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

為了真實地再現軍事行動，嚴肅的戰斗模擬要求建模實體具有合理的戰術行為。因此，必須定義作戰戰術、條令、交戰規則和行動概念。事實證明，強化學習可以在相關實體的行為邊界內生成廣泛的戰術行動。在多智能體地面作戰場景中，本文展示了人工智能（AI）應用如何制定戰略并向附屬單元提供命令，同時相應地執行任務。我們提出了一種將人類知識和責任與人工智能系統相結合的方法。為了在共同層面上進行交流，人工智能以自然語言下達命令和行動。這樣，人類操作員就可以扮演 "人在回路中 "的角色，對人工智能的推理進行驗證和評估。本文展示了自然語言與強化學習過程的成功整合。

RELEGS：針對復雜作戰情況的強化學習

為了獲得模型架構的靈感，我們研究了 DeepMind 的 AlphaStar 架構，因為它被認為是復雜 RL 問題領域的最先進架構。通過我們的架構（如圖 2 所示），我們提出了一種靈活、可擴展的行動空間與深度神經網絡相結合的適應性新方法。觀察空間的設計基于如何準備戰場的軍事經驗。通常使用地圖和可用部隊表。因此，模擬觀測被分為標量數據（如可用坦克數量及其彈藥）。同時，基于地圖的輸入作為視覺輸入提供給空間編碼器。

標量數據用于向人工智能提供幾乎所有場景細節的建議。其中包括有關自身部隊及其平臺的數據，以及有關敵方部隊的部分信息。輸入并非以絕對數字給出，而是采用歸一化方法來提高訓練效果。編碼器可以很容易地寫成多層感知器（MLP）；不過，使用多頭注意力網絡可以大大提高訓練后智能體的質量，因此應予以采用（Vaswani 等人，2017 年）。

為了理解地理地形、距離和海拔高度的含義，人工智能會被輸入一個帶有實體編碼的地圖視覺表示。顏色方案基于三通道圖像，這使我們能夠輕松地將數據可視化。雖然使用更多通道會給人類的圖形顯示帶來問題，但人工智能能夠理解更多通道。不同的字段類型和實體會用特殊的顏色進行編碼，以便始終能夠區分。這種所謂的空間編碼器由多個卷積層組成。最初，我們嘗試使用 ResNet-50 （He 和 Zhang，2016 年）和 MobileNetV3 （Howard 等，2019 年）等著名架構，甚至使用預先訓練的權重。然而，這并沒有帶來可接受的訓練性能。因此，我們用自己的架構縮小了卷積神經網絡（CNN）的規模。

為了測試和優化這一架構，我們使用了一個自動編碼器設置，并使用了模擬中的真實樣本。我們能夠將參數數量從大約 200 萬減少到大約 47000。此外，我們還生成了一個預訓練模型，該模型已與模擬的真實觀測數據相匹配。這一步極大地幫助我們加快了 RL 進程。

一個可選元素是添加語言輸入，為人工智能定義任務。雖然一般的戰略人工智能不使用這一元素，但計劃將其用于下屬智能體。這些智能體將以自然語言接收來自戰略人工智能的任務，并使用雙向門控遞歸單元（GRU）編碼器對其進行處理。

視覺數據、任務數據和標量數據的編碼值被合并并輸入核心網絡。根據 Hochreiter 和 Schmidhuber（1997 年）的介紹，核心主要是一個擁有 768 個單元的長短期記憶（LSTM）組件。在軍事場景中，指揮官必須了解高價值資產的長期戰略規劃。在本模擬中，人工智能可以請求戰斗支援要素，這些要素在影響戰場之前需要長達 15 分鐘的時間。因此，人工智能必須了解未來任務的時間安排和規劃。在 RL 中使用 LSTM 網絡相當困難，因為它需要大量的訓練時間，而且會導致上面各層的梯度消失。因此，我們決定在 LSTM 上添加一個跳過連接，以盡量減少新增層的負面影響。

動作頭由一個自然語言處理（NLP）模型組成。這是一個非常簡化的動作頭模型，包含一個小型 LSTM 和一個額外的密集層，共有約 340000 個參數。其結果是一個尺寸為 8 x 125 的多離散動作空間。

除主模型外，還有一個單獨的價值網絡部分。價值網絡使用核心 LSTM 的輸出，并將對手信息串聯起來傳遞給 MLP。然后，MLP 可以精確預測價值函數。通過對手信息，價值網絡對模擬有了一個上帝般的地面實況視圖。由于該網絡只與訓練相關，因此可以在不干擾訓練完整性的情況下進行。

為計算機生成兵力（CGF）創建行為模型是一項具有挑戰性且耗時的任務，通常需要具備復雜人工智能算法編程方面的專業知識。因此，對于了解應用領域和培訓目標的主題專家來說，很難建立相關的場景并使培訓系統與培訓需求保持同步。近年來，機器學習作為一種為合成智能體建立高級決策模型的方法，已顯示出良好的前景。這類智能體已經能夠在撲克、圍棋和星際爭霸等復雜游戲中擊敗人類冠軍。我們有理由相信，軍事模擬領域也有可能取得類似的成就。然而，為了有效地應用這些技術，必須獲得正確的工具，并了解算法的能力和局限性。

本文討論了深度強化學習的高效應用，這是一種機器學習技術，可讓合成智能體學習如何通過與環境互動來實現目標。我們首先概述了現有的深度強化學習開源框架，以及最新算法的參考實現庫。然后，我們舉例說明如何利用這些資源為旨在支持戰斗機飛行員培訓的計算機生成兵力軟件構建強化學習環境。最后，基于我們在所介紹環境中進行的探索性實驗，我們討論了在空戰訓練系統領域應用強化學習技術的機遇和挑戰，目的是為計算機生成的兵力有效構建高質量的行為模型。

