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

當小型無人機系統（sUAS）由疏忽、魯莽或惡意操作者操控時，將對地方及聯邦機構構成重大威脅。隨著sUAS與傳統航空器共享空域的情況日益增多，且其可能作為武器侵入管制空域，人員、設施及資產防護已成為核心議題。本研究通過集成低成本分布式傳感器與機器學習（ML）模型，提升戰場態勢感知能力，補強現有傳感平臺對sUAS的實時探測、分類與定位效能。

本文提出"無人機偵測指揮中心"（DDCC）概念架構。該系統對接分布式節點網絡，通過聲學與光學雙模態實時獲取sUAS數據，并具備截取關鍵幀能力以增強未來機器學習模型的預測性能。基于大疆Matrice 600 Pro采集的數據集，構建多組深度學習模型實現sUAS存在性分類及節點距離預測。重點評估聲學測距性能（與光學測距對比），最終融合多源數據構建定制模型，驗證融合數據是否優于單模態方案。初步實驗顯示：聲學分類準確率79.6%，光學分類準確率86.7%；獨立測距任務中聲學平均絕對誤差10.463米，光學誤差16.961米；經卷積循環神經網絡處理融合數據后，平均絕對誤差降至9.57米，較聲學數據提升0.88米，較光學數據提升7.385米。

本章首先闡明研究問題與目標，隨后介紹DDCC系統——該專有平臺可同步聯動多傳感器執行"記錄"與"預測"指令。

在sUAS激增的背景下，無論操作者性質（疏忽/惡意/軍事），均對地方及聯邦機構安全構成緊迫威脅。面對sUAS與傳統航空器空域共享及其武器化趨勢，人員設施防護已成關鍵挑戰。本研究旨在驗證"低成本分布式傳感器+ML模型"在sUAS探測、分類及測距中的有效性，并構建DDCC系統——該系統可加載預訓練模型，基于視頻、音頻及融合數據實現sUAS存在性識別與距離測算。

本文致力于解決空基威脅探測的多維挑戰（特指sUAS），通過在DDCC中融合"聲學特征卷積循環神經網絡"（CRNN）與"YOLOv8目標檢測模型"，構建可實時識別、分類及測距的全域解決方案。研究目標明確如下：

1. 一體化架構集成：研究CRNN聲學分析與YOLOv8視覺檢測在DDCC中的無縫融合，設計優化雙模態協同架構
2. 聲學測距回歸模型：構建訓練CRNN實現聲源測距（單位：米）
3. 光學測距回歸模型：構建訓練全連接深度神經網絡實現視頻源測距（單位：米）
4. 訓練驗證體系：采用多樣化sUAS場景數據集對視覺/聲學組件進行嚴格訓練驗證，優化模型魯棒性
5. 跨模態融合技術：開發創新融合算法整合視聽信息，發揮多模態互補優勢。融合核心目標在于證明"視聽結合"較單模態具有更高預測精度

DDCC作為專有系統，通過傳感器網絡執行指令（如記錄/預測）。其客戶端界面采用3x3網格排列的九宮格視頻流布局，每區塊均支持"連接"、"錄制"、"預測"、"靜音"功能鍵，配備服務器主機配置文本框及遠程重啟下拉菜單。樹莓派4服務器傳輸的實時音視頻流顯示于對應區塊，捕獲數據的分類預測結果集中呈現在日志域。系統可加載預訓練模型執行定制化預測任務，本研究特訓模型專注于基于視頻/音頻/融合數據的sUAS存在性識別與距離測算。

文檔結構如下：第二章詳述sUAS探測技術背景與研究進展；第三章解析DDCC系統設計與節點配置；第四章闡述數據采集、模型構建及訓練驗證方法論；第五章呈現全流程實驗結果；第六章探討未來sUAS數據采集路徑；第七章總結研究并給出結論陳述。

本文詳述一種基于多層PageRank算法的新方法，用于確定基礎設施網絡中的關鍵節點。涵蓋所有相關背景與技術定義以描述所采用的數學框架，設計實驗方案評估關鍵基礎設施網絡資源配置對預防級聯故障的價值，并提供適用于測試本技術的用例數據說明——愛達荷國家實驗室（INL）的"全危害分析（AHA）"數據集。文末附有基于AHA數據的實驗概要結果。

本文描述的網絡科學方法可協助國土安全從業人員識別關鍵基礎設施系統中的核心資產。具體而言，我們以用例無關的方式提出多層PageRank中心性算法，其每個參數均可按從業需求調整，并討論如何根據特定數據定制該方法。作為概念驗證基準，除基礎設施資產連接數據外，我們未引入任何主觀假設。根據《美國法典》第5195c條："關鍵基礎設施指對美國至關重要的物理或虛擬系統與資產，其失效或損毀將對國家安全、國家經濟安全、國家公共衛生或安全任一或多個領域造成破壞性影響。"該定義全面闡述了關鍵基礎設施資產與系統的概念內涵，有助于理解互連基礎設施系統（即網絡）中的級聯故障。以下基于系統角色劃分的三類基礎設施資產定義具有實操性：

• 脆弱性資產：因易受攻擊性及可達性而可能失效的基礎設施資產
• 關鍵性資產：為眾多支撐網絡運行的資產提供戰略支持的基礎設施資產
• 核心資產：兼具脆弱性與關鍵性雙重屬性的基礎設施資產

這些定義借鑒既有文獻，在保留《美國法典》第5195c條核心概念的同時采用適用于網絡分析的表述。基礎設施網絡的級聯故障危害極大，例如：若為水處理廠供電的變電站故障，將直接導致水處理廠停運；而依賴潔凈水源的醫院隨之停運則構成級聯故障的間接影響范例。本文提出的核心資產定義正是為識別在基礎設施網絡級聯故障中起關鍵作用的資產，助力從業人員延緩或阻斷故障傳播。

