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

本文介紹了一種新方法，用于在受到入侵移動物體威脅的自定位無人機群中實現快速規避。受自然自組織系統的啟發，本文提出的快速集體規避方法可使無人飛行器群避開主動接近該群體的動態物體（干擾者）。所提技術的主要目標是使無人機群快速、安全地逃離近距離發現的干擾者。這種方法的靈感來源于某些動物群體的集體行為，如魚群或鳥群。這些動物利用其傳感器官的有限信息和分散控制來實現可靠而有效的群體運動。本文介紹的系統旨在執行具有大量智能體的無人機群的安全協調。與自然蜂群類似，該系統在整個群體中傳播關于檢測到的干擾者的快速沖擊信息，以實現動態和集體規避。所提議的系統是完全分散的，僅使用機載傳感器來相互定位智能體和干擾者，類似于動物完成這種行為的方式。因此，蜂群智能體之間的通信結構不會被每個個體的狀態（位置和速度）信息所淹沒，而且對通信中斷也是可靠的。對所提出的系統和理論進行了數值評估，并在實際實驗中進行了驗證。

圖 1：利用蜂群原理和本文中使用的視覺相對定位技術，在沙漠沙丘上方穩定了一個小型無人機群。

本文論述了無人飛行器（UAV）日益重要的意義，以及無人飛行器群在各個領域協同作戰的出現。然而，無人飛行器群的效能可能會受到干擾技術的嚴重破壞，因此必須采取強有力的抗干擾策略。雖然人們已經探索了跳頻和物理路徑規劃等現有方法，但無人機群在干擾者位置未知時的路徑規劃研究仍是空白。為解決這一問題，提出了一種新方法，即無人機群利用集體智慧預測干擾區域、躲避干擾并高效到達目標目的地。這種方法利用圖卷積網絡 (GCN) 根據從每個無人機收集到的信息預測干擾區域的位置和強度。然后采用多智能體控制算法分散無人機群，避開干擾，并在到達目標后重新集結。通過模擬，證明了所提方法的有效性，展示了對干擾區域的準確預測，以及通過避障算法成功規避干擾，最終實現任務目標。所提出的方法具有魯棒性、可擴展性和計算效率，適用于無人機群在潛在敵對環境中工作的各種場景。

圖 1：模擬環境概覽：(a) 由六架無人機組成的多無人機以三角形編隊飛向目標的情況；(b) 如圖 1(a)所示，但從地面上看情況與圖 1(a)相同。干擾區域表示受干擾器發射的干擾信號影響的區域。在干擾區域內，干擾信號的強度會對無人飛行器的通信狀態產生重大影響，在靠近中心的位置觀察到的影響更大。

本文介紹了一種為戰場環境量身定制的動態三維場景感知創新系統，該系統利用配備雙目視覺和慣性測量單元（IMU）的無人智能體。該系統處理雙目視頻流和 IMU 數據，部署先進的深度學習技術，包括實例分割和密集光流預測，并通過專門策劃的目標數據集加以輔助。通過集成 ResNet101+FPN 骨干進行模型訓練，作戰單元類型識別準確率達到 91.8%，平均交叉比聯合（mIoU）為 0.808，平均精度（mAP）為 0.6064。動態場景定位和感知模塊利用這些深度學習輸出來完善姿態估計，并通過克服通常與 SLAM 方法相關的環境復雜性和運動引起的誤差來提高定位精度。

在模擬戰場元環境中進行的應用測試表明，與傳統的 ORB-SLAM2 立體方法相比，自定位精度提高了 44.2%。該系統能有效地跟蹤和注釋動態和靜態戰場元素，并利用智能體姿勢和目標移動的精確數據不斷更新全局地圖。這項工作不僅解決了戰場場景中的動態復雜性和潛在信息丟失問題，還為未來增強網絡能力和環境重建方法奠定了基礎框架。未來的發展將側重于作戰單元模型的精確識別、多代理協作以及三維場景感知的應用，以推進聯合作戰場景中的實時決策和戰術規劃。這種方法在豐富戰場元宇宙、促進深度人機交互和指導實際軍事應用方面具有巨大潛力。

