這篇論文考慮的情況是，一架無人機保衛一個高價值的目標，以抵御一些入境的攻擊無人機。防御性無人機配備了短程武器，必須以最有效的方式摧毀每一架攻擊性無人機。這個問題是應用數學中幾個開放性問題的交匯點，例如在有損耗的情況下的最佳行動規劃，以及解決有移動目標的 "旅行推銷員問題"（TSP）。我們研究的目的是通過將該問題分解為各組成部分的問題，然后提出各組成部分的概念驗證方案來分析該問題。這篇論文的主要成果包括一個建模框架，在這個框架中，可以在不需要約束的情況下進行優化；比較使用不同類型的成本函數進行優化的優勢（例如，最小化高價值單位被摧毀的機會與基于防御者相對于攻擊者的路徑的度量）；以及通過將其映射到標準TSP或使用機器學習來解決某些限制下的移動目標TSP。

1.1 戰斗中的自主系統

自動化系統，特別是無人駕駛飛行器（UAVs）的迅速增加，改變了現代戰場。美國已經率先在整個作戰范圍內開發和實施無人機，從信號情報到無人機精確打擊[1], [2]。然而，我們的對手繼續取得有意義的進展，最近的例子是俄羅斯在烏克蘭使用中國制造的無人機[3]，無人機可能參與了最近對北溪管道的破壞[4]，甚至恐怖組織的小規模、低技術的無人機攻擊[5]。

美國繼續按照無人駕駛航空系統（UAS）路線圖[6], [7]發展其無人機能力，該路線圖規定了無人機平臺的幾個重要任務，包括情報、監視和偵察（ISR）、壓制敵方防空（SEAD）、電子攻擊、網絡節點/通信中繼和空中投遞/補給。然而，這份清單中明顯缺少的是無人機系統的防御。無人機戰爭的一個新的和發展中的方面，即無人機對無人機的交戰，迫在眉睫。有許多無人機防御系統正在開發中，包括地面激光系統，如海軍陸戰隊的緊湊型激光武器系統（CLWS）[8]和導彈系統，如陸軍的KuRFS和Coyote Effectors[9]。然而，新的反無人機系統（C-UAS）無人機正在開發中，如洛克希德-馬丁公司的MORFIUS[10]，它使用高功率微波（HPM）武器系統，使敵方無人機在飛行中失效。

美國軍方和國防部（DOD）總體上對其無人機能力進行了大量投資，這不僅包括人員、設備和武器，還包括對無人機和蜂群的戰術運用的大量研究，而這些研究超出了最近取得巨大成功的ISR和精確打擊能力[11], [12]。在2019年的指揮官規劃指南中，海軍陸戰隊指揮官大衛-H-伯杰將軍要求建立一個 "適合偵察、監視和提供致命和非致命效果的強大的無人系統家族"，以及 "大大增加我們在其他領域成熟無人駕駛能力的努力" [13]。正是在這些其他領域，我們必須繼續創新，特別是在我們對抗對手在無人機/無人機系統開發方面的成果的能力方面。

2021年，美國防部發布了其C-UAS戰略，確定了其核心挑戰：小型無人機系統（sUAS）的指數級增長給美國防部帶來了新的風險。技術趨勢正在極大地改變小型無人機系統的合法應用，同時使它們成為國家行為者、非國家行為者和犯罪分子手中日益強大的武器。當被疏忽或魯莽的操作者控制時，小型無人機系統也可能對國防部在空中、陸地和海洋領域的行動構成危害。國防部必須在越來越多的小型無人機系統與國防部飛機共享天空、在國防部設施上空運行以及被我們國家的對手使用的環境中，保護和捍衛人員、設施和資產[14]。

雖然該戰略要求在理論、組織、訓練、物資、領導和教育、人員、設施-政策（DOTMLPF-P）等方面應對這些挑戰，但必須做更多的工作，將研究/開發與戰術層面的使用結合起來，并使之同步。這篇論文的目的就是要彌補這些領域之間的差距。

1.2 目前的工作

為了提高ISR能力，無人機技術早期發展的大部分學術工作都致力于各種學科的最佳路徑控制，但具體的軍事應用包括為ISR任務避免碰撞/雷達[15]。這項工作的成功從美國的無人機精確打擊能力中可見一斑。在海軍研究生院（NPS），Kaminer等人就大型蜂群的動力學和行為開展了大量的工作[16]-[20]。盡管有很長的工作歷史，這些最近的論文提出了高價值單位防御中的一個新的最佳控制問題，開發了具有損耗建模的最佳控制問題的計算框架，并開發了高效的數值框架來解決最佳控制問題中的不確定參數

許多文獻都涉及到減員模型。蘭徹斯特損耗模型使用微分方程來研究敵對部隊的依賴性損耗，自第一次世界大戰（WWI）以來，該模型被有力地運用于戰斗研究[21], [22]。一些工作已經確定了需要并解決了明確結合最優控制和損耗建模的問題[23], [24]。然而，并不存在將這些領域有效地結合在一起的一般框架或理論，當它們被解決時，其結果往往是高度特定的場景。

本論文的大部分內容將關注旅行銷售員問題（TSP）在動態環境中的應用。最佳控制和TSP在物理學和工程科學中經常有交集。例如，一個這樣的問題可能是由航天器以最佳方式訪問木星的所有79顆衛星[25]。Moraes和Freitas通過比較幾種啟發式算法來解決移動目標TSP（MT-TSP），并應用于人群和無人機檢測[26]。

1.3 開放式問題

耦合蘭徹斯特損耗模型、最優控制理論和TSP的問題對于大領域的超級蜂群是難以解決的。然而，無人機防御研究必須關注這三個領域的交叉點，以便適當地解決這一領域現存的軍事戰術和戰略問題。超級蜂群系統的基本特征還沒有得到很好的理解，盡管隨著我們擴大小型蜂群參與戰略和框架的規模，它們的屬性可能會出現。

圖 1.1 一般研究問題的解決框圖

本論文從這個有利的角度來探討這個問題，從小型蜂群開始，開發新的方法來解決更多可解決的系統，然后可以擴大規模。

每一種方法都考慮到sUAS有限的機載計算能力和作戰期間有限的可用時間。如圖1.1和1.2所概述的一般研究問題，首先是估計諸如武器類型、武器效能、無人機群類型等參數。本論文將把所有的參數視為常量、已知量。關于參數的不確定性分析見Walton等人[17]。

圖1.2 研究問題的場景可視化

其次，一群防御性無人機必須決定如何分割即將到來的攻擊者集合，以便以最佳方式與他們交戰，使高價值單位（HVU）的生存概率最大化。本論文將這一場景限制在單一防御無人機上。關于多重TSP（MTSP），見參考文獻[27]-[29]。

1.4 提綱

剩下的幾塊，決定攻擊順序和路徑優化，將在下面幾章討論。第二章假設已經知道或選擇了合理的攻擊順序，并解決相關的科學問題，即如何使HVU的生存率最大化。我們偏離了最優控制的路徑優化，而是致力于建立全新的、無約束的優化框架的可行性，在這里我們討論了各種成本函數的優點和缺點。第三章和第四章分別從TSP和機器學習（ML）的有利角度解決攻擊順序問題。

第三章試圖消除MT-TSP的時間依賴性，以證明動態版本的TSP仍然可以在轉換的空間上采用傳統的TSP算法，第四章為ML的應用建立了一個概念證明。最后，第五章展示了我們開發的圖形用戶界面（GUI）的功能，作為無人機防御任務規劃的輔助工具。

不斷發展的顛覆性技術被證明是軍事領域的游戲規則改變者，并正在改變戰爭的特征。新技術大大縮小了部隊與指揮和控制之間的空間、時間和信息差距。戰略和戰役層面的直接接觸戰正在逐漸成為過去。對敵人的遠程非接觸性影響成為實現戰斗和行動目標的主要方式。軍事機器人可以在所有的戰爭行動和所有的地形中發揮重要作用。世界上領先的軍隊正在開發機器人技術，使他們在戰場上獲得決定性的優勢。印度的對手正在開發這種技術，以便在未來的戰斗中充當力量倍增器。這項技術的發展對印度陸軍至關重要，因為它具有巨大的潛力，可以使地面上的士兵以更有效的方式執行其任務。它在巡邏、監視、掩蔽區的行動、探測和消除爆炸裝置、提高生存能力、后勤支持和軍事設施的安全方面的應用需要得到利用。完全自主的挑戰需要分析，但士兵與機器人的合作是一項可能的任務，特別是在印度的條件下。利用機器人技術將拯救寶貴的人類生命，但不一定能取代士兵，因為邊境的兩個戰線上都需要有地面部隊。為半自主士兵-機器人協作量身定做的解決方案值得關注，也是印度陸軍未來長期需求的必要條件。

中心思想

印度陸軍不可避免地需要分析和發展機器人能力，以便在戰場上為其提供決定性的優勢。本文分析了與該技術有關的各個方面，它的應用及它在各種地形中的應用，發展和應用中的挑戰，并為印度陸軍提供建設性的建議。

機器人軍事技術

機器人和人工智能（AI）是技術和認知智能的結合，用于模擬、處理信息和知識，在機器中建立模仿人類行為的能力。它是一種變革性的技術，在軍事領域有巨大的應用。軍用機器人是自主機器人或遙控移動機器人，設計用于監視、后勤、安全和攻擊性任務等軍事應用。這種軍用機器人是用若干代碼和算法組裝而成的。人工智能將在未來的戰爭中發揮更大的作用，使戰場機器人化，但并不完全否定人類參與的必要性。因此，人工智能、相關硬件、傳感器和控制機器人的綜合網絡構成了軍用機器人執行軍事任務的關鍵因素。根據要求，軍用機器人可以開發出不同的形狀和尺寸，它們可以是遠程控制的，也可以是完全自主的。根據應用，機器人可以被開發為攜帶不同類型的有效載荷。根據應用要求，傳感器、探測器、武器、編程軟件和其他有效載荷可以裝備在軍事用途的機器人上。 軍用機器人可大致分為無人駕駛航空器（UAV）、無人駕駛地面車輛（UGV）和水下無人駕駛車輛。這些可以進一步分為半自動和自動。 本文將主要關注陸地部分，該技術對印度士兵起到了促進作用和伙伴的重要性。

• 人工智能將在未來的戰爭中扮演更大的角色，使戰場自動化，但并不完全否定人類參與的需要

優勢

自主/半自主機器的創建不是為了成為 "真正的'道德'機器人"，而是為了遵守戰爭法則和交戰規則（ROE）。因此，影響人類士兵草率決定的疲勞、壓力、情緒、腎上腺素等都被去除；不會有個人所做的決定對戰場造成的影響。 軍事機器人可以不知疲倦地工作，減少人類的工作量，也減少戰場上的傷亡。它們是準確的，因此消除了人類的錯誤。使用機器人技術同樣能提高生產力，增強盈利能力。 這些機器可以在惡劣的天氣條件下，在核、生物、化學污染區等危險情況下工作。

