21 世紀聯合作戰分析工具（COMBATXXI）是美國海軍陸戰隊作戰分析局（OAD）和新成立的美國陸軍未來司令部（AFC）下屬研究分析中心（TRAC）使用的主要作戰模擬分析工具。雖然該模擬工具具有相當強大的功能，并已用于各種研究，但它有兩大缺陷，可以通過創新的模型開發技術加以解決。COMBATXXI 在場景開發層面的第一個弱點是機動規劃。一個實體的機動完全由場景開發人員編寫腳本。這是一個耗時的過程，根據開發人員的專業知識和經驗，其實際精確度也不盡相同。COMBATXXI 中的先進地形推理可增強模擬實體的動態決策，改進聯合兵種作戰分析，并縮短場景開發時間。第二個弱點是 COMBATXXI 中新行為的原型設計和測試。這是一個困難的過程，可以通過使用簡化的代理環境加以改進。本論文通過在智能體環境（WOMBATXXI/Unity3d 游戲引擎）中使用先進的地形推理方法開發原型機動計劃器，通過檢查計劃的真實性和簡單性的簡單面驗證過程測試計劃器輸出，并在五個不同的場景中演示計劃器輸出，從而在解決這兩個不足方面邁出了一步。

規劃框架

WXXI 自動作戰規劃系統（ABPS）由三個主要部分組成：計劃輸入、計劃數據和計劃生成器。圖 4 顯示了 ABPS 的頂層框架。規劃劃數據是一個 "企業數據庫"，用于存儲多個場景中的相關信息，如運動和交戰的衍生模型、任務字典和戰術配置字典[2]。規劃輸入來自模擬環境和計劃數據，由與友軍和敵軍、地圖、任務分配和戰術相關的信息組成。計劃生成器是使用計劃輸入和計劃數據生成計劃的主要組件。計劃生成器能夠生成任務規劃和增強規劃。任務規劃生成器通過對友軍單元、敵軍單元以及作為輸入提供的任何數據進行推理，根據任務生成可執行的機動規劃。任務規劃生成器只是生成一個能完成給定任務的計劃，但并不聲稱能生成一個理論計劃，甚至是一個運行良好的計劃[2]。增強規劃只是修改或改進現有計劃。增強規劃器必須得到一個任務計劃，并假定所提供的計劃已經實現了任務，但會使用目標函數和一些已知的戰術知識來增強計劃[2]。

WOMBATXXI 原型開發的重點是開發一種火力支援增強規劃器，該規劃器可以通過減少單元執行該計劃所造成的預期傷亡人數來改進現有任務計劃。由于重點是火力支援增強計劃器，因此任務計劃器并非完全自動化，需要用戶輸入信息才能制定計劃。用戶需要輸入的信息之一是戰術控制措施，它基本上允許用戶定義機動計劃的關鍵決策。在本論文中，我們嘗試了一種戰術位置選擇方法，它將自動選擇可被任務計劃人員接受的戰術控制措施，并用于為下屬單元分配任務。這通常會創建一個理論上的機動計劃，該計劃可通過使用增強型計劃器加以改進。WXXI 中的任務規劃者假定敵方防御陣地上有一支突擊的友軍部隊。我們也假設了同樣的情況，并將戰術陣地選擇系統的重點放在排級規模的友軍上。值得注意的是，本作品中的戰術陣地選擇系統并不決定友軍在路線上或戰術控制措施之間的機動時機。這一分解工作由 WOMBATXXI 任務和增強計劃人員負責。

這項研究的目的是定義對手作戰方案支持數據模型，以及它與自動白方（TAWC）的關系，后者是一種理論上的先進規劃輔助結構。新提出的作戰概念依賴于較小規模的集中式兵力，需要處理的信息可能更多。這種模式迫使兵力領導者依靠更直觀的決策和/或使用技術來支持傳統上由人類完成的分析功能。要使新技術為規劃做出重要而可靠的貢獻，軟件開發人員必須考慮到條令流程，如 "作戰空間情報準備"（IPB）。軍事出版物中蘊含著無數年的經驗，而將減少不確定性的條令模型映射到領先技術的文獻卻很少。本論文探討了流程如何導致發現，從而減少戰斗空間中的意外情況。

