在聯合全域指揮與控制（C2）傳感器網絡和美海軍的 "超配項目"中，無人系統（UxS）是一種共享能力，它擴展了軍事力量的范圍和能力，以加強在有爭議空間的戰術。這增加了對可互操作的網絡框架的研究，以安全和有效地控制分布式無人系統部隊。迄今為止，陳舊的技術、分離和專有的商業慣例限制或掩蓋了對新興產業技術的追求，這些技術提供了當今現代化部隊所需的安全功能，留下了更多的問題而不是事實。此外，UxS的功率和處理限制以及受限的操作環境禁止使用現有的現代通信協議。然而，消息層安全（MLS）的發展，一種安全和高效的團體通信協議，可能是UxS團隊的理想選擇。這篇論文記錄了從一項定性研究中收集到的結果，發現MLS是UxS小組安全和效率的最佳選擇。它還記錄了MLS與ScanEagle無人機（UAV）和海軍信息戰太平洋CASSMIR無人水面艇（USV）的整合。該實施方案提供了一個作戰概念，以證明使用MLS在多域特設網絡配置中為無人機和USV之間提供安全和高效的C2和數據交換。所進行的實驗是在一個虛擬環境和物理UxS中進行的。

引言

對聯合全域指揮與控制（JADC2）架構至關重要的是多樣化的無人系統（UxS）和傳感器。這些不同的設備將使以人機協作為中心的未來海上力量相互連接。

例如，考慮一個聯合全域用例，即無人系統提供針對近距離對手的能力。UxS的指揮和控制（C2）依賴于通信鏈路--其安全性和設計決定了在對手攻擊的情況下的速度、互操作性和傷害能力。相反，在相同的C2通信鏈路中的不足或使用傳統的架構會轉化為戰術和戰略上的劣勢，有可能將傳統的作戰部隊置于危險境地。我們的研究旨在確定和實施一個可行的C2鏈路安全方案，該方案有可能為分布式多域環境中的UxS提供一個安全、可擴展和可互操作的解決方案。

目前，美國防部（DOD）和美海軍部（DON）正在取得重大進展，以利用整個企業的獨特任務和機會[1]。這些新的可能性包括增加對無人系統和傳感器的使用，使之超越目前的使用案例平臺。在實現無人平臺和系統的數據共享時，網絡安全必須被視為眾多核心技術中的重中之重。這些努力必須考慮確保關鍵的推動因素，如網絡、基礎設施和C2，以及強大的安全協議和認證方法。這些考慮將變得至關重要，因為JADC2企業試圖從分離轉向更統一的數據環境，在對手已經開發出高度復雜的反介入和區域拒止（A2/AD）能力的情況下，所有的人都可以訪問[2] 。

在今天的現代戰爭中，作為分布式力量倍增器的UxS將取決于安全和高效的C2。隨著UxS發展的成熟，對互操作性的需求將增加。這項研究分析了當前和新興的安全協議，并將其與JADC2和 "超配項目"的要求相匹配，以評估和確定支持這些要求的最佳屬性和協議。然后，這項工作根據所需的安全排列選擇消息層安全（MLS）協議，以便在UxS平臺上實現可行性，特別是記錄程序ScanEagle無人駕駛飛行器（UAV）。

近鄰的對手繼續追求A2/AD能力，以擊敗傳統的美國軍事力量。假設UxS的網絡和物理安全屬性沒有得到解決或設計得不好。那么其他的核心技術，如定位、導航和定時、可靠性、互操作性、通信以及平臺的感知和決定能力都會退化或受到損害。從目前孤立和陳舊的認證過程遷移到一個有效的集成開發、安全和操作環境，對于成功地將用戶體驗平臺和傳感器納入JADC2環境是至關重要的。這種遷移也受到了挑戰，因為需要從傳統的技術和開發框架迅速發展到快速出現的技術，這些技術更有能力在近距離威脅的進展中保持相關性[3]。解決這一挑戰將需要將技術障礙與文化、財政、程序和政治上的孤島融合起來[4]。一旦美國防部解決了這一挑戰，它將有能力實現無縫整合、同步和安全，這對無人機成為多領域作戰的力量倍增器是必要的。

1.1 問題陳述

在一個技術競爭迅速的時代，JADC2基礎設施依賴于20世紀90年代構思的技術（如IPSec[互聯網協議安全]和TLS[傳輸層安全]），同時被限制在美國家安全局（NSA）制定的通用協議和標準下進行安全通信[5]。這些網絡安全協議是點對點的，每增加一個新的網絡設備，都需要與每一個現有的網絡設備建立單獨的信道，這就是指令概述。盡管在成立之初是最前沿的，但值得注意的是，幾十年后的今天，我們仍然依賴這種點對點的安全連接，在動態自治設備網狀網絡之上強行建立一個高延遲和過時的安全覆蓋層。整合改進不僅需要評估適當的現代替代方案，還需要一個能夠及時有效地用新興的行業解決方案解決UXS安全挑戰的操作授權（ATO）程序。

為了解決這些問題，我們提出了以下研究問題：

• JADC2和Overmatch項目的C2協議安全要求是什么？

• 根據在JADC2相關領域工作的國防部主題專家，現代C2安全協議需要哪些功能來滿足JADC2環境的需要？

• 哪種安全協議能最好地滿足所有這些需求，以及UxS C2鏈接的使用可行性是什么？

1.2 范圍

這項研究支持整個美國防部和美海軍部關于當前規范的討論，不充分的網絡安全做法和認證程序決不能阻礙無人駕駛系統的通信安全的未來狀態。這些方法必須不斷發展，以充分解決我們的傳感器和無人駕駛資產在高度技術性的同行競爭威脅中對速度和安全的日益增長的需求。

這項研究支持整個美國防部和美海軍部關于當前規范的討論，不充分的網絡安全做法和認證程序不得阻礙未來的無人機通信安全狀態。這些方法必須不斷發展，以充分解決我們的傳感器和無人駕駛資產在高度技術性的同行對手威脅中對速度和安全的日益增長的需求。

基于研究結果，一個選定的協議在受控的實驗室環境中被實施、測試并進行虛擬基準測試。在成功完成受控的虛擬測試后，虛擬實施過渡到在NPS自主飛行器研究中心（CAVR）ScanEagle無人駕駛飛行器（UAV）和海軍信息戰中心-太平洋（NIWC-PAC）合作自主系統對峙海上檢查和響應（CASSMIR）無人地面飛行器（USV）上的實際應用。

在本論文中，無人系統和無人車之間沒有任何區別，不分領域，即空中和水面；都被稱為UxS。

然而，在實驗過程中，測試將發生在無人機和USV上。這項研究的目的是解決對不依賴平臺的C2鏈路安全協議解決方案的需求。

通過混合方法（定性和定量）的研究工作，實現以下主要目標是本論文的貢獻：

• 進行定性研究，確定JADC2和Overmatch項目的UxS安全協議需求。

• 將定性研究結果與對當前軍事和工業安全協議選項的評估結合起來。

• 為多域作戰（MDO）UxS用例選擇一個可行的安全協議選項。

• 在最佳網絡條件下實施和評估選定的安全協議，用于UxS模擬。

• 在ScanEagle和CASSMIR上實施和評估所選擇的安全協議。

1.3 相關研究

UxS的研究空間是巨大和不斷發展的。正如本節所討論的，UxS安全的主題已經在各個研究領域得到了研究和記錄。然而，將不同的協議與軍事要求進行比較，以制定C2協議標準，提高安全性、效率和互操作性的研究有限。盡管如此，選定的先前研究提供了與我們的研究有關或支持我們研究的見解。