計算機生成兵力的學習環境

在實驗中，將強化學習環境構建為實現 OpenAI Gym 接口的 Python 模塊，因為許多現有的強化學習算法實現都支持該接口。環境的結構如圖 2 所示。環境的大部分功能都在 EnvironmentCore 類中實現。該類通過 SimulationInterface 與本地或遠程計算機上運行的仿真進程通信，在仿真中的實體和控制它們的強化學習智能體之間傳輸觀察結果和操作。SimulationInterface 還用于在計算機生成兵力軟件中加載模擬場景。

模擬與環境模塊之間的通信是通過 ZeroMQ 實現的，ZeroMQ 是一個開源、輕量級的消息傳遞中間件，可綁定多種編程語言，包括 C++ 和 Python。ZeroMQ 可以輕松實現幾種流行的消息傳遞模式，如請求-回復、發布-訂閱和推-拉。ZeroMQ使用谷歌協議緩沖區（Google protocol buffers）來指定消息，這是一種語言中立、平臺中立的結構化數據序列化機制。使用簡單的協議語言創建消息規范，然后將其編譯成各種編程語言（包括 C++ 和 Python）的源代碼。

要配置特定的環境，需要使用一些委托對象：

• ActionDelegate： ActionDelegate 指定環境的動作空間（OpenAI Gym 中提供的空間定義之一）。在執行過程中，它將該空間中的動作作為輸入，并將其轉換為 ActionRequest 消息，然后由 EnvironmentCore 發送給模擬中的實體。 -ObservationDelegate：指定環境的觀察空間（OpenAI Gym 中提供的空間定義之一）。在執行過程中，它將來自模擬實體的狀態更新信息作為輸入，并將其轉換為來自觀察空間的狀態觀察信息，然后將其呈現給智能體。
• RewardDelegate：將狀態觀測信息作為輸入，并計算出一個標量獎勵信號，然后將其發送給智能體。
• ScenarioDelegate：管理要模擬的情景，包括終止標準。對于訓練過程中的每個情節，委托機構都會根據需要調整場景內容，并生成模擬請求（SimulationRequest）消息，由環境核心（EnvironmentCore）發送給模擬。
• RenderDelegate：會渲染模擬場景當前狀態的視圖。這對調試非常有用。我們使用 Python Matplotlib 和 Basemap 庫實現了簡單的地圖渲染。

空戰仿真領域的深度強化學習

在空戰模擬領域的深度強化學習實驗中，我們發現了一些挑戰，這些挑戰通常不存在于許多強化學習的簡單基準環境中。狀態和行動空間的維度高且復雜，使得智能體難以學習重要的狀態特征和合適的決策策略。例如，在許多場景中，由于傳感器的限制或電子戰的影響，環境只能被部分觀測到。此外，在大多數場景中，智能體不會單獨行動，而是必須與盟友合作，同時與敵人競爭，以達到目標。為了處理長期和短期目標，可能需要在不同的時間尺度上進行決策。代表最重要目標的獎勵通常是延遲的、稀疏的，例如，如果智能體取得了勝利，就會在情景結束時給予獎勵，這樣就很難將功勞歸于正確的行動。此外，根據訓練需要，智能體的目標也有可能在不同的模擬運行中有所不同。例如，我們可能需要調整模擬的難度，以適應受訓者的熟練程度。最后，由于運行高保真模擬的計算成本很高，因此盡可能提高學習過程的樣本效率非常重要。在下面的章節中，我們將討論一些可以用來應對這些挑戰的技術。

深度偽造（DT）技術已經達到了全新的復雜程度。網絡犯罪分子現在有能力修改聲音、圖像和視頻，以誤導個人和企業，傳播虛假信息。這對國際組織和個人構成了日益嚴重的威脅，當務之急是采取措施加以應對。本文概述了深度偽造，討論了其對社會的作用以及 DT 的運作。本文重點探討了深度偽造對世界各國的經濟、政治和法律機構可能造成的危害。此外，本研究還將探討深度偽造問題的各種解決方案，并在最后討論進一步研究的潛在方向。

深度偽造技術（DT）的出現是人工智能（AI）發展的直接結果[1,2]。這些技術給世界各地的機構帶來了巨大風險。深度偽造是一個術語，指的是一種建立在人工智能基礎上的技術，這種技術有能力改變圖像、音頻和視頻內容，以表現實際并未發生的事件。例如，將政客的面孔編輯到其他人的身體上，然后讓他們說一些政客實際上從未說過的話，這種情況越來越常見。這種不斷擴大的現象已被用于政治場合，在各種議題上誤導公眾，而且只會繼續下去。以意大利一檔諷刺電視節目針對意大利現任總理馬泰奧-倫齊（Matteo Renzi）使用 deepfake 視頻為例。在社交媒體上流傳的這段視頻中，可以看到他在貶低其他立法者。隨著這段視頻在網上瘋傳，越來越多的人開始認為它是真實的，這引起了大眾的憤怒[3,4]。網絡犯罪分子還利用 "深度偽造 "冒充公司的首席執行官（CEO），誘騙員工（通常是財務部門的員工）向騙子控制的銀行賬戶轉賬"[5,6]。絕大多數深度偽造篡改都是為了在電影、電子游戲和教學視頻等娛樂媒體中使用[7,8]。另一方面，網絡犯罪分子已經找到了利用這種技術誤導組織和個人并實施欺詐的方法。此外，制作這種深度偽造品除了需要專業的計算機軟件和技術外，還需要知識[9,10]。然而，"FaceSwap "和 "Reface "等免費軟件的存在，使得不懂技術的人也可以出于娛樂或有害的目的參與媒體操縱[10-12]。

深度偽造技術可用于創建令人信服的合成媒體，使人們無法分辨其與真實媒體之間的區別。這是一個相對較新的研究領域，來自學術界和工業界的學者都貢獻了深度偽造數據庫以及合成和檢測算法，所有這些都促進了深度偽造的流行[13,14]。"深度偽造是人工智能（AI）應用的結果，它通過合并、組合、替換和疊加照片和視頻片段，生成看起來合法的虛假視頻"[15]。深度偽造利用了當前深度神經網絡的發展成果，制造出極為逼真的人工媒體[16]。當深度偽造技術應用于電影或靜態照片時，就有可能將一個人的臉替換成另一個人的臉，而幾乎不留下任何操縱的證據[17]。Cho 和 Jeong [18]認為，深度學習的發展使以前建立的假臉檢測系統變得易受攻擊。

