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

模擬環境中的逼真行為是必要的，尤其是在訓練模擬器的空對空戰爭中。與有限狀態機（FSM）等以前的技術相比，有了行為樹這一新框架，行為可以變得更加逼真、模塊化、靈活和可擴展。人工運算符或智能體通常是靜態構建的，這意味著一旦它們以特定方式構建，就不會改變其行為，因此在對它們進行一些練習后，就很容易預測它們的行為。即使是靜態構建的智能體，其行為也會變得非常復雜，它們必須能夠以合作的方式應對環境和其他智能體。利用新的算法和框架，這些智能體及其行為可以不斷學習新的戰術進展，并在不同的可能交戰技術之間進行切換，以挑戰人類操作員。智能體可以變得更智能、更逼真，幫助人類飛行員訓練新的戰術方法。該技術將在未來幫助設計人員看到新的模式，并創建可在多種場景中重復使用的通用行為。

在本論文中，一種名為遺傳算法（GA）和遺傳編程（GP）的人工智能技術將作為一種優化算法，用于搜索解決方案空間，并在名為戰術模擬（TACSI）的模擬環境中演化人工行為。模擬場景是兩個智能體之間的超視距（BVR）搏斗，其中對手使用靜態行為，而學習型智能體將針對靜態行為進行訓練。BVR 場景的設置是兩個智能體以相同的起始位置、高度和武器裝備（即四枚 BVR 導彈）面對面開始。學習智能體必須學習動作空間（即可用動作）和動作的工作原理，然后將其應用到狀態空間（如識別目標和發射導彈）。然后，當一個或一組解決方案滿足要求時，生成的解決方案將在新的場景設置中進行評估和測試，在新的場景設置中，位置、方向和高度都是隨機的。在新的設置中測試智能體，可以分析其適應性。

從結果中可以看出，所有解決方案都有一個缺陷，即過于被動。算法很難設計攻擊序列，但逃離和機動序列卻不難設計。每種行為的模擬測試也表明了這一點，大多數情況下都以平局告終。

第 2 節將介紹 BT 框架的歷史、包含的不同節點類型以及 BT 框架的優缺點。第 3 節將向讀者深入介紹人工智能，并介紹機器學習（Machine Learning），這是一種通過獎勵和將輸入映射到輸出來智能訓練智能體的技術。第 4 節將介紹進化計算（EC）和選擇開發的算法。所選技術稱為遺傳算法和遺傳編程。第 5 節將介紹系統架構、組件以及與 TACSI 的集成。第 6 節將展示四種不同解決方案在斗狗場景中的模擬評估。第 7 節將討論算法、框架和評估。第 8 節將介紹本論文在倫理和道德標準方面的合理性，第 9 節將介紹未來的工作。

數據分發服務（DDS）是一種中間件協議，也是無人系統中內聚通信的主要候選協議。早先工作提出了一種包含 SATCOM 和 WiFi 鏈接的網絡架構。本文通過將 5G 通信與 DDS 集成，擴展了先前研究的網絡架構。在這種集成中，無人飛行器（UAV）的控制被卸載到 5G 網絡上，這不僅確保了無人飛行器的安全運行，還通過提供特定任務的有效載荷數據促進了一系列應用。本研究的目標是利用受控模擬，成功地將無人機連接到 5G 網絡，并分析無人機能否向地面站發送數據。此外，還對系統的延遲和吞吐量進行了分析，并與之前的設置進行了比較。

本文的貢獻如下：

• 探索使用包含 DDS 的多鏈路網絡架構將 5G 網絡集成到無人機控制和向地面控制站發送數據的可行性。

• 在理想和抖動網絡配置下，評估各節點點對點鏈路的吞吐量和延遲性能，以實現可靠和最佳通信。

• 當網絡配置出現抖動和損耗時，評估網絡節點之間同步多流通信的吞吐量和延遲性能。

• 將 5G 網絡架構的網絡性能與早期論文中的網絡架構進行比較和分析。

本文其余各章的內容安排如下： 在第 2 章中，介紹了相關著作的背景、所使用軟件的概述以及相關通信技術的背景。第 3 章介紹了擬議的 5G 網絡架構、仿真參數的選擇和仿真場景。它還討論了如何設置 5G 鏈路。隨后，第 4 章將介紹和討論仿真結果。最后，第 5 章將給出結論和對未來工作的建議。

