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

本報告概述了在基于模型的自適應目標跟蹤以及識別來自電磁干擾（EMI）源的衛星欺騙和干擾攻擊方面所做的研究工作。我們假設可以利用不同電磁干擾源的射頻（RF）特征來識別和跟蹤主動和被動電磁干擾源。射頻信號被輸入一個基于模型的深度神經網絡（DNN），該網絡可對不同物體進行分類和跟蹤。

我們的初步結果表明，對于有源電磁干擾源，即使用不同調制方案發射射頻信號的源，使用 DNN 識別電磁干擾源射頻調制方案的準確性在很大程度上取決于射頻信號的質量，而射頻信號的質量又是信道的函數。特別是，如果信道是視距信道，且信噪比（SNR）較大，則調制類型的分類準確率很高（> 95%）。另一方面，如果信道參數未知和/或波動較大，信噪比較低，則分類準確率較低（< 60%）。調制類型識別的性能使我們得出結論，在現實世界中基于調制類型的目標跟蹤將非常困難。因此，這項研究的主要工作集中在使用有源雷達對無源信號源進行分類，并以人員計數系統為原型。

我們沒有使用模擬，而是在實驗室建立了一個小規模的測試環境來驗證假設。我們提出的人員計數系統使用多個發射天線，通過發送毫米波雷達啁啾掃描環境。物體反彈回來的信號由多個接收天線接收、處理并存儲到數字數據庫中。然后，我們對數字數據進行特征提取，并將特征輸入卷積神經網絡，以進行物體分類和跟蹤。在這些實驗中，我們將行走的人視為移動物體。我們的初步結果表明，在有限的環境中（如實驗室環境），卷積神經網絡可以利用射頻信號準確識別不同的目標（> 95%）。

引言

許多科學和工程學科都對目標識別和跟蹤進行了深入研究[1][2][3][4][5]。從用于早期探測和跟蹤飛行中導彈的全球定位系統（GPS）[6][7][8] 到自動駕駛汽車[9]，它們都是許多技術的基礎組件。此外，未來的無線通信系統使用大規模多輸入多輸出（MIMO）波束成形[10]和自由空間光學（FSO）通信技術[11][12][13]，使發送方能夠通過將射頻光束或激光束直接聚焦到接收方來傳輸數據。這些聚焦傳輸提高了信噪比（SNR），降低了所需的發射功率以及多用戶干擾。然而，聚焦傳輸在很大程度上依賴于準確跟蹤和識別接收器位置的能力。

傳統的物體跟蹤和識別技術都是基于模型的，這是因為其數學上的優雅和高效，也許更重要的原因是缺乏訓練數據。基于模型的方法通過數學模型將有關問題的先驗知識納入其中，這些先驗知識或基于物理定律，或基于成熟的直覺，以捕捉物體的動態和屬性，從而實現精確的跟蹤和分類。因此，基于模型的方法在許多只需幾個參數就能精確建模的環境中非常有效。卡爾曼濾波器就是基于模型方法的一個典范 [14][15][16]。卡爾曼濾波器在許多應用中都取得了成功，特別是在跟蹤受噪聲觀測影響的目標時。卡爾曼濾波器在跟蹤中取得成功的關鍵在于將目標動態（如速度、加速度等）的精確數學模型與這些值的經驗實時噪聲測量相結合。卡爾曼濾波器根據增量測量/觀測數據和假定的數學模型動態，通過一組更新參數值的遞推方程，高效（快速）地估計模型參數。

用于跟蹤的卡爾曼濾波器的一個主要缺點是，其性能在很大程度上取決于基于一些合理假設（如物理定律或經驗）的所謂精確數學模型。然而，如果數學模型不夠豐富，無法捕捉所考慮環境的所有微小細節，那么卡爾曼濾波器的最佳性能就會受到所考慮的數學模型系列的限制。

