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

本工作評估了一種稱為臺球算法（billiards algorithm）的動態傳感器覆蓋（DSC）算法。研究了避開障礙物和無意義區域（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，因為它使無人機能夠在障礙物密集的環境中導航，同時最大限度地降低碰撞風險。在 MATLAB 中進行仿真，以評估算法在平均延遲和最差延遲方面的性能。將臺球算法與隨機路徑選擇和文獻中的一種算法（稱為 Ganganath 算法）進行了比較。為了提高臺球算法在障礙物密集環境中的性能，實施了模型預測控制（MPC），期望智能體（agent）能通過規劃更長遠未來而受益。本文中展示的結果表明，避障臺球算法在平均延遲方面與 Ganganath 算法相比表現良好，但在最差延遲方面存在不足。在某些室內環境中，Ganganath 算法表現出局限性，而臺球算法在兩項性能標準上都優于它。在計算復雜性和通信流量方面，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，這是軍事無人機集群算法中非常有價值的兩個額外指標。MPC 在一個有限的未來時間窗口上優化決策，被集成到臺球算法中以評估其有效性。研究發現，MPC 在一般障礙物密集的環境中并不能提高性能。這很可能是由于在多智能體系統中預測未來狀態的固有困難，再加上智能體即使沒有 MPC 提供的預見能力，已經能夠高效地探索未探測區域。然而，在某些環境下，MPC 可以為算法帶來顯著的性能提升。

無人機（UAV）是一種機上沒有人類飛行員操作的航空器。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）進行操作[1]。這些多功能機器人已成為過去幾十年中的熱門研究課題，因此最近發展顯著[2],[3]。在軍事行動中，無人機非常適合在許多高風險任務（如情報、監視和救援（ISR）行動）中替代步兵[4]。將無人機編入軍事單位可有效減少友軍傷亡并降低成本。最有前景的新興無人機技術之一是無人機集群（drone swarms），其中大量無人機協同操作以自主解決復雜目標。這一研究主題的重點是開發算法，指示無人機通過通信并根據集群中的其他無人機做出智能決策來高效完成任務[5]。未來，在軍事背景下，無人機集群可能通過執行多面任務并最大限度地減少人力資源需求，成為新一代作戰和情報工具。在許多應用中，無人機集群通常比傳統資源更快、適應性更強。借助先進的集群算法，軍隊不僅可將無人機用作單一單元，還可以將其作為一個具有凝聚力的網絡來使用，在復雜環境中的效能和可擴展性方面優于傳統的單一單元任務。本報告中研究的集群算法可在任何能夠在二維空間中移動的機器人平臺上執行，例如無人地面載具（UGV）。在整篇報告中，為采用更通用的術語，這些無人機被稱為智能體（agent）。就本報告而言，該智能體將是一架全向旋翼無人機。

本工作的目標是改進一種現有的名為臺球算法的集群算法，特別著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，以獲得一個穩健且通用的算法。該算法的目的是在關注區域（AoI）上提供持續的傳感器覆蓋，這意味著應盡可能頻繁地覆蓋 AoI 的每個部分。障礙物可能具有各種幾何形狀和復雜度。該算法應能有效地在 AoI 內分配其傳感器覆蓋范圍，該 AoI 的一部分可能被歸類為無意義區域。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，所制定的算法需要簡單而有效。由于存在電子戰的可能性，通信流量也需要考慮。

避障在集群算法設計中至關重要，以防止智能體受損。沒有有效的避障，智能體可能會與 AoI 中的障礙物相撞，造成智能體損壞，甚至在某些算法中導致整個集群失效。將避障集成到集群算法中可大大提高其通用性。一個糟糕的避障算法可能會在障礙物邊緣附近表現欠佳，導致障礙物周圍的覆蓋效果欠佳。因此，本報告中的避障應解決此問題。通過考慮無意義區域，該算法更有效地優先考慮在 AoI 重要區域進行傳感器覆蓋。

