與近在咫尺的對手發生沖突的威脅越來越大，這需要一個強有力的空中路線計劃來有效地運輸人員和貨物。在制定這些計劃時，美國空軍空中機動性司令部（AMC）必須考慮到有爭議環境中戰區間行動的動態性質。目前，AMC的規劃人員主要是手動計算資源分配，這導致了計劃實施的緩慢和潛在的次優解決方案。從一個成熟的AMC模型開始，它提供了飛機、貨物分配和機場的最佳使用，我們增加了模型功能，幫助確定如何攻擊這個空運網絡，最佳地延遲貨物運送到作戰相關地點。結果發現了漏洞，并為AMC規劃者提供了一個機場資源分配的處方，使貨物運輸最大化。這個模型對對手（無論是天氣還是競爭者）延遲任務的能力進行了定量評估，可以用來指導決策者提供強大的空中機動能力。

與近鄰對手發生沖突的風險越來越大，這使得美國防部的思維方式從基本無爭議的后勤環境轉向有爭議的環境。軍事后勤優勢的一個關鍵組成部分是目前由美國空軍（USAF）空中機動司令部（AMC）提供的全球空中機動性。為了支持和維持戰略、戰役和戰術層面的戰爭，AMC已經確定需要快速設計和評估其空運網絡。AMC正在其新開發的空運網絡快速運行設計（RODAN）項目下整合其新興決策工具，該項目由美空軍科學研究辦公室（AFOSR）支持。

開發和評估空運網絡的關鍵考慮因素包括機場停機坪空間、地面服務設備、人員以及人員的限制。地面最大工作飛機（WMOG）是一個常用的機場容量的衡量標準，代表了在一個機場有效和安全地處理一定數量的飛機所需的設備和人員數量。可用的WMOG數量有限，而空運需求又是動態的，這給AMC的規劃者帶來了異常困難的挑戰。在AMC的機場網絡中，WMOG的無效分配會導致交付延遲、安全隱患和任務要求的失敗。雖然在沒有競爭的環境中很困難，但在有競爭的環境中會增加這些挑戰并加劇缺點。

本論文通過將有爭議環境中的WMOG分配問題建模為攻擊者-防御者模型，對RODAN做出了貢獻。該模型是一個雙人零和博弈，可以根據AMC對WMOG的分配指出哪些機場最有價值，并向AMC規定在有可能發生這種攻擊的情況下如何轉移其WMOG。我們把這個模型稱為攻擊方-防御方空運計劃工具（ADAPT）。從攻擊者的角度來看，目標是以最小化通過其機場網絡的貨物流量的方式攻擊AMC的網絡。根據攻擊方的攻擊分配，防守方的目標是在機場網絡內移動WMOG，使貨物的流動最大化。對立的目標向AMC規劃者揭示了空運網絡的脆弱性，同時也為AMC規劃者提供了一個利用其現有網絡內資源的總體計劃。

ADAPT通過提供一種模擬可能的威脅的方法來實現快速的空運網絡脆弱性檢測。在輸入他們對各個機場的WMOG分配和貨物運輸要求后，AMC規劃人員可以討論各種威脅對他們機場的影響，并將這種影響輸入ADAPT。像完全取消機場能力這樣嚴重的攻擊或像天氣延誤這樣常規的攻擊都會影響貨物的流動。ADAPT的另一個好處是，它可以向AMC規劃者展示他們目前的網絡對潛在的最壞情況下的干擾的彈性。ADAPT為AMC的RODAN計劃中的現有工具提供了重要的補充貢獻。

首先用一個有五個機場的簡單網絡來說明這個模型，其中一個機場供應貨物，一個機場需要貨物，其余的轉運機場可能受到攻擊。對于這個網絡，ADAPT可以在Macbook Pro M1（2021）上以不到一秒鐘的時間解決。然后，考慮一個更大的場景，需要運輸2000噸貨物，涉及55個WMOG單位，分配在美國印太司令部責任區內的24個機場。用這種情況來說明如何解釋ADAPT的輸出。這包括最壞情況下的攻擊機場，以及攻擊后貨物移動的百分比。探討了多達10次攻擊的影響，每次攻擊的平均計算時間不到5秒。對于這種情況，發現WMOG的分配仍然能夠通過網絡移動100%的貨物，最多兩次攻擊。不足為奇的是，隨著攻擊次數的增加，貨物通過網絡移動的百分比下降。

隨著AMC開發決策支持工具，它在規劃空運網絡時必須考慮對手的行動。ADAPT通過檢測其網絡中可被對手利用的漏洞來幫助AMC規劃者。此外，ADAPT為將攻擊的影響納入空運計劃奠定了基礎，并將有爭議的環境納入AMC規劃者的對話中。確定哪些機場對攻擊者來說是最有價值的，并對攻擊的整體影響有一個概念，這將有助于規劃者開發替代的空運網絡以完成任務目標。

2022年9月26日的爆炸事件破壞了北溪1號和北溪2號的天然氣管道，突出了提高水下關鍵基礎設施（UCI）復原力的必要性和緊迫性。這些基礎設施包括天然氣管道、電力和通信電纜，連接著世界各國，對全球經濟和穩定至關重要。同時針對多個此類基礎設施的攻擊有可能造成重大損失，并極大地影響日常生活的各個方面。由于UCI的數量不斷增加和持續部署，現有的水下監控解決方案，如自主水下航行器（AUV）或遙控潛水器（ROV），都不足以確保徹底的監控。

我們表明，主要由于人工智能（AI）和信息融合（IF）方法，來自水下和水上監視傳感器的信息組合能夠實現海底到太空的態勢感知（S3A）。這些方法旨在處理大量的信息，這些信息來自于各種來源的融合，并由每天監測大量的資產產生。所學到的知識可用于預測未來的行為，識別威脅，并確定有關UCI的關鍵情況。

為了說明S3A的能力和重要性，我們考慮了2022年下半年發生的三個事件：上述北溪河爆炸、連接設得蘭群島和英國本土的水下通信電纜SHEFA-2被切斷，以及一艘大船在亞得里亞海的可疑活動。具體來說，我們提供了對現有數據的分析，這些數據來自自動識別系統（AIS）和衛星數據，并與可能的背景信息相結合，例如水深測量、生命模式（POL）、天氣狀況和人類情報（HUMINT）。

引言

2022年9月26日，丹麥和瑞典的地震儀探測到[1]北溪1號和北溪2號水下天然氣管道發生了一系列的爆炸。這些爆炸除了對管道造成嚴重破壞外，還導致了三次水下氣體泄漏，隨后向大氣中釋放了大量甲烷。圖1顯示了由歐空局提供的Pleiades Neo衛星星座獲得的甲烷泄漏的圖像。