為此，本研究調查了用于識別和跟蹤物體的深度神經網絡（DNN）。DNN 是一類基于人工神經網絡（ANN）的機器學習方法，在現實世界的許多應用場景中都表現出色。DNN 架構允許模型從大型數據庫中學習難以用數學建模的復雜動態和特征。

方法、假設和程序

本節將介紹兩項不同的工作。第一項工作是使用不同類型的卷積神經網絡 (CNN) 檢測 EMI 源的射頻調制類型。這項研究完全在 Matlab 仿真環境中完成。第二項研究是利用有源雷達系統的射頻信號作為 3-D CNN 的輸入，檢測房間內的人數并跟蹤他們。這類系統通常被稱為人員計數系統 [17][18][19]。與第一個系統不同的是，所有射頻信號都不是模擬的。相反，它們是使用基于 MIMO 的毫米波雷達系統實時收集的。接下來，我們對原始數據進行特征提取，并將特征輸入三維卷積神經網絡以檢測人數。

本文描述了一個自主制導和飛行控制系統，該系統在一架部分授權的黑鷹直升機上進行了整合和飛行測試。這項工作是退化視覺環境緩解計劃的一部分，該計劃的目標是為美國陸軍旋翼機的操作提供全天候的能力。制導和飛控系統軟件以前曾在一架完全授權的直升機上進行過飛行測試，在這項工作中，被調整為在一架部分授權的直升機上飛行。該系統的主要自主組件包括風險最小化障礙物場導航算法、安全著陸區確定算法和綜合提示環境。這些組件提供了反應性規避指導、著陸點選擇和飛行員對退化視覺環境的情況了解。為了測試該系統，一個LADAR被用作替代設備，以代替同時為該計劃開發的全深L傳感器系統。自主的部分授權飛行控制系統提供了一個完全穩定的路徑跟蹤能力，它由一系列的航點或飛行路徑矢量指令指導。本文描述了該控制系統，其性能，以及如何使其適應目前美國陸軍艦隊直升機的典型的部分授權系統。還介紹了自主軟件和人機界面組件。介紹了完全集成的系統在地形中導航、選擇降落點和自主降落的飛行測試結果。提出了將部分授權結果與以前收集的完全授權結果進行比較的分析。

任務自適應自主(MAA)部分授權系統

圖2中的任務自適應自主性（MAA）系統由三個主要部分組成：任務軟件、自主部分授權的FCS（APAFCS）和飛機硬件。任務軟件提供控制法的指導，而APAFCS提供穩定性和控制，以遵循命令的路徑。飛機硬件是飛行員的操縱桿輸入，調整和SAS伺服，飛機傳感器，LADAR傳感器，以及飛行員顯示器。俯仰、滾轉和偏航方面的固有機械控制和驅動保持不變，因此該飛機是標準的UH-60L，具有美國陸軍機隊典型的部分授權飛行控制系統。然而，在垂直軸上增加了額外的驅動裝置，這些都是機隊可用的部件。本文的后續章節將討論MAA系統的每個部分。

任務軟件包括任務管理器/操作員界面、路徑生成、矢量指令、障礙物場導航（OFN）、安全著陸區確定（SLAD）、MAA地圖/控制以及綜合提示環境（ICE）。

圖2:任務自適應自主(MAA)系統由任務軟件、自主部分授權飛行控制系統和改裝后的UH-60L飛機的硬件組成。

A. 任務管理器/操作員界面

MAA的一項關鍵技術是飛行員能夠以不同程度的自主性進行操作。圖2中的任務管理器/操作者界面代表了所有允許飛行員在執行層面進行互動和監控系統的軟件。例如，任務管理器允許飛行員或系統操作員通過從地圖顯示中選擇一個目標點來控制任務方案。當這樣做時，任務管理器查找目的地信息并命令OFN算法，這反過來又引導自主FCS到達最終目的地。