本論文的結構如下：第 2 節介紹多智能體系統理論，并介紹本工作中使用的兩種算法。第 3 節描述實驗設計和仿真環境。第 4 節展示并討論結果。最后，第 5 節總結論文并提出未來工作的方向。

美國海軍發布了《海軍與陸戰隊數字系統工程轉型戰略》（DSETS），推動全兵種組織變革，要求從傳統文檔中心的需求-采辦-保障（R/A/S）模式轉向集成數字環境（Bray 2020）。基于模型的系統工程（MBSE）等先進數字工具可提升裝備全生命周期內的設計流程、互操作性、功能維護與保障效能（Zimmerman等 2017），為新一代無人水面艦艇（USV）等自主系統賦予戰術優勢（Del Toro 2024）。

自主系統設計需應對復雜技術挑戰，但過度關注自動化功能往往導致人因工程與工效學（HF/E）要素缺失（Lee & Seppelt 2009；Liu等 2016）。研究表明，HF/E整合不足將危及作戰安全、系統性能與人機交互（Hancock 2019；Parasuraman & Riley 1997）。本研究強調HF/E要素應作為先導設計條件，而非事后補丁。通過構建經過驗證的USV人因需求MBSE框架，為決策者提供結構化數字模板。核心研究問題（RQ1）聚焦：USV綜合HF/E需求框架的構成要素？經驗證模型涵蓋11個核心組件與6類通用功能下的117項需求，涉及感知、認知、時域、人機工程與輔助領域，經專家驗證可有效應對自主系統設計、操作與維護中的關鍵挑戰。該框架旨在優化人機交互、降低失誤率、緩解認知負荷并增強態勢感知。

補充研究問題（RQ2）探究MBSE技術優勢。通過框架構建、修正與驗證過程中的實證研究，揭示MBSE在需求捕獲、可追溯性、版本控制與產品生命周期管理（PLM）方面的優勢（Visure；Zimmerman等 2017）。專家訪談證實MBSE在復雜架構中管理HF/E需求的有效性，驗證本研究采用MBSE在數字生態中捕獲與管理需求的可行性。研究還表明MBSE提供可擴展的數字化工程解決方案，符合國防部（DoD）與海軍數字化轉型目標，為開發最優自主系統奠定基礎框架。

問題陳述

無人水面艦艇（USV）等先進自主系統的快速應用、開發與優先部署需要大量帶寬、精力與關注度。此類資源的高度傾斜導致關鍵人因工程與工效學（HF/E）需求被忽視，引發錯誤信任、不切實際的預期、操作失誤及系統故障（Lee & Seppelt，2009；Vicente，2003）。

研究目的

自主系統需整合機器學習算法、通信系統、復雜計算機編程與傳感器等先進技術要素，這些方面需要工程團隊投入大量資源，并受到利益相關方同等關注。美國海軍加速部署配備先進技術的USV，增加了忽視關鍵HF/E需求的風險。傳統文檔中心方法加劇此問題，割裂需求-采辦-保障（R/A/S）流程，阻礙HF/E專家與工程團隊的有效協作（Muhammad等，2023；Zimmerman等，2017）。此類疏漏將推高長期保障成本、導致重復設計、需專業干預措施，并為操作與維護人員制造低效環節（Hancock，2019；Liu等，2016；Salmon，2019）。設計需求必須包含并優先考慮HF/E要素，以優化系統交互、安全性及USV整體性能（Proctor & Van Zandt，2018；Vicente，2003）。現有文獻既未明確USV設計所需的HF/E要素，也未提出系統性實施框架。

將HF/E需求整合至USV設計初始階段至關重要。整合HF/E與工程學科的龐雜信息、流程與活動，需摒棄孤立式"非數字化"系統開發模式（Bray，2020；Muhammad等，2023；Zimmerman等，2017）。本研究識別并捕獲USV設計與操作所需的HF/E要素，采用基于模型的系統工程（MBSE）軟件構建結構化需求框架。該可復用、可調整的框架使HF/E要素成為系統之系統（SoS）架構的數字基礎需求，涵蓋感知、認知、時域、人機工程與組織維度，優化有人-無人協同作戰（MUM-T）。通過構建包含結構、行為、活動與參數模型的系統架構，為設計團隊提供滿足需求的集成化數字生態系統（Hause，2011）。