從機理看，脆弱性資產依賴其他資產，網絡中的敵對事件易通過此類資產引發級聯效應；關鍵性資產則支撐眾多其他資產，使敵對事件更易通過關鍵資產鏈傳播。因此，核心資產即指在敵對事件中既易失效（脆弱性）又能最大范圍傳播故障（關鍵性）的資產。

本文結構如下：第2章提供基礎設施網絡分析與多層PageRank的數學框架；第3章闡述多層PageRank與關鍵基礎設施分析的關聯；第4章介紹作為概念驗證基準的"全危害分析（AHA）"數據；第5章描述仿真實驗設計方案及參數調優方法；第6章對比多層PageRank算法與其他網絡中心性算法及傳統PageRank算法的結果；第7章為結論部分。

生成高質量標注合成圖像數據的能力，是構建和維護機器學習數據集的關鍵工具。然而，確保計算機生成數據質量達標極具挑戰性。本報告旨在評估并改進"虛擬自主導航環境系統與環境傳感器引擎"（VANE::ESE）生成的合成圖像數據，同時記錄為處理、分析VANE::ESE圖像數據集并基于其訓練模型所開發的全套工具集。研究還呈現多項實驗結果，涵蓋對可解釋AI技術應用的探索，以及在不同合成數據集訓練的多模型性能對比分析。

虛擬自主導航環境（VANE）是由軟件工具與虛擬場景構成的自動駕駛建模與仿真系統集合。其環境傳感器引擎組件（VANE::ESE）專用于在虛擬環境中高精度模擬車輛傳感器物理特性（涵蓋攝像頭、激光雷達、毫米波雷達等）（Carrillo et al. 2020）。本報告聚焦評估、優化VANE::ESE仿真引擎在生成合成圖像數據方面的性能——該類數據用于訓練機器學習（ML）計算機視覺模型，以執行目標檢測與圖像分類任務。合成數據生成能力的核心價值體現在兩方面：首先，因數據基于預設場景生成，可為每個圖像樣本實現自動標注，能零成本構建超大規模數據集；其次，可構建特定虛擬場景生成數據，有效覆蓋現實采集難以企及的高危邊界場景（例如戰損建筑或車輛的圖像數據）。快速生成特定場景的標注數據集對機器人與自主系統等廣泛領域具有重要價值。

然而，利用合成數據訓練ML模型仍面臨雙重挑戰：其一，海量合成數據集存在標注準確性保障及多格式標簽轉換等通用問題；其二，彌合真實數據與合成數據之間的差異尤為困難。現有研究提出多種解決方案——包括通過全域自適應技術改進模型（Wang and Deng 2018）、采用生成對抗網絡轉換圖像（Pfeiffer et al. 2019），以及直接提升仿真圖像的視覺真實感。真實圖像數據存在巨大差異（即便同類物體樣本間亦如此），要在保留準確標注的前提下復現這種差異性與真實度極具挑戰。本研究采用務實性操作路徑優化VANE::ESE圖像數據：接收生成數據集→運用本報告記錄的多重方法與工具分析→向開發團隊反饋優化建議→迭代提升后續數據集質量。

本工作的核心目標是提升VANE::ESE合成圖像數據在目標檢測與分類神經網絡訓練中的泛化能力，次要目標是開發并完整記錄用于處理分析VANE::ESE數據集的軟件工具集。

在軍事研發領域，美軍“聯合全域指揮控制系統（JADC2）”的“任務規劃與執行”需求明確，而利用AI輔助聯合規劃以處理數據支撐人類決策，是此類系統效能提升的核心。然而，還需設計“人類數據解讀機制”以優化協同任務的同步與執行。本研究旨在通過“緊急醫療服務場景”評估互依性任務管理候選方案。研究證實，采用“時間線顯示”界面處理“依賴關系問題”的準確率更高，僅在“狀態問題”類型上其精度未顯著優于其他顯示模式。這表明“時間線顯示”界面設計基于“基爾戈爾的時序區間邏輯關系可視化方法”具有顯著有效性。

團隊效能研究數十年來始終是軍事領域的核心議題。軍方資助或主導的研究揭示了團隊績效的本質特征，完善了績效測量與評估方法，并深化了對團隊構成與組建機制的理解。然而，近期技術進步與近鄰對手能力的躍升正顛覆作戰范式。未來戰爭中，“多梯隊殺傷鏈”——由分散式系統集群與操作員構成——將成為制勝關鍵。這一新范式為軍方帶來一系列獨特的協同挑戰。能否有效閉合對敵殺傷鏈并保持優勢，將完全取決于分布式多域團隊在“人-人”及“人-自主系統”協作、以及快速適應動態戰局方面的能力。

美國國防部計劃通過“聯合全域指揮控制（JADC2）”倡議應對軍事格局演變。JADC2是一項戰略作戰概念，旨在將陸軍、海軍、空軍、海軍陸戰隊及太空軍的傳感器、打擊單元與通信設備——最終包括盟國系統——整合為“網絡之網絡”。JADC2的成功高度依賴從多元數據源快速采集海量信息。盡管人工智能（AI）與機器學習（ML）可高效輔助數據處理與分析，人類仍是關鍵資產——尤其在數據解讀與分布式團隊跨域協同效應生成環節。《空軍條令文件3-99》（2021年）指出，“聯合全域作戰（CJADO）”的作戰效能需通過“動能與非動能能力在正確時空點的同步釋放”實現。例如，2023年“護身軍刀”演習中，參演部隊利用非動能效應在反介入/區域拒止環境中為動能打擊開辟時間窗口。為確保此類效應同步，《空軍條令文件3-99》強調每個分布式作戰單元必須理解總體計劃、自身角色及與其他單元的互依支持關系。本研究目標即開發可視化作戰單元互依關系的界面以促進效應同步。

基于前人關于互依性定義與可視化設計的研究，本文改造“智能多無人載具自適應協同/控制技術規劃平臺（IMPACT）”，使其展示任務時序與互依關系。IMPACT整合自主技術、直覺界面與決策支持工具，支持操作員在基地防御、應急響應等任務中指揮多作戰單元。其任務管理界面通過解析聊天文本數據識別任務指令，若判定與操作員相關，則將任務添加至任務管理器并附詳細參數與“快速反應清單”推薦行動。盡管前期研究已探討不同分布式團隊結構利用任務管理器執行聯合指令的效能，但未涉及任務時序與互依關系的表征。為填補此空白，本研究批判性評估現有設計并開發新界面，以可視化任務歸屬、互依性、時序及狀態信息。

