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

計算機視覺與現有艦載飛機傳感器的集成為利用通常被忽視或丟棄的數據提供了機會。每天，旨在幫助機組人員導航或瞄準目標的傳感器都會收集數千小時的圖像，這些圖像可用于情報收集。在不影響飛機任務和機組人員程序的情況下，計算機視覺可作為附加功能安裝。

本論文提出了將計算機視覺集成到海軍戰術飛機上的基本概念（CONOPS）。論文探討了樣本飛機的能力，以檢驗基于航空計算機視覺的可行性。監視、持續觀察和目標識別（SPOTR）系統的程序和演示能力被用作 CONOPS 的起點。征求了主題專家對 CONOPS 草案的初步意見和反饋。基本工程流程被用作制定 CONOPS 的框架。

在飛機上增加計算機視覺功能的時間相對較短，而且成本較低，這使得 SPOTR 等系統成為為作戰人員提供新能力的可行選擇。

目前的自動空中加油（AAR）工作利用機器視覺算法來估計接收飛機的姿勢。然而，這些算法取決于幾個條件，如精確的三維飛機模型的可用性；在沒有事先給出高質量信息的情況下，管道的準確性明顯下降。本文提出了一個深度學習架構，該架構基于立體圖像來估計物體的三維位置。研究了使用機器學習技術和神經網絡來直接回歸接收飛機的三維位置。提出了一個新的位置估計框架，該框架基于兩個立體圖像之間的差異，而不依賴于立體塊匹配算法。分析了其預測的速度和準確性，并證明了該架構在緩解各種視覺遮擋方面的有效性。

圖3：利用的坐標系統。紅軸代表X軸，綠軸代表Y軸，藍軸代表Z軸。所有顯示的箭頭表示該軸上的正方向。

在海洋領域中長達數周至數月的無船員任務對自主系統提出了獨特的挑戰。在這些任務長度中，平臺必須承擔自我評估和任務規劃任務，以及諸如導航等短期自主任務。這里報告了一個探索這些挑戰的四管齊下的研究計劃的結果。對現有的船只進行了審查和分析，并構建了一個新的評級系統。對人類船員進行了訪談，以確定評估和規劃方法。一個簡化的模擬和一個受STPA啟發的分析被用來確定那些研究將是有益的領域。從這些調查中可以看出，現有的規劃系統在很大程度上依賴人類來整合不同的信息來源。今天，人類根據共同的經驗和隱含的標準來做決定。將這個過程自動化是一個重大的挑戰。提出了三個測試案例來探索已確定的研究需求，一個是關于燃料管理，一個是關于機械系統的設計和操作支持，還有一個是關于在服務中適應和更新風險標準。

事實證明，使海事平臺在海上執行數周至數月的長期任務時具有自主性，這與無船員的空中和地面車輛所面臨的挑戰根本不同。自我健康評估、任務規劃和后勤考慮對于可能一次出海數周至數月的海洋船舶來說都是非常重要的。然而，目前人們對有船員的船只如何進行這種評估和任務規劃還不是很了解，這使得對這一領域的算法的研究變得困難。

這項工作報告了對這種長期任務的風險關注的廣泛框架，然后回顧了目前正在使用的海洋系統。現有的平臺顯示了平臺的復雜性和可實現的續航能力之間的明顯權衡。滑翔機和簡單的平臺已經完成了數周至數月的航行，但損失率很高。更復雜的船只仍然處于幾天到幾周的任務長度范圍內，而且目前沒有船只能自主地進行長期規劃。提出了一個新的由三部分組成的評級系統來跟蹤平臺，使用平臺的決策、耐力和平臺復雜性作為衡量標準。現有的平臺用這個系統進行了可視化，證實了能力的差距。

通過對船舶和岸上人員的一系列訪談，試圖確定今天是如何進行這種規劃的。這個過程顯示，機械系統是平臺健康的核心問題。機械的維護在船舶的預防性維護系統（PMS）中是高度結構化的。然而，整合平臺的整體健康狀況和權衡風險的規劃是以人為中心的方式進行的。這種規劃沒有標準化，也沒有記錄在正式的程序中，而是使用了大量的人類經驗和隱性標準。岸上的支持也被廣泛用于診斷問題、計劃維修和支持船上的決定。因此，訪談產生了一個關注的清單，但沒有一個明確的可以自動化的規劃方法。