本研究采用混合研究方法獲取有效HF/E數據，通過專家訪談驗證框架與建模技術。項目管理方采用經驗證的HF/E需求框架將提升USV安全性、效率與效能（Lau等，2020；Ramos等，2022）。研究成果支持美國海軍在科技與數字工程領域的持續投入，在HF/E常被忽視的現狀下提升USV設計與作戰效能。該可復用、可定制的HF/E模型體現了對自主系統操作人員的責任承諾。正如美國特種作戰司令部（USSOCOM）強調："人員而非裝備決定成敗"，特種部隊信條"人員重于硬件"（USSOCOM，未注明日期）即為此理念的集中體現。

研究意義

本研究通過將HF/E需求嵌入設計核心，填補USV開發與部署的關鍵空白。將此類要素納入集成數字架構可提升作業安全、優化人機交互并增強需求可追溯性（Carrol & Malins，2016；Liu等，2016）。研究強調因HF/E缺陷導致的系統修改與保障成本將使USV"離線"，影響遠程海上行動。所構建的可移植模型亦適用于其他軍用與民用自主平臺領域。提升認知與推動需求采納是本研究的核心驅動力，旨在優化人員福祉、MUM-T協同與系統性能（Lee & Seppelt，2012）。

Proctor與Van Zandt（2018）闡明了HF/E的基本原則：忽視該要素將導致性能下降、錯誤率上升與風險增加。本研究運用數字圖表與建模工具捕獲并優化USV適用的HF/E要素。采用的MBSE方法支持需求的系統化開發、整合與驗證（Lu等，2022；Madni & Sievers，2018）。將HF/E需求整合至USV系統模型，使其成為基礎"構建模塊"，通過功能與活動模型實現需求驗證。

本研究成果對HF/E學術界、科研界與工業界具有重要價值。研究反饋證實HF/E要素對創建健康高效工作環境的必要性。H?kansson與Bjarnason（2020）強調將HF/E視角融入需求工程（RE）可降低壓力并提升用戶滿意度。參與USV"論域"構建的項目辦公室、需求制定方、操作維護人員須踐行此理念（參見術語表）。經驗證的HF/E框架通過集成反饋機制促進安全高效的操作環境與持續改進，通過迭代優化應對新興挑戰與利益相關方需求。

本研究契合美國海軍戰略文件提出的數字化轉型與現代工程目標。Bray（2020）指出數字模型在海軍R/A/S流程中的重要性，可打破"卓越孤島"并增強協作效能。Zimmerson等（2017）強調變革管理策略、數字工具應用與持續利益相關方參與對轉型的關鍵作用。本研究通過MBSE構建HF/E需求框架，支持海軍數字化轉型戰略。經驗證框架可供海軍及跨領域自主系統開發人員使用，其雙重意義在于：優先考慮以人為中心的設計原則提升USV功能，同時踐行海軍數字工程戰略。

當前地對空導彈（SAM）遭遇模擬模型依賴運動學方程的高強度計算，導致生成大量飛機與導彈軌跡時效率低下且精度冗余。本論文與瑞典國防研究機構（FOI）合作，探索運用機器學習技術實現碰撞分類與軌跡預測雙重功能。基于約45760條模擬軌跡訓練的研究模型顯示顯著提速效果：碰撞預測采用數據重采樣提升模型性能，預測精度優于基線模型，但仍存改進空間；軌跡預測因數據集規模過大需采用聚類技術分割數據構建局部模型，初步結果展現快速仿真潛力，但完全替代原模擬器仍需進一步優化。