多年來，人工智能一直被用于改進信號情報的收集和分析，但本文探討了生成式人工智能可為戰略情報分析人員執行的一系列任務。文章認為，將生成式人工智能融入情報評估的最穩妥做法是作為人類分析師的 “副駕駛員”。盡管存在不準確、輸入偏差和 “幻覺 ”等問題，但生成式人工智能可以解放時間不足的分析人員，讓他們專注于人類最有價值的任務--運用他們的專業知識、隱性知識和 “現實感”。

人工智能（AI）是無法回避的。我們每個人每天都直接或間接地與它打交道。除了柯潔在圍棋比賽中輸給谷歌的 AlphaGo 這樣的偶然拐點之外，人工智能幾乎沒有大張旗鼓地滲入社會。但現在，圍繞人工智能的爭論非常突出。這主要與用戶友好型生成式人工智能軟件的發布和廣泛采用有關，其中最著名的是 ChatGPT 和 Google Bard。這些功能強大的程序潛力巨大，許多評論家認為它們的影響堪比另一場工業革命。的確，將人工智能應用到各個領域，尤其是醫學領域，可能會帶來革命性的變化；但同樣，它也會帶來巨大的潛在風險--安全、經濟、社會和文化風險。首相蘇納克（Rishi Sunak）希望英國能掌握這個等式的兩面：在人工智能監管和安全方面引領世界，11 月在布萊切利公園舉行的人工智能安全峰會就是一個標志；同時也要抓住這項技術帶來的機遇。八十年前，布萊切利公園的前主人--密碼破譯員、語言學家、數學家和工程師--曾與英格瑪機器搏斗并開創了計算技術的先河。本文關注的是生成式人工智能為他們在情報界的繼承者，特別是那些專注于情報評估技術的繼承者帶來的機遇和挑戰。文章認為，生成式人工智能有可能極大地補充分析工作。但就目前而言，它最有用的應用是作為輔助工具、副駕駛員，它有可能極大地增強分析人員的工作，但也應謹慎使用。

情報與技術是一對老朋友。幾十年來，它們彼此推動著對方的發展。這一點在電子和計算機領域體現得最為明顯。在秘密行動中，情報機構推動了技術的發展。它們還經常是新技術的早期采用者，利用新技術開發、維護和增強能力。畢竟，適應性是成功情報機構的標志之一。英國皇家情報總部成功地從模擬機構轉型為數字機構，如今甚至將自己定位為 “情報、安全和網絡機構”。人工智能已經以多種方式補充了情報工作。各國經常使用人工智能增強系統來協助收集情報。許多在秘密領域工作的私營部門承包商也在人工智能領域大顯身手。由人工智能軟件支持的閉路電視攝像網絡被廣泛用于識別和追蹤城市環境或恐怖風險較高地區（如火車站）的個人或物體。這種技術也為專制政府提供了無與倫比的機會來壓制不同意見或異議，新疆和其他地方的情況就說明了這一點。除數據收集外，這項活動的大部分內容還涉及更輕松、更高效地對數據進行鑒別或選擇，從而為時間有限的分析人員的工作提供便利，因為他們需要評估這些數據的含義。人工智能被廣泛應用于翻譯、將截獲的互聯網流量減少到可控水平、語音識別或在開放的互聯網上搜索對象的協會和聯系人等費力的任務。在英國，INDEX 系統允許分析人員在政府和外部報告中進行搜索。核心信息可以通過自然語言處理系統提取和匯總。但是，正如剛剛退休的英國聯合情報委員會主席西蒙-加斯（Simon Gass）爵士在今年 6 月指出的，“我們正處在這個階段的山腳下”。