一個高層次的基于模擬的方法被用來觀察圍繞平臺健康的規劃必須有多精確才能提高運營績效。一支由10艘船組成的船隊被用來維持離支持基地不同距離的巡邏線，每艘船都有一個隨機退化的健康參數。對四種不同的規劃方法進行了比較，結果表明，即使是不完善的長期規劃系統也可能在平臺有效性方面比基于靜態規則的方法產生巨大的收益。

最后，一個修改過的STPA方法被用來嘗試探索長期規劃系統的重大風險領域。比較了兩種STPA公式，更狹隘地專注于任務規劃的方法能夠確定現有算法可能不足的廣泛領域。構建了一個由此產生的挑戰領域的表格，并提出了三個開發案例研究來解決表格中的差距。這些案例被設計成對基礎研究的探索是可行的，但涉及足夠多的學科，以廣泛代表海上任務規劃問題。這三個案例研究包括一個燃料管理研究，一個機械設計和支持案例，以及一個可適應的風險水平案例。報告最后提出了實施這些案例研究的建議，以及進一步的工作。

本報告記錄了通過利用深度學習（DL）和模糊邏輯在空間和光譜領域之間整合信息，來加強多模態傳感器融合的研究成果。總的來說，這種方法通過融合不同的傳感器數據豐富了信息獲取，這對情報收集、數據傳輸和遙感信息的可視化產生了積極的影響。總體方法是利用最先進的數據融合數據集，為并發的多模態傳感器數據實施DL架構，然后通過整合模糊邏輯和模糊聚合來擴展這些DL能力，以擴大可攝入信息的范圍。這項研究取得的幾項進展包括：

• 將DL模型實施到片上系統（SoC）硬件中
• 高光譜圖像（HSI）數據的DL
  • 1.在HSI上建立DL，以獲得水的特性和底層深度
  • 2.在HSI上使用開放集識別方法
• 框架內融合方法的消融研究
• 使用DL和模糊聚合的HSI和LiDAR多模態傳感器融合的新框架
• 探討神經模糊邏輯在遙感數據中復雜場景的不確定性下自動推理的作用和實用性

出版物[1, 2, 3, 4, 5]進一步詳細介紹了取得的進展。

軍用直升機飛行員在飛行過程中必須接收、分析、交流和應對大量的信息。飛行員不斷地過濾信息，根據行動和飛行的具體情況，確定在當前任務中哪些信息是相關的。在融合信息的過程中，飛行員可能會經歷認知過載，導致性能下降，并造成災難性事件。本報告調查了飛行員在不同的飛行階段是否需要不同的信息，飛行員在這些階段需要哪些具體信息，以及飛行員希望如何接收不同類型的信息。向3600名美國陸軍UH-60飛行員發送了一份調查（362人至少完成了調查的一部分；回復率約為10%），要求他們按飛行階段對31項信息進行優先排序（非常重要、重要、有點重要）。調查結束后，UH-60飛行員在紐約的德倫堡進行了焦點小組討論。研究小組發現，所需的信息因階段而異，確定了每個階段所需的具體信息，并確定飛行員喜歡大多數信息以視覺方式呈現。這項研究的結論可以為未來的駕駛艙設計提供參考，這些設計在減少飛行員認知負荷的同時，還能提高操作效率和安全性。

本研究調查了使用雷達跟蹤數據將無人機(UAs)分類為旋翼或固定翼類，作為減少誤報和操作員負擔的一種手段。該研究使用來自實驗飛行的UA遙測數據以及模擬雷達軌跡數據來訓練機器學習(ML)分類器。探討了遷移學習的應用。使用有限的數據集獲得的結果顯示，根據所使用的配置，真陽性和真陰性率超過80%。初步研究強調了改善這一性能的一些重要途徑。

