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

當小型無人機系統（sUAS）由疏忽、魯莽或惡意操作者操控時，將對地方及聯邦機構構成重大威脅。隨著sUAS與傳統航空器共享空域的情況日益增多，且其可能作為武器侵入管制空域，人員、設施及資產防護已成為核心議題。本研究通過集成低成本分布式傳感器與機器學習（ML）模型，提升戰場態勢感知能力，補強現有傳感平臺對sUAS的實時探測、分類與定位效能。

本文提出"無人機偵測指揮中心"（DDCC）概念架構。該系統對接分布式節點網絡，通過聲學與光學雙模態實時獲取sUAS數據，并具備截取關鍵幀能力以增強未來機器學習模型的預測性能。基于大疆Matrice 600 Pro采集的數據集，構建多組深度學習模型實現sUAS存在性分類及節點距離預測。重點評估聲學測距性能（與光學測距對比），最終融合多源數據構建定制模型，驗證融合數據是否優于單模態方案。初步實驗顯示：聲學分類準確率79.6%，光學分類準確率86.7%；獨立測距任務中聲學平均絕對誤差10.463米，光學誤差16.961米；經卷積循環神經網絡處理融合數據后，平均絕對誤差降至9.57米，較聲學數據提升0.88米，較光學數據提升7.385米。

本章首先闡明研究問題與目標，隨后介紹DDCC系統——該專有平臺可同步聯動多傳感器執行"記錄"與"預測"指令。

在sUAS激增的背景下，無論操作者性質（疏忽/惡意/軍事），均對地方及聯邦機構安全構成緊迫威脅。面對sUAS與傳統航空器空域共享及其武器化趨勢，人員設施防護已成關鍵挑戰。本研究旨在驗證"低成本分布式傳感器+ML模型"在sUAS探測、分類及測距中的有效性，并構建DDCC系統——該系統可加載預訓練模型，基于視頻、音頻及融合數據實現sUAS存在性識別與距離測算。

本文致力于解決空基威脅探測的多維挑戰（特指sUAS），通過在DDCC中融合"聲學特征卷積循環神經網絡"（CRNN）與"YOLOv8目標檢測模型"，構建可實時識別、分類及測距的全域解決方案。研究目標明確如下：

1. 一體化架構集成：研究CRNN聲學分析與YOLOv8視覺檢測在DDCC中的無縫融合，設計優化雙模態協同架構
2. 聲學測距回歸模型：構建訓練CRNN實現聲源測距（單位：米）
3. 光學測距回歸模型：構建訓練全連接深度神經網絡實現視頻源測距（單位：米）
4. 訓練驗證體系：采用多樣化sUAS場景數據集對視覺/聲學組件進行嚴格訓練驗證，優化模型魯棒性
5. 跨模態融合技術：開發創新融合算法整合視聽信息，發揮多模態互補優勢。融合核心目標在于證明"視聽結合"較單模態具有更高預測精度

DDCC作為專有系統，通過傳感器網絡執行指令（如記錄/預測）。其客戶端界面采用3x3網格排列的九宮格視頻流布局，每區塊均支持"連接"、"錄制"、"預測"、"靜音"功能鍵，配備服務器主機配置文本框及遠程重啟下拉菜單。樹莓派4服務器傳輸的實時音視頻流顯示于對應區塊，捕獲數據的分類預測結果集中呈現在日志域。系統可加載預訓練模型執行定制化預測任務，本研究特訓模型專注于基于視頻/音頻/融合數據的sUAS存在性識別與距離測算。

文檔結構如下：第二章詳述sUAS探測技術背景與研究進展；第三章解析DDCC系統設計與節點配置；第四章闡述數據采集、模型構建及訓練驗證方法論；第五章呈現全流程實驗結果；第六章探討未來sUAS數據采集路徑；第七章總結研究并給出結論陳述。

本研究評估了一種稱為臺球算法（billiards algorithm）的動態傳感器覆蓋（DSC）算法。文章探討了規避障礙物和無趣區域（如森林或湖泊）的不同方法。避障對于DSC算法的多功能性至關重要，它使無人機能夠導航障礙物密集的環境，同時最大限度地降低碰撞風險。本文在MATLAB中運行了仿真實驗，以評估該算法在平均和最差延遲性能方面的表現。研究將臺球算法與隨機路徑選擇以及文獻中稱為Ganganath算法的算法進行了比較。為提高臺球算法在障礙密集環境中的性能，本文實施了模型預測控制（Model Predictive Control, MPC），預期智能體能夠通過前瞻規劃獲益。本論文呈現的結果表明，與Ganganath算法相比，帶避障的臺球算法在平均延遲方面表現出色，但在最差延遲方面表現欠佳。在某些室內環境中，Ganganath算法顯示出局限性，而臺球算法則在兩項性能標準上均優于它。在計算復雜度和通信流量方面，這些算法差異顯著。臺球算法的仿真時間和通信量都低得多，這兩項指標在軍用無人機集群算法中非常寶貴。MPC能夠在一個有限的未來時間窗口內優化決策，被集成到臺球算法中以評估其有效性。研究發現，MPC在普遍的障礙密集環境中并未提升性能。這可能是由于在多智能體系統中預測未來狀態本身就存在困難，加之智能體即便沒有MPC提供的前瞻能力，也已能高效探索未探索區域。然而，在某些特定環境中，MPC能顯著提升該算法的性能。

