過去幾十年來，在安全、監視、情報收集和偵察等許多領域，對目標跟蹤（OT）應用的需求一直在增加。最近，對無人系統新定義的要求提高了人們對 OT 的興趣。機器學習、數據分析和深度學習的進步為識別和跟蹤感興趣的目標提供了便利；然而，持續跟蹤目前是許多研究項目感興趣的問題。本論文提出了一個系統，實現了一種持續跟蹤目標并根據其先前路徑預測其軌跡的方法，即使該目標在一段時間內被部分或完全隱藏。該系統分為兩個階段： 第一階段利用單個固定攝像機系統，第二階段由多個固定攝像機組成的網狀系統。第一階段系統由六個主要子系統組成：圖像處理、檢測算法、圖像減法器、圖像跟蹤、跟蹤預測器和反饋分析器。系統的第二階段增加了兩個主要子系統：協調管理器和相機控制器管理器。這些系統結合在一起，可以在目標隱藏的情況下實現合理的目標跟蹤連續性。

多智能體自主系統與實時規劃有關的研究日益增多，本論文就是對這一研究的貢獻。多年來，由移動智能體組成的自主系統已被證明是用于探索（如太空機器人）、軍事（如搜救行動）和工業應用（如谷歌自動駕駛汽車）的高效、穩健和多功能工具。隨著自主技術日趨成熟，部署多個自主智能體來完成復雜的任務在許多不同的應用中都受到了廣泛關注。如果單個智能體可以完成一項任務，那么多個智能體就有可能更快地完成任務。然而，引入多個智能體會使整個系統變得更加復雜，因為現在的智能體需要能夠有效地相互協作。在沒有有效協作機制的情況下隨機引入智能體，可能會對生產率產生負面影響。

本論文的研究目標是使多智能體自主系統在現實應用中無處不在。我們采用了自下而上的方法來開發算法機制，以應對我們在實現這一目標的道路上所面臨的挑戰。

對于在動態環境中運行的智能體來說，能否成功執行任務取決于它能否有效地導航到目標位置。如果我們在環境中引入更多的智能體，路徑規劃的要求就會更高，因為現在智能體之間必須把彼此當作動態障礙物來對待。路徑規劃算法不僅需要避開障礙物，還需要足夠快的速度，以便在移動智能體在導航過程中遇到意外障礙時重新規劃。此外，路徑規劃算法還需要保證智能體能夠在滿足機械約束條件的情況下穿越路徑。

我們開發了一種基于隨機優化的同步重規劃矢量粒子群優化算法（SRVPSO），通過避開靜態和動態障礙物來找出成本最優的路徑。所提出的算法通過應用同步重新規劃策略，減少了路徑規劃的計算時間。SRVPSO 算法還能在一些車輛約束條件下工作，如車輛尺寸和轉向角。此外，還開發了一種不同地形的可穿越性評估方法，以便在未知環境中進行無風險、穩健的導航，同時優化總成本。

由移動智能體群組成的自主系統需要一個有效的任務規劃器來成功完成一系列任務。任務規劃器所面臨的挑戰是如何為每個智能體確定最優化的任務數量和相關任務。為了解決多智能體自主系統任務規劃過程中的任務分解和任務分配問題，我們開發了一個折中視圖（CV）模型和一個基于最近鄰搜索（NNS）的模型。結果表明，這些模型因其反應式管理結構而非常有效，能成功完成任務。NNS 模型能有效地解決智能體的分解問題。它還具有任務切換能力。

任務規劃器的多目標優化框架可確定任務所需的智能體數量。任務規劃器利用所開發的任務分解方法，最大限度地減少完成任務的時間以及智能體的數量。多目標框架的輸出是帕累托最優值，然后將其作為決策框架的輸入，根據用戶定義的一些約束條件和優先事項確定優化的智能體數量。在測量完成任務的時間時，任務規劃器利用先前開發的路徑規劃器模擬智能體在環境中的導航軌跡，以提供最準確的估計。

然而，正在進行的任務可能會受到突發事件的影響（如一些天氣事件、智能體的意外維護要求等）。未來任務的規劃取決于正在進行的任務，因為它提供了對資源可用性的估計。需要一個現實的預測模型，利用過去任務的信息，對當前任務的完成情況進行統計估計。