需要將生成式人工智能和大型語言模型（LLM）整合到情報評估的正常業務中。簡單地說，生成式人工智能是指 “能夠根據訓練數據生成高質量文本、圖像和其他內容的深度學習模型”。這些技術已經在國防和情報領域受到高度重視。英國國防部國防創新總監約翰-里奇（John Ridge）最近指出，“我們可以肯定的一點是，這類能力將是絕對關鍵的”。這些能力是革命性的，還是只是情報工作的另一個發展階段，還有待觀察。但它們改變商業模式的潛力是顯而易見的。前幾代人工智能主要集中在更有效地收集數據和更有效地整理擺在民間和軍事情報分析師面前的材料上，而生成式人工智能則展示了承擔迄今為止只有人類分析師才能完成的任務的潛力。基于 LLM 的工具（如 ChatGPT）的主要賣點是，它們可以對問題或命令形式的提示做出響應，并利用現有材料在特定參數范圍內做出響應。或者換一種說法，可以命令它們按照特定規格撰寫類似人類的報告，以計算機的速度，根據大量數據提出見解或作出推論。

從這個意義上說，情報分析和評估與其他以研究為基礎的工作領域處于類似的地位，它們可能（而且幾乎肯定會）受到干擾。這些領域包括醫療和法律行業，在這些行業中，根據有關特定主題的全部數字化文獻資料快速、清晰地編寫報告或文件的前景非常誘人。教育領域也受到了影響，其傳統模式正在被檢測機器生成的作品這一挑戰以及人工智能時代究竟什么才是合法研究這一更具哲學意義的問題所顛覆。盡管如此，在這些領域中的每一個領域，理論上都可以在很大程度上將曾經由人類完成的基本任務外包給機器，盡管需要保持謹慎的警惕。這樣做已經產生了令人印象深刻、有時甚至發人深省的成果，比如一篇關于 ChatGPT 對檢測剽竊行為的影響的學術論文，該論文已提交給同行評審的學術期刊，并被其接受，但這篇論文是用 ChatGPT “寫 ”出來的。不過，如果從各行各業廣泛采用 LLM 的軼事證據來看，人類分析師的日子還遠未到頭。在不久的將來，應將 LLMs 視為情報分析員的額外工具，是提高效率和效力的輔助工具。他們是 “副駕駛員”，可以評估論點、進行數據分析或校對，而不是潛在的替代者。就目前而言，在這些領域中的任何一個領域，要想以其他方式開展工作，風險都太大了。情報工作也不例外：在全球競爭的環境中，整合這些工具的必要性只會越來越強，但過快或魯莽行事顯然存在風險。審慎的做法是，情報評估機構利用人工智能增強人類分析師的能力，為他們創造更多的時間和空間，讓他們運用不可或缺的隱性知識和 “現實感”--以賽亞-伯林（Isaiah Berlin）所說的感同身受的理解是歷史解釋的一個關鍵特征--來理解全局。

令人欣慰的是，谷歌Bard也同意這一點。當被問及它能為情報分析帶來哪些好處時，該程序回答說，它可以執行許多有用的任務。這些任務包括收集信息、分析信息、生成報告、交流研究結果、提出情報需求、管理情報資源和監督情報行動，以確保它們符合法律和道德標準。但是，當被要求確定使用 LLMs 進行戰略情報分析的風險時，它指出："重要的是，要將機器的產出與情報分析結合起來： 重要的是要將機器輸出與人工分析和解釋以及對地緣政治環境的全面了解結合起來"。顯然，如果 “言聽計從”，該系統具有巨大的潛力。但在充分挖掘潛力之前，所有相關人員都需要考慮并解決幾個基本挑戰。

