由于全球定位系統在室內容易受到干擾和失去覆蓋范圍，因此在全球定位系統缺失的環境中進行可靠導航仍然是自主無人系統面臨的一項挑戰。本研究通過將卷積神經網絡（CNN）與視覺傳感器集成，研究如何在不依賴 GPS 的情況下實現實時姿態估計，從而解決無人地面車輛（UGV）面臨的這一挑戰。針對位置和航向估算實施了雙 CNN 架構，并在具有相應姿態的大量圖像數據集上進行了訓練。通過與改進的勢場算法集成，實現了周期性漂移估計和校正。其中一個主要貢獻是用于漂移校正的世界表示調整方法，該方法可根據 CNN 估計值動態調整航點位置。利用這種方法，在受控環境中實現了連續多圈的成功導航，大大提高了沒有漂移校正的基線性能。這項研究的結果表明，通過這種方法可以大大降低自主導航系統對全球定位系統的依賴性，從而有可能提高無人系統對電子戰戰術的應變能力，使其能夠在有爭議的環境中持續運行。

美海軍部（DON）無人作戰框架強調了海軍部 “投資于先進自主和無人系統 ”的承諾。隨著這些技術的進步和實施，無人系統對可靠定位能力的依賴程度也在增加。然而，在干擾和欺騙等電子攻擊成為普遍威脅的有爭議環境中，期望全球定位系統（GPS）成為可靠的定位手段變得不那么可行。此外，在室內環境或衛星能見度有限的區域工作時，GPS 的可靠性也會降低。隨著無人駕駛系統的使用日益增多，在 GPS 無法使用或不可靠的情況下，有必要提供替代解決方案。

隨著無人駕駛系統的分布越來越廣，相互連接越來越緊密，GPS 拒絕或欺騙所造成的脆弱性也隨之加劇。定位中的單點故障會產生連鎖效應，降低整個系統的能力并增加風險。因此，為自主輪式無人飛行器探索可靠、精確的導航技術至關重要，這種技術可在 GPS 信號被屏蔽的環境中有效運行，確保無人駕駛行動在有爭議的復雜場景中繼續取得成功。

這項研究旨在為在室內環境或 GPS 信號不可靠或不可用的地區運行的無人潛航器開發一種穩健的導航解決方案。該方法將利用兩個主要來源的數據：車輪編碼器和視覺傳感器。車輪編碼器數據將使用死算模型進行處理，而 CNN 將用于分析視覺傳感器數據。通過將這些技術相結合，該系統將實現無需 GPS 的同步自主導航。這種方法的一個關鍵方面是實時激活 CNN，CNN 可以解釋環境的獨特特征，并相應地引導 UGV。

這項研究的范圍包括利用深度學習技術為 UGV 開發無 GPS 定位和導航解決方案。將通過 P3-DX Pioneer 機器人系統在室內實驗室環境中使用模擬 UGV 進行廣泛的驗證和測試。不過，某些領域被認為不屬于本研究的范圍。其中包括路徑規劃算法的開發，因為車輛將使用現有的反應式自主方法。此外，除視覺數據外，也不會考慮探索其他傳感器模式。研究重點將不是在有移動障礙物的高動態環境中進行導航。預計面臨的主要技術挑戰是優化計算時間以實現實時性能、減少長時間漂移以及在激烈機動過程中保持定位精度。在項目限制條件下，將盡可能利用和調整現有技術和算法，以最大限度地提高魯棒性。

本論文共分五章，每一章都側重于研究的一個特定方面。第 2 章：“背景 ”通過介紹和解釋與論文工作相關的基本概念，為研究奠定了基礎。本章包括對該領域現有文獻的全面回顧，重點介紹了當前的技術，并指出了本研究要解決的差距。

第 3 章：“方法與實驗設計 ”介紹了論文工作中采用的方法和手段。它詳細描述了實驗中使用的硬件組件和實施的具體算法。本章還討論了實驗設置、數據收集過程以及用于評估所提解決方案性能的評價指標。

第 4 章：“結果與分析 ”主要評估本研究中開發的 CNN 的性能。本章介紹了獲得的實驗結果，并對結果進行了深入分析。本章還包括圖表等可視化內容，以支持對結果的解釋。本章討論了所提方法的優勢和局限性，并將結果與文獻中的現有方法進行了比較。

第 5 章：“結論與未來工作 ”總結了論文研究的主要發現和貢獻。本章強調了這項工作的意義及其對自主導航和定位領域的潛在影響。此外，本章還確定了未來的研究領域，并為進一步改進和擴展所提出的方法提供了建議。

