一种分队战术智能对抗训练系统及方法与流程

1.本发明涉及军事训练人工智能化技术领域，特别是关于一种演习用的分队战术训练智能对抗系统机方法，应用于军事演习训练。


背景技术：

2.军队分队战术对抗训练系统是战术协同，联合对抗的仿真训练系统，系统的主要功能包括战场仿真、作战策略验证，作战效果评估等功能。战术对抗训练系统的发明旨在提高分队指挥员的组织指挥和分队协同作战的能力。
3.战术对抗训练系统涉及真枪实弹对战，在军警的射击训练特别是战场环境下的射击训练是提高其作战能力的根本要素。由于实弹射击存在的安全风险较大，一直以来军警的射击训练多以静态固定目标打靶训练为主，且仅在需要时才进行实兵、单向实弹场地演习。所谓实弹演习是出于安全考虑，攻守双方一方是利用实弹，而另一方方则是虚拟的，故此亦得不到真实枪弹背景下的训练。虽然进行了实弹演习，但获得的真实战场经验却不多。且，目前随着军事技术的深入发展，部队作战逐步向择要突击、协同行动的方向发展，战斗力的评估也不简简单单按照武器性能，伤害的简单累加，演习也需要突出作战联合、协同、一体化的要求。而目前的演习无法再现真实战场环境，灵活性较低，战场环境变化较少，容易形成思维定式，导致对问题的严重程度判断失误。
4.作战指挥理念是建立在科学与经验基础上创造性的用兵作战的领导艺术，它包括战略决策、兵力部署、战法运用、战机利用等各个方面。作战经验是作战活动的产物，是军队或指战员在长期作战实践中形成的感性认知、规律把握和方法总结。由此可见，研发一种分队战术训练智能对抗系统机方法作为实战演习指导，是十分有意义的。


技术实现要素：

5.因此，本发明提供一种分队战术智能对抗训练系统及方法。本系统及方法利用视频采集单元采集视野范围内的所有对方目标信息，通过处理把图像信息转化为数字信息并计算、分析获得高精度激光发射单元的指令信息，从而对目标进行打击；根据进攻方的分布情况，调动守方模拟防守兵力，进行战略调动部署，为军警训练提供一个实弹对抗的环境，大幅提高其作战技术水平。本系统及方法在提高实兵实弹射击训练的安全性、灵活性、高效性，提高部队作战效能评估，提高军队应付突发事件的能力以及实战的能力等方面具有重要指导意义。
6.本发明具体所采取的技术方案如下：
7.一种分队战术智能对抗训练系统，设置有视频采集单元、云台、激光发射单元、中控系统、靶机单元、目标单元、障碍物单元；
8.其中，所述视频采集单元、云台、激光发射单元、中控系统和靶机单元组合成联合系统，与目标单元构成模拟对抗方，所述目标单元为真人持枪者，靶机单元和目标单元各有多个靶机和目标；
9.所述视频采集单元和激光发射单元设置于所述云台上；
10.所述视频采集单元、激光发射单元、云台、靶机单元均与中控系统电连接，受控于所述中控系统。
11.进一步地，所述中控系统内设ssd目标跟踪检测算法模型，所述ssd目标跟踪检测算法模块中加入有ros系统发布器。
12.进一步地，所述云台360
°
旋转，所述视频采集单元和激光发射单元还自身旋转。
13.一种分队战术智能对抗训练方法，包括目标识别与追踪、智能打击与防御过程；其中，
14.在目标识别与追踪阶段，采用ssd目标跟踪检测算法模型对目标进行捕捉和坐标计算，计算出目标像素所占面积大小、目标移动速度和目标移动加速度信息，目标密度，然后得出目标综合威胁程度，表述如下：
15.综合威胁程度计算公式如下：
16.w＝w1s w2v w3a w4ρ
17.w表示目标综合威胁程度，s表示目标像素所占面积大小，v表示目标相对移动速度，a表示目标相对移动加速度，ρ表示特定面积下目标密度，特定面积指以该目标为圆心，百分之一像机像素为半径的圆覆盖范围，w1、w2、w3和w4分别表示对应的加权系数；