來自俄勒岡大學、南佛羅里達大學、海軍研究生院和凱斯西儲大學的研究人員，專注于建立基于性能和安全之間平衡的最有效的密碼文本算法或密碼框架[6]-[8]。這些論文解釋說，我們目前最常用的密碼套件對于小型UxS來說，計算量和功率都太大，例如Craziefile 2.0，它使用ARM Cortex M-4架構，工作頻率為168 MHz。其他研究則是研究用于開發UxS的軟件的安全基元，如機器人操作系統（ROS），并解釋了安全漏洞和緩解措施，以實現無人系統的安全、可靠部署[9]。最后一項研究揭示了這些基礎技術的脆弱性和保護它們的必要性。

從相關的研究來看，重點是尋找最佳的拓撲結構、路由協議或數據信息傳遞，以支持越來越多的無人駕駛系統和傳感器一起工作和運行[10], [11]。這些工作大多旨在通過將傳輸的開銷成本降到最低，找到維持C2的最有效方法[10], [11]。其他的UxS研究課題側重于網絡安全的最佳實踐，強調在無人系統中發現的漏洞到可能的新攻擊載體和可能的緩解技術之間的范圍[12]。

有過多的指導和研究概述了要求和解決方案；然而，沒有一個真正量化了國防部和海軍內部無人系統平臺和傳感器的C2鏈接安全的重要性。更少的指導和研究將協議和算法與這種需求相匹配。相關研究表明，這些觀點并沒有直接涵蓋選擇和使用標準化協議的整體性，以提高UxS C2鏈路安全、效率和互操作性。這些方法考慮了密碼器的內部性能、ROS軟件的安全服務和能力、UxS的脆弱性和整體網絡性能。本論文旨在研究一個標準化安全協議的實施，該協議可以作為應用層的安全軟件，與設備和互聯網協議網絡無關。

有大量的指導和研究概述了UxS的安全需求；然而，沒有一個真正量化了這些軍事用途的安全需求。從美國防部和海軍部的UxS平臺和傳感器的C2鏈路安全的重要性的現實世界經驗。

1.4 論文組織

本論文的其余部分組織如下。

第2章概述了JADC2和Project Overmatch倡議，以了解這些倡議的安全協議要求。本章還討論了美國國家標準與技術研究所（NIST）和美國國家安全局在加密協議的標準化和選擇方面發揮的作用。它回顧了安全通信協議的工業和軍事安全方法、相關性能以及通過使用專有和基于標準的安全協議解決的安全問題。

第3章提供了一個定性研究，包括面向網絡安全的訪談問題。研究的對象是在安全、自主設備和傳感器網絡、獲取或重疊方面有經驗的軍事、民事和承包商人員。從訪談中收集到的數據為國防部和國防部深入了解UxS的通信安全現狀以及相關的網絡安全和認證程序提供了更深的理解。

第4章根據第3章和第2章的結果進行交叉分析，提供了協議的比較和選擇。它討論了專有的和標準化的安全協議，這些協議是第2章中討論的網絡和倡議的關鍵網絡安全組成部分。它還將美國防部和美海軍部的UxS安全要求與定性研究的結果以及所討論的當前和新興的安全協議相匹配，以選擇UxS平臺的C2所需的最有能力的安全協議。

第5章概述了MLS在MDO UxS情況下的方法和實施。它描述了MLS和ROS的結構。它概述了協議功能概述，代碼開發階段，以及為支持實施而創建的核心功能。它還涵蓋了用于創建MLS指揮和控制（C2）應用程序（MLS C2）與ROS接口的分步方法概述。

第6章討論了在5中開發的各種MLS應用程序的實驗，并分析了其對研究用例的影響。這一章包括對測試過程的描述和對結果的描述。

第7章提供了一個結論，涵蓋了本論文研究的意義，對研究進行了總結，并推薦了繼續工作和替代方法的選項。

無線電頻率指紋（RFF）是通過機器學習（ML）分類器將唯一可識別的信號失真歸于發射器。RFF經常被提議作為無線設備安全的認證機制，但技術受到不同操作條件下指紋變化的限制。首先，這項工作研究了頻率通道對典型的RFF技術的影響，以前只使用單一頻率通道的突發事件進行評估，沒有考慮多通道操作的影響。使用多類馬修斯相關系數（MCC）進行的性能表征顯示，在用于訓練模型的頻率通道以外的頻率通道上操作會導致性能惡化，從MCC>0.9（優秀）下降到MCC<0.05（隨機猜測），表明不應期望單通道模型在現實的多通道操作中保持性能。提出了一種訓練數據選擇技術來創建多通道模型，其性能優于單通道模型，將跨通道平均MCC從0.657提高到0.957，并實現了頻率通道無關的性能。第二，這項工作引入、開發并演示了通過失真重構提取指紋（FEDR）過程，這是一種基于神經網絡的量化信號失真的方法。與一個簡單的密集網絡相結合，FEDR指紋與四種常見的RFF技術進行了評估，Nc={5，10，15，25，50，100}未見過的類別。帶有FEDR指紋的密集網絡在所有的Nc值中都取得了最佳性能，MCC從0.945（Nc=5）到0.746（Nc=100）不等，使用的訓練參數比次好的卷積神經網絡少73%。

圖 1. 基于 RFF 的 WirelessHART 設備認證的設想用例。我們的實驗裝置模仿了這種配置。

引言

美國空軍2030年及以后的科技戰略文件規定，需要 "發展和提供變革性的戰略能力"，以確保美國在與近鄰對手的任何沖突中占據優勢[1]。這些戰略能力包括有保障的信息共享和快速有效的決策，由彈性和靈活的通信平臺驅動。這種保證需要一個由安全的有線和無線鏈路組成的無處不在的世界性基礎設施，它連接著從個人電腦和便攜式電子設備到關鍵信息系統、情報傳感器網絡和軍事武器系統等一切。

由于通信介質的性質，無線安全特別重要，它可以被對手輕易地監控。安全性取決于比特級的加密算法，該算法通過使用秘密信息實現加密和身份認證。例如，在WPA2（一種廣泛使用的無線認證協議）中，一個共享的秘密（如網絡密碼）被利用在一個4路握手過程中，以認證雙方并產生一個用于加密通信的密鑰[2]。然而，任何知道這個生成的密鑰的實體在理論上都可以冒充已經認證的一方，從而破壞信任。不幸的是，密碼學中的這個單點故障總是存在的。

消除單點故障的一個策略是要求多種形式的認證。多因素認證（MFA）要求用戶提供三類信息中的至少兩類：i）你知道的東西，ii）你擁有的東西，以及iii）你是的東西[3]。例如，試圖登錄信息系統的人類用戶可能被要求提供一個密碼（即知道）和一個ID（即擁有），或者一個密碼和一個發送到訂閱的移動設備上的代碼（即擁有）。最近的技術，如基于智能手機的指紋掃描儀（如三星超聲波指紋識別）和紅外臉部映射器（如蘋果FaceID），再加上現代機器學習的進步，使得將你所在類別的東西的信息納入認證機制成為可能。

通過使用射頻指紋（RFF）[4]，類似的策略可以擴展到無線通信。RFF從無線發射器的發射中提取關于你是什么的信息。這種物理層的信息可以增強比特級的認證機制，實現多層次的身份驗證，并通過深入防御有效地加強安全[5]。然而，RFF帶來了許多實際的實施挑戰，包括邊緣設備資源限制[6]和提取的指紋的顯著漂移和變化[7]。

以下各節提供了RFF及其挑戰的介紹性概述，隨后概述了這項工作為解決這些挑戰所做的貢獻。

1.1 無線電頻率指紋法的基本原理

射頻指紋是一種用于從發射信號的特征來識別發射者的技術[8]。這種技術直接應用于信號本身，與依賴這些信號的比特級解釋的加密算法不同。其基本理論是，由于制造過程中的不一致，每個發射器的構造都略有不同，即使是那些來自同一制造商的相同的內部組件。這些不一致表現在發射信號的微小但可測量的失真上，在信號上留下了 "指紋"。有可能找到同一發射器留下的多個指紋的共同點，這樣，未來的指紋就可以歸于該發射器。

