在為 LSCO 進行訓練的同時，隨著戰術軍團在陸軍中的重新引入，空域控制和空軍空中支援作戰中心（ASOC）在陸軍師梯隊進行調整的可行性受到質疑。自2014年以來，ASOC通常設在作為高級戰術梯隊運作的陸軍師，對空域用戶實施程序控制，以支持地面部隊。過去二十年來，技術進步和不斷增加的空域用戶（如旋轉翼、固定翼、無人機系統、地對地火力和巡飛彈藥）改變了作戰方式。以前有效的 C2 和態勢感知系統和結構從未經歷過今天這樣大量的空域用戶。

本出版物旨在提供有關如何計劃和執行聯合空中作戰的信息，描述陸軍師和軍團指揮官當前可用的空域控制能力，并討論 JAGIC 戰術、技術和程序 (TTP) 如何增強軍團/師指揮官和 JFACC 的 C2/態勢感知能力。

空中支援作戰中心（ASOC）

作為 JAOC 的直屬 C2 要素，空中支援作戰中心（ASOC）負責指揮和控制其指定區域內的空中行動，包括火力支援協調線以內和協調高度以內的空中行動。在空中支援作戰中心控制區域內執行的、不直接支援地面部隊的空中任務都要通過空中支援作戰中心進行協調。ASOC 負責協調地面部隊的機動和火力，并為支援飛機提供目標和威脅的最新情況。師級 ASOC 保持一致可提高聯合部隊的態勢感知能力。一旦獲得信息，ASOC 將立即反饋給 JAOC，并直接與其他 TACS 要素共享。將 ASOC 從師指揮中心移除可能會導致信息流出現不必要的延誤，降低聯合空中力量的執行效率。

師是最相關的梯隊，在這里可以獲得有關當前行動的最準確、最相關的信息。JAGIC TTP 可能是 ACA 控制陸軍師開展戰術行動的空域范圍的最佳選擇。在師指揮中心工作的 ASOC 人員要深入了解火力計劃和地面機動計劃。在大規模作戰行動（LSCO）期間，通常會有高密度的間接地表火力和其他空域使用者，要想有效控制這些空域，就必須對態勢有所了解。

陸軍空域控制在師一級最為有效

采用聯合空地一體化中心（JAGIC）TTP 的師更適合代表軍團指揮官和空域管制當局（ACA）執行空域控制，因為他們接近敵人，了解地面機動計劃和支援火力。師指揮官需要有能力在師行動區內有效指揮/調整為地面部隊提供支援的聯合空中力量的行動，以積極打擊敵人的行動，確保在近距離戰斗中取得勝利。

在陸軍師指揮中心內保持 ASOC 的一致性，有助于滿足空軍分布控制和分散執行的要求。在師指揮中心內運行的 ASOC 可增強聯合空軍指揮中心對戰術態勢實時進展的態勢感知。ASOC 向聯合部隊空軍指揮官（JFACC）的 JAOC 內的決策者和其他 TACS 要素提供戰術信息。ASOC 確保在適當梯隊確定陸軍的需求。ASOC 為支持戰術地面作戰編隊的飛機提供有效及時的指揮控制。在陸軍師指揮中心內工作的 ASOC 人員對當前行動了如指掌，他們最有能力在任何特定時間向陸軍指揮官提供關于最有效使用空中力量的寶貴見解，從而確保可用空中力量不會被無意浪費或濫用。

在 LSCO 期間，師是陸軍的主要戰術作戰編隊，因此，師需要 ASOC 提供的能力，以便在對等作戰行動中集結戰斗力。陸軍指揮官在 CP 中行使 JAGIC TTP 很可能是 ACA 可用來控制將發生重大地面戰術作戰行動的大量空域的最佳手段。知識淵博、見多識廣的指揮官可向 ACA 提出強有力的理由，支持在師一級保持 ASOC 協調，通過 JAGIC TTP 對空域和空域用戶進行程序控制。

在請求控制一定量的空域時，指揮官必須通過使用理論上準確的術語來描述其行動區域內的戰術條件、空域需求以及將風險降低到可接受水平的技術，并通過理解和使用 TACS/AAGS 來展示其對空域的了解。陸軍指揮官有責任向 ACA 清楚地闡述其空域要求，并證明 CP 包含下放一定空域所需的能力。

無人飛行器（UAV）圖像的目標分類對于軍事偵察和監視越來越重要。深度神經網絡（DNN）是改進無人飛行器圖像目標分類的一項很有前途的技術。然而，DNNs 可能由大量參數組成，這使得操作人員難以理解 DNNs 在目標分類中使用了哪些圖像特征。這種缺乏透明度的情況對于將 DNNs 應用于目標分類的軍事應用來說是一個挑戰，因為由于武器交戰的高風險，操作員最終要對所有決策負責。因此，操作人員也需要 DNN 分類的解釋，以評估其可靠性。

