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

本文探討了自主無人機系統（UAS）的制導和控制。具體而言，研究了基于模型參考自適應控制（MRAC）的尾翼無人機系統，以及用于戰術機動和覆蓋的多旋翼無人機系統的制導和控制。調查了當前和潛在的應用，并找出了現有技術的差距。

為了解決四旋翼無人機這一特殊類別的尾翼無人機系統的控制問題，研究人員開發了兩種方法，以解決建模不確定性、未建模有效載荷、陣風以及執行器故障和失靈等問題。在第一種方法中，尾翼無人機系統的縱向動力學采用 MRAC 法進行調節，以在新穎的控制架構中實現規定性能和輸出跟蹤。用于規定性能和輸出跟蹤的 MRAC 法則結合了線性二次調節器 (LQR) 基線控制器，使用積分反饋互連。利用障礙 Lyapunov 函數對軌跡跟蹤誤差進行約束，并通過采用軌跡跟蹤誤差瞬態動態參考模型來保證用戶定義的軌跡跟蹤誤差收斂速率。在該控制系統中，平移和旋轉動力學分別分為外環和內環，以考慮到四旋翼雙翼飛行器的動力不足問題。在外環中，氣動力的估計值和 MRAC 法則用于穩定平移動力學。此外 此外，還推導出參考俯仰角，使飛行器的總推力永遠不會指向地球，以確保安全，并避免通常用于確定方向的帶符號反正切函數固有的不連續性。在內環中，氣動力矩的估計值和 MRAC 法則用于穩定旋轉動力學。此外，還提出了一種用于確定所需總推力的法則，該法則可確保如果飛行器的方位與所需方位足夠接近，則會施加適當的推力。還提出了一種控制分配方案，以確保始終實現所需的推力力矩，并滿足對執行器產生的推力的非負約束。仿真驗證了針對規定性能和輸出信號跟蹤采用 MRAC 的控制架構，并將規定性能 MRAC 法與經典 MRAC 法進行了比較。

在第二種方法中，提出了一種基于 MRAC 的統一控制架構，該架構沒有將縱向和橫向動力學分開。平移和旋轉動力學分別被分離為外環和內環，以解決尾翼無人機系統的動力不足問題。由于預計飛行器會發生較大的旋轉，因此使用無奇異性的四元數來捕捉尾翼的方向。此外，還通過使用障壁 Lyapunov 函數來解決卷揚現象，以確保跟蹤誤差四元數的第一個分量為正，從而按照最短的旋轉將飛行器的當前方位驅動到參考方位。在外環中，利用對空氣動力的估計和 MRAC 法則確定所需的推力。參考方位是根據正交普羅克斯特問題的解確定的，該問題可找到從當前推力方位到所需推力方位的最小旋轉。由于正交普羅克里斯特問題的不連續性質，角速度和加速度無法通過對正交普羅克里斯特問題解的時間導數來推導。奇異值分解的不連續性。因此，我們使用兩次連續可微分函數--球面線性插值，來尋找連接捕捉車輛當前方位的單元四元數和捕捉參考方位的單元四元數的大地線。一個有趣的結果是，角速度和加速度只取決于參數化球面線性插值函數的標量值函數的一階導數和二階導數；實際函數并不重要。然而，確定該函數的形狀并非易事，因此采用了受模型預測控制啟發的方法。在內環中，使用氣動力矩估計值和 MRAC 法來穩定旋轉動力學，并將推力分配給各個螺旋槳。建議的控制方案的有效性通過仿真得到了驗證。

