無人駕駛飛行器（UAV）的結構由幾個關鍵組件組成，以優化其效率以及在空戰或空中監視應用等關鍵環境中的可操作性。本研究工作是在自主協作智能體中實施一種創新的人類專家評估策略，以確定無人飛行器的威脅等級。因此，目標是使用一種稱為 “策略捕捉 ”的認知工程技術，配置與人類認知相一致的作戰威脅評估能力。這包括以下兩個步驟。第一步是將認知建模系統集成到智能體中。該系統根據專家先前的決定，提供有關威脅等級評估的建議和警告。因此，它可以利用從人類推理中提取的真實決策模式，提供透明和可解釋的能力。換句話說，這種認知建模系統有助于將專家決策中的一些隱含要素顯性化。此外，還采用并部署了一種多模型方法，使用七種同步監督機器學習算法，通過模仿專家決策來預測威脅程度，而不會受到疲勞、壓力或分心的影響。這些算法基于經過增強和微調的 python scikit-learn 模塊： 邏輯回歸（LR）、決策樹（DT）、K-近鄰（KNN）、多層感知器神經網絡（MLPNN）、奈夫貝葉斯（NB）、支持向量分類器（SVC）以及隨機森林（RF）。第二步是將專家策略提供的響應傳送給智能體的態勢感知模塊。為此，我們將專家策略確定的威脅等級與自主代理已確定的初始威脅等級進行融合。為實現這一目標，我們利用模擬環境提供了一個關鍵資產保護用例。該使用案例由四個威脅等級組成，從犯罪意圖到毫無頭緒不等。該解決方案試圖通過根據威脅等級管理或優先處理要跟蹤和消除的目標無人機數量，最大限度地提高 “真實 ”威脅的消除率。換句話說，防御性無人機蜂群通過首先處理犯罪特征來確定其響應的優先級，目的是以最高優先級解除威脅，然后繼續處理粗心大意的特征，最后是無知的特征。防御蜂群采取 “看門狗 ”行為，適應威脅級別的突然變化，例如，當任何威脅過于接近保護區時。值得一提的是，在沒有專家策略的情況下，所有敵方無人機都被視為具有同等威脅，沒有優先級之分，從而導致無法消除實際威脅的更大風險。未來的工作方向包括研究如何通過在線學習和可解釋的人工智能方法實現相互理解和預測能力，從而改善人類-自動駕駛團隊合作。此外，通過這種方法實現的另一種潛在破壞性能力可能是讓無人機蜂群學會在線預測對手無人機的行為模式，以便在飛行中進行調整，實現認知空中優勢。
圖 1：SE-STAR 模擬展示了紅方和藍方力量以及地面控制站。
自主系統的發展被視為提高人類操作員效率和性能的工具，有助于減少人類的工作量、壓力和失誤[1]。自主協作智能體的興起引發了監視和偵察領域的重大轉變[2]。一個常見的誤解是，這種協作型智能體將取代人類或消除人為錯誤。自動化悖論指的是，事實上自動化會引發新類型的錯誤和新類型的問題，例如由于濫用自動化而導致人類技能和性能下降[3]。此外，能否信任自主系統通常也是一個問題，尤其是在國防和安全領域，在這些領域，通常必須讓人類參與其中。然而，這也引發了諸如 “環路中人類的虛假保證 ”等問題，在這種情況下，人類往往被賦予監督者的角色，對非常復雜的完全自主系統進行監控，但卻導致了態勢感知（SA）的缺失，甚至降低了人類的整體影響力，即使人類仍然需要對系統進行驗證或下達某些指令。態勢感知不僅對人類的表現至關重要，而且也是自主系統和人類-自主團隊合作中的一項挑戰。
1.1 團隊態勢感知（TSA）
團隊態勢感知（TSA）是團隊協作性能的關鍵組成部分。它可以被描述為 “知道你周圍發生了什么”，并知道如何理解、解釋和提取有關環境的信息[4]。當涉及到決策時，SA 還與人類的一些偏差有關，例如：i) 注意力狹窄/鈍化；ii) 記憶力不足；iii) 工作量、疲勞、壓力、反應時間；iv) 數據超載；v) 不適應的心理模型（例如，非邏輯推理或不當行為）；vi) 不使用或濫用自動化系統 [5，6]。在此，我們尤其關注的是如何讓控制無人駕駛飛機的智能體進行有效的情況評估這一挑戰[5]。在這項研究中，我們開發了一種新的潛在方法，不僅能為人類提供決策支持，還能為自動系統提供決策支持，有助于在協作式自動無人機系統的應用中保持高水平的 SA。
