美國海軍部長

托馬斯-W-哈克: 海軍部長（代理）

美國海軍部正在有目的地進行創新和適應新技術，為未來建立一支更具殺傷力和分布式的海軍部隊。為了在一個大國競爭的時代進行競爭并取得勝利，海軍部致力于在先進的自主性、強大的網絡和無人系統方面進行投資，以創造真正的人機一體化團隊，在整個艦隊中無處不在。

這些持續的投資將產生新的能力，遠遠超出獨立的平臺或以人為本的系統的有效性。它們將通過為每一個水手和海軍陸戰隊員提供不對稱的優勢來改變海戰。

美國海軍和海軍陸戰隊現在已經邁出了下一步，調整無人系統愿景，以執行分布式海上作戰（DMO）和有爭議環境中的瀕海作戰（LOCE）。為了確保成功，海軍和海軍陸戰隊正在將需求、資源和采購政策緊密結合起來，以便更快地開發、建造、整合和部署有效的無人系統。

美國海軍部的無人駕駛作戰規劃橫跨整個理論、組織、培訓、物資解決方案、領導和教育、人員、設施和政策的構建。這份文件提供了運動計劃的總體框架，并得到了更高等級的詳細實施計劃的支持。它們共同勾勒出一個具體的戰略，其根基是對當今每個領域的現實評估。前進的道路需要一個整體的方法來開發和部署無人系統，確保個別技術可以在一個更廣泛的網絡化作戰系統架構中運行，并得到正確的人員、政策、作戰概念和其他推動因素的支持。

整個海軍企業致力于為美國和每一個水手和海軍陸戰隊員提供人機協作所提供的戰略和戰術優勢，以保證所有人的海洋自由。

美國海軍水手和公務員水手從美國海軍 "赫歇爾 "號上發射一個無人水面飛行器（USV）從USNS赫歇爾 伍迪-威廉姆斯，2019年9月14日。

美國海軍作戰部部長

M. M. GILDAY：美國海軍作戰部長海軍上將

隨著海軍適應日益復雜的安全環境，必須了解未來的部隊在日常競爭和高端戰斗中都需要什么。

無人系統（UxS）已經并將繼續在未來的分布式海上作戰（DMO）中發揮關鍵作用，而且顯然需要部署負擔得起的、致命的、可擴展的和連接的能力。這就是為什么海軍正在擴大和發展一系列無人駕駛飛行器（UAV）、無人駕駛水下航行器（UUV）和無人駕駛水面艦艇（USV），當把重點轉向以更分散的方式運作的小型平臺時，它們將發揮關鍵作用。

一個混合艦隊對于海軍滿足新出現的安全問題來說是必要的。需要平臺在所有領域的多軸上同時提供致命和非致命的效果。UxS將為未來艦隊提供額外的能力--在空中、在水面上和在水下。

該活動計劃將作為實現無人系統作為海軍作戰團隊的一個組成部分的未來的全面戰略。它將是一份活的、反復的文件，闡明愿景，即通過加快技術、流程和伙伴關系中的關鍵使能因素，建立一支更加準備就緒、致命和有能力的艦隊。

注意到過去的缺點，因此其方法是深思熟慮的，但有一種緊迫感。將解決理論、組織、訓練、物資、領導和教育、人事、設施和政策（DOTmLPF-P）的各個方面，確定并消除能力差距，并努力創建和維護未來的海軍部隊。

MQ-25 T1，左翼下有空中加油站，在坡道上。

海軍陸戰隊司令員的致辭

大衛-H-貝格爾：美國海軍陸戰隊將軍 海軍陸戰隊司令員

美國、盟國和敵方部隊獲得無人駕駛技術的速度要求有一個愿景和路線圖來最大化這種能力。海軍陸戰隊需要無人駕駛的空中、水面和地面系統來充分利用固有的遠征性質和能力。與海軍伙伴合作，將提供一個聯合部隊的海上組成部分指揮部，在居住的獨特海域支持聯合部隊。當在惡劣的條件下以小隊形式在前方作戰時，最大限度地利用無人系統為盟友和對手創造巨大的效果的能力是未來成功的一個關鍵因素。

該戰役計劃作為海軍陸戰隊的一個起點，使其了解到無人系統在不久的將來必須而且將具有更大的重要性。諸如一半的航空機隊在近期到中期內實現無人駕駛，或者大部分的遠征后勤在近期到中期內實現無人駕駛的概念不應該讓任何人感到害怕。相反，這些想法應該點燃海軍陸戰隊的創造性和狡猾的天性，以便前沿部署部隊對聯合部隊更加致命和有用。

大衛-H-貝格爾和海軍作戰司令部（CNO）一起，致力于為海軍陸戰隊的無人駕駛系統制定一個審慎但積極的前進路線。這份文件提供了初步的愿景，并取決于與海軍陸戰隊艦隊、艦友、聯合部隊、國會、盟友和工業界的反復討論。大衛-H-貝格爾希望海軍陸戰隊能接受這種未來的戰爭，并將其轉化為他們在戰場上的優勢；從日常競爭到大規模作戰行動。

一架VBAT垂直起降（VTOL）無人機系統準備在飛行甲板上降落。準備在海軍艦艇的飛行甲板上著陸。一艘海軍艦艇的飛行甲板上。

美國海軍作戰架構

無人系統通過解除對有人系統的限制來提供實現任務結果的能力。僅靠搭建平臺是無法實現任務成果的。為了在無人空間提供整體解決方案，DON 將更加關注開發成功擴展投資經驗所需的推動力。其中一些關鍵推動因素包括：網絡、控制系統、基礎設施、接口、人工智能和數據。海軍和海軍陸戰隊正在設計和實施一個全面的作戰架構來支持 DMO。這種架構將為單位、作戰群和艦隊提供準確、及時、分析的信息。

網絡空間行動的早期成功為壓制對手提供了新途徑可能性。隨著美國陸軍開始向多域作戰過渡，他們依賴網絡空間并支持其他領域的行動。一個問題出現了："軍隊如何將網絡空間行動納入支持其他領域的行動？" 對于如何將網絡行動納入其他領域的行動，目前還沒有有證據支持的實際規劃原則。基于最初的研究，產生了一個假設，即支持戰爭作戰層面的網絡空間行動與物理領域和虛擬信息領域的行動同步。利用美國軍方對作戰層面和作戰領域的公認定義，分析了作戰層面活動的案例研究。通過收集每個案例的以下信息，對盟軍行動以及以色列-哈馬斯沖突進行了分析：戰略背景、網絡空間行為者、網絡空間行動以及網絡空間行動如何支持其他領域的行動。分析的結果是，戰爭行動層面的網絡空間行動通過收集對手的情報來支持其他領域的行動；拒絕或破壞虛擬信息領域的傳遞途徑；以及影響在物理領域的實體。

1806年10月，法軍在耶拿-奧爾斯塔特戰役中迅速擊敗了普魯士軍隊。普魯士軍官卡爾-菲利普-戈特弗里德-馮-克勞塞維茨（Carl Philipp Gottfried von Clausewitz）出席了這次戰斗，這次失敗讓他深感不安和困惑。 普魯士軍隊的人數超過了法國軍隊，但是，法國軍隊的戰術優于普魯士過時的線性作戰方式。克勞塞維茨見證了戰爭的未來，并決心將普魯士軍隊發展成為一支再次讓歐洲羨慕的力量。

2014年7月俄烏戰爭期間，在烏克蘭澤勒諾皮亞村附近，烏克蘭陸軍地面部隊的四個旅準備對俄羅斯邊境附近的分離主義分子的部隊發動進攻。2014年7月11日，一場三分鐘的密集炮擊襲擊了烏克蘭四個旅的人員，并摧毀了烏克蘭第79空中機動旅的一個營。對這次攻擊的分析表明，俄羅斯部隊使用無人駕駛飛行器來定位烏克蘭部隊，并將位置提供給間接火力平臺。從識別到效果的時間如此之快，以至于烏克蘭各旅無法采取保護行動。俄烏戰爭中的這一小段時間非常重要，以至于美國陸軍能力整合中心發起了對俄羅斯新一代戰爭研究，以確定俄烏沖突對未來戰爭的影響。

2015年，在美國陸軍戰爭學院的一次演講中，國防部副部長鮑勃-沃克概述了二十一世紀戰爭的問題，并責成美國陸軍開發空地戰2.0。2018年12月，美國陸軍邁出了理論演進的一步，出版了《2028年多域作戰中的美國陸軍》，以解決陸軍如何在多個層次和領域內作戰的問題。

耶拿-阿爾斯泰特戰役和俄烏戰爭雖然相隔幾個世紀，但都顯示了卓越戰術和行動安排的力量。克勞塞維茨和美國陸軍目睹了失敗，并作出了類似的反應，進行了深入的戰斗研究，以改善他們各自的軍隊。這些研究的成果是對未來戰爭行為的指導性文件。

美國陸軍采用多域作戰作為未來的作戰結構，依靠網絡空間作戰來支持其他領域的作戰。然而，關于如何將網絡行動納入其他領域的行動，目前還沒有基于證據的實際規劃原則。軍事規劃者的問題是如何整合網絡空間行動以支持其他領域的行動而不至于遭遇慘敗。該論點認為，網絡空間行動通過收集對手的情報來支持其他領域的行動；拒絕或破壞虛擬信息領域的傳遞途徑；以及影響物理領域的實體。

小型無人駕駛飛機系統（sUAS）的指數式增長為美國防部帶來了新的風險。技術趨勢正極大地改變著小型無人機系統的合法應用，同時也使它們成為國家行為者、非國家行為者和犯罪分子手中日益強大的武器。如果被疏忽或魯莽的操作者控制，小型無人機系統也可能對美國防部在空中、陸地和海洋領域的行動構成危害。越來越多的 sUAS 將與美國防部飛機共享天空，此外美國對手可能在美國防部設施上空運行，在此環境下美國防部必須保護和保衛人員、設施和資產。

為了應對這一挑戰，美國防部最初強調部署和使用政府和商業建造的物資，以解決無人機系統帶來的直接風險；然而，這導致了許多非整合的、多余的解決方案。雖然最初的方法解決了近期的需求，但它也帶來了挑戰，使美國防部跟上不斷變化問題的能力變得復雜。為了應對這些挑戰，美國防部需要一個全局性的戰略來應對無人機系統的危害和威脅。

2019年11月，美國防部長指定陸軍部長（SECARMY）為國防部反小型無人機系統（C-sUAS，無人機1、2、3組）的執行機構（EA）。作為執行機構，SECARMY建立了C-sUAS聯合辦公室（JCO），該辦公室將領導、同步和指導C-sUAS活動，以促進整個部門的統一努力。

美國防部的C-sUAS戰略提供了一個框架，以解決國土、東道國和應急地點的sUAS從危險到威脅的全過程。國防部的利益相關者將合作實現三個戰略目標：（1）通過創新和合作加強聯合部隊，以保護國土、東道國和應急地點的國防部人員、資產和設施；（2）開發物資和非物資解決方案，以促進國防部任務的安全和可靠執行，并剝奪對手阻礙實現目標的能力；以及（3）建立和擴大美國與盟友和合作伙伴的關系，保護其在國內外的利益。

美國防部將通過重點關注三個方面的工作來實現這些目標：準備好部隊；保衛部隊；和建立團隊。為了準備好部隊，國防部將最大限度地提高現有的C-sUAS能力，并使用基于風險的方法來指導高效和快速地開發一套物質和非物質解決方案，以滿足新的需求。為了保衛部隊，國防部將協調以DOTMLPF-P考慮為基礎的聯合能力的交付，并同步發展作戰概念和理論。最后，作為全球首選的軍事伙伴，國防部將通過利用其現有的關系來建設團隊，建立新的伙伴關系，并擴大信息共享，以應對新的挑戰。

通過實施這一戰略，美國防部將成功地應對在美國本土、東道國和應急地點出現的無人機系統威脅所帶來的挑戰。在這些不同操作環境中的指揮官將擁有他們需要的解決方案，以保護國防部人員、設施、資產和任務免受當前和未來的無人機系統威脅。

第1章 簡介

1.3 背景情況

1.人是任何防御系統的關鍵組成部分--對于無人駕駛飛機系統（UAS）來說也是如此，盡管有 "無人駕駛 "的說法，但為了達到預期的任務效果，還是需要很多人的參與。無人駕駛飛機領域顯然是航空業中一個新興的、高增長的部門。與任何新的創新領域一樣，無人駕駛航空領域最初的焦點集中在推進使能技術和開發其操作程序，以獲得競爭優勢。

2.在過去的十年中，隨著各種組織開發和使用越來越復雜的無人駕駛飛機，人們越來越理解無人駕駛飛機是復雜的、分布式的系統，而不是簡單的飛機--也就是說，意識到有問題的遠不止是飛機。這種認識正式體現在美國無人駕駛飛機系統發展和標準化指南（美國國防部[DoD]，2012年，2016年），以及其他支持性文件。從整體系統的角度來看，我們應該認識到，無人機系統是由無人機、地面組件和其他架構元素組成的，每個元素都有自己的屬性，它們共同互動，表現出對各種系統利益相關者有價值的突發系統級屬性。

3.這一系統觀點中隱含的理解是，包括人類機組成員在內的地面控制站（GCS）在確定無人機系統的整體系統級屬性，包括系統安全方面起著重要作用。在這種系統觀點中，還承認無人機系統的發展需要通過系統工程過程來協調。然而，即使采用了系統工程的方法，其范圍也常常被限制在技術系統上。這種看法是一個重要的問題，因為與流行的觀點相反，無人機系統并沒有從系統中去除人的因素。相反，無人機系統提供了一種選擇，使人不再一定要與系統中的物理動態部件同處一地。同樣，高度自動化的系統允許修改而不是消除人的作用，例如通過減少必要的技能和能力或允許增加控制范圍。

4.與載人系統一樣，人在無人機系統中的基本作用是為系統提供上下文反應的指揮和控制（C2），并對情況進行總體了解。為了完成這些功能，人必須在系統運行的某個時刻與系統互動，并使用某種形式的人機接口（HMI）。因此，對于任務的有效性和安全性來說，從系統構思開始就將人完全融入到無人機系統中是至關重要的。這就要求在開發、獲取和操作無人機系統時，關注人類系統集成（HSI）的所有要素。圖1-1代表了一個綜合系統的HSI的主要元素：人、技術和工作環境。

圖1-1：一個集成系統的主要內容

5.值得在此明確定義什么是HSI，因為許多人把它狹隘地看作是人和機器的接口，是人因工程和傳統駕駛艙設計的同義詞。這種觀點實際上只包含了HSI的一個要素。廣義上講，HSI是基于這樣一種理解，即人是系統內的關鍵要素，采用以人為本和以交互為中心的設計（Hou等人，2014）的系統視角可以提高生產力和安全性，同時降低成本。根據美國國防部采購指南，HSI被定義為 "一個強有力的過程，通過它來設計和開發系統，有效且經濟地整合人類的能力和限制。HSI應該作為武器系統開發和采購的整體系統方法的一個組成部分....，整體系統不僅包括主要的任務設備，還包括操作、維護和支持該系統的人員；訓練和培訓設備；以及操作和支持基礎設施"。

6.HSI涉及識別和權衡可能嚴重影響系統性能的人類相關問題。為了確保所有的問題都得到考慮，這些與人相關的問題被分為五個主要領域，即人力/人事、培訓、人因工程（HFE）、安全和健康以及組織和社會特征。HSI的一個核心原則是那些開發、獲取和操作系統的人必須對這些領域保持一個整體的觀點。沒有一個領域應該被孤立地考慮，相反，它們需要相互關聯。其中一個領域的任何決定幾乎肯定會影響到另一個領域。

