由于在36,000公里的極端距離上靈敏度下降，并且由于雷達截面減少的小衛星擴散，對地球同步軌道上的常駐空間物體的雷達探測和跟蹤是具有挑戰性的。提高現有單靜止雷達傳感器靈敏度的一個選擇是采用配置為雙靜止接收器的大孔徑無線電望遠鏡。此外，多個接收器將使多方位配置在探測和跟蹤方面有額外的性能改進。在本文中，我們報告了使用美國的Millstone Hill Radar（MHR）和德國的Tracking and Imaging Radar（TIRA）作為發射器的長基線雙靜態測量，以及歐洲的一些接收器：意大利的Sardinia Radio Telescope（SRT）、荷蘭的Westerbork Synthesis Radio Telescope（WSRT）和英國的e-Merlin陣列的多個天線。這里介紹的工作是作為SET-293研究任務組（RTG）的工作計劃的一部分進行的。

在地球同步軌道（GEO）上用雷達維持空間態勢感知（SSA）的最重大挑戰是由于極端的距離造成的靈敏度損失，這個距離是到地球同步軌道帶36000公里。為了提高單靜止雷達的靈敏度，必須提高發射功率，建立一個更大的孔徑，或降低傳感器的系統溫度。靈敏度受孔徑大小的影響最大，因為靈敏度與孔徑的四次方成正比，但建造大孔徑雷達的成本過高，而且工程上的挑戰對這種傳感器的尺寸和回轉率也有上限[1]。然而，提高現有單穩態傳感器靈敏度的一個選擇是考慮使用大孔徑射電望遠鏡作為雙穩態接收器的多穩態雷達。有許多大直徑（>60米）的射電望遠鏡可以與雷達配對使用。使用射電望遠鏡作為接收元件有幾個方面的優勢。除了它們的大尺寸之外，1）射電望遠鏡通常具有較低的系統溫度，通常比雷達的溫度低一個數量級，這進一步提高了它們的靈敏度；2）它們的指向和跟蹤能力與地球同步軌道目標非常匹配；3）它們通常配備有寬頻接收器，可以靈活地與多個發射雷達配對；4）它們通常具有出色的頻率標準（H-馬斯），可以進行相干的雙態觀測；以及5）有可能將天文和雷達觀測校準相結合[2]。

雖然這種雙穩態發射器/接收器對之間的鏈接預算計算是有希望的，但雙穩態雷達截面（RCS）是一個有點未經測試的因素，特別是在洲際基線。在較短的基線上，小于1000公里，雙態RCS可能與單態RCS相似，但由于即使是單態RCS也可能具有高度的方向性，雙態RCS可能會有更大的變化[3]。此外，由于可以同時使用多個接收站（無線電望遠鏡），因此可以啟用多方位配置，這不僅可以提高整個系統的靈敏度和探測地球同步軌道物體的能力，而且還可以提高跟蹤性能，因為多方位測量將有助于改善物體的位置和速度估計。

2020年初，北約科學與技術組織（STO）啟動了一個為期多年的傳感器、電子和技術（SET）研究任務組（RTG）（SET-293），通過結合美國和歐洲的現有北約伙伴資產，研究使用雙靜態和多靜態雷達配置來改善地球同步軌道的SSA。SET-293已經進行了實驗，以探索現實世界對這種雙穩態系統的理論鏈接預算的限制。圖1-1描述了實驗中雷達發射器（Tx）和接收器（Rx）的幾何形狀。

圖 1-1 – 雷達多基地實驗幾何，描繪了雷達發射機照射地球同步衛星目標和射電望遠鏡接收來自衛星的信號。

一組實驗將美國的米爾斯通山雷達（MHR）與歐洲的三個接收器配對：意大利的撒丁島射電望遠鏡（SRT）、荷蘭的韋斯特博克綜合射電望遠鏡（WSRT）的一個天線以及英國喬德雷爾銀行天文臺（JBO）運營的e-Merlin陣列的多個天線。e-Merlin包括7個天線，直徑從25米到76米，在英國的間距從10公里到220公里，用于厘米級波長的高分辨率射電天文學成像。這些天線通過一個專用的光學網絡連接到一個中央相關器，它們的一致性由同一光纖上的雙向射頻定時信號來維持。在歐洲，在德國的TIRA和SRT及e-Merlin射電望遠鏡之間進行了更小基線的其他雙穩態實驗。傳感器及其相關參數列于表2.1。

鏈路預算是以每個與MHR和TIRA配對的接收器的參考信噪比來計算的。MHR的參考單靜態信噪比為50dB，TIRA為47dB，它描述了1000公里范圍內0dBsm目標的單脈沖的最大性能。需要注意的是，這種鏈路預算計算假定單靜止和雙靜止RCS是等效的。此外，接收機增益，即單穩態靈敏度和雙穩態靈敏度之間的差異，顯示在表2.1最后一行的每個雙穩態接收機。射電望遠鏡接收器的潛在好處是顯而易見的，因為即使是規模不大的WSRT接收器，由于其作為一個純接收系統的低系統溫度，預計在MHR下會顯示近7分貝的接收器增益，在TIRA下會顯示10分貝增益。本文報告了在2020年和2021年收集的測量結果。在2022年已經進行了額外的收集，并將在未來的論文中介紹。

在這項研究中，基于強化學習（RL）的集中式路徑規劃被用于在人為的敵對環境中的無人作戰飛行器（UCAV）編隊。所提出的方法提供了一種新的方法，在獎勵函數中使用了閉合速度和近似的時間-去向項，以獲得合作運動，同時確保禁飛區（NFZs）和到達時間限制。近似策略優化（PPO）算法被用于RL智能體的訓練階段。系統性能在兩個不同的情況下進行了評估。在案例1中，戰爭環境只包含目標區域，希望同時到達以獲得飽和的攻擊效果。在情況2中，戰爭環境除了目標區和標準的飽和攻擊和避免碰撞的要求外，還包含NFZ。基于粒子群優化（PSO）的合作路徑規劃算法作為基線方法被實施，并在執行時間和開發的性能指標方面與提出的算法進行了比較。蒙特卡洛模擬研究被用來評估系統性能。根據仿真結果，所提出的系統能夠實時生成可行的飛行路徑，同時考慮到物理和操作限制，如加速限制、NFZ限制、同時到達和防撞要求。在這方面，該方法為解決UCAV機群的大規模合作路徑規劃提供了一種新穎的、計算效率高的方法。

引言

在空中攻擊和防御場景的應用中，無人駕駛戰斗飛行器（UCAVs）被用來執行監視、偵察和消滅放置在人為敵對環境中的敵方資產。在戰爭環境中可以使用不同類型的敵方防御單位，如高射炮（AAA）、地對空導彈（SAM）、探測/跟蹤雷達和通信系統。這些資產的選擇和放置是以被防御單位的戰略重要性和被防御地區的地理規格為依據的。通過使用通信系統和防御單位，可以開發一個無縫防空系統來保護地面資產。圖1給出了一個樣本戰爭環境的總體概況。從攻擊者艦隊的角度來看，它的目標是以艦隊特工的最小殺傷概率摧毀敵人的資產。如果行動中需要隱蔽性，也希望以最小的探測和跟蹤概率完成任務。這可以通過兩種方式獲得。1）如果飛行路線必須通過敵人的雷達區域，則使用隱身飛機；2）通過生成不通過敵人雷達區域的飛行路線。如果任務要求和戰爭環境條件合適，可以考慮采用第二種方案，以達到最低風險。因此，飛行路徑規劃對于生成可行的、安全的飛行路線具有至關重要的意義，它可以提高在戰爭環境中的任務成功率和生存概率。本研究通過開發基于強化學習（RL）的合作集中式路徑規劃應用，重點關注第二種方式，在考慮任務和系統要求的同時，以最小的占用量生成飛行路線。

空中飛行器的合作是空對地攻擊情況下的另一個重要問題。[1]中指出，自主無人機系統的合作意味著資源共享、信息共享、任務分配和沖突解決。它需要先進的傳感器和遠程數據鏈來提高UCAV機群的任務成功率和生存能力。從生存能力的角度來看，合作對于避免UCAVs之間可能發生的碰撞相當重要。因此，在進行飛行路徑規劃時，應考慮智能體與智能體之間的安全距離。定義UCAV飛行器之間距離和角度的相對幾何數據可用于評估這種情況并生成無碰撞的飛行路線。此外，從任務成功的角度來看，合作可用于生成可同時到達目標區域的飛行路線。同時到達是空對地攻擊的一個關鍵作戰概念，以便在戰爭環境中飽和敵人的防空系統。例如，如果機群中的UCAV潛入目標區域并同時向敵方資產發起攻擊，防空系統就會飽和，它就無法對UCAV機群作出有效反應。這增加了任務成功的概率，盡管它可能會降低機群中幾個UCAV智能體的生存能力。

