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

本文探討了如何利用遷移學習和合成數據來提高卷積神經網絡（CNN）在海上船只探測方面的性能，重點是自主無人水面航行器（USV）。所面臨的挑戰是標注夜間數據的可用性有限，而夜間數據對于在低能見度條件下檢測船只至關重要。該模型最初是在真實世界的數據上進行訓練，以探測 Mokai USV 和其他船只。然后使用合成的日間數據進行遷移學習，使數據集多樣化，包含更多的船只類型和條件。此外，還對 Sionyx NightWave 攝像機的圖像進行了直方圖均衡化處理，使模型能夠在夜間進行檢測，而無需大量真實世界的標注夜間數據。在真實世界、合成日間和合成夜間數據集上，使用平均精度 (AP)、召回率和漏檢率指標對模型的性能進行了評估。雖然該模型在日間條件下表現良好，但在夜間檢測時性能卻有所下降，尤其是對于較小的物體。這些結果凸顯了領域適應性的挑戰，同時也證明了合成數據和遷移學習在解決海洋環境中標記數據稀缺問題方面的潛力。這種方法為改進 USV 在各種條件下的自主操作提供了一種經濟有效的解決方案。

美國海軍部（DON）的《2021 年智能自主系統（IAS）科技戰略》強調，在復雜和不可預測的海洋環境中，越來越依賴自主平臺來增強作戰能力[1]。正如該戰略所概述的那樣，海軍正越來越多地集成像無人水面航行器（USV）這樣的智能自主系統，以執行從監視和偵察到后勤和威脅探測等各種任務[1]。該領域的一個關鍵挑戰是確保這些無人系統（UxS）能夠在各種環境條件下有效運行，包括夜間行動等低能見度場景以及雨、霧等惡劣天氣條件。在這種條件下，可靠的目標探測和分類對于任務的成功至關重要，因為 USV 的運行需要最少的人工干預。

然而，由于標注的夜間數據稀缺以及現實世界數據集的限制，傳統的目標檢測模型在夜間環境中往往難以發揮良好的性能。這一不足阻礙了海軍在需要在不利照明條件下進行精確探測的行動中部署 USV 的能力。海軍部的戰略強調需要先進的機器學習（ML）和人工智能（AI）技術，以適應各種環境挑戰，確保自主平臺在任何條件下都能保持高水平的態勢感知能力。

此外，部署配備紅外（IR）攝像機等先進傳感器技術的 USV 的成本效益和操作靈活性也是重要的考慮因素。雖然紅外攝像機可提高低光照條件下的可視性，但其成本往往較高，而且需要專門的培訓。相比之下，在可行的情況下，利用日光下訓練的模型進行夜間應用可能會節省成本并提高運行效率，因為與紅外標記的數據集相比，日光標記的數據集更為豐富。

這項工作的動機源于海軍部實現自主系統現代化、減少人類工作量和提高運行效率的目標[1]。隨著海軍繼續將 UxS 集成到其艦隊中，開發先進、彈性和適應性強的目標檢測模型的能力將在確保自主海上行動在所有照明和天氣條件下取得成功方面發揮至關重要的作用，從而為海軍部在 IAS 領域的技術優勢做出貢獻。

本文的貢獻如下：

• 開發用于海上目標檢測的 CNN： 創建專門用于檢測海洋環境中船只的 CNN 是一項關鍵技術貢獻。該模型可以區分幾種類型的船只，包括 Mokai USV 和其他水面艦艇，為 USV 在實際海軍行動中的自主性提供了實用的解決方案。

• 利用合成數據進行遷移學習： 本論文展示了合成數據的使用，以克服標注圖像稀缺的問題，這是在此類環境中訓練模型的常見限制。通過使用合成日間數據訓練 CNN，然后將遷移學習技術應用于夜間條件，該研究為在沒有大量真實世界標記數據的情況下提高模型性能做出了新的貢獻。

• 利用直方圖均衡化創新領域適應性： 應用直方圖均衡化技術來增強 Sionyx NightWave 攝像機的圖像，并隨后在合成夜間數據上進行遷移學習，是一項顯著的方法創新。通過利用圖像處理技術和遷移學習，這種方法有助于改進低照度場景下的物體檢測，為更廣泛的領域適應性研究領域做出了貢獻。

