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

本研究評估了一種稱為臺球算法（billiards algorithm）的動態傳感器覆蓋（DSC）算法。文章探討了規避障礙物和無趣區域（如森林或湖泊）的不同方法。避障對于DSC算法的多功能性至關重要，它使無人機能夠導航障礙物密集的環境，同時最大限度地降低碰撞風險。本文在MATLAB中運行了仿真實驗，以評估該算法在平均和最差延遲性能方面的表現。研究將臺球算法與隨機路徑選擇以及文獻中稱為Ganganath算法的算法進行了比較。為提高臺球算法在障礙密集環境中的性能，本文實施了模型預測控制（Model Predictive Control, MPC），預期智能體能夠通過前瞻規劃獲益。本論文呈現的結果表明，與Ganganath算法相比，帶避障的臺球算法在平均延遲方面表現出色，但在最差延遲方面表現欠佳。在某些室內環境中，Ganganath算法顯示出局限性，而臺球算法則在兩項性能標準上均優于它。在計算復雜度和通信流量方面，這些算法差異顯著。臺球算法的仿真時間和通信量都低得多，這兩項指標在軍用無人機集群算法中非常寶貴。MPC能夠在一個有限的未來時間窗口內優化決策，被集成到臺球算法中以評估其有效性。研究發現，MPC在普遍的障礙密集環境中并未提升性能。這可能是由于在多智能體系統中預測未來狀態本身就存在困難，加之智能體即便沒有MPC提供的前瞻能力，也已能高效探索未探索區域。然而，在某些特定環境中，MPC能顯著提升該算法的性能。

無人機（Drones），或稱無人飛行器（Unmanned Aerial Vehicles, UAVs），是在沒有人類飛行員在機上操作運行的航空器。它們可由機載計算機和傳感器自主操作，或由遠程飛行員通過各種方式（例如無線電波）操控 [1]。這些多功能機器人在過去幾十年一直是熱門研究主題，因此近期發展顯著 [2]，[3]。在軍事行動中，無人機非常適合在許多高風險任務中替代步兵執行情報、監視和偵察（Intelligence, Surveillance, and Reconnaissance, ISR）等任務[4]。將無人機納入軍事單位可有效減少己方傷亡并降低成本。最有前景的新興無人機技術之一是無人機集群技術（drone swarms），即大量無人機通常以自主方式協作運行以解決復雜目標。該研究主題側重于開發算法，指導集群中的無人機通過通信并基于其他無人機做出智能決策，從而高效完成任務[5]。未來在軍事背景下，無人機集群可能成為新一代作戰和情報工具，能夠執行多層面任務，同時最大限度減少人力資源需求。在許多應用中，無人機集群通常比傳統資源更快、更具適應性。借助先進的集群算法，軍事力量不僅可以將無人機用作單個單元，更能將其作為一個協同網絡使用，在復雜環境中的效能和可擴展性方面超越傳統的單一單元任務。本報告研究的集群算法可在任何能在二維空間中移動的機器人平臺上執行，例如無人地面車輛（Unmanned Ground Vehicles, UGVs）。貫穿全文，為追求更通用的表述，這些無人機被稱為“智能體”（agents）。就本報告目的而言，智能體將指代全向旋翼無人機。

本工作的目標是改進一種已存在的名為臺球算法的集群算法，特別側重于探索實現和優化避障的各種方法。這意味著將開發多種避障設計方案并進行比較，以獲得一個魯棒且多功能的算法。該算法的目的是在關注區域（Area of Interest, AoI）上提供持續的傳感器覆蓋，即AoI的每個部分都應盡可能頻繁地被覆蓋。障礙物可以呈現各種幾何形狀和復雜程度。該算法應能在AoI中高效分配其傳感器覆蓋，其中一部分區域可能被歸類為無趣區域。然而，應允許智能體穿越該區域以到達AoI的其他部分。避障算法各有優缺點。鑒于無人機有限的計算能力，所設計的算法需要簡潔而有效。通信流量也需要考慮，因為存在電子戰威脅的可能性。

