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

由于近年來無人駕駛飛行器技術的蓬勃發展，這些飛行器正被用于許多涉及復雜任務的領域。其中一些任務對車輛駕駛員來說具有很高的風險，例如火災監控和救援任務，這使得無人機成為避免人類風險的最佳選擇。無人飛行器的任務規劃是對飛行器的位置和行動（裝載/投放載荷、拍攝視頻/照片、獲取信息）進行規劃的過程，通常在一段時間內進行。這些飛行器由地面控制站（GCS）控制，人類操作員在地面控制站使用最基本的系統。本文介紹了一種新的多目標遺傳算法，用于解決涉及一組無人飛行器和一組地面控制站的復雜任務規劃問題（MPP）。我們設計了一種混合擬合函數，使用約束滿足問題（CSP）來檢查解決方案是否有效，并使用基于帕累托的方法來尋找最佳解決方案。該算法已在多個數據集上進行了測試，優化了任務的不同變量，如時間跨度、燃料消耗、距離等。實驗結果表明，新算法能夠獲得良好的解決方案，但隨著問題變得越來越復雜，最佳解決方案也變得越來越難找到。

在本文中，我們介紹了一種基于新型蜂群移動模型 CROMM-MS（Chaotic R?ssler Mobility Model for Multi-Swarms）的監控系統，用于早期探測來自禁區的逃逸者。CROMM-MS 設計用于控制由空中、地面和海洋無人飛行器組成的異構多蜂群的軌跡，具有早期探測優先和成功率高等重要特性。我們提出了一種新的競爭性協同進化遺傳算法（CompCGA），利用捕食者-獵物方法優化飛行器參數和護航者的規避能力。我們的研究結果表明，CROMM-MS 不僅適用于監視任務，而且其結果與最先進的方法相比具有競爭力。

圖 1. HUNTED 項目建議的蜂群間合作

使用不同類型的飛行器組成飛行群是一種很有前景的策略（Girma 等人，2020 年），它可以利用每個成員的能力，同時最大限度地減少其局限性。這些異構蜂群以社會昆蟲的集體行為為基礎，通過協作實現共同目標（Jeong 等人，2019 年），同時避開禁飛區、延長電池壽命或抵御惡劣天氣。

如今，無人駕駛飛行器（UAV）（也稱為無人機）已被廣泛應用于許多領域（McNeal，2016）。在監控場景中（Brust 等人，2017 年），無人機可以利用其攝像頭以相對較高的速度探索不同區域，具有出色的通信能力（Batista da Silva 等人，2017 年）。另一方面，無人飛行器的飛行時間較短，不能攜帶較大的有效載荷，遇到強風時靜止不動也是個大問題。

無人地面飛行器（UGV）能夠在各種地形上工作，與人類共享空間，在避開障礙物的同時搜索目標（Brust 和 Strimbu，2015 年）。UGV 是與無人機聯合使用的良好候選者，可在不同地形特征下互為補充（Stolfi 等人，2020c）。雖然 UGV 的速度比 UAV 慢，通信范圍也有限（視線、障礙物等），但它們具有更高的自主性，經常用于支持 UAV，提供移動充電站和任務目標之間的運輸（Waslander，2013 年）。

無人水面飛行器（USV），包括無人海洋飛行器（UMV），已被提議作為未來海軍部隊的重要組成部分（Yan 等人，2010 年），以執行反水雷、海上安全和海上攔截行動支持等任務。它們被認為能提高現有的海軍能力，減少作戰時間和成本（Costanzi 等人，2020 年）。

機器人必須執行危險任務，如監視、巡邏或搜索水雷，在為機器人計算軌跡時，不可預知性是一個基本特征。基于混沌系統的移動模型具有這種所需的不可預測性（Iba 和 Shimonishi，2011 年），只對初始條件和實現方式敏感，實現方式可以通過軟件在模擬器中使用（Rosalie 等人，2018 年），也可以作為機器人電子設備的一部分來實現，其特點是從多滾動吸引子中獲得的真正隨機比特發生器，為無人機提供航點（Volos 等人，2012 年）。