海軍任務規劃器（NMP）是一種基于優化的作戰計劃工具，適用于設計海軍部署的各級決策者，從戰區級計劃到單個航母打擊群（CSG）或驅逐艦中隊（DESRON）。調度人員的任務過多，卻沒有足夠的艦艇來完成這些任務。該輔助決策系統采用多任務能力艦艇，在給定的規劃范圍內將其分配到任務中，目標是最大限度地提高完成任務的總價值，同時考慮到任務集的地理位置以及艦艇的能力和局限性。以前的版本使用獲得許可的商業軟件和求解器進行優化，并對可供選擇的艦艇部署進行有限的列舉。本論文的重點是通過使用開源軟件和求解器，使所有海軍人員都能使用海軍任務規劃器。此外，它還在優化過程中提供了持久性，允許調度人員在規劃期限內重新配置計劃，并將對之前公布的計劃的改動降到最低。我們還開發了兩種部署規劃方法，即隨機路徑枚舉和網絡流表述，這兩種方法都提高了海軍任務規劃器的任務完成水平。此外，我們還創建了一個 "兵力比護航"參數，允許非作戰艦艇在多艘具備防御能力的艦艇護航下通過危險區域。

執行總結

海軍任務規劃器（NMP）是一個基于優化的決策支持系統，適用于從海上聯合部隊作戰指揮官（JFMCC）作戰視角到驅逐艦中隊（DESRON）和航母打擊群（CSG）戰術視角的各級海軍規劃決策者。在考慮到多艘艦艇、它們的多種任務能力以及從一個地理區域轉運到另一個地理區域所需的時間之前，在整個規劃范圍內規劃任務已經是一項極具挑戰性的任務。我們還必須考慮到任何需要與支援任務同時完成的前提任務。確定后勤支持，預測在同一規劃范圍內何時何地艦船需要更多燃料和其他補給，也是一項挑戰。這對于 JFMCC 或海上行動中心 (MOC)、DESRON 或 CSG 來說，仍然是一個人工和耗時的過程。

NMP 接收用戶輸入的信息，包括任務、地理區域、可用艦船、綜合任務能力、按任務和艦船能力劃分的商品消耗率。NMP 將有能力的艦船分配到執行任務的地區，從而最大限度地提高完成任務的總價值。NMP 包括一個作戰后勤部隊（CLF）規劃要素，能夠跟蹤艦艇的物資水平，并就何時何地與客戶艦艇開展海上補給（RAS）活動提出建議。NMP 還提供護航和近距離護航選項，允許非戰斗艦艇由防御戰斗艦艇護航，可以是同一區域的一艘防御艦艇護航所有非戰斗艦艇（護航），也可以是同一區域的防御艦艇和非戰斗艦艇一對一護航（近距離護航）。

本研究探討了改進 NMP 的方法，即從未獲批準在海軍陸戰隊互聯網（NMCI）計算機、保密互聯網協議（SIPR）計算機或其他保密網絡上使用的昂貴的特許專有軟件轉向開源軟件。通過將 NMP 轉換為開源代數建模語言，我們消除了所有成本，而且該軟件已被批準或可被批準在安全計算機上使用。求解器也從特許優化軟件轉為開源混合整數編程求解器。

我們還將研究如何改進船舶在區域之間的轉運方式，并增加一種對之前公布的時間表影響最小的時間表變更方式。

NMP 以前計劃從一個區域到另一個區域的船只部署的方法涉及基于堆棧的部分枚舉，這限制了船只探索區域的多樣性。在這項研究中，我們將重點放在通過兩種額外的方法來改變這種區域間探索的多樣性。第一種是隨機路徑生成法；與基于堆疊的部分枚舉法類似，這種方法為每艘戰艦生成一定數量的部署路徑。但是，船只的部署路線是隨機的，這就增加了船只交替路線的多樣性。隨機路徑生成通過增加完成任務的數量來改進 NMP，并通過讓艦船到達 RAS 事件所需的位置來大大減少對商品消耗的懲罰。

我們的第二種方法在 NMP 中添加了網絡流部署模型，允許艦船探索從區域到區域的所有可能路線。與其他路由模型相比，網絡流大大縮短了 NMP 的運行時間，并為我們提供了一個接近最優甚至是最佳的解決方案。我們將隨機路徑生成和網絡流部署模型與基于部署堆棧的枚舉法進行了比較，在我們的韓國行動區域場景中，我們有 695 項任務需要在 15 天的規劃期限內完成。

這項研究專門為航空母艦或兩棲攻擊艦增加了額外的護航功能，因為它們在一個區域內需要不止一次護航。這種兵力配比要求每艘非戰斗艦艇在通過高危區域時都要由多艘具備防御能力的艦艇護航。我們在 NMP 的一個新場景中測試了這一功能，即一支從關島經菲律賓海前往菲律賓宿務的有防御能力的 CLF 護航艦隊。