本文聚焦地對空導彈防御飛機場景仿真，模擬地面發射的制導導彈攔截飛行目標過程。原Matlab-Simulink模擬器生成無噪聲干擾的SAM遭遇場景數據，其設計理念側重簡化而非真實性，依賴運動學方程精確計算導彈與飛機軌跡。本研究目標是通過AI與機器學習構建高精度近似模擬器，實現快速碰撞與軌跡預測，但可能犧牲部分精度。

速度與精度的權衡構成核心挑戰——需最小化計算成本同時最大化精度。解決路徑包括優化訓練數據量、篩選數據子集及選擇數學模型。項目開發兩個模型：導彈-飛機碰撞預測模型與導彈軌跡預測模型。聯合使用可在任意位置實現快速碰撞與軌跡預測，相較原模型顯著縮短計算時間。例如，模擬10萬次場景時，推理時間減少50%將大幅提升單位時間數據產出量，這對需要海量模擬數據的應用場景（如戰機實時預測來襲導彈動態）具有戰略價值。

原模擬器的關鍵特性在于確定性仿真——不考慮噪聲、天氣等擾動因素。這種理想化設定便于歸因模型誤差，但需注意本課題核心目標并非真實性，而是加速軌跡生成效率。

自二戰以來，地對空導彈始終是空戰體系核心要素。相較于造價高昂的戰機，導彈作為低成本攔截手段構成持續威脅。隨著人工智能技術從民用領域（如股市交易、目標追蹤）向軍事應用滲透，本項目通過近似運動學軌跡模型實現快速仿真，為飛行員或控制系統提供更優規避決策支持。此外，加速仿真對雷達操作、導彈技術等關聯系統的優化建模亦具重要意義。鑒于實彈測試成本巨大，高效仿真成為研究SAM場景的唯一可行途徑。

本項目聚焦構建來襲導彈攻擊戰機的近似模擬器。模擬器設定：若導彈未在設定時間內摧毀目標則自毀終止仿真。由于初始條件與戰機機動變量組合導致狀態空間激增，需平衡數據量以控制訓練時長同時保持預測精度。研究開發兩類模型：

? 模型1：碰撞預測——基于初始條件預判導彈與飛機未來碰撞。原系統無對應Matlab模型，本研究通過實驗性方法探索數據分布建模。

? 模型2：軌跡預測——基于初始條件預測導彈與飛機全程軌跡。目標是以可接受的精度損失實現相比Matlab模擬器的推理加速。

項目數據源自現有Matlab-Simulink模型的仿真輸出，與真實數據存在差異。為增強學術價值，將人為引入噪聲擾動以觀察模型響應。

本研究旨在探索機器學習方法對SAM場景Matlab-Simulink模擬器的近似能力，為AI加速導彈-飛機軌跡數據生成奠定理論基礎，在保證可接受精度前提下實現仿真效率突破。

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。

無人水面艦艇（USV）的編隊控制算法通常需要利用射頻（RF）通信網絡來確定艦艇之間的距離和方位，以保持編隊狀態。無論是 USV 之間還是每艘 USV 與集中式編隊控制器之間的射頻信號，都很容易被敵方行動探測和破壞，因此無法采用典型的編隊控制方法。這項研究通過模擬具有計算機視覺能力的 USV，使現有的控制算法分散化，這些 USV 能夠確定與蜂群中其他 USV 的距離和方位。將對分布式控制算法的性能進行分析，以確定具有不同視場的模擬攝像機的影響，以及不同的所需蜂群行為。

本報告由兩部分組成，第一部分旨在介紹加拿大國防研究與發展局（DRDC）根據小型船只自動目標識別（SCATR）數據集建立的雷達截面（RCS）預測模型。這一部分對原始反合成孔徑雷達（ISAR）數據集、隨附的全球定位系統（GPS）實況、Seaspot 處理器輸出的相應數據以及為將原始數據處理成測距-多普勒 ISAR 幀和解析相應 GPS 實況而編寫的 Matlab 例程進行了全面描述。報告這一部分所描述和準備的數據將在第二部分用于建立 RCS 模型。

