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

無人駕駛飛行器（UAV），通常被稱為無人機，在搜索和救援（SAR）任務中的使用越來越多。傳統上，這些任務需要人工控制每架無人機進行空中偵察。隨著無人機自主化的發展，無人機技術的下一階段將轉向自主協作的多無人機行動，即無人機以蜂群形式集體行動。設計用戶界面是一項重大挑戰，它能有效支持無人機駕駛員執行任務，而不會讓每架無人機及其周圍環境的信息過載。本論文評估了復雜搜救場景中的重要人為因素，如態勢感知（SA）和認知工作量，目的是通過設計和測試各種組件來增加對多無人機系統的信任。開展這些用戶研究旨在為未來的多無人機系統設計提供啟示。我們開發了兩個具有多無人機用戶界面的原型，并模擬了具有高認知工作量的緊張搜救任務。在第二個原型中，熱圖根據走失者模型為無人機飛行員提供指導。在對瑞典不同搜救組織中經驗豐富的無人機飛行員進行的用戶研究中，對原型進行了測試。結果顯示，在監控無人機群時，由于用戶界面組件和安全等級的不同，安全等級也存在差異。這些原型造成了巨大的認知工作量，而配備熱圖的原型則略有減輕。此外，在配備熱圖的原型中觀察到信任度略有提高。值得注意的是，缺乏手動控制給大多數參與者帶來了挑戰，參與者提出了許多期望的功能。這些早期的專家見解可以作為未來開發多無人機系統的起點。

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。

要優化人類與有人駕駛和無人駕駛戰車組成的異質團隊的協同工作效果，就必須了解關鍵任務所需的通信和協調。這些知識可用于指導這些互動的人體工學界面設計，以及團隊合作效果的評估方法。該項目系統地研究了下一代戰車（NCGV）概念所涉及的任務，以制定人類-自主團隊互動分類法，并確定適用于該環境的初步措施。

最終目標是開發能夠衡量 NGCV 環境下人類-自主團隊合作有效性的指標和模型。由于無法使用實際運行中的機器人戰車（RCV）或現有經驗豐富的機器人戰車乘員，我們的方法可細分為工作說明書中的三項任務和嵌入式可交付成果：

• 任務 1（第 2 節）介紹了 NGCV 的背景以及在從移動到接觸行動期間的相關互動。

• 任務 2（第 3 節）為裝甲排的核心基線任務和潛在的交互策略制定交互分類法，特別是根據相關文獻和有關作戰車輛以往經驗的主題訪談為 RCV 操作員的任務制定交互分類法。

• 任務 3（第 4 節）以任務 1 和任務 2 為基礎，提出了一個全面的團隊合作有效性模型，并建議了團隊層面的團隊合作有效性衡量標準，重點關注團隊狀態，包括團隊態勢感知、團隊信任、團隊工作量和團隊應變能力。這些衡量標準也為以后的實證測試提供了測試平臺要求。許多想法都很新穎，有別于傳統的團隊合作有效性靜態和二元測量方法。它們的優缺點也包括在內。

未來，這些已確定的基于互動的衡量標準需要在涉及人類、自主性和互動的團隊任務中進行實證測試。然后，我們的目標是構建和定義衡量標準，并找出在人類-自主團隊合作背景下定義團隊效率的衡量標準之間的背景變化和相互關系。

隨著人工智能和機器學習技術的進步，技術越來越能夠成為團隊的正式成員，而不是監督或控制設備。未來的士兵不僅要與同伴互動，還要與多種形式的機器人（包括下一代戰車 [NGCV]）、智能輔助決策系統以及能感知其當前生理狀態的可穿戴設備互動。有人駕駛車輛需要與無人駕駛車輛互動。挑戰在于如何讓這些異構和分布式智能體作為一個有效的團隊進行互動，同時管理工作量并保持團隊的態勢感知（SA）、恢復力和信任。為應對這一挑戰，本文介紹的研究重點是確定新穎的人類-智能體交互模型、措施以及人類-智能體團隊合作有效性的衡量標準。