任務管理設計方案

經研究確認，任務管理界面需呈現四大核心要素。首先為任務歸屬——明確團隊中任務責任人對協同至關重要，該信息應易于訪問。其次為時序數據，包括任務計劃啟動/結束時間及持續時間。在JADC2任務中，“任務機會窗口”亦屬關鍵，需確保任務在可接受風險或與階段性資源/預協調行動配合下完成，因此所有任務均納入“最早可啟動時間”與“最晚需完成時間”構成的窗口期。第三為任務依賴關系，其中“任務順序約束”是最基礎形式，需標識任務相對其他任務而非單純依時間執行的關聯性。識別出三類基本順序約束：1) 父任務啟動是子任務啟動的前提；2) 父任務完成是子任務完成的前提；3) 父任務完成是子任務啟動的前提。所有依賴關系均存在“父任務”與“子任務”，后者依賴于前者形成方向性關聯。最后為任務狀態，設計中包含“規劃中”“執行中”“已完成”三種狀態。此外，研究認定需考慮“警報機制”，其觸發邏輯基于任務窗口期與依賴關系，分為兩級警報：在JADC2等復雜環境中，若任務無法在窗口期內完成需調整，界面將觸發“紅色警報”；任何因依賴關系受該警報影響的任務則觸發“黃色警告”。這四大要素被融入現有及創新設計理念，產出兩組數據同源但設計異質的界面供實驗對比研究。

本文介紹Tunnel——一個面向高性能飛機的簡易開源強化學習訓練環境。該環境將F-16的3D非線性飛行動力學模型集成至OpenAI的Gymnasium Python包，包含邊界條件、目標、對手與傳感能力等基礎要素（可根據作戰需求調整），為任務規劃者提供快速應對動態環境、傳感器升級與對抗對手的自主空戰訓練手段。研究人員可通過該環境獲取作戰相關的飛機物理特性。Tunnel代碼庫簡潔，熟悉Gymnasium或具備Python基礎者皆可操作。本文展示為期一周的權衡研究案例，涵蓋多種訓練方法、觀測空間與威脅呈現模式，促進研究人員與任務規劃者的協作（可轉化為國家軍事優勢）。隨著戰爭日益依賴自動化，軟件敏捷性將決定決策優勢。在此背景下，空軍人員需配備適應對手變化的工具。傳統空戰模擬器中，研究人員掌握觀測定制、動作設計、任務設置與訓練方法需耗時數月，而Tunnel可將此過程縮短至數日。

六十余年來，美空軍首次面臨制空權能力風險[1]。為此，"協同作戰飛機"（CCA）正被設計為具備空戰史上前所未有的自主性[2]。當前技術標桿為"可變飛行穩定性測試飛機"（VISTA）——可由AI代理控制的F-16。盡管能實施實機空戰，但該獨特設計所需資金與時間阻礙了千架級CCA部署計劃。此外，VISTA未集成真實傳感器、對抗環境、非合作對手及空戰外任務。國家亟需能快速驗證各類空戰場景下自主系統能力與局限的方法。本文提出的Tunnel強化學習環境由研究者開發，支持簡易修改以呈現多樣化觀測、動作、任務與訓練方法。目前高性能航空領域自主性評估流程緩慢，近期VISTA試飛主要支持DARPA"空戰演進"（ACE）項目[3]。團隊需經歷"軟件在環仿真→硬件在環仿真→實飛前建模"的嚴格流程。2022年，美國空軍-麻省理工學院AI加速器（DAF-MIT AIA）組建團隊參與DARPA ACE，成功在六個月內訓練新型"液態時間常數網絡"[4]算法實現自主實飛（快于需數年的ACE常規流程）。但團隊常因時間限制犧牲算法探索空間，且試飛流程固化了觀測、動作、任務與訓練方法。若未妥善應對，隨著自主系統需處理真實傳感器、多樣化任務環境與非合作對手，此類流程限制將加劇。未來數年，空戰自主系統需在更復雜環境中運行，DARPA ACE經驗將推進DARPA"AI增強"（AIR）項目與空軍"毒蛇實驗性下一代作戰模型"（VENOM）計劃。AIR計劃研究多智能體自主空戰（含部分可觀測性、概念漂移與不確定性）[5]；VENOM擬用作戰配置的F-16作為高性能機載試驗平臺[6]，旨在通過作戰傳感器數據構建智能體觀測。

本文探討量子計算對軍事通信安全的影響，涵蓋相關機遇、風險、挑戰及前景。盡管量子密鑰分發（QKD）與后量子密碼學（PQC）等量子相關技術提供了增強型加密手段以抵御量子威脅，但其亦可能削弱現有系統安全性，構成潛在風險。研究采用技術就緒水平（TRL）與霍洛維茨采用能力理論，評估影響技術采納的戰略、財務與組織因素。本文同時解析助力量子轉型的三項QKD與PQC項目，以及決策層、IT團隊、科技巨頭、北約與政府等利益相關方角色。基于訪談與案頭研究等定性方法的研究結果表明：開發并部署量子增強與抗量子系統對保障軍事通信安全具有必要性；此外，各國需協同加速技術發展，并投資培訓教育項目以培育專業人才。

近年來，量子計算應用呈現爆發式增長。盡管該技術尚未完全"成熟"（Gschwendtner等，2024），但其必將深刻影響包括軍事工業與通信系統在內的多個領域（代爾夫特理工大學，2020）。全球緊張局勢加劇與技術的飛速進步（Ero & Atwood，2024；Roser，2023），使得通信安全成為關鍵議題。傳統加密方法曾提供強力安全保障，如今卻因量子計算的新能力暴露漏洞（Baseri等，2024）。這種新興態勢為全球防務主體帶來機遇與挑戰并存的雙重局面，使得量子計算對軍事通信安全影響的研究具有重要時效價值。

