無人飛行器/無人機（UAV）技術的最新進展極大地推動了無人飛行器在軍事、民用和商業領域的應用。然而，為無人機群建立高速通信鏈路、制定靈活的控制策略和開發高效的協同決策算法等方面的挑戰，限制了無人機群的自主性、魯棒性和可靠性。因此，越來越多的人開始關注協作通信，使無人機群能夠自主協調和通信，在短時間內合作完成任務，并提高效率和可靠性。本研究全面回顧了多無人機系統中的協作通信。我們深入探討了智能無人機的特點及其自主協作和協調所需的通信和控制要求。此外，還回顧了各種無人機協作任務，總結了無人機蜂群網絡在密集城市環境中的應用，并介紹了使用案例場景，以突出基于無人機的應用在各個領域的當前發展情況。最后，我們確定了未來需要關注的幾個令人興奮的研究方向，以推進無人機協作研究。

無人飛行器中的協作

起初，單無人機系統用于導航、監視和災難恢復，每個無人機作為一個孤立的節點直接與中央地面站連接。然而，在單無人機系統中，由于無人機在指定區域內獨立運行，因此更容易出現系統和通信故障。此外，無人機在網絡中獨立工作還需要更長的時間和更高的帶寬來完成任務。相比之下，在多無人機系統中，無人機共同工作以實現共同目標。例如，無人機可以協同工作，生成高分辨率圖像和三維地圖，以確定救災過程中的熱點區域。同時，配備嗅探器的無人機可以探測到高濃度的甲烷，從而找到破損的天然氣管道。因此，無人機還可以在不危及救援人員生命的情況下提供水和食物。因此，協調與合作對于在多無人機環境中實現理想性能至關重要。本節將詳細討論協作式無人機的要求和挑戰，如智能、通信、控制和協作。此外，我們還將介紹最先進的協作通信方法，以突出無人機網絡的貢獻和局限性。

A 智能無人機

傳統無人機的主要組成部分包括傳感、通信、控制和計算單元 [25]。傳感單元由集成在無人機上的多個傳感器組成，用于不同的目的，如評估高分辨率物體、溫度估計、光探測和天線配置[36]。同時，通信單元使無人機能夠相互通信并與中央控制站交換信息。強制控制單元通常控制傳統無人機的操作，包括避免碰撞、路徑規劃、目標跟蹤和資源管理。然而，與中央控制單元的頻繁通信以及無人機與無人機之間有限的通信能力限制了無人機獨立完成任務的自主性和協作性。例如，在救災行動中，具有自主功能的多架無人機可以執行協作功能，如一組無人機可以檢查危險區域，而其他無人機可以執行醫療援助補給投放任務，幫助災民。此外，配備高分辨率攝像頭和資源管理算法的無人機可以執行智能決策，將損失降到最低。同時，當無人機對城市環境中的風向模式有了更深入的了解后，它們可以利用這些知識避開亂流，選擇能量最小的路線，而無需頻繁接受控制單元的指令。

同樣，具有協作通信能力的智能無人機可以執行各種分布式操作，并為智慧城市應用做出獨立決策[32]。例如，在城市環境中工作的無人機需要與其他傳感設備、機器、機器人、無人機和人進行高度協調和協作，才能執行某些操作。因此，加強合作和對部署環境的了解有助于無人機與周圍物體進行無縫互動，以處理監測到的數據并做出實時決策，從而提高復雜環境中的安全性和可靠性[37]。同樣，無人機可以通過對城市環境中周圍物體的語義理解來提高物體識別能力，從而更好地理解和設計與周圍環境互動的方法。

然而，由于缺乏高效的智能自主無人機對無人機通信機制，無法實現無人機的獨立飛行、軌跡形成、目標定位和數據操作決策，這阻礙了基于無人機的應用范圍。因此，為了從無人機的天然特性（如高機動性、靈活部署和不同類型傳感器集成）中獲益，有必要更加關注無人機的自主性和智能協作通信能力集成，以提高無人機作為一個團隊了解環境、共享知識和資源以做出智能決策的性能，而無需高度依賴中央控制的系統指令[38]。

B 通信要求

在多無人機系統中，無人機之間以及無人機與中央骨干基礎設施之間都要進行通信，以順利完成各種指定任務。無人機與基礎設施網絡之間的通信一般遵循兩種通信模式，即無人機與基礎設施之間的通信和無人機與無人機之間的通信，以交換數據并確保高水平的連接性，從而實現協作通信。本節將詳細討論這兩種模式的通信要求。

1. 無人機對基礎設施： 如圖 2 所示，無人機對基礎設施通信可實現無人機與基礎設施網絡之間的信息傳輸，使用的平臺包括地面平臺、高空平臺（HAP）和衛星。無人機可充當通信中繼站、用戶或基站，以建立有效的通信。在無法直接聯系的情況下，無人機作為中繼器可在地面站和遠程基礎設施之間提供無線覆蓋。無人機作為中繼器具有許多優勢，如覆蓋范圍大、速度快、通信信道清晰、易于部署、數據轉發模式可靠等 [39]，[40]。無人機還可以作為用戶將任務卸載到邊緣服務器，從而以較低的延遲增強覆蓋范圍 [41]。與此同時，當無人機作為基站工作時，它們能為異構網絡提供更靈活的通信服務解決方案，因為它們能實現更好的 LoS 傳播、可擴展性和更高的運行高度[42]。本節重點介紹使用上述各平臺實現高效無人機群的主要通信要求。

2. 無人機對無人機通信： 除了無人機與基礎設施之間的通信外，有效的無人機對無人機鏈路可使無人機群克服各種基本挑戰，如自主飛行、避免碰撞、分布式處理和聯合行動。最新文獻提出了提供無人機對無人機通信的多種方法，包括衛星通信鏈路、Wi-Fi 鏈路、超高頻（UHF）鏈路、蜂窩通信鏈路、長距離廣域網（LoRAWAN）和自由空間光學（FSO）鏈路。本節將討論這些不同方法對實現穩定可靠的無人機對無人機通信的要求。

C 控制要求

由于無人飛行器體積小、成本低，因此需要一種成本效益高的控制系統，能夠在起飛、著陸、懸停、機動性、高度控制、定位和避免碰撞等方面實現靈活的移動和軌跡跟蹤。下文將討論無人機的主要控制要求：

