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

有人/無人機協同系統是在無人機系統基礎上發展起來的一種新型協同作戰系統。隨著任務復雜度的不斷加深，僅憑無人機不能滿足各類任務需求，有人機承擔的指揮、控制和決策功能的重要性逐步增強，是系統任務執行效能得以提升的關鍵要素。憑借無人機強大的感知、計算、通訊能力以及機載飛行員的高級智慧和經驗，有人機和無人機可以實現協同編隊，完成各種復雜任務。深入分析了有人/無人機協同系統的架構及組成，總結了目前的發展狀況，提煉和歸納了系統的關鍵技術。最后對系統未來的發展方向進行了展望。 目前無人機研究領域相關技術的發展日趨成熟,已實現了對單一復雜任務的高效執行。然而隨著實際任務執行要求的提高,已經出現了一些僅靠傳統的單無人機甚至由多個無人機組成的編隊系統無法完成的任務,尤其是面向軍事領域的復雜任務。例如現役軍用無人機系統執行偵查、監視與情報(intelligence,surveillance and reconnaissance,ISR)的一體化聯合作戰任務[1]。當前的無人機雖能攜帶一些武器,如小型和大威力的精確制導武器、激光武器或反輻射導彈[2-3],但戰場環境瞬息萬變,現有的無人機系統并不能完全代替人類大腦做出精準的判斷和決策。更有效的方式是將有人機和若干架無人機組成混合編隊,并由載人機就近向無人機發布指令從而執行實時性要求較高的任務。該方向已經受到廣泛關注,并逐漸成為當前有人/無人機協同系統中的研究熱點問題。

當前民用無人機已經基本滿足大多數任務需求,并且民用領域的任務通常情況下并不十分復雜,且對相關技術如編隊協同控制、路徑規劃等問題的研究日趨成熟。相對而言有人/無人機協同系統在軍事領域的研究和應用較多,是近年來備受推崇和關注的多域作戰[4-5]和跨域協同作戰[6]中的熱點問題,本文中涉及該方向的相關介紹和研究綜述將以軍事領域為背景。

作為較先進的作戰體系,世界各國都在無人機作戰技術的發展基礎上開展了面向有人/無人機協同系統的研究。圖1為美空軍RQ-4B全球鷹大型偵察無人機。

圖1 RQ-4B全球鷹無人機 Fig.1 RQ-4B global hawk

以英國和美國為代表,兩國分別在有人/無人機協同作戰研究領域取得了成功。英國QinetiQ公司實現了有人機對無人機群戰術層面的協調與控制[7-8];美國麻省理工學院和波音公司合作實現了機載駕駛員利用語音傳輸與識別技術向無人機傳達指令協調執行任務。當前美軍的C2BMC(command and control,battle management and communications)系統是全球較為領先的指控系統[9],該系統具備了絕大部分有人/無人機協同系統的關鍵指揮控制類技術,如態勢感知、自適應規劃、通信、建模、仿真與分析等。目前國內對于有人/無人機系統的研究和發展仍處于起步階段,但針對各類自主無人系統的研究已經取得了不少成果,這些成果融合了人工智能、機器人技術、先進控制和決策等諸多高精尖科技成分[10]。筆者所在的研究團隊針對地面無人系統的多智能體平臺結合物聯網通訊技術開展了相關研究工作[11],近年來對無人機自主協同編隊控制問題進行了研究[12-13],后期考慮到人的干預行為,有望將有人控制與無人平臺深度融合實現有人/無人空地協同系統。縱觀國內外發展現狀,有人/無人機協同系統的理論研究與實現問題十分復雜,涉及諸多技術難點,如鏈路通信以及高標準的人機交互和人機智能融合等。因此,除了上述已開展的研究工作,無人機群的規模控制、戰力提升以及各種人機輔助操作、交互系統的開發[14]等也均為有人/無人機協同系統當前發展甚至將來仍需面對的問題。本文中將詳細總結并分析有人/無人機協同系統的組成架構,運行機理以及關鍵技術,并提出未來的發展方向。

