最短的路，存活率是零：戰場無人車怎麼學會繞遠路。
同一張地圖，同一個起點和終點。最快的路線四點四五公里，二十分鐘就到，存活率是零。繞了三倍遠的那條路要走超過兩小時，存活率才勉強三成六。
規劃官在筆電前，地圖上只有兩個點：一個起點，一個目標。他先畫了一條直線。
系統算完，跳出三個數字。距離四點四五公里，時間不到二十分鐘，抵達時不被發現的機率，零。
接著系統自己畫了第二條路。它繞著作戰區的外圍走了一大圈，十三點一七公里，要走超過兩個小時。這條路的存活機率，三成六。
同一張地圖，同一輛車，同一個目的地。為什麼會有指揮官願意讓無人車多跑三倍的路，晚兩個小時抵達？
看得見的戰場
答案藏在現代戰場的一個前提裡：凡是會動的，都可能被偵測、被追蹤、被瞄準。
在感測器密布的環境下，活下來靠的不是火力，而是減少暴露、保持機動、對威脅快速反應。無人地面車輛（UGV）正是在這個前提下變成關鍵能力。它替指揮官延伸作戰範圍，深入危險區域，而不必讓士兵直接暴露在火線上。
問題是，現在多數 UGV 仍然是單一任務的工具。一輛後勤車能照預定路線把補給送到，卻無法在路上突然遇到威脅時自己改道；一個偵察平台能蒐集資料，卻不懂得聰明地避開偵測。
這篇來自葡萄牙陸軍官校與里斯本大學高等技術學院的論文，作者 Nuno Soares 與 António Grilo 點出，真正缺的不是又一套導航演算法，而是一個能把指揮官的意圖、戰場的動態、時間與風險之間的取捨，一起翻譯成可執行行動的規劃框架。
他們把這套框架叫做 ARGUS。
威脅不是一個點
ARGUS 吃三種輸入：地理空間資料（高程、地形、障礙）、軍事情報（威脅的位置與特性），以及指揮官的意圖（目標與限制）。它把這三樣東西揉成一張覆蓋整個作戰區的風險地圖。
關鍵在於它怎麼描述威脅。
多數規劃方法把敵方的位置當成確定的座標。ARGUS 不這樣做。它把每一個威脅表示成一張「位置機率分布」，攤在離散化的網格上，每一格都標著該處存在威脅的機率。情報從來不是精確的，這種寫法把不確定性直接寫進模型裡。
被偵測的機率則隨距離變化。雷達偵測理論告訴我們，偵測機率對距離呈現一條 S 形曲線：近距離幾乎必然被發現，超過有效距離則趨近於零，中間是一段平滑下降。ARGUS 用一個參數化的函數逼近這條曲線，計算便宜，又保留了真實的物理形狀。
把多個威脅疊加起來，用的是「存活機率連乘」的算法。每經過一格，車輛活下來的機率是各個威脅都沒發現它的機率相乘。
還有一個常被忽略的細節：車輛不是一個點。一支編隊有寬度。ARGUS 用最壞情況來處理，在編隊走廊的範圍內取風險最高的那一格作為代表，確保整支隊伍都不超過暴露上限。指揮官指定的編隊寬度決定了這個走廊有多寬。論文的測試用的是三百公尺。
這張風險地圖有個技術難關。存活機率是連乘的，而 A* 這類最短路徑演算法只能處理相加的成本。ARGUS 的解法是取對數：把連乘變成相加，數學上等價，卻能讓圖搜尋演算法直接運作。最大化存活，就轉成了最小化累積的對數風險。
三種模式，三種意圖。
有了風險地圖，接下來是把指揮官的意圖變成一道最佳化問題。ARGUS 提供三種模式。
平衡模式，在「正規化的時間」和「正規化的風險」之間取一個加權組合，權重由參數 α 控制。α 等於零是最安全，α 等於一是最快。論文開頭那兩條路，正是這個參數推到兩個極端的結果。
快速但限風險模式，目標是在每一格的風險都不超過某個上限的前提下，把時間壓到最短。把風險天花板訂太低，直線路被判定不可行，系統會啟動退路機制。
安全但限時間模式，反過來，在總任務時間不超過預算的前提下，找風險最低的路。這一種最難算。它本質上是一個資源限制最短路徑問題（RCSPP），數學上屬於 NP-hard，標準的最短路徑演算法在這裡力不從心。
第三種模式的價值，在一組數字裡看得最清楚。任務時間預算給三十分鐘，系統找到的路線存活率只有百分之二點二九。預算放寬到四十分鐘，多出來的十分鐘讓演算法找到一條更迂迴、更隱蔽的路，存活率跳到百分之十二點零六，整整五倍。
時間就是這樣換來的安全。多給一點餘裕，車輛就能多繞開一些被看見的角落。
為什麼要自己寫一套演算法？