7.對于在世界范圍內的空域結構中以非隔離方式運行無人機系統的支持者，如北約聯合能力小組無人機系統（JCGUAS），一個重要的關注領域是系統安全。隨著對無人機系統事故調查和分析的日益重視，人為錯誤（即人的表現失敗）已被證明是導致無人機系統安全相關事件的重要因素。基于上文提出的HSI概念，任何解決UAS系統安全的努力都必須涉及對其他HSI領域的整體考慮，如人為因素工程、人力/人事和培訓。這一論斷并不新鮮，在傳統的載人航空中同樣適用。然而，在載人航空中，人員和培訓是由現有的法規和標準嚴格規定的，因此允許對人機界面的人因工程采取相對規范的方法，以達到預期的系統安全水平。相比之下，目前在人員和培訓方面存在明顯更大的可變性，因為它們適用于UAS，使得對GCS設計的規定性方法遠不可行。相反，人因工程的決策需要根據人因工程、人力/人事和培訓等領域之間存在的整體性能、安全和成本效益交易空間來考慮。因此，明確考慮到這種交易空間的GCS設計的可重復的過程解決方案是最好的，這樣潛在的理想創新就不會受到不必要的限制。

8.為了提供指導，改善對無人機系統中人的因素的考慮，減少與人的表現有關的事故和事件，提高安全性，從而促進無人機系統在非隔離空域的常規飛行，本標準建議（STANREC）由人因專家小組（HFST）為無人機系統在非隔離空域飛行（FINAS）工作組（WG）、JCGUAS編寫。它是FINAS第4685號研究的產物，從英國國防部標準00-250《系統設計者的人為因素》（2008）中提取了適用于設計和采購無人機系統的通用系統工程框架的高級過程相關要素。這份文件代表了HFST成員的辛勤工作和奉獻精神，他們的服務和努力使這項工作成為可能。這些人包括：

Patrick Le Blaye（法國），Daniel Hauret（法國），Piet Hoogeboom（荷蘭），Ming Hou（加拿大），Joe Geeseman（美國），Edgar Reuber（德國），Ian Ross（英國），Roland Runge（德國），Anja Schwab（德國），Anthony Tvaryanas（美國）和 Eric Vorm（美國）。

1.4 目的和范圍

1.本STANREC描述了

• a. HSI對UAS在非隔離空域飛行的重要性。

• b. 有助于確定人類對無人機系統性能和安全的關鍵貢獻可能發生在何處的活動。

• c. 如何將HSI的投入融入到UAS的發展中；以及

• d. 可用于應用HIS的技術。

2.STANREC中規定的過程既是基于目標也是基于風險。在每個UAS項目中必須滿足的總體HSI目標已經確定。只要這些目標得以實現，實現這些目標的手段就可以根據各個無人機系統項目的情況進行調整。因此，HSI活動的范圍和深度應根據與人類相關的考慮因素所帶來的項目風險程度進行調整。通過這種方式，該過程支持開發具有成本效益的無人機系統，使其更加安全，并提高任務的有效性和可靠性，從而滿足整合到非隔離空域的要求。

1.5 目標受眾

本STANREC針對的是需要解決無人機系統的設計、實施、采購、評估和運行中的人為問題/風險并為其提供資源的北約和工業界人員。本STANREC的主要用戶是由所有利益相關者組成的綜合項目組（IPT），包括設計、開發和/或采購UAS的項目經理、設計師和開發人員。本STANREC涉及與人有關的考慮和HSI活動，以使IPT成員了解它們與整個系統工程過程的相關性和重要性。盡管如此，參與無人機系統開發的所有各方，包括無人機系統的終端用戶，都應該發現本STANREC的相關性。

戰爭的特點正在發生根本性的變化，這些變化對空中力量的影響尤其深遠。多域整合為空中力量和越來越多的空間力量在未來幾年內的一系列轉變做好了準備，這些轉變不僅與技術有關，而且與空軍組織和進行規劃和行動的戰略和作戰概念有關。

迫在眉睫的、不可避免的多域作戰似乎是空中力量的一個明顯的邏輯演變，它可能會引發這樣的問題：為什么我們沒有更早地沿著這些思路思考和發展作戰概念？畢竟，對優化、作戰協同和武力經濟的尋求在空中力量中是持久的。可以說，多年來，空軍及其相關部門事實上已經嘗試以某種方式或形式在多域背景下運作。然而，在整個部隊甚至整個戰區范圍內，為多域作戰（MDO）提出的早期作戰概念（CONCOPS），在多域作戰空間產生作戰協同和效果的努力是前所未有的。

諸如聯合全域指揮與控制（JADC2）這樣的結構闡述了一個作戰云賦能的未來戰爭，其中任務指揮和戰斗空間管理被有效地隱含在整個戰斗部隊中，觀察-定向-決定-行動（OODA）環路被加速到邊緣計算的速度。傳感器和通信網絡決定了空軍承擔幾乎所有傳統任務的功能能力。數據和數據流將變得比空軍傳統上對機動自由的依賴更加重要，并且有效地成為其戰略推動者。空軍力量將越來越多地與網絡而非平臺、數據而非武器系統有關。

任務的成功和失敗一直是由指揮官和作戰人員可用的態勢感知水平決定的。在新興的作戰模式中，空軍以近乎實時的速度收集、處理和利用數據的能力有效地使數據成為最大的工具和最令人垂涎的武器。收集、處理、匯總、分析、融合和傳播大量的數據、信息和知識將需要像未來有爭議的戰場上的事件速度一樣快。目前正在進行的戰爭數字化將導致在未來幾年內將 "大數據"廣泛用于作戰過程。空間領域將在實現全球范圍內連續的、有保障的和安全的通信方面發揮顯著的作用，除了更傳統的遠程監視用途外，它還被用作這種通信的運輸層。

對信息主導地位的追求將以新的和不確定的方式在物理、電磁和虛擬世界中擴展競爭的連續性。隨著空軍對帶有嵌入式人工智能（AI）工具和應用的作戰云的使用，新的風險、脆弱性和故障點將被引入。本出版物收集了來自世界各地領先的思想家的文章和見解，對多域整合和空中力量的信息優勢框架和概念的一些最相關問題提供了深入的觀點。這里的觀點和討論反映了當前對各種戰略、指揮和作戰層面的思考，讀者會發現這些思考對他們更廣泛的理解很有幫助。

這里介紹的專家展望本身既不樂觀也不悲觀，正如我們所期望的那樣，所確認的是各種新技術促成的 "飛躍"機會正在地平線上形成，但其有效利用帶來了復雜和破壞性的新挑戰。在強調其中一些關鍵的挑戰和更好地理解這些挑戰的必要性的同時，正如通常的情況一樣，沒有快速的解決辦法或現成的解決方案。然而，有令人信服的理由認為，今天所預見的眾多挑戰似乎在理論上和技術上是可以克服的，有些甚至在未來幾年內就可以克服。在未來存在的許多不確定因素中，可以肯定的是，空中力量將被徹底重新定義。

本報告記錄了美國海軍卡勒研究金（Karle’s Fellowship）研究項目的第一年，調查機器學習在增強航天器運行方面的應用。研究金的第一年主要包括研究范圍的確定、文獻回顧、數據收集以及算法選擇和開發。近年來，美國國防部（DoD）越來越重視自主能力的發展，這在美國海軍的研究和發展戰略中也得到了響應。機器學習技術代表了一個近期的機會，通過增強現有技術來逐步提高自主能力。從長遠來看，這是對新技術的投資機會，可能會極大地提高國防部系統能力。在更復雜的技術成為現實之前，解決自主性問題的實際方法必須側重于消除自主性的最重要障礙。在空間系統運行的背景下，健康監測和故障管理已被政府和商業實體確定為空間系統自主性的最大障礙之一。空間系統日益增長的規模和復雜性，以及衛星群的快速采用，使傳統的地面人類監測迅速變得不切實際，難以持續。這項工作主要研究在衛星遙測中使用機器學習進行自動異常檢測。異常檢測是自主健康監測的基本職責之一，因為對非正常狀態的檢測通常是運行故障檢測和補救過程中的第一步。近期的自動異常檢測可以通過對大量的遙測數據進行分類并只標記需要調查的數據來幫助人類操作員。從長遠來看，它可能被用作綜合自主健康監測系統的一部分。異常檢測的機器學習領域一直是廣泛研究的主題，因此，該技術已經足夠成熟，可應用于當前的健康監測系統。此外，異常檢測在海軍的其他方面也有一些潛在的應用，包括海洋領域感知（MDA）和指揮、控制、通信、計算機、情報、監視和偵察（C4ISR）工作。研究金的第二年將著重于進行實驗，建立概念驗證，并將該技術整合到現有的空間系統中。

1. 引言

本報告記錄了一個為期兩年的卡勒研究金研究項目的第一年，該項目是關于機器學習（ML）用于增強航天器運行的主題。它旨在全面回顧迄今為止的所有研究，包括美國國防部（DoD）和海軍的需求、研究范圍的確定、背景領域知識、文獻回顧、數據收集、算法選擇和開發、實驗設計以及其他發現。此外，它應作為最后一年研究和后續項目的動力和基礎。

1.1 杰羅姆和伊莎貝拉-卡勒研究金計劃

美國海軍研究實驗室（NRL）設立了Jerome和Isabella Karle杰出學者研究金計劃，以紀念Jerome和Isabella Karle博士，他們在化學領域的杰出貢獻為他們贏得了美國和國際上的認可，Jerome Karle博士獲得的諾貝爾獎。該計劃為研究人員提供了進行為期12至24個月的獨立研究項目的機會，這些項目由NRL內部資助。NRL的海軍空間技術中心（NCST）接受了一項卡勒研究金，從2020年7月開始，到2022年7月結束，題為 "機器學習促進增強航天器運行"。該研究金的主要重點是識別、調整和應用有前途的ML算法到航天器運行中，并創建一個概念驗證，以評估ML如何改善空間系統的性能。為這個概念驗證提供的規定如下。

1.一個ML算法

2.一個用于訓練該算法的數據集

3.用于評估該算法的航天器模擬測試平臺

4.量化任何性能變化的分析結果

ML有許多潛在的應用于空間任務，為運行和任務性能的改進提供了可能性[1]。為了使這項研究與美國海軍的需求保持一致，并為概念驗證保持一個可操作的范圍，該項目開始調查海軍在空間領域的需求和目標。隨后是對一般航天器運行和現有技術差距的審查，以確定ML有希望的應用領域。剩下的介紹性內容和背景概述了研究范圍和方向的細化。

1.2 美國海軍對增強空間系統自主性的需求

美國海軍在空間領域進行許多活動，包括海洋領域感知（MDA）、定位導航和定時（PNT），以及指揮、控制、通信、計算機、情報、監視和偵察（C4ISR）[2]。這些活動為關鍵決策信息的收集、分析和分布提供了基礎設施。這些系統的重要性體現在國防部的投資戰略中。例如，2018年國防戰略（NDS）和海軍研究與發展框架都將具有彈性和持久性的C4ISR作為投資重點[2，3]。隨著提供這些能力的系統在規模和復雜性上繼續增加，以應對日益增長的作戰需求，有必要整合更多的自主功能，以保持系統性能的最大可能水平。國防部已經認識到這一需求，因此，2018年國家發展戰略和其他一些戰略文件明確列出了自主能力的進步是一項關鍵的技術投資[2-5]。因此，美國海軍有必要繼續發展自主技術，以使關鍵系統能夠隨著部隊的需要而擴展。

在美國海軍空間系統中發展自主能力將有助于提高可操作信息的數量、質量和及時性。自主性可以應用于空間系統的多個方面，包括航天器運行和任務性能。從純粹的運行角度來看，更大的自主性允許空間系統在不壓倒人類操作員的情況下擴大規模。例如，當決策的時間尺度或信息處理的規模排除了人工控制時，自主性就變得有必要[6]。隨著分布式多衛星任務變得越來越普遍，這種情況也變得越來越普遍。此外，自主性提供了以更低的成本獲得更高的系統性能的機會，因為它的運行更加穩健和高效[7]。從任務的角度來看，自主性的提高可以采取改進數據收集、處理、分析和傳輸的形式，提高任務的效率和效果。運行和任務執行的改進都會減少對環形系統的壓力，在某些情況下可能完全不需要人，使操作人員能夠承擔更高級別的任務[5，8]。

盡管從長遠來看，海軍應繼續投資于各種自主能力，但近期的努力必須集中在消除自主性的最重要障礙上。多個權威機構已經確定航天器故障管理（FM）是最大的空間系統自主性障礙之一，包括國防科學委員會（DSB）和美國國家航空和航天局（NASA）[4, 9-11]。一般來說，FM是自主系統的一項有利技術，因為它允許系統在非正常情況下繼續運行[12]。對于海軍來說，自主FM，以及更廣泛的健康監測，提供了幾個好處，包括增加彈性和可靠性。有能力預測、預防、隔離和恢復故障的系統在本質上更有可能在關鍵時期保持運行。此外，自主健康監測可以幫助緩解評估空間系統健康狀態的困難，因為空間系統正變得越來越大和復雜。

1.3 研究問題

美國海軍顯然需要對自主空間系統能力進行持續投資。由于這個原因，目前的工作范圍涉及到確定ML如何可能被應用于空間系統的自主性。特別考慮到航天器FM系統，因為它們作為自主性使能器所帶來的重大挑戰和機會。這項研究試圖獲得以下問題的答案:

1.ML在自主空間系統運行中最有希望的應用是什么？

2.如何將ML納入航天器FM系統？

3.哪些FM任務適合于ML？

2. 背景情況

為了激勵和提供后續章節的背景，本章包括關于自主性和自動化、ML基礎、空間系統運行和航天器FM的信息。每一節都旨在為每個相關主題提供足夠的背景信息，以便在本報告的大背景下理解其作用。

2.1 自動化、自主性和人工智能

自動化、自主性和人工智能（AI）是三個不同的概念，由于其概念上的相似性，常常被混為一談。當創建一個至少部分不受人類控制的系統時，必須注意考慮應該采用這些概念中的哪一個。例如，一個必須是嚴格的可重復性和確定性的過程是比自主性或人工智能更適合自動化的候選者。相反，一個必須能夠適應不可預見的情況并做出決定的系統必須采用某種程度的自主性。這些概念也可以被利用來一起工作；例如，一個自主系統可以依靠自動化組件來執行重復的功能，而基于人工智能的組件來協助決策任務。重要的是要強調，一個特定的系統可以采用這些概念中的一個或多個，同時仍然利用某種形式的人在回路中的控制。為了提供一個清晰的劃分，本報告采用了[6]的以下定義。

自動化是自動控制的設備、過程或系統的運行，它取代了人類的勞動。盡管自動化過程可能很復雜，但它們是嚴格的確定性的，系統采取的所有行動都是通過預先確定的決策標準選擇的。換句話說，自動化過程通過遵循明確的指令運作，不能在這些指令之外運作。

自主性是指一個系統在獨立于外部控制運作時實現目標的能力。自主系統的兩個關鍵特征是自我指導和自給自足。請注意，運行邊界--對系統可以和不可以做什么的限制--可以而且應該由系統設計者來實現。此外，具體的自主能力可以存在于一個在人類控制下運行的更大系統中。關于這個話題的更深入的處理，請看[4]。

人工智能是計算機系統執行通常需要人類智能的任務的能力。一個使用人工智能的系統可以用它來幫助一些不同層次的自主決策，并且可以在明確的運行范圍內與人類操作員一起工作。雖然人工智能是具有某種程度自主性的系統的一個常見組成部分，但重要的是要注意，自主系統不一定需要人工智能組件。