在一個工作流程中描述并實施了建模和仿真工具，以開發一種模擬船尾的方法，然后模擬這些船尾的合成孔徑雷達（SAR）和紅外（IR）圖像。對幾種不同的海洋環境和模擬遙感平臺進行了參數研究，以生成初步數據集，用于訓練和測試基于神經網絡的船舶尾流探測模型。對幾種不同的模型結構進行了訓練和測試，這些模型結構在對輸入的合成孔徑雷達圖像是否包含持續性船尾進行分類方面具有很高的準確性。研究人員還探索了幾種數據融合模型，以了解不同合成孔徑雷達波段的數據融合如何改進船尾探測，其中一些神經網絡和數據融合模型的組合實現了完美或接近完美的性能。最后，創建并討論了跨多種傳感器模式的多物理場數據融合的未來研究大綱。

圖 2.1： 數據生成過程的多個模擬組件以及它們之間的數據流。

異構多智能體系統為解決農業、軍事、裝配和倉庫自動化等不同領域的復雜問題提供了可能，否則單個智能體是無法解決這些問題的。要有效部署異構多機器人團隊，研究必須解決不同抽象程度的四個問題：任務規劃（是什么）、運動規劃（如何）、任務分配（誰）和調度（何時）。這些問題高度相互依存，先前的工作已經證明，利用這些問題的單個解決方案之間的協同作用的系統可以提高多機器人協調的效率和效益。

本文研究了在多智能體組隊應用中使用基于特質的模型來表示單個智能體，以及如何利用基于特質的建模來實現更穩健、更高效的多智能體聯盟組建解決方案。具體來說，我們研究了如何在聯盟組建算法中使用這些技術來回答任務分配、調度、運動規劃和任務規劃這四個問題。

我們的研究表明，利用基于機器人和任務特質建模的算法可以在異構多機器人團隊中實現高效的協調，并且在時間進度、分配質量和計算效率方面優于現有方法。本論文的貢獻如下：

• 創建一個建模框架，使現代任務分配算法能夠推理動態特征。通過使用基于轉換的建模框架，我們創建了對以往基于特質的建模技術的擴展，以更好地推理智能體的特質如何隨時間變化。

• 為異構多機器人系統開發基于時間擴展特質的任務分配和路徑規劃統一框架。我們引入了一種基于搜索的方法，用于基于特質的時間擴展任務分配和運動規劃，命名為增量任務分配圖搜索（ITAGS）。

• 整合任務規劃、任務分配、調度和運動規劃的新型多機器人協調問題的形式化和解決方案。我們形式化了一類新的多機器人協調問題，該問題融合了這些問題中的每一個，并提出了一種解決方案（圖形遞歸同步任務分配、規劃和調度（GRSTAPS））。

• 為 ITAGS 的動態變體創建框架，該變體能夠進行基于特征的任務分配修復： 我們對 ITAGS 進行了擴展，使用基于特質的動態時間擴展任務分配算法，如果智能體的特質或任務要求在執行過程中發生變化，該算法可以修復任務分配。

• 創建一個主動學習框架，用于學習多智能體任務分配問題的特質要求： 由于理解一個聯盟的特質與該聯盟在特定任務中的表現之間的關系可能具有挑戰性，因此我們提出了一種主動學習框架來學習任務與特質之間的關系。此外，我們還提供了一種新的時間擴展任務分配算法，該算法能夠優化學習到的質量模型。