在集群算法設計中，避障對于防止智能體受損至關重要。若無有效的避障，在AoI中的智能體可能與障礙物發生碰撞，導致智能體損壞，甚至在特定算法中導致整個集群失效。將避障整合到集群算法中可顯著提升其多功能性。一個糟糕的避障算法可能在障礙物邊緣附近表現平平，導致圍繞障礙物的覆蓋不理想。因此，本報告中的避障應解決此問題。通過考慮無趣區域，該算法能更有效地優先覆蓋AoI重要區域的傳感器。

本研究圍繞以下研究問題展開：
? 在障礙密集環境中，臺球算法與隨機路徑選擇相比如何？
? 帶避障的臺球算法在基于最差延遲性能和平均延遲性能方面與基于勢場的Ganganath算法相比如何？
? 整合預測時域能否顯著改善臺球算法的性能？
? 臺球算法的分布式控制與采用集中式和去中心式控制方案的版本在性能上相比如何？

本論文結構如下：第2節介紹了多智能體系統理論，并概述了本工作中使用的兩種算法。第3節描述了實驗設計和仿真環境。第4節展示并討論了結果。最后，第5節總結了論文并提出了未來工作的方向。

本文提出并評估兩種深度學習模型，旨在支持并擴展瑞典國防研究局（FOI）當前使用的MATLAB/Simulink模型。這些模型用于執行不同作戰場景（如飛行器與導彈對抗）的仿真模擬，但其計算資源密集特性限制了可高效探索的場景數量。為實現更快生成補充仿真數據，本研究采用近45,000組歷史仿真場景訓練了CNN-LSTM混合模型與基于Transformer架構的模型（iTransformer）。數據集包含靜態輸入參數及表征飛行器與導彈三維位置的多元時間序列數據。模型訓練目標為基于初始條件預測軌跡延續，并通過標準回歸指標與推理時間進行評估。結果表明：兩種模型均能以低定位誤差捕獲多數軌跡模式，并顯著縮短仿真耗時。

盡管直接比對非本研究主旨，但輸入序列長度差異及降采樣處理使所提模型無法直接相互比較或與MATLAB/Simulink模型對標。本文詳述模型開發過程并討論其局限性。雖需進一步驗證，但結果證實深度學習模型具備與傳統仿真方法協同加速場景生成的潛力。

本研究提出分層多智能體強化學習框架，用于分析異構智能體參與的仿真空戰場景，旨在通過預設模擬識別促成任務成功的有效行動方案（CoA），從而低成本、低風險探索現實防務場景。在此背景下應用深度強化學習面臨特定挑戰，包括復雜飛行動力學、多智能體系統狀態與動作空間指數級擴展，以及實時單元控制與前瞻規劃融合能力。為解決這些問題，決策過程被分解為雙層抽象：底層策略控制單個單元，高層指揮官策略發布與總體任務目標匹配的宏觀指令。該分層結構通過利用智能體策略對稱性及控制與指揮任務分離，顯著優化訓練流程。底層策略通過漸進復雜度的課程學習訓練單兵作戰控制能力，高層指揮官則在預訓練控制策略基礎上學習任務目標分配。實證驗證證實了該框架的優越性。

本研究探索深度強化學習（RL）作為低成本、低風險空戰場景模擬分析方法的可行性。RL在各類環境中展現的行動方案發現能力構成研究動機，涵蓋棋類博弈[1]、街機游戲實時控制[2]以及現代兵棋推演[3]等融合控制與戰略決策的場景。空戰場景中應用RL存在多重挑戰：仿真場景結構特性（如單元復雜飛行動力學、聯合狀態動作空間規模）、規劃深度、隨機性與信息不完備性等。戰略博弈與防務場景的決策樹（即潛在行動方案集合）規模遠超常規搜索能力邊界。此外，現實作戰需同步協調單元機動與戰略布局及全局任務規劃，整合部隊層級實時控制與指揮官層級任務規劃的聯合訓練極具挑戰性，因二者對系統需求、算法架構及訓練配置存在本質差異。