本報告介紹了一項實驗，參與者在實驗中對低空無人機圖像中的軍用車輛進行目標分類。實驗的目的是評估對 DNN 分類的支持和對 DNN 分類的突出圖解釋（突出 DNN 分類最重要的特征）的支持是否能提高目標分類的準確性。顯著性地圖解釋是用隨機輸入采樣解釋（RISE）方法生成的。受試者在三種不同的條件下完成目標分類任務：無 DNN 分類支持、有 DNN 分類支持和有 DNN 分類的 RISE 顯著性地圖解釋支持。

結果表明，與預期相反，在有 DNN 分類支持的情況下，參與者的目標分類準確率會降低，而在有 RISE 突出圖解釋支持的情況下，準確率會進一步降低。在 DNN 分類和 RISE 突出圖解釋的支持下，參與者的目標分類準確率較低，這可能是由兩個原因共同造成的：對自動決策輔助工具的依賴和難以評估 DNN 的可靠性。結果表明，當 DNN 分類正確時，參與者對其依賴性不足；而當 DNN 分類不正確時，參與者對其依賴性過高。

實驗的結論是，要提供 DNN 分類和 DNN 分類解釋，以實際支持操作員的目標分類，并非易事。如何呈現 DNN 分類信息，以及其他有前途的 XAI 方法是否能改善操作員的目標分類，還需要進行更多的實驗。

第 2 章從參與者、車輛圖像、DNN 分類和突出圖解釋等方面介紹了實驗方法。第 3 章從調查因素如何影響目標分類性能、響應時間和對 DNN 分類的依賴性等方面介紹了實驗結果。第 4 章總結了實驗結果，并描述了取得目標分類性能的可能原因。第 5 章介紹了實驗結論，并提供了一些用于圖像分類的 XAI 方法建議，以便在未來的實驗中進行評估。

圖 2 車輛類別示例（上排）和 DNN 對車輛類別分類的 RISE 突出圖解釋（下排）。

信息戰（IW）和類似的專業術語在美軍或美國空軍（USAF）的詞匯中并不陌生。然而，即使美國空軍高層領導數十年前就已認識到 IW 對空中作戰的各個方面都至關重要，但美國空軍實施 IW 的方法仍然相對較新。第十六航空隊（16 AF）是美國空軍當代 IW 方法的核心，該部隊成立多年后，美國空軍仍在為 IW 的可操作性而苦苦掙扎。正是在這種背景下，蘭德公司的研究人員承擔了為美國空軍如何組織、訓練和裝備 IW 提出可行建議的任務。

首先，研究人員描述了美國空軍目前的戰爭預警狀況，并將其與其他軍種和聯合部隊組織所采取的方法進行了比較。接著，他們確定了美國空軍 IW 團體應支持的角色、任務和使命方面的政策、期望和現實之間存在的差距。為了彌補這些差距，他們為美國空軍的 IW 部隊編制開發了替代構型，并描述了這些構型的優勢和挑戰。最后，研究人員提出了與這些概念相關的組織、訓練和裝備要求。本報告介紹了研究情況，并提出了主要發現和建議。

主要結論

• 人們普遍認為，美國空軍領導層沒有將綜合預警列為優先事項。
• 缺乏明確、正式的要求一直被認為是美國空軍實施綜合預警的最大障礙之一。
• 美國空軍的 IW 在組織和學科方面仍然是高度分散的。
• 眾多的 IW 組織，加上未確定的角色和責任，造成了混亂和挫折感。
• 所有飛行員都需要在某些時候考慮綜合預警問題，而某些飛行員則需要在所有時間考慮綜合預警問題。
• 盡管幾乎沒有接受過專門的戰爭遺留爆炸物培訓，但戰爭遺留爆炸物學科的飛行員仍被期望作為戰爭遺留爆炸物部隊開展行動。
• 戰爭遺留爆炸物人員積極性很高，對任務充滿熱情，他們將自己的時間都投入到任務的推進中，但他們認識到，這樣做幾乎不會帶來職業發展。
• 在 16 個空軍基地，雄心勃勃的 IW 人員除了履行正常職責外，還在開展創新性的 IW 活動，但現有資源無法擴大這些活動的規模。
• 一些人認為當局是制約因素，但幾乎所有人員都認為規避風險和嚴格控制權限是執行國際預警的核心挑戰。
• 美國空軍的 IW 社區并沒有一個專門負責 IW 的高級領導者來領導，他也沒有必要的權力來爭取資源。
• 美國空軍的綜合預警工作幾乎沒有正式的流程，因此造成了部隊內部、部隊之間以及美國空軍與部隊之間的摩擦。

