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。

本文旨在探索在需要改變團隊規模時，如何為配備有限視場攝像機的無人自主系統團隊提供分散的、基于視覺的控制算法。在戰場上，團隊中無人駕駛系統之間的通信鏈路有可能被敵方能力所破壞。此外，無人系統必然會在戰斗中受損或出現故障，因此可能需要更多無人系統進行替換或增強團隊的能力。隊伍規模的變化可能會給其余無人系統帶來一系列作戰問題，如無法跟蹤目標、保持隊形和避免碰撞。本文對之前開發的基于視覺的分布式防撞控制算法進行了修改，將該算法轉變為無人系統之間保持一定的分離距離，而不是保持所需的相位偏移以避免碰撞。然后，在分組規模隨時間變化的模擬中分析了基準控制算法和改進控制算法的性能。

本文探討了如何利用遷移學習和合成數據來提高卷積神經網絡（CNN）在海上船只探測方面的性能，重點是自主無人水面航行器（USV）。所面臨的挑戰是標注夜間數據的可用性有限，而夜間數據對于在低能見度條件下檢測船只至關重要。該模型最初是在真實世界的數據上進行訓練，以探測 Mokai USV 和其他船只。然后使用合成的日間數據進行遷移學習，使數據集多樣化，包含更多的船只類型和條件。此外，還對 Sionyx NightWave 攝像機的圖像進行了直方圖均衡化處理，使模型能夠在夜間進行檢測，而無需大量真實世界的標注夜間數據。在真實世界、合成日間和合成夜間數據集上，使用平均精度 (AP)、召回率和漏檢率指標對模型的性能進行了評估。雖然該模型在日間條件下表現良好，但在夜間檢測時性能卻有所下降，尤其是對于較小的物體。這些結果凸顯了領域適應性的挑戰，同時也證明了合成數據和遷移學習在解決海洋環境中標記數據稀缺問題方面的潛力。這種方法為改進 USV 在各種條件下的自主操作提供了一種經濟有效的解決方案。

美國海軍部（DON）的《2021 年智能自主系統（IAS）科技戰略》強調，在復雜和不可預測的海洋環境中，越來越依賴自主平臺來增強作戰能力[1]。正如該戰略所概述的那樣，海軍正越來越多地集成像無人水面航行器（USV）這樣的智能自主系統，以執行從監視和偵察到后勤和威脅探測等各種任務[1]。該領域的一個關鍵挑戰是確保這些無人系統（UxS）能夠在各種環境條件下有效運行，包括夜間行動等低能見度場景以及雨、霧等惡劣天氣條件。在這種條件下，可靠的目標探測和分類對于任務的成功至關重要，因為 USV 的運行需要最少的人工干預。

然而，由于標注的夜間數據稀缺以及現實世界數據集的限制，傳統的目標檢測模型在夜間環境中往往難以發揮良好的性能。這一不足阻礙了海軍在需要在不利照明條件下進行精確探測的行動中部署 USV 的能力。海軍部的戰略強調需要先進的機器學習（ML）和人工智能（AI）技術，以適應各種環境挑戰，確保自主平臺在任何條件下都能保持高水平的態勢感知能力。

此外，部署配備紅外（IR）攝像機等先進傳感器技術的 USV 的成本效益和操作靈活性也是重要的考慮因素。雖然紅外攝像機可提高低光照條件下的可視性，但其成本往往較高，而且需要專門的培訓。相比之下，在可行的情況下，利用日光下訓練的模型進行夜間應用可能會節省成本并提高運行效率，因為與紅外標記的數據集相比，日光標記的數據集更為豐富。

這項工作的動機源于海軍部實現自主系統現代化、減少人類工作量和提高運行效率的目標[1]。隨著海軍繼續將 UxS 集成到其艦隊中，開發先進、彈性和適應性強的目標檢測模型的能力將在確保自主海上行動在所有照明和天氣條件下取得成功方面發揮至關重要的作用，從而為海軍部在 IAS 領域的技術優勢做出貢獻。

本文的貢獻如下：

• 開發用于海上目標檢測的 CNN： 創建專門用于檢測海洋環境中船只的 CNN 是一項關鍵技術貢獻。該模型可以區分幾種類型的船只，包括 Mokai USV 和其他水面艦艇，為 USV 在實際海軍行動中的自主性提供了實用的解決方案。

• 利用合成數據進行遷移學習： 本論文展示了合成數據的使用，以克服標注圖像稀缺的問題，這是在此類環境中訓練模型的常見限制。通過使用合成日間數據訓練 CNN，然后將遷移學習技術應用于夜間條件，該研究為在沒有大量真實世界標記數據的情況下提高模型性能做出了新的貢獻。