圖1. Pleiades Neo捕捉到的北溪泄漏。泄漏的直徑估計為0.5-0.7公里[2]。

盡管某些當局和組織懷疑有破壞行為，特別是考慮到東歐目前的政治氣候，但目前沒有具體證據表明爆炸是如何和由誰造成的。同時，這些事件也讓整個氣候界提高了警惕，因為與二氧化碳相比，甲烷的溫室效應要強大得多（大約30倍），特別是在短期內。據估計，在北溪管道泄漏期間，可能有超過220,000噸的甲烷被釋放到大氣中，相當于奧地利每年的人為甲烷排放量[2]。雖然這次事故本身并沒有明顯改變導致全球變暖和氣候變化的溫室氣體排放數字，但它代表了氣候變化和安全問題之間相互聯系的一個前所未有的案例，需要政府適當地加以說明。

北溪河事件使人們注意到天然氣管道和水下電纜等水下關鍵基礎設施（UCIs）的脆弱性。這導致公眾和政策制定者更加關注提高這些重要資產的復原力，因為人們越來越擔心未來會發生類似的惡意行動。事實上，最近，在2022年12月22日，意大利報紙報道了[3]一艘大型船只在亞得里亞海跨亞得里亞海管道（TAP）附近的可疑活動。因此，對UCI的保護和監視是未來任何海事戰略中的關鍵因素。

如圖2所示，對UCI的破壞可以通過使用軍艦或商船等水面資產，也可以通過水下資產來進行。在前一種情況下，多個水上異質系統和傳感器，如自動識別系統（AIS）、衛星傳感器[4]和地面雷達，可能在提供無縫的大規模海上監視（MS）方面發揮關鍵作用，甚至在世界的偏遠地區。在后一種情況下，安裝在UCI上的水下傳感器（如主動/被動聲納和照相機）[5]，或裝備在無人潛航器（UUV）上[6]，將通過提供水下監測能力來補充MS。除了感官數據，對背景信息的分析，如水深測量、天氣數據、人類情報（HUMINT）和公開來源情報（OSINT），也是至關重要的。更為普遍的是，聯合使用水下和水上的異質傳感器，以及上下文和情報信息，是向海底到太空的態勢感知（S3A）過渡的一個關鍵概念。鑒于問題的規模和需要處理的大量數據，可以通過使用先進的人工智能（AI）和信息融合（IF）技術來實現與UCI監測有關的S3A。這些技術允許整合來自不同來源的大量信息，并每天監測大量的資產。這類技術的例子包括貝葉斯多目標跟蹤（MTT）技術[7]-[9]，基于Dempster-Shafer理論的多重推理系統[10]，以及異常檢測技術。這些技術能夠在多個層面上融合不同的信息。從這些技術中獲得的知識，一旦被提取出來并使之易于理解，就可以為政府當局、國防軍、海岸警衛隊和警察等最終用戶提供一個更好的理解，即參與特定事件（如北溪事件）的實體和行為者、他們之間的關系以及這些關系的潛在后果，同時也提供一個有效的工具來預測未來對UCI和其他關鍵資產的威脅。我們預計，這些技術將提供預防未來對UCI的潛在攻擊的能力，并將成為國家和國際機構和機關以及海運業日益關注的問題。

圖2. 監測水下關鍵基礎設施（UCIs）的概念性圖示。根據UCI的位置和天氣條件，水面上的破壞活動可能由專門的潛水員在水面船只的支持下進行；在某些情況下也可能采用遙控潛水器（ROV）。水上系統和傳感器，如自動識別系統（AIS）和合成孔徑雷達（SAR），可以提供大規模監測能力。這些可由水下資產補充，如分布式聲學傳感（DAS），以確保全面的海上監視。

本文的其余部分組織如下： 第2節對UCI進行了概述，并描述了與它們的彈性有關的重要方面。第3節描述了可有效用于監測UCI的傳感器技術，并詳細介紹了有用的背景信息。第4節提供了S3A的概述，特別是描述了最先進的信息融合、異常檢測和自動推理技術。第5節介紹了對北溪河爆炸、連接設得蘭群島和英國大陸的SHEFA-2號水下電纜的切斷[11]以及亞得里亞海中一艘大型船只的異常行為的分析。第6節提供了結論意見。

海底-空間態勢感知(S3A)

操作員和分析員面臨的主要挑戰是識別在非常大的數據集中出現的模式，例如AIS、SAR、光學和多光譜數據，當目標是預測可疑資產的未來可能行為和相關威脅時。在這種情況下，信息無疑起著至關重要的作用，而人工智能（AI）為監視系統提高MS，特別是UCI的彈性提供了前所未有的可能性。人工智能和信息融合（IF）可以很容易地處理大量的信息，這些信息融合于各種來源，并由非常多的監測資產每天產生，從而使未來可能過渡到S3A的整體視角。從中學習到的知識可以作為分析員和操作員認知過程（感知、理解和預測）的寶貴支持，以預測未來行為和/或識別可能危及UCI的威脅和關鍵情況。在下文中，我們將概述最先進的貝葉斯中頻和多目標跟蹤（MTT）、異常檢測和自動推理技術，這些技術可能會實現S3A并改善UCI的監測。

北溪天然氣管道爆炸案例分析

圖4報告了在影響北溪天然氣管道的爆炸發生前幾天在波羅的海上空獲得的哨兵一號合成孔徑雷達圖像[1]。圓圈表示檢測到的船只，而實線表示船只的軌跡，涵蓋了從SAR圖像采集時間前10分鐘到后10分鐘的時間間隔。這些軌跡是通過內插船舶自己報告的AIS位置獲得的，并填補了最多6小時的數據空白。插值需要在圖像采集時間之前和之后都有AIS位置；當這種信息不可用時，例如在（準）實時操作期間，船舶在圖像采集時的位置可以從現有的過去數據中推斷出來[78]。AIS數據和衛星圖像（SAR、光學、MSP和HPS）的結合使用，可以給船只的圖片一個身份，這可以補充MS的AIS，否則，它將是未知的。另一方面，衛星圖像中檢測到的船舶的AIS數據不可用，可能是由于數據不正確或丟失造成的，也可能是突出一個需要進一步調查的異常行為。

