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

當小型無人機系統（sUAS）由疏忽、魯莽或惡意操作者操控時，將對地方及聯邦機構構成重大威脅。隨著sUAS與傳統航空器共享空域的情況日益增多，且其可能作為武器侵入管制空域，人員、設施及資產防護已成為核心議題。本研究通過集成低成本分布式傳感器與機器學習（ML）模型，提升戰場態勢感知能力，補強現有傳感平臺對sUAS的實時探測、分類與定位效能。

本文提出"無人機偵測指揮中心"（DDCC）概念架構。該系統對接分布式節點網絡，通過聲學與光學雙模態實時獲取sUAS數據，并具備截取關鍵幀能力以增強未來機器學習模型的預測性能。基于大疆Matrice 600 Pro采集的數據集，構建多組深度學習模型實現sUAS存在性分類及節點距離預測。重點評估聲學測距性能（與光學測距對比），最終融合多源數據構建定制模型，驗證融合數據是否優于單模態方案。初步實驗顯示：聲學分類準確率79.6%，光學分類準確率86.7%；獨立測距任務中聲學平均絕對誤差10.463米，光學誤差16.961米；經卷積循環神經網絡處理融合數據后，平均絕對誤差降至9.57米，較聲學數據提升0.88米，較光學數據提升7.385米。

本章首先闡明研究問題與目標，隨后介紹DDCC系統——該專有平臺可同步聯動多傳感器執行"記錄"與"預測"指令。

在sUAS激增的背景下，無論操作者性質（疏忽/惡意/軍事），均對地方及聯邦機構安全構成緊迫威脅。面對sUAS與傳統航空器空域共享及其武器化趨勢，人員設施防護已成關鍵挑戰。本研究旨在驗證"低成本分布式傳感器+ML模型"在sUAS探測、分類及測距中的有效性，并構建DDCC系統——該系統可加載預訓練模型，基于視頻、音頻及融合數據實現sUAS存在性識別與距離測算。

本文致力于解決空基威脅探測的多維挑戰（特指sUAS），通過在DDCC中融合"聲學特征卷積循環神經網絡"（CRNN）與"YOLOv8目標檢測模型"，構建可實時識別、分類及測距的全域解決方案。研究目標明確如下：

1. 一體化架構集成：研究CRNN聲學分析與YOLOv8視覺檢測在DDCC中的無縫融合，設計優化雙模態協同架構
2. 聲學測距回歸模型：構建訓練CRNN實現聲源測距（單位：米）
3. 光學測距回歸模型：構建訓練全連接深度神經網絡實現視頻源測距（單位：米）
4. 訓練驗證體系：采用多樣化sUAS場景數據集對視覺/聲學組件進行嚴格訓練驗證，優化模型魯棒性
5. 跨模態融合技術：開發創新融合算法整合視聽信息，發揮多模態互補優勢。融合核心目標在于證明"視聽結合"較單模態具有更高預測精度

DDCC作為專有系統，通過傳感器網絡執行指令（如記錄/預測）。其客戶端界面采用3x3網格排列的九宮格視頻流布局，每區塊均支持"連接"、"錄制"、"預測"、"靜音"功能鍵，配備服務器主機配置文本框及遠程重啟下拉菜單。樹莓派4服務器傳輸的實時音視頻流顯示于對應區塊，捕獲數據的分類預測結果集中呈現在日志域。系統可加載預訓練模型執行定制化預測任務，本研究特訓模型專注于基于視頻/音頻/融合數據的sUAS存在性識別與距離測算。

文檔結構如下：第二章詳述sUAS探測技術背景與研究進展；第三章解析DDCC系統設計與節點配置；第四章闡述數據采集、模型構建及訓練驗證方法論；第五章呈現全流程實驗結果；第六章探討未來sUAS數據采集路徑；第七章總結研究并給出結論陳述。

