亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

多無人機協同升降系統使用多個無人機共同升降和運輸有效載荷。從可擴展性和便攜性的角度來看，這些系統有可能大大降低空中運輸任務的物流成本。與傳統的單機物流模式不同，通過在多架廉價飛機之間分配起升能力，可以有針對性地運送大量有效載荷。為了以高度自主的方式完成大跨度的任務，合作飛機必須能夠在多個點可靠地與單一有效載荷對接，并在系統參數未知的情況下，以可變幾何配置的方式在飛行途中穩健地穩定下來。本論文提出了一種新穎的自適應飛行控制框架，該框架使用擴展卡爾曼濾波器在控制分配方案中更新相關系統參數。此外，這項研究還對之前開發的模塊化對接系統進行了擴展，該系統支持在不同的復合系統幾何結構中進行自組裝，考慮了多智能體操作，并通過模擬交易研究優化了設計參數。論文介紹了高保真模型和模擬，利用多體反饋線性化約束穩定和基于約束的脈沖接觸模型等技術，以驗證控制策略，并在復雜動力學條件下優化設計。本論文還介紹了無人飛行器合作飛行控制和參數估計的實驗結果。

軍事行動需要具備對復雜的大城市環境進行態勢了解的能力。這通常是在情報、監視和偵察（ISR）任務中制定的。這些任務類型發生在戰斗的不同階段，包括戰斗行動和穩定與支持行動（SASO）。自主移動機器人小組可在已知的動態城市環境中執行巡邏和偵察任務，為士兵提供支持。

本文旨在開發一個名為 "風險地圖 "的概率框架。自主機器人將使用 "風險地圖 "規劃其行動，"風險地圖 "顯示了一個與戰術相關的位置，在該位置的暴露或環境可能使攻擊造成最大傷害（例如，可能的簡易爆炸裝置或狙擊手位置）。

“風險地圖”以決策過程為基礎，針對適應性對手事件分配機器人巡邏。這些技術將利用時間演化來防止對手不可避免地適應這些策略，因為這可能會使這些策略的效果大打折扣。

使用多機器人協調方法進行分散、信息量大且自適應的采樣應用不會出現單點故障。它允許隨時預測，任何機器人在任何時間點都能獲得環境的合理模型。此外，它還能將所需的通信量保持在最低水平。此外，適當的地理信息系統（GIS）技術為軍事指揮官提供了快速整合數據集、評估條件、規劃戰略和評估選項的手段。

圖：UGV和無人機之間的交互作用，進行源搜索和目視目標識別。

未來，人類將與人工智能系統密切合作。智能系統將成為團隊成員，并將起到擴展單個單元的覆蓋范圍和能力的作用，從而實現前所未有的能力。

自主機器人的智能探索和強大的協作監控將成為城市行動的關鍵，使其能夠預防未來的脆弱性和威脅風險。本論文探討了環境的先驗知識和類似場景中的行動歷史如何預測和預防未來的攻擊。在這篇論文中，我們提出了一個概率框架，在這個框架中，可以將一套領域專家規則與空間和語義知識結合起來，使自主智能體能夠收集信息。然后，自主智能體可以利用這個不斷演化的框架，針對不斷變化的信息環境規劃最佳行動，從而以最佳方式完成任務。我們的方法擴展了[Pit+08; ZST15]中描述的技術，用于本論文中介紹的 MAST/ARL 導航模塊所使用的基于信息的探索框架。Pita 等人創建了系統架構： ARMOR。該系統提供的月歷滿足了洛杉磯國際機場官員對檢查站和警犬在洛杉磯國際機場部署的所有關鍵要求。

多機器人團隊為部隊提供支持的一大挑戰是了解環境是如何動態變化的，以便為車隊選擇最明顯或最便捷路線的區域提供安全保障。為了應對這一挑戰，利用有關特定地點的地理信息系統數據和活動日志很有意義。實現這一目標的一種方法是使用基于信息的地圖（風險地圖），該地圖由一組模塊化組件組成，在評估風險的先驗概率時，這些組件代表了敵方戰略知識。此外，風險地圖還有一個時間組件，可逐漸回到先前的地圖狀態，代表戰爭迷霧。