無人機（Drones），或稱無人飛行器（Unmanned Aerial Vehicles, UAVs），是在沒有人類飛行員在機上操作運行的航空器。它們可由機載計算機和傳感器自主操作，或由遠程飛行員通過各種方式（例如無線電波）操控 [1]。這些多功能機器人在過去幾十年一直是熱門研究主題，因此近期發展顯著 [2]，[3]。在軍事行動中，無人機非常適合在許多高風險任務中替代步兵執行情報、監視和偵察（Intelligence, Surveillance, and Reconnaissance, ISR）等任務[4]。將無人機納入軍事單位可有效減少己方傷亡并降低成本。最有前景的新興無人機技術之一是無人機集群技術（drone swarms），即大量無人機通常以自主方式協作運行以解決復雜目標。該研究主題側重于開發算法，指導集群中的無人機通過通信并基于其他無人機做出智能決策，從而高效完成任務[5]。未來在軍事背景下，無人機集群可能成為新一代作戰和情報工具，能夠執行多層面任務，同時最大限度減少人力資源需求。在許多應用中，無人機集群通常比傳統資源更快、更具適應性。借助先進的集群算法，軍事力量不僅可以將無人機用作單個單元，更能將其作為一個協同網絡使用，在復雜環境中的效能和可擴展性方面超越傳統的單一單元任務。本報告研究的集群算法可在任何能在二維空間中移動的機器人平臺上執行，例如無人地面車輛（Unmanned Ground Vehicles, UGVs）。貫穿全文，為追求更通用的表述，這些無人機被稱為“智能體”（agents）。就本報告目的而言，智能體將指代全向旋翼無人機。

本工作的目標是改進一種已存在的名為臺球算法的集群算法，特別側重于探索實現和優化避障的各種方法。這意味著將開發多種避障設計方案并進行比較，以獲得一個魯棒且多功能的算法。該算法的目的是在關注區域（Area of Interest, AoI）上提供持續的傳感器覆蓋，即AoI的每個部分都應盡可能頻繁地被覆蓋。障礙物可以呈現各種幾何形狀和復雜程度。該算法應能在AoI中高效分配其傳感器覆蓋，其中一部分區域可能被歸類為無趣區域。然而，應允許智能體穿越該區域以到達AoI的其他部分。避障算法各有優缺點。鑒于無人機有限的計算能力，所設計的算法需要簡潔而有效。通信流量也需要考慮，因為存在電子戰威脅的可能性。

在集群算法設計中，避障對于防止智能體受損至關重要。若無有效的避障，在AoI中的智能體可能與障礙物發生碰撞，導致智能體損壞，甚至在特定算法中導致整個集群失效。將避障整合到集群算法中可顯著提升其多功能性。一個糟糕的避障算法可能在障礙物邊緣附近表現平平，導致圍繞障礙物的覆蓋不理想。因此，本報告中的避障應解決此問題。通過考慮無趣區域，該算法能更有效地優先覆蓋AoI重要區域的傳感器。

本研究圍繞以下研究問題展開：
? 在障礙密集環境中，臺球算法與隨機路徑選擇相比如何？
? 帶避障的臺球算法在基于最差延遲性能和平均延遲性能方面與基于勢場的Ganganath算法相比如何？
? 整合預測時域能否顯著改善臺球算法的性能？
? 臺球算法的分布式控制與采用集中式和去中心式控制方案的版本在性能上相比如何？

本論文結構如下：第2節介紹了多智能體系統理論，并概述了本工作中使用的兩種算法。第3節描述了實驗設計和仿真環境。第4節展示并討論了結果。最后，第5節總結了論文并提出了未來工作的方向。