我們開發了一個基于人工神經網絡的預測模型，根據以往任務的信息預測任務的完成時間。該預測模型旨在為潛在的任務規劃者提供指導。利用這一數值模型，未來的規劃者可以預測所需的資源，而無需經過優化過程。上述所有算法工具都通過大量的模擬結果和實時實驗進行了演示。

無人機（UAVs）在軍事和民用領域發揮著至關重要的作用。本論文的研究有助于智能控制系統（ICS）領域，特別是實現旋轉翼無人飛行器（RUAV）可靠、便捷的自主控制。特別是，本論文解決了如何適應未建模動態和干擾（如在空中改變有效載荷）的難題。

無人機可以攜帶額外的重量，如傳感器、貨物，甚至被稱為有效載荷的懸掛物。已經開發了許多策略來穩定不斷變化的有效載荷，但這些策略都假定有效載荷是剛性的，重心（CoG）是靜態和已知的。有效載荷質量及其類型在飛行過程中的變化會極大地影響無人機的動態性能，這就要求控制器進行調整，以保持令人滿意的閉環性能。此外，還沒有探索過在半空中從一架較大的飛機（如氣象氣球）上發射一組具有隨機姿態的送貨無人機的情況。最后，未建模的動力學和陣風等不確定因素給飛行操作帶來了挑戰，因此綜合控制系統對于處理這些不確定因素至關重要，但對非基于模型的綜合控制系統的設計和開發關注不夠。

受這些研究空白的啟發，本論文探討了如何處理有效載荷在空中的 CoG 變化和姿態獨立發射的控制問題。為解決這些問題并實現理想的軌跡跟蹤控制，本文提出了一種新型非基于模型的綜合控制系統，稱為雙向模糊腦情感學習（BFBEL）控制系統。所提出的控制系統融合了模糊推理、神經網絡和基于強化學習的新型雙向腦情感學習（BBEL）算法。所提出的 BFBEL 控制器能夠從零開始快速適應，可用于控制 RUAV 的所有六自由度 (6DOF)。為擴大擬議控制器的適用性，開發了單輸入-單輸出（SISO）和多輸入-多輸出（MIMO）架構。本研究考慮的兩種無人駕駛飛行器模型是四旋翼無人駕駛飛行器（QUAV）和直升機無人駕駛飛行器（HUAV）。SISO 版本的 BFBEL 控制系統被應用于 QUAV，以解決處理 CoG 和重量不同的外部有效載荷的問題。BFBEL 控制系統的 MIMO 版本應用于 HUAV，以解決在空中獨立發射姿勢的問題。對這兩種系統都進行了模擬評估，并通過實驗驗證了如何處理 CoG 不確定的外部有效載荷問題。最后，在相同的控制情況下，將飛行能力和控制性能與傳統的比例積分微分（PID）控制器方案進行了比較。

這項研究的目的是調查和開發適合設計和分析低可觀測無人作戰飛行器（UCAV）的概念設計方法和計算工具，這些飛行器可執行從亞音速到高超音速飛行狀態的各種任務，具有各種有效載荷和性能要求，以及各種操作限制。

毫無疑問，無人駕駛飛機已經改變了航空航天的許多方面，而軍事應用往往引領著這些變革努力。UCAV 已成為應對未來空戰所面臨的技術、作戰和經濟挑戰的潛在戰略。這些挑戰包括第四代戰斗機機隊的老化、新型先進 4+ 和第五代平臺的部署、據報道當前無人飛行器的高脆弱性以及高超音速飛行器和武器的未來發展。

為了研究未來飛機的配置，克蘭菲爾德大學飛機設計組的霍華德-史密斯教授于 2012 年設想了 GENUS 飛機設計環境。該框架依賴于一個具有高度模塊化和靈活性的中央架構，能夠使用類似的分析工具設計、分析和優化多個種類的飛機，揭示新設計的真正差異和潛在優勢。

質量估計、推進、空氣動力學、性能、雷達截面估計和氣動熱分析工具已集成到 GENUS 框架中，以研究 UCAV 的設計空間。由于獲取 UCAV 和類似配置的高質量數據往往受到限制，因此無法對這些方法進行驗證，也無法從中比較和生成更高保真的模型。第9.2節確定并提出了今后提高這些方法準確性的具體步驟。

本研究進行的設計空間探索包括：亞音速 UCAV 執行高-低-高任務的任務參數權衡研究、性能與當前第五代戰斗機相當的 UCAV 平臺的概念和初步設計、全超音速深度攔截任務權衡研究，以及執行時間緊迫的打擊任務的高超音速（M ≥ 3.0）艦載 UCAV。