• 起降：無人機可分為固定翼和旋翼兩種，兩者對起降都有特定要求。固定翼無人機的起飛和降落需要跑道，而旋轉翼無人機可以垂直起飛和降落，從而提高了其在各種民用領域的適用性[69]-[71]。在文獻[72]中，作者提出了一種混合垂直起降 VTOL 解決方案，該方案將固定翼和旋轉翼無人機的功能集成在一個平臺上，從而實現了長續航時間和高飛行效率。VTOL 方法需要一個固定翼位置控制器、旋轉翼位置控制器、過渡控制器和基于氣動特性的 VTOL 混合器，以實現過渡和提高飛行穩定性。在另一項工作[73]中，不同的 PID 控制器用于沒有跑道和發射回收設備的 VTOL，通過控制指令實現平穩運行。此外，在現有文獻[74]-[76]中，還介紹了使用可見光攝像傳感器、全球定位系統和 IMU，利用 PID 控制器進行起降的各種解決方案。

• 受控運動和懸停： 無人飛行器的旋翼使用螺旋槳，可實現滾動、推力控制、俯仰、偏航和六個自由度的旋轉、機動和懸停。無人飛行器的控制算法可調整滾轉、俯仰和偏航，以實現在 X 軸、Y 軸和 Z 軸上的穩定旋轉。現有研究提出了各種控制無人機運動的模型，例如，Thu 等人在文獻[77]中根據 "+"和"×"飛行配置，模擬了著名的四旋翼飛行器控制系統，以實現靈活的運動和機動。在另一項研究[78]中，設計了一個動態模型來控制無人飛行器在一個旋轉軸上的運動。Elkaim 等人在文獻[79]中介紹了一種無人機控制系統，該系統利用位置、速度和高度估計來控制無人機的運動和軌跡形成。另一篇論文[80]介紹了一種自主無人機飛行控制系統，該系統集成了全球定位系統，可生成最佳飛行路徑。此外，現有文獻還對油門運動、狀態信息和機載傳感組件進行了分析和建模，以實現穩定機動和懸停 [81]-[83]。

• 飛行中控制： 無人機的位置和速度等狀態信息用于引導和控制無人機進行著陸或物體跟蹤等精確操作。遙控航空模型自動駕駛儀（RAMA）在文獻[84]中有詳細描述，它利用高度、角速度和位置信息來設計小型無人機的控制系統。此外，PID 控制器也引起了學術界和工業界對無人機自主運行的極大關注 [85]。集成 PID 自動駕駛儀可實現一整套無人機自主導航和實時操作的航空電子設備 [86]。此外，PID 控制器還能提高可靠性，并以最小的誤差和能耗將飛行中的無人機穩定在預定軌跡上。

• 避免碰撞：這是無人機設計中確保無人機自主飛行的基本要求。現有文獻 [80]、[87] 提出了各種方法，如 GPS 導航和不同的防撞傳感器來避免碰撞。此外，根據現有研究[88]、[89]，廉價的商用傳感器（如紅外、壓力和高度傳感器）可以很容易地集成到無人機飛行系統中，以估計與障礙物的距離，從而控制其移動。此外，無人機的精確位置估計和軌跡規劃也是避免碰撞的基本要求[90]。

D 協同執行任務

本節將全面介紹協作通信方面的現有發展。無人機的協同任務允許多架無人機共享信息，以分布式的方式低成本、高效率地執行各種任務，并提高靈活性、魯棒性和容錯性。近年來，人們提出了一些協作通信架構，主要側重于將無人機網絡與 WSN、Ad-hoc 網絡和物聯網范例整合起來，以實現有效監測和數據收集[91]。此外，還提出了一些基于蜂群的方法，用于協作軌跡規劃、路由選擇和目標定位。

1. 基于蜂群的協作通信： 最近有幾項研究利用無人機群在短時間內協作完成任務，具有更好的覆蓋范圍、可靠性和效率。

2. 無人機群網絡的深度強化學習： 在過去幾年中，強化學習技術已被廣泛應用于提高無人機蜂群網絡在復雜環境中的路徑規劃、導航和控制性能[97], [98]。

3. 軌跡形成： 協作軌跡形成可使多個無人機找到從起點到目標點的最佳路徑。這是無人機系統的新興研究領域之一，因為協同路徑規劃可最大限度地降低定位成本、改進機動決策并有助于避免碰撞 [109]-[111]。

4. 合作目標定位： 精確定位可為目標指示、空中拍攝、數據傳感和空對地攻擊帶來顯著優勢[121]。

5. 數據收集： 在過去的幾年中，人們引入了許多協作通信機制，以改善遠程數據收集體驗[128]。

6. 協同決策： 無人機的自主操作需要做出復雜的決策，以實現應用目標，如消除威脅或時間緊迫的救援行動。這些復雜決策受到信息不足、高度不確定性、延遲和任務耦合的影響 [137]。

無人駕駛飛行器（UAV），尤其是電動多旋翼飛行器，在娛樂、運輸、物流和軍事領域越來越受歡迎。在撰寫本報告時，這些飛行器的主要缺點之一是，由于電池技術的限制，其續航能力有限。克服這種局限性的一個常用方法是使用多個飛行器合作實現某個目標。無人駕駛飛行器的這種應用被稱為蜂群，多個飛行器可以協調行動，以一定的隊形飛行，進入某個具有挑戰性的區域，或飛得更遠。與任何多組件系統一樣，蜂群的復雜性意味著存在多個故障點。高度復雜的實時協調飛行機制所帶來的任何不確定性風險都是安全關鍵行業所無法接受的。關鍵故障的后果可能是重大的生命損失、財產損失或環境危害。要擴大無人機群的使用范圍，確保無人機群的正確行為是必須解決的首要挑戰。模型檢查是驗證系統正確性的最可靠技術之一，它可以通過系統檢查所有可能的狀態來驗證系統的行為。系統驗證基于高級模型表示法，可以抽象出實現細節。由于需要投入大量時間和資源，這種軟件開發方法并不常用。本文介紹的工作提出了一個框架，用于對具有共同目標的代理分布式系統進行建模、驗證并提供正確性證據。具體來說，該框架展示了一個部分自動化的過程，將 UPPAAL 模型檢查器中建模的系統在機器人操作系統（ROS）環境中實現。目標系統是一個由無人機組成的蜂群，在通過共識協議實現領導者-追隨者分層結構的同時，飛向指定的目標位置。本文提供了將 UPPAAL 結構映射到 ROS 結構的算法表示。最后，還在 Gazebo 3-D 機器人模擬器中模擬了無人機任務的 ROS 實現。

