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

美國陸軍正在開發多域作戰環境 (MDOE)，以支持測試與評估司令部 (ATEC)，并為士兵適應復雜的未來戰場做好準備。MDOE 整合了實戰、虛擬和建設性元素，為測試和訓練創造了一個全面而逼真的環境。MDOE 采用聯合方式開發，充分利用了由遠征實時-虛擬-建構指揮中心 (XLCC)、威脅作戰指揮部隊 (TBCF) 和情報與電子戰戰術能力訓練器 (IEWTPT) 組成的既定計劃。這些系統為測試和訓練提供了逼真的環境，其中包括實彈發射器和傳感器、建構模擬和威脅角色扮演者。敏捷流程對于創建真正的 MDO 環境、促進適應性和持續改進至關重要。在聯合系統的開發過程中采用了 Scrum 和敏捷技術，從而實現了持續的反饋循環，以適應不斷變化的條件和要求。敏捷性對于滿足未來 MDO 的要求和適應不斷發展的技術至關重要。聯合系統簇（SoS）敏捷方法可確保最終用戶在需要時獲得所需的技術！MDOE 代表著復雜的電磁環境、遠程精確武器和先進傳感器，對于保持美國陸軍的戰略優勢、確保士兵裝備精良、訓練有素并隨時準備在未來復雜的多領域戰場上取得勝利至關重要。

為了應對不斷變化的威脅，美國防部必須快速開發和交付基于軟件的武器和 IT 系統。2023 年 4 月，美國政府問責局發布了一份報告，審查了國防部在多大程度上落實了國防科學委員會和防御創新委員會提出的軟件現代化建議，并為未來的軟件現代化改革做好了準備。在很大程度上，這些建議--以及國防部計劃中和正在進行的努力--側重于通過調整國防部的傳統流程，如簡化采購流程、采用數字化轉型、試行新的籌資方法和提供及時培訓，為作戰人員提供基于軟件的創新能力。本報告將借鑒美國政府問責局近期的工作，重點介紹國防部迄今為止為實現軟件開發和采購方式現代化所做的努力，并將對國防部計劃中的軟件現代化努力以及美國政府問責局為提高國防部實施這些努力的能力而提出的建議發表看法。

敏捷軟件開發

現代軟件交付方法廣泛依賴于敏捷開發。敏捷開發是一種靈活、迭代的軟件開發方式，與傳統的國防部軟件開發流程（即瀑布式方法）相比，它能更早地向用戶交付工作能力。在大多數情況下，采用敏捷方法涉及新的行為和不同的思維方式，是組織運作方式的重大轉變。例如，敏捷實踐要求將規劃、設計、開發和測試整合到一個迭代生命周期中，以盡早和頻繁地交付軟件，從每隔幾天到每隔 60 到 90 天不等。頻繁迭代的目的是有效衡量交付全套功能的進度，降低技術和計劃風險，并對利益相關者和用戶的反饋做出響應。

相比之下，在美國防部傳統使用的瀑布式方法下，需求是在開發之前確定的，軟件通常在開發周期結束時作為一個單一的完整程序交付。軟件開發過程中沒有用戶的持續參與或反饋，程序可能無法在不增加成本和延誤進度的情況下修改需求。這種軟件開發方法與國防部硬件系統的開發如出一轍。圖 1 比較了敏捷和瀑布式軟件開發方法。

圖 1. 敏捷和瀑布式軟件開發框架的比較

有許多框架可供敏捷項目使用，如開發、安全和運營（DevSecOps），這是一種迭代軟件開發方法，它將開發、安全和運營作為向軟件用戶提供有用能力的關鍵要素結合在一起。這些框架提供了指導項目的基本結構。敏捷作為一個概念，并不是規范性的，而是各種迭代軟件方法的總稱。每個框架都是獨一無二的，可能有自己的流程和工件（描述計劃或已完成內容的文檔、數據或其他信息）術語。根據美國政府問責局（GAO）的《敏捷評估指南》，在聯邦環境中實施敏捷時，政府人員和承包商人員應共同確定特定項目使用的敏捷術語和流程。這些框架并不相互排斥，可以結合使用。

美國防部的軟件工廠生態系統

美國防部的軟件工廠生態系統是一系列工具和流程的集合，為整個 DevSecOps 生命周期的各項活動提供支持。軟件工廠使用基于云的計算來組裝一套軟件工具，使開發人員、用戶和管理人員能夠按日常節奏協同工作。如圖 2 所示，這些工具和流程通過三個關鍵階段支持持續迭代開發：規劃、開發和運營，并在每個階段強調安全性。

• 規劃。這一階段涉及幫助項目管理時間、成本、質量、風險和其他問題的活動，如系統設計、項目計劃創建、風險分析和業務需求收集。

• 開發。這一階段包含多個工作流，配備工具和工作流程，在盡量減少人工干預的情況下實現活動自動化，以生產軟件應用程序。

• 運行。在這一階段，軟件被部署到最終用戶。除其他外，在此期間還要進行操作和安全監控。

2018 年 2 月，DSB 指出，軟件工廠是迭代開發實踐的重要組成部分，因為它們允許程序不斷發現錯誤并獲得用戶反饋。

圖 2. 美國防部軟件工廠生態系統

美國國防部的適應性采購框架和軟件采購途徑

2020 年 1 月，國防部重新發布并更新了其采購政策，強調采購流程的速度和靈活性。更新后的指令建立了自適應采購框架，由六種采購途徑組成，每種途徑都是根據所采購能力的特點和風險狀況量身定制的。這六種采購途徑的目的之一是及時向最終用戶提供解決方案（見圖 3）。

