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

許多武裝部隊正變得以網絡為中心并高度互聯。數字化戰場的技術進步促成了這一轉變和分散決策。隨著戰場的演變，任務要求部隊具有機動性并支持多種戰術能力，目前部署靜態無線電中繼節點以擴大通信范圍的概念可能不再適用。因此，本論文旨在設計一種使用無人機系統（如航空浮空器和戰術無人機）的作戰概念，為戰術部隊提供視距外通信，同時克服全球定位系統失效環境下的限制。鑒于聯邦通信委員會規定工業、科學和醫療頻段的最大有效各向同性輻射功率為 36 dBm，擬議的概念分為三個階段，以評估操作和通信系統需求。兩個節點之間的最大通信距離可使用 Friis 傳播方程進行研究。此外，還使用 Simulink 軟件研究了有效應用吞吐量與距離的關系。分析結果表明，IEEE 802.11ax 可提供更高的數據吞吐量，并支持 2.4 GHz 和 5.0 GHz 兩個頻段。通過模擬環境和運行場景，確定了在 50 千米乘 50 千米的區域內提供通信覆蓋所需的航空系統估計數量。

隨著數字化戰場的擴展，以及對可進行多域作戰的高度互聯部隊的需求日益增長，目前在戰區采用靜態中繼節點的通信概念可能不再可行。因此，本論文旨在設計一種作戰概念，利用無人機作為戰術部隊的通信中繼節點，同時克服全球定位系統（GPS）封閉環境的限制。具體來說，這項研究的主要重點是確定這一作戰概念的最大通信范圍，并研究兩個空中中繼節點之間的有效數據吞吐量。此外，研究還試圖確定提供 50 千米乘 50 千米或同等通信覆蓋所需的空中中繼節點數量。最終，本論文的研究結果旨在進一步提高作戰行動環境中的通信效率。

擬議的作戰通信框架將采用一種混合通信系統，同時使用航空浮空器系統和戰術無人機作為通信中繼節點。利用戰術無人機的靈活性，在需要時可以方便地增加網絡數據帶寬。為分析行動需求和可部署的通信系統類型，擬議的行動構想分為三個不同階段。

為了研究擬議概念的可行性，采用了 IEEE 802.11ax 和 IEEE 802.11n Wi-Fi 標準來檢查網絡性能，并確定估計的有效通信范圍。之所以采用這些 IEEE 標準，是因為它們可以在 2.4 GHz 和 5.0 GHz 頻段上運行。

根據美國聯邦通信委員會 (FCC) 的規定，在 2.4 GHz 頻段工作時，工業、科學和醫療 (ISM) 頻段的最大有效各向同性輻射功率 (EIRP) 規定為 36 dBm。通過限制輸出功率和有效輻射功率，可以確定在 2.4 GHz 和 5 GHz 頻段工作時的理論有效通信范圍。利用弗里斯傳播方程，計算出的范圍分別約為 5.5 千米和 2.6 千米。

通過修改 MATLAB Simulink 軟件中現有的 IEEE 802.11 MAC 和應用吞吐量測量模型，確定了使用 IEEE 802.11ax 和 IEEE 802.11n 標準的有效應用吞吐量。從仿真結果可以看出，隨著距離的增加，兩種工作頻率的應用吞吐量都會下降，這是由延遲和數據包丟失數量增加等因素造成的。此外，與 2.4 GHz 相比，5 GHz 頻段的傳輸距離較短。因此，為了彌補傳輸距離的限制并優化在 5 GHz 頻段工作時的數據吞吐量，建議使用比在 2.4 GHz 頻段工作時更高的信道帶寬。

從模擬結果來看，IEEE 802.11ax Wi-Fi 標準的數據吞吐量高于 IEEE 802.11n。這是因為 IEEE 802.11ax 采用了比 IEEE 802.11n 更有效的調制和編碼方案。因此，以 IEEE 802.11ax 作為推薦的 Wi-Fi 標準，在 2.4 GHz 和 5 GHz 上運行時的最大應用吞吐量分別約為 4.403 Mbps 和 4.488 Mbps。

為了估算在 50 千米乘 50 千米的作戰區域內提供通信覆蓋所需的空中中繼節點數量，使用了地圖規劃工具軟件 ArcGIS Pro 來模擬作戰區域并規劃通信網絡。根據計算得出的有效通信距離和地圖規劃，估計總共需要 23 個航空浮空器系統才能在 2.4 GHz 頻段上提供網絡覆蓋，另外還需要 24 架戰術無人機才能支持在 5 GHz 頻段上運行的更高數據帶寬網絡。