圖4a中AIS軌跡和SAR探測之間的關聯是通過解決一個特定的分配問題來實現的（顯然，在MTT文獻中還有其他的解決方案，在上一節中討論過）。任何SAR檢測-AIS軌跡對之間的分配成本是SAR檢測的位置和圖像采集時船舶的內插位置之間的相對距離，如果這個距離低于3公里，否則就假定是無限的。然后用與AIS軌跡顏色相匹配的圓圈來表示關聯；白色圓圈代表沒有與任何AIS軌跡關聯的SAR檢測。我們觀察到，圖4a中檢測到的大多數船只都與AIS軌跡有關。圖4b和4c分別展示了相關檢測和不相關檢測的兩個例子。第一幅圖顯示了三艘被檢測到的船只，每艘都在一個彩色的圓圈內。圓圈的顏色與AIS軌跡的顏色相吻合，AIS報告的位置由交叉點代表，通過內插得到。星形表示圖像采集時船舶的內插位置；合成孔徑雷達檢測到的船舶形狀與其內插的AIS位置之間的偏移是由于船舶本身運動產生的未知多普勒頻率，因此它與船舶的速度有關[79]。相反，圖4c顯示了一艘被探測到的船只--圍在白圈內--與任何AIS軌跡無關；實際上，最近的AIS內插位置在3公里以上。然而，這條AIS軌跡呈現出一個相關的特征，即在采集SAR圖像前后，AIS數據有幾個小時的間隔（但不到6小時）。一方面，這可能表明檢測到的物體和圖4c中描述的AIS軌跡確實指的是同一艘船；另一方面，AIS數據中的空白和檢測到的船舶位置偏離了線性路徑，可能是一種異常行為的跡象。

從AIS數據的分析來看，另一艘船的行為似乎很重要。圖5顯示了它在北溪河事故發生前的全部軌跡--超過數天。從青色到洋紅色的顏色，反映了該船的速度。圖6中報告了該軌跡的摘錄，每條都跨越了幾個小時。低于3節的速度用黑色標記，因為大型船舶，如所考慮的船舶，在如此低的速度下很難被操縱，并且容易漂移。軌跡的這些部分可能表明，該船是在遵循一條搜索路徑，也就是說，它在機動地接近管道，并在漂移中遠離它。請注意，這種行為也可能與其他情況相符，例如，在等待命令時閑逛。盡管如此，值得一提的是，北溪河事故發生的區域并不是被設計成一個固定的區域。

該船在該地區的存在得到了兩張Sentinel-1合成孔徑雷達圖像的證實；圖6a和6b報告了合成孔徑雷達圖像中探測到的該船的位置，而圖7a和7b顯示了上述Sentinel-1合成孔徑雷達圖像的細節。這兩張合成孔徑雷達圖像都是在船只漂移時獲取的：圖6a和6b中報告的船只在獲取時的速度（低于3節）和圖7中報告的船只的方向都證實了這一點。最后，請注意，船舶的軌跡（虛線）與合成孔徑雷達獲取的船舶形狀之間的輕微偏移，在圖7b中尤其明顯，這與船舶的AIS參考點是一致的。

除了上述運動學特征外，有兩點重要的意見對于評估該船在北溪河爆炸中的潛在影響是很有用的。前者與該船的所有權風險評估有關，它被認為是非常高的，因此不利于識別受益所有人。第二條意見與該船可以進行的行動有關：根據作者咨詢的幾位海軍軍官的意見，該船完全可以使用特定的儀器（如遙控潛水器）支持和協調破壞行動。

正如前幾節所討論的，所有上述信息都需要被攝入并自動處理，以評估與可疑船只相關的整體風險。

圖4. 北溪案例。爆炸前幾天在波羅的海上空獲得的Sentinel-1 SAR圖像。彩色實線是通過插值船舶本身提供的AIS位置獲得的船舶軌跡。圓圈是在SAR圖像中檢測到的船只：圓圈的顏色表明檢測來自AIS軌跡具有相同顏色的船只；白圈表示檢測與任何AIS軌跡無關。面板(b)和(c)顯示了完整SAR圖像的兩個細節，分別顯示了相關檢測和不相關檢測的例子。這里，交叉點描述了AIS報告的位置，星星是圖像采集時船只的插值位置。

圖5. 北溪案例。爆炸發生前幾天有關船只的全部軌跡。軌跡橫跨數日，其顏色（青色到洋紅色）與船只的速度有關（從慢到快）；灰色箭頭表示船只在軌跡開始和結束時的方向。氣體泄漏的位置用黃色鉆石標記。

圖6. 北溪案例。圖5中報告的有關船只的全部軌跡的摘錄。每個面板都報告了完整軌跡中跨越幾個小時的部分。顏色（青色到洋紅色）與船只的速度有關（從慢到快）；低于3節的速度都以黑色報告。灰色箭頭表示船只在軌跡開始和結束時的方向，黃色鉆石標志著氣體泄漏的位置。紅點（在面板（a）和（b）中）報告了在合成孔徑雷達圖像中檢測到的船只的位置；關于合成孔徑雷達檢測的其他細節見圖7。

圖7. 北溪案例。兩張Sentinel-1合成孔徑雷達圖像的細節，顯示了所關注的船只。面板（a）顯示了位于圖6a中標記的船只的SAR圖像；同樣，面板（b）顯示了位于圖6b中標記的船只的SAR圖像。TA和TB分別是面板（a）和面板（b）中SAR圖像的采集時間。品紅色的點代表AIS報告的船只位置，而藍色的星表示船只在TA和TB時間的內插位置。虛線再現了通過內插AIS報告的位置而得到的船舶軌跡。

在一些人道主義、商業和軍事應用中，關于淺埋目標的成像、探測和定位的信息是非常令人期待的[1]。通常，在地雷識別、考古挖掘、行星探險和建筑工程等方面，有必要可靠而安全地感知和檢索這些信息。雖然有各種各樣的技術可用于地下勘探，即輻射測量、地震和電磁（EM），但只有探地雷達（GPR，以下簡稱GPR）提供非侵入性、安全、高效和高分辨率的感應[1]。這一優勢使得過去二十年來，GPR采集和信息檢索的研究取得了重大進展。

在脈沖式GPR系統中[2]，發射天線在表面發射一個超寬帶電磁脈沖。當信號在地表下層傳播時，它們的磁和電特性，如許可率、滲透率和導電性，引起散射波的相位和振幅的變化。雖然反射波的振幅與埋藏目標的復合反射率成正比，但相位提供了目標相對于安裝在表面的雷達的位置信息。GPR接收器收集并處理反射回波，以提取幾個目標的反射率和范圍。