加拿大政府（GoC）為其最新的監視衛星星座 RADARSAT Constellation Mission (RCM) 投資超過 15 億美元。國防部/加拿大武裝部隊（DND/CAF）極地 Epsilon 2 (PE2) 資本項目利用從加拿大的三顆 RCM 衛星獲得的合成孔徑雷達 (SAR) 圖像，對海上航道進行全天候監視，以完成其關鍵國防任務之一。從一開始，加拿大空軍就對其專用的 RCM 船舶探測模式 (SDM) 的性能質量提出了嚴格的要求，以完成其保障加拿大海上進場的任務。PE2 目前的運行要求是在五級海況下探測大于 25 米的船只，對于大型船只的 RCS，存在相當簡單的半經驗模型，通常用于設計和評估 C 波段專用廣域 SDM 的性能[1]。目標的 RCS 以物理單位平方米（m2）或相對于平方米的分貝（dBsm）為單位，用于衡量反射回雷達的能量大小。雖然 RCS 會因目標屬性（包括尺寸、方向、形狀、入射角、結構和材料等）的不同而產生數量級的變化，但所提出的簡單模型包含一個僅取決于船舶長度的平均值，而忽略了所有其他因素。

根據 DND/CAF 最新版本的《天基監視要求文件》（SBS-RD）[2]中[Req 400.7]的規定，小至 5 米的船只也可進行天基監視。SBS-RD 正式確定了未來天基監視系統的設計和開發所需的 UNCLASSIFIED 監視要求，代表了整個 CAF 的業務和職能當局所確定的需求，為繼續研究和開發（R&D）提供了信息，并旨在影響未來任務中實施的設計。然而，對于此類小型艦艇而言，簡單的模型無法移植到其他同頻或異頻雷達上，而且任何射頻（RF）都不存在可靠的 RCS 模型。文獻[3]首次嘗試將文獻[1]中的簡單模型適用于 5 至 15 米的小型船只，但仍然只考慮了船只的長度。

本科學報告中的工作旨在向更復雜的 RCS 模型邁出一步，該模型包含多個相關的目標屬性，可用于行業設計符合更嚴格要求的特定 SDM，并評估小型船只的探測性能。這種 RCS 模型可用于可靠地預測未來雷達傳感器的性能和針對小型船只探測進行優化的模式，例如，為 DND/CAF 主要資本國防空間監視增強項目（DESSP）所設想的模式 [4]。

本報告由兩部分組成，第二部分旨在介紹根據小型航行器自動目標識別（SCATR）數據集建立的雷達截面（RCS）預測模型。本部分提供了用于開發 RCS 模型的自適應機器學習策略的路線圖。介紹了分別基于五個自適應特征、兩個真實特征和四個全球定位系統（GPS）特征的 RCS 模型的八個變體。此外，每個 RCS 模型還考慮了 26 個子變體。這些模型子變體涵蓋了大量流行的回歸方法，我們的目標是找到一個最忠實地代表反合成孔徑雷達（ISAR）數據集的回歸器，用于 RCS 預測。性能結果以判定系數和均方根誤差表示。高斯過程回歸在 RCS 建模方面表現突出。報告末尾提出了重要的意見和結論。

加拿大政府（GoC）為其最新的監視衛星星座 RADARSAT Constellation Mission (RCM) 投資超過 15 億美元。國防部/加拿大武裝部隊（DND/CAF）極地 Epsilon 2 (PE2) 資本項目利用從加拿大的三顆 RCM 衛星獲得的合成孔徑雷達 (SAR) 圖像，對海上航道進行全天候監視，以完成其主要國防任務之一。從一開始，加拿大空軍就對其專用的 RCM 船舶探測模式 (SDM) 的性能質量提出了嚴格要求，以履行其保障加拿大海上進場的運行任務。PE2 目前的運行要求是在五級海況下探測大于 25 米的船只，對于大型船只的 RCS，存在相當簡單的半經驗模型，通常用于設計和評估 C 波段專用廣域 SDM 的性能。目標的 RCS 以物理單位平方米（m2）或相對于平方米的分貝（dBsm）為單位，用于衡量反射回雷達的能量大小。盡管 RCS 會因目標屬性（包括尺寸、方向、形狀、入射角、結構和材料等）的不同而產生數量級的變化，但所提出的簡單模型包含一個僅取決于艦船長度的平均值，而忽略了所有其他因素。