值得注意的是，本論文僅限于分析兩個空中中繼節點之間的性能，并使用了仿真模型。在現實世界中，有多種因素可能會影響室外環境中的網絡性能，例如地形影響造成的衰減。因此，為了更好地了解系統的性能，建議在實地進行深入的開發測試，并考慮環境造成的衰減和干擾。在這種情況下，提供通信覆蓋所需的空中中繼節點的估計數量可能會有所不同。此外，性能和有效通信距離也可能下降。

除中繼通信外，空中中繼節點的高度優勢還可提供額外服務，如執行監視和偵察任務。因此，為了最大限度地提高系統性能，建議未來的研究人員研究不同傳感器系統可能造成的干擾影響。為了最大限度地降低干擾幾率，可能有必要制定詳細的頻率分配計劃，以確保不同系統之間有足夠的頻率間隔。

當前用于自動規劃的戰斗模擬軟件開發在其方法中沒有考慮到戰爭迷霧。這使得他們的輸出不太現實，因為在現實世界的規劃中不可能有精確的敵人位置。人工智能控制的部隊應該能夠在沒有信息的情況下運作，而這些信息在相同的情況下是人類無法獲得的。本文提出了一種AI智能體在給定典型情報的情況下預測和評估敵方兵力位置的方法。我們還提出了一種方法來匯總這些位置的風險影響。我們在一個戰斗模擬環境中展示了這些技術，并評估了它們在多個戰斗場景中的表現。結果顯示了戰斗模擬中不確定性的重要性，并說明我們的風險匯總方法是有效的。

在將人工智能（AI）技術與作戰模擬相結合時，重要的是要將戰爭迷霧的考慮因素包括在內并加以考慮。目前的自動規劃方法依賴于對敵方部隊位置的完美了解，使得人工智能控制的智能體行動不太現實。為了使智能體的行為更加自然，人工智能兵力應該接受與人類指揮官在類似情況下可用的相同類型和數量的信息并采取行動。這將要求人工智能依賴對其對手和環境條件的理解，就像人類一樣。

這篇論文著重討論了人工智能在模擬環境中處理戰爭迷霧的能力的兩個方面。第一個方面是人類對提交給人工智能的關于敵人和環境的知識的表述。這包括敵人的優先級和程序，以及環境因素，如能見度和視線。第二方面是當給定這些知識時，人工智能可以預測戰霧中可能的敵人位置，并評估可能的敵人編隊的風險影響。

關于第一個方面，我們審查了人工智能在模擬環境中跟蹤對手和戰術注釋的方法。我們發現有必要將戰斗地形離散為一個導航圖。這個導航圖將有支持實體運動的邊和可以被注釋的節點，為人工智能代理提供戰略信息。我們還確定了在戰斗模擬環境中對單位幾何的戰術評估技術。

然后，我們發現適用于檢查軍事決策過程（MDMP）中進行的分析，特別是由戰斗空間情報準備（IPB）產生的產品。IPB的輸出包括將已知的對手戰術分層到當前的作戰環境中，以產生一個預期的敵人行動路線（ECOA），如圖1所示的態勢模板。

節點的戰術注釋可以看作是圖1中所示的頂層敵人威脅模型。當這些注釋被應用于地形的導航圖（環境層）時，其結果是將ECOA編碼到模擬中。然后，我們可以評估潛在的敵人位置與編碼的ECOA有多大的一致性。

我們把這種評估稱為編隊評分函數。這個評分函數是讓人工智能預測和評估戰爭迷霧中風險的起點。該函數產生一個數字分數，它取決于一個給定的敵方編隊在保持理想的單位幾何形狀和火力掩護的同時瞄準目標優先事項的能力。分數越高，表明越符合編碼的ECOA的要求。我們把一個能使給定評分函數最大化的編隊稱為預測。

不幸的是，識別一個最大化的編隊并不是一項微不足道的任務，因為它涉及到多個實體平衡幾個競爭性因素以產生一個分數。我們采用的方法是將未被發現的實體隨機放置在地形上的可能位置，讓它們爬到對陣型得分貢獻最大化的位置。通過幾輪的隨機放置和爬坡，產生了候選陣型集，每個陣型都是評分函數的局部最大值。每個編隊由一組不同的敵人實體位置和導航圖中節點的相關威脅值組成。