1.1 人類-自主性編隊協同（HAT）

最近，包括軍事團隊在內的團隊已擴展到包括智能人工體（Burke 等人，2004 年；Salas 等人，2008 年）。智能體被定義為 "任何可通過傳感器感知環境并通過效應器對環境采取行動的物體"（Russell 和 Norvig，2016 年，第 34 頁）。這也包括非人類（即人工）實體，如機器人、車輛和車輛中的其他自動化系統。人類-自動駕駛團隊指的是由人類和智能體共同組成的團隊，他們相互依存地行動，以實現團隊層面的目標。與傳統的全人類團隊相比，當協調行動能更安全、更高效地完成任務，或達到全人類團隊以前無法達到的更高績效水平時，這些人類-自主團隊可能更受青睞。例如，在倒塌的建筑物中穿行對于人類來說可能是危險、困難或不可能的，但對于城市搜救行動來說卻是至關重要的（Burke 等人，2004 年）。

未來的自主戰車可能會利用多種控制結構與其他智能體進行協調。現有的一些人機交互控制模型包括遠程操作、監督控制（Sheridan，2002 年）以及各種共享控制模型（Allen 等，1999 年；Chen 和 Barnes，2014 年；Johnson 等，2014 年）。每種模式都涉及實現能力各異的多個人類和智能體之間有效協調的基本策略。在戰場上，任何個體都不可能完全了解局勢。相反，需要積極整合不同的視角來協調努力，實現集體目標。團隊層面的認知過程，如計劃、推理、決策和行動（即團隊認知）都需要團隊互動（Cooke 等人，2013 年）。在開發 NGCV 以支持有效的 HAT 設計時，需要對團隊互動和協調測量進行研究。

1.2 下一代戰車（NGCV）的背景

NGCV 是未來軍用車輛的一個系列，旨在利用現代技術發展移動防護火力，保護士兵的生命安全。在 NGCV 中，團隊組成可能會有所不同，例如乘員人數和作戰車輛。本研究中的概念版 NGCV 包括七名乘員、一輛載人戰車（MCV* ）和兩輛作為僚機的無人機器人戰車（RCV），以提高乘員的生存能力和殺傷力。然而，在與移動中的有人駕駛戰車分離并坐在其中的情況下操作無人戰車，會改變當前許多任務的性質，這就需要適當地重新分配功能并提供有效的界面，以支持人類決策和團隊表現。當問題空間充滿不確定性和可能性時，這一點尤其具有挑戰性。

在一種設想的使用變化中，NGCV 的排由兩個部分組成（圖 1），每個部分包括一輛 MCV 和兩輛無人遙控車。每輛車主要由兩人操作，一個分隊的所有操作員都坐在該分隊的 MCV 車內，第七人可能擔任車長和分隊長。其中一名分隊長（又稱車長）可能擔任排長，負責監督一個排中的兩個分隊；另一名車長可能擔任排長。排長還可能與排外的實體進行互動，包括連長、地區指揮官和其他步兵單元。作為未來裝甲戰斗的一部分，NGCV 排應能夠執行進攻、防御和穩定任務，以支持統一的陸地行動。我們選擇了一個 NGCV 排在運動接觸（MTC）場景中的部分，作為第一階段詳細研究的可控部分。

圖 1 NGCV 排的可能坐姿結構。A-F 是車輛的標記，每輛車由同一 MCV 中的兩人控制，顏色與所控制的車輛相同（例如，A1 和 A2 控制 RCV A，均為淺藍色）。分隊長的顏色為灰色（S1pl = 排長，S2 = 排中士），可分別擔任車輛指揮官和監督 1 分區和 2 分區，而 S1pl 還負責監督整個排。

1.3 當前工作

本報告的目標是開發能夠衡量 HAT 在 NGCV 環境中有效性的指標和模型。由于無法使用實際運行中的 NGCV 或現有經驗豐富的 RCV 人員，我們的方法分為三項任務：

• 任務 1（第 2 節）： NGCV 的背景以及 MTC 運行期間的相關互動

• 任務 2（第 3 節）： 裝甲排核心基線任務的交互分類法和潛在的交互策略

• 任務 3（第 4 節）： 綜合團隊合作有效性模型和團隊層面的團隊合作有效性潛在衡量標準建議

圖 12 排中的通信渠道。為了跟蹤每次互動，我們使用了互動標簽，例如 "1T1"：T 前的數字 = 第一節，T = 兩人小組/小隊，T 后的數字 = 互動的 ID 代碼；本排以外的實體 = 主要是連長。