在GPR應用中，目標位于雷達的近距離范圍內。因此，收到的信號是由同一物體的不同部分的多次反射組成的。這種擴展的目標模型意味著檢索多個范圍和對應于同一較大物體的部分的振幅。通過利用后向散射信號的點值之間的空間相關性，GPR產生了一個目標特征，這個特征通常是被探測物體所特有的，因此，對識別它是有用的[3]。在本章中，我們重點討論GPR處理的這個目標識別方面。

通常，目標識別、分類和識別等術語可交替使用，用于從測量的雷達數據中對目標進行分類的技術。然而，就本章而言，目標分類意味著將目標隔離到一個一般的類別，而目標識別則用于更精確地區分目標。例如，將一個目標標記為地雷或土壤雜波是一個分類步驟。將一個地雷目標識別為PMN/PMA是其識別。目標識別包含了分類和識別兩個方面[4]。

在實踐中，所記錄的GPR信號通常會受到系統效應產生的一些不必要的貢獻，如天線耦合、多個表面反射、系統不穩定、時間抖動、有限的空間分辨率和振幅變化[5]。此外，感興趣的目標埋藏在粗糙的地表中，會產生與目標信號強度相當的不需要的雜波信號。因此，GPR目標識別是一項困難的任務。

傳統的GPR目標識別方法（見[3]的回顧）包括通過去除嘈雜的信號對數據進行預處理、除噪（高通濾波以去除低頻噪聲）、過濾、去卷積、遷移（修正測量幾何的影響），并且可以依靠GPR反應的模擬。這些技術通常存在信息損失、無法適應先前的結果，以及在強雜波和噪聲的情況下性能低下的問題。

為了應對這些挑戰，在過去的十年中，已經開發了一些先進的處理方法來提高GPR目標的識別。在本章中，我們對這些現代GPR處理技術進行了概述。特別是，我們集中討論了以下方法：

• 根據目標環境對測距曲線進行自適應接收處理[6] 。
• 采用基于學習的方法，以便雷達利用先前的測量結果[6, 7] 。
• 采用利用目標場景在某些領域或字典中是稀疏的這一事實的方法[8, 9] 。
• 應用先進的分類技術[10
• 卷積編碼，提供目標的簡潔和代表性特征[11] 。

我們通過地雷探測的代表性應用來描述這些技術中的每一種或其組合。

本章的其余部分組織如下。在下一節中，我們簡要介紹了GPR技術和土壤中電磁波的復雜散射行為。我們描述了GPR信號模型，并在第7.2節中列出了經典和現代的處理方法。我們在第7.3節中解釋了用于地雷探測的數據集。第7.4節重點介紹了各種稀疏表示技術，這些技術是由第7.5節中詳細介紹的字典學習算法實現的。我們在第7.6節中概述了由雷達處理器進行的自適應統計評估，以便有選擇地應用其中一種算法。最后，我們在第7.7節中介紹了所有這些技術的目標識別結果，然后在第7.8節中得出結論。

圖 7.5 現代 GPR 目標分類的簡化流程。需要適當的數據表示來從范圍配置文件中提取特征，然后將這些特征提供給高級分類器以從雜波中分離和識別目標

由于在36,000公里的極端距離上靈敏度下降，并且由于雷達截面減少的小衛星擴散，對地球同步軌道上的常駐空間物體的雷達探測和跟蹤是具有挑戰性的。提高現有單靜止雷達傳感器靈敏度的一個選擇是采用配置為雙靜止接收器的大孔徑無線電望遠鏡。此外，多個接收器將使多方位配置在探測和跟蹤方面有額外的性能改進。在本文中，我們報告了使用美國的Millstone Hill Radar（MHR）和德國的Tracking and Imaging Radar（TIRA）作為發射器的長基線雙靜態測量，以及歐洲的一些接收器：意大利的Sardinia Radio Telescope（SRT）、荷蘭的Westerbork Synthesis Radio Telescope（WSRT）和英國的e-Merlin陣列的多個天線。這里介紹的工作是作為SET-293研究任務組（RTG）的工作計劃的一部分進行的。

在地球同步軌道（GEO）上用雷達維持空間態勢感知（SSA）的最重大挑戰是由于極端的距離造成的靈敏度損失，這個距離是到地球同步軌道帶36000公里。為了提高單靜止雷達的靈敏度，必須提高發射功率，建立一個更大的孔徑，或降低傳感器的系統溫度。靈敏度受孔徑大小的影響最大，因為靈敏度與孔徑的四次方成正比，但建造大孔徑雷達的成本過高，而且工程上的挑戰對這種傳感器的尺寸和回轉率也有上限[1]。然而，提高現有單穩態傳感器靈敏度的一個選擇是考慮使用大孔徑射電望遠鏡作為雙穩態接收器的多穩態雷達。有許多大直徑（>60米）的射電望遠鏡可以與雷達配對使用。使用射電望遠鏡作為接收元件有幾個方面的優勢。除了它們的大尺寸之外，1）射電望遠鏡通常具有較低的系統溫度，通常比雷達的溫度低一個數量級，這進一步提高了它們的靈敏度；2）它們的指向和跟蹤能力與地球同步軌道目標非常匹配；3）它們通常配備有寬頻接收器，可以靈活地與多個發射雷達配對；4）它們通常具有出色的頻率標準（H-馬斯），可以進行相干的雙態觀測；以及5）有可能將天文和雷達觀測校準相結合[2]。

雖然這種雙穩態發射器/接收器對之間的鏈接預算計算是有希望的，但雙穩態雷達截面（RCS）是一個有點未經測試的因素，特別是在洲際基線。在較短的基線上，小于1000公里，雙態RCS可能與單態RCS相似，但由于即使是單態RCS也可能具有高度的方向性，雙態RCS可能會有更大的變化[3]。此外，由于可以同時使用多個接收站（無線電望遠鏡），因此可以啟用多方位配置，這不僅可以提高整個系統的靈敏度和探測地球同步軌道物體的能力，而且還可以提高跟蹤性能，因為多方位測量將有助于改善物體的位置和速度估計。

2020年初，北約科學與技術組織（STO）啟動了一個為期多年的傳感器、電子和技術（SET）研究任務組（RTG）（SET-293），通過結合美國和歐洲的現有北約伙伴資產，研究使用雙靜態和多靜態雷達配置來改善地球同步軌道的SSA。SET-293已經進行了實驗，以探索現實世界對這種雙穩態系統的理論鏈接預算的限制。圖1-1描述了實驗中雷達發射器（Tx）和接收器（Rx）的幾何形狀。