第三種模式既然是 NP-hard，研究者一開始試了傳統的多目標演算法，那類方法會明確算出時間與風險之間的整條柏拉圖前緣。在這篇論文用的大規模地圖上，它們慢到無法在可接受的時間內給出答案。
於是作者開發了一套專用的演算法，叫 APULSE。名字來自 A* 與 Pulse 的結合。它靠三個機制撐起效能。
第一是啟發式的預先計算。正式搜尋之前，APULSE 先從目標點反向算出兩張地圖：從任一點到目標的最短時間，以及最低累積風險。這兩個下界讓後面的搜尋有了方向感，知道哪些路根本不值得試。
第二是積極的剪枝。搜尋過程中，只要一條路徑的剩餘時間加起來會超過時間預算，立刻丟棄；只要它的估計總風險已經比目前最好的解還差，也立刻丟棄。
第三是時間分桶。連續的時間軸被切成固定寬度的區間，每一個（節點，時間桶）的組合只保留風險最低的那一條路徑，其餘視為被支配而剪掉。桶的寬度由一個自動調校的公式決定，大約是時間預算除以八千一百九十二，不需要人工校準。
效果在大規模測試裡很明顯。研究者把 APULSE 跟三套目前最先進的參考演算法放在同一張地圖上比，地圖最大有四萬六千個節點。小規模時，參考演算法因為初始化負擔小而領先。但從中等規模開始，APULSE 的執行時間就一路最低；到了最大的那個案例，它是唯一一套能在十分鐘上限內跑完所有設定的演算法，兩套雙向搜尋的對手直接失敗。
速度快，品質卻沒有犧牲。在全部二十六個基準設定裡，APULSE 有二十五個找到的就是精確最佳解。唯一的例外，誤差只有百分之零點零零二五，來自時間分桶帶來的離散化，幾乎可以忽略。
路走到一半，冒出新威脅。
靜態的計畫在真實戰場上撐不久。新的情報隨時可能讓原本算好的路失效。
最直接的反應是整條路重算，但這很浪費，因為大部分地圖並沒有改變。ARGUS 的做法是局部修補：只重算受影響的那一段，範圍由威脅距離、半個編隊寬度，加上一個可設定的安全餘裕決定。
研究者用實驗驗證了這個機制。原本算好的七條基準路線，各自在中途被塞進一組新威脅，逼系統就地修補。結果呈現一個清楚的取捨。修補後的路線一致地提高了存活率，在安全限時模式裡，對數風險最多下降了三成。代價是時間，同樣那些任務，局部繞行讓總時長最多增加了五成。
要冒險繞遠保命，還是守住時程，這個決定不交給機器。ARGUS 讓指揮官設定一個時間餘裕參數，控制修補時能偏離原訂時程多少。餘裕大，准許更安全但更長的繞道；餘裕小，逼系統盡量守住原本的進度。人的判斷權留在人手上。
從螢幕到車上
這套系統不只停在模擬裡。
研究者把 ARGUS 做成一個用 Python 寫的完整原型，配上互動式的操作介面。規劃官在地圖上放下起點和終點，選一種模式，拉一下編隊寬度的滑桿，系統就回傳一條路，連同總距離、預估時間、存活機率等指標，還有一張把風險畫成熱度的地圖，解釋這條路為什麼這樣走。
真正的考驗在葡萄牙陸軍的 ARTEX 25 演習。團隊用一輛名為 Vigilant 的遙控偵察 UGV 做測試。ARGUS 算好並驗證一條路之後，把它輸出成標準的航點檔，匯入到實際操控這輛車的任務管制軟體 QGroundControl。整條從規劃到執行的鏈路就此打通，證明這套系統產出的路線可以直接被前線的控制系統使用。
演習還帶出一個意外的收穫。那條為了計算編隊寬度而保留的走廊，除了反映車輛的實體尺寸，也順便給了操作員一塊事先核可過的機動餘地，讓他們在執行時能做些微小的即時調整。
還沒算進去的事
論文沒有假裝問題都解決了。
它建立在一些簡化的假設上：地形資料是靜態的，感測器模型是理想化的。這些都是後續要補的方向。作者列出的下一步包括把遮蔽和動態因素寫進風險模型，接上即時的資料串流，再把能源和車輛本身的限制也納入最佳化。
但這套框架真正的貢獻，或許不在於它能算出哪一條路最好。
回到開頭那兩條路。四點四五公里的直線，二十分鐘，存活率零。十三點一七公里的大圈，兩個多小時，存活率三成六。ARGUS 沒有替指揮官做選擇，它做的是把這個取捨攤開來看，把「最短」這個直覺底下藏著的代價標成具體的數字。
在一個凡動必被看見的戰場上，最短的路和能活著抵達的路，很少是同一條。一套規劃系統能做的，是讓人在按下執行之前，清楚知道自己正在拿什麼換什麼。