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。

無人機（UAV）蜂群因其多功能性和無需人工干預的運行能力，有可能在眾多應用中大顯身手。然而，在廣泛實施無人機蜂群之前，這項前景廣闊的技術仍需要進一步的調查、研究和測試。控制系統所需的人工干預程度決定了無人機蜂群的不同自主程度。要使蜂群變得更加獨立自主，高效的任務和路徑規劃算法必不可少。此外，準確的通信對于蜂群能夠協調并成功完成任務也至關重要。本文試圖對無人機蜂群的架構、通信、應用和相關挑戰進行綜述。此外，本文還討論了已用于或建議用于無人機蜂群的通信類型。最后，本文回顧了無人機蜂群的潛在應用，以及圍繞這項技術仍然存在的研究問題。

無人機蜂群依賴于單個無人機之間的相互通信。通常情況下，無人機蜂群系統由地面控制站（GCS）、發射器、單個無人機單元組成，有時還包括有效載荷或貨物。無人機通過稱為無人機蜂群網絡（USNET）的特定網絡進行無線通信。無人機蜂群的獨特之處在于它們擁有不同級別的自主性；最高級別的自主性是完全自主，即蜂群在沒有人類干預的情況下運行。為了達到完全自主水平的通信，通常使用 ad-hoc 網絡。這種網絡使設備之間的通信不依賴于固定的基礎設施。這樣，無人機就可以在沒有預先建立連接點的情況下相互通信和協調，從而提高了使用的靈活性。除了強大的通信系統外，還需要傳感器來探測空中位置和與蜂群中其他無人機的距離，并探測障礙物。此外，根據不同的應用，無人機蜂群還可配備 GPS、熱傳感器、攝像頭和光探測與測距傳感器等傳感器。

多架無人機共同完成一個共同目標的能力，為僅靠一架無人機無法完成的行動提供了可能性。無人機蜂群的好處包括降低成本、因減少人力而提高安全性以及提高效率。例如，在軍事應用中，無人機蜂群有可能成為一種高效致命武器，可以從多個角度實施協同攻擊。在軍事攻擊中使用無人機蜂群有可能減少傷亡人數，無需在戰場上派駐人員。在民用方面，無人機蜂群在自然災害應對、農業、快遞服務、監視和安全以及基礎設施監測（包括電力線、鐵路和公路檢查）等領域具有廣闊的應用前景。例如，為無人機配備熱成像技術可提高其在搜索和救援任務中的效率。讓多架無人機同時執行搜索任務，可以同時覆蓋更多地面，從而縮短救援時間。這可以通過一種算法來實現，該算法將搜索地點的某些區域分配給每架無人機，然后無人機將發現的任何情況與其他無人機進行通信，處理數據以與給定的搜索信息相匹配。

本文試圖對無人機蜂群技術以及改進和發展該技術的實際應用方式進行綜述。本文涉及無人機蜂群的架構類型、蜂群可使用的通信方式、無人機蜂群的潛在應用以及目前存在的相關研究問題。討論的主要重點是無人機蜂群的通信和控制。

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。

目前正在研究無人駕駛飛行器（UAV）在搜救和國防任務等方面的應用潛力。其目標是加強情報、通信和戰略組織。決策技術可實現無人飛行器的智能決策，從而將人類指揮官解放出來，專注于更高層次的決策。本研究側重于國防和搜救場景，并將基于人工智能的決策與無人機相結合。研究分析了防御場景中的“忠誠僚機”概念。此外，還提出了無人機群在救援場景中合作搜索人員的解決方案。研究結果證明了分布式決策方法在解決這兩個場景中的問題時的有效性。

圖 1. 在該場景中，“忠誠僚機”無人機（以藍色標出）在地面資產的支持下，為一架領隊無人機護航，并與神風特攻隊威脅交戰，以保衛一個保護區。

研究無人機群的決策對于優化各行各業的性能、自主性和安全性至關重要。了解復雜場景中的蜂群智能、人與蜂群的互動以及蜂群行為，可以推動先進的蜂群技術，改變行業并應對挑戰。這項研究對于民用和軍事應用至關重要，例如搜救任務和部署航空業新興的戰斗無人機--忠誠僚機無人機（UAV）。