圖 3. 美國防部的適應性采購框架

其中一條途徑，即軟件采購途徑，旨在提供高效和有效的安全軟件采購、開發、集成和及時交付。2020 財年國家國防授權法案》第 800 條規定，國防部必須制定這一途徑。該途徑為軟件采購和開發投資決策建立了一個框架，以解決能力、經濟承受能力、風險承受能力和其他考慮因素之間的權衡問題。它分為兩個階段：規劃和執行（見圖 4）。

圖 4. 美國防部的軟件采購途徑

利用這種途徑，小型跨職能團隊--用戶、測試人員、軟件開發人員和網絡安全專家--有望能夠快速迭代地交付軟件，以滿足用戶需求。國防部的政策鼓勵項目官員經常與用戶接觸，并至少每年一次向行動提供新功能。該指令落實了我們在 2019 年提出的建議，即國防部應確保其軟件開發指南在用戶參與和反饋的時間、頻率和記錄方面提供具體、必要的指導。此外，我們還在 2022 年 3 月報告稱，該指南總體上反映了領先公司所采用的主要產品開發原則。

雖然軟件采購途徑提供了許多潛在的方法來提高國防部從現代軟件開發方法中獲益的能力，但我們最近的工作也表明，國防部仍在確定如何對該途徑進行監督。例如，我們在 2021 年 6 月報告稱，國防部尚未收集數據和開發工具，以監督使用該途徑的項目。

2021 年 9 月，美國防部表示已制定了軟件采購途徑數據收集戰略，并與各部門總部和相關項目辦公室共享。此外，國防部還表示，它計劃準備一個半年度報告模板，并收集早期途徑項目的試用報告，以獲得見解、落實建議并改進模板。

參與軟件現代化工作的實體

負責采購和維護的國防部副部長（USD(A&S)）、負責研究和工程的國防部副部長（USD(R&E)）以及國防部首席信息官（CIO）負責領導軟件現代化活動的協調工作，特別是通過軟件現代化高級指導小組（SSG）進行協調。除其他外，軟件現代化高級指導小組旨在促進整個部門采用現代軟件開發實踐，并消除采用的障礙。

OSD 內部的許多其他部門（包括成本評估與項目評估部門 (CAPE)、作戰測試與評估部門 (DOT&E) 主任）以及聯合參謀部和軍事部門也負責執行或監督軟件現代化的某些方面。軟件現代化 SSG 中也有這些組織的代表。

這些部門與軟件現代化相關的部分職責包括

• 美國國防部（A&S）制定軟件采購和維護政策，如國防部軟件采購途徑指令。

• 國防部研發與教育司（USD(R&E)）就國防研究、工程和技術開發的各個方面制定政策并提供建議，如通過研發和科技舉措，推動軟件開發能力向記錄在案的采購項目快速過渡，并使之成為可能。

• 國防部首席信息官就國防部信息技術、信息系統和網絡安全的運作制定戰略和政策，如共同領導制定國防部軟件現代化戰略。

• DOT&E 制定國防部測試政策，包括國防部指令 5000.89《測試與評估》，該指令概述了軟件采購途徑項目的測試指南。

• CAPE 制定成本估算和分析政策，包括國防部指令 5000.73《成本分析指南和程序》，該指令概述了軟件購置途徑項目的成本估算指南。

• 聯合參謀部制定需求驗證補充指南，并針對聯合需求審查軟件程序。

• 軍事部門執行國防部軟件采購政策，并通過決策機構監督軟件采購途徑項目。此外，軍事部門還制定補充軟件政策并管理其軟件員工隊伍。

無人地面系統（UGS）的軍事試驗正在迅速展開。拆彈機器人已在武裝部隊服役數十年。現在，具有更強能力和自主性的系統正在開發和測試中。

其潛在用途包括運載貨物、傷員后送、偵察、化學智能體探測、通信和火力支援。然而，理想用途與現有技術能力之間存在巨大差距。將系統運送到使用地點、到達目的地后的實際用途以及機器與士兵的互動等問題經常未得到充分研究，但這些問題對于如何將 UGS 納入陸軍并提供真正的作戰優勢至關重要。UGS 的技術局限性必須反映在如何在陸軍中組織任務上。必須適當考慮 UGS 在戰場上的移動方式，因為這往往不是靠它們自己的動力。維護和修理 UGS 需要新的培訓課程以及與工業合作伙伴的密切關系。

可以得出的主要結論是，UGS 將需要人類的大力支持。此外，還必須考慮和管理操作人員的認知負擔。系統移動速度緩慢，在復雜地形中導航困難，這意味著它們不適合執行某些已提出的任務，如在復雜地形中的徒步近戰。重要的是讓盡可能多的士兵參與實驗，并讓他們盡早和經常接觸 UGS。要做到這一點，可以在士兵人數最多的地方（如射擊場和演習場）使用 UGS，并進行模擬。此外，初始培訓應包括對新兵的 UGS 教育和演示。這將有助于建立對這些系統的熟悉、好感和信任。

人機小組的潛力巨大，但炒作不應掩蓋 UGS 的局限性和將新技術融入現有結構的難度。

建議

1.作用和管理：由于目前的技術限制，在有使用紅利的情況下，應在后方地區使用 UGS。將較大型的 UGS 視為可以競標獲得支持的飛機，這樣就可以對供需進行管理，并避免 UGS 成為低空編隊的負擔。

