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

本論文開發了一個基于海底特征導航的模擬框架。使用自動潛航器（AUV）在海底定位感興趣的物品是一種對海軍大有裨益的能力。自動潛航器為消除勞動力需求提供了一個途徑，但其購置和維護成本仍然很高。解決這一問題的辦法是使用兩艘 AUV，其中一艘的能力更強，負責用信標尋找和標記海底物品。配備成本效益型傳感器的消耗性 AUV 將對威脅進行定位、識別和消除。利用海底成像技術將海底圖像與先驗圖像馬賽克關聯起來，再加上超短基線（USBL）信標，AUV 可以在沒有傳統導航系統的情況下完成具有挑戰性的任務目標。增量平滑與測繪 2（iSAM2）是一種同步定位與測繪（SLAM）技術，可用于 AUV 的位置定位，是一種適合實時導航操作的技術，具有圖像和 USBL 傳感功能。模擬框架能夠評估 AUV 的性能，同時將實際操作的風險降至最低。該框架由一個軟件架構組成，可使用與實際操作相同的軟件進行測試。本論文展示了這一框架，并對其在基于圖像的 SLAM 中的可用性進行了分析。

本研究提出了一個基于 MOOS-IvP 中間件的自主水下航行器控制算法構建框架。側掃聲納傳感器（SSS）通常用于生成聲納圖像，在圖像中可以識別類似地雷的物體。這里實施的基站社區可維護 SSS 的覆蓋置信度地圖，并為用戶提供二維和三維模擬以及實施高級控制方案的能力。開發可分三個階段進行： 1) 最簡配置，僅使用必要的應用程序來開發和測試外環控制；2) 包含模擬硬件的配置；3) 包含實際硬件的配置，該配置應從第 2 階段平滑、輕松地擴展而來。這樣做的好處是使用方便、開發速度更快、減少硬件測試和成本。

圖 1. 自動潛航器路徑及其側視聲納覆蓋的相應區域示例。

多智能體框架

在擬議的 MAS 框架中，每個 AUV 和基站分別有一個獨立的社區。每個群落上都運行著幾個應用程序，其中一些包含在 MOOS-IvP 發行版中，另一些則由作者自行開發。

在擬議框架中，有三種可能的配置：1) 加速開發高級控制和規劃策略的簡約配置；2) 在最底層用變量替代實際傳感器和執行器數據的模擬配置[12]；3) 實際硬件實施。

圖 6. 配置 1：2 個自動潛航器群落和 1 個基站群落，應用極少。

圖 8. 配置 2：硬件模擬包括所有傳感器和致動器應用。

本預研究的重點是在一家雷達公司早期概念開發的背景下，如何在民用應用中處理非法闖入和具有潛在危險的多旋翼飛行器。不過，本研究的結果也可用于軍用多旋翼飛行器探測場景。研究范圍是 C-UAS 系統（反無人機系統），因為如果不從系統角度（包括阻止無人機的方法）考慮，就無法有效地開發無人機探測系統。

一個強大的反無人機系統需要多方面的投入，這些投入會隨著時間的推移而發生變化，而概念的目標是面向未來。潛在的應用領域已經確定，并轉化為客戶細分市場，這些細分市場的威脅和復雜需求大相徑庭。除市場和客戶需求輸入外，發現和攔截無人機的基礎技術都要根據特定細分市場的需求分析所產生的大量屬性進行映射和基準測試。這種量化對于促進基于事實的設計選擇以創建一個強大和穩健的系統是必要的。通過黑盒和流程圖對分段情景進行分析和定義，清楚地顯示出不同的復雜性。整個論文的視角在需求和解決方案領域之間轉換。

研究的結果是一個高度抽象的概念性模塊化多資產系統，該系統對移動目標和不同的無人機場景都具有很強的魯棒性。論文介紹了這種系統的現有構件和概念構件，并根據研究的基準評分結果對其進行了論證。還介紹了針對若干客戶群的具體應用系統概念。

