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

開發既能安全導航又能在無人干預的情況下執行指定任務的空中機器人--即乘客和貨物的完全自主空中移動--是指導空中自主領域研究、設計和開發工作的更大愿景。然而，要同時實現所有類型的空中飛行器完全自主地共享空域是極具挑戰性的。航空運輸領域的完全自主包括幾個方面，如為飛行器提供動力的技術設計、多智能體機隊的運行以及符合航空領域嚴格安全要求的認證過程。因此，"自主先進空中機動性"仍然是一個模糊的術語，其對研究人員和專業人員的影響也不明確。為了填補這一空白，我們從一個全面的角度介紹了自主先進空中機動性這一新興領域，其中涉及使用無人駕駛飛行器（UAV）和電動垂直起降（eVTOL）飛機進行各種應用，如城市空中交通、包裹遞送和監視。文章提出了一個可擴展、可延伸的自主框架，由四個主要模塊組成：感知、知覺、規劃和控制。此外，文章還討論了多智能體機隊運營和管理方面的挑戰和機遇，以及自主航空系統的測試、驗證和認證方面的問題。最后，文章探討了單體模型在航空自主方面的潛力，并分析了其優勢和局限性。該視角旨在為先進的自主航空機動性領域及其未來發展方向提供一個整體圖景。

圖 1 先進的自主空中機動性--從整體和跨學科的角度詳細介紹。

圖 3 空中移動的自主模塊框架

圖 3 顯示了擬議的自主模塊框架。四個主要模塊（傳感、感知、規劃和驅動）被進一步細分為多個子模塊，分別描述了底層傳感機制、數據處理模塊、數據流模式和機器人算法，這些模塊完成了各種子任務，使航空飛行器能夠在特定環境中進行導航。

1. 傳感

傳感是指利用各種傳感器和傳感技術從環境中收集數據或信息的過程。傳感包括捕捉周圍環境的原始數據，如視覺圖像、距離測量、速度、高度和其他相關信息。在空中移動方面，傳感器對于了解飛行器周圍環境（即環境）和自身狀態（飛行器的動態、配置等）至關重要，可幫助飛行器收集實時數據。這些傳感器可包括攝像頭、LiDAR（光探測與測距）、雷達、GPS（全球定位系統）、IMU（慣性測量單元）等。

2. 感知

感知是繼傳感之后的更高層次的過程。它涉及對傳感器收集和預處理（在一定程度上）的數據進行解釋和理解。感知算法和系統將來自不同傳感流的數據結合起來并進行分析，以識別和辨認物體、障礙物、地形、地標以及環境中的其他相關特征。感知還包括估計這些物體的相對位置和速度，確定其對飛行安全和導航的重要性，并預測其未來的移動[45]。吸收有關車輛自身狀態的數據也是感知過程的一部分。從本質上講，感知使自主系統能夠了解其周圍環境、相對于周圍環境的相對位置和狀態，并在此基礎上做出明智的決策。下表簡要列出了各種狀態變量和參數，這些變量和參數被感知、測量并最終輸入感知模塊。

3. 規劃 "路徑規劃 "和 "任務規劃 "在自主空中移動或一般機器人技術中是兩個不同的概念。

a) 路徑規劃

路徑規劃是指為飛行器（如無人機或其他無人飛行器）確定最佳路徑或軌跡的過程，使其在避開障礙物并遵守某些約束條件的情況下，從當前位置導航到特定目標或目的地。路徑規劃算法會考慮飛行器的動態、環境信息（障礙物、地形等）以及其他相關因素，以計算出最有效且無碰撞的路徑。路徑規劃的目標是找到一條可行且安全的軌跡，引導車輛從起點到達終點，同時優化時間、能耗或平穩性等標準。

b) 任務規劃

任務規劃則是一個更高層次的概念，涉及定義和組織自主系統為實現特定目標而需要完成的一系列任務或目標。它包括確定車輛或機器人為成功完成任務而應遵循的行動順序、航點和目標。任務規劃包含多個方面，包括單個環節的路徑規劃、任務分配、資源管理以及多個車輛或智能體之間的協調（如適用）。它要考慮任務的總體目標，優化資源和任務分配，以高效實現任務的最終目標。下圖 4 顯示了任務規劃所考慮的各種因素。因此，路徑規劃可視為任務規劃流程中的一個子模塊。

4. 控制

自主系統框架的第四個也是最后一個功能塊是執行。在空中自動控制的情況下，執行就是控制。在感知和理解環境后，飛行器需要進行相應的操作。這是通過控制算法實現的。這些算法根據動態感知的環境、車輛的空氣動力學和當時的氣象條件來決定車輛應如何移動。

圖 9 國家空域系統 (NAS) 運行與城市空中交通 (UTM) 運行的整合。傳統飛行器和 AAM 飛行器共享 ATM 和 UTM 管理的空域（見圖右側）。

圖 9 提供了 NAS 和 UTM 運行的綜合視圖，其中 A 類至 G 類飛行器使用各自的 VLOS 和 BVOLS 協議運行。

本文介紹了基于元學習概念實現數字孿生的初步研究。邁向建立理想數字孿生的第一步的主要目標是評估適合國防工業環境的適當方法。主要的挑戰是如何在數據稀缺的情況下訓練和驗證模型，這也是國防領域的一個共同主題。目前的用例是先進的水下防御系統中使用的鋰離子電池，旨在創建一個可用于維護和設計目的的數字人工制品。最初的實施采用了循環神經網絡（RNN）和模型診斷元學習（MAML）來實現內部和外部學習循環，以達到學習者能夠快速適應新任務的目的。基礎學習器利用電池退化的開放數據集為元模型生成梯度。研究結果凸顯了數字孿生作為水下防御系統明智決策、提高可靠性和準備狀態的寶貴工具的潛力。

圖：理想情況下，數字孿生可支持系統的整個生命周期，包括設計、制造、使用和服務/維護。

2022 年底，薩伯公司向瑞典國防物資管理局（FMV）和瑞典武裝部隊交付了最先進的魚雷系統薩伯輕型魚雷（SLWT），如圖 所示。該魚雷長約 2.85 米，直徑 0.4 米，總重量約 340 千克。SLWT 的推進系統集成了一個泵噴射驅動裝置、一個帶變速箱的直流電動機和一個可充電鋰離子電池。