18.按各个目标的w值大小排序，对威胁程度最大的目标最先予以打击；
19.在智能打击与防御阶段，调动云台和激光发射器，对综合威胁程度最大的目标最先进行打击，激光发射后的设定时间内收到目标中弹信息，则认为攻击成功，按顺序打击下一目标，若设定时间内未收到目标中弹信息则认为该目标并未击中，继续跟踪并打击；
20.同时，通过靶机在某时刻中弹环数和中弹总数，判断是否具有打击和防御能力：
21.当靶机中弹环数大于设定值时，认为此靶机倒下模拟死亡，再行立起后是充当另外一名有生命的战士；
22.当靶机中弹环数小于等于设定值，且中弹总数小于设定值时，认为靶机负轻伤，仍有作战能力；
23.当靶机中弹环数小于等于设定值，且中弹总数大于等于设定值时，认为靶机负重伤，靶机虽然倒下，但仍有机会作战；
24.当同一位置的靶机立起倒下的平均时间小于设定值时，则认为此处对方火力强，此处靶机立起的个数和靶机被击倒后再次立起的频率都相应增加，同时减少其他位置靶机立起的个数和倒把后再次立起的频率；
25.进一步地，目标像素所占面积大小计算方法为：
26.27.s
10
为摄像头10米外身高170cm标准体重男性的正面图像所占像素面积，s
i
为当前目标所占像素面积，k为调整参数，k＝100s
200
/s
10
，s
200
为摄像头200米外身高170cm标准体重男性的正面图像所占像素面积。
28.进一步地，目标相对移动速度计算方法为：
[0029][0030]
v
max
取百米运动员的世界纪录速度，v
i
为当前目标的移动速度；
[0031]
目标相对移动加速度计算方法为：
[0032][0033]
a
max
取百米运动员世界纪录起步时的加速度，a
i
为当前目标的移动加速度。
[0034]
进一步地，特定面积下目标密度的计算方法为：
[0035][0036]
j为特定面积下所有目标数量。
[0037]
进一步地，判断靶机是否中弹的方法为：
[0038]
对比前后两个时刻两帧图像的所有像素的rgb值，都相同则没中弹，一旦有不同，且不同像素值所占面积在子弹直径的0.5～2倍之内，则认为中弹。
[0039]
进一步地，当计算目标综合威胁程度的同时，还对每帧图像捕捉到的目标数量进行计算，根据目标数量m，确定靶机立起数量n：
[0040][0041]
是向上取整符号。
[0042]
进一步地，设定从靶机立起到激光发射器发射之前的延迟时间t：
[0043]
t
i
＝t
i
‑1 (10
‑
b)(t
j
‑
t
i
‑1)/10
[0044]
t
i
为本次靶机立起后打击目标的延迟时间；当i＝1时为初始化延迟时间，b为当前靶机上弹孔的最高环数；t
j
为上一次靶机立起到被击倒所用时间，当j＝1时t
j
＝0。
[0045]
与现有技术相比，本发明的创新之处体现在以下方面：
[0046]
1、本发明实现了实弹演习真实作战场景。现有的演习，一是，非实弹一方仅是用连续的激光不间断的扫射实弹的一方，没有实现精确攻击，连续激光扫射面可见、可预测，无法模拟出真实性；二是，未精准计算攻方(实弹一方)对于守方的威胁程度；三是，守方激光扫射的时间和角度，与守方的速度和姿势无关，两者分离，没有使激光和守方的靶子(假人)相融合成为一体，无法模拟成一定真实动态作战的战士。而本发明，一方可以利用真人实弹，另一方可以利用靶子和激光联合动作，模拟成真人持枪，所以具有真实性，对抗也具有
针对性。
[0047]