1.2 無人機的態勢感知與人機協作
人機協同（HAT）是指人類與自動化系統之間能夠相互依賴地協調合作，以完成共同的任務或目標[5]。人類和機器都缺乏 SA 會對團隊的表現產生不利影響。對無人系統在軍事上的使用進行的研究發現，33% 的事故是由人類直接造成的，67% 是由于機器的問題造成的[8]。美國國防部的其他統計數據稱，人為失誤造成的事故占軍方無人機系統事故的 20%- 70%[9]。這些指標因 HAT 而異，但人類常見的錯誤模式有：基于技能的錯誤、程序性錯誤、核對表錯誤、操作不當或對自主系統控制過度或不足，而機器則往往在設置、監控、檢測和診斷失敗等方面出現問題 [8]。研究人員證明，混合主動目標識別，即由一個智能體提供協助，在視覺搜索空間中定位潛在目標，實際上隨著時間的推移，性能持續惡化[10]。他們認為，接受過檢測特定刺激訓練的智能體，其表現可能不如機警的人類[10]。因此，在設計 HAT 框架時，必須根據每個智能體的局限性和優勢，探索降低風險、提高安全性和可靠性的方法。自主系統在可解釋性方面面臨著重大的信任挑戰，因為有時這類系統往往難以提供可靠、可理解的信息，以確保充分的合作與協作[11]。缺乏對智能體的認識和理解只會強化環外現象[12]。
1.3 目標
提出了一個原型解決方案，旨在讓智能體向人類專家學習如何評估特定類型的情況。本研究選擇的用例包括在反無人機場景中進行威脅評估，以保護關鍵資產。這項概念驗證調查是認知系統工程（CSE）研究工作的第一步，旨在利用人在回路合成測試環境反復測試和改進 HAT 能力。認知系統工程方法側重于提高人類理解和控制系統的能力，通常在開發自適應/智能/學習框架方面發揮關鍵作用[13]。雖然過去的工作推進了用于人類與無人機協作的可調節自主方法[13, 14, 15, 16, 17]，但適應性大多基于環境、使用案例和任務目標（例如，改變每個操作員的無人機數量）[14]。然而，還沒有研究通過使用專家建模將情況評估策略轉移到智能體以增強系統自主性和 HAT 協作能力來證明這種可調整性。本文第 2 節介紹了擬議框架，第 3 節介紹了威脅檢測應用案例，第 4 節介紹了方法，第 5 節介紹了結果，第 6 節介紹了結論。
框架與設計：專家建模與自主智能體
本文研究的新解決方案結合使用了基于人工智能的決策支持系統 “認知陰影”（專家陰影和自動學習觀察到的決策/行為模式；[18, 19]）和人工智能強化智商協同合作伙伴（SPARQ），后者是一個用于實施和優化協作自主系統的平臺。這兩個系統被合并成一個聯合能力框架，在這個框架中，人類操作員和智能體可以共同學習、協調和共享信息。這種 HAT 使智能體能夠為完成聯合任務而協作，并反映了具有高度自主性的任務管理互補自適應框架[17]。
2.1 SPARQ
SPARQ 是一種人工智能體解決方案，能夠與人類操作員協同工作，并創建復雜的多功能協作平臺。SPARQ 可實現多智能體用例的開發、部署和測試，其中其他智能體可以是人工的，也可以是人類的。通過使用其相關的組隊框架，它允許人類和智能體朝著共同的目標合作。SPARQ 的 “數字孿生 ”由三個主要部分組成：i) 感知能力，包括利用傳感器和仿真模型來表示和理解人工智能體的當前情況及其歷史；ii) 預測能力，包括根據假設情景預測當前情況可能如何發展的能力；iii) 決策能力，包括根據感知和預測模塊的輸入制定行動計劃的能力。該系統已利用無人機群、地面控制站和智能傳感器等真實硬件或操作系統進行了實施和測試。它能夠讓有組織的團隊組成蜂群。這些由人工智能驅動的系統具有實時適應和重新配置的能力，可以自主執行復雜多樣的任務。