圖 UCAV 完整的結構布置（改編自 Sleightholme）。

提綱

第 2 章簡要介紹了無人飛行器的發展歷史，強調了從最早的空中魚雷到現代沖突的軍事應用。隨后，在本研究的背景下對 UCAV 進行了定義，并對聯合行動的未來進行了簡要展望。還介紹了主要的技術驗證計劃和當前的 UCAV 設計。本節最后回顧了設計和開發 UCAV 背后的技術挑戰。

第 3 章介紹了 GENUS 飛機設計環境、其核心理念、總體結構概述、數據分層和模塊之間的數據共享，最后介紹了框架內優化問題的設置；并提供了一個準多目標優化的簡要示例。

第 4 章提供了集成到 GENUS 框架各分析模塊中的 UCAV 設計方法的技術細節；提供了質量估計、空氣動力學、推進建模和雷達截面的驗證和確認。由于 UCAV 配置具有從亞音速到高超音速的廣闊設計空間，因此在開發這些方法時考慮到了靈活性和可擴展性。除了典型的飛機設計分析模塊外，還創建了一套特殊模塊來分析非典型學科：通過物理光學近似方法增加了雷達截面估計；作為高超音速運行的一個關鍵方面，還包括飛行器熱負荷分析和燃料熱管理系統。

第 5 章介紹了典型對地打擊任務（Hi-Lo-Hi）中低可觀測亞音速 UCAV 配置的任務和性能權衡研究。在機翼面積不變的情況下，量化了前緣掠角、巡航馬赫數、作戰半徑和比過剩功率對λawing UCAV配置的影響。

第 6 章介紹了為建立第五代 UCAV 設計所做的概念和初步設計工作，該設計旨在與當前的第五代戰斗機和未來的第六代戰斗機一起進行高度集成和協調的作戰行動。這種 UCAV 的任務設計包括亞音速對地攻擊剖面和有限的超音速作戰能力。已對總體結構概念、發動機尺寸和集成、燃料、動力和執行系統以及起落架尺寸和航電系統設計進行了初步設計研究。

第 7 章涉及各種作戰任務、有效載荷和操作要求下的超音速設計概念研究。對馬赫數 2.0 的深度攔截任務（Hi-Hi-Hi）進行了研究，并對巡航和沖刺馬赫數進行了作戰貿易研究。隨后，還介紹了航母艦載高超音速打擊 UCAV 的作戰貿易研究。評估了巡航馬赫數、巡航高度和作戰半徑對重要性能參數（如到達目標時間和熱管理限制）的影響。

第 8 章是主要討論部分，總結了在各種任務和作戰限制條件下各類 UCAV 的主要結果和發現。

最后，第 9 章總結了成果、結論和確定的下一步工作。

GENUS飛機概念設計環境

克蘭菲爾德大學飛機設計組自 2012 年起開始開發 GENUS 飛機概念設計環境(122)。其名稱源于生物分類學的分類方法，代表了在通用架構下設計、分析和優化各種飛機的能力，如圖 3-1 所示。

圖 3-1 - 適用于飛機的生物分類法

GENUS 是基于 Java 的代碼，因此無需客戶許可證即可在任何操作系統中運行。Java 的在線支持和開發非常廣泛，有多個數值、數學、圖形和后處理庫可供免費使用，大大提高了框架的潛在能力，同時降低了開發成本。

圖 3-2 - Java 與傳統代碼交互的一般程序

另一個重要特點是 Java 能夠通過其 Java 本地接口 (JNI) 實現與 FORTRAN 和 C/C++ 等其他編程語言進行通信。圖 3-2 顯示了 Java 與傳統飛機設計代碼（通常用 C、C++ 和 FORTRAN 編寫）之間的集成和通信過程。該功能廣泛應用于 GENUS 框架的各個分析學科，以增加保真度，而無需長時間重寫或獨立開發復雜代碼。

GENUS 架構的核心理念可概括為以下幾個主要方面：

• 模塊化： 明確區分不同的分析學科，并按層級編程。抽象類是這一功能的基礎，Java 的多態性也為其提供了支持。

• 靈活性： 通過高度抽象化，分析技術可應用于多種飛機，而無需修改核心框架。

• 擴展性： 能夠在分析模塊中包含各種保真度級別，從經驗方法到高保真數值工具。Java 的本地接口及其多態性支持這一方面。特殊模塊（下文將解釋）可用于添加專業分析工具。