本研究調查了如何利用具有作戰能力的 "忠誠僚機"（LW）無人機合作打擊空中爆炸物威脅。重點是有人無人小組（MUM-T）防御方案，即 LW 無人機保護領導無人機和關鍵基礎設施。該研究考慮了全動無人機模型[Santos and Bezerra 2022]，并提出了高層決策任務的問題分解，從而在 MUM-T 內實現有效的協調與協作。該項目采用有限狀態機（FSM）和行為樹（BT）作為人工智能技術來設計自主無人機行為。庫恩-蒙克雷斯任務分配算法被用于任務分配，促進了團隊的凝聚力。該研究還將合作參與能力（CEC）擴展到無人機，并研究了 CEC 概念下異構無人機群中的分布式自主決策，旨在加強合作參與策略。將自主無人機系統與 CEC 相結合有望提高任務效率和成功率。

此外，這項工作還將無人機群用于搜救（SAR）應用。將無人機技術整合到搜救任務中代表了應急響應能力的突破性進步，因為它利用了無人機系統的集體力量和效率。通過使用無人機群，搜索和救援行動可以徹底改變我們應對緊急情況和拯救生命的方式。通過將先進的蜂群智能算法集成到無人機中，這項研究旨在優化搜救任務，最終拯救生命。在這項工作中，我們描述了無人機群在森林中搜尋遇險人員的場景。為了解決這個問題，我們采用了一種結合機器人技術和人工智能決策的方法。這項工作的目標是，在未來，無人機群將成為危機管理中不可或缺的盟友，迅速定位并幫助遇險人員，為急救人員提供寶貴的支持。請注意，本作品中的兩個場景是一項統一研究的組成部分，該研究探討了無人機群在模擬環境中分散決策的應用。

本文的結構如下。第 2 節介紹背景。第 3 節介紹忠誠僚機的應用、實驗和結果。此外，第 4 節還介紹了搜救應用、實驗和結果。最后，第 5 節對本文進行總結。

忠誠僚機場景

為了在有人駕駛無人機團隊（MUM-T）中探索合作交戰能力（CEC）的概念，我們提出了一個防御方案[Giacomossi 等人，2021a；Ricardo 等人，2023]，其中涉及兩個由全驅動無人機組成的團隊。MUM-T 團隊由 "忠誠僚機"（Loyal Wingman，LW）無人機組成，這些無人機與有人駕駛的領隊編隊飛行，為領隊和保護區（PA）提供防御。相比之下，敵對團隊則由神風特攻隊組成，如圖 1 所示。MUM-T 小隊的主要目標是防止領導者或保護區受到任何損害。如果領導者或 PA 被摧毀，則任務失敗。此外，為了支持 MUM-T 小組成員，PA 還配備了能夠提供空中監視的地面資產。

LW 具有自主性，能夠根據態勢感知信息做出智能決策。為了消除威脅，LW 裝備了兩種假想武器，一種是中程冷凍槍，另一種是短程汽化槍。汽化槍可以解除威脅，而冷凍槍則可以將威脅的速度減慢到其最大速度的一半。武器模型經過簡化，命中成功率按給定概率計算。需要注意的是，冷凍槍的目的是使決策空間更加復雜，而蒸發槍也是一種理想化的武器，它使用能量來破壞電子元件。

領隊由人類遠程控制，負責編隊協調，即能夠向僚機傳遞相對坐標指令。我們假定忠誠的僚機在一個預定的編隊模式內飛行。在本文中，我們認為這種獨特的編隊模式是沿本地水平面以所需半徑進行的勻圓編隊。我們還假設領隊始終能夠在需要時指揮忠誠的僚機。