我們的建議包括一個新穎的多蜂群監視系統（圖 1），其中無人機、UGV 和 UMV 相互協作，以實現對來自禁區的逃逸者的早期探測。為此，我們引入了 CROMM（Chaotic R?ssler Mobility Model，混沌羅斯勒移動模型）的擴展，該模型最初是為同質車輛和區域覆蓋而設計的，現在則用于異質多蜂群和監視場景中的逃逸者。我們的目標是利用每類車輛的最佳特征，取得比同質解決方案更好的結果。本文的主要貢獻如下

1.一種名為 CROMM-MS（Chaotic R?ssler Mobility Model for Multi-Swarms）的新移動模型，用于控制無人飛行器的軌跡，目的是最大限度地及早發現逃逸者。

2.采用捕食者--獵物的方法來訓練和改進這一監視系統。

3.競爭進化遺傳算法（CompGA），專門設計用于優化飛行器參數和改進護航者，使其成為有效的評估者。

本文的其余部分安排如下。在下一節中，我們回顧了與我們的工作相關的技術現狀。第 3 節介紹了我們的方法。第 4 節是實驗結果。最后，第 5 節是討論和未來工作。

無人機技術的最新發展導致了無人駕駛飛行器（UAV）的廣泛使用。特別是，無人飛行器經常用于偵察，以探測大面積區域內的失蹤人員等物體。然而，傳統系統僅使用一架無人飛行器在大面積區域內搜尋失蹤人員。此外，由于探測需要較高的計算能力，因此需要在飛行后或手動進行物體探測。本文提出了一種使用多架無人機的無人機偵察系統。所提議的多無人機偵察系統在每個無人機上執行實時目標檢測。地面控制系統（GCS）接收每架無人機的實時目標檢測結果，并對圖像進行拼接。為了實現單個無人機的實時目標檢測，YOLOv5 模型采用了濾波器剪枝方法，與現有的基線模型相比，該模型使用的參數減少了 40%。輕量級 YOLOv5 模型在使用任務計算機的 Jetson Xaiver NX 上實現了約 11.73 FPS 的速度。此外，所提出的圖像拼接方法可利用無人機生成的附加信息有效匹配特征，從而實現圖像拼接。無人機飛行測試表明，擬議的偵察系統可以在大面積區域內實時監控和檢測目標。

隨著近年來無人機技術的發展，無人機現已被廣泛應用于各種領域，例如人類難以直接搜索和分析的大型危險區域的偵察系統。人工智能的進步極大地提高了物體探測技術，可以發現人或汽車。然而，由于大多數任務都是由單架無人機執行，因此作業范圍和時間都受到限制。此外，由于無人駕駛飛行器（UAV）的性能限制，很難實時探測物體，因此無法立即做出反應。這些限制激發了對使用多架無人機進行蜂群飛行的研究，通過劃分大面積區域來執行任務，并通過為無人機分配不同的任務來實現合作。

蜂群偵察系統需要一個能同時控制和管理多架無人機的蜂群操作系統。在該系統的基礎上，還需要一種圖像拼接算法，將無人機接收到的圖像進行同步處理，并合并成一張匹配的圖像。整合后的圖像可幫助用戶有效了解整體情況并做出決策。然后，需要一種實時物體檢測算法來檢測失蹤人員或入侵者。在物體檢測方面，已經使用了深度學習算法。然而，由于其計算成本較高，處理過程需要在無人機外部進行或作為后處理。

本文提出了一種基于數據分布服務的蜂群偵察無人機系統，如圖 1 所示，該系統使用安全的集成指令同時控制和操作多架無人機。所提出的系統接收來自每架無人機的獨立圖像，并對圖像進行拼接，同時實時檢測無人機內的物體。因此，地面控制系統（GCS）可實時提供全面的態勢感知。通過基于無人機獲取的拼接圖像的目標檢測測試，對所提出的系統進行了驗證。