本報告介紹了用于基于事件的視覺慣性里程測量的機載事件傳感器的性能和結果，項目名稱為 Have T-Rex。測試由俄亥俄州賴特-帕特森空軍基地空軍技術研究所自主導航技術中心（AFIT/ANT）要求進行。開發測試的牽頭機構是加利福尼亞州愛德華茲空軍基地的空軍測試中心。執行測試機構是第 412 測試聯隊。測試由美國空軍試飛員學校 20A 班在加利福尼亞州愛德華茲空軍基地進行，是學生測試管理項目的一部分。測試于 2020 年 9 月 8 日至 2020 年 9 月 21 日進行，包括駕駛編號為 87-0377 的 F-16 進行 21.4 個小時（13 架次）的飛行測試，以及駕駛 T-38C 作為空中目標進行 2.2 個小時（2 架次）的飛行測試支持。

全球定位系統（GPS）是軍事和商業定位、導航和定時應用的關鍵。全球定位系統的導航性能取決于能否可靠、無障礙地接收低功率衛星信號。這些信號很容易受到干擾或欺騙。AFIT 自主與導航技術中心已投資于各種替代導航解決方案，以降低這種風險。基于事件傳感器的視覺慣性測距（EVIO）導航就是其中一個研究領域。視覺里程計使用安裝在車輛上的攝像頭，通過識別和跟蹤圖像特征來估計車輛的運動。運動估算的準確性受到攝像機性能的限制，因為每秒低幀捕獲率會錯過幀間的關鍵信息，尤其是在快速運動時。另外，捕獲率極高的相機需要更強的處理能力。

測試中的系統（SUT）包括基于事件的傳感器（EBS）和慣性測量單元（IMU），安裝在 F-16D 上的可重構機載傳感器、通信和激光（RASCAL）吊艙中，以提高目視測距性能。EBS 通過硬件實現強度變化檢測。這種操作理念提高了時間分辨率和動態范圍，而且功耗低，有利于快速運動和低/變化的環境照明條件。SUT 的導航算法通過卡爾曼濾波器處理 EBS 圖像來識別特征運動，并輔以 IMU 數據來預測飛機的位置、速度和姿態。SUT 算法尚未用于飛行中的導航估計；所有導航估計都是在飛行后進行的。

總體測試目標是確定 EVIO 算法的準確性，并收集數據以支持正在進行的目標探測和跟蹤算法開發。具體的測試目標有四個：展示 SUT 生成導航解決方案的功能，確定不同飛行條件下導航解決方案的準確性，收集具有操作代表性的飛行剖面數據，以及收集目標跟蹤數據用于未來研究。

數據是在不同高度（200 英尺到 20,000 英尺地面高度）和不同地面速度（250 節到 520 節）、不同地形（灌木叢沙漠、城市、山區、湖床）和環境照明條件（白天、黎明/黃昏和夜晚）下收集的。此外，還執行了俯仰和滾轉機動，以確定動態機動的影響。最后，還針對空中和地面移動目標收集了數據。

所收集的數據顯示，SUT 的精確度在視線率、環境照明條件、地形或動態機動方面沒有明顯的變化趨勢。持續存在的極大解算誤差阻礙了對這些因素如何影響 SUT 性能的適當調查。研究小組建議在繼續進行飛行測試之前，調查并糾正 EVIO 算法精度方面的缺陷。結果表明，在測試的配置中，被測系統無法產生可靠或有用的導航解決方案。結果還顯示，該系統能夠探測空中和地面移動目標；但是，還需要進一步分析，以開發目標跟蹤算法。

賓夕法尼亞州立大學與海軍水面作戰中心卡德魯克分部（NSWCCD）合作，對一個完整的自動降落系統進行了規模試驗。這些試驗利用了低成本的商品、電子設備和多旋翼飛機，通過在卡德洛克波浪槽設施的船舶模型上著陸來展示自動著陸能力。這些實驗涉及到軌跡生成方法、可擴展的飛行控制法、甲板運動預測算法、基于視覺的傳感和狀態估計的開發和實施。