相比之下，神風特攻隊無人機會在與領隊、僚機或 PA 相撞后引爆，對目標造成破壞。神風特攻隊一旦選定目標，就會緊追不舍，直至自爆或解除攻擊。神風敢死隊的數量保持不變，因為它們在中和后會立即重新生成，確保攻擊源源不斷。雖然神風特攻隊擁有簡化的人工智能，但它們比 MUM-T 速度更快、數量更多，這迫使 MUM-T 必須進行有效合作才能解除攻擊。地面資產共享態勢感知，提供包含所有實體狀態（位置、姿態和線速度）的矢量。

本文研究了這樣一種情景：大量處于不同程度醫療困境的人員被困在偏遠地區（如北極），必須進行疏散。在此背景下，研究了一種多域行動，即通過直升機或船只兩種方式之一進行人員疏散，每種方式都有各自的能力限制。這項研究的目的是確定一種決策策略，其目標是最大限度地增加幸存者人數。為了實現這一目標，我們需要尋求一種策略，在整個行動過程中有效協調直升機撤離和輪船撤離的選擇。我們的貢獻有兩個方面。首先，我們將多領域大規模疏散行動表述為馬爾可夫決策過程。其次，由于 "維度詛咒"（curse of dimensionality）使得精確方法不適用，我們采用了人工智能框架，即強化學習（RL），也稱為運籌學中的近似動態規劃（ADP），來學習近乎最優的策略。利用基于狀態聚合的價值函數近似值，我們設計了一種 ADP 算法，以便在具有代表性的規劃場景中學習策略。然后，我們在一系列測試場景中應用該策略，并將結果與非協調基準策略進行比較。雖然我們學習到的策略并沒有優于所有基準，但我們的結果表明了人工智能可如何用于評估候選策略，并在多領域行動中提供決策支持。

在新興的蜂群技術領域，無人機系統條令作為一種規定性的設計要素，一直處于缺乏、潛伏或被忽視的狀態。本文討論了一種與蜂群無人機系統任務條令并行的設計蜂群無人機系統的綜合方法。該方法的結構源自基于模型的系統工程、機器人學、人類系統集成、生物學和計算機科學等學科的啟發式方法。該方法為設計和操作蜂群無人機系統提供了一種標準方法，力求滿足任何預定任務的性能和條令要求。

蜂群體系結構的設計應支持 "少而精"、廣泛分散、高度網絡化、脈沖式攻擊的條令。一般來說，蜂群系統主要采用三種總體指揮與控制（C2）架構：協調控制、集中控制或分級控制，以及分布式控制或分散控制（Dekker，2008 年）。在協調控制中，根據指定的瞬時因素（如位置、狀態、任務場景）選擇一個智能體作為臨時領導者。領導者從其他智能體接收傳感器數據，并廣播融合后的共同綜合畫面。如果領導者失效，則會選擇一個替代者繼續扮演這一角色。這種架構具有一定的魯棒性，但無法擴展到更大的智能體群或地理位置分散的智能體群，而且會給一個智能體帶來很大的處理負擔。集中式控制架構類似于傳統的軍事指揮與控制結構，在這種結構中，智能體按層級組織，詳細的戰術信息通過指揮鏈向上反饋。雖然這種分層設計簡化了數據流，但并不穩健，在處理需要智能體快速反應的動態場景時缺乏靈活性。對蜂群進行集中控制需要一個樞紐-輻條式通信架構，這種架構有幾個缺點：它限制了蜂群的自主行為，無法實現智能體之間的通信，而且在設計中會出現單點故障（Chung 等人，2013 年）。分布式架構的特點是沒有領導者；而是通過智能體之間的集體共識做出蜂群決策。這種架構具有穩健性和可擴展性，但要求通信網絡能夠支持可能增加的數據流量。與蜂群系統設計的其他要素一樣，C2 架構的混合體也可用于發揮各自的優勢。美國海軍的 "合作參與能力"（Cooperative Engagement Capability）防空作戰系統采用分布式架構來獲取態勢感知數據，并采用協調架構來選擇目標定位（Dekker，2008 年）。分散控制架構，包括基于市場（或拍賣）的方法，以及隱式衍生的單智能體解決方案，已在蜂群無人機系統中得到成功驗證（Chung 等人，2013 年）。由于這些原因，無線網狀通信網絡被認為是蜂群無人機系統通信架構的一種潛在的關鍵使能形式（Frew，2008 年）。