然后，我們使用吉布的典型集合方程，將候選集合中的每個編隊視為實際敵方編隊可能處于的一種 "狀態"。這使我們能夠為候選集合中的每個編隊計算出一個概率值。然后，我們可以根據每個編隊的計算概率來匯總其節點威脅值。這使我們能夠將可能的敵方陣地的估計風險表示為一個單獨的圖，我們稱之為不確定性威脅圖。由于該圖僅由現有的情報產品和觀察結果產生，它不依賴于人類指揮官無法獲得的無關信息。

本論文介紹了我們在WOMBAT XXI（WXXI）中對這些方法的實施和評估，WXXI是一個用Unity 3D游戲引擎構建的輕型戰斗模擬環境（圖2）。

使用WXXI的單位模板和真實世界的地形表現，我們進行了60次模擬戰斗，跨越三個不同層次的敵軍陣地信息。這些戰斗模擬了攻擊一個藍軍排，對抗一個靜態的紅軍小隊。在第一種情況下，我們將藍方的知識限制在一組探測到的紅方防御者。在第二種情況下，我們使用檢測到的紅色防御者和一個陣型評分函數來產生一個不確定性威脅圖，以估計實際的紅色陣型。在最后一個場景中，藍色被賦予了關于紅色陣地的全部信息。在每場戰斗中，我們都收集了關于藍方和紅方的傷亡、零散交換率（FER）和任務完成情況的數據。我們發現，當藍方得到紅方陣地的估計時，他們的表現與得到實際陣地時相當。表1提供了在三個戰斗場景中收集到的定量數據。

論文中預測和不確定性建模的新方法在自動計劃和改善兵棋推演中人工智能控制的兵力方面有很大的應用潛力。論文還提供了運動到交戰行動的進一步測試實例，并提供了一種使用編隊評分功能的計劃識別方法。最后，我們為WXXI作戰模擬環境貢獻了附加功能。

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。

無人駕駛地面車輛（UGVs）可用于軍事領域，以減輕士兵承擔的風險，以及為體力要求高、枯燥或危險的任務提供解決方案。雖然使用UGV有好處，但也有需求和限制。本論文探討了最終用戶--瑞典武裝部隊的一個輕步兵營--對于為城市地形中的軍事行動而設計的UGV在功能方面的要求。這是通過一個帶有焦點小組的探索性案例研究來完成的，來自第31游騎兵營的士兵和軍官使用兩種不同的UGV原型來完成任務。隨后是半結構化的小組討論，探討了需求、限制和要求。然后，通過主題分析方法對收集的數據進行分析。

主題分析的結果發現，焦點小組的要求有幾個重復出現的意見。這些要求被分為四類：（1）速度，（2）用例，（3）圖像生成的傳感器，以及（4）自主功能。總之，本論文在四個類別中共確定了13個需求。總而言之，這些要求意味著用于城市地形的軍事行動的UGV必須能夠跟上沖刺的士兵，提供視覺掩護，能夠與附近的物體互動，有幾個高質量的傳感器和強大的自主功能，使士兵能夠專注于控制UGV以外的其他事情。

一個持久的、精確的和適應性強的安全應用是有效的部隊保護條件（FPCON）的必要組成部分，因為美國的軍事設施已經成為恐怖主義和暴力行為的常見目標。目前的軍事安全應用需要一種更加自動化的方法，因為它們嚴重依賴有限的人力和有限的資源。目前的研究開發了一個由嵌入式硬件組成的離網部署的聯合微調網絡，并評估了嵌入式硬件系統和模型性能。聯合微調采用集中預訓練的模型，并在一個聯邦學習架構中對選定的模型層進行微調。聯合微調模型的CPU負載平均減少65.95%，電流平均減少56.18%。MobileNetV2模型在網絡上傳輸的全局模型參數減少了81.59%。集中預訓練的MNIST模型開始訓練時，比隨機初始化的模型的初始準確率提高了53.94%。集中預訓練的MobileNetV2模型在第0輪訓練時表現出90.75%的初始平均準確率，在75輪聯合訓練后，整體性能提高了3.14%。目前的研究結果表明，聯合微調可以提高系統性能和模型精度，同時提供更強的隱私性和安全性，以抵御聯邦學習攻擊。