2.部隊設計：現在就需要在部隊規劃中考慮到 UGS 對工程師和輔助人員（隱形尾巴）的額外需求。事實上，管理 UGS 可能需要更多士兵。

3.后勤負擔：必須對 UGS 的運輸和儲存以及電池管理進行詳細規劃，不能簡單地將其添加到現有任務中，否則會進一步消耗稀缺資源。這將確保新技術對整個部隊的影響得到充分考慮。

4.教育：與 UGS 有關的教育和培訓應在實驗進行時立即開展，而不是等到系統正式投入使用時才進行。基本培訓應包括有關 UGS 的教育，哪怕是最基本的形式，以便開始建立信任和熟悉感，為大規模整合 UGS 提供便利。

5.試驗：應將 UGS 試驗納入那些有大量士兵的地區，如射擊場。此外，應確保決策者和進行試驗的人員了解 UGS 試驗和活動的整體情況，并確保領導者在項目的整個生命周期中保持參與，而不是在開始和結束時。明確整個生態系統的所有權是至關重要的，同時鼓勵自下而上的參與將創建一個準備好充分利用用戶信 息系統的用戶群。

人工智能解決方案在陸軍野戰應用中的使用將在很大程度上依賴于機器學習（ML）算法。當前的ML算法需要大量與任務相關的訓練數據，以使其在目標和活動識別以及高級決策等任務中表現出色。戰場數據源可能是異構的，包含多種傳感模式。目前用于訓練ML方法的開源數據集在內容和傳感模式方面都不能充分反映陸軍感興趣的場景和情況。目前正在推動使用合成數據來彌補與未來軍事多域作戰相關的真實世界訓練數據的不足。然而，目前還沒有系統的合成數據生成方法，能夠在一定程度上保證在此類數據上訓練的ML技術能夠改善真實世界的性能。與人工生成人類認為逼真的語音或圖像相比，本文為ML生成有效合成數據提出了更深層次的問題。

1 引言

人工智能（AI）是美國國防現代化的優先事項。美國國防部的人工智能戰略指示該部門加快采用人工智能并創建一支適合時代的部隊。因此，它自然也是陸軍現代化的優先事項。從陸軍多域作戰（MDO）的角度來看，人工智能是解決問題的重要因素，而MDO是建立在與對手交戰的分層對峙基礎上的。雖然人工智能本身沒有一個簡明和普遍接受的定義，但國防部人工智能戰略文件將其稱為 "機器執行通常需要人類智能的任務的能力--例如，識別模式、從經驗中學習、得出結論、進行預測或采取行動--無論是以數字方式還是作為自主物理系統背后的智能軟件"。這句話的意思是，當機器在沒有人類幫助的情況下獨立完成這些任務時，它就表現出了智能。過去十年中出現的人工智能解決方案的一個重要方面是，它們絕大多數都符合模式識別模式；在大多數情況下，它們根據經過訓練的人工神經網絡（ANN）對相同輸入數據的輸出結果，將輸入數據分配到數據類別中。具體來說，深度學習神經網絡（DNN）由多層人工神經元和連接權重組成，最初在已知類別的大量數據上進行訓練以確定權重，然后用于對應用中的實際輸入數據進行分類。因此，機器學習（ML），即自動機（這里指DNN）在訓練階段學習模式的過程，一直是一個主導主題。事實上，DNN在計算機視覺領域的成功是商業和政府部門加大對人工智能關注和投資的原因。訓練算法和軟件開發工具（如tensorflow）的進步、圖形處理器（GPU）等計算能力的可用性，以及通過社交媒體等途徑獲取大量數據，使得深度學習模型在許多應用中得到了快速探索。

在監督學習中，人類專家創建一組樣本來訓練ML算法，訓練數據與實際應用數據的接近程度對人工智能方法的性能起著重要作用。將ML模型應用于軍事問題的主要瓶頸是缺乏足夠數量的代表性數據來訓練這些模型。有人提出使用合成數據作為一種變通辦法。合成數據集具有某些優勢：

• 它們帶有準確的地面實況。
• 使用現成的模擬產品可輕松生成大量各種類型的數據。
• 它們在程序上的障礙較少，例如，生物識別數據需要獲得機構審查委員會的許可。

然而，最關鍵的問題是在合成數據或混合合成和真實數據上訓練ML模型是否能使這些模型在真實數據上表現良好。美國陸軍作戰能力發展司令部陸軍研究實驗室的研究人員和合作者使用合成生成的人類視頻進行機器人手勢識別所獲得的初步結果表明，在合成數據和真實數據混合的基礎上進行訓練可以提高ML手勢識別器的性能。然而，并沒有普遍或分類的結果表明，當全部或部分使用合成數據進行訓練時，真實世界的ML性能會得到一致的提高。因此，有必要進行系統調查，以確定使用合成數據訓練ML方法的可信度。我們有理由假設，合成數據在提高ML性能方面的有效性將受到實際應用領域、合成數據與真實數據的保真度、訓練機制以及ML方法本身等因素的影響。合成數據與真實數據的保真度反過來又取決于數據合成方法，并提出了通過適當指標評估保真度的問題。以圖像為例，合成數據訓練的ML方法的性能與人類視覺感知的真實場景的保真度是否成正比并不清楚。有可能數據的一些關鍵特征對于ML的性能比那些影響人類感知的特征更為重要。組織這次陸軍科學規劃和戰略會議（ASPSM）的一個主要目的是讓合成數據生成、人工智能和機器學習（AI & ML）以及人類感知方面的頂尖學術界和國防部專家討論這些問題。會議的技術重點主要是圖像和視頻數據，反映了組織者在計算機視覺和場景感知方面的任務領域。