• 健壯性： 一個有凝聚力的框架，依賴于經過良好測試的方法以及適當的錯誤和異常處理方法。

• 獨立性： 在適當情況下，避免使用許可和依賴平臺的軟件。

圖 3-3 - GENUS 框架的組成部分和相互關系

GENUS 框架不應被視為一個黑盒系統，只需要用戶提供最少的輸入；相反，GENUS 依賴于一個知識淵博的用戶/設計者，以循環和建設性的方式與框架的前端和后端進行交互。這種互動利用了設計者的專業知識、直覺和假設，從而產生新的知識。圖 3-3 是用戶與框架互動的頂層示意圖。

GENUS 核心框架由九個基本模塊組成，其中包括 1. 幾何 2. 任務 3. 推進規范 4. 質量分解 5. 空氣動力學 6. 推進分析 7. 包裝 8. 性能 9. 穩定性

所有模塊都采用抽象 "GENUS模塊 "的結構，如圖 3-4 所示。隨后，9 個基本模塊中的每一個都有一個 "抽象 "模塊。如圖 3-5 所示，所有特定模塊都是這些抽象模塊的擴展和實現。

圖 3-4 - 抽象 "GENUS模塊 "的總體結構

圖 3-5 - 性能模塊的層次結構和數據流

為了分析飛機設計的非常規方面，可以在原有 Genus 模塊的基礎上實施一系列特殊模塊。特殊模塊的例子包括雷達截面分析、音爆強度、成本估算和航空熱力學分析。

圖 3-6 是一個框架示意圖，顯示了單個設計實例的啟動過程。每個模塊都可以根據用戶的需要進行輸入，然后將輸入信息傳遞到后續模塊，如連接箭頭和變量所描述的信息流所示。

圖 3-6 - 在 GENUS 中啟動設計實例的 N2 圖示例

圖 3-7 顯示了帶有幾何和體積約束、質量和燃料收斂誤差以及推力和穩定性約束的優化循環的 N2 圖。輸入變量僅與幾何、任務（估計起飛質量）和推進規范模塊相對應。該圖表示一個固定飛行任務（航程、速度、有效載荷......）的典型收斂優化循環。目標函數箭頭來自框架域，一般代表可選擇的各種目標；典型目標函數的例子包括最大起飛質量 (MTOM)、運行空重 (OEM)、總耗油量、RCS（特定視角或平均值）等。

圖 3-7 - GENUS 優化設計的 N2 圖示例

物聯網（IoT）和大數據描述了許多行業對數據收集、通信和分析的關注。利用射頻識別（RFID）等工具，可以最大限度地發揮物聯網和大數據的潛在效益，將設備相互連接起來，并為終端用戶提供與技術互動的有意義的方式。醫療保健行業已經徹底改變了其物聯網方法，希望能夠節約成本、提高效率和改善醫療質量。海軍醫學在大數據方面已有一定的歷史，在未來，技術與醫療保健之間可能會有更多的交叉。在采用新技術的過程中，可能會遇到技術變革的阻力。阻力的類型、強度及其調解在很大程度上取決于領導者如何處理最終用戶的阻力和接受程度。引入新的 RFID 技術有可能對手術工具消毒、病人和員工追蹤等流程產生積極影響。展望未來，醫療保健與技術的融合將繼續快速發展，物聯網、大數據和 RFID 技術將在醫療保健行業發揮重要作用。

機器學習將極大地改變未來戰爭的方式。為了充分利用機器學習帶來的固有能力，海軍陸戰隊必須做出重大改變。

機器學習是人工智能的一個分支，是軍事領域的一場革命（RMA）。它將從根本上改變戰爭的方式。從圖像分類到語音識別、機器人和自動駕駛汽車，其可能性是無窮的。然而，這一進步仍面臨著實際障礙。數據采集和格式化是成功的關鍵，而這兩項工作在政府部門本身就很困難。此外，機器學習也不是萬能的。有些問題機器學習能解決，有些問題機器學習不能解決，因此必須明確兩者之間的區別。因此，要利用這些新趨勢，海軍陸戰隊必須了解技術，并能夠和愿意在必要時適應技術。