對國防和安全的重要性

探測和識別無人機對加拿大武裝部隊保護部隊和資產至關重要。作為一種全天候和遠程能力，雷達提供關鍵的軌跡數據，可以提示光電/紅外(EO/IR)系統或操作員。本研究開發了一種基于雷達航跡數據的分類器，用于區分旋翼和固定翼兩類無人機，以減少誤報和操作人員負擔。

本文內容概述

在本節中，我們將概述當前研究的數據流。基本概念是利用飛行中保存在無人機上的遙測數據。這些數據集代表了典型的UA軌跡，無論是在飛行員控制下還是使用預先編程的航路點，以及在真實的風環境條件下飛行等。這些遙測數據集可以告知軌跡本身，并可以作為訓練分類器區分uav和雜波(特別是鳥類)或不同UA類型之間的基礎。在本研究中，我們研究訓練分類器來區分I類的旋轉翼和固定翼無人機。

圖1中的原理圖解釋了數據流。首先，對遙測數據集進行預處理，并將其標記為屬于旋翼類(ID = 0)或固定翼類(ID = 1)。預處理的軌跡可以并將直接與涉及ML模型的其余數據流一起使用。經過預處理的軌跡數據還可以作為Stone Soup跟蹤庫的輸入，與建模的雷達參數和位置一起，生成模擬雷達軌跡數據。這個過程將在第4節中介紹。

軌跡(來自預處理器和模擬軌跡數據)用于創建更多數量的子軌跡。這里的想法是獲得一個分類器，它可以在只處理子軌跡后區分UA類。可以研究創建子軌跡的不同方法，這將在第5節中討論。對于本研究，我們選擇將子軌跡視為獨立的實體，但其他選項都是有效的研究思路，如第7節所述。

其余的數據流涉及典型的監督機器學習技術，將數據集分為訓練、驗證和測試數據集、計算特征以及訓練和測試ML模型。在我們的例子中，我們有預處理的遙測數據和模擬雷達軌跡數據的混合。

圖1:當前研究中涉及的不同步驟的示意圖。

本報告介紹了在三個主要議題方面取得的成果：

• 對小型無人機系統（SUAS）的分布式團隊進行實驗驗證，以協調執行復雜的行為。

• 開發了一個現實的多架無人機模擬器，以應用強化學習技術來協調一組小型無人機系統以達到特定目的。

• 設計并驗證了安裝在無人機上的帶有主動多輸入多輸出（MIMO）毫米波雷達傳感器的融合光學相機。

與驗證SUAS團隊有關的工作提出并實驗測試了我們的態勢感知、分布式SUAS團隊所使用的框架，該團隊能夠以自主方式實時運行，并在受限的通信條件下運行。我們的框架依賴于三層方法：（1）操作層，在這里做出快速的時間和狹窄的空間決定；（2）戰術層，在這里為智能體團隊做出時間和空間決定；以及（3）戰略層，在這里為智能體團隊做出緩慢的時間和廣泛的空間決定。這三層由一個臨時的、軟件定義的通信網絡協調，即使在通信受限的情況下，也能確保各層的智能體小組和團隊之間的信息傳遞稀少而及時。實驗結果顯示，一個由10個小型無人機系統組成的團隊負責在一個開放區域搜索和監測一個人。在操作層，我們的用例介紹了一個智能體自主地進行搜索、探測、定位、分類、識別、跟蹤和跟蹤該人，同時避免惡意碰撞。在戰術層，我們的實驗用例介紹了一組多個智能體的合作互動，使其能夠在更廣泛的空間和時間區域內監測目標人物。在戰略層，我們的用例涉及復雜行為的檢測--即被跟蹤的人進入汽車并逃跑，或者被跟蹤的人離開汽車并逃跑--這需要戰略反應以成功完成任務。

目標搜索和檢測包括各種決策問題，如覆蓋、監視、搜索、觀察和追逐-逃避以及其他問題。我們開發了一種多智能體深度強化學習（MADRL）方法來協調一組飛行器（無人機），以定位未知區域內的一組靜態目標。為此，我們設計了一個現實的無人機模擬器，它復制了真實實驗的動態和擾動，包括從實驗數據中提取的統計推斷，用于其建模。我們的強化學習方法，利用這個模擬器進行訓練，能夠為無人機找到接近最優的政策。與其他最先進的MADRL方法相比，我們的方法在學習和執行過程中都是完全分布式的，可以處理高維和連續的觀察空間，并且不需要調整額外的超參數。