無人作戰飛機(unmanned combat aerial vehicle，UCAV)在進行空戰自主機動決策時，面臨大規模計算，易受敵方不確定性操縱的影響。針對這一問題，提出了一種基于深度強化學習算法的無人作戰飛機空戰自主機動決策模型。利用該算法，無人作戰飛機可以在空戰中自主地進行機動決策以獲得優勢地位。首先，基于飛機控制系統，利用MATLAB/Simulink仿真平臺搭建了六自由度無人作戰飛機模型，選取適當的空戰動作作為機動輸出。在此基礎上，設計了無人作戰飛機空戰自主機動的決策模型，通過敵我雙方的相對運動構建作戰評估模型，分析了導彈攻擊區的范圍，將相應的優勢函數作為深度強化學習的評判依據。之后，對無人作戰飛機進行了由易到難的分階段訓練，并通過對深度Q網絡的研究分析了最優機動控制指令。從而無人作戰飛機可以在不同的態勢情況下選擇相應的機動動作，獨立評估戰場態勢，做出戰術決策，以達到提高作戰效能的目的。仿真結果表明，該方法能使無人作戰飛機在空戰中自主的選擇戰術動作，快速達到優勢地位，極大地提高了無人作戰飛機的作戰效率。 目前無人作戰飛機(unmanned combat aerial vehicle, UCAV)被廣泛應用于軍事領域[1]，UCAV在過去主要從事戰場監視、吸引火力和通信中繼等任務，隨著武器裝備的傳感器、計算機及通信等技術的發展，性能不斷提升，未來的UCAV將逐步升級成為可以執行空中對抗、對地火力壓制和參與制空權的奪取等作戰任務的主要作戰裝備之一。盡管UCAV的性能提升很大，但大多數的任務都離不開人工干預，控制人員通過基站在地面對UCAV進行控制，這種控制方法有延遲且易受到電磁干擾。因此研究UCAV的自主作戰能力已經成為空軍發展的必然趨勢，裝備了無人作戰決策系統的UCAV將逐步取代飛行員的位置，以達到減少成本，提高戰斗力的作用。在近距離格斗的階段，UCAV應根據當前的空戰態勢及時選取合適的飛行控制指令，搶占有利的位置，尋找擊落敵機的機會并保護自己[2]。

在空戰條件下，飛機模型本身為非線性同時目標的飛行軌跡是不確定的，這些都將給UCAV的機動決策帶來許多不便，因此良好的機動決策是UCAV自主空戰的一個重要環節，自動機動決策要求UCAV能在不同的空戰環境下自動生成飛行控制指令。常規的機動決策控制方法包括最優化方法、博弈論法、矩陣對策法、影響圖法、遺傳算法、專家系統、神經網絡方法以及強化學習方法等。文獻[3]將空戰視為一個馬爾可夫過程，通過貝葉斯推理理論計算空戰情況，并自適應調整機動決策因素的權重，使目標函數更加合理，保證了無人戰斗機的優越性。文獻[4]設計了一個基于遺傳學習系統的飛機機動決策模型，通過對機動的過程加以優化來解決空戰環境未知情況下的空戰決策問題，可以在不同的空戰環境中產生相應的戰術動作，但該方法的參數設計存在主觀性，不能靈活應用。文獻[5]利用統計學原理研究UCAV的空戰機動決策問題，具有一定的魯棒性，但該算法實時性能較差無法應用于在線決策。文獻[6]將可微態勢函數應用于UCAV微分對策中，可以快速反應空戰環境，但由于實時計算的局限性很難解決復雜的模型。文獻[7]采用博弈論對UCAV空戰決策進行建模，對不同的空戰環境具有通用性。雖然這些決策算法可以在一定程度上提高決策的效率、魯棒性和尋優率，但由于這些決策模型存在推理過程較為頻繁，會浪費大量時間尋優等問題，導致UCAV的響應變慢，并不適用于當今的戰場環境。