全球趨勢

領先的發達國家正在開發能夠在有/無人類干預的情況下進行作戰行動的機器人。到2022年，美國的軍用機器人產業預計將達到308.3億美元，從2017年到2022年的年復合增長率為12.92%。 美國正在建立一個下一代作戰員，可以使用所有可用的數據來幫助決策，以減少風險，管理不確定性，并提高致命性。 被稱為 "超能作戰員"的機器人機器通過提供技術援助來縮短OODA環路內的時間，從而使美國特種作戰司令部（USSOCOM）的特種作戰人員具有認知上的優勢。

美國還開發了一些機器人系統，如FLIR系統公司的Centaur，一種遠程操作的中型無人地面車輛（UGV），為作戰人員提供了探測、確認、識別和處理諸如簡易爆炸裝置等危險材料的能力。 多用途戰術運輸車（MUTT）是一種跟隨士兵的UGV，在他們的路線上為他們攜帶裝備。MUTT也可以在戰場上運送受傷的士兵，以便其他士兵可以繼續他們的行動。遙控的MUTT可以在人類之前偵查一個地區，也可以用來發射武器。Themis"（履帶式混合模塊化步兵系統）是一種多功能UGV，旨在減少戰場上的部隊數量。該機器人有一個開放的架構，可以配備輕或重機槍、40毫米榴彈發射器、30毫米自動炮和反坦克導彈系統。它有一個自穩定的遙控武器系統，可以在大范圍內提供高精確度，也可以在白天和晚上發揮作用。Throwbot 2.0是Recon Robotics公司制造的可投擲機器人，僅重0.6公斤，可在室內和室外環境中發揮作用。這種軍用機器人實時傳遞情報和偵察信息。它是一個超輕量級的防水機器人，可以被扔到野外的任何地方，并被設計成可以在各種地形上爬行。

俄羅斯武裝部隊已經發展了UGV方面的專業知識，URAN6在敘利亞進行了嘗試和測試，Uran -9目前正在開發中，以支持步兵行動。他們經常對無人系統保持一種務實的態度，利用T-72（Shturm）和T-90（Prokhod）主戰坦克以及BMP-3（Vikhr）步兵戰車等舊平臺，將這些平臺轉換為可選擇的載人作戰系統，可以在無人模式下遠程操作。Uran-9的特點是 "一個遠程操作的炮塔，可安裝不同的輕型和中型口徑的武器和導彈。Sorantik正在開發的另一種UGV被指定用于偵察和火力支援任務，但也可以承擔掃雷和巡邏任務。該車可以在全自動模式下運行，但也可以由作戰員直接控制。

• 軍用機器人可以不知疲倦地工作，減少人類在戰場上的工作量和傷亡，同時消除決策中的人為錯誤

山地戰中部署

印度北方邊境的多山地形給武裝部隊帶來了巨大的挑戰。空中機器人平臺可以通過利用第三維度來提高對形勢的認識。可以獲得峰頂以外的實時信息，通過人工智能算法處理，無論是在無人機上還是在操作員端，都可以提供實時的目標情報。一系列微型到遠程的無人機現在正被各種軍隊用于監視。通過武裝UCAVs和游蕩彈藥，半自動的精確瞄準也是可行的。配備有合適的傳感器和攝像機的地面機器人可以執行不同的任務，移動機器人可以遠程操作進行偵察巡邏，并將視頻和圖像傳回給操作員。機器人實際上可以充當巡邏隊中領先的先遣偵察員的伙伴。配置一個機器人以登上和降低山地高度和障礙物是一個挑戰，可以通過改變設計使其更加靈活、堅固和使用更多的動力來克服。該系統必須被設計成既能克服樓梯等規則形狀的障礙物，又能克服巖石、倒下的樹木和其他雜物等不特定形狀的障礙物。"設計基準是能夠走上45度傾斜的平坦表面或不規則的障礙。有時要求高達50度或更陡峭"。

在被雪覆蓋的山區進行搜索和救援是另一個應用，軍隊中使用的機器人可以在拯救生命方面發揮關鍵作用。大多數傷亡是由于延遲向受害者提供必要的援助而發生的。許多國家正在大力投資，以最大限度地縮短反應時間，以挽救最大數量的生命。它們可以由士兵從一個指揮中心遠程操作。在某些情況下，它們甚至可以自主地工作。美國的Vecna技術公司正在開發戰場提取輔助機器人（BEAR），它可以從戰場上營救士兵而不危及人的生命。

印度軍隊在從連隊到更高的總部和彈藥到后勤基地的許多基地/地點駐扎。在這些邊境地區的安全和防御是一個挑戰，可以有效地開發機器人來保護這些基地的安全。美國已經開發了機器人狗，它是一種靈活的移動機器人，以前所未有的機動性瀏覽地形，使你能夠自動完成常規檢查任務和安全地捕獲數據，該系統已經部署在美國的各個基地。

在沙漠和半沙漠地形中利用機器人

沙漠/半沙漠地帶的行動通常以機動性為特點。機動性是贏得戰斗的一個決定性因素。UGVs在機械化戰爭中帶來了一場革命，提供了相應的機動性。半自動的UGVs可以幫助偵察部隊實現對局勢的了解，就像眼睛和耳朵一樣。除了可以在UGVs中內置大量的傳感器外，它們還可以發射無人機作為天空中的眼睛，也可以作為無線電通信的中繼。對己方和敵方機械化編隊的實時地理定位、圖像、坦克、物體的自主識別可以證明是一個游戲規則的改變者。需要開發一個UGV和半自主坦克的組合，它可以在進攻戰中穿透敵人的蓄意防御，通過建立一個機器人射擊陣地系統來支持戰術編隊的防御行動，為前進的單位和分隊提供火力掩護，并壓制敵人的武器系統。還可以開發機器人用于炮兵偵察和為地基火炮的發射提供服務。可以利用UGV進行工兵偵察、布雷、掃雷、在雷區和其他障礙物中清理出一條通道并支持其談判。他們還可以在敵人的火力影響區布置煙幕。最后，UGV可以在后勤方面發揮重要作用，作為移動后勤縱隊的一部分，還可以協助傷員撤離。

機器人是反恐行動的重要工具

機器人在全球反恐戰爭中發揮了重要作用，它們被用來探測和消除可能爆炸的可疑物體。機器人可以在近距離戰斗中充當領頭的偵察兵或進入者，它們不僅可以探測到威脅，還可以在最初的炮擊中首當其沖，然后將恐怖分子消滅。它們可以作為士兵的伙伴，在城市戰斗中發揮作用。偵察機器人也被稱為 "投擲機器人"，是 "小而輕的機器人，足夠堅固，可以通過窗戶或門縫投擲。該機器人配備了一個攝像頭，可以在不派人的情況下看到建筑物內的情況"。這些低端機器人可以很容易地被開發出來，以便在建筑物/房間干預之前立即了解情況。反簡易爆炸裝置機器人可用于識別和拆除封閉區域、建筑物、道路和車輛中的簡易爆炸裝置和其他危險物品。它們需要被整合到炸彈探測系統中。根據反簡易爆炸裝置的任務，它們可以攜帶各種有效載荷。

挑戰

• 印度的軍事技術發展系統以一種孤立的方式進行。這是能力發展的垂直領域內不信任的一個因素。這一挑戰需要得到解決。

• 根據分配的任務為前線部隊配備模塊化設備是一個挑戰。這些系統應該是多功能的、可互操作的，并且有能力整合到武裝部隊現有的和先進的結構中。

• 為系統開發綜合網絡，使其在各個層面上運行是另一個重大挑戰。

• 邊界沿線不同的地形和天氣條件要求不同的電力需求和高效的傳輸系統，以獲得更高的速度、靈活性、準確性、耐久性和堅固性。

• 與移動機器人平臺之間傳輸的數據，特別是視頻，其安全性至關重要，需要采取足夠的措施來建立安全的網絡和加密，并采取強有力的ECCM措施。

建議

• 印度陸軍的機器人系統需要圍繞七個主要技術/原則進行開發：算法、數據、軟件程序、綜合網絡、軍民合作、綜合研究與開發和強大的制造。

• 這些技術需要在一個屋檐下以綜合方法開發，作為政府的整體方法。

• 正如本文所建議的那樣，原型開發應該以部門（地形）為基礎，口號應該是小規模開始，快速測試和大規模。

• 研究和開發的預算應該是專用的和長期的，目的是針對中小微企業和私營企業。如果一個公司/行業的研究沒有資金，而且對產品沒有確定的需求，那么它就不會投資于技術。隧道的盡頭必須有光，才能讓印度的年輕人的思想繁榮起來。

結論

人工智能和機器人不再是小說或基于科幻的好萊塢電影的單純想象，它們現在是一個現實。勇敢的、英勇的血肉之軀的士兵需要與智能材料和更聰明的非人類士兵合作，他們不關心獎章、徽章或在調度中的提及。發達國家正在開發這種技術，它正在改變戰爭的特征。印度IT行業擁有巨大的領域知識，并被印度和國外的民用產業在多個領域利用。這種人才需要被利用來開發這種技術以促進國家安全。這項技術的發展對于提高印度軍隊的能力至關重要，需要采取措施來建設這些能力。

人工智能正在緩慢地進入軍事行動，該學科的進步推動了戰斗空間中自主性的質和量的增加。這就意味著戰斗人員將越來越多地與具有越來越先進自主能力的機器共存。隨著機器從簡單的工具躍升為合作的隊友，人機編隊將成為現代戰爭的中心。空軍的忠誠僚機概念表明，人與機器之間的互動質量與機器的技術先進性一樣，對成功的人機協作至關重要。了解如何確保人類和機器之間的信任將是至關重要的。人工智能和機器學習將使信任變得更加必要和難以實現，而與神經技術的融合可能會使這項任務進一步復雜化，帶來新的挑戰。

引言

人工智能（AI）正日益進入軍事領域。雖然愛好者、否認者和實用主義者可能對人工智能將在多大程度上賦予戰斗空間優勢持不同意見，但它已經被用作分析工具、破壞者和力量倍增器（Rickli和Mantellassi，2023）。在烏克蘭的沖突中，人工智能通過縮短傳感器到射手的時間、分析截獲的通信、傳播情報以及在信息戰中利用人工智能來優化目標定位周期，明顯體現了這種趨勢（Rickli, Mantellassi, and Juillard, 2022, p.22）。人工智能的進步不僅在數量上加速了戰爭的自主性和自動化，而且在質量上也加速了完全或部分由機器完成的一系列任務。隨著人類和機器在戰斗空間中的共存不斷擴大，成功理解如何實現人類和機器之間的最佳合作是釋放人工智能在軍事行動中的全部潛力的關鍵。本文將重點討論人工智能和人機協作對空軍的新的重要性，在放大信任問題之前，特別關注 "忠誠的僚機 "概念。它還將討論人機協作如何與其他新興技術，特別是神經技術相融合，以重新定義未來的可能性。

