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

本報告由兩部分組成，第二部分旨在介紹根據小型航行器自動目標識別（SCATR）數據集建立的雷達截面（RCS）預測模型。本部分提供了用于開發 RCS 模型的自適應機器學習策略的路線圖。介紹了分別基于五個自適應特征、兩個真實特征和四個全球定位系統（GPS）特征的 RCS 模型的八個變體。此外，每個 RCS 模型還考慮了 26 個子變體。這些模型子變體涵蓋了大量流行的回歸方法，我們的目標是找到一個最忠實地代表反合成孔徑雷達（ISAR）數據集的回歸器，用于 RCS 預測。性能結果以判定系數和均方根誤差表示。高斯過程回歸在 RCS 建模方面表現突出。報告末尾提出了重要的意見和結論。

加拿大政府（GoC）為其最新的監視衛星星座 RADARSAT Constellation Mission (RCM) 投資超過 15 億美元。國防部/加拿大武裝部隊（DND/CAF）極地 Epsilon 2 (PE2) 資本項目利用從加拿大的三顆 RCM 衛星獲得的合成孔徑雷達 (SAR) 圖像，對海上航道進行全天候監視，以完成其主要國防任務之一。從一開始，加拿大空軍就對其專用的 RCM 船舶探測模式 (SDM) 的性能質量提出了嚴格要求，以履行其保障加拿大海上進場的運行任務。PE2 目前的運行要求是在五級海況下探測大于 25 米的船只，對于大型船只的 RCS，存在相當簡單的半經驗模型，通常用于設計和評估 C 波段專用廣域 SDM 的性能。目標的 RCS 以物理單位平方米（m2）或相對于平方米的分貝（dBsm）為單位，用于衡量反射回雷達的能量大小。盡管 RCS 會因目標屬性（包括尺寸、方向、形狀、入射角、結構和材料等）的不同而產生數量級的變化，但所提出的簡單模型包含一個僅取決于艦船長度的平均值，而忽略了所有其他因素。

未來的下一代系統將面臨更嚴格的要求，例如，DND/CAF 最新版本的《天基監視要求文件》（SBS-RD）中[要求 400.7]規定的對小至 5 米的船只的探測。SBS-RD 正式確定了未來天基監視系統的設計和開發所需的 UNCLASSIFIED 監視要求，代表了整個 CAF 的業務和職能當局所確定的需求，為繼續研究和開發（R&D）提供了信息，并旨在影響未來任務中實施的設計。然而，對于此類小型艦艇而言，簡單的模型無法移植到其他同頻或異頻雷達上，而且任何射頻（RF）都不存在可靠的 RCS 模型。文獻[3]首次嘗試將文獻[1]中的簡單模型適用于 5 至 15 米的小型船只，但仍然只考慮了船只的長度。

本科學報告中的工作旨在向更復雜的 RCS 模型邁出一步，該模型包含多個相關的目標屬性，可用于行業設計符合更嚴格要求的特定 SDM，并評估小型船只的探測性能。這種 RCS 模型可用于可靠地預測未來雷達傳感器的性能和針對小型船只探測進行優化的模式，例如，為 DND/CAF 主要資本國防空間監視增強項目（DESSP）所設想的模式。

本參考文件列出了在加拿大國防研究與發展--薩菲爾德研究中心的試驗場上創建測量點的全球坐標。勘測點的坐標是使用三個高精度全球定位系統接收器計算得出的，這些接收器呈三角形基線排列，其中兩個始終位于已知點上。在每個三角基線上，接收器都收集了 60 分鐘或更長時間的衛星觀測數據，經過預處理后提供靜態差分全球定位系統解決方案。這種勘測方法在國家大地測量系統內產生的站點定位精度為幾毫米或更低。在實地試驗中，這些勘測點被用于對埋藏的爆炸物和其他目標進行高精度地理定位。