2.2 機器學習的基本概念

機器學習可以被定義為人工智能的一個子集，在這個子集中，計算機算法在反復接觸數據的情況下，會自動改進給定任務。利用大型人工神經網絡的現代深度學習技術是最普遍的ML方法之一。圖1顯示了人工智能、ML和深度學習之間的關系。本報告使用機器學習一詞是指當今采用對目標任務效果最好的算法；這被稱為 "弱人工智能"，或執行單一任務的人工智能，其范圍很窄。這方面的常見應用包括分類和回歸任務。相比之下，人工通用智能、"強人工智能 "和相關術語廣泛指的是人類擁有的認知智能類型。盡管這一領域的研究正在進行，但這種類型的人工智能不太可能在短期內適用，因此將不再進一步討論。

圖1-人工智能領域的常見歐拉圖[13］

雖然ML模型在架構上可能有很大的不同，但大多數采用相同的基本實現模式。一般來說，一個ML模型將一些輸入數據映射到一個相應的輸出。訓練數據在模型優化過程中被用來確定最佳模型參數。因此，用于訓練ML模型的數據必須盡可能全面地代表問題。數據中的任何偏見、缺失的模式或其他問題的代表錯誤都會導致模型給出有偏見的預測，或者只是表現不佳。此外，用于優化和評估模型的指標必須被仔細選擇，以便它們能夠準確地描述模型的性能。無論一個給定的算法是單獨工作還是作為一個更大的綜合系統的一部分，這都是正確的。無論學習范式如何，這也是真實的。

本報告將學習范式廣泛定義為調整ML模型參數的方式。圖2顯示了三種主要范式：監督學習、無監督學習和強化學習。這些基本范式可以作為其他衍生范式（如半監督學習）的構成要素。監督學習是研究得最多的，也是實踐中最常使用的。在這個范式中，每個訓練數據樣本都是有標簽的：它包括模型的輸入數據以及相應的地面真相，或目標輸出。通過調整模型參數來優化模型，使一些任意的損失函數的值最小化，該函數將模型輸出與地面實況進行比較。相比之下，無監督學習算法在輸入數據中搜索模式和結構，而不需要利用來自標記的地面真實數據的明確反饋。最后，強化學習使用反饋系統來訓練智能Agent在其環境中采取的行動，這些行動使根據Agent的預期性能定制的獎勵方案最大化[14]。

圖2-三種基本的機器學習范式[15]。

2.3 空間系統的解剖和運行

發射后，由無人駕駛航天器組成的衛星系統通常由三個主要運行部分組成：空間部分、地面部分和用戶部分。典型的空間系統部分和它們在系統中的作用顯示在圖3中。本節的重點是空間和地面部分，因為它們是用戶部分的基礎結構，而用戶部分又為終端用戶提供衛星系統的產品。

2.3.1 空間部分

空間部分包括衛星系統中的所有航天器；這可能包括一個單一的航天器或一個由許多航天器組成的星座。衛星在其具體結構上可能有很大的不同，但典型的衛星可以分解成兩個主要部分：總線和有效載荷。雖然有效載荷服務于特定的任務，但任何航天器總線的主要目標是通過提供必要的基礎設施來支持有效載荷，從而促進在空部分任務。雖然具體子系統的存在和重要性可能因任務而異，但本討論包括地球軌道衛星的典型子系統，如圖4所示。

為了簡潔起見，這些子系統將不會被詳細討論。然而，重要的是要注意，每一個都在航天器的基礎設施中發揮著特定的作用。因此，通常從這些子系統中的每一個收集遙測數據，以評估航天器的健康狀態，通常在多個層次上，如組件、子系統和系統層面。一個航天器記錄的遙測通道的數量可能從幾十個到幾千個不等。通常，收集的遙測數據的類型和數量是由主題專家決定的，他們決定什么級別的信息對支持一個特定的任務是必要的。

圖3-典型的空間系統部分[16]。在運行上（即發射后），三個相關部分是地面、空間和用戶部分。

圖4-一個衛星通常由一個總線和有效載荷組成，前者為任務提供基礎設施，后者執行任務。圖中是典型的總線子系統。

2.3.2 地面部分

地面段的主要責任是與空間段對接，并在整個系統的其他部分分發各種類型的數據。一個典型的地面部分由幾個元素組成，包括任務控制中心或任務運行中心、地面站、地面網絡和遠程基礎設施。圖5給出了典型的地面部分組件的概述。地面部分與空間和發射部分接口，并在發射后從發射控制中心接管對任務的控制。表1[17]中給出了各部分的主要功能。地面部分的主要運行作用是促進與空間部分的通信，允許數據與航天器上行連接和下行連接。任何沒有在航天器上實現的空間段功能必須由地面段通過指揮和控制通信進行監測和執行。傳輸到地面的數據類型包括任務數據、遙測或內務數據，以及跟蹤數據。通常情況下，傳輸到航天器的數據是指揮和控制數據。遙測和跟蹤數據被任務操作員用來執行各種內務活動，如軌道計算和維護、任務規劃和航天器健康評估[17]。

表1-地面段功能

2.4 航天器故障管理

航天器故障管理仍然是一門成熟的學科。盡管FM實踐與航天飛行本身一樣久遠，但FM仍然普遍是在臨時的、逐個任務的基礎上實施的。然而，在過去十年中，航天工業的多個成員已經認識到標準化的需要，并已開始將FM組織成一個正式的系統工程學科[18]。因此，在FM活動的正式化以及最佳做法和從以前的任務中吸取的教訓的匯總方面，已經取得了重大進展。這一努力的一部分包括對FM術語的定義。關于FM實踐，本報告采用了NASA故障管理手冊[19]中的定義。一些重要的定義在此重復。

異常 - 預期功能的意外表現。

失敗 - 預期功能的不可接受的表現。

故障 - 一個物理或邏輯的原因，它解釋了一個故障。

故障診斷 - 確定故障的可能位置和/或原因。

故障管理 - 包括實踐的工程學科，使運行系統能夠遏制、預防、檢測、隔離、診斷、響應和恢復可能干擾額定任務運行的條件。

標稱 - 一個預期的、可接受的狀態或行為。

非標稱 - 超出可能的預期狀態或行為界限的狀態或行為。有三種非正常狀態：異常、退化和失敗。

預測 - 對未來狀態或行為的預測。

圖5-地面部分組件及其與空間和發射部分的接口的簡化概述[20]。

2.4.1 基本要求和責任

與其他學科一樣，對一個特定的FM系統的具體要求來自基本的任務目標。必須特別考慮到任務的目標、重要性和風險容忍度，這有助于確定任務的風險態勢。要求以類似于其他學科的方式從任務層面流向系統、子系統和組件層面。一旦建立了整體的FM要求，工程團隊的工作就是確定如何滿足這些要求，同時遵守任務的資源限制。自下而上和自上而下的分析都要進行，以獲得對系統最完整的看法。常見的分析包括故障模式和影響分析（FMEA）、成功樹分析、故障樹分析和事件排序。與其他空間系統任務類似，任何不存在于航天器上的FM功能必須在地面實現。一個具體的FM功能可能被分配給空間段、地面段或兩者的混合[21]。

NASA的FM手冊將FM策略細分為兩種方法：預防和容忍[19]。預防策略是為了完全避免故障，而容忍策略則是為了在出現故障的情況下使任務能夠繼續。預防可以進一步分為設計時預防和運行時預防。設計時的預防是指將故障發生的可能性最小化的工程實踐。運行時預防的工作方式是首先對運行系統進行預測，然后采取預防措施，避免任何預期的故障。容忍策略可分為掩蔽、恢復和目標改變方法。掩蔽方法試圖通過防止故障在系統功能中進一步傳播來最小化故障的影響。掩蔽的例子包括冗余和糾錯，它們允許故障發生，但通過在故障傳播之前對其進行修正，將其 "隱藏 "在系統的其他部分。恢復方法尋求診斷故障的根本原因和位置，并隨后采取行動恢復系統的正常運行。這個過程通常被稱為故障檢測、隔離（定位）和恢復/響應（FDIR）。最后，目標改變方法通過修改任務目標來應對故障，以適應故障造成的系統能力的任何變化。

圖6-根據NASA的FM手冊[19]，五個主要的FM策略的組織結構

一般來說，一個任務的FM系統的具體能力取決于來自任務目標、復雜性和整體可靠性期望的要求。在實踐中，一個特定的任務在建立FM系統和戰略時，通常會采用圖6所示的一些方法的組合。對于關鍵任務，可能會采用大部分或所有列出的戰略，以最大限度地提高任務成功的可能性。

2.4.2 目前的運行方法

一旦系統開始運行，有一些基本任務是FM系統必須執行的。圖7給出了運行中的FM過程的概述。雖然沒有畫出來，但預測也是該過程中的一個常見步驟。空間和地面部分之間的功能分配取決于幾個因素，包括任務的關鍵性、預算、資源和運行限制。然而，無論系統配置如何，同樣的基本任務都適用。傳統上，FM任務一直偏向于地面部分，因為它提供了更多的分析能力[22]。雖然現代航天器運行通常在地面和空間部分都使用一些功能，但唯一的機載FM功能仍然是那些由于時間或通信限制而實際上不能在地面上執行的功能：當必須采取時間關鍵的行動以確保航天器的安全時，機載系統必須能夠獨立于外部援助采取適當的行動。此外，由于感知到的風險，歷史上一直存在著對廣泛使用航天器飛行軟件的文化偏見[4，23]。

圖7-運行中的FM過程概述（圖中沒有預示）[19] 。

遙測監測和分析是進行預知和FDIR等運行調控工作的主要方法。遙測被用來預測、診斷和隔離故障，以及幫助確定適當的響應行動。在預期的或實際的非正常情況下，響應行動采取指令序列的形式，目的是保持或恢復正常的運行狀態。如果對特定故障的響應已經預先確定，這些指令序列可能會自動生成，或者在發生新的或未知的故障時，它們可能由工程師手動構建。監測通常在地面上通過下行鏈路遙測數據進行，也可以通過一些硬件和軟件的組合在機上進行。集成在硬件中的機載FM的一些例子包括看門狗定時器和內置測試，以及各種特定的子系統措施，如電氣系統中的過壓/欠壓監視器。在軟件中，最常見的機載FM故障響應是安全模式程序，它暫停所有非必要的功能，直到任務工程師能夠指揮航天器恢復到名義狀態[21]。

超限（OOL）方法也許是最簡單和最常見的遙測監控方法[23]。這種方法依靠的是假設和期望，每個遙測通道都有明確定義的額定和非額定范圍。這些范圍通常是由具有主題專業知識的航天器工程師確定或在他們的協助下確定的。此外，OOL方法通常采用分層系統，其中建立了多個限制，每一個連續的限制標志著過渡到一個更嚴重的非正常狀態。分層的OOL系統由于其易于實施、使用和解釋而一直非常受歡迎。限值本身是由專家確定的，該系統易于實施，而且結果可以直接解釋。此外，通過使用遙測趨勢分析，建立的極限可以用來幫助預后。極限檢查是地面和太空中最常見的遙測監測方法，并經常作為更先進方法的基礎[24]。

目前大多數包含某種程度的自動化FM系統都依賴于監測-反應范式中的基于規則的方法[12]。基于規則的方法的基本前提是直截了當的：對于每個規則，一個或多個條件被持續監測，如果所有條件都滿足，則執行預定的響應。規則可以是簡單的，也可以是復雜的，就條件的數量和它們的復雜性而言都是如此。同樣，響應可以是簡單的，也可以是由擴展的指令序列組成的。一個有效的響應也可能是在系統無法解決的非正常情況下提醒人類操作員。當故障條件和適當的響應是已知的，基于規則的系統提供了強大的自動化。然而，它們通常不適合處理未知的故障，除非包括推理部分，如形式專家系統[25]。

2.4.3 挑戰和機遇

傳統的FM方法有許多缺點，FM界已經強調了這些缺點。這既包括運行的基本概念，也包括具體方法。在文化上，由于缺乏標準化和對FM作為一項正式工程任務的認可，使得幾乎不可能將任務與任務之間的做法落實到位。此外，很少有有效的工具或資源的再利用[18]。從系統工程的角度來看，FM是一項具有挑戰性的任務，因為它不可能事先模擬或預測一個復雜系統的每個可能的故障模式。無論多么徹底，像FMEA這樣的分析都不能預測所有可能的故障。這種大的故障空間 "使全面的測試變得不可行"，對可靠的核查和驗證（V&V）構成重大挑戰[26]。雖然分析和測試仍然是任何FM方法的關鍵步驟，但人們已經認識到，從V&V的角度來看，它們不能被認為是完全詳盡的。

還有運行上的挑戰，特別是對于高可靠性的任務。值得注意的是，目前的監測-響應范式有幾個缺點。地面部分在執行FM的能力方面受到固有的限制，因為它不能實際接觸到航天器。此外，并非所有由航天器收集的遙測數據都能被下連和監測，使地面FDIR工作復雜化。隨著星座變得越來越普遍，這種現象已經開始變得復雜。安全模式，最常見的自動FM功能，在操作人員診斷和恢復航天器時，可能會導致長時間的任務停機。失敗的航天器恢復嘗試可能導致 "恢復循環"，其中誘發了其他故障并必須加以解決[22]。大多數極限檢查系統是相當僵硬的，隨著時間的推移，航天器功能的自然退化，極限必須被手動改變。基于規則的系統可以提供復雜的自動化，但通常是基于傳統的FM分析，因此在故障空間方面受到同樣的限制。此外，隨著規則的數量和復雜性的增加，基于規則的系統在驗證和確認方面變得越來越復雜[12]。

對有效的航天器FM的現有挑戰導致了FM實踐界的若干反應。工程方面的改進涉及到需求開發和分配、成本驅動因素、風險評估以及整個產品開發生命周期的V&V。在運行上，感興趣的主要話題是創建可擴展的FM實踐，以滿足空間任務日益增長的需求[27]。與航天器運行的其他方面一樣，隨著航天器數量和復雜性的增加，人在環的做法正變得越來越不可持續。在NRL，這導致了海王星地面系統軟件中自動化功能的發展[28]。更廣泛地說，它促使人們對基于模型的系統工程（MBSE）和綜合系統健康管理（ISHM）等領域的興趣增加[29] 。

3 方法

航天器FM是一門廣泛的學科，它的一些組成任務并不適合自主或ML。從根本上說，除非能從數量上證明ML組件不構成降低系統性能的風險，否則ML增強的系統永遠找不到實際用途，而這對航天器的運行來說將證明是特別真實的。在短期內，某些FM任務對于目前的技術來說可能過于復雜。對于某些任務，增加ML可能永遠不會比簡單的方法提供合法的好處，事實上應該有意避免。這可以在FDIR過程的恢復部分中得到證明；如果對一個特定的故障或故障模式的響應策略是已知的，那么自動化就是唯一必要的工具。在這種情況下，用非決定性的ML代替決定性的自動化可能會給系統帶來更多的風險，而不是消除風險。在這種情況下，更適合ML的任務可能是在發生未知故障時提出恢復指令。因此，最有希望的ML應用是那些從未將系統帶入更壞狀態的應用，在某種可量化的確定性措施內。