"深度偽造數據集以及合成和檢測技術的可用性，使得社區甚至經驗不足的用戶都有可能構建逼真的深度偽造人臉。這反過來又導致深度偽造視頻在野外的受歡迎程度大幅上升"[19]。令人信服的深度偽造視頻可以迅速影響數百萬人，并對我們的社會產生有害影響[20]。社交媒體的傳播范圍和速度使這一切成為可能。

與深度偽造研究相關的學術資料數量的增加也是這種擴張的反映。除了與深度偽造的制作和檢測相關的技術方面，倫理、社會和法律方面的影響也得到了細致的探討。目前已經有一些針對特定領域的綜述，如深度贗品的制作和檢測[21]、法律[22]、取證[23]和社會影響[24]等等。盡管如此，它們都沒有考慮到深度偽造的整個研究領域，而我們認為，這對于打算從事這一研究的學者來說可能非常有價值[25]。盡管深度偽造研究還相對年輕，但它是一個正在迅速擴展的研究領域。在這一領域中，研究課題及其相互關系隨著時間的推移不斷變化，新的趨勢也在不斷涌現[26]。從目前正在進行的眾多子研究領域來看，研究深度偽造的研究人員來自各種不同的學術和專業背景。除了目前的趨勢之外，調查融資機會也很有意義，因為這有助于集中研究力量[27,28]。

現代空對空導彈依賴于通過數據鏈更新的目標位置和速度數據，直到其自身的尋的器能夠鎖定目標。數據鏈目標數據的質量取決于位置和速度更新的誤差、更新延遲和更新丟失。本文介紹了一個分析這些數據利用情況的模擬框架。該框架由描述目標、導彈和生成數據鏈目標更新的模型組成。文中介紹的多功能模擬實驗分析了數據鏈數據質量對不同空對空導彈性能的影響。性能的衡量標準是殺傷概率。模擬結果表明，在嘗試過渡到使用導彈的尋的器之前，最終更新的質量對性能的影響最大。除非很大比例的目標更新丟失或尋的器鎖定目標延遲，否則導彈通常可以在致命失誤距離內擊中目標。本文提出的框架適用于評估所有類型制導武器的性能。

1. 導言

飛機的作戰生存能力取決于對敵方探測和火力的控制。因此，現代空戰幾乎全部使用超視距導彈（BVR）。因此，現代空戰幾乎都使用超視距導彈（BVR）。要提高生存能力，就必須努力提高導彈的運動射程。設計人員試圖通過進一步開發導彈火箭發動機和采用空氣呼吸導彈發動機來實現這一改進。本文討論的現代空對空導彈（AAM）使用主動雷達或被動光電紅外尋的器。Stillion、Fleeman、Eichblatt、Norman 和 Watson 的著作中包括了這類導彈的實例。受可用空間和電力以及成本因素的限制，尋的器的探測距離仍然大大低于導彈的運動距離。因此，在目標進入尋的器的探測范圍之前，需要持續的外部目標數據為導彈提供支持。

由目標位置和速度更新組成的數據通過數據鏈路發送。目標數據可能來自單個傳感器，也可能來自多個空基、地基或空基傳感器，它們相互補充測量結果。使用獨立的傳感器平臺可使發射平臺在發射導彈后離開交戰區。主要傳感器是雷達和紅外搜索與跟蹤系統（IRST）。一旦射手確定了目標軌跡，就可以從自身或導彈傳感器的探測范圍和萬向限制之外發射導彈。在導彈飛行過程中，網絡成員可重新瞄準導彈或中止交戰。圖 1 是空戰場景的一個簡化示例。

圖 1. 使用數據支持導彈的現代 BVR 空戰。

在圖 1 中，地基和空基傳感器平臺提供的目標數據在網絡中融合，然后通過數據鏈路發送給包括導彈在內的網絡成員。現代網絡結構中存在各種類型的平臺，網絡中可以包含更多數量的傳感器。不過，就本文而言，平臺數量最多限于四架飛機。導彈的飛行分為三個階段：發射、中段和末段。在發射階段，導彈脫離發射平臺、加速并利用彈道整形獲得勢能。在中段階段，導彈利用數據鏈更新（DLU）和機載導航系統向目標引導。這些更新本身包含誤差和延遲。射程、角度及其速率的測量精度各不相同。由于大射程、數據鏈天線模式和電磁頻譜操作的影響，導彈不可能接收到所有 DLU。一旦目標進入尋的器的探測范圍和萬向節限制之內，導彈就開始捕獲目標。DLU 的估計精度和導彈導航系統與 DLU 的延遲確定了不確定度量，導彈據此搜索目標。導彈利用不確定度量來確保獲取預定目標。對位置和速度同時使用不確定度量，可使導彈嘗試對位置接近但速度不同的目標進行分類。參與測量目標和網絡跟蹤目標數據融合的傳感器的類型、數量和位置會影響體積的形狀和大小。一旦尋的器鎖定目標并似乎能提供可靠的數據，導彈就會進入終端階段并停止使用 DLU。數據鏈目標數據的質量取決于位置和速度更新的誤差、更新延遲和更新丟失。

網絡中心戰和導彈的發展增加了數據鏈的使用。因此，必須研究如何利用數據鏈目標數據來制定空戰戰術、技術和程序（TTPs）。本文介紹了為這些研究開發的導彈數據鏈分析（MisDA）模擬框架。特別是，本文將集中分析數據鏈數據的質量因素對反坦克導彈性能的影響。這里，性能的衡量標準是殺傷概率 PK，即導彈是否能進入目標的致命失誤距離內。這個 PK 不能高于探測概率 PD，后者描述了導彈鎖定目標的能力。本文的模擬實驗結果包括 PD 和 PK，以便更精確地分析數據鏈目標數據的質量。目標數據融合的確切貢獻不在本文討論范圍之內，本文框架僅使用了一個簡單的目標數據融合模型。