圖 1-1 – 雷達多基地實驗幾何，描繪了雷達發射機照射地球同步衛星目標和射電望遠鏡接收來自衛星的信號。

一組實驗將美國的米爾斯通山雷達（MHR）與歐洲的三個接收器配對：意大利的撒丁島射電望遠鏡（SRT）、荷蘭的韋斯特博克綜合射電望遠鏡（WSRT）的一個天線以及英國喬德雷爾銀行天文臺（JBO）運營的e-Merlin陣列的多個天線。e-Merlin包括7個天線，直徑從25米到76米，在英國的間距從10公里到220公里，用于厘米級波長的高分辨率射電天文學成像。這些天線通過一個專用的光學網絡連接到一個中央相關器，它們的一致性由同一光纖上的雙向射頻定時信號來維持。在歐洲，在德國的TIRA和SRT及e-Merlin射電望遠鏡之間進行了更小基線的其他雙穩態實驗。傳感器及其相關參數列于表2.1。

鏈路預算是以每個與MHR和TIRA配對的接收器的參考信噪比來計算的。MHR的參考單靜態信噪比為50dB，TIRA為47dB，它描述了1000公里范圍內0dBsm目標的單脈沖的最大性能。需要注意的是，這種鏈路預算計算假定單靜止和雙靜止RCS是等效的。此外，接收機增益，即單穩態靈敏度和雙穩態靈敏度之間的差異，顯示在表2.1最后一行的每個雙穩態接收機。射電望遠鏡接收器的潛在好處是顯而易見的，因為即使是規模不大的WSRT接收器，由于其作為一個純接收系統的低系統溫度，預計在MHR下會顯示近7分貝的接收器增益，在TIRA下會顯示10分貝增益。本文報告了在2020年和2021年收集的測量結果。在2022年已經進行了額外的收集，并將在未來的論文中介紹。

在這項研究中，基于強化學習（RL）的集中式路徑規劃被用于在人為的敵對環境中的無人作戰飛行器（UCAV）編隊。所提出的方法提供了一種新的方法，在獎勵函數中使用了閉合速度和近似的時間-去向項，以獲得合作運動，同時確保禁飛區（NFZs）和到達時間限制。近似策略優化（PPO）算法被用于RL智能體的訓練階段。系統性能在兩個不同的情況下進行了評估。在案例1中，戰爭環境只包含目標區域，希望同時到達以獲得飽和的攻擊效果。在情況2中，戰爭環境除了目標區和標準的飽和攻擊和避免碰撞的要求外，還包含NFZ。基于粒子群優化（PSO）的合作路徑規劃算法作為基線方法被實施，并在執行時間和開發的性能指標方面與提出的算法進行了比較。蒙特卡洛模擬研究被用來評估系統性能。根據仿真結果，所提出的系統能夠實時生成可行的飛行路徑，同時考慮到物理和操作限制，如加速限制、NFZ限制、同時到達和防撞要求。在這方面，該方法為解決UCAV機群的大規模合作路徑規劃提供了一種新穎的、計算效率高的方法。

引言

在空中攻擊和防御場景的應用中，無人駕駛戰斗飛行器（UCAVs）被用來執行監視、偵察和消滅放置在人為敵對環境中的敵方資產。在戰爭環境中可以使用不同類型的敵方防御單位，如高射炮（AAA）、地對空導彈（SAM）、探測/跟蹤雷達和通信系統。這些資產的選擇和放置是以被防御單位的戰略重要性和被防御地區的地理規格為依據的。通過使用通信系統和防御單位，可以開發一個無縫防空系統來保護地面資產。圖1給出了一個樣本戰爭環境的總體概況。從攻擊者艦隊的角度來看，它的目標是以艦隊特工的最小殺傷概率摧毀敵人的資產。如果行動中需要隱蔽性，也希望以最小的探測和跟蹤概率完成任務。這可以通過兩種方式獲得。1）如果飛行路線必須通過敵人的雷達區域，則使用隱身飛機；2）通過生成不通過敵人雷達區域的飛行路線。如果任務要求和戰爭環境條件合適，可以考慮采用第二種方案，以達到最低風險。因此，飛行路徑規劃對于生成可行的、安全的飛行路線具有至關重要的意義，它可以提高在戰爭環境中的任務成功率和生存概率。本研究通過開發基于強化學習（RL）的合作集中式路徑規劃應用，重點關注第二種方式，在考慮任務和系統要求的同時，以最小的占用量生成飛行路線。

空中飛行器的合作是空對地攻擊情況下的另一個重要問題。[1]中指出，自主無人機系統的合作意味著資源共享、信息共享、任務分配和沖突解決。它需要先進的傳感器和遠程數據鏈來提高UCAV機群的任務成功率和生存能力。從生存能力的角度來看，合作對于避免UCAVs之間可能發生的碰撞相當重要。因此，在進行飛行路徑規劃時，應考慮智能體與智能體之間的安全距離。定義UCAV飛行器之間距離和角度的相對幾何數據可用于評估這種情況并生成無碰撞的飛行路線。此外，從任務成功的角度來看，合作可用于生成可同時到達目標區域的飛行路線。同時到達是空對地攻擊的一個關鍵作戰概念，以便在戰爭環境中飽和敵人的防空系統。例如，如果機群中的UCAV潛入目標區域并同時向敵方資產發起攻擊，防空系統就會飽和，它就無法對UCAV機群作出有效反應。這增加了任務成功的概率，盡管它可能會降低機群中幾個UCAV智能體的生存能力。

戰爭環境中UCAV機群的合作路徑規劃是一個復雜的問題。正如我們之前提到的，在生成所需路徑時，應考慮許多敵方資產。一個成功的合作是通過結合操作者定義的機群的生存能力和任務成功要求而獲得的。

在文獻中，對UCAV機群的合作路徑規劃進行了許多研究。在[2]中，UCAV機群的路徑規劃是通過使用勢場方法來壓制地表的敵方資產，如雷達、防空導彈和大炮。此外，Voronoi圖也被用于同一問題，并與所提出的算法的性能進行了比較。雖然生成的路徑是連續和平滑的，但它需要很高的計算成本來解決這個問題。在文獻[3]中，通過整合近似的允許攻擊區域模型、約束條件和多準則目標函數，提出了UCAV機隊執行合作空對地攻擊任務的軌跡規劃問題。然后，通過結合微分平坦性理論、高斯偽譜法（GPM）和非線性編程，開發了虛擬運動偽裝（VMC），以解決合作軌跡最優控制問題。所提出的VMC算法的性能與基于GPM的直接拼合方法進行了比較，后者是為生成最優軌跡而開發的。仿真結果表明，盡管在優化性能上有小的損失，導致次優解，但所提方法能夠比GPM算法更快地生成可行的飛行軌跡。