基于人工智能的方法包括神經網絡法、專家系統法以及強化學習算法。文獻[8]采用了專家系統法，通過預測雙方的態勢和運動狀態生成相應的機動指令控制UCAV飛行，但不足之處在于規則庫的構建較為復雜，通用性差。文獻[9]采用了自適應神經網絡技術設計PID控制器，對高機動目標具有較強的跟蹤精度，但神經網絡方法需要大量的空戰樣本，存在學習樣本不足的問題。與以上兩種方法相比，強化學習算法是一種智能體與環境之間不斷試錯交互從而進行學習的行為，智能體根據環境得到的反饋優化自己的策略，再根據策略行動，最終達到最優策略。由于強化學習的過程通常不考慮訓練樣本，僅通過環境反饋得到的獎勵對動作進行優化，可以提高了學習的效率，是一種可行的方法[10]。文獻[11]將空戰時的狀態空間模糊化、歸一化作為強化學習算法的輸入，并將基本的空戰動作作為強化學習的輸出，使得UCAV不斷與環境交互從而實現空戰的優勢地位。在此基礎上，文獻[12-13]將神經網絡與強化學習相結合，提高了算法的運算效率，但這些文章都沒有考慮飛機的姿態變化。

本文提出了一種深度強化學習(deep reinforcement learning, DRL)算法來解決UCAV自主機動決策作戰的問題，并在MATLAB/Simulink環境中搭建了某種六自由度UCAV模型，充分考慮了其非線性。同時選取適當的空戰動作作為UCAV的機動輸出，建立空戰優勢函數并設計UCAV空戰機動決策模型。通過強化學習方法可以減少人為操縱的復雜性，保證計算結果的優越性，提高UCAV的作戰能力，而神經網絡可以提升實時決策能力。最后通過仿真將該方法應用于UCAV機動作戰決策中，證明了其有效性和可行性。

認知型雷達，根據IEEE標準雷達定義686[1]，是 "在某種意義上顯示智能的雷達系統，根據不斷變化的環境和目標場景調整其操作和處理"。特別是，嵌入認知型雷達的主動和被動傳感器使其能夠感知/學習動態變化的環境，如目標、雜波、射頻干擾和地形圖。為了達到探測、跟蹤和分類等任務的優化性能，認知雷達中的控制器實時適應雷達結構并調整資源分配策略[2, 3, 4]。對于廣泛的應用，已經提出了不同的適應技術和方法，例如，自適應重訪時間調度、波形選擇、天線波束模式和頻譜共享，以推進認知雷達背景下的數學基礎、評估和評價[5, 6, 7, 8, 9, 10]。

雖然認知方法和技術在提高雷達性能方面取得了很大進展，但認知雷達設計和實施的一個關鍵挑戰是它與最終用戶的互動，即如何將人納入決策和控制的圈子。在國家安全和自然災害預報等關鍵情況下，為了提高決策質量和增強態勢感知（SA），將人類的認知優勢和專業知識納入其中是必不可少的。例如，在電子戰（EW）系統中，在設計適當的反措施之前，需要探測到對手的雷達。在這種情況下，戰役的進程和成功取決于對一個小細節的觀察或遺漏，僅靠傳感器的自動決策可能是不夠的，有必要將人納入決策、指揮和控制的循環中。

在許多應用中，人類也充當了傳感器的角色，例如，偵察員監測一個感興趣的現象（PoI）以收集情報。在下一代認知雷達系統中，最好能建立一個框架來捕捉基于人類的信息來源所建議的屬性，這樣，來自物理傳感器和人類的信息都可以被用于推理。然而，與傳統的物理傳感器/機器4的客觀測量不同，人類在表達他們的意見或決定時是主觀的。人類決策的建模和分析需要考慮幾個因素，包括人類的認知偏差、處理不確定性和噪音的機制以及人類的不可預測性，這與僅由機器代理組成的決策過程不同。