RFF的核心是依靠機器學習（ML）分類器，該模型是用一組Nc類（即發射器）的大量例子（即指紋）訓練出來的。當一個新的、從未見過的例子被輸入到訓練好的模型中時，該模型可以預測哪個Nc類產生了它。大多數公布的RFF技術包括兩個步驟：i) 指紋提取和ii) 分類[8]。指紋提取過程，如時域獨特本地屬性（TD-DNA）[9]或基于星座的獨特本地屬性（CB-DNA）[10]，是用來建立作為分類器輸入的特征集的算法。指紋是對信號的測量，更確切地說，是對信號中存在的扭曲的測量。其基本假設是發射器以一致的方式扭曲信號，因此，分類器可以將扭曲映射到發射器上。

在更現代的RFF方法中，分類器直接接受原始信號，在模型中整合指紋提取。這些方法通常利用卷積神經網絡（CNN）的力量來實現令人印象深刻的分類性能[11]。卷積神經網絡自動學習信號的哪些部分對辨別Nc類貢獻最大，并構建自身以提取該信息。

1.2 無線電頻率指紋識別的挑戰

與人的指紋在人的一生中保持不變不同，發射器的指紋經常受到操作條件的影響，如溫度、信道噪聲、其他發射器的干擾、元件的老化以及傳輸的信息類型[7]。這些操作條件中的每一個都會對信號施加不同類型和組合的失真，使指紋發生變化。這種可變性使得采用實用的基于指紋的認證機制變得困難，因為在一組條件下運行良好的系統在其他條件下可能無法正常運行。因此，在設計RFF技術時必須考慮操作條件。

基本的挑戰是：i）了解哪些操作條件會導致指紋的變化，以及ii）了解這些變化如何在指紋中表現出來。第一個挑戰需要列舉操作條件，考慮到發射器可能在無窮無盡的環境中運行，這是一項非同尋常的壯舉。這方面的研究重點是證明某個特定條件會影響分類性能，然后產生一種技術來對抗這些影響[7, 12]。為此，這項工作的研究一提供了一個關于頻率通道對RFF的影響的檢查。它研究了在單通道模型上使用多通道數據所產生的性能惡化，并提出了一種數據驅動的技術來減輕這些影響。

研究操作條件如何在指紋中表現出來，有其自身的障礙。首先，在RFF社區中，對構成指紋的定義各不相同。典型的指紋提取技術，如TD-DNA[9, 13]、CBDNA[10, 14]、Gabor變換[15, 16]和基于內在模式函數（IMF）的變換，如Hilbert-Huang變換[17]，都產生非常不同類型的指紋。每種技術都對哪些類型的失真對區分發射器很重要做出假設，根據這些假設測量信號，并將這些測量結果作為指紋。因此，只能在這些假設的范圍內研究指紋的可變性，這就提供了一個不完整的關于指紋總體上如何變化的畫面。

另一個障礙是，最近的RFF技術利用復雜的ML模型進行 "端到端 "分類，主要使用深度CNN[18]。這些網絡不需要指紋步驟，因為它們將指紋提取與分類結合起來[8]。模型攝取原始信號，通過一系列相互連接的非線性層，并輸出預測的類別。根據設計，這些網絡專注于最能區分類別的特征，盡管它們傾向于產生強大的性能，但它們嚴重偏向用于訓練它們的類別。因此，在不同的操作條件下，性能的變化只能用用于訓練CNN的類別來表示。

研究二提供了一種基于神經網絡的新型指紋提取技術，該技術利用CNN來測量兩個輸入信號之間的相對失真，即一個失真信號和同一信號的未失真版本。該技術被稱為 "通過失真重建的特征提取"（FEDR），它忽略了類別信息，而是專注于量化失真本身。它改進了以前的指紋提取技術，因為它沒有假設哪些失真存在，而且它改進了端到端CNN，因為它提供了一個通用的指紋類型，可以在任何數量的類別和使用情況下進行研究。此外，用于提取指紋的神經網絡不需要接觸到RFF類，這意味著它的訓練可以獨立于這些類進行。

這兩項研究的貢獻將在下一節詳細介紹。

1.3 研究問題和貢獻

本節概述了這兩項研究中的每一項，強調了主要問題和貢獻。

1.3.1 1.3.1 (研究一) 跨越多個頻率通道的無線電頻率指紋識別的考慮因素

研究I通過研究頻率通道（即載波頻率）如何影響指紋識別，擴展了以前關于操作條件對RFF的影響的工作。現代通信協議通常采用多個頻率通道，以實現同時使用和避免干擾。例如，WiFi（IEEE 802.11 b/g/n）[2]將2.4 GHz ISM頻段細分為11×20 MHz的重疊信道，而ZigBee[19]和Wireless Highway Addressable Remote Transducer（WirelessHART）[20]（即基于IEEE 802.15.4的協議）使用相同的頻段，但將其分為15×5 MHz的非重疊信道[21]，而藍牙[22]使用80×1 MHz非重疊信道的更精細的劃分。

現有的RFF技術在多通道情況下的應用是有限的，因為之前的模型是用單頻通道的突發事件創建和評估的，沒有考慮多通道運行的影響。本研究對四個單通道模型的多通道性能進行了評估，這些模型的復雜性不斷增加，其特點是多類馬修斯相關系數（MCC）。模型包括一個具有簡單判別分析的指紋提取器和三個神經網絡。提出了一種多通道訓練技術以提高跨通道性能，并在存在加性白高斯噪聲（AWGN）的情況下對所有模型進行了評估。

具體來說，研究I的研究問題和貢獻是：

S1-Q1. 頻率通道是如何影響射頻（RF）指紋的？

S1-Q2. 指紋中是否存在與頻率無關的信息？該信息能否在頻率無關的RFF模型中得到利用？

S1-C1. 首次評估了單通道模型對多通道數據集的敏感性。評估表明，在RFF模型訓練期間，如果不考慮頻率通道，會導致性能惡化，從MCC>0.9（優秀）下降到MCC<0.05（隨機猜測），表明以前RFF研究中的單通道模型性能不應該被期望延伸到多通道情況（實驗A）。

S1-C2。一種訓練數據選擇技術，構建的多渠道模型可以超越單渠道模型，平均跨渠道MCC從0.657提高到0.957。研究結果表明，可以從一個小的頻道子集中學習頻率診斷變異性，并可以利用它來提高RFF模型在多個頻率頻道的通用性（實驗B）。

S1-C3. 對存在加性白高斯噪聲（AWGN）的多通道模型的評估，表明多通道模型在噪聲性能方面的優勢取決于模型類型和噪聲水平。多通道神經網絡大約保持或超過了單通道性能，但多通道MDA/ML模型的性能始終優于其單通道對應的模型（實驗C）。

1.3.2（研究二）FEDR：基于神經網絡的射頻指紋提取技術

研究二提出了一種新型的指紋提取技術，它側重于量化信號失真，而不考慮發射器。FEDR是一種基于神經網絡的方法，用于學習相對失真潛伏空間。它依賴于一個關鍵的觀察，即只要能可靠地提取比特級的信息，就能從扭曲的對應信號中生成未扭曲的通信信號。通過一個受限的網絡結構和一個自定義的正則化損失，FEDR可以量化兩個信號之間存在多少失真。該技術對信號中存在哪種失真或多少失真不做任何假設，并對失真進行量化，不分等級，使其成為研究不同操作環境的指紋的理想選擇。

此外，由于FEDR網絡學習信號失真，它可以獨立于RFF類進行訓練，并作為靜態指紋提取器部署，它可以在終端與低復雜度的ML分類器相配合，進行RFF。FEDR被應用于合成的IQ不平衡數據和真實世界的IEEE 802.11a/g數據集。隔離失真信息和去除內容信息產生了指紋，當與基本分類器結合時，其性能超過了最先進的端到端分類技術。