有限狀態機（FSM）（或有限狀態自動機）已被證明可有效模擬多車自主無人系統架構（Weiskopf 等人，2002 年）。在有限狀態自動機架構中，每個智能體在給定時間內都處于幾種定義狀態之一。智能體感知到的環境條件或遇到的事件會觸發觸發事件，導致智能體在不同狀態間轉換。這種類型的結構適用于開發軍事蜂群系統，因為狀態和觸發器可以確定性地定義（就像交通信號燈一樣），這對于目標攻擊等高風險任務事件是必要的。相反，在搜索等其他任務事件中，可能需要一定程度的不可預測性。在這種情況下，可以使用概率有限狀態機 (PFSM)（或概率有限狀態自動機），允許在一個狀態內有不同的行為，或在狀態之間提供多種轉換（Paranuk，2003 年）。

本文介紹了基于元學習概念實現數字孿生的初步研究。邁向建立理想數字孿生的第一步的主要目標是評估適合國防工業環境的適當方法。主要的挑戰是如何在數據稀缺的情況下訓練和驗證模型，這也是國防領域的一個共同主題。目前的用例是先進的水下防御系統中使用的鋰離子電池，旨在創建一個可用于維護和設計目的的數字人工制品。最初的實施采用了循環神經網絡（RNN）和模型診斷元學習（MAML）來實現內部和外部學習循環，以達到學習者能夠快速適應新任務的目的。基礎學習器利用電池退化的開放數據集為元模型生成梯度。研究結果凸顯了數字孿生作為水下防御系統明智決策、提高可靠性和準備狀態的寶貴工具的潛力。

圖：理想情況下，數字孿生可支持系統的整個生命周期，包括設計、制造、使用和服務/維護。

2022 年底，薩伯公司向瑞典國防物資管理局（FMV）和瑞典武裝部隊交付了最先進的魚雷系統薩伯輕型魚雷（SLWT），如圖 所示。該魚雷長約 2.85 米，直徑 0.4 米，總重量約 340 千克。SLWT 的推進系統集成了一個泵噴射驅動裝置、一個帶變速箱的直流電動機和一個可充電鋰離子電池。

國防工業數字孿生的利益與挑戰

國防工業數字孿生技術的數據基礎設施所面臨的挑戰是多方面的，需要仔細考慮。數據收集和整合是重大障礙。數字孿生依賴于來自各種傳感器、平臺和系統的大量異構數據。以標準化格式整合和協調這些數據是一項復雜的任務，尤其是在處理可能具有不同協議和安全要求的遺留系統和機密信息時。顧名思義，數字孿生系統必須使用物理資產記錄的數據來構建，這就聯系到本文的基本研究問題。在人工智能時代，數據顯然至關重要，但航空航天和國防（以及其他領域）需要高度發達的數據保護程序，因此數據隱私和安全保證已成為人工智能發展的重要義務。個人數據和專有數據泄露、誤用和濫用的風險顯然令人擔憂，尤其是基于云的解決方案和其他分布式解決方案，因為這些解決方案的基本基礎設施掌握在第三方手中。要構建防御系統的數字孿生技術，在選擇 ML 技術時必須考慮有限的數據訪問和嚴格的數據處理程序。在國防領域，確保數據的安全性和保密性至關重要。考慮到數據泄露對軍事行動的潛在影響，保護敏感信息免遭未經授權的訪問或網絡威脅至關重要。實施強大的加密、訪問控制和安全數據傳輸機制對于維護數字孿生數據基礎設施的完整性和保密性至關重要。

另一個核心問題是可擴展性和實時數據處理，因為它們構成了重大挑戰。國防應用通常需要實時決策，這就要求數據基礎設施能夠處理大量數據并快速處理這些數據，以支持具有時間敏感性的行動。