這個項目提供了三個主要貢獻：

1.首次對自主著陸引導算法進行了嚴格的模型規模的實驗評估，其中考慮到了規模的縮小。這些測試需要開發可擴展的飛行控制法則，使飛機的閉環動力學與不同的測試規模相關。此外，作為這項工作的一部分，開發了兩種引導算法：一種是基線的 "甲板跟蹤 "方法，它跟隨甲板運動，同時以恒定的速度縮小甲板和飛機之間的差距；另一種是先進的方法，它利用二次編程優化，直接規劃著陸路徑，預測著陸時的甲板狀態。這些結果使人們深入了解了在著陸路徑優化中直接使用典型的甲板運動預測方法的可行性，以及采取這種方法的潛在好處。

2.演示了在按比例的波浪條件下的自主著陸，并在控制環路中直接使用基于視覺的傳感和估計方法。估算方法利用了專門用于相對姿勢估算的靶標（"AprilTags"）的測量，并通過無痕卡爾曼濾波器融合了視覺和IMU測量。

3.建立了一個硬件和軟件配置，用于在機動和航海盆地（MASK）進行自主飛行測試。該測試裝置已在200多次自主飛行測試中進行了全面測試，并可用于MASK設施中未來的自主著艦和飛行控制研究。

這項研究的目的是討論目前最先進的在點云數據上執行的機器學習算法的方法。所進行的研究將應用于三維激光雷達可視化和開發（3DLIVE）團隊的內部工作，其主要目標是為目標坐標測量（TCM）創建一個可視化和與點云數據互動的新系統。所提出的機器學習方法與三維點云和計算機視覺的機器學習的三個主要課題有關，每個課題都有自己研究的論文部分。這些主題是分割、分類和目標檢測，所選的論文是最近的研究，取得了最先進的性能。這項研究的結果是選定的幾種方法，它們向3DLIVE團隊展示了最有希望的結果和有效性。有效性在很大程度上取決于算法對3DLIVE使用案例的可擴展性和適用性，以及其準確性和精確性。

引言

在傳統的計算機視覺問題中，二維數據一直是用于推理的主要信息形式。隨著近來價格低廉且廣泛使用的3D傳感器（如蘋果深度相機、Kinect和飛行時間相機）的發展，3D數據已經變得非常豐富，并為解決計算機視覺問題提供了許多優勢。也就是說，它包含了更多的拓撲信息（深度維度、形狀和比例信息），這些信息對場景的理解至關重要，并提供了一個更自然的世界表現。由于這一技術層面的原因，將三維數據應用于自動駕駛、機器人、遙感和醫療等領域已經成為近期研究的重點，并將繼續擴展到其他領域[1]。

三維數據可以有很多格式，包括網格、深度圖像、體積網格和點云。場景理解應用中最常見的格式是點云-結構化數據，因為這種數據形式保留了三維空間中的原始幾何信息，沒有任何離散化損失。在進行分析之前，需要對點云進行定義：點云是一組數據點（x,y,z），通常代表一個（多個）三維物體的外表面，由合成或三維掃描器產生。三維數據面臨的一個挑戰是存儲要求--三維場景比二維的同一場景需要多出幾個數量級的存儲。點云解決了這個問題，因為它不需要存儲多邊形網格，因此提高了性能并降低了開銷--這是對時間敏感的應用的關鍵考慮[2]。

三維LiDAR可視化和開發（3DLIVE）項目旨在為目標坐標測量（TCM）和三維分析創建一個新系統。目前的TCM方法使用立體圖像，利用英偉達3D視覺眼鏡以及專門的GPU和顯示器來查看重疊的二維圖像，給人一種三維的感覺。然而，這種方法很難訓練，而且會造成眼睛疲勞；此外，它所使用的英偉達軟件和硬件已經達到了使用壽命的終點，不再得到支持或生產。因此，需要開發一種新的3D數據開發解決方案。

用于TCM的3DLIVE方法旨在利用主要由LiDAR傳感器收集的3D點云。然后使用游戲引擎Unity將這些數據可視化。此外，由于上述數據可以通過Octree格式有效地加載到Unity中，因此可以使用大規模的數據集。點的元數據信息可以在查看器中查看和分析，用戶可以在整個大的地理區域內導航并選擇點進行分析。有多種方法可以與數據互動，從在某一地點投放一個感興趣的點到測量距離、長度和面積。