為應對挑戰并復現現實防務行動，本研究構建分層多智能體強化學習（MARL）框架分析異構智能體空戰仿真場景。該方法將決策過程解耦為雙層結構：底層策略負責單元實時控制，高層策略依據全局任務目標生成宏觀指令。底層策略通過預設場景（如攻擊/規避）訓練，場景目標由指令標識符標記。為增強魯棒性與學習效率，采用漸進復雜度場景課程學習與聯盟自博弈機制。高層策略學習基于動態任務目標為下屬智能體分配合適標識符。戰略規劃權責上移至高層指揮官，底層執行單元自主完成控制任務。該架構通過底層策略對稱性利用與信息流定向傳輸，大幅簡化策略訓練過程，并實現控制與指揮的清晰分離，支持任務定制化訓練方案。

本研究核心貢獻包括：（1）開發輕量化環境平臺，快速模擬智能體核心動力學與交互行為。通過固定飛行高度將運動約束至2D空間，仍能精確捕捉智能體交互與機動特征。（2）采用課程學習虛構自博弈機制，通過漸進復雜度提升作戰效能。（3）設計集成注意力機制、循環單元與參數共享的神經網絡架構，聯合訓練底層控制策略與高層指揮官策略。（4）針對深度學習系統黑箱特性與科學評估風險，通過分層組件解析實現決策可解釋性。

第2節綜述前沿進展并闡明本研究對現有文獻的拓展；第3節介紹飛行器模擬器基礎特性與MARL原理；第4節闡述空戰對抗場景及訓練流程；第5節呈現實驗結果；第6節討論結論與未來研究方向。

隨著美軍持續全球部署，其加大了在嚴酷環境下的醫療支持。遠程醫療支持的應用增強了滿足此類需求的能力。有效實施遠程醫療援助需依賴衛星通信，并常需借助民用服務供應商。本研究評估結合虛擬專用網絡（VPN）安全與隱私增強的衛星通信網絡效能，測試IPsec、OpenVPN與Wireguard三種協議在地球靜止軌道衛星供應商Viasat與低地球軌道衛星供應商Starlink上的性能影響。研究發現：VPN部署對延遲產生小幅但持續影響，對包間延遲變異（IPDV）影響可忽略；VPN應用導致吞吐量下降（尤以下行吞吐量顯著）。具體而言，OpenVPN對吞吐量影響最大，Wireguard提供最高總吞吐量，IPsec性能最穩定，推薦用于企業級應用。

多數戰區缺乏地面互聯網或蜂窩網絡等基礎設施。本研究資助方——空軍研究實驗室（AFRL）正針對軍事行動遠程醫療需求應對此現狀，重點關注南太平洋與北極區域。地面互聯網服務供應商（ISP）及其基礎設施可能滯后于普及水平，或根本不存在。這種基礎設施缺失（多數人視其為理所當然）促使衛星通信成為填補缺口的關鍵手段[2]。遠程醫療效能與網絡性能直接相關，通信系統須滿足遠程醫療應用最低需求。本研究基于文獻[3]成果（直接比較Starlink與Viasat在遠程醫療應用中的性能），評估常見VPN協議對此類系統的影響并權衡利弊，旨在支持嚴酷環境下高效遠程醫療目標。遠程醫療使部署醫務人員（通常訓練有限）能夠實施高風險或需重大后勤支持的醫療操作。此類支持稱為"實時臨床支持（RTCS）"[4]，其利用全球專家資源為部署于嚴酷環境的醫療人員提供監督指導。

文獻[3]表明，低地球軌道（LEO）衛星服務總體優于地球靜止軌道（GEO）衛星服務（尤其在協議針對LEO運行特性優化時），但未專門探討安全性特征。本研究旨在相同網絡條件下開展類似測試，引入不同VPN協議作為增強安全性的可選方案。當軍用通信衛星不可用時，此方案將尤其有益。

遠程醫療需求是軍事全球部署與當地醫療人員匱乏的直接產物。衛星技術普及使得部署基礎訓練醫務人員成為可能，同時由少數經驗豐富專家提供后方支援。這種分布式模式使少量全科醫療人員能服務同等數量病患。醫療信息處理需重點考量患者隱私與安全性，對全部流量施加VPN協議是可行解決方案，但該方案亦引入額外開銷。本研究量化衛星通信疊加VPN對遠征遠程醫療的影響，預期其網絡性能影響與地面網絡部署相同VPN協議時類似。為此構建典型遠程醫療測試網絡，配置VPN并選取網絡性能指標，通過標準化測試方法采集數據，分析各VPN協議影響程度。