建議

• 發布可操作的指南，確保將 IW 納入美國空軍制定具體要求的流程。
• 利用政治資本和軍種領導者的時間來展示 IW 的優先性，并在美國空軍和聯合部隊中實現 IW 的社會化。
• 重組 IW 部隊編制，著眼于解決已確定的程序、文化和結構性挑戰。
• 明確美國空軍所有 IW 組織的角色和職責。
• 根據 IW 的具體要求和文化特性開發課程，并根據所需的 IW 熟練程度進行分級。
• 利用他人的經驗教訓，制定衡量綜合預警效果的框架。
• 將現實的 IW 能力和任務納入全美國空軍的演習中，即使導致 “任務失敗”，也要允許參與者進行掙扎。
• 考慮建立正式的籌資機制，美國空軍人員可利用該機制申請和倡導更充足、更穩定的資源。
• 考慮系統地編列從競爭到沖突的所有 IW 任務所需的 IW 授權和許可。
• 通過路演、領導人演講和其他引人注目的活動，向所有空軍人員展示綜合預警的效用。
• 考慮為美國空軍所有 IW 人員建立一個全面的職業發展途徑，在建立一支美國空軍 IW 專業骨干隊伍的同時，保持學科的專業化。
• 設計專門針對戰爭遺留爆炸物的新的美國空軍內部流程，而不是改造那些為動能任務設計的流程。
• 在美國空軍內部建立綜合預警流程并使之常規化，以便美國空軍綜合預警人員能夠融入既定的聯合結構和流程。
• 在美國空軍各參謀部指定空中參謀部負責 IW。

由于成本、能力、政策和法規等因素，美國海軍（USN）和美國海岸警衛隊（USCG）艦艇上無人機系統（UAS）的使用目前受到限制。本分析報告的主要目的是研究 1-3 類 UAS 在執行情報、監視和偵察 (ISR)、搜索和救援 (SAR) 以及后勤任務時對水面艦艇性能的影響，并考慮小型 UAS 系統的哪些性能參數可能對執行這些任務最有意義。本研究使用的數據包括公開的無人機系統規格、艦船規格和指標，以及以前進行的成本/預算分析。這些信息被用來為潛在任務的各種模型提供信息，這一工具有助于根據用戶需求和成本分析選擇無人機系統。這些分析結果表明，無人機系統有利于其可能執行的任務--即相對于其他機載資產而言，能夠支持其較短的作戰時間和航程的任務。對于 ISR/SAR 場景，分析表明，與沒有航空資產的艦船相比，無人機系統可增加識別目標的數量，并縮短完全搜索作戰區域的總體時間。在后勤運送場景中，無人機系統被用于從港口取回貨物，與完全轉向港口的船只相比，無人機系統減少了運送貨物所需的成本和時間。

盡管目前美國海岸警衛隊（USCG）和美國海軍（USN）艦隊在較小的水面艦艇上使用的有機（即從艦艇上發射和回收）無人機系統（UAS）有限，但海軍作戰部長（CNO）的 2021 NAVPLAN [1] 包括了到 2045 年實現混合艦隊的目標。許多無人機系統資產能夠執行情報、監視和偵察 (ISR)、搜索和救援 (SAR) 以及輕型補給任務。在合適的行動中利用這些系統替代有人駕駛系統，可以節省實現任務目標所需的關鍵時間和精力。本研究旨在確定可提高美國海軍和美國海岸警衛隊艦艇執行關鍵任務性能的無人機系統參數，建立無人機系統行為和影響模型，與目前采用的替代方案進行對比，并提出一種方法，用于對考慮集成到水面艦隊的無人機系統替代方案進行早期評估。

本研究總結了無人機系統在一般情況下和海上環境中使用的相關文獻。研究還總結了所收集的有關無人機系統和船只類型的信息，以及它們的相關參數、規格和能力。然后，將收集到的信息綜合成 "無人機選擇工具"，分析無人機系統要求與船舶制約因素之間的相互作用。這個基于 Excel 的工具考慮了

• 哪些通用無人機系統參數在作戰場景中最有價值。
• 特定的無人機系統在這些參數上能達到什么能力。
• 哪些艦艇可以支持特定的無人機系統。

然后，該工具會計算出每種艦船類型可運行的無人機系統，以及每種無人機系統的相對價值。該工具可根據無人機系統、艦船類型和利益相關者偏好的實際數據輕松更新。利益相關者可利用該工具指導對特定無人機系統解決方案的進一步研究。