安全通信是軍事行動的基石，因為若缺失，"部隊與裝備將無法保持信息同步、協調行動、同步作戰，并在挑戰性環境中快速決策"（Spectra集團，2023）。量子計算的出現為提升通信安全提供絕佳機遇——量子密鑰分發（QKD）等技術利用量子原理保障信息安全。但與此同時，量子算法可能破解傳統密碼體系，這警示軍工行業亟需采用抗量子密碼解決方案（如后量子密碼學PQC）。軍方現有價值網絡與通信基礎設施需在技術成熟前完成升級，以整合這些先進技術，避免其影響失控。本研究通過分析量子計算帶來的機遇風險、系統轉型挑戰及相關利益方，揭示其在強化與威脅軍事通信安全中的雙重角色。

本研究的學術價值涉及全球（網絡）安全、密碼學、技術創新、國防研究與戰略管理領域。從實踐角度看，該研究對軍事組織與國防工業具有指導意義：既提供理解量子計算如何變革通信的認知框架，也展現開發部署抗量子技術的迫切性。當前關于軍事系統轉型相關利益方的研究稀缺性，更凸顯本課題的重要性。

本研究將回答以下研究問題："量子計算對軍事通信安全有何影響？"

為解答該問題，設定以下研究目標：

1. 分析量子計算對現有軍事通信系統的潛在影響，包括量子技術如何增強或威脅當前安全通信方法。
2. 評估量子增強與抗量子技術的有效性，重點研究QKD與PQC作為應對量子威脅的解決方案。
3. 探究向量子安全系統轉型的挑戰，揭示軍事環境中采用量子技術的實際困難（含推動轉型的利益相關方）。
4. 基于兩項技術采用框架，為軍事利益相關方提供建議，助力軍事組織與國防工業保護通信網絡抵御量子威脅。

論文結構如下：第二至四章為理論部分。第二章《量子計算》解析量子計算基本原理（含疊加與糾纏現象），探討量子密碼學及當前研發中抵御量子威脅的兩大路徑——QKD與PQC。第三章《軍事通信》闡述軍事通信的重要性，分析現有安全通信手段，并梳理技術演進歷程（如何適應新興威脅與創新）。第四章《技術采用框架》界定兩項軍事技術采用框架：技術就緒水平（TRL）與采用能力理論。

第五章《方法論》詳述研究流程，闡釋定性研究設計與數據收集方法。第六章《結果》呈現研究成果，深入探討量子計算帶來的機遇、風險與挑戰，并分析當前相關項目及轉型關鍵利益方。第七章《討論》結合現有文獻解析研究發現，向相關（軍事）利益相關方提出建議。第八章《結論》總結核心發現、回應中心研究問題，反思研究局限并提出未來研究方向。

配備先進傳感器的無人平臺的集成有望提高對態勢的感知能力，緩解軍事行動中的 “戰爭迷霧”。然而，管理這些平臺涌入的大量數據給指揮與控制（C2）系統帶來了巨大挑戰。本研究提出了一種新穎的多智能體學習框架來應對這一挑戰。該方法可實現智能體與人類之間自主、安全的通信，進而實時形成可解釋的 “共同作戰圖景”（COP）。每個智能體將其感知和行動編碼為緊湊向量，然后通過傳輸、接收和解碼形成包含戰場上所有智能體（友方和敵方）當前狀態的 COP。利用深度強化學習（DRL），聯合訓練 COP 模型和智能體的行動選擇策略。本文展示了在全球定位系統失效和通信中斷等惡劣條件下的復原能力。在 Starcraft-2 模擬環境中進行了實驗驗證，以評估 COP 的精度和策略的魯棒性。報告顯示，COP 誤差小于 5%，策略可抵御各種對抗條件。總之，本文貢獻包括自主 COP 形成方法、通過分布式預測提高復原力以及聯合訓練 COP 模型和多智能體 RL 策略。這項研究推動了自適應和彈性 C2 的發展，促進了對異構無人平臺的有效控制。

圖 1：（左）虎爪情景中的狀態示例。(右圖）每個智能體的感知（本地觀察）和它們之間的通信聯系。

配備先進傳感器的無人平臺的集成為減輕 “戰爭迷霧 ”和提高態勢感知能力帶來了希望。然而，管理和傳播來自此類平臺的大量數據對中央指揮與控制（C2）節點的信息處理能力構成了巨大挑戰，特別是考慮到隨著平臺數量的增加，數據量也會呈指數級增長。目前的人工處理方法不適合未來涉及無人平臺群的 C2 場景。在本研究中，我們提出了一個利用多智能體學習方法來克服這一障礙的框架。

我們考慮的框架是，智能體以自主方式相互通信（以及與人類通信），并以數據驅動的方式訓練這種通信功能。在每個時間步驟中，每個智能體都可以發送/接收一個實值信息向量。該向量是智能體感知或視場（FoV）的學習編碼。這些向量不易被對手解讀，因此可以實現安全的信息傳輸。

在接收方，必須對信息進行解碼，以恢復發送方的感知和行動。此外，還應將信息整合（隨時間匯總）到 “共同行動圖像”（COP）中。與編碼器一樣，解碼器也是以數據驅動的方式學習的。在本文中，我們將 COP 的定義簡化為戰場上每個友方和敵方智能體的當前狀態（位置、健康狀況、護盾、武器等）。我們認為，COP 對決策智能體至關重要。

近年來，以數據驅動方式進行端到端訓練的人工智能/人工智能方法大有可為。在數據驅動型自主 COP 的背景下，一個優勢是無需對傳感器和執行器中的噪聲、對手的動態等做出建模假設。通過充分的訓練，我們的數據驅動方法將產生高度精確的 COP。