這些問題包括通常對 IT 網絡安全性和穩健性的擔憂，例如：確保集成軟件經過安全架構審查所面臨的挑戰、供應鏈風險的可能性、數據存儲的安全性、確保提交給任何系統的查詢都經過加密或不可能被敵方重建。其他值得注意的安全問題來自于大量的訓練數據、數十億個參數以及設計可行工具所需的訓練過程。目前，這項工作是在基于云的系統中進行的，因此除了常見的網絡安全問題外，還增加了數據主權問題。此外，為了最大限度地發揮其價值和效用，特別是在快速發展的情況下，LLM 需要經常或持續訪問互聯網。顯然，有必要將那些與開放互聯網保持聯系的系統與情報分析員處理更敏感材料和制作情報評估產品的封閉、保密網絡分開。

上述問題都不是不可克服的，但這些挑戰突出表明，必須有條不紊地解決這一問題，協調政府各相關機構利益攸關方，以成功實施這一至關重要的信息技術項目。這些挑戰也并不都集中在如何確保系統不被敵對勢力破壞上。還需要考慮監管問題。事實上，大衛-安德森（David Anderson）勛爵在上議院關于人工智能的辯論中指出，"在一個人人都在使用開源數據集來訓練大型語言模型的世界里，英國信息中心受到了《調查權力法》第 7 部分的獨特限制。這些限制'在某些重要情況下影響了英國信息中心的靈活性，影響了它與商業伙伴的合作，影響了它招聘和留住數據科學家的能力，并最終影響了它的效率'。

只要能找到令人滿意的解決方案，LLM 對分析師工作的許多方面都極為有用。其中包括較為傳統但費力的任務，如作為研究助理，就特定主題（如國際爭端的背景）提供近乎即時的不同長度和細節的摘要，或構建時間軸、撰寫簡介、總結或分析冗長的文本，或（假設版權和訂閱問題得到解決）將最新的學術著作納入其中。雖然第一批LLM是在英語語料庫中接受培訓的，但目前開發多語言模型的工作進展順利。當然，鑒于已發現生成式人工智能生成的回復在準確性和完整性方面存在問題，任何此類產品都必須經過主題專家的檢查，類似于跨白廳當前情報小組系統。這可能會提高穩健性和效率，并隨著時間的推移，促進機構學習和流程改革。

但潛力顯然不止于此。生成式人工智能還可以包括更先進、更重要的工作。例如，分析師可以使用 LLM 來審查和驗證他們的書面報告，從而增強現有的分析流程和產品審計程序。例如，可以要求提供任何對關鍵判斷提出質疑或證偽的數據；查詢長期以來生成的報告，以確定已成為傳統智慧的假設；或使用工具生成 “紅隊 ”評估。從理論上講，這種能力可以在幾個方面幫助分析人員識別或根除導致情報失敗的某些偏見因素，并確保報告盡可能是最新的。不難想象，這些工具的提供和適當使用將如何提高分析界的速度、影響范圍和批判性地反思其行為和業績的能力。

目前這一代 LLM 也可以撰寫報告或評估報告。將此類寫作任務的早期起草階段外包給一個工具，可為資源和時間貧乏的情報分析員創造經濟效益。毫無疑問，謹慎采用 LLM 是有道理的。但這項技術仍然有限，需要認真監測。這些局限性帶來了風險，這一點在 2023 年大眾廣泛嘗試使用 LLM 之后已經得到證明和充分記錄（在 META 推出 Threads 之前，沒有任何應用能像 ChatGPT 那樣迅速得到采用，該應用在推出后五天內用戶就達到了 100 萬）。對于情報分析師及其產品的接收者來說，其中許多挑戰都是非常棘手的。其中包括對這些工具所提供信息的準確性和可靠性的擔憂。這些系統非常善于生成似是而非的文本、聲明和結論。但這些可能在現實中沒有任何依據，甚至在建立 LLM 的訓練數據中也沒有任何依據。這種 “幻覺 ”已被廣泛觀察到；在學術工作中，經常出現的 “幻覺 ”是生成不存在的資料來源（例如，引用聽起來很有道理但實際上并不存在的網頁）來支持生成的主張。這究竟是 LLM 的一個特點還是一個缺陷，還存在爭議。無論如何，這都對采用 LLM 進行情報評估構成了重大挑戰。分析人員從這些工具中獲取材料并將其納入分析產品時，必須對基礎源數據進行系統檢查。因此，這項技術提出了一個悖論：一是節省時間，二是增加工作量。