隨著戰場上機器人的出現，海軍陸戰隊必須在海軍陸戰隊空地特遣部隊（MAGTF）行動中將現有的無人資產與有人系統進行戰術整合。與此同時，海軍陸戰隊還必須放眼未來，找出未來無人系統可能彌補的能力差距。要做到這兩點，需要進行廣泛的實地測試，而這往往是不可行的，而且總是成本高昂。這項工作建議使用虛擬環境 (VE)、虛擬現實 (VR) 和基于智能體的建模來對作戰行動中的有人-無人協同作戰 (MUM-T) 進行基于場景的評估。

為了實現這些目標，該項目研究了各種相關的戰術場景，在這些場景中，海軍陸戰隊員和機器人協同行動，以實現特定的任務目標。利用確定性作戰模擬對這些戰術場景進行進一步評估，從而在每個特定場景的問題空間內創建和評估行為的有效方法。由于特定的 MUM-T 戰術、技術和程序（TTPs）會隨著傳感器、通信和車輛能力的不斷提高而不斷演變，因此支持完整的戰斗模擬被認為是 VE 設計探索的必要組成部分。通過建立 MOVES 實時虛擬建構（LVC）實驗室來支持這種多樣性，以便使用各種模擬工具。此外，還考慮了兩種協調有人-無人機團隊（MUM-T）行為的一般方法，每種方法都從預期行為的高層次描述開始。目標任務的完成表明人機聯合團隊達到了預期的世界狀態。

這項研究調查了大量作戰模型和可視化工具，為海軍陸戰隊決策者創造了最佳和最廣泛的環境，以了解 MUM-T 戰斗空間的復雜性和作戰價值。更廣泛地說，共享 VE 有可能在部隊發展過程中用于規劃將人機團隊整合到海軍作戰部隊中。由于國防部普遍不熟悉此類行動，但又熱切期待其發展，因此很明顯，使用實時、虛擬、建設性（LVC）模擬來對這些能力進行兵棋推演對所有進展都至關重要。歸根結底，這種人機協同開發是擴大海軍/海軍陸戰隊能力和避免海軍/海軍陸戰隊弱點的關鍵途徑。

圖 1. SPIDERS3D 是一種協作式分布持久虛擬環境 (VE)，它利用 X3D 圖形模型和基于 DIS 的網絡流功能，從不同的 LVC 信號源傳輸數據。

本論文探討了如何應用有監督的機器學習技術來提高網絡控制系統（NCS）的性能和可解釋性。無人駕駛系統（UxVs）可通過覆蓋大片區域的延伸偵察任務提供快速高效的目標定位。以協作方式控制一組 UxV 是一個難題，美海軍正在開發的一個解決方案是網絡控制系統行為集成優化（BION）。BION 是一種 NCS，利用部分可觀測蒙特卡洛規劃（POMCP）算法提供接近最優的近實時編隊控制。本文旨在通過使用訓練優良的神經網絡近似關鍵功能，解決 POMCP 算法的某些局限性。神經網絡利用概率技術和顯著性圖提高了可解釋性，同時也提高了處理速度。在基于 ResNet 的不同架構上進行了實驗，并成功地將訓練良好的神經網絡集成到了 BION 中。這項研究拓展了實驗和開發 BION 的能力，從而推動了UxV 的開發和集成。

第二章將討論 BION 的核心功能，以及與神經網絡和顯著性圖譜相關的關鍵概念。第三章將討論實現過程，包括訓練和評估數據、神經網絡架構、神經網絡訓練算法以及生成顯著性圖。第四章將介紹工作成果，包括訓練統計數據和計算出的顯著性圖樣本。第 5 章總結了本文的貢獻以及未來可能的工作領域。

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。

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。

海軍乃至整個軍隊對自主系統的需求日益增長。無論是地面、空中、水面還是水下，無人系統（UxV）在軍事領域的發展正逐步融入并將繼續融入軍事行動。為了保持與對手的競爭力，無人駕駛技術的研發對于保持領先優勢至關重要。

