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

現代戰場威脅不斷演變，其特點是行動迅速、戰場透明和戰斗脈沖，即在決策點使用壓倒性力量。技術的進步為指揮官提供了近乎實時的信息，縮短了 “觀察-方向-決策-行動”（OODA）循環，從而縮短了從傳感器到射手的殺傷周期。這種實時信息通過網絡連接地理位置分散的實體，通過數據鏈共享信息，從而提供態勢感知。這些數據鏈需要在各軍種之間共享，以確保各部隊根據 “共同作戰圖 ”采取行動。這些數據鏈路承載著大量的信息，需要在信息有效載荷方面具備先進的能力，以及在通信能力下降的環境中的生存能力。世界各國已經或正在開發新的數據鏈路，或利用現有的數據鏈路實現聯合行動。然而，盡管正在使用的鏈路數量眾多，但這些鏈路之間的互操作性仍有待開發--以建立一個通用數據鏈路，使所有資產（武器平臺）都能運行并交換實時信息。美軍和北約在這一領域一直處于領先地位。隨著逐漸將新技術融入戰爭，現在正是探索通用數據鏈路可行性的好時機；JoWIS 聯合波形互操作系統既能成為新系統的一部分，又能保持與已在使用的傳統系統集成的能力。

關鍵詞-- 數據鏈路、TDL、鏈路 11、鏈路 16、鏈路 22、JREAP、SIMPLE、NEWN、AFNET、Trigun、IACCS、C4ISR、NCW、NCO、EBO

美軍早在 20 世紀 50 年代就開始研制和使用 TDL。為滿足特定要求而開發的各種數據鏈路包括 Link 1、Link 4、Link 11、Link 14、Link 16 和最新的 Link 22。還有其他一些鏈路，如聯合范圍擴展應用協議（JREAP），可擴展鏈路 16/22 的功能和范圍（參見圖 2）。每個鏈路都有一個典型的使用案例，如圖 3 所示。

“數據鏈路的發展主要分為兩代。第一代數據鏈路（Link1、Link4、Link11、Link11B、Link14）是上世紀五六十年代在 8 位計算機上開發的，功能有限，數據傳輸速率慢（600 - 2400 bps）。第二代數據鏈路（Link16、Link22）是 20 世紀 70 年代和 80 年代在 16 位計算機上開發的，具有多功能和較快的數據傳輸速率（2400bps-1Mbps）"。

TDL 有助于向指揮官提供聯合圖像，從而在準確和實時信息的基礎上協助精確執行行動。這也是設計符合要求的典型協議的基礎。如上所述，在聯合行動中使用的運輸聯絡線是鏈路 16 和鏈路 22。各條運輸聯絡線的聯網方案特點見圖 4。

聯合波形互操作系統（JOWIS）

在看到印度海陸空三方都在開發或部分開發 TDL 的情況下，現在采取步驟解決正在測試和開發的系統內的互操作性問題將是重要舉措。顯然，國家骨干網絡似乎已經就緒。需要進一步審議的是數據集定義。在這種情況下，要達成一個共同標準將需要巨大的努力和克服技術挑戰，因為所使用的系統需要根據所采用的平臺考慮外形尺寸或尺寸、重量和功率 (SWaP)。此外，還需要解決多級加密的 LOS 和 BLOS 通信問題。

國家的軟件能力需要與學術界、軍方和工業界的 “鐵三角 ”融合在一起。海軍顯然在利用 TDL 這一領域走在了前列。平衡兩個軍種也可以利用類似的鏈路質量和協議來達成 “聯合 ”解決方案。有鑒于此，列出 JoWIS 軟硬件的一些要求，但不涉及具體協議棧等技術細節。

隨著新興技術的成熟、資源競爭的加劇和網絡的激增，所有領域的作戰環境（OE）都越來越擁擠，競爭也越來越激烈。盡管全球范圍內的復雜關系和相互依存關系不斷增加，但情報專業人員仍繼續依賴線性流程和框架來評估行動環境。由于國家和非國家行為體之間錯綜復雜的聯系，不準確的評估或未能考慮連帶效應會帶來戰略、行動和戰術風險。本研究分析了當前陸軍條令的不足之處，以及如何調整流程和框架才能更好地考慮復雜網絡和 OE 的快速變化。當聯合部隊為支持國家目標而尋求塑造環境的相對優勢時，它必須提高理解、可視化和描述復雜環境的認知和功能能力。將 "感知決策 "納入 IPB 可使情報專業人員更好地考慮意外情況，并可加強情報評估的有效性。

隨著新興技術的成熟、資源競爭的加劇以及網絡的激增，所有領域的運行環境（OE）都日益擁擠。這種復雜性要求對現有框架進行改造，以考慮到越來越多的關系和相互依存性。美國與其合作伙伴和盟友一道，努力維護以規則為基礎的國際秩序，但也面臨著來自對抗性專制大國和非國家行為體擴散的越來越多的挑戰。當聯合部隊尋求相對優勢來塑造環境以支持國家目標時，它必須提高認知和職能能力，以理解、形象化和描述外部環境的復雜性。

競爭對手試圖通過腐敗、錯誤信息和虛假信息來削弱現有的國際秩序，利用民主國家的已知弱點。對手通過在反介入/區域封鎖、太空、網絡、電子戰以及國家權力的外交、信息和經濟工具武器化方面的進步，尋求相對于美軍的優勢。陸軍未來司令部司令約翰-默里（John Murray）將軍強調了這一點，他說："迄今為止，我們的對手在以違背我們利益的方式實現沖突門檻以下的戰略目標方面取得了巨大成功。要了解作戰環境（OE）不斷變化的特點，就必須對軍事能力以及國家和非國家行為體的行為、活動和互動進行全面分析。多域/聯合全域行動（MDO/JADO）進一步加快了分析、分解和綜合的速度，使指揮官能夠做出同步行動的決策。

目前，情報專業人員通過不斷發展但卻僵化的流程和框架來評估 OE。美國陸軍推進了 IPB 條令，以確保戰場情報準備（IPB）步驟與陸軍軍事決策過程（MDMP）之間的緊密聯系。目前的條令保持了這種傳統的、系統的和結構化的任務變量分析方法。IPB 的固有特征是采用整體方法（通過參謀部協作和綜合流程）來了解 OE 中的每個領域。要想對多領域有所了解，就必須有可供分析的信息和數據，或者生成情報知識。事實上，IPB 條令指出，"生成情報知識是執行 IPB 和任務分析的基礎"。"生成的數據被編入數據庫，并 "通過功能分析提煉成知識，用于任務分析"。

