摘要

在軍事航空人為因素部門，軍事飛行員的情緒壓力是我們感興趣的領域之一。在過去的十年中，我們的興趣集中在以下領域：

a) 測試了高信息負荷對空軍超音速戰斗機飛行員在模擬戰斗任務中的戰術決策所造成的情緒壓力。實驗測試是在飛行員戰術模擬器上進行的，模擬兩個飛行員小組（每方四名飛行員）之間的空戰。在整個任務過程中，飛行員的生理活動被監測。據分析，當飛行員做出錯誤的戰術決定時，是檢測到情緒壓力的時刻。

b) 驗證了提高空軍超音速戰斗機飛行員對 "戰斗準備 "級別的高信息負荷造成的心理壓力的容忍度的可能性。在兩個飛行員小組（每一方的飛行員）之間的模擬空戰中，再次在飛行員戰術模擬器上進行了實驗測試。每個飛行員在幾次實驗測量中都被測試，并分析了他在個別測量中的生理反應趨勢。我們工作的目的是監測飛行員在高要求任務中的情況，評估他們的生理抵抗水平。

c) 測試了提高空軍亞音速戰斗機在 "戰斗準備 "級別上對因訓練不足而產生的高信息負荷的耐受性的可能性。在模擬兩架亞音速戰斗機攻擊地面目標的過程中，在飛行員模擬器上進行了實驗性測試。為我們的實驗測量準備了特殊的任務場景，在這些場景中，飛行員還沒有得到充分的訓練。每個飛行員都在幾次實驗測量中接受了測試，并分析了他在個別測量中的生理反應趨勢。這些場景不盡相同，但難度相似。飛行員在解決這些情況時的監測和評估他們的容忍度是我們工作的目的。

在上述測試中，身體有機體的生理激活水平是通過生理值來確定的，具體是通過心率分析、語音記錄分析和眼球追蹤分析。

在上述領域解決的項目的結果集中在優化個人訓練上。

關鍵詞：飛行員的情緒壓力，戰術決策，對情緒壓力的容忍度

摘要

由HAVELSAN公司開發的虛擬環境中的部隊（FIVE）模擬器軟件，利用各種虛擬戰爭設備（如武器、傳感器和通信工具等），以安全和具有成本效益的方式提供全面的戰術和行動訓練環境。目前，管理FIVE實體的行為模型高度依賴于由現場專家和系統工程師開發的基于規則的行為。然而，FIVE軟件的基于規則的操作需要密集的編程和現場專家的指導，因此是高度勞動密集型。此外，這項任務的復雜性和負擔隨著場景的復雜性而大大增加。此外，具有基于規則的行為的虛擬實體對其環境有標準和可預測的反應。因此，在這項研究中，我們通過強化學習技術和其他機器學習技術，即FIVE-ML項目，提出了從基于規則的行為到基于學習的自適應行為的過渡研究。為此，我們主要對空對空和空對地兩種情況下的六個虛擬實體進行了基于強化學習的行為模型訓練。據觀察，用強化學習訓練的虛擬實體主導了現有的基于規則的行為模型。在這些實驗中，我們還發現，在強化學習之前，利用監督學習作為起點，可以大大減少訓練時間，并創造出更真實的行為模型。

引言

今天，培訓將使用飛機的飛行員是最重要的。用真實的飛機訓練飛行員是相當困難的，原因包括空域法規、過高的成本和訓練中可能出現的風險，以及創造真實世界場景的復雜性，包括對手或盟友使用的真實防御和戰爭平臺。飛行員訓練中使用的飛行模擬經常與戰術環境模擬結合在一起工作。通過這些戰術環境模擬，飛行員通過控制高保真飛機模型在許多低保真實體的存在下完成場景的訓練。這些低保真資產由計算機創建和控制，通常被命名為計算機生成的部隊（CGF）[1]，它們是代表空中、陸地或海上防御或攻擊系統的自主單位。

CGFs被用于人員部署的準備過程、戰術訓練或新戰略的開發。CGFs需要為每個應用（或每個場景）進行不同的編程。這些由傳統方法創造的力量會導致非適應性和不靈活的行為模式。這導致學生在靜態編程的資產面前接受模擬訓練，降低了訓練的質量。當需要新的場景時，需要專家來創建新的場景。此外，由于情景創建將使用經典的控制分支進行，在創建新情景的過程中，考慮所有的可能性往往是不可行的，即使是可能的，也是一項相當有挑戰性的任務。由于這些原因，人們越來越需要更真實的虛擬環境和新的場景來適應不斷變化的世界，以模擬飛行員候選人自己的任務和敵對部隊的當前能力和戰術。

