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

本文研究了利用同時探測原理的無人飛行器群進行自主監控的模型。該模型可指定探測感興趣區域內感興趣物體所需的傳感器數量；只有指定數量的傳感器同時掃描，才能探測到物體。該模型計劃在監控行動期間部署蜂群中的單個車輛，以保證監控的最高質量；質量以行動期間所覆蓋的感興趣區域的百分比來衡量。此外，假設監控是在復雜的行動區域（包括城市環境、建筑密集區或地形非常不平坦的山區環境）進行的，在這些區域可能會經常出現由障礙物或地形造成的遮擋。為解決問題，提出了基于模擬退火的元啟發式算法。該算法部署了一定數量的航點，從這些航點進行監控，最大限度地提高監控質量，并考慮到同步檢測原則。該算法通過一組基于典型監控場景的實驗進行了驗證。

當代武裝沖突不同于二十多年前的武裝沖突。當代武裝沖突的最大特點之一是戰場局勢多變，來自不同來源的信息不計其數，可靠性也各不相同。此外，當代大多數行動都是在特定環境下進行的，如城市和集結區（西伯利亞、烏克蘭）等，這大大限制了普通的偵察和監視方式。這種環境需要新的方法來收集和處理所有必要信息，以支持軍事決策過程（營級及以上）或部隊領導程序（連級及以下）。

指揮官決策的關鍵步驟之一是監視。可以說，監視是一個持續的過程，始于計劃和決策過程。它為指揮官的決策提供關鍵信息。通常，偵察工作由部署在敵區縱深的特別小組進行。顯然，部署這樣一個或多個小組對他們的訓練和準備要求很高。此外，來自這些小組的信息流是延遲的，而且不必精確，這可能會對任務產生巨大影響。在當代行動中，無人駕駛飛行器（UAV）等新技術被用于收集幾乎在線的信息，為指揮官的決策提供支持。無人飛行器的使用對決策的速度和質量產生了巨大影響。此外，這種信息收集方式還能節省人力資源。有關這一問題的更多信息可參見文獻 [1-7]。

本文提出了使用小型無人機群（sUAV）進行自主監控的模型。目標是通過無人機群中的傳感器覆蓋盡可能大的感興趣區域。每架無人機都部署在行動區的準確位置（航點），監控感興趣區域的一部分。該模型還允許在需要多個傳感器檢測某些感興趣物體的情況下使用（進一步稱為同步檢測）。此外，假設監控是在復雜的行動區（包括城市環境、建筑密集區或地形非常不平坦的山區環境）中進行，障礙物或地形造成的遮擋可能會經常發生。

無數科學著作都在關注如何將無人機群用于多種目的。要解決無人機群進行偵察或監視等復雜問題，有幾個課題非常重要。此類任務的路徑規劃是關鍵問題之一。Yao 等人[8]提出了一種基于 Lyapunov 導向矢量場（LGVF）和改進干擾流體動力學系統（IIFDS）的混合方法，以解決多架無人機三維合作路徑規劃中的目標跟蹤和避障問題。Lamont 等人[9]設計并實現了無人機群的綜合任務規劃系統。該系統集成了多個問題領域，包括路徑規劃、飛行器路由和基于分層架構的蜂群行為。Shanmugavel 等人[10] 研究了同時到達目標的路徑規劃問題。

與無人飛行器有關的另一個關鍵問題是其可靠性和故障保護。軍事指揮官必須做好在任何意外情況下完成任務的準備。使用無人機群執行監視任務是一個非常重要的問題，關系到關鍵信息的精確收集。目前還沒有專門針對這一主題的科學著作，但有幾篇有趣的論文值得考慮。Triharminto 等人[11] 開發了一種三維移動目標攔截避障算法。該算法被稱為 L+Dumo 算法，整合了改進的杜賓斯算法和線性算法。可以對這種方法進行修改，以減少無人機無法完成監視任務的影響。Sampedro 等人[12]重點研究了可擴展的靈活架構，用于無人機群的實時任務規劃和智能體到任務的動態分配。所提出的任務規劃架構包括一個全局任務規劃器（GMP），負責通過一個智能體任務規劃器（AMP）分配和監控不同的高級任務，而智能體任務規劃器則負責向蜂群中的每個無人機提供和監控任務中的每個任務。Sujit 等人[13] 解決了在由靜態、彈出式和移動式障礙物組成的障礙物豐富環境中運行的多架無人機從給定起始位置到目標配置生成可行路徑的問題。彈出式和移動式障礙物環境中的路徑規劃系統為解決無人機群在復雜環境（包括建筑密集區或山區地形）中執行監視任務時出現的故障提供了靈感。