在購置海軍平臺的資本有限的限制下，需要應對海上挑戰。像波浪滑翔機這樣的無人平臺可能有助于解決這個問題。波浪滑翔機是一種無人水下航行器，它可以配備一個被動陣列，并可以在感興趣的區域（AOI）保持長時間的部署。它們能夠提供分層防御，防止對手在不被發現的情況下穿越該區域，從而提供低成本、持久性的反潛戰（ASW）解決方案。在2016年由英國皇家海軍領導的 "無人勇士 "演習中，展示了反潛波浪滑翔機成功追蹤一艘載人潛艇的能力。然而，如何部署一定數量的波浪滑翔機來探測一艘過境的對手潛艇的問題仍然相對沒有被探索。本論文旨在開發一個模型，以確定部署的波浪滑翔機的探測能力，該模型考慮了與探測水下接觸有關的變量，在具有聲學挑戰性的水下環境中使用被動聲納，并在部署無人資產方面受到限制。該模型規定了實現特定探測概率所需的波浪滑翔機的最佳數量，并為其在AOI中的位置提供了參考，以盡量減少對手潛艇穿越該區域而不被發現的概率。

為了利用無人系統提供的無數優勢，近年來，它們在軍事行動中的地位越來越突出。無人系統，在這里是指無人水下航行器（UUV），被用于各種任務，如海洋學、反地雷、情報、監視和偵察（ISR），僅舉幾例。最近，UUV在反潛戰（ASW）領域的使用也有所發展。本論文探討了在反潛戰中使用 "波浪滑翔機"--一種配備了被動陣列的UUV。該方案圍繞著反潛波浪滑翔機在AUO中的最佳位置發展，以最大限度地提高探測到穿越該地區的敵方潛艇的概率。開發了一個模型來計算具有特定估計聲納范圍（ESR）的特定數量的波浪滑翔機所累積的探測概率。

為了開發這個模型，使用被動聲納方程闡明了裝有被動聲納的波浪滑翔機的水下探測特性。諸如設備、目標和環境特征等方面的因素被考慮到方程中。還考慮了影響聲音在水下傳播的各種因素，如傳輸損耗和水下噪聲的存在，它阻礙了從目標接收的整體聲音。被動聲納方程和其中涉及的參數被用來計算聲納的性能，稱為優點數字（FOM）和信號過剩（SE），它告訴我們目標發出的信號是否會被波浪滑翔機上的傳感器檢測到（Urick，1967）。此后，Poisson掃描模型（Washburn，2014年），它將探測模擬成一個Poisson過程，被用來制定探測的累積概率的表達。該表達式為橫向范圍函數鋪平了道路，該函數描述了在給定的環境條件下，波浪滑翔機在特定范圍內探測目標的能力。

為了最大限度地提高總體探測概率，探索了將波浪滑翔機置于不同的編隊中--即AOO中的障礙物、扇形、圓形和多障礙物。實驗是通過模擬潛艇穿越該地區周邊的隨機點來進行的。然后改變不同編隊中的ESR和波浪滑翔機的數量，以深入了解特定情況下的最佳位置。通過改變關鍵參數，如目標速度、泊松過程的檢測率和模擬中的FOM，也進行了敏感性分析，以分析它們對總體檢測概率的影響。模擬結果表明，將波浪滑翔機放置在AOO的障礙物陣中，可以最大限度地探測到穿越該區域的海底接觸物的概率。盡管屏障編隊總是比多屏障編隊提供更高的探測概率，但它可以作為一種戰術選擇，使潛艇在較長的時間內處于防御狀態，因為潛艇必須穿越穿插在一起的波浪滑翔機層。探測的概率隨著ESR探測率的增加而增加，而保持所有其他因素不變，則隨著目標速度的增加而減少。

2021年1月，美國防部發布了第一個反小型無人機系統戰略，以應對小型無人機系統的快速技術進步和擴散給軍事人員、設施和資產帶來的日益增長的風險。現有的反無人機能力--嚴重依賴電子戰來破壞用戶和設備之間的通信聯系--不再能解決不斷變化的威脅，包括自主無人機、COTS技術以及空域中越來越多的無人機，這些都能使C-sUAS操作者不知所措。為了應對日益復雜的小型無人機威脅，由陸軍領導的聯合反無人機系統辦公室正在為其新的系統方法尋求物資和非物資解決方案。一個令人困擾的C-UAS挑戰涉及到雷達探測系統將一些SUAS與其他飛行物體（如鳥類）區分開來，因為它們的尺寸相當，運動緩慢，高度較低。由于電子光學傳感器和人類操作員在規模上的分類數量有限，使用雷達數據進行不準確或低效的sUAS分類可能是一種武力保護威脅。本論文使用來自兩個不同訓練環境的鳥類和無人機雷達軌跡數據，探索數據中的隱藏結構，使用這兩個數據集開發獨立的無監督和監督學習模型，并試驗數據采樣和特征工程，以提高模型對不同環境和動態環境條件的魯棒性。

圖. 本論文方法包括兩個迭代，每個迭代都涉及不同的數據采樣技術（第3.4節）的兩階段統計學習方法（第3.5節）。然后，通過比較兩個迭代中各自的表現來分析和評估每個訓練算法，通過使用訓練算法的訓練地點的整個數據集和備用訓練地點的整個數據集來驗證每個算法的預測準確性。

無人機技術的快速發展--包括傳感器小型化、電池壽命、飛行效率和改進的控制機制--再加上無人機越來越便宜和商業用途，使其在社會中無處不在。然而，隨著無人機可用于越來越多的善意目的，有責任對無人機的使用進行適當的監管，以盡量減少高風險的意外事件和惡意行為者（包括恐怖分子和敵對政權）的邪惡活動的可能性。雖然無人駕駛飛機系統（UAS）已經存在了幾十年，但小型無人駕駛飛機系統（sUAS）的全球擴散給美國國防部（DOD）帶來了特別棘手的挑戰，因為不僅需要保護美國的領空、設施和關鍵基礎設施免受這種日益強大的新威脅，還需要將這種力量保護擴展到前沿作戰基地（FOB）或臨時任務支持點（MSS），此外還需要在戰斗中提供移動力量保護（MFP）。2020年，在納戈爾諾-卡拉巴赫44天的戰爭中，阿塞拜疆對其鄰國亞美尼亞的一系列攻擊（使用低成本的土耳其Baykar Bayraktar [TB2]無人機），以及烏克蘭堅韌不拔的防御和反擊。 在2022年俄烏戰爭初期，烏克蘭（在[TB2]無人機和數以千計的其他無人機系統的幫助下）進行了頑強的防御和反擊，以抵消俄羅斯前進的壓倒性軍事優勢，這提供了兩個引人注目的例子，說明傳統作戰系統在大規模無人機的不對稱威脅面前的脆弱性。