提出了一種用于自主無人機系統的集成制導和控制系統，可在未知、動態和潛在的敵對環境中，按照用戶規定的不計后果或戰術方式進行機動。在該制導和控制系統中，戰術操縱是通過在飛行器接近目標時利用環境中的障礙物來實現的。不計后果的機動是通過在向目標前進時忽略附近障礙物的存在，同時保持不發生碰撞來實現的。魯莽行為和戰術行為的劃分受到生物啟發，因為動物或地面部隊都會使用這些戰術。制導系統融合了路徑規劃器、避免碰撞算法、基于視覺的導航系統和軌跡規劃器。路徑規劃器以 A? 搜索算法為基礎，并提出了可定制調整的 "到達成本"（cost-to-come）和啟發式函數，通過降低底層圖中捕獲靠近障礙物集的節點的邊的權重，利用障礙物集進行躲避。啟發式的一致性已經確定，因此，搜索算法將返回最優解，而不會多次擴展節點。在現實場景中，需要快速重新規劃，以確保系統實現所需的行為，并且不會與障礙物發生碰撞。軌跡規劃器基于快速模型預測控制（fMPC），因此可以實時執行。此外，還采用了一個自定義的可調成本函數，該函數權衡了與障礙物集的接近程度和與目標的接近程度的重要性，為實現戰術行為提供了另一種機制。新穎的避免碰撞算法是基于解決一類特殊的半有限編程問題，即二次辨別問題。避撞算法通過尋找將無人機系統與障礙物集分隔開來的橢球體，生成無人機系統附近自由空間的凸集。凸集在 fMPC 框架中用作不等式約束。避撞算法的計算負擔是根據經驗確定的，并證明比文獻中的兩種類似算法更快。上述模塊被集成到一個單一的制導系統中，該系統為任意控制系統提供參考軌跡，并在多次模擬和飛行測試中展示了所提方法的有效性。此外，還提出了飛行行為分類法，以了解可調參數如何影響最終軌跡的魯莽性或隱蔽性。

最后，介紹了用于自主無人機系統的綜合制導和控制系統，該系統可在未知、動態和潛在敵對環境中，按照用戶的要求，以不計后果或戰術的方式執行戰術覆蓋。覆蓋的制導問題涉及收集環境信息的策略和路線規劃。收集未知環境信息的目的是幫助服務組織和第一反應人員了解態勢和制定計劃。為解決這一問題，需要綜合考慮目標選擇、路徑規劃、避免碰撞和軌跡規劃。我們提出了一種基于八叉樹數據結構的新型目標選擇算法，用于為路徑規劃器自主確定目標點。在該算法中，由導航系統推導出的體素地圖捕捉了環境中各區域的占用和探索狀態，并被分割成捕捉大面積未探索區域和大面積已探索區域的分區。大面積未探索區域被用作候選目標點。目標點的可行性通過采用貪婪 A? 技術來確定。該算法擁有可調參數，允許用戶在確定目標點序列時指定貪婪或系統行為。這種技術的計算負擔是根據經驗確定的，并證明可在現實場景中實時使用。路徑規劃器基于終身規劃 A?（LP A?）搜索算法，與 A?技術相比，該算法更具優勢。此外，還提出了一種可自定義調整的成本-歸宿和啟發式函數，以實現戰術或魯莽的路徑規劃。提出了一種新的避免碰撞算法，作為上述避免碰撞算法的改進版本，改進了所產生的約束集的體積，從而使更多的自由空間被凸集捕獲，因此，軌跡規劃者可以利用更多的環境進行戰術機動。該算法基于半定量編程和快速近似凸殼算法。軌跡規劃器以 fMPC 為基礎，采用自定義成本函數，通過滑行障礙物表面實現戰術機動，并將所需加速度作為與掩體距離的函數進行調節；采用障礙函數約束飛行器的姿態并確保推力正向性；采用四旋翼無人機系統的輸出反饋線性化運動方程作為微分約束，以實現積極的機動。利用定制的 C++ 模擬器驗證了所提系統的功效。

本論文將探討在海洋環境中運行的自主無人機系統在制導和控制算法方面存在的一些不足。

本論文為有限時間范圍內的魯棒性分析和綜合提供了理論和計算工具。這項工作的動機之一是對導彈攔截系統性能進行可靠評估，這也將有助于此類系統的穩健設計。典型的性能指標具有無限時間范圍的性質，以穩定性為中心，并依賴于頻域概念，如增益/相位裕度。對于在有限時間范圍內運行的系統（如許多發射場景），這些指標可能不夠充分。相反，本論文側重于時域指標，例如，在考慮干擾、模型不確定性/可變性和初始條件的影響的同時，對系統在視界最后時間的狀態進行約束。建議的方法是沿軌跡對動力學進行數值線性化，以獲得線性時變（LTV）系統。然后在線性化系統上進行分析或綜合，該系統可捕捉到標稱軌跡周圍的一階擾動。與原始非線性模型相比，這種方法犧牲了一些精度，但卻能使用線性系統工具。建議的最壞情況 LTV 分析還提供了具體的不良干擾和不確定參數，可在高保真非線性仿真中進一步研究。