人工智能與人機編隊

人機編隊（HMT）是將人類的判斷與計算機的數據處理和響應能力相結合的行為（Motley，2022）。在軍事領域，這意味著將人類、人工智能和機器人整合到合作、相互依賴和自主的系統中（Hein和Maquaire，2022）。人機互動在軍事和民用領域已經很普遍，但這種傳統的機器和人之間的互動模式并不一定構成一個 "團隊"（Walliser等人，2019）。理解是什么讓兩者之間的互動成為一個團隊，而不是機器只是一個工具，這一點至關重要。在人機團隊中，機器在實現目標方面發揮著積極作用，它 "從信息中進行推斷，從信息中獲得新的見解，從過去的經驗中學習，發現并提供相關信息以測試假設，幫助評估潛在解決方案的后果，辯論所提出的立場的有效性，提供證據和論據，提出解決方案并提供對非結構化問題的預測，另外還參與人類行為者的認知決策"（Bittner等人，2020，第3頁）。在HMT中，機器不僅僅是一個在指示后完成指定功能的工具，而是一個能夠與人類同行協調并支持實現目標的決策的隊友（Motley, 2022）。

如果機器沒有與人并肩合作，僅憑機器中存在的自主權不足以將人機互動定性為團隊（Motely, 2022）。人機互動由三個要素組成：人、機器以及機器和人之間的互動和關系的性質（Chahal和Konaev，2021）。人工智能正在加速HMT的潛力和普遍性，特別是在軍事行動中，人工智能驅動的自主性有了質的飛躍，正在投入使用的自主系統的數量也在增加。機器將不再是簡單的工具，而是成為行動的組成部分，積極參與決策（Walliser等人，2019）。在這種新興的背景下，需要成功地將人和機器配對，以提取兩者的最大潛力，這為HMT奠定了基礎。

人工智能的進步導致自主系統可以執行的各種功能有了質的提高，使這些系統以更關鍵和合作的方式與人類并肩作戰。以人工智能為動力的自主性，越來越多地由機器學習（ML）驅動，正導致機器能夠獨立和更準確地完成的任務的復雜性增加。例如，Primer。AI正在使用不同的技術，最主要的是自然語言處理（NLP），融合多種情報輸入（音頻、視覺、文本），為烏克蘭軍隊提供實時、自主生成的戰斗空間情報圖（Primer, 2022）。同樣，游蕩的彈藥已經進入了戰斗空間，依靠人工智能來識別和攻擊目標。武器系統正越來越多地受益于私營部門開發的雙重用途人工智能技術。例如，2022年5月，Deepmind發布了一種新的算法 "GATO"，能夠執行604項不同的任務（Deepmind, 2022）。

• 算法可以執行的功能越多，它在功能上與“人類”的等效性就越大，從而增加了 HMT 的潛力。

一個算法可以執行的功能越多，它在功能上就越等同于人類，增加了HMT的潛力。這些發展也推動了自主系統或具有某種程度自主性的系統數量的增加（Boulanin和Verbruggen，2017）。蜂群技術的出現--已經在實驗中得到證明--將加速這一趨勢（Xin等人，2022；Mehta，2017）。許多這些技術進步都是在私營部門開創的，是小國、非國家行為者和個人更容易獲得的收益，與傳統系統不同（Ashby等人，2020；Rickli，2020a）。隨著機器人技術和自主權在數量和質量上的增加，戰爭的節奏將加快（Rickli，2019）。在算法戰爭中，人類在決策過程中保留有意義的作用的唯一途徑將是通過整合和同步人類和機器的輸入（Walsh, 2021）。空軍必須在人和機器元素之間建立共生關系和互動。

雖然人工智能的成功和高潛力正在重塑HMT，但人工智能的固有局限性和相對脆性意味著機器必須繼續與人類共存（Rickli，2020b）。假設戰爭的所有方面都將在不久的將來實現自動化，人工智能將取代所有--甚至大多數--作戰人員的任務，這是不現實的。人工智能目前仍然是 "狹窄的"，只能夠在容易編纂或有更明確的規則和指標的活動中勝過人類（英國國防部，2018）。此外，這些狹窄的人工智能應用很容易受到對抗性攻擊和數據偏差的影響，這可能導致驚人的失敗（Scott-Hayward，2022）。雖然人工智能卓越的分析、數據處理和統計關聯能力大大超過了人類，但后者將保持對戰斗空間的認知優勢，理解背景，依靠直覺，必要時打破規則，并以新穎的方式適應（Losey，2022）。HMT的優先級正是由于需要從機器算法與人類的結合中獲得最佳結果，在這種情況下，每個人都可以發揮其優勢（Jatho和Kroll，2022）。當正確的任務被分配給團隊中正確的元素（人類或機器），并且兩者之間的互動是高質量的，人機團隊的表現就會大大超過人類和機器單獨行動（Jatho和Kroll，2022）。

忠誠僚機的概念和信任

空軍已經特別適應HMT的要求（Briant，2021）。采用人工智能和人與機器之間的互動越來越成為空中力量的核心（Briant, 2021）。世界上有幾個備受矚目的項目正在試驗 "忠誠的僚機 "概念，該概念建議自主的無人駕駛飛機與有人駕駛的飛機一起協作。空軍對HMT的需求來自于多個方面。首先，將人工智能、機器人和計算機整合到行動中，加速了數據的生產和收集，給作戰人員帶來了 "信息過載 "的風險（約翰遜等人，2014年）。操作復雜系統的飛行員需要高度集中和多任務處理，實時分析更多數據的范圍有限。人工智能協助可以減輕一些這種負擔。作為其 "先鋒計劃 "的一部分，美國空軍正在開發 "Skyborg"--一個 "自主飛機組隊架構"，它將使諸如Kratos Valkyrie這樣的無人機能夠與有人駕駛的飛機組隊飛行（美國空軍，n.d）。這些無人機僚機將通過卸載一些數據分析任務、繪制目標和防空系統，以及為飛行員建議飛行走廊來提高飛行員的表現（Losey, 2022）。隨著時間的推移，機載人工智能系統將能夠向飛行員建議適當的行動方案。第二，美國的近鄰對手，如中國，已經大量投資于發展反介入/區域拒止（A2/AD）能力，使作戰環境變得非常有爭議和致命（Grynkewich, 2017）。為了在這些高度競爭的環境中提高生存能力--考慮到蜂群技術的出現--忠誠的僚機可以被大量用于穿透和飽和對手的防御，充當誘餌，或提供動能效應（Perret，2021）。

無數的挑戰出現了，使為忠誠的僚機實現有效的HMT的目標變得復雜，而這些挑戰并非都是技術性的。多種因素影響著HMT的互動質量，其中一些因素在圖9.1中得到了說明。許多關于HMT的研究重點并不完全在技術能力和特性上，而是在人和機器之間的關系及其互動的性質和質量上。有效的HMT只是部分地依賴于人工智能的先進性，但在很大程度上取決于互動的質量。人們常常把它與人與人之間的團隊相提并論。團隊的有效性不是簡單的單獨成員能力和投入的總和，實際上取決于通過團隊流程和團隊工作成功地整合和協調個人努力（Funke等人，2022）。在HMT中，人類必須了解1）其角色，2）人工智能系統，3）如何與人工智能系統/隊友互動，以及4）如何與其他人類隊友互動（Puscas，2022）。

圖 9.1：影響人機交互質量的因素

信任是HMT中的一個重要元素，但也是一個高度復雜的概念，有許多影響它的變量，如人口、地理位置、背景和其他多種因素（Chahal and Konaev, 2021）。Davis、Mayer和Schoorman將信任定義為 "一方愿意受到另一方行動的影響，因為他們期望另一方會采取對信任者很重要的特定行動，而不考慮監督或控制該另一方的能力"（1995）。關于支配人與人之間信任的變量和動力是否與影響人機信任的變量和動力相同，目前還沒有定論（Celaya and Yeung, 2019）。本文將把信任視為 "個人對技術結論的可靠性及其完成既定目標的能力的信心"。(Chahal and Konaev, 2021)。正如英國國防部所指出的，人工智能系統不僅會受到可以做什么的限制，而且還會受到 "行為者信任他們的機器會做什么 "的限制（英國國防部，2018）。事實上，如果沒有信任，人工智能將無法發揮其全部潛力，因為它的使用可能僅限于低風險的情況，而不是它可以提供真正的優勢（Motley, 2022）。空軍面臨的挑戰涉及到如何加強對人工智能的信任，從質量上增強人機關系。培訓和用戶界面的特點是提高對人工智能的信任和改善人機關系的核心考慮。

對人工智能系統的信任可以受到機械理解、系統可預測性、熟悉度和背景的影響（英國國防部，2018，第48頁）。這些因素可以--至少是部分地--通過適當的培訓來灌輸對人工智能系統的信心和理解，以及通過用戶友好的界面，通過提高熟悉度和可預測感來控制機器（Puscas, 2022）。然而，人工智能驅動的自主性的增加和ML作用的擴大意味著適當的培訓和用戶界面將同時變得更加復雜和具有挑戰性，但也更加必要--但所有這些都會對信任產生不利影響（Puscas，2022）。人工智能的 "黑箱 "問題阻礙了可理解性、可解釋性和可預測性，從而降低了信任度，而這種信任度只會隨著下放給機器的自主權程度而增加（Michel，2020）。隨著ML算法隨著時間的推移而學習，飛行員/人類隊友必須知道機器如何變化，它正在學習什么，以及這將如何影響其結果。因此，自動化的復雜性使得持續培訓成為首要任務，但也更加復雜。同樣地，界面的可用性變得更加重要，但同時也更加復雜。隨著機器隊友提供更多的自主權和它的算法過程的復雜化，它的輸出在解釋和溝通上也更具挑戰性（Puscas 2022）。這種復雜性反過來可能會導致對系統的信任度降低。

• 隨著ML算法隨著時間的推移而學習，飛行員/人類隊友必須知道機器如何變化，它在學習什么，以及這將如何影響其結果。因此，自動化的復雜性使得持續訓練成為首要任務，但也更加復雜。

