這項研究是根據W/001/TOR合同的任務13為加拿大國防研究與發展（DRDC）多倫多研究中心（TRC）進行的，以支持DRDC在先進平臺和武器（APW）戰略重點領域（SFA）的建模和仿真（M&S）能力。目前的研究考察了與便攜式防空系統（MANPADS）有關的人為因素問題。

在DRDC提供的文件基礎上，進行了開源文獻搜索，以確定文獻審查的相關出版物。為匯編和評估制定了一個數據收集框架。根據文獻對便攜式防空系統和人類問題的關注程度，選擇了一套精煉的文獻（N=21）。研究小組審查并總結了這些文獻。審查涉及到與肩扛式導彈的使用概念、系統、訓練方法、測試和評估（T&E）、自動化、生物力學、目標跟蹤和人體性能模型有關的人為因素的作用。在該領域確定了一些人因工程（HFE）的知識差距。

基于這些發現，建議在DRDC的模擬環境中執行一組小型的未來研究課題。此外，還概述了在DRDC模擬環境中推進研究和/或采用原型工具的下一步建議。這些研究課題領域列在下面，需要進行驗證，以確保與DRDC的優先事項相一致。

• 人體測量分析--根據MIL-STD-1472H標準，開發一個準確的人體性能數據庫，代表全部的人體尺寸范圍（即第5-95百分位）。

• 環境服裝和防護設備--調查與寒冷天氣服裝相關的人體性能以及穿戴防護設備對準確性的影響，并確定肩扛式導彈是否可以在寒冷天氣環境下合理使用。

• 與目標交戰序列（TES）相關的操作訓練程序--對操作程序進行訓練和練習，以確保在電池冷卻裝置（BCU）的電池壽命內完成目標獲取和交戰。

• 地形--小組長選擇最佳位置攻擊空中威脅，確保為小組提供足夠的保護。

• 任務長度--長期任務對人的表現的影響，這些任務是在緊張的條件下進行的，需要在攜帶貨物時快速移動；以及

• 視覺搜索模式--調查小范圍和大范圍內的最佳搜索模式（水平、垂直）。

本報告介紹了在三個主要議題方面取得的成果：

• 對小型無人機系統（SUAS）的分布式團隊進行實驗驗證，以協調執行復雜的行為。

• 開發了一個現實的多架無人機模擬器，以應用強化學習技術來協調一組小型無人機系統以達到特定目的。

• 設計并驗證了安裝在無人機上的帶有主動多輸入多輸出（MIMO）毫米波雷達傳感器的融合光學相機。

與驗證SUAS團隊有關的工作提出并實驗測試了我們的態勢感知、分布式SUAS團隊所使用的框架，該團隊能夠以自主方式實時運行，并在受限的通信條件下運行。我們的框架依賴于三層方法：（1）操作層，在這里做出快速的時間和狹窄的空間決定；（2）戰術層，在這里為智能體團隊做出時間和空間決定；以及（3）戰略層，在這里為智能體團隊做出緩慢的時間和廣泛的空間決定。這三層由一個臨時的、軟件定義的通信網絡協調，即使在通信受限的情況下，也能確保各層的智能體小組和團隊之間的信息傳遞稀少而及時。實驗結果顯示，一個由10個小型無人機系統組成的團隊負責在一個開放區域搜索和監測一個人。在操作層，我們的用例介紹了一個智能體自主地進行搜索、探測、定位、分類、識別、跟蹤和跟蹤該人，同時避免惡意碰撞。在戰術層，我們的實驗用例介紹了一組多個智能體的合作互動，使其能夠在更廣泛的空間和時間區域內監測目標人物。在戰略層，我們的用例涉及復雜行為的檢測--即被跟蹤的人進入汽車并逃跑，或者被跟蹤的人離開汽車并逃跑--這需要戰略反應以成功完成任務。

目標搜索和檢測包括各種決策問題，如覆蓋、監視、搜索、觀察和追逐-逃避以及其他問題。我們開發了一種多智能體深度強化學習（MADRL）方法來協調一組飛行器（無人機），以定位未知區域內的一組靜態目標。為此，我們設計了一個現實的無人機模擬器，它復制了真實實驗的動態和擾動，包括從實驗數據中提取的統計推斷，用于其建模。我們的強化學習方法，利用這個模擬器進行訓練，能夠為無人機找到接近最優的政策。與其他最先進的MADRL方法相比，我們的方法在學習和執行過程中都是完全分布式的，可以處理高維和連續的觀察空間，并且不需要調整額外的超參數。