導彈防御： 威脅環境正在以許多前所未有的方式迅速演變，這主要是由于現有導彈能力的增強和無人駕駛飛行器的更加靈活。任何導彈防御系統的首要目標都是保護國土、文明和戰略資產（如航空母艦）。這些復雜的工程系統必須探測、跟蹤和攔截來襲的威脅導彈，在它們到達各自目標之前將其摧毀。目前，最常見的方法之一是使用攔截導彈，通過與威脅導彈碰撞（即命中摧毀）或在其附近爆炸（即定向破片）使其失效。

目前的局限性： 單一攔截器與威脅交戰的性能可能會因多種因素而下降，包括外部干擾（如陣風）、未建模的靈活動態、傳感器噪聲、跟蹤不準確、致動器飽和、威脅的規避機動等。這對單個攔截器系統的精度造成了極大的影響。因此，需要發射多個攔截器來提高成功的可能性。然而，這并不總是可行的；例如，一艘小型海軍艦艇可能只有有限的艦載導彈資源。替代方法包括反火箭、火炮和迫擊炮（C-RAM）系統或 CIWS 雷達控制速射炮，發射多發炮彈，直到成功識別并摧毀威脅。當同時受到多個威脅的攻擊時，這種防御能力很容易被壓垮。有些威脅導彈具有很強的機動性，可使用多種誘餌和反制手段，因此很難被攔截。此外，如果不能在短時間內做出反應，可能會造成災難性后果。總之，目前的多層導彈防御系統嚴重缺乏性能保證。

目標：這項研究的主要目標是開發理論和計算工具，用于對在有限時間范圍內運行的系統進行魯棒性分析。重點是快速可靠地計算適當的魯棒性指標，以確定最壞情況下的性能。這種分析可用于補充現有的蒙特卡洛方法，以便在設計迭代的早期發現邊緣情況，或確定二元結果（如任務成功或在最壞情況下失敗）。

挑戰： 總體而言，由于存在許多不確定性、干擾和參數變化，最壞情況分析問題是非線性和非凸的。目前還沒有任何數值上可靠的工具可用于此類分析。即使存在這樣的工具，其適用范圍也很可能有限，因為它們要么計算速度很慢，無法保證收斂，要么只適用于學術范例。例如，考慮在 F-16 飛機上應用非線性動力算法進行最壞情況軌跡分析[8]。這種算法不僅缺乏收斂性保證，而且計算速度很慢。得出最壞情況下的參數和陣風組合所需的時間（4 到 4.5 小時）與蒙特卡洛模擬所需的時間大致相同。

方法： 方法主要是沿標稱軌跡對系統的動態進行數值線性化，并評估由此產生的線性時變（LTV）系統的穩健性。這種線性化系統只捕捉標稱軌跡周圍的一階擾動。我們利用系統的線性特性，通過解決凸優化問題，為 LTV 性能提供正式保證。然而，這需要犧牲原始不確定非線性系統的精度（即以精度換取計算效益）。這種近似分析只需要一次非線性模擬，速度明顯更快。擬議的有限視界線性化分析還提供了最壞情況下的性能證明（如特定的 "壞 "干擾、參數等），可在非線性模擬中進一步分析。

通過與被稱為計算機生成兵力（CGF）的虛擬對手進行訓練，受訓戰斗機飛行員可以積累空戰行動所需的經驗，而其成本僅為使用真實飛機訓練的一小部分。但實際上，計算機生成兵力的種類并不豐富。這主要是由于缺乏 CGF 的行為模型。在本論文中，我們研究了空戰訓練模擬中 CGF 的行為模型在多大程度上可以通過使用機器學習自動生成。空戰領域非常復雜，在該領域內運行的機器學習方法必須適合該領域帶來的挑戰。我們的研究表明，動態腳本算法極大地促進了空戰行為模型的自動生成，同時又具有足夠的靈活性，可以根據挑戰的需要進行調整。然而，確保新生成行為模型的有效性仍是未來研究的一個關注點。