自 20 世紀 70 年代末以來，加拿大國防研究與發展--薩菲爾德研究中心進行了大量的實地試驗，涉及可用于探測和識別埋地爆炸危險的設備。需要對目標進行高精度的地理定位，以計算探測設備宣布的位置與目標實際位置之間的距離。為了對性能進行有用的評估，目標定位的精確度應為 10 毫米或更高。

圖 1：鄰近 Suffield 區塊的 NRCan HP3D 基準。這些基準的大圖見附件 A。

美國國防部和合作組織正在開發先進的機器系統，這些系統將與人類合作完成任務。鑒于這些人機團隊（HMT）從未經歷過測試與評估（T&E），本簡報有助于指導評估人員應對 HMT 帶來的新挑戰。它定義了人機協作，描述了評估 HMT 所面臨的挑戰，并提供了對 HMT 的測試與評估非常重要的指標分類框架。

人機協作比個體系統完成任務的簡單行為更為廣泛。它涉及人與系統之間的廣泛互動，因為他們要共同努力實現一個集體目標。鑒于人機協作的高度協作性，僅僅衡量機器和人是不夠的。我們還需要衡量團隊本身，而且這些衡量標準必須與任務相關、定量且客觀。

在評估 HMT 時會遇到一些獨特的挑戰，包括如何處理不透明的心智模式，以及機器指揮通信、自我任務或人類任務的情況。例如，考慮一個人機搜救小組，在這個小組中，一架自主無人機在空中飛行，尋找倒塌建筑中的幸存者，當發現幸存者時，它會向地面上的機器人發出警報。然后，機器人將幸存者從廢墟中拉出，送到人類醫護人員那里接受治療。如何評估無人機決定搜索地點的過程？或者如何與機器人溝通？機器人對這些通信的反應又如何？醫護人員決定如何治療幸存者以及治療順序如何？無人機、機器人和醫護人員如何合作并優先救治傷勢最嚴重的幸存者？它們如何協調其他工作？他們如何應對不斷變化的環境所固有的困難？顯而易見，團隊成員之間的互動是關鍵。

該框架概述了 HMT 評估的主要類別，包括能力（團隊具備哪些能力？）、互動（團隊如何合作和協調行動以實現目標？它強調團隊的衡量標準以及人與機器之間衡量標準的協調。因此，如果要評估人類的認知能力（即注意力和判斷力），就需要同時評估機器的認知能力（即信息處理架構和決策算法）。

該框架還提供了一種結構，用于確定和選擇評估團隊效率的適當指標。所有這些衡量標準都來自于先前的科學研究。

首先，考察人和機器的能力，因為其中任何一項能力都可能是團隊合作失敗的原因。對人的培訓和經驗、心理特征、體能、態度、認知資源、腦力勞動負荷或疲勞等進行評估。考慮與機器的認知結構和硬件組件相關的因素，如程序化任務知識、操作系統和其他軟件，以及物理傳感器和平臺。

其次，檢查可能導致交互失敗的關鍵領域。其中包括機器的態勢感知、資源分配和不同情況下的資源使用。例如，機器在使用傳感器尋找新的幸存者時需要多少電力，會影響到機器是否可以協助滿足團隊的其他需求。這些關鍵領域還包括人類的視角和決策過程。例如，人類對情況的理解會影響他們在這種情況下的行為，以及他們是否信任與之合作的機器。

最后，考慮潛在的漏洞。哪些威脅可能會阻礙團隊完成目標？如果團隊失敗會有什么后果？失敗可能會引發哪些其他問題？重要的是要找出任何問題，以便在今后的工作中加以緩解或解決。

最后，本簡報為 T&E 界提供了兩個重要啟示：

• 評估 HMT 所面臨的挑戰與評估使用工具或系統的人類所面臨的挑戰不同。團隊中的人類和機器（稱為智能體）必須追求相同的目標，影響當前的問題狀態，并相互協調行動；這些互動因素使團隊面臨新的漏洞和更多的故障點。
• 不能僅憑任務結果來識別潛在的系統漏洞。智能體之間的互動增加了評估的問題空間。