我們考慮的現實場景是，由不同能力的機器人組成的團隊探索未知環境，每個機器人獲取并計算自己的地圖，并與團隊其他成員交換這些信息，同時考慮到通信限制，即機器人只能在特定距離內通信，信息量的交換受帶寬限制。此外，每個機器人都能從探索任務切換到尋找任務源，并能在需要時提供或請求援助。

論點陳述

利用自適應信息采樣的多機器人探索和導航協調策略，使機器人平臺能夠在未知環境中自主執行情報、監視和偵察（ISR）任務，從而防止未來的脆弱性和威脅風險。

貢獻

• 完整的分布式多機器人 SLAM 解決方案，可執行基于特征、基于目標以及基于姿態的圖形 SLAM，并具有概率數據關聯和閉環功能。
• 一種分布式算法，可根據相對姿態測量結果估算多個合作機器人或移動設備的 3D 軌跡。
• 提供高低威脅級別信息的系統框架，該信息將用作運動編隊和巡邏的行動計劃。
• 異構多機器人自適應信息采樣的新型協調策略，具有分散性和魯棒性。

本論文的所有貢獻都通過使用模擬和真實數據的實驗結果得到了驗證。

圖：模擬地圖，用于在舞臺模擬器內的各類環境中測試協調策略。機器人在其初始起始區域顯示為一排紅點，該區域代表一個突破口。導航關鍵點用紅色 "X "標記表示。

在受到干擾器攻擊的戰術無線網絡中，頻譜感知是確保部署的軍事人員安全和高效的一個重要考慮因素。這些網絡的成員有必要了解頻譜中哪些信道受到破壞，哪些可安全用于數據傳輸。組成這些網絡的無線發射機可以通過感知不同信道的能量水平來確定這些信道上是否存在干擾器。然后，它們可以與同伴共享這一信息，以便協同識別和避開干擾器。目前有幾種基于強化學習的解決方案，允許無線發射機根據對干擾者活動的觀察制定傳輸策略，但當干擾者的行為是隨機的，從而使強化學習算法無法學習和預測其行為時，這些解決方案往往會失效。

在本論文中，首先討論協作頻譜感知以及認知無線電、干擾和反干擾背后的理論。接下來，詳細介紹了用于表示多智能體反干擾問題的系統模型。然后，介紹了一種協作式偽隨機信道選擇算法和一種基于超級決策向量的數據協作與融合方案，以提高對整個網絡頻譜利用率的認識。仿真結果表明，該方案可提高干擾器的檢測率，并增加未被干擾信道上的傳輸次數。

關鍵詞 協作頻譜感知、數據融合、干擾器檢測、戰術通信、Ad Hoc 網絡、無線通信

地面戰斗單位應利用和加強機動作戰的作戰理念，將人機協作和人機結合概念化，以實現和利用更快的節奏、更多的機動選擇和對海軍陸戰隊的保護。

半人馬機動作戰的目的是探索海軍陸戰隊下一代地面作戰單元（GCE）如何利用人機協作（HM-C）和有人無人協同作戰（MUM-T）來實現機器人和自主系統的協同效益，從而提高海軍陸戰隊在戰場上的戰斗力。在古典希臘神話中，半人馬代表著 "一種擁有人的頭部、手臂和軀干，馬的身體和腿的生物"。與這種神話生物如何利用邊緣存在的好處類似，HM-C 和 MUM-T 反映了半人馬的各種表現形式。在這一構想中，新興的戰斗網絡通過利用自主性和狹義人工智能方面的商業進步，將人類的精華與機器的精華結合在一起，以實現相對于對手的比較優勢。由此產生的 "第五代地面作戰單元半人馬"（Centaurs for the Fifth-Generation Ground Combat Element）概念涉及海軍陸戰隊作戰概念中的軍種方向、海軍陸戰隊司令部提出的為 21 世紀重振機動作戰思維的任務，以及為 GCE 提供第五代能力的任務。探索這些方向的方法包括：對戰爭中的 "人馬 "進行文獻綜述；對 "UE CITY "行動進行歷史案例研究，以檢查 GCE 所特有的問題集；以及通過作戰決策游戲對最初的概念假設進行測試。這些工作為最終概念的形成提供了依據。