戰爭環境中UCAV機群的合作路徑規劃是一個復雜的問題。正如我們之前提到的，在生成所需路徑時，應考慮許多敵方資產。一個成功的合作是通過結合操作者定義的機群的生存能力和任務成功要求而獲得的。

在文獻中，對UCAV機群的合作路徑規劃進行了許多研究。在[2]中，UCAV機群的路徑規劃是通過使用勢場方法來壓制地表的敵方資產，如雷達、防空導彈和大炮。此外，Voronoi圖也被用于同一問題，并與所提出的算法的性能進行了比較。雖然生成的路徑是連續和平滑的，但它需要很高的計算成本來解決這個問題。在文獻[3]中，通過整合近似的允許攻擊區域模型、約束條件和多準則目標函數，提出了UCAV機隊執行合作空對地攻擊任務的軌跡規劃問題。然后，通過結合微分平坦性理論、高斯偽譜法（GPM）和非線性編程，開發了虛擬運動偽裝（VMC），以解決合作軌跡最優控制問題。所提出的VMC算法的性能與基于GPM的直接拼合方法進行了比較，后者是為生成最優軌跡而開發的。仿真結果表明，盡管在優化性能上有小的損失，導致次優解，但所提方法能夠比GPM算法更快地生成可行的飛行軌跡。

最近航空器的計算和通信能力的進步加速了對合作的研究。將RL應用于自主飛行器的路徑規劃是文獻中的一個新興話題，因為它能夠在適當的情況下解決復雜問題。在文獻[4]中，作者通過使用深度強化學習（DRL）為自主地面車輛開發了一個省時的導航策略。他們引入了具有社會意識的DRL防撞方法，并將其推廣到多Agent場景中。提出的算法在一個行人眾多的環境中進行了測試。在[5]中，開發了一種混合算法，其中包含DRL和基于力的運動規劃方法。它被用來解決動態和密集環境中的分布式運動規劃問題。根據仿真結果，所提出的算法比DRL方法產生的成功場景多50%，比基于力的運動規劃到達目標所需的額外時間少75%。在[6]中，為蜂窩連接的無人機群網絡開發了干擾感知路徑規劃算法。在這一應用中，能源效率與無線延遲和干擾之間存在著權衡。提出了基于回聲狀態網絡的DRL算法來解決路徑規劃問題。仿真結果顯示，與啟發式基線方法相比，每個無人機的無線延時和每個地面用戶的速率都得到了改善。同時，仿真結果指出了無人機的最佳高度、數據速率要求和地面網絡密度之間的關系。在[7]中，DRL被用于使用自主飛機的分布式野火監視。在這個問題上，由于高維狀態空間、隨機的火災傳播、不完善的傳感器信息以及飛機之間需要協調，要最大限度地擴大森林火災的覆蓋范圍是相當復雜的。我們開發了兩種DRL方法。在第一種方法中，飛機是通過使用單個飛機的即時觀測來控制的。在第二種方法中，野火狀態和飛機所到之處的時間歷史被用作控制器的輸入，以提供飛機之間的協作。根據仿真結果，所提出的方法提供了對野火擴張的精確跟蹤，并超過了退避水平線控制器。報告還指出，這些方法對于不同數量的飛機和不同的野火形狀是可擴展的。在[8]中，DRL算法被用來解決無人駕駛地面車輛（USV）車隊的合作路徑規劃問題。采用了領導者-追隨者策略，并制定了一個集中協調方案。為了在車隊中提供合作，使用了與避免碰撞和編隊形狀有關的獎勵函數元素。然而，在路徑規劃問題中沒有考慮同時到達。

多智能體強化學習（MARL）也是一種新興的方法，用于解決包含合作要求的多智能體問題，如同時到達和避免碰撞[9-15]。在[16]中，針對部分可觀察情況和網絡帶寬等有限通信能力下的合作，開發了深度遞歸多智能體行為者批評框架（R-MADDPG）。實驗表明，所提出的R-MADDPG算法能夠處理資源限制的問題，并且它能夠在同時到達的智能體之間進行協調。然而，空中飛行器的運動學沒有被考慮，環境中也沒有包括障礙物。在[17]中，通過結合改進的陶氏重力（I-tau-G）制導策略和多智能體Q-Learning（MAQL）算法，為多個無人駕駛飛行器（UAV）開發了分布式4-D軌跡生成方法。考慮了避免碰撞和同時到達的要求來提供合作。

這項研究是[18]的延續，其中對UCAVs進行了基于RL的集中式路徑規劃。在戰爭環境中集成了一個五種狀態的生存能力模型，包括搜索、探測、跟蹤、交戰和擊中狀態。RL智能體的訓練階段是通過使用近似策略優化（PPO）算法進行的。為了定量評估所提系統的有效性，制定了跟蹤和命中概率的性能指標，并用于蒙特卡洛分析。仿真結果表明，擬議的算法能夠產生可行的飛行路線，同時使UCAV機群的生存概率最大化。然而，將生存能力模型（每個UCAV的五個狀態）納入學習過程增加了觀察向量的大小，使系統的擴展變得復雜。另外，[18]中沒有研究UCAV機群的合作性能，這也是本研究的主要議題。

本文采用RL方法解決了UCAV機群的路徑規劃問題。采用集中式結構，將總的觀測向量輸入單一的RL智能體，并生成總的行動向量，其中包含相關UCAV的單獨控制信號。與[18]不同的是，生存能力模型沒有被整合到觀察向量中以減少向量大小。相反，禁飛區（NFZs）被定義為模擬防空系統，如防空導彈和火炮。除了在[18]中進行的研究外，這里特別關注艦隊的合作，這從兩個方面得到。首先，研究了UCAV機群同時到達目標區域的情況，這是一種廣泛使用的使敵人的防空系統飽和的方法。其次，還研究了避免碰撞的問題，以提供艦隊的安全。考慮到這些要求，我們開發了獎勵函數。RL智能體的訓練階段是通過使用PPO算法進行的。為避免NFZ、避免碰撞和同時到達的要求制定了幾個性能指標，以獲得對所提方法的定量評價。通過使用蒙特卡洛分析，在NFZ位置不確定和外部干擾（即風的影響）存在的情況下，根據船隊的避免碰撞和同時到達能力，對系統的合作性能進行了評估。

這項研究從兩個方面對文獻做出了貢獻。首先，據作者所知，這是第一次為UCAV機隊開發出一種可行的和可操作的基于RL的集中式路徑規劃方法。例如，與典型的基于PSO的方法相比，基于RL的方法提供了艦隊在面對動態和反擊/防御威脅時重新規劃的實時能力。第二，與目前的方法相比，所提出的方法提供了同時考慮關鍵操作限制的能力，如同時到達和避免碰撞的要求，同時考慮NFZ限制和系統限制，如UCAVs的橫向加速指令限制。例如，典型的方法，如基于PSO的方法，只考慮了這些限制的有限子集，因此它們只適用于現實生活場景的某些方面。考慮到這兩個方面的貢獻，所提出的方法不僅為現實生活中適用的合作操作能力提供了手段，如關閉速度和近似的時間信息，而且還為高度非線性和大規模的UCAV艦隊優化問題提供了一個實時的近似。

本文的其余部分組織如下。在第二部分，解釋了路徑規劃問題中使用的數學模型和相對幾何學。在第三部分，給出了RL智能體的一般結構，并描述了訓練算法。第四節，給出了仿真結果，并對1）無NFZ和2）有NFZ約束的情況進行了評估。在第五部分，說明了結論和未來的工作。

圖 3 RL 智能體及其與戰爭環境交互的總體概述。

圖 4 a) 同時到達、b) NFZ 限制和 c) 避免碰撞的定義。

機器學習的應用非常廣泛，對各種工業和軍事目標都很有用，但目前的方法是否魯棒（穩健）？魯棒性要求的不僅僅是在理想條件下的準確性；它意味著系統能夠抵抗數據中的擾動，包括自然和對抗性原因的擾動。這項研究的目的是分析用于電網故障分類的神經網絡的魯棒性。我們專注于經典的9總線模型模擬產生的數據；然而，這些方法和結果可以擴展到更復雜的微電網，如海軍艦艇、潛艇和基地上的微電網。首先，我們測量隨機和對抗性噪聲對測試數據的影響，并比較三種網絡類型。然后，我們通過改變節點和層的數量來測試不同的結構。最后，我們測試了在訓練數據中加入噪聲是否能提高魯棒性。在潛艇上采用機器學習方法之前，我們必須首先了解其弱點和潛在的錯誤。這項研究為如何測試魯棒性，神經網絡在哪些地方有隨機或對抗性噪聲的風險，以及如何修改網絡以提高其魯棒性提供了基礎。