B. 路徑生成和矢量指令

當OFN到達最終目的地附近時需要精確放置飛行器時，路徑生成算法被任務管理器/操作者界面以及SLAD算法所使用。路徑生成和矢量指令都是開環的、非反應性的引導方法，用于移動飛行器，在系統的集成測試過程中非常有用，因為飛行路徑已知是沒有障礙的。

路徑生成器允許用戶通過輸入一些航點以及宏觀層面的參數，如最大速度、爬升率和加速度限制，來指定一個預定的路徑。當路徑生成器接受原始航點列表時，它將生成一個擴展的、平滑的航點列表，并將其與相關的速度曲線一起發送給航點控制，從而啟動飛行軌跡。

矢量指令過程是指導飛機運動的另一種指導方法。矢量指令過程接收對所需指令速度的離散變化。例如，用戶可以輸入一個速度、滑行坡和航向率的變化，矢量指令產生一個速度、航向和傾斜率形式的連續指令流，發送到APAFCS的航點控制塊。矢量命令使用與接下來描述的OFN算法相同的接口到航點控制塊。

C. 風險最小化障礙物場導航 (RiskMinOFN)

RiskMinOFN算法建立了一個空間變化的風險因素的3維地圖，并找到一條通往目標的最小風險的路徑。該規劃器的主要組成部分如圖3所示，它們由地形模型、風險地圖、導航功能和速度指令控制器組成。

飛行員或自主系統操作員可以在引導飛機的同時修改RiskMinOFN算法的操作參數。威脅地點和受限空域也可以動態更新。有四個參數文件可供飛行員訪問，分別代表OFN模式、巡航、地形、TerrainPlus和進場。新的目的地點可以在任何時候被發送到算法中，允許飛行員通過任務管理器界面改變任務目的地。除了飛往一個特定的目的地點，RiskMinOFN還可以飛行一個一般的目的地航向，它試圖保持該航向，同時仍然尋求與OFN模式相關的理想AGL高度，并同時避開危險物。RiskMinOFN算法可以在任何時候被命令取消并進入懸停狀態。速度限制也可以調整，允許更慢或更高的速度。飛行員還可以對航向和地面跟蹤的積極性進行調整。該算法仍然把避免碰撞作為最高優先級，所以這些飛行員的輸入只影響長期的飛行路徑，不會造成與地形的任何碰撞。

D. 安全著陸區確定 (SLAD)

SLAD算法掃描一個著陸區（LZ），根據表面坡度、粗糙度和與障礙物的接近程度找到合適的著陸點[14]。該算法從點頭的LADAR中獲取線掃描數據，并通過收集高度圖中每個網格單元的統計數據來創建一個高度圖。相鄰單元的高度變化被分為絕對變化和差異變化。絕對高度變化是基于兩個相鄰單元的平均高度之間的差異。差異變化是基于設備的掃描線上的高度變化，這允許感應高度的微小變化。此外，該算法在這些網格單元上使用滑動窗口來確定著陸區的表面粗糙度、坡度和其他窗口統計數據。

用于尋找解決方案和呈現結果的步驟如圖4所示，一架飛機接近圖4a所示的潛在著陸區。當點頭線掃描LADAR進入范圍時，該區域被掃描，點云數據被算法收集（圖4b）。當高度圖中積累了足夠多的點陣掃描通道時，就可以通過使用滑動窗口統計和其他指標找到一個解決方案。然后，該解決方案被顯示為帶有藍色字母編碼標記的彩色編碼疊加圖（圖4c）。藍色字母編碼的標記是解決方案推薦的著陸點A、B、C和L。解決方案的彩色編碼著陸掩碼有綠色區域，代表安全著陸點，其周圍的窗口區域符合坡度、粗糙度和數據空缺的要求，并且沒有任何絕對或差異邊緣的高度變化。黃色區域代表可能的安全著陸點，其窗口區域符合所有的安全著陸要求，但有超過特定閾值的邊緣高度差變化。邊緣高度變化用青色標記，通常是由小石塊、未割的草和灌木叢等物體引起的，這些物體可能是危險的，也可能不是，但還是要按照算法的建議避開。深藍色的絕對邊緣高度變化通常與大型固體物體有關，如樹木或大型結構，必須加以避免。紅色區域是不安全的著陸點，未能達到安全標準。