與其他人工智能系統一樣，LLM 也會在其生成的任何內容中嵌入偏見。該系統的吸引力和潛力在于它有能力攝取和查詢大量資料--基本上是整個開放互聯網--但必然結果是，該系統也會攝取現有的偏見和廢話，這些偏見和廢話可能是關于特定主題的主流敘事，或者是關于特定主題的特定語言。同樣，毫無疑問，破壞性或惡意行為者會利用 LLM 快速、廉價地生成大量虛假信息并充斥網絡。毫無疑問，敵對行為者也會試圖毒害公共或專有 LLM。目前，大多數開放的生成式人工智能應用程序本質上都是黑盒子，這些系統不允許（或不會允許）用戶檢查它們得出特定判斷的過程。這是由于神經網絡依賴多層節點處理數據的本質所致。這種可觀察性的缺乏，再加上基于 LLM 的系統在可復制性方面的某種脆性--即它對準確提示措辭的依賴--帶來了風險和挑戰。事實上，鑒于在專業情報界對分析評估采用可審計程序的重要性，在這些工具被納入正常業務之前，這個問題構成了一個需要克服的重大障礙--或者說需要掌握的挑戰。正如在人工智能之前的時代一樣，結論必然需要由經驗豐富、訓練有素的人員進行檢查、驗證和整個過程的審計。

這些風險有可能被充分降低，使這些工具能夠相對迅速地融入分析流程。許多研究人員正在開發人工智能系統，以識別人工智能在各種情況下生成的內容，如學術論文或視頻文件。還有一些研究人員正在研究可審計的 LLM 系統；還有一些研究人員正在研究如何開發安全的系統，讓分析人員能夠在分類系統和開放的互聯網上進行搜索。但是，即使這些問題可以得到緩解，還有另一個根本性的問題，即這些系統是否只能是衍生系統，因為它們基本上完全建立在基于已有材料的計算模型之上。它們所提供的洞察力能否與任何接近 “想象力 ”的東西相匹配，還是說它們目前的貢獻仍將局限于語法和風格的練習，偶爾會出現幻覺？或者，換一種說法，他們可能會對某個問題進行極其（或表面上）合理的討論，但鑒于這些討論是根據一個統計模型得出的，該模型關注的是某個特定的詞或概念或 “標記 ”與另一個詞或概念或 “標記 ”相聯系的可能性，并以訓練材料為基礎，那么討論結果中是否會存在固有的保守主義或其他偏見？盡管如此，該領域的變化速度之快，即使預測其對情報評估的相對近期影響也充滿了不確定性，突出表明需要不斷審查該領域的發展。

雖然其他類型人工智能的貢獻已經得到證實，但對生成型人工智能的前景過于技術樂觀也會帶來風險。雖然這不是一個精確的類比，但美國情報界在 9/11 事件之前忽視人類情報（HUMINT）技能而青睞高科技的做法，應該為任何想把 LLM 的出現視為減少情報界人力的機會的人提供一個警示。選擇不當的捷徑會造成長期延誤。顯然，政府必須也必須與 LLM 打交道，必須不斷審查現有技術的效用，并愿意在這些系統得到驗證后擴大其使用范圍。但是，除了投資（擁有或使用）LLM，政府還應保留并加倍投資于人。在采用 LLM 的過程中，最大限度地提高效益和降低風險的一個關鍵因素將需要包括保持和發展對情報分析師的培訓，使他們能夠最好地利用這些強大的新工具。這可能包括專業途徑，培養一批善于將生成式人工智能融入分析實踐 “新常態 ”的官員，使他們能夠掌握現有系統，最大限度地發揮其效用，同時將其帶來的風險降至最低。但同時也應保持并優先培養主題和分析技術方面的專家，他們可以用經驗和智慧、隱性知識和人類特有的 “現實感 ”來補充生成式人工智能的巨大威力。在開展這項工作的同時，還應在政府內部（更不用說更廣泛的公眾）開展更廣泛的教育計劃，讓他們了解人工智能的用途和局限性。消費者，尤其是自詡為技術狂熱者和有遠見的 “深層國家 ”或 “小集團 ”的破壞者，應該仔細了解由于 LLM 的便利而繞過其分析機制的局限性和風險。世界不需要唐納德-拉姆斯菲爾德（Donald Rumsfeld）在伊拉克戰爭前的 “特別計劃辦公室”（ChatGPT）。就目前而言，將 LLM 衍生工具整合到分析流程中最合理的使用案例是，由經驗豐富、訓練有素的人類分析師作為 “副駕駛員”，嵌入到仍然樂于向消費者提供不受歡迎的消息的組織中。