本研究評估了一種稱為臺球算法（billiards algorithm）的動態傳感器覆蓋（DSC）算法。文章探討了規避障礙物和無趣區域（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，它使無人機能夠導航障礙物密集的環境，同時最大限度地降低碰撞風險。本文在MATLAB中運行了仿真實驗，以評估該算法在平均和最差延遲性能方面的表現。研究將臺球算法與隨機路徑選擇以及文獻中稱為Ganganath算法的算法進行了比較。為提高臺球算法在障礙密集環境中的性能，本文實施了模型預測控制（Model Predictive Control, MPC），預期智能體能夠通過前瞻規劃獲益。本論文呈現的結果表明，與Ganganath算法相比，帶避障的臺球算法在平均延遲方面表現出色，但在最差延遲方面表現欠佳。在某些室內環境中，Ganganath算法顯示出局限性，而臺球算法則在兩項性能標準上均優于它。在計算復雜度和通信流量方面，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，這兩項指標在軍用無人機集群算法中非常寶貴。MPC能夠在一個有限的未來時間窗口內優化決策，被集成到臺球算法中以評估其有效性。研究發現，MPC在普遍的障礙密集環境中并未提升性能。這可能是由于在多智能體系統中預測未來狀態本身就存在困難，加之智能體即便沒有MPC提供的前瞻能力，也已能高效探索未探索區域。然而，在某些特定環境中，MPC能顯著提升該算法的性能。

無人機（Drones），或稱無人飛行器（Unmanned Aerial Vehicles, UAVs），是在沒有人類飛行員在機上操作運行的航空器。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）操控 [1]。這些多功能機器人在過去幾十年一直是熱門研究主題，因此近期發展顯著 [2]，[3]。在軍事行動中，無人機非常適合在許多高風險任務中替代步兵執行情報、監視和偵察（Intelligence, Surveillance, and Reconnaissance, ISR）等任務[4]。將無人機納入軍事單位可有效減少己方傷亡并降低成本。最有前景的新興無人機技術之一是無人機集群技術（drone swarms），即大量無人機通常以自主方式協作運行以解決復雜目標。該研究主題側重于開發算法，指導集群中的無人機通過通信并基于其他無人機做出智能決策，從而高效完成任務[5]。未來在軍事背景下，無人機集群可能成為新一代作戰和情報工具，能夠執行多層面任務，同時最大限度減少人力資源需求。在許多應用中，無人機集群通常比傳統資源更快、更具適應性。借助先進的集群算法，軍事力量不僅可以將無人機用作單個單元，更能將其作為一個協同網絡使用，在復雜環境中的效能和可擴展性方面超越傳統的單一單元任務。本報告研究的集群算法可在任何能在二維空間中移動的機器人平臺上執行，例如無人地面車輛（Unmanned Ground Vehicles, UGVs）。貫穿全文，為追求更通用的表述，這些無人機被稱為“智能體”（agents）。就本報告目的而言，智能體將指代全向旋翼無人機。

本工作的目標是改進一種已存在的名為臺球算法的集群算法，特別側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，以獲得一個魯棒且多功能的算法。該算法的目的是在關注區域（Area of Interest, AoI）上提供持續的傳感器覆蓋，即AoI的每個部分都應盡可能頻繁地被覆蓋。障礙物可以呈現各種幾何形狀和復雜程度。該算法應能在AoI中高效分配其傳感器覆蓋，其中一部分區域可能被歸類為無趣區域。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，所設計的算法需要簡潔而有效。通信流量也需要考慮，因為存在電子戰威脅的可能性。

在集群算法設計中，避障對于防止智能體受損至關重要。若無有效的避障，在AoI中的智能體可能與障礙物發生碰撞，導致智能體損壞，甚至在特定算法中導致整個集群失效。將避障整合到集群算法中可顯著提升其多功能性。一個糟糕的避障算法可能在障礙物邊緣附近表現平平，導致圍繞障礙物的覆蓋不理想。因此，本報告中的避障應解決此問題。通過考慮無趣區域，該算法能更有效地優先覆蓋AoI重要區域的傳感器。

本研究圍繞以下研究問題展開：
? 在障礙密集環境中，臺球算法與隨機路徑選擇相比如何？
? 帶避障的臺球算法在基于最差延遲性能和平均延遲性能方面與基于勢場的Ganganath算法相比如何？
? 整合預測時域能否顯著改善臺球算法的性能？
? 臺球算法的分布式控制與采用集中式和去中心式控制方案的版本在性能上相比如何？