圖 2.1： 顯示各種多機器人協調問題交叉點的維恩圖。

近年來，隨著機器人技術和電子技術的發展，無人駕駛飛行器（UAV）的體積越來越小，價格越來越低。由于無人飛行器易于購買和控制，人們開始越來越頻繁地使用它們。在本研究中，我們將從網絡的角度研究無人機群。一般來說，多架無人機可以組成一個蜂群網絡。每個無人機都是一個網絡節點。無人機之間的鏈接被視為網絡數據鏈路。在第 2 章中，我們將設計一種新穎的雙層 MAC： 我們將設計支持同步、并發多波束傳輸/接收的上層 MAC 層，以及與 802.11 兼容但充分發揮多波束天線優勢的下層 MAC 層；我們建議調整兩個 MAC 層的參數，以支持不同的任務優先級。在第 3 章中，我們為典型的機載網絡提出了一種吞吐量最優、異構（同時具有計劃通信和隨機通信）的介質訪問控制（MAC）策略。我們提出的 MAC 方案允許無人機使用上行/下行 MAC 方案與飛行器通信。我們的仿真結果表明，與傳統的 MAC 協議相比，性能有了顯著提高。在第 4 章中，我們針對機載網絡中的 MAC 設計問題提出了以下建議： (1) 長距離 Ku 波段鏈路。(2) 多波束天線。(3) 全雙工通信。我們的 MAC 設計具有 3ent 特性，即彈性、高效和智能。特別是，通過在每個波束中對流量進行編碼，它可以抵御干擾攻擊。此外，它還通過整合全雙工流量控制和多波束數據轉發實現了高吞吐量的通信。在第 5 章中，我們提出了一個采用 USRP-RIO 的多波束智能天線無線網狀網絡硬件測試平臺。我們測試了天線的方向性，實現了全雙工傳輸系統和中繼系統。此外，USRP還實現了MBSA的兩個重要特征CPT和CPR。

現有的決策計算模型往往局限于特定的實驗設置。造成這種限制的主要原因是無法捕捉決策者對情況的不確定性。本文提出了一個計算框架，用于研究神經科學和心理學中不確定情況下的決策制定。框架主要側重于決策者對世界狀況的概率評估，即他們的 “信念”。具體來說，它基于部分可觀測馬爾可夫決策過程（POMDPs），結合貝葉斯推理和獎勵最大化來選擇行動。利用感知決策和社會決策方面的各種實驗數據，證明了基于信念的決策框架的可行性。框架解釋了感知決策實驗中決策者的實際表現與他們對實際表現的信念（即決策信心）之間的關系。它還說明了為什么在許多情況下這種評估會偏離現實。這種偏差通常被解釋為次優決策的證據，或選擇和信心的不同過程。我們的框架對這些解釋提出了挑戰，它表明，一個優化收益的規范貝葉斯決策者也會產生同樣的偏差。此外，在定量預測人類在社會決策任務中的行為方面，方法優于現有模型，并提供了對潛在過程的洞察。結果表明，在涉及大型群體的決策任務中，人類采用貝葉斯推理來模擬 “群體心理”，并對他人的決策做出預測。最后，將方法擴展到關于他人的多個推理層次（心智理論層次），并將服從作為群體決策的一種策略聯系起來。這個擴展框架可以解釋人類在各種集體群體決策任務中的行為，為大型群體中的合作與協調提供了新的理論。

圖 1.1： 基于信念的決策框架。智能體通過行動、觀察和獎勵與世界互動。智能體無法完全觀測到世界的狀態，只能根據觀測結果和智能體的內部世界模型，以概率方式表示世界的狀態。智能體的目標是根據當前狀態的概率分布來制定策略，即所謂的信念

空間態勢感知是準確描述和預測空間環境狀態的能力，隨著運行衛星數量的增加，空間態勢感知已成為人們關注的話題。這一趨勢是由大型衛星星座的部署推動的，這些星座在完全部署后可能由數萬顆衛星組成。準確跟蹤空間物體對于預測和防止物體之間的碰撞非常重要，因為碰撞可能會對運行中的衛星造成災難性損害，并產生碎片云，危及其他衛星。然而，跟蹤空間物體非常復雜，部分原因是測量結果的來源不確定，這個問題被稱為數據模糊性。雖然存在多種能夠處理數據模糊性的目標跟蹤算法，但在太空環境中進行跟蹤還面臨其他挑戰。由于相對于可用傳感器資源而言，目標數量眾多，因此每個目標的可用觀測數據數量通常較少，而且由于上述數據模糊問題，許多觀測數據互不相關。最近興起的大型星群帶來了另一個問題，即相關衛星將利用低推力推進系統來保持編隊，這就要求具備機動目標跟蹤能力，以獲得最佳性能。在本論文中，我們將分析兩個問題，這兩個問題代表了運營商在不久的將來將面臨的空間物體跟蹤挑戰。我們將展示如何利用有限集統計開發適用的算法。有限集統計是一種數學框架，允許采用自上而下的方法開發具有所需功能的嚴格貝葉斯最優多目標過濾器。