E. MAA/ICE飛行顯示器和接口

無論是在測試中還是在部署的系統中，飛行員或操作員的態勢感知對安全的自主操作至關重要。對于這個系統，使用了兩個顯示器，即MAA OFN/SLAD地圖和ICE顯示器，它們都顯示在圖5中。這些顯示為飛行員在DVE中飛行任務提供足夠的態勢感知。

MAA OFN/SLAD地圖（圖5a）顯示了一個頂視圖，可以顯示衛星、地形或剖面信息。在地圖中嵌入了當前飛機高度的RiskMinOFN風險量的彩色編碼片，風險范圍從低（淺藍色）到高（紅色）。所需路徑的指示顯示為飛機前方的面包屑圖案。OFN的預期目的地顯示為一個洋紅色的點，預期的目的地航向顯示為羅盤玫瑰上的洋紅色箭頭。當接近目的地時，SLAD著陸掩碼與推薦著陸點一起嵌入OFN風險地圖（圖5b）。如前所述，SLAD的插圖顯示安全區域為綠色，不安全區域為紅色，推薦的著陸點是飛行員可以選擇的。

MAA引導的意圖也用紅色符號顯示在ICE顯示器上，它有兩頁（模式）。這包括在途（圖5c）頁和懸停/接近/起飛（HAT）符號頁（圖5d）。這兩個頁面都疊加在由LADAR傳感器生成的圖像上。白色的符號是飛機的測量狀態，而紅色的符號代表來自導航的指令值。

目的

美國政府面臨著保持作為世界上空間物體編目數據提供者的步伐挑戰。用非傳統的傳感器來增強能力，是一種快速和低成本的改進。然而，巨大的交易空間和未開發的系統性能要求給成功的資本化帶來了挑戰。本文旨在通過一個多學科的研究，更好地定義和評估增強功能的效用。

設計/方法/途徑

假設的望遠鏡架構在不同的時間里被建模和模擬，然后在啟發式算法中使用多目標優化對性能措施和約束進行評估。決策分析和帕累托優化確定了一套高性能的架構，同時保留了決策者設計的靈活性。

研究結果

建議將容量、覆蓋率和未觀察到的最大時間作為關鍵性能指標。在1017個架構中，共有187個被確定為最佳表現者。總共有29%的傳感器被發現在80%以上的頂級架構中。其他考慮因素進一步將交易空間減少到19個最佳選擇，這些選擇為每個空間物體平均收集49-51個觀測數據，平均最大未觀測時間為595-630分鐘，提供地球同步軌道帶的冗余覆蓋。這意味著與模擬的僅有政府的基線結構相比，能力和覆蓋面增加了三倍，未觀察到的最大時間減少了2小時（16%）。

原創性/價值

這項研究利用基于物理學的模型和現代分析技術，驗證了增強型網絡概念的效用。它客觀地回應了要求改進編目工作的政策，而不是僅僅依靠專家得出的點解決方案。

F-22 經過實戰驗證，在沖突地區作戰了十多年。盡管它是地球上最主要的空對空戰斗機，但飛機的不斷改進繼??續使 F-22 更具殺傷力。最大化任務能力 (MC) 率的最佳實踐沒有成功地編纂和保護數據。本文使用數據包絡分析 (DEA) 來識別 MC 率優化且高效的基準環境。 DEA 成功地比較了兩個單位的投入和產出的相對效率，并確定了效率更高的組織。此外，DEA 還為美國空軍現任高級領導人和戰術經理提供了對績效環境的洞察力，在這些環境中，可以最大限度地提高相對效率，以在財政受限的環境中支持國防戰略。最后，DEA 模型可用于分析額外的 F-22 單位、其他飛機機隊以及基地級維護操作中更細微的輸入/輸出關系。