生成空戰行為模型

人工智能（ai）領域可以為行為建模過程提供一種替代方法，并通過糾正上一節中提到的兩種后果來提高模擬訓練的效果。這種替代方法是通過機器學習生成行為模型。機器學習程序在各種任務中的表現都優于人類，例如信用卡欺詐檢測、云計算資源分配，以及玩撲克和圍棋等游戲。對于此類任務，機器學習程序能夠通過以下三種特性的結合產生創造性的解決方案：（1）計算速度；（2）精確的約束滿足能力；（3）巧妙的學習算法。利用這三個特性并將其應用于行為模型的開發，我們就能獲得以下能力：(1) 以更快的速度開發行為模型；(2) 開發出比目前更多變化的行為模型。因此，使用機器學習程序開發行為模型有可能消除當前行為建模過程對訓練效果造成的兩種影響。

不過，在將機器學習應用于空戰模擬之前，我們必須先考慮空戰領域。空戰領域十分復雜，在這一領域內運行的機器學習方法必須適合該領域帶來的挑戰。五項挑戰：(a) 形成團隊合作，(b) 對 cgf 行為進行計算評估，(c) 有效重用已獲得的知識，(d) 驗證生成的行為模型，以及 (e) 生成可訪問的行為模型。這五大挑戰并非空戰領域所獨有。但是，這些挑戰需要適合該領域的解決方案。

研究問題

研究問題 1：能在多大程度上生成能產生團隊協調的空戰行為模型？

動態腳本使用獎勵函數來評估使用生成的行為模型的空戰 cgf 所顯示的行為。獎勵函數產生的獎勵用于調整新生成的行為模型，以尋找最佳模型。如前所述（見挑戰 b），空戰行為評估存在兩個問題。在文獻中，這兩個問題分別被稱為獎勵稀疏和獎勵不穩定（見第 4 章）。不過，文獻中提出的空戰行為獎勵函數并不總是考慮到這兩個問題。然而，這樣做可能會產生更理想的行為模型。這就引出了第二個研究問題。

研究問題 2：能在多大程度上改進空戰 cgf 的獎勵功能？

動態腳本將 cgf 在整個學習過程中積累的知識以權重值的形式存儲在規則庫中的規則上。每條規則的權重值表示該規則相對于規則庫中其他規則的重要性。就重復使用而言，在一個空戰場景中構建的知識也有可能在另一個空戰場景中得到有效應用。我們將知識重用置于遷移學習的背景下，即讓一個 cgf 在一個場景中學習，然后將其知識遷移到一個新的、未見過的場景中。這就引出了第三個研究問題。

研究問題 3：使用動態腳本構建的知識在多大程度上可以在不同場景下的 cgf 之間成功轉移？

我們的目標是將生成的行為模型用于模擬訓練。驗證模型是實現有效使用模型的重要一步。行為建模過程中的第 4 步說明了驗證的重要性。然而，由于行為模型驗證沒有放之四海而皆準的解決方案，我們首先必須確定驗證的正確方法。這就引出了第四個研究問題。

研究問題 4：我們應該如何驗證機器生成的空戰行為模型以用于模擬訓練？研究問題 4 的答案就是驗證程序。通過該程序，我們可以確定我們在研究中生成的行為模型的有效性。所選擇的研究方法引出了第五個研究問題。

研究問題 5：通過動態腳本生成的空戰行為模型在多大程度上可用于模擬訓練？

回答了這五個研究問題，我們就能回答問題陳述。

在第 1 章中，我們介紹了問題陳述和五個研究問題。此外，還介紹了解決研究問題的研究方法。

在第 2 章中，我們提供了有關四個主題的文獻背景信息（另見第 1.1 節）： (1) 行為建模過程的詳細步驟；(2) 在模擬訓練中使用機器學習的潛在好處和缺點；(3) 過去使用機器學習生成空戰行為模型的方法；(4) 動態腳本及其在空戰模擬中的適用性。

在第 3 章中，我們介紹了團隊協調的三種方法：(1) 默契；(2) 中心；(3) 體面。我們通過實驗研究團隊協調方法的益處，然后回答研究問題 1。

在第 4 章中，我們將深入研究動態腳本編寫過程的一個特定部分，即獎勵功能。我們將展示三種不同獎勵函數的使用如何影響我們的 cgfs 的行為，然后回答研究問題 2。