不過，ML 模型可能對訓練數據或訓練場景的偏差很敏感。這與陸軍 C2 場景中通常假設的 DDIL（拒絕、中斷、間歇和有限影響）環境形成了鮮明對比。我們的實驗強調評估對霧增加、全球定位系統失效和通信中斷（如干擾）的適應能力。

我們使用深度神經網絡（DNN）的深度學習實現了編碼器和解碼器的數據驅動端到端訓練。將 DNN 應用于 COP 形成的一個挑戰是通信中缺乏人類可解釋性。人類可解釋性對于人類操作員有效控制蜂群至關重要。例如，通過解釋通信，操作員可以理解蜂群用于（自主）決策的特征。我們的方法具有人機互換性，這意味著人類操作員可以解碼傳入的信息，并將他們的感知編碼，與蜂群進行交流。由此產生的 COP 使人類能夠指揮蜂群。

在實踐中，COP 被大量用于任務執行，例如，確保協調運動。我們假設，將 COP 納入自主決策智能體將產生彈性多智能體策略（例如，對敵方變化的彈性）。我們在實驗中將有 COP 和沒有 COP 的多智能體策略學習與多種最先進的方法進行了比較，并驗證了這一假設。

接下來，我們總結一下我們的方法。我們首先描述了我們的深度學習方案，其中每個智能體將其感知和行動編碼成緊湊向量并進行傳輸。各智能體共享底層嵌入向量空間，以實現對態勢的共同理解。每個智能體都要訓練一個編碼器-解碼器，以生成本地 COP。本地 COP 應與智能體的感知一致，并能預測行動區域內所有單位的狀態（包括位置）。

利用深度強化學習（DRL）技術，在一系列不同的模擬場景、初始部隊配置和對手行動中，對 COP 和智能體策略進行端到端聯合訓練。訓練的輸出是一個編碼器-解碼器神經網絡（NN）和一個跨智能體共享的策略 NN。可通過多種方式對訓練進行配置：最小化帶寬、最大化對干擾（如信道噪聲、數據包丟失、GPS 干擾等）的恢復能力。該方法可用于協調信息收集任務。

實驗在星際爭霸-2（SC2）多代理環境中進行。在 SC2 中模擬的多個藍方與紅方的場景中，我們通過經驗觀察到了該方法的有效性。具體來說，我們在具有挑戰性和現實性的 TigerClaw 情景（圖 1）中測試和評估了我們的方法，該情景由發展司令部陸軍研究實驗室（ARL）和陸軍主題專家（SMEs）在美國佐治亞州摩爾堡的上尉職業課程中開發。

對 COP 的準確性和幻覺進行評估，以揭示有趣的訓練動態。在整個模擬過程中，我們的方法生成的 COP 高度準確，誤差小于 5%（與地面實況相比）。為了測試策略的魯棒性，我們將我們的方法與多種最先進的多智能體 RL 方法和基線進行了比較。結果表明，我們的方法所制定的策略能夠抵御視覺范圍減弱、通信能力減弱、GPS 被拒絕以及場景變化的影響。

總之，這項研究通過數據驅動的 COP 形成，實現了人在環內的異構自主平臺的指揮和控制，并推進了自適應和彈性 C2 領域的發展。其貢獻如下：

• 實時自主形成可解釋的共同行動圖像（COP）的方法，包括預測整個行動區域的敵方位置。
• 由于利用智能體間的通信進行分布式 COP 預測，因此展示了對可視范圍和 GPS 拒絕的更強的應變能力。
• 通過聯合訓練 COP 模型和多智能體 RL 策略，提高整體任務成功率。

圖 3：從學習到的交流中預測 COP 的框架概覽。在決策過程中確定并使用 COP。我們使用 QMIX作為 COP 集成的 MARL 方法示例。

隨著人工智能自動化的出現，北約需要重新審視其防御能力，這種能力將任務控制和作戰管理與多域/全域態勢感知和作戰以及目標循環決策支持和有人無人編隊（MuM-T）等功能結合在一起。為此，本材料為北約“軍事多傳感器融合引擎之人工智能 ”提供支持，旨在提高北約社區對數據融合人工智能如何支持軍事指揮官和參謀人員從最初規劃階段到未來行動的執行和評估階段的認識。這一行動周期被稱為 C4ISTAR（指揮、控制、通信、計算機、情報、監視、目標獲取和偵察）。

國防人工智能

人工智能自動化提供了新型機器，可增強人的感知能力和積極意志，使人對自己的行為和疏忽負責，只有人有能力進行智能感知，并在適當的意義上自主行動。

• 認知型機器融合大量傳感器、觀察者、環境和任務數據流，生成全面的態勢圖，這是人類有意識地進行規劃、感知、行動和適當評估效果的認知基礎。

• 意志型機器將人類深思熟慮、負責任的整體決策轉化為自動執行的指令鏈，用于數據采集、子系統控制以及對目標產生影響。

北約需要在短時間內，利用空間分布式資產應對復雜局面。因此，北約未來的 C4ISTAR 能力在知識開發、規劃、執行和行動評估方面嚴重依賴于人工智能自動化[1]。在數字時代，“觀察、定位、決策和行動 ”各階段的 OODA 循環將大大加快，并以網絡為中心的協作方式 “以機器速度 ”執行[2]。

北約在多極世界中的競爭對手有效地推動了 “人工智能 ”和 “自主”，北約首席科學家將其確定為科技趨勢[3]。此外，與以往的軍事創新不同，如果以投資額來衡量，民用領域主要推動了這一系統工程分支的快速研發。

對 C4ISTAR 人工智能自動化的討論產生了三項建議和七項關鍵成果，涉及所需的算法、要處理的數據、所需的編程技能、要使用的計算設備、不可避免的以人類為中心的設計、必要的研發工作審查以及其他軍事層面的整合。

卡爾-馮-克勞塞維茨（Carl von Clausewitz，1780-1831 年）是普魯士將軍和軍事理論家，他強調戰爭的道德、心理和政治方面[4]。因此，人工智能自動化需要受過數字化教育的軍事指揮官和參謀人員的精神。他們不需要知道如何設計和編程人工智能自動化 C4ISTAR 系統，但需要評估其優缺點、風險和機遇。相關的數字道德和能力是可以傳授的。它解決了軍人精神的一個關鍵問題，C4ISTAR 系統中的人工智能自動化加劇了這一問題，但從根本上說并不新鮮。