關于導彈自動駕駛儀和制導法的分析與開發以及飛機對導彈的規避機動，已經發表了大量論文。然而，這些論文并未考慮使用數據鏈目標數據。此外，還研究了數據鏈導彈的最佳支持時間以及小組在空戰中對 DLU 的最佳使用。這些研究并未涉及數據鏈數據的質量問題。一項研究使用了一種輔助方法來分析導彈向終端階段的過渡。另一項研究側重于開發雷達尋的器模型，使用了數據鏈數據的隨機位置誤差和丟失的 DLU 的隨機貢獻。在上述所有研究中，導彈模型都對空氣動力學、尋的器和推進器進行了簡化。上文討論的一些研究只使用了導彈模型的三個平移自由度（3-DOF）。沒有考慮提供目標數據的傳感器的精度或不確定性量。高保真導彈模型已被用于空戰 TTPs 分析、空勤人員培訓以及武器系統的性能分析和比較。然而，目前還沒有關于使用這類模型分析數據鏈目標數據的使用情況或其質量影響的出版物。

本文有兩方面的貢獻。首先，新的仿真框架--MisDA--包含了本研究中開發的傳感器平臺、數據鏈和目標捕獲模型。像 MisDA 這樣的綜合仿真框架，能夠對現代空戰中數據鏈的使用進行透明、可控的分析，這在非保密文獻中還沒有出現過。第二個貢獻是通過多功能模擬實驗證明了 MisDA 的用途，其中分析了數據鏈目標數據的質量因素對反坦克導彈性能的影響。此外，這些實驗還包括研究使用雷達和 EO 傳感器的策略如何影響質量因素。這些戰術包括傳感器的數量和位置以及雷達傳感器的模式等。此外，本文還說明了不同類型導彈對質量因素與導彈性能之間相互聯系的影響。此類分析尚未在非保密文獻中發表過。

本文結構如下。第 2 部分介紹了 MisDA 及其模型。第 3 節介紹了仿真實驗，第 4 節討論了實驗結果。第 5 節為結束語。

2. MisDA 仿真框架

MisDA 由描述導彈、目標、發射平臺（LP）、傳感器平臺（SP）、DLU 生成和目標捕獲的模型組成。MisDA 的結構如圖 2 所示。本文描述的模型以灰色標出，之前介紹的模型以白色標出。

圖 2. MisDA 模擬框架及其模型。

發射場景是指交戰的幾何形狀和參與行動者的飛行條件。它由 LP、SP 和目標的軌跡定義。軌跡指的是位置 p(t) 和速度 v(t) 的時間 t 歷史記錄。3-DOF 軌跡子模型根據用戶給 MisDA 的輸入，通過組合直線和水平飛行、爬升和下降、協調轉彎、上拉和編織機動等片段來生成這些軌跡。模型和子模型將在以下段落中介紹。MisDA 由 Matlab 實現，可在確定性或隨機模式下使用。

人工智能在空戰領域正變得越來越重要。目前，大多數空戰研究都假定所有飛機信息都是已知的。但在實際應用中，由于現實限制和傳感器誤差，一些飛機信息，如位置、姿態、速度等，可能是不正確的，或者是不可能獲得的。在本文中，我們提出了一種基于深度強化學習的框架，用于開發一種能夠在信息不足的部分可觀測馬爾可夫決策過程（POMDP）條件下執行可視范圍（WVR）內空對空作戰的模型。為了穩健地應對這種情況，我們使用了遞歸神經網絡，并應用了軟評價器（SAC）算法，以有效應對現實限制和傳感器誤差。此外，為了提高學習效率和效果，我們還應用了課程學習技術來限制狀態空間的探索范圍。最后，模擬和實驗結果表明，所提出的技術能夠在嘈雜的環境中處理傳感器限制和誤差引起的實際問題，同時還能高效地減少學習的訓練時間。

圖 2 顯示了本研究提出的空戰模型學習框架概覽，該框架由矢量化空戰模擬環境和包括重放緩沖器在內的循環 SAC 模塊組成。環境中有兩個動態模型：己方和目標。它們分別從 SAC 模塊的角色和基于規則的行為模型中獲得動作 at 和 atarget，并輸出飛機狀態 sownship 和 starget。模擬器根據這些狀態生成獎勵 rt 和觀測值 ot，同時考慮到配置的傳感器特性。軌跡（ot、at、rt）被存儲在重放緩沖區中，固定長度的軌跡序列將被采樣用于批判。

應用人工智能模擬空對空作戰場景正引起越來越多的關注。迄今為止，高維狀態和行動空間、高度復雜的情況信息（如不完全信息和過濾信息、隨機性、對任務目標的不完全了解）以及非線性飛行動態對準確的空戰決策構成了巨大挑戰。當涉及多個異構代理時，這些挑戰會更加嚴峻。我們為具有多個異構代理的空對空作戰提出了一個分層多代理強化學習框架。在我們的框架中，決策過程分為兩個抽象階段，異構的低級策略控制單個單位的行動，而高級指揮官策略則根據總體任務目標下達宏觀命令。低層次政策是為精確控制部隊作戰而訓練的。它們的訓練是按照學習課程安排的，其中包括日益復雜的訓練場景和基于聯賽的自我比賽。根據預先訓練好的低級策略，對指揮官策略進行任務目標訓練。經驗驗證證明了我們設計方案的優勢。

近來，物聯網（IoT）技術為農業、工業和醫學等許多學科提供了后勤服務。因此，它已成為最重要的科研領域之一。將物聯網應用于軍事領域有許多挑戰，如容錯和 QoS。本文將物聯網技術應用于軍事領域，創建軍事物聯網（IoMT）系統。本文提出了上述 IoMT 系統的架構。該架構由四個主要層組成： 通信層、信息層、應用層和決策支持層。這些層為 IoMT 物聯網提供了容錯覆蓋通信系統。此外，它還采用了過濾、壓縮、抽象和數據優先級隊列系統等數據縮減方法，以保證傳輸數據的 QoS。此外，它還采用了決策支持技術和物聯網應用統一思想。最后，為了評估 IoMT 系統，使用網絡仿真軟件包 NS3 構建了一個密集的仿真環境。仿真結果證明，所提出的 IoMT 系統在性能指標、丟包率、端到端延遲、吞吐量、能耗比和數據減少率等方面均優于傳統的軍事系統。

