ERFARENHETS-
ÅTERFÖRING

Varför data före minne — erfarenhetsåterföringsprocessen

En pilot under stridsstress minns felaktigt. Adrenalin förvränger tidsuppfattningen — "jag såg målet i fem sekunder" var i verkligheten 1,2 sekunder på DVR-inspelningen. Avståndsuppskattningar avviker med en faktor två till tre. Händelseförloppet omordnas i minnet. Detta är inte kritik mot piloter — det är mänsklig neurovetenskap under stress. Lösningen är enkel: granska datan INNAN piloten tillfrågas om vad som hände. SD-kortet har inget adrenalin. MAVLink-loggen glömmer inte.

Lisa 26-loggar tillhandahåller en objektiv tidslinje över varje händelse: när AI:n detekterade, vilket konfidensvärde, när L2-rekommendationen genererades, när befälhavaren godkände, när FPV-drönaren startade, när den träffade och vad BDA-passagen visade. Tidslinjen avslöjar flaskhalsar som subjektivt minne aldrig fångar. Den vanligaste upptäckten: fördröjningen mellan detektion och träff är 8–12 minuter när målet borde vara 2–5 minuter. Piloten tror att det gick snabbt. Loggen visar annat.

De fyra frågorna

Fråga 1: Vad var planerat? Uppdragsbriefingen definierar avsikt, målområde, inflygsvektor, insatsregler och beredskapsplaner. Skriv ned det FÖRE uppdraget så att det inte kan revideras i efterhand. Om planen var "ISR-svep sektor 4, bekämpa fordonsmål från söder" är det baslinjen mot vilken allt mäts.

Fråga 2: Vad hände? Svaret kommer uteslutande från data. DVR visar vad piloten såg. MAVLink-loggen visar var drönaren flög. Lisa 26-loggen visar vad AI:n detekterade och vilka rekommendationer som genererades. SD-kortet visar detektionskonfidens bildruta för bildruta. Piloten tillför kontext först efter att datan granskats: "Jag såg målet på termisk bild men valde att inte bekämpa det eftersom jag misstänkte civilt fordon." Den kontexten är värdefull — men den kommer som steg två, inte steg ett.

Fråga 3: Varför skiljer det sig? Här sker lärandet. Planen sa bekämpa från söder. Piloten bekämpade från öster. Varför? "Vinden var 15 km/h från söder — inflyg i motvind dränerade batteriet till kritisk nivå innan målet nåddes. Jag avvek österut för medvindsinflygning." Det är en giltig taktisk anpassning. Eller: "Jag glömde att briefingen sa söder." Det är en utbildningslucka. Datan skiljer mellan de två fallen.

Fråga 4: Vad ändras nästa gång? En sak. Inte tio. En konkret, mätbar förändring. "Nästa uppdrag: kontrollera vindriktning under förflygningskontroll och justera inflygsvektor om motvind överstiger 10 km/h." Specifikt. Testbart. Nästa AAR kontrollerar om förändringen genomfördes och om den hjälpte.

Vanliga AAR-fynd från Ukraina

Fynd 1 — Beslutsfördröjning: Tiden från Fischer 26-detektion till FPV-strike medelvärdesberäknas till 8–12 minuter. Målets tillgänglighetsfönster är 2–5 minuter. Grundorsak: plutonchefen begär bekräftelse från kompaninivå istället för att besluta inom sin auktoritet. Åtgärd: explicit insatsregeldelegering FÖRE uppdraget — "fordon i sektor 3 är förhandsgodkända för plutonsnivåbekämpning."

Fynd 2 — Målöverlämningsfel: FPV-piloten kan inte hitta målet som Fischer 26 detekterade. Grundorsak: 50–200 meters positionsfel utan GPS innebär att koordinaterna placerar piloten i rätt område men inte på målet. Åtgärd: Fischer 26 upprätthåller bana över målet och strömmar livevideo till FPV-pilotens andrasskärm under inflyg. Piloten ser målet genom Fischer 26:s kamera medan den flyger dit.

Fynd 3 — BDA uteblir: Efter strikeinsats rapporterar piloten "träff" och återvänder. Ingen BDA-passage av Fischer 26 genomförs. Resultat: målet registreras som förstört men överlevde faktiskt — 30–40 procent av FPV-träffar slår inte ut målet. Åtgärd: obligatorisk Fischer 26 BDA-passage 30–60 sekunder efter varje strikeinsats. Inga undantag. Om Fischer 26 är otillgänglig flyger förbruknings-ISR BDA-passagen.

Fynd 4 — Batterihantering: Piloten startar med delvis laddat batteri "för att det var tillräckligt bra." Drönaren återvänder med 5 procent — en vindpust från kraschlandning. Åtgärd: minimiladdspänning upprätthålls i förflygningschecklist. Under 3,7 V per cell = ingen start, punkt slut.