在第 5 章中，我們研究了 cgf 在某種空戰場景中積累的知識在多大程度上可以成功轉移到不同空戰場景中的 cgf 上，然后回答了研究問題 3。

在第 6 章中，我們設計了一個驗證程序，通過該程序可以驗證為空戰 cgf 生成的行為模型。此外，我們還介紹了 atacc，然后回答了研究問題 4。

在第 7 章中，我們將驗證程序應用于戰斗機 4 艦模擬器中新生成的行為模型，然后回答研究問題 5。

在第 8 章中，我們將對五個研究問題的答案進行總結，從而結束本論文。最后，基于這些答案，我們提出了問題陳述的答案。之后，我們將對未來的工作提出兩點建議。

本論文利用強化學習（RL）來解決空戰機動模擬中的動態對抗博弈問題。空戰機動模擬是運籌學領域常見的一種順序決策問題，傳統上依賴于智能體編程方法，需要將大量領域知識手動編碼到模擬環境中。這些方法適用于確定現有戰術在不同模擬場景中的有效性。然而，為了最大限度地發揮新技術（如自動駕駛飛機）的優勢，需要發現新的戰術。作為解決連續決策問題的成熟技術，RL 有可能發現這些新戰術。

本論文探討了四種 RL 方法--表式、深度、離散到深度和多目標--作為在空戰機動模擬中發現新行為的機制。它實現并測試了每種方法的幾種方法，并從學習時間、基準和比較性能以及實現復雜性等方面對這些方法進行了比較。除了評估現有方法對空戰機動這一特定任務的實用性外，本論文還提出并研究了兩種新型方法，即離散到深度監督策略學習（D2D-SPL）和離散到深度監督 Q 值學習（D2D-SQL），這兩種方法可以更廣泛地應用。D2D-SPL 和 D2D-SQL 以更接近表格方法的成本提供了深度 RL 的通用性。

貢獻

本文有助于以下研究領域：

• 設計獎勵信號以推動空戰機動領域的學習，以及確定最有效信號的相應評估。
• 第 6 章中介紹的結合 RL 和監督學習的新方法，可加速深度 RL 并超越基準算法。考慮到 RL 的訓練是一項非常昂貴和資源密集型的操作，這些縮短學習時間的新方法是本論文最重要的貢獻。
• 優于單目標智能體的多目標 RL 智能體，在第 7 章中介紹。這是一個非常重要的貢獻，因為它證明了多目標 RL 這一相對較新的發明可以在不增加學習時間的情況下超越單目標 RL 的性能。
• 用于訓練和測試單目標和多目標 RL 智能體的開源框架。

美國海軍正在重組其艦隊結構。美海軍正在探索使用無人潛航器 (UUV) 平臺來補充艦隊的可行性。目前的 UUV 只能提供最低限度的監視和水雷探測能力；一種解決方案是在 UUV 平臺上增加攻擊性和增強型探測能力。本研究采用基于模型的系統工程（MBSE）方法，在聯合戰區模擬級全球作戰環境中探索具有增強能力的 UUV 的效果。該方法包括概念原型開發過程、作戰概念、效果衡量標準、不同的 UUV 因素（速度、組成和聲納類型）以及實驗設計。在對 540 次模擬運行的輸出結果進行分析后，結果證明所有三個因素對 UUV 的作戰性能都有重要影響，并表明使用先進的 UUV 可以提高特遣部隊的能力。此外，實驗還揭示了 UUV 的組成與探測和交戰速度之間的強相關性，并證實了使用主動聲納在作戰中的優勢，從而形成了 UUV 功能的交換空間。這項研究證明了 MBSE 在為未來艦隊進行可行性評估方面的實用性。

2016 財年，美國參議院軍事委員會下令海軍將艦隊規模擴大到 355 艘。然而，建造設施的缺乏阻礙了這一工作。負責預算的海軍副助理部長布萊恩-盧瑟少將估計，355 艘艦艇的目標要到 2050 年代才能實現（Larter 2018）。因此，美國海軍正在探索潛在的艦隊重組方案。海軍對用無人系統來補充傳統的有人海軍資產非常感興趣。無人潛航器 (UUV) 就是這樣一種系統。由于高層對艦隊和無人系統都很感興趣，海軍研究辦公室（N9）要求提供測試 UUV 未來能力的方法和流程，以及開展此類研究的實驗環境或工具。此外，目前的無人潛航器主要用于支持水雷戰和小型監視任務（美國防部，2007 年），因此還不了解其對其他角色的影響。