最后，為簡潔起見，“UGV ”和 “機器人 ”這兩個術語在本論文中交替使用。

圖 3.8. 增強型數據存儲過程的可視化表示，這是 CNN 訓練的準備階段。這既減少了圖像所需的存儲空間，又為 CNN 訓練過程保持了適當的預期輸出響應。

無人水面艦艇（USV）通常依靠全球定位系統（GPS）和射頻（RF）通信進行導航和多車協調。在戰時環境中，全球定位系統和無線電信號屏蔽對 USV 的有效導航和控制提出了挑戰。本論文研究了使用低成本人工智能（AI）立體相機作為傳感器，實現 USV 的無 GPS 和 RF 導航與協調。這些相機還可用于對水面船只進行分類和定位。我們使用安裝在多艘 Mokai USV 上的 OAK-D AI 攝像機進行了實驗。對神經網絡 (NN) 模型進行了訓練，以識別兩個對象類別：Mokai USV 和其他船只。利用開源 Python 庫，該模型被直接加載到攝像頭上，并集成到機器人操作系統 (ROS) 軟件中，以提取檢測到的物體的相對姿態信息。為了分析該模型的有效性，我們在未見過的視頻上以及使用 Mokai USV 和其他水面艦艇進行的現場實驗中對 NN 進行了測試。將攝像機估計的物體定位與在實驗室環境中通過物理驗證收集的物體地面實況位置進行了比較。最后，還探討了特定相機硬件和立體視覺在此應用中的局限性，以評估其進一步開發的可行性。

無人飛行器（UAV）圖像的目標分類對于軍事偵察和監視越來越重要。深度神經網絡（DNN）是改進無人飛行器圖像目標分類的一項很有前途的技術。然而，DNNs 可能由大量參數組成，這使得操作人員難以理解 DNNs 在目標分類中使用了哪些圖像特征。這種缺乏透明度的情況對于將 DNNs 應用于目標分類的軍事應用來說是一個挑戰，因為由于武器交戰的高風險，操作員最終要對所有決策負責。因此，操作人員也需要 DNN 分類的解釋，以評估其可靠性。

本報告介紹了一項實驗，參與者在實驗中對低空無人機圖像中的軍用車輛進行目標分類。實驗的目的是評估對 DNN 分類的支持和對 DNN 分類的突出圖解釋（突出 DNN 分類最重要的特征）的支持是否能提高目標分類的準確性。顯著性地圖解釋是用隨機輸入采樣解釋（RISE）方法生成的。受試者在三種不同的條件下完成目標分類任務：無 DNN 分類支持、有 DNN 分類支持和有 DNN 分類的 RISE 顯著性地圖解釋支持。

結果表明，與預期相反，在有 DNN 分類支持的情況下，參與者的目標分類準確率會降低，而在有 RISE 突出圖解釋支持的情況下，準確率會進一步降低。在 DNN 分類和 RISE 突出圖解釋的支持下，參與者的目標分類準確率較低，這可能是由兩個原因共同造成的：對自動決策輔助工具的依賴和難以評估 DNN 的可靠性。結果表明，當 DNN 分類正確時，參與者對其依賴性不足；而當 DNN 分類不正確時，參與者對其依賴性過高。

實驗的結論是，要提供 DNN 分類和 DNN 分類解釋，以實際支持操作員的目標分類，并非易事。如何呈現 DNN 分類信息，以及其他有前途的 XAI 方法是否能改善操作員的目標分類，還需要進行更多的實驗。

第 2 章從參與者、車輛圖像、DNN 分類和突出圖解釋等方面介紹了實驗方法。第 3 章從調查因素如何影響目標分類性能、響應時間和對 DNN 分類的依賴性等方面介紹了實驗結果。第 4 章總結了實驗結果，并描述了取得目標分類性能的可能原因。第 5 章介紹了實驗結論，并提供了一些用于圖像分類的 XAI 方法建議，以便在未來的實驗中進行評估。

圖 2 車輛類別示例（上排）和 DNN 對車輛類別分類的 RISE 突出圖解釋（下排）。

最初的研究目標是將無人機群文獻中的最佳技術結合起來，為執行壓制敵方防空（SEAD）任務的功能性戰斗無人機蜂群建模。然而，有關無人機蜂群目標分配（DSTA）的文獻并沒有模擬敵方的反擊行動，而是假設無人機的目標符合摧毀要求。因此，開發了一個敵方反擊無人機群的模型，并提出了新穎的無人機蜂群目標分配（NDSTA），以應對當前無人機群目標分配的弱點。這兩種目標分配方法都與可調軌跡生成模型相結合，并在基于智能體的戰斗模擬中比較了 DSTA 與 NDSTA 的性能。DSTA 與 NDSTA 的性能比較同時使用了無法自衛的順從型敵人和可以自衛的反抗型敵人。結果表明，NDSTA 在統計上優于 DSTA。最后，通過使用遺傳算法（GA）來調整模型，獲得了行為方面的見解。這些見解表明，在未來的無人機蜂群研究中使用遺傳算法非常有用。