雖然反小型無人機系統（C-sUAS）的問題集有多個方面--從探測到動能或非動能威脅反應--國防工業正在努力解決，但數據科學家已經特別被雷達系統快速有效地從鳥類和其他大氣雜波中分辨出sUAS的挑戰吸引。雷達系統在探測和分類無人機系統方面通常有兩個主要問題。第一個問題涉及它們的尺寸（容易與鳥類混淆）和速度（非常快或慢，包括它們的懸停能力）的組合。第二，涉及到對具有各種飛行現象、雷達截面（RCS）、光學發射、反射特性和材料結構的多樣化的sUAS類型（介于兩個一般的旋轉翼和固定翼類別之間）的描述。盡管這一領域的一些研究致力于探索一種包括其他傳感器類型的系統方法--如光電/紅外(IR)、聲學和人員監視--以減少雷達系統的脆弱性，但這種解決方案假設了當今有這樣一個傳感器套件在一個固定地點協同工作的奢侈。然而，追求這種 "黃金標準 "的解決方案對于有效地從探測到分類空中物體的重要性，并不否認改進雷達系統的鑒別性能的持續重要性，無論是獨立的還是在不同傳感器類型的總體系統中。

經與Anduril工業公司協商，并使用來自兩種截然不同的訓練環境的鳥類和無人機的雷達跟蹤數據，本論文旨在實現兩個目標。首先，試圖用獨立的無監督和有監督的學習方法來驗證（或改進）來自國防工業的現有分類算法的性能，并在這兩種環境中分別訓練模型。第二，試圖加強模型對兩種不同環境和動態環境條件（即降水和風）的穩健性，目前在每個新環境中都需要一個漫長而昂貴的系統校準過程。

為了實現這兩個目標，本研究通過開發、測試和驗證各種無監督和有監督學習模型對來自訓練模型的環境和替代環境的鳥類和無人機的判別性能，對兩個訓練環境中的數百只鳥類和無人機的雷達軌跡數據（由Anduril Industries提供）進行了實驗。通過采用獨立方法，在兩個訓練環境中表現最好的模型成功地驗證了Anduril的分類器（由數據贊助商提供）的性能，該模型在同一環境中訓練和驗證的準確率分別達到97%和98%。然而，觀察到在另一個環境下驗證的準確率下降了20-25%（表現最好的模型），以及對兩種環境下的數據集和模型的明顯差異的直覺，促使對方法的第二次迭代進行了修改，在模型的穩健性方面取得了邊際改善。本論文最后提出了四項建議，即繼續使用這種方法進行統計和機器學習研究，但要探索收集更多的雷達軌跡數據特征，以便更好地捕捉鳥類和不同類型無人機之間的飛行現象學差異。

隨著無人駕駛飛行器（UAVs），也被稱為無人機，變得容易獲得和負擔得起，這些設備的應用已經大大增加。其中一種應用是使用無人機飛越大面積區域并探測所需實體。例如，一群無人機可以探測海洋表面附近的海洋生物，并向用戶提供發現的動物的位置和類型。然而，即使無人機技術的成本降低，由于使用內置先進功能的定制硬件，這種應用的成本也很高。因此，本論文的重點是編制一個容易定制的、低成本的無人機設計，并配備必要的硬件，以實現自主行為、蜂群協調和機載物體探測能力。此外，本論文概述了必要的網絡結構，以處理無人機群的互連和帶寬要求。

無人機機載系統使用PixHawk 4飛行控制器來處理飛行機械，使用Raspberry Pi 4作為通用計算能力的配套計算機，并使用NVIDIA Jetson Nano開發套件來實時進行物體檢測。實施的網絡遵循802.11s標準，采用HWMP路由協議進行多跳通信。這種拓撲結構允許無人機通過網絡轉發數據包，大大擴展了蜂群的飛行范圍。我們的實驗表明，所選的硬件和實現的網絡可以在高達1000英尺的范圍內提供直接的點對點通信，通過信息轉發可以擴大范圍。該網絡還為帶寬密集型數據（如實時視頻流）提供了足夠的帶寬。預計飛行時間約為17分鐘，擬議的設計為中程空中監視應用提供了低成本的無人機群解決方案。

人工智能（AI）在過去十年中在全球技術市場中占據領先地位，觸及工業的各個領域的應用，從人們熟悉的智能家電和消費電子的例子到國防。美國和中國代表著世界上最大的兩個經濟體。兩國都在參與人工智能技術競賽，在全球市場和戰場上實施這項技術。

中美人工智能技術競賽在兩個方面給美國帶來了困境：經濟和國防。如果中國成功地創造出完全自主的人工智能無人機并在全球市場上傳播，它將擁有經濟和戰場上的優勢。人民解放軍（PLA）武器庫中的完全自主的人工智能無人機將提供戰斗空間的實時畫面、先發制人的優勢、拒絕向鄰國開放水域和領土、控制貿易路線和有爭議的島嶼，并對美國在印度太平洋司令部（INDOPACOM）的全球力量投射產生負面影響。本論文試圖研究人工智能如何代表全球經濟和戰場上的關鍵因素，它在印度洋司令部能發揮什么具體功能，以及美國如何在與中國的競爭中贏得這場競賽。

在國家間的競爭中，擁有技術優勢的國家在歷史上能夠獲得優勢，盡管代價是破壞國際關系的穩定。這在歷史上表現為火藥、飛機、化學武器、英格瑪機、雷達、核武器和衛星的發明。在冷戰后和21世紀之交，常規威脅已經發展到新的技術領域。除了美國防部（DoD）公認的陸、海、空領域之外，還增加了兩個新的層面：太空和網絡空間。太空領域包括衛星和高超音速巡航導彈，以取代舊的彈道系統；網絡領域，隨著萬物互聯（IoE）的發明，保護國家免受黑客攻擊、商業機密和知識產權（IP）的盜竊。隨著網絡和太空領域的發展，空中領域現在采用了遙控飛機（RPA）作為無形的智能體。此外，新出現的人工智能（AI）技術，以其顯著的適應性，將把空域推向比RPA今天提供的更多的自主性。盡管人工智能的理論基礎可以追溯到20世紀50年代（Anyoha，2020年），但直到公開展示機器在某一特定領域超越人類智力時，它才成為一個討論的話題。

幾個世紀以來，計算科學已經從算盤發展到二進制邏輯，再到現代計算機，并繼續在私人和政府部門蓬勃發展。美國面臨的安全困境是，如果中國在人工智能技術方面的進步超過了美國，然后中國將其軍事化，美國將再次站在英格瑪機器和斯普特尼克的錯誤一邊。它將被留在另一個行為者的能力和意圖不確定性的斗篷中，其可能將美國從印度-太平洋地區的戰區中取代。