本研究為基于人工智能的復雜作戰系統的運行和開發建立了 MUM-T 概念和分類系統。分析了該系統的核心方面：自主性、互操作性和程序級別。人工智能 MUM-T 可提高有人駕駛系統的生存能力、擴大其作戰范圍并提高戰斗力。利用美國和英國正在建造的人工智能 MUM-T 綜合作戰系統的數據，分析了技術挑戰和項目水平。目前，MUM-T 處于有人駕駛平臺和無人駕駛飛行器平臺復合運行的水平。從中長期來看，無人地面飛行器、無人水面飛行器和無人水下飛行器等異構平臺之間的互操作通信是可能的。根據人工智能 MUM-T 系統之間互操作性的通用架構和標準協議的發展水平，MUM-T 可以從 "1 到 N "的概念發展到從 "N 到 N "的各種操作概念組合。本研究與現有研究的不同之處在于，MUM-T 系統中體現了第四次工業革命的核心技術，如人工智能、自動駕駛和數據互操作性。此外，通過在現有的無人系統分類法中體現人工智能和自主性，建立了人工智能支持的自主 MUM-T 操作和設施分類系統，并在此基礎上對級別和程序進行了分析。

本研究確立了有人無人協同作戰（MUM-T）的概念，目的是操作、開發和利用智能聯合作戰系統。此外，它還分析了互操作性、自主性、挑戰和計劃水平。人工智能支持的自主無人 MUM-T 提高了有人系統的生存能力，擴大了作戰范圍，并顯著提高了作戰效率。與以往不同的是，MUM-T 的概念正隨著人工智能的發展而不斷擴展，互操作性和自主性也在相應提高。美國和北大西洋公約組織（NATO）國家提出了未來防御領域的挑戰，并在無人系統（UMS）和 MUMT 層面開展了解決這些挑戰的計劃。本研究分析了自主 MUM-T 聯合作戰系統的運行和使用所面臨的技術挑戰和計劃水平，并介紹了基本要素技術。研究方法基于現有定義和第四次工業革命建立了 MUM-T 概念。并利用北約、美國和英國的數據分析了互操作性、自主性、挑戰以及技術和利用方面的計劃水平。

圖 2 基于 NIST 和北約分類標準的人工智能自主 MUM-T 系統分析

美國防部（DoD）對 MUM-T 的定義各不相同。美國 陸軍無人機系統卓越中心（UAUCE）將有人駕駛平臺和無人機視為單一系統。有人系統和無人系統（如機器人、傳感器、無人飛行器和作戰人員）的集成增強了態勢感知、殺傷力和生存能力[1]。國防部將這種關系視為執行共同任務的綜合團隊，美國陸軍航空卓越中心（UAACE）將其定義為同時操作士兵、無人機和無人地面飛行器（UGV），以提高對態勢的了解和生存能力[2]。它采用了標準化的系統架構和通信協議，使來自傳感器的精確圖像數據能夠在整個部隊中共享。目前，它在國防領域的應用最為廣泛。陸軍航空動力局（AFDD 2015）將其定義為：為每個系統提供特殊功能，使現有有人平臺和無人資產能夠合作完成同一任務。這是一種規避風險的方法，通過從空中、陸地和海上無人系統向有人資產傳輸實時信息，提高單兵作戰人員的態勢感知能力[3]。圖 1 是戰場上 MUM-T 系統的層次示意圖。

在世界經濟論壇（WEF）議程的第四次工業革命（Fourth IR）之后，數字化（I2D2）作為一項核心技術被提出。這些技術在未來科學中具有自主、分析、通信和邊緣計算的特點。該技術的特征組合構成了自主系統和智能體（智能+分布式）、擴展領域（互聯+分布式）、作戰網絡（互聯+數字化）、精確作戰領域（智能+數字化）。智能人工智能將改變戰爭的格局，而數字數據的可用性將使分布式和互聯（自主）系統能夠進行分析、適應和響應。這些變化反過來又可能通過預測分析支持更好的決策。