最后，這項研究為 NMP 增加了優化的持久性，這一調度功能允許用戶在規劃期內隨時隨地增加或減少任務和/或艦船，并且只需對原有調度進行少量修改即可完成任務。這極大地減少了因命令過多艦船進行過多計劃調整而造成的動蕩、信息傳遞和混亂。

隨機部署路徑生成、網絡流部署模型和持久性的加入使 NMP 有了顯著的改進。隨機部署路徑生成顯示，在某些情況下，目標函數的增幅高達 45%，而對 500 萬條可能路徑的采樣率不到 1%，即對 1,058,826,559,993 條可能部署路徑的采樣率為 0.000019%。我們的網絡流部署模型探索了超過一萬億條可能的部署路徑，取得了最佳結果，使我們在某些情況下的目標值提高了 50%。與基于堆棧的枚舉法和隨機路徑生成法相比，網絡流部署模型的求解時間最快，大多數場景的求解時間都在一小時之內。

蜂群是戰爭的下一個進化步驟。激光武器系統（LWSs）將是在這個新的戰斗空間中競爭的一種具有成本效益的方法。無人機系統正被用于各個層面，從恐怖組織到世界超級大國，廉價的無人機系統作為采用蜂群戰的一種方式。目前，無人機群已經被用于異質配置，并在軍事演示中被展示出來（Hambling 2021）。作為反擊，國防部必須制定一個具有成本效益的對策，而LWSs具有每次射擊成本低、見效時間短的優點。

隨著通信方法、機器學習和蜂群理論的發展，無人機系統的能力也在增長。它們按重量、范圍和速度的不同組合進行分類。無人機系統執行廣泛的任務類型，包括監視、反制、誘餌、傳感器失效和有效載荷的交付。它們通常由高強度低重量的材料制成，如鋁或碳纖維增強聚合物；然而，最近也在探索使用鎂基復合材料以實現更廉價的制造（Hoeche等人，2021）。容易獲得和廉價的無人機系統使得形成蜂群成為一種具有成本效益的方式。LWS將是準備應對這種新型威脅的有效方式。

通過適當的使用，LWS將成為對廉價的蜂群攻擊的相稱和有效的反應，變得非常寶貴。擬議的每發1美元將使海軍在這些交戰中贏得經濟損耗（Smalley 2014; Perkins 2017）。然而，也有一些需要注意的障礙，如大氣效應、湍流和熱膨脹。LWS還需要能力很強的傳感器和控制系統來精確跟蹤遠距離目標，并在所需的停留時間內保持訓練好的光束。這種需求在海洋環境中被放大了，船舶的湍流和運動使問題更加復雜。戰術官做出的復雜決定是對蜂群戰和LWS使用的另一個關注。在蜂群戰環境中，交戰時間可能短至個位數分鐘。幫助決策者快速過濾大量信息的自動化決策輔助工具將是贏得這些快速小規模戰斗的關鍵所在。這篇論文探討了各種無人機威脅情況和LWS交戰策略，以確定一些關鍵因素。

無人機群可能由同質群或異質群組成。使用同質群可以簡化獲取和使用具有成本效益的蜂群，而異質群則會增加蜂群的復雜性和能力。同質蜂群的操作者可以改變攻擊的規模和隊形。異質蜂群可以利用各種角色的單位，如戰斗機、轟炸機、誘餌、干擾器和偵察兵。改變蜂群的組成可能會對整體的成功機會產生相當大的影響。

使用的LWS交戰策略會嚴重影響交戰的結果。最直接的技術是基于距離的方法，即武器系統僅根據距離來確定目標的優先次序。最短交戰 "算法提供了一個模型，它也考慮了LWS的回轉時間。如果來襲的威脅是一個異質的蜂群，LWS可以采用更復雜的策略，優先考慮蜂群的各種功能，如感知或通信。這些異質性交戰方法將要求防御者對蜂群有大量的了解，因此需要有能力很強的傳感器和數據融合系統。

本論文使用建模虛擬環境和模擬（MOVES）研究所的一個名為 "蜂群指揮官戰術"（SCT）的程序來探索和模擬蜂群戰環境。SCT被用來測試各種蜂群編隊，包括直線、楔形和波浪形楔形。此外，本論文還開發了一種采用誘餌無人機來掩護轟炸機部隊的異質蜂群編隊。對于LWS，本論文評估了一種交戰策略，使轟炸機部隊優先于任何其他部隊。