本文研究了利用同時探測原理的無人飛行器群進行自主監控的模型。該模型可指定探測感興趣區域內感興趣物體所需的傳感器數量；只有指定數量的傳感器同時掃描，才能探測到物體。該模型計劃在監控行動期間部署蜂群中的單個車輛，以保證監控的最高質量；質量以行動期間所覆蓋的感興趣區域的百分比來衡量。此外，假設監控是在復雜的行動區域（包括城市環境、建筑密集區或地形非常不平坦的山區環境）進行的，在這些區域可能會經常出現由障礙物或地形造成的遮擋。為解決問題，提出了基于模擬退火的元啟發式算法。該算法部署了一定數量的航點，從這些航點進行監控，最大限度地提高監控質量，并考慮到同步檢測原則。該算法通過一組基于典型監控場景的實驗進行了驗證。

當代武裝沖突不同于二十多年前的武裝沖突。當代武裝沖突的最大特點之一是戰場局勢多變，來自不同來源的信息不計其數，可靠性也各不相同。此外，當代大多數行動都是在特定環境下進行的，如城市和集結區（西伯利亞、烏克蘭）等，這大大限制了普通的偵察和監視方式。這種環境需要新的方法來收集和處理所有必要信息，以支持軍事決策過程（營級及以上）或部隊領導程序（連級及以下）。

指揮官決策的關鍵步驟之一是監視。可以說，監視是一個持續的過程，始于計劃和決策過程。它為指揮官的決策提供關鍵信息。通常，偵察工作由部署在敵區縱深的特別小組進行。顯然，部署這樣一個或多個小組對他們的訓練和準備要求很高。此外，來自這些小組的信息流是延遲的，而且不必精確，這可能會對任務產生巨大影響。在當代行動中，無人駕駛飛行器（UAV）等新技術被用于收集幾乎在線的信息，為指揮官的決策提供支持。無人飛行器的使用對決策的速度和質量產生了巨大影響。此外，這種信息收集方式還能節省人力資源。有關這一問題的更多信息可參見文獻 [1-7]。

本文提出了使用小型無人機群（sUAV）進行自主監控的模型。目標是通過無人機群中的傳感器覆蓋盡可能大的感興趣區域。每架無人機都部署在行動區的準確位置（航點），監控感興趣區域的一部分。該模型還允許在需要多個傳感器檢測某些感興趣物體的情況下使用（進一步稱為同步檢測）。此外，假設監控是在復雜的行動區（包括城市環境、建筑密集區或地形非常不平坦的山區環境）中進行，障礙物或地形造成的遮擋可能會經常發生。

無數科學著作都在關注如何將無人機群用于多種目的。要解決無人機群進行偵察或監視等復雜問題，有幾個課題非常重要。此類任務的路徑規劃是關鍵問題之一。Yao 等人[8]提出了一種基于 Lyapunov 導向矢量場（LGVF）和改進干擾流體動力學系統（IIFDS）的混合方法，以解決多架無人機三維合作路徑規劃中的目標跟蹤和避障問題。Lamont 等人[9]設計并實現了無人機群的綜合任務規劃系統。該系統集成了多個問題領域，包括路徑規劃、飛行器路由和基于分層架構的蜂群行為。Shanmugavel 等人[10] 研究了同時到達目標的路徑規劃問題。