對隨后的研究框架進行了說明。一般來說，在討論一個子問題及其相關文獻之后，緊接著是對本研究和所做建模決定的影響。在對結果本身進行介紹之后，會立即對結果進行分析。

第 2 章是對圖 1 中指定的子問題的深入討論以及對相關文獻的回顧。本章中的建模決策比較抽象，如圖 4 所示，本章大致對應研究步驟 1-3。

第 3 章具體說明了模擬的 SEAD 場景、敵方防御行動模型、用于生成無人機軌跡的模型、模擬當前 DSTA 文獻的模型以及 NDSTA 模型。本章介紹了如何將這些模型統一到一個模擬中，然后將其與遺傳算法和 2x2 實驗設計產生的四個生態系統聯系起來。本章大致對應圖 4 中的第 4-6 步。

第 4 章介紹了整個實驗的結果和分析。對研究問題進行了回答和分析。探討了在本實驗中使用遺傳算法的啟示。

最后，第 5 章總結了本研究的貢獻，并對未來的研究提出了建議。

無人潛航器（UUV）為在水下領域實現目標提供了一種謹慎的手段，這在灰色區域行動中至關重要。然而，無人潛航器也面臨著巨大的操作挑戰，如電池壽命有限、有效載荷容量受限以及存在敵對威脅等。為解決這些問題，建議開發一種整合了線性規劃和在線優化的調度工具。該工具受論文 "灰色區域環境中的路由優化 "中路由優化方法的啟發，旨在為 UUV 安排后勤支持。該工具旨在通過考慮對手的最新位置來規避移動中的對手，同時還能根據對手的具體要求確定服務任務的優先級。通過利用一系列適應最新信息的路徑計算，工具確定最佳路線。根據該工具在模擬場景中提供可行解決方案的能力對其有效性進行了評估，在該模擬場景中，一艘后勤保障船在一個由隨機移動的敵方船只巡邏的區域內為一支 UUV 艦隊提供服務。此外，評估還包括該工具在不同 UUV 艦隊規模下的最優性能和計算復雜性。本文致力于在對手威脅下改進后勤路由，提高灰色區域環境中的軍事效率。

圖 3.1. 南海假想行動區地圖片段。

在和平與戰爭的傳統界限之間，存在著一個模糊不清的領域，國家行為體及其軍事力量經常利用國際法和國際準則中的漏洞。這些區域通常被稱為灰色地帶（GZs），這些實體在其中努力實現其目標，而不引起全面的軍事反應。灰色地帶的概念雖然并不新鮮，但近年來由于地緣政治格局的不斷變化而日益突出。無人自主飛行器的進步和廣泛使用大大增強了軍事部隊開展 GZ 行動的能力。與有人駕駛飛行器相比，無人駕駛飛行器沒有人類操作員，這有助于提高可信度，降低風險。在水下戰爭領域，無人潛航器已成為現代軍隊實現 GZ 目標的重要工具。

盡管無人潛航器技術不斷進步，但仍受到當前技術限制的制約。它們的電池容量有限、有效載荷能力受限、需要維護和修理，因此往往需要人工干預后勤工作，從而為表面上的無人系統引入了有人操作的一面。本論文旨在通過設計一種工具來改進 UUV 的物流路由，從而加強 UUV 服務的路由和調度。其目的是確定后勤保障船（LSV）進入 UUV 的最佳路徑和服務時間，同時應對隨機移動對手的挑戰，這是 GZ 地區普遍存在的問題。本論文借鑒 Chu（2023 年）開發的混合整數線性規劃（MILP）路由優化工具，結合在線優化（OO）原理，開發出一種可迭代更新其解決方案的工具，以適應對手的動態移動。這種能力有助于避免被發現，而這是避免 GZ 中潛在沖突的重要策略。

研究伊始，我們首先提出了 MILP 模型。在 MILP 框架內，我們的模型利用平均延遲作為主要指標，在整個網絡中有效生成最優調度建議。通過關注平均延遲時間的最小化，我們的模型旨在促進 UUV 的及時訪問以提供高效服務，同時規劃路線以規避對手。鑒于 UUV 可能有不同的服務時間要求和分配優先級，我們設計的模型在生成最佳路由和調度計劃時考慮了這些因素。在該模型中，用戶可以指定指定的服務時間窗口和持續時間，并根據以下四個不同級別分配服務優先級：(1) 電池更換；(2) 常規維護；(3) 存儲更換；(4) 關鍵維護。