• 利用直方圖均衡化創新領域適應性： 應用直方圖均衡化技術來增強 Sionyx NightWave 攝像機的圖像，并隨后在合成夜間數據上進行遷移學習，是一項顯著的方法創新。通過利用圖像處理技術和遷移學習，這種方法有助于改進低照度場景下的物體檢測，為更廣泛的領域適應性研究領域做出了貢獻。

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。

本論文探討了如何應用有監督的機器學習技術來提高網絡控制系統（NCS）的性能和可解釋性。無人駕駛系統（UxVs）可通過覆蓋大片區域的延伸偵察任務提供快速高效的目標定位。以協作方式控制一組 UxV 是一個難題，美海軍正在開發的一個解決方案是網絡控制系統行為集成優化（BION）。BION 是一種 NCS，利用部分可觀測蒙特卡洛規劃（POMCP）算法提供接近最優的近實時編隊控制。本文旨在通過使用訓練優良的神經網絡近似關鍵功能，解決 POMCP 算法的某些局限性。神經網絡利用概率技術和顯著性圖提高了可解釋性，同時也提高了處理速度。在基于 ResNet 的不同架構上進行了實驗，并成功地將訓練良好的神經網絡集成到了 BION 中。這項研究拓展了實驗和開發 BION 的能力，從而推動了UxV 的開發和集成。

第二章將討論 BION 的核心功能，以及與神經網絡和顯著性圖譜相關的關鍵概念。第三章將討論實現過程，包括訓練和評估數據、神經網絡架構、神經網絡訓練算法以及生成顯著性圖。第四章將介紹工作成果，包括訓練統計數據和計算出的顯著性圖樣本。第 5 章總結了本文的貢獻以及未來可能的工作領域。

本論文介紹了在 Atlatl 模擬環境中設計、實施和測試人工智能 STOMp（短期優化機動）的情況。通過四個系列實驗，STOMp 的有效性在與各種已有人工智能對手的較量中得到了檢驗。第一個實驗表明，STOMp 的性能比大多數人工智能對手都有持續的提高。STOMp 必須在瞄準對方部隊與確保地形之間做出關鍵選擇。第二個實驗對參數進行了優化，揭示了在不同場景下性能最穩定的算法參數。第三個實驗重點關注其機動能力，強調其比競爭人工智能更有效地穿越障礙的能力，并展示其在不同環境中的機動性。最后，第四項實驗檢驗了它在一個特別構建的場景中的決策過程，在這個場景中，需要在戰場的不同區域同時做出相反的決策，從而展示了它評估局部優勢和做出戰術決策的能力，從而提高了它的生存能力和戰斗力。結果強化了 STOMp 算法，并使人們深入了解了該算法的優勢和局限性。總之，研究結果驗證了 STOMp 是一種適用于軍事模擬的有能力的人工智能。這項研究有助于為軍事模擬開發有效的人工智能。

論文結構如下： 第 1 章簡要介紹了本研究的背景和基本原理。第 2 章探討了過去和當前的戰斗模擬研究。第 3 章深入探討 STOMp 的技術方面，包括其啟發式評估功能和本論文所做各項實驗的目標。第 4 章介紹了實驗結果和主要發現。最后，第 5 章對論文進行了總結，總結了研究成果，并提出了未來研究的潛在改進領域。

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。

考慮到資產之間的通信可能是局部的，但不可能是全局的（例如，由于通信網絡中斷），“馬賽克戰爭 ”要求多個分散資產在較小的群組中移動和運行。在這些群組中，資產之間存在分層的功能關系。本研究提出并評估了一種分級資產組合和路由啟發式（HATRH），用于實施由機載傳感器、指揮和控制飛機以及攻擊機組成的空中資產企業的馬賽克戰，以移動并摧毀一組固定目標。HATRH 由三種迭代應用算法組成：一種是將資產組合成功能片的分組算法，另兩種算法分別與資產群移動和單個資產移動有關。后兩種算法中包含由用戶確定的參數，這些參數大致對應于馬賽克中的群體和單個資產機構。廣泛的測試檢驗了這些參數和資產密度對三種不同操作場景設計的影響，并通過兩個無政府價格（POA）啟發指標與最佳（即高效）資產利用率進行了比較。結果表明，與單個資產機構相對應的用戶自定義參數對平均彈藥消耗和資產平均飛行距離都有顯著影響。在資產最初包圍敵方目標的情況下，單個和群組機構用戶定義參數都會影響彈藥消耗和燃料消耗方面的作戰效率。