這種方法的挑戰在于，它假定情報專業人員通過基于現有信息的分解過程，將達到結論性分析的水平。情報專業人員要么掌握現有數據，要么通過信息收集彌補信息方面的剩余缺口。情報專業人員了解問題并能準確確定問題的框架，是產生情報知識能力的前提。情報作戰功能（IWfF）依賴于 IPB 等流程，而 IPB 本身是線性的，不是迭代的，這就造成了認知和功能上的隔閡。當前的 IPB 條令必須改進，以提高 IWfF 情報專業人員理解 OE 的能力，減少其對側重于戰術層面的線性過程的強調，轉而采用包含歸納邏輯的迭代過程。

本專著探討了 "感知決策 "在情報作戰功能 IPB 中的應用。第一節解釋了情報條令如何演變以適應支持軍事規劃的不斷變化的環境。第二節描述了當前的作戰環境，強調了國家決策者和軍事組織如何描述未來的安全挑戰。本專著沒有按具體日期（如 2028 年、2035 年或 2050 年）對未來作戰環境進行分類，而是確定了未來作戰環境的趨勢以及一個神秘的時間框架。第 3 節將重點從寬泛的條令審查縮小到 IPB 的具體內容及其對未來 OE 的適用性。它強調了預計陸軍如何轉型以滿足未來 OE 要求的異同，以及 IPB 條令在支持未來估計或展望方面的有效性。第 4 節介紹了 "感知決策 "的概念，以及它如何有助于在一個組織中（無論屬于哪個梯隊）以喚起學習、發現和適應的方式發展 IPB 條令。本專著旨在通過認知能力和 IPB 流程促進 IWfF 的適應性，以支持統一陸地作戰 (ULO) 和 MDO。

圖 1. 情報流程。美國陸軍部，《陸軍條令出版物（ADP）2-0，情報》（華盛頓特區：政府出版辦公室，2019 年），3-1。

由于當前環境的復雜性和技術的飛速進步，敵對勢力可以在各個領域迅速施加影響。此外，在大規模作戰行動開始時，近鄰對手肯定會設法削弱或拒絕美國在所有領域的通信和數字系統。當代作戰環境的復雜性和模糊性要求美國陸軍在整個組織內灌輸分散決策的思想。

因此，美國陸軍須全面貫徹任務式指揮理念。2003 年，美國陸軍出版了 FM 6-0 號文件，正式將任務式指揮編入條令。如果運用得當，它能讓指揮官賦予下屬權力，并為他們提供行使戰場主動權所需的信心。這使各梯隊指揮官能夠在決定性時刻相互依存地匯聚跨域行動。

為了更好地理解如何在通訊受阻或被剝奪的環境中實施任務式指揮，美國陸軍領導人可以從路易斯和克拉克探險隊（1803-1806 年）中汲取啟示。這次遠征展示了領導者如何根據當代任務式指揮條令建立積極的組織文化。這一事實反過來又揭示了如何運用任務式指揮原則，在模糊和溝通受阻的環境中開展分布式作戰。

2018 年，美國國防部發布了最新的《國防戰略》（NDS），正式表明美國將從反恐戰爭轉向與近鄰對手的大國競爭。該戰略指出："美國繁榮與安全面臨的核心挑戰是被國家安全戰略（NSS）歸類為修正主義大國的長期戰略競爭的重新出現。"近鄰對手將在大規模作戰行動（LSCO）開始時設法削弱或拒絕美國的通信和數字系統。此外，對手跨域反接入和區域拒止（A2/AD）能力的發展要求美國動用比以往更加分散和分布更廣的力量。對此，《國家發展戰略》堅持認為，美國必須發展一支 "更具殺傷力、彈性和快速創新的聯合部隊"。因此，美國陸軍正在向一種被稱為多域作戰（MDO）的作戰概念過渡。

多域作戰包括在空中、海上、陸地、太空和網絡領域的行動，以保衛關鍵基礎設施或在決定性地點匯合，從而對敵對部隊取得預期效果。作為這一轉變的一部分，美軍認識到分散指揮系統的必要性。陸軍的指揮理念，即任務式指揮，符合這一意圖。TRADOC 手冊（PAM）525-3-1，題為《2028 年美國陸軍在多兵種作戰中的作用》，強調了指揮哲學的重要性，并解釋說 "任務式指揮 "和 "紀律嚴明的主動性 "使所有領域的能力得以整合和融合。在多態勢作戰環境中，這種跨領域的能力融合具有決定性意義，因為它創造了利用主動權的機會窗口。

TRADOC PAM 525-3-1 還討論了領導者在執行 MDO 時必須體現的陸軍制勝特征。這本小冊子解釋說，"運用多領域能力要求陸軍吸引、培訓、留住和聘用共同擁有廣度和深度相當大的技術和專業知識的領導人和士兵"。陸軍需要有應變能力的領導者，他們能夠有效地進行獨立機動并整合所有領域的行動。此外，指揮官和參謀人員必須能夠在指揮與控制（C2）基礎設施退化和分散的情況下執行 MDO。6 這就要求領導者在各自組織內建立一種文化，使任務式指揮成為可能，并利用其在模棱兩可的環境中行動時所提供的靈活性。

盡管如此，如今對現代通信和技術的依賴使指揮官能夠保持高度的態勢感知能力，并經常誘使他們保留高于必要層級的決策權。在多領域環境中進行整軍指揮協調時，指揮權過于集中可能會造成嚴重后果。幸運的是，陸軍可以從歷史實例中汲取正確運用分權作戰的知識。劉易斯和克拉克遠征（1803-1806 年）就是一個獨特的歷史案例，可以為我們的討論提供參考。托馬斯-杰斐遜總統在美國購買路易斯安那領土后不久就計劃并組織了這次遠征。探險的目的是找到一條連接大西洋和太平洋的全水路通道，并對新獲得的領土、動植物及其土著人民進行徹底的考察。

雖然劉易斯和克拉克遠征發生在向大規模作戰行動過渡之前很久，但它可能有助于說明如何在退化或被拒絕的環境中正確運用任務式指揮原則。此外，它還提供了一個案例研究，說明領導者如何在評估和理解總體戰略影響的同時做出困難的戰術決策。本專著認為，梅里韋瑟-劉易斯、威廉-克拉克和托馬斯-杰斐遜有效地利用了今天所謂的任務式指揮原則。此外，它還提出，劉易斯和克拉克探險可以為當代運用七項任務式指揮原則提供啟示。