第五代地面作戰單元 "半人馬 "利用、加強并充當了重振機動作戰這一作戰理念的工具。最近的技術進步為取得相對優勢所提供的價值在于人機協同作戰，以提高人類作戰人員的效能，而不是取代他們。HM-C 加強了 GCE 創造時間優勢的能力，利用速度和時間作為武器。與作戰網絡連接的高性能計算、自主性和狹義人工智能有助于過濾大量數據中的噪音，以發現作戰環境中的相關線索、異常值和異常現象。這種機器輔助功能可幫助指揮官及其參謀人員確定敵方的方向，從而更快地做出與敵方或與作戰環境相關的競爭因素有關的正確決策。MUM-T 加強了全球指揮和控制中心創造空間優勢、利用敵方空隙和弱點的能力。無人系統可作為有人編隊的先頭部隊和側翼屏障，發現、固定和擾亂敵方編隊，而主力部隊則以速度、出其不意和集中果斷的行動來利用這些塑造行動。利用無人系統提供的戰術阻隔，可加強對配對有人編隊的保護。MUM-T 加強了 GCE 創造心理優勢的能力，將欺騙作為一種武器加以利用。多領域無人系統擴大了欺騙和誤導能力，以破壞敵方決策的速度和準確性。第五代地面作戰單元的 "半人馬 "并不會降低對陸戰隊空中地面特遣部隊（MAGTF）航空作戰單元或后勤作戰單元的需求或取代其價值。地面半人馬編隊是對 MAGTF 構建的補充，是聯合武器小組的擴展，旨在使敵方失去平衡，陷入無法取勝的困境。作為 "唯一能奪取和占領地形的 MAGTF 要素"，第五代地面作戰要素應成為發展 21 世紀 MAGTF 聯合武器小組屬性的主要工作方向。

問題

情報、監視和偵察（ISR）行動的目的是收集信息并將信息提供給操作人員，而操作人員則需要就戰區內的各種行動方案做出具體決策。可以肯定的是，ISR 行動是技術密集型的。但與此同時，ISR 行動也是一個非常以人為本的過程。盡管如此，在 ISR 概念開發和評估（CD&E）過程中卻很少甚至根本沒有進行人為因素（HF）研究。通過研究新的 ISR 技術和概念在各種作戰環境下對操作人員表現的影響，研究人員可以提供更加科學嚴謹的建議，為高層政策制定者和決策者提供有關未來 ISR 技術和能力的信息，這些技術和能力適用于所有 ISR 環境：空中、海面、地下和太空，貫穿國內、盟國和整個政府（WoG）的合作關系。因此，HF研究方法應成為任何 ISR CD&E 流程的組成部分，以便為 ISR 指揮系統各級的政策和決策者提供信息和建議。

目的

北大西洋公約組織（NATO）研究與技術組織（RTO）人為因素與醫學（HFM）小組任務組（研究與技術組（RTG）-276 NATO RTG HFM-276）"人為因素與 ISR 概念開發與評估 "的成立是為了確定和了解對有效的 ISR 行動至關重要的HF問題。更確切地說，這項開創性工作的目標是 (1) 確定對有效的 ISR 行動至關重要的HF問題（如態勢感知 (SA)、工作量、組織結構、協調和協調機制、可視化、信任、信息共享和管理、領導力和決策）；(2) 使用行為理論模型來制定我們的研究方法并理解我們的研究結果；(3) 就在 ISR CD&E 行動中使用和實施HF研究提出建議。