為了給在受限通信條件下運行的SUAS開發一個分布式的分類和協調框架，我們的第一個目標是在無人駕駛飛行器（UAV）上建立一個多傳感器系統，以獲得高探測性能。眾所周知，安裝在無人機上的光學和熱傳感器已被成功用于對難以進入的區域進行成像。然而，這些傳感器都不提供關于場景的范圍信息；因此，它們與高分辨率毫米波雷達的融合有可能改善成像系統的性能。我們提出了一個配備了無源光學攝像機和有源多輸入多輸出（MIMO）毫米波雷達傳感器的下視無人機系統的初步實驗結果。毫米波雷達的三維成像是通過收集通過運動線的數據來實現的，從而產生一個合成孔徑，并使用垂直于運動軌跡的結線MIMO陣列。我們的初步結果顯示，融合的光學和毫米波圖像提供了形狀和范圍信息，最終導致無人機系統的成像能力增強。

地理定位精度測試報告介紹了當前戰術優勢網絡指揮與控制(TEC3)系統的地理定位精度研究結果。該文件由加拿大萊茵金屬公司提交給加拿大國防研究與發展，任務TA-04。

萊茵金屬加拿大公司于2018年2月至2021年3月為加拿大國防研究與發展部（DRDC）開發了戰術邊緣網絡指揮與控制（TEC3）技術演示器。TEC3展示了網絡和安全態勢感知以及網絡指揮和控制功能在一個示范性的下馬士兵網絡中的應用。根據核心工作成果，TEC3包括本地組中節點之間的移動特設網絡（MANET）通信，以及估算、地理標簽和顯示目標發射器位置的地理定位功能。

本報告詳細介紹了通過任務授權（TA）實施的進展情況，以測量TEC3系統對無人機系統（UAS）進行地理定位的性能，使用本報告的測試計劃中記錄的特定拓撲結構和距離。這些拓撲結構取決于最大距離參數，該參數本身也是一個實驗測量的對象。最大距離參數是軟件定義無線電（SDR）能夠接收UAS傳輸的最長距離。除了掃描頻譜進行地理定位外，SDR還記錄了地理定位過程中的通信頻段，以便將來分析。

實驗被成功執行，在某些情況下，UAS可以通過三個TEC3節點的不同城域網拓撲結構和距離來進行地理定位。例如，在某些情況下，它可以在直徑為420米（平均）的圓形/橢圓形區域內進行一定精度的地理定位。在其他情況下，橢圓覆蓋了TEC3的部署區域；在這些情況下，準確性差是由于SDR和全向天線輻射模式之間對同一發射器/位置的測量功率不一致。

探測發射器的最大距離估計約為600米。 實驗產生了108份60秒的記錄，將用于未來的分析。

摘要

為了支持加拿大皇家空軍（RCAF）領導的遙控飛機系統（RPAS）項目，加拿大國防研究與發展部（DRDC）-多倫多研究中心（TRC）在2016年開發了一個綜合地面控制站實驗和演練的試驗平臺，以研究中隊級無人機系統（UAS）作戰單元的關鍵作戰概念。測量操作員的決策性能是分析、設計和評估人機交互（HMI）和智能自適應系統（IAS）概念的一個特別重點。在這份參考文件中，我們對直接和間接的性能測量（MoPs）進行了全面的審查，在無人機系統和人機協作的概念開發和實驗（CD&E）方面。

對國防和安全的意義

本參考文件提供了適合于無人機系統模擬器實驗和人類與自主系統互動的MoPs總結和描述。它為其使用提供了科學證據，并為其應用提供了指導，以可靠地評估和評價軍事環境中涉及無人機系統和廣義上的人類自主協作的作戰概念。