研究II的研究問題和貢獻包括。

S2-Q1. 能否訓練一個網絡來學習失真信號和其相應的未失真信號之間的差異？

S2-Q2. 這些差異是否能提供足夠的信息來辨別特定的發射器？

S2-C1. 一種用于指紋提取的深度學習技術，稱為通過失真重建提取指紋FEDR。利用接收信號的失真和未失真版本，FEDR使用一個結構受限和規范化的相對失真潛在空間來重建原始失真。因為FEDR學習的是失真而不是設備，所以網絡可以獨立于RFF類進行訓練。

S2-C2. 介紹、開發和演示FEDR技術，使用具有模擬智商不平衡的合成WiFi數據。使用一個基本的密集網絡，從學到的FEDR指紋中提取了模擬失真參數，意味著失真信息被FEDR技術量化了。

S2-C3. 對從現實世界中從未見過的發射器的WiFi數據集中提取的FEDR指紋的RFF性能進行評估。基于FEDR的分類器取得了最好的性能，MCC從0.945（Nc=5類）到0.746（Nc=100類），使用的訓練參數比次好的CNN少近73%。

1.4 論文結構

本文件圍繞這兩項主旨研究及其貢獻展開。第2章提供了一個簡短的背景，以提供跨越這兩項研究的技術背景。這包括關于ML的基本信息，它在射頻機器學習（RFML）中的應用，以及近期RFF研究的總結。研究一和研究二在第3章和第4章中作為獨立的手稿呈現，每篇手稿的格式都與期刊出版物一致。這兩章中的每一章都介紹了自己的相關介紹和相關工作，以及該相應研究的相關背景信息。第5章中總結了研究結論和未來的工作。

準確和強大的自主水下導航（AUV）需要在各種條件下進行位置估計的基本任務。此外，美國海軍更希望擁有不依賴外部信標系統的系統，如全球定位系統（GPS），因為它們會受到干擾和欺騙，并會降低操作效率。目前的方法，如地形輔助導航（TAN），使用外部感知成像傳感器來建立一個本地參考位置估計，當這些傳感器超出范圍時，就沒有用了。現在需要的是多個導航過濾器，每個過濾器都能根據任務條件發揮更大的作用。本論文研究了如何結合多個導航過濾器來提供一個更穩健的AUV位置估計。提出的解決方案是利用基于信息論框架的交互式多模型（IMM）估計方法，混合兩種不同的過濾方法。第一個過濾器是基于模型的擴展卡爾曼過濾器（EKF），在航位推算（DR）條件下有效。第二個是用于主動地形輔助導航（ATAN）的粒子濾波方法，在傳感器范圍內適用。利用在華盛頓州新月湖收集的數據，我們開發了每個導航過濾器的結果，然后我們演示了如何使用IMM信息理論方法來混合方法，以改善位置和方向的估計。

近年來，美國防部已指示加速采用人工智能（AI），并建立一支技術先進、能夠確保美國安全的部隊。未來自主海上行動的一個重要組成部分是無人自主車輛能夠在不使用全球定位系統（GPS）或其他外部信標系統的情況下運行。

在一個快速發展的技術世界中，在拒絕使用GPS的環境中或不使用聲學轉發器等系統，甚至是深海導航定位系統（POSYDON）系統的情況下進行操作從未如此關鍵。領先的解決方案是地形輔助導航（TAN），它利用機載地圖和傳感器系統的組合，以便在已知的地圖內進行相關的測量。這種方法的最大缺點是需要不同的濾波估計方法，而這些方法在設計上可能無法協同工作。

這項研究將分幾個部分介紹。首先是實施一個新的擴展卡爾曼濾波器（EKF），作為海軍研究生院的遠程環境監測單元100（REMUS）車輛上的航位推算（DR）模型，以改善其在速度估計不準確時的估計。其次，這項研究試圖在信息理論的基礎上建立一個用于主動地形輔助導航（ATAN）的粒子過濾器（PF）。最后，也許是最重要的，本研究試圖在PF和EKF之間實現一個新的信息理論聯合過程，以改善所有狀態的估計。

圖 1.1 定位、導航和授時替代層次結構。

圖1.2 可能需要不同過濾技術的情況。狀況1，AUV在水面附近作業，可以利用GPS數據。由于深度原因，AUV無法利用任何其他傳感器，必須使用DR模型。狀態2，太深了，無法快速獲取GPS數據，而且還沒有深到可以使用面向海底的傳感器。制度3可以利用DVL/ADCP和慣性導航系統（INS），可以提供更準確的運動估計。制度4可以利用成像傳感器來進一步提高導航的準確性。

圖5.1 機載水深和成像傳感器提供的測量值與粒子分布相關。該分布的香農熵顯示了粒子分布中的不確定性，高值表明該分布對位置不確定。由于從AUV經歷地形到計算香農熵有一個時間延遲，標量值不會完全一致。然而，它將很好地表明分布具有低水平的不確定性。

論文組織

本論文的組織結構如下。第2章是文獻回顧，包括設備說明、貝葉斯濾波（BF）和信息論的必要背景，以及現場實驗的概述。第3章將介紹位置估計濾波技術和交互式多模型（IMM）的概述。第4章將討論基于模型的擴展卡爾曼濾波器（EKF）的發展。第5章將討論粒子濾波器（PF）的開發和仿真結果。第6章將討論信息理論互動多模型（IT-IMM）的開發和仿真結果。論文將在第7章中總結和討論未來的工作。

論文貢獻

• 介紹一種新的IT-IMM估算方法，通過綜合使用后驗概率分布中的香農熵和預測PF性能的地形適宜性措施，將基于模型的EKF和PF聯合起來。

• 在沒有ADCP/DVL的情況下，基于模型的EKF用于估計前進和側滑速度。

• 一種PF算法，實現了粒子再分配的信息理論框架。

摘要

本文提出了一種在非視線條件下定位因子圖公式中估計輸入的協方差方法。提出了一種基于協方差估計和線性回歸問題中的M-估計器的一般解決方案，該方案被證明可以得到多個方差的無偏估計值，并且對異常值具有魯棒性。提出了一種迭代重加權的最小二乘法算法，以共同計算所提出的方差估計和非線性因子圖優化的狀態估計。該方法的有效性在一項模擬研究中得到了說明，該研究使用了不同過程和測量模型以及測量離群情況下的機器人定位問題。一個涉及城市環境中基于全球定位系統的定位和包含多路徑問題的數據的案例研究證明了所提技術的應用。

關鍵詞：貝葉斯估計，魯棒估計，多路徑，因子圖

1 引言

基于全球定位系統（GPS）的定位的一個重要挑戰是在城市環境中經常遇到的非視線或多路徑問題。當衛星的直接視線被建筑物阻擋時，其信號可能通過建筑物的反射到達地面上的接收器，導致偽距測量中的巨大誤差或異常值[1]。通常依賴高斯模型誤差的基于最小二乘法的定位方法會因為離群值而嚴重失真，導致定位精度低下。最近的文獻中，一些補救這一問題的穩健估計方法是基于數據加權的。依靠對離群觀測值進行降權的M-估計器[2]，在傳感器模型中對離群觀測值進行明確建模的混合分布[3]，利用開關變量對單個姿勢約束進行降權的可切換約束[1，4]，動態協方差縮放[5]和監測衛星完整性的接收器自主完整性監測（RAIM）[6]。然而，這些穩健的估計方法都沒有考慮方差估計器的無偏性。