圖 1. 劉易斯和克拉克探險隊地圖。

收集和共享信息以及指揮和控制是所有軍事行動的重要組成部分。建立一個靈活的通信網絡，以適應每次行動的具體要求，是在當前和未來軍事行動中提供必要信息流的關鍵要求之一。目前正在開展一些活動，為固定網絡基礎設施提供靈活的聯盟網絡，并在一定程度上為半移動部署網絡提供靈活的聯盟網絡，例如聯邦任務網絡（FMN）。然而，對于如何部署高效、連接良好的異構戰術無線電網絡，目前還沒有明確的指導方針。這極大地阻礙了低級戰術層面的信息共享。本報告介紹了北約科技組織所做的研究，目的是加深對如何在戰術邊緣構建可互操作的異構移動無線電網絡的理解，并提出一些建議。目的是找到最有效利用不同聯盟伙伴為行動提供的移動網絡的方法。報告涵蓋三大主題：

1. 描述一個場景并實施一個類似云的測試平臺環境，以評估與該場景相關的不同技術解決方案。該試驗臺是提高信息和通信技術國際研究合作效率的一個示例。場景和試驗臺的作用與技術合作示范（CDT）類似，都是對不同技術進行基于場景的合作分析，但成本比 CDT 低得多。利用仿真技術可以加快從早期研究成果到為標準化測試解決方案所需的時間。建立測試平臺環境的工具和腳本將公開提供。

2. 描述和分析在不同移動網絡之間提供端到端連接的架構和機制。報告比較了不同的路由架構，并提出了一種混合架構。一個核心觀點是，網絡規劃者需要選擇不同的機制，以便為不同類型的操作提供必要的性能。為了確保不同機制之間的互操作性，我們確定了必要的信息交換接口，并對不同協議的可擴展性進行了研究。我們概述了不同的安全架構，討論了安全架構的選擇對路由架構效率的影響，并提出了一個目標安全架構。

3. 對稀缺網絡資源進行最佳優先排序和利用的準則和機制。建議監測網絡健康的三種狀態（正常、減少、最后努力），以改善網絡的資源管理（RM）和服務質量（QoS）。不同的網絡狀態需要一套或多套機制。我們還建議選擇單一網絡層來實施 QoS 或 RM 機制，因為這樣可以降低不同層的機制不合作而降低性能的風險。要使 RM 和 QoS 運行良好，必須有一個信息價值（VoI）的概念。VoI 會隨時間發生變化，RM/QoS 需要適應這些變化。

更好地了解在戰術邊緣建立移動異構聯盟網絡時所面臨的挑戰，這將有助于北約國家發展/采購具有互操作性的網絡設備。成果非常及時。預計從螺旋 4 開始，FMN 將開始包括移動戰術網絡的不同方面。結果將成為相關 FMN 的重要投入。

重點關注可部署和移動戰術領域的異構網絡

圖 2 展示了依賴于這些網絡的軍事場景概覽。創建該場景是為了顯示行動期間的信息需求，并舉例說明在異構網絡中建立必要服務所面臨的挑戰。

該場景描述的是一個機械化營的連級特遣部隊和一個海軍特遣艦隊開展的行動。它們是由聯軍總部協調的軍事特遣隊 (MC) 的一部分。連隊通信和信息系統 (CIS) 與國家作戰廣域網相連，并可訪問聯軍系統。MC 總部在行動期間發揮后援作用，并應要求提供戰斗支援（CS）和戰勤支援（CSS）。根據行動背景，假定敵軍正準備從位于圖 2 右下角行動區內的村莊向聯軍基地發動復雜的攻擊。敵軍裝備精良，活動區域可能埋有地雷，因此有可能出現簡易爆炸裝置（IED）危險。己方部隊的任務是進入作戰區域，消滅叛亂分子并銷毀他們收集的武器裝備。避免村莊居民傷亡并使叛亂分子無法逃脫是非常重要的。這一任務中最重要的因素是由聯軍提供的獨聯體、后勤和醫療支持。因此，需要有運作良好的通信能力來幫助組織武裝部隊。

完成這項任務需要使用各種系統和通信網絡，如無線電通信系統（高頻、甚高頻、超高頻、衛星通信）、傳感器網絡和無人機系統。海軍管理系統也已到位，用于支持任務的偵察和監視，并提供數據、語音和視頻等服務。

為實施場景中的行動，確定了三個小故事。每個小故事的角色和參與者都相同。第一個小場景涉及戰場的情報準備工作。第二個小場景包括聯軍進入作戰區，包括在周邊沿海地區開展海上攔截行動。第三個小故事包括一次城市行動，結果是消滅了叛亂分子。第三個小故事還包括在解除簡易爆炸裝置后向軍艦進行的醫療后送。每個小故事都提出了行動者和 C4IS（指揮、控制、通信和計算機信息系統）設備之間預期交換的數據，強調了軍事異構網絡的連接性和網絡效率問題。

問題

情報、監視和偵察（ISR）行動的目的是收集信息并將信息提供給操作人員，而操作人員則需要就戰區內的各種行動方案做出具體決策。可以肯定的是，ISR 行動是技術密集型的。但與此同時，ISR 行動也是一個非常以人為本的過程。盡管如此，在 ISR 概念開發和評估（CD&E）過程中卻很少甚至根本沒有進行人為因素（HF）研究。通過研究新的 ISR 技術和概念在各種作戰環境下對操作人員表現的影響，研究人員可以提供更加科學嚴謹的建議，為高層政策制定者和決策者提供有關未來 ISR 技術和能力的信息，這些技術和能力適用于所有 ISR 環境：空中、海面、地下和太空，貫穿國內、盟國和整個政府（WoG）的合作關系。因此，HF研究方法應成為任何 ISR CD&E 流程的組成部分，以便為 ISR 指揮系統各級的政策和決策者提供信息和建議。

目的

北大西洋公約組織（NATO）研究與技術組織（RTO）人為因素與醫學（HFM）小組任務組（研究與技術組（RTG）-276 NATO RTG HFM-276）"人為因素與 ISR 概念開發與評估 "的成立是為了確定和了解對有效的 ISR 行動至關重要的HF問題。更確切地說，這項開創性工作的目標是 (1) 確定對有效的 ISR 行動至關重要的HF問題（如態勢感知 (SA)、工作量、組織結構、協調和協調機制、可視化、信任、信息共享和管理、領導力和決策）；(2) 使用行為理論模型來制定我們的研究方法并理解我們的研究結果；(3) 就在 ISR CD&E 行動中使用和實施HF研究提出建議。

范圍和限制

基于并擴展最初由北約 HFM-163 RTO 小組開發的軍事組織效能模型，北約 HFM RTG-276 小組的工作范圍是確定并了解對 ISR 行動至關重要的HF問題。為此，小組決定于2018年6月11日至2018年6月26日在德國Einsiedlerhof的美國空軍歐洲（USAFE）戰士準備中心（WPC）的 "北約2018聯合愿景"（UV18）試驗模擬內開展關于聯合ISR（JISR）作戰效能的研究。此外，小組還在 2019 年 5 月于芬蘭舉行的 "大膽探索 2019"（BQ19）演習中進行了類似研究。