高超音速飛行器設計的分析成本很高，部分原因是高超音速飛行系統所特有的物理現象。在計算資源有限的情況下，在飛行器設計的早期盡可能多地考慮這些現象是可取的。降階模型可以通過利用以前的結果，以較低的成本提供對這些現象的洞察力。研究了機器學習模型在預測飛行中的高超音速武器周圍壓力場方面的效用。使用穩態RANS求解器Kestrel在高超音速下模擬了一個參數化的雙錐體模型。得到的壓力場被用來訓練兩個神經網絡（NN）模型，U-Net和多尺度網絡，以及兩個元模型，K-近鄰和回歸克里格。神經網絡模型被設計為使用不同的方法來提取流場關系：U-Net利用自動編碼，而多尺度網絡則利用順序細化方案。所有模型都在統一的笛卡爾網格上預測壓力值，其分辨率比CFD模擬所需的非結構化網格小得多。NN的準確性、計算復雜性和多功能性與元模型進行了比較。此外，研究了每種方法準確預測沖擊相互作用或與下游車輛幾何形狀撞擊的能力。這種封閉式ML模型可以提供比傳統CFD解決方案更多的優勢，因為它們不需要對計算域進行任何網格劃分，并且可以快速生成流場預測--在幾秒鐘的時間內。在這個數據集上，NN模型被發現有缺乏但穩健的性能。此外，NN模型被證明可以毫不費力地適用于無法用現有幾何參數化描述的任意幾何形狀。

這項研究采用了多種機器學習（ML）技術來預測高超音速雙錐體產生的穩態壓力場。對參數化的高超音速體進行流動模擬，產生了廣泛的自由流條件和幾何配置。本章將討論對高超聲速飛行器的興趣、高超聲速流動系統的特點，并提供相關領域以前工作的例子。

1.1 高超音速飛行

高超音速飛行系統已經成為世界各地的組織所關注的話題。能夠以高超音速飛行并保持高超音速的系統為軍隊帶來了進攻和防御的優勢。美國空軍（USAF）認為開發有能力的高超音速武器是一個 "改變游戲規則 "的進步，并預計2030年的作戰環境將使用這些武器[1]。導致高超音速系統設計和使用的線索可以追溯到從萊特兄弟的萊特飛行器開始，飛機需要達到更快的速度和更高的高度。萊特飛行器的首次飛行標志著人類有能力在大氣層中進行動力旅行，并開創了空中力量的時代。飛機的發展建立在萊特兄弟的成就之上，隨后飛機的速度和工作高度開始成倍增加。到第二次世界大戰時（萊特飛人首飛后約40年），飛機的建造方法和部件發生了巨大變化，這些飛機的最高速度達到每小時400英里（mph），比第一架動力飛機的速度大了一個數量級，并且可以達到30,000英尺的高度。到了太空競賽的幾十年，即20世紀60年代和70年代，飛機能夠達到每小時1200英里的跨音速，并將其運行高度提高一倍，達到60000英尺。在此期間，實驗性的X-15高超音速飛機能夠達到7馬赫，高度超過35萬英尺[2]。飛機能力方面的這些進步在軍事空中力量方面特別有用。與對手車輛相比，能夠更快地行駛和機動并達到更高的高度的車輛在空對空作戰中具有優勢。這些屬性也有助于避免來自地面的攻擊，因為快速移動的目標可能難以被動能武器擊中，如果飛機飛到彈藥可達到的最大高度以上，這種武器就完全沒有用處。這些高速和高空能力也可以實現情報、監視和偵察（ISR）任務。在這種高超音速飛行器的控制[3]、[4]、推進[5]和優化[6]-[8]方面已經進行了許多研究。

最近對高超音速飛行器的興趣集中在無人駕駛的武器和彈藥上。洲際彈道導彈（ICBM）的發展通過使用火箭將有效載荷加速到大氣層以上，增強了軍事彈藥的全球覆蓋范圍。一旦火箭助推器的燃料耗盡，彈藥就會以最小制導的彈道軌跡落回地球。彈藥將其重力勢能換成動能，并在重新進入大氣層時可達到非常大的高超音速。下降過程中的這些大速度使得瞄準和消除彈藥成為一項困難的任務，然而洲際彈道導彈飛行路徑的彈道性質使得早期探測和根據早期軌跡數據預測飛行路徑是可行的。在其飛行路徑的最慢部分知道彈藥的位置，其不確定性相對較小，這使得它們容易被攔截。噴氣式或滑翔式高超音速武器可以減少這些脆弱性。這些類型的高超音速武器能夠比它們的洲際彈道導彈保持更接近地球表面，同時保持其大的飛行速度。這種組合使這些武器能夠延遲被對手發現，壓縮其反應時間，同時也難以用傳統的彈藥進行攔截[9]。高超音速武器的持續發展將使美國空軍能夠生產出更有效的進攻性武器，并增強更好地防御對手部署的類似和傳統武器的能力。

1.2 高超音速環境

高超音速飛行環境引入了一些獨特的流體流動特性，使其成為一個不利的操作環境。安德森在他的書和出版物中對這一主題進行了很好的評論，這里總結了一些主要的觀點。高超音速流動的主要特點是：薄沖擊層、熵層、粘性相互作用和高溫、低密度流動，這些特點將其與低馬赫超音速流動區分開來。[2]

沖擊層最容易解釋的是在二維楔形上的流動，前緣附有沖擊波。從θ-β-M關系中可以看出，對于一個規定的轉角，增加馬赫數將減少沖擊角，這樣在馬赫數接近無窮大的極限，沖擊角接近偏轉角。墻壁和沖擊波之間的流動走廊就是沖擊層。如前所述，在大馬赫數的極限下，這個沖擊層的厚度會縮小并接近零。所有通過沖擊波的氣流必須在沖擊層中向下游移動。因為這個層隨著馬赫數的增加而收縮，沖擊層中的流動密度必須隨著馬赫數的增加而增加。根據理想氣體定律和各向同性的關系，密度的增加也會導致沖擊波后面的壓力和溫度增加（這些關系在高超聲速流動系統中可能會被打破，這一點將在后面討論，但對于說明問題仍然很有用）。如果還考慮到粘性效應，邊界層將沿著表面形成。在足夠的雷諾數和馬赫數下，邊界層可以成為沖擊層的一個相當大的部分，或者沖擊可以與邊界層合并，這種相互作用可以引起大的空氣熱負荷[2]，[10]。

通過沖擊波的氣流會產生熵，這與沖擊波的強度成正比[2]。沖擊波的強度與自由流的入射角成正比，其中最強的沖擊波是與流動有90度入射角的正常沖擊，強度隨著入射角的減小而下降。如果高超音速體周圍的沖擊波沒有附著在前緣，而是有一些正的對峙距離，它將采取弓形沖擊的形式。弓形沖擊的規模和距離受高超音速體的形狀和自由流條件的影響。弓形沖擊靠近機體上的停滯點的部分將有一個幾乎垂直于自由流的入射角，當弓形沖擊遠離停滯點時，入射角將下降。這種角度的變化改變了弓形沖擊的局部斑塊的強度，從而在通過弓形沖擊的流動中產生了非均勻的熵分布。根據Crocco定理，由此產生的熵梯度會產生渦度，而最強的渦度是在停滯點附近通過弓形沖擊的流動中產生的。這種高渦度的流動集中在體表的邊界層附近，可以給邊界層引入額外的能量。請注意，弓形沖擊可以發生在任何超音速流動中，然而低馬赫流動中的弓形沖擊強度不足以產生大量的渦度。[2]

流體中的粘性相互作用促進了高超音速流動的動能向熱能的轉移。這在邊界層變得尤為突出，因為流動必須完全停止（相對于飛行器而言），以滿足壁面的無滑動條件。這些極端的溫度會導致壁面升溫，如果沒有實施適當的熱管理，構成材料會軟化并失效（如果是金屬）[2]。如果沖擊波沖擊或與邊界層相互作用，所產生的空氣熱負荷甚至會變得更大[10]。大的、局部的空氣熱負荷是不可取的，特別是在那些沒有預期的地方，或者當地的表面沒有被設計成可以處理這些負荷的地方。在這些地方的沖擊會導致表面失效，損害車輛部件的空氣動力和結構完整性。這方面的一個例子發生在X-15飛機的一次試飛中，由于沖擊造成的加熱，下部垂直穩定器受到了嚴重的損壞[11]。這一事件并沒有導致飛行器或飛行員的損失，然而，外部結構受損的高超音速氣流會導致高溫氣體的侵入，從而使內部部件暴露在它們沒有設計的條件下。2003年2月1日，哥倫比亞號航天飛機被確定為是氣體侵入飛行器內部結構的原因，導致了飛行器和機組人員的損失[12]。