范圍和限制

基于并擴展最初由北約 HFM-163 RTO 小組開發的軍事組織效能模型，北約 HFM RTG-276 小組的工作范圍是確定并了解對 ISR 行動至關重要的HF問題。為此，小組決定于2018年6月11日至2018年6月26日在德國Einsiedlerhof的美國空軍歐洲（USAFE）戰士準備中心（WPC）的 "北約2018聯合愿景"（UV18）試驗模擬內開展關于聯合ISR（JISR）作戰效能的研究。此外，小組還在 2019 年 5 月于芬蘭舉行的 "大膽探索 2019"（BQ19）演習中進行了類似研究。

結果、對北約的意義和實際影響

北約 HFM-276 任務小組使用組織有效性模型制定了一套調查，以確定和了解對有效的 ISR 行動至關重要的HF問題。該模型的核心是由任務分配、收集、處理、利用和傳播（TCPED）組成的聯合監查制度流程。從這一模型和其他來源得出的數據收集計劃審視了一些HF問題在整個 ISR 行動中的作用：基本HF知識、態勢評估、工作量、組織結構、信任、信息共享、信息管理、領導力、文化、組織流程、組織靈活性、共同意識和責任、協調和協調機制、決策、能力、情報需求管理（IRM）、通信、元數據和應用系統。所有這些HF因素都將影響 ISR 的作戰概念，并影響操作人員的績效。此外，本文還總結了改進北約和非北約行動 ISR CD&E 流程的一些實際意義，重點是開發應納入 ISR CD&E 流程的HF研究方法。這種HF方法就像 ISR 概念開發的技術和程序質量控制部分。預計研究結果將有助于為 ISR 指揮系統各級的政策和決策者提供信息和建議，以加強北約 ISR 規劃、任務執行和能力發展方面的信息和決策優勢。預計研究結果還將有助于為 ISR 與其他聯合進程（如聯合目標定位）的整合提供信息，以確定當前與 ISR 有關的HF差距以及與其他進程的整合。

理論框架

在本節中，我們將為監委會的HF行動提供一個高層次的理論框架。廣義上，理論可以理解為在一組邊界假設和約束條件下對概念間關系的陳述，因此我們對一般假設、約束條件和概念及其與我們框架的關系進行了劃分[1]。我們認為我們的理論框架由三個關鍵概念組成：1）監委會進程；2）各種HF變量；3）產出因素。本節關注的是這些概念之間的關系，以及它們之間關系的支配因素。各節詳細介紹了監委會進程的理論和分析、各種HF因素的影響及其對產出因素的影響。各節還深入介紹了與各小節相關的方法。

人們提出了不同的組織流程方法，如輸入-中介-輸出框架、輸入-中介-輸出-輸入框架以及受結構化啟發的流程框架[2, 3]。從廣義上講，這些方法既包括目的論和順序論的觀點，即假定有明確的目標來指導行動以產生特定的結果，也包括更具突發性的變革觀點，即人類在其中工作的結構會影響其他結構中的人類，并受到其他結構中人類的影響[4]。

我們認為，作為一個基本假設，在聯盟背景下開展的監委會聯合審查進程并不容易采用上述任何一種模式：相反，它是一個預先計劃和設計的順序進程與突發進程的混合體[5]。一方面，有正式定義的程序、理論、戰術、技術和流程（TTP），如《支持北約行動的聯合情報、監視和偵察程序》（AintP）和《作戰命令》（ORBAT）；另一方面，也有包括特定節點在內的工作流程的實驗。這表明，我們的研究一方面要對 TTPs 的影響保持不可知論的觀點，另一方面要對執行聯合監查制度時的行動和對這些 TTPs 的看法保持不可知論的觀點。因此，我們的理論框架包含兩種相互作用的兵力：計劃行動和突發行動。計劃中的監委會審查和執行中的監委會審查之間的區別既體現在實驗計劃和實際實驗/演習執行之間的對立，也體現在計劃中的監委會審查行動和執行中的監委會審查行動之間的緊張關系，執行有時甚至是動態的。我們認為，計劃與執行動態之間的矛盾對于理解HF如何影響聯合監委會至關重要。應建立人類決策和協作機制，確保北約的聯合監委會從預先計劃順利過渡到動態執行。