國防工業數字孿生的利益與挑戰

國防工業數字孿生技術的數據基礎設施所面臨的挑戰是多方面的，需要仔細考慮。數據收集和整合是重大障礙。數字孿生依賴于來自各種傳感器、平臺和系統的大量異構數據。以標準化格式整合和協調這些數據是一項復雜的任務，尤其是在處理可能具有不同協議和安全要求的遺留系統和機密信息時。顧名思義，數字孿生系統必須使用物理資產記錄的數據來構建，這就聯系到本文的基本研究問題。在人工智能時代，數據顯然至關重要，但航空航天和國防（以及其他領域）需要高度發達的數據保護程序，因此數據隱私和安全保證已成為人工智能發展的重要義務。個人數據和專有數據泄露、誤用和濫用的風險顯然令人擔憂，尤其是基于云的解決方案和其他分布式解決方案，因為這些解決方案的基本基礎設施掌握在第三方手中。要構建防御系統的數字孿生技術，在選擇 ML 技術時必須考慮有限的數據訪問和嚴格的數據處理程序。在國防領域，確保數據的安全性和保密性至關重要。考慮到數據泄露對軍事行動的潛在影響，保護敏感信息免遭未經授權的訪問或網絡威脅至關重要。實施強大的加密、訪問控制和安全數據傳輸機制對于維護數字孿生數據基礎設施的完整性和保密性至關重要。

另一個核心問題是可擴展性和實時數據處理，因為它們構成了重大挑戰。國防應用通常需要實時決策，這就要求數據基礎設施能夠處理大量數據并快速處理這些數據，以支持具有時間敏感性的行動。

同樣明顯的是，在與不同國防機構或盟國（如北約內部）合作時，數據互操作性仍然是一個挑戰。建立通用的數據標準和協議對于確保數字孿生系統之間的無縫數據交換和有效互操作性至關重要。要應對這些挑戰，需要采取整體方法，涉及國防機構、技術提供商和決策者之間的合作，為國防工業中的數字孿生創建穩健、適應性強的數據基礎設施。

在本文中，所需的數字孿生的主要目的是實現對所選 SLWT 資產進行實時監控和預測性維護的工具。通過根據每個資產的高保真模型模擬其電池的行為，可以深入了解每個資產電池的健康、性能和 RUL 方面的情況。通過探索各種運行條件和配置，有望促進優化和性能提升。從長遠來看，這反過來又可對電池參數進行微調，以在不同情況下實現最佳性能，特別是對于未來設計和其他系統概念而言。此外，預計數字孿生技術還將有助于風險評估和緩解。通過將虛擬電池置于模擬的極端條件和故障場景下，有可能找出并解決漏洞，從而提高整個 SLWT 的可靠性和安全性。因此，數字孿生技術有望促進更好地了解電池與系統中其他組件的相互作用，從而提高系統集成和整體效率。

本研究中介紹的數字孿生是一項正在進行中的工作，因此本節的重點是展示迄今為止取得的成果。使用 MAML 以及在牛津電池降解數據集上訓練的基礎學習器構建有效數字孿生的過程仍在進行中，有待進一步完善。盡管如此，所取得的成果為元學習器預測電池行為的潛力提供了寶貴的啟示。本節介紹了數字孿生設計的基本思想，接下來的章節將介紹當前的研究成果，展示數字孿生方法在實際應用中優化電池管理和性能預測的可行性和廣闊前景。

現代空對空導彈依賴于通過數據鏈更新的目標位置和速度數據，直到其自身的尋的器能夠鎖定目標。數據鏈目標數據的質量取決于位置和速度更新的誤差、更新延遲和更新丟失。本文介紹了一個分析這些數據利用情況的模擬框架。該框架由描述目標、導彈和生成數據鏈目標更新的模型組成。文中介紹的多功能模擬實驗分析了數據鏈數據質量對不同空對空導彈性能的影響。性能的衡量標準是殺傷概率。模擬結果表明，在嘗試過渡到使用導彈的尋的器之前，最終更新的質量對性能的影響最大。除非很大比例的目標更新丟失或尋的器鎖定目標延遲，否則導彈通常可以在致命失誤距離內擊中目標。本文提出的框架適用于評估所有類型制導武器的性能。

1. 導言

飛機的作戰生存能力取決于對敵方探測和火力的控制。因此，現代空戰幾乎全部使用超視距導彈（BVR）。因此，現代空戰幾乎都使用超視距導彈（BVR）。要提高生存能力，就必須努力提高導彈的運動射程。設計人員試圖通過進一步開發導彈火箭發動機和采用空氣呼吸導彈發動機來實現這一改進。本文討論的現代空對空導彈（AAM）使用主動雷達或被動光電紅外尋的器。Stillion、Fleeman、Eichblatt、Norman 和 Watson 的著作中包括了這類導彈的實例。受可用空間和電力以及成本因素的限制，尋的器的探測距離仍然大大低于導彈的運動距離。因此，在目標進入尋的器的探測范圍之前，需要持續的外部目標數據為導彈提供支持。

由目標位置和速度更新組成的數據通過數據鏈路發送。目標數據可能來自單個傳感器，也可能來自多個空基、地基或空基傳感器，它們相互補充測量結果。使用獨立的傳感器平臺可使發射平臺在發射導彈后離開交戰區。主要傳感器是雷達和紅外搜索與跟蹤系統（IRST）。一旦射手確定了目標軌跡，就可以從自身或導彈傳感器的探測范圍和萬向限制之外發射導彈。在導彈飛行過程中，網絡成員可重新瞄準導彈或中止交戰。圖 1 是空戰場景的一個簡化示例。