未來的下一代系統將面臨更嚴格的要求，例如，DND/CAF 最新版本的《天基監視要求文件》（SBS-RD）中[要求 400.7]規定的對小至 5 米的船只的探測。SBS-RD 正式確定了未來天基監視系統的設計和開發所需的 UNCLASSIFIED 監視要求，代表了整個 CAF 的業務和職能當局所確定的需求，為繼續研究和開發（R&D）提供了信息，并旨在影響未來任務中實施的設計。然而，對于此類小型艦艇而言，簡單的模型無法移植到其他同頻或異頻雷達上，而且任何射頻（RF）都不存在可靠的 RCS 模型。文獻[3]首次嘗試將文獻[1]中的簡單模型適用于 5 至 15 米的小型船只，但仍然只考慮了船只的長度。

本科學報告中的工作旨在向更復雜的 RCS 模型邁出一步，該模型包含多個相關的目標屬性，可用于行業設計符合更嚴格要求的特定 SDM，并評估小型船只的探測性能。這種 RCS 模型可用于可靠地預測未來雷達傳感器的性能和針對小型船只探測進行優化的模式，例如，為 DND/CAF 主要資本國防空間監視增強項目（DESSP）所設想的模式。

在未知和不確定的環境中開辟安全路徑是領導者-追隨者編隊控制的一項挑戰。在這種結構中，領導者通過采取最佳行動向目標前進，追隨者也應在保持理想隊形的同時避開障礙物。該領域的大多數研究都將編隊控制和障礙物規避分開考察。本研究提出了一種基于深度強化學習（DRL）的新方法，用于欠驅動自主水下航行器（AUV）的端到端運動規劃和控制。其目的是為 AUV 的編隊運動規劃設計基于行動者批判結構的最優自適應分布式控制器。這是通過控制 AUV 的速度和航向來實現的。在避障方面，采用了兩種方法。第一種方法的目標是為領導者和跟隨者設計控制策略，使每個領導者和跟隨者都能學習自己的無碰撞路徑。此外，跟隨者遵守整體編隊維護策略。在第二種方法中，領跑者只學習控制策略，并安全地帶領整個團隊向目標前進。在這里，跟隨者的控制策略是保持預定的距離和角度。在存在洋流、通信延遲和傳感誤差的情況下，展示了所提出方法在現實擾動環境下的魯棒性。通過大量基于計算機的模擬，對算法的效率進行了評估和認可。

本報告介紹了美國陸軍研究實驗室內容理解處的研究人員在 2023 財年為采用增強型戰術推理（ETI）框架所做的工作。ETI 的開發旨在支持多智能體環境（數據源智能體、推理模型智能體和決策者智能體）中人工推理研究的實驗和演示。在本報告中，ETI 被用于在跨現實環境中演示基于不確定性的決策推薦功能。從模擬場景的數據開始，再加上額外的外部環境，ETI 智能體對態勢感知信息中的不確定性進行推理，為決策者提供建議選擇。最后，ETI 的產品被轉化為跨現實可視化，以探索新的人機交互模式。