2.2 認知陰影
Cognitive Shadow 使用最先進的策略捕捉方法，結合多種監督機器學習算法，實現了專家決策和行為模式的自動建模[20- 21]。這種源自專家的認知模型支持一種稱為 “判斷引導 ”的過程，在該過程中，模型往往比人類更可靠，因為這些模型不受疲勞、壓力、分心和精神超負荷的影響[22, 23]。使用認知影子技術多次觀察到這種效果，從而成功降低了 4% 到 36% 的錯誤率 [22-24]。將 Cognitive Shadow 集成到 SPARQ 中可實現決策支持系統的個性化，使團隊伙伴（智能體和人類飛行員或操作員）在優化任務性能的同時獲得實時建議。此外，它還能根據專家政策對信息進行優先排序，并提取上下文信息需求。它通過兩種方式讓人類參與到智能體的決策中：i) 使用經過人類專家訓練的人工智能算法；ii) 實時建議和互動[25]。這種方法支持可解釋性和透明度，因為每個決策都是基于人類的專業知識和理解。它不僅為人類在容易出錯的挑戰性條件下提供支持，也為無人機蜂群等自主協作智能體提供支持。
威脅分類
本次調查選擇的使用案例側重于利用無人機系統探測受保護設施周圍的威脅，從而加強國土安全。使用數字孿生無人機架構在情況監控和異常檢測方面邁出了重要一步，從而增強了安全性[27]。
3.1 威脅檢測類型
威脅評估在很大程度上取決于環境和情況。在本研究中，我們將重點關注用于保護禁區的無人機對抗措施。重要的是要考慮環境中可能存在的不同類型的威脅，以便模仿和復制其發生的現實。威脅類型通常基于無人機的不同用途，如民用、恐怖主義、軍事或犯罪用途[26]。恐怖分子惡意使用無人機的例子可能是監視或自殺，而對平民的體貼使用可能是災難響應、旅游使用和電影拍攝、援助和供應，甚至是商業廣告[26]。然而，其他研究則側重于不同類型的威脅，如黑客攻擊、欺騙、干擾、惡意軟件感染、硬件攻擊等[26, 27]。對于本用例，我們依靠過去的威脅等級評估工作來確定威脅等級和因素[28]。
3.2 現有的無人機威脅評估方法
已研究出多種威脅評估和檢測技術。一種方法側重于非合作無人機監控的惡意意圖和最終目的地估計[29]。還有一些方法使用基于規則的入侵檢測，這種方法是通過定義所關注的攻擊類型并將其實施為 “魯莽攻擊”、“隨機攻擊”、“機會主義攻擊”，從而最大限度地減少檢測誤差，包括假陽性率和假陰性率。不過，這種方法往往過于簡單，無法識別未知類型的攻擊 [26]。根據某些傳感器（如聲學檢測、運動或攝像頭檢測、熱檢測和雷達探測）的優先級，方法可能會有所不同[8]。這些方法的威脅評估流程基本相同。它包括：i) 檢測階段，涉及識別實體的能力；ii) 鑒別能力，即接受某些輸入模式并拒絕其他模式的能力；iii) 基于飛機類型（戰斗機和轟炸機）的分類步驟；iv) 識別不同類型或級別威脅的步驟；以及 v) 確定需要采取的應對行動類型。
3.3 威脅評估算法與特征