隨著技術的不斷進步和日常對海洋資源的依賴，無人水面航行器（USVs）的作用成倍增加。目前，具有海軍、民用和科學用途的 USV 正在各種復雜的海洋環境中進行廣泛的作業，并對其自主性和適應性提出了更高的要求。USV 自主運行的一個關鍵要求是擁有一個多車輛框架，在此框架下，USV 可以在實際海洋環境中作為一個群體運行，并具有多種優勢，例如可以在更短的時間內勘測更廣闊的區域。從文獻中可以看出，在單體 USV 路徑規劃、制導和控制領域已經開展了大量研究，而在了解多載體方法對 USV 的影響方面卻鮮有研究。本論文整合了高效的最優路徑規劃、穩健的路徑跟蹤制導和合作性集群聚合方法等模塊，旨在開發一種新的混合框架，用于 USV 蟲群的合作導航，以實現海洋環境中的最優自主操作。

首先，設計了一種基于 A* 算法的有效而新穎的最佳路徑規劃方法，其中考慮到了與障礙物的安全距離約束，以避免在移動障礙物和海面洋流的情況下發生碰撞。然后，將這種方法與為 USV 開發的新型虛擬目標路徑跟蹤制導模塊相結合，將路徑規劃器的參考軌跡輸入制導系統。當前工作的新穎之處在于將上述集成路徑跟蹤制導系統與分布式集群聚集行為相結合，通過基于簡單電位的吸引和排斥功能來維持 USV 蟲群的中心點，從而引導 USV 集群進入參考路徑。最后，介紹了一個用于 USV 船隊合作導航和制導的最佳混合框架，該框架可在實際海洋環境中實施，并可在海上有效地實際應用。

伊卡洛斯團隊創建了一個基于無人潛航器（UUV）的數字工程案例研究，通過執行 MagicGrid 架構開發方法，提供了使用 Cameo Systems Modeler 開發架構的強大視圖。案例研究包括通過中間件軟件（ModelCenter MBSE）連接該架構模型，以直接驅動多個工程分析工具（Excel、MATLAB/Simulink、計算機輔助設計工具）。通過實驗設計對設計進行改進，并通過軟件工具（ModelCenter Explore）實現可視化。本案例研究提供給海軍水面作戰中心-胡內姆港分部（NSWC PHD），作為系統工程師和系統后勤人員培訓的補充，以填補現有培訓的空白。

近年來，數字工程（DE）和基于模型的系統工程（MBSE）已成為美國國防部（DOD）和海軍部（DON）的行業標準。數字工程被定義為 "一種綜合的數字方法，它使用權威的系統數據源和模型作為跨學科的連續體，以支持從概念到處置的生命周期活動"（Shepard 和 Scherb，2020 年）。許多海軍組織已經適應了數字工程方法，并開始提供培訓計劃，重點關注數字工程的各個組成部分以及有助于支持這些流程的工具。

其中一些培訓項目嚴格專注于數字工程流程的一個特定組成部分。雖然許多培訓項目都深入關注某一特定組成部分，但它們只是對數字工程或架構開發方法進行了有限的分割。不同組成部分之間缺乏流動性，這暴露了數字工程教學的不足。所提供的培訓課程并沒有展示建筑開發和工程分析工具之間是如何相互作用的，也沒有展示它們是如何協同工作以實現成功的數字工程流程的。因此，學生在構思整個建筑開發方法和探索優化建筑設計的數字工程技術時受到限制。

本文的主要目標是利用 MBSE 和數字工程實施對理論上的無人潛航器 (UUV) 進行案例研究，以補充當前的培訓和教育。這將通過三項成果來完成：理論無人潛航器數字系統架構示例、MagicGrid 架構開發方法（包括工程分析軟件工具的使用）的書面和可視化教程，以及關于整個案例研究的最終報告。