人工智能技術競賽與美國的核戰爭理論和太空競賽并不完全相同。因為這項技術在私營部門的應用非常廣泛，并不專屬于國防工業，所以需要一個更窄的形式。狹義的人工智能（NAI）對于它所構建的特定任務是獨一無二的。與物聯網類似，NAI的政策是基于每個國家如何實施的。人工智能與軍事技術的結合，國家關于人工智能的理論，公共和政府部門的貨幣投資，以及實現人工智能優勢的國內政策都特別有趣。這項技術具有巨大的力量潛力，國家可以利用它來對付他們的對手。研究它的軍事潛力并制定防御戰略以維持力量平衡，對于美國，尤其是印度太平洋戰區來說是當務之急。這篇論文研究了美國和中國是如何建立和維持它們的力量的。

第二章介紹了人工智能的概念，并概述了目前美國消費類電子產品和使用人工智能功能的電子產品的市場價值，讓讀者對這一新興技術有一個貨幣視角。它還定義了人工智能在國防方面的作用。

第三章回顧了全球化社會中技術競爭的廣泛概念，并介紹了中國作為一個崛起的大國和國際競爭者的地位。它描述了為什么這種技術從個人到國家的角度都很重要，這種技術競賽與太空競賽有什么不同，并從廣泛的地緣政治方面研究了中國是什么樣的行為者。

第四章研究了軍事航空如何納入NAI以及自主無人機將如何改變戰斗空間。本章重點關注美國已經在進行的具體人工智能進展，并將其應用于空域，以解釋天空中的狹義人工智能是如何成為首次打擊和保持對對手的戰略優勢的關鍵。

第五章對比了美國和中國為贏得這場技術競賽所追求的架構設計。這些對比包括每個國家的立法和基礎組織，知識產權保護，以及政府與私人產業和教育部門在實現人工智能首要地位方面的互動。

第六章從風險投資（VC）與政府支出的角度分析了人工智能的融資，討論了國防部門的人工智能技術的收購過程，并比較了每個國家之間的現有貨幣數據。

第七章研究了在沒有關于在戰場上使用完全自主性的國際交戰規則（ROE）的情況下，狹義的自主人工智能無人機如何呈現出錯綜復雜的道德困境。

在過去的十年中，使用自主無人機系統進行測量、搜索和救援或最后一英里的交付已經成倍增加。隨著這些應用的興起，需要高度穩健、對安全至關重要的算法，這些算法可以在復雜和不確定的環境中操作無人機。此外，快速飛行使無人機能夠覆蓋更多的地面，這反過來又提高了生產力，并進一步加強了它們的使用情況。開發用于高速導航的算法的一個代表是自主無人機競賽的任務，研究人員對無人機進行編程，使其盡可能快地使用機載傳感器和有限的計算能力飛過一連串的閘門并避開障礙。速度和加速度分別超過80公里/小時和4克，在感知、規劃、控制和狀態估計方面提出了重大挑戰。為了實現最大的性能，系統需要對運動模糊、高動態范圍、模型不確定性、空氣動力干擾和通常不可預知的對手具有魯棒性的實時算法。本調查涵蓋了自主無人機競賽的進展，包括基于模型和學習的方法。我們提供了該領域的概述，其多年來的演變，并以未來將面臨的最大挑戰和開放性問題作為結論。

縱觀歷史，人類一直癡迷于比賽，在那里，身體和精神的健康受到了考驗。最早提到的正式比賽可以追溯到公元前3000年的古埃及，法老被認為在賽德節上進行了一場比賽，以顯示他的身體素質，表明他有能力統治王國[1], [2]。隨著時代的發展，人類已經從步行比賽轉向使用戰車、汽車、飛機，以及最近的四軸飛行器[3]。雖然船只經常變化，但自早期的賽車以來，有一件事一直保持不變，那就是把任務作為科學和工程發展的催化劑，這是一個反復出現的主題。最近，我們看到有人推動將人類從循環中移除，將高度復雜的賽車任務自動化，以推動車輛性能超越人類所能實現的。

A 為什么要舉辦無人機比賽?

無人機競賽是一項受歡迎的運動，有高知名度的國際比賽。在傳統的無人機比賽中，每架無人機都由一名人類飛行員控制，他從機載攝像機接收第一人稱視角（FPV）的實時流，并通過無線電發射器駕駛無人機。圖1中可以看到無人機的機載圖像。人類無人機飛行員需要多年的訓練來掌握先進的導航和控制技能，這些技能是在國際比賽中取得成功所必需的。這種技能對于必須快速、安全地在復雜環境中飛行的自主系統也很有價值，其應用包括災難響應、空中運送和復雜結構的檢查。例如，在搜救場景中，無人機必須能夠在復雜的環境中快速導航，以最大限度地擴大其空間覆蓋。更簡單地說，能夠快速飛行的無人機就能飛得更遠[4]。

圖1：無人機競賽是一項迅速普及的運動，對手在由一系列門組成的預設賽道上競爭。自主的無人機競賽研究旨在建立能夠在這種比賽中勝過人類飛行員的算法。 a) 自主的無人機競賽任務在過去幾年中獲得了研究界的大量關注，每年相關出版物的數量不斷增加就說明了這一點。 b) 自主的無人機依靠視覺和慣性傳感器來估計自己的狀態，以及對手的狀態。

檢查任務的自動化可以拯救生命，同時比人工檢查更有成效。根據最近一項關于無人駕駛飛行器（UAV）在橋梁檢測中的使用的調查[5]，大多數用于檢測任務的無人機依靠GPS導航，而檢測效率的最大限制因素是無人機的耐力和機動性。此外，作者指出，美國幾個交通部用于勘察的最流行的無人機并不是完全自主的，需要專業的人類飛行員[5]。高度靈活的無人機系統的商業和安全優勢是顯而易見的，然而對自主無人機競賽的研究也可以幫助我們對人類飛行員的視覺處理和控制是如何工作的獲得新的理解，如[6]所示。

在過去的五年里，已經啟動了幾個項目來鼓勵該領域的快速進展，如DARPA的快速輕量級自主（FLA）[8]和歐洲研究理事會的AgileFlight[9]。這些項目的資金池都超過100萬美元，并具有巨大的商業潛力，這對研究人員和企業家探索敏捷飛行研究的新模式有很大的激勵作用。諸如IROS'16-19自主無人機競賽系列[10]、NeurIPS 2019的無人機游戲[11]和2019年AlphaPilot挑戰賽[12]、[13]等競賽為研究人員提供了進一步的機會，以競爭方式相互比較他們的方法。圖2中可以看到這些比賽所取得的進展的描述。