北約（2020 年）以第四次工業革命的核心技術特征及其組合為導向，構建復雜的作戰系統[4-6]。美國國防發展機構（ADD 2018）認為，MUM-T 復雜系統是一種無人作戰系統，可以補充或替代作戰人員的能力，以最大限度地提高作戰效率，最大限度地減少戰場情況下的人員傷亡。它被定義為以一種復雜的方式操作包括戰斗人員在內的有人作戰系統的作戰系統[7]。考慮到美國國防部（2010）、北約（2020）和 ADD（2018）的定義，人工智能支持的自主 MUM-T 復雜作戰系統（以下簡稱 "自主 MUM-T"）和 OODA 循環如表 1 所示[1，5，7]。本研究所指的 MUM-T 復合作戰系統通過聯合指揮與控制，在空中、地面、海上、太空、網絡和戰爭等所有領域提供觀察、分析和控制，可通過整合/連接所有軍事力量的有人和無人系統進行操作。它被定義為 "根據決策和行動執行聯合行動的作戰系統"。

圖 3 北約 STANAG LOI 5 和自主邊緣計算 MUM-T 互操作水平設計

本文探討了在實際戰場場景中增強態勢感知的聯合通信和傳感技術。特別是，提出了一種空中可重構智能表面（ARIS）輔助綜合傳感與通信（ISAC）系統，該系統由單個接入點（AP）、ARIS、多個用戶和一個傳感目標組成。通過深度強化學習（DRL），在信號干擾比（SINR）約束條件下聯合優化了接入點的發射波束成形、RIS 相移和 ARIS 的軌跡。數值結果表明，通過抑制自干擾和雜波回波信號或優化 RIS 相移，所提出的技術優于傳統的基準方案。

隨著設備種類的增加，戰場環境變得更加復雜多變，對先進無線傳感與通信技術的需求也在不斷增加。最近，綜合傳感與通信（ISAC）被認為是未來使用毫米波（mmWave）等高頻段無線網絡的一項有前途的技術[1]。特別是，由于雷達傳感和無線通信共享相同的頻譜和硬件設施，ISAC 有可能提高戰場上的整體作戰效率[2]。

ISAC 下行鏈路系統的整體流程一般是由接入點（AP）向用戶發射 ISAC 信號，并處理目標反射的回波信號。然而，由于鏈路的主要視距（LoS）信道特性，軍事場景中的 ISAC 無法避免被各種障礙物（如山脈）阻擋的問題，并隨著通信距離的增加而造成嚴重的路徑損耗[3]。為了克服 LoS 信道的物理限制，可重構智能表面（RIS）作為一種關鍵技術應運而生，它通過調整相移來重新配置信號傳播，從而擴大目標探測和通信范圍[4]，[5]。作者在文獻[5]中提出了 RIS 輔助單目標多用戶 ISAC 系統中的聯合發射和接收波束成形技術。然而，在接入點和地面節點之間部署地面 RIS 在動態戰場環境中提供足夠的服務質量（QoS）方面存在局限性。另一方面，將 RIS 安裝在無人飛行器（UAV）上的空中 RIS（ARIS）可利用移動性在動態戰場環境中提供更有效的感知和通信性能[6]。文獻[7]考慮了由 ARIS 輔助的 ISAC 系統，以重新配置傳播環境，靈活對抗惡意干擾。

之前的研究[6]、[7]中針對傳感或通信網絡的 ARIS 系統的解決方案大多是通過凸優化提供的，無法快速應用于戰場場景。深度強化學習（DRL）方法因其在通過深度神經網絡與環境交互的同時制定策略的優勢，已被積極采用，作為傳統優化方法的替代方案。在 DRL 算法中，眾所周知，深度確定性策略梯度（DDPG）在連續行動空間（如 ARIS 軌跡）中收斂和運行良好[8]。文獻[9]的作者提出了一種基于 DRL 的 ARIS 軌跡設計，用于與車輛進行通信和定位。然而，從實際角度來看，當 AP 工作在全雙工模式時，自干擾問題 [10] 不可忽視，而且還需要一種抑制雜波回波信號的方法 [3]。