主要的發現是，最大限度地增加單位之間的角位移的蜂群編隊比緊密聚集的群體更成功。這些結果是由于每個目標之間需要增加LWS的回轉時間。裝甲誘餌方案增加了整個蜂群的存活率，因此也增加了性能。在艦艇幸存的模擬中，轟炸機能夠活得更久，在被摧毀前更接近艦艇。在艦艇被摧毀的模擬中，有更多的轟炸機幸存下來。關于LWS的交戰策略，這一轉變對結果造成了巨大的影響。在艦艇存活的模擬中，交戰時間要短得多，轟炸機被摧毀的距離也遠得多。在艦艇被摧毀的模擬中，交戰持續時間更長，轟炸機群的大部分被摧毀。這些結果強調了利用各種編隊、異質無人機群以及制定LWS交戰策略來對付它們的潛在好處。

圖1. 使用艦載LWS來防御無人機群的威脅。改編自洛克希德-馬丁公司（2020）和愛德華茲公司（2021）。

對手對美國在太空、網絡空間和電磁頻譜上的優勢的競爭的崛起要求海軍陸戰隊的指揮、控制和通信（C3）發生變化。戰術空中指揮中心（TACC）是海軍陸戰隊中最關鍵的C3節點，在海軍陸戰隊的遠征先進基地作戰（EABO）概念下，在有爭議的通信環境中，目前所采用的方式將無法生存。

海軍陸戰隊必須轉變其對通信的概念化和理解，以促進在有爭議的通信環境中的指揮和控制。爭奪電磁頻譜內外的通信途徑將需要預測在通信斷續期間做出作戰決策所需的信息。TACC應該成為一個低可觀察性、小型和移動、具有聯合互操作性的網絡化的C3節點，在對手的武器交戰區內運作。通過這些改變，TACC將成為符合海軍陸戰隊EABO概念的有彈性、有條件的前方海軍空中作戰中心（AOC），并將為海軍-海軍陸戰隊團隊和聯合部隊提供重要的C3能力。

在作出魚雷裝載決定時，規劃者必須考慮不同反潛戰（ASW）單位的能力和實力、有限的預算和不同的對手潛艇艦隊。目前，Mk-54輕型魚雷的裝填決定是人工做出的，而且沒有一個系統的方法來處理威脅的不確定性。這項研究試圖通過使用隨機優化來確定美國水面艦艇、固定翼飛機和直升機上裝載魚雷的類型和數量，從而為這些決策提供參考，以面對不確定的潛艇威脅，達到預期的殺傷概率。開發了兩種魚雷分配隨機優化模型（TASOM）的配方： TASOM-1，最小化錯過的潛艇數量；TASOM-2，最小化殺傷概率閾值以下的偏差。為了顯示隨機編程方法比典型的確定性規劃的價值，提出了一個概念性案例，旨在代表一個行動，即反潛部隊在一個區域內巡邏對手的潛艇。隨機生成100個威脅場景，其中部署在該地區的潛艇的數量和級別各不相同。TASOM-2的裝載量明顯優于確定性的平均裝載量。所提出的模型與可訪問的用戶界面相結合，為規劃者提供了一個決策輔助工具，以進行敏感性分析，指導不確定情況下的魚雷分配和預算決策。

反潛戰（ASW）被定義為 "為了不讓敵人有效使用潛艇而進行的行動"（參謀長聯席會議2021年，第IV-10頁）。這些行動包括定位、跟蹤和消滅敵人的潛艇。這項研究的重點是最后一項任務。隨著對手繼續現代化和增長他們的潛艇艦隊，尋求以最佳方式為美國海軍的反潛平臺配備能夠有效瞄準這些潛艇的武器。

A. 背景情況

ASW主要由海上巡邏機、水面作戰艦艇及其搭載的直升機和潛艇執行。通信限制和水域管理要求通常使潛艇無法與其他類型的平臺協同作戰。假設友好的潛艇將在不與水面和空中資產重疊的區域進行反潛作戰。本報告將不進一步討論潛艇行動。

巡洋艦和驅逐艦都可以從其水面艦艇魚雷發射管（SVTT）和垂直發射反潛火箭（ASROC）系統中發射輕型魚雷。

P-8 "海神 "是一種多任務海上巡邏機。在進行反潛作戰時，它可以配備輕型魚雷，用來對付對手的潛艇。與水面平臺相比，P-8在搜索潛艇時可以覆蓋更大的區域，并且可以在沒有敵人魚雷的威脅下進行交戰。一個P-8中隊由六或七架飛機組成，一個分隊由四或五架飛機組成。中隊和分隊可以在世界各地的美國、盟國和合作伙伴的空軍基地進行部署和行動。