為了實現 OO，我們采用了 Marler（2022 年）提出的決策過程，將敵方移動下的后勤路由概念化為以下五個步驟：

步驟 1. 獲取最新戰術信息。

步驟 2. 生成路由計劃。

步驟 3. 前往推薦的 UUV。

步驟 4. 執行服務任務。

步驟 5. 重復上述步驟，直至達到終止標準。

通過時間索引，模型可以在每個時間步驟中利用對手位置的最新數據和上一步驟的模型狀態進行重新優化。這種方法有效地實現了五步決策過程，從而體現了 OO 的原則。

為了改善用戶體驗，我們設計的工具將所有輸出整合到統一的瀏覽器界面中，并通過交互式地圖進一步加強用戶控制和參與。為了證明該工具的計算可行性和功能性，我們進行了一次概念驗證模擬，讓一艘 LSV 在 120 x 120 海里（nm）的作戰區域內，為由 10 艘 UUV 組成的艦隊提供服務，并與三個對手進行對抗。當 LSV 穿過模型時，我們的算法會動態生成對手的隨機移動。因此，LSV 必須戰略性地避開這些對手，通過最短路徑到達 UUV。我們展示了模擬結果，以證明我們工具的功能，并通過分析相關的最優性差距和計算復雜性深入研究其性能。

盡管本文中開發的仿真模型和原型工具還不適合立即應用于軍事作戰規劃，但它們為未來的進步建立了一個基本框架。這項工作為在該領域設計更復雜、更實用的解決方案奠定了基礎。提出了未來研究的幾個方向。其中包括擴展模型，以適應在 UUV 網絡中運行的多個 LSV（可能通過同步協調或分散優化）。還建議通過納入多目標優化來擴大服務優先級和復雜性的范圍，加強在線更新的因素范圍，并改進參數以更準確地反映真實世界的操作條件。此外，探索實施欺騙性路由計劃等策略以增強路由能力是未來另一個值得研究的領域。

在極端的戰場條件下，進行日常維護的方式并不是處理維護工作的最佳方式。這是各領域常見的維護問題，例如在無法進入港口或倉庫的情況下修復飛機或艦船的戰損。極端條件還包括在極寒條件下維修阿拉斯加輸油管道，或在 COVID-19 期間處理維修工作。研究人員研究了現代技術如何優化生產率并縮短極端維護流程的周期時間。研究結果發現，增材制造、云和機器學習（ML）這三種新興技術可以提高流程價值、節約勞動力成本并縮短周期時間。其中，機器學習對提高生產率和縮短生產周期的影響最大。當所有技術一起使用時，生產率和周期時間的提高更為顯著和一致。這項研究考慮到了這些技術的風險性，這對于準確預測這種極端維護流程背景下的附加值十分必要。這項研究非常重要，為美國國防部快速完成有價值的正確維修可以決定一場沖突的勝負。

本執行摘要的部分內容曾由 Springer Nature 在《網絡安全、隱私與信任的人機交互》（HCI for Cybersecurity, Privacy, and Trust）一書中發表（Miller & Mun, 2023 年）。常規維護流程（如和平時期條件）并沒有針對極端維護條件進行優化。這是許多極端維護環境（如飛機或船舶戰損維修、阿拉斯加極寒管道維修和 COVID-19 倉庫維修流程）中存在的普遍問題。在極端環境下，現代信息技術（IT）（如機器學習 [ML]、增材制造 [AM] 和盒式云 [CIB]）通常未被用于優化這些關鍵維護流程的生產率（生產率等于產出除以投入或價值除以產生價值的成本）和周期時間。本研究的目的是估算三種現代信息技術（用于資源需求預測的 AM 和 ML 以及 CIB 技術）在優化流程生產率和縮短極端維護流程的周期時間方面的附加值。這項研究將擴展流程優化理論（Castillo，2011 年）的使用范圍，將現代信息技術的效果納入極端維護的范疇。這項研究之所以重要，是因為在有關極端維護條件和使用現代技術進行優化的流程優化文獻中存在空白。在國防部的背景下，這項研究尤為重要，因為如果不能對戰損設備進行正確維修，就會影響沖突的勝負。

通常情況下，信息技術經濟學（EOIT）理論屬于商業理論，考慮的是引入現代信息技術對優化流程和提高營利性組織競爭力的影響（Shapiro & Varian, 1999; Goldfarb & Tucker, 2019）。基于 EOIT 理論的一般原則，研究人員假設了這些技術資源在整個組織層面對企業收入流的影響。研究人員通過分析組織會計數據，對這些技術的效果進行了實證檢驗（Hitt 等人，1994 年；Brynjolfsson 等人，2021 年）。一般結果使他們得出結論，使用信息技術對企業的生產率有積極影響。當前的研究試圖將流程優化研究擴展到非營利軍事組織背景下的極端維護條件。