提議的IoMT系統架構

IoMT 系統由一組在戰場上應組織良好的軍事設備組成。無人機、作戰基地、艦艇、坦克、士兵和飛機等這些物品應在一個有凝聚力的網絡中進行通信。在 IoMT 網絡中，態勢感知、響應時間和風險評估都會得到提高。此外，IoMT 環境應涉及對普適計算、普適管理、普適傳感和普適通信的全面認識。此外，IoMT 可能會導致傳感器等網絡事物產生超大規模的數據。此外，這類網絡所需的計算量非常大，而這些計算的結果應能實時準確地實現。因此，IoMT 系統架構應考慮上述注意事項。

因此，建議的體系結構由四層組成： 通信層、信息層、應用層和決策支持層（見圖 1）。通信層關注的是事物如何在一個大網絡中相互通信。信息層涉及軍事數據的收集、管理和分析。應用層包括控制不同通信軍事系統的應用程序。最后，決策支持層負責決策支持系統，幫助戰爭管理者做出準確、實時的決策。下文將對每一層進行深入討論。

3.1 通信層

IoMT 系統可視為物聯網的一個特殊例子。因此，IoMT 環境與物聯網環境有些相似，只是在事物類型、通信方式等方面略有不同。根據這一理念，IoMT 環境可定義為一組使用互聯網相互通信的不同網絡。這些網絡應包括軍事任務中的主動和被動事物。IoMT 系統中應構建的主要網絡包括無線傳感器（WSN）、射頻識別（RFID）、移動特設（MANET）、衛星和高空平臺（HAP）網絡。由于 WSN 在許多軍事問題中的重要性，它被納入了 IoMT 系統。WSN 通過快速收集和提供危險數據來協助戰爭行動。然后，將這些數據發送給最合適的人員，以便實時做出正確決策。因此，除了協調自身的軍事活動外，WSN 的主要目標是監測和跟蹤敵方士兵和其他敵方事物的動向。傳感器可以遠距離分布，覆蓋大片區域。這些傳感器通過控制其行為的基站進行通信。由于 RFID 網絡在軍事領域的重要性，它在 IoMT 環境中得到了體現。軍隊中最重要的問題之一就是大部分物品都要貼上標簽。在戰場上使用 RFID 可以為士兵、貨物、小型武器、飛機、射彈、導彈等提供一個具有監控功能的跟蹤系統。例如，定期掃描每個人的醫療情況和效率是戰爭中一個非常重要的問題。城域網在 IoMT 系統中的表現也是一個重要問題，因為它可以用來促進士兵、武器、車輛等的通信。城域網在軍事上有許多特別的應用，如安裝在飛機和地面站之間的網絡或船舶之間的網絡。每種特設網絡的要求都取決于軍事任務的類型。此外，在軍事應用中使用的特設設備都配備了路由場景，可以利用最佳路由路徑自動轉發數據。物聯網依賴互聯網技術來促進通信，這是一個普遍的邏輯。遺憾的是，某些作戰地點可能沒有互聯網技術。因此，尋找替代通信技術非常重要。這就是在覆蓋目標中使用 HAP 網絡的原因。軍用物資分布面積大，因此必須以可靠的方式進行覆蓋，以保證通信效率。HAP 網絡可作為互聯網之外的第二種通信策略選擇。HAP 網絡的高度有限，因此容易成為敵方的攻擊目標，其故障概率可能很高。如果 HAP 網絡出現故障，通信系統將面臨很大問題，可能會影響軍事任務的執行。因此，應構建一個衛星網絡來覆蓋故障的 HAP 網絡，并覆蓋 HAP 網絡或互聯網可能無法覆蓋的軍事事物（見圖 2）。不同網絡之間的通信難題只需使用報頭恢復技術即可解決。在這種技術中，每個網絡之間都應添加一個翻譯器，用目的節點的報頭封裝每個數據包。新的報頭使數據包可以被理解；這可以通過系統路由器來實現（見圖 3）。

圖2: 通信網絡(該圖部分摘自[23])

圖3: 報頭轉換過程

3.2 信息層

這一層非常重要，因為它代表著 IoMT 系統架構的核心。射頻識別（RFID）、傳感器等軍用設備收集的信息應以安全、珍貴、實時的方式進行傳輸、存儲和分析。這一層的首要功能是在信息處理后對收集到的信息進行組織和存儲。IoMT 系統數據的處理被認為是一個具有挑戰性的問題，因為在短時間內可以收集到 TB 級的數據。因此，應在不影響質量的前提下盡量減少這些數據。此外，IoMT 的特殊要求（如實時決策）也不容忽視。在 IoMT 系統架構中，數據處理包括四個步驟： 優先化、過濾、壓縮和抽象。下面將對優先級排序過程進行說明。數據過濾、數據壓縮和數據抽象技術在第 4.1 小節中說明。

確定優先級的步驟包括處理不同優先級的數據。對于戰爭管理者（即軍隊將領）來說，收集到的每項數據都有一定的重要程度。因此，應將數據分為若干優先級，以便在 IoMT 系統饑餓的情況下優先處理和發送高優先級的數據。隊列系統就是用來實現這一優先級劃分步驟的。由于 IoMT 系統數據分類數量龐大，因此采用了六隊列系統。因此，IoMT 系統數據將被分為六個不同的類別。第一類代表最重要的 IoMT 系統數據；第二類代表不太重要的數據，依此類推。分類過程將動態完成，因此每個類別中的數據可能會根據戰爭任務的性質發生變化。為切實實現這一步，下一代路由器應具備對 IoMT 系統數據進行分類的能力。圖 4 說明了優先級排序過程。