本論文結構如下：第2節介紹了多智能體系統理論，并概述了本工作中使用的兩種算法。第3節描述了實驗設計和仿真環境。第4節展示并討論了結果。最后，第5節總結了論文并提出了未來工作的方向。

本文提出并評估兩種深度學習模型，旨在支持并擴展瑞典國防研究局（FOI）當前使用的MATLAB/Simulink模型。這些模型用于執行不同作戰場景（如飛行器與導彈對抗）的仿真模擬，但其計算資源密集特性限制了可高效探索的場景數量。為實現更快生成補充仿真數據，本研究采用近45,000組歷史仿真場景訓練了CNN-LSTM混合模型與基于Transformer架構的模型（iTransformer）。數據集包含靜態輸入參數及表征飛行器與導彈三維位置的多元時間序列數據。模型訓練目標為基于初始條件預測軌跡延續，并通過標準回歸指標與推理時間進行評估。結果表明：兩種模型均能以低定位誤差捕獲多數軌跡模式，并顯著縮短仿真耗時。

盡管直接比對非本研究主旨，但輸入序列長度差異及降采樣處理使所提模型無法直接相互比較或與MATLAB/Simulink模型對標。本文詳述模型開發過程并討論其局限性。雖需進一步驗證，但結果證實深度學習模型具備與傳統仿真方法協同加速場景生成的潛力。

本文探討了如何利用遷移學習和合成數據來提高卷積神經網絡（CNN）在海上船只探測方面的性能，重點是自主無人水面航行器（USV）。所面臨的挑戰是標注夜間數據的可用性有限，而夜間數據對于在低能見度條件下檢測船只至關重要。該模型最初是在真實世界的數據上進行訓練，以探測 Mokai USV 和其他船只。然后使用合成的日間數據進行遷移學習，使數據集多樣化，包含更多的船只類型和條件。此外，還對 Sionyx NightWave 攝像機的圖像進行了直方圖均衡化處理，使模型能夠在夜間進行檢測，而無需大量真實世界的標注夜間數據。在真實世界、合成日間和合成夜間數據集上，使用平均精度 (AP)、召回率和漏檢率指標對模型的性能進行了評估。雖然該模型在日間條件下表現良好，但在夜間檢測時性能卻有所下降，尤其是對于較小的物體。這些結果凸顯了領域適應性的挑戰，同時也證明了合成數據和遷移學習在解決海洋環境中標記數據稀缺問題方面的潛力。這種方法為改進 USV 在各種條件下的自主操作提供了一種經濟有效的解決方案。

美國海軍部（DON）的《2021 年智能自主系統（IAS）科技戰略》強調，在復雜和不可預測的海洋環境中，越來越依賴自主平臺來增強作戰能力[1]。正如該戰略所概述的那樣，海軍正越來越多地集成像無人水面航行器（USV）這樣的智能自主系統，以執行從監視和偵察到后勤和威脅探測等各種任務[1]。該領域的一個關鍵挑戰是確保這些無人系統（UxS）能夠在各種環境條件下有效運行，包括夜間行動等低能見度場景以及雨、霧等惡劣天氣條件。在這種條件下，可靠的目標探測和分類對于任務的成功至關重要，因為 USV 的運行需要最少的人工干預。

然而，由于標注的夜間數據稀缺以及現實世界數據集的限制，傳統的目標檢測模型在夜間環境中往往難以發揮良好的性能。這一不足阻礙了海軍在需要在不利照明條件下進行精確探測的行動中部署 USV 的能力。海軍部的戰略強調需要先進的機器學習（ML）和人工智能（AI）技術，以適應各種環境挑戰，確保自主平臺在任何條件下都能保持高水平的態勢感知能力。

此外，部署配備紅外（IR）攝像機等先進傳感器技術的 USV 的成本效益和操作靈活性也是重要的考慮因素。雖然紅外攝像機可提高低光照條件下的可視性，但其成本往往較高，而且需要專門的培訓。相比之下，在可行的情況下，利用日光下訓練的模型進行夜間應用可能會節省成本并提高運行效率，因為與紅外標記的數據集相比，日光標記的數據集更為豐富。