將ML應用于系統健康監測的努力正在多個領域進行，包括結構和工業健康監測以及網絡和物聯網系統的重要研究[30, 31]。將ML應用于航天器FM和健康監測也是一個活躍的研究領域，可以追溯到幾十年前[32]。一些自主FM的最初嘗試是基于規則的ML專家系統[11, 25]。歷史上，遙測中的異常檢測一直是ML在航天器健康監測中最常見的應用之一[7, 24, 33, 34]。已經使用了各種異常檢測技術，包括聚類和基于距離的方法、神經網絡、支持向量機和譜技術等等[23]。最近，現代深度學習技術已經成為一個流行的研究領域[30, 35]。一般來說，絕大部分的研究只集中在運行FM周期的預測和檢測部分，因為它們是最直接的應用。然而，將這些方法整合到一個完整的FM系統中存在著大量的機會。

異常檢測是自主健康監測的一個基礎構件，因為非正常狀態檢測往往是預知和FDIR過程的第一步。一個自動遙測異常檢測系統為當今的空間系統運行以及未來的空間自主健康監測提供了好處。在這兩種情況下，最大的好處將通過整合到一個運行系統中來實現。在近期，自動異常檢測提供了機會，在故障發生之前提醒操作者注意異常行為。此外，一個自動化系統可以將大量的遙測數據提煉成少數需要人工調查的事件，極大地提高了效率[7]。近期的系統可以被集成到地面站以及高度優先任務的航天器上。作為綜合自主FM系統的一部分，對異常行為的檢測可以傳遞給更高層次的推理器，該推理器可以根據環境執行下一個FM任務。

一般的異常檢測問題可以大致分為純粹的數據驅動和綜合模型方法。數據驅動的方法依賴于模型的輸入數據來提供解決問題所需的所有信息。即使沒有明確納入領域知識，成功的異常檢測系統仍然是以這種方式創建的。此外，當創建其他類型的模型不可能或不現實時，數據驅動的方法可能是唯一可行的方法。然而，試圖通過純粹的數據驅動方法來描述一個復雜系統的名義行為，存在著固有的缺點。這對于航天器來說尤其如此，因為其遙測值取決于各種各樣的內部和外部因素，如航天器運行模式、指令序列、環境條件和物理現象。在實踐中，即使是極高容量的模型也不可能捕捉到所有的這種背景。因此，文獻中的許多方法為每個單獨的遙測通道構建一個新的模型[23]。這在系統層面上是不切實際的，因為系統可能需要幾十個通道來監測。

與其他領域一樣，可以利用領域知識來創建一個更有針對性的任務來解決。在航天器異常檢測的背景下，名義性能的概念通常在系統設計期間通過建模和仿真來獲取。正如這些工具被用來幫助告知極限檢查和基于規則的方法，它們也可以被用來進一步告知ML方法。綜合模型方法試圖通過應用領域知識來提高算法的能力。這可以通過各種方式實現，但在空間系統的背景下，最常見的方法通常是通過物理或程序模型，這些模型描述了系統的預期行為。作為一個激勵性的例子，考慮圖8中的信號分解；通過對信號的趨勢和周期部分建模，有可能以殘差的形式提取任何未建模的影響。通過這種方式，殘差提供了對偏離預期行為的直接測量。因此，將異常檢測技術應用于殘差而不是整個信號是一個更有針對性的問題，因為它直接描述了與模擬的名義行為的偏差。一般來說，"黑匣"（即純粹的數據驅動）ML方法必須學習更復雜的函數映射，因為它們未能明確地納入關于系統的任何種類的領域知識。通過使用一個給定系統的非ML模型來說明容易表征的名義行為，有可能構建一個可能更容易解決的ML問題。

3.1 實際考慮

由于目前的研究是在概念驗證的技術準備水平（TRL）上進行的，所以對概念化系統的許多實際實施考慮還沒有深入探討。尺寸、重量、功率和成本（SWaP-C）方面的問題在本研究中沒有得到解決，計算方面的限制也沒有得到解決，如計算成本、復雜性或內存。雖然這些限制對于地面FM系統來說可能不那么嚴重，但對于在空間實施任何ML系統來說，它們是關鍵的考慮因素。所需的硬件往往是大型的、大規模的和功率密集型的，而且算法消耗大量的計算資源。此外，ML硬件在空間環境中的行為還沒有得到很好的理解，在廣泛使用之前需要進一步研究[37]。航天器是資源受限的系統，在苛刻的環境中運行；因此，一旦建立了概念證明，就必須對系統的實施實用性以及資源使用和系統性能之間的妥協進行評估。該評估將有助于確定一個可用于太空的產品所面臨的工程挑戰。

圖8-單變量信號的時間序列分解[36]。

3.2 數據收集、匯總和準備

雖然有大量的開源異常檢測數據集，但遙測數據集相對較少。為了在特定領域的數據上建立模型，數據收集工作包括開放源碼數據、NRL提供的數據以及與政府和行業的聯系。這產生了多個遙測數據集，其大小、復雜性、格式和異常類型各不相同。政府和行業的數據收集工作正在進行中。根據最佳做法，所有的測試數據都保留給最終評估，不以任何方式用于或查看培訓目的。無論用于訓練的學習范式是什么，所有的測試數據必須包含地面真實信息，以便對結果進行定量評估。

3.2.1 開源數據

開源數據搜索的最有希望的結果是NASA的一個異常檢測庫。作為調查ML在遙測異常檢測中使用的項目的一部分，NASA噴氣推進實驗室（JPL）的一個研究小組已經發布了一個數據集，其中包含來自土壤水分主動被動（SMAP）和火星科學實驗室（MSL）任務的總共82個遙測通道[23]。這些數據包含了點狀異常和背景異常。每個遙測通道都包含每個時間步驟的遙測值以及指令信息。圖9顯示了來自SMAP航天器的訓練遙測通道的例子。訓練數據中沒有提供地面真相標簽，這意味著監督學習方法不能用來直接預測異常情況。測試數據被貼上了地面真相信息的標簽，提供了該通道遙測值中存在的任何異常的指數。除了數據本身，開發的算法也同時發布，可以作為基線性能基準。應該指出的是，通道A-3被任意選擇作為一個純粹的開發性數據集；也就是說，訓練和測試集都被用來協助開發模型、測試線束和實驗。從這個數據集中選擇了一個通道，因為它以前被清理、規范化和格式化，作為NASA研究的副產品，供模型攝取。因為這個通道的測試數據已經被多次使用，所以這個通道不能用于評估。相反，將對其余的通道進行評估。

圖 9-SMAP A-3 遙測通道訓練數據

3.2.2 NRL提供的數據

WindSat有效載荷是 "第一個完全極化的空間微波輻射計"[38]。2003年作為科里奧利任務的一部分發射，該有效載荷提供天基海洋風速和風向測量。雖然該任務不再活躍，但該衛星已經遠遠超過了最初的三年任務壽命，仍在運行。該航天器目前由NRL的Blossom Point Tracking Facility（BPTF）運行，該設施記錄并將科里奧利遙測數據儲存在一個記錄數據庫中。WindSat遙測數據庫包含了多年的運行遙測數據的記錄。這為在真實世界的數據集上評估算法提供了極好的機會，與大多數異常檢測問題一樣，該數據集包含作為極端少數類的異常現象。在評估過程中，可以使用已知的故障記錄作為基礎事實，但不會用于訓練任何算法。對這個數據集的最終評估可以由BPTF的運營工程師證實。除了WindSat之外，NRL還在進行其他一些數據收集工作。作為各種開發項目的一部分，NCST已經開發了能夠生成遙測數據的工具。這些工具可以用來模擬航天器的運行并注入合成故障數據；重要的是，這提供了快速創建具有可變類型和數量的故障和異常情況的大規模數據集的機會。此外，這些工具可以直接用于生成相應的地面真實數據。

3.3 機器學習異常檢測方法

[39]提供的異常檢測的一般定義是檢測 "不符合預期正常行為 "的模式。這是一個不斷發展的廣泛領域，在很大程度上是由物聯網大數據挖掘工作推動的。異常檢測的機器學習方法已經成為一個非常受歡迎的研究課題，因為它們被應用于金融欺詐檢測、網絡入侵檢測、醫療診斷和工業健康監測等任務[40]。所有這些領域的共同點是需要自動數據處理技術來協助檢測不斷增加的數據量中的非正常模式。在某些情況下，異常檢測也可以被稱為離群點檢測或新奇點檢測，盡管這些術語的語義略有不同[41]。其他相關問題包括概念漂移和變化檢測，它們泛指檢測數據中出現的或變化的行為。概念漂移和變化檢測都給異常檢測帶來了挑戰。概念漂移的可能性要求有效的算法不斷地更新其名義行為的概念，而數據中的變化可能代表著異常或僅僅是一個新的名義模式的開始[42]。

圖10-不同類型數據中的異常現象[43］

文獻通常規定了三種基本的異常類型：點、集體和背景。點狀異常是最簡單的，指的是相對于其他數據而言，單一的數據點是異常的。集體異常指的是一組數據點，這些數據點在一起是異常的，但可能不是孤立的。背景異常是指那些在不了解某些空間或時間背景的情況下無法識別的異常。如果某種形式的背景被用來識別，那么點狀和集體狀的異常現象也可以被歸類為背景性異常現象[39]。圖10說明了一些異常現象的例子。左上圖和右上圖都顯示了點狀異常，左下圖和右下圖都顯示了集體異常。請注意，這兩個集體異常現象也可以被認為是上下文異常現象，因為它們在周圍數據的背景下是異常的。

異常檢測面臨許多挑戰，特別是對于具有大型多變量數據空間的應用。創建一個包含系統所有可能的標稱和非標稱行為的模型是很困難的，尤其是在使用包含噪聲并經常隨時間變化的真實世界數據時。在ML模型的背景下，由于標記的名義和非名義數據的可用性有限，采購訓練數據集往往是困難的或令人望而卻步[39]。這些挑戰導致了各領域的各種方法。本文詳細介紹了作為文獻回顧的一部分被檢查的異常檢測算法的類型。具體的算法不會被詳細討論；相反，算法的類別將被討論，以達到激勵的目的，并突出潛在的優勢和劣勢。由于本研究的范圍限制以及該領域的快速發展，本評論不應視為詳盡無遺。關于異常檢測技術和挑戰的更全面的處理，見[39-41, 44, 45]。

3.3.1 監督方法

異常檢測的監督方法與其他ML任務的工作方式基本相同。如果標記的數據是可用的，包含名義的和異常的樣本，一個任意的模型可以被建立和訓練來對新的輸入樣本進行預測。一般來說，大多數異常檢測問題都存在著嚴重的類不平衡，其中名義數據遠遠超過非名義數據。由于這個原因，完全監督的方法是不常見的，因為典型的類不平衡禁止收集全面的訓練數據集。在某些情況下，有可能合成一個包含名義和非名義樣本的數據集，盡管一般來說很難合成一個能準確代表所有可能的名義和非名義行為的數據集[39]。部分監督學習在支持主動或交互式學習方案中可能是有用的，該方案利用人類在環路中的反饋來幫助以半監督的方式訓練系統[46]。參見[47, 48]對主動和互動學習的深入評論。

3.3.2 半監督方法

半監督學習的經典解釋是監督和非監督學習的結合，其中有限的標記數據和大量的未標記數據被用來創建一個模型，該模型比其純粹的監督或非監督的等價物具有更好的預測能力[49]。在ML異常檢測的背景下，半監督學習通常是指以監督的方式對單一類別--名義或非名義--進行模型訓練，然后使用該模型來區分訓練類別和相反類別的做法[40, 50]。這通常是通過在名義數據上訓練模型來進行的，因為名義數據的可用性更高，而且很難創建一個包含所有可能的異常行為的異常數據集。

3.3.3 自我監督的方法

在自監督學習中，創建一個模型來解決一個 "前臺"任務，該任務可以被表述為使用未標記數據的監督學習問題。通過這種方式，訓練有素的模型學習了數據本身的表征，然后可以在 "下游"任務中使用[49]。在異常檢測的背景下，"前臺"任務通常是學習名義行為的表示，然后可以用來執行區分名義和非名義樣本的下游任務。這經常被用于創建單類（即名義或非名義）分類器。

預測

基于預測的異常檢測技術是一種自我監督的學習形式，根據輸入數據的性質，也可能是半監督的。預測任務使用一個預測模型來預測未來的數據點。通過表征模型和現實之間的誤差--通常稱為殘差--可以使用下游技術，通過比較名義殘差和樣本的殘差來識別異常的樣本。如果模型沒有明確地在純名義數據上進行訓練，通常會假設非名義類足夠罕見，不會影響模型學習名義行為的能力[39]。圖11顯示了一個基于回歸的異常檢測的例子。前提任務是根據建模的名義系統行為生成 "預期 "曲線，下游任務是對名義殘差進行定性，以確定何種程度的差異是異常的[51] 。基于回歸的異常檢測最適合于殘差對標稱和非標稱樣本表現出明顯不同特征的問題。直觀地說，該方法不適合于不能可靠地建模的系統，如高度隨機或其他不可預測的系統的情況。

圖11-基于預測的異常檢測：預測和實際行為之間的巨大差異表明存在異常[51] 。

重構

重構模型試圖通過強迫模型從潛在的表征中重建輸入數據來學習一種表征[52]。最常見的版本是不完全重構，其中模型必須從一個壓縮的、低維度的潛在表征中重建輸入。這與過度完整模型相反，后者的空間比輸入大。在異常檢測的背景下，重建技術通常使用不完全模型。這是基于這樣的觀察：為了從有限的潛表征中形成最好的重構，模型必須只學習數據最相關的屬性，忽略不相關或錯誤的信息。通過這種方式，它學習了一個名義行為的表征。當應用于異常檢測時，該方法基于這樣的假設：如果訓練學習行為的名義表征，該模型在名義數據上的重建誤差較低，而在非名義數據上的誤差較高。然后，以類似于其他半監督方法的方式，一些下游技術可以被用來識別異常情況。現代重構模型最常以神經網絡的形式實現，在文獻中被稱為自動編碼器，因為它們可以被視為一般編碼器-解碼器網絡結構的一個特例。圖12顯示了一個不完全自動編碼器的一般表示方法。文獻中對復制器網絡進行了廣泛的研究，并且通常是各種復雜的異常檢測技術的基礎，如對抗性自動編碼器和生成對抗網絡（GANs）[53, 54]。

圖12-一個不完全的自動編碼器，其中x?是輸入x的重構[55] 。

3.3.4 無監督的方法

統計學

雖然許多統計異常檢測技術嚴格來說不屬于ML領域，但它們在異常檢測任務中的普遍性值得一提。在多步驟的異常檢測管道中，它們經常被用作最后的處理步驟之一。統計測試可用于確定異常分數本身，也可用于確定對這些分數的信心估計。統計學異常檢測依賴于這樣的假設：名義數據和非名義數據分別存在于隨機模型的高概率和低概率區域。方法的類型可以分為參數技術和非參數技術，前者對數據的分布做了假設，后者對基礎分布不做假設。一個流行的參數方法是假設數據的高斯分布，這樣就可以使用各種技術--如圖13中的Z-score--來獲得數據樣本的異常得分。由于經驗上的成功，即使正態性假設在現實中不成立，也常常會做出這種假設。統計技術最大的優勢和劣勢是假設數據符合一個任意分布。如果假設成立，那么結果在統計學上是合理的，而且容易解釋；但是，如果不成立，該技術可能產生無效或錯誤的結果。關于統計學異常檢測和正式的統計學離群點檢測的評論，見[39，56]。