本工作評估了一種稱為臺球算法（billiards algorithm）的動態傳感器覆蓋（DSC）算法。研究了避開障礙物和無意義區域（如森林或湖泊）的不同方法。避障對于 DSC 算法的多功能性至關重要，因為它使無人機能夠在障礙物密集的環境中導航，同時最大限度地降低碰撞風險。在 MATLAB 中進行仿真，以評估算法在平均延遲和最差延遲方面的性能。將臺球算法與隨機路徑選擇和文獻中的一種算法（稱為 Ganganath 算法）進行了比較。為了提高臺球算法在障礙物密集環境中的性能，實施了模型預測控制（MPC），期望智能體（agent）能通過規劃更長遠未來而受益。本文中展示的結果表明，避障臺球算法在平均延遲方面與 Ganganath 算法相比表現良好，但在最差延遲方面存在不足。在某些室內環境中，Ganganath 算法表現出局限性，而臺球算法在兩項性能標準上都優于它。在計算復雜性和通信流量方面，這些算法差異顯著。臺球算法的仿真時間和通信量都低得多，這是軍事無人機集群算法中非常有價值的兩個額外指標。MPC 在一個有限的未來時間窗口上優化決策，被集成到臺球算法中以評估其有效性。研究發現，MPC 在一般障礙物密集的環境中并不能提高性能。這很可能是由于在多智能體系統中預測未來狀態的固有困難，再加上智能體即使沒有 MPC 提供的預見能力，已經能夠高效地探索未探測區域。然而，在某些環境下，MPC 可以為算法帶來顯著的性能提升。

無人機（UAV）是一種機上沒有人類飛行員操作的航空器。它們可由機載計算機和傳感器自主操作，或由遠程飛行員通過各種方式（例如無線電波）進行操作[1]。這些多功能機器人已成為過去幾十年中的熱門研究課題，因此最近發展顯著[2],[3]。在軍事行動中，無人機非常適合在許多高風險任務（如情報、監視和救援（ISR）行動）中替代步兵[4]。將無人機編入軍事單位可有效減少友軍傷亡并降低成本。最有前景的新興無人機技術之一是無人機集群（drone swarms），其中大量無人機協同操作以自主解決復雜目標。這一研究主題的重點是開發算法，指示無人機通過通信并根據集群中的其他無人機做出智能決策來高效完成任務[5]。未來，在軍事背景下，無人機集群可能通過執行多面任務并最大限度地減少人力資源需求，成為新一代作戰和情報工具。在許多應用中，無人機集群通常比傳統資源更快、適應性更強。借助先進的集群算法，軍隊不僅可將無人機用作單一單元，還可以將其作為一個具有凝聚力的網絡來使用，在復雜環境中的效能和可擴展性方面優于傳統的單一單元任務。本報告中研究的集群算法可在任何能夠在二維空間中移動的機器人平臺上執行，例如無人地面載具（UGV）。在整篇報告中，為采用更通用的術語，這些無人機被稱為智能體（agent）。就本報告而言，該智能體將是一架全向旋翼無人機。

本工作的目標是改進一種現有的名為臺球算法的集群算法，特別著重于探索實現和優化避障的各種方法。這意味著將開發多種避障設計方案并進行比較，以獲得一個穩健且通用的算法。該算法的目的是在關注區域（AoI）上提供持續的傳感器覆蓋，這意味著應盡可能頻繁地覆蓋 AoI 的每個部分。障礙物可能具有各種幾何形狀和復雜度。該算法應能有效地在 AoI 內分配其傳感器覆蓋范圍，該 AoI 的一部分可能被歸類為無意義區域。然而，應允許智能體穿越該區域以到達 AoI 的其他部分。避障算法各有優缺點。鑒于無人機有限的計算能力，所制定的算法需要簡單而有效。由于存在電子戰的可能性，通信流量也需要考慮。

避障在集群算法設計中至關重要，以防止智能體受損。沒有有效的避障，智能體可能會與 AoI 中的障礙物相撞，造成智能體損壞，甚至在某些算法中導致整個集群失效。將避障集成到集群算法中可大大提高其通用性。一個糟糕的避障算法可能會在障礙物邊緣附近表現欠佳，導致障礙物周圍的覆蓋效果欠佳。因此，本報告中的避障應解決此問題。通過考慮無意義區域，該算法更有效地優先考慮在 AoI 重要區域進行傳感器覆蓋。

本論文的結構如下：第 2 節介紹多智能體系統理論，并介紹本工作中使用的兩種算法。第 3 節描述實驗設計和仿真環境。第 4 節展示并討論結果。最后，第 5 節總結論文并提出未來工作的方向。

生成高質量標注合成圖像數據的能力，是構建和維護機器學習數據集的關鍵工具。然而，確保計算機生成數據質量達標極具挑戰性。本報告旨在評估并改進"虛擬自主導航環境系統與環境傳感器引擎"（VANE::ESE）生成的合成圖像數據，同時記錄為處理、分析VANE::ESE圖像數據集并基于其訓練模型所開發的全套工具集。研究還呈現多項實驗結果，涵蓋對可解釋AI技術應用的探索，以及在不同合成數據集訓練的多模型性能對比分析。