隨著傳感器和處理能力的不斷提高，部署自動駕駛汽車的能力也在不斷增強。網絡的發展使其變得更加強大和安全，電池技術的發展使其能夠行駛得更遠。海軍在討論自主航行器時，最常提及和研究的兩個平臺是無人機（UAV）和無人潛航器（UUV）。無人水面航行器（USV）是研發界日益關注的話題，更具體地說是無人水面航行器群。

USV 是一種在沒有任何船員或工作人員的情況下在水體表面運行的航行器。由于其配備有可定制的有效載荷，因此可提供廣泛的能力和服務。從商業到軍事行動，其應用各不相同。在商業方面，應用包括氣候監測、測深數據收集、近海石油和天然氣管道維護以及水文測量。水文測量從多波束聲納讀數中收集數據，多波束聲納利用聲波和全球定位系統 (GPS) 數據測量海底和其他水道的深度。美國國家海洋和大氣管理局（NOAA）依靠水文測量來繪制和更新海圖。這些航海圖為商業、軍事和休閑航海者提供服務。它們向水手們告知淺海地貌和海岸線等航行危險。

圖 1.1. 佐治亞州國王灣 - 商業拖船為田納西號核動力戰略導彈潛艇（SSBN 734）護航。

在海軍應用方面，USV 可用于高價值資產的護航任務。在潛艇和水面作戰領域，USV 可提供部隊保護或引導船只進出港口。在艦隊中，目前有美國海岸警衛隊人員、水手或商業工人駕駛小型船只執行這項任務（圖 1.1）。在港口附近較淺的水道中，由于受到吃水的限制，船只和潛艇的機動性和速度都受到了限制。如果潛艇在航行途中受到攻擊，那么經過訓練的部隊保護車輛將承受攻擊，以確保潛艇的安全（防止核反應堆受損和暴露）。USV 還可用于執行情報、監視和偵察 (ISR) 以及搜救行動。這些機器人具有機動性和靈活性，可根據手頭的任務輕松更換有效載荷，從而實現廣泛的用途。

圖 1.2. 當美國海軍約翰-斯滕尼斯號航空母艦（CVN 74）駛入華盛頓州埃弗雷特進行預定港口訪問時，拖船為其護航。

使用 USV 船群的優勢在于可以增加所需的搜索區域的廣度。與一艘載人船只相比，多艘小型自動潛航器執行相同的任務集，還能節省時間、成本和能源。使用 USV 的另一個好處是保證船上人員的安全，而不是讓他們冒險執行危險或耗時的任務。大約 80% 的海船事故是由人為錯誤、疲勞和/或分心造成的。通過使用多艘 USV 作為安全保障層，可以降低船只和船員發生碰撞或損壞的風險。與每次只使用一艘船相比，使用多艘 USV 可使操作員擴大范圍、減少錯誤和/或縮短完成任務所需的時間。

為使 USV 能夠執行這些任務，需要有一種程序能夠指揮每艘航行器的速度和方位，同時對環境因素（如水流或風力）保持彈性。此外，與無人機或無人潛航器領域相比，USV 的研究進展并不多。

典型的海軍艦隊由不同的平臺組成：航母、驅逐艦、巡洋艦甚至潛艇。隨著海軍生產更多大型和中型 USV，它們將慢慢融入常規艦隊編隊。隨著中型和大型 USV 等多種型號的采購，對異構 USV 群的需求也將增加。美國國會研究服務部在一份關于海軍大型無人水面和水下航行器的報告中指出：大型 USV 將補充海軍的有人作戰部隊，以較低的采購和維護成本，降低水兵的風險，提高戰備狀態、能力和所需容量。雖然無人水面航行器是艦隊單元的新成員，但 LUSV 將把堅固耐用、久經考驗的商船規格與現有的軍用有效載荷相結合，以快速、經濟的方式擴大水面艦隊的容量和能力。

海軍未來實施的自主平臺增加了與具有不同動態特性的 USV 群協同工作的機會。從一個點到另一個點時，需要一種能保持編隊的穩健算法，各智能體之間的距離要固定。

問題陳述

本研究的目的是評估兩種算法中哪一種能成功引導異構 USV 蜂群（由不同 USV 平臺組成的編隊）并保持理想的分離距離。不同的 USV 采用不同的動態特性和推進/轉向模式。這些不同的特性關系到它們在每種算法下的表現。從本質上講，異質蜂群比同質蜂群具有更低的協調水平。最終目標是修改和評估現有算法，以控制異質蜂群。