圖4: 數據分類過程的簡單視圖

3.3 應用層

IoMT 系統架構中的應用層包括管理、監視等戰爭任務中使用的異構應用。該層應使用一個通用應用程序管理這些應用程序的功能，同時不影響其效率。這些應用程序的統一過程應基于通信數據（信息交換）來實現。在數據通信中，一個應用系統的輸出數據可能是另一個應用系統的輸入數據。因此，確定戰爭應用程序的輸入數據和輸出數據被認為是這一層最重要的目標之一。例如，飛機或發射器的火箭發射應用的輸入需要衛星監控應用的輸出數據，而衛星監控應用可能需要 WSN 應用的數據。信息層和應用層之間的通信非常重要，因為作為輸入和輸出的數據應首先在信息層處理。因此，在設計用于管理軍事應用程序的通用應用程序時，應首先確定每個應用程序的輸入和輸出數據。然后，應確定數據處理的時間（硬、實或軟）。例如，在戰斗停止期間，某個目標的坐標突然發生變化，三個應用程序應實時交互，以完成任務并擊中新位置上的目標。這些相互作用的應用程序構成了 WSN、戰爭管理以及執行任務的飛機機艙。還應確定應用特殊應用程序的優先順序。例如，在敵方多次攻擊特定目標的情況下，防御應用程序將優先啟動。

根據上述討論，一般管理應用程序應有一個專門的數據庫。該數據庫存儲有關單個軍事應用程序的動態變化數據。這些數據與以下主題有關： 輸入和輸出、單個應用程序之間的數據流方向、硬時間軍事情況、實時軍事情況、軟時間軍事情況以及每個應用程序的優先級。這些優先級應根據戰爭形勢來確定。根據綜合管理 IoMT 應用程序的性質，IoMT 系統數據庫的設計可以是分布式的，也可以是集中式的。在分布式數據庫中，應注意數據庫服務器之間交互的復雜性，特別是在需要硬時間或實時交互的事件中（見圖 6）。 、

3.4 決策支持層

戰爭中最重要的問題之一是決策過程。在技術戰爭中，決策應具備準確性、實時性、清晰性、安全性和快速分發等諸多規格。所有這些指標都應與信息層收集的數據相關。雖然信息與軍事決策之間關系密切，但所提出的 IoMT 系統架構在信息層和決策支持層之間還有一個中間層，即應用層。短時間內收集到的大量 TB 信息需要進行分析、過濾、優先排序和壓縮。這些過程已經在信息層中完成。但是，信息層沒有能力確定信息在應用層之間的移動方向（即信息的正常順序）。這種信息順序意味著，每個數據段都應指向一個合適的應用程序，以便實現互補和平衡。這些信息將用于決策過程。例如，假設戰爭管理者有一個目標，要求以特定的安排和特定的順序處理信息，直到軍事偵察之旅取得一定的結果。該目標的完成將通過步兵和防空來實現。因此，應用層和決策支持層之間的聯系將對高精度規格的決策產生良好的影響，這將在關鍵的戰爭事件中發揮作用。

簡單地說，本文概述的決策支持流程包括五個步驟： 事件權重、解決方案識別、選擇一種解決方案、行動和輸出評估（見圖 7）。戰爭管理者可根據自身經驗水平提取事件權重。一旦對事件有了充分了解，就該確定解決方案了。在準備決策時，有許多不同的備選方案。因此，確定可用行動的范圍非常重要。接下來，應選擇備選方案，并確定每個備選方案的風險。然后，就該采取行動了。應確定實施計劃，并提供實施所選解決方案所需的資源。應預先確定執行時間，然后開始執行。最后，應對選定解決方案的執行結果進行評估。請注意，有許多決策支持系統在經過實際測試（如 [24,25]）后，可在 IoMT 中實施。

決策支持層可能面臨三大挑戰。第一個挑戰是數據過多或不足。這意味著決策支持層的輸出會延遲或不準確，這可能會造成災難，因為在大多數戰爭時期都需要實時決策。第二個挑戰是問題識別錯誤。在大多數戰爭任務中，圍繞一項決策會有許多問題。然而，有時卻無法確認這些問題的真實性。第三個挑戰是對結果過于自信。即使決策過程得到了準確執行，實際產出也可能與預期產出不完全一致。應用層將通過確定決策構建所需的準確信息、對問題的準確定義以及輸出調整來應對這些挑戰。因此，決策支持層將使用應用層的輸出。因此，在擬議的 IoMT 架構中，這些層之間的分離是一個需要考慮的重要問題。

仿真

首先，應構建一個軍事模擬環境，以測試所提議的 IoMT 架構的性能。網絡模擬器 3（NS3）是最廣泛使用的網絡模擬軟件包之一，將用于實現這一目標。軍事模擬環境由五種不同類型的網絡組成，其中包括分布在大片區域的大量節點。這五種網絡分別是 WSN、RFID、MANET、HAP 和衛星網絡。這些網絡是根據戰場需求確定的。文獻[26]中的仿真用于評估所提出的 IoMT 架構。在 WSN 仿真中，成千上萬的傳感器分布并部署在戰爭環境中。一個或多個基站將這些傳感器相互連接起來，并從中收集信息。在突發事件中，傳感器能夠向基站發送陷阱信息。然后，如果情況緊急，需要迅速做出決定，基站將直接把信息發送給執行者，如戰士、管理人員等。不過，在正常情況下，基站會將收集到的信息（詳細信息或摘要）重新發送給負責決策的管理人員。基站應該是智能的，并通過編程來實現這一目標。為了在 IoMT 中準確呈現 WSN，傳感器應具有不同的傳輸范圍。對于 RFID，美國軍方在第二次海灣戰爭中使用了最佳方案[27]。每個士兵身上都應貼有一個 RFID 標簽，以便在戰場上進行追蹤。此外，商業貨運和航空托盤等戰爭工具也應貼上 RFID 標簽，以便了解坦克和計劃等關鍵工具的最新狀態。此外，為了挽救士兵的生命，建議的模擬系統考慮了專門用于戰爭的移動醫院，并應配備 RFID 技術。此外，還利用 RFID 技術觀察軍隊的小型庫存物品，以實現更嚴格的庫存控制。對于城域網仿真，它包含戰場對象（如車輛、士兵和信息提供者）之間的臨時通信。在某些軍事情況下，很難通過數據采集中心傳遞或發送信息。因此，城域網仿真的一個考慮因素就是在數據傳輸中使用這種網絡。文獻[28]中所述的架構用于 HAP 和衛星網絡的通信。互聯網仿真使用了 [29] 中介紹的路由算法和 [30] 中介紹的物聯網混合組播架構。多媒體傳輸使用[31]，但傳統軍事系統的模擬則使用[32,33]中所述的準則。