在流程優化中，增值可以在組件子流程層面進行計算（Pavlou 等人，2005 年；Housel & Kanevsky，1995 年；Housel & Bell，2001 年）。當前的研究將測試三種 IT 人工智能（AM、CIB 和 ML）對優化維護流程的影響，這些流程整合了這三種技術，有助于提高生產率和縮短周期時間。亞當斯（2022 年）之前對生物信息學的研究表明，現代信息技術會對 IT 投資決策產生積極影響。這些將現代信息技術融入核心流程的新方法有可能幫助決策者加快有關飛機維護停機時間的 "數據到決策"（D2D）時間，從而縮短周期時間，降低運營風險。本研究通過測試這些有望加快 D2D 周期時間的 IT 工具的效果，從而彌補了正常維護流程中的理論空白，測試了這些 IT 工具在極端維護條件流程中對生產率的影響，為擴展 EOIT 做出了貢獻。

這項定量研究分兩個階段進行：首先使用知識增值（KVA）原樣基準生產率分析，然后通過綜合風險管理（IRM）方法進行模擬，預測三種 IT 工件對核心極端維護流程及其子流程的影響。原狀 KVA 流程分析確定了不使用這三種 IT 工具的當前極限維護流程的基準性能。模擬預測了在極限維護流程的價值、成本和周期時間參數中加入這三個 IT 工件的效果。原樣維護流程模型基于流程主題專家（SMEs）對學習時間、成本和周期時間模型參數的估計。

原樣使用案例是一個前沿部署的戰斗航空維修流程。在 "To-Be "建模預測方面采用了先進的分析技術并進行了模擬：真實選項和綜合風險管理。四個 To-Be 模型包括單獨的 ML 效果、單獨的 CIB 效果、單獨的 AM 效果以及 ML + CIB + AM 的組合效果。所采用的 ML To-Be 過程模型源于生物信息學研究中對 ML 的使用，該研究將修復作為系統的一種處理方法，就像有機系統的修復一樣。

本研究將在使用現代 IT 工具優化流程的背景下，通過衡量 IT 工具對流程生產率和縮短流程周期時間的貢獻，為 EOIT 和信息科學理論做出貢獻（Mun & Housel，2010 年）。此外，研究還通過假設的使用案例和模擬來探索投資回報的潛在改進，模擬包括在極端維護流程的獨特背景下使用實物期權和 IRM 建模來分析 IT 工具的潛在影響。

這項研究探索并利用了包括實物期權理論在內的 IRM 框架，通過采用實物期權方法、利用戰略決策樹建立實物期權模型以及估算使用每種技術方案的潛在風險，預測了三種 IT 工具的效果。風險實物期權的特征可以概括為推遲/執行期權、擴展期權、障礙接受期權和遷移期權，其中使用了等待期權和推遲/執行期權。真實選項分析允許研究人員測試和預測流程模型，作為概念驗證，以便在極端維護流程背景下更精確地估計技術選項的成本、盈利能力和進度風險（Mun，2015 年）。在確定了最有前景的方案后，就可以簽訂合同，其中包括在決定采用新技術（AM、CIB 和 ML）之前，可以在實施后獲得有關技術方案性能的更多有價值的信息，從而靜觀其變。

這項研究顯示，通過引入 AM、CIB 和 ML 等新興技術，極端維護維修團隊既節省了人力成本，又縮短了周期時間。在這些新興技術中，ML 的改進最為顯著，其次是所有技術的綜合應用，然后是 AM 和 CIB。當所有技術一起使用時，生產率和周期時間的改善是顯著的，也是最穩定的。最后，研究還探討了風險管理方案以及為充分實現利用這些技術所帶來的改進而需要對現有流程進行的更改。

由于固有的設計復雜性、無限的測試空間和缺乏自主性的具體措施，自主和協作無人系統的實施和測試具有挑戰性。這些挑戰限制了美國空軍部署和利用這些系統所提供的戰術和戰略優勢能力。這項研究在廣域搜索（WAS）場景中實例化了一個自主系統參考架構（ASRA），作為自主和協作系統的快速原型設計和評估的測試平臺。該研究旨在提供一個框架，以評估系統實現任務和自主目標的能力，開發可重復使用的自主行為，并開發可重復使用的協作決策算法。對于這項研究和對WAS任務的應用，自主性的衡量標準來自于自主系統的要求：響應性、穩健性和感知的準確性。自主行為，包括結合簡單（原子）行為的更復雜行為被開發出來，各種協作決策規則被定義。隨后的評估在四個場景中實施了立體實驗設計。按照嚴格的測試計劃，測試是在仿真中進行的，實現了自動測試和快速分析。測試結果被用來創建一個響應模型來描述系統，并進行多重響應優化，以確定一個最佳配置，在給定的目標密度下，使搜索面積、檢測百分比和感知精度最大化。