缺乏信任會影響HMT，降低人機團隊的效率和潛力，從而降低其作戰使用的概率。然而，對機器的過度信任也會對HMT產生負面影響。(Scharre, 2018; Puscas, 2022）。事實上，系統自主性的提高會導致 "自動化難題"，即用戶警覺性的喪失與系統增強的自動化和感知的可靠性成正比（Puscas，2022）。在這個意義上，機器的復雜性既可以減少信任，也可以將其增加到一個過度的水平。因此，軍事操作人員需要對他們操作或監督的自主系統抱有健康的懷疑態度，這就需要有能力準確評估系統的局限性（Scharre, 2018, p.144）。這再次強調了適當培訓的重要性，以獲得對系統的理解，以免它 "因忽視而變得完全自主"（Puscas, 2022）。2003年，涉及美國 "愛國者系統 "的一系列事件，一個人在回路中的防空系統，導致自相殘殺，歸因于過度信任和不適當的培訓，這使得該系統事實上完全自主（Scharre, 2018）。

神經科技的融合

任何單獨的新興技術的興起都不會發生在真空中，獨立于其他技術創新。因此，新興技術組之間的融合需要仔細關注，以預測這些技術之間不可預測的互動所帶來的未來挑戰（Rickli和Mantellassi，2022）。目前，人類的互動總是通過界面（如屏幕）進行的，這意味著其效率有一些限制。采用忠誠的僚機的操作演示中，操作員用手持平板電腦指揮機器隊友（Trevithick, 2021）。消除對界面的需求的一個方法是，使用一套允許大腦和機器之間雙向互動的技術，直接將機器與人腦連接起來。人工智能和神經技術領域--尋求將技術部件連接到神經系統的科學領域--之間正在進行的融合可能會在未來實現最佳的人機互動（Rickli，2020c）。

人與機器之間的關系質量對人機交互至關重要，并且受到界面特征的影響。使用外部界面（屏幕、平板電腦、計算機）來監督或以其他方式與機器或半自主代理接觸，可能對認知要求很高，導致喪失警覺性和自滿情緒（Puscas，2022）。神經技術的進步可能會解決飛行員與外部鏈接（如屏幕或顯示器）互動的需要，以查看、溝通并向機器傳輸信息。腦機接口（BCI）將把忠誠的僚機控制無縫整合到飛行員的認知過程中，以減少認知過載，加速觀察、定向、決定和行動（OODA）循環，如下圖9.2所示，并消除設計接口的復雜任務。BCI可以 "促進思維速度的多任務處理"，并允許飛行員 "與智能決策輔助工具對接 "和多車輛合作（Bartels等人，2020）。DARPA正在努力實現BCI的使用，它模擬了狗斗，其中算法 "進入 "對手的OODA循環，通過更快的決策擊敗人類對手（Tegler，2020）。

圖 9.2：OODA 循環的儀表板樣式表示

技術的融合融合了每項技術的特質，加速了它們的發展，并導致了以前不可能的新穎創新。然而，融合也使與單個技術相關的風險轉移到另一個技術，有時會帶來全新的、不可預測的挑戰。因此，雖然BCI等神經技術可以及時實現最佳的HMT，但它們也帶來了新的和更復雜的風險。對于神經技術而言，這些風險包括數據隱私和認知及精神完整性的倫理困境、大腦操縱和發動認知戰爭的新途徑，以及前所未有的監控能力等（Rickli和Ienca，2021）。

結論

人工智能的進步導致軍事行動中具有自主能力的人工智能驅動的機器在質量和數量上的增加。然而，今天的人工智能相對脆弱，這意味著作戰人員將在戰斗空間與機器共存，越來越多地成為隊友。空軍必須投資于可消耗的、無人駕駛的能力，如忠誠的僚機，以克服信息負擔、認知過載和高度競爭的空域中的低生存能力等挑戰。HMT的挑戰是未來空中力量能力的中心。優化人與機器之間的關系，而不僅僅是駕駛這些忠誠僚機的算法，是至關重要的。確保飛行員對人工智能驅動的自主系統的運作和性能有信任，并對其固有的局限性有一個強有力的理解是至關重要的。在解決這些問題時，培訓和用戶界面的重要性非常突出。了解自主性如何影響信任并影響飛行員和他們的機器隊友之間的關系，將對推進HMT具有決定性意義。神經技術，特別是BCI，是一個新興的領域，有可能與忠誠的僚機概念相融合，并使人與機器之間的聯系更加優化。通過預見性地預測BCI、忠誠僚機和人工智能之間的融合所帶來的新挑戰，對于指導未來空中力量的發展至關重要。

根據無人機技術的快速發展，無人機被廣泛應用于包括軍事領域在內的許多應用領域。在本文中，一種新穎的基于DRL的自主非線性無人機機動性控制算法在網絡物理游蕩彈藥中的應用。在戰場上，基于DRL的自主控制算法的設計并不直接，因為現實世界的數據收集一般是不可用的。因此，本文的方法是：用Unity環境構建網絡物理虛擬環境。基于虛擬的網絡物理戰場場景，可以設計、評估和可視化一個基于DRL的自動化非線性無人機移動控制算法。此外，許多障礙物的存在對真實世界戰場場景中的線性軌跡控制是有害的。因此，我們提出的自主非線性無人機移動控制算法利用了形勢感知組件，這些組件在Unity虛擬場景中用Raycast函數實現。基于收集到的情況感知信息，無人機可以在飛行過程中自主地、非線性地調整其軌跡。因此，這種方法顯然有利于在有障礙物部署的戰場上避開障礙物。我們基于可視化的性能評估表明，所提出的算法優于其他線性移動控制算法。

本論文探討了區塊鏈與互聯網協議第六版（IPv6）數據包信息的使用，以支持與無人駕駛飛行器（UAVs）智能蜂群的安全、高性能和可擴展的通信。在這篇論文中，我們研究了三種情況下的加密數據包的交換，即點對點、點對多和多對點。我們模擬了每個場景下的蜂群行為，并在模擬運行中改變了蜂群中無人機的數量。基于仿真的結果顯示，對于點對點場景和多對多場景，即使在多對多場景中，交互節點的數量增加，延遲也沒有明顯增加。相反，在點對多的情況下，延遲會增加。需要進行更多的研究來評估本論文中提出的區塊鏈-IPv6方法的安全性和可擴展性。

圖. 使用區塊鏈技術的無人機群智能中的塊生成概念

引言

越來越多的無人機被用于軍事目的，再加上自動化方面的進步，如為無人駕駛飛行器（UAV）配備不同程度的自主權和群集智能，使得這些飛行器成為敵對勢力的誘人目標。為了獲得競爭優勢，對手將試圖找到無人機的飛行控制器、接收器或發射器的可利用的物理和網絡漏洞，然后應用動能、網絡或某種動能和網絡攻擊機制的組合來操縱無人機的行為，例如使無人機墜毀或泄露敏感數據。

攻擊軍用無人機的一個途徑是操縱無人機使用的通信機制，無論是無人機與無人機之間的通信還是無人機與人類操作員之間的通信。例如，對手可以修改或阻止無人機群之間的數據交換，以降低無人機群的行動效率。重要的是，為軍事單位提供的無人機已經過動能和網絡脆弱性評估，與這些脆弱性相關的風險在無人機的操作使用之前就已經得到緩解，并且在無人機的使用壽命內對無人機系統進行修改時，也要進行風險評估和緩解。

安全風險管理也要在一個框架中進行規范，美國國家標準與技術研究所（NIST）就是這樣做的，它發布了一個風險管理框架。多種技術可用于實施降低安全風險的措施。例如，Vikas Hassija和Vinay Chamola[1]斷言。"當務之急是保持無人機和其他用戶之間交易的安全性、成本效益和隱私保護。區塊鏈技術是一個非常有前途的解決方案，可用于部署實時無人機應用"。

A. 問題陳述

科學技術的創新和進步之間存在著一種共生關系。諸如自動駕駛汽車、自主無人駕駛飛行器（UAV）和智能家用電器等能力，一度被認為是科幻小說的范疇，或者在技術上太難實現，現在已經很普遍了。

無人機的概念最早出現在1783年，當時約瑟夫-米歇爾和他的伙伴雅克-艾蒂安-蒙戈爾費埃公開展示了一種當時可以說是無人機或無人駕駛飛機的交通工具[2]，其形式是1849年在法國一個叫安諾奈的地方的熱氣球，在那次戰爭中，由奧地利中尉弗朗茨-馮-烏沙提斯創造的氣球炸彈被用來攻擊威尼斯市。雖然這次攻擊只造成了輕微的損失，但它可以被稱為成功，因為兩天后威尼斯就投降了[3]。尼古拉斯-特斯拉在1898年獲得了遙控（RC）的專利，大約20年后，一家名為拉斯頓-普羅克特空中目標的公司在特斯拉之前獲得專利的遙控技術基礎上發明了第一架無翼飛機[4]。

從那時起，無人機技術和它的應用已經穩步增長。它們已被用于科學研究，如收集有關火山活動的數據，在這些地方使用駕駛飛機會太危險或太昂貴。在20世紀90年代，亞伯拉罕-卡雷姆推出了 "捕食者"，這是一種配備了攝像頭和其他傳感器的無人機，用于監視。國防界為 "捕食者 "配備了武器裝備，包括導彈[5]。掠奪者本身已被用于一些沖突，如在阿富汗、巴基斯坦、波斯尼亞、前南斯拉夫、伊拉克、也門、利比亞、敘利亞和索馬里的沖突[6]。在2022年，它們也被烏克蘭和俄羅斯武裝部隊廣泛用于戰斗。

無人機技術的一個重大進步是應用了蜂群智能，一群無人機模仿大量同質動物的智能行為，如蟻群、鳥群和蜜蜂群。蜂群通過蜂群成員之間的協調表現出集體行為。蜂群的行為可以被編碼為算法，而這些算法又可以通過軟件實現，在計算機上執行，比如無人機中使用的嵌入式計算機[7]。蜂群行為甚至被用來進行基于無人機的燈光表演，例如在2020年東京奧運會的開幕式上。

在蜂群中，蜂后是控制器，同樣地，在蜂群智能無人機中，系統中有一個控制中心，典型的控制器名為地面控制站（GCS）。無人機的工作方式很直接，這涉及到無人機和GCS之間的數據交換，然后GCS可以連接到衛星，或者衛星可以直接連接到無人機，一切都在實時發生。圖1說明了無人機和其基礎設施的一種通信方式。至少，通信需要是低延遲和安全的[8]。