在信息層模擬中，將隨機、動態地創建 IoMT 數據。然后，這些數據將被分類并進入隊列，每個隊列將作為一個數據類別。動態數據的創建取決于存儲在特殊數據庫中的戰爭任務。本模擬場景中使用了 [34] 中所述的壓縮技術和數據過濾技術來減少數據，這是信息層的主要目標之一。應用層模擬也取決于戰爭任務，其中包括許多模擬網絡場景。每個網絡應用程序的輸入和輸出數據都在模擬文件中預先確定。網絡應用程序與綜合管理應用程序之間的通信是通過信息傳輸實現的。文獻[35]中的仿真用于決策支持層。戰爭任務的部分建模和仿真來自文獻[36]，仿真中使用的武器的一般規格來自文獻[37]。圖 8 顯示了擬議的 IoMT 系統模擬環境的全貌。

我們的研究展示了如何將技術和數據科學實踐與用戶知識相結合，既提高任務性能，又讓用戶對所使用的系統充滿信心。在本手稿中，我們重點關注圖像分類，以及當分析師需要及時、準確地對大量圖像進行分類時出現的問題。利用著名的無監督分類算法（k-means），并將其與用戶對某些圖像的手動分類相結合，我們創建了一種半監督圖像分類方法。這種半監督分類方法比嚴格的無監督方法具有更高的準確性，而且比用戶手動標記每張圖像所花費的時間要少得多，這表明機器和人工優勢的結合比任何替代方法都能更快地產生更好的結果。

美國陸軍對人工智能和輔助自動化（AI/AA）技術在戰場上的應用有著濃厚的興趣，以幫助整理、分類和澄清多種態勢和傳感器數據流，為指揮官提供清晰、準確的作戰畫面，從而做出快速、適當的決策。本文提供了一種將作戰模擬輸出數據整合到分析評估框架中的方法。該框架有助于評估AI/AA決策輔助系統在指揮和控制任務中的有效性。我們的方法通過AI/AA增強營的實際操作演示，該營被分配清理戰場的一個區域。結果表明，具有AI/AA優勢的模擬場景導致了更高的預期任務有效性得分。

引言

美國陸軍目前正在開發將人工智能和輔助自動化（AI/AA）技術融入作戰空間的決策輔助系統。據美國陸軍機動中心稱，在決策輔助系統等人工智能/輔助自動化系統的協助下，士兵的作戰效率可提高10倍（Aliotta，2022年）。決策輔助工具旨在協助指揮官在作戰場景中減少決策時間，同時提高決策質量和任務效率（Shaneman, George, & Busart, 2022）；這些工具有助于整理作戰數據流，協助指揮官進行戰場感知，幫助他們做出明智的實時決策。與使用AI/AA決策輔助工具相關的一個問題是，陸軍目前缺乏一個有效的框架來評估工具在作戰環境中的使用情況。因此，在本文中，我們將介紹我們對分析框架的研究、設計和開發，并結合建模和仿真來評估AI/AA決策輔助工具在指揮和控制任務中的有效性。

作為分析框架開發的一部分，我們進行了廣泛的文獻綜述，并與30多個利益相關者進行了利益相關者分析，這些利益相關者在人工智能/AA、決策輔助、指揮與控制、建模與仿真等領域具有豐富的知識。根據他們對上述主題的熟悉程度，我們將這些利益相關者分為若干焦點小組。我們與每個小組舉行了虛擬焦點小組會議，收集反饋意見，并將其用于推動我們的發現、結論和建議（FCR）。同時，我們還開發了一個逼真的戰場小故事和場景。利用該場景和我們的FCR輸出，我們與美國陸軍DEVCOM分析中心（DAC）合作開發了一個功能層次結構，通過建模和仿真來測量目標。我們將假設的戰斗場景轉移到 "一個半自動化部隊"（OneSAF）中，該模擬軟件利用計算機生成部隊，提供部分或完全自動化的實體和行為模型，旨在支持陸軍戰備（PEOSTRI, 2023）。使用分析層次過程，我們征詢了評估決策者的偏好，計算了功能層次中目標的權重，并創建了一個電子表格模型，該模型結合了OneSAF的輸出數據，并提供了量化的價值評分。通過A-B測試，我們收集了基線模擬和模擬AI/AA效果的得分。我們比較了A情景和B情景的結果，并評估了AI/AA對模擬中友軍任務有效性的影響。

文獻綜述

分析評估框架可針對多標準決策問題對定量和/或定性數據進行評估。定性框架，如卡諾模型（Violante & Vezzetti, 2017）、法式問答（Hordyk & Carruthers, 2018）和定性空間管理（Pascoe, Bustamante, Wilcox, & Gibbs, 2009），主要用于利益相關者的投入和頭腦風暴（Srivastava & Thomson, 2009），不需要密集的計算或勞動。定量評估框架以數據為導向，提供一種數學方法，通過衡量性能和有效性來確定系統的功能。分析層次過程（AHP）適用于我們的問題，因為它使用層次設計和成對的決策者偏好比較，通過比較權重提供定性和定量分析（Saaty，1987）。雖然AHP已被廣泛應用，但據我們所知，該方法尚未被用于評估人工智能/自動分析決策輔助工具，也未與A-B測試相結合進行評估。