這項工作的重點是軍事場景中基于 DRL 的 ARIS 輔助 ISAC 系統，其中多天線 AP 為地面用戶提供服務并探測目標。我們的目標是通過聯合優化發射波束成形、RIS 相移和 ARIS 軌跡，使目標定位的 Cramer-Rao 約束（CRB）[11] 最小化。此外，為了應對自干擾和雜波回波信號帶來的挑戰，我們采用了一種基于無效空間投影（NSP）的接收波束成形方案[12]來抑制這些信號。為了應對所提問題的非凸性，我們提出了一種基于 DDPG 的算法，在與環境交互的同時尋找最優策略。通過模擬驗證，所提出的方法優于其他基準方法，如固定 RIS 相移或不應用基于 NSP 的接收波束成形方案。

本文的其余部分安排如下： 第二節介紹系統模型，包括 ARIS 輔助 ISAC 系統的信道、通信和雷達傳感模型。第三節介紹了所提出的基于 DRL 的算法，該算法旨在最小化整個系統的 CRB。第四節展示了數值結果，第五節為本文的結論。

創建新的空戰戰術和發現新穎的演習可能需要專家飛行員花費大量時間。此外，對于每個不同的戰斗場景，相同的策略可能無法奏效，因為設備性能的微小變化可能會極大地改變空戰結果。為此，我們創建了一個強化學習環境，以幫助研究超視距（BVR）空戰領域的潛在空戰戰術：BVR Gym。這類空戰非常重要，因為遠程導彈往往是空戰中首先使用的武器。一些現有環境提供了高保真模擬，但要么沒有開源，要么不適合 BVR 空戰領域。其他環境雖然開源，但使用的模擬模型精度較低。我們的工作提供了一個基于開源飛行動力學模擬器 JSBSim 的高保真環境，并適用于 BVR 空中格斗領域。本文介紹了該環境的構建模塊和一些使用案例。

這項工作研究了在任務式指揮設備中嵌入模擬器的實用性和有效性。其目標是僅使用戰區作戰計劃作為模擬輸入，向操作員隱藏所有模擬器細節，使其無需學習新工具。本文討論了一種原型功能，該功能可根據 SitaWare 中生成的作戰計劃以及嵌入式無頭 MTWS 和 OneSAF 模擬器的模擬結果，生成行動方案（COA）分析。在輸入作戰計劃后，指揮官選擇要執行的模擬運行次數，并按下按鈕啟動模擬，模擬在后臺的運行速度比實時運行更快。模擬運行完成后，指揮官可通過圖形和圖表查看結果，對多次運行進行比較。預計未來的能力將允許指揮官模擬任何梯隊和命令，用于訓練和兵棋推演。

在空戰中，斗狗提出了錯綜復雜的挑戰，需要同時了解戰略機動和敏捷戰斗機的空中動態。在本文中，我們介紹了一種新穎的長短時間融合變換器 TempFuser，該變換器旨在學習空中斗狗中的戰術和敏捷飛行動作。我們的方法采用兩種不同的基于 LSTM 的輸入嵌入來編碼長期稀疏和短期密集狀態表征。通過變壓器編碼器對這些嵌入進行整合，我們的模型捕捉到了戰斗機的戰術和靈活性，使其能夠生成端到端的飛行指令，從而確保優勢位置并超越對手。在高保真飛行模擬器中與各種類型的對手飛機進行廣泛訓練后，我們的模型成功地學會了執行復雜的戰斗機機動動作，性能始終優于幾個基線模型。值得注意的是，我們的模型即使在面對具有超強規格的對手時，也能表現出類似人類的戰略機動能力，而這一切都無需依賴明確的先驗知識。此外，它還在極具挑戰性的超音速和低空環境中表現出強大的追擊性能。演示視頻請訪問 //sites.google.com/view/tempfuser。

圖 8：評估結果。(A): 針對對手的歸一化傷害率的學習曲線。(B): 與對手交戰的結果（左：F-15E，中：F-16，右：蘇-27）。圖中顯示了本機（藍色）和對手（紅色）從開始到獲勝時刻的三維飛行和水平投影軌跡。(C): 與高規格飛機（蘇-30）對抗時學習到的機外戰術機動的量化結果。(D): 與 F/A-18A 對手進行近音速對抗的量化結果。所有駕駛艙和外部視圖均由 Tacview [36] 可視化。