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。

認知雷達能持續感知環境、與環境互動并從中學習。這種范例可應用于多功能雷達（MFR），后者可執行多種功能，如監視、跟蹤和通信等。為了執行這些任務，雷達資源管理（RRM）模塊將可用資源分配給這些功能，同時考慮任務參數，包括優先級。本報告介紹的工作重點是時間窗口內的任務調度問題。對于時間資源而言，RRM 尤其具有挑戰性，因為 1) 任務要求可能極為不同，具有多個優先級類別；2) 調度策略應能適應動態環境。適應非穩態環境是認知雷達的一個關鍵優勢。

本報告中介紹的第一項工作旨在應對這兩項挑戰，首先是為任務參數的分布制定一個相當通用的模型，具體包括任務優先級和延遲容忍度；其次是在深度強化學習（DRL）框架內應用遷移學習（TL），以適應不同的環境。這種方法的基礎是在深度神經網絡（DNN）的輔助下使用蒙特卡洛樹搜索（MCTS）。我們表明，TL 可以將在初始參數分布（環境）上訓練所學到的策略轉移到新分布所需的策略上，從而加速訓練。我們表明，基于 TL 的方法可適應環境的快速或漸進變化。結果表明了所實現的魯棒性和計算增益。

基于遷移的工作面臨的一個重要挑戰是對環境知識的假設，而在實際場景中，環境知識很可能是未知的。認知雷達的任務調度算法應能適應各種環境，而無需了解環境的基本動態。這就促使我們考慮基于模型的 DRL，即學習環境動態模型，并通過所學模型進行規劃來執行任務調度。該方法將 MCTS 與學習的神經網絡模型相結合，后者包括一個表示網絡、一個動態網絡和一個預測網絡。這些網絡的參數通過梯度下降法更新，在訓練過程中使用自我播放機制生成的數據。結果表明，所提出的方法可以在不了解環境動態的情況下，從自我游戲數據中學會自行安排任務，同時提供接近最優的結果。

隨著機器學習應用越來越能夠執行安全關鍵功能，海軍部將開始把它們集成到有人和無人平臺中。不過，在海軍部（DON）目前的測試與評估（T&E）框架下，DON試圖測試的機器學習算法將沒有適當的工件來表明算法將以安全和合乎道德的方式可靠地執行任務。本研究介紹了海軍部適航性的基本原理和當前的 T&E 框架，然后回顧了一個代理測試項目，以研究如何調整當前的海軍部 T&E 框架，為機器學習算法的實戰提供更多保證。

這項研究為海軍航空事業（NAE）內的利益相關者提供了對當前已有或正在開發的工具、方法和框架的了解，如果對這些工具、方法和框架進行調整，就能為使用機器學習來完成目前由人類操作員完成的任務的系統提供額外的學習保證。本文的主要目的已經達到，即掌握了基礎知識，并將在未來一年內通過實際測試加以驗證。驗證將通過研究使用案例來完成，具體來說，就是無人機系統（UAS）與有人駕駛平臺之間的自主空對空加油（A3R），以及如何將保障領域的新能力應用到測試計劃、執行和分析過程中。次要目標是掌握完成初始測試和評估的流程，使這些程序可用于并擴展到未來可能適合自主系統的任務集。隨著對這一特定使用案例的初步測試和評估的進行，將會學到更多的知識，而一旦掌握了這些知識，將有助于為今后海軍對自主平臺的所有測試和評估奠定基礎。

作者正在研究分布式雷達在穿墻感應中的應用。這項技術的預期操作場景是在建筑物外的（安全）遠程距離內探測和識別建筑物內的人員和武器裝備。本研究使用的雷達結構和信號處理算法類似于美國陸軍作戰能力發展司令部（DEVCOM）陸軍研究實驗室（ARL）實施的埋藏和隱蔽表面目標探測的設計；目前的雷達發射和接收頻率更高。