1.3 飛行器設計

在目前和最近的過去，已經有相對較少的全尺寸高超音速飛行器測試。這些測試的費用很高，而且成功率也不高。此外，目前還不存在能夠準確模擬高超音速飛行器自由流條件的高超音速飛行器測試設施，而這些設施在任務中占有相當大的比例。這些因素使得大部分高超音速飛行器的設計都要通過計算工具來完成。這些高超音速流體模擬可能很復雜，而且計算成本極高，需要數天或數周的時間來計算。除了計算所需的大量時間外，還有其他準備措施，如生成計算網格，這些都增加了單一配置的復雜性和產生模擬結果所需的時間。單一配置的如此長的時間框架使得這些類型的模擬對于探索可能的設計空間來說是不理想的。因此，為了探索設計空間，有很大的動力去利用減序模型或能以更快的速度產生低保真度結果的方法。低保真度的結果是指那些可能不完全代表真實的結果或可能沒有包含與問題相關的物理信息的結果。低保真解決方案通常是真實解決方案的近似值，為了計算的便利性，犧牲了分辨率或物理精度。

設計新型飛行器的過程始于確定可能的配置空間和對飛行器幾何形狀或飛行條件的相應約束。然后在這個空間中進行搜索，以找到由一個或多個目標函數定義的最理想的配置。以前設計的性能可以用來集中或指導搜索中的下一個興趣領域。一般來說，在找到一個最佳或可接受的配置之前，必須對許多配置進行評估，然后停止搜索。在高超音速飛行器的情況下，對一個設計的評估往往需要大量的、昂貴的CFD模擬或風洞測試來確認其性能。為了減少尋找可接受的配置方案所需的昂貴測試的數量，可以將搜索分成幾輪，在這幾輪中，可以對一大批候選配置進行缺乏物理精度的計算上的廉價測試，以確定有希望的候選配置[13]。然后可以選擇一定數量的這些候選人進行更昂貴的、物理上更精確的測試。這種將逐漸昂貴的、更精確的評估技術應用于逐漸變小的候選方案池的過程可以大大減少在設計空間中尋找解決方案所需的總時間和計算資源[14]。

以前的工作[15]-[19]已經開發了一些方法，將增強的物理精度引入廉價的評估方法，以便在設計過程的早期使用。在設計過程的早期引入增強的物理精度可以幫助在搜索過程的早期識別可能的不理想的性能特征，使所選的設計更早地集中于更有希望的配置。計算便宜的評估方法的一個例子是修正的牛頓正弦方程法，這是一種基于面板的方法，用于預測高超音速表面的壓力分布。雖然這種方法在無限馬赫數的限制下能產生相對準確的結果，但它對沒有直接暴露在自由流中的面板的壓力系數分配為零。重要的是，這種方法不能進行需要流場演變知識的預測，例如由沖擊波和邊界層產生的現象。使用這種方法，任何沖擊對車輛配置的影響都不會被發現，這可能會導致在最終將其從候選配置中放棄之前花費更多的資源進行調查。在設計探索的這一階段采用具有類似計算費用的減序法，有機會在設計過程中更早地發現不理想的配置，從而節省時間和計算資源。這項研究的重點是預測在可能發生沖擊的情況下高超音速系統配置的結果表面壓力。

1.4 機器學習

機器學習（ML）是數字建模的一個領域，它試圖通過以算法或自動化的方式最小化或優化一些可取性指標來理解或發現數據集中的潛在分布。機器學習模型是自組織的，即它們的結構或內部參數可以被調整以最適合訓練數據。有兩種類型的學習：無監督的和有監督的。無監督學習只利用數據集的輸入數據，一般用于聚類或降維問題。本研究中不使用無監督學習。監督學習同時利用輸入和目標反應。模型被訓練來產生預測的反應，這些反應相對于已知的目標反應是最小的損失函數。這種模型包括簡單的算法，如普通最小二乘法（OLS）回歸，以及大多數類型的神經網絡。像OLS回歸這樣的模型有獨特的內部參數解決方案，在給定的數據集上對給定的損失指標產生最佳性能。對于其他模型，如神經網絡，沒有分析解決方案，必須通過迭代更新內部參數來提高模型性能。就神經網絡模型而言，通常有大量的參數可以調整，使用猜測和檢查的方法來更新所有這些參數將是難以實現的。如果模型被適當地指定，那么內部參數的更新方向和幅度就可以用梯度下降法計算出來。

各種機器學習模型已經被應用于高超音速領域，從表面載荷預測到航空彈性響應建模再到飛行控制系統。克里格模型已被用于預測高超音速飛行器的表面壓力和熱通量值，以及高超音速飛行器的控制[20]-[23]。神經網絡模型已被用于許多應用，包括結構位移預測[19]、航空彈性效應的模式預測，卷積神經網絡也已被用于加速CFD收斂。U-Net結構被用來模擬機翼上的亞音速流動[24]，多尺度網絡被用來模擬通過多孔介質的不可壓縮的流動[25]。

1.5 文件組織

本文件分為六章。第2章建立了本工作中使用的機器學習模型的背景。討論了開發這兩個神經網絡模型的論文。第3章概述了這些模型在這項工作中的實現。還討論了從模擬輸出中生成輸入數據的問題。第4章討論了用于生成數據集中的設計點的抽樣方法。在高超音速測試和本研究的背景下，討論了雙錐體的效用。仿真需要確定求解器中的設置，以及進行計算的網格。本章還討論了生成網格的過程和進行網格收斂研究。第5章在對高超聲速初步設計的有用性方面回顧了模型訓練的結果。最后，第6章對這些結果以及未來的后續工作進行了一些討論。

目標姿態估計和目標點選擇在直接能量武器系統中至關重要，因為它使系統能夠指向目標的特定和戰略區域。然而，這是一項具有挑戰性的任務，因為需要一個專門的姿態傳感器。在新出現的深度學習能力的激勵下，本工作提出了一個深度學習模型，以歐拉角的方式估計目標航天器的姿態。深度學習模型的數據是通過實驗從三維無人機模型中產生的，其中包括大氣背景和湍流等效應。目標姿態來自于二維關鍵點的訓練、驗證和預測。有了關鍵點檢測模型，就有可能檢測到圖像中的興趣點，這使我們能夠估計有關目標的姿勢、角度和尺寸。利用弱透視直接線性變換算法，可以從三維到二維的對應關系中確定三維物體相對于攝像機的姿勢。此外，從這種對應關系中，可以確定目標上的瞄準點，模仿激光跟蹤。這項工作評估了這些方法及其在模擬真實世界環境中實驗產生的數據的準確性。

野外火災對國土安全構成直接威脅，因為它們造成嚴重的個人、經濟和社會壓力。隨著無人駕駛飛行器（UAV）蜂群的使用越來越普遍，它們很可能作為一線消防航空資產，提高空中滅火飛行的操作速度，從而提高消防員的安全。這篇論文探討了使用無人機蜂群作為火災撲救方法的概念，在一個現實的火災場景中，將理論上的無人機蜂群與傳統的航空資產進行比較，然后使用系統工程方法來定義在林野空間實施無人機蜂群的壓力點。這項研究的結果支持無人機蜂群的繼續發展，并明確界定了在實施大規模無人機蜂群飛行之前必須解決的領域。滅火無人機蜂群系統顯示出巨大的前景，因為它具有相對的便攜性，并且能夠為無法隨時獲得傳統滅火飛機的地區提供空中滅火選擇。然而，在實施之前，解決無人機蜂群系統的后勤和通信限制，將是至關重要的。

執行摘要

野外火災對美國國土安全構成了明顯的威脅，因為它影響了自然資源，降低了以森林產品工業為生的人們的經濟穩定性，造成了財產和房屋的損失，并可能造成生命損失。認真對待野地火災的威脅，并尋求實施增加安全和保障的技術進步是至關重要的。荒地消防戰術的下一個重大進展可能是使用成群的無人駕駛飛行器（UAVs）對荒地火災進行火力攻擊。

隨著全球變暖和火季延長的趨勢，促進荒地消防領域的創新至關重要，以確保消防部隊的最大影響，同時提高消防員的安全。在一項回顧性研究中，巴特勒發現，從2000年到2013年，有78名野外消防員的死亡，即26.2%，與航空有關。國家機構間消防中心報告說，在過去10年中，"每年平均有62,693場野火，每年平均有750萬英畝受到影響。"國家消防局估計，現在每年用于撲滅野火的費用為16億美元。盡管有所有這些事實，這些年用于撲滅這些火災的資源基本上保持不變。由于野外火災的威脅使公民面臨財產損失、高額的撲滅費用和潛在的生命損失，目前有必要探索基于無人機的火災撲滅。無人機群可能比目前的航空資產更有效地執行空中滅火的關鍵任務。