許多數據融合應用需要結合來自異質傳感器的測量結果或匹配多個測量結果的特征，這兩項任務都需要對測量結果的噪聲協方差矩陣進行準確描述。特別是，在城市或有爭議的環境中，基于GPS的定位依賴于導航解決方案中來自慣性測量單元（IMU）或光探測和測距（LiDAR）系統的測量的融合[7]，以減輕多徑問題。在基于視覺的定位中，結合連續的測量需要在這些測量中識別出的地標進行匹配，這就需要對協方差有準確的認識[8, 9]。在動態過程的貝葉斯狀態估計中，一個常見的假設是，噪聲源的協方差矩陣是已知的，或者存在一些可靠的先驗估計。不幸的是，在實踐中可能無法獲得準確的先驗知識或協方差矩陣的估計，不準確的協方差估計會導致系統狀態估計質量的顯著下降。此外，隨著貝葉斯估計的應用從高質量、昂貴的系統（如阿波羅任務）轉移到具有低質量傳感器的低成本系統（如手機），準確描述系統所有輸入的不確定性的能力在一類傳感器中的可重復性和經濟上的可行性都變得更低。

在本文中，我們提出了當傳感器數據被異常值污染且數據的高斯性不被滿足時，以因子圖的形式對噪聲協方差進行新的無偏估計，特別適用于非視線條件下基于GPS的定位問題。本文的貢獻在于將[10]中提出的因子圖問題的無偏方差估計器擴展到多路徑問題，研究了線性和非線性車輛運動模型，并通過實際GPS數據調查了該方法的性能。提出了一個基于非線性回歸和穩健估計的一般解決方案，該方案被證明可以在因子圖表述中給出無偏的多變量估計值。為了共同計算擬議的方差估計和狀態估計，提出了一種迭代重加權最小二乘法（IRLS）算法。與現有的依靠最大似然原則并使用殘差的樣本方差來估計噪聲方差的方法相比，本文的主要貢獻是納入了噪聲方差的無偏估計，正如將說明的那樣，這可以實現比現有方法更顯著的定位精度。

摘要

使用全球導航衛星系統（GNSS）進行導航是自主車輛（地面或空中）的常見做法。不幸的是，基于GNSS的導航解決方案往往容易受到干擾、干涉和衛星數量有限的影響。當基于GNSS的系統出現故障時，一種被提議的技術可以幫助導航，即利用地球的磁異常場進行導航。這種解決方案有其自身的問題，包括需要在每個使用磁導航的地區提供高質量的磁力圖。目前許多可用的磁力圖是由過時的磁力測量組合產生的，導致地圖充滿了空間上的相關誤差，其相關結構在很大程度上是未知的。在導航時，這些關聯性被進一步混淆，因為除了原始的關聯性誤差結構外，它們還取決于車輛在地圖上移動的速度。傳統上，這種空間相關性是通過在估計程序中引入一階高斯-馬爾科夫（FOGM）噪聲模型來處理的，FOGM參數設置得有些隨意。在本文中，我們研究了使用不考慮相關性的融合技術（即協方差交叉和概率保守融合）進行磁導航的可能性。這些技術的優點是不需要任何參數調整；無論空間相關性如何，都使用相同的方法和調整參數。我們證明，利用概率保守融合導致的導航結果優于許多調諧方法，并合理地接近于FOGM的最佳調諧參數。

I. 前言

導航技術是不斷發展的。幾個世紀以來，導航員已經從簡單的駕駛、航位推算和天體導航發展到更復雜的技術，如使用全球導航衛星系統（GNSS）的電子導航。無論哪種導航技術，都必須進行準確的姿態（位置、速度、姿態）估計，才能進行有效的路徑規劃。在各種各樣的環境中，一個強大的導航框架的應用范圍越來越廣。基于GNSS的導航是非常準確的，但有許多可能失敗的情況，包括但不限于以下情況：

• 在隧道內或密集的城市地區，衛星信號會被阻斷。

• 頻率干擾和欺騙，這可能導致導航解決方案不再收到準確的估計。[1]

由于GNSS的準確性，目前的替代性導航系統并不試圖取代GNSS，而是在這些潛在的故障情況下對其進行增強。目前的替代性導航系統，如基于無線電的技術、計算機視覺方法、星際跟蹤器、地形高度匹配和重力梯度測量等，往往只在特定環境下的特定條件下發揮作用[2]。一個能與全球GNSS的可用性相匹配的替代性導航系統可以改善并取代目前大量的替代性導航系統。

一個有前途的、能與GNSS相匹配的導航系統是磁導航（Magnav）[2][3]。Magnav的可用性使其比其他替代性導航解決方案更具優勢，但Magnav也有許多必須克服的挑戰，包括但不限于以下幾點。

• 磁性地圖的可用性

• 磁力圖的質量，包括元數據的質量（共變性、偏向）。

• 磁力圖的空間相關誤差，導致對Magnav產生的導航估計有明顯的過度自信。

本文著重于解決第二和第三點，組織結構如下。在第二節中，我們介紹了Magnav的一些背景并解釋了需要克服的問題。在第三節中，我們解釋了我們在擴展卡爾曼濾波器（EKF）中對空間相關誤差進行建模的新穎解決方案。第四節從數學上定義了數據融合問題，并回顧了不考慮相關因素的數據融合的協方差交叉和概率保守方法。在第五節中，我們將這些技術相互比較。第六節是本文的結論。

摘要：基于能力的規劃作為國防規劃的一種方法，是一個幾乎無限復雜的工程系統，有無數的節點和相互依賴的層次，受到國家和非國家的外交活動、信息、軍事和經濟行動的影響，產生次要和第三秩序的影響。基于能力的規劃的主要產出是實現預期最終狀態所需的一套能力要求。一種振興的定性技術使我們能夠深入了解軍隊中的非結構化和模糊的問題，這就是兵棋推演--其最簡單的形式就是手工戰爭演習。同時，人們一直在推動將計算機輔助引入這種兵棋推演，特別是支持裁判員的裁決，并更普遍地走向兵棋推演中人類因素的完全自動化。然而，兵棋推演中的計算機輔助不應該不計成本地被推向量化技術。一個問題的客觀復雜性往往不允許我們以必要的保真度來復制作戰環境，以獲得可信的實驗結果。本文討論了一個發現實驗，旨在驗證在計算機輔助兵棋推演中應用定性專家系統來開發能力要求的概念，以減少裁判員的偏見和與他們的決定相關的風險。這里的創新在于，在設計構成專家系統核心的能力發展理論模型時，應用了系統動力學建模和仿真范式。這種新的方法可以對不同的能力要求建議進行定性比較。此外，專家系統使我們能夠揭示預算削減對擬議的能力要求解決方案的影響，而公斷人以前在比較單個解決方案時，僅僅依靠自己的知識是無法闡明這種影響的。兵棋推演中的玩家驗證了所提出的概念，并提出了該研究可能向前發展的方式：即使用戶能夠定義他們自己的能力，而不是被預先定義的能力集所限制。

關鍵詞：計算機輔助兵棋推演；基于軍事能力的規劃；兵棋推演；能力要求；專家系統

1. 簡介

通過數據處理收集信息并將其轉化為知識是決策中的一個重要方面[1,2]。當前復雜的環境，由于多維作戰、武器系統的多樣性、國家理論的差異、領導層的個性以及無處不在的信息而變得更加復雜，這就更加需要減少克勞塞維茨的戰爭 "摩擦"[3]。減輕這種摩擦的一種手段是通過增加定量分析來支持決策，同時又不失去決策過程中以人為核心的主要優勢。因此，在實現軍事信譽的同時，實現數學的嚴謹性以支持決策過程是一項持續的努力。創新來自于知識的發現[4]。因此，指揮官需要有能力研究和重新研究產生非結構化問題的復雜系統，以發現創新的方法，從而形成對對手的比較優勢[5]。