分析的第一個問題是大型星座跟蹤問題。我們模擬了一個由 4,500 多顆低地球軌道衛星組成的星座，并使用 12 個地面近視傳感器網絡對其進行跟蹤。這些傳感器的任務由一個結合了信息論獎勵的成本函數來完成。我們還利用戰術重要性函數，將基于任務的目標（如有碰撞風險的物體的優先級）納入任務分配邏輯。收集到的數據將通過一個帶標記的多貝努利濾波器進行處理。濾波器產生的狀態目錄估計值用于激勵下一輪傳感器任務分配，從而形成一個用于綜合任務分配和跟蹤的自主閉環系統。經過五天的跟蹤期后，狀態目錄估計值將用于執行會合分析。我們將現有方法結合起來，為衛星間近距離接近的過濾和風險量化提供了一個計算效率高的工作流程。

分析的第二個問題是在存在機動目標時跟蹤多個目標。機動目標以不可預測的方式偏離其自然軌跡，通常需要專門的跟蹤算法才能獲得最佳性能。跟蹤此類目標的常用方法是交互式多模型濾波器，該濾波器可維持一組模型來表示目標的可能動態。未知動態可通過等效噪聲概念表示為白噪聲過程。這樣就能有效地跟蹤機動空間物體，但這種算法缺乏表征機動的能力。利用有限集統計，我們能夠開發出一種廣義標注多貝努利濾波器，允許整合任意動態模型。這樣，我們就能利用數據自適應方法，更具體地模擬未知動態，從而使濾波器除了進行機動目標跟蹤外，還能進行機動特征描述。我們還開發了一種基于考慮的最小二乘機動估計算法，該算法使用單次脈沖速度變化對未知動力學進行建模。這種機動的時間是通過多重假設法估算出來的。這種方法與我們提出的廣義標注多伯努利濾波器相結合，并應用于模擬地球靜止軌道衛星群，其中包括一顆執行未知機動的衛星。

大型星座跟蹤工作的結果表明，綜合任務分配和跟蹤算法能夠保持對所有模擬衛星的監護。在傳感器任務分配邏輯中加入了碰撞風險的衡量標準，從而提高了風險分析的準確性，但改進不大。我們假設，采用更通用的優化算法或不同的傳感器架構，可能會使基于任務目標的任務分配產生更大的影響。我們對機動目標跟蹤問題的研究結果表明，我們能夠以可接受的準確度描述機動動態。與實際機動相比，我們的表征絕對誤差相對較高，但我們能夠保持對所有目標的監護。在整個機動過程中，一致性指標保持穩定，這表明對估計的機動誤差不確定性進行了精確量化。未來的工作還包括將這項工作擴展到更大規模的場景，在這種場景中，由于機動檢測對計算效率的影響，機動檢測將成為一個更大的因素。此外，還需要進一步開展工作，將我們的算法擴展到低地軌道跟蹤場景中經常使用的非高斯狀態表示法。

圖 3.3：整合各種算法，形成自主風險感知衛星跟蹤系統。

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

本文的主要重點是開發一種低成本、魯棒性和高效的合作定位解決方案，以幫助無人自主飛行器在全球定位系統缺失或性能下降的條件下進行導航。

首先，推導出固定翼無人機（UAV）和多旋翼無人機的完全可觀測性條件。創建了一個相對位置測量圖（RPMG），圖中的節點是車輛或已知特征（地標），它們之間的邊代表測量結果。利用圖論和線性代數概念，得出了可觀測矩陣最大秩的條件，并建立了可觀測矩陣秩與系統中可用測量值之間的關系。該分析條件的缺點之一是必須在所有時間時刻保持一個連通的 RPMG。因此，我們提出了一種離散時間可觀測性條件，即一個時間間隔內的 RPMG 的聯合必須是相連的。