在這項研究中，實驗是在ARL的阿德爾菲實驗中心（ALC）507號樓（"沙盒 "區域）進行的，使用的是室內低金屬兩層夾板結構。用來測試分布式雷達的受控環境與用來測試ARL針對電子目標的諧波雷達的低金屬環境相同。

圖1 步進頻率雷達收發器：(a)賽靈思的RFSoC與Alion/HII的雷達固件，以及(b)定制的發射器/接收器（Tx/Rx）濾波器和放大器PCB，由28VDC供電

結論及后續工作

本研究中收集的數據表明，在低矮的金屬建筑中，相互成直角的天線對能夠探測到多個移動目標，而這些目標從建筑外是看不到的。隨時間變化的距離圖顯示了目標所遵循的路徑；在一個頻道中跟蹤的目標路徑的模糊性可以通過在另一個頻道中跟蹤同一目標來緩解。仍需努力將同時收集的數據的IQ振幅一致地結合起來，以解決多個目標。一個目標是在二維（下行和上行）圖像上繪制目標位置，也許是以視頻動畫的形式疊加在場景的俯視圖上（即被成像的建筑物的典型平面圖）。在對移動目標進行成像時，發射器和接收器天線的雙穩態配對是否具有優勢（與標準的單穩態發射器天線配對相比）還有待確定。

鑒于對手軍事能力的威脅和擴散的增加，這項研究試圖開發合理準確和可計算的模型，以最佳方式操縱航空器攔截巡航導彈攻擊。該研究利用數學編程對問題進行建模，并以代表（時間）差分方程系統的約束條件為依據。研究首先比較了六個模型，這些模型對速度和加速度約束有不同的表述，同時分析了靜止目標的情況。多航空器、多固定目標交戰問題與箱體約束條件（MAMSTEP-BC）模型產生了卓越的整體性能，并通過替代數學編程模型的增強進行了進一步分析，以便在利用有效的機動序列方面創建可行的飛行輪廓。最后，對MAMSTEP-BC模型進行了修改，以操縱飛機來對付移動目標。

在優化交戰所需時間時，該模型被證明對多架航空器和多個目標有效。MAMSTEP-BC通過考慮航空器和飛行員的局限性，能夠保持高水平的顆粒度，同時設法為靜止和移動的目標快速生成最佳解決方案。

本論文的其余部分組織如下。第二章討論了與國防、飛行器路由問題和涉及差分方程的數學編程公式有關的文獻，以操縱或路由實體。下面的研究分三個不同階段進行。第三章介紹了第一階段所研究的工作，該階段開發并測試了操縱多架航空器來對付靜止目標的替代模型。在第四章中提出，第二階段的研究探討了替代的數學編程模型的增強，以創建研究第一階段的可行的飛行輪廓。在第五章中，介紹了第三階段研究的工作，其中開發和測試了一個最終模型，以操縱多架航空器來對付移動目標。第六章以工作的主要成果對論文進行了總結，并介紹了未來關于時空網絡路由模型主題的可能研究途徑。

本報告詳細介紹了用于評估強化學習 RL 算法的系統、測試環境和結果，以確定它們在沒有外部傳感器幫助的情況下降低慣性導航系統 INS 位置誤差漂移率的能力。創建了一個定制RL 環境來訓練 RL 算法，以校正來自 INS 的原始慣性測量值，使得位置在被全球導航衛星系統 GNSS 校正后更接近 INS 位置。當 GNSS 輔助被移除時，RL 系統將繼續校正慣性測量，因為它在 GNSS 輔助被移除之前接受過訓練。 RL 系統中使用了多種 RL 算法，并根據其校正慣性測量的能力評估了它們的性能，以允許更準確的位置解決方案減少位置誤差。還評估了算法對計算機資源的使用和實時操作的能力。本報告中描述的數據收集和評估表明，RL 系統可以幫助減少 INS 的位置誤差，而無需借助 GNSS 等外部傳感器。它還表明，某些 RL 算法比其他算法更適合此類系統。最后，這項研究確定了兩種 RL 算法，它們將繼續用于與這項工作相關的進一步測試。