在這項研究中，提出了向以人工智能為導向的行為建模過渡，而不是傳統的特定場景建模，以此來解決前面描述的問題。換句話說，虛擬實體將被轉化為能夠學習的動態虛擬實體。但這些虛擬實體在訓練過程中需要考慮許多情況。首先，他們必須學會對他們用傳感器感知到的環境因素作出適當的反應。然后，它必須識別他的隊友和敵人，并根據他們的等級信息和附加在他們身上的彈藥類型采取行動。它應該能夠與他的隊友合作，采取團隊行動。

為虛擬資產添加智能的機器學習的首選方法是強化學習（RL）[2]，其根本原因是：實體將采取的行動有延遲的后果。近年來，與傳統的控制方法相比，RL被認為是解決復雜和不可預測的控制問題的新方法，并在許多領域得到利用，如機器人、計算機視覺、自動駕駛、廣告、醫學和保健、化學、游戲和自然語言處理[3]-[9]。自從將深度學習引入RL概念（即深度RL[10]）后，文獻中的研究得到了提升，如許多具有挑戰性的計算機視覺和自然語言處理任務[11]-[15]。

為了這個目的，在這項研究中（即FIVE-ML），已經實現了從HAVELSAN FIVE軟件的基于規則的行為模型向基于RL的行為模型過渡的第一階段實驗。從這些實驗中可以看出，用RL算法訓練的智能虛擬實體在空對空和空對地的情況下都優于HAVELSAN現有的基于規則的實體。此外，模仿學習[16]、[17]和RL的聯合實施也取得了成功，這加快了FIVE軟件的完整過渡過程。

可以預見，通過學習飛行員候選人的選擇來開發新策略的模擬將把飛行員培訓帶到一個非常不同的點。當項目完成后，將設計一個新的系統，允許在其領域內培訓更多裝備和專業的戰斗機飛行員。一個現有的基于規則的場景系統將演變成一個可以自我更新的系統。因此，飛行員候選人將有機會針對智能實體發現的新策略來發展思路，而不是滿足于該領域的專家的知識和經驗。此外，從一個經過大量努力準備的場景機制，計算場景自動化機制將使整個過程自動化。

摘要

信息戰依賴于能夠識別敵人的行動和可能的進攻性信息活動地點。在一個全球數百萬人產生數百萬條信息的世界里，純粹的人類對信息景觀的監視是注定要失敗的。我們通過對阿塞拜疆/亞美尼亞沖突的案例研究表明，通過關注各種起作用的敘述，人工智能輔助的人類分析有可能將監視目標縮小到一個可管理的規模，并識別武裝沖突中敵對者部署的自動化。

引言

信息戰從根本上說是關于敘事的塑造。這可以采取以下兩種形式：（1）戰術性敘事塑造，即關于部隊位置/人數和傷亡的敘事；（2）戰略性敘事塑造，即關于戰爭的有效性/對部隊/平民士氣的影響的敘事。信息戰領域的一個關鍵問題是要能夠快速識別和了解敵人的信息活動，以便準確應對。

鑒于敘事在信息戰中的核心地位，敘事不能說謊。因此，我們應該通過仔細觀察支持敵人更廣泛議程的敘述來尋找敵人的活動。通過他們所宣傳的敘事來尋找敵人的活動，敵人就不能在不破壞自己的效力的情況下隱藏活動；這是信息戰的雙刃劍，也適用于圍繞同一作戰網絡空間的公共外交。

在本文中，我們提出了一種具體的方法，利用信息戰的這種敘事特性來識別信息戰活動。特別是，我們強調了這樣一個過程：（1）識別相關的敘事和敘事信號，（2）根據敘事信號以結構化的方式收集數據，（3）調查敵人敘事中的行為者和故事。在本文的其余部分，我們將通過一個案例研究來展示這種方法的具體用途，然后我們將強調一些正在進行的技術改進，我們正在努力提高這種方法在實地使用的便利性和效率。本文的目標是為在無處不在的信息戰環境中利用社交媒體獲取情報提供一種工作方法。