在空中斗狗中學習戰術和敏捷飛行機動

空對空作戰是操縱戰斗機智能體到達瞄準對手位置的戰術藝術。它也被稱為 "斗狗"，因為在大多數情況下，每架戰斗機都會在短距離戰斗中追擊對方的機尾。

要想成功地進行斗狗，智能體需要從長期和短期角度出發，將態勢感知、戰略規劃和機動性能結合起來。

首先，智能體要通過了解對手的長期軌跡來規劃自己的戰術位置。天真地追逐對手的近期位置可能會帶來暫時的優勢，但最終會使自己在日后處于弱勢地位。因此，智能體應不斷評估對手的長期操縱，對其行動做出反應，并對自己進行戰略定位，以獲得對對手的優勢。

其次，智能體需要具備從短期動力學角度理解飛機敏捷機動性的能力。現代戰斗機具有很高的機動性，能夠迅速改變方向和速度，從而使交戰情況迅速發生變化。因此，為了在與對手的交戰中保持優勢地位，智能體應及時從動態角度把握對手的敏捷動作和自身的潛在機動。

長時短時融合變換器（TempFuser）

長短期時態融合變換器（或稱 TempFuser）是一種網絡架構，專為空中激戰中的策略模型而設計。該架構使用基于 LSTM 的輸入嵌入和變換器編碼器。它處理兩種類型的狀態軌跡：代表機動級狀態轉換的長期時間軌跡和表示動態級狀態轉換的短期時間軌跡。每種軌跡都使用基于 LSTM 的管道進行嵌入，然后通過變換器編碼器進行整合。隨后，使用多層感知器（MLP）模塊和高斯策略架構將編碼器輸出轉換為飛行指令。

使用數字戰斗模擬器（DCS）的高保真環境

在數字戰斗模擬器（DCS）中使用深度強化學習（DRL）解決空中狗斗問題，DCS 被認為是最真實、最逼真的戰斗機模擬環境之一。DCS 提供了一個獨特的平臺，可以配置各種高質量的飛機和空中場景。我們將斗犬問題表述為一個強化學習框架，并設計了一個可以學習戰略性斗犬演習的獎勵函數。

我們用各種對手飛機（如 F-15E、F-16、F/A-18A 和 Su-27）對我們的網絡進行了廣泛的訓練和驗證。結果表明，TempFuser 能夠以端到端的方式學習具有挑戰性的飛行動作，并在性能上優于各種對手飛機，包括那些具有卓越規格的飛機。此外，它還在低空和 1 馬赫以上的高速飛行場景中表現出強大的追擊性能。

在tempfuser為基礎的空中斗狗在DCS模擬器的快照。

不同類型的飛機為對手:F- 15e, F/A-18A, F-16，蘇-30，蘇-27。

學習飛行行為（基本飛行動作）

圖：與F-15E交戰

圖：飛行軌跡與水平投影

圖：與F-16交戰

圖：飛行軌跡與水平投影

圖：與蘇-27交戰

圖：飛行軌跡與水平投影

學習飛行行為(戰術飛行動作)

圖：對蘇-30對手的定量結果

學習的飛行行為(超音速魯棒追蹤)

圖：對F/A-18A對手的定量結果

本文所介紹的研究得到了德國聯邦國防軍裝備、信息技術和在役支持辦公室 (BAAINBw) 的支持。

有人無人編隊是提高民用和軍事行動效率的一個關鍵方面。本文概述了一個為期四年的項目，該項目旨在開發和評估有人-無人編隊飛行的方法。編隊飛行場景是針對執行近距離編隊飛行的有人和無人駕駛旋翼機量身定制的。本文介紹了使用案例和測試方法。開發了兩種編隊飛行算法，并對照基于航點的預編程基線進行了評估。評估是在由不同飛行員參與的模擬器活動和由一名評估飛行員參與的飛行測試活動中進行的。在最后的飛行測試活動中，首次實現了有人駕駛和無人駕駛直升機之間的耦合近距離編隊飛行。最后，本文包含了飛行測試和模擬器測試的結果。