虛擬自主導航環境（VANE）是由軟件工具與虛擬場景構成的自動駕駛建模與仿真系統集合。其環境傳感器引擎組件（VANE::ESE）專用于在虛擬環境中高精度模擬車輛傳感器物理特性（涵蓋攝像頭、激光雷達、毫米波雷達等）（Carrillo et al. 2020）。本報告聚焦評估、優化VANE::ESE仿真引擎在生成合成圖像數據方面的性能——該類數據用于訓練機器學習（ML）計算機視覺模型，以執行目標檢測與圖像分類任務。合成數據生成能力的核心價值體現在兩方面：首先，因數據基于預設場景生成，可為每個圖像樣本實現自動標注，能零成本構建超大規模數據集；其次，可構建特定虛擬場景生成數據，有效覆蓋現實采集難以企及的高危邊界場景（例如戰損建筑或車輛的圖像數據）。快速生成特定場景的標注數據集對機器人與自主系統等廣泛領域具有重要價值。

然而，利用合成數據訓練ML模型仍面臨雙重挑戰：其一，海量合成數據集存在標注準確性保障及多格式標簽轉換等通用問題；其二，彌合真實數據與合成數據之間的差異尤為困難。現有研究提出多種解決方案——包括通過全域自適應技術改進模型（Wang and Deng 2018）、采用生成對抗網絡轉換圖像（Pfeiffer et al. 2019），以及直接提升仿真圖像的視覺真實感。真實圖像數據存在巨大差異（即便同類物體樣本間亦如此），要在保留準確標注的前提下復現這種差異性與真實度極具挑戰。本研究采用務實性操作路徑優化VANE::ESE圖像數據：接收生成數據集→運用本報告記錄的多重方法與工具分析→向開發團隊反饋優化建議→迭代提升后續數據集質量。

本工作的核心目標是提升VANE::ESE合成圖像數據在目標檢測與分類神經網絡訓練中的泛化能力，次要目標是開發并完整記錄用于處理分析VANE::ESE數據集的軟件工具集。

在軍事研發領域，美軍“聯合全域指揮控制系統（JADC2）”的“任務規劃與執行”需求明確，而利用AI輔助聯合規劃以處理數據支撐人類決策，是此類系統效能提升的核心。然而，還需設計“人類數據解讀機制”以優化協同任務的同步與執行。本研究旨在通過“緊急醫療服務場景”評估互依性任務管理候選方案。研究證實，采用“時間線顯示”界面處理“依賴關系問題”的準確率更高，僅在“狀態問題”類型上其精度未顯著優于其他顯示模式。這表明“時間線顯示”界面設計基于“基爾戈爾的時序區間邏輯關系可視化方法”具有顯著有效性。

團隊效能研究數十年來始終是軍事領域的核心議題。軍方資助或主導的研究揭示了團隊績效的本質特征，完善了績效測量與評估方法，并深化了對團隊構成與組建機制的理解。然而，近期技術進步與近鄰對手能力的躍升正顛覆作戰范式。未來戰爭中，“多梯隊殺傷鏈”——由分散式系統集群與操作員構成——將成為制勝關鍵。這一新范式為軍方帶來一系列獨特的協同挑戰。能否有效閉合對敵殺傷鏈并保持優勢，將完全取決于分布式多域團隊在“人-人”及“人-自主系統”協作、以及快速適應動態戰局方面的能力。

美國國防部計劃通過“聯合全域指揮控制（JADC2）”倡議應對軍事格局演變。JADC2是一項戰略作戰概念，旨在將陸軍、海軍、空軍、海軍陸戰隊及太空軍的傳感器、打擊單元與通信設備——最終包括盟國系統——整合為“網絡之網絡”。JADC2的成功高度依賴從多元數據源快速采集海量信息。盡管人工智能（AI）與機器學習（ML）可高效輔助數據處理與分析，人類仍是關鍵資產——尤其在數據解讀與分布式團隊跨域協同效應生成環節。《空軍條令文件3-99》（2021年）指出，“聯合全域作戰（CJADO）”的作戰效能需通過“動能與非動能能力在正確時空點的同步釋放”實現。例如，2023年“護身軍刀”演習中，參演部隊利用非動能效應在反介入/區域拒止環境中為動能打擊開辟時間窗口。為確保此類效應同步，《空軍條令文件3-99》強調每個分布式作戰單元必須理解總體計劃、自身角色及與其他單元的互依支持關系。本研究目標即開發可視化作戰單元互依關系的界面以促進效應同步。

基于前人關于互依性定義與可視化設計的研究，本文改造“智能多無人載具自適應協同/控制技術規劃平臺（IMPACT）”，使其展示任務時序與互依關系。IMPACT整合自主技術、直覺界面與決策支持工具，支持操作員在基地防御、應急響應等任務中指揮多作戰單元。其任務管理界面通過解析聊天文本數據識別任務指令，若判定與操作員相關，則將任務添加至任務管理器并附詳細參數與“快速反應清單”推薦行動。盡管前期研究已探討不同分布式團隊結構利用任務管理器執行聯合指令的效能，但未涉及任務時序與互依關系的表征。為填補此空白，本研究批判性評估現有設計并開發新界面，以可視化任務歸屬、互依性、時序及狀態信息。