研究問題的定性和定量方法形成了兩個基本的方法系列，可以相互受益[6]。無論是定性還是定量，每種方法都包含了獲取問題信息的具體技術。本文主張在分析復雜系統時使用一種定性方法；軍事防御規劃；一種建立在使用專家系統來裁決兵棋推演的方法。

下一部分首先描述了作為研究主體的軍事防御計劃的現狀，其次闡述了作為研究的主要應用定性方法的兵棋推演。接下來是對應用于國防規劃或相關領域的定量方法的文獻的回顧，展示了其目前的局限性。

在一般的戰爭經驗中，各國已經認識到，為保護國家利益而提前做好準備是具有資源和時間效益的。國防規劃是這樣做的一種方式。20世紀60年代初，美國國防部在面臨尋找滿足美國政治指導的軍事力量結構的挑戰時，討論了這個領域的規劃[7]。同樣的目標也是北約主要機構之一--國防規劃委員會（DPC）的任務[8]。從[7,8]中我們可以得出結論，國防規劃的產出規定了對軍事力量的要求，以涵蓋各自國家或國際國防組織的政治野心。在《長期國防規劃手冊》中，我們發現了國防規劃的其他特點，特別是它的長期方向、戰略層面和多學科的特點[9]。Breitenbauch和Jakobsson，以及Stojkovic和Dahl強調了國防規劃的相同特點[10,11]。這使得國防規劃成為需要解決的最復雜的軍事非結構化問題。此外，不確定的作戰環境使國防規劃變得更加復雜[12]。

拋開冷戰時代，北約決定更多地參與危機應對行動，并重建其防御能力，以完成相應的軍事以及非軍事任務。這一轉變的實際結果體現在北約防御規劃進程（NDPP）中，這一進程的產出是一套能力要求，而不是所需部隊的清單[13]。這種方法被稱為基于能力的規劃（CBP）[14]。

盡管北約國家及其合作伙伴一直被鼓勵將他們的程序與NDPP同步，即以能力規劃而非武力規劃為導向，但仍有一些國家的國防規劃仍然主要集中在武力規劃上[15]。CBP國防規劃方法為其用戶提供了一個共享的規劃平臺，用于制定整個軍事和非軍事活動的必要工具要求。CBP與它的載體的通用能力一起工作，它為內部以及外部的商業或國有載體提供一個共同的平臺。此外，CBP比部隊規劃更有效地將國防規劃和行動規劃聯系起來。

北約將軍事能力定義為通過采用一套綜合的方面來創造效果的能力，這些方面可分為理論、組織、訓練、物資、領導力發展、人員、設施和互操作性[16]。欣格將軍事能力定義為在特定作戰環境中實現預期效果的能力[17]。在這項研究中，引入了一個能力的理論模型，描述了能力隨時間變化的特征。能力是由其范圍和效果來描述的，例如。"能夠在極端炎熱和寒冷的天氣條件下進行聯合和聯合遠征作戰和戰術部署，并能在大多數地形的惡劣條件下作戰"。

圖1是由Hodicky和Melichar提出的，描述了CBP過程的概述和它在國家層面上的階段性應用[18]。

圖1. 基于能力的規劃循環過程，由國家政治指導和戰略分析提供能力發展計劃開始[18]。

國家政治指導，與預測20年范圍內的政治和軍事氣候的戰略分析同時進行，啟動了國家方案編制過程，并在戰略層面形成了描述未來作戰環境的情景。選定的場景為兵棋推演提供了刺激，產生了涵蓋所有潛在威脅和國家政治野心的能力要求。在現有力量和所需能力之間進行比較，產生能力差距。能力發展計劃包含每個能力發展的里程碑，推動所有中長期軍事投資。能力發展評估通過反映能力發展中必要變化的最新政治指導，向中央政治局提供反饋。

Spiegeleire具體說明了基于能力的規劃的趨勢，明確闡述了在未來復雜的作戰環境中，需要對國防規劃過程有更多的洞察力[19]。

定性調查方法涉及開放式問題和個人定義或解釋，以描述或理解一個事件[20]。在軍事領域，一種能夠獲得洞察力的重振的定性技術是兵棋推演--其基本形式是手動兵棋推演。近年來，美國軍方和北約重新發現了兵棋推演，認為它是探索日益困難的問題的有效途徑[21]。此外，兵棋推演的使用不僅限于軍事領域，其使用和價值的例子存在于不同的領域[22]，盡管它們超出了本文的范圍。

從歷史上看，兵棋推演是一種軍事上的主要工具。公元前5世紀，孫子將 "圍魏救趙 "作為理解孫子兵法概念的基本工具。然而，兵棋推演最重要的進步是由于喬治-海因里希-魯道夫-約翰-馮-賴斯維茨的努力，他在他的kriegsspiel[23]中開創了現實主義。

以下關于兵棋推演的定義使我們能夠制定其基本要素并幫助我們理解研究方法。

佩拉將兵棋推演定義為。"使用規則、數據和程序的戰爭模型或模擬，不涉及實際的軍事力量，其中事件的流程受到代表敵對雙方的玩家的影響，并反過來影響他們在這些事件過程中做出的決定[23]"。

北約（2015）將兵棋推演定義為。"通過任何手段，使用特定的規則、數據、方法和程序，對軍事行動進行的模擬[24]。

紅隊指南（2013）將兵棋推演定義為："基于場景的戰爭模型。"一種基于場景的戰爭模型，其中的結果和事件的順序會影響到玩家的決定，并受到其影響[25]"。

即使這些定義強調了兵棋推演的不同要素，它們共同構成了軍事兵棋推演的基本要素。兵棋推演（WG）的場景是玩家的開場白。它是對場景的詳盡描述，它包含了關于行動區域的地緣政治信息，描述了政治、軍事、經濟、社會、信息和基礎設施（PMESII）因素。WG的作戰命令（ORBAT）包含自己部隊的能力及其特點。WG地圖和圖表創建了場景和玩家之間的界面。它是場景的一個額外的附加物，使玩家沉浸在作戰環境中。WG時鐘是游戲流程的驅動力。它應該反映目標和玩家的需要。WG的規則和數據為玩家的行動和決策過程創造了界限，并在游戲中由裁判員執行。WG玩家賦予了兵棋推演動態的品質。他們管理計劃和決策過程。通常情況下，有兩組選手--藍色和紅色。WG分析員研究兵棋推演的執行結果，制定論據以支持裁判員的決定，并提出分析性問題。WG公斷人對選手的執行計劃進行裁決。裁判員是兵棋推演中成功認知子階段的主要推動者。他負責制定單一兵棋推演周期執行過程中的成就、挫折和限制。關于軍事領域的兵棋推演要素和兵棋推演生命周期的進一步閱讀，請參考《兵棋推演手冊》[26]。關于游戲機制的詳細設計，并非專門針對軍事兵棋推演領域，請參考Adams和Dormans[27]。

上述關于WG的定義有一個共同點--使用建模和仿真（M&S）。每個工作組都需要以最大限度接近現實的方式復制作戰環境。建模過程創建了一個操作環境的模型，模型的行為在模擬中通過模型的及時執行而被仔細檢查。仿真刺激了玩家：兵棋推演環境首先迫使他們在兵棋推演計劃階段發揮他們的創造力，其次迫使他們在游戲的認知階段進行學習。

沒有一種單一的兵棋分類被兵棋推演界所接受。了解和實施國防實驗指南》根據模擬類型的形式對WG進行了分類[28]。《紅隊指南》手冊將兵棋推演分為兩個大家族[25]。第一個家族屬于決策支持領域，第二個家族屬于培訓/教育領域。Purnele將兵棋推演按其裁決方式進行分類：研討會（非裁決）、矩陣、專家和剛性[29]。推動這項研究的WG分類闡明了在模擬作戰環境中所代表的WG元素的自動化水平[21]。圖2描述了WG分類的基本理念，它將WG問題的客觀復雜程度（定義為問題/系統元素/對象的數量及其關系的函數）[30]、WG元素的自動化程度和WG中代表的人類行為的保真度放在一起。我們根據我們對操作的觀察創建了圖2。