有兩種技術可以在GCS和無人機之間進行通信。第一種技術是基于蜂群基礎設施的GCS，第二種是飛行Ad-Hoc網絡（FANET）。基于蜂群基礎設施的GCS本身有一個GCS，用于集中式通信。所有的無人機群都將與GCS進行通信，以便群組能夠運作。然而，這種技術的一個缺點是，它依賴于GCS的可用性和正確運作。如果GCS受到干擾，整個無人機群也會受到干擾。相比之下，FANET使用一個發射器向某個無人機發送命令，然后該無人機將這些命令轉發給第二個無人機。然后這些命令將以串行或并發的方式分發給其他無人機。所有的無人機將進行通信，并擁有發射器給出的命令列表，這樣，如果這個發射器發生故障，所有的無人機仍然可以執行命令，因為每個無人機都有一個有效的命令列表。最后，通過使用這種FANET技術，每個無人機將具有冗余性，而不完全依賴通信基礎設施。然而，這種技術也有缺點。例如，一個入侵者或一個未知的無人機可以進入并破壞無人機群。再比如，無人機群的授權成員無法檢測到，所以入侵者（即未經授權的參與者）的無人機，從而可以獲得將由授權無人機執行的命令列表[9]。

為了克服入侵者無人機的問題，也許可以應用區塊鏈來防止未經授權的無人機使用無人機群命令來獲取列表。區塊鏈本身已被廣泛用于金融領域，目的是在每筆交易的驗證過程中消除第三方。

在區塊鏈中，當數據被分發時，將很難被黑客攻擊并獲得完整的數據，因為它是由一個使用加密手段的網絡驗證的。每個區塊由前一個區塊的哈希值，驗證哈希值的隨機數，或稱nonce，以及時間戳組成。完整性的保證是由區塊鏈為第一個區塊的形成提供的，這個區塊是由一個經過驗證的交易形成的結果，稱為創世區塊。由于哈希值是不可預測的或唯一的，欺詐或復制行為將被發現。每個經過驗證的區塊都有其哈希值，對該區塊的任何改變都會對其他區塊產生影響。如果所有或大多數節點給予許可或同意，該區塊就會被添加到鏈上，因為共識機制安排交易的有效性在某個區塊的有效性。

區塊鏈上的這種共識機制可以通過三種方式進行，那就是工作證明、股權證明和投票，實用拜占庭容錯。在加密貨幣的世界里，工作證明被用于采礦。它的工作原理是在每個節點上進行數學方程的計算，然后每個首先完成計算的節點將有權將最新的區塊輸入區塊鏈。使用權益證明，只有合法的節點可以進行計算以達成共識。另一方面，實用拜占庭容錯是基于投票的，要求至少有三分之一的授權節點是拜占庭的。

認證過程是通過生成具有偽隨機函數的一次性密碼（OTP）來進行的。無人機在區塊鏈中注冊，每架無人機根據存儲在區塊鏈節點中的關系，確定它能夠認證的最近的無人機。認證請求從無人機發送至相關的無人機，后者在區塊鏈中觀察并檢查該無人機是否有關系，并能對其進行認證。這個方案能夠挫敗外部惡意無人機的攻擊或第三方攻擊，即使對手知道第一個令牌。

B. 方法

在本論文中，我們研究了使用IPv6（互聯網協議版本6）在無人機之間進行通信的方式。與IPv4（互聯網協議版本4）相比，IPv6有很多優點，即速度更快，更有效，因為它的路由表比IPv4少，所以路由過程將更有組織和有效，而且更安全，因為它配備了交換數據的加密功能。帶寬更有效，因為IPv6支持組播。配置更容易，因為它自動運行。總的來說，IPv6更適合無人機等移動設備，因為不需要通過網絡地址表（NAT），因此延遲低。IPv6將使用區塊鏈與權益證明共識相結合。

與加密貨幣一樣，區塊鏈上的每個節點都必須進行支付。在這項研究中，支付被替換成OTP。每個節點產生相同或同步的OTP。區塊鏈和OTP在這里的使用是為了檢測未經授權的無人機，并防止他們讀取或更新無人機群使用的命令列表。此外，我們探索了區塊鏈、智能合約共識（SCC）和分布式賬本技術在蜂群通信方面的能力。此外，還根據提出的無人機群智能通信架構的概念進行了模擬。

C. 范圍

本論文的范圍僅限于探索區塊鏈技術和OTP的聯合使用，這兩種技術在IPv6數據包中都有填充。

D. 研究結果總結

在進行了模擬物理無人機在點對點、點對多、多對點場景下的運行，并使用1-10000次迭代或交易的實驗后，得到了各場景的延遲比較結果。從這些結果可以得出結論，對于點對點方案和多對多方案，即使在多對多方案中，交互節點的數量增加，延遲也沒有顯著增加。而在點對多的情況下，一個節點以廣播信息的形式同時向幾個節點進行交易，這導致了延遲的增加。第四章和第五章解釋了仿真結果和這些結論的總結。此外，第五章還討論了與本論文中的事項有關的未來工作的可能性和建議。

E. 論文組織

第二章介紹了無人機群智能通信區塊鏈功能的背景，并利用它作為無人機群智能的通信手段。它還對IPv6結構格式進行了概述。第三章討論了基于IPv6區塊鏈的通信數據傳輸的分析。具體而言，分析了IPv6區塊鏈數據包的場景、保密性、完整性和可用性。第四章闡述了IPv6區塊鏈在無人機蜂群智能中實現的可能性和挑戰的研究成果。第五章提供了結論和對未來研究的建議。

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。

自主船舶有望提高未來海上航行的安全和效率水平。這類船舶需要感知的目的有兩個：執行自主態勢感知和監測傳感器系統本身的完整性。為了滿足這些需求，感知系統必須利用人工智能（AI）技術融合來自新型和傳統感知傳感器的數據。本文概述了對常規和自主航海船舶提出的公認的操作要求，然后著手考慮合適的傳感器和相關的人工智能技術用于操作傳感器系統。本文考慮了四個傳感器系列的整合：用于精確絕對定位的傳感器（全球導航衛星系統（GNSS）接收器和慣性測量單元（IMU））、視覺傳感器（單目和立體相機）、音頻傳感器（麥克風）和用于遙感的傳感器（RADAR和LiDAR）。此外，還討論了輔助數據的來源，如自動識別系統（AIS）和外部數據檔案。感知任務與定義明確的問題有關，如情況異常檢測、船舶分類和定位，這些都可以用人工智能技術解決。機器學習方法，如深度學習和高斯過程，被認為與這些問題特別相關。考慮到操作要求，對不同的傳感器和人工智能技術進行了描述，并根據準確性、復雜性、所需資源、對海洋環境的兼容性和適應性，特別是對自主系統的實際實現，對一些先進的例子進行了比較。

本文的結構如下。首先，我們介紹了這一技術領域的最新進展，并回顧了與自主船舶相關的法規。第二，我們回顧了自主船舶的關鍵性能指標（KPI），并將其轉化為操作要求。第三，我們回顧了與這些指標有關的傳感器技術。第四，由于傳感器以幾種不同的格式發布數據，我們回顧了已經成功應用于融合多模式數據的人工智能技術。最后，我們以對未來工作的建議來結束本文。

摘要

兵棋模擬是一種決策工具，可以為利益相關者分析的場景提供定量數據。它們被廣泛用于制定軍事方面的戰術和理論。最近，無人駕駛飛行器（UAVs）已經成為這些模擬中的一個相關元素，因為它們在當代沖突、監視任務以及搜索和救援任務中發揮了突出的作用。例如，容許戰術編隊中的飛機損失，有利于一個中隊在特定戰斗場景中勝利。考慮到無人機的分布可能是這種情況下的決定性因素，無人機在超視距（BVR）作戰中的位置優化在文獻中引起了關注。這項工作旨在考慮敵人的不確定性，如射擊距離和位置，使用六種元啟發法和高保真模擬器來優化無人機的戰術編隊。為紅軍蜂群選擇了一種空軍經常采用的戰術編隊，稱為line abreast，作為案例研究。優化的目的是獲得一個藍軍蜂群戰術編隊，以贏得對紅軍蜂群的BVR戰斗。采用了一個確認優化的穩健性程序，將紅軍蜂群的每個無人機的位置從其初始配置上改變到8公里，并使用兵棋方法。進行了戰術分析以確認優化中發現的編隊是否適用。

索引詞：優化方法，計算機模擬，無人駕駛飛行器（UAV），自主智能體，決策支持系統，計算智能。

I. 引言

兵棋是在戰術、作戰或戰略層面上模擬戰爭的分析性游戲，用于分析作戰概念，訓練和準備指揮官和下屬，探索情景，并評估規劃如何影響結果。這些模擬對于制定戰術、戰略和理論解決方案非常有用，為參與者提供了對決策過程和壓力管理的洞察力[1]。

最近，無人駕駛飛行器（UAVs）作為一種新的高科技力量出現了。利用它們來實現空中優勢可能會導致深刻的軍事變革[2]。因此，它們的有效性經常在兵棋中被測試和評估。

由于具有一些性能上的優勢，如增加敏捷性、增加過載耐久性和增加隱身能力，無人機已經逐漸發展起來，并在許多空中任務中取代了有人系統[3]。然而，由于戰斗的動態性質，在視覺范圍之外的空戰中用無人系統取代有人平臺是具有挑戰性的。在空戰中，無人機可以被遠程控制，但由于無人機飛行員對形勢的認識有限，它將在與有人平臺的對抗中處于劣勢。然而，這種限制可以通過自動戰斗機動[4]和戰術編隊的優化來克服。此外，使用無人機可以允許一些戰術編隊和戰略，而這些戰術編隊和戰略在有人駕駛的飛機上是不會被考慮的，例如允許中隊的飛機被擊落，如果它有助于團隊贏得戰斗。文獻中最早的一篇旨在優化超視距（BVR）作戰中的飛機戰術編隊的文章[5]表明，空戰戰術是用遺傳算法（GA）進行優化的候選方案。該實施方案采用分層概念，從小型常規作戰單位建立大型編隊戰術，并從兩架飛機的編隊開始，然后是四架飛機，最后是這些飛機的倍數。在模擬中沒有對導彈發射進行建模。當一架飛機將其對手置于武器交戰區（WEZ）的高殺傷概率（Pkill）區域內一段特定時間，簡化的交戰模擬器就宣布傷亡。事實證明，所提出的方法的應用是有效的，它消除了團隊中所有沒有優化編隊的飛機，并為整個優化編隊的飛機團隊提供了生存空間。

Keshi等人[6]使用了與[5]相同的分層概念，從由兩架飛機組成的元素中構建大型戰術編隊。模擬退火遺傳算法（SAGA）被用來優化編隊，使其能夠克服對局部最優解的收斂。對16架飛機的編隊進行了優化，提出的最優解表明SAGA比基本的GA更有效。最后，為了探索一個穩健的SAGA，對不同的馬爾科夫鏈進行了比較，事實證明自調整馬爾科夫電流更適合所提出的問題。

