器采集的数据。

虽然卸载能释放本地资源，但也引入了对通信链路的依赖。若链路可用性有限或遭敌方干扰，卸载服务可能中断。在处理依赖地面站或云系统时，时延问题与网络中断亦是重大挑战。在偏远或对抗区域，通信信道速度可能不足以支撑持续的数据传输，从而导致传输延迟。

跨多台远程自主系统的数据均衡

数据均衡涉及将数据分发至同级远程自主系统、节点及多台服务器进行处理，以避免单一组件过载。当多台远程自主系统协同作业时³⁶，处理资源可在协作单元间共享。当计算负载分布于无人机蜂群时，整个集群可动态平衡任务与资源以达成使命目标。例如，在美国陆军的“融合项目”中，无人机蜂群协同打击目标³⁷。美国陆军研究实验室亦致力于增强蜂群能力³⁸。尽管蜂群能力较缺乏协调的系统具有优势，但个体处理能力的局限及环境约束（如距离）使得资源共享效率不高。

数据压缩或优先级排序技术

此类技术涉及在数据源端压缩数据，并发送至远程自主系统处理单元。系统接收数据后，根据任务条件对处理优先级进行排序。这些技术显著降低了接收端的处理需求。例如，RQ-4“全球鹰”³⁹等军用无人机对机载传感器采集的大型数据集进行压缩，仅将关键信息传回任务指挥控制中心⁴⁰。

该方法的主要局限在于，数据压缩所需的时间与资源与采集数据量成正比。数据优先级排序依赖预定义规则或人工智能系统对输入数据的重要性进行排名。因此，若系统无法确立数据优先级，此方法可能失效。这可能发生在所有数据重要性相近，或执行数据压缩时（例如数据经过端到端加密）。此外，由于数据量随任务条件剧烈波动，在高数据量情况下重要数据可能被忽略，从而损害态势感知。

人工智能与机器学习赋能自适应数据处理

此过程利用人工智能与机器学习算法自动处理相关数据。采用该技术的平台能自主检测与分类目标，无需将海量原始数据传回地面站。军事应用案例包括作为美国陆军“融合项目”组成部分的“烈火风暴”人工智能系统⁴¹。该系统分析无人机传感器数据，并推荐最佳武器系统打击已识别目标。另一人工智能驱动平台是“专家系统”，其利用机器学习算法处理无人机上的全动态视频⁴²。

为有效处理人工智能与机器学习算法生成的数据，无人机与地面站间需具备可靠的通信链路。这是一大制约因素，因为在偏远或对抗环境中，通信网络可能不稳定。此外，大多数远程自主系统缺乏足够的车载算力来处理大型数据集，不得不依赖外部系统，这再次强化了对可靠通信链路的需求。

进一步而言，若无人机接收的数据未包含在人工智能系统的训练数据集中，系统可能无法有效响应。一个担忧是，若人工智能遭遇训练未涵盖的新型数据模式或场景，系统可能误判其重要性。面对新颖数据模式时，基于人工智能与机器学习的自适应数据处理系统可能难以有效进行任务优先级排序，导致性能下降并延长适应时间。

运用可扩展硬件架构

现场可编程门阵列与图形处理器等处理硬件架构专为应对处理需求激增而设计。RQ-4“全球鹰”⁴³便采用现场可编程门阵列增强处理能力，实现更快的数据调理与更高效的数据传输。

现场可编程门阵列与图形处理器的主要问题在于功耗巨大，限制了其在供电有限的远程自主系统中的实用性。它们还会产生大量热量，需要高效的冷却系统。在轻量化远程自主系统内集成额外冷却机制受限于尺寸、重量与设计约束，并不切实际。此外，若网络传输速度无法匹配硬件处理速度，性能增益将被削弱。

缓存与数据预处理

缓存与数据预处理方法用于临时存储数据，以便在车载处理资源紧张时仍可访问。美国陆军正将此方法应用于MQ-1C“灰鹰”无人机，以实现全动态视频能力，包括在机上缓存关键视频数据。该功能将使平台在监视任务中能调取先前捕获的信息。

在动态且不可预测的作战环境中，数据缓存存在局限性。具体而言，在任务场景演变或需处理多源数据的任务中，依赖数据缓存与预处理的效果将大打折扣：随着新变量与新威胁的出现，缓存数据可能迅速失效。

图3 与处理和处理增强方法的适用性水平相关的QoS度量