1 引言

1.1 概述

本參考文件對無人機系統（UAS）和人機協作的概念開發和實驗（CD&E）中使用的直接和間接性能測量標準（MoPs）進行了審查。直接性能測量標準，或基于結果的測量標準，包括決策準確性、決策效率、決策質量和操作者任務績效的決策一致性。間接的，或與過程相關的測量，指的是培訓效果、態勢感知、操作員的工作量、人機信任、可用性、團隊合作和操作員反饋。在加拿大國防研究與發展部（DRDC）--多倫多研究中心（TRC），這兩種類型的措施都已成功地適應于無人機系統地面控制站（GCS）模擬器的使用。

1.2 背景

為了支持加拿大皇家空軍（RCAF）領導的遙控飛機系統（原聯合無人機監視和目標獲取系統項目），DRDC多倫多研究中心在2015年開發了一個綜合地面控制站實驗和演練的試驗平臺，以研究中隊級無人機系統作戰單元的關鍵作戰概念。這些概念包括GCS功能要求、適航認證、人類系統集成（HSI）、機組配置和操作員培訓要求。

位于DRDC TRC的TIGER是一個GCS模擬器，用于遠程駕駛中高度長壽命（MALE）無人機（UAV）（Hou，2015）。該模擬器包括飛行器操作員（AVO）和有效載荷操作員（PO）工作站，以及另外四個可重新配置的工作站，用于圖像分析員和報告員（IMA-A和IMA-R），以及電子戰分析員和報告員（EW-A和EW-R）。駕駛和傳感器操作可由操作員進行，或根據編程腳本自主進行。該平臺允許在組件的位置（工作空間安排）、訓練或測試重點（團隊、部分團隊或個人）、環境視角（空中飛越、空中監視或地面觀察）以及用于信息處理、利用和傳播（PED）的指揮和控制（C2）單元方面有相當大的靈活性。TIGER可以是一個獨立的GCS和/或支持網絡中心戰的分布式演習。表1描述了每個操作員的角色和職責，相關的工作站布局在圖1中說明。

當前無人機系統任務的復雜性和無人機系統技術能力的不斷提高，對操作人員提出了重大的認知要求。Arrabito等人（2010年）提供了一份關于一系列認知風險的綜合報告，這些風險導致了許多與無人機系統有關的事件和事故，如操作人員的疲勞、工作量和情景意識（SA）的喪失。

表1：TIGER中無人機系統操作員的角色和責任

圖1：TIGER中的UAS地面控制站布局。

本參考文件概述了根據NATO STANREC 4685《無人機系統人類系統集成指南》（Hou & Geesman, 2022）和人因設計標準HF-STD-004（聯邦航空管理局，2009），使用無人機模擬器進行作戰概念開發和測試的實驗要求。這些研究強調了進行實驗、調查和演示（包括動態模擬和軟件原型）的重要性，以確定和解決人類工程問題，并評估操作員的認知負荷。測量操作員的決策表現是分析、設計和評估人機交互（HMI）和智能自適應系統（IAS）概念的一個特別重點（Hou, Banbury, & Burns, 2014）。這是一個不小的挑戰，因為 "正確 "決策的概念，特別是在不確定的條件下，是高度主觀和依賴環境的（Hou等人，2014；Banbury, Pelletier, Baker, Tremblay, & Proulx, R，2014b）。因此，一套定量和定性的MoPs被用來描述個人和集體的決策表現。本研究報告確定并總結了用于評估操作者決策過程的 MoPs，以及衡量其結果的 MoPs，并概述了在 DRDC TRC 的三項 TIGER 研究中所采用的措施。

摘要

本文探討了人工矩陣和研討會兵棋推演的裁決、數據收集和分析方法，以便作為一份參考文件，為未來的兵棋推演設計提供參考。其目的是不僅記錄各種方法的優點和局限性，而且提出一個分析性兵棋推演可以利用的框架來探索的問題。本文所使用的數據來自于關于所探討的主題的現有文獻，以及對兵棋推演從業者的采訪。

對國防和安全的意義

兵棋推演是探索不利問題的有效途徑，如反叛亂（COIN）行動或未來武器系統的影響。這一點至關重要，因為這些問題由于缺乏相關知識，很難通過常規研究方法進行探討。兵棋推演可以通過進行游戲所產生的主題專家之間的互動，對最復雜的問題產生洞察力。然而，要使兵棋推演有效地做到這一點，就要求它們有有效的設計，本文試圖將其作為一個資源庫。