2 組織

根據上一節提出的問題，會議圍繞三個主題展開：

1.人類的學習和概括： 人類可以從最小的抽象和描述概括到復雜的對象。例如，在許多情況下，觀察一個物體的卡通圖像或線描，就足以讓人類在真實場景中識別出實際的三維物體，盡管后者比卡通圖像或線描具有更復雜的屬性。 這遠遠超出了當前人工智能和ML系統的能力。如果能夠開發出這種能力，將大大減輕數據合成機器的負擔，確保真實數據的所有屬性都嚴格保真。這個例子也說明了一個事實，即用于訓練ML模型的合成數據生成研究與提高ML模型本身的能力密切相關。因此，這項研究的重點是探索人類和動物的學習，以啟發ML和數據合成的新方法。

2.數據合成方法和驗證： 大多數應用ML方法的領域都有針對其領域的數據合成技術和工具。游戲平臺提供了一個流行的視頻合成商業范例。問題是如何評估特定領域中不同合成方法的性能。顯然，我們必須確定執行此類評估的指標或標準。通常情況下，合成工具的作者也會就工具的性能或功效發表聲明。驗證將是評估此類聲明的過程。本研究的目的是探討指導合成和驗證過程的原則。合成技術的例子包括基于計算機圖形的渲染器（如電影中使用的）、基于物理的模擬（如紅外圖像）和生成模型（目前傾向于基于神經網絡）。

3.領域適應挑戰： ML中的領域適應是指使用一個領域（稱為源領域）的數據訓練ML模型，然后將ML應用于不同但相關領域（稱為目標領域）的數據。例如，使用主要為民用車輛的源圖像數據集訓練識別車輛的ML算法，然后使用訓練好的算法識別主要為軍用車輛的目標數據集中的車輛。在使用合成數據進行訓練時，它們通常構成源域，而實際應用數據則是目標域。本次會議的重點是確定和討論有效領域適應中的關鍵問題和挑戰。

ASPSM的審議分四次會議進行。第一天的兩場會議討論了前兩個主題。第二天的第一場會議討論第三個主題，第二場會議在三個主題下進行分組討論。ASPSM兩天的日程安排分別如圖1和圖2所示。從圖中可以看出，每個主題會議首先由該領域的學術專家進行40分鐘的主講，然后由大學專家進行兩個20分鐘的講座。隨后由來自學術界和國防部的專家組成的小組進行討論。最后一個環節是分組討論，與會者可以討論與主題相關的各個方面。

3 口頭報告和小組討論

麻省理工學院電子工程與計算機科學系的Antonio Torralba教授在第一分會場發表了關于人類學習與泛化的主題演講。他的演講題目是 "從視覺、觸覺和聽覺中學習"，深入探討了深度學習方法如何在不使用大量標注訓練數據的情況下發現有意義的場景表征。舉例說明了他們的DNN如何在視覺場景和環境中的聲音之間建立聯系。讀者可參閱Aytar等人關于這一主題的代表性文章。

同樣來自麻省理工學院的James DiCarlo博士的下一個演講題目是 "視覺智能逆向工程"。他將 "逆向工程 "定義為根據對行為的觀察和對輸入的反應推斷大腦的內部過程，將 "正向工程 "定義為創建ANN模型，以便在相同輸入的情況下產生相應的行為。他的研究小組的一個目標是建立神經認知任務的性能基準，人類或其他靈長類動物以及ML模型可以同時達到這些基準。他的演講展示了大腦處理模型如何適應ANN實現的初步結果，并提出了ANN通過結合這些適應密切模擬人類行為，進而準確描述大腦功能的理由。

第一場會議的第三場講座由加州大學伯克利分校的Jitendra Malik教授主講，題為 "圖靈的嬰兒"。這個題目也許是指最早的電子存儲程序計算機之一，綽號 "寶貝"，其創造者之一受到了阿蘭-圖靈的啟發。馬利克教授首先引用了圖靈的觀點：與其創建一個模擬成人思維的程序，不如從模擬兒童思維開始。從本質上講，這意味著創造一種人工智能，通過與環境互動以及向其他人工智能和人類學習來學習和成長。這被稱為具身機器智能。馬利克教授認為，監督學習本質上是處理靜態數據集，因此顯示了在精心策劃的時間點上運行的非實體智能。具體而言，他認為監督訓練方法不適合創建能夠提供人類水平的世界理解，特別是人類行為理解的人工智能。Malik教授介紹了 "Habitat"，這是一個由他和他的合作者開發的平臺，用于嵌入式人工智能的研究。在隨后的小組討論中，與會人員討論了演講者所涉及的主題，以及與機器人學習和當前兒童智力發展模型相關的主題。

第二部分“數據合成:方法和驗證”以一個題為“學習生成還是生成學習?”，作者是斯坦福大學的Leonidas gu教授。在研究用于訓練ML的合成數據生成的動機中，他指出可以減輕大量人工注釋訓練數據的負擔。他的前提是，無論合成數據是用于訓練ML還是供人類使用，其生成效率和真實性都非常重要。不過，他表示其他質量指標還沒有得到很好的定義，需要進一步研究。他舉例說明了在混合合成數據和真實數據上訓練ML時，ML的物體識別性能有所提高，但他也承認很難得出可推廣的結論。