人機編隊飛行

在德國航天中心 MUM-T 研究期間，對三種一般編隊策略進行了調查。

第一種方法在評估過程中被用作基線。這種方法被稱為航點模式，假定有人駕駛直升機的機組人員通過基于航點的界面指揮無人機的移動。這種基于航點的導航是無人直升機最先進的能力。由于耗時和可能的輸入錯誤，飛行任務需要大量的準備時間。由于缺乏靈活性，無人直升機被認為是編隊的領導者。因此，載人直升機跟隨無人機的飛行模式并保持編隊，同時監控空間間隔以避免碰撞。在這種模式下，載人直升機可以隨時離開編隊，但只要編隊還在，就必須監控兩架飛機之間的距離。通過引入最小距離或半徑（稱為安全半徑）來確保飛行安全。圖 1 給出了簡要概述。

請注意，編隊的領隊是確定飛行速度或方向等飛行參數的飛機。在 DLR MUM-T 飛行測試活動中，出于安全考慮，無人機始終位于載人直升機之前。

第二種基于相對導航的方法在下文中稱為 RelNav。在這種模式下，無人機使用控制器保持與載人直升機的相對位置。有關編隊飛行控制模式的詳細介紹，請參閱參考文獻[21]。[21]. 在該模式下，無人直升機與有人駕駛直升機直接耦合，無人機跟隨有人駕駛直升機飛行，不執行任何規定任務。在 RelNav 模式下，有人駕駛直升機指揮編隊，無人機保持相對位置。此外，還在有人駕駛直升機前方劃定了一個安全區域，從駕駛艙可以目視到無人直升機，以提高飛行安全性。在圖 2 中，該區域顯示為允許區域，而最小距離則表示為安全半徑。

第三種方法旨在將 RelNav 模式中任務期間改變飛行路線的靈活性與航點模式中載人直升機不直接耦合運動相結合。這種模式被命名為 "走廊模式"，因為它的主要特征是 "走廊"。走廊是一種類似航點的任務，具有規定的速度和轉彎，但使用的不是規定的航點位置，而是允許的無障礙區域。在 "走廊 "模式下，無人飛行器會沿著走廊飛行，但如果違反了規定的邊界，則會發出額外的速度指令。這些邊界可以是最大或最小距離，也可以是相對于載人直升機的某個方向。在這種模式下，無人機能夠對載人直升機的行為做出反應，但對細微的航向或速度變化不太敏感。無人機在走廊模式下的行為可分為兩種不同情況。首先，在標稱行為中，無人機完全處于走廊的邊界內。因此，無人飛行器是按照規定的走廊飛行。邊界上有預定義的緩沖區，為防止違反邊界，會對無人飛行器發出速度指令。無人機在接近允許區域的邊界或允許走廊的邊界時會改變行為。在這兩種情況下，如果同時到達兩個邊界，就會產生一個速度指令，以防止違反邊界；詳細計算可參見參考文獻[21]。[21]。 如果違反了允許走廊的邊界，無人飛行器應切換到 RelNav 模式。或者，如果走廊和載人直升機的允許區域都被侵犯，無人機應切換到航點模式。圖 3 是走廊模式的示意圖。

為確保飛行安全，該項目還開發了另一種應急模式，該模式被命名為 "脫離模式"。在任何 MUMT 編隊飛行中，該子模式始終可用。如果違反了安全關鍵邊界或出現技術缺陷，就會啟用該模式。該模式將兩架飛機分離，并觸發無人機的預定義行為。載人直升機的脫離行為被定義為 90° 轉身離開無人機并爬升約 150 英尺。