本文的主要貢獻可歸納如下：

1. 提出了一種基于無人機圖像的實時目標檢測方法。以每秒處理 10 幀（fps）為目標，設計了一個擬議的蜂群偵察無人機系統，用于執行實時目標檢測。為了在無人機使用的 Jetson Xavier NX 系統中達到 10 幀/秒的要求，提出了針對輕量級網絡的濾波器剪枝方法，以實現物體檢測性能。

2. 為蜂群無人機系統提出了實時圖像拼接方法。提出的圖像拼接方法利用無人機產生的附加信息有效地匹配特征。

3. 對無人機進行飛行實驗，以驗證所提方法的可行性。

本文其余部分的結構如下。第二節介紹了無人機群系統和無人機圖像目標檢測的相關研究。第三節介紹了擬議的具有空中圖像拼接和實時目標檢測功能的蜂群偵察無人機系統的總體結構。第四節簡要介紹了實驗裝置和結果。第五節討論本文的結論。

近年來，未經授權的無人駕駛飛行器（UAV）所造成的危險已大大增加，因此，至少需要采取適當的探測、跟蹤和反制措施來消除這種威脅。除了射頻干擾器、全球定位系統欺騙、高壓激光、電磁脈沖和射彈槍之外，反無人駕駛航空系統（cUAS）也是對付未經授權的小型無人駕駛飛行器的一種非常高效和有效的對策。

本文介紹的 cUAS 是一種全自動、多功能、可移動部署的系統，能夠利用氣壓驅動的網狀發射器攔截市場上幾乎所有的小型無人機。與上述替代方案相比，所開發的 cUAS 不受未經授權的小型無人機操作模式的影響，即手動或自動控制，甚至不受全球導航衛星系統或射頻的影響。我們的多傳感器方法（照相機、激光雷達和雷達傳感器）以及所實施的算法使 cUAS 能夠在各種環境下運行，如開放式機場、軍用場地和城市空間，在這些環境下，許多雷達反射通常會阻礙對小型物體的探測和跟蹤。cUAS 可獨立接近、跟蹤和/或攔截速度高達 20 米/秒的已識別無人機，成功率超過 90%。

本文對 cUAS 原型機的性能進行了演示和評估。對小型無人機的攔截能力和狗斗性能進行了測試和研究。此外，我們還概述了該系統的具體攻擊和防御策略，以及從最初的探測和分類到最終攔截和清除未授權無人機的過程階段特征，并說明了所開發的多傳感器平臺相對于現有單傳感器系統的優勢。

圖 1：地面探測與控制站（左）和攔截無人機系統（右）的硬件組件[產品圖片來自相關制造商]。

圖 3：攔截過程的各個階段及其條件。

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。

指揮與控制 (C2) 系統越來越多地采用計算機視覺 (CV) 系統來改進戰場上的情報分析，即戰術邊緣。CV 系統利用人工智能 (AI) 算法來幫助可視化和解釋環境，從而提高態勢感知能力。然而，由于環境和目標瞬息萬變，部署的模型可能會被混淆，因此 CV 系統在戰術邊緣的適應性仍面臨挑戰。由于環境和環境中存在的物體開始發生變化，在這種環境中使用的 CV 模型在預測時可能會變得不確定。此外，任務目標的快速變化也會導致技術、攝像機角度和圖像分辨率的調整。所有這些都會對系統的性能產生負面影響，并可能給系統帶來不確定性。當訓練環境和/或技術與部署環境不同時，CV 模型的表現可能會出乎意料。遺憾的是，大多數戰術邊緣場景并未將不確定性量化（UQ）納入其部署的 C2 和 CV 系統。本概念文件探討了在戰術邊緣同步進行由 UQ 驅動的穩健數據操作和模型微調的想法。具體來說，根據預測的殘差整理數據集和訓練子模型，使用這些子模型計算預測區間（PI），然后使用這些 PI 校準部署的模型。通過將 UQ 納入戰術邊緣 C2 和 CV 系統的核心操作，我們可以幫助推動戰場上有目的的適應性。