卡內基梅隆大學的Jessica Hodgins博士發表了第二場會議的第二個演講，題為 "生成和使用合成數據進行訓練"。演講展示了她的研究小組生成的精細合成場景。利用從真實場景到合成場景的風格轉移過程，她的研究小組創造了一些實例，說明在混合了大量風格適應的合成數據和一些真實數據的基礎上進行訓練的ML方法的性能優于僅在真實數據集或僅在合成數據集上進行訓練的方法。性能提高的原因在于風格轉移克服了合成數據集與真實數據集之間的 "分布差距"。

第二場會議的最后一場講座由加州大學伯克利分校的Trevor Darrell教授主講。他的演講題為 "生成、增強和調整復雜場景"，分為三個部分。第一部分詳細介紹了演講者及其核心研究人員開發的一種名為 "語義瓶頸場景生成 "的技術，用于根據地面實況標簽合成場景。該技術可進一步與通過生成過程生成此類地面標簽的模型相結合。Azadi等人對該技術進行了詳細描述。 第二部分涉及增強和自我監督學習。發言人提出，當前的對比學習方法在合成增強數據時建立了不變量，而這些不變量可能是有益的，也可能是無益的。例如，建立旋轉不變性可能有利于識別場景中的花朵，但可能會阻礙對特定方向物體的有效識別。演講者介紹了他的研究小組考慮具有特定不變性的多種學習路徑的方法，并展示了與現有技術相比性能有所提高的結果。 第三部分介紹了一種名為 "Tent"（測試熵）的技術。其前提是DNN應用過程中遇到的數據分布可能與訓練數據不同，從而導致性能下降。因此，需要對DNN參數進行實時或測試時調整，以防止性能下降。Tent技術通過調整權重使DNN輸出的測量熵最小化來實現這一目標。演講者隨后用常用數據集展示了該技術相對于先前方法的改進性能。隨后的小組討論涉及合成方面的挑戰，尤其是紅外圖像方面的挑戰。

第二天的第三場會議以 "領域轉移的挑戰 "開始。約翰霍普金斯大學布隆伯格特聘教授Rama Chellappa博士發表了題為 "解決美國防部實際問題的綜合數據期望與最大化"的演講。演講首先回顧了過去二十年來國防部處理合成圖像的多個項目的歷史。他提出了一個重要論斷，即如果在合成過程中考慮到真實數據的物理特性，那么真實數據和合成數據之間的領域轉換就會減少。Chellappa教授還就領域自適應表示法提供了快速教程，涵蓋了正規數學方法以及較新的生成對抗網絡（GANs）。演講者及其核心研究人員開發的基于GAN的方法可以修改合成數據的分布，使之與目標分布相匹配。講座舉例說明了這種方法優于之前的非GAN方法。

佐治亞理工學院的Judy Hoffman教授發表了題為 "從多個數據源進行泛化的挑戰 "的演講。她考慮的問題是在模擬中學習模型，然后將模型應用于現實世界。她指出了四個挑戰： 生成、列舉、泛化和適應。發言人介紹了應對這些挑戰的幾種不同方法。具體來說，用于泛化的特定領域掩碼（DMG）方法通過平衡特定領域和領域不變特征表征來生成一個能夠提供有效領域泛化的單一模型，從而解決多源領域學習問題。

第三場會議的第三位也是最后一位演講者是波士頓大學的Kate Saenko教授，他的演講題目是 "圖像分類和分割的Sim2Real領域轉移的最新進展和挑戰"。Saenko教授延續了前兩場講座的主題，介紹了視覺領域適應的歷史，并探討了領域和數據集偏差問題。在糾正數據集偏差的不同方法中，講座詳細討論了領域適應。特別重要的是，Saenko教授及其合作者開發的技術能夠顯示合成到真實的適應性，就像從游戲引擎到真實數據一樣。隨后的小組討論提出了幾個有趣的問題，包括訓練域和測試域的不同，不是感興趣的對象不同，而是對象所處的環境不同，例如訓練時軍用車輛在沙漠環境中，而測試時則在熱帶植被背景中。

4 分組討論

三個主題的分組討論同時進行。在 "人類學習與泛化 "分組討論中，首先討論了 "人類如何學習？"、"ML模型如何模仿人類過程？"以及 "合成數據如何實現這些過程？"等問題。從童年到青春期和成年期，學習和成長之間的關系成為關鍵點。其他被認為有助于人類學習的因素包括人類心理、情感、同時參與多維活動、記憶以及解除學習的能力。

關于 "數據綜合： 方法與驗證 "分論壇確定了數據合成的幾個問題，特別是圖像和視頻。主要問題涉及結合物理學的有用性、視覺外觀保真度與成本之間的權衡、保真度的衡量標準、保真度本身的重要性以及當前技術（包括GANs技術）的局限性。據觀察，合成圖像和視頻生成至少已有幾十年的歷史，但大多數產品要么是為視覺效果而設計，要么是為再現物理測量而設計（例如，紅外模擬中的輻射剖面）。它們并不適合用于ML培訓。提出的另一個問題是，合成的二維圖像必須與物體和環境的底層三維幾何圖形保持一致。還有人提出，能夠在特定的感興趣的環境中生成大量合成數據，可以作為第一道工序測試新的人工智能和ML方法，而不管這些方法是否能夠在真實數據中很好地工作。

專題3 "領域轉移挑戰 "的分組討論確定了MDO所需的關鍵人工智能能力，即從孤立學習到機器與人類之間的聯合或協作學習。會議還討論了在多種數據模式下同時訓練ML的聯合學習。人們認識到，這些領域的工作才剛剛開始。分組討論的牽頭人強調，需要向士兵明確說明基于人工智能的系統在特定情況下將會做什么。這引發了對系統魯棒性的討論。分組組長向ASPSM聽眾提供了討論摘要。