手動WG（MWG）沒有任何計算機手段參與執行WG。人工環形模擬代表了人工WG，其中作戰環境、行動方案和效果都是由人類完全控制的。MWG分析代表復雜系統的非結構化問題，對人類行為的保真度很高，因為它不取代任何WG的人類元素。完全自動化的WG（FAWG）有所有的WG人類角色，如裁判員、球員和分析員完全自動化。帶有自動分析員的閉環模擬表示FAWG。FAWG中沒有人類干預，就作者所知，目前還沒有這樣的解決方案。如果使用最先進的人工智能技術來實現FAWG，它對人類行為的保真度會很低。計算機輔助WG（CAWG）將特定的WG人類行為元素自動化。隨著CAWG中更多的人類行為元素被自動化，人類行為的保真度就會下降。

圖2. 在定量和定性技術格局中的WG分類（手工WG、計算機輔助WG和全自動WG）[21]及其與WG問題的客觀復雜性水平、WG要素的自動化水平和WG中人類行為的保真度水平的關系

因此，MWG傾向于采用更多的定性技術來發現信息，運用高水平的創造力；相反，FAWG代表了一種定量的方式，通過假設測試來分析問題。通過降低復雜程度，我們能夠使用更多的定量方法來研究一個問題，反之亦然。

下面的例子描述了與國防規劃或相關軍事問題有關的定性和定量技術的現狀。

一些定量方法的例子旨在將資源分配給不同的武器，以便通過優化單一目標函數，如有效性或利潤，有效地消除來自敵對國家的威脅。Gu at al.通過最大化預期效益實現了一個武裝部隊結構的規劃模型[31]。H?kenstad at al.比較了一組選定國家的長期防御規劃系統，并得出結論，大多數國家的目標是提高自己的利潤[32]。Zhang等人提出了一個模型，根據給定的作戰要求，通過武器系統的組合使能力差距最小化[33]。Wan等人引入了約束性非線性優化問題--武器發展規劃是通過最小化敵人造成的威脅作為目標函數來解決的[34]。這些研究[31-34]的主要缺點是缺乏人類行為因素，因為它們沒有任何兵棋推演的形式。因此，它們在基于能力的防御規劃方法中的適用性和結果的可信度是值得懷疑的。此外，模型中的實體被簡化為適合優化任務的形式，因此，與現實相比，這些模型的分辨率非常低（例如，在[33]中，作戰環境被簡化為傳感器、決策、影響者和目標等節點，屬性有限）。

Zhuang等人認識到，兵棋推演結構的復雜性使得任何分析得出的解決方案都是不可能的[35]。在他們對叛亂行動的決策研究中，Zhuang等人試圖改進決策啟發式的發展。這一努力始于對六人工作組行為的研究。該小組將一個MWG研討會游戲轉變為CAWG，玩家和裁判員完全自動化。自動化是通過簡單的規則完成的，這些規則決定了玩家如何實施基于PMESII的選項：政治（P）、軍事（M）、經濟（E）、社會（S）、基礎設施（I1）和信息（I2）。該研究與FAWG很接近，盡管沒有分析員是自動化的。該研究的局限性在于，自動化選手只能使用團隊編程的那套啟發式方法，而且模擬的作戰環境沒有達到完整的防御規劃的復雜性--它以叛亂行動為中心，這主要與軍隊的作戰和戰略決策水平有關。

Hernandez等人結合之前的努力[35]，將有自動裁判員的CAWG自動化，變成有自動裁判員和球員的CAWG，然后在CAWG的指定 "回合 "應用實驗和修改的決策啟發式方法[36]。該小組從實際的HITL CAWG中得出了他們最初的決策啟發式方法，并在操作社區內驗證了這些規則。該研究承認，啟發式方法需要適應情況的動態變化和參與的參與者。因此，作為階段性實驗的分階段決策啟發法被引入，它允許使用一套不同于原始兵棋推演的規則。在CAWG的每一回合中，都會創建一個新的起始決策點，玩家按照CAWG的起始點進行決策。這就為CAWG的每個回合創建了玩家的決策樹，然后對其進行編碼，并通過具體的實驗設計對CAWG進行考察。在CAWG中使用的模擬和平支援行動模型（PSOM）限制了研究。由于它是作為對戰略層面的社會經濟問題的回應而開發的，并且面向非常不對稱的行動，因此它涵蓋了國防規劃中合理的軍事行動的有限范圍。

Najgebauer等人提出了定量方法，旨在評價所需的能力，評估現有的能力，并確定能力差距，以反映為一個國家確定的情景。該研究的主要限制是驗證部分和可信的軍事行動的范圍。用于驗證的離散模擬工具只能驗證射擊、機動和移動等能力。雖然這種方法因此在目前的軍事模擬中在作戰層面得到了很好的實施，但其余的效果--特別是戰略層面的剖析--并沒有詳細說明，也無法進行驗證。此外，所提出的解決方案是基于閉環模擬，因此它屬于有自動選手和裁判的CAWG系列。在尋找能力需求方面缺少人的因素[37]。

聯合防御規劃分析和需求工具集（JDARTS）支持北約防御規劃過程。它由相互關聯的應用程序組成，通過北約防務規劃驅動防務規劃人員。兩個基本的應用程序，即國防規劃任務研究工具（D-MIST）和國防規劃能力分配邏輯計算器（D-CALC），構成了北約國防規劃的哲學方法。D-MIST開發并存儲任務類型，然后組成作戰方案。最底層的任務分解是以任務為導向的，它們共同創造了D-CALC的刺激物。D-CALC開發并運行產生能力要求的腳本。這些腳本可以接受任何輸入，復制已實施的北約學說[38]。這個解決方案是有限的，因為在內部它不包含任何模擬，以驗證所提出的能力要求與作戰場景的關系。這可以從外部進行，結果可以轉移到腳本中，然而，在實踐中，如果你的目標是以高水平的模擬保真來涵蓋所有可能的軍事行動方案，這是不可行的。通常只采用簡單的經驗法則或靜態模型，這意味著能力生命周期的動態方面不能以這種方式隱含反映。

如[39]所述，挪威已經接受了JDARTS，并為其國防規劃過程進行了修改。盡管如此，前面提到的缺點仍然存在。

其他國家的努力涉及啟動國防規劃項目，有一個明確的基于能力的規劃架構，由各種決策支持工具支持，如知識管理、能力工程支持、概念開發和實驗以及模擬[12]。這項研究描述了整體框架，但沒有介紹擬議的決策支持工具的復雜實施細節。

Bychenkov at al.提議實施一個量化的專家系統，同時將能力分成功能組[40]。該研究描述了基于一個被稱為 "參與 "的單一功能組的專家系統的設計。這個功能組在轉移到能力載體層面時，相對容易通過眾所周知的單位位置、彈藥或軍事行動效力的定量參數來描述。然而，其余的功能組，將其能力轉化為能力載體，以及量化參數都沒有描述。

通過這次審查，我們得出的結論是 (1) 定量技術盡管適用，但給作戰環境帶來了高度的簡化；(2) MWGs應得到其要素自動化的支持，以達到分析的嚴格性；(3) 目前采用定量技術的CAWGs不能在不損失可信度的情況下處理解決問題的高度客觀復雜性。

本文的主要貢獻是驗證了使用定性專家系統來支持CBP的CAWG中的裁決的概念，作為防御規劃的一個選定方法。這里的創新在于，在設計構成專家系統核心的能力發展理論模型時，應用了系統動力學建模和仿真范式。系統動力學方法有利于在管理復雜系統行為時的政策確定過程[41]。這種新方法能夠對不同的擬議能力要求集進行定性比較。