人工智能和自動化賦能C4ISTAR

在未來的多域作戰（MDO）中，有人駕駛組件和無人駕駛系統構成了全面聯網的系統體系。相互配合的多傳感器、多效應器無人系統可保護士兵或資產，執行偵察或具有電子或動能影響的作戰任務，而衛星、預警、后勤或運輸將被整合在一起。核心基礎設施是作戰云，它可為執行任務的所有人員實時提供相關信息，并提供 “以機器速度 ”進行自適應資源管理的手段。在數字時代，復雜情況下的信息優勢和決策主導權（即使在很短的時間尺度內）決定著任務的成敗。例如，根據德國軍事航空戰略，在 C4ISTAR 場景中，人類決策者的責任至關重要。因此，未來 C4ISTAR 系統的結構必須便于人類決策者負責任地使用。人工智能自動化是至關重要的，因為它可以通過認知和意志輔助實現復雜性管理和負責任的行動。與此同時，從一開始就伴隨著技術開發的現實模擬必須確保在北約的防御和作戰任務中，全面遵守道德和法律不以犧牲效率為代價。

在此使用的 “人工智能”（AI）一詞不僅包括機器學習或深度學習等，還包括數據驅動和基于模型的算法的整個 “云”，包括貝葉斯學習、博弈論和自適應資源管理等方法。這種方法符合美國國防部的人工智能戰略，該戰略 "將人工智能定義為‘機器執行通常需要人類智能的任務的能力’。這一定義包括已有幾十年歷史的人工智能，如飛機自動駕駛儀、導彈制導和信號處理系統。雖然許多人工智能技術已經過時，但在過去十年中，人工智能技術取得了合理的突破，大大增加了人工智能實用、強大和有用的應用領域的多樣性"。過去十年的許多成就都集中在機器學習（ML）領域，這是人工智能的一個子領域。機器學習與統計學密切相關，它將自動 “學習 ”到的知識編碼成 “人工智能模型”，而這些模型往往已無法直接為人類所理解。這種 “算法云 ”通過編程藝術和工藝實現，并由定性和定量適當的測試和訓練數據支持，驅動著一個數據處理周期，該周期從從多個異構來源收集的基本信號、測量和觀察報告開始。我們稱 “人工智能 ”為融合這些海量數據流和背景知識的過程，該過程在多個層面上提供與任務相關的信息碎片，并將其整合為全面、近乎實時的態勢圖。

在此基礎上，軍事指揮員和參謀人員就能了解當前嚴峻環境下的形勢和任務式指揮的狀況。人類根據所要實現的任務目標在不同的抽象程度和詳細程度上做出行動決策。算法將意志行為轉化為部分或完全自動化的指令序列，用于控制網絡平臺、多功能傳感器、通信和效應器。從數據融合中獲取信息和通過自適應資源管理收集數據的算法，屬于 C4ISTAR 認知和意志機器的方法論核心，可輔助指揮官和參謀人員的智能思維和自主意志。它們利用復雜的應用數學方法，在強大的計算設備上運行，其中量子計算可能會改變游戲規則。被輔助的心智和意志的概念，以及意識和責任的概念，將人作為 “人 ”而不是 “物 ”來看待，并開啟了 C4ISTAR 的倫理層面。

在討論這一復雜領域的方方面面時，我們不妨以美國空軍參謀長聯席會議副主席約翰-海滕將軍（生于 1959 年）最初勾勒的人工智能自動化七大支柱為指導，并對其進行適當調整。由此產生的 “C4ISTAR 支柱 ”包括 “算法云”、“數據、數據和數據”、“編程藝術”、“計算設備”、“人類中心主義”、“推、拉、實現 ”和 “聯合與組合”。沿著這條路徑，并著眼于各國在人工智能領域的政策和發展以及全球人工智能科學界，探討了未來 C4ISTAR 的不同視角，包括決策和 MuM-T。此外，人工智能自動化與 C4ISTAR 架構的幾個集成方面，包括對概念和概念的潛在重新定義，及其對各種目標循環的影響也將變得清晰可見。北約系列講座 SET290 對北約社區的預期影響是提供有關 C4ISTAR 領域人工智能自動化益處的信息，提高北約成員國的認識，并支持整個聯盟適應基于人工智能的技術。最后，提出了三項建議，并將討論總結為與上述七大支柱相關的七項關鍵成果。

數據

分布式跨平臺 C4ISTAR 需要具有互操作性和模塊化的人工智能功能，能夠融合來自多種數據源的異構數據，而這些數據格式并不總是精確可知的，甚至可能已損壞。因此，需要仔細分析與 “算法云 ”相輔相成的 “數據云”。從更抽象的角度來看，我們將其區分為

• 算法開發、測試和認證所需的數據；
• 訓練或適當再訓練數據驅動算法所需的數據；以及
• 任務期間需要處理的數據，即傳感器、環境和任務數據。

因此，未來的 C4ISTAR 系統將需要一個信息基礎設施，用于收集、調整、登記、驗證、組織、評估、提供簿記，并在分散的空戰云中安全地分發這三類數據。這種為算法提供數據的信息和通信骨干網可確保可擴展的數據管理，并為各種算法及其模型的標準化、互操作性和穩健使用奠定基礎。此外，這種基礎設施還是可重現性、可驗證性和可追溯性以及效率和效益的先決條件。否則，至少要為每種能力和子系統單獨開發其中的要素，這種方法不僅效率低下，而且可能助長敵意網絡攻擊，妨礙互操作性。