2、提出靶子(假人)和真人的实时对抗机制。现有技术中，一，靶子只是预先摆放在指定位置不能动，对方(真人)可以凭记忆预先知道靶子的位置，进行方向瞄准，这样反应速度，灵活机动能力就得不到锻炼，故不符合战争实际；二，单个靶子位置固定，动作固定，不能模拟同一位置多个战士的补位，互动。而本发明，则是设立多个靶子，根据攻击方人数，靶子按一定数量随机立起，随机倒下，对方无法凭借记忆确定靶子位置。靶子被打倒后，根据兵力对抗的原则，还可以再次随机的立起，模拟同一地点的其他假想敌，模拟真实战场中的不确定性，让战士在训练中感受实战战场环境。另外，而本发明还加入了打冷枪的场景模拟，靶子即使倒下，也可以模拟倒下打枪的作战姿态(即通常意义上的打冷枪)。
[0048]
3、提出对抗时间可调概念。由于机器的响应速度较人快，所以提出延迟时间攻击概念，在靶子立起后，给对方留出一定的时间，对方如果没看见或是没打到靶子，延迟时间一过再用激光攻击对方。然后根据训练情况循序渐进地调节激光发射攻击时间，提高战士的反应速度。
[0049]
4、目标识别系统不仅具有目标捕捉功能，还具有目标计数功能，当红外摄像头识别出敌方目标时触发计数功能，据此计算靶机立起数量(对抗战队人员数量)，靶机不盲目立起倒下。
[0050]
5、在目标识别和追踪时，通过多次训练调整神经网络层的权重参数后，计算敌方目标的坐标信息、速度信息和对我方威胁程度信息，进行编号排序，并对其进行持续锁定和准确追踪直至目标阵亡消失，提高了打击的效率和准确性。
[0051]
6、通过智能记录训练次数和战士战斗力提高情况，再根据需求灵活调整激光发射器从靶机立起到发射之间的调整补偿量，改变延迟时间以模拟防守人员对抗的反应能力，延迟时间越短，说明防守人员的反应能力越强。
[0052]
7、通过定量分析靶面受弹情况，确定受伤程度，决定是否有抗击能力。同时根据受弹方向判断敌方火力集中点，据此集中反击，反击目标明确，具有针对性。
[0053]
8、靶机不断根据场景变化，根据视野中对方的数量和方位确定立起的位置和数量，模拟实战中人员的调配，兵力的部署。
附图说明
[0054]
图1为本发明分队战术智能对抗训练系统图。
[0055]
图2为实施例提供的智能对抗训练系统硬件组成图。
[0056]
图3为各功能单元之间的联动关系图。
[0057]
图4为ssd目标跟踪检测算法模块结构图。
[0058]
图5为目标追踪行为树结构图。
具体实施方式
[0059]
下面结合附图和实施例对本发明进行详细的描述。但本领域的技术人员应该知道，以下实施例并不是对本发明技术方案作的唯一限定，凡是在本发明技术方案精神实质下所做的任何等同变换或改动，均应视为属于本发明的保护范围。
[0060]
如图1所示，本发明提供一种分队战术智能对抗训练系统，模拟对抗训练在这一系
统下进行，一方为真人持真枪实弹，另一方为靶子和激光发射器联动组合成为假人持枪。以下假设以真人持枪方为攻方，靶机方为守方为例，对该系统以及演练过程进行介绍，当然也可以将真人持枪方作为守方，靶机方作为攻方为例。
[0061]
该系统主要由视频采集单元1、云台2、激光发射单元3、中控系统4、靶机单元5、目标单元6和障碍物单元7组成。
[0062]
(1)视频采集单元
[0063]
视频采集单元1采用360
°
全方位视频采集器，采用高清摄像机，配合高清晰度5mm焦距广角红外摄像头和高清晰度6mm焦距广角红外摄像头。视频采集装置设置在云台2上前方以便采集到完整的图像画面。视频采集单元1与中控系统4电连接，将图像信息发送至中控系统4。
[0064]
(2)云台
[0065]
云台2上设置有旋转台，可以实现360
°
灵活旋转，是视频采集单元1和激光发射单元3的可靠载体，视频采集单元1和激光发射单元3还可自转。云台2与中控系统4电连接，接收来自于中控系统4的指令进行动作，从而调节角度，从而实现目标锁定和激光发射器的精准打击。