1 引言

兵棋推演是根據預先確定的規則、數據和程序模擬沖突的某些方面的人類行為練習，旨在提供決策經驗或決策信息[1, 2]。本文著眼于后一種目的，因為它支持加拿大國防研究與發展（DRDC）的任務，即支持基于證據的決策。

兵棋推演可用于培訓和教育，但本文重點關注其作為分析工具的效用，通過對假設沖突情景的研究，深入了解國防規劃中的不利問題[3, 4, 5]。特別是，我們試圖了解人類在面對這種挑戰時的決策，特別是所選擇的行動方案，因為很少有其他工具可以研究人類決策是一個關鍵組成部分的問題[6]。

兵棋推演允許通過利用現有的主題專家（SMEs）提供洞察力來探索贊助商對未來問題的疑問[6]；通過在游戲過程中產生洞察力來探索解決方案[6]；以及通過分析有關玩家在面對這些問題時如何行動的數據，以辨別他們決策背后的基本原理[7]。洞察力的產生可以使人們更加了解一個特定的問題在現實生活中是如何表現的，以及如何應對它。此外，對玩家決策背后的理由的理解被認為是對人類在現實生活中如何行動的良好預測，從而允許對決策中可能被證明是致命的潛在缺陷進行分析[7]。

也就是說，兵棋推演必須被專門設計，以有效地產生探索問題所需的洞察力和數據[8]。這可能很困難，因為每個兵棋推演都是專門為解決贊助商的問題而設計的[9]，但是，如果能夠了解當前裁決、數據收集和分析方法的最佳實踐，包括其內在的優勢和局限性，就可以幫助設計。因此，本文探討了與上述方法相關的方法論，以便提供一份可以在未來兵棋推演設計中利用的參考文件。目的是記錄各種方法的優點和局限性，同時也提出一個框架，讓未來的分析性兵棋推演可以利用這個框架來探索惡性問題。

本文來自于對現有學術文章、游戲報告和會議記錄的文獻回顧。它還得到了美國、英國和加拿大的兵棋推演從業者的訪談數據的補充。此外，本文并不是對DRDC--作戰研究和分析中心（CORA）或其他機構的現行做法的批評；相反，它只是代表了某種可以補充現行做法的分析性兵棋推演框架。

達爾豪斯大學大數據分析研究所、加拿大國防研究與發展部（DRDC）-大西洋研究中心和加拿大通用動力任務系統公司（GDMS-C）向加拿大自然科學與工程研究委員會（NSERC）成功申請了一項名為海軍信息空間自動監測（AMNIS）的三年期資助項目。AMNIS啟動會議于2020年10月14日舉行，許多教授、國防科學家和GDMS-C技術人員參加了會議。會議為這三個組織確定了許多行動。與DRDC和GDMS-C相關的一項行動是需要與任務相關的場景來幫助指導預期的研究。因此，DRDC率先描述了一個有代表性的海陸場景，使研究人員能夠更好地了解與AMNIS有關的潛在研究途徑。制定的方案涉及加拿大皇家海軍（RCN）和加拿大陸軍（CA）執行的一項加拿大人道主義任務。該任務是向一個最近遭受自然災害的國家分發食品和醫療用品。一支敵對勢力還試圖偷竊這些物資。該情景描述了通過更好的處理技術和決策來改善信息流、共享和使用的必要性。該方案旨在引起進一步的討論，并幫助鞏固AMNIS參與者的研究課題。

1 引言

2015年，加拿大皇家海軍（RCN）的海上信息戰（MIW）概念[1]發布，概述了信息對RCN的影響。MIW的推出使人們非常需要關注信息，它既是皇家海軍使用的一種資源，也是為了更全面地使用和利用優勢而需要理解的一個概念。

該概念文件概述了信息的影響，包括其廣泛的可用性、皇家海軍對信息的依賴性以及信息的使用，特別是在戰爭中和作為戰爭倍增器的跨梯隊的使用。該概念文件還談到需要更好的處理技術來處理MIW功能領域內的數據量，如指揮、控制、通信、計算機、情報、監視和偵察（C4ISR）、指揮和控制（C2）、情報、監視和偵察（ISR）以及態勢感知（SA）。