部署智能和 HAT 平臺可以改善國土安全和任務安全，其中 SA 被認為是多飛機任務的戰術優勢和戰術軌跡規劃的主要組成部分[28]。貝葉斯網絡模型是利用人工智能進行威脅評估的最常用方法之一。文獻[28]中的一個例子利用四個事件節點證明了這種方法的可行性：i) 識別類型（如雷達成像、電子、紅外或可見光成像偵察）；ii) 地形特征（如敵方武器位置的地形和地貌特征數據）；iii) 天氣類型（如天空能見度）；iv) 電磁環境（EE），如輻射、被敵方設備探測到的概率。這些特征有助于評估威脅程度或探測到惡意無人機的概率。同樣，文獻[30]證明了在 HAT 場景中戰術無人機決策需要動態貝葉斯網絡和馬爾科夫決策過程。這項工作還強調了專家指揮官如何進行評估，如推理和決策如何/何處/何時部署可用資源，以提高生存能力和完成既定任務的概率[30]。這與目標類型、武器類型、所屬關系（敵、友、神經或未知）、與所關注實體的距離、探測半徑、武器射程、速度、方向和地形類型等特征相結合。他們將這些特征編碼到基于規則的模型中，以評估分類效果。文獻[31]中的其他工作展示了針對無人機威脅的輔助決策支持系統。該系統利用基于知識和基于傳感器的融合分類性能來劃分威脅等級。他們測試了三種策略：i) 基于速度的規則，純粹使用四個等級的加速度變化，其中加速度是風險指標；ii) 距離受保護設施的距離；iii) 速度和速度變化模式，分為 5 個等級。[32] 使用動態貝葉斯網絡模型，使用了類似的特征。不過，根據領域專家的知識，他們增加了飛行器的類型和特征：轟炸機需要俯沖到中等高度進行精確定位轟炸，電子干擾機和預警機通常處于高空[32]。最后，[33] 利用貝葉斯網絡使用了 EE 類型（軍用、民用、無發射）、雷達類型（民用、軍用）、干擾器（開與關）以及任務類型（偵察、輕型商用、非法飛行、其他）和速度（亞音速、跨音速、超音速、高超聲速）。
圖 3：認知陰影模型對四種可能類別的威脅檢測結果。
方法
4.1 專家
第一步是對四位專家進行訪談。我們采訪了來自泰雷茲陸地和航空系統公司的三位航空航天和導航領域專家，以及泰雷茲加拿大防務與安全公司和加拿大皇家騎警反無人機專家。第四位專家是一名戰斗機飛行員。這些專家幫助提供了對情景的反饋意見，并幫助驗證了專家政策建模的輸入。除專家反饋外，我們還借鑒了上述先前的研究成果，以確保概念驗證研究基于現實的假設。
4.2 模擬和無人機
這項研究涉及使用人工智能體和模擬敵方無人機，這些無人機需要根據定義的使用案例和專家反饋意見進行中和。每個模擬無人機都是由自主機器人航空（ARA）提供和開發的四旋翼無人機。為了訓練我們的 HAT，我們使用了 SE-STAR 模擬器[34]，它使我們能夠開發反無人機模擬場景。這樣，我們就可以利用可定制的地形（具有特定尺寸的土地和保護區域）來模擬不同的威脅級別。模擬涉及藍色智能體（防御小組）、紅色無人機（需要評估的威脅）、地面控制站和雷達。通過將 SPARQ 與無人機模擬器連接，我們可以模擬無人機與環境之間的互動（即模擬傳感和物理）。這種設置為我們的 HAT 團隊框架和專家策略模型提供了一個測試平臺。通過這種實現方式，我們可以擁有一個動態環境，并有可能進行人機交互。它還允許生成培訓和測試數據、態勢感知指標和團隊協作性能。這種模擬測試有助于發現我們的框架和政策中潛在的差距、功能障礙和謬誤，需要在隨后的實地測試階段之前加以解決。
付費5元查看完整內容
相關內容
本研究論文介紹了軍用無人機系統盒（The NeuronDrone-Box）中用于攻擊或防御決策的全自主人工智能：硬件、算法和一種新型專用軍用無人機或無人機。第一部分介紹了軍用無人機系統盒（The NeuronDrone-Box）中的攻擊或防御決策全自主人工智能，以適應任何無人機的主控系統。第二部分是使用混沌理論和經濟地理學的算法。第三部分介紹了被稱為 "黑色噩夢 V.7" 的開創性原型機。黑色噩夢 V.7 無人機投彈手擁有一系列與眾不同的功能和應用，本技術報告將對此進行詳細介紹。首先，主張在軍用無人機系統箱（The NeuronDrone-Box）中實施全自主人工智能攻防決策，以控制與全自主人工智能攻防決策軍用無人機系統箱（The NeuronDrone-Box）相連的多副翼系統（MAS）和多導彈系統（MM-System）。