[0066]
(3)激光发射单元
[0067]
激光发射单元3设置在云台2的旋转台上，在旋转台的作用下，可以360
°
全方位场景发射。激光发射单元3采用的激光发射器为云翔粗光束绿色大功率激光器，该激光发射器能连续输出稳定激光，射程较远，可达1km，能在较大范围内打击敌方目标，具有远距离光束大小可调节功能，能适应较为苛刻的工作温度，供电要求直流宽电压，能适应更多电源供电，具有很强的兼容性，能按照处理器所发出的命令完成输出动作。
[0068]
激光发射单元3与中控系统4电连接，接收来自于中控系统4的发射指令。
[0069]
(4)中控单元4
[0070]
中控系统4，作为训练系统的控制核心，协同控制训练场景内的各种电控动作。中控系统4与视频采集单元1、云台2、激光发射单元3、靶机单元5等电连接，接收来自于视频采集装置的采集信息，经过分析处理做出决策，然后通过控制云台2的转向，使激光发射器找到精准位置，控制激光发射器向目标发射，同时接收来自于靶机单元5的靶位信息，控制靶机立起或者卧倒。
[0071]
中控系统4作为庞大的处理系统，采用manifold2作为核心处理器，内置有图像处理模块、ros系统、目标识别模块、追踪模块和决策模块等功能。
[0072]
中控系统4具有图像处理功能，在系统中能快速计算视频采集单元1所采集的图像信息。中控系统4接收视频采集单元1采集到的功方目标信息并进行矩阵分析、坐标计算，得出中心点坐标信号后，通过读取ssd目标跟踪检测算法中库函数boxes内的储存信息，进行坐标处理和变换，计算图像的中心坐标及所占像素大小等图像信息。
[0073]
该中控系统4具备卓越的处理能力和响应速度，且扩展灵活。建立ros系统，通过ros系统搭建的发布器及订阅器，实现由不同语言所编写的算法之间的数据传输，将所得目标位置等信息从图像追踪模型传送至决策模块，在稳定运行决策算法之后进行智能分析，最终输出精确的打击指令至高精度发射云台及靶机控制器，高精度激光发射云台和靶机相互配合，联合工作实施攻击和防守。
[0074]
(5)靶机单元和目标单元
[0075]
靶机单元5设置为多个靶机，目标单元6为多个持枪的真人，靶机单元5与目标单元6构成作战对立方。目标单元6可以采用实弹射击也可以采用电子弹；每个靶机在中控系统4的指令下立起或卧倒，模拟真人防守，激光发射器模拟真人攻击，所以靶机和激光发射器联动实现一个完整的持枪真人模拟动作。每个靶机下方架设一个摄像头用于拍摄靶面受弹情况，一个靶机倒下模拟死亡后如果再立起来则代表另一个有生力量。
[0076]
在靶机与激光发射器的联动任务中，可以调整从靶机立起或卧倒到激光发射器发射激光的延时时间以控制训练难度，调整靶机立起的时间来训练战士的反应能力，调整在不同方向上靶机立起的数量和频率来模拟守方兵力的部署和调动。
[0077]
本发明提供一种分队战术智能对抗训练方法，基于上述系统，由视频采集装置持续进行拍摄，目标追踪模块捕捉到目标进入拍摄范围内时，通过提取ssd目标跟踪检测算法模型中的坐标信息，实现相对坐标到大地坐标的转换，以便于与激光发射器坐标取得一致，计算获取目标的中心坐标信息、速度信息，进行编号排序，然后通过决策算法判定对我方威胁程度，产生寻优方案，并对目标进行持续锁定和准确追踪直至打击目标阵亡为止。
[0078]
具体实施方案如下：
[0079]
1.目标识别
[0080]
目标识别包括图像的采集与处理，以及信息的发布。
[0081]
(1)图像采集与处理
[0082]