在MIW概念文件之后，2016年又發布了RCN信息戰戰略文件[2]。這里的重點是發展海戰MIW能力和能力，以支持國內活動（即加拿大的防御）和國際部署。盡管戰略文件指出了信息的更多傳統用途，如收集、利用和傳播，但它也認識到網絡武器領域是一個機動的地方，可以采取防御和進攻的行動。MIW的概念文件涉及物理、虛擬和認知領域，而戰略文件則談到了信息領域，從而表明了信息對于作戰人員的地位和重要性。

在概念和戰略文件之后，加拿大在2017年發布了新的國防政策[3]。該國防政策并沒有明確提到信息領域。然而，該政策確實催生了兩個最近的文件，繼續表明信息對RCN的重要性：2019年的DND數據戰略[4]，以及2020年的RCN數字海軍[5]。

數字海軍[5]支持加拿大國防政策[3]的創新目標，特別是那些涉及適應和利用新技術的能力。數字海軍 "作為一個指南，將數字技術與人結合起來加以利用，以確保未來海軍的成功和可持續。這份文件提出的前進方向涉及自動化、大數據分析、云計算、人工智能（AI）和機器學習（ML）方面的創新，成功是指通過上述手段做出數據驅動的決策的RCN。

數字海軍的概念促進了企業和運營RCN社區在決策中對數據的使用。在操作方面，這是為了將海軍團隊和水兵從日常工作中更平凡的方面解放出來，通過自動化功能，如基于規則的重復性任務。從更廣泛的操作角度來看，使用這種數字技術和技巧是為了更好地進行操作。

上面提到的所有文件都指出，希望將RCN推向一個信息組織，在這個組織中，信息是用來使用的，但也被用作防御和安全的工具。由于其中一些方面對RCN來說是新的，因此顯然需要一個由信息科學、人工智能、ML以及將這些與認知科學相結合的專家組成的強大而明智的科學團體，以開發更好的人類決策模型來支持RCN的目標。

1.1 發展科學專長

通過政府、學術界和工業界合作伙伴的參與，建立了一個強大而知情的科學界。這個群體完全有能力在與現代軍隊相關的科學和技術問題上取得進展，以幫助滿足國內和國外對加拿大武裝部隊（CAF）不斷增長的需求。

為了發展這個社區，在自然科學與工程研究委員會（NSERC）的聯盟計劃下，成立了一個DRDC（大西洋研究中心）、工業界（加拿大通用動力任務系統公司，GDMS-C）和學術界（達爾豪西大學）的伙伴關系。提交并被NSERC接受的提案名為《海軍信息空間自動監測》（AMNIS）。該提案概述了海上和陸地的信息問題，特別是數據整合、事件和警報的ML、信任和對抗性數據，以及信息的可視化和呈現供用戶使用。

為了給學術研究小組提供背景和指導，下面提供了一個大大簡化的行動的基于場景的描述。該方案包括許多問題，表明與AMNIS相關的可能研究途徑。這里的目的是培養研究人員對與DRDC和GDMS-C有關的問題的理解，使研究人員能夠發展自己的思路，幫助他們追求與他們的研究和AMNIS有關的創新方法、技術和發現。

這項工作的動機是基于兩個愿望，即：

1.描述一個現實但簡化的操作，其中存在與AMNIS相關的信息問題，以及。

2.強調在AMNIS項目下DRDC和GDMS-C感興趣的研究領域。

1.2 概要

其余各節將提供一個現實場景的發揮、可視化部分、性能建模、決策和學習的概述。每一節都包含了一系列的問題，這些問題的提出有助于為研究工作提供思考點和指導。

第2節描述了一個聯合行動的場景，陸地和海洋部隊共同支持人道主義任務。通過可能被破壞并有相關安全風險的節點相互連接和共享信息資源來實現這一目的。第3節討論了可視化在該場景中的作用及其對決策的影響。這包括物理環境的可視化表示，以及額外信息源的聚合如何影響主題專家的決策。本節還考慮了與人工智能（AI）和多樣化技術合作的人類表現模型。第4節討論了如何利用數據檔案來開發和學習對抗性注入檢測方法。第5節以總結性意見完成了本文。