圖13-Z-score可以用來尋找高斯分布數據中的離群點[57] 。

聚類和基于鄰域的檢測

盡管它們是不同類別的技術，但用于異常檢測的聚類和鄰域方法都是基于這樣一個前提：異常數據可以通過某種距離指標來識別，從而將其與名義數據區分開來。聚類方法假定名義數據和非名義數據空間可以被分成若干個定義明確的聚類。鄰域方法通過計算它們與本地鄰域的相對距離或密度來檢測異常情況。雖然學習本身通常是以無監督的方式進行的，但整個方法通常可以被認為是半監督的，因為隱含的假設是實際上所有的訓練數據都是名義的。另外，一些方法還試圖為異常情況形成明確的聚類。由于這些方法的借口任務通常是對預先存在的無監督技術的直接應用，因此存在大量的基于聚類、鄰域和密度的異常檢測算法。有關概述，見[39]。

基于隔離的檢測

許多異常檢測方法首先對名義行為進行剖析，然后使用該剖析來區分名義和非名義樣本，而基于隔離的異常檢測方法采取了一種根本不同的方法，明確地試圖將異常現象從數據的其余部分中分離出來。直觀地講，這種方法可以通過觀察來解釋，即異常點應該比名義數據點更容易從其他數據中分離出來。最初的基于ML隔離的異常檢測器是隔離森林（IF或iForest）算法，它是相關方法的激勵基礎，如擴展隔離森林（EIF）和半空間樹（HS-Tree）[58-60]。IF算法的工作原理是建立一個隨機決策樹的集合。每棵樹對數據進行隨機分割，直到每個數據點都被隔離（即與其他數據分離）。平均路徑長度--隔離數據點所需的分割數量，在所有樹中的平均值--被用作確定異常得分的基礎。根據經驗，異常點的路徑長度明顯較短。EIF算法消除了原始IF算法中存在的固有偏見。半空間樹（HS-Trees）采取與IF類似的分區方法，可以應用于流式數據。圖14顯示了隔離森林的代表。

圖14-隔離森林使用隔離路徑長度作為異常檢測的基礎 [61] 。

3.3.5 其他方法

已經提出了各種其他的異常檢測技術。信息理論技術是基于這樣的假設：通過測量異常現象對數據集的信息復雜性的貢獻，可以識別異常現象。譜技術試圖通過將數據投射到一個不同維度的子空間來尋找異常，在這個子空間中，異常現象更容易被發現。一些版本的復制器和對抗性模型在數據壓縮階段隱含地進行這種類型的數據投影。最近對該領域的貢獻包括將深度強化學習應用于主動半監督的異常檢測方法[62]。

3.3.6 組合方法

應該指出的是，各種算法可以作為集合方法或多步驟算法的組成部分。例如，經典的集合方法可以應用于異常檢測，將一些不同模型的預測結合起來，努力創造一個比其任何成分都要好的綜合預測。此外，一些技術適合創建一個算法的管道，其中一個特定步驟的輸出被用作另一個步驟的輸入。例如，一個ML模型可用于執行表征學習，如特征提取或降維，模型的輸出可用于進一步處理或確定異常分數的后續步驟。這是一種常見的處理技術，適用于處理復雜的高維數據的方法和利用ML作為整個檢測管道的預處理步驟的方法。

3.3.7 對航天器的考慮

航天器遙測異常檢測問題的性質對可能使用的算法施加了某些限制。遙測是典型的時間序列數據，意味著在確定異常時，時間背景很重要。直觀地說，在某個時間點上正常的遙測值在另一個時間點上可能是異常的。因此，沒有納入時間信息的算法可能處于不利地位。一些方法將時間信息作為所用模型的副產品，如基于長短期記憶（LSTM）的方法。其他方法試圖通過在整個序列中應用滑動窗口來擴展非時間性的算法。此外，遙測數據通常是高維和多變量的。例如，一個熱控系統可能由其他多個子系統的若干遙測通道組成。為了形成一個全面的系統視圖，需要某種程度的系統層次和抽象化。因此，僅限于單變量數據的算法在其適用性上比多變量的算法更有限。

學習范式也是一個主要考慮因素，特別是對于航天器遙測。對于大多數異常檢測問題，名義行為的例子遠遠超過非名義的例子。這對航天器來說尤其如此。因為航天器的故障和異常通常是相當罕見的，所以使用監督學習來直接訓練一個模型通常是不可靠的。到目前為止，以半監督或無監督的方式操作的方法，在沒有大量標記數據的任務中，經驗顯示出更好的性能。雖然半監督和自我監督的方法更為普遍，但它們通常不能通過使用關于特定檢測是否正確的明確反饋來逐漸提高檢測能力。從長遠來看，主動學習和其他相關范式可能允許這些方法通過少量的專家標記的例子來逐步改進。

3.4 評價原則

對一個綜合系統的評價要求能夠量化系統的整體性能以及每個組成元素的單獨貢獻。這對FM系統來說是一項困難的任務，這在很大程度上是由于在該領域已經存在的V&V挑戰。一般來說，預測一個復雜系統的所有可能的故障模式是不可行的，因此，所有的分析和測試本質上是不詳盡的[26]。在遙測監測和異常檢測這一較窄的范圍內，有可能通過與已經在實踐中使用的其他基線遙測監測方法進行比較來簡化評估問題。在最簡單的情況下，一個基線方法可以直接與一個或多個ML方法進行比較。然而，如果ML組件被整合到一個更大的系統中，就有必要證明它對整個系統的具體貢獻。

3.4.1 異常檢測算法的評估

對于每個輸入樣本，異常檢測算法的最終輸出通常有兩種形式：一種是衡量樣本的異常程度的異常分數，另一種是將樣本歸入名義類或非名義類的二進制標簽。一般來說，分數被認為是一種更靈活和信息量更大的方法，因為它們允許異常水平的連續光譜，而不是兩個離散的狀態。分數也可以在任何時候通過應用一個閾值轉換為二進制標簽。然而，在實踐中，直接比較使用不同評分方法的算法變得很困難，因為分數本身往往是從根本上不同的概念和假設得出的。此外，選擇一個將分數轉換為標簽的閾值可能具有挑戰性，而且往往依賴于關于數據的特定領域假設[39]。這些挑戰使得建立明確的評價標準并明確說明可能影響結果的任何假設變得至關重要。

為了確保完整和客觀的評估，需要謹慎地選擇指標。異常檢測問題所固有的典型的類不平衡意味著許多傳統的衡量標準，如準確度、F-Measure、平均精度（AVPR）和接收運行特征曲線下面積（AUROC）可能會人為地夸大性能[63]。這方面的一個例子是二進制準確度；一個二進制分類器如果天真地將給定數據集中的每一個樣本都歸入名義類，那么由于類的不平衡度很高，它的得分可能會相對較高[64]。使用二元的真-假-正-負（TFPN）指標--真陽性（TP）、真陰性（TN）、假陽性（FP）和假陰性（FN）--作為評價的基礎是很常見的，因為它們可以用來計算眾多的其他衍生指標。混淆矩陣是使用TFPN指標來描述整體性能的一種常見方式，既直觀又數字。異常檢測混淆矩陣的布局示例如圖15所示。給定評估數據集中的每個樣本都被分配到四個象限中的一個，每個象限的總數被用來確定性能。文獻中的普遍共識是，雖然一些數值如Matthews相關系數比其他數值更客觀，但沒有一個從TFPN指標中得出的單一數量能夠完整和客觀地描述。在比較可能具有不同統計質量的數據集的結果時，必須要有額外的考慮。一般來說，只有在可以明確量化并在分析中指出其偏差的情況下，才可以使用具有已知偏差的指標。關于兩類分類指標及其相關優缺點的深入討論，見[63-66]。

時間序列數據中的異常檢測因數據樣本之間的時間依賴性而進一步復雜化。值得注意的是，經典的混淆矩陣并不考慮時間維度，所以雖然它可以提供一個全局的性能視圖，但它沒有提供對一個給定算法在時間上的局部表現的洞察力[67]。這是一個固有的缺點，因為時間序列數據通常是高度非平穩的，因此，一個模型的性能可能因時間背景的不同而有很大的差異。此外，跨越多個時間點的上下文和集體異常的存在導致了對每個TFPN指標來說什么是 "擊中 "的模糊性。文獻中提出了許多方法；例如，與集體異常窗口部分重疊的預測檢測可能被評為真陽性、假陰性或兩者的某種組合[23]。一般來說，應根據檢測問題的優先級創建特定應用的TFPN指標定義[65, 67]。

3.5 軟件產品

目前正在開發一些有助于ML和異常檢測研究的軟件包。選擇Python作為主要的開發語言是由于它的開源許可、易于開發、靈活性以及預先存在的對ML和數據科學的支持和基礎設施。雖然它是為支持這項研究而開發的，但我們已經做出了一切合理的努力來創建高度模塊化的軟件，并支持記錄完備的應用編程接口（API），以便它可以很容易地擴展到其他類似或相關的問題。

圖15-異常檢測混淆矩陣

3.5.1 通用軟件工具

為了支持這項研究，已經創建了幾個工具，這些工具可能在異常檢測或ML領域之外廣泛適用。在開發過程中發現的這些工具已經被轉移到單獨的存儲庫中，在那里它們可以被開發、測試，并作為獨立的產品在NRL社區或作為開源軟件發布。已經建立了一個Python工具庫，其中存放了各種常見的便利和實用功能。對于更大規模的工具，已經建立了專門的存儲庫。目前，兩個主要的工具是一個集合生成器和一個統計分析庫。

合并構建器

合并ML方法通過合并多個單獨模型的預測結果形成一個復合模型。這樣做的目的是為了產生優于任何組成模型的綜合預測。作為該代碼庫一部分開發的集合生成器與API無關，可以結合任意數量和類型的模型的預測，允許跨庫組合。對于大型模型或數據集，支持批量處理。它還支持模型停用功能，這樣就可以很容易地確定任何給定模型對整個組合的貢獻。雖然大多數常見的預測組合方案都是預先實現的，并且是現成的，但如果有必要，也可以實現自定義的組合策略。

統計學工具

探索性數據分析是許多ML項目中常見的初始步驟。為了幫助EDA過程的自動化，創建了幾個工具，包括數據集統計的計算和繪圖，以及統計報告的生成。報告工具還可以比較多組數據的統計數據；這可以用來檢測單一數據流中的概念漂移，或比較不同數據集的特征。在異常檢測方面，許多算法假設數據的高斯分布，以證明關于特定數據集中異常的性質和數量的統計結論是正確的。為了測試這個假設的有效性，開發了一個工具，對數據樣本進行Kolmogorov-Smirnov測試，以確定正態性假設是否有效。因為該檢驗可以支持任何連續分布，所以該工具被擴展到Scipy軟件包中的所有連續分布[68]。該工具可以用來快速擬合100多個候選統計分布，以確定哪些分布（如果有的話）是對數據的合理擬合。

3.5.2 異常檢測代碼庫

主要的軟件開發工作包括創建一個異常檢測代碼庫，作為大量異常檢測算法以及實驗和評估工具的主機。在可能的情況下，利用算法的開源實現來減少開發時間。否則，算法將根據需要手動實施。某些類型的模型，如神經網絡，可以進行廣泛的定制和架構調整；對于這些模型，我們創建了模型構建工具，以便快速創建和測試模型。目前，代碼庫支持50多個異常檢測模型，包括來自PyOD[69]和PySAD[70]庫的開源模型、單獨發布的開源算法和自定義模型。定制實現的模型包括傳統的和基于LSTM架構的變異自動編碼器。模型和算法將繼續根據需要被添加到資源庫中。

諸如TensorFlow、Keras和Scikit-Learn等軟件包都擁有一套廣泛的指標，通過使用API-agnostic接口[71-73]，可以在異常檢測代碼庫中互換使用。對于簡單的評估，可以使用無狀態度量。對于較大的數據集，代碼庫支持可以分批更新的有狀態指標。自定義指標可以從這些指標中衍生出來，或者根據評估的需要來實現。除了指標之外，還創建了一個評估和排名工具，能夠自動比較任意數量的算法在給定問題上的性能。該評估過程類似于AutoML，并受其啟發，AutoML能夠自動調整一些模型，使其在訓練數據上達到最佳性能，隨后在測試數據上對其進行評估[74]。

在Plotly庫的基礎上，還開發了一套繪圖工具，與其他代碼庫同步進行[75]。繪圖模塊為開發、演示和部署提供了許多功能。首先，它通過提供數據可視化幫助探索性數據分析（EDA）以及算法開發和調試。第二，它允許對檢測結果進行展示和分析。第三，它的目的是允許在應用環境中進行實時數據和算法監測。一個正在進行的努力是創建一個近乎實時的儀表板，顯示流數據以及任何異常的檢測。這個儀表板可用于基于人的反饋的學習、運行監控和技術演示。

4. 結論

圖16-突出SMAP A-3通道測試異常的異常繪圖儀

自主能力的發展仍然是國防部和美國海軍的一個投資重點。健康監測和FM是阻礙海軍空間系統更有彈性、更可靠、更自主的一些最重要的挑戰，而自動異常檢測代表了實現這一目標的一個步驟。第一年的研究確定，ML方法提供了一個快速改善現有航天器異常檢測工作的機會，并有可能被應用于系統健康監測的其他領域。第二年的研究將著重于通過繼續開發異常檢測代碼庫和完成對遙測數據的各種算法進行評估的實驗來證明這一概念。此外，綜合模型方法將被進一步研究，并與數據驅動的方法進行比較。健康監測代表了ML在美國海軍空間系統運行中最有希望的應用之一。這種類型的技術已經足夠成熟，可以擴展到現有的系統，并能使近期海軍的地面基礎設施和未來海軍的機載衛星系統受益。

附錄A

異常檢測的其他應用

第一年的研究暴露了異常檢測在航天器運行中的一些應用，這些應用超出了航天器FM的范圍。盡管到目前為止還沒有深入探討，但海軍可以從多個領域的自動異常檢測中受益；其中一個應用是檢測名義和非名義行為，作為海軍C4ISR工作的一部分。隨著數據處理需求的不斷擴大，自動化方法的應用變得越來越重要。在短期內，自動異常檢測可以作為C4ISR數據處理管道的一個初步步驟，通過將大量的數據提煉成只需要進一步調查的數據來協助人類操作員。這可能適用于通信、態勢感知工作和環境監測中的利益信號檢測。所有這些應用將有助于縮短收集原始數據和提供可運行信息之間的延遲。

圖A1-全球AIS數據

作為一個激勵性的例子，考慮到異常檢測算法可以通過模擬正常的船舶行為和標記異常行為來協助基于ML的MDA工作，以便進一步分析。鑒于美國海軍必須對數以百萬計的船只進行核算，存在著異常檢測的巨大機會，以大幅減少必須由人類檢查的數據量。圖A1顯示了全球自動識別系統（AIS）數據的一個例子，它可以作為訓練模型的基礎。在短期內，諸如來自NRL的Sea-Link高級分析（S2A）系統的船舶軌跡數據可以用來模擬正常的船舶行為，并幫助減少人類操作員的處理負荷。從長遠來看，這些模型可以與人類一起工作，并通過學習模式識別提供先進的決策洞察力。

2022年5月31日，美國國會研究服務局向國會提交《國防部反無人機系統》更新版報告。報告簡要介紹了美國國防部面臨的無人機威脅及反無人機投資計劃，概述了反無人機技術及方法，介紹了美國海軍、陸軍、空軍、海軍陸戰隊及國防部及其它機構反無人機武器的最新研究進展，并給出了國會面臨的潛在問題。

** **

**美國國防部近期反無人機系統有何進展？存在什么問題？美國國會研究服務局向國會提交的《國防部反無人機系統》更新版報告編譯：學術plus觀察員 潛行，文文子

**本文主要內容及關鍵詞

0. 背景：小型無人機對美國安全構成威脅；國防部2023財年計劃投巨資發展反無人機系統（技術研發6.68億/武器采購7800萬美元）；國會發揮監督職能1. 反無人機發展現狀