海軍陸戰隊尚未做好適應當前 RMA 的準備，需要立即做出實質性改變，以扭轉趨勢。海軍陸戰隊應采用當前的 Project Maven 流程，并在信息副指揮官 (DCI) 下設立一個單元。該單元必須開始整理海軍陸戰隊的不同數據，并利用這些數據與行業領導者建立有意義的關系，以此激勵私營公司參與其中。

近年來，機器人領域發展迅速，機器人被用于越來越多的應用中，從制造業到醫療健康再到家務勞動。機器人技術的關鍵挑戰之一是使機器人能夠在非結構化和動態環境中執行復雜的操作任務。雖然機器人學習和控制已經取得了重大進展，但許多現有方法受到限制，因為它們依賴于預定義的運動基元或通用模型，而這些模型沒有考慮到個人用戶、其他合作智能體或交互對象的特定特征。為了在這些不同的環境中有效地工作，機器人需要能夠適應不同的任務和環境，并與不同類型的智能體進行交互，如人類和其他機器人。本論文研究學習方法，使機器人能夠適應他們的行為，以實現智能機器人行為。

在本文的第一部分中，我們專注于使機器人更好地適應人類。我們首先探索如何利用不同的數據源為人類用戶實現個性化。研究了人類如何喜歡用低維控制器(如操縱桿)遙控輔助機器人手臂。本文提出一種算法，可以有效地開發輔助機器人的個性化控制。這里的數據是通過最初演示機器人的行為，然后詢問用戶以從操縱桿收集他們相應的首選遙操作控制輸入來獲得的。探索了利用較弱的信號來推斷智能體的信息，如物理修正。實驗結果表明，人工修正是相互關聯的，共同推理這些修正可以提高精度。最后，研究了機器人如何通過推理和利用團隊結構更有效地與人類團隊合作和影響人類團隊，而不是只適應單個人類用戶。將該框架應用于兩種類型的群體動力學，即領導-跟隨和捕食者-被捕食者，并證明機器人可以首先開發一種群體表示，并利用這種表示成功地影響一個群體以實現各種目標。

在本文的第二部分，我們將研究范圍從人類用戶擴展到機器人智能體。本文解決了分散的機器人團隊如何通過只觀察其他智能體的行動來相互適應的問題。本文發現了團隊中存在無限推理循環的問題，并通過為機器人智能體分配不同的角色，如"發言人"和"聽眾"，提出了解決方案。這種方法使我們能夠將觀察到的行動視為一個溝通渠道，從而實現分散團隊內的有效協作。在本文的第三部分，我們探討了如何通過開發定制的工具來適應不同的任務。強調了工具在確定機器人如何與物體交互方面的關鍵作用，使它們在為特定任務定制機器人方面變得重要。為解決這個問題，本文提出一個端到端的框架，通過利用可微物理模擬器來自動學習富接觸操作任務的工具形態學。最后，對全文進行了總結，并對未來的研究方向進行了展望。

為了面對軍事防御的挑戰，軍隊及其戰術工具的現代化是一個持續的過程。在不久的將來，各種任務將由軍事機器人執行，以實現100%的影響和0%的生命風險。國防機器人工程師和公司有興趣將各種戰略自動化，以獲得更高的效率和更大的影響，因為陸地防御機器人的需求正在穩步增長。在這項研究中，軍事防御系統中使用的陸地機器人是重點，并介紹了各種類型的陸地機器人，重點是技術規格、控制策略、戰斗參與和使用目的。本研究還介紹了陸地機器人技術在世界軍事力量中的最新整合，其必要性，以及各國際防務公司對世界經濟的貢獻，表明其在軍事自動化和經濟穩定中的優勢。本報告還討論了近期發展的局限性和挑戰、機器人倫理和道德影響，以及與機器人安全有關的一些重要觀點和克服近期挑戰的一些建議，以促進未來的發展。

引言

為了加強軍事防御系統，必須大力發展和提高智能自主戰略能力。在大多數第一世界國家，研究國防技術改進是實現軍事防御現代化的優先事項。未來戰爭的特點可以根據不同領域的沖突進行分析，如：海洋、陸地、空中、網絡、太空、電磁和信息。隨著現代智能和機器人技術的改進，跨域（X域）和多域戰略也需要被關注。無人自主X域（多域）系統，簡稱UAxS，現在是研究和發展的重點，以使軍事力量更加強大、有力和智能。圖1展示了多域和X域的戰爭模式。

