军方一直在寻找创新武器和车辆技术的方法，接下来的十年，人工智能和ML将成为这项工作的一部分。目前,军队正在测试自主车以及战场上使用的飞机。然而，这些车辆的大多数人工智能应用程序没有权限操作附加到它们的武器。
在一个军用机器人被允许自动打枪所有情况下，人类士兵必须作出最后的通话。尽管当前启用AI-武器尚未完全自主的技术，使这种方式几乎可以肯定存在。但也有面对这种类型的创新的许多技术和法律挑战。
在这篇文章中，我们讨论的合法性，面临自主武器项目的军事挑战。我们强调的法律制度和点的标准了最困难的规则，这样的项目必须满足。此外，我们覆盖的武装车辆，如无人驾驶飞机和正在开发的AI自主运行的坦克。目前正在对这些车辆的开发任何美国军事部门的注意，以及包括涉及外部承包商的项目。
我们涵盖以下主题:
- 自主武器系统的合法性概述每一个自主武器系统必须坚持以该标准被认为是安全的，人性化，合法的国际战场。
- 地攻击的分组和攻击计划 -自动空调的车辆，可以识别空中和地面目标，同时保持编队飞行，并计划在未来罢工。
- 先进瞄准系统 -自治区武器，可以找到使用机器视觉的目标和美国陆军开发的传感器技术的作战车辆系统。
我们开始我们的自主武器系统的探索在军事与他们目前的合法性在战场上使用的概述。
自主武器系统的合法性 - 概述
国防部美国国防部（DoD）认为武器系统是自主的，当它能够识别目标，并没有任何用户输入自动吸引他们。这种类型的系统当前是违法的，这意味着每一个自主武器的需求，以搞对象的人的批准。虽然这种类型的系统的机器学习算法也只可能几年，他们的存在一直以来机器学习的担忧也日渐突出。
由于军队已经开始将自动化功能整合到他们的武器系统，因此，它们最终会尝试开发全自主武器。还有时要考虑法律的两个重要范畴确定的合法性包括那些由机器学习和人工智能驱动的武器系统。
这些类别的形成有关制造和使用武器本身或“武器法”和有关制度的能力目标的地方和人或法律规则“瞄准法”。瞄准法还可确定一个法律的武器系统可用于非法任何可能的情况。为了在战场上被合法使用，自主武器系统必须符合法律的两个方面。
法律的武器
为了确定根据武器法的自主武器系统是否合法，都需要考虑两个主要因素。首先是武器系统是不加区别的性质。这是不能针对一个单一的，特定的目标和将同样可能击中平民作为战斗武器系统的情况。
必须指出的是，自主武器并不被认为天生是不分青红皂白的，即使它有能力作出最后瞄准目标的决定。相反，如果有可能向该系统提供足够的数据，使其能够瞄准特定的军事目标，该系统仍将遵守武器法。
武器法的第二条规则是有问题的系统不能造成不必要痛苦或过分伤害到战斗员。这条规则是为了防止在战场上不必要的或不人道的伤害。例如，弹头填充有玻璃，弹片，或其他粒状物质复杂医疗等被认为是非法的。一个自治武器系统可以根据这条规则，只要每件武器可以找到合法的或与之弹头系统用途的规定。
国防部使这些法律审查的美国政策，他们要在发展的早期阶段，成品在战斗中再次使用之前进行。如果一个系统的初始防守后显著变化，额外的审查可能是必要的。任何自主武器系统或改变一个需要这种类型的审查。
定位法
一旦有新的武器系统通过它的法律武器法律审查，仍然必须根据目标的法律，以确保实际使用武器不会被禁止出于某种原因调查。为了进行这项检查，有武装冲突的三个核心法律，就显得尤为重要。这些包括：
- 区别,或者区分战斗人员和平民的能力
- 相称，或任何附带损害所造成的武器保证不超标相对于预期的军事增益
- 攻击的预防措施，或自治系统的能力，采取一切可行的预防措施的作战考虑。这包括验证每个目标是军事之一。
分别
区别是针对法律的第一个要求，是武装冲突的法律范围内的最根本的原则。需要区分战斗员能够军事战斗人员和平民之间的区别，以及军事和民用物体之间。
该法的目的是通过将只针对军事目标的攻击以保护战场或接近平民。
他语境中的武器系统将用于在确定它是否满足区分法律发挥显著作用。