任務管理設計方案

經研究確認，任務管理界面需呈現四大核心要素。首先為任務歸屬——明確團隊中任務責任人對協同至關重要，該信息應易于訪問。其次為時序數據，包括任務計劃啟動/結束時間及持續時間。在JADC2任務中，“任務機會窗口”亦屬關鍵，需確保任務在可接受風險或與階段性資源/預協調行動配合下完成，因此所有任務均納入“最早可啟動時間”與“最晚需完成時間”構成的窗口期。第三為任務依賴關系，其中“任務順序約束”是最基礎形式，需標識任務相對其他任務而非單純依時間執行的關聯性。識別出三類基本順序約束：1) 父任務啟動是子任務啟動的前提；2) 父任務完成是子任務完成的前提；3) 父任務完成是子任務啟動的前提。所有依賴關系均存在“父任務”與“子任務”，后者依賴于前者形成方向性關聯。最后為任務狀態，設計中包含“規劃中”“執行中”“已完成”三種狀態。此外，研究認定需考慮“警報機制”，其觸發邏輯基于任務窗口期與依賴關系，分為兩級警報：在JADC2等復雜環境中，若任務無法在窗口期內完成需調整，界面將觸發“紅色警報”；任何因依賴關系受該警報影響的任務則觸發“黃色警告”。這四大要素被融入現有及創新設計理念，產出兩組數據同源但設計異質的界面供實驗對比研究。

當前許多操作技術（OT）環境難以適應現代網絡環境，特別是缺乏針對意外網絡安全威脅的防護。本研究探索將NIST SP 800-160第2卷所述的網絡韌性（CR）工程實踐與NIST SP 1800-35B定義的零信任架構（ZTA）相結合，以提升OT系統的網絡韌性。美海軍此前開發的ZT-OT系統架構，為實施ZTA支持遠程訪問及在OT系統中使用個人設備提供了模型。為增強網絡韌性，創建了ZT-OT2架構——將持續監控評估與ZT訪問控制執行相結合。通過三個實際用例，證明ZT-OT2設計能強化安全與韌性，緩解原始ZT-OT設計中三處重大缺陷的影響：對脆弱軟件代理的依賴、隱含信任的受損網絡區域、可信區域缺乏ZT保護的日志記錄。然而，盡管ZT-OT2有所改進，系統復雜性與潛在單點故障等挑戰依然存在。本研究通過將網絡韌性原則應用于工業環境，為關鍵基礎設施安全提供韌性框架，推動OT網絡安全發展。

圖：通用的零信任參考架構。

操作技術（OT）包含直接與現實世界交互或控制其狀態的各種可編程系統與設備[1]。這些技術通過監測調控設備、流程與事件，實現對環境變化的感知與響應[1]。傳統OT系統基于專有協議設計并運行于隔離網絡架構，而當前OT系統日益與現代IT系統集成，使其暴露于復雜網絡威脅。零信任（ZT）范式作為一種網絡安全框架，摒棄對用戶、設備及網絡位置的自動信任，通過動態風險評估強制實施持續驗證、訪問控制與策略執行，旨在保護企業資源與數據免受新興威脅[2]。盡管ZT原則在IT環境中已成功應用，但其在OT系統的實施仍存在諸多挑戰，包括：依賴軟件代理實現遠程訪問、包含無法支持ZT的傳感器與控制器的可信區域被攻破、單點故障、可信區域日志記錄缺乏ZT保護等[3][4]。這些缺陷危及零信任OT系統的安全態勢，威脅關鍵基礎設施環境的業務連續性。

由于OT系統在能源、水務、交通等關鍵基礎設施領域的核心作用，強化其安全性迫在眉睫。針對OT環境的網絡攻擊（如2021年Colonial Pipeline勒索軟件攻擊[5]、伊朗伊斯蘭革命衛隊關聯黑客組織利用可編程邏輯控制器（PLC）攻擊美國水務設施[6]）凸顯了OT系統遭破壞的災難性后果。工業網絡安全公司Dragos 2021年報告顯示，影響工業控制系統（ICS）及其他OT系統的安全事件造成約300萬美元損失，部分機構損失超1億美元[7]。在OT環境中采用ZT原則為解決此類威脅并提升韌性提供了有效路徑。白宮也強調采用零信任原則對強化政府機構網絡安全的重要性[8]。然而，整合ZT需解決現有OT設計中的潛在漏洞。根據NIST SP 800-160第2卷，提升網絡韌性對緩解OT環境集成漏洞影響及保障運營連續性至關重要[9]。ZT-OT設計[3]是針對OT環境特殊需求優化的零信任安全模型，其優先考慮運營連續性、可靠性與安全性，而非傳統網絡安全措施，這使OT系統更易受新型網絡威脅影響。應用零信任原則需強化訪問控制、持續驗證用戶設備身份、實施網絡分段以縮小攻擊面[3]。隨著OT環境與IT網絡深度互聯，網絡入侵風險激增，本研究聚焦ZT-OT設計[3]，旨在構建僅允許認證授權用戶設備訪問關鍵基礎設施的強安全模型。我們假設ZT與OT環境融合能在保障運營效率的同時提升安全，確保工業流程可用性與完整性。本研究通過解決含ZT組件的OT系統漏洞，增強其網絡韌性，助力構建安全韌性的基礎設施。