本文的組織結構如下。第2節闡述了問題陳述和研究限制。第3節描述了旨在證明CAWGs支持CBP概念的發現實驗的方法。第4節列出了研究結果和討論，然后是第5節的結論。

對智能高超音速武器（HW）的防御不僅減少了可用的戰術反應時間，而且還要求對戰略態勢進行更深入的思考，以改善對盟國基礎設施和移動資產的成功防御。現有的洲際彈道導彈（ICBM）防御方法可以在一定程度上解決來自高超音速武器的威脅。根據不同的情況，高能武器可以比洲際彈道導彈減少大約10%的飛行路徑長度和到達目標的時間。對于10000公里范圍內的目標，洲際彈道導彈可能需要約25至40分鐘來打擊，而高能武器可能需要22至36分鐘。一個具有挑戰性的方面是HW聲稱有能力躲避導彈防御系統。真正的游戲變化是當HW的發射平臺靠近預定目標時。發射平臺可以是潛艇、船舶或戰機。這種敵對力量的戰略可能會將飛行路線從10000公里減少到1000或100公里，將到達預定目標的時間縮短到約2至4分鐘，或最壞的情況下縮短到13至21秒，使目標/地區防御變得困難。戰略態勢需要盡可能地減少發射平臺過于接近潛在預定目標的可能性。因此，防御新的HW需要解決反對力量發射平臺移動的問題。戰術角度包括在很短的時間內制定行動方案的極端時間壓力，或壓縮傳感器到執行器的環路（StEL）。以前，我們發現，通過使用人工智能和基于認知網絡的增強功能，在這種反應過程中減少人類的干預，可以加速知識的獲取，共享態勢，并及時制定有效的CoAs，以達到預期的目標或最終狀態。我們將此確定為認知性StEL（CSTEL）。因此，為了擊敗HW攻擊，認知StELs可能被證明是一種合適的方法，因為它可以通過自動識別威脅來加速反應時間。

圖9：假設加拿大靜止目標的名義導彈彈道，A-D為遠程洲際彈道導彈或HW彈道，E-H為短程HW彈道

摘要

在過去的幾年里，人們已經接受了這樣一個觀點:相對于現有的典型認知測試，對個體認知能力的可靠測量需要參與者完成更多的試驗或使用更大的效應量任務。該項目開發了一套認知控制測試，能夠有效和可靠地測量認知控制能力，這對在時間壓力下的高效表現至關重要。測試組是在Unity游戲引擎中實現的，并且只需要使用不安裝的網頁瀏覽器即可在線訪問。游戲機制(如多樣性、反饋、獎勵和排行榜)和整合的故事情節能夠在持續且苛刻的測試過程中維持用戶粘性。該測試組實現了最突出的認知控制措施，包括:1)工作記憶(單一和雙n-back任務)，2)反應抑制(停止信號任務)，3)沖突任務(Simon、Flanker和Stroop任務)，4)多任務，5)任務切換。不同的度量可以靈活地組合在一個連貫的“房間清理”敘述中，并且獨立的教程可以輕松地部署在線測試。沖突任務的新版本被開發出來，以增加效果大小和可靠性，并在一個在線實驗中對它們進行測試。我們開發了一種嚴格的方法來量化測試產生可靠的個體差異測量的能力，并報告將其應用于實驗數據的結果。我們的結論是，這些新的沖突任務產生了比以前實現的更可靠度量。

引言

認知能力在具有挑戰性和壓力的條件下要求優異表現的職業中很重要，例如體育、民事高風險角色和軍事[1,2,3]。這導致人們越來越重視認知準備[4,5,6]，以優化復雜任務和社會技術系統中的團隊表現，這是現代防御設置的一個日益普遍的特征[7]。人們不再強調身體健康[8]，隨之而來的是需要確定支撐被稱為心理或認知健康的關鍵心理構念[9,10]。為了優化選擇，評估新興的認知訓練方法和項目的成功或失敗，可靠地測量支撐認知適應的關鍵結構的個體差異尤為重要[11,12,13]。

這篇論文描述了一組認知測試，在時間限制下測量認知能力至關重要的高性能。被稱為“COGMISSION”的測試是使用Unity游戲引擎(//unity.com)以視頻游戲格式實現的。訪問是通過“PlayUR”()提供的，這是一個管理基于web的Unity實驗的平臺，使COGMISSION能夠使用網頁瀏覽器在線訪問，而不需要安裝。《認知使命》通過游戲機制(游戲邦注:如多樣性、反饋、獎勵和排行榜)和整合的故事情節(游戲邦注:旨在通過延長和苛刻的測試過程保持用戶粘性)而得到增強。自包含的教程支持容易部署的大規模測試。在下一節中，我們將描述在COGMISSION中實現的任務、它們度量的結構，以及它們選擇的基本原理。然后，我們回顧了“可靠性悖論”[14]，它導致了測試認知適應性的核心構念之一——注意控制——的典型方法無法提供足夠的個體差異測量。隨后，我們描述了一種嚴格的新的統計方法來評估注意力控制任務的能力，以提供足夠可靠的個體差異測量[15]。接下來，我們將報告將該方法應用于一個預先注冊的實驗結果()的結果，該實驗通過Amazon Mechanical Turk ()進行，這是一個面向在線員工的眾包市場，評估在COGMISSION中實施的各種注意力控制任務。

摘要

現代多域沖突日益復雜，使得對戰術和戰略的理解以及對適當行動方案的確定具有挑戰性。作為概念開發和實驗 (CD&E) 的一部分，建模和仿真以比物理操作所能達到的更高速度和更低成本提供了新的洞察力。其中，通過計算機博弈進行的人機協作提供了一種在各種抽象級別模擬防御場景的強大方法。然而，傳統的人機交互非常耗時，并且僅限于預先設計的場景，例如，就預編程的條件計算機動作而言。如果博弈的一方可以用人工智能來處理，這將增加探索行動過程的多樣性，從而導致更強大和更全面的分析。如果AI同時扮演兩個角色，這便能夠使用數據農場方法創造并分析一個包含大量博弈的數據庫。為此，我們采用了強化學習和搜索算法相結合的方法，這些算法在各種復雜的規劃問題中都表現出了強大的能力。這種人工智能系統通過在大量現實場景中通過自我優化來學習戰術和策略，從而避免對人類經驗和預測的依賴。在這篇文章中，我們介紹了將基于神經網絡的蒙特卡羅樹搜索算法應用于防空場景和虛擬戰爭游戲中的戰略規劃和訓練的好處和挑戰，這些系統目前或未來可能用于瑞士武裝部隊。

本文工作

在這項工作中，我們研究了人工智能系統，特別是基于神經網絡的蒙特卡羅樹搜索算法，以支持地面防空 (GBAD) 領域的規劃、培訓和決策。我們將人工智能應用于商業 (COTS) 兵棋推演“Command: Modern Operations(CMO)”，以探索復雜的決策空間，并生成新紅軍行動方案。這將挑戰藍軍作戰人員的預案，并促進新技術、戰術和概念的發展。

方法

上述應用程序涉及兩個主要軟件組件。首先，需要有要模擬場景的規則和物理約束的模型（所謂的模擬器），其次，在模型所代表的沖突中控制一個或兩個參與者的 AI 算法。本節介紹了這兩個組件及其集成。在當前場景中，博弈的一方由 AI 智能體進行，而另一方則由游戲引擎本身通過預先編寫好的條件動作進行控制。具體來說，AI 控制攻擊的紅色戰斗機，而游戲引擎控制藍色防空炮組。

圖2-1： Command: Modern Operations兵棋推演平臺的用戶界面

圖2-2：Command: Modern Operations兵棋推演平臺回合制博弈模式

圖 4-1：經過訓練的紅色智能體在藍色防空系統范圍內的示例軌跡

【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。