引入的 MUM-T 模式具有不同的自動化程度。不過，要實現安全的 MUM-T 編隊飛行，必須執行幾項共同任務。它們是：

領導編隊：一架飛機（稱為領隊）確定編隊參數（如速度、高度或航跡）。

避免碰撞：這項任務要求監控飛機之間的距離，并對任何違反安全規定的情況做出反應。

保持編隊：監控編隊領隊位置并保持相對位置不變是保持編隊的任務。

本文通過機器學習方法提出了一種雷達任務選擇的主動方法，并將其設計在雷達調度流程之前，以提高雷達資源管理過程中的性能和效率。該方法由兩個過程組成：任務選擇過程和任務調度過程，其中任務選擇過程利用強化學習能力來探索和確定每個雷達任務的隱藏重要性。在雷達任務不堪重負的情況下（即雷達調度器超負荷工作），將主動選擇重要性較高的任務，直到任務執行的時間窗口被占滿，剩余的任務將被放棄。這樣就能保證保留潛在的最重要任務，從而有效減少后續調度過程中的總時間消耗，同時使任務調度的全局成本最小化。本文對所提出的方法進行了數值評估，并將任務丟棄率和調度成本分別與單獨使用最早開始時間（EST）、最早截止時間（ED）和隨機偏移開始時間EST（RSST-EST）調度算法進行了比較。結果表明，與EST、ED和RSST-EST相比，本科學報告中提出的方法分別將任務丟棄率降低了7.9%、6.9%和4.2%，還將調度成本降低了7.8倍（EST為7.8倍）、7.5倍（ED為7.5倍）和2.6倍（RSST-EST為2.6倍）。使用我們的計算環境，即使在超負荷的情況下，擬議方法所消耗的時間也小于 25 毫秒。因此，它被認為是提高雷達資源管理性能的一種高效實用的解決方案。

雷達資源管理（RRM）對于優化作為飛機、艦船和陸地平臺主要傳感器的現代相控陣雷達的性能至關重要。報告》討論了雷達資源管理，包括任務選擇和任務調度。該課題對國防科技（S&T）非常重要，因為它與現代相控陣雷達的大多數應用相關。它對當前的海軍雷達項目尤為重要，該項目探索了雷達波束控制的人工智能（AI）/機器學習（ML）方法。所提出的算法有可能升級未來的艦船雷達，從而做出更好的決策并提高性能。

在現代空戰中，超視距（BVR）交戰越來越頻繁。飛行員面臨的主要挑戰之一是機動計劃，這反映了他們的決策能力，并能決定成敗。為確保采用虛擬BVR空戰模擬的飛行員訓練取得成功，計算機生成部隊（CGF）的高精度水平至關重要。要實現這一目標，不僅要充分復制和模擬實體的物理特性，還要使其具有接近人類的行為。在本文中，我們提出了應對這些挑戰的總體概念： 首先，我們引入飛行運動動態模型（飛機、導彈、箔條）以及干擾器。然后，我們分析典型的超視距空戰的工作流程，將其分為攻擊、自衛和決定。在此背景下，我們引入行為樹作為這些任務的建模方法，并解釋其優點。進一步的計劃包括在未來由人類控制的對手飛機（飛行員）與CGF對飛的實驗活動中驗證和確認CGF的行為。最后，我們對未來的工作進行了展望，我們打算在包含多個自由度的任務中采用強化學習。

這項工作提出了一個在歐盟項目FOLDOUT中開發的融合和跟蹤系統，旨在通過融合不同的傳感器信息和提出對監視區域內檢測到的目標自動跟蹤來促進邊防工作。FOLDOUT的重點是歐盟內部和外部地區的穿透式樹葉檢測。融合多個傳感器信號可以提高檢測的有效性，特別是在森林和其他被樹葉遮擋的地區。我們使用加權地圖（也稱為熱圖）來結合多傳感器信息；對所產生的融合目標進行跟蹤；根據對融合檢測的時間關聯的成本計算來創建或更新跟蹤。我們比較了來自單個傳感器的跟蹤結果和來自融合目標的跟蹤結果，這些數據是在模擬邊界收集的，代表了保加利亞的實際歐盟邊界。結果表明，如果根據融合后的數據而不是單個傳感器的信息進行追蹤，追蹤效果會得到加強。

檢測與跟蹤方法

邊防軍的主要興趣是在全球地圖上對監視區域內檢測到的人員進行定位和跟蹤。為了實現這一目標，首先要將不同傳感器系統觀察到的單個人的探測結果進行融合。當檢測結果相互關聯并保持一致時，就可以在一個共同的地圖上對單獨的目標進行跟蹤。