指揮與控制（C2）系統用于提供更詳細、更準確、更通用的戰場作戰畫面，以實現有效決策；這些C2系統主要用于提高態勢感知（SA）。研究表明，使用數字化信息顯示方法的指揮官比使用無線電通信收集信息的指揮官顯示出更高水平的態勢感知（McGuinness和Ebbage，2002年）。AI/AA與C2的集成所帶來的價值可以比作戰斗視頻游戲中的 "作弊器"：它提供了關于敵方如何行動的信息優勢，并幫助友軍避免代價高昂的后果（McKeon，2022）。對C2系統和SA的研究有助于推動本文描述的小故事和場景的發展。

建模與仿真（M&S）是對系統或過程的簡化表示，使我們能夠通過仿真進行預測或了解其行為。M&S生成的數據允許人們根據特定場景做出決策和預測（TechTarget，2017）。這使得陸軍能夠從已經經歷過的作戰場景和陸軍預計未來將面臨的作戰場景中生成并得出結論。模擬有助于推動陸軍的能力評估。測試和評估通常與評估同時進行，包括分析模型以學習、改進和得出結論，同時評估風險。軍隊中使用了許多不同的M&S工具。例如，"步兵戰士模擬"（IWARS）是一種戰斗模擬，主要針對個人和小單位部隊，用于評估作戰效能（USMA, 2023）。高級仿真、集成和建模框架（AFSIM）是一種多領域M&S仿真框架，側重于分析、實驗和戰爭游戲（West & Birkmire, 2020）。在我們的項目范圍內，"一支半自動化部隊"（OneSAF）被用于模擬我們所創建的戰斗情況，以模擬在戰場上擁有人工智能/自動機優勢的效果。

如前所述，人工智能/AA輔助決策的目標是提高決策的質量和速度。人工智能可用于不同的場景，并以多種方式為戰場指揮官和戰士提供支持。例如，人工智能/AA輔助決策系統可以幫助空中和地面作戰的戰士更好地 "分析環境 "和 "探測和分析目標"（Adams, 2001）。人工智能/自動機輔助決策系統可以幫助減少人為錯誤，在戰場上創造信息和決策優勢（Cobb, Jalaian, Bastian, & Russell, 2021）。這些由AI/AA輔助決策系統獲得的信息分流優勢指導了我們的作戰小故事和M&S場景開發。

本文方法

• 行動示意圖和場景開發

在我們的作戰小故事中，第1營被分配到一個小村莊，直到指定的前進路線。營情報官羅伊上尉（BN S2）使用AI/AA輔助決策系統（即助手）準備情報態勢模板（SITTEMP），該系統可快速收集和整合積累的紅色情報和公開來源情報衍生的態勢數據。然后，它跟隨瓊斯少校和史密斯上尉，即營行動指揮員（BN S3）和S3助理（AS3），使用AI/AA輔助決策系統制定機動行動方案（COA），以評估 "假設 "情景、 她根據選定的機動方案開發指定的利益區域（NAI），然后在其內部資產和上層資源之間協調足夠的情報、監視和偵察（ISR）覆蓋范圍。假設時間為2030年，雙方均不使用核武器或采取對對方構成生存威脅的行動，天氣條件對藍軍和紅軍的影響相同，時間為秋季，天氣溫暖潮濕。

• 利益相關者分析和功能層次開發

作為解決方案框架背景研究的一部分，我們與32位民用和軍用利益相關者進行了接觸，他們都是AI/AA及其對決策和仿真建模的貢獻方面的專家。我們進行的利益相關者分析過程如下： 1）定義和識別利益相關者；2）定義焦點小組；3）將利益相關者分配到焦點小組；4）為每個焦點小組制定具體問題；5）聯系利益相關者并安排焦點小組會議；6）進行焦點小組會議；7）綜合并分析利益相關者的反饋；以及8）制定FCR矩陣。我們利用FCR矩陣的結果來繪制功能層次圖，其中包括從模擬場景中生成/收集的目標、衡量標準和度量。然后根據這些目標、措施和指標對任務集的重要性進行排序。這為使用層次分析法（如下所述）奠定了基礎。

• 層次分析法和A-B測試

AHP是托馬斯-薩蒂（Thomas Saaty）于1987年提出的一種方法，它利用專家判斷得出的一系列成對比較，將功能層次結構中的每個功能和子功能放入一個優先級表中。然后通過有形數據或專家定性意見對各種屬性進行排序。如表1所示，這些排序被置于1-9的范圍內。在賦予每個屬性1-9的權重后，再賦予標準和次級標準權重，以顯示其相對重要性（Saaty，1987）。

在過去的幾年里，人工智能（AI）系統的能力急劇增加，同時帶來了新的風險和潛在利益。在軍事方面，這些被討論為新一代 "自主"武器系統的助推器以及未來 "超戰爭 "的相關概念。特別是在德國，這些想法在社會和政治中面臨著有爭議的討論。由于人工智能在世界范圍內越來越多地應用于一些敏感領域，如國防領域，因此在這個問題上的國際禁令或具有法律約束力的文書是不現實的。

在決定具體政策之前，必須對這項技術的風險和好處有一個共同的理解，包括重申基本的道德和原則。致命力量的應用必須由人指揮和控制，因為只有人可以負責任。德國聯邦國防軍意識到需要應對這些發展，以便能夠履行其憲法規定的使命，即在未來的所有情況下保衛國家，并對抗采用這種系統的對手，按照其發展計劃行事。因此，迫切需要制定概念和具有法律約束力的法規，以便在獲得利益的同時控制風險。

本立場文件解釋了弗勞恩霍夫VVS對當前技術狀況的看法，探討了利益和風險，并提出了一個可解釋和可控制的人工智能的框架概念。確定并討論了實施所提出的概念所需的部分研究課題，概述了通往可信賴的人工智能和未來負責任地使用這些系統的途徑。遵循參考架構的概念和規定的實施是基于人工智能的武器系統可接受性的關鍵推動因素，是接受的前提條件。