本研究的目的是在計算機輔助兵棋推演中使用基于模型的系統工程（MBSE）方法，特別是聯合戰區級模擬全球行動（JTLS-GO），以探索先進的 UUV 能力作為未來美國海軍艦隊資產的影響，以及作為日益減少的潛艇部隊的替代品的影響。

MBSE 方法是一個多步驟過程，從頭至尾探索整個項目。通過這種方法，我們開發出了一種先進的 UUV 概念和 "眼鏡蛇黃金 2018"（CG18）小插圖或作戰概念（CONOP），這是一種六國（太平洋司令部主辦）指揮所演習（CPX）。小插圖的創建允許對 CG18 進行反復檢查，以確定 UUV 可以解決的能力不足問題。在這種情況下，虛擬演習的重點是敵方（索諾拉）特遣部隊與盟軍特遣部隊（包括 USS Benfold (DDG-65) 和 RSS Endurance (LS-207)）之間的互動。實際演習的結果包括上述艦艇的傷亡。造成這些傷亡的原因是缺乏態勢感知和進攻火力。這些問題為在模擬中注入 UUV 以增強傳感器和火力提供了機會和動力。隨后，確定和建立新能力的作戰要求和限制的過程隨之展開。新的模擬 UUV 設計必須能夠提供額外的進攻和偵察能力。衡量無人潛航器的性能如何以及哪些屬性需要改變，從而制定了效能衡量標準（MOE）和性能衡量標準（MOPs）。這些衡量標準有助于指導實驗設計（DOE）的制定，從而指導名義 UUV 的實驗和評估。

性能指標包括探測效果和敵方減員。關注的性能因素（屬性）包括 UUV 速度、UUV 數量（UUV 艦隊組成）和聲納類型（主動或被動）。DOE 包括對這些因素在三個不同值（水平）下的測試。不同水平的因素組合產生了 18 個設計點。

JTLS-GO 模型是由 Rolands and Associates 設計的事件驅動兵棋推演模擬，用于測試多方聯合戰役和行動（Rolands and Associates 2018）。該項目測試戰爭的多個層面，包括政治、戰略、作戰和戰術層面。

雖然 JTLS-GO 在模擬交戰方面很有用，但根據 Cayirci 和 Marincic（2009 年）的說法，其功能是培訓總部人員更有效地指揮和控制單元。因此，僅使用 JTLS-GO 測試未來概念是不可行的，因為這需要大量資源。為了充分利用 CG18 的人的反應和結果，作者在 NPS 仿真實驗和高效設計（SEED）中心的幫助下，將原始 JTLS-GO 仿真程序轉換為自動化計算機輔助兵棋推演（CAW）仿真。這種轉換允許對未來能力進行多次重復模擬，以便進行統計分析。

這項工作涉及 540 次模擬運行，耗費了 810 個小時的計算機時間。通過回歸分析、趨勢分析和分區樹分析，得出了以下結論：

1.通過在 JTLS-GO 中的 CG18 自動版本中建立建模和實驗環境，MBSE 方法為評估未來 UUV 能力對作戰的影響提供了途徑。

JTLS-GO 中的 CG18 提供了一個框架，利用 MBSE 方法來定義操作差距、創建 UUV 原型、定義測量方式和內容（MOE 和因素）并快速進行實驗。MBSE 所要求的有條不紊和一絲不茍的努力表明，應用這一過程有利于探索 UUV 的未來能力，同時也表明它如何為考察未來艦隊的一系列能力提供機會。

2.UUV 的存在為提供態勢感知和攻擊火力提供了額外的能力，減少了水面的脆弱性。

即使增加了效果最差的因子組合的 UUV，也產生了積極的結果：3 個 "索諾蘭 "單元被擊斃，60% 的單元被發現。采用首選探測因子值的 UUV 使 RSS Endurance (LS-207) 在 30 次模擬中擊沉了 12 次。與此同時，USS Benfold (DDG-65) 在使用這些 UUV 的 30 次模擬演習中只擊沉了 2 次。當環境中存在具有優先損耗因子值的 UUV 時，RSS Endurance (LS-207) 在 30 次模擬中擊沉了 10 次，USS Benfold (DDG-65) 在 30 次模擬中擊沉了 2 次。因此，UUV 的性能導致模擬環境中盟軍傷亡人數減少。

