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

為支持在不確定的動態環境中長期部署，同時減少人類面臨的威脅和危險，有必要將更多支持人工智能（AI）的機器人整合到軍事和第一反應領域。人工智能機器人作為人類隊友的有效整合將提供支持并提高整體任務性能；然而，目前有關人機交互的研究大多只關注機器人團隊主管。要將機器人真正融入軍事和第一反應任務，需要人類扮演從最高指揮層到直接與機器人一起工作的下地人員等多種角色。層級結構中的所有人類角色都必須了解并保持對機器人隊友的直接控制。本文將文獻中現有的人類角色映射到軍事任務中，提出了與未來人類-機器人團隊合作相關的技術挑戰，并提供了潛在的解決方案和建議，以推動該領域向能夠完成相關領域任務的人類-機器人團隊邁進。

圖：人類與機器人協同作戰的概念軍事示意圖，顯示了 (a) 前沿作戰基地、(b) 下裝巡邏和 (c) 車輛巡邏的示例。請注意，為便于查看，人員、機器人和車輛均已放大。

圖 1 提供了角色圖示，用于說明軍事小故事。有些角色將駐扎在遠離戰場或事件響應區（也稱為熱區）的地方，在那里他們可以從更廣闊的視角來了解需要管理的情況。如圖 1a 所示，這類軍事角色可能駐扎在前方作戰基地。圖 1b 和 c 顯示了結合地面和空中機器人的兩個部署示例，一個是徒步巡邏，另一個是乘車巡邏。這些示例展示了不同角色如何分布在一個軍事單元中，并包括平民旁觀者。

本文論述了無人飛行器（UAV）日益重要的意義，以及無人飛行器群在各個領域協同作戰的出現。然而，無人飛行器群的效能可能會受到干擾技術的嚴重破壞，因此必須采取強有力的抗干擾策略。雖然人們已經探索了跳頻和物理路徑規劃等現有方法，但無人機群在干擾者位置未知時的路徑規劃研究仍是空白。為解決這一問題，提出了一種新方法，即無人機群利用集體智慧預測干擾區域、躲避干擾并高效到達目標目的地。這種方法利用圖卷積網絡 (GCN) 根據從每個無人機收集到的信息預測干擾區域的位置和強度。然后采用多智能體控制算法分散無人機群，避開干擾，并在到達目標后重新集結。通過模擬，證明了所提方法的有效性，展示了對干擾區域的準確預測，以及通過避障算法成功規避干擾，最終實現任務目標。所提出的方法具有魯棒性、可擴展性和計算效率，適用于無人機群在潛在敵對環境中工作的各種場景。

圖 1：模擬環境概覽：(a) 由六架無人機組成的多無人機以三角形編隊飛向目標的情況；(b) 如圖 1(a)所示，但從地面上看情況與圖 1(a)相同。干擾區域表示受干擾器發射的干擾信號影響的區域。在干擾區域內，干擾信號的強度會對無人飛行器的通信狀態產生重大影響，在靠近中心的位置觀察到的影響更大。

隨著空對空導彈有效射程的增加，人類操作員越來越難以保持保證無人機安全所需的態勢感知能力。在這項工作中，提出了一種決策支持工具，幫助無人機操作員在超視距（BVR）空戰場景中評估不同選項的風險，并據此做出決策。早期的工作側重于單枚導彈造成的威脅，而在這項工作中，我們將思路擴展到了多枚導彈的威脅。所提出的方法使用深度神經網絡（DNN）從高保真模擬中學習，為操作員提供一組不同策略的結果估計。我們的研究結果表明，所提出的系統可以管理多枚來襲導彈，評估一系列選項，并推薦風險最小的行動方案。

圖 1：無人機面臨三枚來襲導彈的情況符號表示。導彈當前的確切位置未知，但可以估計發射的時間和位置。在圖 3-6 中，飛機圖標周圍的彩色區域用于顯示在該方向進行規避機動的預測未擊中距離 (MD)。據此，操作員在決定選擇何種航線時，可以在任務目標和風險之間做出權衡。