5 差距和建議

根據本次ASPSM的討論，我們確定了以下值得陸軍進一步進行科技投資的領域：

1.支持多模式互動學習的合成技術和數據集。與當前流行的捕捉 "時間瞬間 "的靜態數據集（如農村環境中的車輛圖像）相比，有必要開發更能代表支持持續學習的體現性體驗的模擬器，就像我們在人類身上看到的那樣，并實現對世界更豐富的表征。混合方法（如增強現實）也可將人類監督的優勢與合成環境的靈活性結合起來。

2.學習和合成因果關系和層次關系的算法和架構。最近的一些方法，如基于圖的卷積神經網絡，已經在學習空間和時間的層次關系（如物體-部件和因果關系）方面顯示出前景。鑒于在現實世界中收集和注釋此類數據的復雜性，合成數據的生成可能特別有用。識別層次關系是一般國防部和戰場情報分析的關鍵要素。

3.支持持續、增量、多模態學習的算法和架構。深度強化學習方法被成功地用于訓練虛擬或機器人代理的相關行動策略，如捕食者與獵物之間的相互作用。基于模仿的方法承認學習的社會性，通常讓代理與（通常是人類）教師合作學習新策略。這些類型的交互式持續學習可進一步與多模態學習（即融合來自多個傳感器的數據）相結合，以實現更豐富的世界表征，使其更穩健、更具通用性。同樣，在這一領域難以獲得大量經過整理的數據，這也為探索合成引擎提供了動力。

4.學習物理或具備相關物理領域知識的算法和架構。在許多領域（例如紅外光下的物體感知），從圖像感知和合成圖像需要了解世界的基本物理特性，例如光與材料之間的相互作用。然而，當前的深度學習模型缺乏這種物理知識。開發賦予ML物理領域知識的技術對這些系統的性能至關重要。

5.具有豐富中間表征的領域適應技術。為了縮小真實數據和合成數據之間的領域差距，必須進一步推動當前建立領域不變中間表征的趨勢，特別是使用語義詞典和生成式對抗網絡。能夠理解數據底層結構（如光照、旋轉、顏色）的表征更有可能成功抽象出合成數據中不重要的細節。

6.深入了解ML模型內部表征的方法，以及合成表征與真實表征的比較。網絡剖析技術 "打開 "了深度學習模型的隱藏層，允許解釋網絡中的每個階段正在學習哪些特定概念或其更細的方面。這些技術揭示了具有真實輸入和合成輸入的DNN的內部表征，有助于識別所學內容的關鍵差異，從而找到克服這些差異的解決方案。

6 結論

為期兩天的虛擬ASPSM吸引了眾多美國防部科學家和工程師、頂尖學術專家以及科技項目管理人員的熱情參與。多學科的討論強化了這樣一種觀點，即開發用于訓練ML方法的生成合成數據的改進方法與理解和改進ML方法本身是分不開的。一個特別重要的需求是了解ML方法，尤其是當前的學習架構，是如何創建場景的內部表示的。另外兩個重要領域是：1）理解人類學習與ML世界中可能存在的學習之間的異同；2）多模態數據--從合成和ML的角度。我們預計近期國防部和學術研究人員將在本報告確定的領域加強合作。

作者正在研究分布式雷達在穿墻感應中的應用。這項技術的預期操作場景是在建筑物外的（安全）遠程距離內探測和識別建筑物內的人員和武器裝備。本研究使用的雷達結構和信號處理算法類似于美國陸軍作戰能力發展司令部（DEVCOM）陸軍研究實驗室（ARL）實施的埋藏和隱蔽表面目標探測的設計；目前的雷達發射和接收頻率更高。

在這項研究中，實驗是在ARL的阿德爾菲實驗中心（ALC）507號樓（"沙盒 "區域）進行的，使用的是室內低金屬兩層夾板結構。用來測試分布式雷達的受控環境與用來測試ARL針對電子目標的諧波雷達的低金屬環境相同。

圖1 步進頻率雷達收發器：(a)賽靈思的RFSoC與Alion/HII的雷達固件，以及(b)定制的發射器/接收器（Tx/Rx）濾波器和放大器PCB，由28VDC供電

結論及后續工作

本研究中收集的數據表明，在低矮的金屬建筑中，相互成直角的天線對能夠探測到多個移動目標，而這些目標從建筑外是看不到的。隨時間變化的距離圖顯示了目標所遵循的路徑；在一個頻道中跟蹤的目標路徑的模糊性可以通過在另一個頻道中跟蹤同一目標來緩解。仍需努力將同時收集的數據的IQ振幅一致地結合起來，以解決多個目標。一個目標是在二維（下行和上行）圖像上繪制目標位置，也許是以視頻動畫的形式疊加在場景的俯視圖上（即被成像的建筑物的典型平面圖）。在對移動目標進行成像時，發射器和接收器天線的雙穩態配對是否具有優勢（與標準的單穩態發射器天線配對相比）還有待確定。

根據陸軍多域作戰（MDO）條令，從戰術平臺生成及時、準確和可利用的地理空間產品是應對威脅的關鍵能力。美國陸軍工程兵部隊、工程師研究與發展中心、地理空間研究實驗室（ERDC-GRL）正在進行6.2研究，以促進從戰術傳感器創建三維（3D）產品，包括全動態視頻、取景相機和集成在小型無人機系統（sUAS）上的傳感器。本報告描述了ERDCGRL的處理管道，包括定制代碼、開源軟件和商業現成的（COTS）工具，對戰術圖像進行地理空間校正，以獲得權威的基礎來源。根據美國國家地理空間情報局提供的地基數據，處理了來自不同傳感器和地點的四個數據集。結果顯示，戰術無人機數據與參考地基的核心登記從0.34米到0.75米不等，超過了提交給陸軍未來司令部（AFC）和陸軍采購、后勤和技術助理安全局（ASA（ALT））的簡報中描述的1米的精度目標。討論總結了結果，描述了解決處理差距的步驟，并考慮了未來優化管道的工作，以便為特定的終端用戶設備和戰術應用生成地理空間數據。