在從有機組人員的飛機向無機組人員的飛機過渡的過程中，海軍航空部門把重點放在了技術方面，而不是人的方面。這一轉變挑戰了傳統的飛行員身份，即基于坐在駕駛艙中實際操作飛機的身份，因為無機組人員飛機的飛行員是通過遠程控制飛機或管理戰場而不是駕駛艙。本論文使用身份理論和社會認同理論來分析19世紀海軍從風帆到蒸汽動力的過渡中的類似文化因素，以確定一些直線軍官如何以及為什么抵制和拒絕蒸汽技術，抑制了過渡。在這個案例研究中，海軍領導層通過命令來鼓勵抵制蒸汽動力，并且在工程師奪走了推進控制權并取代了與軍官身份相關的符號時，未能引導軍官身份的必要變化。為了避免重復這種失敗，海軍必須監督飛行員身份的轉變，以便充分利用技術和人類的潛力。海軍領導人應該強調團結，而不是制造分裂，創建一個包容性的飛行員身份，在提及飛機類別時使用不以人為主的術語，并為所有人創造可行的職業道路。

由于固有的設計復雜性、無限的測試空間和缺乏自主性的具體措施，自主和協作無人系統的實施和測試具有挑戰性。這些挑戰限制了美國空軍部署和利用這些系統所提供的戰術和戰略優勢能力。這項研究在廣域搜索（WAS）場景中實例化了一個自主系統參考架構（ASRA），作為自主和協作系統的快速原型設計和評估的測試平臺。該研究旨在提供一個框架，以評估系統實現任務和自主目標的能力，開發可重復使用的自主行為，并開發可重復使用的協作決策算法。對于這項研究和對WAS任務的應用，自主性的衡量標準來自于自主系統的要求：響應性、穩健性和感知的準確性。自主行為，包括結合簡單（原子）行為的更復雜行為被開發出來，各種協作決策規則被定義。隨后的評估在四個場景中實施了立體實驗設計。按照嚴格的測試計劃，測試是在仿真中進行的，實現了自動測試和快速分析。測試結果被用來創建一個響應模型來描述系統，并進行多重響應優化，以確定一個最佳配置，在給定的目標密度下，使搜索面積、檢測百分比和感知精度最大化。

本文描述了一個自主制導和飛行控制系統，該系統在一架部分授權的黑鷹直升機上進行了整合和飛行測試。這項工作是退化視覺環境緩解計劃的一部分，該計劃的目標是為美國陸軍旋翼機的操作提供全天候的能力。制導和飛控系統軟件以前曾在一架完全授權的直升機上進行過飛行測試，在這項工作中，被調整為在一架部分授權的直升機上飛行。該系統的主要自主組件包括風險最小化障礙物場導航算法、安全著陸區確定算法和綜合提示環境。這些組件提供了反應性規避指導、著陸點選擇和飛行員對退化視覺環境的情況了解。為了測試該系統，一個LADAR被用作替代設備，以代替同時為該計劃開發的全深L傳感器系統。自主的部分授權飛行控制系統提供了一個完全穩定的路徑跟蹤能力，它由一系列的航點或飛行路徑矢量指令指導。本文描述了該控制系統，其性能，以及如何使其適應目前美國陸軍艦隊直升機的典型的部分授權系統。還介紹了自主軟件和人機界面組件。介紹了完全集成的系統在地形中導航、選擇降落點和自主降落的飛行測試結果。提出了將部分授權結果與以前收集的完全授權結果進行比較的分析。

任務自適應自主(MAA)部分授權系統

圖2中的任務自適應自主性（MAA）系統由三個主要部分組成：任務軟件、自主部分授權的FCS（APAFCS）和飛機硬件。任務軟件提供控制法的指導，而APAFCS提供穩定性和控制，以遵循命令的路徑。飛機硬件是飛行員的操縱桿輸入，調整和SAS伺服，飛機傳感器，LADAR傳感器，以及飛行員顯示器。俯仰、滾轉和偏航方面的固有機械控制和驅動保持不變，因此該飛機是標準的UH-60L，具有美國陸軍機隊典型的部分授權飛行控制系統。然而，在垂直軸上增加了額外的驅動裝置，這些都是機隊可用的部件。本文的后續章節將討論MAA系統的每個部分。