圖 1.6. 無人水面航行器控制的分層軟件任務基礎設施。

研究貢獻

目前，有關軍事應用中異構 USV 編隊的工作幾乎沒有。本文包括：

• 未來海軍應用中的異構 USV 群： 隨著海軍不斷生產多種變型 USV，對能夠適應不同智能體動態的編隊需求也在增加。這項研究探索了多種編隊管理算法中的兩種算法在異構蟲群中的性能。

• 并列比較 USV 算法： 目前許多 USV 學術文章都只關注一種算法。本論文對兩種不同類型的算法進行了比較，并將它們置于一個可以相互競爭的場景中。

• 聯合自主工作：列出的算法是美國海軍研究生院和美國海軍學院創建并測試的算法。為了保持在自主研究方面的共同努力，本論文將在這兩所院校之間架起一座橋梁。

在未來的空戰中，無人協同系統的整合將是一個潛在的巨大力量倍增器。其成功的關鍵因素將是編隊情報、協調任務規劃和跨平臺任務管理。因此，構思下一代機載武器系統的任務需要一個整體的系統方法，考慮不同的航空飛行器、其航空電子任務系統和針對未來威脅的整體作戰概念。為了盡早驗證可能的解決方案概念并評估其作戰性能，在過去幾年中，在空中客車防務與航天公司未來項目中開發了一個動態多智能體戰斗仿真。除了比實時更快的工程功能外，該仿真還可以進行實時人機對話實驗，以促進工程師、操作員和客戶之間的合作。本文介紹了動態任務仿真方法，以及在未來戰斗航空系統（FCAS）研究中應用此工具所得到的啟示，在此期間，我們清楚地認識到什么是未來應用的一個關鍵挑戰。實施一個強大的高層規劃算法，為復雜的空中行動生成臨時任務計劃，同時考慮反應性的低層智能體行為、人類操作員和在線用戶輸入。

1 引言

每一代新的戰斗機都可以通過一個或多個技術飛躍來定義，這些技術飛躍使其與上一代的設計有很大區別。毫無疑問，自從大約15年前第一架第五代戰斗機投入使用以來，幾乎所有的設計學科都有了顯著的進步。不同的飛機制造商，包括空客，已經宣布他們目前正在構思或研究第六代戰斗機[1] [3]。與目前最先進的飛機相比，這些項目很可能在各個領域都有改進，如飛行性能、全方面和全模式隱身、低概率攔截雷達和通信或武器裝備。但問題仍然存在：什么將是這一代的決定性因素，一個真正改變未來戰斗空間的因素？

一個常見的假設是，未來的戰斗空間將是 "高度網絡化 "的，即所有參與的實體都可以交換他們的態勢視圖，并以近乎實時的方式創建一個共享的戰術畫面。一方面，這使得多個平臺在空間和時間上可靠同步達到了以前不可能達到的程度。許多算法，特別是發射器定位或目標測距的算法，如果能從多個位置產生測量結果，會產生明顯更好的效果。另一方面，高質量數據的可靠交換通過分配以前由單一平臺執行的任務，使戰術更加靈活。對作戰飛機的主要應用可能是所謂的合作交戰概念（CEC），這已經是美國海軍針對反介入/區域拒止（A2/AD）環境的海軍綜合火控-反空（NIFC-CA）理論的一部分[4]，但其他應用也是可能的，例如合作電子攻擊。所提到的概念主要適用于任務期間單一情況的短期范圍，例如偵察或攻擊薩母基地、空對空（A2A）作戰等。然而，就整個任務而言，還有一個方面需要提及。鑒于所有參與實體之間的可靠通信，規劃算法可以交換任務計劃變更的建議，并根據其目標和當前的戰術情況自動接受或拒絕。這在一個或多個不可預見的事件使原來的任務計劃無效的情況下特別有用，盡管所有預先計算的余量。與其估計一個替代計劃是否可行，并通過語音通信與所有其他實體保持一致（考慮到船員在某些任務階段的高工作負荷和參與實體的數量，這是一項具有挑戰性和耗時的任務），一個跨平臺的任務管理系統可以快速計算出當前任務計劃的替代方案，并評估是否仍然可以滿足諸如開放走廊等時間限制。然后，一組替代方案被提交給機組人員，以支持他們決定是否以及如何繼續執行任務。