Junior等人[7]提出使用計算機模擬作為一種解決方案，以確定BVR空戰的最佳戰術，使擊落敵機的概率最大化。在低分辨率下使用通用參數對飛機和導彈進行建模，并改編了名為COMPASS的模擬優化算法，模擬了兩架飛機對一架飛機的BVR戰斗。低分辨率模型假定在水平面的二維空間內有一個均勻的直線運動。使用優化的戰術表明，擊落敵機的平均成功率從16.69%提高到76.85%。 Yang等人[8]提出了一種方法來優化飛機對一組目標的最佳攻擊位置和最佳路徑。該工作考慮到飛機能夠同時為每個目標發射導彈，并將飛機與目標有關的攻擊性和脆弱性因素作為評價攻擊位置的指標。一個高保真模擬被用來模擬每個導彈的飛機、雷達、導彈和WEZ的動態特性。這項工作并沒有解決在BVR戰斗場景中優化一組飛機對另一組飛機的編隊問題。

Li等人[9]提出了一種基于指揮員主觀認識的編隊優化方法，即在空戰中目標設備信息不確定的情況下選擇飛機編隊的問題。首先，計算戰斗機的戰斗力，這是通過指揮員的主觀認識評估目標戰斗力的基礎。戰斗機的戰斗力以能力的形式表現出來，包括攻擊、探測、生存能力、通信、電子戰、預警系統等。因此，通過采用前景理論和綜合模糊評估來優化空戰訓練。最后，一個應用實例證明了該方法在小規模空戰中的可行性。作者聲稱，利用戰斗力評估戰斗情況的能力為優化空戰訓練提供了一種新的方法。

?zpala等人[10]提出了一種在兩個對立小組中使用多個無人駕駛戰斗飛行器（UCAVs）進行空戰的決策方法。首先，確定兩隊中每個智能體的優勢地位。優勢狀態包括角度、距離和速度優勢的加權和。在一個團隊中的每個智能體與對方團隊中的每個智能體進行比較后，每個航空飛行器被分配到一個目標，以獲得其團隊的優勢而不是自己的優勢。為一對對立的團隊實施了一個零和博弈。對許多智能體參與時的混合納什均衡策略提出了一種還原方法。該解決方案基于博弈論方法；因此，該方法在一個數字案例上進行了測試，并證明了其有效性。

Huang等人[11]開發了新的方法來處理UCAV編隊對抗多目標的合作目標分配和路徑規劃（CTAPPP）問題。UCAV的編隊是基于合作決策和控制的。在完成目標偵察后，訓練指揮中心根據戰場環境和作戰任務向每架UCAV快速傳輸任務分配指令。UCAV機動到由其火控系統計算出的最佳位置，發射武器裝備。合作目標分配（CTAP）問題通過增強型粒子群優化（IPSO）、蟻群算法（ACA）和遺傳算法（GA）來解決，并在歸因、精度和搜索速度等方面進行了比較分析。在進化算法的基礎上發展了UCAV多目標編隊的合作路徑規劃（CPPP）問題，其中提供并重新定義了獨特的染色體編碼方法、交叉算子和突變算子，并考慮燃料成本、威脅成本、風險成本和剩余時間成本來規劃合作路徑。

Ma等人[12]開展的工作解決了在BVR作戰場景中優化兩組（R和B）無人機對手之間的優勢地位問題。一個無人機ri∈R對一個無人機bj∈B的優勢是通過ri和bj之間的距離、ri的導彈發射距離的下限和上限、ri的高度和bj的高度之差以及ri的最佳發射高度來估計的。決定性的變量是無人機在兩組中的空間分布和每架飛機在這些組中的目標分配。無人機在三維作戰空間BVR中的可能位置被簡化（離散化），通過立方體的中心位置來表示。每個無人機組都有一組立方體。優化問題被建模為一個零和博弈，并被解決以獲得納什均衡。

Ma等人[12]提出的工作沒有使用高保真模擬來分析無人機空間分布的選擇和分配給它們的目標對BVR作戰的影響。高保真模擬對飛機、雷達、導彈及其導彈的WEZ的動態特性進行建模。這些動態特性也影響到BVR作戰時每架飛機的行動觸發，因此也影響到最終的結果。例如，如果在兩組無人機之間第一次沖突后的時間窗口內考慮高保真BVR作戰模擬，新的沖突可能會發生，直到模擬結束。因此，每個在交戰中幸存的無人機將能夠選擇一個新的目標，這取決于可用目標的優勢值。在[12]中沒有考慮與無人機行為有關的不確定性。有關敵方無人機在戰術編隊中的確切位置及其導彈發射距離的信息是行為不確定性的例子。這兩個信息和上面描述的其他信息在BVR戰斗中是相關的：它們直接影響飛機之間的交戰結果。

在這項研究中，我們試圖解決文獻中發現的一些局限性，如低分辨率模擬、與敵人有關的不確定性的處理以及缺乏對優化解決方案的穩健性的確認，旨在提高兵棋結果的質量。我們的目標是驗證哪些藍色蜂群的戰術編隊可以在BVR戰斗中戰勝紅色蜂群。作為一個案例研究，RED蜂群使用了空軍經常采用的戰術編隊，稱為line abreast[13]。為了評估BLUE蜂群解決方案的穩健性，我們解決了新的問題，改變了RED蜂群每架飛機的位置，目的是估計新的RED蜂群編隊對BLUE蜂群的優化戰術編隊的效率的影響。

我們使用自主智能體和高保真計算機模擬來優化BVR戰斗中的無人機戰術編隊，考慮與敵人相關的不確定性，如戰術編隊中的位置誤差和導彈發射距離。統一行為框架（UBF）被采納為創建自主智能體的基礎。飛機和導彈在三維環境中用六個自由度（DoFs）建模。

該程序將在接下來的章節中進一步討論。

【背 景】

北約SCI-341研討會的主要科學目標是概述有關自主系統群體 (AS) 中態勢感知 (SA) 問題的最新技術，并確定未來發展與北約行動的相關性。在廣泛的領域研究了態勢感知：太空、海洋、網絡、社交媒體、特大城市。

這項研討會的想法源于關于將自動化和基于人工智能的系統集成到無需人工直接監督即可運行的系統和集群系統。我們知道，就人類而言，良好的 SA 水平是成功執行任務的重要先決條件。因此，我們詢問自動化系統和群體是否也是如此，以及群體的新興使用如何影響人類 SA。

研討會期間提交了所有八篇常規論文，除論文外，美國空軍前首席科學家 Mica Endsley 博士發表了一篇主題演講。

演講分為三個部分：1）自主和態勢感知，2）人類作為一個循環系統，3）群體智能和態勢感知。第一場會議討論了用于機器人和自主系統建模和仿真的群體控制方法、氣象情報和合成環境。第二場會議討論了如何通過群體展示、異常檢測和可解釋的人工智能為人類操作員提供更好的 SA。第三場討論了通過群體任務分配的群體智能、使用合成環境的群體性能評估以及群體與群體之間的交互。

【8篇論文】

• Session 1: 態勢感知與自主性——3篇論文

• Session 2: 人在循環系統中——2篇論文

• Session 3: 群體智能與態勢感知——3篇論文

Paper #1:

A Comparison of Distributed and Centralized Control for Bearing Only Emitter Localization with Sensor Swarms（分布式和集中式控制在單方位輻射源定位和傳感器群定位中的比較）

傳感器群具有增強態勢感知的潛力。如果傳感器群中多個資產協同工作，則存在兩個挑戰：優化傳感器部署和同時最大限度地減少操作員的工作量。如果管理單個資產的傳感任務使操作員超負荷，傳感器需要自動調整其行為。如何實現控制結構有多種可能性。

本文提供了對路徑規劃的調查。要完成的任務是使用兩個僅承載傳感器的平臺定位多個目標。作者認為，“通過目標分配算法解決路徑規劃問題特別有趣，因為存在解決分布式系統上的線性分配問題的方法，僅通過動態通信圖連接”。作者比較了六種不同的控制策略：分布式樹搜索 (DTS)、分布式優化器 (DO)、分布式迭代計劃交換 (DIEP)、中央樹搜索 (CTS)、中央優化器 (CO) 和中央分配 (CA)。比較考慮了兩個方面：一個場景中的所有目標都被本地化的時間，以及必要的計算時間。

中央控制意味著評估所有傳感器/平臺承載傳感器的聯合動作空間，并將最佳動作分配給每個單獨的傳感器載體。這種方法需要強大的計算能力，因為必須解決高維問題。作者建議在本地為每個平臺規劃行動。通過這種分散的方法，可以實現多個傳感器的聯合任務的協調行為，其中每個平臺計算自己的控制向量并將其發送給其他平臺。重復此過程，直到解決方案收斂。分散的方法通常不能提供最佳的聯合解決方案。

在評估中，目標被認為是威脅；因此，平臺需要與當前目標估計保持威脅距離。此外，不同算法的規劃范圍（h 總動作數，I 步數，具有恒定控制輸入）是不同的（由作為首字母縮略詞后綴的數字表示，例如 DTS3）。下圖顯示了三種評估場景：角度和水平/垂直、Circle-4 和 Circle-8。使用了兩種不同的起始配置（相同和相反）。所有模擬都使用了 100 次蒙特卡羅運行。論文（Schily, H., Hoffmann, F., Charlish, A. A Comparison of Distributed and Centralized Control for Bearing Only Emitter Localization with Sensor Swarms. STO-MP-SCI-341）的第2章提供了詳細的評估設計。

結果如下。總體而言，CA3 顯示出可喜的結果：它在角度、水平/垂直、Circle-4 和 Circle-8-Same 場景中表現最好。對于 Circle-8-Opposite，“CA 算法很難找到最佳分配。這是因為平臺在決定是按順時還是逆時針訪問目標時并不相鄰。”對于這種情況，DIEP 和 CP3 表現最好。DIEP 的表現與具有相同時間范圍的中央規劃者相似。由于它需要較低的計算成本，因此它被認為是路徑中央規劃的有趣替代方案。對于每種方法，較長的規劃范圍對結果是有益的。

作者認為 CA 算法“似乎在集中式和分布式規劃方法之間實現了很好的折衷。在所進行的實驗中，它唯一的弱點是同時定位許多目標，這些目標相對于傳感器平臺的起點在各個方向上均勻分布（第 8 圈）。”

Paper # 2:

AI-Powered High Resolution Weather Intelligence Platform（AI驅動的高分辨率天氣智能平臺）

天氣對 UxV（無人駕駛車輛）的運營安全和效率有重大影響。風、湍流、極端溫度、濕度、閃電、云、結冰和降水只是許多局部天氣現象中的一小部分，這些現象決定了 UxV 在給定區域可以做什么或不可以做什么，我們對這些微觀現象的理解實時和預測對于任務成功至關重要。當考慮成群的 UxV 時，挑戰甚至更大，其中每輛車的態勢感知 (SA) 都嚴重依賴于另一輛車。在當今的戰場上，天氣的影響以及我們預測和應對天氣的能力，可以決定任務的成敗。