圖 1. 使用數據支持導彈的現代 BVR 空戰。

在圖 1 中，地基和空基傳感器平臺提供的目標數據在網絡中融合，然后通過數據鏈路發送給包括導彈在內的網絡成員。現代網絡結構中存在各種類型的平臺，網絡中可以包含更多數量的傳感器。不過，就本文而言，平臺數量最多限于四架飛機。導彈的飛行分為三個階段：發射、中段和末段。在發射階段，導彈脫離發射平臺、加速并利用彈道整形獲得勢能。在中段階段，導彈利用數據鏈更新（DLU）和機載導航系統向目標引導。這些更新本身包含誤差和延遲。射程、角度及其速率的測量精度各不相同。由于大射程、數據鏈天線模式和電磁頻譜操作的影響，導彈不可能接收到所有 DLU。一旦目標進入尋的器的探測范圍和萬向節限制之內，導彈就開始捕獲目標。DLU 的估計精度和導彈導航系統與 DLU 的延遲確定了不確定度量，導彈據此搜索目標。導彈利用不確定度量來確保獲取預定目標。對位置和速度同時使用不確定度量，可使導彈嘗試對位置接近但速度不同的目標進行分類。參與測量目標和網絡跟蹤目標數據融合的傳感器的類型、數量和位置會影響體積的形狀和大小。一旦尋的器鎖定目標并似乎能提供可靠的數據，導彈就會進入終端階段并停止使用 DLU。數據鏈目標數據的質量取決于位置和速度更新的誤差、更新延遲和更新丟失。

網絡中心戰和導彈的發展增加了數據鏈的使用。因此，必須研究如何利用數據鏈目標數據來制定空戰戰術、技術和程序（TTPs）。本文介紹了為這些研究開發的導彈數據鏈分析（MisDA）模擬框架。特別是，本文將集中分析數據鏈數據的質量因素對反坦克導彈性能的影響。這里，性能的衡量標準是殺傷概率 PK，即導彈是否能進入目標的致命失誤距離內。這個 PK 不能高于探測概率 PD，后者描述了導彈鎖定目標的能力。本文的模擬實驗結果包括 PD 和 PK，以便更精確地分析數據鏈目標數據的質量。目標數據融合的確切貢獻不在本文討論范圍之內，本文框架僅使用了一個簡單的目標數據融合模型。

關于導彈自動駕駛儀和制導法的分析與開發以及飛機對導彈的規避機動，已經發表了大量論文。然而，這些論文并未考慮使用數據鏈目標數據。此外，還研究了數據鏈導彈的最佳支持時間以及小組在空戰中對 DLU 的最佳使用。這些研究并未涉及數據鏈數據的質量問題。一項研究使用了一種輔助方法來分析導彈向終端階段的過渡。另一項研究側重于開發雷達尋的器模型，使用了數據鏈數據的隨機位置誤差和丟失的 DLU 的隨機貢獻。在上述所有研究中，導彈模型都對空氣動力學、尋的器和推進器進行了簡化。上文討論的一些研究只使用了導彈模型的三個平移自由度（3-DOF）。沒有考慮提供目標數據的傳感器的精度或不確定性量。高保真導彈模型已被用于空戰 TTPs 分析、空勤人員培訓以及武器系統的性能分析和比較。然而，目前還沒有關于使用這類模型分析數據鏈目標數據的使用情況或其質量影響的出版物。

本文有兩方面的貢獻。首先，新的仿真框架--MisDA--包含了本研究中開發的傳感器平臺、數據鏈和目標捕獲模型。像 MisDA 這樣的綜合仿真框架，能夠對現代空戰中數據鏈的使用進行透明、可控的分析，這在非保密文獻中還沒有出現過。第二個貢獻是通過多功能模擬實驗證明了 MisDA 的用途，其中分析了數據鏈目標數據的質量因素對反坦克導彈性能的影響。此外，這些實驗還包括研究使用雷達和 EO 傳感器的策略如何影響質量因素。這些戰術包括傳感器的數量和位置以及雷達傳感器的模式等。此外，本文還說明了不同類型導彈對質量因素與導彈性能之間相互聯系的影響。此類分析尚未在非保密文獻中發表過。

本文結構如下。第 2 部分介紹了 MisDA 及其模型。第 3 節介紹了仿真實驗，第 4 節討論了實驗結果。第 5 節為結束語。

2. MisDA 仿真框架

MisDA 由描述導彈、目標、發射平臺（LP）、傳感器平臺（SP）、DLU 生成和目標捕獲的模型組成。MisDA 的結構如圖 2 所示。本文描述的模型以灰色標出，之前介紹的模型以白色標出。

圖 2. MisDA 模擬框架及其模型。

發射場景是指交戰的幾何形狀和參與行動者的飛行條件。它由 LP、SP 和目標的軌跡定義。軌跡指的是位置 p(t) 和速度 v(t) 的時間 t 歷史記錄。3-DOF 軌跡子模型根據用戶給 MisDA 的輸入，通過組合直線和水平飛行、爬升和下降、協調轉彎、上拉和編織機動等片段來生成這些軌跡。模型和子模型將在以下段落中介紹。MisDA 由 Matlab 實現，可在確定性或隨機模式下使用。

本文提出了一種名為 "自適應蜂群智能體"（ASI）的新范例，在這種范例中，異構設備（或 "智能體"）參與協作 "蜂群 "計算，以實現穩健的自適應實時操作。自適應群集智能是受自然界某些系統的協作和分散行為啟發而產生的一種范式，可應用于物聯網、移動計算和分布式系統等領域的各種場景。例如，網絡安全、聯網/自動駕駛汽車和其他類型的無人駕駛車輛，如 "智能 "無人機群。這絕不是一份詳盡無遺的清單，但卻說明了可以從這一范例中獲益的眾多不同領域。本文介紹了在未來聯網/自動駕駛車輛中進行合作傳感器融合的具體人工智能案例研究，該案例構成了由 IBM 主導的 DARPA DSSoC 計劃下的 "認知異構系統的高效可編程性"（EPOCHS）項目的驅動應用。鑒于 EPOCHS 的規模，我們將重點關注項目的一個具體部分：用于多車輛傳感器融合的 EPOCHS 參考應用 (ERA)。我們展示了 x86 系統上的特性分析結果，從而得出了有關 ERA 性能特征和實時需求的初步結論。本文簡要介紹了 EPOCHS 的路線圖和未來工作。