為了給在受限通信條件下運行的SUAS開發一個分布式的分類和協調框架，我們的第一個目標是在無人駕駛飛行器（UAV）上建立一個多傳感器系統，以獲得高探測性能。眾所周知，安裝在無人機上的光學和熱傳感器已被成功用于對難以進入的區域進行成像。然而，這些傳感器都不提供關于場景的范圍信息；因此，它們與高分辨率毫米波雷達的融合有可能改善成像系統的性能。我們提出了一個配備了無源光學攝像機和有源多輸入多輸出（MIMO）毫米波雷達傳感器的下視無人機系統的初步實驗結果。毫米波雷達的三維成像是通過收集通過運動線的數據來實現的，從而產生一個合成孔徑，并使用垂直于運動軌跡的結線MIMO陣列。我們的初步結果顯示，融合的光學和毫米波圖像提供了形狀和范圍信息，最終導致無人機系統的成像能力增強。

本報告是在 FA9453-19-1-0078 資助下編寫的。首先，提出了兩種數值方法來解決通信和導航中產生的非線性優化問題。其次，開發了兩個關于機器學習模型的解決方案質量和安全性的結果。

該研究項目的目標是開發高效的大規模非線性優化算法，以解決通信和導航方面的數據分析問題。這些問題被公認為在數學上具有挑戰性，并與空軍的利益直接相關。

在資助期間，我們成功研究了兩個研究方向。首先，我們設計了大規模非線性優化問題的最佳一階方法。在這個方向上，我們提出了兩個一階方法，可以對決策變量進行近似梯度更新。這兩種方法都可以解決分散通信的多Agent優化所產生的非線性優化問題。通過將多代理優化重新表述為約束性問題，我們開發的方法可以以最佳梯度/操作者評估復雜度來解決問題。我們開發的方法也可用于解決圖像重建問題。

第二，我們分析了機器學習模型中的解決方案質量和安全問題。在這個方向上，我們完成了兩個研究結果。我們的第一個成果是關于在多集群環境下，從二元結果的條件邏輯回歸模型中計算出來的估計值的屬性。我們表明，當每個單獨的數據點被無限次復制時，來自該模型的條件最大似然估計值漸進地接近最大似然估計值。我們的第二個結果是關于安全的矩陣乘法問題，我們設計了一種準確和安全地進行分布式矩陣乘法的方法。我們的安全協議可以確保在進行這種矩陣乘法的通信過程中沒有任何信息被泄露。

在有環境因素的城市區域內安全有效地使用四旋翼飛行器，對美國軍事和民用部門具有巨大的重要性。本技術報告探討了一個高度適應性的模擬設置，其中有一個包含學習元素的非線性控制器。其他模型因素--如無人機的幾何形狀、權重和風的力量--在所提出的框架內很容易被修改。用虛幻引擎進行的模擬，可以結合現實世界的城市數據、現實的風和現有的開源軟件。

引言及與美國陸軍的相關性

無人系統和無人駕駛航空系統（UAS）的使用在全世界的軍隊中激增，在通信、監視、偵察和戰斗中都有應用（Nacouzi等人，2018）。在敵對地區，無人機系統將受到多種威脅，包括網絡和物理威脅，以及環境危害。生存和任務的成功往往取決于以最小的通信或依賴全球導航衛星系統（GNSS）的能力，如GPS（Guvenc等人，2018；Sathyamoorthy等人，2020；Fan等人，2022）。例如，無人機系統的通信可用于檢測和獲得無人機系統的位置，而基于衛星的導航很容易被欺騙或干擾，因為信號非常弱。其他傳感器也經常被用來增強GNSS的位置分析，并可以用來取代它，如光學系統--包括照相機、雷達、光探測和測距（LiDAR）系統和慣性測量單元（IMU）（Angelino等人，2012）。這些都提出了自己的挑戰。慣性測量單元是標準設備，但只能檢測線性和角加速度，同時通過檢測地球的局部磁場來確定方向（共9個自由度）。因此，位置誤差，即測量的加速度的第二個時間積分，會隨著時間的推移而累積。在使用IMU進行UAS導航時，其他令人擔憂的來源包括環境影響（即風或降水）。 UAS結構的物理變化，如增加一個傳感器或武器包，包括武器發射后的變化，使工作進一步復雜化。這種質量和質量分布的變化改變了UAS的質量中心和慣性張量。光學傳感器、雷達和LiDAR系統增加了重量，并經常發射射頻或光，使它們更容易被探測到和/或需要處理資源。增加的重量和/或處理可能對電池壽命產生不利影響，從而影響運行時間和整體可靠性。