①反無人機技術：無人機探測技術，反無人機技術方法 ②戰略技術文件與機構設置：《反無人駕駛飛機系統技術》《國防部反小型無人機戰略》，反小型無人機聯合辦公室/JCO ③反無人機武器研發進展：陸、海、空、海軍陸戰隊、國防部其它機構研究情況2. 國會關心的問題與未來發展方向：平衡研發和采購資金；空域管理/作戰概念/交戰規則及戰術等方面的調整；操作風險的識別與管理

3. 評析：美國防部集中發力反無人機系統，全面整合資源，旨在快速形成反無人機裝備能力的領先優勢，美國國會提出的三大問題為國防部反無人系統未來發展指明方向，反應了從技術系統到作戰規則管理的發展路徑。

美軍研究認為，近年來無人機技術迅速擴散，易于被對手和恐怖分子獲得和使用。這些無人機系統成本低，可執行針對美軍的情報、監視和偵察或攻擊任務，對美軍構成嚴重威脅。多數小型無人機飛行高度低、使用特殊材料，傳統的防空系統難以探測。 **美國國防部計劃2023財年至少投資6.68億美元用于反無人機技術研發，7800萬美元用于反無人機武器采購。**國會將加強其監督職能，必須就未來的授權、撥款和其他立法行動做出決定。

1.發展現狀****

反無人機戰略、技術、機構等發展現狀

反無人機通常由探測和壓制/擊敗兩個主要步驟完成。

1.1 反無人機技術

**無人機探測技術：**一是使用光電、紅外或聲學傳感器分別通過目標的光學、熱量或聲學特征探測目標；二是使用雷達系統，該方法探測到微小型無人機效果不佳；三是使用射頻傳感器識別用于控制無人機的無線信號。這些方法經常結合使用可提供更有效的分層探測能力。

**反無人機技術方法：**在探測到非法無人機后，電子戰“干擾”裝置可干擾無人機通信鏈路，或使用槍支、網絡、定向能、傳統防空系統，甚至訓練有素的動物（如鷹）壓制、擊敗或摧毀無人機。

1.2 反無人機文件、機構與培訓

陸軍先后于2016年7月和2017年4月發布了反無人機戰略及技術出版物3-01.81**《反無人駕駛飛機系統技術》**概述了作戰期間防御低、慢、小無人機威脅的規劃考慮，以及如何規劃并將反無人機士兵任務納入陸軍訓練活動。

2019年12月，國防部指定陸軍為反小型無人機執行機構，負責監督國防部所有反小型無人機開發工作。**2020年1月，成立反小型無人機聯合辦公室(JCO)。**JCO評估了超過40種反小型無人機系統后，選擇了10種小型無人機防御系統和一個標準化的指揮和控制系統進行進一步開發。JCO于2021年1月發布了《國防部反小型無人機戰略》。JCO將另外制定一份國防部關于反小型無人機指揮和反小型無人機能力評估。國防部計劃到2024財年建立聯合反小型無人機學院，在各軍種同步開展反無人機戰術訓練。

1.3 反無人機武器研發最新進展

空軍正在進行定向能反無人機測試工作。2019年10月，空軍接收了一套**車載高能激光武器系統(HELWS)樣機，并進行為期一年的海外實地測試。**HELWS在數秒內識別并壓制非法無人機。此外，空軍還尋求機載反無人機武器，目前工作狀態尚不明確。

圖 便攜式反UAS技術

海軍先后開發出30千瓦激光武器系統(LaWS)、干擾無人機傳感器的光學致盲器（ODIN）及60千瓦“太陽神”（HELIOS）激光武器。2014年，LaWS部署在美海軍“龐塞”號(LPD-15)上。2021年，ODIN部署在“普雷布爾”號（USS Preble DDG-88）艦上。此外，海軍還與國防數字服務處合作，快速開發新的網絡賦能反無人機武器。

海軍陸戰隊2019年完成了海上防空綜合系統(MADIS)的海外測試，并于2019年7月壓制了一艘伊朗無人機。海軍陸戰隊還采購了2千瓦、5千瓦和10千瓦緊湊型激光武器系統(CLaWS)。海軍陸戰隊開展了單兵攜帶反無人機試驗，但受限于重量和功率要求，沒有取得成功。

圖 海上防空綜合系統

反無人機是美國陸軍作戰能力發展司令部的六層防空和導彈防御概念的一部分，包括：彈道導道、低空無人機交戰；多任務高能激光；下一代火控雷達；機動防空技術(MADT)；高能激光戰術車輛驗證機；低成本增程防空。目前這些系統仍在開發中，陸軍已部署了一些便攜式、車載和機載反無人機系統。此外，陸軍與國防數字服務處合作開發計算機支持的反無人機產品。

國防部及其它機構也在研究和開發多種反無人機技術。聯合參謀部和其他國防部機構參與了如**“黑鏢”（Black Dart）演習反無人機工作。**國防高級研究計劃局為反蜂群人工智能及用于艦載點防御的多方位防御快速攔截彈交戰系統等項目提供研究資金。

2.發展方向

美國國會：反無人技術管理與發展方向

一是國防部如何平衡研發和采購資金及與其他部門(如國土安全部、司法部和能源部)的協調，減少反無人機系統冗余并提高采購的效率；

二是為優化反無人機系統的使用和/或消除與其他美國軍事行動的沖突，國防部對空域管理、作戰概念、交戰規則或戰術是否需要進行改變；

三是國防部與聯邦航空管理局和國際民用航空當局協調以識別和減輕民用飛機的反無人機操作風險。

3.評析

3.1 美軍持續在反無人機領域發力，以獲取未來競爭優勢

無人機在近期的戰場上表現出驚人的作戰能量，已經成為現代戰爭的重要作戰裝備。面對無人機技術的發展和擴散，美國的戰略焦慮愈發凸顯，近年來一直在強調“大國競爭”，并試圖通過各種手段謀劃獲取優勢。**大力發展反無人機武器及相關技術在反無人機領域獲取絕對優勢是美軍企圖謀取未來競爭優勢的一個重要環節。**為此，美國防部先是成立專門機構協調反無人機技術發展，后又發布《反小型無人機戰略》，強調通過技術復用、體系融合、戰術聯合、戰略協作等方式，提高反小型無人機的整體能力。美軍在應對無人機問題上頻頻發力，實質上是通過在反無人機領域率先出手形成絕對的反制能力，并企圖獲取未來競爭性戰略優勢，繼續維護其全球霸主地位。

3.2 美國防部成立專門部門，統整反無人機方案，評估擇優，確保優勢

為應對日益嚴峻的無人機威脅，美軍各軍種先后開發出一些具有獨創性的反無人機解決方案，但其中大部分解決方案只能解決一小部分問題，彼此間存在相互合作困難。為此，美國國防部設立反小型無人機聯合辦公室(JCO)，負責領導、協同和指導整個國防部反小型無人機活動。JCO評估了超過40種反小型無人機系統后，選擇了10種小型無人機防御系統和一個標準化的指揮和控制系統進行進一步開發。這種整合行動既確保了反無人機領域研究開發工作的適度競爭，又有利于美軍集中資源開發具有技術優勢和良好應用前景的反無人機項目。JCO還通過定期舉辦測試活動引入競爭機制，同時有利于快速尋找反無人機能力差距和快速形成裝備能力，以及便后期加快采購工作，有利于促進反無人機技術發展，快速推動美軍反無人機系統快速走向成熟，始終保持美軍在反無人機領域的優勢，成為該領域的引領者。

3.3 國會關心的幾個問題的解決將為反無人機系統走向應際應用鋪平道路

國會關心的研發和采購資金的平衡、與其他部門的協調及減少反無人機系統冗余并提高采購的效率問題的解決有利于美國國防部實現反無人機系統的研發、采購、應用協調發展，促進裝備能力的快速形成。國防部成立JCO并評估擇優反無人機系統也是落實國會關心該問題的具體體現。國會關心的第二項和第三項問題將促使國防部協調以條令、組織、訓練、物資、領導和教育、人員、設施和政策等因素為基礎的聯合能力的交付，并同步發展作戰概念和作戰原則，同時促使國防部做好反無人機行為可能發生的不利情況預判，盡早制訂相關規則，建立和深化美國與盟友和合作伙伴的關系，為反無人機系統運用掃清障礙。

（全文完） 參考鏈接： //news.usni.org/2022/06/01/report-to-congress-on-anti-drone-weapons

自軍事航空業誕生以來，美國軍方一直對遙控飛機感興趣。今天的無人機系統（UAS）通常由一個無人駕駛飛行器（UAV）和一個地面控制站組成。自20世紀90年代，隨著MQ-1 "捕食者 "的推出，無人機系統在美國軍事行動中已變得無處不在。

美國軍方目前采用了幾種不同的大型無人機系統，包括

• 陸軍的MQ-1C灰鷹
• 空軍的MQ-9 "死神"
• 海軍的MQ-25 "黃貂魚"
• 空軍的RQ-4 "全球鷹"
• 海軍的MQ-4C "海獅"
• 空軍的RQ-170 "哨兵"

此外，其他幾個報告的項目計劃要么正在開發，要么目前正在進行試驗。這些計劃包括空軍的B-21突擊機和空軍的RQ-180。

當國會履行其監督和授權職能時，它可能會考慮與無人機系統有關的幾個潛在問題，項目相關的幾個潛在問題，包括

• 有人駕駛飛機與無人駕駛飛機的成本。
• 缺乏公認的后續項目記錄。
• 整個國防部對無人機系統采購的管理。
• 無人機系統與現有部隊結構的相互配合。
• 無人機系統出口管制。

在美國軍方，遙控飛行器(RPV)最常被稱為無人駕駛飛行器(UAV)，被描述為單一的飛行器(帶有相關的監視傳感器)或無人駕駛飛行器系統(UAS，或無人機系統)，通常由一個飛行器與一個地面控制站(飛行員實際坐在那里)和支持設備組成。當與地面控制站和通信數據鏈相結合時，無人機形成了無人機系統或UAS。

美國國防部（DOD）對無人機的定義，并延伸至無人機系統，是指涵蓋下列特征的飛機：

• 不攜帶人類操作員。
• 使用空氣動力提供升力。
• 可以自主飛行或遠程駕駛。
• 可以是消耗性的或可回收的。
• 可以攜帶致命或非致命的有效載荷。

根據國防部的定義，彈道或半彈道載具、巡航導彈和炮彈不被視為無人機系統。

無人機系統的作用和任務已經隨著時間的推移而演變，從收集情報、監視和偵察到執行空對地攻擊任務。此外，一些分析家預測了無人機系統的未來作用，如空對空戰斗和戰斗搜索和救援。然而，對無人機系統的未來概念和任務的詳細討論超出了本報告的范圍。

1 無人機系統（UAS）歷史

無人機系統在第一次世界大戰期間首次進行了測試，盡管美國在那場戰爭中沒有在戰斗中使用它們。美國在越南戰爭期間首次在戰斗中使用了無人機系統，包括AQM-34 Firebee，這一系統體現了無人機系統的多功能性。例如，"火蜂 "最初在20世紀50年代作為空中炮擊靶機飛行，然后在20世紀60年代作為情報收集無人機飛行，并最終在2002年被改裝為有效載荷。

美國軍隊在科索沃（1999年）、伊拉克（2003年至今）和阿富汗（2001年至今）等沖突中使用無人機系統，說明了無人機的優勢和劣勢。(下面討論的MQ-1 "捕食者 "進一步體現了這些優勢和劣勢）。當無人機系統執行歷史上由有人駕駛飛機執行的任務時，它們經常獲得媒體的關注。與有人駕駛飛機相比，它們似乎還具有兩個主要優勢：（1）它們消除了飛行員的生命風險（見關于MQ-4C的討論）；（2）它們的航空能力，如續航能力，不受人類限制的約束，并使用對人類來說可能太危險的固有不穩定設計，改進低可觀察技術。此外，無人機系統可以通過執行不需要飛行員在駕駛艙內的 "枯燥、骯臟或危險 "的任務，潛在地保護飛行員的生命。這些任務的例子包括1999年由B-2轟炸機執行的30小時長航時任務（枯燥的任務）；空軍和海軍的B-17飛機穿過核云收集放射性樣品（骯臟的任務）；以及在存在主動威脅的情況下進行的情報監視和偵察飛行，如便攜式防空系統或綜合防空系統（危險任務）。

此外，無人機系統的采購和操作可能比有人駕駛的飛機更便宜。然而，較低的采購成本可能會與國防部的意見相權衡，即無人駕駛平臺比有人駕駛平臺更有可能發生A類事故，即造成250萬美元的損失、生命損失或飛機毀壞的事故（表1）。當比較事故率時，即以每10萬小時飛行的事故報告，以便對不同類型的飛機進行比較，與有人駕駛的飛機相比，無人駕駛的飛機發生A級事故的可能性要高92%；當MQ-1的事故率從無人駕駛的子類別中刪除時，與有人駕駛的飛機相比，MQ-9和RQ-4發生A級事故的可能性高15%（見表1）。雖然與無人駕駛平臺相比，有人駕駛飛機通常有更多的A類事故，但這一結果可能是由于有人駕駛飛機的數量更多。

表1. 1998至2021財年的軍用飛機失事和毀壞率

國防部通常使用三種模式來操作無人機系統：（1）政府擁有和操作的系統，（2）政府擁有但由承包商操作的系統，以及（3）承包商擁有和操作的系統。當無人機系統首次被引入部隊時，國防部使用了承包商擁有和操作的模式，因為國防部培訓軍事人員來操作這些新型飛機。在培訓了足夠的人員后，國防部過渡到了政府擁有和經營的模式。然而，國防部對分配給承包商運營的飛機（包括政府和承包商擁有的飛機）的任務類型進行了限制，將這些類型的行動限制在情報、監視和偵察的作用。

1.1 MQ-1 "捕食者"與無人機系統的引入

最早進入軍隊服役的無人機系統之一是MQ-1 "捕食者"，當時國防部在1996年選擇了空軍來操作 "捕食者"。根據空軍的說法，"捕食者 "的設計目的是 "向作戰人員提供持久的情報、監視和偵察信息，并結合打擊能力"。20作為國防部高級研究計劃局（DARPA）合同下的先進概念技術示范機，"捕食者 "在1995年仍作為技術示范機進行了首次作戰部署，支持北約對塞爾維亞的空襲。從1999年3月到7月，"捕食者 "在科索沃上空飛行了600多架次，進行實時監視和戰損評估。2001年9月，"捕食者 "被部署到阿富汗，在2001年9月11日的恐怖襲擊之后，為支持 "持久自由行動 "提供長期的情報、監視和偵查。美國軍隊對 "捕食者 "的廣泛使用促進了其他密切相關的無人機系統（如下所述）的發展，這些系統旨在執行各種類型的任務。盡管 "捕食者 "于2018年3月9日正式退役，但美軍目前的大部分無人機系統機隊都是基于相同的技術，包括源自 "捕食者 "的機體。

“捕食者”由加利福尼亞州圣地亞哥的通用原子航空系統公司開發，以其綜合監視有效載荷和武器裝備能力幫助定義了無人機系統的現代作用。捕食者的主要功能是對潛在的地面目標進行偵察和目標獲取。為了完成這一任務，"捕食者 "配備了450磅的監視有效載荷，其中包括兩臺電子光學（EO）相機和一臺用于夜間的紅外（IR）相機。這些攝像機被安置在車頭下的球狀炮塔中。掠奪者 "還配備了一個多光譜瞄準系統（MTS）傳感器球，它在EO/IR有效載荷中增加了一個激光指示器，使掠奪者能夠跟蹤移動目標。此外，"捕食者 "的有效載荷包括一個合成孔徑雷達（SAR），它使無人機系統能夠在惡劣的天氣中 "看到"。捕食者的衛星通信提供了超越（地面）視距無線電的操作。