自第一次世界大戰以來，空戰發生了翻天覆地的變化。傳感器、武器和通信技術的進步使飛行員能夠在越來越遠的距離上與敵機交戰。這些進步推動了從 "視距內 "空戰向 "視距外 "空戰的過渡[1]。在 BVR 中，來襲導彈的飛行時間可能長達數分鐘，這使得無人機操作員很難評估所有來襲數據并選擇最佳行動方案。事實上，操作員往往會失去對某些來襲威脅的跟蹤[1]。因此，需要一種能夠同時處理多個威脅并提供整體分析的支持工具。這種工具應支持操作員平衡風險與任務目標之間的關系，因為風險最低的選擇往往是完全忽略任務，而另一方面，忽略風險最終可能導致巨大損失。

由于雷達制導導彈的飛行時間可能很長，因此 BVR 空中格斗包含了一種可與星際爭霸等即時戰略游戲相媲美的元素[2]。重大挑戰包括高度非線性動態、信息不確定性以及對手的未知戰略和目標。機載傳感器可以根據敵機類型、電子戰反制設備和天氣情況輸出對手位置的估計值。不過，雖然在面對敵方時并不總能獲得精確信息，但操作員通常知道敵方飛機和武器系統的能力，因此建議的方法將利用這些信息。

在我們之前的工作[3]中，我們研究了無人機面對一枚來襲導彈的情況。利用強化學習（RL），我們計算出了最佳規避機動和執行機動時的失誤距離（MD）。然而，這種方法無法用于同時面對多架敵機的情況。當考慮從不同角度射來的多枚導彈時，相對于一枚導彈的最佳規避機動與另一枚導彈不同，顯然不能同時執行兩種不同的機動。此外，針對一對來襲導彈威脅的最有效規避行動，可以通過離線解決特定問題并存儲結果來確定，但由于可能的威脅組合數量龐大，這種方法變得不切實際。

在本文中，我們首先指出，對于人類操作員來說，MD 估計值是一種直觀的風險估計值。因此，我們希望為操作員提供一組選項，如圖 1 所示。圖中的黃色區域將根據風險程度進行著色。如果向南執行規避機動，MD 值為 2 千米，則會被染成綠色，而向西執行機動，MD 值為 0.05 千米，因此會被染成紅色。

在面臨上述多種威脅的情況下，要估算特定方向上特定機動的 MD，我們的步驟如下。首先，我們學習一組預定義的規避機動在不同羅盤方向上的單個威脅的 MD。然后，由于我們需要擔心的是最小的 MD，因此我們只需遍歷所有威脅，并保存每次機動的最小失誤距離。

通過這種方法，我們可以提供一種決策支持工具，為一系列選項提供風險估計，而不會丟失任何已檢測到的威脅。我們的方法還能讓操作員意識到在沒有安全撤離方案的情況下，例如在受到來自相反方向的近距離威脅時。為更絕望的措施提供決策支持，如發射所有剩余武器然后失去無人機，或依賴模型無法捕捉的方法，如電子戰或箔條/照明彈系統。

因此，這項工作的主要貢獻是提供了一種方法，使無人機操作員能夠評估和處理任意數量的來襲威脅，從而擴展了先前考慮單一敵對導彈的工作[3]。工作概述如下： 第二節回顧了相關工作。第三節介紹 ML 和導彈制導的背景，第四節正式定義問題。第五節介紹了建議的解決方案，第六節展示了仿真結果。最后，第八節將進行討論并得出結論。

在需要做出重大決策的關鍵系統中，通常無法實現或不希望實現完全自動化。相反，人類-人工智能團隊可以取得更好的效果。為了研究、開發、評估和驗證適合這種團隊合作的算法，有必要建立輕量級實驗平臺，實現人類與多個智能體之間的互動。然而，此類平臺在國防環境中的應用實例非常有限。為了填補這一空白，我們提出了 Cogment 人機協同實驗平臺，該平臺實現了以異構多智能體系統為特征的人機協同（HMT）用例，可涉及學習型人工智能智能體、靜態人工智能智能體和人類。它建立在 Cogment 平臺上，已被用于學術研究，包括在今年的 AAMAS 的 ALA 研討會上展示的工作。希望通過這個平臺，進一步促進關鍵系統和國防環境中的人機協作研究。