更具體地說，我們的模型試圖將聯合監委會合作的線性和非線性軌跡結合起來。從順序計劃的角度來看，該模型的核心是聯合監委會流程，其中的 TCPED 階段可視為構成伯克等人[6]團隊適應模型的不同階段： SA、計劃制定、計劃執行和團隊學習（可以是評估收集處理、利用和傳播（CPED）是否有助于解決任務）（見下圖 1）。單個 PED 單元的這種相對線性的團隊流程也應結合其在多團隊系統中與其他團隊（單元）的協作來看待，即多個團隊為實現共同目標而集成工作[7]。涉及多個 PED 單元的聯合 PED 對于確保收集必要數據以獲取可采取行動的情報尤為重要。我們預計，由于不同的原因，計劃中的監委會審查流程可能并不總是按照預期的計劃方式可行。例如，從任務的角度來看：一個 PED 單元在執行任務期間的實際工作量可能會嚴重影響其參與整個聯盟聯合監 督和報告進程的能力。北約的事先規劃可在一定程度上減少這一因素，但不能完全消除不確定性。其他一些因素也可能對事先規劃的聯合監查制度進程構成挑戰：如各 PED 單元的動機、經驗、對任務的不同理解程度等。因此，我們認為HF的影響不僅與在單個小組內實現聯合監委會進程的總體目標有先后關系，而且在很大程度上以其他無意方式影響了北約的整體聯合監委會進程。另一方面，所述的監委會進程不一定會因這些障礙而改變，因為這可能取決于多個國家政策、執行和評估小組內部和之間協調和信任的有效性。

在不同的章節中，我們闡述了個人和人際因素、組織因素、文化因素、任務因素、系統因素和團隊因素如何影響聯合監委會。這些輸入因素預計會影響監委會的程序及其在監委會內部以及向外部組織要素（如聯合目標或情報界）提供可用結果的能力，進而影響諸如共享情況意識、數據分析、信息共享和決策以及任務完成的準確性和速度等輸出因素。圖 1 描繪了輸入和輸出因素之間的擬議聯系；該圖概述了本報告研究的所有因素。藍色和帶下劃線的因素是經過實證研究的因素。在隨后的章節中會有更詳細的理論介紹，其中還包括更詳細解釋一般模型中提出的各因素之間擬議相互關系的模型。

對手對美國在太空、網絡空間和電磁頻譜上的優勢的競爭的崛起要求海軍陸戰隊的指揮、控制和通信（C3）發生變化。戰術空中指揮中心（TACC）是海軍陸戰隊中最關鍵的C3節點，在海軍陸戰隊的遠征先進基地作戰（EABO）概念下，在有爭議的通信環境中，目前所采用的方式將無法生存。

海軍陸戰隊必須轉變其對通信的概念化和理解，以促進在有爭議的通信環境中的指揮和控制。爭奪電磁頻譜內外的通信途徑將需要預測在通信斷續期間做出作戰決策所需的信息。TACC應該成為一個低可觀察性、小型和移動、具有聯合互操作性的網絡化的C3節點，在對手的武器交戰區內運作。通過這些改變，TACC將成為符合海軍陸戰隊EABO概念的有彈性、有條件的前方海軍空中作戰中心（AOC），并將為海軍-海軍陸戰隊團隊和聯合部隊提供重要的C3能力。

指揮與控制（C2）是指指揮官對指定的部隊行使權力和指揮，以完成任務；它是戰區內最重要的活動。有效的指揮控制取決于是否有良好的態勢感知。目前的軍事能力允許收集大量的各種類型的數據（如視頻、語音、地理位置、熱成像和非結構化的現場報告），以便了解情況和作出決策。然而，由于信息量太大，處理、理解和融合數據以支持C2，對人來說可能是一件很痛苦的事情。加拿大武裝部隊（CAF）正在尋求建立一個聯合作戰融合實驗室（JOpsFL），目的是通過開發自動融合數據和傳播情報產品的技術解決方案來改善和改造CAF的C2和聯合情報、監視和偵察（JISR）能力。本文討論了CAF JOpsFL的目標、愿景、范圍和技術要求，并概述了最先進的數據融合技術，包括人工智能。