MQ-1捕食者的物理特征："捕食者"是一種中高度、長壽命的無人機系統。它長27英尺，高7英尺，翼展48英尺，有細長的機翼和一個倒 "V "形的尾翼。"捕食者"通常在10,000到15,000英尺的高度運行，以便從其視頻攝像機獲得最佳圖像，盡管它能夠達到25,000英尺的最大高度。每輛飛行器可以在離其基地500多海里的地方停留24小時，然后返回家園。"捕食者"的飛行員和傳感器操作員從地面控制系統中駕駛飛機。

2001年，作為一項輔助功能，"捕食者 "配備了攜帶兩枚地獄火導彈的能力。以前，"捕食者 "識別目標并將坐標轉發給一架有人駕駛的飛機，然后與目標交戰，但增加反坦克彈藥后，無人機系統能夠對時間敏感的目標發動精確攻擊，并將 "傳感器到射擊 "的時間周期降至最低。因此，空軍將 "捕食者 "的軍事名稱從RQ-1B（偵察型無人機）改為MQ-1（多任務無人機）。

在 "捕食者 "作戰成功后，陸軍和空軍都開發了變種飛機，包括MQ-1C "灰鷹 "和MQ-9 "收割者"（下文討論）。這些飛機使用了原來的 "捕食者 "機身，同時增加了發動機功率和武器裝備。

2 選定的當前無人機系統項目計劃

以下各節概述了國防部目前選定的無人機系統項目。

• 陸軍的MQ-1C “灰鷹”
• 空軍的MQ-9 "死神"
• 海軍的MQ-25 "黃貂魚"
• 空軍的RQ-4 "全球鷹"
• 海軍的MQ-4C "海獅"
• 空軍的RQ-170 "哨兵"

除了RQ-170 "哨兵 "是一個公認的機密無人機系統項目外，這些選定的系統都有國防部發布的選定采購報告，其中提供了詳細的信息和系統特征。表2提供了這些選定的無人機系統的特征摘要。

表2. 選定的無人駕駛飛機的特征摘要

2.1 MQ-1C “灰鷹”

MQ-1C“灰鷹”（圖1）是MQ-1 "捕食者 "的陸軍衍生產品。根據陸軍的說法，MQ-1C“灰鷹”為作戰人員提供了專用的、有保障的、多任務的無人機系統能力，涵蓋所有10個陸軍師，以支持指揮官的作戰行動和陸軍特種部隊及情報和安全指揮部。 陸軍表示，MQ1C灰鷹能夠以150節的最大速度在25,000英尺的高度飛行至少27小時。它可以攜帶四枚地獄火導彈，以及光電傳感器、合成孔徑雷達和通信中繼器。根據2021財年選定的采購報告，陸軍的MQ-1C“灰鷹”在2019財年飛行了超過494,000小時，實現了92%的戰斗行動可用性。

圖1. MQ-1C “灰鷹”

陸軍總共采購了204架飛機，其中11架是訓練飛機，13架是 "戰備浮動飛機"（即備件）。平均采購單位成本（基本上是每架飛機的成本）為1.275億美元。36 陸軍在2018年8月完成了MQ-1C "灰鷹 "的作戰測試和評估，目前在15個陸軍連隊運營該無人機系統。

2.2 MQ-9 "死神"

MQ-9 "死神"（圖2）--以前是 "捕食者B"--是通用原子公司對MQ-1 "捕食者 "的替代。根據空軍的說法，MQ-9 "死神 "是一種中高海拔、長續航時間的無人機系統，能夠進行監視、目標獲取和武裝對抗。盡管MQ-9 "死神 "借鑒了MQ-1 "捕食者 "的整體設計，但MQ-9 "死神 "長13英尺，翼展長16英尺。MQ-9 "死神 "還采用了900馬力的渦輪螺旋槳發動機，比MQ-1 "捕食者 "的115馬力發動機功率大得多。這些升級使MQ-9 "死神 "能夠達到最大50,000英尺的高度，240節的空速，24小時的續航時間，以及1,400海里的航程。然而，MQ-9 "死神 "與其前輩最不同的特點是其軍械能力。MQ1捕食者能夠攜帶兩枚100磅的地獄火導彈，而MQ-9死神可以攜帶多達16枚地獄火導彈，相當于陸軍阿帕奇直升機的有效載荷能力，或者混合500磅的武器和小直徑炸彈。在2018日歷年，MQ9 "死神 "總共飛行了325,000小時--其中91%的小時，即約296,000小時，是為了支持作戰行動而飛行的。

圖2. MQ-9 "死神"

2021年1月，通用原子公司披露了MQ-9 "死神 "的一個新的海上反水面戰變體。據報道，MQ-9B "海上衛士 "配備了聲納浮標投放（投放旨在識別潛艇的傳感器）和遙感能力（很可能是指 "海上衛士 "用于搜索水面艦艇的合成孔徑雷達），目前正在太平洋地區進行測試。

根據2020財年選定的采購報告，空軍已與通用原子公司簽訂合同，在該計劃的有效期內建造366架MQ-9 "死神"。按2008年美元計算，平均采購單位成本為2230萬美元（或按2022財年美元計算約為2800萬美元）。在2022財年，空軍沒有要求采購任何MQ-9 "死神"，但眾議院軍事委員會在其標記中授權額外采購6架飛機。

2.3 MQ-25 "黃貂魚"

由波音公司制造的MQ-25 "黃貂魚"（圖3）旨在為海軍的航母航空隊提供空中加油。根據海軍的說法，MQ-25將率先實現有人和無人操作的整合，展示成熟的復雜的海基C4I[指揮、控制、通信、計算機和情報]無人機系統技術，并為未來多方面的多任務無人機系統鋪平道路，以超越新興威脅。MQ-25的要求是解決基于航母的加油和持久的情報、監視和偵察能力的需要。

MQ-25 "黃貂魚 "由一個飛行器和一個控制系統組成，旨在適合航空母艦。它的首次飛行是在2019年9月進行的。MQ-25 "黃貂魚 "目前正處于采購過程的工程、制造和設計階段，海軍計劃在2023財政年度開始采購。根據2021財年的選定采購報告，海軍打算采購76架飛機，平均采購單位成本為1.21億美元。海軍在確定將加油作為其第一個航母上的無人機系統任務之前，研究了幾個無人戰斗飛行器概念。

圖3. MQ-25 "黃貂魚"

2.4 RQ-4 "全球鷹"

諾斯羅普-格魯曼公司的RQ-4 "全球鷹"（圖4）是美國空軍目前投入使用的最大和最昂貴的無人機系統之一。RQ-4 "全球鷹 "集成了多樣化的監視有效載荷，其性能被廣泛認為可與大多數有人駕駛的間諜飛機相媲美或超越。RQ-4全球鷹長47.6英尺，重32,250磅，與一架中等規模的公司飛機差不多大。根據空軍的說法，RQ-4全球鷹的飛行高度幾乎是商業客機的兩倍，可以在65,000英尺的高空停留超過34小時。它可以飛到5,400海里外的目標區域，在60,000英尺高空徘徊，同時監測一個伊利諾伊州大小的區域（近58,000平方英里）24小時，然后返回。RQ-4 "全球鷹 "最初被設計為一種自主的無人機，能夠根據預先編入飛機飛行計算機的輸入進行起飛、飛行和降落；然而，空軍通常在任務控制飛行員和傳感器操作員的配合下操作這些飛機。

圖4. RQ-4 "全球鷹"

RQ-4全球鷹目前以三種配置部署。Block 20、Block 30和Block 40：

• 20號機被稱為戰場機載通信節點（BACN，發音為 "bacon"），充當地面部隊的通信中繼。目前有四架飛機采用這種配置。

• 30號機使用合成孔徑雷達（SAR）、光電/紅外（EO/IR）傳感器、增強型綜合傳感器套件（EISS）和機載信號情報有效載荷（ASIP）的組合。Block 30的初衷是為了取代U-2間諜飛機。目前有20架Block 30飛機正在服役。

• 40號機整合了具有地面跟蹤能力的多平臺雷達技術（可跟蹤地面部隊的雷達，類似于E-8C JSTARS飛機）。10架Block 40飛機正在服役。

截至2016財年的選定采購報告，RQ-4全球鷹已經飛行了14萬小時（其中10萬小時支持作戰行動）。2014年，79.7%的飛機可用于執行任務。2014財年的平均采購單位成本為1.228億美元（或按2022財年調整后的美元計算為1.411億美元）。總統的2022財年預算請求重申了空軍計劃在2021財年退役所有Block 20飛機，并在2022財年退役所有Block 30飛機。

2.5 MQ-4C "海獅"

海軍的MQ-4C "海神"（圖5）也被稱為廣域海上監視（BAMS）系統，它以 "全球鷹 "Block 20機身為基礎，但使用不同的傳感器，與P-8 "海神 "有人駕駛飛機一起支持海上巡邏行動。根據2020財年選定的采購報告，"安裝在MQ-4C天龍上的任務傳感器提供360度的雷達和光電/紅外覆蓋"。報告稱，海軍打算在2020年10月達到初始作戰能力，并在2021年5月做出全速生產的決定。在2019年的年度報告中，作戰測試和評估主任表示，海軍結束了對該飛機的作戰評估，這支持了早期的實戰決定。MQ-4C "海獅 "的平均采購單位成本在2016財年為1.461億美元（或在2022財年約為1.626億美元）。

圖5. MQ-4C "海獅"

2019年6月，伊朗軍方在阿曼灣擊落了一架MQ-4C "海獅"，國防部稱其為BAMS飛機。根據海軍的新聞簡報，這架飛機當時正在該地區飛行，監測霍爾木茲海峽是否有伊朗對商業航運的威脅。國防部官員表示，"這次襲擊是在最近國際航運和商業自由流動受到威脅之后，試圖破壞我們監測該地區的能力。" 當時，特朗普政府似乎考慮對伊朗摧毀一架美國飛機進行報復性打擊，但據報道，在回應一架無人駕駛飛機的損失時，升級風險是不值得的。

2.6 RQ-170 "哨兵"

盡管RQ-170 "哨兵"（媒體也稱之為 "坎大哈的野獸"）被公開承認存在，但關于它的大部分信息都是保密的。RQ-170 "哨兵 "首次在阿富汗上空被拍到，但據說也曾在韓國作戰，它是一種無尾的 "飛翼"，比美國目前的其他無人機系統更隱蔽。 據報道，一架RQ-170 "哨兵 "在2011年5月1日對奧薩馬-本-拉登的駐地進行了監視和數據中繼。伊朗政府在2011年12月2日聲稱擁有一架完整的RQ-170 "哨兵"，因為它被指控侵入了伊朗領空。

RQ-170 "哨兵 "由洛克希德-馬丁公司制造，翼展約65英尺，長近15英尺，由一臺噴氣式發動機驅動。它的上翼表面似乎有兩個傳感器托架（或衛星天線外殼）。雖然該機具有像B-2隱形轟炸機那樣的固有的低可觀察性混合機翼/機身設計，但RQ-170 "哨兵 "的常規進氣口、排氣口和起落架門表明其設計可能沒有完全針對隱形進行優化。

根據空軍的說法，"RQ-170哨兵是空軍正在開發、測試和投入使用的低可觀察性無人駕駛飛機系統（UAS）"。 沒有進一步的官方狀態。

2.7 其他報告的項目計劃

盡管其他無人機系統項目正在開發中，但它們在很大程度上是保密的，因此有關它們的信息并不公開。這些項目包括B-21 "突襲者"（據說是一種能夠進行遠程駕駛的載人轟炸機）和RQ-180。2021年12月4日，空軍部長弗蘭克-肯德爾透露，空軍打算在2023財政年度啟動兩個新的無人機系統項目，但沒有其他信息。

B-21 "突襲者"

即將推出的B-21 "突襲者 "不是一個純粹的無人機系統；這種遠程轟炸機預計將由遠程或機上人員操作。B-21（圖6）打算在常規和核方面發揮作用，有能力穿透先進的防空環境并在其中生存。預計它將在20世紀20年代中期開始服役，建立一個由100架飛機組成的初始機隊。B-21將駐扎在德克薩斯州的戴斯空軍基地、密蘇里州的懷特曼空軍基地和南卡羅來納州的埃爾斯沃思空軍基地，其中埃爾斯沃思是訓練基地。

圖6. 對B-21的渲染圖

B-21是圍繞三個具體的能力而設計的:

1.一個大而靈活的有效載荷艙，能夠攜帶目前和未來的各種武器裝備。

2.航程（盡管是保密的）。

3.預計每架飛機的平均采購單位成本為5.5億美元（2010財政年度），這是公開宣布的，以鼓勵競爭廠商限制其設計。

盡管空軍已經發布了轟炸機的藝術效果圖，但具體設計仍然是機密。

為了實現5.5億美元的目標，單位成本被指定為采購戰略中的一個關鍵性能參數，這意味著達不到這個價格就會失去投標資格。(該價格是基于采購100架飛機；數量的變化可能會影響實際的單位成本）。在授標公告中，空軍透露，諾斯羅普公司中標的獨立成本估計為每架飛機5.11億美元，相當于2016財年的5.64億美元。空軍表示，截至2021年的平均采購單位成本在2010財政年度為5.5億美元，或在2022年為6.7億美元。

RQ-180

據報道，另一個正在開發的無人機系統項目是RQ-180，據說是一種轟炸機大小的無人機系統。 2014年6月9日，前空軍負責情報、監視和偵察的副參謀長羅伯特-奧托中將說，空軍正在 "研究RQ-180遙控飛機，以使其更好地進入有爭議的空域，在那里，無人駕駛的RQ-4全球鷹和有人駕駛的U-2S平臺是很脆弱的。" 關于RQ-180的其他細節幾乎沒有公開發布，空軍也沒有正式承認該計劃。

3 關于國會潛在的問題

本節討論了國會在考慮國防立法時可能出現的問題，包括與載人系統的成本比較，缺乏后續的記錄項目，組織管理，與現有部隊結構的互操作性，以及出口管制。

3.1 與載人系統的成本比較

在2021年6月的一份報告中，美國國會預算辦公室（CBO）研究了有人和無人的情報、監視和偵察（ISR）飛機之間的成本、可靠性和出動率。值得注意的是，CBO確定RQ-4全球鷹每飛行小時的成本約為18,700美元，或載人P-8海神的62%，后者可執行類似任務，每飛行小時的成本為29,900美元。報告還指出：

• 與P-8相比，RQ-4全球鷹預計每年多飛行356小時

• RQ-4全球鷹的預計壽命為20年，而P-8的預計壽命為50年

• RQ-4全球鷹的采購成本為2.39億美元，而P-8海神的采購成本為3.07億美元（約為該載人平臺采購成本的78%）。

同樣，其他UAS飛機的購置成本和每飛行小時的成本也比有人駕駛飛機低。然而，UAS飛機通常比有人駕駛飛機有更高的事故率。國會在比較飛機系統時可以考慮這種權衡--較低的成本與較高的風險。

3.2 缺少后續項目記錄

在伊拉克和阿富汗沖突期間，美國軍方每年購買數百個無人機系統，主要是MQ-1 "捕食者 "和MQ-9 "死神"，但也有RQ-4 "全球鷹 "和MQ-4 "海獅"。當這些沖突結束后，采購量驟然下降。例如，各部門在2012財政年度采購了1211架中型或大型無人機系統，但到2014年，每年的數量下降到54架無人機系統，而且這個數字還在繼續下降。2022財年的預算報告要求采購6套UAS。