無人機競賽是一個具有挑戰性的基準，可以幫助研究人員衡量復雜的感知、規劃和控制算法的進展。比賽中的自主無人機必須能夠在幾十毫秒的范圍內進行感知、推理、計劃和行動，所有這些都在一個計算有限的平臺上進行。除了具有很大的挑戰性外，無人機競賽任務提供了一個衡量自主飛行機器人技術進展的唯一標準：單圈時間。解決這個問題需要算法高效、輕便，并實時提供最佳決策和控制行為。此外，如圖1所示，我們看到該領域的論文數量逐年呈指數式增長。

據作者所知，這是第一份關于自主無人機競賽技術狀況的調查。這一概述對于那些希望在現有工作之間建立聯系、了解當前和過去方法的優勢和劣勢，以及確定前進方向的研究人員來說是非常有用的，這將使該領域獲得有意義的進展。

B 任務說明

無人機競賽的任務是在最短的時間內駕駛四旋翼飛機按照給定的順序通過一系列的門，同時避免碰撞。人類在這項任務上的表現令人吃驚，他們以遠遠超過100公里/小時的速度飛行，只用第一人稱視角的攝像機作為他們的感官輸入。除此之外，專家級飛行員可以在幾分鐘內迅速適應新的賽道，然而專業無人機飛行員所需的感覺運動技能需要多年的訓練才能獲得。

對于自主無人機來說，要成功完成這項任務，它必須能夠檢測對手和賽道上的航點，計算它們在三維空間中的位置和方向，并計算出一個動作，使其能夠盡快地在賽道上導航，同時還能控制一個高度非線性系統的極限。這在三個不同方面具有挑戰性。感知、計劃和控制。其中任何一個方面的不良設計都可能造成比賽的勝負，而比賽的勝負可能由不到十分之一秒的時間決定。

本文的結構如下。首先，在第1節中詳細討論了無人機的建模過程，包括空氣動力學、電池、電機、相機和系統的非線性因素。第2節然后在第二節中介紹了一個經典的機器人管道。第3節介紹了一個經典的機器人管道，并深入探討了與敏捷飛行相關的文獻，分為感知、規劃和控制三個子節。之后，在第4節中我們深入研究了基于學習的感知、規劃和控制的方法，這些方法依賴于機器學習界的最新進展。然后，第5節討論了仿真工具的發展，這些工具可以使敏捷飛行的應用得到快速發展。第6節介紹了無人機競賽的歷史和用于每項競賽的方法。接下來，在第7節中提供了一個開放源代碼庫、硬件平臺和研究人員的數據集的摘要。最后，在第8節中對未來對自主無人機競賽感興趣的研究人員的機會和挑戰進行了前瞻性的討論。

人工智能在軍事領域的前景之一是其廣泛的適用性，這似乎可以保證其被采用。在軍事方面，人工智能的潛力存在于所有作戰領域（即陸地、海洋、空中、太空和網絡空間）和所有戰爭級別（即政治、戰略、戰役和戰術）。然而，盡管有潛力，需求和人工智能技術進步之間的銜接仍然不是最佳狀態，特別是在軍事應用的監督機器學習方面。訓練監督機器學習模型需要大量的最新數據，而這些數據往往是一個組織無法提供或難以產生的。應對這一挑戰的絕佳方式是通過協作設計數據管道的聯邦學習。這種機制的基礎是為所有用戶實施一個單一的通用模型，使用分布式數據進行訓練。此外，這種聯邦模式確保了每個實體所管理的敏感信息的隱私和保護。然而，這個過程對通用聯邦模型的有效性和通用性提出了嚴重的反對意見。通常情況下，每個機器學習算法在管理現有數據和揭示復雜關系的特點方面表現出敏感性，所以預測有一些嚴重的偏差。本文提出了一種整體的聯邦學習方法來解決上述問題。它是一個聯邦自動集成學習（FAMEL）框架。FAMEL，對于聯邦的每個用戶來說，自動創建最合適的算法，其最優的超參數適用于其擁有的現有數據。每個聯邦用戶的最優模型被用來創建一個集成學習模型。因此，每個用戶都有一個最新的、高度準確的模型，而不會在聯邦中暴露個人數據。實驗證明，這種集成模型具有更好的可預測性和穩定性。它的整體行為平滑了噪音，同時減少了因抽樣不足而導致的錯誤選擇風險。

關鍵詞：聯邦學習；元學習；集成學習；軍事行動；網絡防御

1 引言

隨著步伐的加快，人工智能（AI）正在成為現代戰爭的重要組成部分，因為它為大規模基礎設施的完全自動化和眾多防御或網絡防御系統的優化提供了新的機會[1]。人工智能在軍事領域[2]的前景之一，似乎保證了它的采用，即它的廣泛適用性。在軍事方面，人工智能的潛力存在于所有作戰領域（即陸地、海洋、空中、太空和網絡空間）和所有級別的戰爭（即政治、戰略、戰役和戰術）[3]。但與此同時，隨著參與連續互聯和不間斷信息交換服務的互聯系統數量的實時擴大，其復雜性仍在成倍增長[4]。從概括的角度來看，可以說人工智能將對以下任務產生重大影響：

1.太快的任務，反應時間為幾秒鐘或更少，在高復雜度（數據、背景、任務類型）下執行。

2.操作時間超過人類耐力的任務，或意味著長期的高操作（人員）成本。

3.涉及巨大的復雜性的任務，需要靈活地適應環境和目標的變化。

4.具有挑戰性的行動環境，意味著對作戰人員的嚴重風險。

支持上述任務的實時監測事件的應用程序正在接收一個持續的、無限的、相互聯系的觀察流。這些數據表現出高度的可變性，因為它們的特征隨著時間的推移而發生巨大的、意想不到的變化，改變了它們典型的、預期的行為。在典型情況下，最新的數據是最重要的，因為老化是基于它們的時間。

利用數據的軍事人工智能系統可以將軍事指揮官和操作員的知識和經驗轉化為最佳的有效和及時的決策[3,4]。然而，缺乏與使用復雜的機器學習架構相關的詳細知識和專業知識會影響智能模型的性能，阻止對一些關鍵的超參數進行定期調整，并最終降低算法的可靠性和這些系統應有的概括性。這些缺點正在阻礙國防的利益相關者，在指揮鏈的各個層級，信任并有效和系統地使用機器學習系統。在這種情況下，鑒于傳統決策系統無法適應不斷變化的環境，采用智能解決方案勢在必行。

此外，加強國防領域對機器學習系統不信任的一個普遍困難是，采用單一數據倉庫對智能模型進行整體訓練的前景[1]，由于需要建立一個潛在的單點故障和對手的潛在戰略/主要目標[6]，這可能造成嚴重的技術挑戰和隱私[5]、邏輯和物理安全等嚴重問題。相應地，可以使更完整的智能分類器泛化的數據交換也給敏感數據的安全和隱私帶來了風險，而軍事指揮官和操作人員并不希望冒這個風險[7]。