本发明采用ssd目标跟踪检测算法模型对目标进行捕捉和坐标计算。图像处理模块将目标用标色矩形预测框标注出来并打上标签及其目标相似程度，在此基础上还将采集到的敌方目标的位置信息经过提取ssd目标跟踪检测算法模型中的坐标信息，实现相对坐标到大地坐标的转换，输出能够直观反映目标威胁程度的参数。
[0083]
ssd目标跟踪检测算法模型是以vgg
‑
16网络作为基础模型，加入了rpn网络特征金字塔的一种检测方式。ssd目标跟踪检测算法结合了yolo的回归思想和faster
‑
rcnn中的anchor boxes机制，通过综合利用多尺度特征层各层优势互补的特点，解决了仅仅利用单层特征层目标检测算法对检测网络的不足，ssd更加简单而且准确率更高。相比于yolo使用了全连接层只能接受固定的大小输入，ssd使用了全卷积层而摒弃了全连接层，使得其能够接受任意大小图片的输入，并产生相应大小的输出。最后检测效果也要优于单特征层目标检测算法。其网络结构如下：
[0084]
(1)前馈神经网络使用vgg，摒弃了最后的全连接层；
[0085]
(2)在前馈神经网络后连接了多个卷积层，提供不同的特征图；
[0086]
(3)对特定的特征图上每个点，通过设置对应的参数生成特定数量、特定大小的default box(以下称为先验框)，用于检测特征图中不同的目标；
[0087]
(4)设置卷积核，通过对特征图进行卷积，生成每个先验框对应的类别得分和预测坐标，则每个点生成的预测向量长度为(分类个数 坐标个数)
×
该点先验框数；
[0088]
(5)最后通过fast nms非极大值抑制筛选出合适的预测框，并打上标签。
[0089]
为提高本系统目标追踪检测的准确性，对ssd目标追踪检测算法模型逻辑回归方程的权重系数和调整参数进行修正，方程如下：
[0090][0091]
其中，z为目标函数(即最优解)，x为图片输入信息，w为权重系数，b为调整参数，为训练集中的预测值，a为sigmoid激活函数，y为标签值(0,1)，loss(a,y)为逻辑回归损失函数。
[0092]
修正的方法是：首先通过前期搜集大量不同场景下不同姿势的目标照片建立数据集，将该数据集分为训练集和测试集。使用labelme标注软件对训练集中选定的目标和目标的标签进行标注后，将输出的json文件转化为神经网络可识别的csv数据文件。再在拥有gpu强大图像处理能力的工作机上进行多次训练。经过多次神经网络模型的训练，获得多个权重系数和调整参数，然后通过测试集与训练集的比对，最终选取最符合目标检测效果的权重系数和调整参数。
[0093]
对ssd目标追踪检测模型进行修正，最终得到能准确捕捉目标并进行持续跟踪的模型，通过该模型获得预测框，该预测框包括准确率及其类别标签。
[0094]
所以，本系统通过红外摄像头持续进行拍摄，通过多次训练调整神经网络的权重系数和调整参数，建立上述回归方程，目标识别模块能根据从训练集所提取的特征值，通过对特征图进行卷积，生成每个先验框对应的类别得分和预测坐标，每个点生成预测向量长度，最后通过非极大值抑制筛选出合适的预测框。ssd目标追踪检测算法模型训练后生成可执行文件，该文件中包含有图像坐标储存函数boxes函数。
[0095]
随后由图像处理器对所获图像信息进行分析，根据boxes函数内的预测框尺寸信息，对预测框下的特征图进行坐标提取并进行分析计算，获得所需信息：
[0096]
x
min
，y
min
[0097]
x
max
，y
max
[0098]
x
min
，y
min
为特征图的左下角坐标，x
max
，y
max
为特征图的右上角坐标，则可得面积：
[0099]
s＝(x
max
‑
x
min
)*(y
max
‑
y
min
)
[0100]
中心点坐标：
[0101]
c
0x
＝(x
min
x