Tomorrow.io 由軍事飛行員創立，是世界上發展最快的氣象技術公司。在短短的時間內，Tomorrow.io 已成為軍事、航空和無人駕駛航空系統 (UAS) 行業的領先氣象解決方案，客戶包括主要航空公司、武裝部隊以及無人機和無人機行業的領導者。Tomorrow.io 的團隊由 100 多名科學家、工程師、產品和業務經理組成。憑借在數值天氣預報、人工智能和大規模并行計算以及航空、國防、產品開發和用戶體驗/用戶界面 (UX/UI) 方面的豐富經驗，Tomorrow.io 具有獨特的資質，可以實現范式轉變氣象行業。

大多數天氣預報在全球范圍內都存在同樣的運營差距。缺乏數據源，特別是在武裝部隊行動的偏遠地區，以及沒有雷達和氣象站的地區，以及這些地區公開可用模型的粗分辨率，是缺乏準確性和細節的主要原因提供的數據和預測。此外，原始的、不可操作的天氣信息的輸出使最終用戶（如 UxVs 操作員）的決策過程和 SA 支持變得更加困難。

Tomorrow.io 開發了一種整體方法來解決特定于 UxV 的天氣挑戰。相關的 Tomorrow.io 功能集成了新穎的傳感技術、全面而靈活的數據同化引擎、定制的建模框架、機器學習技術以及用于靈活交付數據和見解的現代云原生軟件架構的組合。

對于高質量的天氣預報，觀測（地面、空中、衛星）、模型（全球、大陸）和高性能（數值天氣預報、大規模并行計算）計算是必要的。在大量 UxV 運行的地區，氣象站或雷達站可能不可用，或者可能在相關空域上方進行采樣。此外，這些地區的天氣模型也可能不可用。該貢獻通過提出高分辨率天氣情報平臺解決了這個問題；下圖顯示了用戶界面。數據來自各種“傳統和非傳統傳感技術”。這些模型能夠攝取不同的數據源，包括 UxVs 傳感器。這樣做，可以提供“以亞公里空間分辨率實時飛行條件的完整圖片”以及高頻時間更新。在數據稀疏的地區，UxVs可以創建一個獨立的天氣觀測“網絡”。使用綜合定制大氣模型 (CBAM)，可以預測長達 14 天。提議的系統為 UxVs 操作提供了幾個好處，包括快速更新、多傳感器 UxVs 天氣分析和高分辨率歷史基線分析和預測。UxVs 跟蹤和提取原位數據支持人類操作員進行實時決策。此外，從高分辨率數據中獲得的洞察力和警報可以在必須快速做出決策的情況下為操作員提供支持。開發和發布時間表計劃從 2019 年到 2025 年。

Paper #3:

Synthetic Environment for Robotics and Autonomous Systems（機器人與自主系統的合成環境）

在未來的軍事作戰環境中使用機器人自主系統（RAS）和機器人群將成為現代戰爭的主要挑戰之一。自 2016 年以來，北約建模與仿真卓越中心 (M&S COE) 一直在開發用于概念和能力開發的機器人研究 (R2CD2) 項目，以分三個年度階段交付開放、可擴展、模塊化、基于標準的 M&S 工具原型架構，用于 RAS 和 Robotic Swarms 的實驗。具體來說，它側重于將 C2SIM 標準擴展到無人自主系統 (UAxS) 的實驗，以便在指揮與控制 (C2) 和仿真系統之間交換命令和報告。R2CD2 第二代架構實現了戰術網絡模擬和網絡效果功能，以支持軍事通用作戰圖片 (COP) 表示中公認的網絡圖片層的實驗和概念驗證，以擴展和改進 RAS 和集群態勢感知在戰術和操作層面。該實驗于 2020 年進行，通過多個互操作性標準證明了在三個不同位置的不同系統之間進行復雜交互的可行性。

該架構的最后一代，名為 R2CD2 EVO，引入了虛擬模擬、用于真實和模擬無人機系統 (UAS) 的真實地面控制站 (GCS) 和提供包括網絡層的 RAS/Swarm COP 的 C2 系統。該平臺使我們能夠研究、分析和對抗 RAS 系統和群體，根據任務任務和模擬系統的動態姿態，突出描述對來自建模傳感器的外部刺激作出反應的過程的行為。平臺數據設置場景是基于未來特大城市模型 (WISDOM) 實施的城市環境開發的，并將兵棋推演概念擴展到 RAS，充當訓練測試場，不僅用于在軍事期間使用 RAS 系統人員的標準培訓任務，也可作為能力發展的態度訓練算法。作為研究和開發活動的結果，R2CD2 EVO 被提議作為開發 RAS 合成環境的基石，以支持北約和各國在多域 UAxS 上的概念開發、實驗、培訓和演習活動。

Paper #4:

Swarm View: Situation Awareness of Swarms in Battle Management Systems（群體視角:戰斗管理系統中群體態勢感知）

多架無人機（UAV）的使用意義重大。因此，人機交互及其交互設計變得越來越重要，特別是在戰場上的軍事偵察中。然而，無人機群規模的不斷擴大帶來了許多需要解決的挑戰，例如具有高動態性的復雜情況增加了對用戶的需求。

作者解決了人機交互的人體工程學顯示問題，重點關注戰斗管理系統中的集群。隨著無人機群規模的增加（例如，多達數千個戰術無人機），情況可能很快變得復雜和混亂。因此，需要仍然能夠為群體的所有者提供 SA 以避免信息過載的解決方案。

首先，該貢獻提供了文獻調查的結果。一方面，作者提取了單個人類操作員必須監控大群體時可能出現的挑戰：復雜的操作畫面、高動態、信息過載以及對用戶的需求不斷增加。另一方面，它們為符合人體工程學的顯示器設計提供了現有的指導方針。基于此，作者設計了四種不同的面向應用的原型布局，針對鼠標、鍵盤和觸摸輸入進行了優化：

基于領導者的呈現：群體分成團隊；可視化一個團隊的領導機器人。 基于群體的呈現(下圖)：將整個群體作為一個單元；整個群體的可視化，單一機器人可分解。 基于區域的呈現：區域、POIs等的可視化；與環境的交互。 基于縮放的呈現：縮放級別而定的可視化；信息級別由用戶決定。 所有布局都包含六個主要組件，這些組件適用于各自的布局。地圖 (1)，基于谷歌地圖 (2021) 是基礎并位于顯示中心。它提供縮放、小地圖、帶有附加信息的藍軍和紅軍、未知對象以及區域和興趣點 (POI) 選項等功能。區域管理 (2) 允許用戶創建例如操作區域 (AO) 或 POI。任務管理 (3) 包含一個時間表，其中包含所有計劃的、當前的和已完成的任務，并允許為群體或部分群體計劃新任務。狀態信息 + 直播 (4) 顯示集群或無人機的狀態。直播的顯示尺寸（來自選定的無人機或區域）是可變可調的。Red Force 信息 (5) 在單獨的列表中顯示未知和已知對象（除了地圖顯示）。輔助系統優先考慮支持用戶決策的傳入對象。對話框 (6) 顯示傳入的警報、警告和消息。 這四種布局將很快與德國陸軍偵察部隊的焦點小組進行評估。根據來自特定軍事角色和層級的反饋，將迭代調整布局。進一步的開發/實驗將確定 SA、用戶體驗和直觀性（實驗室和現場測試），并為交叉設計和群體交互用戶界面提供建議。

Paper #5:

Anomaly detection and XAI concepts in swarm intelligence（群體智能中的異常檢測和XAI概念）

對于群體智能中的人類操作員來說，關鍵情況下的決策支持至關重要。自主系統共享的大量數據很容易使人類決策者不堪重負，因此需要支持以智能方式分析數據。為此，使用了用于評估情況和指示可疑行為或統計異常值的自主系統。這增強了他們的態勢感知能力并減少了工作量。因此，在這項工作中，我們強調為檢測監視任務中的異常而開發的數據融合服務，例如在海事領域，可以適應支持集群智能的運營商。此外，為了使人類操作員能夠理解群體的行為和數據融合服務的結果，引入了可解釋的人工智能 (XAI) 概念。通過為某些決策提供解釋，這使得自主系統的行為更容易被人類理解。

作者解決了由于自主系統共享大量數據而導致的信息過載問題。為了緩解這個問題，他們建議通過兩種智能數據分析方式來幫助人類操作員。第一種方法是自動異常檢測，這可能會加強人類操作員的 SA 并減少他們的工作量。第二種方法是可解釋的人工智能 (XAI) 概念；它們有可能使群體行為以及異常檢測結果更易于理解。

作者認為，控制一群無人機仍然具有挑戰性。一方面，（半自動化）群體代理“必須決定行動方案”；另一方面，人類操作員必須決定他們的行動，例如與群體互動。提出的建議力求改善人在循環中。考慮到海上監視的應用，使用非固定代理的動態方法具有幾個優點。首先，某些場景只能使用動態方法進行管理；其次，與固定監視傳感器相比，代理更便宜；第三，在多個地點靈活使用代理可以減少操作群體所需的人員數量。然而，情況評估仍然需要知情的操作員。

作者認為，在海洋領域用于船舶分析的異常檢測算法可能適用于引入以下場景的群體。“假設我們有一個群體來支持海上船只，這些船只不僅會收集它們自己的傳感器系統可用的數據，還會收集所有資產的數據。所有來源收集的信息都需要融合成一幅連貫的畫面。這不應僅限于 JDL 數據融合的第一級，而應包括更高級別的數據融合過程，以獲取有關附近所有對象的可用信息。” 數據驅動方法能夠應對這種情況。文獻提供了三種檢測位置和運動異常的方法：統計解釋為與正常行為相比的異常值；聚類分析聚類相似的軌跡和確切的路線；用于建模正常移動模式的深度學習方法。為了應對更復雜的場景，包括船舶周圍環境（基礎設施、地理、天氣等）在內的算法是必要的。在某些復雜異常的情況下，區分正常和異常行為需要基于規則、基于模糊、多智能體或基于概率圖形模型的算法。對于所有提到的算法類別，作者都指出了大量的示例算法。

一些算法是黑盒模型，因此，它們的解釋對于人類操作員來說是復雜的。XAI 概念可以幫助緩解這個問題。XAI 概念旨在“提供道德、隱私、信心、信任和安全”，并努力在“它已經做了什么、現在正在做什么以及接下來會發生什么”中明確決策。，從而提高了人工操作員的 SA。考慮到 XAI 模型，模型特定方法（僅限于某些數學模型）可以與模型無關（適用于任何類型的模型）方法區分開來。