本研究主要基于文獻[3]對Starlink與Viasat支持遠程醫療的效能分析，新增IPsec、OpenVPN、Wireguard三種常見VPN協議，測試衛星通信鏈路疊加VPN的可行性。測試方法部分借鑒文獻[5]——其使用iperf3程序與亞馬遜云服務（AWS）（但受AWS限制），本研究將采用AWS搭建VPN服務器，iperf3進行吞吐量測試。文獻[5]旨在對比Wireguard與OpenVPN性能，發現Wireguard在多核設備表現更優（因測試版OpenVPN無法利用多核），且研究在Wireguard未集成至Linux 5.6內核前完成。

文獻[6]基于Linux商用硬件對比IPsec、OpenVPN、Wireguard性能，在40 Gbit/s網絡（遠超本研究吞吐量）中發現Wireguard在高吞吐場景潛力最大，但Linux網絡棧引入顯著開銷。該研究采用MoonGen而非iperf進行測試。盡管硬件環境不同，本研究預期衛星鏈路影響外結果趨勢相似。文獻[7]對比兩版Wireguard與多配置IPsec、OpenVPN，發現Wireguard連接最快但吞吐最低、延遲最高，IPsec綜合最優。差異主因或是其采用支持AES-NI指令集的硬件加速（本研究未啟用），且iperf v2.0.10單線程成瓶頸。

??論文結構??

本論文共五章。第二章概述遠程醫療、衛星通信、VPN及待評估網絡性能指標。第三章詳述遠征遠程醫療測試方法，涵蓋網絡需求與測試環境構建。第四章闡述測試流程與結果，含數據分析。第五章總結研究成果，提出應用建議與未來研究方向。

隨著無人駕駛飛行器（UAV）日益成為監視和偵察（S&R）行動不可或缺的一部分，其易受網絡威脅的特性給行動的完整性帶來了巨大風險。當前的網絡安全協議往往無法解決無人機行動在監視和偵察（S&R）環境中的獨特脆弱性和挑戰，凸顯了專門網絡安全戰略的空白。本研究采用 MITRE ATTACK 框架來加強網絡安全方法，保護無人機免受不斷變化的網絡威脅。本論文通過基于場景的分析，將現有漏洞與綜合戰術、技術和程序（TTPs）進行映射。假設和實際的 S&R 操作案例研究證明了建議的網絡安全策略的適用性，驗證了這些策略在減輕特定威脅方面的有效性，以及制定更具體的網絡安全協議的必要性。研究結果提倡在無人機網絡安全方面不斷創新并保持警惕，這有助于保護執行 S&R 任務的無人機，并強調了無人機操作中網絡安全挑戰的動態性質。

本論文要解決的核心問題是，在 S&R 場景中運行的無人機在專門的網絡安全戰略方面存在巨大差距。本研究利用 MITRE ATTACK 框架，致力于發現和設計增強型網絡安全方法，以保護無人機在執行 S&R 任務中的重要貢獻，抵御不斷變化的網絡威脅。本研究對 S&R 領域無人機面臨的普遍網絡安全漏洞進行了深入研究。這項研究旨在將這些漏洞與 MITRE ATTACK 框架中概述的綜合戰術、技術和程序（TTPs）進行映射。為了驗證所提出的網絡安全策略的有效性和適用性，論文將結合模擬 S&R 行動的案例研究。假設和實際場景說明了如何根據 MITRE ATTACK 框架調整和應用網絡安全措施，以減輕不同 S&R 環境下的特定網絡威脅。納入這些場景旨在闡明在基于無人機的 S&R 行動中制定嚴格的網絡安全措施所面臨的現實挑戰和可行性，為此類協議在實際環境中的執行和有效性提供重要見解。

本文共分六章。第 2 章包括無人機在各種監視和偵察任務中的一般使用背景、有關 MITRE ATTACK 框架的信息、在監視和偵察任務中使用無人機的研究文獻綜述以及無人機和 S&R 場景中的網絡安全狀況。第 3 章分析了對無人機的常見網絡攻擊，研究了這些威脅對任務的影響，并討論了對監視和偵察任務中的無人機的潛在影響。第 4 章重點介紹 MITRE 框架，通過該框架確定相關戰術、技術和程序 (TTP)，并在 S&R 行動中制定緩解策略。第 5 章探討了假設和實際案例研究，在各種 S&R 場景中實施該框架。最后，第 6 章回顧了使用 MITRE 框架的局限性和挑戰，總結了主要發現，并給出了一些最終想法。