圖 2 - 修改后的態勢感知模型；描述戰場上如何衡量、操作和使用態勢感知進行決策。經過修改，明確描述了 CV 和 UQ [10] 。

環境不確定性被定義為 "無法預期和準確預測世界未來狀態的程度"[1]，它可能會限制指揮與控制（C2）系統幫助作戰指揮部快速、有序地規劃、準備和執行不同目標的能力。戰術邊緣可定義為 "在對信息系統和作戰準備有很強依賴性的戰斗空間中，冒著致命風險運行的平臺、地點和人員"[2]。在這里，環境、任務和目標都可能迅速發生變化，并可能給作戰人員的 C2 系統帶來不確定性。C2 系統可利用計算機視覺（CV）對戰術邊緣不斷變化的環境提供更全面的了解。遺憾的是，CV 模型是數據驅動的，在應用于不斷變化的物體和環境條件時，可能會出現較大的外推誤差[3]。換句話說，當環境和環境中存在的物體開始發生變化（哪怕是微小的變化）時，C2 和級聯 CV 系統可能會變得誤判和不準確。CV 系統以一定的可信度對不同的特定任務對象和智能體進行分類、預測和定位。在戰術邊緣，作戰人員對其系統的信心和準確性與不可預測性可能是生與死的區別。不確定性量化（UQ）用于確保模型的可信度，提高作戰人員對數據限制和模型缺陷的理解。本文探討了作戰人員利用不確定性量化影響 C2 和級聯 CV 系統的想法。具體來說，就是計算可信度和預測區間 (PI)、檢測超出分布范圍的數據 (OOD)，以及收集相關數據集以重新校準部署的模型。最終，作戰人員可以利用 UQ 來幫助提高適應性，并促進人工智能系統的穩健性和信息量[4]。

據美國國防部高級研究計劃局（DARPA）稱，由于模型、參數、操作環境和測量的不確定性，對國防部（DoD）非常重要的復雜物理系統、設備和過程往往不為人所理解[5]。因此，鑒于這種確定的復雜性，作戰人員應致力于創建一種戰斗節奏，將測量其 CV 系統的不確定性納入其中。我們希望在戰術邊緣執行任務的作戰人員能更深入地了解其部署的 CV 模型的性能。作戰人員可以利用測量到的不確定性直接影響未來的 C2 和 CV 系統/行動。同樣，這將允許在不斷變化的環境中更快地適應，提高作戰指揮部的態勢感知能力。

1.1 戰術邊緣的計算機視覺

計算機視覺可定義為一種特定的人工智能系統，使計算機能夠解讀視覺信息。它通常涉及通過卷積神經網絡（CNN）等算法解析視覺數據，以檢測、分類和定位感興趣的物體。通過不斷檢測周圍環境中的物體，CV 可以提供戰場上的可視性。作戰人員可以分析從不同邊緣傳感器捕獲的數據，以提供可操作的情報。CV 還能幫助作戰人員看到隱藏的或肉眼無法看到的物體。

對 CV 模型進行訓練的目的是對預期在戰術邊緣看到（或隱藏）的物體和環境做出準確預測。CV 模型的訓練通常首先涉及整理一個視覺數據訓練數據集，該數據集代表了預期看到的物體和環境。這些數據將通過不同的數據操作進行整理，如數據收集、數據標注、數據清理和數據轉換。所有這些不同的數據操作都可以在戰術邊緣執行，并允許作戰人員有效地整理相關數據，用于改進其模型。然后，CV 模型將嘗試學習在訓練時傳遞給模型的數據的表示和分布。

CV 模型還將通過類似的過程進行驗證和測試。訓練集之外的數據集可以進行策劃，用于驗證和測試 CV 模型。測試數據集可用于模型測試，并且只能在模型完成整個訓練（或微調）周期后使用。測試數據集應與訓練數據集分開，以便測試結果能準確反映模型對其從未見過的數據進行泛化的能力。策劃這些不同的數據集是為了改進和評估部署在戰術邊緣的模型。

通過使用 UQ，作戰人員可以更準確地衡量其 CV 模型的失敗之處，然后開始整理必要的數據并對模型進行微調。下圖 1 顯示了定義明確的類別的數據如何隨著時間的推移而開始變化和退化。這直接影響到部署在戰術邊緣的模型預測的可信度。本文建議作戰人員在其核心 CV 操作中建立 UQ。作戰人員應積極測量已部署模型的不確定性，整理相關數據集，微調這些模型，然后將這些新模型重新部署到戰術邊緣。