在過去的十年中，人們根據水下物體對入射寬帶聲納脈沖的反應對其進行分類產生了很大興趣。高頻聲納可以提供海底物體的圖像，但這些圖像中的信息通常與物體的尺寸和外部紋理有關，而不是其內部。因此，例如未爆彈藥（UXO）和非未爆彈藥，如果它們的外部特征相似，其反應可能非常相似。較低的頻率可以探測內部反應，并滲透到海床以下。測量一個物體在廣泛的頻率范圍內的散射特性，包括較低的頻率，可以加強物體的分類。本科學報告研究了深度學習技術與TREX13試驗的實驗聲學顏色和時間序列數據的使用。開發了二類、多類和擴展多類分類模型，以區分未爆彈藥和非未爆彈藥物體。表現最好的二元分類模型學會了準確區分未爆彈藥和非未爆彈藥類別。多類分類模型學會了預測單個物體類別，如榴彈炮炮彈和輪胎。擴展的多類分類模型表明，即使是訓練集中沒有包括的物體類別也能從特征編碼中準確分類。這些結果表明，部署這種基于深度學習的分類器可能是非常有利的，因為它們可以自動識別寬頻聲納散射數據中的物體。

對國防和安全的意義

海軍聲納系統對水下環境進行探測，并收集數據，從這些數據中可以對海底的未爆彈藥（UXO）等物體進行探測、定位和分類。自動目標識別系統是減少操作員工作量和提高探測性能的潛在有價值的工具，但需要低誤報率和高準確率才能發揮其優勢。本報告表明，深度神經網絡模型可以在實驗性寬帶聲納散射數據集中對各種未爆彈藥和非未爆彈藥物體進行準確分類。

圖1：概念圖說明了用各種CNN分類器進行寬帶散射數據分析的流程。

數據集

TREX13寬頻SAS散射實驗的目的是探索從淺層環境的聲納回波中探測和分類驕傲的和埋藏的軍事彈藥。該數據集包括11個獨特的未爆彈藥復制品和16個獨特的非未爆彈藥物體的寬帶SAS散射數據。這些物體被放置在墨西哥灣的一個沙質底部，從10到40米的水平距離上進行聲納。聲納發射了一個6毫秒的線性頻率調制信號，跨度為3至30千赫，前緣和后緣之間有10%的錐度。背向散射回波由一個6個水聽器元件的線性陣列收集。

TREX13數據集包括為每個被測物體準備的矩陣（頻譜振幅作為頻率和相對于物體的角度的函數）--這些是聲色模板。對形成這些模板所使用的處理方法的詳盡描述可以在[11]中找到。此外，還有類似準備好的時間序列/方面模板。這些模板是通過使用接收數據并考慮到聲納發射和接收水平而構建的。同樣，來自物體的重疊旋轉的數據被 "混合 "以形成一個復合模板。本報告中使用的就是這種數據。在[10]中，每個部分的數據都被歸一化，以消除回波的整體水平的影響。在本報告中，目標強度數據只是按照提供的數據使用。

表1和表2概述了將物體分為真實數據訓練集和真實數據測試集的情況。水平線表示非未爆彈藥和未爆彈藥物體之間的劃分。應該注意的是，盡管大多數模板是針對凸起的物體，但也有一些部分掩埋的情況。這些表格顯示，一些個別物體的數據比其他物體的數據多（見模板數量一欄）。一般來說，未爆彈藥數據比非未爆彈藥數據多。然而，非未爆彈藥數據子集比未爆彈藥數據子集包括更多的單個物體類型。

通過介紹設計、配置和所需的端到端信號處理，本科學報告提出了一個用于改進合成孔徑雷達（SAR）成像的系統。與傳統的聚光合成孔徑雷達相比，擬議的系統將產生具有同等或更好的分辨率圖像，并顯著增加區域覆蓋。該系統的設計和配置是基于相控陣天線和適當的硬件，以實現快速電子波束轉向，并允許對多個接收通道進行數字化。目前的技術水平已經足夠成熟，可以建造這樣一個系統的所有組成部分。作為一個具體的目標，報告提出了一個能夠在5公里的地面范圍內以10厘米的分辨率（方位角和斜向范圍）成像的系統。建議的系統是在X波段模擬的，但原則上也可以在任何有足夠可用帶寬的波段運行。重要的是，這種模式可以在無限的方位角范圍內進行收集，這是其他提議的系統所不能達到的。