與無人飛行器有關的另一個關鍵問題是其可靠性和故障保護。軍事指揮官必須做好在任何意外情況下完成任務的準備。使用無人機群執行監視任務是一個非常重要的問題，關系到關鍵信息的精確收集。目前還沒有專門針對這一主題的科學著作，但有幾篇有趣的論文值得考慮。Triharminto 等人[11] 開發了一種三維移動目標攔截避障算法。該算法被稱為 L+Dumo 算法，整合了改進的杜賓斯算法和線性算法。可以對這種方法進行修改，以減少無人機無法完成監視任務的影響。Sampedro 等人[12]重點研究了可擴展的靈活架構，用于無人機群的實時任務規劃和智能體到任務的動態分配。所提出的任務規劃架構包括一個全局任務規劃器（GMP），負責通過一個智能體任務規劃器（AMP）分配和監控不同的高級任務，而智能體任務規劃器則負責向蜂群中的每個無人機提供和監控任務中的每個任務。Sujit 等人[13] 解決了在由靜態、彈出式和移動式障礙物組成的障礙物豐富環境中運行的多架無人機從給定起始位置到目標配置生成可行路徑的問題。彈出式和移動式障礙物環境中的路徑規劃系統為解決無人機群在復雜環境（包括建筑密集區或山區地形）中執行監視任務時出現的故障提供了靈感。

近年來，隨著機器人技術和電子技術的發展，無人駕駛飛行器（UAV）的體積越來越小，價格越來越低。由于無人飛行器易于購買和控制，人們開始越來越頻繁地使用它們。在本研究中，我們將從網絡的角度研究無人機群。一般來說，多架無人機可以組成一個蜂群網絡。每個無人機都是一個網絡節點。無人機之間的鏈接被視為網絡數據鏈路。在第 2 章中，我們將設計一種新穎的雙層 MAC： 我們將設計支持同步、并發多波束傳輸/接收的上層 MAC 層，以及與 802.11 兼容但充分發揮多波束天線優勢的下層 MAC 層；我們建議調整兩個 MAC 層的參數，以支持不同的任務優先級。在第 3 章中，我們為典型的機載網絡提出了一種吞吐量最優、異構（同時具有計劃通信和隨機通信）的介質訪問控制（MAC）策略。我們提出的 MAC 方案允許無人機使用上行/下行 MAC 方案與飛行器通信。我們的仿真結果表明，與傳統的 MAC 協議相比，性能有了顯著提高。在第 4 章中，我們針對機載網絡中的 MAC 設計問題提出了以下建議： (1) 長距離 Ku 波段鏈路。(2) 多波束天線。(3) 全雙工通信。我們的 MAC 設計具有 3ent 特性，即彈性、高效和智能。特別是，通過在每個波束中對流量進行編碼，它可以抵御干擾攻擊。此外，它還通過整合全雙工流量控制和多波束數據轉發實現了高吞吐量的通信。在第 5 章中，我們提出了一個采用 USRP-RIO 的多波束智能天線無線網狀網絡硬件測試平臺。我們測試了天線的方向性，實現了全雙工傳輸系統和中繼系統。此外，USRP還實現了MBSA的兩個重要特征CPT和CPR。

雖然蜂群機器人具有不同程度的自主性，但人類操作員在執行任務之前和期間指揮和控制蜂群仍然非常重要。因此，必須開發出對操作員來說直觀的人機交互界面，并能向大規模蜂群網絡中的飛行和地面機器人傳達準確的指令。此外，必須對蜂群收集的大量信息進行分類，并以減少認知負荷的方式呈現給用戶，以便用戶確定信息的相關性及其對任務的影響。在本文中，我們介紹了基于草圖和增強現實的界面，這些界面既可用于指揮和控制（C2）無人地面和飛行器，也可用于處理蜂群在現場收集的數據。這些界面在兩個實地實驗中進行了測試，實驗中部署了多個空中和地面機器人執行任務。最后，討論了現場實驗的結果、經驗教訓和未來工作領域。