結果、對北約的意義和實際影響

北約 HFM-276 任務小組使用組織有效性模型制定了一套調查，以確定和了解對有效的 ISR 行動至關重要的HF問題。該模型的核心是由任務分配、收集、處理、利用和傳播（TCPED）組成的聯合監查制度流程。從這一模型和其他來源得出的數據收集計劃審視了一些HF問題在整個 ISR 行動中的作用：基本HF知識、態勢評估、工作量、組織結構、信任、信息共享、信息管理、領導力、文化、組織流程、組織靈活性、共同意識和責任、協調和協調機制、決策、能力、情報需求管理（IRM）、通信、元數據和應用系統。所有這些HF因素都將影響 ISR 的作戰概念，并影響操作人員的績效。此外，本文還總結了改進北約和非北約行動 ISR CD&E 流程的一些實際意義，重點是開發應納入 ISR CD&E 流程的HF研究方法。這種HF方法就像 ISR 概念開發的技術和程序質量控制部分。預計研究結果將有助于為 ISR 指揮系統各級的政策和決策者提供信息和建議，以加強北約 ISR 規劃、任務執行和能力發展方面的信息和決策優勢。預計研究結果還將有助于為 ISR 與其他聯合進程（如聯合目標定位）的整合提供信息，以確定當前與 ISR 有關的HF差距以及與其他進程的整合。

理論框架

在本節中，我們將為監委會的HF行動提供一個高層次的理論框架。廣義上，理論可以理解為在一組邊界假設和約束條件下對概念間關系的陳述，因此我們對一般假設、約束條件和概念及其與我們框架的關系進行了劃分[1]。我們認為我們的理論框架由三個關鍵概念組成：1）監委會進程；2）各種HF變量；3）產出因素。本節關注的是這些概念之間的關系，以及它們之間關系的支配因素。各節詳細介紹了監委會進程的理論和分析、各種HF因素的影響及其對產出因素的影響。各節還深入介紹了與各小節相關的方法。

人們提出了不同的組織流程方法，如輸入-中介-輸出框架、輸入-中介-輸出-輸入框架以及受結構化啟發的流程框架[2, 3]。從廣義上講，這些方法既包括目的論和順序論的觀點，即假定有明確的目標來指導行動以產生特定的結果，也包括更具突發性的變革觀點，即人類在其中工作的結構會影響其他結構中的人類，并受到其他結構中人類的影響[4]。

我們認為，作為一個基本假設，在聯盟背景下開展的監委會聯合審查進程并不容易采用上述任何一種模式：相反，它是一個預先計劃和設計的順序進程與突發進程的混合體[5]。一方面，有正式定義的程序、理論、戰術、技術和流程（TTP），如《支持北約行動的聯合情報、監視和偵察程序》（AintP）和《作戰命令》（ORBAT）；另一方面，也有包括特定節點在內的工作流程的實驗。這表明，我們的研究一方面要對 TTPs 的影響保持不可知論的觀點，另一方面要對執行聯合監查制度時的行動和對這些 TTPs 的看法保持不可知論的觀點。因此，我們的理論框架包含兩種相互作用的兵力：計劃行動和突發行動。計劃中的監委會審查和執行中的監委會審查之間的區別既體現在實驗計劃和實際實驗/演習執行之間的對立，也體現在計劃中的監委會審查行動和執行中的監委會審查行動之間的緊張關系，執行有時甚至是動態的。我們認為，計劃與執行動態之間的矛盾對于理解HF如何影響聯合監委會至關重要。應建立人類決策和協作機制，確保北約的聯合監委會從預先計劃順利過渡到動態執行。

更具體地說，我們的模型試圖將聯合監委會合作的線性和非線性軌跡結合起來。從順序計劃的角度來看，該模型的核心是聯合監委會流程，其中的 TCPED 階段可視為構成伯克等人[6]團隊適應模型的不同階段： SA、計劃制定、計劃執行和團隊學習（可以是評估收集處理、利用和傳播（CPED）是否有助于解決任務）（見下圖 1）。單個 PED 單元的這種相對線性的團隊流程也應結合其在多團隊系統中與其他團隊（單元）的協作來看待，即多個團隊為實現共同目標而集成工作[7]。涉及多個 PED 單元的聯合 PED 對于確保收集必要數據以獲取可采取行動的情報尤為重要。我們預計，由于不同的原因，計劃中的監委會審查流程可能并不總是按照預期的計劃方式可行。例如，從任務的角度來看：一個 PED 單元在執行任務期間的實際工作量可能會嚴重影響其參與整個聯盟聯合監 督和報告進程的能力。北約的事先規劃可在一定程度上減少這一因素，但不能完全消除不確定性。其他一些因素也可能對事先規劃的聯合監查制度進程構成挑戰：如各 PED 單元的動機、經驗、對任務的不同理解程度等。因此，我們認為HF的影響不僅與在單個小組內實現聯合監委會進程的總體目標有先后關系，而且在很大程度上以其他無意方式影響了北約的整體聯合監委會進程。另一方面，所述的監委會進程不一定會因這些障礙而改變，因為這可能取決于多個國家政策、執行和評估小組內部和之間協調和信任的有效性。

在不同的章節中，我們闡述了個人和人際因素、組織因素、文化因素、任務因素、系統因素和團隊因素如何影響聯合監委會。這些輸入因素預計會影響監委會的程序及其在監委會內部以及向外部組織要素（如聯合目標或情報界）提供可用結果的能力，進而影響諸如共享情況意識、數據分析、信息共享和決策以及任務完成的準確性和速度等輸出因素。圖 1 描繪了輸入和輸出因素之間的擬議聯系；該圖概述了本報告研究的所有因素。藍色和帶下劃線的因素是經過實證研究的因素。在隨后的章節中會有更詳細的理論介紹，其中還包括更詳細解釋一般模型中提出的各因素之間擬議相互關系的模型。

人工智能解決方案在陸軍野戰應用中的使用將在很大程度上依賴于機器學習（ML）算法。當前的ML算法需要大量與任務相關的訓練數據，以使其在目標和活動識別以及高級決策等任務中表現出色。戰場數據源可能是異構的，包含多種傳感模式。目前用于訓練ML方法的開源數據集在內容和傳感模式方面都不能充分反映陸軍感興趣的場景和情況。目前正在推動使用合成數據來彌補與未來軍事多域作戰相關的真實世界訓練數據的不足。然而，目前還沒有系統的合成數據生成方法，能夠在一定程度上保證在此類數據上訓練的ML技術能夠改善真實世界的性能。與人工生成人類認為逼真的語音或圖像相比，本文為ML生成有效合成數據提出了更深層次的問題。