任務軟件包括任務管理器/操作員界面、路徑生成、矢量指令、障礙物場導航（OFN）、安全著陸區確定（SLAD）、MAA地圖/控制以及綜合提示環境（ICE）。

圖2:任務自適應自主(MAA)系統由任務軟件、自主部分授權飛行控制系統和改裝后的UH-60L飛機的硬件組成。

A. 任務管理器/操作員界面

MAA的一項關鍵技術是飛行員能夠以不同程度的自主性進行操作。圖2中的任務管理器/操作者界面代表了所有允許飛行員在執行層面進行互動和監控系統的軟件。例如，任務管理器允許飛行員或系統操作員通過從地圖顯示中選擇一個目標點來控制任務方案。當這樣做時，任務管理器查找目的地信息并命令OFN算法，這反過來又引導自主FCS到達最終目的地。

B. 路徑生成和矢量指令

當OFN到達最終目的地附近時需要精確放置飛行器時，路徑生成算法被任務管理器/操作者界面以及SLAD算法所使用。路徑生成和矢量指令都是開環的、非反應性的引導方法，用于移動飛行器，在系統的集成測試過程中非常有用，因為飛行路徑已知是沒有障礙的。

路徑生成器允許用戶通過輸入一些航點以及宏觀層面的參數，如最大速度、爬升率和加速度限制，來指定一個預定的路徑。當路徑生成器接受原始航點列表時，它將生成一個擴展的、平滑的航點列表，并將其與相關的速度曲線一起發送給航點控制，從而啟動飛行軌跡。

矢量指令過程是指導飛機運動的另一種指導方法。矢量指令過程接收對所需指令速度的離散變化。例如，用戶可以輸入一個速度、滑行坡和航向率的變化，矢量指令產生一個速度、航向和傾斜率形式的連續指令流，發送到APAFCS的航點控制塊。矢量命令使用與接下來描述的OFN算法相同的接口到航點控制塊。

C. 風險最小化障礙物場導航 (RiskMinOFN)

RiskMinOFN算法建立了一個空間變化的風險因素的3維地圖，并找到一條通往目標的最小風險的路徑。該規劃器的主要組成部分如圖3所示，它們由地形模型、風險地圖、導航功能和速度指令控制器組成。

飛行員或自主系統操作員可以在引導飛機的同時修改RiskMinOFN算法的操作參數。威脅地點和受限空域也可以動態更新。有四個參數文件可供飛行員訪問，分別代表OFN模式、巡航、地形、TerrainPlus和進場。新的目的地點可以在任何時候被發送到算法中，允許飛行員通過任務管理器界面改變任務目的地。除了飛往一個特定的目的地點，RiskMinOFN還可以飛行一個一般的目的地航向，它試圖保持該航向，同時仍然尋求與OFN模式相關的理想AGL高度，并同時避開危險物。RiskMinOFN算法可以在任何時候被命令取消并進入懸停狀態。速度限制也可以調整，允許更慢或更高的速度。飛行員還可以對航向和地面跟蹤的積極性進行調整。該算法仍然把避免碰撞作為最高優先級，所以這些飛行員的輸入只影響長期的飛行路徑，不會造成與地形的任何碰撞。

D. 安全著陸區確定 (SLAD)

SLAD算法掃描一個著陸區（LZ），根據表面坡度、粗糙度和與障礙物的接近程度找到合適的著陸點[14]。該算法從點頭的LADAR中獲取線掃描數據，并通過收集高度圖中每個網格單元的統計數據來創建一個高度圖。相鄰單元的高度變化被分為絕對變化和差異變化。絕對高度變化是基于兩個相鄰單元的平均高度之間的差異。差異變化是基于設備的掃描線上的高度變化，這允許感應高度的微小變化。此外，該算法在這些網格單元上使用滑動窗口來確定著陸區的表面粗糙度、坡度和其他窗口統計數據。