表 1. 操作員可以執行的直觀草圖子集以及相應的策略，以便將其分發到蜂群網絡。

系統設計

設計了兩個界面，以評估在大規模飛行和地面蜂群的指揮和控制應用中使用高級用戶界面的情況。這些界面并不相互排斥，因為它們可以代表不同的操作員在不同的環境下執行相同的任務。第一個界面是一個基于草圖的系統，可收集用戶的二維數據，并將其轉化為蜂群網絡的指令。第二個界面利用增強現實技術在用戶手上再現二維平板電腦，并允許執行三維草圖數據。雖然這些界面是根據以前的研究（LaViola，2015；Sakamoto 等人，2009）中吸取的經驗教訓建立的，但它們被結合成一種獨特的多模式方法，用于指揮和控制大規模蜂群網絡。

用 python (pyc2) 編寫了一個集中式服務器應用程序，用于處理界面和蜂群網絡之間的數據分發。該系統還能跟蹤機器人的健康狀況和總體狀態，從而決定哪些機器人有能力共同完成任務。該接口是進入蜂群網狀網絡的通道，能夠向蜂群發布任務，由各個機器人競標完成。

將詳細介紹這兩個界面向操作員傳遞信息的能力，以便操作員了解態勢并指揮機器人群。我們還確定了每個界面中對導航和任務操作有用的關鍵功能。

圖 1. 操作員在現場實驗中使用的戰術顯示器。

生成式人工智能模型能夠執行一系列傳統上需要創造力和人類理解力的任務。在訓練過程中，它們可以從現有數據中學習模式，然后根據這些模式生成文本、圖像和音樂等新內容。一方面，由于它們的多功能性和普遍的高質量結果，它們代表了數字化的機遇。另一方面，人工智能生成模型的使用也帶來了新的 IT 安全風險，在全面分析與 IT 安全相關的威脅時需要考慮這些風險。

針對這種潛在風險，使用生成式人工智能的公司或機構在將生成式人工智能集成到工作流程之前，應進行單獨的風險分析。這同樣適用于開發人員和運營商，因為生成式人工智能的許多風險必須在開發時就考慮到，或者只能由運營公司來影響。在此基礎上，可以調整現有的安全措施，并采取額外的措施。

本文提出了一種名為 "自適應蜂群智能體"（ASI）的新范例，在這種范例中，異構設備（或 "智能體"）參與協作 "蜂群 "計算，以實現穩健的自適應實時操作。自適應群集智能是受自然界某些系統的協作和分散行為啟發而產生的一種范式，可應用于物聯網、移動計算和分布式系統等領域的各種場景。例如，網絡安全、聯網/自動駕駛汽車和其他類型的無人駕駛車輛，如 "智能 "無人機群。這絕不是一份詳盡無遺的清單，但卻說明了可以從這一范例中獲益的眾多不同領域。本文介紹了在未來聯網/自動駕駛車輛中進行合作傳感器融合的具體人工智能案例研究，該案例構成了由 IBM 主導的 DARPA DSSoC 計劃下的 "認知異構系統的高效可編程性"（EPOCHS）項目的驅動應用。鑒于 EPOCHS 的規模，我們將重點關注項目的一個具體部分：用于多車輛傳感器融合的 EPOCHS 參考應用 (ERA)。我們展示了 x86 系統上的特性分析結果，從而得出了有關 ERA 性能特征和實時需求的初步結論。本文簡要介紹了 EPOCHS 的路線圖和未來工作。

圖 4：作為 DARPA 贊助的 EPOCHS 項目的一部分，互聯/自動駕駛車輛中基于蜂群的傳感器融合。

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

參考場景

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

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

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

方法

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

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

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