由于全球定位系統在室內容易受到干擾和失去覆蓋范圍，因此在全球定位系統缺失的環境中進行可靠導航仍然是自主無人系統面臨的一項挑戰。本研究通過將卷積神經網絡（CNN）與視覺傳感器集成，研究如何在不依賴 GPS 的情況下實現實時姿態估計，從而解決無人地面車輛（UGV）面臨的這一挑戰。針對位置和航向估算實施了雙 CNN 架構，并在具有相應姿態的大量圖像數據集上進行了訓練。通過與改進的勢場算法集成，實現了周期性漂移估計和校正。其中一個主要貢獻是用于漂移校正的世界表示調整方法，該方法可根據 CNN 估計值動態調整航點位置。利用這種方法，在受控環境中實現了連續多圈的成功導航，大大提高了沒有漂移校正的基線性能。這項研究的結果表明，通過這種方法可以大大降低自主導航系統對全球定位系統的依賴性，從而有可能提高無人系統對電子戰戰術的應變能力，使其能夠在有爭議的環境中持續運行。

美海軍部（DON）無人作戰框架強調了海軍部 “投資于先進自主和無人系統 ”的承諾。隨著這些技術的進步和實施，無人系統對可靠定位能力的依賴程度也在增加。然而，在干擾和欺騙等電子攻擊成為普遍威脅的有爭議環境中，期望全球定位系統（GPS）成為可靠的定位手段變得不那么可行。此外，在室內環境或衛星能見度有限的區域工作時，GPS 的可靠性也會降低。隨著無人駕駛系統的使用日益增多，在 GPS 無法使用或不可靠的情況下，有必要提供替代解決方案。

隨著無人駕駛系統的分布越來越廣，相互連接越來越緊密，GPS 拒絕或欺騙所造成的脆弱性也隨之加劇。定位中的單點故障會產生連鎖效應，降低整個系統的能力并增加風險。因此，為自主輪式無人飛行器探索可靠、精確的導航技術至關重要，這種技術可在 GPS 信號被屏蔽的環境中有效運行，確保無人駕駛行動在有爭議的復雜場景中繼續取得成功。

這項研究旨在為在室內環境或 GPS 信號不可靠或不可用的地區運行的無人潛航器開發一種穩健的導航解決方案。該方法將利用兩個主要來源的數據：車輪編碼器和視覺傳感器。車輪編碼器數據將使用死算模型進行處理，而 CNN 將用于分析視覺傳感器數據。通過將這些技術相結合，該系統將實現無需 GPS 的同步自主導航。這種方法的一個關鍵方面是實時激活 CNN，CNN 可以解釋環境的獨特特征，并相應地引導 UGV。

這項研究的范圍包括利用深度學習技術為 UGV 開發無 GPS 定位和導航解決方案。將通過 P3-DX Pioneer 機器人系統在室內實驗室環境中使用模擬 UGV 進行廣泛的驗證和測試。不過，某些領域被認為不屬于本研究的范圍。其中包括路徑規劃算法的開發，因為車輛將使用現有的反應式自主方法。此外，除視覺數據外，也不會考慮探索其他傳感器模式。研究重點將不是在有移動障礙物的高動態環境中進行導航。預計面臨的主要技術挑戰是優化計算時間以實現實時性能、減少長時間漂移以及在激烈機動過程中保持定位精度。在項目限制條件下，將盡可能利用和調整現有技術和算法，以最大限度地提高魯棒性。

本論文共分五章，每一章都側重于研究的一個特定方面。第 2 章：“背景 ”通過介紹和解釋與論文工作相關的基本概念，為研究奠定了基礎。本章包括對該領域現有文獻的全面回顧，重點介紹了當前的技術，并指出了本研究要解決的差距。

第 3 章：“方法與實驗設計 ”介紹了論文工作中采用的方法和手段。它詳細描述了實驗中使用的硬件組件和實施的具體算法。本章還討論了實驗設置、數據收集過程以及用于評估所提解決方案性能的評價指標。