付費5元查看完整內容
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。
付費5元查看完整內容
智能自主系統（IAS）是系統簇（SoS）的一部分，可與其他智能體互動，在復雜環境中完成任務。然而，基于其有限的認知過程，IAS 集成的 SoS 增加了額外的復雜性，特別是共享態勢感知（SSA），使團隊能夠對新任務做出響應。在軍事指揮與控制等復雜任務環境中，IAS 缺乏 SSA 會對團隊效率產生不利影響。SSA 的補充方法，即 “態勢理論”，有助于理解 SoS 的 SSA 與效率之間的關系。本研究闡明了態勢理論的概念性討論，以研究當人類與智能體協同工作時，SoS 的共享態勢感知的發展。為了使討論具有基礎，所回顧的研究在 SoS 的背景下擴展了態勢理論，并由此產生了三大猜想，這些猜想對未來 SoS 的設計和開發大有裨益。
圖 實現共享感知
機器學習算法和人工智能（AI）的進步正在使許多自動化系統變得更加自主（Chiou 和 Lee，2016 年）。這些技術進步的轉變之一是自適應智能自主系統（IAS）的發展，作為團隊成員，它們可以與其他智能體（即人類或機器）進行互動，以完成共同的目標。在指揮與控制（C2）任務環境中的人機團隊（HMT）背景下，IAS 是 “自主與無人系統和人工智能的融合”（海軍部 IAS 戰略，2021 年）。IAS 使組織能夠自動執行以前需要人類監督、能力和支持的各種單項任務。此外，伴隨著傳感器、艦載處理和人工智能編程復雜性的進步，IAS 的應用范圍也在不斷擴大。基于這些原因，我們將系統簇（SoS）定義為人類和 IAS（即 HMT）的結合體，在與環境交互的同時為實現共同目標而運行。由人類、機器和連接它們的輔助 C2 系統組成的 SoS 概念與 Maier（1998 年）對 SoS 和通用協作系統的分類區分是一致的。由此帶來的 IAS 發展標志著認知過程和性能的有效性和效率的提高，同時減少了人類操作員的腦力和體力工作量（Matthews 等人，2021 年）。
在 C2 行動中引入作為團隊成員的 IAS，為有人類操作的行動引入了新的層面。然而，這些新的 HMT 編隊也在 SoS 層面引入了不確定性。例如，IAS 和隨附的網絡化決策支持系統可能會引入大量動態環境因素（如人機通信），或向作為更大 SoS 一部分的人類展示異常行為，從而造成認知超載。此外，人類操作員對 IAS 的行為或輸出缺乏了解，同樣會產生子系統的不確定性（Canan 等人，2017 年）。這種算法引起的不確定性可能會降低、減緩或阻礙決策過程，從而導致人類團隊成員面臨更高的風險，進而影響任務的執行。目前，HMT 領域的人工智能研究探討了系統（即團隊）層面，特別是 SoS 層面的團隊認知過程和性能，包括交互（Klien 等人，2004 年）、信任（Bindewald 等人，2018 年）和決策（Kase 等人，2022 年）。然而，在人類-智能輔助系統團隊的背景下，還需要進行更多的深入研究，特別是在團隊態勢感知（TSA）的角度上進行研究，以便對這些系統進行適當的工程設計。