有多種模式可以與3D點云數據互動。它們包括標準的鼠標和鍵盤、虛擬現實和增強現實（使用Hololens 2）。增強現實的互動是3DLIVE團隊的主要開發重點，因為它使用戶沉浸在數據中，同時仍然類似于立體眼鏡的方法。我們目前還在尋求使用機器學習（ML），使我們能夠自動獲得這些點云數據集中的物體信息，例如它們是什么物體，在空間內有什么界限，并進行自動目標識別（ATR）。

在過去的10-20年里，大多數深度學習計算機視覺研究都集中在2D圖像上，但隨著更多可用的3D數據的興起，最近的研究著眼于將傳統的深度學習技術應用于計算機視覺的3D數據。這項新的研究使得場景理解的場景有了重大的進展，但是在將模型從二維過渡到三維的過程中，仍然存在著一些障礙。具體到點云，數據是非結構化和無序的，這意味著以點云為輸入的深度學習網絡不能直接應用標準的深度學習方法，如卷積神經網絡（CNN）[1]。相反，必須開發定制的解決方案，使其具有包絡不變性，通常用對稱函數實現。另一個挑戰是從點云中捕捉局部和全局結構信息。通過單個點來評估點云會失去點與點之間的局部和整體結構信息，因此網絡在設計時必須通過查看鄰近的數據來考慮這一點。由于直接處理點云的困難，許多方法將點云數據轉化為一種中間格式，如將點云投影到二維圖像中，這樣就可以應用傳統的深度學習方法[1]。最后，從三維傳感器收集的點云數據并不完美--由于傳感器的局限性，采集設備的固有噪聲，以及被采集表面的反射性質，往往存在噪聲污染和異常值，會破壞數據采集[1]。從上面可以看出，在點云數據上應用深度學習方法并不簡單，需要對現有的技術進行重新設計，以便在網絡中使用，但是三維點云比二維數據的描述能力的提升超過了負面因素。

計算機視覺任務通常被分成3個不同的類別：分類、目標檢測和分割。對于點云，這些類別通常被定義為： 三維形狀分類，三維目標檢測和跟蹤，以及三維點云分割[1]。

三維形狀分類方法試圖通過首先學習每個點的嵌入，然后使用聚合方法從整個點云中提取一個全局形狀嵌入，來對點云中的物體進行分類（標記）。這個全局嵌入被輸入到幾個完全連接的層中以實現分類[1]。

三維目標檢測和跟蹤方法可以分為3類： 1）目標檢測，2）物體跟蹤，以及3）場景流估計。對于目標檢測方法，它們在每個檢測到的物體周圍為輸入的點云產生定向的三維邊界盒。接下來，三維物體跟蹤的目的是預測物體的狀態，因為它以前的狀態。與物體跟蹤相關的是三維場景流估計，即給定同一場景在兩個不同時刻的兩個點云，描述每個點從第一個點云到第二個點云的運動[1]。

與目標檢測和跟蹤一樣，三維點云的分割也可以根據所需的粒度分為三類。這些類別從最普遍到最不普遍：語義分割（場景級別）、實例分割（物體級別）和部分分割（部分級別）。給定一個點云，三維點云語義分割的目標是根據點的語義將點云分成幾個子集（例如，將場景中的所有椅子涂成相同的顏色）。更低一級的是三維點云實例分割，它比語義分割更具挑戰性，因為它需要對點進行更準確和精細的推理。實例分割不僅需要區分具有不同語義的點，還需要區分具有相同語義的獨立實例（例如，給每把椅子涂上不同的顏色，而不是所有椅子都是同一顏色）。最后，在最細微的層面上，部分分割試圖將具有相同語義的物體的各個部分分開（例如，給椅子的各個部分涂上不同的顏色），由于具有相同語義標簽的形狀部分具有較大的幾何變化和模糊性，因此這項任務特別困難[1]。