無人機蜂群是在特定參數下部署的半自主的航空器群，以完成一項任務。這些飛機在發射和回收時得到人類控制器的協助，但隨后被允許在特定參數下完成任務。無人機蜂群可以被證明是快速部署的空中資產，可以在地面部隊到達之前找到并壓制火勢。利用無人機群進行滅火行動可以提高消防員和公眾的安全，使火勢保持小規模和可控，提供早期探測和撲滅野地火災，并釋放傳統的航空資產以部署到關鍵的火場。

使用傳統的固定翼和旋轉翼飛機來撲滅火災有其局限性，即飛機無法在濃煙條件下、天氣事件和黑暗的夜晚飛行。在不受控制的環境中，在靠近活躍的野地火災時駕駛飛機，不允許有任何誤差，其結果可能是災難性的。由于無人機和無人機群有能力在夜間和許多有機組人員的飛機無法做到的條件下飛行，因此利用無人機和無人機群可以實現更高的操作速度。致力于使用無人機群進行空中滅火可能會減少消防員因空中事故而死亡的人數，同時使火勢更小、更容易控制。

這篇論文旨在回答這樣一個問題：新興的無人機群技術如何在野外環境中作為一種火災攻擊方法來實施。研究設計采用了一種三管齊下的方法。首先是概念驗證法，通過參與先進機器人系統工程實驗室（ARSENL）和海軍研究生院的機器人和無人系統教育與研究集團的實際無人機群飛行任務來促進。在測試過程中，我們飛行了多種類型的無人機群，并將無人駕駛的地面車輛整合到群中。實際測試表明了在荒地部署無人機群的可行性，并強調了在全面部署前必須解決的問題。

第二種方法是對50架無人機群和傳統的單引擎空中加油機（SEAT）進行比較分析，攻擊理論上的火災。該分析允許對無人機群和傳統飛機在特定時間內攻擊火災進行比較。衡量標準包括投放的滅火劑數量和每種資產的預計運營成本。這些信息被用來完成無人機群和傳統飛機之間的成本比較。最后，Innoslate 4（V 4.5.1.0）基于模型的系統工程軟件和建模系統被用來模擬無人機群和空中加油機的飛行方案，使用準確的飛行、加油和重新裝載周期時間。這些飛行方案允許(a)確定實施的壓力點，(b)了解無人機群和SEAT飛機的限制和好處，以及(c)確定無人機群操作和確保成功任務所需的地面支持人員之間的關鍵關系。

作為這項研究的結果，我們相信無人機群可以對野外環境中的空中滅火做出重要貢獻。無人機群因其相對的便攜性和對防火區有限的進入障礙而顯示出巨大的前景。雖然50架無人機群對每個森林保護區來說可能并不可行，但即使有幾架滅火無人機，在地面部隊可以攻擊它們之前，也可以控制低至中強度的火災。然而，在這之前，必須解決許多壓力點，以全面實施基于無人機群的火災撲救。其中一些問題包括制定和實施明確的無人機群飛行政策和程序，審查聯邦航空管理局關于無人機群行動的現行規則，制定支持無人機群行動的后勤最佳做法，并確保積極的通信聯系以保證對無人機群的完全控制。最后，如果美國接受了將無人機群用于野外消防和其他商業行動的概念，那么支持無人機和無人機群的基礎設施以及專注于建造、編程和操作的無人機具體教育就至關重要。

在野外環境中使用無人機群的概念對于提高消防行動的安全性和生產力有明確的價值。雖然有一些障礙需要克服，但未來的野外消防工作將大量涉及無人機群。預計多個運營商將尋求進入無人機群建設和運營的最前沿，這既是一個商業機會，也是一個協助解決日益嚴重的野外火災問題的機會。雖然無人機滅火不太可能很快取代傳統的空中滅火，但使用無人機群作為另一種空中滅火工具的能力，特別是在傳統飛機不飛行的夜間，應該為火災管理人員提供另一種快速和更安全地緩解火災的手段。

I. 引言

荒地消防戰術的下一個重大進展可能是使用無人駕駛飛行器（UAVs）群，在荒地火災失去控制之前對其進行火力攻擊。蜂群是在特定參數下部署的無人機自主團隊，以完成一項任務。無人機群被允許在任務參數范圍內做出自主和合作的決定，同時由一個操作員進行監督控制。這種能力與目前的無人機操作形成對比，后者需要每架飛機都有一個飛行員。利用無人機群進行滅火行動有可能提高消防員和公眾的安全，提供早期探測和撲滅野地火災，并釋放傳統的航空資產以部署到關鍵的火災。

A. 研究的動機

野地火災對美國國土安全構成了明顯的威脅，因為它影響了自然資源，降低了以森林產品工業為生的人們的經濟穩定性，造成了財產和房屋的損失，并可能造成生命損失。大規模的野地火災所代表的危險是如此嚴重，以至于火災管理人員必須嘗試使用所有可用的戰術來抑制它們，包括直接和間接的火災攻擊方法。這些技術需要將消防員置于危險之中，以減緩或阻止火災的發展。2010年至2019年期間，134名消防員在撲滅野地火災時因公殉職。"國家機構間消防中心 "報告說，在過去10年中，"平均每年有62693場野火，平均每年有750萬英畝受到影響。 "然而，這些年來，對抗這些火災的資源可用性保持不變。隨著全球變暖和火季延長的趨勢，促進野地消防領域的創新至關重要，以確保消防部隊的最大影響，同時提高消防員的安全。

1. 用蜂群技術增強消防戰術

使用單個無人機來協助收集野地火災的情報的概念是熟悉的領域。對于大多數大型野地火災，單個無人機可用于觀察火災的位置和運動，或監測已逃離控制線的火災。無人機產生的情報成為火災預測和即將到來的行動期的行動規劃的一個關鍵因素。然而，無人機還沒有被部署用于直接滅火活動，也沒有在野地火災中部署無人機群。蜂群技術正處于起步階段，需要更多的開發才能成為應用于滅火行動的可行選擇。

術語 "無人機群 "是指由一個控制器操作的多個無人機。受控蜂群是為特定任務編程的無人機團隊，由一個控制器操作。半自主的蜂群是一個由控制器協助發射和回收的無人機團隊。半自主蜂群有特定的任務參數，據此它可以識別任務，決定哪些成員將完成任務，完成任務，并恢復到基站，同時在成員之間進行分工以確保成功完成。

由于必須在火場上放置大量的水或阻燃劑的滅火有效載荷，使用單個無人機進行直接滅火攻擊的概念既沒有被大力探索，也沒有被研究。然而，隨著無人機群技術的潛力，允許在站點上放置許多較小的有效載荷，以及攜帶多達100磅的重型無人機系統的進步，許多無人機群可能會有效地壓制火災。使用無人機群而不是傳統的飛機，可能是野火撲滅的下一個巨大進步。執行這項工作的技術正在開發中，然而，目前它既不實用，也無法擴展。

2. 野地火災越來越普遍，破壞性越來越大

野地火災必須作為國土安全問題用廣角鏡頭來看待。許多行動方案可以同時進行，以減少野地火災的頻率、嚴重程度和強度。有必要不把一個解決方案作為解決野地火災問題的萬能藥，而是擁抱創新和技術，以應對減少這些破壞性火災的挑戰。

由于大火對經濟、社會和情感的影響極大，野地火災直接威脅到美國的國土安全。撲滅這些火災的成本在貨幣支出和人力成本方面繼續增加，包括消防員和死于野地火災的市民的生命。國家消防局估計，現在每年用于撲滅野地火災的費用為16億美元。歷史上，有一個指定的 "火災季節"；然而，損失巨大的野地火災發生在一年中的所有月份，導致西部一些州放棄火災季節的概念。

由于野地火災繼續給消防員和生活在城市-野地交界處的人們帶來挑戰，探索更有效和更具成本效益的方法來對抗這些破壞性的火災變得至關重要。人們無法逃避的事實是，全球變暖正在改變森林的易燃性，使其更容易燃燒。這些煤渣干燥的條件造成了由于火勢發展速度太快而導致多人喪生的情況。一個明顯的例子是2018年加利福尼亞州的營地大火，85人喪生，18,804座建筑被燒毀，主要是在火災發生的前五個小時。一個更近的例子是2021年12月30日科羅拉多州丹佛市外的馬歇爾大火，在短短幾個小時內，有兩人喪生，991座建筑被燒毀。這場大火是由干燥的條件和超過每小時90英里的風助長的。加劇這些火災的事實是，在人員、飛機和雇用額外援助的資金方面，打擊這些火災的資源有限。資源的稀缺已經成為一個重要的問題，特別是在火災季節的中心地帶，多個火災正在燃燒并迅速擴大。在過去的幾個火災季節，有的時候根本沒有足夠的資源投入到消防工作中。當這種情況發生時，火災管理人員必須做出艱難的決定，注銷有時數千英畝的土地或數百個房屋。