無人機選擇工具開發完成后，將考慮無人機系統對作戰方案的影響。這是通過場景開發和建模來實現的。首先，為 ISR、SAR 和后勤任務制定了名義上的作戰方案。然后，描述每種情景的相關指標（例如，搜索一個區域的平均時間）。最后，介紹包絡計算以及通過 ExtendSim [2] 進行的高保真模擬建模。ExtendSim 由 Imagine That Incorporated 公司開發，是一套功能強大的仿真軟件，可以進行連續、離散事件和其他形式的仿真建模[2]。然后使用這些模型來考慮各種艦船和無人機系統參數（例如無人機系統速度）的變化如何影響通過相關指標評估的任務性能。

對于所考慮的 ISR 場景，分析表明，加入無人機系統能力可顯著縮短搜索區域的平均時間。由于無人機系統的航拍時間是有限的，而搜索時間會隨著搜索范圍的擴大而增加，因此對較小區域的影響更大。隨著場景中目標數量的增加，無人機系統對縮短時間的影響也會增加。關于執行 ISR 任務的無人機系統參數，無人機系統的速度是關鍵--如果無人機系統的速度接近艦船的速度，無人機系統的影響就會減小。

在搜索和救援分析中，當使用無人機系統增加傳感器寬度時，無人機系統的能力可顯著縮短搜索箱的時間。在此，分析表明，無人機系統的總飛行時間是一個關鍵因素，無論是通過增加無人機系統還是延長續航時間來實現。無人機系統的傳感器寬度也是一個關鍵因素，傳感器范圍越寬，搜索箱所需的時間就越少。不過，雖然無人機系統可用來縮短搜索時間，但無人機系統的假定探測概率也很重要。如果探測概率較低，這種使用模式可能會導致總體探測次數減少。

還考慮了一種情況，即使用無人機系統提高總體探測概率，而不是增加傳感器寬度。在這種情況下，無人機系統實際上對場景時間沒有影響。與之前的合成孔徑雷達方案一樣，探測概率非常重要，在考慮的無人機系統探測概率較低的情況下，無人機系統對方案未探測到的影響可以忽略不計或為負值。在所考慮的無人機系統探測概率的高端（與假定的艦船探測概率相似），無人機系統對情景下未探測到的平均次數產生積極影響（即減少未探測到的次數）。最后，在需要發現的目標總數較少的情況下，無人機系統對未探測到目標的影響可以忽略不計，但隨著目標的增加，其影響也會增加。

此外，在水面艦隊中增加無人機系統執行 ISR 和 SAR 任務的影響方面，出現了以下趨勢：

• 在 ISR 情況下，無人機系統的速度是關鍵參數。
• 一般來說，在探測概率高的情況下，搜索次數越多，未探測次數就越少，而在探測概率低的情況下，搜索次數越多，未探測次數就越多。這意味著在獲取新系統時必須仔細考慮無人機系統傳感器。
• 與直覺相反，在搜索較小區域時，擁有無人機系統能力對 ISR 和 SAR 任務指標的影響更大。這是因為更大范圍的搜索需要更長的時間，而無人機系統的飛行時間有一個硬性上限。

當 ISR 和 SAR 環境中有更多目標需要尋找或確認時，無人機系統就更有可能產生影響。此外，還考慮了在水面艦隊中增加無人機系統的成本影響。分析表明，即使將無人機系統的采購成本計算在內，較小的現成商用無人機系統（COTS）解決方案的每小時成本也可能大大低于傳統的載人資產。隨著商用現貨無人機系統解決方案成本的增加，其每小時成本將接近載人資產成本的低端。這一分析取決于無人機系統的飛行小時數，因為其中包括固定采購成本。無人機系統資產的飛行時數越多，其比較單位成本就越低。本研究還考慮了無人機系統成本收支平衡的飛行小時數，或者說單個無人機系統的采購投資已經通過降低支持地面機隊的邊際成本而收回。這項分析假定無人機系統的飛行時數取代了載人資產的飛行時數。在此，如果假定所有無人機系統的飛行時數都能替代有人值守資產的飛行時數，那么成本較低和較高的 COTS 無人機系統都能迅速達到運行時數的盈虧平衡點。然而，對于成本較高的系統而言，運行小時盈虧平衡點在很大程度上取決于假定的替代率。對于假設的高端 COTS 無人機系統，如果單個無人機系統的 50%飛行小時可替代載人資產飛行小時，則達到運營小時盈虧平衡點的飛行小時數將比 100%替代率情況下增加約 680%。