1 引言

人工智能（AI）是美國國防現代化的優先事項。美國國防部的人工智能戰略指示該部門加快采用人工智能并創建一支適合時代的部隊。因此，它自然也是陸軍現代化的優先事項。從陸軍多域作戰（MDO）的角度來看，人工智能是解決問題的重要因素，而MDO是建立在與對手交戰的分層對峙基礎上的。雖然人工智能本身沒有一個簡明和普遍接受的定義，但國防部人工智能戰略文件將其稱為 "機器執行通常需要人類智能的任務的能力--例如，識別模式、從經驗中學習、得出結論、進行預測或采取行動--無論是以數字方式還是作為自主物理系統背后的智能軟件"。這句話的意思是，當機器在沒有人類幫助的情況下獨立完成這些任務時，它就表現出了智能。過去十年中出現的人工智能解決方案的一個重要方面是，它們絕大多數都符合模式識別模式；在大多數情況下，它們根據經過訓練的人工神經網絡（ANN）對相同輸入數據的輸出結果，將輸入數據分配到數據類別中。具體來說，深度學習神經網絡（DNN）由多層人工神經元和連接權重組成，最初在已知類別的大量數據上進行訓練以確定權重，然后用于對應用中的實際輸入數據進行分類。因此，機器學習（ML），即自動機（這里指DNN）在訓練階段學習模式的過程，一直是一個主導主題。事實上，DNN在計算機視覺領域的成功是商業和政府部門加大對人工智能關注和投資的原因。訓練算法和軟件開發工具（如tensorflow）的進步、圖形處理器（GPU）等計算能力的可用性，以及通過社交媒體等途徑獲取大量數據，使得深度學習模型在許多應用中得到了快速探索。

在監督學習中，人類專家創建一組樣本來訓練ML算法，訓練數據與實際應用數據的接近程度對人工智能方法的性能起著重要作用。將ML模型應用于軍事問題的主要瓶頸是缺乏足夠數量的代表性數據來訓練這些模型。有人提出使用合成數據作為一種變通辦法。合成數據集具有某些優勢：

• 它們帶有準確的地面實況。
• 使用現成的模擬產品可輕松生成大量各種類型的數據。
• 它們在程序上的障礙較少，例如，生物識別數據需要獲得機構審查委員會的許可。

然而，最關鍵的問題是在合成數據或混合合成和真實數據上訓練ML模型是否能使這些模型在真實數據上表現良好。美國陸軍作戰能力發展司令部陸軍研究實驗室的研究人員和合作者使用合成生成的人類視頻進行機器人手勢識別所獲得的初步結果表明，在合成數據和真實數據混合的基礎上進行訓練可以提高ML手勢識別器的性能。然而，并沒有普遍或分類的結果表明，當全部或部分使用合成數據進行訓練時，真實世界的ML性能會得到一致的提高。因此，有必要進行系統調查，以確定使用合成數據訓練ML方法的可信度。我們有理由假設，合成數據在提高ML性能方面的有效性將受到實際應用領域、合成數據與真實數據的保真度、訓練機制以及ML方法本身等因素的影響。合成數據與真實數據的保真度反過來又取決于數據合成方法，并提出了通過適當指標評估保真度的問題。以圖像為例，合成數據訓練的ML方法的性能與人類視覺感知的真實場景的保真度是否成正比并不清楚。有可能數據的一些關鍵特征對于ML的性能比那些影響人類感知的特征更為重要。組織這次陸軍科學規劃和戰略會議（ASPSM）的一個主要目的是讓合成數據生成、人工智能和機器學習（AI & ML）以及人類感知方面的頂尖學術界和國防部專家討論這些問題。會議的技術重點主要是圖像和視頻數據，反映了組織者在計算機視覺和場景感知方面的任務領域。

2 組織

根據上一節提出的問題，會議圍繞三個主題展開：

1.人類的學習和概括： 人類可以從最小的抽象和描述概括到復雜的對象。例如，在許多情況下，觀察一個物體的卡通圖像或線描，就足以讓人類在真實場景中識別出實際的三維物體，盡管后者比卡通圖像或線描具有更復雜的屬性。 這遠遠超出了當前人工智能和ML系統的能力。如果能夠開發出這種能力，將大大減輕數據合成機器的負擔，確保真實數據的所有屬性都嚴格保真。這個例子也說明了一個事實，即用于訓練ML模型的合成數據生成研究與提高ML模型本身的能力密切相關。因此，這項研究的重點是探索人類和動物的學習，以啟發ML和數據合成的新方法。

2.數據合成方法和驗證： 大多數應用ML方法的領域都有針對其領域的數據合成技術和工具。游戲平臺提供了一個流行的視頻合成商業范例。問題是如何評估特定領域中不同合成方法的性能。顯然，我們必須確定執行此類評估的指標或標準。通常情況下，合成工具的作者也會就工具的性能或功效發表聲明。驗證將是評估此類聲明的過程。本研究的目的是探討指導合成和驗證過程的原則。合成技術的例子包括基于計算機圖形的渲染器（如電影中使用的）、基于物理的模擬（如紅外圖像）和生成模型（目前傾向于基于神經網絡）。

3.領域適應挑戰： ML中的領域適應是指使用一個領域（稱為源領域）的數據訓練ML模型，然后將ML應用于不同但相關領域（稱為目標領域）的數據。例如，使用主要為民用車輛的源圖像數據集訓練識別車輛的ML算法，然后使用訓練好的算法識別主要為軍用車輛的目標數據集中的車輛。在使用合成數據進行訓練時，它們通常構成源域，而實際應用數據則是目標域。本次會議的重點是確定和討論有效領域適應中的關鍵問題和挑戰。

ASPSM的審議分四次會議進行。第一天的兩場會議討論了前兩個主題。第二天的第一場會議討論第三個主題，第二場會議在三個主題下進行分組討論。ASPSM兩天的日程安排分別如圖1和圖2所示。從圖中可以看出，每個主題會議首先由該領域的學術專家進行40分鐘的主講，然后由大學專家進行兩個20分鐘的講座。隨后由來自學術界和國防部的專家組成的小組進行討論。最后一個環節是分組討論，與會者可以討論與主題相關的各個方面。

3 口頭報告和小組討論

麻省理工學院電子工程與計算機科學系的Antonio Torralba教授在第一分會場發表了關于人類學習與泛化的主題演講。他的演講題目是 "從視覺、觸覺和聽覺中學習"，深入探討了深度學習方法如何在不使用大量標注訓練數據的情況下發現有意義的場景表征。舉例說明了他們的DNN如何在視覺場景和環境中的聲音之間建立聯系。讀者可參閱Aytar等人關于這一主題的代表性文章。