圖 1：多域和 X 域戰爭模型

現代防御機制可以在四個相互關聯的領域進行研究：先進的戰艦、良好的通信、人工智能和自主武器。這基本上意味著在軍事防御系統中實施機器人技術。在戰場上，一支裝備精良的機械化部隊是指揮官非常重要的資產。在戰爭中，指揮官必須專注于火力、機動性、人機合作、決策、支持裝甲和指揮步兵。在未來，機器人和自動化系統將通過提供支持和減少負擔來幫助解決這些問題，因為這些系統將更加智能、可靠和合作。在最近的軍事活動中，機器人和自主技術被用于偵察、設備供應、監視、掃雷、災難恢復、受傷士兵的檢索等（Dufourda, & Dalgalarrondo, 2006；Akhtaruzzaman, et al., 2020）。

為了確保可靠的使用和獲得最高的技術影響，機器人必須在半自動化、自動化和人機交互工程方面進行良好的設計。無人地面車輛（UGV）很有前途，在國防應用中具有很大的潛力，在這些應用中高度需要更快和可靠的通信鏈接（鏈接預算）和快速獲取信息（RAtI）（Akhtaruzzaman, et al., 2020）。機器人的價值比人的生命還要低。機器人在感知、檢測、測量和分析方面速度更快。機器人沒有任何激情或情感，不會像人類那樣感到疲勞或疲倦，而是在極端和關鍵條件下保持運作。在不久的將來，機器人將成為作戰計劃和參與的核心技術（Abiodun, & Taofeek, 2020）。它們將能夠通過智能傳感器技術與環境溝通，通過建模理解環境，理解人類的行動，定義威脅，服從命令，以更高的處理能力獲取信息，通過信息交換和共享與其他機器人互動，通過先進的控制技術自主適應敵對環境，并通過強大的計算能力與自動生成的程序應用智能進行自我學習（Akhtaruzzaman, & Shafie, 2010a, 2010b; Karabegovi?, & Karabegovi?, 2019）。

在不久的將來，UGV系統將成為軍事行動的關鍵技術，因為它們將確保幾乎零人力風險，不需要將人力直接安置到戰斗中。UGV系統還將能夠開放各種設施，如負載、自動監視、邊境巡邏、風險降低、障礙物清除、力量倍增器、遠程操縱、信號中繼等（Sathiyanarayanan等人，2014）。陸地防衛機器人必須能夠適應各種崎嶇的地形、惡劣的環境和非結構化的區域，同時發揮指定的作用并保持指揮層次。作為軍事部隊的一種程度，陸地機器人不能給團隊帶來任何額外的工作負擔。因此，必須實施有效的人工智能（AI）工程，以實現UGV或陸地機器人與行動部隊之間可靠的人機合作。

今天的智能機器人或自主武器仍然處于狹義人工智能（ANI）的水平（Horowitz，2019年），或者以某種方式處于ANI和通用人工智能（AGI）之間。這反映出它們還沒有準備好在災難或戰爭等敵對情況下完全自主并做出可靠的決定。人類擁有在很大程度上應用感知經驗的智慧，能夠適應環境，并能在關鍵情況下做出適當的決定。如果這些能力能夠被植入機器人的大腦，該系統就可以說是AGI系統。盡管與人類相比，機器人可以抵御枯燥、骯臟和危險的工作，但它們包括一些有限的功能，如航點或目標導向的導航、障礙物檢測、障礙物規避、威脅檢測、人類檢測和識別、定位、地圖構建、通過圖像和聲音處理提取信息，以及與其他機器人的某種合作。因此，如果能確保機器人和人類之間的良好合作，機器人將在人類的監督下自主工作，那么軍用地面機器人將是最有效的。

本研究對軍用陸地機器人系統、最近的技術進步、應用和道德影響進行了回顧。一些發達國家和不發達國家的現狀，以及通過推進和發展軍事武器、自動化武器和智能技術對世界經濟的工業影響，都反映在審查研究中。本文還闡述了參與戰爭的機器人倫理以及該技術對道德國家的影響。該研究主要試圖通過確定最近的差距、局限性和技術進步的倫理影響，來確定地面機器人技術的最新應用和實施情況。