歸根結底，在其他條件相同的情況下，將無人機系統納入水面艦艇編隊很可能會提高孤艦在 ISR 和 SAR 任務中的性能。將無人機系統集成到較小的水面艦艇中還將為指揮官提供更大的靈活性，以適應作戰挑戰。然而，并非所有的無人機系統都具備適當的速度、任務續航時間和航空電子設備組合，以提供有意義的能力。那些能夠提供有意義能力的無人機系統可能更大、更昂貴。這表明，必須謹慎選擇要集成的無人機系統。

本最終技術報告總結了 2018 年 9 月至 2022 年 9 月期間 AFRL 項目 "嵌入式深度學習和高級計算 "的研發工作。該項目涉及兩個重要的技術趨勢：使用深度神經網絡（DNN）的深度學習正迅速成為許多機器學習應用的首選方法，而網絡邊緣的嵌入式設備正變得越來越廣泛。通過這兩種技術的融合，我們可以看到新一代嵌入式設備的出現，它們可以執行智能任務，如學習未知環境和感興趣的目標、周圍環境的三維映射、執行數據分析以及根據本地數據進行預測。這些設備構成了所謂的人工智能物聯網（AIoT）[1]。

本研究項目研究的基礎技術可促進未來嵌入式深度學習的高效訓練和推理計算系統。研究的主要方法包括 (1) 使用隨機舍入的可變精度分塊浮點；(2) 采用術語量化，將浮點數量化為 2 次冪術語，而不是傳統的均勻量化；(3) 使用特定領域詞匯對預訓練語言模型進行調整；(4) 通過使用恒定帶寬塊的調度最大限度地減少內存訪問；(5) 在算法的協同設計中應用全棧優化、 (6) 為可穿戴計算拆分神經網絡，(7) 設計用于檢測輸入到 DNN 的非分布式輸入的算法，(8) 為高效的 DNN 系統陣列實現打包稀疏 DNN，(9) 為 DNN 的 3DIC 實現設計內存邏輯架構和系統構建模塊，以及 (10) 在內存計算中利用位級稀疏性。

引言

卷積神經網絡（CNN）等深度神經網絡（DNN）實現了深度學習。它們具有多層非線性特征轉換，每增加一層就能提取出越來越好的特征。然而，訓練一個大型 DNN 并在這樣的網絡上執行推理需要耗費大量的時間和精力。對于大型語言模型（LLM）和生成式對抗網絡（GAN）等大型深度網絡來說，訓練成本很高。由于小型人工智能物聯網（AIoT）設備在處理能力、內存占用和功耗預算方面存在嚴格的資源限制，因此在這些設備上進行訓練和推理更具挑戰性。有必要共同設計算法、模型和硬件參數，以便在這些嵌入式設備上執行高效的訓練和推理。在為嵌入式設備訓練復雜的深度模型時，并行處理、管理內存訪問時間表和利用數據稀疏性等高級計算技術至關重要。

本項目旨在針對嵌入式深度學習和推理中的關鍵挑戰開展廣泛研究。例如，我們探索了嵌入式深度學習與基于并行和分布式計算的高級計算之間的相互作用。該項目利用了 PI 在相關領域的經驗，包括他早期在系統陣列以及分布式和嵌入式神經網絡架構方面的工作。我們將在本報告的其余部分重點介紹我們已發表的部分成果。

美國特種作戰司令部（USASOC）的任務是在國內和國際上協調和支持特種作戰部隊。該組織面臨的一個摩擦點是收集簡明的數據，告知行進的士兵與他們的目的地有關的重要因素。該項目旨在匯總不同的數據，為前往任何國家的申報或未申報人員建立風險模型。指揮部作戰網絡的風險評估或RECON系統收集開源數據，將其匯總，然后進行評估，產生一個風險評估，供指揮官解釋。然后，匯編的信息將被提交給前往海外的部隊指揮官，使他們能夠做出更有風險的決定。

方法

為了給USASOC的指揮官創建儀表板，以協助他們確定向國外派遣士兵的風險，問題被分成兩個部分：定量和定性分析。第一部分涉及開發一個模型，通過收集定量數據來衡量一個國家檢測個人數據簽名中的異常的意愿和能力。然后將其落實到隨機森林回歸模型中，以預測風險分數。第二部分是向指揮官提供定性數據，以使預測的風險分數具有背景性。這是通過網絡搜索國務院旅行咨詢、推特、Reddit和其他網站來收集的，以顯示每個國家內與潛在威脅有關的當前事件。然后將其編入Streamlit上的一個用戶友好型儀表板，提交給指揮官。請參閱第4頁的圖3，該圖概述了從最初輸入派往特定國家的個人行進者的情況，到最后實現用戶友好型Streamlit儀表板的過程。