最近航空器的計算和通信能力的進步加速了對合作的研究。將RL應用于自主飛行器的路徑規劃是文獻中的一個新興話題，因為它能夠在適當的情況下解決復雜問題。在文獻[4]中，作者通過使用深度強化學習（DRL）為自主地面車輛開發了一個省時的導航策略。他們引入了具有社會意識的DRL防撞方法，并將其推廣到多Agent場景中。提出的算法在一個行人眾多的環境中進行了測試。在[5]中，開發了一種混合算法，其中包含DRL和基于力的運動規劃方法。它被用來解決動態和密集環境中的分布式運動規劃問題。根據仿真結果，所提出的算法比DRL方法產生的成功場景多50%，比基于力的運動規劃到達目標所需的額外時間少75%。在[6]中，為蜂窩連接的無人機群網絡開發了干擾感知路徑規劃算法。在這一應用中，能源效率與無線延遲和干擾之間存在著權衡。提出了基于回聲狀態網絡的DRL算法來解決路徑規劃問題。仿真結果顯示，與啟發式基線方法相比，每個無人機的無線延時和每個地面用戶的速率都得到了改善。同時，仿真結果指出了無人機的最佳高度、數據速率要求和地面網絡密度之間的關系。在[7]中，DRL被用于使用自主飛機的分布式野火監視。在這個問題上，由于高維狀態空間、隨機的火災傳播、不完善的傳感器信息以及飛機之間需要協調，要最大限度地擴大森林火災的覆蓋范圍是相當復雜的。我們開發了兩種DRL方法。在第一種方法中，飛機是通過使用單個飛機的即時觀測來控制的。在第二種方法中，野火狀態和飛機所到之處的時間歷史被用作控制器的輸入，以提供飛機之間的協作。根據仿真結果，所提出的方法提供了對野火擴張的精確跟蹤，并超過了退避水平線控制器。報告還指出，這些方法對于不同數量的飛機和不同的野火形狀是可擴展的。在[8]中，DRL算法被用來解決無人駕駛地面車輛（USV）車隊的合作路徑規劃問題。采用了領導者-追隨者策略，并制定了一個集中協調方案。為了在車隊中提供合作，使用了與避免碰撞和編隊形狀有關的獎勵函數元素。然而，在路徑規劃問題中沒有考慮同時到達。

多智能體強化學習（MARL）也是一種新興的方法，用于解決包含合作要求的多智能體問題，如同時到達和避免碰撞[9-15]。在[16]中，針對部分可觀察情況和網絡帶寬等有限通信能力下的合作，開發了深度遞歸多智能體行為者批評框架（R-MADDPG）。實驗表明，所提出的R-MADDPG算法能夠處理資源限制的問題，并且它能夠在同時到達的智能體之間進行協調。然而，空中飛行器的運動學沒有被考慮，環境中也沒有包括障礙物。在[17]中，通過結合改進的陶氏重力（I-tau-G）制導策略和多智能體Q-Learning（MAQL）算法，為多個無人駕駛飛行器（UAV）開發了分布式4-D軌跡生成方法。考慮了避免碰撞和同時到達的要求來提供合作。

這項研究是[18]的延續，其中對UCAVs進行了基于RL的集中式路徑規劃。在戰爭環境中集成了一個五種狀態的生存能力模型，包括搜索、探測、跟蹤、交戰和擊中狀態。RL智能體的訓練階段是通過使用近似策略優化（PPO）算法進行的。為了定量評估所提系統的有效性，制定了跟蹤和命中概率的性能指標，并用于蒙特卡洛分析。仿真結果表明，擬議的算法能夠產生可行的飛行路線，同時使UCAV機群的生存概率最大化。然而，將生存能力模型（每個UCAV的五個狀態）納入學習過程增加了觀察向量的大小，使系統的擴展變得復雜。另外，[18]中沒有研究UCAV機群的合作性能，這也是本研究的主要議題。

本文采用RL方法解決了UCAV機群的路徑規劃問題。采用集中式結構，將總的觀測向量輸入單一的RL智能體，并生成總的行動向量，其中包含相關UCAV的單獨控制信號。與[18]不同的是，生存能力模型沒有被整合到觀察向量中以減少向量大小。相反，禁飛區（NFZs）被定義為模擬防空系統，如防空導彈和火炮。除了在[18]中進行的研究外，這里特別關注艦隊的合作，這從兩個方面得到。首先，研究了UCAV機群同時到達目標區域的情況，這是一種廣泛使用的使敵人的防空系統飽和的方法。其次，還研究了避免碰撞的問題，以提供艦隊的安全。考慮到這些要求，我們開發了獎勵函數。RL智能體的訓練階段是通過使用PPO算法進行的。為避免NFZ、避免碰撞和同時到達的要求制定了幾個性能指標，以獲得對所提方法的定量評價。通過使用蒙特卡洛分析，在NFZ位置不確定和外部干擾（即風的影響）存在的情況下，根據船隊的避免碰撞和同時到達能力，對系統的合作性能進行了評估。

這項研究從兩個方面對文獻做出了貢獻。首先，據作者所知，這是第一次為UCAV機隊開發出一種可行的和可操作的基于RL的集中式路徑規劃方法。例如，與典型的基于PSO的方法相比，基于RL的方法提供了艦隊在面對動態和反擊/防御威脅時重新規劃的實時能力。第二，與目前的方法相比，所提出的方法提供了同時考慮關鍵操作限制的能力，如同時到達和避免碰撞的要求，同時考慮NFZ限制和系統限制，如UCAVs的橫向加速指令限制。例如，典型的方法，如基于PSO的方法，只考慮了這些限制的有限子集，因此它們只適用于現實生活場景的某些方面。考慮到這兩個方面的貢獻，所提出的方法不僅為現實生活中適用的合作操作能力提供了手段，如關閉速度和近似的時間信息，而且還為高度非線性和大規模的UCAV艦隊優化問題提供了一個實時的近似。

本文的其余部分組織如下。在第二部分，解釋了路徑規劃問題中使用的數學模型和相對幾何學。在第三部分，給出了RL智能體的一般結構，并描述了訓練算法。第四節，給出了仿真結果，并對1）無NFZ和2）有NFZ約束的情況進行了評估。在第五部分，說明了結論和未來的工作。