用于尋找解決方案和呈現結果的步驟如圖4所示，一架飛機接近圖4a所示的潛在著陸區。當點頭線掃描LADAR進入范圍時，該區域被掃描，點云數據被算法收集（圖4b）。當高度圖中積累了足夠多的點陣掃描通道時，就可以通過使用滑動窗口統計和其他指標找到一個解決方案。然后，該解決方案被顯示為帶有藍色字母編碼標記的彩色編碼疊加圖（圖4c）。藍色字母編碼的標記是解決方案推薦的著陸點A、B、C和L。解決方案的彩色編碼著陸掩碼有綠色區域，代表安全著陸點，其周圍的窗口區域符合坡度、粗糙度和數據空缺的要求，并且沒有任何絕對或差異邊緣的高度變化。黃色區域代表可能的安全著陸點，其窗口區域符合所有的安全著陸要求，但有超過特定閾值的邊緣高度差變化。邊緣高度變化用青色標記，通常是由小石塊、未割的草和灌木叢等物體引起的，這些物體可能是危險的，也可能不是，但還是要按照算法的建議避開。深藍色的絕對邊緣高度變化通常與大型固體物體有關，如樹木或大型結構，必須加以避免。紅色區域是不安全的著陸點，未能達到安全標準。

E. MAA/ICE飛行顯示器和接口

無論是在測試中還是在部署的系統中，飛行員或操作員的態勢感知對安全的自主操作至關重要。對于這個系統，使用了兩個顯示器，即MAA OFN/SLAD地圖和ICE顯示器，它們都顯示在圖5中。這些顯示為飛行員在DVE中飛行任務提供足夠的態勢感知。

MAA OFN/SLAD地圖（圖5a）顯示了一個頂視圖，可以顯示衛星、地形或剖面信息。在地圖中嵌入了當前飛機高度的RiskMinOFN風險量的彩色編碼片，風險范圍從低（淺藍色）到高（紅色）。所需路徑的指示顯示為飛機前方的面包屑圖案。OFN的預期目的地顯示為一個洋紅色的點，預期的目的地航向顯示為羅盤玫瑰上的洋紅色箭頭。當接近目的地時，SLAD著陸掩碼與推薦著陸點一起嵌入OFN風險地圖（圖5b）。如前所述，SLAD的插圖顯示安全區域為綠色，不安全區域為紅色，推薦的著陸點是飛行員可以選擇的。

MAA引導的意圖也用紅色符號顯示在ICE顯示器上，它有兩頁（模式）。這包括在途（圖5c）頁和懸停/接近/起飛（HAT）符號頁（圖5d）。這兩個頁面都疊加在由LADAR傳感器生成的圖像上。白色的符號是飛機的測量狀態，而紅色的符號代表來自導航的指令值。

這項研究是由本世紀以來自主系統的增加以及測試和評估其性能的挑戰性所驅動。對當前文獻的回顧顯示，提出了驗證自主系統的方法，但很少有實施。它暴露了當前驗證和確認方法中的一些差距，并提出了填補這些差距的目標。通過使用建模、軟件循環（SITL）和飛行測試，這項研究驗證了無人駕駛航空系統（UAS）的自主蜂群算法，并驗證了測試框架的一個典范。

在兩天的飛行測試中產生的13組三飛行器群數據提供了一個基線算法分析。在這些測試中，飛行器分離距離平均偏離理想狀態5.61米，分離距離違規率<6.39%。蜂群在最佳情況下實現了0.27米的平均偏差和0.43%的違規率。在5赫茲的更新率下，飛行器之間的平均數據包損失為4.94%，最佳通信滯后< 0.04秒。

通過定性和定量分析的搭配所創建的多方位經驗分析提供了對飛行器行為的完整理解。該分析還確定了算法和測試框架的各種改進領域。這項研究的結果形成了一個基線測試連續體，可用于對自主系統的正式驗證的各種后續調查。

目標姿態估計和目標點選擇在直接能量武器系統中至關重要，因為它使系統能夠指向目標的特定和戰略區域。然而，這是一項具有挑戰性的任務，因為需要一個專門的姿態傳感器。在新出現的深度學習能力的激勵下，本工作提出了一個深度學習模型，以歐拉角的方式估計目標航天器的姿態。深度學習模型的數據是通過實驗從三維無人機模型中產生的，其中包括大氣背景和湍流等效應。目標姿態來自于二維關鍵點的訓練、驗證和預測。有了關鍵點檢測模型，就有可能檢測到圖像中的興趣點，這使我們能夠估計有關目標的姿勢、角度和尺寸。利用弱透視直接線性變換算法，可以從三維到二維的對應關系中確定三維物體相對于攝像機的姿勢。此外，從這種對應關系中，可以確定目標上的瞄準點，模仿激光跟蹤。這項工作評估了這些方法及其在模擬真實世界環境中實驗產生的數據的準確性。