max
)/2
[0102]
c
0y
＝(y
min
y
max
)/2
[0103]
c
0x
为x向坐标，c
0y
为y向坐标。
[0104]
上述所得坐标为相对坐标，实际应用中应转换为与云台相同的坐标系，本发明可采取寻找基准点的办法将其转化为大地坐标，转换方法属于公知常识在此不做赘述。本发明以下叙述坐标均表示大地坐标。
[0105]
(2)图像信息发布
[0106]
图像信息经过处理转换后通过ros系统发布器节点发布，由决策控制算法中嵌入的订阅器节点订阅上述数据，从而实现不同算法框架间的数据交互，将指令信息输入给目标追踪打击模块。
[0107]
为实现不同算法间的通讯功能，本发明首次在ssd目标跟踪检测算法模块中加入ros系统的发布器模块，能将识别到的图像信息、捕捉到的目标个数、计算所得的像素大小、
中心坐标点和综合威胁程度等信息发布成为一个话题。
[0108]
具体发布情况如下：
[0109]
(1)设置话题信息，将所需要发送的内容定义在话题框架中；
[0110]
(2)提前在工作空间中创建一个话题信息，将通过ssd识别的图像信息，如捕捉到的目标个数、计算所得的像素大小、中心坐标点和综合威胁程度等信息写入其中。
[0111]
(3)若ros处于工作状态，则将话题中的具体话题信息发布出去。
[0112]
2.目标追踪
[0113]
基于ssd目标跟踪检测算法，每个被打上标签的目标都能被实时追踪，通过机器学习训练系统算法实现目标的准确跟踪和锁定，实时追踪，向中心处理器manifold2输入目标的实时坐标。目标追踪模块通过通信装置接收目标识别模块所输入的目标信息，包括目标像素所占面积大小、目标移动速度和移动加速度信息，由加权目标像素所占面积大小、移动速度及其变化率实时追踪，获得目标威胁程度。
[0114]
综合威胁程度计算公式如下：
[0115]
w＝w1s w2v w3a w4ρ
[0116]
其中，w表示目标综合威胁程度，s表示目标像素所占面积大小，v表示目标相对移动速度，a表示目标相对移动加速度，ρ表示特定面积下目标密度；w1、w2、w3和w4分别对应表示目标像素所占面积大小、相对移动速度、相对加速度、特定面积下密度的加权系数。前期可取w1＝w2＝w3＝w4＝1/4，根据训练目的不同可以调整系数分配但四个系数的和始终要保持为1。w值越大表示该追踪目标的威胁程度越高。
[0117]
其中，目标像素所占面积计算方法为：
[0118][0119]
s
10
为摄像头10米外身高170cm标准体重男性的正面图像所占像素面积，s
i
为当前目标所占像素面积，k为调整参数，其数值为100s
200
/s
10
，s
200
为摄像头200米外身高170cm标准体重男性的正面图像所占像素面积。
[0120]
其中，目标相对移动速度计算方法为：
[0121][0122]
v
max
取百米运动员的世界纪录速度，v
i
为当前目标的移动速度。
[0123]
其中，目标相对移动加速度计算方法为：
[0124]
[0125]
a
max
取百米运动员世界纪录起步时的加速度，a
i
为当前目标的移动加速度。
[0126]
其中，特定面积下目标密度的计算方法为：
[0127][0128]
ρ表示特定面积下目标密度，j为特定面积下所有目标数量，特定面积指：以该追踪目标为圆心，百分之一像机像素为半径的圆的覆盖范围。
[0129]
计算某时刻镜头下所有目标的w值，值越大的表示该目标的威胁程度越高，越优先予以重视。
[0130]
3.打击和/或防御决策
[0131]
a.打击决策
[0132]