由于所考慮的決議推動了已知理論的極限，該報告還介紹了一個增強的理論，這是推導信號處理算法所需要的。所提出的方法將基于地球引力勢的球面諧波模型的物理模型納入三維曲線的差分幾何理論。從該理論中，開發并提出了一種基于文數的SAR處理算法，該算法擴展了目前的方法。建議的算法只依賴于精確的姿態數據和單一的精確狀態矢量。因此，如果傳感器儀器能夠在成像時測量這些參數，該方法就適用于機載SAR處理。

對國防與安全的意義

本報告中提出的方法為合成孔徑雷達提供了設計和信號處理框架，它可以在大范圍內以極高的分辨率成像。目前的系統不具備這種能力，按照目前的計劃，未來的系統也不可能具備這種能力。一方面，新穎的擬議設計提供了改進的合成孔徑雷達成像，而不放棄目前國家資產所提供的任何能力。另一方面，這些改進滿足或超過了目前在指揮、控制、通信、計算機、情報、監視和偵察（C4ISR）方面的能力差距。該設計（或其某些變體）應被考慮用于未來的搜救任務。

低速、慢速和小型 (LSS) 飛行平臺的普及給國防和安全機構帶來了新的快速增長的威脅。因此，必須設計防御系統以應對此類威脅。現代作戰準備基于在高保真模擬器上進行的適當人員培訓。本報告的目的是考慮到各種商用 LSS 飛行器，并從不同的角度定義 LSS 模型，以便模型可用于LSS 系統相關的分析和設計方面，及用于抵制LSS系統（包括探測和中和）、作戰訓練。在北約成員國之間提升 LSS 能力并將 LSS 擴展到現有分類的能力被認為是有用和有益的。

【報告概要】

在安全受到威脅的背景下考慮小型無人機系統 (sUAS)（通常稱為無人機）時，從物理和動態的角度進行建模和仿真遇到了一些獨特的挑戰和機遇。

無人機的參數化定義包括以下幾類:

• 類型學，指的是無人機可以飛行的模式;
• 用于制造無人機的材料;
• 飛行性能;
• 螺旋槳種類;
• 分類;
• 導航系統;
• 遠程控制器特性(如果有);
• 有效載荷，考慮自身傳感器和可能的危險；
• 通信系統。

描述無人機飛行動力學的分析模型在數學上應該是合理的，因為任務能力在很大程度上取決于車輛配置和行為。

考慮到剛體在空間中的運動動力學需要一個固定在剛體本身的參考系來進行合適的力學描述，并做出一些假設（例如，剛體模型、靜止大氣和無擾動、對稱機身和作用力在重心處），可以為 sUAV 的飛行動力學開發牛頓-歐拉方程。

在檢測 sUAS 時，必須考慮幾個現象，例如可見波范圍內外的反射、射頻、聲學以及相關技術，如被動和主動成像和檢測。

由于需要多個傳感器檢測 sUAS，因此有必要考慮識別的參數以便針對不同類型的檢測器對特征進行建模。此外，對多個傳感器的依賴還需要在信息融合和集成學習方面取得進步，以確保從完整的態勢感知中獲得可操作的情報。

無人機可探測性專家會議表明了對雷達特征以及不同無人機、雷達和場景的聲學特征進行建模的可能性，以補充實驗數據并幫助開發跟蹤、分類和態勢感知算法。此外，雷達場景模擬的適用性及其在目標建模和特征提取中的潛在用途已得到證實。

然而，由于市場上無人機的復雜性和可變性以及它們的不斷增強，就其物理和動態特性對無人機簽名進行清晰的建模似乎并不容易。

sUAS 特性的復雜性和可變性使得很難完成定義適合在仿真系統中使用的模型的任務。這是由于無人機本身的幾個參數，以及考慮到無人機的所有機動能力和特性所需的飛行動力學方程的復雜性。

此外，sUAS 特性的復雜性和可變性不允許定義用于評估相關特征的參數模型。

圖1 無人機類別與其他類別/參數的關系（part 1）

圖2 無人機類別與其他類別/參數的關系（part 2）

圖3 參考坐標系

【報告目錄】