第 4 章：“結果與分析 ”主要評估本研究中開發的 CNN 的性能。本章介紹了獲得的實驗結果，并對結果進行了深入分析。本章還包括圖表等可視化內容，以支持對結果的解釋。本章討論了所提方法的優勢和局限性，并將結果與文獻中的現有方法進行了比較。

第 5 章：“結論與未來工作 ”總結了論文研究的主要發現和貢獻。本章強調了這項工作的意義及其對自主導航和定位領域的潛在影響。此外，本章還確定了未來的研究領域，并為進一步改進和擴展所提出的方法提供了建議。

最后，為簡潔起見，“UGV ”和 “機器人 ”這兩個術語在本論文中交替使用。

圖 3.8. 增強型數據存儲過程的可視化表示，這是 CNN 訓練的準備階段。這既減少了圖像所需的存儲空間，又為 CNN 訓練過程保持了適當的預期輸出響應。

美海軍陸戰隊缺乏準確訓練部隊在對抗性電磁頻譜（EMS）內作戰的基礎設施。本文通過開發和原型設計一種工具來解決這一問題，該工具可實時捕獲實時頻譜數據并將其集成到建設性模擬中，從而在訓練期間提供逼真的反饋。研究重點是利用實時、虛擬和建設性環境原則、開源軟件、軟件定義無線電、商用硬件和 Battlespace Simulations公司的現代空戰環境模擬創建一個原型系統。在分布式仿真工程和執行過程框架前三個步驟的指導下，本文詳細介紹了開發原型的系統方法。該原型通過軟件定義無線電捕捉實戰單元特征并將其集成到電子戰（EW）模擬中，從而創建了一個逼真的訓練環境。這種創新方法解決了重大的訓練難題，增強了訓練效果，使海軍陸戰隊能夠在模擬 EW 場景中進行有效訓練。研究的一個關鍵方面是驗證原型是否能夠利用實時 EMS 數據激發建設性的 EW 場景。這項研究為提高 EMS 訓練能力提供了一個基礎性解決方案，使部隊為未來以 EMS 為主導的沖突做好更充分的準備。

第一章概述了整篇論文的結構化信息流，詳細介紹了各章如何應對核心挑戰，以及在有爭議的 EMSE 中加強小單元訓練的解決方案。論文的編排旨在提供一個全面的理解，從背景開始，以基礎概念奠定基礎，通過概念模型的開發，詳細介紹最小可行產品（MVP）、訓練頻譜捕獲工具（TSCT）的創建，最后總結研究結果和未來工作建議。

第二章--背景。本章討論了 EMS 所面臨的挑戰和復雜性。它解釋了 EMS、EMSO、EW 以及小單元目前在有爭議的 EMS 中面臨的威脅。這些基礎性信息為后續章節奠定了基礎，探討了創建真實訓練場的主要障礙，這些訓練場可以復制未來有爭議的 EMS 環境。本章強調了小型單元了解并在有爭議的 EMS 環境中行動的關鍵需求，強調了開發訓練場以提高其在未來沖突中的殺傷力和生存能力的重要性。

第三章--通過 DSEEP 建立概念模型。本章圍繞 “分布式仿真工程與執行過程”（DSEEP）的前三個步驟，記錄了利用電子戰仿真和頻譜捕獲開發訓練場工具的過程。第 1 步-確定仿真環境目標包括論文的初步規劃，概述 EW 訓練中需要通過仿真解決的問題。第 2 步-進行概念分析，包括詳細設計和制定所需的仿真環境和工具要求，以支持目標的實現。步驟 3-設計仿真環境，重點是詳細規劃仿真系統和集成仿真環境。這種系統化的方法可確保訓練場的開發過程徹底有效。

第四章-訓練頻譜捕獲工具。本章詳細介紹了 “訓練頻譜捕獲工具 ”的流程和設計。它概述了利用模擬和實時注入這些模擬的方法，為準確構建逼真的實時 EW 場景奠定了基礎。通過將 TSCT 與 EW 模擬集成，本章展示了如何捕獲實時頻譜數據并用于激發建設性 EW 模擬。