聯合作戰融合實驗室（JOpsFL）

目標、愿景和范圍

加拿大國防部/加拿大空軍將JOpsFL設想為聯合情報、監視和偵察（JISR）、C2和目標定位企業的創新中心，以提供有效的作戰解決方案[6]。該實驗室將包括來自加拿大空軍不同部門的JISR和情報計劃，包括加拿大皇家海軍、加拿大陸軍、加拿大皇家空軍、特種作戰部隊司令部和加拿大部隊情報司令部。

JISR收集是一個復雜的過程，需要各級指揮部有明確的理論和資源管理。這個過程可以分解為五個步驟。1）任務；2）收集；3）處理；4）利用；和5）傳播[6]。圖1展示了JISR過程以及它與動態目標周期中的情報周期的關系。JISR提供了 "什么"、"什么時候 "和 "哪里"，而情報則融合了JISR的信息，提供了 "如何 "和 "為什么"。JOpsFL的一個重點是 "如何 "和 "為什么"；然而，該實驗室也將作為新的JISR資源的測試平臺，以評估其在目標定位周期中的功效。該實驗室將評估現有的信息融合技術，并開發新的技術以支持中央情報局的JISR、情報和目標定位周期。

圖1 目標定位周期[6]背景下JISR過程及其與情報周期的關系

隨著網絡和空間領域的引入，C2變得越來越復雜，并在不斷演變，以便在所有領域發揮作用。聯合全域指揮與控制（JADC2），也被CAF稱為泛域C2，在空間、空中、海上、陸地和網絡中運行，最近由美國（US）提出[7] 。JADC2/泛域C2的目標是在一個網絡上連接所有領域的所有信息源[7]。CAF正在探索泛域C2，并將成為JOpsFL的一個方面[6]。除了關注JISR、情報和目標定位周期外，JOpsFL還將關注開發和測試新的泛域C2戰術、技術和程序（TTP），包括[6]：

• 支持泛域C2功能的數字工具，如任務分配、報告和監測。

• JISR和泛域C2之間的互操作性解決方案。

• JISR-to-fires架構；以及

• 直接行動近距離空中支援TTPs

泛域C2需要開發新的技術解決方案，以支持所有領域的運作。JOpsFL將作為這些技術解決方案的創新中心運作，并將專注于以下方面[6]：

• 人工智能（AI）；
• 人在環形互動AI系統。
• 多頻譜混合基礎設施和分析。
• 綜合戰術網絡/統一的網絡。
• 傳感器、JISR和泛域C2之間的靈活數據鏈接。
• 信息融合。
• 采集點的融合。
• 云計算。
• 霧計算。
• 量子計算。
• 虛擬化。
• 跨域安全和共享

技術要求

作為一個創新中心，JOpsFL將配備最先進的設備，以支持開發和測試最新的泛域C2 TTPs和支持技術解決方案。該實驗室將容納高性能的計算節點，能夠訓練和測試最新的人工智能和融合算法，并將與CAF各分支機構的各種ISR能力所在的網絡相連。可靠和快速的網絡連接可以通過安全的光纖來實現。此外，該實驗室將容納五眼（FVEY）和北大西洋公約組織（NATO）系統的密碼輸入裝置（PED），如美國統一視頻分配系統（UVDS）和北約聯盟地面監視部隊（NAGSF）全球鷹。