同樣明顯的是，在與不同國防機構或盟國（如北約內部）合作時，數據互操作性仍然是一個挑戰。建立通用的數據標準和協議對于確保數字孿生系統之間的無縫數據交換和有效互操作性至關重要。要應對這些挑戰，需要采取整體方法，涉及國防機構、技術提供商和決策者之間的合作，為國防工業中的數字孿生創建穩健、適應性強的數據基礎設施。

在本文中，所需的數字孿生的主要目的是實現對所選 SLWT 資產進行實時監控和預測性維護的工具。通過根據每個資產的高保真模型模擬其電池的行為，可以深入了解每個資產電池的健康、性能和 RUL 方面的情況。通過探索各種運行條件和配置，有望促進優化和性能提升。從長遠來看，這反過來又可對電池參數進行微調，以在不同情況下實現最佳性能，特別是對于未來設計和其他系統概念而言。此外，預計數字孿生技術還將有助于風險評估和緩解。通過將虛擬電池置于模擬的極端條件和故障場景下，有可能找出并解決漏洞，從而提高整個 SLWT 的可靠性和安全性。因此，數字孿生技術有望促進更好地了解電池與系統中其他組件的相互作用，從而提高系統集成和整體效率。

本研究中介紹的數字孿生是一項正在進行中的工作，因此本節的重點是展示迄今為止取得的成果。使用 MAML 以及在牛津電池降解數據集上訓練的基礎學習器構建有效數字孿生的過程仍在進行中，有待進一步完善。盡管如此，所取得的成果為元學習器預測電池行為的潛力提供了寶貴的啟示。本節介紹了數字孿生設計的基本思想，接下來的章節將介紹當前的研究成果，展示數字孿生方法在實際應用中優化電池管理和性能預測的可行性和廣闊前景。

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。

近來，物聯網（IoT）技術為農業、工業和醫學等許多學科提供了后勤服務。因此，它已成為最重要的科研領域之一。將物聯網應用于軍事領域有許多挑戰，如容錯和 QoS。本文將物聯網技術應用于軍事領域，創建軍事物聯網（IoMT）系統。本文提出了上述 IoMT 系統的架構。該架構由四個主要層組成： 通信層、信息層、應用層和決策支持層。這些層為 IoMT 物聯網提供了容錯覆蓋通信系統。此外，它還采用了過濾、壓縮、抽象和數據優先級隊列系統等數據縮減方法，以保證傳輸數據的 QoS。此外，它還采用了決策支持技術和物聯網應用統一思想。最后，為了評估 IoMT 系統，使用網絡仿真軟件包 NS3 構建了一個密集的仿真環境。仿真結果證明，所提出的 IoMT 系統在性能指標、丟包率、端到端延遲、吞吐量、能耗比和數據減少率等方面均優于傳統的軍事系統。

提議的IoMT系統架構

IoMT 系統由一組在戰場上應組織良好的軍事設備組成。無人機、作戰基地、艦艇、坦克、士兵和飛機等這些物品應在一個有凝聚力的網絡中進行通信。在 IoMT 網絡中，態勢感知、響應時間和風險評估都會得到提高。此外，IoMT 環境應涉及對普適計算、普適管理、普適傳感和普適通信的全面認識。此外，IoMT 可能會導致傳感器等網絡事物產生超大規模的數據。此外，這類網絡所需的計算量非常大，而這些計算的結果應能實時準確地實現。因此，IoMT 系統架構應考慮上述注意事項。

因此，建議的體系結構由四層組成： 通信層、信息層、應用層和決策支持層（見圖 1）。通信層關注的是事物如何在一個大網絡中相互通信。信息層涉及軍事數據的收集、管理和分析。應用層包括控制不同通信軍事系統的應用程序。最后，決策支持層負責決策支持系統，幫助戰爭管理者做出準確、實時的決策。下文將對每一層進行深入討論。