一般來說，TSA 被定義為“......每個團隊成員都有一套自己關注的特定 SA 要素，這是由每個成員在團隊中的職責決定的”（Endsley，1995 年，第 38-39 頁）。后來，Gorman 等人（2012 年）擴展了 Endsley 的 TSA 觀點，大力強調團隊溝通和協調的時空方面（即在正確的時間、正確的地點向正確的團隊成員發送信息）。然而，在發送信息之前，還必須在 TSA 概念內考慮最初的決策過程，尤其是在復雜領域。為了填補這一空白，本研究旨在通過專門闡述 TSA 的 SoS 層面，了解團隊層面認知過程的動態變化，包括溝通、協調和決策。此外，TSA 與共享情境意識（SSA）有更廣泛的聯系。研究人員在 HMT 研究中交替使用 SSA 和 TSA（Ososky 等人，2012 年；Schaefer 等人，2017 年；Wildman 等人，2014 年）。因此，我們在本文的其余部分使用 SSA。
為了更好地理解這一現象，本研究首先對 IAS 進行了定義。接下來，我們研究態勢感知和心理模型。然后，我們引入態勢理論，探討 IAS 如何與現實領域視角（RDP）相匹配，從而更好地理解 IAS 和人類之間的 SSA。最后，通過開發一種擴展的態勢理論方法，在 SoS 層面上理解人類與 IAS 之間的 SSA，我們概述了開發和設計人類與 IAS 之間的 SSA 所面臨的重大挑戰。在最后的分析中，我們證明了智能體系統缺乏必要的多樣性、反事實推理能力和算法反饋環路，因此無法與人類智能體產生 SSA。我們對這些 SoS 工程挑戰進行了討論和總結。
付費5元查看完整內容
在 D3M 計劃下，本研究以在 DARPA Memex 計劃下開發的技術為基礎，開發了一系列領域發現 (DD)、數據收集和提取工具。
在 D3M 計劃啟動之初，最先進的領域發現系統仍然面臨著許多挑戰，其中許多挑戰是在 Memex 計劃工作期間遇到的。例如，在 Memex 項目下開發的系統中，沒有一個能在項目評估中針對地面實況數據集持續達到可接受的召回率。雖然精確度得分略有提高，但仍有很大的改進空間，這就需要解決從底層網絡爬行技術中繼承下來的一系列難題，如動態內容的可靠處理、驗證碼謎題等反僵尸機制，以及軟 404 錯誤、停放域名和頁面加載延遲等其他令人煩惱的問題。
我們在 D3M 項目下提出的工作目標是結合并擴展一系列現有功能，以提供一個易于重新訓練、與模型無關的數據發現、收集和提取系統，該系統可以集中提供并在多個項目中使用。
我們的計劃是將我們的技術集成到由 D3M 計劃中至少另外兩個團隊正在開發的 DataMart 系統中。DataMart 為特定領域的數據集編制索引，這些數據集由領域發現爬網程序整理，并通過復雜的 ETL 管道攝取到索引中，這些管道可提取元數據，并識別領域內和跨領域的不同數據集之間的潛在連接和聯合。根據我們在 Memex 計劃中積累的經驗和現有的工具套件，我們提議建立后臺發現爬蟲，DataMart 系統可利用這些爬蟲填充其索引。然而，由于長達一年的合同延遲，我們在項目啟動一年后才加入，因此 DataMart 團隊早已進入研究階段，而我們卻在努力尋找整合與合作的機會。整合需要 DataMart 團隊進行額外的、有時是追溯性的工作，雖然每個人都有最好的合作意愿，但最終證明這在技術上是不可行的。我們確實完成了數據集發現系統與紐約大學和 ISI Datamart 系統的概念驗證集成，但我們沒有繼續進行端到端測試。
盡管如此，仍繼續專注于構建離散領域發現工具和實用程序，供 DataMart 系統、其他執行者或潛在的過渡合作伙伴使用。我們繼續與 DARPA 合作，以確定我們可以幫助解決的計劃能力組合中的差距，并繼續尋找機會，以應對領域發現和數據集 ETL 領域中的新用例和挑戰問題。
付費5元查看完整內容