圖3. ERDC-GRL的自動GCP處理管道。輸入數據為JPEG格式的FMV/Drone圖像、參考/地基圖像和參考/地基高程。藍色方框代表地理空間數據，而綠色方框是處理和分析步驟。

北約（NATO）研究任務組IST-152為在軍事資產上執行主動的、自主的網絡防御行動軟件智能體開發了一個概念和參考架構。在本報告中，這種智能體被稱為自主智能網絡防御智能體（AICA），這是先前版本的更新和擴展版本。

在與技術先進對手的沖突中，北約的軍事網絡將在一個激烈的競爭戰場上運作。敵人的惡意軟件將有可能滲入并攻擊友軍網絡和系統。今天對人類網絡防御者的依賴在未來戰場上將是站不住腳的。相反，AI智能體，如AICA，將有必要在一個潛在的通信中斷的環境中擊敗敵人的惡意軟件，而人類的干預可能是不可能的。

IST-152小組確定了AICA的具體能力。例如，AICA必須能夠自主規劃和執行復雜的多步驟活動，以擊敗或削弱復雜的敵方惡意軟件，并預測和盡量減少由此產生的副作用。它必須有能力進行對抗性推理，以對抗有思想、有適應性的惡意軟件。最重要的是，AICA必須盡可能地保持自己和自己的行動不被發現，并且必須使用欺騙和偽裝。

該小組確定了這種智能體潛在參考架構的關鍵功能、組件及其相互作用，以及實現AICA能力的暫定路線圖。

北約應該鼓勵成員國的學術界、工業界和政府對相關研究和開發的興趣。AICA有可能成為未來戰場上的主要網絡戰士，北約在開發和部署此類技術方面決不能落后于其對手。

AICA 的范圍和要求

為了描述其參考架構，假設AICA嵌入在一個物理軍事平臺上，其范圍是確保平臺所有相關計算機化功能的可用性和完整性，防止注入惡意代碼，以確保平臺的正確行為。檢測物理平臺的異常功能行為不屬于網絡防御智能體的范圍。這被認為是由其他操作監測和控制功能手動或自主完成的。

以無人機作為平臺案例，AICA的范圍可以如圖所示。

在圖中，計算能力是指支持無人機功能的主要計算機（一臺或多臺）。執行器是控制無人機物理元素的物理設備。這里假設這些設備包括計算機處理，可以成為網絡攻擊的目標，因此，應該由AICA保護。同樣的論點也適用于傳感器和通信組件。因此，在這個例子中，圖中強調的元素屬于AICA的責任范圍。

以下是一些關鍵的要求，可以看作是開發AICA架構的先決條件。

• 該智能體應以持久和隱蔽的方式嵌入在軍事平臺上。這里，隱蔽性是指智能體的能力，以盡量減少對手惡意軟件檢測和觀察智能體的存在和活動的概率。

• 智能體應能在其職責范圍內觀察各要素的狀態和活動，檢測敵方惡意軟件，同時保持對惡意軟件的最小觀察，并摧毀或降低敵方惡意軟件。

• 該智能體應能夠在被敵方惡意軟件破壞的環境中有效運行。

• 該智能體應能抵御破壞。

• 該智能體應能觀察和理解它所處的環境，為此它需要自己的相關環境世界模型。

• 智能體應能觀察和影響其保護下的所有計算元素，包括平臺的所有傳感器和執行器的計算元素。

• 所有相關的通信流量對智能體應是可觀察的。

• 當與其他友軍元素或外部控制器的通信受到限制或不可用時，該智能體應能有效地發揮作用。

• 智能體應在特定情況下發揮作用，如有限的計算資源（內存、CPU等）和特殊的環境條件（如溫度、氣壓、G-力、尺寸等）。

• 智能體在必要時應自主運作，也就是說，不依賴于外部友軍元素或外部控制器的支持。這意味著它必須能夠與平臺的所有計算組件互動，包括實時的傳感器和執行器的計算元素；做出自己的決定；并采取必要的行動。

• 應作出規定，使遠程或本地的人類控制器能夠觀察、指導和修改智能體的行動，當需要和情況允許時。

• 智能體應能制定非微不足道的（對對手來說非顯而易見的）計劃，以追求一個給定的目標，并且必須能夠執行計劃中規定的行動。

• 智能體應能自主地采取破壞性行動，如刪除或隔離某些軟件和數據，同時遵守指定的參與規則。該智能體應具有評估此類行動所涉及的風險和利益的手段，并作出相應的決定。

• 當需要和條件允許時，智能體應該能夠與其他友軍的智能體進行協作。為此需要協作計劃和談判機制。

• 智能體應該能夠進行自主學習，特別是關于敵人惡意軟件的能力、技術和程序。學習應該在離線和在線的情況下進行，新學習的知識應該能夠在智能體的操作過程中提供信息。

• 只要有要求，智能體應向外部控制器報告數據，使控制器能夠對智能體的可信度作出推斷。

• 智能體應能自我傳播到遠程友軍的計算設備。自我傳播應僅在特殊的和明確規定的軍事需要的條件下發生。

本報告的其余部分描述了一個能滿足這種要求的擬議架構。

報告的A部分提供了AICA的基本原理和操作概念，概述了其架構，并解釋了必要的數據如何在智能體中存儲和管理。

B部分對實現該架構的關鍵功能的可能方法進行了探索性討論。在這一部分中，第5節描述了智能體如何獲得有關其環境的信息并確定環境的狀態。第6節討論了智能體計劃其行動的方法，包括對行動后果的預測。第7節是關于智能體執行其決定的行動的方式。第8節解釋了智能體如何與其他智能體合作。第9節概述了智能體從其行動和觀察中學習的可能方法。