這項工作的動機源于海軍部實現自主系統現代化、減少人類工作量和提高運行效率的目標[1]。隨著海軍繼續將 UxS 集成到其艦隊中，開發先進、彈性和適應性強的目標檢測模型的能力將在確保自主海上行動在所有照明和天氣條件下取得成功方面發揮至關重要的作用，從而為海軍部在 IAS 領域的技術優勢做出貢獻。

本文的貢獻如下：

• 開發用于海上目標檢測的 CNN： 創建專門用于檢測海洋環境中船只的 CNN 是一項關鍵技術貢獻。該模型可以區分幾種類型的船只，包括 Mokai USV 和其他水面艦艇，為 USV 在實際海軍行動中的自主性提供了實用的解決方案。

• 利用合成數據進行遷移學習： 本論文展示了合成數據的使用，以克服標注圖像稀缺的問題，這是在此類環境中訓練模型的常見限制。通過使用合成日間數據訓練 CNN，然后將遷移學習技術應用于夜間條件，該研究為在沒有大量真實世界標記數據的情況下提高模型性能做出了新的貢獻。

• 利用直方圖均衡化創新領域適應性： 應用直方圖均衡化技術來增強 Sionyx NightWave 攝像機的圖像，并隨后在合成夜間數據上進行遷移學習，是一項顯著的方法創新。通過利用圖像處理技術和遷移學習，這種方法有助于改進低照度場景下的物體檢測，為更廣泛的領域適應性研究領域做出了貢獻。

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。

考慮到資產之間的通信可能是局部的，但不可能是全局的（例如，由于通信網絡中斷），“馬賽克戰爭 ”要求多個分散資產在較小的群組中移動和運行。在這些群組中，資產之間存在分層的功能關系。本研究提出并評估了一種分級資產組合和路由啟發式（HATRH），用于實施由機載傳感器、指揮和控制飛機以及攻擊機組成的空中資產企業的馬賽克戰，以移動并摧毀一組固定目標。HATRH 由三種迭代應用算法組成：一種是將資產組合成功能片的分組算法，另兩種算法分別與資產群移動和單個資產移動有關。后兩種算法中包含由用戶確定的參數，這些參數大致對應于馬賽克中的群體和單個資產機構。廣泛的測試檢驗了這些參數和資產密度對三種不同操作場景設計的影響，并通過兩個無政府價格（POA）啟發指標與最佳（即高效）資產利用率進行了比較。結果表明，與單個資產機構相對應的用戶自定義參數對平均彈藥消耗和資產平均飛行距離都有顯著影響。在資產最初包圍敵方目標的情況下，單個和群組機構用戶定義參數都會影響彈藥消耗和燃料消耗方面的作戰效率。

接下來的研究將探討以協作方式在網絡上路由多個不同類型的資產以滿足需求的問題。協同服務的特點是，在為需求提供服務時，不同類型的資產必須幾乎同時進行。此外，某些類型的資產必須通過訪問需求來提供服務，而其他類型的資產則可以就近提供服務。本研究提出了一種混合整數線性程序來模擬這種車輛路由問題的變體。除了通過商用求解器直接求解問題實例外，本研究還提出了模型分解啟發式的兩種排列組合，以及兩種預處理技術，對選定的決策變量施加特定于實例的約束。對比測試評估了求解方法和預處理選項的九種組合，以求解一組 216 個重要參數變化的實例。結果表明，在計算量有限的情況下找到可行解決方案的可能性與所確定解決方案的相對質量之間存在權衡。對于大型網絡，預處理技術利用近鄰啟發式與任何求解方法相結合，最常為測試實例集找到可行的解決方案（即 90% 的實例），但解決方案的質量較低（即平均為最佳解決方案的 15%）。在大型網絡中，表現最差的是模型分解技術，它首先對提供服務的資產進行近距離路由，而省略了任何一種預處理技術；雖然這種組合在確定可行解決方案時能產生最佳解決方案，但它只在 55% 的實例中做到了這一點。其他求解方法的表現也有值得注意的細微差別，詳見下文。