圖 3 RL 智能體及其與戰爭環境交互的總體概述。

圖 4 a) 同時到達、b) NFZ 限制和 c) 避免碰撞的定義。

在過去的半個世紀中，美國海軍一直是海上的主導力量，但技術的進步使其他國家有能力縮小差距，并在某些情況下威脅到美國的優勢。美國海軍、海軍陸戰隊和海岸警衛隊是保護海洋領域的三位一體力量。一個潛在的脆弱領域是在瀕海環境中。然而，新興的商業技術，如5G，可以擴大該環境中的系統和能力的足跡，供海軍部門使用。私營部門已經在開發5G最先進的資源方面處于領先地位，這使得載人和無人系統能夠完成更多任務。海軍部門實施商業可用系統的一個長期障礙是國防部希望成為其采用的任何系統的所有者和經營者。在海軍行動中利用現有商業系統的一個好處是在不開發全新系統的情況下提高能力。這篇論文探討了美國海軍部門使用商業5G技術的當前和預測能力。本研究對5G毫米波進行了測試。本論文還研究了一個理論上的新系統，它整合了商業系統以滿足海軍的要求。

引言

電信技術的發展速度超過了美國（U.S.）軍隊測試和評估作戰用途的速度。在整個國防部（DOD）中不斷出現的一個流行語是 "5G"，許多人認為第五代蜂窩技術可能被用來加強國家安全。5G技術可以在國防部各部門內開發和運行，但以前的采購和政策減緩了實施的機會。商業部門不受這些相同政策或限制的限制。商業部門收集的專業知識和經驗使他們能夠以更快的速度構建和測試最新技術，使國防部可以隨時利用技術。國防部可以使用5G的一個領域是在沿海地區。

在過去的半個世紀里，美國一直是海上的主導力量，但隨著技術的進步，對手國家已經取得了巨大的進步，擴大了他們的影響力，威脅著美國的主導地位。在《海上優勢的設計》中，海軍作戰部長（CNO）反思了這樣一個事實："自從我們上次爭奪海上控制權、海上交通線、進入世界市場和外交伙伴關系以來，已經過去了幾十年"（海軍作戰部長，2018）。3-32號出版物將 "海洋領域描述為大洋、海洋、海灣、河口、島嶼、沿海地區，以及這些地區上方的空域，包括沿岸地區"（參謀長聯席會議，2013年，第viii頁）。隨著海軍、海軍陸戰隊和海岸警衛隊在海洋領域的近岸地區的責任增加，沿岸地區被認為是一個缺乏適當關注和資源的地區。這是一個問題，因為海軍部門在沒有新的資金來開發新的戰術、技術和程序以應對潛在威脅的情況下，監測和檢測有爭議的環境中的可信威脅是一個挑戰。利用5G的下一代電信，應該能夠增加范圍和數據吞吐量，并具有低延遲率，從而提高海軍行動的海洋領域意識（MDA）能力。

這項研究的目的是開始探索5G在沿岸環境中的能力，并從理論上提出一個作戰概念（CONOPs），即各種商業智能自主系統（IAS）可以利用安全的5G系統網絡（SOS）來應對該領域日益增長的競爭者能力和威脅。這種潛在的游戲規則改變可以減輕海軍部門建立和維護獨立5G系統的心態，根據任務要求利用現有的商業基礎設施。美國防部可以通過轉向這種在沿海地區加強MDA的新方式來潛在地節省資金、時間和資源。本研究針對的研究問題是：

• 沿海環境中的5G互聯商業系統如何影響各種任務集的海洋領域態勢感知？

• 海軍部門如何從5G商業概念的系統中獲益？

• 這個框架是否可以在全球范圍內部署？

• 海軍部門利用商業5G框架所需的要求和條件是什么？

通過這些問題的指導，對沿海環境帶來的挑戰的洞察力浮出水面，并探討了啟用5G的IAS系統可以通過可能的解決方案來彌補差距的方法。

論文提綱

第二章：文獻回顧。第二章提供了國防部的政策概述，包括對當前和未來技術進步的限制以及5G如何從商業方面創造機會。本章最后概述了本論文的主旨，描述了在沿海地區擴展安全的5G網絡的能力，并納入了支持智能自主系統的私營部門解決方案，以潛在地支持海洋領域意識。

第三章：方法論和系統描述。第三章說明了使用AT&T在海軍研究生院（NPS）海陸空軍事研究（SLAMR）設施上的新的5G毫米波（mmW）塔的初步設計，以建立不同地點的吞吐量，幫助促進基線，因為測試增加到沿岸地區。這一章還匯集了一個行業聯盟的CONOP，分解了不同的系統，可以應用于SOS 5G概念。

第四章：測試結果和服務適用性。第四章描述了在SLAMR設施進行的不同應用測試的結果。還包括如何應用先進技術來加強海軍服務，以提高情況意識，并為作戰人員提供改進的決策的細節。

第五章：結論和未來研究。第五章概括了本論文的制作，分析了海軍部門利用商業安全海上5G作為開發和擁有自己的5G網絡架構的替代方案的CONOP的能力。本章還包括了對未來工作的建議，以便從CONOP轉向概念驗證。此外，還討論了國防部內其他潛在的技術研究項目，簡要地描述了國防部的進展方向。

在戰術情報、監視、目標獲取和偵察（ISTAR）中，移動特設傳感器智能體合作實現收集任務，以彌補信息需求和信息收集之間的差距，從而保持持久的態勢感知。針對有限的機載傳感器平臺資源能力和能耗，最新的貢獻往往采用特設規定的傳感器行為，導致過度保守的連接約束和有偏見的決策。 其他的方法是假設一個分割的空間，持續的網絡連接或約束放松，以減少問題的復雜性。但是，這些可能會傳達一個重要的機會成本，并不利于整體性能，遠離收集價值最大化，只要數據路由是可行的。本文提出了一種創新的方法來處理移動特設傳感器網絡/蜂群收集任務的問題，該方法考慮了有限的機載處理能力和數據傳播的能耗預算。收集規劃依賴于一種新的開環反饋決策模型的制定。它包括反復求解一個靜態決策問題，使采集值在一個逐漸縮小的時間范圍內最大化。偶發性決策受傳入請求、累計采集值、正在進行的資源承諾、剩余資源能力和上一階段的反饋影響。該方法結合了一個新的緊湊圖表示和一個近似的路徑規劃決策模型，受制于周期性連接。