為了克服上述雙重挑戰，這項工作提出了FAMEL。它是一個整體系統，可以自動選擇和使用最合適的算法超參數，以最佳方式解決所考慮的問題，將其作為一個尋找算法解決方案的模型，其中通過輸入和輸出數據之間的映射來解決。擬議的框架使用元學習來識別過去積累的類似知識，以加快這一過程[8]。這些知識使用啟發式技術進行組合，實現一個單一的、不斷更新的智能框架。數據保持在操作者的本地環境中，只有模型的參數通過安全流程進行交換，從而使潛在的對手更難干預系統[9,10]。

2 提出的框架

在提議的FAMEL框架中，每個用戶在水平聯邦學習方法中使用一個自動元學習系統（水平聯邦學習在所有設備上使用具有相同特征空間的數據集。垂直聯邦學習使用不同特征空間的不同數據集來共同訓練一個全局模型）。以完全自動化的方式選擇具有最佳超參數的最合適的算法，該算法可以最佳地解決給定的問題。該實施基于實體的可用數據，不需要在遠程存儲庫中處置或與第三方共享[11]。

整個過程在圖1中描述。

圖1.FAMEL框架。

具體來說就是：

步驟1--微調最佳局部模型。微調過程將有助于提高每個機器學習模型的準確性，通過整合現有數據集的數據并將其作為初始化點，使訓練過程具有時間和資源效率。

步驟2--將本地模型上傳至聯邦服務器。

步驟3--由聯邦服務器對模型進行組合。這種集成方法使用多種學習算法，以獲得比單獨使用任何一種組成的學習算法都要好的預測性能。

步驟4--將集成模型分配給本地設備。

從這個過程中產生的最佳模型（贏家算法）被輸送到一個聯邦服務器，在那里通過啟發式機制創建一個集成學習模型。這個集成模型基本上包含了本地最佳模型所代表的知識，如前所述，這些知識來自用戶持有的本地數據[12]。因此，總的來說，集成模型提供了高概括性、更好的預測性和穩定性。它的一般行為平滑了噪音，同時降低了在處理本地數據的場景中由于建模或偏見而做出錯誤選擇的總體危險[13,14]。

結論

將機器學習應用于現實世界的問題仍然特別具有挑戰性[44]。這是因為需要訓練有素的工程師和擁有豐富經驗和信息的軍事專家來協調各自算法的眾多參數，將它們與具體問題關聯起來，并使用目前可用的數據集。這是一項漫長的、費力的、昂貴的工作。然而，算法的超參數特征和理想參數的設計選擇可以被看作是優化問題，因為機器學習可以被認為是一個搜索問題，它試圖接近輸入和輸出數據之間的一個未知的潛在映射函數。

利用上述觀點，在目前的工作中，提出了FAMEL，擴展了制定自動機器學習的一般框架的想法，該框架具有有效的通用優化，在聯邦層面上運作。它使用自動機器學習在每個聯邦用戶持有的數據中找到最佳的本地模型，然后，進行廣泛的元學習，創建一個集成模型，正如實驗所顯示的那樣，它可以泛化，提供高度可靠的結果。這樣，聯邦機構就有了一個專門的、高度概括的模型，其訓練不需要接觸他們所擁有的數據的聯合體。在這方面，FAMEL可以應用于一些軍事應用，在這些應用中，持續學習和環境適應對支持的行動至關重要，而且由于安全原因，信息交流可能很難或不可能。例如，在實時優化有關任務和情況的信息共享方面就是這種情況。在部署了物聯網傳感器網格的擁擠環境中，FAMEL的應用將具有特別的意義，需要滿足許多安全限制。同樣，它也可以應用于網絡空間行動，在雜亂的信息環境和復雜的物理場景中實時發現和識別潛在的敵對活動，包括對抗負面的數字影響[45,46]。必須指出的是，在不減少目前所描述的要點的情況下，所提出的技術可以擴展到更廣泛的科學領域。它是一種通用的技術，可以發展和產生一種開放性的整體聯邦學習方法。

盡管總的來說，聯邦學習技術的方法論、集成模型以及最近的元學習方法已經強烈地占據了研究界，并提出了相關的工作，提升了相關的研究領域，但這是第一次在國際文獻中提出這樣一個綜合框架。本文提供的方法是一種先進的學習形式。計算過程并不局限于解決一個問題，而是通過一種富有成效的方法來搜索解決方案的空間，并以元啟發式的方式選擇最優的解決方案[47,48]。

另一方面，聯邦學習模型應該對合作訓練數據集應用平均聚合方法。這引起了人們對這種普遍方法的有效性的嚴重關注，因此也引起了人們對一般聯邦架構的有效性的關注。一般來說，它將單個用戶的獨特需求扁平化，而不考慮要管理的本地事件。如何創建解決上述局限性的個性化智能模型，是目前一個突出的研究問題。例如，研究[49]是基于每個用戶必須以聯邦的形式解決的需求和事件。解釋是可解釋系統的各種特征，在指定的插圖的情況下，這些特征有助于得出結論，并在局部和全局層面提供模型的功能。建議只對那些變化程度被認為對其功能的演變相當重要的特征進行再訓練。

可以擴大擬議框架研究領域的基本課題涉及元集成學習過程，特別是如何解決創建樹和它們的深度的問題，從而使這個過程自動完全簡化。還應確定一個自動程序，以最佳的分離方式修剪每棵樹，以避免負收益。最后，探索將優化修剪的樹的版本添加到模型中的程序，以最大限度地提高框架效率、準確性和速度。