AAR-format

Mönsteranalys över tid

Individuella AAR identifierar taktiska justeringar. Samlade AAR över veckor och månader avslöjar mönster. Lisa 26 på brigadservern lagrar all AAR-data i PostgreSQL. Mönsterfrågor: "Vilka inflygsriktningar ger högst strikeframgång mot ingrävda fordon?" Svar efter 200 uppdrag: syd-sydväst mellan 14:00–16:00 (solen bakom anfallaren, målbesättningen bländad av motljus). Detta är kunskap som inget enskilt uppdrag producerar — den uppstår genom systematisk datainsamling över hundratals insatser.

Andra mönsterexemplet: drönarförlustfrekvens per tid på dygnet. Data från 6 månaders operationer visar att förlusterna toppar vid gryning och skymning — låg solvinkel skapar termiska gradienter som försämrar optisk flödesnavigering och orsakar fler krascher under autonoma flygsegment. Åtgärd: höj minimihöjden under grynings- och skymningstransitioner från 50 till 80 meter AGL. Förlustfrekvensen sjunker 40 procent följande månad. Denna förbättring var osynlig för enskilda piloter — den framträdde enbart i aggregerad data.

Erfarenhetsåterföringsprocessen omvandlar individuella uppdragserfarenheter till institutionell kunskap. Varje genomgång producerar exakt en konkret förbättring som nästa uppdrag testar. Över 20 uppdrag genererar 20 genomgångar 20 förbättringar — en kumulativ taktisk fördel som ingen mängd fördeployeringsutbildning kan replikera.

Strukturerad erfarenhetsåterföring skiljer professionella militära drönaroperationer från amatörimprovisation. Den institutionella kunskapsbasen som byggs upp genom systematiska genomgångar ger förbandet en kumulativ fördel som ökar exponentiellt med antalet genomförda uppdrag — efter 100 uppdrag har förbandet dokumenterat 100 konkreta förbättringar som alla nya operatörer ärver från dag ett. Disciplinen säkerställer att varje operativ händelse — lyckad eller misslyckad — genererar dokumenterad kunskap som gynnar hela organisationen. Utan denna systematiska process upprepar förband samma misstag i oändlighet medan de tror att de förbättras enbart genom erfarenhet. Erfarenhet utan struktur är bara repetition — erfarenhetsåterföring ger repetitionen riktning.

Prova den interaktiva beslutsmotorsimulatorn →

Öppna den interaktiva beslutsmotorn →

← Ingår i Plutonsintegration

Implementering

# AAR Data Export — Lisa 26 to CSV for Pattern Analysis
# pip install psycopg2
import psycopg2
import csv
from datetime import datetime, timedelta

def export_aar_data(days_back=30, output_file="/tmp/aar_export.csv"):
    """Export AAR data from Lisa 26 PostgreSQL for pattern analysis."""
    conn = psycopg2.connect("dbname=lisa26 user=lisa26 host=localhost")
    cur = conn.cursor()
    
    cur.execute("""
    SELECT 
        m.mission_id,
        m.launch_time,
        m.recovery_time,
        m.drone_type,
        EXTRACT(HOUR FROM m.launch_time) as hour_of_day,
        d.class as target_class,
        d.confidence,
        s.result,  -- K/M/F/MISS
        s.approach_vector_deg,
        m.ew_jamming_detected,
        m.drone_lost,
        m.loss_cause
    FROM missions m
    LEFT JOIN detections d ON m.mission_id = d.mission_id
    LEFT JOIN strikes s ON m.mission_id = s.mission_id
    WHERE m.launch_time > NOW() - INTERVAL '%s days'
    ORDER BY m.launch_time
    """, (days_back,))
    
    rows = cur.fetchall()
    headers = [desc[0] for desc in cur.description]
    
    with open(output_file, 'w', newline='') as f:
        w = csv.writer(f)
        w.writerow(headers)
        w.writerows(rows)
    
    print(f"Exported {len(rows)} AAR records to {output_file}")
    
    # Quick pattern summary
    cur.execute("""
    SELECT 
        EXTRACT(HOUR FROM launch_time)::int as hour,
        COUNT(*) as missions,
        SUM(CASE WHEN drone_lost THEN 1 ELSE 0 END) as losses,
        ROUND(AVG(EXTRACT(EPOCH FROM recovery_time - launch_time)/60)::numeric, 1) as avg_duration_min
    FROM missions
    WHERE launch_time > NOW() - INTERVAL '%s days'
    GROUP BY hour ORDER BY hour
    """, (days_back,))
    
    print("\nHourly pattern (last 30 days):")
    print(f"{'Hour':>4s} {'Missions':>8s} {'Losses':>6s} {'Loss%':>5s} {'AvgMin':>6s}")
    for hour, missions, losses, avg_dur in cur.fetchall():
        loss_pct = (losses/missions*100) if missions > 0 else 0
        print(f"{hour:4d} {missions:8d} {losses:6d} {loss_pct:5.1f} {avg_dur:6.1f}")
    
    conn.close()

export_aar_data(days_back=30)

Relaterade kapitel

Källor

US Army Center for Army Lessons Learned (CALL) AAR-metodik. Försvarsmakten erfarenhetshantering. Ukrainska drönarförbands AAR-praxis 2023–2026. PostgreSQL mönsteranalys. FSG-A fältdata.