3DLIVE努力的目標之一是創建一個系統（利用機器學習），該系統接收一個地理區域的點云，將具有類似屬性的點分組為對象，并為每個組成對象和結構貼上標簽，使數據更容易使用和分析。在我們著手實現這些目標之前，我們確定研究當前點云數據集的分割和分類技術狀況將是有價值的。Guo等人在2019年完成了一項關于點云的深度學習方法的調查[1]。我們的目的是確認研究中提出的信息仍然是準確和相關的（針對點云數據集的ML是一個快速發展的領域），進行我們自己的研究并創建一個類似的調查，并決定在研究的分類、分割和目標檢測的方法中，哪些是最適合我們的使用案例的。AFRL RIEA/RIED內部研究小組（IHURT）被召集起來，與3DLIVE團隊一起做這項研究，并回答以下研究問題：

目前3D點云分割和分類的技術水平如何，哪些方法對3DLIVE的工作最有效？我們能否開始為我們打算使用的大規模三維城市點云的分割、分類和目標檢測奠定框架并制定行動方案？

這項研究的結果將使3DLIVE團隊能夠推進ML點云的分析工作。我們希望最終能復制出性能最高、最相關的分割、分類和目標檢測方法，并將其用于NGA地理空間存儲和數據管理（GRID）服務器的地理3D點云數據。此外，3DLIVE團隊已經開發了一種生成大規模合成城市點云數據集的方法，我們可以利用這種合成數據作為我們創建和使用的模型的額外訓練數據。這項研究將為3DLIVE團隊使用ML創建額外的工具來幫助作戰人員分析和衡量三維數據奠定基礎。這將最終實現上述目標，即創建一個新的TCM系統，供目標人員（如第363 ISR聯隊和其他目標部門的人員）使用，用一種利用越來越多的本地3D數據的替代技術取代目前已被淘汰的技術。

圖2. RPVNet的概述。它是一個具有多種交互作用的三分支網絡，其中體素分支和范圍分支共享類似的Unet架構，而點分支只利用每點的MLPs。

FAST項目（基于智能體的系統基礎技術）是一項為期三年的研究和開發工作，與位于紐約州羅馬的空軍研究實驗室簽訂合同。該項目從一開始就由美國海軍贊助，在項目的后期，美國空軍也做出了額外的貢獻。

該項目的主題是探索新的建模方法和基于模型的軟件生產技術，以提高所開發軟件的質量，同時縮短開發時間，提高設計的可重復使用性。在模型驅動的軟件和系統開發，以及海軍的任務工程有很大的相似性。傳統上，這兩個過程都是以自下而上的方式開發，而自上而下的方法則更有針對性和前景。這種自上而下的方法的最初步驟必須是一個概念模型，概述基于一組給定事實達到預期目標所需的所有（概念）決策。對于任務工程來說，這個決策建模器有助于確定所有需要做出的關鍵決策，以及相應的任務，以便規劃和執行一個成功的任務。對于軟件或系統工程師來說，決策建模器概述了設計中的系統的關鍵語義和相應結構。雖然存在對系統工程的建模支持，在某種程度上也存在對軟件工程的建模支持，但沒有任何工具支持將決策建模器作為系統或軟件設計模型的一個完全集成部分來建立。因此，由于其根源在于系統建模語言（SysML），任務工程也缺乏決策建模能力。

我們通過為統一建模語言（UML）建模工具MagicDraw（又名Cameo）開發決策建模器能力，作為一個可加載的插件，與商業上可用的插件，如SysML、UAF等兼容，縮小了這一差距。決策建模器實現了決策模型和符號OMG標準所定義的決策需求圖的增強型變體，但在其他方面偏離了OMG標準，以提供更復雜的決策表達建模、決策仿真能力，以及與SysML（v1.x）的無縫集成能力。為了在更大的仿真場景中進行協作，我們為MagicDraw開發了第二個插件（名為SimCom），允許決策建模器的仿真能力與外部仿真系統（如高級仿真、集成和建模框架（AFSIM））之間進行實時協作。SimCom插件實現了一個受 "高級架構"（HLA）仿真協議啟發的輕量級協議。我們用決策建模器和AFSIM之間的協作場景展示了這種能力。