理論UUV 是一個系統概念，將使用 Cameo Systems Modeler 將其轉化為數字架構模型。利用 MagicGrid 架構開發方法，除了 Model Center MBSE 外，UUV 架構模型還可通過不同的工程分析工具 [即 Excel 和 MATLAB/Simulink（計算機輔助設計工具）] 進行連接和分析。為了說明開發過程，在架構的同時還完成了基于文本和視頻的教程。最后，在架構模型上進行實驗設計，以測試系統能力并完善設計。

這些教程包括一個模型模板，作為當前培訓和教育的補充，提供更深入的 MBSE 和數字工程工具、技術和流程。這滿足了利益相關者的目標和要求，最終成果還可用于重新評估當前基于模型的程序執行流程。

本論文開發了一個基于海底特征導航的模擬框架。使用自動潛航器（AUV）在海底定位感興趣的物品是一種對海軍大有裨益的能力。自動潛航器為消除勞動力需求提供了一個途徑，但其購置和維護成本仍然很高。解決這一問題的辦法是使用兩艘 AUV，其中一艘的能力更強，負責用信標尋找和標記海底物品。配備成本效益型傳感器的消耗性 AUV 將對威脅進行定位、識別和消除。利用海底成像技術將海底圖像與先驗圖像馬賽克關聯起來，再加上超短基線（USBL）信標，AUV 可以在沒有傳統導航系統的情況下完成具有挑戰性的任務目標。增量平滑與測繪 2（iSAM2）是一種同步定位與測繪（SLAM）技術，可用于 AUV 的位置定位，是一種適合實時導航操作的技術，具有圖像和 USBL 傳感功能。模擬框架能夠評估 AUV 的性能，同時將實際操作的風險降至最低。該框架由一個軟件架構組成，可使用與實際操作相同的軟件進行測試。本論文展示了這一框架，并對其在基于圖像的 SLAM 中的可用性進行了分析。

本預研究的重點是在一家雷達公司早期概念開發的背景下，如何在民用應用中處理非法闖入和具有潛在危險的多旋翼飛行器。不過，本研究的結果也可用于軍用多旋翼飛行器探測場景。研究范圍是 C-UAS 系統（反無人機系統），因為如果不從系統角度（包括阻止無人機的方法）考慮，就無法有效地開發無人機探測系統。

一個強大的反無人機系統需要多方面的投入，這些投入會隨著時間的推移而發生變化，而概念的目標是面向未來。潛在的應用領域已經確定，并轉化為客戶細分市場，這些細分市場的威脅和復雜需求大相徑庭。除市場和客戶需求輸入外，發現和攔截無人機的基礎技術都要根據特定細分市場的需求分析所產生的大量屬性進行映射和基準測試。這種量化對于促進基于事實的設計選擇以創建一個強大和穩健的系統是必要的。通過黑盒和流程圖對分段情景進行分析和定義，清楚地顯示出不同的復雜性。整個論文的視角在需求和解決方案領域之間轉換。

研究的結果是一個高度抽象的概念性模塊化多資產系統，該系統對移動目標和不同的無人機場景都具有很強的魯棒性。論文介紹了這種系統的現有構件和概念構件，并根據研究的基準評分結果對其進行了論證。還介紹了針對若干客戶群的具體應用系統概念。

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。

該項目為與使用無人系統支持分布式海戰（DMO）有關的作戰概念和系統設計決策提供信息。研究通過系統地改變仿真模型中的系統設計特征和作戰活動，支持對無人系統（UVC）進行能力級分析。分析結果表明，UVC 可提高各種無人系統的作戰可用性（Ao）和使用時間（TOS），因為它可隨時進入維護、加油和重新武裝設施，而無需長時間前往岸基設施或分布式支援艦艇。在比較使用 UVC 的配置與在自適應兵力包 (AFP) 中分配無人系統支持的配置時，單個無人系統的 Ao 提高了 6% 到 31%。仿真模型分析確定了 UVC 架構，其中包括至少 8 個無人機發射回收站、至少 3 個船舷托架和至少 5 個甲板井托架，以最大限度地提高 Ao。

在支持分布式海上作戰（DMO）時，無人系統有可能發揮兵力倍增器的作用，在提高殺傷力的同時降低有人系統的風險。然而，無人系統到岸基維護、加油和重新武裝設施的轉運時間減少了可用于支持執行 DMO 的自適應兵力包（AFP）的總體駐扎時間（TOS）。本項目研究了無人水面艦艇 (USV)、無人水下航行器 (UUV) 和無人機 (UAV) 在美國海軍現有艦艇上的集成問題，該艦艇已被重新改裝為無人載具 (UVC)。在本報告中，"UxV "一詞用于描述無人系統這一類別。