3.1 通信層

IoMT 系統可視為物聯網的一個特殊例子。因此，IoMT 環境與物聯網環境有些相似，只是在事物類型、通信方式等方面略有不同。根據這一理念，IoMT 環境可定義為一組使用互聯網相互通信的不同網絡。這些網絡應包括軍事任務中的主動和被動事物。IoMT 系統中應構建的主要網絡包括無線傳感器（WSN）、射頻識別（RFID）、移動特設（MANET）、衛星和高空平臺（HAP）網絡。由于 WSN 在許多軍事問題中的重要性，它被納入了 IoMT 系統。WSN 通過快速收集和提供危險數據來協助戰爭行動。然后，將這些數據發送給最合適的人員，以便實時做出正確決策。因此，除了協調自身的軍事活動外，WSN 的主要目標是監測和跟蹤敵方士兵和其他敵方事物的動向。傳感器可以遠距離分布，覆蓋大片區域。這些傳感器通過控制其行為的基站進行通信。由于 RFID 網絡在軍事領域的重要性，它在 IoMT 環境中得到了體現。軍隊中最重要的問題之一就是大部分物品都要貼上標簽。在戰場上使用 RFID 可以為士兵、貨物、小型武器、飛機、射彈、導彈等提供一個具有監控功能的跟蹤系統。例如，定期掃描每個人的醫療情況和效率是戰爭中一個非常重要的問題。城域網在 IoMT 系統中的表現也是一個重要問題，因為它可以用來促進士兵、武器、車輛等的通信。城域網在軍事上有許多特別的應用，如安裝在飛機和地面站之間的網絡或船舶之間的網絡。每種特設網絡的要求都取決于軍事任務的類型。此外，在軍事應用中使用的特設設備都配備了路由場景，可以利用最佳路由路徑自動轉發數據。物聯網依賴互聯網技術來促進通信，這是一個普遍的邏輯。遺憾的是，某些作戰地點可能沒有互聯網技術。因此，尋找替代通信技術非常重要。這就是在覆蓋目標中使用 HAP 網絡的原因。軍用物資分布面積大，因此必須以可靠的方式進行覆蓋，以保證通信效率。HAP 網絡可作為互聯網之外的第二種通信策略選擇。HAP 網絡的高度有限，因此容易成為敵方的攻擊目標，其故障概率可能很高。如果 HAP 網絡出現故障，通信系統將面臨很大問題，可能會影響軍事任務的執行。因此，應構建一個衛星網絡來覆蓋故障的 HAP 網絡，并覆蓋 HAP 網絡或互聯網可能無法覆蓋的軍事事物（見圖 2）。不同網絡之間的通信難題只需使用報頭恢復技術即可解決。在這種技術中，每個網絡之間都應添加一個翻譯器，用目的節點的報頭封裝每個數據包。新的報頭使數據包可以被理解；這可以通過系統路由器來實現（見圖 3）。

圖2: 通信網絡(該圖部分摘自[23])

圖3: 報頭轉換過程

3.2 信息層

這一層非常重要，因為它代表著 IoMT 系統架構的核心。射頻識別（RFID）、傳感器等軍用設備收集的信息應以安全、珍貴、實時的方式進行傳輸、存儲和分析。這一層的首要功能是在信息處理后對收集到的信息進行組織和存儲。IoMT 系統數據的處理被認為是一個具有挑戰性的問題，因為在短時間內可以收集到 TB 級的數據。因此，應在不影響質量的前提下盡量減少這些數據。此外，IoMT 的特殊要求（如實時決策）也不容忽視。在 IoMT 系統架構中，數據處理包括四個步驟： 優先化、過濾、壓縮和抽象。下面將對優先級排序過程進行說明。數據過濾、數據壓縮和數據抽象技術在第 4.1 小節中說明。

確定優先級的步驟包括處理不同優先級的數據。對于戰爭管理者（即軍隊將領）來說，收集到的每項數據都有一定的重要程度。因此，應將數據分為若干優先級，以便在 IoMT 系統饑餓的情況下優先處理和發送高優先級的數據。隊列系統就是用來實現這一優先級劃分步驟的。由于 IoMT 系統數據分類數量龐大，因此采用了六隊列系統。因此，IoMT 系統數據將被分為六個不同的類別。第一類代表最重要的 IoMT 系統數據；第二類代表不太重要的數據，依此類推。分類過程將動態完成，因此每個類別中的數據可能會根據戰爭任務的性質發生變化。為切實實現這一步，下一代路由器應具備對 IoMT 系統數據進行分類的能力。圖 4 說明了優先級排序過程。