（完整內容請閱讀原文）

最近小型無人駕駛飛行器（UAV）技術的進步重新激發了對民用和軍用廣域搜索（WAS）算法的額外研究需求。但由于無人機環境和設計的差異性極大，利用數字工程（DE）來減少推進這項技術所需的時間、成本和精力。數字工程還允許快速設計和評估利用和支持WAS算法的自主系統。現代WAS算法可以大致分為基于決策的算法、統計算法和人工智能（AI）/機器學習（ML）算法。這項研究繼續了Hatzinger和Gertsman的工作，創建了一個基于決策的算法，該算法將搜索區域細分為被稱為單元的子區域，決定一個最佳的下一個單元進行搜索，并將搜索結果分配給其他合作搜索資產。每個合作搜索資產將存儲以下四個關鍵數組，以決定搜索哪個單元：每個單元的當前估計目標密度；一個單元中的當前資產數量；每個合作資產的下一個搜索單元；以及任何資產在一個單元中的總時間。一個基于軟件的模擬環境，即模擬、集成和建模高級框架（AFSIM），被用來完成驗證過程，創建測試環境和被測系統（SUT）。此外，該算法針對各種分布的威脅進行了測試，以模擬目標的集群。最后，從人工智能和ML中引入了新的有效性措施（MOEs），包括精確度、召回率和F分數。使用方差分析（ANOVA）和協方差矩陣對Hatzinger和Gertsman的新的和原始的MOEs進行了分析。這項研究的結果顯示，該算法對原始MOEs或新MOEs沒有明顯的影響，這可能是由于與Hatzinger和Gertsman相比，網絡化協作自主彈藥（NCAM）的傳播情況相似。該結果與目標分布標準差的減少即目標聚類呈負相關。這第二個結果更令人驚訝，因為更緊密的目標分布可能會導致更少的搜索區域，但NCAM繼續分布它們的位置，而不管確定的集群。

為了面對軍事防御的挑戰，軍隊及其戰術工具的現代化是一個持續的過程。在不久的將來，各種任務將由軍事機器人執行，以實現100%的影響和0%的生命風險。國防機器人工程師和公司有興趣將各種戰略自動化，以獲得更高的效率和更大的影響，因為陸地防御機器人的需求正在穩步增長。在這項研究中，軍事防御系統中使用的陸地機器人是重點，并介紹了各種類型的陸地機器人，重點是技術規格、控制策略、戰斗參與和使用目的。本研究還介紹了陸地機器人技術在世界軍事力量中的最新整合，其必要性，以及各國際防務公司對世界經濟的貢獻，表明其在軍事自動化和經濟穩定中的優勢。本報告還討論了近期發展的局限性和挑戰、機器人倫理和道德影響，以及與機器人安全有關的一些重要觀點和克服近期挑戰的一些建議，以促進未來的發展。

引言

為了加強軍事防御系統，必須大力發展和提高智能自主戰略能力。在大多數第一世界國家，研究國防技術改進是實現軍事防御現代化的優先事項。未來戰爭的特點可以根據不同領域的沖突進行分析，如：海洋、陸地、空中、網絡、太空、電磁和信息。隨著現代智能和機器人技術的改進，跨域（X域）和多域戰略也需要被關注。無人自主X域（多域）系統，簡稱UAxS，現在是研究和發展的重點，以使軍事力量更加強大、有力和智能。圖1展示了多域和X域的戰爭模式。

圖 1：多域和 X 域戰爭模型

現代防御機制可以在四個相互關聯的領域進行研究：先進的戰艦、良好的通信、人工智能和自主武器。這基本上意味著在軍事防御系統中實施機器人技術。在戰場上，一支裝備精良的機械化部隊是指揮官非常重要的資產。在戰爭中，指揮官必須專注于火力、機動性、人機合作、決策、支持裝甲和指揮步兵。在未來，機器人和自動化系統將通過提供支持和減少負擔來幫助解決這些問題，因為這些系統將更加智能、可靠和合作。在最近的軍事活動中，機器人和自主技術被用于偵察、設備供應、監視、掃雷、災難恢復、受傷士兵的檢索等（Dufourda, & Dalgalarrondo, 2006；Akhtaruzzaman, et al., 2020）。

為了確保可靠的使用和獲得最高的技術影響，機器人必須在半自動化、自動化和人機交互工程方面進行良好的設計。無人地面車輛（UGV）很有前途，在國防應用中具有很大的潛力，在這些應用中高度需要更快和可靠的通信鏈接（鏈接預算）和快速獲取信息（RAtI）（Akhtaruzzaman, et al., 2020）。機器人的價值比人的生命還要低。機器人在感知、檢測、測量和分析方面速度更快。機器人沒有任何激情或情感，不會像人類那樣感到疲勞或疲倦，而是在極端和關鍵條件下保持運作。在不久的將來，機器人將成為作戰計劃和參與的核心技術（Abiodun, & Taofeek, 2020）。它們將能夠通過智能傳感器技術與環境溝通，通過建模理解環境，理解人類的行動，定義威脅，服從命令，以更高的處理能力獲取信息，通過信息交換和共享與其他機器人互動，通過先進的控制技術自主適應敵對環境，并通過強大的計算能力與自動生成的程序應用智能進行自我學習（Akhtaruzzaman, & Shafie, 2010a, 2010b; Karabegovi?, & Karabegovi?, 2019）。

在不久的將來，UGV系統將成為軍事行動的關鍵技術，因為它們將確保幾乎零人力風險，不需要將人力直接安置到戰斗中。UGV系統還將能夠開放各種設施，如負載、自動監視、邊境巡邏、風險降低、障礙物清除、力量倍增器、遠程操縱、信號中繼等（Sathiyanarayanan等人，2014）。陸地防衛機器人必須能夠適應各種崎嶇的地形、惡劣的環境和非結構化的區域，同時發揮指定的作用并保持指揮層次。作為軍事部隊的一種程度，陸地機器人不能給團隊帶來任何額外的工作負擔。因此，必須實施有效的人工智能（AI）工程，以實現UGV或陸地機器人與行動部隊之間可靠的人機合作。

今天的智能機器人或自主武器仍然處于狹義人工智能（ANI）的水平（Horowitz，2019年），或者以某種方式處于ANI和通用人工智能（AGI）之間。這反映出它們還沒有準備好在災難或戰爭等敵對情況下完全自主并做出可靠的決定。人類擁有在很大程度上應用感知經驗的智慧，能夠適應環境，并能在關鍵情況下做出適當的決定。如果這些能力能夠被植入機器人的大腦，該系統就可以說是AGI系統。盡管與人類相比，機器人可以抵御枯燥、骯臟和危險的工作，但它們包括一些有限的功能，如航點或目標導向的導航、障礙物檢測、障礙物規避、威脅檢測、人類檢測和識別、定位、地圖構建、通過圖像和聲音處理提取信息，以及與其他機器人的某種合作。因此，如果能確保機器人和人類之間的良好合作，機器人將在人類的監督下自主工作，那么軍用地面機器人將是最有效的。

本研究對軍用陸地機器人系統、最近的技術進步、應用和道德影響進行了回顧。一些發達國家和不發達國家的現狀，以及通過推進和發展軍事武器、自動化武器和智能技術對世界經濟的工業影響，都反映在審查研究中。本文還闡述了參與戰爭的機器人倫理以及該技術對道德國家的影響。該研究主要試圖通過確定最近的差距、局限性和技術進步的倫理影響，來確定地面機器人技術的最新應用和實施情況。