圖 4：作為 DARPA 贊助的 EPOCHS 項目的一部分，互聯/自動駕駛車輛中基于蜂群的傳感器融合。

這項工作旨在利用無線音頻傳感器網絡為無人駕駛航空器系統（UAS）提出一種探測、識別和跟蹤解決方案。根據適用于無人機系統的技術趨勢（更小、更便宜、更合作），我們提出了一種采用與 "攻擊者 "相同技術方法的分布式監控解決方案。特別是，由于無人機會引起周圍聲學環境的變化，我們研究了音頻傳感器網絡的使用。更確切地說，我們采用了一種三階段算法來檢測監控環境中音頻能量的存在，識別特定的音頻特征，然后與多節點方法合作跟蹤無人機。通過實驗獲取的音頻信號，我們展示了所提方法的初步性能。我們還討論了改進實際實施的未來工作。

參考場景

微型和小型無人機（1 千歐元及以下）成本低，易于采購，使恐怖分子使用這種技術的障礙降至零。此外，開放源碼技術通常用于設計無人機系統的某些組件，這就為設計專用有效載荷的人填補了一個很小的知識空白。如此易于采購和個性化的飛行平臺最終可以接近合理的目標。根據這一趨勢，協調無人機中隊很快就會成為任何人都可以利用的資源。應對這種威脅的措施不可能是集中式的。目前，我們看到的非對稱解決方案適用于前沿作戰基地或安裝了大型無人機探測器的沙漠場景。然而，這種威脅在城市場景中可能無處不在，因此建議采用對稱的對策，即分布式、小型和廉價的對策。

特別是近年來無線傳感器網絡的不斷發展，以及節點的小型化和低成本化，可以為城市環境或復雜場景提供最合適的解決方案，因為在城市環境或復雜場景中，可能會有平民存在，而固定的軍事設施可能并不合適。

如圖 2-1 所示，這項工作將以大量廉價音頻傳感器為參考場景，每個傳感器都能夠識別無人機的音頻特征，并在發現匹配時，通過與其他節點協作定位惡意來源。研究的重點是在空曠場地場景中，利用音頻陣列檢測、識別和跟蹤單架無人機或小型無人機群，即可與單個大型單元同化。

方法

由于所提方法的目標具有三重性（即檢測、識別和跟蹤惡意無人機），因此我們的方法采用了三層算法疊加的方式。圖 3-1 給出了所追求的研究方法的總體描述。我們依靠獲取音頻信號來準確描述無人機系統的存在。第一層用于檢測無人機系統的存在。在這一階段，音頻傳感器從環境中采集少量樣本，例如每秒一次，以揭示從環境中感知到的音頻能量異常。

當這一層檢測到匹配時，第二層就會在短時間內（如約 240 毫秒[3]）通過連續采樣進行識別。識別階段的目標是區分異常聲音是否與飛越音頻傳感器網絡的無人機有關，并最終確定其類型。我們將研究兩種主要方法：一些作者在 [1] 中提出的方法和循環神經網絡 (RNN) [6]。第二識別層中的正匹配將啟用第三階段的跟蹤算法。在這一階段，發出警報的節點（在識別階段匹配成功的節點）會喚醒鄰居節點，以執行波束形成跟蹤。這是耗電量最大的階段，因為需要維護音頻傳感器網絡與其遠程控制中心之間的通信鏈路，以及音頻傳感器的連續采樣階段。

所采用的分層策略應能優化計算能力和電池需求。事實上，始終處于活動狀態的第一層執行的是低復雜度、低消耗的數學計算。另一方面，只有在出現異常音頻時，才會執行更強大的計算，即細粒度簽名識別和音頻跟蹤。

在本項目中，我們從多個方面研究了無人機自組織網絡的通信和安全挑戰：i) 我們為特設無人機網絡開發了一種新的路由協議，以處理此類網絡的高度動態性。我們的研究表明，所提出的路由算法在流量成功率、吞吐量和流量完成時間方面都優于所有知名基準；ii) 我們研究了自組織無人機網絡的安全挑戰，并表明現有的基于預分配的密鑰管理協議容易受到合作攻擊。我們設計了一種基于區塊鏈的密鑰交換算法，以提高網絡抵御此類攻擊的能力。

近來，物聯網（IoT）技術為農業、工業和醫學等許多學科提供了后勤服務。因此，它已成為最重要的科研領域之一。將物聯網應用于軍事領域有許多挑戰，如容錯和 QoS。本文將物聯網技術應用于軍事領域，創建軍事物聯網（IoMT）系統。本文提出了上述 IoMT 系統的架構。該架構由四個主要層組成： 通信層、信息層、應用層和決策支持層。這些層為 IoMT 物聯網提供了容錯覆蓋通信系統。此外，它還采用了過濾、壓縮、抽象和數據優先級隊列系統等數據縮減方法，以保證傳輸數據的 QoS。此外，它還采用了決策支持技術和物聯網應用統一思想。最后，為了評估 IoMT 系統，使用網絡仿真軟件包 NS3 構建了一個密集的仿真環境。仿真結果證明，所提出的 IoMT 系統在性能指標、丟包率、端到端延遲、吞吐量、能耗比和數據減少率等方面均優于傳統的軍事系統。

提議的IoMT系統架構

IoMT 系統由一組在戰場上應組織良好的軍事設備組成。無人機、作戰基地、艦艇、坦克、士兵和飛機等這些物品應在一個有凝聚力的網絡中進行通信。在 IoMT 網絡中，態勢感知、響應時間和風險評估都會得到提高。此外，IoMT 環境應涉及對普適計算、普適管理、普適傳感和普適通信的全面認識。此外，IoMT 可能會導致傳感器等網絡事物產生超大規模的數據。此外，這類網絡所需的計算量非常大，而這些計算的結果應能實時準確地實現。因此，IoMT 系統架構應考慮上述注意事項。

因此，建議的體系結構由四層組成： 通信層、信息層、應用層和決策支持層（見圖 1）。通信層關注的是事物如何在一個大網絡中相互通信。信息層涉及軍事數據的收集、管理和分析。應用層包括控制不同通信軍事系統的應用程序。最后，決策支持層負責決策支持系統，幫助戰爭管理者做出準確、實時的決策。下文將對每一層進行深入討論。