圖4: 數據分類過程的簡單視圖

3.3 應用層

IoMT 系統架構中的應用層包括管理、監視等戰爭任務中使用的異構應用。該層應使用一個通用應用程序管理這些應用程序的功能，同時不影響其效率。這些應用程序的統一過程應基于通信數據（信息交換）來實現。在數據通信中，一個應用系統的輸出數據可能是另一個應用系統的輸入數據。因此，確定戰爭應用程序的輸入數據和輸出數據被認為是這一層最重要的目標之一。例如，飛機或發射器的火箭發射應用的輸入需要衛星監控應用的輸出數據，而衛星監控應用可能需要 WSN 應用的數據。信息層和應用層之間的通信非常重要，因為作為輸入和輸出的數據應首先在信息層處理。因此，在設計用于管理軍事應用程序的通用應用程序時，應首先確定每個應用程序的輸入和輸出數據。然后，應確定數據處理的時間（硬、實或軟）。例如，在戰斗停止期間，某個目標的坐標突然發生變化，三個應用程序應實時交互，以完成任務并擊中新位置上的目標。這些相互作用的應用程序構成了 WSN、戰爭管理以及執行任務的飛機機艙。還應確定應用特殊應用程序的優先順序。例如，在敵方多次攻擊特定目標的情況下，防御應用程序將優先啟動。

根據上述討論，一般管理應用程序應有一個專門的數據庫。該數據庫存儲有關單個軍事應用程序的動態變化數據。這些數據與以下主題有關： 輸入和輸出、單個應用程序之間的數據流方向、硬時間軍事情況、實時軍事情況、軟時間軍事情況以及每個應用程序的優先級。這些優先級應根據戰爭形勢來確定。根據綜合管理 IoMT 應用程序的性質，IoMT 系統數據庫的設計可以是分布式的，也可以是集中式的。在分布式數據庫中，應注意數據庫服務器之間交互的復雜性，特別是在需要硬時間或實時交互的事件中（見圖 6）。 、

3.4 決策支持層

戰爭中最重要的問題之一是決策過程。在技術戰爭中，決策應具備準確性、實時性、清晰性、安全性和快速分發等諸多規格。所有這些指標都應與信息層收集的數據相關。雖然信息與軍事決策之間關系密切，但所提出的 IoMT 系統架構在信息層和決策支持層之間還有一個中間層，即應用層。短時間內收集到的大量 TB 信息需要進行分析、過濾、優先排序和壓縮。這些過程已經在信息層中完成。但是，信息層沒有能力確定信息在應用層之間的移動方向（即信息的正常順序）。這種信息順序意味著，每個數據段都應指向一個合適的應用程序，以便實現互補和平衡。這些信息將用于決策過程。例如，假設戰爭管理者有一個目標，要求以特定的安排和特定的順序處理信息，直到軍事偵察之旅取得一定的結果。該目標的完成將通過步兵和防空來實現。因此，應用層和決策支持層之間的聯系將對高精度規格的決策產生良好的影響，這將在關鍵的戰爭事件中發揮作用。

簡單地說，本文概述的決策支持流程包括五個步驟： 事件權重、解決方案識別、選擇一種解決方案、行動和輸出評估（見圖 7）。戰爭管理者可根據自身經驗水平提取事件權重。一旦對事件有了充分了解，就該確定解決方案了。在準備決策時，有許多不同的備選方案。因此，確定可用行動的范圍非常重要。接下來，應選擇備選方案，并確定每個備選方案的風險。然后，就該采取行動了。應確定實施計劃，并提供實施所選解決方案所需的資源。應預先確定執行時間，然后開始執行。最后，應對選定解決方案的執行結果進行評估。請注意，有許多決策支持系統在經過實際測試（如 [24,25]）后，可在 IoMT 中實施。