由于分散化和人工智能自動化必然意味著脆弱性，數據完整性是 C4ISTAR 的基礎。造成完整性丟失的原因包括傳感器意外失靈、編程錯誤、濫用測試和訓練數據或數據亂倫。此外，人工智能算法總是從數據中生成現實中不存在的人工制品，或者存在 “盲點”，即無法顯示實際存在的東西。在幼稚的系統中，失去完整性很容易使數據融合變成混亂，資源管理變成管理不善。在軍事環境中，不同層次的敵意干預也是一個熱門話題，對手會接管傳感器或子系統，然后產生欺騙性數據或采取不必要的行動。我們需要保護自己的系統免受來自電磁頻譜和網絡空間的攻擊，以及針對所使用的人工智能的敵對攻擊，同時還需要制定以這種方式攻擊敵方系統的戰略。用于 C4ISTAR 的成熟認知和意志機器包括對這些缺陷的檢測，這是抵御敵方干擾和欺騙的基礎。因此，保持數據的完整性、可靠地檢測違規行為或測試不可避免的缺陷是否至少符合所制定的統計規范，將是前面提到的信息骨干網的核心功能。

舉例來說，考慮一下用于物體分類的神經網絡，從抽象的角度來看，它將輸入分配給輸出。輸出描述了輸入圖像對用戶的 “意義”。這類函數的特點是內部自由度極大，數值可調。在所謂的 “訓練階段”，通過 “告訴 ”神經網絡特定輸入的實際 “含義”（例如，通過 “理解 ”的例子）來調整它們。訓練數據的 “標注 ”需要人類的理解。如果訓練的時間 “足夠長”，神經網絡就會得到一個任意的輸入，而輸出則被認為是公認的 “什么”，即輸入的 “含義”。因此，神經網絡本質上是函數近似器。將大量提供插值點稱為 “學習 ”的人可能會喚起非專業人士的錯誤聯想。

然而，事實證明，即使是訓練有素的網絡，也只需要對輸入圖像中的幾個像素點進行特定的改變，就能完全誤導網絡。例如，神經網絡受到這種 “有毒噪聲 ”的欺騙，可能會將在人類看來沒有任何變化的熊貓誤認為長臂猿猴，并 “感覺 ”自己的判斷是正確的[10]。這一發現的軍事意義顯而易見。針對人工智能系統的攻擊系統已經被開發出來，而我們自己的人工智能系統也需要進行加固，以抵御這種 “對抗性攻擊”。就像電子戰中出現的情況一樣，電子措施需要反措施，反措施需要反反措施，如此循環。此外，對于大多數與軍事相關的應用而言，數據驅動算法所需的具有適當代表性的訓練數據數量不足。

聯合與聯盟

由于作戰原因，多域作戰或聯合全域作戰（MOO、JADO）的軍事層面正在融合，需要多域 C4ISTAR（MD-C4ISTAR）系統。顯而易見，未來 C4ISTAR 系統的信息和通信基礎設施不僅適用于空域，經適當修改后還適用于陸地、海洋、太空或網絡。在本文中，比抽象討論更有啟發意義的是一個例子，它將結束我們對 C4ISTAR 人工智能自動化七大支柱的討論。讓我們假設一個車隊在城市環境中遭到簡易爆炸裝置的襲擊。協調運行的固定翼和旋轉翼無人機為前方空中管制員（FAC）提供支持，為全面的態勢圖提供輸入數據，包括預期的附帶損害，這是指揮戰斗無人機進行自衛的基礎。在這里，人工智能自動化為有效和負責任的交戰提供了技術前提，同時將非戰斗人員的風險降至最低。我們認為，武裝無人機可以實現可靠的目標偵察和控制，或者至少與其他武器相比，可靠得多，直至做出最終交戰決定。交戰規則（ROE）不做任何戰術規定，但規定了具有法律約束力的特定任務框架，對交戰前的形勢分析非常重要。根據法律、政治、戰略和行動要求，交戰規則將戰時法（ius in bello），即國際法和軟法原則具體化。例如，區別對待（只有在完全確定目標的情況下才交戰）、相稱性（選擇與威脅相稱的效應器）、謹慎和責任人歸屬。顯然，在設計基于人工智能的系統時應考慮到 RoE（設計時遵守 RoE）。總之，人工智能自動化所支持的認知型和意志型機器可在這一雙域場景（空中和地面）中支持軍事行為體獲得全面的態勢感知，并在具有挑戰性的城市戰區中選擇行動方案。與此同時，還能最大限度地降低所有參與方的風險。

圖 1：為 C4ISTAR 實現負責任行動的人工智能自動輔助。

用于數據融合的人工智能

北約的科學技術組織（STO）及其下屬的各種小組是就 C4ISTAR 使用人工智能自動化所產生的技術問題提供建議的優秀和成熟的工具。我們在此指出，應加強北約軍事部門與科學部門之間的交流，以便將北約科技組織不同工作形式提供的研究成果用于作戰。

由于北約成員國之間可能會達成更廣泛的共識，因此我們在結束發言時提出了一些建議，以解決某些盲點，至少根據作者的觀察，公眾對北約的看法存在盲點。

1. 應系統地建立數字倫理和相應的倫理道德，以便在多域 C4ISTAR 中負責任地使用人工智能自動化。正如一份德國官方文件所指出的，這種技能尤其能使空軍指揮官 “評估數字技術的潛力和影響，并在數字化環境中進行管理和領導”[50]。特別是，領導哲學和個性發展工具應鼓勵在 C4ISTAR 方面具備這種能力。

2. 除了人工智能自動化在縮小能力差距、擴大能力范圍、制定相應的概念、操作程序和組織措施方面的作戰優勢外，還需要實現道德和法律合規。只有這樣，認知和自愿輔助才會被空中指揮官的良知所接受，同時也會被更廣泛的社會共同利益所接受。這兩方面的成功將標志著真正的創新。

3. C4ISTAR 項目應從一開始就以可見、透明和可核查的方式對技術可控性和個人責 任進行全面分析。否則，與人工智能自動化相關的范式轉變和大量的物質努力將很難在政治、社會和經濟上得到實施。當然，會有更多或更少的 AirC2 項目出現問題，這意味著根據這些原則采取示范性方法是適當的。

