意图-情境协同强化学习：用于空中战斗中无人机决策的框架
机器学习
2026-03-03 v1 系统与控制
系统与控制
摘要
在动态受对手环境中实现无人机渗透，仍面临部分可观测威胁及使命效率与生存性目标冲突的挑战。传统强化学习方法常因决策目标鲁莽，难以在实时中权衡此类trade-offs。为此，本文提出意图-情境协同强化学习（ICS-RL）框架。框架核心创新包括：（1）基于LSTM的意图预测模块，预测敌方单位的未来轨迹，使决策从被动规避转向主动规划，通过状态增量实现；（2）情境-分析协同机制，将使命分解为层次化子任务（安全巡航、隐形规划、敌方突破）。我们设计了由Dueling DQN代理构成的异构ensemble，每类代理专注于特定战术情境。基于Max-Advantage值的动态切换控制器无缝集成这些代理，使无人机能在无需硬编码规则的情况下自适应选择最优策略。大量仿真实验表明，ICS-RL显著优于基线（Standard DDQN）及传统方法（PSO、博弈论），使命成功率达88%，平均暴露频率降至0.24次/集，验证了其在高动态场景中确保稳健隐形渗透的优势。
引用
@article{arxiv.2603.00974,
title = {Intent-Context Synergy Reinforcement Learning for Autonomous UAV Decision-Making in Air Combat},
author = {Jiahao Fu and Feng Yang},
journal= {arXiv preprint arXiv:2603.00974},
year = {2026}
}