創造能夠適應人類的人工智能隊友的一個必要步驟是，開發能夠向人工智能系統表達人類目標和意圖的計算建模方法。用各種各樣的方法來實現這個目標是可能的，從基于過去數據的純粹預測模型到僅基于理論的生成模型。一種有希望的方法是所謂的從示范中學習的方法（Argall等人，2009；Ravichandar等人，2020），這種研究主旨是利用示范數據，如專家執行任務的行為，并訓練模型（通常被稱為 "智能體"）來執行專家的任務。在本報告中，我們采用了從示范中學習的方法來模擬和預測模擬機器人在避撞的團隊任務中的行為。具體來說，我們采用了逆向強化學習（IRL）（Ng和Russell，2000年；Arora和Doshi，2021年），這是一種從演示中推斷獎勵函數的方法。

這項任務是基于一個研究性的視頻游戲，被用來研究人類自主性的團隊合作（Adamson等人，2017年），涉及一個由人類玩家和一個AI智能體共同控制的機器人。在沒有玩家輸入的情況下，AI智能體控制機器人，但玩家可以在任何時候推翻智能體，類似于現實世界中與自動駕駛助手一起駕駛的情況。這項任務對旨在模擬人類意圖的示范學習方法提出了挑戰，因為觀察到的任務行為來自兩個示范者的控制：一個是人類，一個是自動駕駛。例如，人類的行為可能是由對自己的目標的理解和對人工智能的目標的估計產生的。此外，當人工智能處于控制狀態時，所有關于人類的信息都是他們不提供輸入的，人類同意人工智能選擇的程度是隱藏的。

我們對這一特定任務的關注是由我們的團隊正在進行的工作所激發的，即利用激發這一任務的研究視頻游戲從參與者那里收集數據。最終，我們將嘗試模擬真實的人在長時間內的行為--每天玩180天--以促進適應性AI智能體的發展。這里描述的工作是對一種方法的驗證，這種方法將推動我們的團隊實現這一目標；然而，這種方法具有足夠的通用性，其核心概念可以應用于其他地方。

美國空軍研究實驗室（AFRL）在技術開發方面的主要目標之一是將技術轉移給 "客戶"，以滿足能力需求。這種轉換可以是在AFRL內部，也可以是向工業界，向系統項目辦公室（SPO），或直接向作戰人員。每個 "客戶 "類別都描述了一個潛在的 "過渡伙伴"。技術開發可以發生在支持客戶要求的成熟期（"技術拉動"），即客戶提出他們的需求（"要求"），AFRL用為滿足該需求而定制的技術發展來回應。當AFRL開發新技術或根據其作為關鍵技術領域的科學和技術（S&T）領導者的角色為舊技術找到新用途時，技術發展也可以在沒有具體要求的情況下發生。這被稱為 "技術推動"，當AFRL科學家進行的基礎和/或應用科學研究發現了以前未知的軍事能力的潛力時，就會發生這種情況。技術拉動 "和 "技術推動 "項目都可以改變AFRL其他項目、工業、SPO或作戰人員的可能性，創造出潛在的破壞性能力，如果沒有相應的科技研究活動，對手是很難對付的。任何轉型所面臨的挑戰是，技術的價值可能沒有被更廣泛的社會所理解，在新技術的情況下，也沒有被進行研究的科學家所理解。

科學家和潛在的過渡伙伴之間的討論往往不能準確地確定一項技術的成熟度、潛在的軍事用途，以及一項技術的合理和可靠的使用時間表。在 "技術拉動 "和 "技術推動 "的情況下，對技術成熟度的準確描述是必要的，以告知科技領導層和潛在過渡伙伴開發的進展。成熟度，通常被稱為技術準備水平（TRL），是一個時間快照，它描述了演示或測試環境的特點，在該環境下，一項特定的技術被成功地測試。美國國防部（DoD）對TRL有一個標準的定義，從1到9，范圍從基本原理到實際任務操作中證明的實際系統。 從歷史上看，官方的TRL評估只在正式的采購過程中被系統地分配，然而，在AFRL項目開發的各個層面，通常都會要求進行技術成熟度評估。

目前缺乏一種系統的方法來評估AFRL技術，也缺乏對任何評估的文件驗證。雖然這并不是轉型失敗的原因，但有條不紊、準確和可驗證的TRL評估過程有助于為其他多個過程奠定基礎；支持與其他科技專業人士、管理機構和潛在的轉型伙伴進行有意義的合作；并支持提高AFRL技術轉型的概率。這些其他過程包括技術成熟計劃（TMP）、推進難度（AD2）、制造準備水平（MRL）、集成準備水平（IRL）、系統準備評估和水平（SRA和SRL）、空軍未來（HAF/A57，正式的空軍作戰人員集成能力（AFWIC））。技術、任務、資源、組織（TMRO）方法，AFRL過渡指標（ATM）和項目管理審查（PMR）。