3.主動聲納提高了殺傷力和探測能力，但在速度和 UUV 艦隊組成方面，并不是越多越好。

表 ES-1 列出了實驗中最佳和最差的 UUV 配置。根據該表，推薦的最佳組合是一支中等規模的 UUV 艦隊，以 8 節的速度航行并配備主動聲納。這種配置平均可摧毀近 88% 的敵方目標。

采用自動 JTLS-GO 仿真軟件包的 MBSE 方法所得出的結果可為先進的 UUV 性能提供深入見解，而無需投入大量人力和物力。海軍在規劃其未來架構的過程中，應考慮使用此類工具對平臺進行評估。此外，海軍還應考慮增加先進的 UUV 平臺以補充艦隊。

本文將介紹在美國海軍水面艦隊中使用自主無人水面艦艇的戰術建議。將評估目前由私人和美國防部項目開發的幾種現有技術，以分析在已制定的作戰概念方案中設定的參數范圍內使用這些技術的可行性。這項研究的目標是通過將自主和無人水面技術應用于近期海軍作戰的戰術中，最大限度地提高水面部隊的戰備狀態。這一作戰概念針對的是決策者、作戰規劃人員以及負責制造、采購、交付和使用艦隊自主無人水面系統的人員。海軍在很大程度上依賴有人水面平臺的戰備狀態來執行各種復雜任務。由于海軍繼續在部隊的維護、訓練和戰備之間平衡部隊需求，自主無人系統提供了額外的能力，有助于維持健康和物質戰備狀態。這項研究旨在通過自主和無人系統的任務性能以及在不久的將來可以整合的能力進行比較分析。這將最終為海軍部隊的持續戰備狀態可能出現的下降提供一個權宜之計。

美軍對無人平臺的使用已大幅改善。在過去 10 年中，無人平臺在航空領域的戰時和穩態使用極大地改善了軍事行動。無人機（UAV）為海外作戰部隊的作戰能力做出了重大貢獻。它們大大提高了關鍵信息流的及時性，同時降低了軍事人員在情報監視和偵察（ISR）領域的風險。無人機還通過增加駐扎時間、增加打擊行動次數來提高航空部隊的進攻打擊能力，并降低了現有載人航空平臺的總體成本、生命周期維護和多功能性。近代以來，自主無人技術的應用和作戰使用在水面艦艇部隊中受到的關注較少，投資也有限。最近，美國國防部對開發和使用無人水面系統執行 ISR 和獵雷任務產生了濃厚的興趣。自主模式技術的應用和使用主要是在學術和科學領域進行研究。隨著海軍繼續將目標無人水面飛行器（無人機）用于水面炮擊和導彈系統目標評估和模擬，技術應用和更復雜的作戰能力變得可行。

開發自主無人水面系統所需的技術已經成熟并可用。然而，對自主無人系統技術的信任仍然是海軍領導人之間最具爭議的話題。自主無人系統可用于執行有人駕駛平臺認為過于危險和平凡，人類無法有效或高效執行的任務。隨著自動無人系統能力的提高，它可以比有人系統更有效地執行這些常規任務，如情報監視偵察、海域感知和導航。

本論文旨在研究飛行員在不同模擬環境中的表現與認知、情緒、疲勞和生理的關系。本論文拓寬了對飛行員在作戰環境中非技術技能發展的理解并擴大了其可能性。論文在低保真和高保真兩種環境下對這些現象進行了研究。在研究 I 中，使用低保真模擬對商業飛行員的動態決策進行了調查。接下來，在研究二、三和四中，使用高仿真環境，重點調查了軍事背景下長時間飛行任務中的認知、情緒及其生理關聯。

研究 I 表明，低保真模擬有助于了解商業飛行員動態決策中的認知過程。使用此類模擬可幫助飛行員識別可用于不明確問題的有用信息，這對成功的決策過程至關重要。飛行員決策能力的培養可以通過使用低保真模擬來補充。這可能有利于整個決策過程，包括診斷、判斷、選擇、反饋提示和執行。