摘要

有效的項目管理有賴于對風險的細致和精確的量化。根據Kaplan和Garrick(1981)的說法，風險是概率和影響。然而，影響往往是多維的，包括進度維度、安全維度、財務維度或技術維度等。本文打算介紹利用統計科學將多個風險維度合并為一個數值。在美國國家航空航天局（NASA）的許多項目中都使用了一種叫做MRISK的多維風險工具來評估和確定風險和緩解措施的優先次序。此外，本文將總結北約盟軍司令部轉型（ACT）目前的風險管理準則，并將告知北約ACT在風險評估和管理方面可以從統計科學中獲益的潛在方式。

MRISK工具是由博思艾倫咨詢公司在NASA蘭利研究中心開發的。我曾作為MRISK的開發者，通過這篇論文，我旨在提高對定量風險評估的認識，并介紹其在北約ACT的潛在應用。博思艾倫咨詢公司撰寫的MRISK原始論文是美國國家航空航天局的專利，并存放在美國國家航空航天局科學和技術信息（STI）庫中。本文所表達的觀點僅代表我個人，不代表我以前或現在的雇主的觀點或意見。

引言

所有的項目，無論其組織、復雜性、時間框架或目標如何，都會有風險。項目管理協會將風險定義為 "一個不確定的事件或條件，如果它發生，會對一個或多個目標產生積極或消極影響"。一個積極的風險被認為是一個機會，而一個消極的風險被認為是一個威脅。大多數情況下，風險管理意味著威脅管理。鑒于，不可能避免項目威脅，有效的項目管理必須包括成功管理它的方法。特別是考慮到減輕風險的缺陷最終會給聯盟帶來大量的資金，以及戰爭能力發展和進展的潛在滯后，它被證明是項目管理的一個重要組成部分。

風險管理包括風險識別、風險評估和風險應對。風險評估階段的目標是定性和/或定量地評估風險的概率和影響。傳統上，風險評估是定性進行的，這意味著它依賴于對單個風險的概率和影響的判斷。判斷可以基于過去的經驗、可比較的項目、或項目主題領域的專業知識。以這種方式進行的風險評估可以由一個人完成，也可以在一個有不同利益相關者和專家的團隊環境中完成。然而，僅僅是定性的風險評估并不總是充分的。

如果風險評估的主要目的是對風險進行優先排序，以確定哪些風險需要進一步研究和應對，那么定性評估就可能是足夠的。相反，如果風險評估需要高度的精確性和更多的結論性評價，那么定量評估與定性評估一起進行將對項目有益。

摘要

在使用模擬的訓練過程中，所有信息都會被記錄下來，用于回放、可視化和詳細分析。經典的事后審查 (AAR) 工具提供了許多功能來放大特定時刻或對受訓者的選擇提供一般反饋。培訓師一般使用的素材是分數、視頻和截圖，需要自己手動豐富。

STRATEGIC研究項目提出了基于人工智能和建模與仿真的創新自動化分析工具。我們的工作側重于三個戰略支柱：

• 使用圖模型對事件因果關系的敘述性重構。這有助于了解學員選擇的后果，并突出課程中的關鍵事件，從而促進匯報會議期間的溝通。
• 自動生成豐富的作戰圖表，提供戰術形勢及其歷史的智能綜合：局部軍力比例、戰術路線、任務的主要影響、上下文單位的能力……
• 用于探索替代解決方案的交互式圖片

早期的結果非常有希望，以至于法國陸軍訂購了許多智能圖表；不僅用于3A和培訓課程的監督，還用于情報評估。將來它還可以用作總部的決策支持和警報系統。

摘要

價值1750億美元的電子游戲生態系統龐大且不斷發展，為全球28億游戲玩家提供服務，包括與當前和未來軍事建模和仿真(M&S)直接相關的技術和工作方式。英國國防科學與技術實驗室(Dstl)的研究計劃委托進行了一項研究，分析游戲生態系統，以了解哪些新興或現有方法可以為軍事訓練和更廣泛的M&S提供顯著收益。重點是“建模和仿真即服務 (MSaaS)” ，以及為更復雜的多域操作培訓的成本效益可能出現“階梯式變化”。首先生成了游戲和軍事M&S功能的熱圖，以突出與軍事最相關的領域。通過與Dstl主題專家合作，確定了軍事M&S通過利用游戲行業內的技術和能力實現現代化的20個關鍵機會。它們是跨技術、人員和流程的速贏和長期機會的混合體。其中的關鍵是游戲引擎技術不斷增長的潛力；社區在游戲和游戲開發中的價值；以及廣泛的網絡訪問作為M&S發現、共享和創新的推動者的作用。