同樣來自麻省理工學院的James DiCarlo博士的下一個演講題目是 "視覺智能逆向工程"。他將 "逆向工程 "定義為根據對行為的觀察和對輸入的反應推斷大腦的內部過程，將 "正向工程 "定義為創建ANN模型，以便在相同輸入的情況下產生相應的行為。他的研究小組的一個目標是建立神經認知任務的性能基準，人類或其他靈長類動物以及ML模型可以同時達到這些基準。他的演講展示了大腦處理模型如何適應ANN實現的初步結果，并提出了ANN通過結合這些適應密切模擬人類行為，進而準確描述大腦功能的理由。

第一場會議的第三場講座由加州大學伯克利分校的Jitendra Malik教授主講，題為 "圖靈的嬰兒"。這個題目也許是指最早的電子存儲程序計算機之一，綽號 "寶貝"，其創造者之一受到了阿蘭-圖靈的啟發。馬利克教授首先引用了圖靈的觀點：與其創建一個模擬成人思維的程序，不如從模擬兒童思維開始。從本質上講，這意味著創造一種人工智能，通過與環境互動以及向其他人工智能和人類學習來學習和成長。這被稱為具身機器智能。馬利克教授認為，監督學習本質上是處理靜態數據集，因此顯示了在精心策劃的時間點上運行的非實體智能。具體而言，他認為監督訓練方法不適合創建能夠提供人類水平的世界理解，特別是人類行為理解的人工智能。Malik教授介紹了 "Habitat"，這是一個由他和他的合作者開發的平臺，用于嵌入式人工智能的研究。在隨后的小組討論中，與會人員討論了演講者所涉及的主題，以及與機器人學習和當前兒童智力發展模型相關的主題。

第二部分“數據合成:方法和驗證”以一個題為“學習生成還是生成學習?”，作者是斯坦福大學的Leonidas gu教授。在研究用于訓練ML的合成數據生成的動機中，他指出可以減輕大量人工注釋訓練數據的負擔。他的前提是，無論合成數據是用于訓練ML還是供人類使用，其生成效率和真實性都非常重要。不過，他表示其他質量指標還沒有得到很好的定義，需要進一步研究。他舉例說明了在混合合成數據和真實數據上訓練ML時，ML的物體識別性能有所提高，但他也承認很難得出可推廣的結論。

卡內基梅隆大學的Jessica Hodgins博士發表了第二場會議的第二個演講，題為 "生成和使用合成數據進行訓練"。演講展示了她的研究小組生成的精細合成場景。利用從真實場景到合成場景的風格轉移過程，她的研究小組創造了一些實例，說明在混合了大量風格適應的合成數據和一些真實數據的基礎上進行訓練的ML方法的性能優于僅在真實數據集或僅在合成數據集上進行訓練的方法。性能提高的原因在于風格轉移克服了合成數據集與真實數據集之間的 "分布差距"。

第二場會議的最后一場講座由加州大學伯克利分校的Trevor Darrell教授主講。他的演講題為 "生成、增強和調整復雜場景"，分為三個部分。第一部分詳細介紹了演講者及其核心研究人員開發的一種名為 "語義瓶頸場景生成 "的技術，用于根據地面實況標簽合成場景。該技術可進一步與通過生成過程生成此類地面標簽的模型相結合。Azadi等人對該技術進行了詳細描述。 第二部分涉及增強和自我監督學習。發言人提出，當前的對比學習方法在合成增強數據時建立了不變量，而這些不變量可能是有益的，也可能是無益的。例如，建立旋轉不變性可能有利于識別場景中的花朵，但可能會阻礙對特定方向物體的有效識別。演講者介紹了他的研究小組考慮具有特定不變性的多種學習路徑的方法，并展示了與現有技術相比性能有所提高的結果。 第三部分介紹了一種名為 "Tent"（測試熵）的技術。其前提是DNN應用過程中遇到的數據分布可能與訓練數據不同，從而導致性能下降。因此，需要對DNN參數進行實時或測試時調整，以防止性能下降。Tent技術通過調整權重使DNN輸出的測量熵最小化來實現這一目標。演講者隨后用常用數據集展示了該技術相對于先前方法的改進性能。隨后的小組討論涉及合成方面的挑戰，尤其是紅外圖像方面的挑戰。

第二天的第三場會議以 "領域轉移的挑戰 "開始。約翰霍普金斯大學布隆伯格特聘教授Rama Chellappa博士發表了題為 "解決美國防部實際問題的綜合數據期望與最大化"的演講。演講首先回顧了過去二十年來國防部處理合成圖像的多個項目的歷史。他提出了一個重要論斷，即如果在合成過程中考慮到真實數據的物理特性，那么真實數據和合成數據之間的領域轉換就會減少。Chellappa教授還就領域自適應表示法提供了快速教程，涵蓋了正規數學方法以及較新的生成對抗網絡（GANs）。演講者及其核心研究人員開發的基于GAN的方法可以修改合成數據的分布，使之與目標分布相匹配。講座舉例說明了這種方法優于之前的非GAN方法。

佐治亞理工學院的Judy Hoffman教授發表了題為 "從多個數據源進行泛化的挑戰 "的演講。她考慮的問題是在模擬中學習模型，然后將模型應用于現實世界。她指出了四個挑戰： 生成、列舉、泛化和適應。發言人介紹了應對這些挑戰的幾種不同方法。具體來說，用于泛化的特定領域掩碼（DMG）方法通過平衡特定領域和領域不變特征表征來生成一個能夠提供有效領域泛化的單一模型，從而解決多源領域學習問題。

第三場會議的第三位也是最后一位演講者是波士頓大學的Kate Saenko教授，他的演講題目是 "圖像分類和分割的Sim2Real領域轉移的最新進展和挑戰"。Saenko教授延續了前兩場講座的主題，介紹了視覺領域適應的歷史，并探討了領域和數據集偏差問題。在糾正數據集偏差的不同方法中，講座詳細討論了領域適應。特別重要的是，Saenko教授及其合作者開發的技術能夠顯示合成到真實的適應性，就像從游戲引擎到真實數據一樣。隨后的小組討論提出了幾個有趣的問題，包括訓練域和測試域的不同，不是感興趣的對象不同，而是對象所處的環境不同，例如訓練時軍用車輛在沙漠環境中，而測試時則在熱帶植被背景中。

4 分組討論

三個主題的分組討論同時進行。在 "人類學習與泛化 "分組討論中，首先討論了 "人類如何學習？"、"ML模型如何模仿人類過程？"以及 "合成數據如何實現這些過程？"等問題。從童年到青春期和成年期，學習和成長之間的關系成為關鍵點。其他被認為有助于人類學習的因素包括人類心理、情感、同時參與多維活動、記憶以及解除學習的能力。