認知方法在幾乎所有方面可提高現有雷達的性能，這導致了近年來研究的激增，空軍雷達建模和仿真（M&S）工具的一個關鍵差距是缺乏針對分布式全適應雷達（FAR）系統的全面、動態分布式雷達情景生成能力。截至2015年初，所有的研究都是在理論上推進概念，并通過模擬檢驗其性能，或者最多使用預先錄制的數據。沒有關于實驗驗證概念的報告，主要是因為還沒有開發出測試它們的必要硬件。然而，為了確定應用認知處理方法的真正性能潛力，這一步驟是至關重要的。為了解決這個問題，俄亥俄州立大學（OSU）電子科學實驗室（ESL）的認知傳感實驗室（CSL）與Metron公司、空軍研究實驗室（AFRL）和空軍科學研究辦公室（AFOSR）一起，已經開始了一項研究計劃，從分析和實驗上開發和檢驗認知雷達處理概念。

CSL設計并建造了認知雷達工程工作區（CREW），這是世界上第一個專門用來測試完全自適應和認知算法的雷達測試平臺，Metron和OSU開發了一個認知FAR系統的理論框架，在單一傳感器和目標的目標探測和跟蹤范圍內確定了關鍵的系統組件并進行了數學建模。我們一直在開發建模、模擬、分析和實驗能力，以證明FAR系統比傳統的前饋雷達（FFR）系統取得的性能改進。我們從OSU的軟件定義雷達（SDR）系統的模擬場景和預先記錄的數據開始。我們現在有能力利用CREW演示認知雷達跟蹤系統的實時操作。

這個項目的目標是為分布式FAR雷達開發一個基于MATLAB的M&S架構，從而能夠在模擬的、以前收集的和實時的流式數據上進行算法開發和測試。在第一階段，我們開發了一個基線FAR M&S架構，該架構采用面向對象編程（OOP）方法在MATLAB中編碼。它包括一個控制感知-行動（PA）周期運行的FAR引擎和確定下一組傳感參數的軟件對象；從傳感器獲取數據；處理數據以跟蹤目標；存儲和顯示傳感和跟蹤過程的結果。我們開發的模塊實現了模擬和預先錄制的SDR數據實例，以及實時和模擬的CREW數據實例。

第一階段開發的FAR M&S架構允許在模擬和實驗CREW數據源之間，以及在驅動傳感的FAR算法之間進行透明切換。輕松交換傳感和處理對象的能力將允許快速開發和測試認知雷達算法，通過構建M&S功能來避免重復工作和 "單點 "解決方案。它將使工業界、學術界和空軍的研究人員之間的合作成為可能，因為不同研究人員開發的算法可以使用一致的模擬、收集的數據和實驗室條件進行測試和比較。

美國海軍陸戰隊正在建設反水面作戰領域的能力，特別是在獲得地基反艦導彈（GBASM）及其相關發射平臺方面。研究為分析與這種新能力相關的部隊結構提供了一種方法。研究方法使用離散時間馬爾可夫模型對GBASM炮組和敵方水面艦艇之間的戰術級決斗進行建模。這些模型有足夠的復雜性來解決關鍵的部隊設計問題，并且對決斗的關鍵特征進行了參數化，以便進行強有力的敏感性分析。

在海軍導彈作戰中，重要的是確定所需的炮彈規模S，以使炮彈有足夠高的概率殺死敵艦。GBASM概念的獨特之處在于，與從水面艦艇上發射導彈相比，它能夠將這種炮彈分散到幾個平臺上，并以更適合特定戰術場景的方式進行發射。在這種情況下，如果有一個大小為K的禮花彈，并將該禮花彈分散到N個平臺上，那么每個平臺在特定的禮花彈中發射?枚導彈，這樣K × N = S。有了這個公式，就能夠分析平臺數量和每個平臺發射的導彈數量在這些配置的殺傷力和生存能力方面的權衡。這為成本-效益分析提供了基礎。

對GBASM炮臺與敵方水面艦艇發生接觸的情況進行模擬。從簡單的場景開始，然后逐漸復雜化。讓GBASM發射器與一艘敵方水面艦艇進行決斗。GBASM一方被稱為藍方，水面艦艇被稱為紅方。最初假定雙方都有足夠的導彈供應，并且交換的時間是有限的，因此可以把供應視為無限的。GBASM以彈丸為單位進行發射，每個彈丸至少包括一枚導彈。在藍方的炮擊之后，紅方的水面艦艇有機會進行還擊。