MH-60R海鷹直升機與P-8一樣具有水面平臺的優勢，但可以攜帶較少的魚雷，作戰范圍也短得多。MH-60R分隊可以搭載在Flight IIA阿利-伯克導彈驅逐艦、提康德羅加導彈巡洋艦、獨立和自由級瀕海戰斗艦以及航空母艦上。驅逐艦、巡洋艦和瀕海戰斗艦最多可以搭載兩架MH-60R。

美國海軍必須準備好面對一個非常多樣化的威脅。根據Janes（Janes 2021a）的說法，俄羅斯海軍有27種。

俄羅斯等潛艇艦隊組成的分歧給國防規劃帶來了復雜的挑戰。

Mk-54輕型魚雷可從水面艦艇上的SVTT和ASROC系統發射。在進行反潛作戰時，它也可以被裝載到MH-60R和P-8上。考慮分配由0型、1型和2型變體組成的魚雷庫存。

B. 技術現狀和動機

在這項研究中開發的模型是具有追索性的兩階段隨機模型。具體來說，在第一階段（武器分配）將魚雷分配給反艦導彈部隊，在第二階段（武器目標分配，WTA）將魚雷分配給潛艇。武器分配決定往往是在不完全了解威脅的情況下做出的，這就促使了隨機優化和模擬。

自從Manne（1958）提出WTA問題以來，在武器分配和WTA方面已經做了大量工作。佩奇（1991）開發了一個混合整數編程模型，以獲得火炮系統和彈藥的最佳組合。Jarek(1994)利用模擬得到空戰所需的艦載防空導彈的數量。Tutton（2003）開發了一個使用隨機優化的傳感器分配模型，在不確定的敵方作戰順序下將搜索包分配給目標。Avital（2004）開發了一個兩期的隨機供應鏈模型，以確定在不確定的目標需求下，應該采購多少反艦巡航導彈以及如何分配這些導彈。Uryasev和Pardalos（2004）表明，與隨機對應的決定性武器分配決策相比，缺乏穩健性。Buss和Ahner（2006）開發了一個戰斗模擬，稱為DFAS，用于評估軍隊的未來戰斗系統（Havens 2002）。DFAS是一個離散事件模擬，代表實體運動、探測和武器效果事件。它還包括定期優化，以修訂WTAs。Hattaway（2008）通過考慮雷達和電子傳感器以及海軍軍械，將DFAS調整為海戰應用。Laird（2016）考慮了混合武器，以分配對抗來自空中、地面和地下的蜂群威脅。Cai（2018）使用基于代理的時間階梯式模擬，為城市環境中的進攻行動找到精確和區域火炮彈藥的有效組合。Brown和Kline（2021年）考慮了任務覆蓋范圍而不是目標交戰，以確定VLS艦的最佳武器裝載。不同類型的導彈，每一種都用于不同的任務（打擊、防空或反潛戰），可以被容納在VLS單元中。Adamah等人（2021）建立了一個非線性優化模型，用于確定分配給進行反潛作戰的潛艇的Mk-48重量級魚雷的類型和數量。Templin(2021)考慮了以啟發式方法解決的WTA問題的衍生物，其簡化的假設是只有一個目標要參與。研究的重點是為發射政策提供信息，特別是對威脅使用的導彈的數量和類型。

在上述文獻中的武器分配模型中，與本研究有關的是，注意到Page（1991）和Avital（2004）都使用了指揮官指定的期望成功的閾值；然而，他們在模型中著重于最小化武器成本，并將目標視為總需求。Jarek（1994）和Cai（2018）的模擬為所需的總導彈或彈藥組成提供了一般建議，但沒有提供可作為可操作的裝載計劃的閉合式解決方案。Tutton（2003）的模型將傳感器分配給單位，這與魚雷分配不同，傳感器不在目標上消耗（使用后）。Brown和Kline（2021）考慮的是任務覆蓋范圍，而不是目標，這對問題來說不是一個合適的方法，因為魚雷的使用只是為了與對手的潛艇交戰（或反擊對手的潛艇魚雷）。只有Adamah等人（2021年）涉及魚雷作為武器類型；然而，他們的模型是非線性的，也沒有推薦一個考慮到多個目標的魚雷裝載計劃。

另外，除了DAFS，上面審查的WTA模型只考慮一個射手。雖然希望對不確定的威脅進行計劃，在一個場景中出現不同類型和數量的目標，但Uryasey和Paradalos（2004）對一個場景進行計劃，但對武器的殺傷概率不確定。和其他的模擬工作一樣，DAFS（Havens 2002；Buss和Ahner 2006；Hattaway 2008）并沒有提供一個關于武器應該如何分配給目標或分配給單位的閉合式解決方案。Laird（2016）和Templin（2021）都是為給定的威脅做計劃，并沒有考慮到威脅情況下的任何不確定性。