未來的系統開發包括指揮和控制（C2）技術，以支持空戰管理人員（ABM）和戰斗機飛行員，因為他們支持在一個更大的系統系統中使用自主無人機系統（UAS）的復雜任務。在復雜的、不斷發展的和動態的環境中，人類作戰員有效地觀察、定位、決定和行動的能力是必不可少的。然而，在ABM和飛行員之間的UAS監管變化過程中，作戰者的表現可能會下降，這大大增加了作戰者的認知工作量，超過了以往任務中通常看到的工作量。不幸的是，C2技術的發展往往把重點放在自動化和硬件上，使人類作戰員的參與度不足，不利于人與自動化的互動。目前，數字工程和基于模型的系統工程（MBSE）工具正在迅速被系統開發、整合和管理所采用，以支持整合這些系統所需的復雜開發工作。目前的研究在MBSE工具中整合了人的考慮，以分析開發過程中人與自動化的合作。該方法支持在建模的任務模擬中用一對專門的活動圖表示自動化輔助和人類作戰者，稱為任務行為者圖和OODA2活動圖，允許分析作戰過程中的錯誤和瓶頸。這種方法說明有可能減少作戰員的認知工作量，改善作戰員的決策，提高系統性能，同時減少系統重新設計的時間。

目前，人工智能（AI）為改造許多軍事行動領域提供了巨大的機會，包括作戰、指揮與控制（C2）、后勤、安全和維護，以提高其整體作戰效率。空中和導彈防御（AMD）是一個特別復雜的任務領域，人工智能的應用至關重要。空中導彈防御任務指的是保衛國土、保護區、地面基地、地面部隊或艦艇免受敵對的空中或導彈威脅。AMD的威脅包括敵對的飛機、無人駕駛飛行器（UAV）或機載導彈。AMD行動的復雜性源于威脅的嚴重性、威脅的意外性、對形勢認識的不確定性以及事件的快速發展，因為作戰人員必須迅速評估形勢，制定適當的行動方案，并最好地利用他們的戰爭資產來應對。美國國防部（U.S. DOD）正在研究使用AI系統（或AI-enabled AMD[AI-AMD]系統）作為AMD作戰人員的自動決策輔助工具，以大大減少他們的認知負荷（Jones等人，2020），使AMD決策更快、更好。

人工智能的一個關鍵方面已經聚集了大量的研究興趣，那就是信任。信任是有效團隊的一個基本原則。它同時適用于人類和人機團隊。信任使團隊成員能夠很好地合作，是有效團隊表現的基礎（Lee and See 2004）。與人工智能系統的成功合作將需要人類對人工智能系統有一個校準的信任和依賴程度（泰勒等人，2016）。

隨著更先進和更快的空中和導彈威脅彈藥的發展和投入使用，操作人員更需要在AMD行動中迅速作出監測。不及時的決策和反應將導致災難性的后果。因此，人工智能是一個可能的解決方案，通過自動決策輔助工具加快和加強決策過程。這些AMD自動戰斗管理輔助工具可以幫助戰術操作人員應對更快的決策周期、大量的數據以及需要觀察的幾個系統或屏幕（Galdorisi 2019）。然而，為了有效地利用人工智能能力的潛力，需要操作員的高度信任。操作員對系統的信任程度低，可能會導致人工智能-AMD系統利用不足，受到不適當的監控，或者根本不使用（Floyd, Drinkwater, and Aha 2016）。這些問題中的任何一個都可能導致操作者的工作量不必要的增加，或者任務失敗的可能性。

論文對信任的定義、人機交互（HMI）的概念、信任因素以及包括AMD殺傷鏈模型、威脅場景、架構、模型和功能在內的概念模型進行了廣泛的回顧。有了這樣的認識，論文提出了人工智能-AMD系統的信任框架，對人機交互和人工智能-AMD系統信任因素的描述。論文最后提出了在人類操作者和AI-AMD系統之間實現校準信任的策略。

信任框架始于對系統背景的分析。圖1顯示了AI-AMD指揮與控制（C2）系統（包括AI-AMD操作員和決策輔助工具）及其他與之互動的子系統的背景圖，這些子系統有助于操作員和AI-AMD決策輔助工具之間信任的發展。背景圖使我們能夠研究各系統之間的相互作用，以及它們對AI-AMD操作員和決策輔助工具之間信任動態的影響。