將上述想法與現在可用的機載計算能力結合起來，由于最近在硬件和軟件方面的進步，可以得出結論，未來一代戰斗機將很有可能在強大的航空電子系統和快速可靠數據交換的基礎上，采用卓越的戰術概念進行作戰。然而，這還不是我們正在尋找的明確游戲改變者--甚至現有的第五代戰斗機已經應用了一些提到的概念，例如，在NIFC-CA背景下的F-35[4]。因此，下一步不僅要改進飛機的航電系統，而且要在完全網絡化環境的前提下連貫地優化航電、戰術和平臺設計。這種方法允許思考這樣的概念：如果得到網絡內互補實體的支持，并非每個平臺都需要擁有完整的傳感器套件和完整的決策能力。因此，不同的平臺可以針對其特殊任務進行高度優化，從而與 "單一平臺做所有事情 "的方法相比，減少了設計過程中需要的權衡數量。很明顯，一個專門的傳感器平臺不需要或只需要非常有限的武器裝備，因此現在可用的空間可以用來建造更好的傳感器或更大的燃料箱。這已經可以使該平臺專門從事的任務性能得到顯著提高，但有一樣東西可以去掉，它的影響最大：飛行員。在這一點上，必須明確指出，目前沒有任何算法或人工智能能夠接近受過訓練的機組人員態勢感知和決策能力。這就是為什么在不久的將來，人類飛行員在執行戰斗任務時將始終是必要的。然而，如果飛行員（或更準確地說，決策者）被提供了指揮無人駕駛同伴的所有必要信息，那么就不需要在同一個平臺上了。因此，我們提出了一個概念，即一個或多個載人平臺由多個無人駕駛和專門的戰斗飛行器（UAV）支持。在下文中，我們將把至少一個載人平臺和一個或多個由載人平臺指揮的專用無人機組成的小組稱為包。我們聲稱，由于以下原因，無人平臺將作為有人平臺的力量倍增器發揮作用：

• 無人機是可擴展的，而空勤人員是不可擴展的。因此，無人機可以執行高風險的任務，并允許采用只用載人平臺無法接受的戰術。

• 無人機更便宜（即使不考慮機組人員的價值），因為它們可以在性能相同的情況下比載人平臺建造得更小。這意味著，在相同的成本下，更多的平臺可以執行任務，更多的平臺會導致更高的任務成功率。首先，因為有更多的冗余，其次，如果有更多的資產參與其中，一些任務可以更好地完成，例如發射器的定位。

• 不同的無人機和載人平臺可以任意組合。在任務開始前，可以根據需要組成包。在任務期間，在某些限制條件下，也可以重新組合軟件包，例如，如果交戰規則禁止不受控制的飛行，則指揮平臺之間的最大距離。這使得任務規劃和執行有了更大的靈活性，預計也能保持較低的運行成本和材料損耗（"只使用你需要的東西"）。

像往常一樣，沒有免費的午餐這回事。在我們的案例中，所有上述優勢對飛機設計師來說都是有代價的。不是按照一組技術要求優化單一設計的性能，而是必須設計多個平臺及其子系統，使其在各種任務和組合配置中最大限度地提高整個系統的性能。在本文的其余部分，我們將介紹FCAS原型實驗室（FPL），這是一個在FCAS背景下開發的模擬環境，用于解決這一高度復雜的問題。在第2章中概述了它在概念設計和跨學科技術原型開發中的作用后，我們將在第3章中介紹底層動態多智能體任務仿真的概念和架構。在第4章中，我們將介紹選定項目的結果，以概述該工具的多功能性。本文最后將介紹可能是未來最大的挑戰之一，不僅對模擬，而且對一般的無人系統的引進。實施一個強大的高層規劃算法，為復雜的空中行動生成臨時任務計劃，同時考慮反應性的低層智能體行為、人類操作員和在線用戶輸入。