這項工作研究了在任務式指揮設備中嵌入模擬器的實用性和有效性。其目標是僅使用戰區作戰計劃作為模擬輸入，向操作員隱藏所有模擬器細節，使其無需學習新工具。本文討論了一種原型功能，該功能可根據 SitaWare 中生成的作戰計劃以及嵌入式無頭 MTWS 和 OneSAF 模擬器的模擬結果，生成行動方案（COA）分析。在輸入作戰計劃后，指揮官選擇要執行的模擬運行次數，并按下按鈕啟動模擬，模擬在后臺的運行速度比實時運行更快。模擬運行完成后，指揮官可通過圖形和圖表查看結果，對多次運行進行比較。預計未來的能力將允許指揮官模擬任何梯隊和命令，用于訓練和兵棋推演。
付費5元查看完整內容
無人飛行器（UAV）與智能反光面（IRS）相結合，利用無人飛行器的三維移動性和 IRS 的智能無線電功能，是提高無線通信信道容量的尖端技術。這項研究設想了這樣一種場景：一群配備 IRS 的無人機通過 OFDMA 同時向一個基站（BS）傳輸信號，為多個物聯網（IoT）地面節點（GN）提供服務。組成 IRS 的無源元件數量龐大，給任務設計帶來了極大的復雜性。因此，每個 IRS 都被劃分為可同時服務于不同節點的補丁。考慮到一般里氏衰落，推導出了 IRS 輔助無人機輔助網絡的綜合信道模型。然后，設想了一個多目標混合整數非線性編程問題，通過聯合優化軌跡和相移矩陣，使全球導航網的總速率最大化，同時使用戶數據速率差最小化。用調度（即補丁-GN 分配）來重新表述這個非凸問題，在解決上具有挑戰性。因此，該問題被重新編排為馬爾可夫決策過程，并通過深度強化學習獲得了準最優解。我們進行了廣泛的仿真分析，以驗證所提模型的結果和準確性。
付費5元查看完整內容
新興技術（如人工智能 (AI)、自動駕駛）和聯合全域指揮與控制 (JADC2) 測試與評估 (T&E) 等操作概念將要求系統進行持續測試并產生更多數據。在整個測試周期中使用人工智能將使測試人員能夠處理數據，并以更快的速度和規模做出更客觀的決策。由于被測系統非常復雜，因此并不存在放之四海而皆準的軟件應用程序。相反，如果以實用的方式使用各種軟件包，可以提高訓練有素的測試與評估專業人員的能力，以應對新興技術的挑戰。本文列出了一份人工智能軟件工具清單，并總結了它們在測試與評估中的潛在應用功能。向測試界提供這份清單，并在可能的情況下利用 DoDTechipedia 等合作網站，將提高人們對可用工具及其功能的認識，鼓勵交流與合作，并有助于當前和未來工具的使用。
測試與評估 (T&E)中人工智能評估框架
人工智能工具的形式多種多樣，并采用不同的方法來滿足用戶的需求。當 T&E 專業人員在實踐中采用人工智能時，他們可以參考這份資源清單，為他們的軟件實施決策提供信息，以實現特定目標。本研究建立了一個包含七種工具功能的框架：計劃、存儲、運輸、準備、可視化、分析和監控。這七種功能的定義如下。
- 規劃（PL）：計劃包括了解需求、篩選特征、設計因素、記錄條件、確定限制因素、創建測試矩陣以及確定假設檢驗的置信度和功率。
- 存儲（S）：可訪問、可靠且可擴展的大數據安全存儲。解決方案支持跨云環境和邊緣計算快速訪問數據。工作負載自動化配置文件管理、訪問控制以及路由和平衡工作負載。優化昂貴的硬件，如高性能計算（HPC）集群和圖形處理器（GPU）加速器，為數據處理做好準備。
- 傳輸 (T)：將數據從一個位置傳輸到另一個位置。特殊用例包括數據屏蔽和加密安全數據。出于可重現性的目的，對原始數據的任何操作都必須記錄在案。處理元數據的決策對保持數據質量非常重要，包括對無法加載到隨機存取存儲器（RAM）的過大數據進行處理、壓縮、稀疏性、分塊和散列等。
- 準備 (PR)：將數據轉換為干凈的格式，以便算法能成功使用其中包含的信息。這包括處理缺失值、特征工程、管理異常值，以及估算、轉換、歸一化和標準化過程。
- 可視化 (V)：以圖形表示任何格式的數據。通過可視化輸出探索數據有助于技術人員和非技術人員對數據有一個總體了解。圖形和圖表有助于評估數據的一致性。此外，通過可視化工具評估模型性能有助于向股東傳達結果。