3.1 通信層

IoMT 系統可視為物聯網的一個特殊例子。因此，IoMT 環境與物聯網環境有些相似，只是在事物類型、通信方式等方面略有不同。根據這一理念，IoMT 環境可定義為一組使用互聯網相互通信的不同網絡。這些網絡應包括軍事任務中的主動和被動事物。IoMT 系統中應構建的主要網絡包括無線傳感器（WSN）、射頻識別（RFID）、移動特設（MANET）、衛星和高空平臺（HAP）網絡。由于 WSN 在許多軍事問題中的重要性，它被納入了 IoMT 系統。WSN 通過快速收集和提供危險數據來協助戰爭行動。然后，將這些數據發送給最合適的人員，以便實時做出正確決策。因此，除了協調自身的軍事活動外，WSN 的主要目標是監測和跟蹤敵方士兵和其他敵方事物的動向。傳感器可以遠距離分布，覆蓋大片區域。這些傳感器通過控制其行為的基站進行通信。由于 RFID 網絡在軍事領域的重要性，它在 IoMT 環境中得到了體現。軍隊中最重要的問題之一就是大部分物品都要貼上標簽。在戰場上使用 RFID 可以為士兵、貨物、小型武器、飛機、射彈、導彈等提供一個具有監控功能的跟蹤系統。例如，定期掃描每個人的醫療情況和效率是戰爭中一個非常重要的問題。城域網在 IoMT 系統中的表現也是一個重要問題，因為它可以用來促進士兵、武器、車輛等的通信。城域網在軍事上有許多特別的應用，如安裝在飛機和地面站之間的網絡或船舶之間的網絡。每種特設網絡的要求都取決于軍事任務的類型。此外，在軍事應用中使用的特設設備都配備了路由場景，可以利用最佳路由路徑自動轉發數據。物聯網依賴互聯網技術來促進通信，這是一個普遍的邏輯。遺憾的是，某些作戰地點可能沒有互聯網技術。因此，尋找替代通信技術非常重要。這就是在覆蓋目標中使用 HAP 網絡的原因。軍用物資分布面積大，因此必須以可靠的方式進行覆蓋，以保證通信效率。HAP 網絡可作為互聯網之外的第二種通信策略選擇。HAP 網絡的高度有限，因此容易成為敵方的攻擊目標，其故障概率可能很高。如果 HAP 網絡出現故障，通信系統將面臨很大問題，可能會影響軍事任務的執行。因此，應構建一個衛星網絡來覆蓋故障的 HAP 網絡，并覆蓋 HAP 網絡或互聯網可能無法覆蓋的軍事事物（見圖 2）。不同網絡之間的通信難題只需使用報頭恢復技術即可解決。在這種技術中，每個網絡之間都應添加一個翻譯器，用目的節點的報頭封裝每個數據包。新的報頭使數據包可以被理解；這可以通過系統路由器來實現（見圖 3）。

圖2: 通信網絡(該圖部分摘自[23])

圖3: 報頭轉換過程

3.2 信息層

這一層非常重要，因為它代表著 IoMT 系統架構的核心。射頻識別（RFID）、傳感器等軍用設備收集的信息應以安全、珍貴、實時的方式進行傳輸、存儲和分析。這一層的首要功能是在信息處理后對收集到的信息進行組織和存儲。IoMT 系統數據的處理被認為是一個具有挑戰性的問題，因為在短時間內可以收集到 TB 級的數據。因此，應在不影響質量的前提下盡量減少這些數據。此外，IoMT 的特殊要求（如實時決策）也不容忽視。在 IoMT 系統架構中，數據處理包括四個步驟： 優先化、過濾、壓縮和抽象。下面將對優先級排序過程進行說明。數據過濾、數據壓縮和數據抽象技術在第 4.1 小節中說明。

確定優先級的步驟包括處理不同優先級的數據。對于戰爭管理者（即軍隊將領）來說，收集到的每項數據都有一定的重要程度。因此，應將數據分為若干優先級，以便在 IoMT 系統饑餓的情況下優先處理和發送高優先級的數據。隊列系統就是用來實現這一優先級劃分步驟的。由于 IoMT 系統數據分類數量龐大，因此采用了六隊列系統。因此，IoMT 系統數據將被分為六個不同的類別。第一類代表最重要的 IoMT 系統數據；第二類代表不太重要的數據，依此類推。分類過程將動態完成，因此每個類別中的數據可能會根據戰爭任務的性質發生變化。為切實實現這一步，下一代路由器應具備對 IoMT 系統數據進行分類的能力。圖 4 說明了優先級排序過程。

圖4: 數據分類過程的簡單視圖

3.3 應用層

IoMT 系統架構中的應用層包括管理、監視等戰爭任務中使用的異構應用。該層應使用一個通用應用程序管理這些應用程序的功能，同時不影響其效率。這些應用程序的統一過程應基于通信數據（信息交換）來實現。在數據通信中，一個應用系統的輸出數據可能是另一個應用系統的輸入數據。因此，確定戰爭應用程序的輸入數據和輸出數據被認為是這一層最重要的目標之一。例如，飛機或發射器的火箭發射應用的輸入需要衛星監控應用的輸出數據，而衛星監控應用可能需要 WSN 應用的數據。信息層和應用層之間的通信非常重要，因為作為輸入和輸出的數據應首先在信息層處理。因此，在設計用于管理軍事應用程序的通用應用程序時，應首先確定每個應用程序的輸入和輸出數據。然后，應確定數據處理的時間（硬、實或軟）。例如，在戰斗停止期間，某個目標的坐標突然發生變化，三個應用程序應實時交互，以完成任務并擊中新位置上的目標。這些相互作用的應用程序構成了 WSN、戰爭管理以及執行任務的飛機機艙。還應確定應用特殊應用程序的優先順序。例如，在敵方多次攻擊特定目標的情況下，防御應用程序將優先啟動。