已經有研究工作利用信號處理和信息融合的理論來分析和納入決策中的人類特定因素。在[11]中，作者采用了先驗概率的量化來模擬人類在貝葉斯框架下進行分類感知而不是連續觀察的事實，以進行協作決策。在[12，13]中，作者研究了當人類代理人被假定使用隨機閾值進行基于閾值的二元決策時的群體決策性能。考慮到人類受到起點信念的影響，[14]中研究了數據的選擇、排序和呈現對人類決策性能的影響。在人類協作決策范式中，已經開發了不同的方案和融合規則來改善人類人群工作者的不可靠和不確定性[15, 16]。此外，在[17，18]中，作者將前景理論（PT）用于描述人類的認知偏見，如風險規避，并研究了現實環境中的人類決策行為。在[19, 20]中也探討了基于人類和機器的信息源在不同場景下的信息融合。在[19]中，作者表明，人類的認知力量可以利用多媒體數據來更好地解釋數據。一個用戶細化階段與聯合實驗室主任（JDL）融合模型一起被利用，以在決策中納入人類的行為因素和判斷[20]。

未來的戰場將需要人類和機器專業知識的無縫整合，他們同時在同一個環境模型中工作，以理解和解決問題。根據[21]，人類在隨機應變和使用靈活程序、行使判斷和歸納推理的能力方面超過了機器。另一方面，機器在快速反應、存儲大量信息、執行常規任務和演繹推理（包括計算能力）方面勝過人類。未來雷達系統中的高級認知尋求建立一種增強的人機共生關系，并將人類的優點與機器的優點融合在一起[22]。在本章中，我們概述了這些挑戰，并重點討論了三個具體問題：i）人類決策與來自物理傳感器的決策的整合，ii）使用行為經濟學概念PT來模擬人類在二元決策中的認知偏差，以及iii）在相關觀測下半自主的二元決策的人機協作。

本章的其余部分組織如下。在第11.1節中，我們介紹了一項工作，說明如何將人類傳感器的存在納入統計信號處理框架中。我們還推導出當人類擁有機器無法獲得的輔助/側面信息時，這種人機一體化系統的漸進性能。我們采用行為經濟學的概念前景理論來模擬人類的認知偏差，并在第11.2節中研究人類在二元假設檢驗框架下的決策行為。第11.3節討論了一種新的人機協作范式來解決二元假設檢驗問題，其中人的知識和機器的觀察的依賴性是用Copula理論來描述的。最后，我們在第11.4節中總結了與這個問題領域相關的當前挑戰和一些研究方向，然后在第11.5節中總結。

雷達成像是獲取目標精細結構特征的重要技術途徑. 對于復雜運動目標, 傳統基于距離 – 多普 勒 (range-Doppler, RD) 原理的逆合成孔徑雷達 (inverse synthetic aperture radar, ISAR) 成像性能下 降: 在距離維上, 高速運動導致一維距離像展寬, 且雷達系統硬件能力制約了大帶寬實現, 約束成像縱 向分辨率; 在多普勒維上, 非合作復雜運動呈現的時變和非線性破壞成像條件, 約束成像橫向分辨率. 本文首先分析了復雜運動對 ISAR 成像的影響機理, 接著從距離和多普勒兩個維度, 對復雜運動目標 ISAR 成像技術進行了綜述, 闡述了高速運動補償、多頻段融合成像、高次相位補償與稀疏 ISAR 成 像等技術途徑. 進一步針對 ISAR 成像體制的局限, 闡述了復雜運動目標波前調制超分辨雷達成像新 途徑, 其中包括波前隨機調制和電磁渦旋兩種技術途徑. 最后對復雜運動目標雷達成像進行了總結與展望.

//engine.scichina.com/publisher/scp/journal/SSI/51/2/10.1360/SSI-2020-0223?slug=fulltext