關于 "數據綜合： 方法與驗證 "分論壇確定了數據合成的幾個問題，特別是圖像和視頻。主要問題涉及結合物理學的有用性、視覺外觀保真度與成本之間的權衡、保真度的衡量標準、保真度本身的重要性以及當前技術（包括GANs技術）的局限性。據觀察，合成圖像和視頻生成至少已有幾十年的歷史，但大多數產品要么是為視覺效果而設計，要么是為再現物理測量而設計（例如，紅外模擬中的輻射剖面）。它們并不適合用于ML培訓。提出的另一個問題是，合成的二維圖像必須與物體和環境的底層三維幾何圖形保持一致。還有人提出，能夠在特定的感興趣的環境中生成大量合成數據，可以作為第一道工序測試新的人工智能和ML方法，而不管這些方法是否能夠在真實數據中很好地工作。

專題3 "領域轉移挑戰 "的分組討論確定了MDO所需的關鍵人工智能能力，即從孤立學習到機器與人類之間的聯合或協作學習。會議還討論了在多種數據模式下同時訓練ML的聯合學習。人們認識到，這些領域的工作才剛剛開始。分組討論的牽頭人強調，需要向士兵明確說明基于人工智能的系統在特定情況下將會做什么。這引發了對系統魯棒性的討論。分組組長向ASPSM聽眾提供了討論摘要。

5 差距和建議

根據本次ASPSM的討論，我們確定了以下值得陸軍進一步進行科技投資的領域：

1.支持多模式互動學習的合成技術和數據集。與當前流行的捕捉 "時間瞬間 "的靜態數據集（如農村環境中的車輛圖像）相比，有必要開發更能代表支持持續學習的體現性體驗的模擬器，就像我們在人類身上看到的那樣，并實現對世界更豐富的表征。混合方法（如增強現實）也可將人類監督的優勢與合成環境的靈活性結合起來。

2.學習和合成因果關系和層次關系的算法和架構。最近的一些方法，如基于圖的卷積神經網絡，已經在學習空間和時間的層次關系（如物體-部件和因果關系）方面顯示出前景。鑒于在現實世界中收集和注釋此類數據的復雜性，合成數據的生成可能特別有用。識別層次關系是一般國防部和戰場情報分析的關鍵要素。

3.支持持續、增量、多模態學習的算法和架構。深度強化學習方法被成功地用于訓練虛擬或機器人代理的相關行動策略，如捕食者與獵物之間的相互作用。基于模仿的方法承認學習的社會性，通常讓代理與（通常是人類）教師合作學習新策略。這些類型的交互式持續學習可進一步與多模態學習（即融合來自多個傳感器的數據）相結合，以實現更豐富的世界表征，使其更穩健、更具通用性。同樣，在這一領域難以獲得大量經過整理的數據，這也為探索合成引擎提供了動力。

4.學習物理或具備相關物理領域知識的算法和架構。在許多領域（例如紅外光下的物體感知），從圖像感知和合成圖像需要了解世界的基本物理特性，例如光與材料之間的相互作用。然而，當前的深度學習模型缺乏這種物理知識。開發賦予ML物理領域知識的技術對這些系統的性能至關重要。

5.具有豐富中間表征的領域適應技術。為了縮小真實數據和合成數據之間的領域差距，必須進一步推動當前建立領域不變中間表征的趨勢，特別是使用語義詞典和生成式對抗網絡。能夠理解數據底層結構（如光照、旋轉、顏色）的表征更有可能成功抽象出合成數據中不重要的細節。

6.深入了解ML模型內部表征的方法，以及合成表征與真實表征的比較。網絡剖析技術 "打開 "了深度學習模型的隱藏層，允許解釋網絡中的每個階段正在學習哪些特定概念或其更細的方面。這些技術揭示了具有真實輸入和合成輸入的DNN的內部表征，有助于識別所學內容的關鍵差異，從而找到克服這些差異的解決方案。

6 結論

為期兩天的虛擬ASPSM吸引了眾多美國防部科學家和工程師、頂尖學術專家以及科技項目管理人員的熱情參與。多學科的討論強化了這樣一種觀點，即開發用于訓練ML方法的生成合成數據的改進方法與理解和改進ML方法本身是分不開的。一個特別重要的需求是了解ML方法，尤其是當前的學習架構，是如何創建場景的內部表示的。另外兩個重要領域是：1）理解人類學習與ML世界中可能存在的學習之間的異同；2）多模態數據--從合成和ML的角度。我們預計近期國防部和學術研究人員將在本報告確定的領域加強合作。

長期目標

在決策或推理網絡中進行適當的推理，需要指揮官（融合中心）對每個下屬的輸入賦予相對權重。最近的工作解決了在復雜網絡中估計智能體行為的問題，其中社會網絡是一個突出的例子。這些工作在各種指揮和控制領域具有相當大的實際意義。然而，這些工作可能受限于理想化假設：指揮官（融合中心）擁有所有下屬歷史全部信息，并且可以假設這些歷史信息之間具有條件統計獨立性。在擬議的項目中，我們打算探索更普遍的情況：依賴性傳感器、（可能的）依賴性的未知結構、缺失的數據和下屬身份被掩蓋/摻雜/完全缺失。對于這樣的動態融合推理問題，我們建議在一些方向上擴展成果：探索數據源之間的依賴性（物理接近或 "群體思維"），在推理任務和量化不一定匹配的情況下，采用有用的通信策略，甚至在每個測量源的身份未知的情況下，采用無標簽的方式--這是數據關聯問題的一種形式。

我們還認識到，對動態情況的推斷是關鍵目標所在。考慮到一個涉及測量和物理 "目標 "的傳統框架，這是一個熟悉的跟蹤問題。但是，來自目標跟蹤和多傳感器數據關聯的技術能否應用于提取非物理狀態（物理狀態如雷達觀察到的飛機）？一個例子可能是恐怖主義威脅或作戰計劃--這些都是通過情報報告和遙測等測量手段從多個來源觀察到的，甚至可能被認為包含了新聞或金融交易等民用來源。這些都不是標準數據，這里所關注的動態系統也不是通常的運動學系統。盡管如此，我們注意到與傳統的目標追蹤有很多共同點（因此也有機會應用成熟的和新興的工具）：可能有多個 "目標"，有雜波，有可以通過統計學建模的行為。對于這種動態系統的融合推理，我們的目標是提取不尋常的動態模式，這些模式正在演變，值得密切關注。我們特別建議通過將雜波建模為類似活動的豐富集合，并將現代多傳感器數據關聯技術應用于這項任務，來提取特征（身份）信息。