根據上述討論，一般管理應用程序應有一個專門的數據庫。該數據庫存儲有關單個軍事應用程序的動態變化數據。這些數據與以下主題有關： 輸入和輸出、單個應用程序之間的數據流方向、硬時間軍事情況、實時軍事情況、軟時間軍事情況以及每個應用程序的優先級。這些優先級應根據戰爭形勢來確定。根據綜合管理 IoMT 應用程序的性質，IoMT 系統數據庫的設計可以是分布式的，也可以是集中式的。在分布式數據庫中，應注意數據庫服務器之間交互的復雜性，特別是在需要硬時間或實時交互的事件中（見圖 6）。 、

3.4 決策支持層

戰爭中最重要的問題之一是決策過程。在技術戰爭中，決策應具備準確性、實時性、清晰性、安全性和快速分發等諸多規格。所有這些指標都應與信息層收集的數據相關。雖然信息與軍事決策之間關系密切，但所提出的 IoMT 系統架構在信息層和決策支持層之間還有一個中間層，即應用層。短時間內收集到的大量 TB 信息需要進行分析、過濾、優先排序和壓縮。這些過程已經在信息層中完成。但是，信息層沒有能力確定信息在應用層之間的移動方向（即信息的正常順序）。這種信息順序意味著，每個數據段都應指向一個合適的應用程序，以便實現互補和平衡。這些信息將用于決策過程。例如，假設戰爭管理者有一個目標，要求以特定的安排和特定的順序處理信息，直到軍事偵察之旅取得一定的結果。該目標的完成將通過步兵和防空來實現。因此，應用層和決策支持層之間的聯系將對高精度規格的決策產生良好的影響，這將在關鍵的戰爭事件中發揮作用。

簡單地說，本文概述的決策支持流程包括五個步驟： 事件權重、解決方案識別、選擇一種解決方案、行動和輸出評估（見圖 7）。戰爭管理者可根據自身經驗水平提取事件權重。一旦對事件有了充分了解，就該確定解決方案了。在準備決策時，有許多不同的備選方案。因此，確定可用行動的范圍非常重要。接下來，應選擇備選方案，并確定每個備選方案的風險。然后，就該采取行動了。應確定實施計劃，并提供實施所選解決方案所需的資源。應預先確定執行時間，然后開始執行。最后，應對選定解決方案的執行結果進行評估。請注意，有許多決策支持系統在經過實際測試（如 [24,25]）后，可在 IoMT 中實施。

決策支持層可能面臨三大挑戰。第一個挑戰是數據過多或不足。這意味著決策支持層的輸出會延遲或不準確，這可能會造成災難，因為在大多數戰爭時期都需要實時決策。第二個挑戰是問題識別錯誤。在大多數戰爭任務中，圍繞一項決策會有許多問題。然而，有時卻無法確認這些問題的真實性。第三個挑戰是對結果過于自信。即使決策過程得到了準確執行，實際產出也可能與預期產出不完全一致。應用層將通過確定決策構建所需的準確信息、對問題的準確定義以及輸出調整來應對這些挑戰。因此，決策支持層將使用應用層的輸出。因此，在擬議的 IoMT 架構中，這些層之間的分離是一個需要考慮的重要問題。

仿真

首先，應構建一個軍事模擬環境，以測試所提議的 IoMT 架構的性能。網絡模擬器 3（NS3）是最廣泛使用的網絡模擬軟件包之一，將用于實現這一目標。軍事模擬環境由五種不同類型的網絡組成，其中包括分布在大片區域的大量節點。這五種網絡分別是 WSN、RFID、MANET、HAP 和衛星網絡。這些網絡是根據戰場需求確定的。文獻[26]中的仿真用于評估所提出的 IoMT 架構。在 WSN 仿真中，成千上萬的傳感器分布并部署在戰爭環境中。一個或多個基站將這些傳感器相互連接起來，并從中收集信息。在突發事件中，傳感器能夠向基站發送陷阱信息。然后，如果情況緊急，需要迅速做出決定，基站將直接把信息發送給執行者，如戰士、管理人員等。不過，在正常情況下，基站會將收集到的信息（詳細信息或摘要）重新發送給負責決策的管理人員。基站應該是智能的，并通過編程來實現這一目標。為了在 IoMT 中準確呈現 WSN，傳感器應具有不同的傳輸范圍。對于 RFID，美國軍方在第二次海灣戰爭中使用了最佳方案[27]。每個士兵身上都應貼有一個 RFID 標簽，以便在戰場上進行追蹤。此外，商業貨運和航空托盤等戰爭工具也應貼上 RFID 標簽，以便了解坦克和計劃等關鍵工具的最新狀態。此外，為了挽救士兵的生命，建議的模擬系統考慮了專門用于戰爭的移動醫院，并應配備 RFID 技術。此外，還利用 RFID 技術觀察軍隊的小型庫存物品，以實現更嚴格的庫存控制。對于城域網仿真，它包含戰場對象（如車輛、士兵和信息提供者）之間的臨時通信。在某些軍事情況下，很難通過數據采集中心傳遞或發送信息。因此，城域網仿真的一個考慮因素就是在數據傳輸中使用這種網絡。文獻[28]中所述的架構用于 HAP 和衛星網絡的通信。互聯網仿真使用了 [29] 中介紹的路由算法和 [30] 中介紹的物聯網混合組播架構。多媒體傳輸使用[31]，但傳統軍事系統的模擬則使用[32,33]中所述的準則。

在信息層模擬中，將隨機、動態地創建 IoMT 數據。然后，這些數據將被分類并進入隊列，每個隊列將作為一個數據類別。動態數據的創建取決于存儲在特殊數據庫中的戰爭任務。本模擬場景中使用了 [34] 中所述的壓縮技術和數據過濾技術來減少數據，這是信息層的主要目標之一。應用層模擬也取決于戰爭任務，其中包括許多模擬網絡場景。每個網絡應用程序的輸入和輸出數據都在模擬文件中預先確定。網絡應用程序與綜合管理應用程序之間的通信是通過信息傳輸實現的。文獻[35]中的仿真用于決策支持層。戰爭任務的部分建模和仿真來自文獻[36]，仿真中使用的武器的一般規格來自文獻[37]。圖 8 顯示了擬議的 IoMT 系統模擬環境的全貌。