FCAS原型實驗室（FPL）：動態多智能體任務仿真

FPL的核心是一個動態多智能體任務仿真，可以在一臺計算機上運行，也可以分布在多臺機器上，并使用不同的附加硬件組件。為了方便兵棋推演的進行，對人機界面技術進行原型測試，或用于一般的演示目的，模擬中的所有載人機載資產都可以選擇由硬件駕駛艙控制。如果沒有人類操作員參與，模擬必須能夠比實時運行更快。這對于在可能需要數小時的大規模任務中進行有效的開發和權衡分析尤為必要。為了以客觀和公正的方式評估概念和技術，每個模擬任務的過程都是由預先定義的系統屬性、物理效應的模擬和可配置的智能體行為和合作演變而來。不存在任何腳本事件，每一次新的模擬運行的結果都是完全開放的。藍軍和紅軍是在相同的假設下，以可比的抽象水平進行模擬。以下各章概述了如何在FPL中動態地模擬當前和未來機載系統的任務。介紹了我們的仿真結構，在對這類系統進行建模時最重要的設計權衡，以及行為建模的高層次規劃/低層次控制方法。

架構

FPL的仿真架構由三個邏輯部分組成：應用、仿真控制和通信中間件。該架構的一個核心特征是，模擬被分割成幾個應用程序。每個應用程序運行不同的模型，例如，有一個應用程序用于模擬自己的（藍色）航空器、敵方（紅色）航空器、綜合防空系統（IADS）以及更多的模型，如下所示。所有的應用程序共享相同的標準化接口，并且可以任意組合。這種模塊化允許只運行某個任務或項目所需的部分模型。所有的應用程序都是獨立的可執行文件，可以在同一臺計算機上以并行進程運行，也可以分布在幾臺機器上。通過交換編譯后的二進制文件，來自不同公司的模型的整合是可能的，而不會暴露詳細的基本功能。一般來說，不同公司之間的快速和容易的合作是FPL架構的一個主要驅動力。為此，提供了一個基礎應用類，它提供了所有與仿真有關的功能，如仿真控制狀態機、通信中間件接口和通用庫，例如用于不同坐標系的地理空間計算。通過簡單地實現一個新的基礎應用實例，新的模型可以被添加到仿真框架中。所有應用程序的執行都由一個中央仿真控制實例控制。它提供了一個圖形化的用戶界面，可以根據需要啟動、停止和加速模擬。在執行過程中，所有應用程序的運行時間被監控，仿真時間被動態地調整到最慢的模型。這使得分布式的比實時更快的模擬具有自適應的模擬時間加速。應用程序之間的通信是通過數據分配服務（DDS）標準[2]實現的。它使用發布-訂閱模式在網絡中實現了可靠和可擴展的數據交換。兩個不同的分區用于廣播仿真數據（如實體狀態、仿真控制命令等）和多播命令和控制數據（如通過BUS系統或數據鏈路實際發送的數據）。DDS標準的開放源碼實施被用來進一步方便與外部伙伴的合作。

圖1提供了我們的模擬架構的概況，包括大多數任務所需的應用程序。如前所述，這個架構并不固定，幾乎任何應用都可以根據需要刪除或交換。如黑色虛線箭頭所示，通過DDS中間件在仿真控制處注冊一個基本的應用實現，可以集成新的模型。藍色/紅色背景的方框描述了己方/敵方系統，混合顏色的方框可供雙方使用。仿真基礎設施組件的顏色為灰色，用戶界面的顏色為橙色。黑色箭頭表示模擬過程中的通信，灰色箭頭代表模擬運行前后的數據交換。

對于兵棋推演環節，不同的應用程序分布在FPL的多個房間內運行，以模仿真實的空中作業程序。在設置好一個場景后，藍方和紅方的操作人員使用任務配置工具，在不同的房間里計劃他們的任務。空中行動指揮官留在這些房間里，而飛行員則分成兩個房間，每個房間有兩個駕駛艙來執行任務。藍方和紅方空軍應用的任何飛機都可以從駕駛艙中控制，因此飛行員可以接管不同的角色，并相互對抗或作為一個團隊對抗計算機控制的部隊。所有房間都配備了語音通信模擬。任務結束后，各小組在簡報室一起評估任務，可以從記錄的模擬數據中回放。一個額外的房間配備了多個連接到模擬網絡的PC，可以選擇用于特定項目的任務，例如硬件在環實驗。