3. 全球變暖和對荒地的威脅

以前被認為是史無前例的火災和火災行為，現在似乎已經成為每年夏天的常態。全球變暖極大地影響了荒地環境，創造了更熱和更干燥的氣候，使火災持續增長。目前和遺留的關于在何處、如何以及何時滅火的政策增加了美國森林的燃料負荷。森林管理政策需要幾十年才能趕上美國森林目前的燃料負荷。全球變暖和氣候變化倡議可能需要幾十年才能對森林產生積極的影響。根據保險信息協會的數據，2020年美國大約有1010萬英畝的土地被燒毀，美國處于野火高風險或極端風險的房屋共有450萬。

必須承認全球變暖和氣候變化對野外環境的負面影響。全球變暖對森林最重要的影響是干旱和更高的日平均溫度。這些較高的溫度對植被有兩個重大影響。第一是創造較低的長期燃料濕潤度（從燃料中帶走水分）。第二，在環境中造成蒸汽壓力不足（帶走空氣中的水分），使植被更容易著火。11 燃料越干燥，受熱時越容易著火。這兩種氣候變化影響共同作用，使燃料干燥，然后保持干燥。

全球變暖的第二個影響是氣候變化促成的不穩定的天氣模式，在雨季帶來大量的雨水，在夏季帶來更熱和更干燥的條件。雨水在春季促進了輕型植被的生長，增加了總體燃料負荷。當更熱、更干燥的夏季到來時，新生長的植被很容易干燥。這些植被現在已經 "固化"，并準備好攜帶火種，特別是當暴露在風中時。如果該季節的植被沒有燃燒，那么下一個火災季節的燃料量就會增加。全球變暖影響的天氣模式對野地火災產生了指數級的影響，首先是增加了燃料負荷，然后是嚴重干燥的地區，使其更容易發生火災。森林管理政策允許嚴重的灌木叢積累，在森林環境中創造了促進火災更熱、更快、更強烈的條件。

能否準確地界定什么是導致全球變暖和氣候變化對野地火災的具體影響，在未來幾年將繼續吸引公眾的關注。全球變暖的影響每年都隨著美國西部和全球其他地區的大型野火燃燒而顯示出來。這些大火將要求消防管理人員接受有可能限制未來大火增長的技術和政策。莫里茨指出，國家對野火在全球變暖中的作用的理解正在改變。他說，在2003年至2007年期間，在大型野地火災期間，通常問的問題是 "這里該怪誰？" 相反，現在問的問題是："這些火災是由于氣候變化造成的嗎？"也許認識到野火是全球變暖的一個極端結果將影響到對全球氣候變化產生積極影響的政策。

4. 野地環境中航空資產的利用

隨著野地火災的威脅使公民面臨潛在的生命損失，高額的貨幣成本，以及無人機研究的其他領域的新興潛力，探索基于無人機的火災撲滅，在這個時候是有必要的。了解飛機在撲滅野地火災中的作用是至關重要的。使用消防直升機和固定翼飛機已經成為當前整體滅火計劃的一個組成部分，特別是在大型快速移動的野地火災中。一般來說，消防管理人員利用飛機的速度和能力，在火勢擴大為重大火災之前迅速撲滅。很少，如果有的話，飛機能夠完全壓制火災。最終需要地面上的消防員來完全控制野地火災。從本質上講，飛機是用來 "爭取時間"，以便獲得和部署其他消防力量。

然而，使用飛機是一種極其昂貴的救火方法。美國林務局（USFS）按類型和能力確定了飛機的合同費率。在2018年至2021年的合同期內，1型直升機（動力最強，能夠投下最多的水）的合同費率在每飛行小時4000美元至8000美元之間，這取決于飛機類型。固定翼飛機投放緩釋劑的成本可能在每飛行小時7100美元至13500美元之間，不包括緩釋劑成本。美國聯邦調查局在2018年 "約6.07億美元的合同飛機，"包括旋翼和固定翼飛機。在預算緊張的時代，人們必須考慮使用飛機滅火的成本效益。如果使用無人機滅火可以證明成本較低，而且與傳統航空資產一樣有效，甚至比傳統航空資產更有效，那么就應該深入探索無人機的使用。

使用固定翼和旋轉翼飛機來撲滅火災有其局限性，即飛機不能在濃煙條件下飛行，天氣事件，夜晚的黑暗，飛行員飛行時間的限制，能夠駕駛這些飛機的人有限且專業，以及在需要維修時無法進入飛機。在不受控制的環境中，在靠近活躍的野地火災時駕駛飛機，不允許有任何誤差，其結果可能是災難性的。大量的消防員在從事滅火行動時因飛機事故而死亡。在一項回顧性研究中，巴特勒、奧康納和林肯發現，從2000年到2013年，有78名野地消防員的死亡與航空有關，占26.2%。19在這種情況下，高度熟練的消防員和飛行員喪生，他們駕駛的機體通常被摧毀。雖然消防管理人員試圖將消防員和機組人員的風險降至最低，但不幸的是，將男女人員置于危險境地以減緩或阻止野地火災，仍然是一種有效的策略。

在未來幾年，無人機和無人機群可能會取代載人航空資產進行火情識別和直接滅火。由于無人機和無人機群有能力在夜間和多種條件下飛行，而有機組人員的飛機卻不能，因此利用無人機和無人機群可以實現更高的操作速度。此外，無人機理論上可以飛行整整24小時，只受制于所需的維護、飛行員的休息要求，以及嚴重到不允許飛行的火災條件。致力于無人機和無人機群可能會減少消防員因空中事故而死亡的人數，并使火災更小、更容易控制。

B. 研究問題

如何將新興的無人機群技術作為野外環境中的一種火災攻擊方法來實施？

C. 方法和研究設計

本論文探討了無人機群如何成為直接滅火行動的一種新方法，即抑制或延緩火勢發展到初期階段，使常規消防部隊有時間在火勢發展到重大荒地火災之前到達、控制和壓制火勢。通過與先進機器人系統工程實驗室（ARSENL）和海軍研究生院的機器人和無人系統教育與研究小組一起參與實際的無人機群飛行任務，使用了概念驗證方法。這些飛行為情景研究的有效性提供了依據，這些研究用于開發在荒地環境中實際應用的任務。實際測試告知了部署的可能性，并強調了全面部署前必須解決的問題。此外，我們分析了商業無人機群用戶的當前利用模式，以確定他們的應用與他們可能融入荒地消防行動的關系。

為了說明無人機群直接攻擊火災的潛在價值，本論文利用俄勒岡州西部的蒂拉穆克州森林的一場理論火災。使用50架無人機群和一架單引擎固定翼空中加油機對火災進行 "攻擊"。單引擎空中加油機（SEAT）是傳統上用來攻擊火災的常規飛機。對無人機群和傳統的SEAT飛機攻擊這場火災進行了比較分析。符合國防部建筑框架的系統工程建模軟件Innoslate 4（V 4.5.1.0）被用來模擬無人機群和空中加油機的飛行方案，使用準確的飛行、加油和重新裝載周期時間。為了進行比較，飛行受制于SEAT的一個正常燃料循環。通過對兩種資源所提供的總的消防產品和每加侖的比較成本，對火災攻擊方法進行了比較。這些信息導致了關于使用無人機群作為消防資產的可行性的結論，這些無人機群可以代替傳統的空中消防設備，也可以作為輔助設備。最后，對目前的空中野地滅火方法進行了定量分析，明確地側重于使用常規固定翼飛機與蜂群技術對付理論火災的成本。通過比較分析和實際測試，建立了一個理論部署模型，解決了利益相關者的擔憂和作為商業運作的無人機群行動的潛力。

D. 研究目標

• 檢驗利用無人機群進行野外滅火的可行性。

• 確定如何將無人機群應用于荒地消防工作。

• 識別目前特定于軍事的無人機群應用，這些應用可以適用于荒地消防。

E. 章節概述

這篇論文在很大程度上受到了城市-荒地交界處的消防員個人經驗的影響。第一章討論了這項研究的動機和它的關鍵性。野地消防是一個高度專業化的領域，帶來了自己的語言和行話，所以第二章定義了關于野地消防的背景信息，并介紹了與理解本論文有關的術語。第三章涉及與論文主題和研究問題相關的學術文獻。在第四章中，對比較分析的方法進行了描述和解釋。由于對蜂群技術的研究有限，第四章劃定了分析中的假設和限制。它還主要依靠Innoslate 4系統工程軟件來圖解滅火的過程。本章最后介紹了我們的實驗和建模的結果。第五章討論了傳統的固定翼空中加油機和50架無人機組成的蜂群飛行之間的比較分析結果。從這個比較分析中，設計出了對未來無人機群實施的建議。第六章回顧了這些結論，并建議進行后續研究，以進一步發展無人機群在野外環境中的使用課題。該研究應加強使用無人機群進行直接火力攻擊的可行性。雖然這項技術和研究的實際應用可能要在未來幾年才能實現，但這些發現應該為未來的研究人員提供一個起點。