美國軍方正在開發大型無人駕駛飛行器蜂群，這將降低飛行員的風險，并提高應對同行對手時的靈活性。本研究對空軍特種司令部目前在確定無人飛行器的預期成功率時所考慮的戰略進行了評估，這些戰略受距離、預算和特定場景假設的限制。我們將任務成功率定義為在一個 10×10 公里的模擬搜索區域內，飛行器蜂群發現并跟蹤指定目標的比例。通過模擬，我們發現根據預算和目標探測情況，Altius-900、Dominator 和 Voly 的任務成功率最高。我們的研究結果為無人機的未來應用提供了支持，并讓我們更深入地了解了哪些屬性對空軍特種作戰司令部的任務成功最為重要。

圖 1. AFSOC A2E 簡報（左）和未來戰斗（右）所定義的現狀（AFSOC，2022 年）

1 引言

如表 1 所示，空軍目前部署的第 4 和第 5 組無人機（UAV）是重量超過 1320 千克的無人機，由地面控制站通過衛星通信進行控制。未來的目標是讓地面控制人員掌握從我們的研究中獲得的最新見解，使他們能夠提高無人機群的性能。這一新能力將使我們的戰斗減少對衛星的依賴，最大限度地降低人為風險，從而形成一支更靈活、更有效的部隊。空軍部長查爾斯-布朗（Charles Q. Brown）將軍在其 "加速變革或失敗 "的指令中指出："我們必須專注于聯合作戰概念，通過聯合全域指揮與控制，快速推進數字化、低成本、高科技的作戰能力"，這說明了技術先進的軍隊的必要性（布朗，2022 年）。目前，空軍特種作戰司令部（AFSOC）的發展工作正處于基礎階段，使用 "警戒精神"（VS），這是一種多功能控制站能力，提供軟件、模擬和自主性，旨在任務和控制多個無人系統。截至 2023 年，AFSOC 的大型無人機由一名飛行員和一名傳感器操作員控制，但未來的目標是從能夠自主運行的大型無人機中部署小型無人機。此外，如圖1所示，美國戰地指揮和控制中心只在有爭議或被封鎖的空域部署小型無人機，以盡量減少開支和人員傷亡。

圖 1 左側圖片展示了美國海軍陸戰隊目前和未來的新一代自適應機載企業（A2E）。目前，無人機由不同的地面站和不同的機組人員操作和控制。然而，未來的 A2E 將有一個多功能控制站，偏離 1:1 的控制方式，以便在有爭議的空間獲得競爭優勢。右圖顯示了美國海軍陸戰隊從 2024 年開始采用殺傷鏈方法增強作戰能力的計劃。任務分為允許區域、有爭議區域和拒絕區域。允許區域包括第 4 或第 5 組無人機的通信組件和部署地點。在有爭議地區，第 1 或第 2 組無人機跟蹤、瞄準和打擊被拒空間的敵軍。要想取得成功，美國海軍陸戰隊需要知道哪些小型無人機能夠成功完成任務，以及部署后應該如何行動。本研究探討了部署策略、使用哪種無人機以及哪種配置最有效。我們重點利用美國空軍司令部和 MITRE 提供的理論來指導我們的研究。

美國陸軍對人工智能和輔助自動化（AI/AA）技術在戰場上的應用有著濃厚的興趣，以幫助整理、分類和澄清多種態勢和傳感器數據流，為指揮官提供清晰、準確的作戰畫面，從而做出快速、適當的決策。本文提供了一種將作戰模擬輸出數據整合到分析評估框架中的方法。該框架有助于評估AI/AA決策輔助系統在指揮和控制任務中的有效性。我們的方法通過AI/AA增強營的實際操作演示，該營被分配清理戰場的一個區域。結果表明，具有AI/AA優勢的模擬場景導致了更高的預期任務有效性得分。

引言

美國陸軍目前正在開發將人工智能和輔助自動化（AI/AA）技術融入作戰空間的決策輔助系統。據美國陸軍機動中心稱，在決策輔助系統等人工智能/輔助自動化系統的協助下，士兵的作戰效率可提高10倍（Aliotta，2022年）。決策輔助工具旨在協助指揮官在作戰場景中減少決策時間，同時提高決策質量和任務效率（Shaneman, George, & Busart, 2022）；這些工具有助于整理作戰數據流，協助指揮官進行戰場感知，幫助他們做出明智的實時決策。與使用AI/AA決策輔助工具相關的一個問題是，陸軍目前缺乏一個有效的框架來評估工具在作戰環境中的使用情況。因此，在本文中，我們將介紹我們對分析框架的研究、設計和開發，并結合建模和仿真來評估AI/AA決策輔助工具在指揮和控制任務中的有效性。

作為分析框架開發的一部分，我們進行了廣泛的文獻綜述，并與30多個利益相關者進行了利益相關者分析，這些利益相關者在人工智能/AA、決策輔助、指揮與控制、建模與仿真等領域具有豐富的知識。根據他們對上述主題的熟悉程度，我們將這些利益相關者分為若干焦點小組。我們與每個小組舉行了虛擬焦點小組會議，收集反饋意見，并將其用于推動我們的發現、結論和建議（FCR）。同時，我們還開發了一個逼真的戰場小故事和場景。利用該場景和我們的FCR輸出，我們與美國陸軍DEVCOM分析中心（DAC）合作開發了一個功能層次結構，通過建模和仿真來測量目標。我們將假設的戰斗場景轉移到 "一個半自動化部隊"（OneSAF）中，該模擬軟件利用計算機生成部隊，提供部分或完全自動化的實體和行為模型，旨在支持陸軍戰備（PEOSTRI, 2023）。使用分析層次過程，我們征詢了評估決策者的偏好，計算了功能層次中目標的權重，并創建了一個電子表格模型，該模型結合了OneSAF的輸出數據，并提供了量化的價值評分。通過A-B測試，我們收集了基線模擬和模擬AI/AA效果的得分。我們比較了A情景和B情景的結果，并評估了AI/AA對模擬中友軍任務有效性的影響。