盡管在武器分配和指派模型方面有大量的文獻，但注意到大多數模型沒有使用隨機優化。此外，目前，魚雷的裝載決定是由人工做出的。這項研究的目標是利用正式的數學優化來幫助魚雷分配決策。具體來說，隨機優化將使決策者能夠對不確定的威脅進行規劃。對威脅構成的不確定性進行規劃是現實的，因為通常情況下，必須在發現敵方潛艇或甚至部署反潛部隊之前作出裝載決定。

無人駕駛地面車輛（UGVs）可用于軍事領域，以減輕士兵承擔的風險，以及為體力要求高、枯燥或危險的任務提供解決方案。雖然使用UGV有好處，但也有需求和限制。本論文探討了最終用戶--瑞典武裝部隊的一個輕步兵營--對于為城市地形中的軍事行動而設計的UGV在功能方面的要求。這是通過一個帶有焦點小組的探索性案例研究來完成的，來自第31游騎兵營的士兵和軍官使用兩種不同的UGV原型來完成任務。隨后是半結構化的小組討論，探討了需求、限制和要求。然后，通過主題分析方法對收集的數據進行分析。

主題分析的結果發現，焦點小組的要求有幾個重復出現的意見。這些要求被分為四類：（1）速度，（2）用例，（3）圖像生成的傳感器，以及（4）自主功能。總之，本論文在四個類別中共確定了13個需求。總而言之，這些要求意味著用于城市地形的軍事行動的UGV必須能夠跟上沖刺的士兵，提供視覺掩護，能夠與附近的物體互動，有幾個高質量的傳感器和強大的自主功能，使士兵能夠專注于控制UGV以外的其他事情。

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

由于固有的設計復雜性、無限的測試空間和缺乏自主性的具體措施，自主和協作無人系統的實施和測試具有挑戰性。這些挑戰限制了美國空軍部署和利用這些系統所提供的戰術和戰略優勢能力。這項研究在廣域搜索（WAS）場景中實例化了一個自主系統參考架構（ASRA），作為自主和協作系統的快速原型設計和評估的測試平臺。該研究旨在提供一個框架，以評估系統實現任務和自主目標的能力，開發可重復使用的自主行為，并開發可重復使用的協作決策算法。對于這項研究和對WAS任務的應用，自主性的衡量標準來自于自主系統的要求：響應性、穩健性和感知的準確性。自主行為，包括結合簡單（原子）行為的更復雜行為被開發出來，各種協作決策規則被定義。隨后的評估在四個場景中實施了立體實驗設計。按照嚴格的測試計劃，測試是在仿真中進行的，實現了自動測試和快速分析。測試結果被用來創建一個響應模型來描述系統，并進行多重響應優化，以確定一個最佳配置，在給定的目標密度下，使搜索面積、檢測百分比和感知精度最大化。

計算機視覺中的一項挑戰性任務是尋找技術來提高用于處理移動空中平臺所獲圖像的機器學習（ML）模型的目標檢測和分類能力。目標的檢測和分類通常是通過應用有監督的ML技術完成的，這需要標記的訓練數據集。為這些訓練數據集收集圖像是昂貴而低效的。由于一般不可能從所有可能的仰角、太陽角、距離等方面收集圖像，這就導致了具有最小圖像多樣性的小型訓練數據集。為了提高在這些數據集上訓練的監督性ML模型的準確性，可以采用各種數據增強技術來增加其規模和多樣性。傳統的數據增強技術，如圖像的旋轉和變暗，在修改后的數據集中沒有提供新的實例或多樣性。生成對抗網絡（GAN）是一種ML數據增強技術，它可以從數據集中學習樣本的分布，并產生合成的復制，被稱為 "深度偽造"。這項研究探討了GAN增強的無人駕駛飛行器（UAV）訓練集是否能提高在所述數據上訓練的檢測模型的可推廣性。為了回答這個問題，我們用描述農村環境的航空圖像訓練集來訓練"你只看一次"（YOLOv4-Tiny）目標檢測模型。使用各種GAN架構重新創建幀中的突出目標，并將其放回原始幀中，然后將增強的幀附加到原始訓練集上。對航空圖像訓練集的GAN增強導致YOLOv4-微小目標檢測模型的平均平均精度（mAP）平均增加6.75%，最佳情況下增加15.76%。同樣，在交叉聯合（IoU）率方面，平均增加了4.13%，最佳情況下增加了9.60%。最后，產生了100.00%的真陽性（TP）、4.70%的假陽性（FP）和零的假陰性（FN）檢測率，為支持目標檢測模型訓練集的GAN增強提供了進一步證據。