正因为如此，有可能是在自主武器能够满足区分法具有相当低能力的平民和军事目标进行区分的情况。一个示例将是高强度的冲突等沙漠或水下偏远地区这种情况发生。
更复杂的情况下，将包括城市环境或处理在战场上平叛。这将需要一个更先进的军事能力，战斗人员和平民之间的区别。这是在开发AI的强力武器的战场为美国军事和他们的国防承包商，最大的挑战可能之一。
相称
第二个要求是相称。这需要战斗人员检查从攻击预期的附带损害是否是太过分了。损坏的excessivity是相对于从完成攻击的预期军事测量增益。这是一个复杂的问题，它反映了国际习惯法，并通常涉及到人类做出最终判断。
现在还不清楚，如果自主武器系统将永远能够安全地履行自己的这一要求。为了顺应这一原则，自主系统需要能够从罢工估计附带损害，并与军队的感知完成进攻的值进行比较。这种类型的测量是高度情境化，并需要一个机器学习模型进行训练，以推断出一定的战场位置和敌方阵营的战略价值。
由于派遣战斗员和在战场上不同点的值可以是极易挥发，操作人员需要开发一种定期更新这些值的机制。他们还需要提供自治系统与特定目标的相对战略价值。
如果一个武器系统不能在一般战场设置中保持相称性，开发人员可能会建议该系统可能使用的严格上下文。开发商和州政府必须同意该系统符合法律规定，包括何时可以使用的规定，以便通过这部分审查。
攻击的预防措施
自主武器系统的最终目标的法律要求是进攻时采取一切可行的预防措施的义务。这些注意事项，可能是具有挑战性的自治系统，因为它们需要能够做的一切可行措施，确认一个人是一个军事目标，而不是平民。
靶向法律的情况下单词“可行的”，是指把所有当时的情况考虑在内时，这是实际可行的。这些措施包括人道主义和军事考虑，如保持平民或人质安全。
可能有一些情况下的自主武器系统的自动目标识别（ATR）的能力会比实现这一要求人类更可靠。例如，人类士兵可能无法识别进驻营地目标前面的目标的所有五个，但ATR可能能够使用机器视觉和热信号。
自主武器系统面临的另一个挑战是，必须尽一切可能避免和减少攻击期间的附带损害。如果一种不同类型的系统能更好地保护平民，这可能妨碍使用这种系统。由于每种预防措施都有一个内在的价值判断，因此在许多情况下，一个自主的系统可能无法与我们现有的法律一起使用。
地攻击的分组和攻击计划
一些自主武器系统采取无人驾驶飞机在使用相机来记录他们周围的环境和中继回人类操作员的形式。此外，这些飞机能够从上面发现他们周围其他同类飞机和地面的计划罢工。
这种类型的系统将需要至少两种类型的AI软件能够正常工作。这些措施包括可视化和目标识别机器视觉，并评估威胁和行动的最好的办法决定派遣他们的预测分析。
机器视觉
对于一个自主的飞机的机器视觉部分机器学习模型将需要成千上万的飞行距离在战斗之前的战斗机飞行员的录像时间进行训练。这包括地面以下的镜头，围绕战斗机领空，并通过团队进行战略运动的选择。在这个画面的每个重要的元素都需要被标记，包括平民在内的敌方战斗人员，敌机和建筑物的破坏是否会导致显著的附带损害。
经过培训后，机器学习模型应该能够平民，盟军士兵，和敌方战斗人员区别开来。此外，它应该能够检测到威胁的实体，如敌机和地面车辆与建筑物一起。随着机器视觉，对地打击的自主飞机可能能飞对自己和跟随一队人战斗机飞行员和他们一起战斗。
预测分析
一个独立的飞机为地面打击组队和攻击规划的预测分析部分将需要有效地对各类数据的大量训练功能。在空中作战的背景下，“罢工组队”是指将制作一大群士兵为各个小组执行任务期间的决策过程。这就需要从以往的空战交战，包括每个试点的路由，飞行员的每个团队的数量，到为何队是分裂这样一些场景训练数据。
上下文数据可能包括来自飞机机器视觉部分的视觉信息，以及来自基地的无线电指令，这些指令可以帮助飞行员准确地知道该往哪里走。此外，飞机的机器学习模型需要在空袭策略上进行训练，以及如何影响机器视觉摄像机视野中的每个目标或建筑的数值。