TRL可以通過各種方式得出，但通常是通過技術準備評估（TRA）來確定。技術準備評估是在對技術的形式、與系統其他部分的集成程度以及操作環境等方面的保真度逐步提高的基礎上確定TRL的。TRA是一個系統的、以證據為基礎的過程，評估關鍵技術要素（CTE）的成熟度，這些要素可以是硬件、軟件、過程或它們的組合。一個技術要素是 "關鍵 "的，如果被收購的系統依賴于這個技術要素來滿足操作要求（在可接受的成本和進度限制內），如果該技術要素或其應用是一項新技術，以一種新的方式使用舊的/更新的技術，或者該技術要素或其應用在詳細設計或演示期間被用于構成重大技術風險的領域。正式的TRA最常被用來支持一個采購項目的確定階段，如美國法典第10章第2366b條詳細規定的要求，即在里程碑B批準之前，一個項目必須在相關環境中進行演示；然而，非正式的，或 "知識建設TRA"，也可以用來評估技術成熟度，為開發人員、項目經理、管理機構和潛在的過渡伙伴提供有用的信息，以更有效地成熟關鍵技術，確定一個技術的準備程度，管理和解決當前和未來的發展風險。

今天，國防戰略和空軍參謀長和空間業務主管要求加速技術發展，并使能力更快地進入作戰人員手中。 一個可靠的、可重復的技術成熟度評估是后續和同步進程和方法的關鍵，如TMPs、AD2、MRLs、IRLs、SRAs和SRLs、TMRO、ATM和PMRs，并為支持AFRL內部、工業、SPO或在技術被證明達到適當水平后直接向作戰人員的快速過渡活動建立了基礎。本研究提出了進行這些TRA的建議程序和工具。

研究目標

本研究的主要目的是確定和推薦一個嚴格的、標準化的、可重復的程序和支持工具，以進行TRA，從伙伴的角度增加現有技術解決方案的可信度，并支持增加成功技術的過渡概率。因此，本研究將：

• 確定一個量身定做的、嚴格的、標準化的、可重復的TRA流程，以進行可靠的TRA，同時提供支持流程執行的工具。

• 將評估何時進行TRA的過程系統化，如何處理結果，以及如何確定下一步。

• 詳細說明識別CTE的系統方法

• 制作一個可定制的TRA模板，包括對可信度和客觀性至關重要的特征

• 確定支持技術成熟和TRL評估的RY能力

• 將技術要素納入建模、模擬和分析（MS&A）的方法。

• 確定數據工件和儲存庫，以證明所分配的TRL。

認知方法在幾乎所有方面可提高現有雷達的性能，這導致了近年來研究的激增，空軍雷達建模和仿真（M&S）工具的一個關鍵差距是缺乏針對分布式全適應雷達（FAR）系統的全面、動態分布式雷達情景生成能力。截至2015年初，所有的研究都是在理論上推進概念，并通過模擬檢驗其性能，或者最多使用預先錄制的數據。沒有關于實驗驗證概念的報告，主要是因為還沒有開發出測試它們的必要硬件。然而，為了確定應用認知處理方法的真正性能潛力，這一步驟是至關重要的。為了解決這個問題，俄亥俄州立大學（OSU）電子科學實驗室（ESL）的認知傳感實驗室（CSL）與Metron公司、空軍研究實驗室（AFRL）和空軍科學研究辦公室（AFOSR）一起，已經開始了一項研究計劃，從分析和實驗上開發和檢驗認知雷達處理概念。

CSL設計并建造了認知雷達工程工作區（CREW），這是世界上第一個專門用來測試完全自適應和認知算法的雷達測試平臺，Metron和OSU開發了一個認知FAR系統的理論框架，在單一傳感器和目標的目標探測和跟蹤范圍內確定了關鍵的系統組件并進行了數學建模。我們一直在開發建模、模擬、分析和實驗能力，以證明FAR系統比傳統的前饋雷達（FFR）系統取得的性能改進。我們從OSU的軟件定義雷達（SDR）系統的模擬場景和預先記錄的數據開始。我們現在有能力利用CREW演示認知雷達跟蹤系統的實時操作。

這個項目的目標是為分布式FAR雷達開發一個基于MATLAB的M&S架構，從而能夠在模擬的、以前收集的和實時的流式數據上進行算法開發和測試。在第一階段，我們開發了一個基線FAR M&S架構，該架構采用面向對象編程（OOP）方法在MATLAB中編碼。它包括一個控制感知-行動（PA）周期運行的FAR引擎和確定下一組傳感參數的軟件對象；從傳感器獲取數據；處理數據以跟蹤目標；存儲和顯示傳感和跟蹤過程的結果。我們開發的模塊實現了模擬和預先錄制的SDR數據實例，以及實時和模擬的CREW數據實例。