接下來，將討論無人飛行器 (UV) 緊密協調和控制的一個基本問題。在各種應用中，飛行器的慣性位置并不重要。在這種情況下，車輛之間的相對姿態和方位對開發控制器非常有用。眾所周知，擴展卡爾曼濾波器（EKF）的性能非常出色，前提是它的初始化接近真實位置并能接收到測量結果。對于沒有任何全球定位系統（GPS）測量數據或網絡延遲嚴重（需要重新初始化濾波器）的長距離行駛車輛，已知先驗信息的假設是無效的。為了規避這些問題，我們開發了一種多假設卡爾曼濾波器（MHEKF），該濾波器在初始化過程中沒有先驗信息，這意味著相關的不確定性非常大。

最后，解決了地面車輛的分布式合作定位問題。集中式合作定位需要大量計算。我們開發了一種分布式合作定位算法，使組內的每輛車都能估計自己的慣性狀態。該算法是為自主地面車輛開發的，在仿真中僅使用測距數據。

圖 1.1：合作定位的相對位置測量圖，其中塔作為地標（已知興趣點），不同的 UV 相互合作。

擬議的研究活動調查了眼球凝視的空間分布，作為心理負荷的實時測量。最近的研究已經成功地將眼球凝視的分布與心理負荷聯系起來。這個研究項目的范圍是設計一套實驗來分離三類任務需求（即時間上的、精神上的和物理上的）的貢獻，并確定在使用空間分布的指數作為基于眼球的適應系統的觸發器時，應考慮其中的哪一種（以及何時）。

引言

眾所周知，眼球活動對腦力勞動負荷的變化很敏感，人們曾多次嘗試利用眼球追蹤器提供的信息來得出分配給任務的認知資源的穩定測量值。最近在我們實驗室進行的研究已經成功地將眼睛的注視點分布與心理負荷聯系起來，本報告中描述的研究活動的范圍是將三種類型的任務要求（認知、時間和物理）的貢獻分開，并確定其中哪些（以及何時）應該被考慮，以使用空間聚類的指數作為基于眼睛的適應系統的觸發。

更具體地說，這項研究的目的有三個方面：1）用大樣本和被試內設計評估所提出的措施對不同類型的任務要求的敏感性；2）評估所提出的措施作為適應性自動化的觸發器的有效性；3）用更復雜的算法擴展掃描路徑的空間分析。

鑒于這里提出的研究活動的基本性質，在實驗室實驗中使用了一個簡單的視覺-運動任務。盡管這些效果可以擴展到操作環境中，但在復雜/現實環境中的測試活動超出了本研究的范圍。

然而，這里描述的研究活動旨在調查使用眼睛注視點的空間分布作為心理工作量的實時測量，從而作為自適應系統的觸發器。這種方法可以很容易地在所有交通領域實施（見Di Nocera等人，2020），更不用說操作員坐在顯示器前的所有操作環境（如控制室）。這種方法最初是由Di Nocera, Camilli & Terenzi (2007)提出的，最近來自次要來源的證據證實，眼睛注視點的空間分布對心理工作量的變化很敏感（例如Chen等人，2022；Dillard等人，2014；Fidopiastis等人，2009；Foy & Chapman, 2018）。早期對該指數的功能意義及其對不同任務需求的敏感性的研究表明，當任務負荷取決于時間需求時，定影似乎是分散的，而定影聚類似乎取決于視覺空間需求（Camilli, Terenzi & Di Nocera, 2008）。在該研究計劃中使用的最近的鄰居指數（NNI）顯示出與其他通常被用作測量心理負荷的眼部指標相比的幾個競爭優勢。1）它提供被檢查的視覺場景的整個掃描路徑的信息，而不是取決于預先定義的感興趣的區域（就像 "熵 "那樣）；2）它可以在相對較小的歷時（1分鐘）內計算，從而有可能獲得關于個人功能狀態的持續信息；3）它是基于已發表的研究，可以使用開放的工具計算，不像其他專利工具，如Marshall（2007）的認知活動指數。此外，NNI不需要事后分析（就像事件相關電位那樣），它在現實世界的環境中具有很強的可操作性，這使得它成為衡量心理負荷的一個很好的候選指標，可以適應性地觸發一些自動化系統。

這里進一步研究了該指數的診斷性，通過操縱強加給個人的需求類型（精神、時間、身體），將其與熵的方法進行比較，并試圖通過對其進行擴展。