雖然決策建模器的工作使我們偏離了開發時間和空間（4D）、基于模式建模方法的最初計劃，但我們的深入合作和對SysML v2的貢獻，在很大程度上彌補了這一點，提交給OMG。SysML v2已經達到了與我們最初計劃的相似的4D特征。在SysML v2環境下重建決策建模器將是一項有趣和有益的任務。除了參與SysML v2的工作，該項目還在其他幾個OMG標準的開發中起到了主導作用。

方法、假設和程序

相關標準及技術

許多建模方法包括隱含或嵌入的決策制定。這些建模案例有流程圖、活動圖、業務流程模型等等。決策建模作為一門專門的學科是比較新的。對象管理小組創建了決策建模和符號（DMN）規范，最初是為了使BPMN1業務流程模型中的決策更加明顯，并支持更詳細的決策過程。這段歷史的缺點是，DMN現在與BPMN的關系非常緊密，尤其是在元模型層面。因此，DMN，不能直接與UML或SysML集成。為了使DMN風格的決策建模與UML和SysML模型協作，特別是使現有的UML建模工具能夠進行DMN風格的決策建模，必須創建一個決策建模UML配置文件，與DMN元模型密切相關。

目標建模環境

決策建模器的開發和目標部署平臺是MagicDraw 19.0 SP4版本。MagicDraw（也被稱為Cameo）是一個UML建模工具，由No Magic公司開發和銷售。No Magic最近被Dassault Systèmes收購，Dassault Systèmes將繼續進一步開發和銷售這個工具，可能會用不同的名字。

MagicDraw是一個用Java實現的UML建模工具。它支持并使用一個插件架構來擴展其建模能力，涵蓋其他基于UML的建模語言和方法，如SysML、UAF和其他。一個OpenAPI工具箱可以用來支持自定義插件的開發。

圖 2 - MagicDraw（又名 Cameo）環境中的決策建模器

決策建模器和SimCom通信引擎是由FAST項目為MagicDraw開發的兩個定制插件。SimCom插件沒有任何先決條件，而決策建模器插件的功能需要SysML和Alf插件的存在。由于UAF是基于SysML的，決策建模器也可以用于基于UAF的企業模型。決策建模器和SimCom插件的安裝程序都與MagicDraw資源管理器一致。

標準制定

雖然在整個FAST項目中開發的技術是朝著符合相關標準的方向做出的最大努力，像OMG規范的元對象設施（MOF）、統一建模語言（UML）、系統工程建模語言（SysML）等；或者像世界網絡聯盟（W3C）開發的網絡本體語言（OWL）、資源描述符框架（RDF）或其他，但我們自己也大力參與了新標準的開發，即在對象管理小組內。

雖然標準的制定是繁瑣的工作，但它的回報是許多好處。某一主題的標準化要求它處于該主題發展的第一線。這項工作通常是在研究實驗室或高級開發部門的隱蔽處進行的。然后，標準化要求開發人員開放并與世界各地同行討論該主題，這在所有案例中都是有益的。

在FAST項目期間，我們參與了對象管理小組的幾個標準化任務。所有這些任務都是在FAST項目之前的某個時間開始的，但這些任務的持續工作和討論為FAST項目提供了重要的投入和科學效益。我們所參與的任務是： MOF到RDF的轉換，元模型擴展設施，系統工程建模語言第二版，智能體和事件元模型，以及不確定性建模的精確語義學。另見本文件后面的標準化活動一章，以及項目技術報告（CDRL A010）中的相應章節。

決策模型

決策模型由兩類元素組成：主動和被動元素。

• 主動元素是決策元素，它在模型執行過程中影響模型結果的整體結果（最高目標值）。根據OMG DMN規范，這些主動元素被定義： Decision、DecisionService和BusinessKnowledgeModel。

• 被動元素不包含任何決策邏輯，因此不直接影響模型的結果。它們可能需要協助連續的活躍元素之間的信息流，或者注釋決策模型。OMG DMN規范定義了以下兩個被動元素： InputData和KnowledgeSource。

我們決策模型的所有元素，無論是主動還是被動，都有相同的基本結構：它們將接受一個到多個輸入，稱為 "輸入事實"，并產生一個單一的輸出，稱為 "結果事實"。所有的事實都可以是單值或復值，在這種情況下，它們是單值的結構。