圖 1 - 數據隨時間漂移；顯示了定義明確的物體和環境如何隨著時間的推移而發生變化。最終降低 CV 模型的性能。[6]

1.2 提高作戰人員的態勢感知能力

態勢感知可定義為感知環境中的要素、了解環境中的要素以及預測其在不久將來的狀態的過程[7]。指揮控制系統利用態勢感知，"由適當指定的指揮官對指定和附屬部隊行使權力和指揮，以完成任務"[8]。戰術邊緣可能是危險和混亂的，對這一環境的透徹了解將使作戰人員做好更充分的準備。此外，能見度在戰場上至關重要，作戰人員應利用 CV 系統獲得更強大的態勢感知和環境能見度。

根據米卡-恩斯利（Mica Endsley）描述的 "態勢感知模型"，在 C2 基礎設施內運行的部分 CV 系統可被想象為處于 "1 級"。該模型描述了在這一級別上運行的系統的功能，即幫助提供 "對當前情況中各要素的感知"[9]。部署的 CV 模型、算法和傳感器/攝像頭都有助于檢測當前情況下的物體和環境。如前所述，CV 使計算機能夠消化和解釋視覺信息，在此情況下，特別是戰術邊緣的元素和物體。這種對物體的感知會影響并支持該模型的更高層次。最終，它流入戰術邊緣的決策和行動執行階段。

可以認為，UQ 存在于態勢感知、決策和行動執行階段的周圍。最終，這將影響模型的反饋階段。從 CV 系統測得的不確定性可用于影響接下來的決策階段。同樣，在進行決策和行動執行后，UQ 也可用于衡量信心和總體效果。具體來說，UQ 將有助于衡量部署在戰術邊緣的 CV 模型的預測精度和正確性。這些結果最終將流入模型的反饋階段。利用這種方法，UQ 將為作戰人員提供適應性更強的態勢感知。圖 2 是該模型稍作修改后的示意圖。

圖 3 - 使用 UQ 的 C2 和 CV 系統；展示如何利用 UQ 向 C2 系統提供反饋，以提高戰術邊緣的適應性。

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。

這項工作旨在利用無線音頻傳感器網絡為無人駕駛航空器系統（UAS）提出一種探測、識別和跟蹤解決方案。根據適用于無人機系統的技術趨勢（更小、更便宜、更合作），我們提出了一種采用與 "攻擊者 "相同技術方法的分布式監控解決方案。特別是，由于無人機會引起周圍聲學環境的變化，我們研究了音頻傳感器網絡的使用。更確切地說，我們采用了一種三階段算法來檢測監控環境中音頻能量的存在，識別特定的音頻特征，然后與多節點方法合作跟蹤無人機。通過實驗獲取的音頻信號，我們展示了所提方法的初步性能。我們還討論了改進實際實施的未來工作。

參考場景

微型和小型無人機（1 千歐元及以下）成本低，易于采購，使恐怖分子使用這種技術的障礙降至零。此外，開放源碼技術通常用于設計無人機系統的某些組件，這就為設計專用有效載荷的人填補了一個很小的知識空白。如此易于采購和個性化的飛行平臺最終可以接近合理的目標。根據這一趨勢，協調無人機中隊很快就會成為任何人都可以利用的資源。應對這種威脅的措施不可能是集中式的。目前，我們看到的非對稱解決方案適用于前沿作戰基地或安裝了大型無人機探測器的沙漠場景。然而，這種威脅在城市場景中可能無處不在，因此建議采用對稱的對策，即分布式、小型和廉價的對策。

特別是近年來無線傳感器網絡的不斷發展，以及節點的小型化和低成本化，可以為城市環境或復雜場景提供最合適的解決方案，因為在城市環境或復雜場景中，可能會有平民存在，而固定的軍事設施可能并不合適。