如 Van Bossuyt 等人（2019 年）所述，項目團隊采用了系統定義、系統建模和系統分析的通用系統工程流程序列。在系統定義過程中，項目團隊重點開發了作戰概念（CONOPS），并定義了 UVC 的系統要求。系統建模活動的重點是構建 UVC 的離散事件仿真模型。在系統分析階段，團隊利用所開發的模型來評估 UVC 的各種設計參數對每種無人系統類型的運行可用性（Ao）的影響。

A. 系統定義

在系統定義階段，從自上而下和自下而上的角度開發和考慮了 UVC 要求。從自上而下的角度來看，團隊分析并確定了滿足總體任務有效性目標所需的能力，而與任何現有的候選平臺無關。從自下而上的角度來看，團隊評估了一艘登陸直升機船塢（LHD）艦，以確定該平臺可實現的最大 UVC 能力。通過查閱文獻和分析利益相關者的需求，項目團隊確定了 UVC 的以下關鍵能力：指揮與控制 (C2)、UxV 發射、UxV 維護和 UxV 回收。根據設想，UVC 將包括著陸甲板無人機發射和回收站、無人機維護/布防/燃料艙、用于大型 USV/UUV 操作的船舷艙或站，以及用于小型 USV/UUV 操作的井甲板艙。

B. 系統建模

項目構想將 UVC 視為針對地面和岸上敵對兵力實施 DMO 的 AFP 的一部分。UVC 的作用是支持 UxV 對敵方岸基導彈基地進行偵察和打擊。在打擊階段之前、期間和之后，UxV 提供全天候的情報、監視和偵察（ISR）、目標定位和戰損評估服務。UVC 的總體目標是通過消除到岸基支持設施的較長運輸時間來增加 UxV 的全時服務時間。為實現這一總體目標，研究小組選擇 "航程 "和 "持續停留時間 "作為性能指標（MOP），并選擇 "UxV 任務時間"、"UxV 停機時間 "和 "維護灣利用率 "作為效果指標（MOE）。

設計并開發了一個離散事件仿真模型，用于分析 UVC 設計參數對 MOP 和 MOE 的影響。該模型是通過 ExtendSim10 建模程序開發的。該模型包括 UxV 發射和回收、UxV 維護活動以及 UxV 重新武裝和加油活動。UxV 的發射時間表和總模擬運行時間是根據擬議的 UVC CONOPS 制定的。目前，該模型并未考慮 UxV 的損失或故障；這是未來可能開展工作的一個領域。模型的主要輸出是每種 UxV 的 Ao。

C. 系統分析

為了廣泛探索實驗空間，同時減少試驗總數和模型運行時間，我們專門設計了一個填充空間的拉丁超立方設計。每次試驗重復模擬 30 次并收集結果。合并所得的 Ao 值，得出每個試驗的統計平均值。

分析結果表明，UVC 可隨時提供維護、加油和重新武裝設施，而無需在岸基設施或分布式支援艦艇之間進行長時間的轉運，從而改善了每種 UxV 的 Ao 值和 TOS 值。對于任何特定的 UxV，通過增加 UVC 發射、回收和維護站的數量，從而消除或減少這些服務的排隊時間，可獲得最大的 Ao。分析表明，UVC 在設計時應至少配備 8 個無人機發射/回收站、至少 3 個船舷托架和至少 5 個焊接甲板托架。這些參數沒有確定上限，這也是未來研究的一個潛在領域。

有趣的是，雖然 UVC 的存在改善了大型無人水面艦艇（LUSV）的航速，但 UVC 的實際設計似乎對 LUSV 的航速沒有影響。這可能是由于 LUSV 的假定任務持續時間長，假定維護間隔長，因此不可能出現任何排隊現象。單個船側停泊區似乎足以為多艘 LUSV 提供服務，但即使是單個船側停泊區，也可通過消除到岸基設施的轉運時間來改善 Ao。