引言

對從移動平臺上獲得的數據進行圖像和視頻分類技術的調查，目前是計算機視覺領域中一個越來越受關注的領域。由空中飛行器收集的圖像對于收集信息和獲得對環境的洞察力非常重要，否則在地面上的評估是無法實現的。對于訓練目標檢測模型來說，用于創建這些模型的訓練集的一個重要特征是這些訓練集必須在其圖像中包含廣泛的細節多樣性。過去的數據增強技術，例如旋轉、添加噪音和翻轉圖像，被用來增加訓練集的多樣性，但由于它們無法向數據集添加任何新的圖像，所以是弱的方法。研究新的圖像增強和分類方法，其中包括機器學習（ML）技術，有助于提高用于航空圖像分類的模型的性能。

1.1 背景與問題陳述

1.1.1 背景

最近，使用ML算法對圖像進行分類或預測的情況越來越多。雖然ML已經被使用了幾十年，但在圖像上，我們看到合理的進展是在過去的20年里。隨著信息收集和存儲的技術進步及其可及性的擴大，可用于分析的數據量正以指數級的速度增長。計算機的隨機存取存儲器（RAM）和硬件存儲的增加迎合了擁有巨大的數據集來訓練、測試和驗證ML模型以實現較低的偏差和變異的需要。技術上的其他進步來自于計算機圖形處理單元（GPU）的改進，它允許以更快的速度處理大量的數據，這是實時圖像處理的兩個重要能力[2]。

人工神經網絡（ANNs）是ML的一個子集，其靈感來自于大腦中神經元的生物結構，旨在解決復雜的分類和回歸問題[3]。深度學習是ANNs的一個子集，它創建了多個相互連接的層，以努力提供更多的計算優勢[3]。卷積神經網絡（CNN）是ANN的一個子集，它允許自動提取特征并進行統一分類。一般來說，CNN和ANN需要有代表性的數據，以滿足操作上的需要，因此，由于現實世界中的變化，它們往往需要大量的數據。雖然在過去的十年中收集了大量的數據，但微不足道和不平衡的訓練數據集的問題仍然阻礙著ML模型的訓練，導致糟糕的、有偏見的分類和分析。相對較小的數據集導致了ML模型訓練中的過擬合或欠擬合。過度擬合的模型在訓練數據上顯示出良好的性能，但在模型訓練完成后，卻無法推廣到相關的真實世界數據。通過提供更大、更多樣化的訓練數據集，以及降低模型的復雜性和引入正則化，可以避免模型過擬合[4]。

過度擬合的模型不能學習訓練集的特征和模式，并對類似的真實世界數據做出不準確的預測。增加模型的復雜性可以減少欠擬合的影響。另一個克服模型欠擬合的方法是減少施加在模型上的約束數量[4]。有很多原因可以說明為什么大型、多樣的圖像集對訓練模型以檢測視頻幀中捕獲的目標很有用。當視頻取自移動平臺，如無人機或汽車時，存在Bang等人[5]所描述的進一步問題。首先，一天中拍攝圖像的時間以及天氣狀況都會影響亮度和陰影。其次，移動平臺收集的圖像有時會模糊和失真，這是因為所使用的相機類型以及它如何被移動平臺的推進系統投射的物理振動所影響。移動平臺的高度、太陽角度、觀察角度、云層和距離，以及目標的顏色/形狀等，都會進一步導致相機采集的樣本出現扭曲的影響。研究人員忽視這些參數的傾向性會導致模型在面對不同的操作數據時容易崩潰。這些因素使得我們有必要收集大量包含各種特征、圖像不規則性和扭曲的視頻幀，以復制在真實世界的圖像收集中發現的那些特征，從而訓練一個強大的目標檢測和分類模型。

為了增加圖像的多樣性，希望提高在數據上訓練的分類模型的結果準確性，可以使用數據增強技術來扭曲由無人駕駛飛行器（UAV）收集的圖像。目前的一些數據增強技術包括翻轉、旋轉或扭曲圖像的顏色。雖然這些增強技術可以在數據集中引入更多的多樣性，但它們無法為模型的訓練提供全新的框架實例。