文獻綜述

分析評估框架可針對多標準決策問題對定量和/或定性數據進行評估。定性框架，如卡諾模型（Violante & Vezzetti, 2017）、法式問答（Hordyk & Carruthers, 2018）和定性空間管理（Pascoe, Bustamante, Wilcox, & Gibbs, 2009），主要用于利益相關者的投入和頭腦風暴（Srivastava & Thomson, 2009），不需要密集的計算或勞動。定量評估框架以數據為導向，提供一種數學方法，通過衡量性能和有效性來確定系統的功能。分析層次過程（AHP）適用于我們的問題，因為它使用層次設計和成對的決策者偏好比較，通過比較權重提供定性和定量分析（Saaty，1987）。雖然AHP已被廣泛應用，但據我們所知，該方法尚未被用于評估人工智能/自動分析決策輔助工具，也未與A-B測試相結合進行評估。

指揮與控制（C2）系統用于提供更詳細、更準確、更通用的戰場作戰畫面，以實現有效決策；這些C2系統主要用于提高態勢感知（SA）。研究表明，使用數字化信息顯示方法的指揮官比使用無線電通信收集信息的指揮官顯示出更高水平的態勢感知（McGuinness和Ebbage，2002年）。AI/AA與C2的集成所帶來的價值可以比作戰斗視頻游戲中的 "作弊器"：它提供了關于敵方如何行動的信息優勢，并幫助友軍避免代價高昂的后果（McKeon，2022）。對C2系統和SA的研究有助于推動本文描述的小故事和場景的發展。

建模與仿真（M&S）是對系統或過程的簡化表示，使我們能夠通過仿真進行預測或了解其行為。M&S生成的數據允許人們根據特定場景做出決策和預測（TechTarget，2017）。這使得陸軍能夠從已經經歷過的作戰場景和陸軍預計未來將面臨的作戰場景中生成并得出結論。模擬有助于推動陸軍的能力評估。測試和評估通常與評估同時進行，包括分析模型以學習、改進和得出結論，同時評估風險。軍隊中使用了許多不同的M&S工具。例如，"步兵戰士模擬"（IWARS）是一種戰斗模擬，主要針對個人和小單位部隊，用于評估作戰效能（USMA, 2023）。高級仿真、集成和建模框架（AFSIM）是一種多領域M&S仿真框架，側重于分析、實驗和戰爭游戲（West & Birkmire, 2020）。在我們的項目范圍內，"一支半自動化部隊"（OneSAF）被用于模擬我們所創建的戰斗情況，以模擬在戰場上擁有人工智能/自動機優勢的效果。

如前所述，人工智能/AA輔助決策的目標是提高決策的質量和速度。人工智能可用于不同的場景，并以多種方式為戰場指揮官和戰士提供支持。例如，人工智能/AA輔助決策系統可以幫助空中和地面作戰的戰士更好地 "分析環境 "和 "探測和分析目標"（Adams, 2001）。人工智能/自動機輔助決策系統可以幫助減少人為錯誤，在戰場上創造信息和決策優勢（Cobb, Jalaian, Bastian, & Russell, 2021）。這些由AI/AA輔助決策系統獲得的信息分流優勢指導了我們的作戰小故事和M&S場景開發。

本文方法

• 行動示意圖和場景開發

在我們的作戰小故事中，第1營被分配到一個小村莊，直到指定的前進路線。營情報官羅伊上尉（BN S2）使用AI/AA輔助決策系統（即助手）準備情報態勢模板（SITTEMP），該系統可快速收集和整合積累的紅色情報和公開來源情報衍生的態勢數據。然后，它跟隨瓊斯少校和史密斯上尉，即營行動指揮員（BN S3）和S3助理（AS3），使用AI/AA輔助決策系統制定機動行動方案（COA），以評估 "假設 "情景、 她根據選定的機動方案開發指定的利益區域（NAI），然后在其內部資產和上層資源之間協調足夠的情報、監視和偵察（ISR）覆蓋范圍。假設時間為2030年，雙方均不使用核武器或采取對對方構成生存威脅的行動，天氣條件對藍軍和紅軍的影響相同，時間為秋季，天氣溫暖潮濕。

• 利益相關者分析和功能層次開發

作為解決方案框架背景研究的一部分，我們與32位民用和軍用利益相關者進行了接觸，他們都是AI/AA及其對決策和仿真建模的貢獻方面的專家。我們進行的利益相關者分析過程如下： 1）定義和識別利益相關者；2）定義焦點小組；3）將利益相關者分配到焦點小組；4）為每個焦點小組制定具體問題；5）聯系利益相關者并安排焦點小組會議；6）進行焦點小組會議；7）綜合并分析利益相關者的反饋；以及8）制定FCR矩陣。我們利用FCR矩陣的結果來繪制功能層次圖，其中包括從模擬場景中生成/收集的目標、衡量標準和度量。然后根據這些目標、措施和指標對任務集的重要性進行排序。這為使用層次分析法（如下所述）奠定了基礎。

• 層次分析法和A-B測試

AHP是托馬斯-薩蒂（Thomas Saaty）于1987年提出的一種方法，它利用專家判斷得出的一系列成對比較，將功能層次結構中的每個功能和子功能放入一個優先級表中。然后通過有形數據或專家定性意見對各種屬性進行排序。如表1所示，這些排序被置于1-9的范圍內。在賦予每個屬性1-9的權重后，再賦予標準和次級標準權重，以顯示其相對重要性（Saaty，1987）。

太空一直是一個需要高度自主的領域。所需的自主性帶來的挑戰使其難以在短時間內完成復雜的任務和操作。隨著越來越多地使用多Agent系統來增強空中領域的傳統能力和展示新能力，在軌道上和近距離多Agent操作的發展需求從未如此強烈。本文提出了一個分布式的、合作的多Agent優化控制框架，為在近距離操作環境中執行多Agent任務相關的分配和控制問題提供解決方案。然而，所開發的框架可以應用于各種領域，如空中、太空和海上。所提出的解決方案利用第二價格拍賣分配算法來優化每個衛星的任務，同時實施模型預測控制來優化控制Agent，同時遵守安全和任務約束。該解決方案與直接正交配位法進行了比較，并包括了對調整參數的研究。結果表明，所提出的技術允許用戶用模型預測控制來優化超越相位的控制，并以三個調諧參數實現編隊交會。與傳統的多相MPC相比，這更好地接近了配位技術中的相變。