Data-driven behavior modeling for computer generated forces – a literature survey

Abstract

Computer Generated Forces (CGFs) have been used within military simulation-based, training and decision support applications for decades. CGFs are autonomous or semi-autonomous entities that typically represent military units such as tanks, soldiers, and combat aircrafts. Their main purpose, at least within training applications, is to reduce human role playing, which allows for more efficient use of military training facilities. Although CGFs are undoubtedly useful, their behavioral capabilities are often limited to follow doctrines, rules of engagement or heuristics identified by human domain experts that not necessarily represent the behavior observed in the CGF’s real-world counterpart. In this report we introduce and provide a literature review of works related to the Data-Driven Behavior Modeling (DDBM) approach, which is an alternative to the traditional domain expert based behavior modeling approach. In DDBM computers are employed to analyze and identify behavioral patterns in data using machine learning techniques. DDBM is believed to more efficiently produce CGFs that are more objective and realistic compared to CGFs where the behavioral patterns mainly have been identified using subjective human experts. This report is the result of a collaborative effort between the Norwegian Defence Research Establishment (FFI) and the Swedish Defence Research Agency (FOI), "Technical arrangement number 4 FFI-FOI - Terrain Analysis and Synthetic Agents".

Datagenererte styrker har lenge blitt brukt i militære simuleringsbaserte verktøy for trening og beslutningsstøtte. Datagenererte styker er autonome eller semiautonome entiteter som representerer militære enheter, for eksempel stridsvogner, soldater og fly. Hovedformålet med bruk av datagenererte styrker er å kunne gjennomføre øvelser med mindre personell ved at en person kan styre flere militære enheter. Selv om datagenererte styrker er nyttige i dag, er den autonome oppførselen ofte begrensa til å følge ideelle regler identifisert av domeneeksperter. De reflekterer ikke nødvendigvis den menneskelige oppførselen til de virkelige systemene som de datagenererte styrkene representerer. Denne rapport introduserer og presenterer en litteraturoversikt over datadrevet oppførselsmodellering (DDBM), som er et alternativ til den tradisjonelle domeneekspertbaserte måten å modellere oppførselen til datagenererte styrker på. I DDBM brukes maskinlæringsalgoritmer for å analysere og identifisere oppførselsmønstre og for å generere oppførselsmodeller fra eksempler på ønska oppførsel. Målet er å kunne generere oppførsel mer effektivt og lage oppførselsmodeller som er mer objektive og realistiske. Denne rapporten er resultatet av et samarbeid mellom Forsvarets forskningsinstitutt (FFI) og Totalförsvarets forskningsinstitut (FOI) i Sverige, "Technical arrangement nummer 4 FFI-FOI - Terrain Analysis and Synthetic Agents".