第五章--結論與未來工作。本章對論文進行了總結，包括主要發現和應用經驗教訓的建議。它強調了 TSCT 在訓練場景中的潛在應用，并概述了對未來研究工作的建議。本章強調了繼續開發和測試的重要性，以完善 TSCT 并提高其在小分隊訓練中的實用性，確保海軍陸戰隊能夠更好地應對在有爭議的 EMS 中作戰的挑戰。

無人水面艦艇（USV）通常依靠全球定位系統（GPS）和射頻（RF）通信進行導航和多車協調。在戰時環境中，全球定位系統和無線電信號屏蔽對 USV 的有效導航和控制提出了挑戰。本論文研究了使用低成本人工智能（AI）立體相機作為傳感器，實現 USV 的無 GPS 和 RF 導航與協調。這些相機還可用于對水面船只進行分類和定位。我們使用安裝在多艘 Mokai USV 上的 OAK-D AI 攝像機進行了實驗。對神經網絡 (NN) 模型進行了訓練，以識別兩個對象類別：Mokai USV 和其他船只。利用開源 Python 庫，該模型被直接加載到攝像頭上，并集成到機器人操作系統 (ROS) 軟件中，以提取檢測到的物體的相對姿態信息。為了分析該模型的有效性，我們在未見過的視頻上以及使用 Mokai USV 和其他水面艦艇進行的現場實驗中對 NN 進行了測試。將攝像機估計的物體定位與在實驗室環境中通過物理驗證收集的物體地面實況位置進行了比較。最后，還探討了特定相機硬件和立體視覺在此應用中的局限性，以評估其進一步開發的可行性。

本文旨在分析人工智能（AI）在遠征先進基地作戰（EABO）中的應用，重點是作戰和后勤行動。使用 Atlatl 作為模擬引擎，在模擬待命部隊在兩棲環境中分布式作戰所面臨挑戰的場景中測試了多個智能體。測試了每種人工智能在軍事行動臨界值以下開展維持行動的能力，以及在越過臨界值時抵御兩棲攻擊的能力。就腳本智能體而言，事實證明，根據聯合作戰方法對行為進行調整可創造出生存能力更強的人工智能，同時保持其殺傷力水平。就建立在神經網絡基礎上的智能體而言，由于問題的規模和范圍，其性能受到了限制，可能需要進行更多的研究才能顯示出顯著的效果。這項研究是繼續開發 EABO 概念的探索工具，可為繼續完善操作概念提供反饋。

本文屬于建模、虛擬環境和模擬領域。具體來說，它分析了在作戰模型和模擬中使用人工智能（AI）來評估未來潛在沖突場景中的作戰概念。戰爭游戲和模擬為行動的發展提供了寶貴的反饋，檢驗了我們對特定場景下所面臨的環境和挑戰的理解。2019 年，美國（U.S. ）海軍陸戰隊（USMC）發布了新的指南--指揮官規劃指南，將重點轉向圍繞中國在南太平洋帶來的挑戰而開展的防御工作，從而提出了遠征先進基地行動（EABO）的概念（Berger，2019 年）。隨著重點的轉移，有了一個新的機會，可以對我們的概念和想法進行兵棋推演，評估那些能提供最廣闊成功之路的概念和想法。

在軍事領域，兵棋推演的目的是對想法進行分析，找出行動方案的優缺點，進一步完善最終方案。通過在 EABO 兵棋中引入人工智能，可以對概念進行更深入的分析，從而在行動發展過程中獲得更精細的反饋。一旦捕捉到這些數據，對其進行研究就能進一步促進對 EABO 的探索，檢驗我們對過去和未來軍事模擬在同一領域的判斷，并提供信息，幫助圍繞 EABO 和其他目標行動繼續開發人工智能能力。具體來說，通過了解現有人工智能體在場景驅動模擬中的行為，我們可以評估和推斷人工智能可能如何應對更廣泛的模擬（圍繞一個主題場景提出類似的挑戰），以及如何改進人工智能以更好地在其中使用。

在有環境因素的城市區域內安全有效地使用四旋翼飛行器，對美國軍事和民用部門具有巨大的重要性。本技術報告探討了一個高度適應性的模擬設置，其中有一個包含學習元素的非線性控制器。其他模型因素--如無人機的幾何形狀、權重和風的力量--在所提出的框架內很容易被修改。用虛幻引擎進行的模擬，可以結合現實世界的城市數據、現實的風和現有的開源軟件。