決策支持層可能面臨三大挑戰。第一個挑戰是數據過多或不足。這意味著決策支持層的輸出會延遲或不準確，這可能會造成災難，因為在大多數戰爭時期都需要實時決策。第二個挑戰是問題識別錯誤。在大多數戰爭任務中，圍繞一項決策會有許多問題。然而，有時卻無法確認這些問題的真實性。第三個挑戰是對結果過于自信。即使決策過程得到了準確執行，實際產出也可能與預期產出不完全一致。應用層將通過確定決策構建所需的準確信息、對問題的準確定義以及輸出調整來應對這些挑戰。因此，決策支持層將使用應用層的輸出。因此，在擬議的 IoMT 架構中，這些層之間的分離是一個需要考慮的重要問題。

仿真

首先，應構建一個軍事模擬環境，以測試所提議的 IoMT 架構的性能。網絡模擬器 3（NS3）是最廣泛使用的網絡模擬軟件包之一，將用于實現這一目標。軍事模擬環境由五種不同類型的網絡組成，其中包括分布在大片區域的大量節點。這五種網絡分別是 WSN、RFID、MANET、HAP 和衛星網絡。這些網絡是根據戰場需求確定的。文獻[26]中的仿真用于評估所提出的 IoMT 架構。在 WSN 仿真中，成千上萬的傳感器分布并部署在戰爭環境中。一個或多個基站將這些傳感器相互連接起來，并從中收集信息。在突發事件中，傳感器能夠向基站發送陷阱信息。然后，如果情況緊急，需要迅速做出決定，基站將直接把信息發送給執行者，如戰士、管理人員等。不過，在正常情況下，基站會將收集到的信息（詳細信息或摘要）重新發送給負責決策的管理人員。基站應該是智能的，并通過編程來實現這一目標。為了在 IoMT 中準確呈現 WSN，傳感器應具有不同的傳輸范圍。對于 RFID，美國軍方在第二次海灣戰爭中使用了最佳方案[27]。每個士兵身上都應貼有一個 RFID 標簽，以便在戰場上進行追蹤。此外，商業貨運和航空托盤等戰爭工具也應貼上 RFID 標簽，以便了解坦克和計劃等關鍵工具的最新狀態。此外，為了挽救士兵的生命，建議的模擬系統考慮了專門用于戰爭的移動醫院，并應配備 RFID 技術。此外，還利用 RFID 技術觀察軍隊的小型庫存物品，以實現更嚴格的庫存控制。對于城域網仿真，它包含戰場對象（如車輛、士兵和信息提供者）之間的臨時通信。在某些軍事情況下，很難通過數據采集中心傳遞或發送信息。因此，城域網仿真的一個考慮因素就是在數據傳輸中使用這種網絡。文獻[28]中所述的架構用于 HAP 和衛星網絡的通信。互聯網仿真使用了 [29] 中介紹的路由算法和 [30] 中介紹的物聯網混合組播架構。多媒體傳輸使用[31]，但傳統軍事系統的模擬則使用[32,33]中所述的準則。

在信息層模擬中，將隨機、動態地創建 IoMT 數據。然后，這些數據將被分類并進入隊列，每個隊列將作為一個數據類別。動態數據的創建取決于存儲在特殊數據庫中的戰爭任務。本模擬場景中使用了 [34] 中所述的壓縮技術和數據過濾技術來減少數據，這是信息層的主要目標之一。應用層模擬也取決于戰爭任務，其中包括許多模擬網絡場景。每個網絡應用程序的輸入和輸出數據都在模擬文件中預先確定。網絡應用程序與綜合管理應用程序之間的通信是通過信息傳輸實現的。文獻[35]中的仿真用于決策支持層。戰爭任務的部分建模和仿真來自文獻[36]，仿真中使用的武器的一般規格來自文獻[37]。圖 8 顯示了擬議的 IoMT 系統模擬環境的全貌。