國防部沒有對這一變化進行正式的評論；然而，有幾個因素可能影響了這一下降趨勢。一個是在伊拉克和阿富汗沖突期間獲得的許多無人機系統共享類似的技術，軍方可能沒有設定新的要求來納入新技術。另外，盡管那些第一代和第二代無人機系統在寬松的空中環境（如伊拉克和阿富汗的環境，那里沒有對手的空軍或防空部隊）下運行良好，但在與先進的防空部隊和飛機的近距離沖突中，它們會面臨更大的挑戰，而這些飛機越來越成為美國國防規劃的一部分。國防部也可能在更先進的技術（如噴氣動力無人機系統）成熟時，有意識地在采購方面采取戰略暫停。最后，許多無人機系統的開發被認為在這一時期轉移到了不被承認的機密系統。因此，國防部的采購可能沒有如此急劇下降，而是從非機密或公認的機密項目轉移到公共預算文件中看不到的非公認的機密項目。

3.3 組織管理

盡管大多數美國軍用無人機系統是基于MQ-1 "捕食者 "機身的，但各軍種都有無人機系統項目。在授權和監督方面，國會可以考慮以下問題。誰應該管理國防部無人機系統的開發和采購？這些項目中至少有一部分的管理應該集中起來嗎？如果是這樣，國防部的中央機構應該設在哪里？

前空軍參謀長諾頓-施瓦茨將軍提出："理想情況下，你想做的是讓美國政府以一種能夠讓我們獲得最佳能力的方式。一個例子是BAMS[MQ-4 Triton]和[RQ-4]全球鷹。為什么海軍和空軍要有兩個獨立的倉庫、地面站和訓練管道，來處理本質上是相同的飛機和不同的傳感器？我認為我們雙方有很多機會可以更好地利用資源。" 蘭德公司2013年的一項研究發現，從歷史上看，聯合載人飛機項目并沒有帶來生命周期的成本節約，但通過一個辦公室管理多個項目而不完全合并這些項目可能是可能的。

3.4 與現有部隊結構的互操作性

無人機系統在與有人駕駛飛機執行任務時帶來了潛在的互操作性挑戰，因為飛行員并不直接在飛機上，而是位于機場上，用于起飛和降落，或者位于美國的一個設施。例如，UAS飛行員依靠攝像機或傳感器與編隊中的有人飛機進行視覺接觸。在過去的20年里，陸軍和空軍都展示了將無人機系統整合到其行動中的方法；最近，陸軍在其2021財政年度的項目匯合中試驗了新的概念。然而，海軍和海軍陸戰隊在將無人機系統整合到他們目前的機隊和行動中的經驗有限，特別是在航空母艦和兩棲艦上的大型無人機系統。隨著新的無人機系統的開發，以及使用這些飛機的新概念，有人駕駛的飛機和無人機系統將如何整合仍有待觀察。同樣，目前還不清楚與空域沖突有關的問題在多大程度上會給國防部帶來挑戰。

3.5 出口管制

美國通過多邊出口管制制度和國家出口管制來控制無人機系統的出口。

導彈技術管制制度

導彈技術管制制度（MTCR）"尋求限制 "核生化武器擴散的風險，"通過管制可能有助于此類武器運載系統（除有人駕駛飛機外）的貨物和技術的出口"。1987年由美國和其他六個國家成立的MTCR，每年舉行幾次會議，目前由35個伙伴國組成，是一個非正式的自愿安排，其伙伴國同意對一個包含兩類受控物品的附件適用共同的出口政策準則。伙伴國根據國家立法執行這些準則，并定期交流有關出口許可證問題的信息，包括拒絕技術轉讓。MTCR準則適用于武裝和非武裝無人機系統。

第一類MTCR項目是最敏感的，包括 "能夠在至少300公里范圍內運送至少500公斤有效載荷的完整無人機系統，其主要的完整子系統......以及相關的軟件和技術"，以及為這些無人機系統和子系統 "專門設計的 "生產設施。伙伴國政府應 "強烈推定拒絕 "此類轉讓，無論其目的如何，但可在 "罕見情況下 "轉讓此類項目。 該準則禁止出口第一類物品的生產設施。制度伙伴在授權出口第二類物品方面有更大的靈活性，其中包括不太敏感和兩用的導彈相關部件。這一類別還包括完整的無人機系統，無論有效載荷如何，射程至少為300公里，以及具有某些特征的其他無人機系統。

MTCR準則指出，各國政府在考慮MTCR附件物品的出口請求時應考慮六個因素。(1) 對核生化擴散的關注；(2) 接受國 "導彈和空間計劃的能力和目標"；(3) 轉讓對核生化運載系統的 "潛在發展意義"；(4) "對轉讓的最終用途的評估"，包括下文所述的政府保證；(5) "相關多邊協定的適用性"；以及(6) "受控物品落入恐怖團體和個人手中的風險"。 " 該準則還規定，如果伙伴國政府 "根據所有可用的、有說服力的信息 "判斷該物品 "打算用于 "核生化武器的運載，則強烈推定拒絕轉讓MTCR附件中的任何物品或任何未列入清單的導彈。

此外，MTCR準則指出，如果出口國政府不判斷擬議的第一類無人機系統的轉讓是用于核生化運載，政府將從接受國獲得 "有約束力的政府對政府的承諾"，即 "未經 "出口國政府的同意，"該項目或其復制品或衍生品都不會被再次轉讓。出口國政府還必須承擔 "采取一切必要步驟，確保該物品只用于其既定的最終用途 "的責任。此外，政府只有在得到 "接受國政府的適當保證"，即接受國將只為其既定目的使用這些物品，并在未經出口國政府事先同意的情況下不修改、復制或重新轉讓這些物品的情況下，才可批準轉讓 "可能有助于[核生化]運載系統 "的物品。伙伴國政府的出口管制必須要求在政府通知出口商此類物品 "可能全部或部分用于......載人飛機以外的[核生化]運載系統 "的情況下，授權轉讓未列入清單的物品。這些限制被稱為 "全面 "管制。

其他多邊出口管制制度

其他多邊制度限制可能使無人機系統開發核生化有效載荷的技術的出口。例如，核供應國集團管理與核有關的出口，而瓦森納安排在常規武器和某些兩用貨物和技術方面發揮著類似的作用。澳大利亞集團是與化學和生物武器有關的技術的類似組織。

美國的出口管制

從2017年開始，美國向MTCR合作伙伴提交了一系列建議，以放寬該制度對某些無人機系統的出口準則。 這些政府以協商一致的方式作出決定，但沒有同意采納任何這些建議。2020年7月24日，特朗普政府宣布了一項新的無人機系統出口政策，將 "精心挑選的MTCR第一類無人機系統的子類，其飛行速度不能超過每小時800公里（大約每小時500英里），視為第二類"，從而克服了MTCR對這些系統的 "強烈拒絕推定"。美國已經向法國、意大利、日本、德國、韓國、西班牙和英國出口了MTCR第一類無人機系統。

美國商務部工業與安全局（BIS）2021年1月12日的最終規則實施了對美國兩用許可程序的相關修改。BIS向國會提交的2020財政年度報告指出，取消了所有2020年MTCR會議，并解釋說，美國單方面采取這一政策是因為 "在可預見的未來，MTCR沒有進一步進展的場所"。 國務院的一位官員說，該提案 "仍然是我們在MTCR中的一項優先努力，但這--與其他許多事情一樣--受到了旅行限制的阻礙"，該限制是為了應對COVID-19病毒帶來的風險。MTCR成員在2021年10月舉行了一次全體會議，但沒有通過美國的提案。

美國對無人機系統的出口施加了一些其他限制。美國務院負責管理對軍用無人機系統和其他國防物品的出口管制；這一制度的法定依據是《武器出口管制法》（AECA；P.L. 94-329）。該法第71(a)條要求國務卿保持一份MTCR附件中所有不受美國雙重用途管制的物品清單。美國出口管制法》還限制了原產于美國的國防物品的用途，并禁止未經美國政府許可向第三方轉讓此類物品。2018年出口管制法》（P.L. 115-232，B副標題，第一部分）為總統提供了廣泛而詳細的立法授權，以實施對兩用物品出口的控制，包括兩用無人機系統和相關組件。美國關于兩用物品出口的法規包含對無人機系統的全面控制。

美國政府還實施了一些法規，以確保原產于美國的無人機系統的接收者將這些物品用于其申報的目的。根據2019年5月國務院的一份概況介紹，美國將轉讓軍用無人機系統，"只有采取適當的技術安全措施"。 國務院和商務部都會進行最終監測，以確定接受國是否適當地使用出口物品。概況介紹說，一些軍用無人機系統 "可能要接受強化的最終使用監測"，以及 "額外的安全條件"。根據國務院的概況介紹，美國轉讓MTCR第一類無人機系統也 "應要求與 "美國政府就該系統的使用進行定期磋商。

美國海軍希望開發和采購三種類型的大型無人航行器（UV），稱為大型無人水面航行器（LUSV）、中型無人水面航行器（MUSV）和超大型無人水下航行器（XLUUVs）。海軍2023財年擬議預算要求為這些大型UV和LUSV/MUSV啟用技術提供5.493億美元的研究和開發資金，并為XLUUV和其他海軍UUV的核心技術提供6070萬美元的額外資金。

海軍希望獲得這些大型UVs，作為將海軍轉移到一個更加分布式艦隊架構的一部分工作，這意味著一種艦艇組合，將海軍的能力分散到更多的平臺上，并避免將艦隊整體能力的很大一部分集中到相對較少的高價值艦艇上（即一種避免 "把太多雞蛋放在一個籃子里 "的艦艇組合）。海軍和國防部（DOD）自2019年以來一直在努力制定一個新的海軍部隊目標，以反映這種新的艦隊組合。2022年4月20日發布的海軍2023財年開始30年（2023財年-2052財年）的造艦計劃，總結了對新的兵力目標進行的研究結果。這些研究概述了潛在的未來艦隊擁有27至153艘大型USV和18至51艘大型UUV。

海軍設想LUSV的長度為200英尺到300英尺，滿載排水量為1,000噸到2,000噸，這將使它們達到輕巡洋艦的大小(即比巡邏艇大，比護衛艦小的艦艇)。海軍希望LUSV是低成本、高端耐力、可重新配置的艦艇，有足夠的能力攜帶各種模塊化有效載荷--特別是反水面戰（ASuW）和打擊有效載荷，主要是指反艦導彈和對陸攻擊導彈。每艘LUSV可以配備一個垂直發射系統（VLS），有16到32個導彈發射管。盡管被稱為UV，LUSV可能被更準確地描述為選擇性或輕度載人的艦艇，因為它們有時可能有一些船員，特別是在近期內，當海軍制定LUSV的啟用技術和作戰概念時。根據海軍2023財政年度的五年（2023-2027財政年度）造艦計劃，海軍采購LUSV的計劃將在2025財政年度開始。

海軍將MUSV定義為45英尺到190英尺長，排水量大約為500噸，這將使它們與巡邏艇的尺寸相當。海軍希望MUSV和LUSV一樣，是低成本、高端耐力、可重新配置的船只，可以容納各種有效載荷。MUSV的初始有效載荷將是情報、監視和偵察（ISR）有效載荷和電子戰（EW）系統。海軍2023財年開始的五年（2023-2027財年）造艦計劃不涵蓋2023-2027財年期間采購MUSV的計劃。

XLUUV的大小大致與地鐵車廂相當。首批5艘XLUUV在2019財政年度獲得資助，正在由波音公司建造。海軍希望使用XLUUV秘密部署Hammerhead水雷，這種水雷將被拴在海底，并配備反潛魚雷，大致類似于海軍冷戰時期的CAPTOR（封裝式魚雷）。根據海軍2023財年開始的五年（2023-2027財年）造艦計劃，通過其他采購，海軍（OPN）計劃在2024財年開始采購額外的XLUUV。

在對海軍2020-2022財年的擬議預算進行標記時，國會國防委員會對海軍的采購戰略是否提供足夠的時間來充分開發這些大型UV，特別是LUSV的作戰概念和關鍵技術表示關注，并包括旨在解決這些問題的立法規定。作為對這些標記的回應，海軍已經重組了LUSV項目的采購戰略，以便遵守這些立法規定，并在進入可部署單位的批量生產之前提供更多的時間來開發作戰概念和關鍵技術。

圖1. 支持LUSV和MUSV計劃的原型機

引言

本文件是北約 IST-151 研究任務組 (RTG) 活動的最終報告，題為“軍事系統的網絡安全”。該 RTG 專注于研究軍事系統和平臺的網絡安全風險評估方法。 RTG 的目標如下：

? 協作評估軍事系統的網絡安全，并在 RTG 的北約成員國之間共享訪問權限；

? 在 RTG 的北約成員國之間共享風險評估方法和結果；

? 將 RTG 的北約成員國使用的評估方法整合到一個連貫的網絡安全風險評估方法中，以使北約國家受益。

軍事平臺比以往任何時候都更加計算機化、網絡化和受處理器驅動。他們大量使用數據總線，如 MIL-STD-1553A/B、CAN/MilCAN、RS-422/RS-485、AFDX 甚至普通以太網，以及戰術通信的舊標準，如 MIL-STD-188C 和 Link 16。此外，捕獲器、傳感器、執行器和許多嵌入式系統是擴展攻擊面的額外無人保護的潛在輸入。結果是增加了網絡攻擊的風險。然而，這些平臺的持續穩定運行對于軍事任務的成功和公共安全至關重要。

軍事系統和平臺是網絡攻擊的首選目標，不是因為它們像消費電子產品那樣普遍，而是因為它們潛在的戰略影響。一旦受到影響，就可以實現各種短期和長期影響，從拒絕能力到秘密降低其有效性或效率。因此，軍隊必須在各個層面解決網絡安全問題：戰略層面，同時獲取平臺和系統；作戰層面，同時規劃軍事任務和戰術。

北約國家擁有大量可能面臨網絡攻擊的軍事平臺和系統。因此，北約將受益于利用當前的流程和方法來設計更安全的系統并評估當前系統的網絡安全。

本報告介紹了針對軍事系統和平臺量身定制的網絡安全評估方法，該方法由 RTG 團隊成員合作開發，并建立在他們的經驗和專業知識之上。團隊成員已經使用的流程被共享、分析、集成和擴充，以產生本報告中描述的流程。本報告的目標受眾是愿意評估和減輕其軍事系統的網絡安全風險的決策者。

圖一：網絡安全評估過程的五個主要步驟。

報告結構

第 2 節介紹了 RTG 團隊在其存在的三年中用于開發流程的方法。第 3 節列出了可以應用該過程的系統的一些特征。最后，第 4 節描述了評估流程，而第 5 節總結本報告。

執行總結

軍事平臺比以往任何時候都更加計算機化、網絡化和受處理器驅動。這導致增加了網絡攻擊的風險。然而，這些平臺的持續穩定運行對于軍事任務和公共安全的成功至關重要。

絕對的網絡安全是不存在的。必須通過迭代風險評估持續管理網絡安全。傳統 IT 系統存在許多網絡安全風險管理框架和流程。然而，在軍事平臺和系統方面，情況遠非如此。本文檔介紹了針對軍事系統量身定制的網絡安全風險評估流程。該流程由北約 IST-151 研究任務組 (RTG) 活動的團隊成員開發，該活動名為“軍事系統的網絡安全”。該過程可以應用于傳統的 IT 和基于固件的嵌入式系統，這些系統在軍事平臺和系統中無處不在。