圖 1：該圖顯示了 Cogment HMT 實驗平臺的主用戶界面。左側帶帽的圓圈是由五個藍色智能體組成的團隊防守的禁區。右側的單個紅點是無人機攻擊者。

嵌入式人工智能體，如無人駕駛飛行器（UAV，或無人機），有可能徹底改變各行各業，包括交通、農業和安防。然而，這些智能體在物理世界中發展，因此可能會產生危險影響，尤其是在無人監管的情況下。例如，無人機可能會出現故障或無法識別潛在危險，從而造成財產損失甚至人員傷亡。此外，智能體可以根據算法做出決策，而算法可能不會考慮倫理、道德或法律方面的影響。因此，人類必須有能力對這些智能體進行有意義的控制[2]和監督，以確保它們的安全和負責任的使用。人類操作員可以監控和干預系統故障，評估潛在風險，并在需要其判斷的復雜情況下做出道德或法律決定。

除了監督，人類還可以通過協作在幫助智能體實現任務方面發揮關鍵作用。例如，對于無人機，控制中心的人類操作員可以提供實時指導和支持，確保無人機準確、高效地執行所需的功能。此外，人類還可以在現場充當隊友，與具身的人工智能體并肩作戰，實現既需要人類判斷又需要機器精確度的復雜目標。

此外，必須認識到，人機協作（HMT），即人類與具身智能體建立雙向協作的能力，是安全有效使用人工智能的一個關鍵方面。這類人工智能體的設計、訓練、驗證和操作不能孤立地進行，必須考慮它們如何融入包括它們在內的更大系統中。人類，尤其是作為操作員或隊友的人類，從一開始就應被視為該系統不可分割的一部分。

除了這種雙向協作之外，具身人工智能系統在運行過程中往往沒有考慮到 “道德責任 ”和 “社會技術 ”因素[2]。有意義人類控制（MHC）的概念是由 Santoni de Sio 和 van den Hoven 提出的，目的是讓人類能夠影響具身人工智能體的行為[3]。然而，MHC 的原始定義并不一致，因為人類可能缺乏專業技能或知識，無法完全有效地控制人工智能系統。Cavalcante Siebert 等人[2]提出了四個附加屬性來改進 MHC 的原始定義：“明確的道德操作設計領域”、“適當且相互兼容的表征”、“控制能力和權限 ”以及 “人工智能與人類行動之間的明確聯系”。因此，至關重要的是設計一個協調平臺，將有意義的人類控制和人類在環相結合，以確保人工智能系統的訓練和操作方式符合人類價值觀、社會規范和道德行為。

Cogment HMT 提供了一個設計和實驗人機團隊的平臺，尤其是涉及無人機的人機團隊。它以我們的 Cogment [4] 平臺為基礎，解決了協調自動決策系統（包括人工智能體）、人類之間的協作及其對數據的訪問和對環境的影響等難題。Cogment HMT 實驗平臺目前使用一個模擬環境，可以很容易地進行調整，以適應更真實的模擬和現實世界的部署。我們將在第三節介紹該平臺及其特性。

利用 Cogment HMT 實驗平臺，人工智能從業者可以開發出能夠與人類協同工作的智能體，并從人類的知識和期望中學習，同時考慮有意義的人類控制、信任和認知負荷管理等因素，實現有效的雙向人機協作。我們將在第四部分介紹早期成果。

本文件提出了一個分類和影響分析方案，以幫助支持無人機自動操作的討論和監管發展。還引入了 “操作設計域”（ODD）概念，作為一種機制來確定自動化功能的范圍，以幫助管理復雜的多維操作環境。這允許對自動化進行功能評估，因為它涉及到人機互動，認識到在特定操作中，不同飛機功能的自動化程度可能不同。

目前，本文件的范圍僅限于無人機系統飛行操作，同時承認飛行操作將在更廣泛的空域環境范圍內進行。空域環境的自動化將在未來的 JARUS 文件中討論。該文件還討論了隨著自動化水平的不斷提高，責任和權限如何發生變化。所提出的分類方法借鑒了其他航空團體開展的類似工作，包括廣為人知的汽車行業 SAE 國際分類和飛機自動化方面的 ASTM 國際考慮因素（見下文參考文獻）。分類方法概述如下：