目標

研究的重點是在具有融合觀測的動態系統中進行可靠推理。

方法

1.決策人身份不明。在作戰情況下，融合中心（指揮官）很可能從下屬那里收到無序的傳感器報告：他們的身份可能是混合的，甚至完全沒有。這種情況在 "大數據 "應用中可能是一個問題，在這種情況下，數據血統可能會丟失或由于存儲的原因被丟棄。前一種情況對任務1提出了一個有趣的轉折：身份信息有很強的先驗性，但必須推斷出身份錯誤的位置；建議使用EM算法。然而，這可能會使所有的身份信息都丟。在這種情況下，提出了類型的方法來完成對局部（無標簽）信念水平和正在進行的最佳決策的聯合推斷。

2.動態系統融合推理的操作點。在以前的支持下，我們已經探索了動態事件的提取：我們已經開發了一個合理的隱馬爾科夫模型，學會了提取（身份）特征，有一個多伯努利過濾器啟發的提取方法 - 甚至提供了一些理論分析。作為擬議工作的一部分，將以兩種方式進行擴展。首先，打算將測量結果作為一個融合的數據流，這些數據來自必須被估計的未知可信度的來源。第二，每個這樣的信息源必須被假定為雜亂無章的 "環境 "事件（如一個家庭去度假的財務和旅行足跡），這些事件雖然是良性的，可能也不復雜，但卻是動態的，在某種意義上與所尋求的威脅類似。這些必須被建模（從數據中）和抑制（由多目標追蹤器）。

3.數據融合中的身份不確定性。當數據要從多個來源融合時，當這些數據指的是多個真相對象時，一個關鍵的問題是要確定一個傳感器的哪些數據與另一個傳感器的哪些數據相匹配："數據關聯 "問題。實際上，這種融合的手段--甚至關聯過程的好方法--都是相當知名的。缺少的是對所做關聯的質量的理解。我們試圖提供這一點，并且我們打算探索傳感器偏差和定位的影響。

4.具有極端通信約束的傳感器網絡。考慮由位置未知、位置受漂移和擴散影響的傳感器網絡進行推理--一個泊松場。此外，假設在這樣的網絡中，傳感器雖然知道自己的身份和其他相關的數據，但為了保護帶寬，選擇不向融合中心傳輸這些數據。可以做什么？又會失去什么？我們研究這些問題，以及評估身份與觀察的作用（在信息論意義上）。也就是說，假設對兩個帶寬相等的網絡進行比較；一個有n個傳感器，只傳輸觀察；另一個有n/2個傳感器，同時傳輸數據和身份。哪一個更合適，什么時候更合適？

5.追蹤COVID-19的流行病狀況。誠然，流行病學并不在擬議研究的直接范圍內，但考慮到所代表的技能以及在目前的健康緊急情況下對這些技能的迫切需要，投機取巧似乎是合理的。通過美國和意大利研究人員組成的聯合小組，我們已經證明，我們可以從當局提供的每日--可能是不確定的--公開信息中可靠地估計和預測感染的演變，例如，每日感染者和康復者的數量。當應用于意大利倫巴第地區和美國的真實數據時，所提出的方法能夠估計感染和恢復參數，并能很準確地跟蹤和預測流行病學曲線。我們目前正在將我們的方法擴展到數據分割、變化檢測（如感染人數的增加/減少）和區域聚類。

許多國家都使用了像“三角洲” (Delta) 這樣的作戰管理系統（BMS），包括烏克蘭，使指揮部能夠共享態勢感知信息；本研究的重點是信息在作戰網絡中的分配。與自然系統類似，螞蟻和蜜蜂等自主代理遵循一套簡單的規則，BMS是一個由基地和電子作戰平臺組成的網絡，在國防條令的指導下，軍事資產作為網絡內的智能體。這種系統的可操作性的原理是基于多個子系統相互作用時每個子系統都是可靠的。然而，潛在相互作用的排列組合會引起不可預測的負反饋或正反饋循環，導致不可預測的和不想要的結果。突現行為的結果是出乎意料的，有時在情報和無線網絡等領域是不受歡迎的。理解突發行為對于理解復雜的工程系統是勢在必行的，并且要提出新的見解，采取切實可行的措施來改善復雜系統的設計和分析。本文介紹了BMS和網絡與用戶定義的系統集成的網絡士兵概念的例子。作者認為，烏克蘭和其他軍隊可以直接從利用元控制論、元元系統模型分析來控制突現。

圖2：作戰管理系統（BMS）的集中式指揮通信網絡

《美國法典》第10章第2366條要求美國防部在一個項目進入全面生產之前進行現實的生存能力測試。這意味著通過向作戰配置的系統發射可能在戰斗中遇到的彈藥來測試系統的脆弱性，主要強調對潛在用戶傷亡的測試。在脆弱性測試中還應考慮到系統的易受攻擊性和作戰性能。

脆弱性評估評價了一個系統承受威脅的破壞性影響的能力。對裝甲戰車及其乘員進行這種評估的挑戰是，測試通常是破壞性的。在許多情況下，可用于測試全尺寸系統的資產數量有限。有了良好的測試計劃，一些測試資產可以被修復并再次用于測試；然而，測試設計必須考慮到資產數量少的問題，并選擇最佳點，這對深入的統計推理提出了挑戰。為了緩解這個問題，測試人員從更實惠的來源收集數據，包括組件和子系統級測試。這就產生了一個新的挑戰，構成了本文的前提：如何將較低層次的數據源連接起來，以提供一個可信的系統級的車輛脆弱性預測？本文提出了一個案例研究，展示了解決這個問題的方法。我們強調了基本統計技術的使用--實驗設計、統計建模和不確定性的傳播--在一個描述地面車輛被間接炮火攻擊的戰斗場景中。

用于創建概念性案例研究的數據是不保密的，文件中的信息是基于公開來源的參考資料。所有的數據都是隨機產生的，所提出的模型和結果僅是說明性的。既沒有來自任何政府贊助商的數據，也沒有技術信息。

態勢感知是作戰人員的必需能力。一種常見的監視方法是利用傳感器。電子光學/紅外（EOIR）傳感器同時使用可見光和紅外傳感器，使其能夠在光照和黑暗（日/夜）情況下使用。這些系統經常被用來探測無人駕駛飛機系統（UAS）。識別天空中的這些物體需要監測該系統的人員開展大量工作。本報告的目的是研究在紅外數據上使用卷積神經網絡來識別天空中的無人機系統圖像的可行性。本項目使用的數據是由作戰能力發展司令部軍備中心的精確瞄準和集成小組提供的。

該報告考慮了來自紅外傳感器的圖像數據。這些圖像被送入一個前饋卷積神經網絡，該網絡將圖像分類為有無無人機系統。卷積模型被證明是處理這些數據的第一次嘗試。本報告提供了一個未來的方向，以便在未來進行擴展。建議包括微調這個模型，以及在這個數據集上使用其他機器學習方法，如目標檢測和 YOLO算法。