本研究重點解決應用ZT原則的OT環境中四類關鍵漏洞：（1）便攜設備受損軟件代理的威脅；（2）可信區域隱含信任相關風險；（3）關鍵ZT組件的單點故障；（4）可信區域缺乏ZT保護的日志記錄[3][4]。研究分析NIST SP 800-160第2卷推薦的網絡韌性技術與實施方法以緩解這些漏洞[9]。方法論包括識別適用韌性技術，基于各技術內容及關聯實施方法（IA）評估其在ZT-OT環境應用的可行性與有效性，進而分析這些方法如何緩解已識別的漏洞。通過整合零信任原則與應用網絡韌性IA，本研究旨在提升OT環境安全，在原始ZT-OT設計[3]中實現四類缺陷影響的緩解，增強整體韌性與安全性。

第二章闡述背景知識，包括OT系統概念、零信任、應用ZT原則的OT系統（如ZT-OT架構[3]）、網絡韌性及安全信息與事件管理（SIEM）技術。第三章描述提升網絡韌性并緩解原始ZT-OT架構[3]缺陷的改進架構開發過程。第四章分析改進架構效能，第五章通過假設場景演示如何應對現有架構弱點。第六章總結本論文貢獻并提出未來研究方向。

海軍人員日益依賴個人無線設備，這為網絡攻擊與信號情報（SIGINT）漏洞暴露帶來巨大風險。盡管此類設備能提升連接性與用戶士氣，但其可能向敵方暴露敏感數據的特性也造成重大作戰安全風險。本研究通過評估網絡利用風險、電磁特征控制（EMCON）暴露隱患及現行網絡安全培訓方法的不足，探討艦艇個人設備安全威脅。研究運用美國海軍“桑普森”號驅逐艦案例與商業無線控制（COMICON）策略部署，分析現行安全協議的成功與缺陷。通過審視俄烏沖突中“馬基夫卡襲擊”等真實事件，識別可能影響美國海軍行動的類似威脅。對美國海軍網絡安全培訓的調研表明，“2025網絡感知挑戰”等現有項目缺乏應對個人設備漏洞的充分能力。本文提出實施混合政策框架以降低風險，具體措施包括：擴展網絡安全教育項目；強化符合EMCON標準的設備規范；部署先進監控系統；開展人員文化意識宣傳活動。同時兼顧士氣管理需求，以應對新興網絡威脅并維護作戰完整性。

2025網絡感知挑戰

2004年，美國國防部頒布第8570.1號指令，要求所有國防部附屬信息系統用戶接受初始與年度更新的信息保障培訓。海軍人員作為國防部信息系統用戶的重要組成部分，需特別關注。值得注意的是，該指令根植于1987年《美國計算機安全法案》。該法案規定聯邦信息系統全體雇員與用戶須接受周期性安全培訓。在此背景下，“2025網絡感知挑戰”項目旨在落實國防部指令要求，培養水兵及其他軍職人員適應性的信息安全意識文化，以維持國家安全標準。

項目描述中，美國防部將“2025網絡感知挑戰”定位為核心職責，旨在落實國會、國防部長、管理與預算局（OMB）及其他相關機構授權的終端用戶意識培訓。培訓聲明指出：“網絡感知挑戰的目標在于引導行為，聚焦授權用戶可采取的行動以降低國防部信息系統的威脅與漏洞。”其核心是確保國防部全體人員適應不斷演進的信息技術要求，并應對現有與新興的網絡及信號情報（SIGINT）漏洞（例如美國海軍人員使用無線個人設備產生的風險）。教育課程涵蓋保護敏感信息的基礎概念，包括機密性、完整性與可用性。通過傳授這些核心原則，使水兵掌握威脅檢測技能，并理解數據安全對個人信息與機構資產的重要性。水兵將接受標準網絡與信號情報風險培訓，包括惡意軟件與釣魚攻擊，強調虛擬通信中的警惕性。

除理論知識外，“2025網絡感知挑戰”計劃通過培訓水兵，建立安全數字操作的制度化實踐。培訓目標聚焦培養人員識別在線活動風險并實施風險緩解措施的能力。例如：指導水兵使用高強度登錄憑證與多重驗證機制，避免在社交媒體披露個人數據；教授美國海軍網絡與系統的最佳操作實踐，通過教育計劃提升網絡安全主動參與度。2015年數據顯示，國防部網絡十個月內遭受約3,000萬次惡意入侵。鑒于美國海軍行動多部署于海外，此類非受控攻擊對國家安全與全球和平構成威脅。隨著海軍網絡在信息戰領域達到高成熟度，對手正致力于利用其漏洞實施間諜活動。圖2展示了“2025網絡感知挑戰”培訓模塊。