0 級 - 手動操作： 人完全負責功能執行，沒有機器支持。

1 級 - 輔助操作： 機器在執行功能的過程中為人類提供環外支持，例如提供相關信息。

2 級--減少任務： 機器以環內管理角色運行，減少人類完成任務的工作量，例如，根據預測的飛行路徑提供沖突警報和解決建議。

3 級 - 監督自動化： 機器在人的監督下執行功能，而人則應根據需要進行監控和干預，例如，與自動駕駛儀綁定的自動交通碰撞和規避（TCAS）系統可在收到解決建議警報時自動執行機動操作。

4 級 - 例外管理： 機器執行功能，在出現問題時向人類發出警報。人類無需對功能進行實時監控，可在機器發出問題警報后隨時進行干預。

5 級 - 完全自動化： 機器完全負責功能的執行。由于實際限制或 ODD 的故意排除，人類無法進行實時干預。

自動化功能對操作的影響一般分為三個級別：安全獨立功能、部分安全依賴功能和安全依賴功能。通過評估自動化功能的安全關鍵性（通過了解其與其他系統的獨立性）和了解功能的自動化程度，可以評估自動化功能對特定操作的影響。

最后，為了在整個空域全面采用自動化功能，需要建立對自動化系統的信任。在自主技術開發和人類操作員培訓中應用信任框架，是實現完全自主系統操作的核心環節。在運行環境中，這將在自動化機器和人類操作員之間建立一種雙向關系，以確保最安全地應用自動化操作，實現可信賴的自主。

由于近年來無人駕駛飛行器技術的蓬勃發展，這些飛行器正被用于許多涉及復雜任務的領域。其中一些任務對車輛駕駛員來說具有很高的風險，例如火災監控和救援任務，這使得無人機成為避免人類風險的最佳選擇。無人飛行器的任務規劃是對飛行器的位置和行動（裝載/投放載荷、拍攝視頻/照片、獲取信息）進行規劃的過程，通常在一段時間內進行。這些飛行器由地面控制站（GCS）控制，人類操作員在地面控制站使用最基本的系統。本文介紹了一種新的多目標遺傳算法，用于解決涉及一組無人飛行器和一組地面控制站的復雜任務規劃問題（MPP）。我們設計了一種混合擬合函數，使用約束滿足問題（CSP）來檢查解決方案是否有效，并使用基于帕累托的方法來尋找最佳解決方案。該算法已在多個數據集上進行了測試，優化了任務的不同變量，如時間跨度、燃料消耗、距離等。實驗結果表明，新算法能夠獲得良好的解決方案，但隨著問題變得越來越復雜，最佳解決方案也變得越來越難找到。

無人機技術的最新發展導致了無人駕駛飛行器（UAV）的廣泛使用。特別是，無人飛行器經常用于偵察，以探測大面積區域內的失蹤人員等物體。然而，傳統系統僅使用一架無人飛行器在大面積區域內搜尋失蹤人員。此外，由于探測需要較高的計算能力，因此需要在飛行后或手動進行物體探測。本文提出了一種使用多架無人機的無人機偵察系統。所提議的多無人機偵察系統在每個無人機上執行實時目標檢測。地面控制系統（GCS）接收每架無人機的實時目標檢測結果，并對圖像進行拼接。為了實現單個無人機的實時目標檢測，YOLOv5 模型采用了濾波器剪枝方法，與現有的基線模型相比，該模型使用的參數減少了 40%。輕量級 YOLOv5 模型在使用任務計算機的 Jetson Xaiver NX 上實現了約 11.73 FPS 的速度。此外，所提出的圖像拼接方法可利用無人機生成的附加信息有效匹配特征，從而實現圖像拼接。無人機飛行測試表明，擬議的偵察系統可以在大面積區域內實時監控和檢測目標。

隨著近年來無人機技術的發展，無人機現已被廣泛應用于各種領域，例如人類難以直接搜索和分析的大型危險區域的偵察系統。人工智能的進步極大地提高了物體探測技術，可以發現人或汽車。然而，由于大多數任務都是由單架無人機執行，因此作業范圍和時間都受到限制。此外，由于無人駕駛飛行器（UAV）的性能限制，很難實時探測物體，因此無法立即做出反應。這些限制激發了對使用多架無人機進行蜂群飛行的研究，通過劃分大面積區域來執行任務，并通過為無人機分配不同的任務來實現合作。