建模

為FPL選擇正確的建模范式事實上并不簡單，因為它涵蓋了操作分析工具（通常是隨機的）以及工程模擬（通常是確定性的或混合的）的各個方面。這個決定的影響可以用一個例子來說明，即如何確定一架飛機是否被導彈擊中。在隨機模型中，這個決定是基于可配置的概率，例如，被擊中的概率（導彈）和回避動作成功的概率（飛機）以及一個隨機數。為了使最終的任務結果對單一的隨機數不那么敏感，在實踐中經常用不同的隨機種子進行多次模擬運行。按照確定性的方法，導彈的飛出是根據導彈的發射方向、制導規律和固定的性能參數如推力、最大加速度等來模擬的。飛機在規避機動過程中的軌跡也是基于其初始狀態、空氣動力學、反應時間等。例如，當彈頭引爆時，如果導彈和飛機之間的距離低于某個閾值，那么飛機就會被認為被殺死。在一個確定性的模型中，在導彈發射時已經知道飛機是否會被擊中。確定性模型中必要的簡化通常是通過引入固定參數來完成的，比如導彈例子中的距離閾值。混合模型允許使用隨機數進行這種簡化，例如，作為失誤距離的函數的殺傷概率。

為了有效地測試和分析大規模的空中作業，在單臺機器上有幾十種藍色和紅色資產運行的情況下，模擬運行的速度至少要比實時快10倍（平均）。這對所用算法的時間離散性和運行時的復雜性提出了重大限制。為了保持快速原型設計能力，為新項目設置仿真或開發/集成新組件所需的時間應保持在較低水平。太過復雜的模型會帶來更多的限制，而不是顯著提高結果的質量。在這些方面，（更多的）隨機模型在運行時間和開發時間上都有優勢，更快。然而，在我們的案例中，有兩個主要因素限制了隨機模型的使用，使之達到最低限度。首先，模擬只有在給出他們的戰術和演習成功與否的確切原因時才會被操作者接受。此外，隨機模型是由數據驅動的，但對于未來自己和/或敵人的系統來說，所需的數據往往無法獲得。對于已經服役多年并在測試或實際作戰中多次射中的導彈，有可能估計其殺傷概率。然而，僅僅為未來的導彈增加這一概率是非常危險的，特別是因為隨機模型對這些參數非常敏感。從我們的觀點來看，通過將所有系統建模為基于技術系統參數的通用物理模型，可以實現對未來系統更健全的推斷。第一步，通過模擬已知技術和性能參數的現有系統，對模型本身進行驗證。對于未來的系統，技術參數會根據預期的技術進步、領域專家知識和他們的工具進行推斷。堅持最初的例子，未來戰斗機的回避機動性能的推斷，例如，基于從CAD和流體動力學模型計算出的更高的升力系數，或基于更高的導彈接近警告器的分辨率和靈敏度。

客觀評價未來概念在模擬中的表現的一個關鍵方面是環境和威脅的建模。必須考慮到，系統的方法在紅方和藍方都是有優勢的。現代國際防空系統的危險來自于結合不同的系統，從非常短的距離到遠距離。所有這些系統都有它們的長處和短處，但它們被組織起來，使個別的短處被其他系統所補償，并使整個系統的性能最大化。因此，第一個困難是必須對大量的系統進行模擬，并且必須確定這些系統的個別優勢和劣勢。通用物理模型的方法可用于這兩個方面。在通用防空系統模型被開發和驗證后，它可以迅速將新的系統整合到模擬中。根據模擬的物理效果，可以估計敵方系統的作戰優勢和弱點或未來可能的威脅概念。另一方面，使用通用模型的困難在于，必須將真實系統的功能映射到通用模型中，以便保留所有重要的單個系統屬性。這不可避免地導致了相當復雜和詳細的通用模型。我們將以地基雷達組件為例，概述我們平衡復雜性和保真度的方法。如圖2所示，IADS模擬中的一個實體由不同的組件組成。這些組件可以任意組合，以快速配置新系統。從功能角度看，地面雷達組件由控制器、探測模型和目標跟蹤器組成。根據實體的當前任務，控制器選擇所需的雷達模式，例如，360°搜索的監視或戰斗搜索，如果一個特定的部門必須優先考慮。為了對付干擾或地面雜波，可以使用不同的波形。根據雷達的類型，如機械或電子轉向的一維或二維，控制器有不同的可能性來適應搜索模式。在為一個波束位置選擇了波形的類型和數量后，探測模型根據目標、地面雜波、地形陰影、大氣衰減和電子對抗措施等方面的雷達截面模型，產生測量結果。測量誤差是由取決于隨機模型的信噪比引起的。由此產生的測量結果然后由目標跟蹤器處理，它執行測量-跟蹤關聯和跟蹤過濾。