接下來的研究將探討以協作方式在網絡上路由多個不同類型的資產以滿足需求的問題。協同服務的特點是，在為需求提供服務時，不同類型的資產必須幾乎同時進行。此外，某些類型的資產必須通過訪問需求來提供服務，而其他類型的資產則可以就近提供服務。本研究提出了一種混合整數線性程序來模擬這種車輛路由問題的變體。除了通過商用求解器直接求解問題實例外，本研究還提出了模型分解啟發式的兩種排列組合，以及兩種預處理技術，對選定的決策變量施加特定于實例的約束。對比測試評估了求解方法和預處理選項的九種組合，以求解一組 216 個重要參數變化的實例。結果表明，在計算量有限的情況下找到可行解決方案的可能性與所確定解決方案的相對質量之間存在權衡。對于大型網絡，預處理技術利用近鄰啟發式與任何求解方法相結合，最常為測試實例集找到可行的解決方案（即 90% 的實例），但解決方案的質量較低（即平均為最佳解決方案的 15%）。在大型網絡中，表現最差的是模型分解技術，它首先對提供服務的資產進行近距離路由，而省略了任何一種預處理技術；雖然這種組合在確定可行解決方案時能產生最佳解決方案，但它只在 55% 的實例中做到了這一點。其他求解方法的表現也有值得注意的細微差別，詳見下文。

最后，研究探討了在網絡上路由多個不同類型的資產以滿足需求的問題，在此問題中，需求必須在一定時間內按順序由不同類型的資產滿足，而最大限度地減少累計服務時間是研究的重點。更具體地說，這項研究旨在利用有限的資源確定有效的網絡中斷策略，從而最大限度地縮短累計服務時間。在這個斯塔克爾伯格博弈的雙層編程結構中，上層問題決定中斷策略，下層問題決定資產路線。本研究考慮并測試了三種求解程序：迭代識別每個中斷行動的貪婪構造啟發式（GCH）、模擬退火（SA）的定制實現，以及利用候選解決方案優先級識別和塔布列表的增強變體（eSA）。測試比較了在一系列選定算法和特定實例參數下類似實例的解決方案方法。結果表明，增強型模擬退火方法表現最佳，擴展測試探索了增加所選問題集對 eSA 相對于 GCH 的相對改進的影響，以及對算法運行時間的影響。

本文介紹了一種在美國海軍和國防部框架內提高可操作技術（OT）系統安全性和效率的新方法。這項研究由負責作戰能源的海軍副助理部長贊助，旨在解決 OT 系統中異常檢測方面的關鍵差距。本文引入了一個綜合傳感器系統和先進的機器學習（ML）模型，用于分析各種 OT 設備的實時功耗數據。通過從模擬的小規模 OT 環境中開發獨特的非侵入式負載監控（NILM）數據集，本研究率先將成本效益高、易于部署的傳感器陣列與支持向量機、長短期記憶和卷積神經網絡算法等 ML 技術集成在一起。這種集成旨在簡化異常檢測，減輕這些 OT 系統中多種背板協議集成所帶來的復雜性。通過異常表征和定制檢測方法的制定，本文在利用 ML 識別系統故障、設備故障和潛在網絡安全威脅的早期指標方面開創了新的先例。這項工作極大地促進了獨立 OT 系統的安全性和復原力，使其能夠抵御一系列異常現象，為未來對基礎設施至關重要的安全和復原力 OT 系統的發展奠定了基礎。

本文介紹了在卡勒獎學金第一年內進行的研究，研究如何自主控制檢查平臺向故障平臺行駛以完成檢查相關任務。這項研究的目的是開發一個有限時間的相對位置控制框架，使檢查衛星能夠安全地接近發生故障的平臺，因為平臺的通信能力受到阻礙，導致其在接近過程中根本無法通信。故障平臺導致獨特的挑戰，即平臺的狀態被認為是先驗未知的，檢查器可能無法從故障平臺提供的準確和連續的信息中受益；故障平臺也可能受到機動和干擾。

在該獎學金的第一期內，使用 MATLAB 和 Simulink 開發了仿真軟件，以演示檢查平臺與故障平臺執行會合操作。首先引入基于視線的相對運動模型，直接使用導航信息，然后以自適應非奇異終端滑模控制器的形式開發魯棒控制框架，以確保閉環系統穩定并保證有限時間收斂到所需的狀態。然后在最終討論未來的工作和目標之前展示和討論模擬結果。