在所描述的環境中，假設藍方具有首發優勢。鑒于GBASM的引入在沿岸地區造成的不對稱情況，首發優勢的假設并不是不合理的。GBASM是移動的，有可能移動到難以探測的地方，只有在準備開火時才出來。GBASM的目標是保持不被紅方船只發現，直到它成功瞄準紅方船只。一旦紅方船只成為目標，GBASM系統就會開火并移動到一個新的位置。如果沒有關于GBASM移動的完美信息，紅方艦艇將持續處于不利地位。

此外，該模型捕捉到了紅方對藍方的炮擊進行防御措施的能力。這些防御性的反措施是用參數λ來說明的，這個參數是紅方根據泊松分布可以攔截的藍方導彈的平均數量。以這種方式對紅方采取反措施的能力進行建模，說明了隨著藍方導彈規模的增加，紅方采取反措施的能力也在減弱。同樣，也說明了紅方針對藍方分布式發射器的能力下降。紅方殺死藍方分布式平臺的能力用參數?表示，根據泊松分布，紅方在還擊中可以殺死藍方平臺的平均數量。這再次說明，隨著藍方平臺數量的增加，紅方瞄準和殺死藍方的效果有限。

在對該模型的分析中，遇到了幾個關鍵的發現。首先，最重要的是確定理想的炮擊規模S，以提供足夠高的殺死敵艦的概率。這不是一個簡單的 "越多越好 "的問題，因為炮擊規模有一個收益遞減點。正如人們所期望的那樣，還得出結論，增加平臺的數量K可以提高生存能力，從而提高GBASM炮臺的殺傷力。然而，改進的幅度對其他參數很敏感，當炮彈規模足夠大時，改進的幅度通常很小。

該研究的主要產出是創建的模型和對它們進行進一步分析的能力。本論文中任何地方使用的參數值都不是由具體的GBASM系統或潛在的敵方水面艦艇的能力來決定的。因此，結果應該被看作是對參數空間可能區域的探索的概括。這些模型提供了根據有關特定系統的能力進行具體分析的能力。

前沿作戰基地（FOB）防御是一項人力密集型任務，需要占用作戰任務的寶貴資源。雖然能力越來越強的無人駕駛飛行器（UAV）具備執行許多任務的能力，但目前的理論并沒有充分考慮將其納入。特別是，如果操作人員與飛行器的比例為一比一時，并沒有考慮提高無人機的自主性。本論文描述了使用先進機器人系統工程實驗室（ARSENL）蜂群系統開發和測試自主FOB防御能力。開發工作利用了基于任務的蜂群可組合性結構（MASC），以任務為中心、自上而下的方式開發復雜的蜂群行為。這種方法使我們能夠開發出一種基于理論的基地防御戰術，在這種戰術中，固定翼和四旋翼無人機的任意組合能夠自主分配并執行所有必要的FOB防御角色：周邊監視、關鍵區域搜索、接觸調查和威脅響應。該戰術在軟件模擬環境中進行了廣泛的測試，并在現場飛行演習中進行了演示。實驗結果將使用本研究過程中制定的有效性措施和性能措施進行討論。

第1章：導言

1.1 背景和動機

2019年，美國海軍陸戰隊司令大衛-H-伯杰將軍發布了他的規劃指南，作為塑造未來四年的部隊的一種方式。他在其中指出："我們今天做得很好，我們明天將需要做得更好，以保持我們的作戰優勢"[1]。這句話摘自海軍陸戰隊司令大衛-H-伯杰將軍的《2019年司令員規劃指南》（CPG），呼吁采取集中行動，以應對海軍陸戰隊在未來戰爭中預計將面臨的不斷變化的挑戰。在為海軍陸戰隊確定未來四年的優先事項和方向的CPG中的其他指導，呼吁建立一個 "適合偵察、監視和提供致命和非致命效果的強大的無人駕駛系統系列"[1]。伯杰將軍進一步呼吁利用新技術來支持遠征前沿基地作戰（EABO）。EABO將需要靈活的系統，既能進行有效的進攻行動，又能進行獨立和可持續的防御行動。簡而言之，實現EABO將需要最大限度地利用每個系統和海軍陸戰隊。

從本質上講，伯杰將軍正在呼吁改變無人駕駛飛行器的使用方式。通過使用大型的合作自主無人飛行器系統，或稱蜂群，將有助于實現這一目標。無人飛行器蜂群提供了在人力需求和后勤負擔增加最少的情況下成倍提高戰場能力的機會。正如伯杰將軍所提到的 "下一個戰場"，海軍陸戰隊將必須利用各種技術，最大限度地利用自主性和每個作戰人員在戰場上的影響。