本報告總結了迄今為止在路線偵察領域的本體開發的進展，重點是空間抽象。我們的重點是一個簡單的機器人，一個能夠感知并在其環境中導航的自主系統。該機器人的任務是路線偵察：通過觀察和推理，獲得有關條件、障礙物、關鍵地形特征和指定路線上的敵人的必要信息。路線偵察通常是由一個排的騎兵和非騎兵進行的。這項研究探討了機器人執行部分或全部必要任務的合理性，包括與指揮官進行溝通。

1.1 背景與動機

這是一項具有挑戰性的對抗性任務，即地形穿越加上信息收集和解釋。偵察的解釋方面需要考慮語義學--確定相關的信息和確定它如何相關（即有意義）。語義信息在本質上是定性的：例如，危險是一個定性的概念。為了將危險與某些特定的區域聯系起來，我們需要一種方法來指代該區域。這意味著至少能夠給空間的某些部分附上定性的標簽。

Kuipers在他的空間語義層次的早期工作中指出了空間的定性表示對機器人探索的重要性。例如，層次結構的拓撲層次包含了 "地方、路徑和區域的本體"，歸納產生了對較低層次的因果模式的解釋。

最近，Izmirlioglu和Erdem為定性空間概念在機器人技術中的應用提供了以下理由：

• 各種任務，如導航到一個目的地或描述一個物體的位置，涉及處理物體的空間屬性和關系。......或某些應用（如探索未知環境），由于對環境的不完全了解，可能并不總是有定量的數據。......可理解的相互作用和可接受的解釋往往比高精確度更可取（Kuipers 1983）。對于這些應用，定性的空間關系似乎更適合。

對于負責路線偵察的無人地面車輛（UGV）來說，其架構中的不同模塊將消費和產生語義信息：負責語義感知和目標識別、計劃和執行、自然語言對話等的模塊，加上主要負責維護信息的語義世界模型。例如，在美國陸軍作戰能力發展司令部陸軍研究實驗室的自主架構中，語義/符號世界模型被用來 "實現符號目標（例如，去接近一個特定的物體）"，*其中接近是一個語義概念。

一個關鍵問題是如何在世界模型和其他模塊之間分配維護和處理不同類型語義信息的責任。從語義世界模型的角度來看，這取決于有多少符號推理是合適的。例如，假設要接近的物體位于一個給定區域的某個位置，而不是靠近該區域的外部邊界。一旦機器人靠近物體，就可以推斷出機器人在物體的位置附近，而且也在同一區域內。如果有公制信息，就可以用幾何例程得出這個結論。在沒有公制信息的情況下，是否會出現在純粹的定性空間中推斷有用的情況？

本報告不涉及這個問題。我們的目標是確定什么應該被代表，而把如何代表和在哪里代表留給未來的工作。

1.2 路線偵察

以下片段取自FM7-92中對路線偵察的描述。空間表達是彩色的，周圍有一些文字作為背景。

• 路線偵察的重點是獲得關于一條指定路線和敵人可能影響沿該路線移動的所有地形的信息。路線偵察的方向可以是一條道路、一條狹窄的軸線（如滲透通道），或一個總的攻擊方向......防御陣地。......部隊可以機動的可用空間......所有障礙物的位置和類型以及任何可用的繞道位置。障礙物可包括雷區、障礙物、陡峭的峽谷、沼澤地或核生化污染 ......沿途和鄰近地形的觀察和火力范圍 ......沿途提供良好掩護和隱蔽的地點 ......。橋梁的結構類型、尺寸和分類。著陸區和接駁區。與路線相交或穿越的道路和小徑。. . 如果建議路線的全部或部分是道路，則該排認為該道路是一個危險區域。它使用有掩護和隱蔽的路線與道路平行移動。當需要時，偵察和安全小組靠近道路，以偵察關鍵區域。

路線偵察的結果是一份報告，以圖表的形式，并附有文字說明。FM7-92給出了一個例子，我們可以從中提取一些更必要的概念：

• 網格參考。磁性北方箭頭..道路彎道..陡峭的坡度..道路寬度的限制（橋梁，隧道等）..岔道的位置..隧道..