這項研究是根據W/001/TOR合同的任務13為加拿大國防研究與發展（DRDC）多倫多研究中心（TRC）進行的，以支持DRDC在先進平臺和武器（APW）戰略重點領域（SFA）的建模和仿真（M&S）能力。目前的研究考察了與便攜式防空系統（MANPADS）有關的人為因素問題。

在DRDC提供的文件基礎上，進行了開源文獻搜索，以確定文獻審查的相關出版物。為匯編和評估制定了一個數據收集框架。根據文獻對便攜式防空系統和人類問題的關注程度，選擇了一套精煉的文獻（N=21）。研究小組審查并總結了這些文獻。審查涉及到與肩扛式導彈的使用概念、系統、訓練方法、測試和評估（T&E）、自動化、生物力學、目標跟蹤和人體性能模型有關的人為因素的作用。在該領域確定了一些人因工程（HFE）的知識差距。

基于這些發現，建議在DRDC的模擬環境中執行一組小型的未來研究課題。此外，還概述了在DRDC模擬環境中推進研究和/或采用原型工具的下一步建議。這些研究課題領域列在下面，需要進行驗證，以確保與DRDC的優先事項相一致。

• 人體測量分析--根據MIL-STD-1472H標準，開發一個準確的人體性能數據庫，代表全部的人體尺寸范圍（即第5-95百分位）。

• 環境服裝和防護設備--調查與寒冷天氣服裝相關的人體性能以及穿戴防護設備對準確性的影響，并確定肩扛式導彈是否可以在寒冷天氣環境下合理使用。

• 與目標交戰序列（TES）相關的操作訓練程序--對操作程序進行訓練和練習，以確保在電池冷卻裝置（BCU）的電池壽命內完成目標獲取和交戰。

• 地形--小組長選擇最佳位置攻擊空中威脅，確保為小組提供足夠的保護。

• 任務長度--長期任務對人的表現的影響，這些任務是在緊張的條件下進行的，需要在攜帶貨物時快速移動；以及

• 視覺搜索模式--調查小范圍和大范圍內的最佳搜索模式（水平、垂直）。

無人機系統和下一代戰車（NGCV）集成的重點是由美國國防部航空航天教育、研究和創新中心團隊推動的，以支持美國陸軍士兵的項目合作。通過與克里斯-克羅寧格和巴勃羅-古茲曼的雙周互動，與美國陸軍作戰能力發展中心陸軍研究實驗室合作，提出了創造一個盒子的想法，這個盒子可以作為無人機的存儲和平臺，讓無人機降落、起飛，并在航行中得到保護。這項工作的最初目標是開發一個高效和有效的移動無人機平臺原型，供士兵們在戰場上最終使用。計劃是對無人機停留在盒子的蓋子（平臺）上的方法進行多次測試，在盒子里時提供額外保護。

為了支持未來的多域作戰分析，美國DEVCOM分析中心（DAC）正在探索如何在陸軍的作戰模擬中體現天基情報、監視和偵察（ISR）資產的貢獻。DAC正在使用基于能力的戰術分析庫和模擬框架（FRACTALS）作為方法開發的試驗基礎。用于預測衛星軌道路徑簡化一般擾動的4種算法已經被納入FRACTALS。本報告的重點是來自商業衛星群的圖像產品，其分辨率為1米或更低。報告介紹了預測分辨率與傳感器特性、傾斜范圍（包括地球曲率）和觀察角度的關系的方法。還討論了在不同分辨率下可以感知的例子。

在2021年建模與仿真（M&S）論壇期間，空間情報、監視和偵察（ISR）建模被確定為當前/近期的建模差距。美國陸軍作戰能力發展司令部（DEVCOM）分析中心（DAC）提交了一份陸軍M&S企業能力差距白皮書（Harclerode, 2021），描述了幫助填補這一差距的行動方案。陸軍建模和仿真辦公室已經資助DAC開發方法，以代表商業、國家和軍事空間和低地球軌道資產的性能及其對聯合作戰的影響，并在基于能力的戰術分析庫和模擬框架（FRACTALS）內進行測試實施。

FRACTALS是DAC開發的一個仿真框架，它提供了通用的結構 "構件"，用于模擬、仿真和評估ISR系統在戰術級任務和工作中的性能。FRACTALS作為DAC開發的各種ISR性能方法的測試平臺，將文件或數據被納入部隊的模擬中。FRACTALS還作為DAC的一個分析工具，在戰術環境中對ISR系統進行性能分析比較。

這項工作需要在一定程度上體現衛星飛行器（高度、軌跡和運動學）、傳感器有效載荷（光電[EO]、紅外、合成孔徑雷達和信號情報）、網絡、控制系統、地面站（時間線、通信、處理、利用和傳播）、終端用戶以及連接它們的過程和行為。本報告描述了DAC為支持這一工作所做的一些基礎工作，重點是可見光波段相機圖像。