第一階段開發的FAR M&S架構允許在模擬和實驗CREW數據源之間，以及在驅動傳感的FAR算法之間進行透明切換。輕松交換傳感和處理對象的能力將允許快速開發和測試認知雷達算法，通過構建M&S功能來避免重復工作和 "單點 "解決方案。它將使工業界、學術界和空軍的研究人員之間的合作成為可能，因為不同研究人員開發的算法可以使用一致的模擬、收集的數據和實驗室條件進行測試和比較。

浮動航天器模擬器（FSS）是模仿衛星在空間運動的機器人載體。使用FSS可以在地球上對制導、導航和控制算法進行實驗驗證，然后再將其應用于空間，因為空間的錯誤是災難性的。此外，FSS是空間系統工程課程中大學生的一個重要研究和教育工具。然而，目前使用的所有FSS都是定制開發和昂貴的項目。本論文涵蓋了用于教學和研究目的的新型浮動航天器模擬器的開發、組裝和測試過程，該模擬器被命名為MyDAS，代表微型動態自主航天器模擬器。通過介紹MyDAS，一個小型的、簡單的和低成本的FSS，使FSS在大學和中學階段的研究和教育中得到更廣泛的利用。討論了MyDAS的不同推進配置及其相應的運動方程。對于一個特定的配置，選擇并測試了現成的氣動和電子組件。一個模塊化和標準化的3D打印框架將所有部件固定在一起，形成一個最終的剛性載體。最后，MyDAS在各種實驗中被測試，完成了全部的硬件功能。

1 引言

本論文進行小型化和簡化的浮動航天器模擬器（FSS）工作。本章簡要介紹了這項工作的動機和目標，以及本論文的結構。

1.1 動機

未來空間任務中的航天器需要靈活、自主的制導、導航和控制（GNC）算法，如對接、接近或清除碎片的操縱[1], [2], [3]。用硬件在回路中驗證GNC算法的一種方法是使用FSS，而無需將測試對象送入太空。盡管不向太空發射任何東西而大大降低了成本，但目前的FSS仍然需要大量的經濟和費時的工作來建造和操作，這只有專門的機構或公司才可能做到。除此之外，目前的FSS都是獨特的設計，沒有標準化。引入一種新的、負擔得起的、小而簡單的FSS可以使本科生甚至高中生以及業余用戶能夠使用FSS工作。提供這種機會可以增加為未來空間任務創造更好的GNC算法的成功機會。

1.2 目標

先前工作提出了一個更便宜、更小、更簡單的FSS的概念[4]，稱為MyDAS，代表微型動態自主航天器模擬器。提出了初步的計算機輔助設計（CAD）模型、材料清單、氣動圖、接線圖、兩種浮動配置和三種推進配置。本論文的目的是建立一個MyDAS的物理工作實例。為此，所有定制設計的部件應與購買的現成部件一起制造和組裝。所有的功能部件應先單獨測試，然后再組合。最終的裝置必須能夠使用壓縮空氣供應漂浮和推動自己。如果可能的話，在不使用推進系統的空氣的情況下，漂浮時間應超過5分鐘。此外，推進系統必須由機載計算機和機載電池控制。該裝置的硬件和軟件應是開源的，以使其可重復使用。作為其中的一部分，將提出一個成本估算。在未來的工作中，希望MyDAS能被積極用于驗證和改進GNC算法。

1.3 結構

如上所述，本論文是基于以前的工作，其中介紹了關于FSS的理論基礎和技術現狀[4]。理論基礎和技術現狀同樣適用于本論文，這就是為什么它們在本文件中沒有明確重復。在第2章運動方程中，以前工作中的簡化運動方程被指定用于其中一個推進配置。第3章氣動系統討論了MyDAS的氣動系統。第4章電子學中解釋了MyDAS的電路以及所有的電子元件。第5章框架設計的主要內容是構建和制造一個定制的、3D打印的框架，該框架將所有的部件固定在一起。第6章設置和測試描述了在組裝MyDAS的過程中對單個和組合部件的若干測試。在第7章實驗中，全功能的FSS被用在一個花崗巖試驗臺上，以證明其功能，以及描述某些推進方面的特征。最后一章的結論是對工作的總結以及對未來工作的建議。復制MyDAS的基本信息，如技術圖紙、材料清單和Python列表，可以在附錄中找到。此外，該代碼與CAD文件和更多不能打印在紙上的數據一起在網上提供。