最后，研究探討了在網絡上路由多個不同類型的資產以滿足需求的問題，在此問題中，需求必須在一定時間內按順序由不同類型的資產滿足，而最大限度地減少累計服務時間是研究的重點。更具體地說，這項研究旨在利用有限的資源確定有效的網絡中斷策略，從而最大限度地縮短累計服務時間。在這個斯塔克爾伯格博弈的雙層編程結構中，上層問題決定中斷策略，下層問題決定資產路線。本研究考慮并測試了三種求解程序：迭代識別每個中斷行動的貪婪構造啟發式（GCH）、模擬退火（SA）的定制實現，以及利用候選解決方案優先級識別和塔布列表的增強變體（eSA）。測試比較了在一系列選定算法和特定實例參數下類似實例的解決方案方法。結果表明，增強型模擬退火方法表現最佳，擴展測試探索了增加所選問題集對 eSA 相對于 GCH 的相對改進的影響，以及對算法運行時間的影響。

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。

本研究探討了政府和國防機構的情報搜索人員所面臨的數據超載問題。研究利用認知系統工程（CSE）文獻中的方法，對情報搜索工作領域進行深入分析。這些見解被應用于設計和評估專門用于情報搜索任務的人類-人工智能智能體團隊的支持概念和要求。領域分析揭示了 “價值結構 ”的動態性質，“價值結構 ”是一個術語，用于描述管理情報搜索過程的不斷變化的標準集。此外，領域洞察力還提供了搜索聚合和概念空間的詳細信息，可將價值結構有效地應用于情報搜索。利用這些發現的支持系統設計可以使情報搜索者在更抽象的層次上與數據互動并理解數據，從而提高任務效率。此外，新的系統設計還可以通過相關的系統提示，促進對大型數據域中未被選擇對象的 “環境感知”，從而為搜索者提供支持。通過支持概念和人工智能團隊實現的 “環境感知 ”有可能解決數據超載問題，同時提高搜索覆蓋范圍的廣度和深度。

圖 4. FAN 領域模型。為了強調整個 FAN 的抽象功能結構和目標互動，圖中模糊了流程塊的細節。詳細的智能搜索功能模型見補充材料圖 S1。

政府和國防機構的情報搜索人員面臨著越來越多的數據和文件，他們需要從中查找或 “發現 ”信息，以獲得支持明智決策的見解。這種情況被稱為數據超載問題，即個人在系統或其他代理的幫助下，難以選擇、組合或綜合所需的數據子集，以完成需要在更大的數據領域進行態勢評估的任務[1]。在這種情況下，情報搜索人員與同事一起利用搜索工具，協同努力從幾乎無限的可用于任務的文件中查找、收集和評估文件，以完成為情報目標提供信息的任務。具體地說，數據超載妨礙了搜索人員識別數據子集的能力，而這些數據子集能提供足夠的細節來滿足情報目標，這對行動任務的完成至關重要。

用于一般情報搜索任務的系統可能會導致數據超載癥狀。具體來說，情報搜索工具會表現出與 “鎖孔脆性”[2] 概念有關的缺陷。這里所說的 “鎖孔 ”是指縮小呈現數據的范圍，將剩余數據分配到更多的隱藏屏幕上。這種呈現方式要求研究人員手動瀏覽和綜合來自多個數據屏幕的信息，以了解搜索的效用。同時，這些現有工具的脆性與它們支持從情報搜索工作領域的數據中提取意義的潛力有關。因此，“脆性 ”產生于搜索工具對信息的狹隘表述。對于需要從大量數據中提取意義的復雜任務來說，這種局限性導致了效率的下降，而這些數據又超出了給定系統的表述范圍。此外，由于情報搜索工作和信息領域的結構復雜，無法充分捕捉和傳達，妨礙了對支持行動所需的信息的理解和管理。這就導致效率低下，搜索人員往往會錯過有價值的見解和與目標相關的數據，同時還要花費更多的時間瀏覽各個屏幕來完成任務。

情報工作領域的搜索所面臨的這些廣泛挑戰構成了本研究要探究的問題，圖 1 的頂部對此進行了總結。圖 1 中還列出了應對這些挑戰常用的術語和縮略語，作為本研究的路線圖。