如圖 2-1 所示，這項工作將以大量廉價音頻傳感器為參考場景，每個傳感器都能夠識別無人機的音頻特征，并在發現匹配時，通過與其他節點協作定位惡意來源。研究的重點是在空曠場地場景中，利用音頻陣列檢測、識別和跟蹤單架無人機或小型無人機群，即可與單個大型單元同化。

方法

由于所提方法的目標具有三重性（即檢測、識別和跟蹤惡意無人機），因此我們的方法采用了三層算法疊加的方式。圖 3-1 給出了所追求的研究方法的總體描述。我們依靠獲取音頻信號來準確描述無人機系統的存在。第一層用于檢測無人機系統的存在。在這一階段，音頻傳感器從環境中采集少量樣本，例如每秒一次，以揭示從環境中感知到的音頻能量異常。

當這一層檢測到匹配時，第二層就會在短時間內（如約 240 毫秒[3]）通過連續采樣進行識別。識別階段的目標是區分異常聲音是否與飛越音頻傳感器網絡的無人機有關，并最終確定其類型。我們將研究兩種主要方法：一些作者在 [1] 中提出的方法和循環神經網絡 (RNN) [6]。第二識別層中的正匹配將啟用第三階段的跟蹤算法。在這一階段，發出警報的節點（在識別階段匹配成功的節點）會喚醒鄰居節點，以執行波束形成跟蹤。這是耗電量最大的階段，因為需要維護音頻傳感器網絡與其遠程控制中心之間的通信鏈路，以及音頻傳感器的連續采樣階段。

所采用的分層策略應能優化計算能力和電池需求。事實上，始終處于活動狀態的第一層執行的是低復雜度、低消耗的數學計算。另一方面，只有在出現異常音頻時，才會執行更強大的計算，即細粒度簽名識別和音頻跟蹤。

為了滿足在接觸層的同級對手沖突的需求，軍方需要開發能夠提供更長的對峙和停留時間的小型模塊化無人機蜂群。這些小型無人機蜂群的使用將使軍方擁有一個小特征和低成本的選擇，以促進在被拒絕環境中的行動。有了這些小型無人機蜂群，軍方就能在接觸層與同級對手競爭，同時限制升級的風險。

本概念文件旨在研究模塊化自主無人機蜂群（MADS）的開發和使用，可為海軍陸戰隊提供在同級對手的 IADS 中開展行動所需的遠程能力。憑借在復雜的 IADS 中的機動自由，海軍陸戰隊可以獲得態勢感知，并創造機會利用電子戰和網絡戰加強作戰。如果不能保持這種態勢感知能力，尤其是在偏遠地區，海軍陸戰隊就會面臨不必要的風險，難以圓滿完成任務要求。

海軍陸戰隊必須設法進入有爭議的環境，以便繼續確保機動自由。MADS 可以提供這種通道，而且升級風險較低。盡管 MADS 概念需要一些額外的技術發展才能成為可行的資產，但它有可能極大地改變海軍陸戰隊在 A2/AD 環境中的 EABO 能力。

無人飛行器的使用是目前現代戰爭中的一個事實。將無人機作為一個蜂群使用，共同完成一項任務，將有助于拯救生命；然而，蜂群內無人機之間的通信是現有技術的一個挑戰，這主要是由于在一個小設備中運行的功率要求。受第五代移動網絡大規模機器式通信的啟發，這項工作為蜂群中的無人機提供了一種新的識別和測量方法。5G通信信道的序言采用Zadoff-Chu（ZC）序列，預計將提供低功率和較少的設備間干擾，并且在應用匹配濾波器時產生良好的均方誤差結果。考慮到嵌入在噪聲和多普勒影響環境中的無人機群中不同數量的無人機的模擬結果表明，即使在信噪比小和多普勒頻移大的惡劣情況下，特別是當一批ZC序列的根指數被選入一個特殊的組時，也會有很好的結果。

引言

無人駕駛飛行器（UAV）的使用在現代戰爭中非常普遍。此外，多架無人機共同完成一項任務，也被稱為蜂群，可以幫助拯救生命；然而，在現有技術條件下，蜂群內無人機之間的通信是一個挑戰。這一挑戰主要是由于可用于操作小型設備中所有傳感器和電子設備的電力有限。