未來 C4ISTAR 的特點是各級決策的 OODA 循環大大加快。人工智能自動化旨在降低相關技術的復雜性，減輕軍事指揮官和參謀人員的日常或大量任務負擔。這樣，決策者就能集中精力做只有人才能做的事情，即有意識地以智能方式感知情況并采取負責任的行動。

我們通過七項成果來總結我們的討論，這些成果涉及所需的算法、需要處理的數據、所需的編程技能、需要使用的計算設備、不可避免的以人類為中心的設計、必要的研發工作審查以及其他軍事層面的整合。

1）通過自適應資源管理快速發展的信息采集和數據收集算法是認知和意志機器的方法論核心，可協助空中指揮官和參謀人員的智能思維和自主意志。

2. 未來的 C4ISTAR 系統將需要一個信息骨干網，在分散的云中為測試、訓練/再訓練和信息融合收集、調整、登記、驗證、組織、評估、提供簿記和安全分發數據。

3. 人工智能自動化的算法核心將由相對較小的嫻熟程序員團隊實現，他們對自己正在做的事情了如指掌。標準軟件工程將在 C4ISTAR 環境中嵌入這些 “巧奪天工 ”的核心。

4. 泛在計算是分布式作戰云的一個基本特征。在混合計算架構中嵌入的量子處理內核上運行的數據關聯和資源分配算法可能會改變游戲規則。

5. 人工智能在 C4ISTAR 中的重要性不在于選擇人類智能還是人工智能，而在于將人類智能和人工智能有效、可擴展地結合起來，以確保最佳性能。這包括倫理和法律層面。

6. 成功的人工智能自動化研究和實驗驗證只有在符合作戰附加值和軍事概念與程序的情況下，才能引發 C4ISTAR 的創新。此外，它還必須獲得文化和社會的認可。

7. 由于作戰原因，軍事層面正在融合，需要適當的多領域 C4ISTAR 系統。

軍事分析人員可利用公開數據庫深入了解相關國際事件的發展。然而，這些數據庫依賴于以英語為基礎、經過整理的資料來源。這可能會導致偏差，不利于分析質量，尤其是在關注英語不是主要語言的地區和行動者時更是如此。

本研究旨在利用全球事件、語言和語調數據庫（GDELT）數據集來預測影響烏克蘭戰爭的重要因素，并將使用提取的數據和機器學習技術來開發預測模型。該項目旨在實現兩個目標。首先，提供一種從大數據集合中自動提取和預處理相關事件數據的方法。其次，將不同的機器學習模型應用于提取的數據，以預測重要因素，從而識別持續沖突中的事件趨勢。

所展示的數據采購可自由擴展到不同地區、行為體或其組合。在應用程序接口（API）中配置所需的參數后，相關的 GDELT 事件將自動提取。

由于本論文的重點在于預測，因此建模技術的應用側重于時間序列和遞歸神經網絡（RNN）模型。在測試過的時間序列預測模型中，自回歸綜合移動平均（ARIMA）模型與其他候選模型和天真模型相比，顯示出良好的預測性能。應用時間序列模型預測一至三個月的中期趨勢取得了最佳結果。

為了補充時間序列模型并利用 GDELT 的短期更新間隔，我們建立了不同類型的 RNN，并測試了它們在事件數量短期預測方面的性能。簡單 RNN 與長短期記憶 (LSTM) RNN 進行了比較，結果發現，簡單 RNN 的性能不如 LSTM RNN 模型。由此得出的結論是，數據中確實存在影響模型預測能力的長期和短期效應。

除了最初的跨語言 GDELT 數據庫，RNN 模型還運行了僅基于英語來源的 GDELT 數據提取，以及來自武裝沖突地點和事件數據項目（ACLED）數據庫的數據提取。

總體而言，在幾乎所有測試的模型中，使用基于英語來源的數據集都能獲得更好的均方根誤差值。不過，這并不一定意味著模型在捕捉現實生活中的變化方面表現更好。一項補充性探索數據分析（EDA）得出結論，在以英語為基礎的報告中，一系列事件的代表性不足。這一點在烏克蘭戰爭前奏期間尤為明顯，因為西方公眾對該地區的興趣和英語報道的一致性有時會降溫。事件報道不足導致數據的可變性較低，一致性較高，從而提高了基于英語模式的績效指標。

關于 RNN 模型在 ACLED 數據庫中的性能，除了 "爆炸/遠程暴力 "和 "戰斗 "這兩種事件類型外，本研究選擇的模型無法應用于 ACLED 數據提取。造成兼容性低的原因是報告事件的數量較少，以及報告中的空白與所選模型的相關性不高。

不同數據源之間的性能比較表明，要持續產生可靠的結果，挑選合適的預測因子和對結果進行初步分析并不容易實現自動化。強烈建議每次從 GDELT 首次提取新型數據子集時都進行一次 EDA。

圖 3.1. GDELT 事件數據庫中一個數據元素的示意圖。矩形代表中心數據元素，即事件。圓圈代表屬性，屬性 "GlobalEventID "用作唯一標識符。提及和音調 "屬性是灰色的，因為它不屬于本工作的范圍。

自主和半自主系統在一個系統的框架內運行，利用其自身的感知、認知、分析和執行行動的能力來實現其目標。無人系統對美國國防部（DoD）的采購程序提出了重大挑戰，該程序是為開發和部署人在環型能力而建立的。本論文的目的是對通過軍事采購程序開發半自主和自主系統的挑戰進行分析，以確定增加項目成功的可能性所需的最佳做法和趨勢。

分析的第二個目標是比較和對比具有自主能力的系統的測試和評估方法。測試和評估過程的目的是使決策者能夠管理技術風險，并在做出實戰決定之前評估能力的強大和成熟程度。自主系統需要嚴格的測試/制造策略，對大多數項目來說，這將導致成本超支和進度違反。此外，試圖跟上快速變化的技術步伐超過了美國防部使用尖端技術的成熟系統的能力。

圖12。DoDI 5000.02自適應采購框架。