引言及與美國陸軍的相關性

無人系統和無人駕駛航空系統（UAS）的使用在全世界的軍隊中激增，在通信、監視、偵察和戰斗中都有應用（Nacouzi等人，2018）。在敵對地區，無人機系統將受到多種威脅，包括網絡和物理威脅，以及環境危害。生存和任務的成功往往取決于以最小的通信或依賴全球導航衛星系統（GNSS）的能力，如GPS（Guvenc等人，2018；Sathyamoorthy等人，2020；Fan等人，2022）。例如，無人機系統的通信可用于檢測和獲得無人機系統的位置，而基于衛星的導航很容易被欺騙或干擾，因為信號非常弱。其他傳感器也經常被用來增強GNSS的位置分析，并可以用來取代它，如光學系統--包括照相機、雷達、光探測和測距（LiDAR）系統和慣性測量單元（IMU）（Angelino等人，2012）。這些都提出了自己的挑戰。慣性測量單元是標準設備，但只能檢測線性和角加速度，同時通過檢測地球的局部磁場來確定方向（共9個自由度）。因此，位置誤差，即測量的加速度的第二個時間積分，會隨著時間的推移而累積。在使用IMU進行UAS導航時，其他令人擔憂的來源包括環境影響（即風或降水）。 UAS結構的物理變化，如增加一個傳感器或武器包，包括武器發射后的變化，使工作進一步復雜化。這種質量和質量分布的變化改變了UAS的質量中心和慣性張量。光學傳感器、雷達和LiDAR系統增加了重量，并經常發射射頻或光，使它們更容易被探測到和/或需要處理資源。增加的重量和/或處理可能對電池壽命產生不利影響，從而影響運行時間和整體可靠性。

為了解決這些問題，我們正在研究在大風環境中使用控制算法，以了解IMU信號如何在控制中被用來考慮（和/或改變）UAS的位置計算。再加上不確定性措施，這些最終可用于檢測UAS飛行性能的變化，或對GNSS信號的欺騙。

城市環境是安全和可靠的無人機系統運行的第二個關注領域（Watkins 2020）。它們被認為是國防部行動的一個挑戰領域，也是政府和商業服務的一個巨大的技術增長領域。在這份報告中，我們展示了一個模擬空間，我們正在建立專門用于模擬城市環境中的無人機系統，以解決自主和半自主控制的問題，重點是環境的相互作用，包括風和靜態碰撞威脅。物理學和控制的關鍵部分直接用C++實現。除此之外，在可能的情況下，我們正在利用當前的免費和開源資源（即軟件、軟件框架和數據），但要注意的是，我們包括使用一些在產品商業化成功后需要付費的工具。我們采取了一種模塊化的方法，隨著其他軟件框架和系統的成熟，將能夠靈活地過渡到其他軟件框架和系統。我們目前的系統已經基于用于小型無人機系統的PX4控制器庫和實時發布-訂閱（RTPS）數據傳輸協議。RTPS應能使我們的發展在其他工具成熟時過渡到其他工具，并使用通用的應用編程接口（即API）過渡到其他工具和數據，如計算的風數據。對于圖形和用戶界面，我們使用虛幻引擎（UE）（Matej 2016），這是一個游戲引擎，提供最先進的圖形功能和我們的模型中使用的一些物理學--最重要的是無人機系統和其環境之間的碰撞檢測。

第2-4節詳細介紹了整個模擬的主要計算部分：納入現實世界的城市數據，生成現實的風模型，無人機的幾何和物理建模，以及線性和非線性控制。我們對整體模擬的這些主要部分中的每一個都依賴開源軟件，如UE、OpenStreetMap（OSM）（Anderson等人，2019年）、Mapbox和AirSim（Shah等人，2017年），并根據需要詳細說明（見圖1；例如，真實城市的模型導入游戲引擎中）。第5節和第6節提供了樣本結果和結語。

圖1 將城市數據納入UE進行大規模模擬的兩個例子。伊利諾伊州的芝加哥（上）；弗吉尼亞州的水晶城（下）。這兩張圖片都是使用開源工具創建的，將開源的Mapbox城市數據導入UE中。