在目前的貢獻中，重點是與模型無關的方法。考慮到這些，局部解釋方法（解釋整個模型的單個預測結果）可以與全局解釋方法（解釋整個模型的行為，例如以規則列表的形式）區分開來。此外，作者使用特征屬性、路徑屬性和關聯規則挖掘來區分方法。通過特征屬性，“用戶將能夠了解他們的網絡依賴于哪些特征”；方法示例是提供全局和局部可解釋性的 Shapley Additive Explanations (SHAP) 和指示“模型在進行預測時考慮的輸入特征” 的局部可解釋模型無關解釋 (LIME)。路徑集成梯度（PIG，使用局部解釋）等路徑屬性提供了對模型預測貢獻最大的特征，從而深入了解導致決策的推理。關聯規則挖掘（ARM）是另一種使用全局解釋的方法，發現大型數據集中特征之間的相關性和共現。ARM 方法使用簡單的 if-then 規則，因此被認為是最可解釋的預測模型。可伸縮貝葉斯規則列表 (SBRL)、基尼正則化 (GiniReg) 和規則正則化 (RuleReg) 技術被認為適用于監視任務。

作者認為，使用這樣的 XAI 概念，人類操作員（決策者）可以更好地理解、更好地控制和更好地與一群自主代理進行通信，尤其是在具有挑戰性的環境中。總而言之，將異常檢測和 XAI 概念這兩種方法應用于人類在環、用戶對群體智能的理解和信任可能會得到改善。

Paper #6:

A New Swarm Collection Tasking Approach for Persistent Situational Awareness（一種基于群體集合任務的持續態勢感知方法）

涉及移動自組織傳感器代理的群技術應用越來越多，并且可擴展到多個軍事問題領域，例如戰術情報、監視、目標獲取和偵察 (ISTAR)。在 ISTAR，一組半自主傳感器協同完成收集任務和執行，以彌合信息需求和信息收集之間的差距，以保持持續的態勢感知。最先進的貢獻在很大程度上暴露了多維問題的復雜性。由于傳感器平臺資源容量和能量預算有限，它們通常采用特定的規定傳感器行為，導致過度保守的連接約束、有偏見的決策和/或融合解決方案結構。這些可能會任意傳達顯著的機會成本并對整體績效產生不利影響。

作者介紹了一種用于 ISTAR 中移動 ad hoc 代理（情報、監視、目標獲取和偵察）的群體收集任務的方法。目標是利用代理來增強持續的態勢感知，代理彌合信息需求和信息收集之間的差距。為此，半自主代理必須協同完成收集任務和執行。盡管板載處理能力和能量預算有限，但要實現這一目標是一項挑戰。

下圖（左）顯示了一個典型的收集任務上下文：“它定義了一個網格認知圖表示，反映了對特定感興趣區域的態勢感知，捕獲了關于單元占用和目標行為的先驗知識、信念和/或已知概率分布”。

所提出的群體收集任務分配方法提出了集中收集計劃，由群體領導者偶爾調解；然而，計劃的執行是分散的。簡而言之，“該方法結合了一種新的緊湊圖表示和一個合理的近似決策模型來執行傳感器代理路徑規劃優化，受周期性連接的影響，以實現信息共享、融合、態勢感知和動態重新分配/規劃”。

用于收集計劃的帶有反饋決策的新開環模型（下圖，右）可在后退的時間范圍內最大化收集價值。周期性群連接支持匯節點的觀測傳播、數據/信息融合、情況評估和重新規劃。向匯節點的周期性最大收集傳播考慮到能量約束。傳播集合的通信規劃/路由方案利用最小生成樹來最小化能量消耗。有關包括相關數據在內的詳細信息，請參閱論文第 3 章中的大量論文部分。

由于作者，所提出的方法擴展了群體的能力，以更好地滿足任務需求，并允許顯著擴展觀察區域。“如果使用精確的問題解決方法，新的問題表述也為解決方案最優性的可計算上限鋪平了道路”。

Paper #7:

A Framework Based On Deep Learning Techniques For Multi-Drone ISR Missions Performance Evaluation In Different Synthetic Environments（不同合成環境下基于深度學習技術的多無人機ISR任務性能評估框架）

本研究旨在關注當今模擬器的合成環境如何與應用于視頻分析的神經網絡和深度學習協同作用，特別是使用多無人機/集群系統執行 ISR 任務。事實上，用于模擬和游戲的現代虛擬引擎已經達到了讓不那么專心的觀察者感到困惑的真實水平。因此，自發出現的問題是，即使是人工智能也可以被“欺騙”，從而改變無人機上的行為和決策，從而改變機隊的最終行動。也就是說，用更科學的術語來評估無人機搭載的自動學習系統（例如神經網絡）的特征類型和數量是否可以從合成圖像中提取并反映在具有顯著優勢的連續環境中。訓練過程的精細和/或昂貴的階段，例如數據集創建和運動前測試。事實上，能夠隨意對模擬世界中的元素進行建模，可以可靠地再現甚至在現實生活中無法再現的情況和場景（例如，用于檢測閃電或爆炸的網絡），從而允許創建根據現代深度學習方法，數據集大小一致，并減少了恢復這些圖像的物理時間，同時還考慮了機載計算能力和容量的限制。此外，在降維過程中，由于真實場景的離散化導致的次要細節是否可以在某些情況下充當數據集預處理中的主成分分析 (PCA) 過濾器，這是值得詢問的。

所提出的研究方法將是實驗性的，并將預見到應用的雙重方向。在第一階段，我們想了解在真實數據集上訓練的神經網絡在一架或多架無人機上如何在不同的合成環境中表現。將檢查三個不同的模擬器，即 VRForces、ROS Gazebo 和 VBS4，以了解圖形細節的增加將如何影響準確度和精確召回曲線。擬議論文中提出的研究涉及人工智能對象識別和跟蹤領域，特別關注定位問題，因此檢測特定類別的對象，如人和車輛。在我們研究的第二階段，網絡將準備好部署，考慮到可能準備使用 COTS 或定制自動駕駛儀的硬件，使用協作和智能機隊模擬 ISR 任務的真實場景的無人機。在這個階段，我們集中在一個名為 SWARM 的項目上：一個大型工業研發 Vitrociset 項目。它是一個啟用人工智能的指揮和控制 (C&C) 系統，能夠執行和審查異構無人機小型/微型協作機隊的 ISR 任務。SWARM 將用作所提出框架的測試平臺，在不同的合成環境中測試和評估多無人機 ISR 任務的深度學習技術。

下圖（左）顯示了仿真系統架構。實驗框架包含三個合成環境。對于 VBS4，實現了一個使用一個或多個無人機生成合成場景的插件。每架無人機都配備了能夠生成視頻流的虛擬攝像頭。對于 ROS Gazebo，“圖像是使用配備 IMU 和可通過文件配置并作為 C++ 插件實現的 Iris 無人機相機獲取的”。為 VR-Forces 環境實現了類似的插件。使用針孔模型對三種環境的場景視圖進行標準化，以實現相同的觀看特性。

單獨使用合成圖像可能會引入新的偏見。因此，作者應用經典的計算機視覺和圖像處理方法來識別在 VISDRONE 數據集（真實）圖像中檢測到的對象與在三個模擬器中識別的對象之間的差異。與真實數據相比，將人和車輛的輪廓提取為對象類顯示信息丟失。

評估場景使用城市環境，包括人、車輛、道路、房屋和植被。飛行計劃包括低速（1-3 m/s）、5-30 m 的地面高度和靜止的天氣條件。有效載荷視頻流的采集使用 30 fps 的幀速率。生成了三個版本的 TFRecords（標準張量流數據格式）（過濾應用于邊界框的區域：非、100 像素和 200 像素）。所有三個測試集都包含 6 個對象類別（人、汽車、貨車、卡車、公共汽車、電機）。

考慮了 11 個 DNN 模型，使用 Tensorflow 作為 AI 框架。大型數據集 COCO、KITTI 和 VISDRONE 被視為預訓練數據集。使用 Fastern RCNN Resnet（在 VISDRONE 數據集上預訓練）獲得了最好的結果。VBS4 擁有三種模擬環境中最好的圖形引擎，是最接近現實的一種（下圖右）。總體而言，合成環境被證明是在現實世界中訓練的神經網絡的良好測試平臺（最佳情況下準確率約為 80%）。

Paper #8:

Interacting Swarm Sensing and Stabilization（交互群感知與穩定化）

最近，在生物學和物理學中研究的群體理論已被應用于機器人平臺，包括將群體應用于防御。雖然相關工作側重于單個群體行為，但這一貢獻將調查擴展到多個相互作用的群體及其產生的模式。作者提供了一種理論方法來研究具有非線性相互作用的兩個群體的碰撞。目的是預測在什么情況下兩個群體在兩個群體碰撞后可以結合形成一個新引擎（mill）。這個問題的背景是在某些軍事場景中需要重定向或捕獲一個群體。

下圖（左）顯示碰撞后的狀態取決于碰撞角度以及耦合強度。下圖（右）顯示了一個示例，其中兩個群體（最初處于植絨狀態）接近融合狀態。這種行為的原因是，“當兩個群體接近時，每個智能體開始感知智能體內部群體的力量，導致兩個群體圍繞彼此旋轉，同時保持接近恒定的群體間密度。隨著時間的推移，這兩個群體慢慢地放松到由來自兩者的均勻分布的智能體組成的充分混合的融合狀態”。

應用的分析方法依賴于這樣的假設，即在碰撞時，兩個群體在一個極限循環附近振蕩，每個群體圍繞另一個群體旋轉，同時保持近似恒定的密度。使用確定極限圓狀態穩定性的剛體近似，可以做出僅取決于物理群參數的預測。這為小碰撞角的臨界耦合提供了一個下限。對于對稱群體（具有相同的數量和物理參數），從分散到融合的過渡點類似于逃逸速度條件，其中臨界耦合與每個群體的平方速度成比例，與每個群體中的智能體數量成反比。

使用包含 5-8 個 Crazyflie 微型無人機的混合現實設置，在初步碰撞群實驗中證實了理論預測。實驗考慮了 8 個真實機器人 + 8 個模擬機器人、5 個真實機器人 + 45 個模擬機器人和 50 個模擬機器人的場景。對于所有情況，都觀察到固定融合。初步結果表明，我們可以根據選擇的物理參數讓一個群體捕獲另一個群體。此外，基于已知的參數和群體大小，它還應該是可預測的，當碰撞群體不會形成融合狀態時，即一個群體無法捕獲另一個群體。未來的工作將解決如何進入散射狀態或保持聚集狀態，以及將通信延遲或內部和外部噪聲效應的影響納入理論。