無人潛航器（UUV）為在水下領域實現目標提供了一種謹慎的手段，這在灰色區域行動中至關重要。然而，無人潛航器也面臨著巨大的操作挑戰，如電池壽命有限、有效載荷容量受限以及存在敵對威脅等。為解決這些問題，建議開發一種整合了線性規劃和在線優化的調度工具。該工具受論文 "灰色區域環境中的路由優化 "中路由優化方法的啟發，旨在為 UUV 安排后勤支持。該工具旨在通過考慮對手的最新位置來規避移動中的對手，同時還能根據對手的具體要求確定服務任務的優先級。通過利用一系列適應最新信息的路徑計算，工具確定最佳路線。根據該工具在模擬場景中提供可行解決方案的能力對其有效性進行了評估，在該模擬場景中，一艘后勤保障船在一個由隨機移動的敵方船只巡邏的區域內為一支 UUV 艦隊提供服務。此外，評估還包括該工具在不同 UUV 艦隊規模下的最優性能和計算復雜性。本文致力于在對手威脅下改進后勤路由，提高灰色區域環境中的軍事效率。

圖 3.1. 南海假想行動區地圖片段。

在和平與戰爭的傳統界限之間，存在著一個模糊不清的領域，國家行為體及其軍事力量經常利用國際法和國際準則中的漏洞。這些區域通常被稱為灰色地帶（GZs），這些實體在其中努力實現其目標，而不引起全面的軍事反應。灰色地帶的概念雖然并不新鮮，但近年來由于地緣政治格局的不斷變化而日益突出。無人自主飛行器的進步和廣泛使用大大增強了軍事部隊開展 GZ 行動的能力。與有人駕駛飛行器相比，無人駕駛飛行器沒有人類操作員，這有助于提高可信度，降低風險。在水下戰爭領域，無人潛航器已成為現代軍隊實現 GZ 目標的重要工具。

盡管無人潛航器技術不斷進步，但仍受到當前技術限制的制約。它們的電池容量有限、有效載荷能力受限、需要維護和修理，因此往往需要人工干預后勤工作，從而為表面上的無人系統引入了有人操作的一面。本論文旨在通過設計一種工具來改進 UUV 的物流路由，從而加強 UUV 服務的路由和調度。其目的是確定后勤保障船（LSV）進入 UUV 的最佳路徑和服務時間，同時應對隨機移動對手的挑戰，這是 GZ 地區普遍存在的問題。本論文借鑒 Chu（2023 年）開發的混合整數線性規劃（MILP）路由優化工具，結合在線優化（OO）原理，開發出一種可迭代更新其解決方案的工具，以適應對手的動態移動。這種能力有助于避免被發現，而這是避免 GZ 中潛在沖突的重要策略。

研究伊始，我們首先提出了 MILP 模型。在 MILP 框架內，我們的模型利用平均延遲作為主要指標，在整個網絡中有效生成最優調度建議。通過關注平均延遲時間的最小化，我們的模型旨在促進 UUV 的及時訪問以提供高效服務，同時規劃路線以規避對手。鑒于 UUV 可能有不同的服務時間要求和分配優先級，我們設計的模型在生成最佳路由和調度計劃時考慮了這些因素。在該模型中，用戶可以指定指定的服務時間窗口和持續時間，并根據以下四個不同級別分配服務優先級：(1) 電池更換；(2) 常規維護；(3) 存儲更換；(4) 關鍵維護。

為了實現 OO，我們采用了 Marler（2022 年）提出的決策過程，將敵方移動下的后勤路由概念化為以下五個步驟：

步驟 1. 獲取最新戰術信息。

步驟 2. 生成路由計劃。

步驟 3. 前往推薦的 UUV。

步驟 4. 執行服務任務。

步驟 5. 重復上述步驟，直至達到終止標準。

通過時間索引，模型可以在每個時間步驟中利用對手位置的最新數據和上一步驟的模型狀態進行重新優化。這種方法有效地實現了五步決策過程，從而體現了 OO 的原則。

為了改善用戶體驗，我們設計的工具將所有輸出整合到統一的瀏覽器界面中，并通過交互式地圖進一步加強用戶控制和參與。為了證明該工具的計算可行性和功能性，我們進行了一次概念驗證模擬，讓一艘 LSV 在 120 x 120 海里（nm）的作戰區域內，為由 10 艘 UUV 組成的艦隊提供服務，并與三個對手進行對抗。當 LSV 穿過模型時，我們的算法會動態生成對手的隨機移動。因此，LSV 必須戰略性地避開這些對手，通過最短路徑到達 UUV。我們展示了模擬結果，以證明我們工具的功能，并通過分析相關的最優性差距和計算復雜性深入研究其性能。