態勢感知是作戰人員的必需能力。一種常見的監視方法是利用傳感器。電子光學/紅外（EOIR）傳感器同時使用可見光和紅外傳感器，使其能夠在光照和黑暗（日/夜）情況下使用。這些系統經常被用來探測無人駕駛飛機系統（UAS）。識別天空中的這些物體需要監測該系統的人員開展大量工作。本報告的目的是研究在紅外數據上使用卷積神經網絡來識別天空中的無人機系統圖像的可行性。本項目使用的數據是由作戰能力發展司令部軍備中心的精確瞄準和集成小組提供的。

該報告考慮了來自紅外傳感器的圖像數據。這些圖像被送入一個前饋卷積神經網絡，該網絡將圖像分類為有無無人機系統。卷積模型被證明是處理這些數據的第一次嘗試。本報告提供了一個未來的方向，以便在未來進行擴展。建議包括微調這個模型，以及在這個數據集上使用其他機器學習方法，如目標檢測和 YOLO算法。

摘要

研究了一種新型的射頻（RF）輔助算法，用于在具有小尺寸麥克風陣列傳感器的情況下對無人駕駛飛行器（UAV）進行聲學識別和定位，其中聲學信號的多通道處理得到了射頻功率模式分析的幫助。不明身份的無人機的螺旋槳產生的噪聲可以用來獲得關于它的一些線索，因為具有不同尺寸、重量或機械特性的無人機產生不同的聲學信號。具體來說，在這項工作中，由多通道麥克風陣列檢測到的聲學信號的光譜特征被用來識別無人機。此外，射頻信號由Wi-Fi天線發射，并測量接收信號強度（RSS）以協助聲學定位。到達方向（DOA）和與聲源的距離都可以被預測。提出了一個解決方案，其中一個四階段卷積神經網絡（CNN）通過其聲譜特征進行無人機識別，并通過內在特征提取、射頻和聲學特征的融合以及回歸產生射頻輔助聲學定位。應用是反無人機監測策略，從飛行的無人機反對非法使用無人機和外部無人機攻擊。提出了一個集中式架構，用于從多個空中節點獲取數據和流。一個名為Zylia的19通道球形麥克風陣列被采用。為了分析這項研究的現狀，提出了實驗與結果描述。

引言

我們解決的問題是檢測作為聲源的不明無人機的存在，通過處理螺旋槳噪聲產生的聲學信號在不同的無人機中識別它，并通過估計聲學信號的到達方向（DOA）和與無人機的距離對無人機進行定位。我們提出了一個解決方案，其中聲學處理得到了射頻（RF）傳輸模式分析的幫助。這樣，當聲學定位前端檢測到來自射頻天線組件估計方向的聲學活動時，聲源定位可以得到完善，并通過波束成形增強記錄信號。這是因為，當使用安裝在多旋翼無人機（UAV）上的小尺寸麥克風陣列進行聲學記錄時，如[1,2,3]，由于對麥克風陣列尺寸的限制，可能導致信號-噪聲增強不佳、空間分辨率低和空間信息不完整等問題，對感興趣的聲源的處理和信號增強變得特別具有挑戰性。為了解決這些限制，最近在[4,5]中介紹了一種新的基于射頻的聲源定位處理方法，該方法也能進行距離估計，但沒有引入識別能力。因此，我們現在研究射頻輔助算法的性能，該算法也能識別未識別的空中聲源。我們的算法可以應用于針對非法使用無人機和外部無人機攻擊的反無人機監測策略[6,7]，即使是在敵對環境中。

最近，深度學習（DL）和深度神經網絡（DNN）研究領域的發展所帶來的計算和性能上的進步，促進了文獻中無人機識別算法的增加，如[8,9,10]。特別是，已經證明主要由螺旋槳、馬達和機體的機械振動產生的綜合聲學信號具有足夠獨特的特征，可以用來在現實的開放世界條件下在一些無人機類別中識別無人機類型。DL和DNN也被研究用于涉及多通道聲學處理的各種應用，如[11,12]和[13]中，多通道頻譜相位信息被用作卷積神經網絡（CNN）的輸入，用于DOA估計。在我們的研究中，一個基于CNN的四級網絡的算法的性能被引入到識別和定位任務中。兩個平行階段處理射頻數據和聲學數據的內在特征。第三階段進行聲源識別，第四階段進行回歸。這種算法既能產生無人機識別，又能對DOA和與聲源的距離進行聯合預測。本文對這一研究的現狀進行了討論。

為了研究我們的方法，我們用兩個不同的無人機產生的實驗聲學數據和來自分布式天線陣列的合成射頻數據創建了一個半模擬的場景。麥克風陣列是一個19通道的球形陣列，能夠進行三維聲學場景分析。還提出了一個實驗性的傳感器數據流架構，其中只有小尺寸和低成本的硬件用于采集系統和機載處理單元，稱為單板計算機（SBC），將數據流向地面站（GS），在那里可以用高計算能力進行基于CNN的定位處理。

圖1. 基于CNN的四級網絡結構，用于通過射頻和聲學數據處理識別和定位不明的無人機。該結構由一個射頻CNN、一個聲學CNN、一個回歸網絡和一個二進制識別網絡組成。

摘要

步兵模擬（IWARS）是一個實體級的戰斗模擬，通常用于估計使用不同裝備（包括手榴彈和榴彈發射器）造成的作戰效能差異。當一枚模擬手榴彈在IWARS中爆炸時，對附近人員的影響是通過查詢一個高分辨率模型預先計算出的喪失能力的概率值來確定的。這個值取決于許多因素，因此需要一個大的查詢表，可能會超過數據庫的最大容量。為了解決這個問題，創建了一個神經網絡輸入選項，讓分析師有機會使用高度壓縮的數據而不犧牲準確性或運行時間。以前的壓縮技術要么不太準確，要么提供較低的壓縮率。
這項研究是在2019財年進行的，是題為 "機器學習技術協助生成項目級性能估計，用于班級和士兵級作戰評估 "的研究的一部分。該研究的另一半將在另一份報告中討論。在這一半的研究中，梯度增強的決策樹被用來成功地預測人類主題專家（SMEs）的代理決定。(當所要求的系統沒有數據時，一個類似的系統通常被用作代用。) 訓練有素的決策樹模型可以用來為未來的數據請求建議代理，減少滿足這些請求所需的時間并提高所提供數據的準確性。

簡介

背景

步兵模擬（IWARS）是一個實體級的戰斗模擬，重點是下馬的士兵、班和排，通常被陸軍用來估計使用不同裝備造成的作戰效率的差異。特別是，IWARS被用來比較不同手榴彈和榴彈發射器的有效性[1, 2, 3]，幫助指導這些系統的開發和采購。

問題陳述

當一個模擬的手榴彈在IWARS中爆炸時，對附近人員的影響是通過查詢一個高分辨率模型預先計算出來的喪失能力的概率（P（I））值來確定的。P(I)值取決于許多因素，包括目標的姿態、防彈衣和任務（攻擊或防御），以及彈藥的下落角度、爆炸高度、爆炸到目標的范圍、爆炸到目標的方位角和爆炸后的時間。由于有這么多的因素，P(I)查詢表可能非常大。事實上，一個高分辨率的查詢表往往太大，無法裝入IWARS數據庫的最大容量約150兆字節。
為了解決這個問題，分析人員可以將IWARS數據庫分成更小的部分。例如，對12種新型空爆手榴彈的分析可以通過建立12個IWARS數據庫來進行，每種手榴彈一個數據庫。如果描述一種手榴彈的殺傷力數據太大，或者在特定情況下需要一種以上的手榴彈，但只有一種手榴彈的殺傷力數據可以放入一個數據庫，那么這種策略就會失敗。此外，即使這種策略是可行的，也有缺點：任何額外的數據庫變化都必須被鏡像12次，而且數據庫的大小會降低IWARS和數據庫編輯工具的速度。
另外，分析人員可以通過使用低分辨率的P(I)數據來規避數據庫的大小限制。這通常是通過刪除某些突發高度和突發到目標的范圍，并將突發到目標的方位角組的P(I)值平均化來實現的。這降低了模擬的準確性，也降低了對結果的信心。