這種詳細模型產生的另一個困難是必須估計的參數總數。在這一點上也要注意，模擬中的所有數據都是不受限制的。這一方面是由于大多數項目的限制，但另一方面，它在日常工作中也有實際優勢。我們必須牢記，模擬是用于概念驗證，而不是用于詳細的系統設計，所以在這個早期階段使用機密的威脅數據會對基礎設施和開發過程造成重大限制，而不會給結果帶來重大價值。基于此，所有的威脅數據都必須根據公開的來源或來自內部項目和外部合作伙伴的非限制性數據進行估算。這再次導致了大量的數據，而這些數據的詳細程度往往是非常不同的，或者是不一致的，例如，由于對限制性數據的去分類。隨著我們模型的不斷發展和多年來獲得的工程專業知識，我們有可能為不同的當前和推斷的未來威脅系統估計出一致的參數。這主要是在一個自下而上的迭代過程中完成的。根據現有的技術和性能參數，對缺失的模型參數進行估計以適應組件的性能。然后對單一系統的不同組件之間的行為和相互作用進行調整，以達到理想的系統性能。最后，在不同的情況下測試IADS內這些系統的協調，以使整個系統的性能最大化。

當自主導航到其目標時，地面機器人在檢測和識別其周圍環境和物體方面遇到了艱巨的挑戰。從它的感覺輸入來看，機器人的人工智能必須從語義上分割場景，如地形、植被、人造結構、碎片、水流等。然后，機載感知系統必須智能地評估并確定機器人可以安全地穿越場景的哪些部分，以達到目標。該項目的目標是開發一種新的基于視覺的感知方法，以評估自主地面車輛在自然或結構化環境中穿越時可能遇到的地形的可操作性。隨著深度學習的進展帶來的巨大成功，計算機視覺在物體識別任務中的表現有時超過了人類水平。然而，這些算法需要大量的類實例才能準確執行。

雖然視覺數據很豐富，但與地面導航相關的圖像，尤其是有類標簽的圖像卻很少。因此，需要一種計算機視覺算法，能夠在小的訓練集上有很高的性能，并且能夠識別新的物體。我們建議研究基于GAN的數據增強方法和有效的場景理解方法，以解決與自主機器人在以前未見過的環境中的操縱有關的感知問題的數據稀缺性問題。預期的相關機器人操縱環境和場景通常是不尋常的，而目前的深度學習范式的數據要么稀缺，要么不存在。因此，預計基于GAN的數據增強方法可以為開發能夠感知和理解新環境的陸地機器人車輛提供解決方案。

本文介紹了在卡勒獎學金第一年內進行的研究，研究如何自主控制檢查平臺向故障平臺行駛以完成檢查相關任務。這項研究的目的是開發一個有限時間的相對位置控制框架，使檢查衛星能夠安全地接近發生故障的平臺，因為平臺的通信能力受到阻礙，導致其在接近過程中根本無法通信。故障平臺導致獨特的挑戰，即平臺的狀態被認為是先驗未知的，檢查器可能無法從故障平臺提供的準確和連續的信息中受益；故障平臺也可能受到機動和干擾。

在該獎學金的第一期內，使用 MATLAB 和 Simulink 開發了仿真軟件，以演示檢查平臺與故障平臺執行會合操作。首先引入基于視線的相對運動模型，直接使用導航信息，然后以自適應非奇異終端滑模控制器的形式開發魯棒控制框架，以確保閉環系統穩定并保證有限時間收斂到所需的狀態。然后在最終討論未來的工作和目標之前展示和討論模擬結果。

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。