由于全球定位系統在室內容易受到干擾和失去覆蓋范圍，因此在全球定位系統缺失的環境中進行可靠導航仍然是自主無人系統面臨的一項挑戰。本研究通過將卷積神經網絡（CNN）與視覺傳感器集成，研究如何在不依賴 GPS 的情況下實現實時姿態估計，從而解決無人地面車輛（UGV）面臨的這一挑戰。針對位置和航向估算實施了雙 CNN 架構，并在具有相應姿態的大量圖像數據集上進行了訓練。通過與改進的勢場算法集成，實現了周期性漂移估計和校正。其中一個主要貢獻是用于漂移校正的世界表示調整方法，該方法可根據 CNN 估計值動態調整航點位置。利用這種方法，在受控環境中實現了連續多圈的成功導航，大大提高了沒有漂移校正的基線性能。這項研究的結果表明，通過這種方法可以大大降低自主導航系統對全球定位系統的依賴性，從而有可能提高無人系統對電子戰戰術的應變能力，使其能夠在有爭議的環境中持續運行。

美海軍部（DON）無人作戰框架強調了海軍部 “投資于先進自主和無人系統 ”的承諾。隨著這些技術的進步和實施，無人系統對可靠定位能力的依賴程度也在增加。然而，在干擾和欺騙等電子攻擊成為普遍威脅的有爭議環境中，期望全球定位系統（GPS）成為可靠的定位手段變得不那么可行。此外，在室內環境或衛星能見度有限的區域工作時，GPS 的可靠性也會降低。隨著無人駕駛系統的使用日益增多，在 GPS 無法使用或不可靠的情況下，有必要提供替代解決方案。

隨著無人駕駛系統的分布越來越廣，相互連接越來越緊密，GPS 拒絕或欺騙所造成的脆弱性也隨之加劇。定位中的單點故障會產生連鎖效應，降低整個系統的能力并增加風險。因此，為自主輪式無人飛行器探索可靠、精確的導航技術至關重要，這種技術可在 GPS 信號被屏蔽的環境中有效運行，確保無人駕駛行動在有爭議的復雜場景中繼續取得成功。

這項研究旨在為在室內環境或 GPS 信號不可靠或不可用的地區運行的無人潛航器開發一種穩健的導航解決方案。該方法將利用兩個主要來源的數據：車輪編碼器和視覺傳感器。車輪編碼器數據將使用死算模型進行處理，而 CNN 將用于分析視覺傳感器數據。通過將這些技術相結合，該系統將實現無需 GPS 的同步自主導航。這種方法的一個關鍵方面是實時激活 CNN，CNN 可以解釋環境的獨特特征，并相應地引導 UGV。

這項研究的范圍包括利用深度學習技術為 UGV 開發無 GPS 定位和導航解決方案。將通過 P3-DX Pioneer 機器人系統在室內實驗室環境中使用模擬 UGV 進行廣泛的驗證和測試。不過，某些領域被認為不屬于本研究的范圍。其中包括路徑規劃算法的開發，因為車輛將使用現有的反應式自主方法。此外，除視覺數據外，也不會考慮探索其他傳感器模式。研究重點將不是在有移動障礙物的高動態環境中進行導航。預計面臨的主要技術挑戰是優化計算時間以實現實時性能、減少長時間漂移以及在激烈機動過程中保持定位精度。在項目限制條件下，將盡可能利用和調整現有技術和算法，以最大限度地提高魯棒性。

本論文共分五章，每一章都側重于研究的一個特定方面。第 2 章：“背景 ”通過介紹和解釋與論文工作相關的基本概念，為研究奠定了基礎。本章包括對該領域現有文獻的全面回顧，重點介紹了當前的技術，并指出了本研究要解決的差距。

第 3 章：“方法與實驗設計 ”介紹了論文工作中采用的方法和手段。它詳細描述了實驗中使用的硬件組件和實施的具體算法。本章還討論了實驗設置、數據收集過程以及用于評估所提解決方案性能的評價指標。

第 4 章：“結果與分析 ”主要評估本研究中開發的 CNN 的性能。本章介紹了獲得的實驗結果，并對結果進行了深入分析。本章還包括圖表等可視化內容，以支持對結果的解釋。本章討論了所提方法的優勢和局限性，并將結果與文獻中的現有方法進行了比較。

第 5 章：“結論與未來工作 ”總結了論文研究的主要發現和貢獻。本章強調了這項工作的意義及其對自主導航和定位領域的潛在影響。此外，本章還確定了未來的研究領域，并為進一步改進和擴展所提出的方法提供了建議。