研究二、研究三和研究四表明，在評估個人心理方面的情況時，需要高保真環境，這就要求對自然環境有較高的再現水平。長時間單人駕駛飛機執行任務時，應考慮到飛行員在執行任務約 7 小時后可能會出現持續注意力下降、積極情緒減少和消極情緒增加的情況。然而，在 11 小時的飛行任務中，更復雜的認知任務的表現可能不會下降。心率變異性與情緒評級之間的關聯可能表明生理喚醒水平。這可能有助于評估飛行員在這種情況下的整體心理狀態。對飛行員在這種環境下的心理狀態進行全面評估，可能有助于飛行員做好準備，并有助于制定長時間飛行任務的計劃。

綜上所述，本論文的結論表明，適當使用低保真和高保真模擬可促進飛行員認識到適應環境變化的必要性。這促進了作為安全基本要素的應變能力。

作為分布式海上作戰（DMO）的一個關鍵原則，盡管有人和無人、水面和空中、作戰人員和傳感器在物理時空上都有分布，但它們需要整合成為一支有凝聚力的網絡化兵力。本研究項目旨在了解如何為 DMO 實現有凝聚力的作戰人員-傳感器集成，并模擬和概述集成實施所需的系統能力和行為類型。作為一個多年期項目，本報告所述的第一項工作重點是建立一個適用于 DMO 建模、模擬和分析的計算環境，尤其側重于有人和無人飛機的情報、監視和偵察 (ISR) 任務。

在半個世紀的建模和仿真研究與實踐（例如，見 Forrester, 1961; Law & Kelton, 1991），特別是四分之一世紀的組織建模和仿真工作（例如，見 Carley & Prietula, 1994）的基礎上，獲得了代表當前技術水平的計算建模和仿真技術（即 VDT [虛擬設計團隊]；見 Levitt 等人, 1999）。這種技術利用了人們熟知的組織微觀理論和通過基于代理的互動而產生的行為（例如，見 Jin & Levitt, 1996）。

通過這種技術開發的基于代理的組織模型在大約三十年的時間里也經過了數十次驗證，能夠忠實地反映對應的真實世界組織的結構、行為和績效（例如，參見 Levitt, 2004）。此外，幾年來，已將同樣的計算建模和仿真技術應用到軍事領域（例如，見 Nissen, 2007），以研究聯合特遣部隊、分布式作戰、計算機網絡行動和其他任務，這些任務反映了日益普遍的聯合和聯盟努力。

本報告中描述的研究項目旨在利用計算建模來了解如何為 DMO 實現有凝聚力的戰斗傳感器集成，并建模和概述集成實施所需的系統能力和行為類型。作為一個多年期項目，本報告所述的第一項工作重點是建立一個適用于 DMO 建模、模擬和分析的計算環境。在這第一項工作中，將對當今的海上行動進行建模、模擬和分析，重點是有人駕駛和無人駕駛飛機的情報、監視和偵察（ISR）任務。這為與執行 ISR 任務的一個或多個 DMO 組織進行比較確立了基線。這也為與其他任務（如打擊、防空、水面戰）進行比較建立了基線。第二階段接著對一個或多個備用 DMO 組織進行建模、模擬和分析。

在本技術報告的其余部分，首先概述了 POWer 計算實驗環境，并列舉了一個實例，以幫助界定 DMO 組織和現象的計算建模。依次總結了研究方法。最后，總結了沿著這些方向繼續開展研究的議程。這些成果將極大地提高理解和能力，使能夠為 DMO 實現戰斗員與傳感器的集成，并為集成實施所需的系統能力和行為建模和概述。

監視和通信中繼任務對無人駕駛飛機的可用能源供應提出了要求。自主飛行算法和太陽能光伏系統都提供了一種從環境中（分別從熱上升氣流和太陽輻射中）提取能量的方法，以延長飛機儲存能量極限之外的續航時間。此外，多架飛機可以通過共享信息提高飛行成功率。本報告介紹了一個由多架協調飛行器組成的演示系統，每架飛機都具有自主飛行算法和集成的太陽能光伏發電系統。計劃用兩架飛機進行飛行測試，以量化同時使用自主飛行和太陽能系統時的任務性能。

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。