目前的無人系統使用理論是以很少或沒有自主性的系統為中心。另外，目前的系統依賴于單個飛行器的遠程駕駛；也就是說，每輛飛行器有一個操作員。部隊中缺乏自主系統，這在監視和直接行動的作戰能力方面造成了差距。此外，側重于一對一操作員-飛行器管理的無人系統理論要求操作員的數量與車輛的數量成線性比例。這對于 "下一個戰場 "來說是不夠的。相反，海軍陸戰隊將需要能夠讓操作員擺脫束縛或提高他們同時控制多個飛行器的能力系統[2]。

考慮到這些目標，美國海軍研究生院（NPS）的先進機器人系統工程實驗室（ARSENL）已經開發并演示了一個用于控制大型、自主、多飛行器的系統，該系統利用了分布式計算的優勢，并將駕駛的認知要求降到最低。ARSENL在現場實驗中證明了其系統的功效，在該實驗中，50個自主無人駕駛飛行器（UAV）被成功發射，同時由一個操作員控制，并安全回收[3]。

1.2 研究目標

這項研究的主要目標是證明使用無人機蜂群來支持前沿作戰基地（FOB）的防御。特別是，這需要自主生成、分配和執行有效的、符合理論的基地防御所需的子任務。這部分研究的重點是開發基于狀態的監視、調查和威脅響應任務的描述；實施支持多飛行器任務分配的決策機制；以及任務執行期間的多飛行器控制。

輔助研究目標包括展示基于任務的蜂群可組合性結構（MASC）過程，以自上而下、以任務為中心的方式開發復雜的蜂群行為，探索自主蜂群控制和決策的分布式方法，以及實施一般的蜂群算法，并證明了對廣泛的潛在蜂群戰術有用。總的來說，這些目標是主要目標的一部分，是實現主要目標的手段。

1.3 方法論

基地防御戰術的制定始于對現有基地防御理論的審查。這一審查是確定該行為所要完成的基本任務和子任務的基礎。然后，我們審查了目前海軍陸戰隊使用無人機的理論，以確定這些系統在基地防御任務中的使用情況。

在確定了任務要求的特征后，我們為基地防御的整體任務制定了一個高層次的狀態圖。子任務級別的狀態圖等同于MASC層次結構中的角色。

ARSENL代碼庫中現有的算法和游戲以及在研究過程中開發的新算法和游戲被用來在ARSENL系統中實現子任務級的狀態圖。最后，根據高層次的狀態圖將這些游戲組合起來，完成基地防御戰術的實施。

在游戲和戰術開發之后，設計了基于理論的有效性措施（MOE）和性能措施（MOPs）。通過在循環軟件（SITL）模擬環境中的廣泛實驗，這些措施被用來評估基地防御戰術。在加利福尼亞州羅伯茨營進行的實戰飛行實驗中，也展示了該戰術和游戲。

1.4 結果

最終，本研究成功地實現了其主要目標，并展示了一種包含周邊監視、關鍵區域搜索、接觸調查和威脅響應的基地防御戰術。此外，開發工作在很大程度上依賴于MASC層次結構，以此來制定任務要求，并將這些要求分解成可在ARSENL蜂群系統上實施的可管理任務。這一戰術在實戰飛行和模擬環境中進行了測試，并使用以任務為中心的MOP和MOE進行了評估。最后的結果是令人滿意的，在本研究過程中開發的戰術被評估為有效的概念證明。

1.5 論文組織

本論文共分六章。第1章提供了這項研究的動機，描述了這個概念驗證所要彌補的能力差距，并提供了ARSENL的簡短背景和所追求的研究目標。

第2章討論了海軍陸戰隊和聯合出版物中描述的當前海軍陸戰隊后方作戰的理論。還概述了目前海軍陸戰隊內無人機的使用情況，并描述了目前各種系統所能達到的自主性水平。

第3章概述了以前自主系統基于行為的架構工作，ARSENL多車輛無人駕駛航空系統（UAS）和MASC層次結構。

第4章對基地防御戰術的整體設計以及高層戰術所依賴的游戲進行了基于狀態的描述。本章還詳細介紹了用于創建、測試和評估這一概念驗證的方法。在此過程中，重點是對每一戰術和戰術所針對的MOP和MOE進行評估。

第5章詳細介紹了所進行的實戰飛行和模擬實驗，并討論了與相關MOPs和MOEs有關的測試結果。

最后，第6章介紹了這個概念驗證的結論。本章還提供了與基地防御戰術本身以及更廣泛的自主蜂群能力和控制有關的未來工作建議。