讓我們把這段關于路線偵察的描述中提到的概念建立一個綜合清單，重點放在空間概念上，并盡可能地保留軍事術語:

1）必須指定環境中的位置、路線、區域和感興趣的物體。稱這些為 "實體"。

2）這些實體之間的空間關系是相關的（例如，一個地點在另一個地點的北邊）。值得注意的是，不同類型的實體之間的關系是被指定的。

a. 物體（例如，障礙物）在位置或區域。

b. 一些地點在空間上與路線有關（例如，沿著路線，毗鄰，或靠近道路）。

c. 地點可能代表更大的區域（例如，雷區的位置）。

d. 道路和小徑可以與路線相關：它們可能相交、重疊（部分疊加），或平行運行。

3. 一些實體對路線具有戰術價值，無論是進攻還是防御（例如，雷區）。

a. 一些地點相對于其他地點或區域有方向性的定位（例如，一個防御性的位置）。

b. 有些區域是由其與另一個區域或地點的關系來定義的，這可能不是一種局部的關系（例如，觀察和火力場是由一個潛在的遠程位置來定義的，該位置有一條通往路線上的一個區域的線路）。

4）路線可能被障礙物阻擋，障礙物可能是明確的物體或更大的區域（例如，一個障礙物與一個雷區）。

5. 路線和地形的三維幾何特性是相關的：道路上的急轉彎，陡峭的坡度，等等。

6）有時，描述物理基礎設施（如道路、橋梁）及其屬性是很重要的。

1.3 路線偵察抽象

路線偵查收集和解釋不同種類和不同來源的信息:

• 背景知識。這包括關于環境特征的類型和預期成為任務一部分的物體的信息，包括道路、障礙物、溝壑、橋梁等等。

• 任務規范。確定偵查的區域和路線，以及當時可獲得的任何信息。

• 環境。通過空間分析（包括幾何學、拓撲學等）、感知、地圖衛星數據的離線圖像處理和其他類型的分析，確定環境的相關特征。

• 任務執行期間的通信。我們假設指揮官或人類操作員在偵察過程中可以向UGV提出詢問或命令，提供新信息或集中注意力。

• 如前所述，一份報告。

原則上，所有這些信息都以某種抽象的形式組合在一個語義世界模型中。我們把環境的物理屬性和特征稱為 "實體"。把我們用來表示這些實體和它們之間關系的抽象概念稱為 "概念"。

不同類型的實體的概念。層次結構在語義表征中很常見，用來捕捉關于世界上遇到的實體類型的一般知識。一個類型就是一個概念，類型被組織在一個層次中：MRZR是一種輕型的、戰術性的、全地形的車輛，它是一種輪式地面車輛，它是一種地面車輛的類型，等等。屬性和關系可以與一個給定的概念相關聯，而下級概念則繼承這些屬性。在路線偵察中，如果有信息說某一地區有一條道路，但沒有更多的細節，仍然可以從道路的概念中推斷出它的預期屬性：它比它的寬度長得多；它在人們感興趣的地點之間通向；在其他條件相同的情況下，它可能比周圍的地形行駛得快。從實用的角度來看，這意味著如果有可能將某物歸類為一個已知的概念，那么語義世界模型就不需要記錄關于該物的每一條相關信息。

用于實體的目的和用途的概念。一個代表道路典型用途的概念可以進一步區分其長度和寬度的語義，這反過來又導致了跨越和沿途、穿越和跟隨等概念之間的區別。這將使UGV能夠以不同的方式對待 "偵察道路對面的區域 "和 "偵察前方的道路 "的命令。前方的道路也是一個語義概念：它取決于對過去去過的地方的了解。