圖1. AI-AMD系統框架圖。

這篇論文將信任定義為操作者的態度，即AI-AMD決策輔助工具將有助于實現操作者的目標，即在一個以不確定性和脆弱性為特征的作戰環境中迅速摧毀來襲威脅的任務。這種信任的定義表明，它是對操作者相信或感知AI-AMD決策輔助工具的一種情感評估。為了積極地影響信任，操作者必須親自看到并感受到AI-AMD決策輔助行動的優勢。AI-AMD行動涉及很多不確定因素，以及天氣、電磁干擾和地形等環境因素以及不斷變化的威脅的性質所帶來的脆弱性。操作員將預期AI-AMD決策輔助系統按照 "合同 "執行，以處理這些不確定性和脆弱性。這些合同將是人工智能-AMD決策輔助工具應該執行的感知功能或任務，以及執行這些功能或任務的理想表現。

圖2說明了操作員和AI-AMD決策輔助工具之間的信任框架。y軸代表人類對AI-AMD決策輔助系統的信任程度，x軸代表AI-AMD決策輔助系統的能力。綠色的45°虛線表示最佳的信任水平或校準的信任線，其中的信任與AI-AMD的能力相對應，導致正確的利用（Lee and See 2004）。過度信任由最佳信任水平線以上的區域表示，此時的信任超過了系統能力，導致誤用。低于理想信任水平線的區域表示不信任，這時的信任沒有達到系統能力，導致濫用。假設存在一些默認的信任水平（如黃框所示），目標是制定一個策略，以提高AI-AMD輔助決策能力的信任。在使用該系統時，可能會發生違反信任的情況，從而降低操作員的信任。因此，信任修復行動必須被納入，以保持信任在最佳水平。

圖2. 人類操作員和AI-AMD決策輔助工具之間的信任。

基于功能分配的操作員和AI-AMD決策輔助工具之間的人機交互研究表明，操作員和AI-AMD決策輔助工具應該被設計成在大多數殺戮鏈功能中作為一個 "團隊"運作。這引導論文研究了單獨和集體考慮人類和決策輔助的信任因素。對操作員和人工智能-AMD決策之間的人機交互的研究還顯示，操作員的角色已經從手動控制器變成了監督控制器。因此，一個值得信賴的決策輔助工具是很重要的，因為操作者會期望系統的表現符合預期，以幫助操作者更好地履行他的角色。另外，為了進一步幫助減輕操作者的認知工作量，信息的外部表示、決策輔助工具的建議必須易于閱讀和理解。

關于信任因素，本論文提出了一個 "由外而內 "的框架，如圖3所示。論文首先考慮了與操作環境相關的因素，這些因素描述了AMD操作系統的背景。第二，它研究了與組織環境相關的因素，操作人員和人工智能-AMD系統得到了培訓和發展。第三，論文研究了操作人員和人工智能-AMD決策輔助工具之間的交互，以提出與操作人員、人工智能-AMD、單獨和集體相關的因素。

圖3. 建議的信任因素

圖4顯示了擬議的戰略銜接圖，以實現操作者和AI-AMD輔助決策之間的校準信任。對信任定義、人機界面和信任因素的審查表明，該戰略應關注三個關鍵領域：（1）人類對自動化技術和AI-AMD決策輔助系統的集體和個人感知；（2）增強操作員和AI-AMD決策輔助系統的團隊活力；（3）AI-AMD決策輔助系統的可信度，重點是系統開發。該戰略利用DOTMLPF-P框架提出了三個關鍵原則和五個支持原則。首先，軍事作戰人員需要被告知自動化技術的真正能力和局限性，特別是AI-AMD輔助決策。第二，操作員的培訓要求必須增加，以應對新的工作范圍和不斷變化的威脅。第三，必須在人工智能-AMD決策輔助系統的開發中加入新的要求，以提高系統的可感知的可信度。這三個關鍵原則得到了DOTMLPF-P框架其他方面的支持，如組織、領導、人員、設施和政策。

圖4. 實現操作員和人工智能-AMD決策輔助工具之間校準信任的戰略銜接圖

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。