這個問題的一個可能的解決方案是利用通信渠道來交換含有關于蜂群內無人機的相關信息的數據。

這項工作詳細介紹了計算機模擬，以評估廣泛用于第五代移動網絡（5G）通信的ZadoffChu（ZC）序列的實際適用性，以攜帶關于蜂群中無人機的識別和位置信息。

1.1 背景

當無人機首次被用于作戰時，現代戰爭在保護生命方面邁出了一大步。在以保護國家利益和生命為主要目的的情況下，未來的戰爭將由現役無人機的技術應用水平來決定。

無人機群的運行，而不是只有一架無人機，將增加可以完成的任務范圍，例如增加進入和離開戰斗的有效載荷。在這樣的任務中，無人機很可能會在嵌入噪音的環境中運行，而無人機很容易受到多普勒效應引起的頻率變化的影響。

這篇論文分析了位于5G通信數據包中的序言的使用，在這種情況下，該序言將攜帶一個帶有關于參考無人機的識別和位置信息的ZC序列。最具體地說，這項研究建立了一種方法，通過應用匹配濾波器（MF）來獲得該信息。

匹配濾波器在雷達系統中被廣泛使用，主要用于探測。在這里，眾所周知的交叉關聯，當應用于一個ZC序列和包含這個相同的ZC序列的樣本時，作為一個匹配濾波器。這個濾波器得到的結果表現出一個峰值，正好在ZC序列在樣本矢量開始的地方。鑒于匹配濾波器的預期結果，當無人機在有這些不利因素的情況下運行時，可以通過改變這些參數來評估噪聲和多普勒效應的影響。

1.2 相關工作

無人機在戰區的應用是比較新穎的，始于冷戰時期[1]，現代研究已經調查了許多無人機一起工作的應用，以及它們作為一個蜂群的效率如何[2]。

崔黔南、劉培志、王金華等人在2017年的研究中[3]，提供了一種方法，試圖確定管理網狀蜂群的最佳網絡：移動廣告網絡（MANET）或車輛廣告網絡（VANET）。他們的方法將蜂群分成小群，每個群都有一個母親無人機，管理與其他無人機群的通信。

2015年，Luji Cui、Hao Zhang等人[4]的研究顯示，使用60 GHz正交頻分復用（OFDM）系統，以Guard Interval作為通信信道，估計范圍的結果很有希望。同樣在2015年，Vincent Savaux和Faouzi Bader[5]實現了一種基于均方誤差（MSE）的方法來分析OFDM信道的性能。最后，Min Hua、Mao Wang等人[6]在他們2014年的工作中分析了ZC序列的定時性能中的多普勒效應。

本論文提出的工作是剛才提到的所有研究的結合，使用MSE圖來分析ZC序列的性能，作為在噪聲和多普勒影響的環境中識別和測距在蜂群中運行的無人機的一種方法。

1.3 目標

在這篇論文中，我們考慮了長度為839個符號的ZC序列。建立了一個模擬算法來復制現實世界中的蜂群場景。在算法執行過程中改變的參數包括：蜂群的大小、無人機在布局中的位置、數據包序言、噪聲的負載和多普勒效應的振幅。這項工作的主要目的是操縱這些參數，分析結果，并選擇ZC序列（R）的根指數集作為最佳或最差，以減輕在蜂群中運行的無人駕駛飛行器的測距誤差。

1.4 論文組織

在第二章中，我們介紹了在模擬中應用的數學和方法的理論背景。這個數學和方法背景包括5G的基礎知識和ZC序列的特殊性，以及交叉相關作為識別和測距部署在噪聲和多普勒影響環境中的無人機群的一種手段的適用性。在第三章中，我們討論了所模擬的場景及其算法，顯示并解釋了改變參數的原因，最后是性能結果以及它們是否顯示了預期的結果。在第四章的結論中，我們對模擬結果進行了簡要的總結和討論，并提出了一些未來工作的想法。