為了解決這些問題，我們正在研究在大風環境中使用控制算法，以了解IMU信號如何在控制中被用來考慮（和/或改變）UAS的位置計算。再加上不確定性措施，這些最終可用于檢測UAS飛行性能的變化，或對GNSS信號的欺騙。

城市環境是安全和可靠的無人機系統運行的第二個關注領域（Watkins 2020）。它們被認為是國防部行動的一個挑戰領域，也是政府和商業服務的一個巨大的技術增長領域。在這份報告中，我們展示了一個模擬空間，我們正在建立專門用于模擬城市環境中的無人機系統，以解決自主和半自主控制的問題，重點是環境的相互作用，包括風和靜態碰撞威脅。物理學和控制的關鍵部分直接用C++實現。除此之外，在可能的情況下，我們正在利用當前的免費和開源資源（即軟件、軟件框架和數據），但要注意的是，我們包括使用一些在產品商業化成功后需要付費的工具。我們采取了一種模塊化的方法，隨著其他軟件框架和系統的成熟，將能夠靈活地過渡到其他軟件框架和系統。我們目前的系統已經基于用于小型無人機系統的PX4控制器庫和實時發布-訂閱（RTPS）數據傳輸協議。RTPS應能使我們的發展在其他工具成熟時過渡到其他工具，并使用通用的應用編程接口（即API）過渡到其他工具和數據，如計算的風數據。對于圖形和用戶界面，我們使用虛幻引擎（UE）（Matej 2016），這是一個游戲引擎，提供最先進的圖形功能和我們的模型中使用的一些物理學--最重要的是無人機系統和其環境之間的碰撞檢測。

第2-4節詳細介紹了整個模擬的主要計算部分：納入現實世界的城市數據，生成現實的風模型，無人機的幾何和物理建模，以及線性和非線性控制。我們對整體模擬的這些主要部分中的每一個都依賴開源軟件，如UE、OpenStreetMap（OSM）（Anderson等人，2019年）、Mapbox和AirSim（Shah等人，2017年），并根據需要詳細說明（見圖1；例如，真實城市的模型導入游戲引擎中）。第5節和第6節提供了樣本結果和結語。

圖1 將城市數據納入UE進行大規模模擬的兩個例子。伊利諾伊州的芝加哥（上）；弗吉尼亞州的水晶城（下）。這兩張圖片都是使用開源工具創建的，將開源的Mapbox城市數據導入UE中。

太空一直是一個需要高度自主的領域。所需的自主性帶來的挑戰使其難以在短時間內完成復雜的任務和操作。隨著越來越多地使用多Agent系統來增強空中領域的傳統能力和展示新能力，在軌道上和近距離多Agent操作的發展需求從未如此強烈。本文提出了一個分布式的、合作的多Agent優化控制框架，為在近距離操作環境中執行多Agent任務相關的分配和控制問題提供解決方案。然而，所開發的框架可以應用于各種領域，如空中、太空和海上。所提出的解決方案利用第二價格拍賣分配算法來優化每個衛星的任務，同時實施模型預測控制來優化控制Agent，同時遵守安全和任務約束。該解決方案與直接正交配位法進行了比較，并包括了對調整參數的研究。結果表明，所提出的技術允許用戶用模型預測控制來優化超越相位的控制，并以三個調諧參數實現編隊交會。與傳統的多相MPC相比，這更好地接近了配位技術中的相變。