一旦机器学习模型得到充分训练，它就能够将空袭战略数据应用到机器视觉摄像机目前能看到的任何东西上。这将帮助它追踪目标，并在人类士兵无法发出信号来执行自己的计划时，决定最佳的派遣方式。此外，飞机可以跟随其他战斗队的飞行员，当它被命令或整个战斗队被命令开火时进行攻击。
洛克希德·马丁公司是否有入侵者
已与美国军方的自主武器系统，飞机上工作的一个国防承包商是洛克希德·马丁公司科研重地。军方希望，一旦有了新的作战信息，有人驾驶和无人驾驶飞机就能迅速采取行动并做出反应。他们特别关注成功的团队协作，因为它有可能提高作战效率和每个作战人员的态势感知能力。
洛克希德·马丁公司展示了AI-供电是否有入侵者对于美国军方在2017年，车辆必须完成四项重要任务，以证明其载人/无人地面打击和分组功能。这四个任务如下：
- 自动计划一次地面打击任务
- 执行由人工操作优先任务
- 根据突发奇想重新计划任务，以尽量减少暴露在已确定的威胁之下
- 下面，再结合和编队飞行自主路线的一个很好的示范。
肖恩·惠特科姆，洛克希德·马丁公司的臭鼬工厂忠诚僚机项目经理，对是否有入侵者示范的结果说话。对此演示的成功，惠特科姆说，
“的有无入侵者II表演队推进自主技术的界限，把一个完全作战能力的F-16在日益复杂的情况下对系统进行测试的，以适应快速变化的业务环境的能力。这是为了使未来的忠诚僚机技术发展和业务转型计划的关键一步。”
忠实的僚机方案是开发用于作战和其他军事任务的自主飞机臭鼬工厂的倡议。
洛克希德·马丁公司使用另作它用F-16战斗机为他们的示范，并能自动规划和执行空中对地打击任务，飞行编队与有人驾驶飞机，并应对不断变化的威胁等级为环境飞行过程中改变。
利用这种机器学习的飞行和组队方式，可以减少士兵在飞行中的工作量。这可以让他们对战场上的变化做出更快的反应，并保证他们的安全。
先进的瞄准系统
美国陆军目前正在与多个国防承包商提出的创建一个工作福LLY自动化地面车辆，可与人类士兵战斗。他们提到他们目前的模型作为高级定位和杀伤力自动化系统（ATLAS）。Atlas系统上最新的测试是在2017年在那里举行的同类的第一个示范。
开发ATLAS的倡议是由陆军夜视和电子传感器局领导(NVESD)。他们可能会采纳他们的传感器技术到项目，以实现精确的读数，帮助机器视觉。
这就是所谓的集成传感器架构（ISA）。这种结构允许传感器以共享信息彼此以及人操作的计算机，而不需要物理点对点集成。下4分钟的视频详细解释：
即使ISA未必会直接集成到ATLAS车辆作为最终产品的一部分，该架构是用于训练机器视觉模型可能非常宝贵的。这是因为数据科学家训练模型可能有机会获得成千上万的记录战斗情况下从多个有利位置，然后可以标记并用于训练。
阿特拉斯”机器视觉部分机器学习模型将在在它被部署，以及选择战斗陆军犯罪嫌疑人将类似于未来重要的同一环境中的战斗训练。
虽然目前还不清楚时，陆军将开始部署武装机器人地面像ATLAS项目，其使用的铰链上中测试和演示效果特别。
在协会无人机系统国际（AUVSI）会议上，保罗·罗杰斯陆军坦克汽车研究开发和工程中心(TARDEC)主任说，
我们探索这条道路上。这是实验，测试，反馈，[地址]的关注，挑战和局限。你通过迭代的方法。但更快，我们可以把这些迭代，就更好了。””此外，他说，军队是在一个阶段“不变，滚动，和不断变化的实验。
在美国军队里天业对于ATLAS，该技术的各个方面需要开发它进行了讨论。每个人都有自己的可能性，人工智能的应用，但只有少数人真正用它制成的提或机器学习算法。，其中包括机器学习和人工智能提及当天的章节如下：
- 图像处理的主题，包括AI / ML算法和自动图像搜索
- 数据采集，包括管理该数据，数据库内组织它，并用它来训练ML算法
- 消防，或者高级目标算法
虽然从地图集工业日得到的反馈还不清楚，但需要注意的是AI和ML被认为是项目的组成部分。目前，NVESD传感器还没有直接内置到坦克的AI技术中。然而，这个想法并非完全没有可能，因为它可以增强ATLAS的态势感知能力和定位敌方目标的能力。
标题图片来源：网易科技