生成性對抗網絡（GAN）是一種ML技術，它從數據集的概率分布和特征中學習，以生成數據集的新的合成實例，稱為 "深度假象"。GAN的實現是一種更強大的數據增強技術，因為它為訓練集增加了新的、從未見過的實例，這些實例仍然是可信的，并能代表原生群體。為ML模型提供這種新的訓練實例，可以使模型在實際操作環境中用于檢測時更加強大。

1.1.2 問題說明

圖像采集面臨的一個普遍問題是沒有收集足夠大和多樣化的訓練和測試數據集來產生高效的ML模型。這些微不足道的訓練集所顯示的多樣性的缺乏，使模型在用于實時檢測時表現很差。找到增加這些數據集的方法，無論是通過額外的數據收集還是其他方法，對于創建一個強大的、可歸納的模型都很重要。

計算機視覺中的第二個問題是傳統的數據增強技術所產生的圖像多樣性增加不足。通過旋轉、翻轉或調暗每一個收集到的視頻幀來增強數據集，不能為訓練集增加任何額外的實例，這與上面提到的第一個問題相矛盾。需要找到一種新的數據增強技術，在不需要收集更多數據的情況下提供新的實例，這對于快速訓練檢測模型以便在快速變化的操作環境中部署非常重要。

1.2 研究問題

本研究試圖回答以下問題：

1.由移動平臺獲取的包含GAN生成的合成圖像的增強圖像訓練數據集是否會提高卷積神經網絡（CNN）目標檢測模型的分類精度和可推廣性？

2.由移動平臺獲取的包含GAN生成的合成圖像的增強圖像訓練數據集是否會提高CNN目標檢測模型的定位和通用性？

3.從未增強的數據集和增強的數據集中可以得出什么推論，顯示它們的相似性和不相似性？

提供支持第一和第二個問題的證據可以改變數據科學家進行數據收集的方式，并將他們的努力轉向使用GAN的增強技術來創建用于ML研究的數據集。該模型不僅要能夠對目標進行分類，而且要訓練一個強大的目標檢測模型，使其能夠在圖像中找到感興趣的目標，并具有較高的交叉聯合（IoU）值，這就驗證了該模型能夠找到移動的目標，這些目標在捕獲的幀中的位置各不相同。一個模型的泛化是指該模型對網絡從未見過的輸入進行準確預測和分類的能力[6]。增強的數據集必須在質量和數量上與原始數據集相似，以證明模型泛化能力增強的斷言。

對最后一個問題的回答提供了理由，即來自GAN的增強對象在性質上是否與原始樣本相似，并且是對現實世界環境中發現的東西的合理復制。同類目標之間的高相似率可能會使GAN增強變得脆弱，需要進一步研究以用于實際應用。

1.3 研究的局限性

本研究的最大限制之一是能否獲得適當的硬件和軟件來實現不同的ML算法。雖然ML模型可以在中央處理器（CPU）上執行，但本論文中的模型在單個CPU上運行需要幾天，甚至幾周的時間。在運行深度學習模型時，GPU的效率要高得多，尤其是那些為圖像探索設計的模型。在整個研究過程中，GPU的使用非常有限，這給CNN和GAN模型的復雜性增加了限制，也增加了每個模型完成訓練迭代的時間。模型不可能同時運行，大大增加了本論文的完成時間。

另一個限制是本研究過程中可用的內存和硬盤內存的數量。內存不足進一步導致了模型復雜性的下降，以及模型在研究的訓練和測試過程中某一時刻可以利用的數據量的下降。這兩個模型組成部分的減少會導致次優模型。在這項研究中，我們采取了一些措施來減輕這些影響，包括選擇參數較少但性能與較復雜的模型相同的高水平的模型。此外，在訓練和測試過程中，將數據集劃分為多個批次，有助于緩解RAM和硬盤內存問題。

1.4 論文組織

本章討論了本論文將集中研究的ML的一般領域，以及概述了ML研究中出現的好處和限制。第2章提供了一個文獻回顧，研究了CNNs和GANs的理論。此外，它還提供了使用CNNs、GANs和從無人機收集的圖像幀進行的相關研究。第3章詳細介紹了數據集增強前后的CNN檢測模型的訓練過程。第4章提供了用于增強訓練集的合成目標的細節。第5章介紹了在原始和增強的訓練集上訓練的最佳模型的評估結果。第6章概述了在原始測試集訓練結束后進行的三個不同實驗的方法。第7章回顧了這三個不同實驗的結果。最后，第8章討論了從結果中得出的結論，以及對使用生成性對抗網絡（GANs）對移動平臺獲取的圖像進行數據增強領域的未來研究建議。