蜂群偵察系統需要一個能同時控制和管理多架無人機的蜂群操作系統。在該系統的基礎上，還需要一種圖像拼接算法，將無人機接收到的圖像進行同步處理，并合并成一張匹配的圖像。整合后的圖像可幫助用戶有效了解整體情況并做出決策。然后，需要一種實時物體檢測算法來檢測失蹤人員或入侵者。在物體檢測方面，已經使用了深度學習算法。然而，由于其計算成本較高，處理過程需要在無人機外部進行或作為后處理。

本文提出了一種基于數據分布服務的蜂群偵察無人機系統，如圖 1 所示，該系統使用安全的集成指令同時控制和操作多架無人機。所提出的系統接收來自每架無人機的獨立圖像，并對圖像進行拼接，同時實時檢測無人機內的物體。因此，地面控制系統（GCS）可實時提供全面的態勢感知。通過基于無人機獲取的拼接圖像的目標檢測測試，對所提出的系統進行了驗證。

本文的主要貢獻可歸納如下：

1. 提出了一種基于無人機圖像的實時目標檢測方法。以每秒處理 10 幀（fps）為目標，設計了一個擬議的蜂群偵察無人機系統，用于執行實時目標檢測。為了在無人機使用的 Jetson Xavier NX 系統中達到 10 幀/秒的要求，提出了針對輕量級網絡的濾波器剪枝方法，以實現物體檢測性能。

2. 為蜂群無人機系統提出了實時圖像拼接方法。提出的圖像拼接方法利用無人機產生的附加信息有效地匹配特征。

3. 對無人機進行飛行實驗，以驗證所提方法的可行性。

本文其余部分的結構如下。第二節介紹了無人機群系統和無人機圖像目標檢測的相關研究。第三節介紹了擬議的具有空中圖像拼接和實時目標檢測功能的蜂群偵察無人機系統的總體結構。第四節簡要介紹了實驗裝置和結果。第五節討論本文的結論。

由于多種因素的影響，自動機器學習（AutoML）這些年一直在快速發展，數據科學家需要創建機器學習管道原型來決定如何進行解決，并為非專業人士提供解決方案。已經創建了一些AutoML框架，但它們受到能解決的問題類型、機器學習原語的數量、管道表示語言和嚴格數據描述的限制。這些限制大多是由相當大的工程量造成的。D3M項目旨在擴大AutoML的范圍，提供創建AutoML系統所需的工具，使其能夠解決超出大部分框架的問題類型，并為用戶提供工具，使機器學習工具不需要太多的專業知識。此外，該項目還致力于實現AutoML組件的標準化，以便對不同的框架進行公平的比較，并通過開源共享該項目期間創建的基礎設施來幫助研發界改善該領域。

本文在D3M上的工作主要集中在兩個方面：在D3M小組內創建標準化AutoML工具，以及創建具有不同目的的AutoML系統和框架。在這份報告中，將介紹對該項目的主要貢獻以及AutoML系統的演變。在該項目中，創建了評估AutoML系統的工具，開發了三個AutoML系統，開發了被多個系統廣泛使用的原型，設計了測試原型的自動化框架，并通過創建AutoKeras對AutoML研發界產生了巨大影響。

隨著作戰區域的日益復雜和對手的不斷推進，開發低成本的無人機系統蜂群可以為美國部隊提供引人注目的能力。因此，研究問題涉及現有小型無人機系統的最佳組合，這些系統提供了平均/標準偏差探測時間和任務成功率的最佳性能指標，同時受限于給定的預算和機群規模。對這些小型無人機系統的要求是，它們屬于美國空軍1-3組無人機系統。研究小組使用Python模擬，在半徑為5海里的隨機目標地點收集不同無人機系統的個人性能數據。然后，這些指標被輸入一個優化程序，該程序在某些硬約束條件下選擇最佳組合。結果表明，在測試的所有三種情況下，6個ALADiN和24個平行螢火蟲的混合物是最佳組合。其綜合成本為160萬美元。利用模擬的洞察力，團隊還能夠建議哪些屬性對成功的任務最重要，在開發過程中節省時間和費用。

在有環境因素的城市區域內安全有效地使用四旋翼飛行器，對美國軍事和民用部門具有巨大的重要性。本技術報告探討了一個高度適應性的模擬設置，其中有一個包含學習元素的非線性控制器。其他模型因素--如無人機的幾何形狀、權重和風的力量--在所提出的框架內很容易被修改。用虛幻引擎進行的模擬，可以結合現實世界的城市數據、現實的風和現有的開源軟件。