- 分析 (A)：選擇建模技術來實現特定目標。這包括建立模型、調整參數、模型再訓練、從模型中獲得洞察力以及解釋結果。
- 監控 (M)：跟蹤模型版本歷史性能，以便進行驗證、評估和審計。對持續測試/持續實驗框架進行管理，并自動提醒用戶注意任何模型衰變。可重現的模型和通過管道創建標準使用戶能夠設計、部署和管理一致的工作流程。提供可擴展的運行時資源增加了管理和部署網絡應用程序的能力。
付費5元查看完整內容
本研究提出了一個基于 MOOS-IvP 中間件的自主水下航行器控制算法構建框架。側掃聲納傳感器（SSS）通常用于生成聲納圖像，在圖像中可以識別類似地雷的物體。這里實施的基站社區可維護 SSS 的覆蓋置信度地圖，并為用戶提供二維和三維模擬以及實施高級控制方案的能力。開發可分三個階段進行： 1) 最簡配置，僅使用必要的應用程序來開發和測試外環控制；2) 包含模擬硬件的配置；3) 包含實際硬件的配置，該配置應從第 2 階段平滑、輕松地擴展而來。這樣做的好處是使用方便、開發速度更快、減少硬件測試和成本。
圖 1. 自動潛航器路徑及其側視聲納覆蓋的相應區域示例。
多智能體框架
在擬議的 MAS 框架中，每個 AUV 和基站分別有一個獨立的社區。每個群落上都運行著幾個應用程序，其中一些包含在 MOOS-IvP 發行版中，另一些則由作者自行開發。
在擬議框架中，有三種可能的配置：1) 加速開發高級控制和規劃策略的簡約配置；2) 在最底層用變量替代實際傳感器和執行器數據的模擬配置[12]；3) 實際硬件實施。
圖 6. 配置 1：2 個自動潛航器群落和 1 個基站群落，應用極少。
圖 8. 配置 2：硬件模擬包括所有傳感器和致動器應用。
付費5元查看完整內容
本文提出了一種名為 "自適應蜂群智能體"（ASI）的新范例，在這種范例中，異構設備（或 "智能體"）參與協作 "蜂群 "計算，以實現穩健的自適應實時操作。自適應群集智能是受自然界某些系統的協作和分散行為啟發而產生的一種范式，可應用于物聯網、移動計算和分布式系統等領域的各種場景。例如，網絡安全、聯網/自動駕駛汽車和其他類型的無人駕駛車輛，如 "智能 "無人機群。這絕不是一份詳盡無遺的清單，但卻說明了可以從這一范例中獲益的眾多不同領域。本文介紹了在未來聯網/自動駕駛車輛中進行合作傳感器融合的具體人工智能案例研究，該案例構成了由 IBM 主導的 DARPA DSSoC 計劃下的 "認知異構系統的高效可編程性"（EPOCHS）項目的驅動應用。鑒于 EPOCHS 的規模，我們將重點關注項目的一個具體部分：用于多車輛傳感器融合的 EPOCHS 參考應用 (ERA)。我們展示了 x86 系統上的特性分析結果，從而得出了有關 ERA 性能特征和實時需求的初步結論。本文簡要介紹了 EPOCHS 的路線圖和未來工作。
圖 4：作為 DARPA 贊助的 EPOCHS 項目的一部分，互聯/自動駕駛車輛中基于蜂群的傳感器融合。
付費5元查看完整內容
人工智能是下一個競爭領域；第一個開發出人類水平人工智能的國家將產生類似于原子彈開發的影響。為了維護美國及其人民的安全，美國國防部資助了人工智能及其應用的發展研究。本研究使用強化學習和深度強化學習方法作為當前和未來AI智能體，并評估開發中的潛在問題。在兩個游戲和一次遠足中對智能體的表現進行了比較： 分別是貨物裝載、河內塔和背包問題。據觀察，深度強化學習智能體能處理更廣泛的問題，但表現不如專門的強化學習算法。
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191