蜂群載體的目的是設計、制造和演示一個系統，從一個載體無人機系統（UAS）上部署和回收幾個小型無人機系統（sUAS）。該項目開發的重點是實現由部署、回收和任務執行的全循環測試確定的系統級功能。硬件開發涉及UAS設計的有限元分析（FEA），系統驗證測試，以及載體無人機、蜂群無人機和多貨艙的設計迭代。軟件開發將集中在行為樹、自主著陸、投放模式和協作式蜂群控制。蜂群載體系統及其子組件的概念源于AerospaceNU的研究。在此基礎上，具體開發將涉及最終的原型和集成，以及系統級的軟件開發，以實現全面測試。

本研究調查了使用雷達跟蹤數據將無人機(UAs)分類為旋翼或固定翼類，作為減少誤報和操作員負擔的一種手段。該研究使用來自實驗飛行的UA遙測數據以及模擬雷達軌跡數據來訓練機器學習(ML)分類器。探討了遷移學習的應用。使用有限的數據集獲得的結果顯示，根據所使用的配置，真陽性和真陰性率超過80%。初步研究強調了改善這一性能的一些重要途徑。

對國防和安全的重要性

探測和識別無人機對加拿大武裝部隊保護部隊和資產至關重要。作為一種全天候和遠程能力，雷達提供關鍵的軌跡數據，可以提示光電/紅外(EO/IR)系統或操作員。本研究開發了一種基于雷達航跡數據的分類器，用于區分旋翼和固定翼兩類無人機，以減少誤報和操作人員負擔。

本文內容概述

在本節中，我們將概述當前研究的數據流。基本概念是利用飛行中保存在無人機上的遙測數據。這些數據集代表了典型的UA軌跡，無論是在飛行員控制下還是使用預先編程的航路點，以及在真實的風環境條件下飛行等。這些遙測數據集可以告知軌跡本身，并可以作為訓練分類器區分uav和雜波(特別是鳥類)或不同UA類型之間的基礎。在本研究中，我們研究訓練分類器來區分I類的旋轉翼和固定翼無人機。

圖1中的原理圖解釋了數據流。首先，對遙測數據集進行預處理，并將其標記為屬于旋翼類(ID = 0)或固定翼類(ID = 1)。預處理的軌跡可以并將直接與涉及ML模型的其余數據流一起使用。經過預處理的軌跡數據還可以作為Stone Soup跟蹤庫的輸入，與建模的雷達參數和位置一起，生成模擬雷達軌跡數據。這個過程將在第4節中介紹。

軌跡(來自預處理器和模擬軌跡數據)用于創建更多數量的子軌跡。這里的想法是獲得一個分類器，它可以在只處理子軌跡后區分UA類。可以研究創建子軌跡的不同方法，這將在第5節中討論。對于本研究，我們選擇將子軌跡視為獨立的實體，但其他選項都是有效的研究思路，如第7節所述。

其余的數據流涉及典型的監督機器學習技術，將數據集分為訓練、驗證和測試數據集、計算特征以及訓練和測試ML模型。在我們的例子中，我們有預處理的遙測數據和模擬雷達軌跡數據的混合。

圖1:當前研究中涉及的不同步驟的示意圖。

本文提出了一個敏捷的協同模擬框架，用于開發新型飛行器的數字孿生原型。該框架能夠在飛行器設計周期的早期階段對其性能和飛行動力學進行快速評估。該框架將用于飛行動力學建模的MATLAB/Simulink環境與AGI STK Aviator任務模擬器整合為一個松散的計算回路。兩個軟件包的結合使飛機不僅可以從飛行動力學的角度進行評估，而且可以從GPS覆蓋和雷達跟蹤的整體任務角度進行評估。

這種虛擬飛行測試和評估框架的優勢在于更快地開發新的飛行器，從設計周期的早期階段就施加任務約束。在不同條件下的復雜任務場景中測試原型模型，可以及早發現設計的局限性，從而改善飛機的設計過程，減少進一步的設計成本。