引言

通過強化訓練改善漂移--慣性傳感器（DIRT-I）項目的主要目標是通過使用強化學習（RL）或訓練，在沒有全球導航衛星系統（GNSS）的情況下延長慣性傳感器的保持時間。在本文件中，GNSS和GPS（全球定位系統）這兩個縮寫詞可以互換使用。其基本概念是用一個由GNSS輔助的慣性傳感器來訓練RL系統。這將允許RL系統在被GNSS輔助校正之前和之后學習慣性數據。一旦它被充分訓練，GNSS輔助將被禁用，以模擬一個GNSS否認的環境，RL系統將提供對慣性數據的修正。然后，該慣性數據將被用來為用戶提供一個位置解決方案。我們的想法是，RL系統將查看所有可能導致慣性傳感器漂移的誤差源的總和，并對它們進行修正，以便在沒有GNSS的情況下提供一個精確的位置解決方案，這比沒有RL系統的情況下通常是可能的。這個概念如圖1所示。

由于RL系統是在慣性傳感器上進行訓練的，它在每次訓練中都會創建自己的傳感器及其噪聲源的模型。這意味著RL系統可以與各種慣性傳感器一起使用。由于誤差源都是混在一起的，所以不管它們是線性還是非線性的，也不管它們是平臺還是用戶特定的噪聲源。換句話說，一個慣性傳感器可能有一些內置的東西來糾正會對性能產生不利影響的溫度變化，但制造商對傳感器將要使用的平臺一無所知，所以沒有辦法糾正來自任何特定平臺的誤差源。這就是RL系統將能夠提高性能的地方。在DIRT-I項目的第一年，重點是一個地面車輛和一個慣性導航系統（INS）。

地理定位精度測試報告介紹了當前戰術優勢網絡指揮與控制(TEC3)系統的地理定位精度研究結果。該文件由加拿大萊茵金屬公司提交給加拿大國防研究與發展，任務TA-04。

萊茵金屬加拿大公司于2018年2月至2021年3月為加拿大國防研究與發展部（DRDC）開發了戰術邊緣網絡指揮與控制（TEC3）技術演示器。TEC3展示了網絡和安全態勢感知以及網絡指揮和控制功能在一個示范性的下馬士兵網絡中的應用。根據核心工作成果，TEC3包括本地組中節點之間的移動特設網絡（MANET）通信，以及估算、地理標簽和顯示目標發射器位置的地理定位功能。

本報告詳細介紹了通過任務授權（TA）實施的進展情況，以測量TEC3系統對無人機系統（UAS）進行地理定位的性能，使用本報告的測試計劃中記錄的特定拓撲結構和距離。這些拓撲結構取決于最大距離參數，該參數本身也是一個實驗測量的對象。最大距離參數是軟件定義無線電（SDR）能夠接收UAS傳輸的最長距離。除了掃描頻譜進行地理定位外，SDR還記錄了地理定位過程中的通信頻段，以便將來分析。

實驗被成功執行，在某些情況下，UAS可以通過三個TEC3節點的不同城域網拓撲結構和距離來進行地理定位。例如，在某些情況下，它可以在直徑為420米（平均）的圓形/橢圓形區域內進行一定精度的地理定位。在其他情況下，橢圓覆蓋了TEC3的部署區域；在這些情況下，準確性差是由于SDR和全向天線輻射模式之間對同一發射器/位置的測量功率不一致。

探測發射器的最大距離估計約為600米。 實驗產生了108份60秒的記錄，將用于未來的分析。