最后，為簡潔起見，“UGV ”和 “機器人 ”這兩個術語在本論文中交替使用。

圖 3.8. 增強型數據存儲過程的可視化表示，這是 CNN 訓練的準備階段。這既減少了圖像所需的存儲空間，又為 CNN 訓練過程保持了適當的預期輸出響應。

無人水面艦艇（USV）通常依靠全球定位系統（GPS）和射頻（RF）通信進行導航和多車協調。在戰時環境中，全球定位系統和無線電信號屏蔽對 USV 的有效導航和控制提出了挑戰。本論文研究了使用低成本人工智能（AI）立體相機作為傳感器，實現 USV 的無 GPS 和 RF 導航與協調。這些相機還可用于對水面船只進行分類和定位。我們使用安裝在多艘 Mokai USV 上的 OAK-D AI 攝像機進行了實驗。對神經網絡 (NN) 模型進行了訓練，以識別兩個對象類別：Mokai USV 和其他船只。利用開源 Python 庫，該模型被直接加載到攝像頭上，并集成到機器人操作系統 (ROS) 軟件中，以提取檢測到的物體的相對姿態信息。為了分析該模型的有效性，我們在未見過的視頻上以及使用 Mokai USV 和其他水面艦艇進行的現場實驗中對 NN 進行了測試。將攝像機估計的物體定位與在實驗室環境中通過物理驗證收集的物體地面實況位置進行了比較。最后，還探討了特定相機硬件和立體視覺在此應用中的局限性，以評估其進一步開發的可行性。

本研究探討了政府和國防機構的情報搜索人員所面臨的數據超載問題。研究利用認知系統工程（CSE）文獻中的方法，對情報搜索工作領域進行深入分析。這些見解被應用于設計和評估專門用于情報搜索任務的人類-人工智能智能體團隊的支持概念和要求。領域分析揭示了 “價值結構 ”的動態性質，“價值結構 ”是一個術語，用于描述管理情報搜索過程的不斷變化的標準集。此外，領域洞察力還提供了搜索聚合和概念空間的詳細信息，可將價值結構有效地應用于情報搜索。利用這些發現的支持系統設計可以使情報搜索者在更抽象的層次上與數據互動并理解數據，從而提高任務效率。此外，新的系統設計還可以通過相關的系統提示，促進對大型數據域中未被選擇對象的 “環境感知”，從而為搜索者提供支持。通過支持概念和人工智能團隊實現的 “環境感知 ”有可能解決數據超載問題，同時提高搜索覆蓋范圍的廣度和深度。

圖 4. FAN 領域模型。為了強調整個 FAN 的抽象功能結構和目標互動，圖中模糊了流程塊的細節。詳細的智能搜索功能模型見補充材料圖 S1。

政府和國防機構的情報搜索人員面臨著越來越多的數據和文件，他們需要從中查找或 “發現 ”信息，以獲得支持明智決策的見解。這種情況被稱為數據超載問題，即個人在系統或其他代理的幫助下，難以選擇、組合或綜合所需的數據子集，以完成需要在更大的數據領域進行態勢評估的任務[1]。在這種情況下，情報搜索人員與同事一起利用搜索工具，協同努力從幾乎無限的可用于任務的文件中查找、收集和評估文件，以完成為情報目標提供信息的任務。具體地說，數據超載妨礙了搜索人員識別數據子集的能力，而這些數據子集能提供足夠的細節來滿足情報目標，這對行動任務的完成至關重要。

用于一般情報搜索任務的系統可能會導致數據超載癥狀。具體來說，情報搜索工具會表現出與 “鎖孔脆性”[2] 概念有關的缺陷。這里所說的 “鎖孔 ”是指縮小呈現數據的范圍，將剩余數據分配到更多的隱藏屏幕上。這種呈現方式要求研究人員手動瀏覽和綜合來自多個數據屏幕的信息，以了解搜索的效用。同時，這些現有工具的脆性與它們支持從情報搜索工作領域的數據中提取意義的潛力有關。因此，“脆性 ”產生于搜索工具對信息的狹隘表述。對于需要從大量數據中提取意義的復雜任務來說，這種局限性導致了效率的下降，而這些數據又超出了給定系統的表述范圍。此外，由于情報搜索工作和信息領域的結構復雜，無法充分捕捉和傳達，妨礙了對支持行動所需的信息的理解和管理。這就導致效率低下，搜索人員往往會錯過有價值的見解和與目標相關的數據，同時還要花費更多的時間瀏覽各個屏幕來完成任務。

情報工作領域的搜索所面臨的這些廣泛挑戰構成了本研究要探究的問題，圖 1 的頂部對此進行了總結。圖 1 中還列出了應對這些挑戰常用的術語和縮略語，作為本研究的路線圖。