本文最后以英國兩個城市布里斯托爾和卡迪夫之間的民用eVTOL飛行模擬為例進行了總結。eVTOL的空氣動力學建模是基于數值生成的數據查詢表，而任務分析是基于飛機沿途的GPS和雷達監視能力。

在過去的幾十年里，數字孿生（DTs）在航空航天工程中的逐步使用已經得到了證明。自NASA在阿波羅計劃期間首次將數字孿生體引入航空航天領域以來，真實車輛的數字模型已經幫助解決了許多問題。2002年Grieves博士提出 "數字孿生 "一詞后不久，NASA承認計算能力的進步，并將數字孿生確定為建模、仿真和信息技術領域的三大技術挑戰[1]。最近城市空中交通（UAM）概念的興起，其中電動垂直起降（eVTOL）飛機是最受歡迎的，計算能力的進步表明在飛機設計的早期階段有可能使用數字孿生原型（DTPs）。DTPs允許預測 "所設計的產品在其高低公差之間變化的部件的行為，以確定所設計的產品符合擬議的要求"[2]，并且也受到諸如波音等OEM廠商的青睞[3]。如果成功的話，在商業航空工程的歷史上，這將是第一次允許在實際測試飛機被制造之前測試整體的飛機操控質量。這將允許更快和更便宜的認證過程，這對設計和制造eVTOLs的初創公司至關重要[4]。此外，這也可以減少軍用飛機從設計到樣機的時間尺度。

人們普遍認為，第一批eVTOLs雖然被設計成自主飛行器，但在之后的操作過程中，將以駕駛配置[5-6]和/或遠程控制進行測試[4]。這意味著對新飛行器的飛行/操縱質量（FQs/HQs）和飛行性能的徹底分析對于確保飛行安全是最重要的。大多數eVTOLs被設計為像直升機一樣起飛和降落，像飛機一樣飛行，垂直和水平飛行之間的中間階段稱為過渡。HQ通常是作為認證的要求而建立的，例如，歐洲航空安全局對大型運輸機的CS-25和歐洲航空安全局對大型直升機的CS-29。然而，民用飛機的HQ通常非常簡短和靈活。這與軍用飛機的總部要求相反[7-8]，后者的定義更加精確，并以所謂的任務要素（MTE）為基礎。MTEs能夠將任務要素區分為不同的任務，如初始起飛、爬升、過渡等。此外，軍事領域導致了垂直/短距離起降（V/STOL）飛機的FQs/HQs規范的發展[9-11]。最著名的是V-22鶚式飛機（螺旋槳驅動）和鷂式/F-35（都是噴氣機驅動）。美國聯邦航空管理局在認證阿古斯塔-韋斯特蘭AW609傾轉VTOL飛機時，使用了這些軍事規格作為支持。民用飛機認證機構使用不同的方法進行eVTOL認證，即FAA使用所謂的混合方法，即要求來自于目前現有的法規，而EASA專門為小類VTOL飛機發布了特殊條件要求[12]。

上述討論得出的結論是，目前的eVTOL認證法規是相當靈活的。因此，在2020年啟動了研究項目[13]，調查使用數字工具對新的eVTOL設計進行認證的潛力。本文提出了建模和仿真框架，以測試使用MTE的（e）VTOL飛機設計，作為定義飛行/操縱質量和飛行性能特征的手段。本文定義了所開發的框架、被調查的飛機、任務，并討論了結果和建議框架的進一步發展方向。

建模和仿真框架

擬議的框架將用于飛行動力學建模的MATLAB/Simulink環境與AGI STK Aviator任務模擬器相結合。目前，該框架形成了一個松散耦合的計算回路，因為它需要在兩個軟件包之間手動傳輸數據。

圖1展示了該框架的結構，并確定了兩個軟件包之間的數據流。MATLAB/Simulink為STK Aviator提供飛機狀態，即姿態和位置，STK Aviator為飛機運行的環境建模。MATLAB/Simulink和STK Aviator的這種結合，可以從飛行動力學和整體任務的角度對飛機進行評估。例如，任務評估的一組目標可以是任務期間飛機的GPS覆蓋和雷達跟蹤。這個框架不僅可以評估飛機對預定任務的適用性，還可以在制造實際產品之前及時糾正設計問題。