智能防御模块根据获得的所有目标综合威胁程度(即w的大小)，对目标按由小到大的顺续进行排序编号，根据编号将目标坐标发送给高精度激光发射云台，进行打击。打击过程中，在发射激光后的设定时间内(优选0.5秒)收到敌方人员中弹信息(敌方人员所穿的红外接收器马甲收到激光信号，并将接到的信号通过无线传输给反馈给中控系统)，则认为攻击成功，按顺序打击下一目标。如0.5秒内没收到反馈信号，则认为并未击中目标，继续跟踪该目标并打击。
[0133]
b.防御决策
[0134]
追踪和打击目标的同时，根据守方靶面受弹情况绘制对方火力分布图，进而根据火力分布分析战场环境，做出相应防御措施。通过架设在每个靶面下方的摄像头，通过检测靶面弹孔大小和颜色变化判断靶面受弹情况。提取不同靶面弹孔信息，获得不同位置靶面受弹程度，据此进行全局火力分析，进行量化处理，从而获得火力分布图，对于火力较为集中的位置，系统将通过调动更多靶机立起加强攻击，或者控制靶机倒下从而实现智能防御。
[0135]
首先，通过对比先后两帧图片颜色的不同，来判断是否有中弹，对比所有像素的rgb值，都相同则没中弹，一旦有不同，且不同像素值所占面积在子弹直径的0.5～2倍之内(弹射入靶面的方向不同，弹孔会有所不同)则认为中弹。
[0136]
通过靶子的边缘检测可以确定靶的中心位置，通过不同环数颜色的区别可以确定环数，当靶子中弹且环数大于设定值(如8环)，认为此靶子被击中要害部位，靶子倒下模拟死亡，而后再根据系统总的计算决定是否再行起立充当其他有生命的战士；
[0137]
如果靶子中弹，但环数小于等于设定值且中弹总数小于设定值(优选3)时，认为靶子中弹，但判定为轻伤，仍可继续战斗；
[0138]
如果靶子中弹，但环数小于等于设定值且中弹总数大于等于设定值时，判定靶子负重伤，靶子虽然倒下，但仍有可能再战斗，比如倒下打冷枪。
[0139]
当同一位置靶子立起后再倒下的平均时间小于设定值a秒(实际演习过程中根据演习难度设置可调)，则认定此处对方火力强，此时需加强兵力部署，此处靶机立起的个数和靶机被击倒后再次立起的频率都相应增加，同时减少其他位置靶机立起的个数和倒把后再次立起的频率。否则认定此处对方火力较弱，不再增援。
[0140]
进一步地，当目标追踪模块根据识别到的目标计算综合危险程度的同时，还对每
帧图像捕捉到的目标数量进行计算，根据敌方目标数量m，计算靶机立起数量n，鉴于攻防比例一般是3:1(此为一般比例，可根据训练难以程度调整本比值)，故可以通过计算确定靶机立起的数量：
[0141][0142]
n为应该立起的靶机数量；m为追踪的每帧图像中的目标数量；是向上取整符号。
[0143]
进一步地，在对抗过程中，当靶机立起之后，功方可能会在守方发射激光之前给予火力打击，从靶机立起到激光发射器发射之前的延迟反映了守方的对抗反应能力，延迟时间越长，说明守方人员的反应能力越弱。此时应考虑靶机受损情况根据下式给出合理延迟时间t
i
：
[0144]
t
i
＝t
i
‑1 (10
‑
b)(t
j
‑
t
i
‑1)/10
[0145]
t
i
为本次靶机立起后打击目标的延迟时间；当i＝1时为初始化延迟时间(优选2秒)，b为当前靶机上弹孔的最高环数；t
j
为上一次靶机立起到被击倒所用时间，当j＝1时t
j
＝0。即反应时间会随着对方打靶人射击速度的提高而减小，随着打靶人射击精度的提高而减小，反之时间会增加。
[0146]
本发明提供的模拟训练系统和方法，真实模拟了战场上真枪实弹的作战场景，尽管其中一方不能使用真人真枪，但是通过靶机和激光发射器的智能联合，实现了真人持枪效果，并且通过靶机的不断倒立变化模拟出了作战人员的流动作战场景，激光发射器的360度旋转发射模拟出了真人灵活射击效果。所以，本发明更具有实战指导意义。