對國防和安全的意義

本科學報告提出了新的收集任務決策支持技術概念，為實現數字化指揮和控制（C2）解決方案鋪平了道路，以支持戰術陸地指揮、控制、通信、計算機、情報、監視和偵察（C4ISR）。這種新的傳感器網絡收集任務概念，以保持持久的態勢感知，完全符合加拿大陸軍陸上需求局（DLR）2的意圖，即實現戰術決策-行動周期的自動化和優化。這項工作旨在及時向DLR 2和陸地情報、監視、偵察（ISR）現代化資本采購項目的定義階段通報戰術邊緣的新的自動化和優化收集任務技術概念，并確定有希望的研究方向。倡導的概念為敏感目標定位、動態收集任務重新分配、收集器集成以及新的自動化收集任務解決方案的可行性和價值帶來了新的視角。所提出的核心概念計劃在適當的國家和國際場合，如關鍵的選定的軍事演習和/或技術合作計劃（TTCP）中逐步和適時地展示。這將為其他 "五眼 "國家提供必要的能見度和適當驗證的機會窗口，同時獲得對加拿大感興趣的有競爭力的最新技術。

報告組織

該文件的其余部分分為以下幾個部分：

第2節介紹了傳感器網絡收集任務的問題。

然后在第3節中強調了一種新的收集任務的方法，以保持持久的態勢感知。第3節介紹了一種新的收集任務分配方法，以保持持久的態勢感知。該節提出了一個總體概述，并強調了其主要特征和相關的新穎性。然后分別進一步描述了一種創新的收集圖表示、一種新的連接性約束處理方法和一種管理臨時代理收集的數學決策模型表述。然后介紹了所促進的具有成本效益的通信規劃/路由方案的細節。

第4節描述了自然問題模型的擴展，以處理連通性的不確定性，并隨時捕捉多個目標。

第5節簡要討論了問題復雜性的降低。

第6節報告了計算結果，并對各種基線問題解決技術進行了一些性能比較分析，以評估擬議方法的價值。

最后，第7節給出了一個結論，簡要總結了報告的主要貢獻和預期的未來工作。

第1章 引言

1.1 背景

在現代戰爭中，槍聲往往是士兵對敵人存在和即將發生的交戰的第一個警告。因此，槍聲定位問題對國防和民事執法行業至關重要，因為它可以應用于狙擊手和敵人的交戰檢測、被動犯罪檢測以及非洲的反盜獵工作等等[1]-[3] 。目前正在對這一問題進行大量研究。在軍事應用中，槍擊檢測技術在交戰或反狙擊行動的初始階段可能是一個決定性因素。對槍擊的快速和準確的到達方向（DoA）的確定直接有助于對戰斗空間的認識，允許快速、有效和可操作的決定和部署反措施，這將增加以最小的傷亡完成任務的可能性。

實際上，存在各種槍擊確定方法，包括非聲學和聲學手段。非聲學手段主要是對槍擊的閃光和/或槍支或敵方攻擊者身體發出的熱量進行電光探測[4]。另一個來源是步槍瞄準鏡上的逆反射光[5]。所有這些都可以通過各種成像技術進行搜索，如普通的日光相機和更有可能的紅外成像設備。定位可以通過一個單一的成像設備或此類設備的陣列來實現。電子光學方法的一個關鍵限制是需要從傳感器到熱源的直接視線，因為光在熱不透明物體周圍的衍射很小。其他限制包括可能隱藏定位所需特征的背景輻射[4], [5]，以及當前成像方法的狹窄視野，要求傳感器指向正確的方向。盡管許多電光探測系統可用于探測和定位各種戰場相關物體，在許多任務中發揮著關鍵作用，但聲學探測更適合于槍擊探測和定位。

聲學是確定槍擊DoA的一種更常見的方法，也是最近許多研究工作的重點，正如第2章中所討論的。許多商業系統也存在，包括雷神公司的Boomerang III，它目前正被部署在戰斗空間，以支持和保護我們的部隊[6]。聲學系統有幾個優點，最大的優點是它們能夠探測和定位來自任何方向的槍聲，即使槍源被遮擋在障礙物后面[7]。在戰場上，這種全方位的探測是至關重要的，因為傳感器系統不可能因為碰巧指向不同的方向而錯過一槍。這允許一個容易設置和忘記的系統，它將被動地在后臺工作，不需要額外的海軍陸戰隊來控制和指揮。

目前的聲學系統幾乎完全依賴全向麥克風陣列，如第二章所述。全向傳聲器很容易獲得，并提供前面討論的被動的360度聆聽能力。因此，它們似乎是確定DoA應用的明顯選擇。不幸的是，它們的全向性正是使它們無法單獨確定入射方向的原因。因此，必須將多個全向型麥克風連接成一個分布式陣列，以實現DoA測定功能。有多種方法可用于確定聲音在傳聲器陣列上的入射角，如相位動力轉向，但最常見和最容易實現的是所謂的到達時間差算法。應用這種技術需要傳聲器在空間上的分布。不幸的是，這導致了槍擊DoA測定系統相對較大、繁瑣，而且往往太重或不切實際，無法由單個戰斗人員攜帶，而是需要固定地點或車輛安裝。雖然它們仍然是能力驚人的系統，但一個較小的士兵運輸系統，提供同樣的覆蓋范圍和能力，將非常有利于提高戰場上的戰斗空間意識、指揮和控制，以及生存能力。

在海軍研究生院（NPS），研究人員目前正致力于開發這樣一個系統。該系統依賴于受寄生蠅Ormia Ochracea啟發的微機電系統（MEMS）傳感器。這些MEMS傳感器顯示出有希望能夠檢測到傳來的槍聲的方位角，只需兩個拼在一起的Ormia Ochracea啟發的傳感器和一個商業MEMS全向麥克風。這意味著，與目前商業系統的分布式陣列不同，這個確定方位的系統將是小而輕的，并且容易被地面上的個人作為步槍/頭盔附件或單獨的手持設備攜帶。

1.2 論文目標

在這種情況下，本論文的目標是利用兩個Ormia啟發的MEMS傳感器和一個商業MEMS麥克風的組合，開發計算槍擊DoA的方法，并評估其在研究環境和實地的各種槍擊刺激下的性能。

這一發展包括：

• 了解Ormia啟發的傳感器的頻率響應，它們的差異和限制。

• 研究和調整DoA測定算法以及。

• 應用糾正性信號處理來提高精確度。

該研究的問題是：

1.搭配的傳感器組合能否用于提供360度DoA測定？

2.能否在頻域中確定DoA，以便應用更多的處理技術？

3.能否在頻域中修正不同的傳感器反應以提高DoA算法的準確性？

4.假設問題提供了肯定的答案，那么系統的可實現的精度是多少？