引言及與美國陸軍的相關性

無人系統和無人駕駛航空系統（UAS）的使用在全世界的軍隊中激增，在通信、監視、偵察和戰斗中都有應用（Nacouzi等人，2018）。在敵對地區，無人機系統將受到多種威脅，包括網絡和物理威脅，以及環境危害。生存和任務的成功往往取決于以最小的通信或依賴全球導航衛星系統（GNSS）的能力，如GPS（Guvenc等人，2018；Sathyamoorthy等人，2020；Fan等人，2022）。例如，無人機系統的通信可用于檢測和獲得無人機系統的位置，而基于衛星的導航很容易被欺騙或干擾，因為信號非常弱。其他傳感器也經常被用來增強GNSS的位置分析，并可以用來取代它，如光學系統--包括照相機、雷達、光探測和測距（LiDAR）系統和慣性測量單元（IMU）（Angelino等人，2012）。這些都提出了自己的挑戰。慣性測量單元是標準設備，但只能檢測線性和角加速度，同時通過檢測地球的局部磁場來確定方向（共9個自由度）。因此，位置誤差，即測量的加速度的第二個時間積分，會隨著時間的推移而累積。在使用IMU進行UAS導航時，其他令人擔憂的來源包括環境影響（即風或降水）。 UAS結構的物理變化，如增加一個傳感器或武器包，包括武器發射后的變化，使工作進一步復雜化。這種質量和質量分布的變化改變了UAS的質量中心和慣性張量。光學傳感器、雷達和LiDAR系統增加了重量，并經常發射射頻或光，使它們更容易被探測到和/或需要處理資源。增加的重量和/或處理可能對電池壽命產生不利影響，從而影響運行時間和整體可靠性。

為了解決這些問題，我們正在研究在大風環境中使用控制算法，以了解IMU信號如何在控制中被用來考慮（和/或改變）UAS的位置計算。再加上不確定性措施，這些最終可用于檢測UAS飛行性能的變化，或對GNSS信號的欺騙。

城市環境是安全和可靠的無人機系統運行的第二個關注領域（Watkins 2020）。它們被認為是國防部行動的一個挑戰領域，也是政府和商業服務的一個巨大的技術增長領域。在這份報告中，我們展示了一個模擬空間，我們正在建立專門用于模擬城市環境中的無人機系統，以解決自主和半自主控制的問題，重點是環境的相互作用，包括風和靜態碰撞威脅。物理學和控制的關鍵部分直接用C++實現。除此之外，在可能的情況下，我們正在利用當前的免費和開源資源（即軟件、軟件框架和數據），但要注意的是，我們包括使用一些在產品商業化成功后需要付費的工具。我們采取了一種模塊化的方法，隨著其他軟件框架和系統的成熟，將能夠靈活地過渡到其他軟件框架和系統。我們目前的系統已經基于用于小型無人機系統的PX4控制器庫和實時發布-訂閱（RTPS）數據傳輸協議。RTPS應能使我們的發展在其他工具成熟時過渡到其他工具，并使用通用的應用編程接口（即API）過渡到其他工具和數據，如計算的風數據。對于圖形和用戶界面，我們使用虛幻引擎（UE）（Matej 2016），這是一個游戲引擎，提供最先進的圖形功能和我們的模型中使用的一些物理學--最重要的是無人機系統和其環境之間的碰撞檢測。

第2-4節詳細介紹了整個模擬的主要計算部分：納入現實世界的城市數據，生成現實的風模型，無人機的幾何和物理建模，以及線性和非線性控制。我們對整體模擬的這些主要部分中的每一個都依賴開源軟件，如UE、OpenStreetMap（OSM）（Anderson等人，2019年）、Mapbox和AirSim（Shah等人，2017年），并根據需要詳細說明（見圖1；例如，真實城市的模型導入游戲引擎中）。第5節和第6節提供了樣本結果和結語。

圖1 將城市數據納入UE進行大規模模擬的兩個例子。伊利諾伊州的芝加哥（上）；弗吉尼亞州的水晶城（下）。這兩張圖片都是使用開源工具創建的，將開源的Mapbox城市數據導入UE中。