增強戰術推理（ETI）框架的設計和創建是為了支持人工推理研究的實驗和演示。ETI 目前的結構包括三個主要智能體：數據源智能體、推理模型智能體和決策者智能體。數據源智能體分為幾大類：信息（圖像、音頻、文本）、設備、網絡和可視化。數據源智能體可以捕獲數據并將數據傳輸給其他智能體。其他信息系統也可以向這些智能體提供數據。推理模型智能體執行不同方面和不同層次的推理。推理智能體的輸出將有助于生成建議的決策。決策者智能體負責做出最終決策。這些 ETI 智能體可以是模塊化的，允許串行或并行處理，以及獨立或相互依存。在這項工作中，ETI 發揮著決策輔助工具的作用。主要的推理模型是信息不確定性（UoI）模塊。該 UoI 模塊可在決策建議中考慮任何信息的不確定性。ETI 的另一項功能是實現與人類的互動，包括未來的可視化和協作環境。我們在跨現實（XR）環境--運籌、研究與分析加速用戶推理（AURORA）中進行了演示。與 AURORA 等系統集成后，可以探索智能系統與人類交互的新模式。在本報告中，將詳細介紹我們的演示開發過程，包括將模擬環境中的數據映射到可視化環境中，將決策點和 ETI 建議納入行動方案中，以及用 "假設 "情況來增強場景，以探索基于推理的框架的影響。

這項研究的目標是開發、整合和演示基于推理的決策框架。ETI 框架的決策建議被用于師演習訓練和審查系統（DXTRS）中的模擬場景，并在 XR 環境 AURORA 中實現可視化。下文將介紹 DXTRS、場景和 AURORA 可視化的背景情況。

• DXTRS場景

在該場景中，藍軍（BLUFOR）的目標是向東推進，穿過阿塞拜疆名為阿格達姆區的地區，同時與部署在河東的對方部隊（OPFOR）交戰并將其消滅。(見圖 1）

隨著任務的展開，BLUFOR 將遇到一條阻礙他們前進的河流，他們需要在那里進行濕空隙穿越。(見圖 2）

• AURORA跨現實共同作戰圖 (XRCOP)

為了探索可視化和與 ETI 的交互，DXTRS 場景和相關的 ETI 推理信息在 XR 環境中顯示。該環境由美國陸軍作戰能力發展司令部（DEVCOM）陸軍研究實驗室（ARL）開發，名為 AURORA。AURORA 為安全、聯網、多設備跨現實信息調解和交互提供了一個通用作戰框架。為了便于可視化，將場景數據集合映射為 AURORA 可以處理的目標光標（CoT）信息。本報告第 3 部分將詳細解釋映射過程。圖 3 和圖 4 顯示了AURORA環境中的場景截圖。

• ETI 決策建議

如前所述，ETI 的設計是利用各種推理模型作為模塊，允許不同的推理配置。本次工作的推理模型是用戶體驗模塊。UoI 的概念包括產生或捕捉一個值，并用描述符對不確定值進行分類。這為決策者提供了不確定性的上下文信息，并支持對由此產生的建議進行推理。描述符基于格申論文中提出的不完全信息的性質。目前，該分類法包括不一致、損壞、不連貫、不完整、不精確、復雜和可疑。它們共同描述了特定信息源不確定性的原因和類型。

當前版本的UoI表達式是一個加權和，如式1所示。

公式 1. UoI 計算，其中 dp 為決策點，D 為變量，表示可能是任務關鍵因素的決策組成部分，W 為與這些組成部分的重要性相關的權重，T 為分類權重類別（相當于 G），S 為數據來源類別。UoI 值表示數據源和因素對所分類的不確定性的貢獻。

以下是分類法中七個術語的描述：

• 不一致： 由于來源不同或不一致而導致的不確定性。
• 錯誤： 因數據源含有錯誤而導致的不確定性。
• 可疑： 由于信息來源缺乏信息或信息來源可疑而導致的不確定性。
• 不連貫： 由于信息來源缺乏連貫性或組織性而造成的不確定性。
• 不完整： 由于信息來源未完成或不完整而造成的不確定性。
• 不準確： 由于信息來源不準確或不詳細而造成的不確定性。
• 復雜： 由于信息來源錯綜復雜或令人困惑而造成的不確定性。