人工智能的空間是巨大的，復雜的，并不斷發展的。隨著計算能力的進步和越來越大的數據集，人工智能算法正在被探索和開發，以用于各種各樣的應用空間，人工智能算法有各種各樣的潛在用戶和相關風險。人工智能界正在追求可解釋性，作為可信人工智能系統的許多理想特征之一。通過與人工智能界的合作，美國國家標準與技術研究院（NIST）已經確定了其他的技術特征來培養人工智能的信任。除了可解釋性（explainability）和可詮釋性（interpretability）之外，為支持系統的可信賴性（trustworthiness）而提出的其他人工智能系統特征包括準確性、隱私性、可靠性、穩健性、安全性、保障性（彈性）、減少有害偏見、透明度、公平性和問責制。可解釋性和其他人工智能系統特征在人工智能生命周期的各個階段相互作用。雖然所有這些都是極其重要的，但這項工作只關注可解釋的人工智能系統的原則。

在本文中，我們介紹了四項原則，我們認為這些原則構成了可解釋人工智能系統的基本屬性。這些可解釋人工智能的原則是通過NIST的公共研討會和公眾評論期與更大的人工智能社區接觸后得出的。我們認識到，并非所有的人工智能系統都需要解釋。然而，對于那些打算或要求可解釋的人工智能系統，我們建議這些系統遵守以下四個原則：

• 解釋性：一個系統為產出和/或過程提供或包含附帶的證據或理由。

• 有意義：一個系統所提供的解釋對目標消費者來說是可以理解的。

• 解釋準確性：解釋正確地反映產生輸出的原因或準確地反映系統的過程。

• 知識局限性：系統僅在其設計條件下以及對其輸出達到足夠置信度時才能運行。

在這項工作中，我們認識到基于過程和基于結果的解釋的重要性，以及解釋目的和風格的重要性。例如，人工智能開發者和設計者的解釋需求可能與政策制定者和終端用戶的解釋需求截然不同。因此，為什么要求解釋以及如何提供解釋可能會因人工智能用戶的不同而不同。考慮到人工智能系統與信息的人類接收者的互動，這四項原則受到很大影響。給定情況的要求、手頭的任務和消費者都會影響被認為適合該情況的解釋的類型。這些情況可以包括，但不限于，監管機構和法律要求，人工智能系統的質量控制，以及客戶關系。我們的可解釋人工智能系統的四項原則旨在捕捉一系列廣泛的動機、理由和觀點。這些原則允許定義解釋所要考慮的背景因素，并為衡量解釋質量鋪平道路。

我們設想，鑒于人工智能領域的復雜性，這些原則將隨著時間的推移從更多的細化和社區投入中受益。我們充分認識到，除了可解釋性之外，還有許多其他社會技術因素影響著人工智能的可信度。這項關于可解釋人工智能系統原則的工作是NIST人工智能組合的一部分，該組合圍繞可信賴的人工智能數據、標準、評估、驗證和核實--所有這些都是人工智能測量所必需的。NIST是一個計量機構，因此，定義可解釋人工智能系統的初始原則是未來測量和評估活動的路線圖。該機構的人工智能目標和活動是根據其法定任務、白宮的指示以及美國工業界、其他聯邦機構和全球人工智能研究界的需求來確定優先次序的。目前的工作只是這個更大空間中的一步，我們認為這項工作將隨著時間的推移繼續發展和進步，就像更大的人工智能領域。

最近機器學習或人工智能的視覺和自然語言處理方面的進展使個人助理或自動駕駛汽車等新技術的發展成為可能，這將機器學習和人工智能帶到了流行文化的前沿。這些算法進步的積累，以及大量數據集和隨時可用的高性能計算的增加，在將機器學習應用到如此廣泛的學科中發揮了重要作用。鑒于化學科學強調結構和功能之間的關系，無論是在生物化學還是在材料化學中，化學家采用機器學習。《化學中的機器學習》關注以下內容，以啟動您對這一高度相關主題的理解:

//axial.acs.org/2021/06/21/machine-learning-in-chemistry-now-and-in-the-future/

與化學科學最相關的主題是重點。

• 關注概念而不是技術細節。綜合引用為更多的技術細節提供了資源。

• 機器學習方法的關鍵細節(不容易，但重要的是理解這些方法的優點和局限性，并確定領域知識最容易應用的地方。

• 熟悉基本的單變量微積分和線性代數將會很有幫助，盡管我們已經提供了重要的一步一步的推導