圖2：指導動作（紅線），扮演一個非法越境的場景：1.一個人通過步行越過邊境。2.該人沿著邊境小路向大路走去。3.此人停下腳步，在路上停留很長時間（可能是在等待汽車中的走私者）。4.在某一時刻離開道路，躲進樹叢中。5. 在樹葉中，該人再次回到路上（可能再次尋找汽車）

A.單傳感器檢測

RGB和熱像儀中的人員檢測

基于深度學習的綜合物體檢測被應用于相機圖像上。深度學習方法已被證明優于以前的最先進的機器學習技術。深度神經網絡（DNNs）模仿了大腦感知和處理信息的方式。與以前的方法相比，DNNs學習了諸如人物檢測等任務所需的特征。近年來，DNN在物體檢測和分類任務上表現出突出的性能[9, 10]。在這項工作中，物體檢測是基于一個著名的DNN實現，即YOLO檢測器[11]。

PIR傳感器中的人員檢測

探測器經過調整，使被動紅外傳感器在PIR周圍7.5米的半徑內觸發人的存在。

B.異質傳感器融合

在這項工作中，我們使用加權地圖來提供傳感器數據的層次（也稱為HeatMaps），并以邏輯和數學的方式組合它們。它的動態是完全使用不同傳感器模式的傳感器檢測假設的事件驅動。這些傳感器假設包括位置（WGS84基準）、時間戳（Unix時間戳）和權重（例如，從傳感器檢測中獲取的信心）。為了實現這一點，有兩個組件是必不可少的：加權分布圖（HeatMaps）；線性意見庫。圖3顯示了這種方法的基本概念。

圖3：融合方法的基本概念（左），作為使用兩個加權分布圖（熱力圖）的例子。應用不同的衰減函數（右）來建立加權分布圖的時間動態行為。

加權分布圖(熱圖)

加權分布圖是我們數據融合方法的兩個基本組成部分中的第一個。加權地圖的基本思想是，保持和更新關于不同傳感器探測假設的時空信息。加權地圖來自于概率占用網格，但以加權的形式解釋傳入的數據。此外，還采用了時間上的衰減來模擬傳感器數據的及時行為。權重被存儲在一個可選擇分辨率的數組中，代表WGS84坐標中感興趣的矩形區域。圖3展示了用于模擬加權分布圖動態行為的可能衰減函數。

通常，加權分布圖對應于任何一種傳感器數據或傳感器模式（例如，從攝像機圖像中檢測人的邊界框）的時空。傳感器數據被攝取到一個專門的加權圖中，這導致加權圖的值根據傳入的傳感器假設的權重而增加（替換）。相對而言，衰減將及時應用到加權分布圖的值矩陣中。每次傳感器假設被攝入分布圖，它將通過重新計算加權分布圖的權重和衰減以前狀態的值來更新。

最后，線性意見庫允許我們結合多個加權分布圖，從而結合多傳感器模式，目的是減少傳感器系統的整體錯誤發現率。

線性意見庫(LOP)

我們融合方法的第二個重要組成部分是線性意見庫[8]。

每當一個加權分布圖的狀態由于新的傳感器檢測假設而被更新時，就會應用LOP。在評估了LOP之后，閾值處理使我們能夠產生警報。為了確定警報的位置，在組合值矩陣中超過閾值的區域使用分割算法（blob檢測）。這些警報是由多個傳感器假設產生的，用于為跟蹤提供必要的輸入數據，這將在下一節中描述。

C.多目標跟蹤

為了跟蹤越境進入禁區或敏感區域的入侵者的行動，我們開發了一種基于空間和時間上關聯目標檢測的成本計算的定制算法。該跟蹤系統的工作原理是完全基于目標的位置和時間戳建立一個模型。

在第一次檢測目標時，該模型以該檢測的位置和時間戳進行初始化。軌跡模型是用以下元組定義的：???? = (????,????,????)。

如果幾個目標檢測同時發生，那么創建的模型模板數量與同時收到的檢測數量相同。后續的檢測被添加到一個給定的軌道模型中，這取決于將檢測添加到軌道中的成本。該成本被定義為傳入的檢測和軌跡候選者之間的距離。

在有多個傳入的檢測和多個軌跡候選者的情況下，已經實施了匈牙利算法[12]，使檢測和軌跡之間的關聯產生最小的成本。