目的

本文的目的是記錄這個問題的一個新的解決方案，這個方案在所有情況下都有效，而且幾乎沒有精度損失或模型運行時間的增加。它可以描述如下：
1.訓練人工神經網絡來學習P(I)值。然后，神經網絡的參數值將對原始P(I)數據進行編碼，從而對其進行壓縮。
2.在IWARS中重新創建這些神經網絡，以便在需要時估計P(I)值。

圖1：具有三個隱藏層的人工神經網絡的圖形和代數表示。

當前的海軍作戰要求水手們根據動態作戰環境中的不確定態勢信息做出時間緊迫和高風險的決策。最近的悲慘事件導致了不必要的傷亡，海軍行動中涉及決策復雜性，并特別突出了 OODA 循環（觀察、定向、決策和評估）中的挑戰。涉及使用武器系統的殺傷鏈決策是 OODA 循環中一個特別緊張的類別——具有難以確定的意外威脅、縮短的決策反應時間和致命的后果。有效的殺傷鏈需要正確設置和使用船上傳感器；未知接觸者的識別和分類；基于運動學和智能的接觸意圖分析；環境意識；以及決策分析和資源選擇。

該項目探索了使用自動化和人工智能 (AI) 來改進海軍殺傷鏈決策。該團隊研究了海軍殺傷鏈功能，并為每個功能制定了特定的評估標準，以確定特定 AI 方法的功效。該團隊確定并研究了 AI 方法，并應用評估標準將特定的 AI 方法映射到特定的殺傷鏈功能。

圖：利用人工智能改進海軍殺傷鏈的作戰概念

總結

當前的海軍行動通常是快節奏的、關鍵的，并且需要做出高風險的決策，這些決策有時基于非常動態的戰區中的不確定信息。許多例子強調了提高決策效率的必要性以及減輕觀察團隊負擔的必要性。缺乏上述情況的例子包括 2017 年的菲茨杰拉德號航空母艦 (DDG 62) 和 MV ACX Crystal相撞，以及 2009 年皇家港口號航空母艦 (CG 73) 的擱淺。一些根本原因是相關人員缺乏經驗、疲勞和壓力.

上述事故展示了軍事行動的難度，并展示了 OODA（觀察、定向、決策和評估）循環中的挑戰（Jones 等人，2020 年）。人為錯誤、人的認知限制和海軍作戰固有的決策復雜性導致了 OODA 循環中的挑戰，更具體地說，是殺傷鏈過程中的挑戰。

現代戰斗空間由來自常規陸地、空中和海洋等多個領域以及來自太空和網絡空間的大量數據組成。決策者需要考慮許多因素，包括交戰規則 (ROE)、要使用的武器、傳感器和意圖評估。發現、修復、跟蹤、瞄準、參與、評估 (F2T2EA) 殺傷鏈模型緩解了該過程的一些困難（參謀長聯席會議，2013 年）。人工智能 (AI) 和機器學習 (ML) 可以通過分析備選方案和使用評估標準將 AI 方法映射到殺傷鏈功能，從而幫助海軍在戰術領域做出殺傷鏈決策。這是在本報告的五個章節中分三個階段完成的。

本報告利用了數百個資源，主要利用了美海軍研究生院 AI-OODA 團隊在其 Capstone 報告（2020 年）中進行的先前研究，“利用人工智能 (AI) 進行空中和導彈防御 (AMD)：以結果為導向的決策援助。”他們將他們的工作與 John Boyd 的觀察、定向、決定和行動決策框架相結合。作為他們分析的初步步驟，AI-OODA 團隊將特定的 OODA 功能明確且緊密地耦合到特定的 F2T2EA 功能。然而，本報告斷言 OODA 循環是一個決策循環，它嵌套在殺傷鏈的每個功能中，而不是在高壓力或低壓力情況下專門映射到一個或多個殺傷鏈功能。團隊基于 F2T2EA 模型開發了一組 28 個殺傷鏈功能。

在制定將 AI 方法映射到殺傷鏈的評估標準時，很難確定一個好的決策，這對于決策評估至關重要。在評估決策時，必須考慮選擇行動時的知識意識狀態以及解釋能力。使用了幾種對決策進行評分的方法，從定義和優先考慮感興趣的“武器-目標”到制定評分標準和報告評估結果，以供其他人審查。

目前，人工智能的狀態非常廣泛，必須對其進行解釋，以了解人工智能對殺傷鏈中功能的適用性。本報告討論了所選 AI 方法的高級概述，并突出顯示了部分最流行的方法。首先，沒有普遍接受的定義，這很難定義人工智能。其次，人工智能與機器學習 (ML) 存在差異。 ML 允許在準確性和可預測性方面取得增量收益； AI 接收數據并通過算法提供輸出。人工智能的歷史從 1940 年代艾倫·圖靈 (Alan Turing) 的加密機器到 1980 年代美國政府在戰略計算計劃中的使用，再到今天在聯合人工智能中心 (JAIC) 中的人工智能戰略五個支柱，從領先的人工智能人力到安全和倫理。美國國防高級研究計劃局 (DARPA) 在 3-wave 框架中描述了 AI 的發展方向，分為手工知識 (Wave 1)、統計學習 (Wave 2) 和上下文推理 (Wave 3) 在 1-4 個維度內情報參數的屬性（Launchbury 2017）。這些屬性包括感知、推理、抽象和學習。

人工智能涉及可以根據輸入值預測結果的監督學習。有幾種使用監督學習進行學習的技術。包括線性回歸和分類。此外，許多數值方法可以分析發生的學習有效性，例如 F-score 和 Accuracy score。人工智能還可以使用無監督學習，它使用算法來發現未標記數據集中的數據模式或分組。在分析未知（y）響應以揭示標記（x）數據中的模式時，無監督學習是有益的。數據分析界的一個著名例子是鳶尾花（Iris flower）數據集。僅使用標記的數據，可以看到響應聚集在一起，并且可以確定響應中存在模式（花的種類）。無監督學習的方法包括聚類和 K-means，但還有其他方法。強化學習有一個代理能夠接收來自環境的反饋并理解基本目標。此外，正如 Sutton 和 Barto 在（2018 年）中解釋的那樣，探索和開發之間存在權衡。最后，生成對抗網絡 (GAN) 利用無監督學習和強化學習，通常用于神經網絡 (NN)。神經網絡是機器學習算法的極好來源，它有大量的輸入，而這些輸入又會產生大量的計算。 NN 非常適合用于模擬、自然語言處理、博弈論和計算機視覺。 NN 只是一種將輸入映射到輸出的簡單方法，可以在此過程中進行學習。然而，NN 可以被描述為一種“黑盒”學習技術，因為很難解釋正在發生的事情，并且通常需要一種可解釋的 AI (XAI) 技術。 XAI 的三個主要組成部分是可解釋模型、解釋界面和解釋心理學（Gunning 2019）。數據安全必須與“大數據”一起考慮，“大數據”是指非結構化、復雜和大型數據集，具有五個 v 特征：數量、速度（數據量隨時間變化的增加）、多樣性、真實性和價值。其他理論包括決策理論、模糊邏輯和效用函數

使用上述文獻綜述，該團隊開發了一個框架，用于將 AI/ML 映射到 AMD（空中導彈防御）殺傷鏈。采取了四個步驟：1) 建立模型框架，2) 確定決策點，3) 應用 AI/ML 方法，以及 4) 分析結果。該團隊確定了以下用于殺傷鏈映射分析的 AI/ML 方法：線性回歸、邏輯回歸、聚類、關聯、隨機森林、神經網絡、GAN 和樸素貝葉斯。評估標準被稱為“決策點”并提出四個問題：（1）所需輸出的類型是什么，（2）所需的學習類型是什么，（3）可解釋性（XAI）是什么水平需要，以及 (4) 需要多少個預測變量？該團隊通過基于一組決策點和評分過程評估每個殺傷鏈功能的每種方法來執行映射。對于被認為非常適合某項任務的方法，得分為+1，如果該方法適合但次優，則為0，如果該方法不適合該任務，則為–1。

該團隊進行了映射分析，根據與殺傷鏈的 28 個功能中的每一個功能相關的評估標準（決策點）分析 AI 方法。該團隊使用評分方法來確定每個殺傷鏈功能的最佳整體 AI/ML 分數。團隊的映射顯示為 0。

該團隊的 AI/ML 映射到殺傷鏈功能為國防部和海軍提供了兩個關鍵好處。首先，映射本身是設計和開發支持殺傷鏈決策的人工智能戰術決策輔助工具的重要起點和基礎。其次，該團隊將 AI 方法映射到殺傷鏈的分析過程可用于了解 AI 在許多其他軍事和非軍事領域的應用。識別適當的人工智能方法、制定評估標準和評分過程以及制定過程功能以進行分析映射的過程對于支持許多不同人工智能系統的工程具有深遠的潛力。

表1：AI/ML方法到殺傷鏈的映射