盡管本文中開發的仿真模型和原型工具還不適合立即應用于軍事作戰規劃，但它們為未來的進步建立了一個基本框架。這項工作為在該領域設計更復雜、更實用的解決方案奠定了基礎。提出了未來研究的幾個方向。其中包括擴展模型，以適應在 UUV 網絡中運行的多個 LSV（可能通過同步協調或分散優化）。還建議通過納入多目標優化來擴大服務優先級和復雜性的范圍，加強在線更新的因素范圍，并改進參數以更準確地反映真實世界的操作條件。此外，探索實施欺騙性路由計劃等策略以增強路由能力是未來另一個值得研究的領域。

擬議的研究活動調查了眼球凝視的空間分布，作為心理負荷的實時測量。最近的研究已經成功地將眼球凝視的分布與心理負荷聯系起來。這個研究項目的范圍是設計一套實驗來分離三類任務需求（即時間上的、精神上的和物理上的）的貢獻，并確定在使用空間分布的指數作為基于眼球的適應系統的觸發器時，應考慮其中的哪一種（以及何時）。

引言

眾所周知，眼球活動對腦力勞動負荷的變化很敏感，人們曾多次嘗試利用眼球追蹤器提供的信息來得出分配給任務的認知資源的穩定測量值。最近在我們實驗室進行的研究已經成功地將眼睛的注視點分布與心理負荷聯系起來，本報告中描述的研究活動的范圍是將三種類型的任務要求（認知、時間和物理）的貢獻分開，并確定其中哪些（以及何時）應該被考慮，以使用空間聚類的指數作為基于眼睛的適應系統的觸發。

更具體地說，這項研究的目的有三個方面：1）用大樣本和被試內設計評估所提出的措施對不同類型的任務要求的敏感性；2）評估所提出的措施作為適應性自動化的觸發器的有效性；3）用更復雜的算法擴展掃描路徑的空間分析。

鑒于這里提出的研究活動的基本性質，在實驗室實驗中使用了一個簡單的視覺-運動任務。盡管這些效果可以擴展到操作環境中，但在復雜/現實環境中的測試活動超出了本研究的范圍。

然而，這里描述的研究活動旨在調查使用眼睛注視點的空間分布作為心理工作量的實時測量，從而作為自適應系統的觸發器。這種方法可以很容易地在所有交通領域實施（見Di Nocera等人，2020），更不用說操作員坐在顯示器前的所有操作環境（如控制室）。這種方法最初是由Di Nocera, Camilli & Terenzi (2007)提出的，最近來自次要來源的證據證實，眼睛注視點的空間分布對心理工作量的變化很敏感（例如Chen等人，2022；Dillard等人，2014；Fidopiastis等人，2009；Foy & Chapman, 2018）。早期對該指數的功能意義及其對不同任務需求的敏感性的研究表明，當任務負荷取決于時間需求時，定影似乎是分散的，而定影聚類似乎取決于視覺空間需求（Camilli, Terenzi & Di Nocera, 2008）。在該研究計劃中使用的最近的鄰居指數（NNI）顯示出與其他通常被用作測量心理負荷的眼部指標相比的幾個競爭優勢。1）它提供被檢查的視覺場景的整個掃描路徑的信息，而不是取決于預先定義的感興趣的區域（就像 "熵 "那樣）；2）它可以在相對較小的歷時（1分鐘）內計算，從而有可能獲得關于個人功能狀態的持續信息；3）它是基于已發表的研究，可以使用開放的工具計算，不像其他專利工具，如Marshall（2007）的認知活動指數。此外，NNI不需要事后分析（就像事件相關電位那樣），它在現實世界的環境中具有很強的可操作性，這使得它成為衡量心理負荷的一個很好的候選指標，可以適應性地觸發一些自動化系統。

這里進一步研究了該指數的診斷性，通過操縱強加給個人的需求類型（精神、時間、身體），將其與熵的方法進行比較，并試圖通過對其進行擴展。