代表部分信息的概念。有時可能會有定性的信息。想象一下，任務規范的一部分是關于雷區在計劃路線上存在的信息，但不知道具體位置，或者知道雷區的位置，但不知道其范圍。這種無知可以很容易地在代表實體的概念中得到體現。

新概念適用于新環境。另一個交流的例子可能是信息性的。想象一下，當一輛UGV穿越一條東西走向的道路時，它與遠程指揮官進行交流，指揮官問道："道路北側是什么？"* 需要識別的物體可能不在道路和地形的邊界上（與 "建筑物的一側 "形成對比），而是在以道路邊緣為界的某個感興趣的區域內，距離UGV的位置向北不遠，向東和向西也有一些距離。這個區域可能沒有事先作為一個概念被劃定；相反，它是在當前的背景下構建或推斷出來的。這是一個有趣的例子，一個概念不是從公制數據中抽象出來的，而是被強加在公制數據上的。

背景中的概念的適應和組合。想象一下，對一張地圖的分析產生了對代表區域、道路等等的概念的分解。這些概念可能直接適用于某些目的。例如，與道路相聯系的概念在推理兩點之間的導航時是有用的。然而，在其他情況下，這些概念可能需要調整或與其他概念相結合。例如，如果一條道路被指定為 "危險區域"，那么這個區域的概念可能會超出道路的邊界，延伸到周圍的地形。

在有環境因素的城市區域內安全有效地使用四旋翼飛行器，對美國軍事和民用部門具有巨大的重要性。本技術報告探討了一個高度適應性的模擬設置，其中有一個包含學習元素的非線性控制器。其他模型因素--如無人機的幾何形狀、權重和風的力量--在所提出的框架內很容易被修改。用虛幻引擎進行的模擬，可以結合現實世界的城市數據、現實的風和現有的開源軟件。

引言及與美國陸軍的相關性

無人系統和無人駕駛航空系統（UAS）的使用在全世界的軍隊中激增，在通信、監視、偵察和戰斗中都有應用（Nacouzi等人，2018）。在敵對地區，無人機系統將受到多種威脅，包括網絡和物理威脅，以及環境危害。生存和任務的成功往往取決于以最小的通信或依賴全球導航衛星系統（GNSS）的能力，如GPS（Guvenc等人，2018；Sathyamoorthy等人，2020；Fan等人，2022）。例如，無人機系統的通信可用于檢測和獲得無人機系統的位置，而基于衛星的導航很容易被欺騙或干擾，因為信號非常弱。其他傳感器也經常被用來增強GNSS的位置分析，并可以用來取代它，如光學系統--包括照相機、雷達、光探測和測距（LiDAR）系統和慣性測量單元（IMU）（Angelino等人，2012）。這些都提出了自己的挑戰。慣性測量單元是標準設備，但只能檢測線性和角加速度，同時通過檢測地球的局部磁場來確定方向（共9個自由度）。因此，位置誤差，即測量的加速度的第二個時間積分，會隨著時間的推移而累積。在使用IMU進行UAS導航時，其他令人擔憂的來源包括環境影響（即風或降水）。 UAS結構的物理變化，如增加一個傳感器或武器包，包括武器發射后的變化，使工作進一步復雜化。這種質量和質量分布的變化改變了UAS的質量中心和慣性張量。光學傳感器、雷達和LiDAR系統增加了重量，并經常發射射頻或光，使它們更容易被探測到和/或需要處理資源。增加的重量和/或處理可能對電池壽命產生不利影響，從而影響運行時間和整體可靠性。

為了解決這些問題，我們正在研究在大風環境中使用控制算法，以了解IMU信號如何在控制中被用來考慮（和/或改變）UAS的位置計算。再加上不確定性措施，這些最終可用于檢測UAS飛行性能的變化，或對GNSS信號的欺騙。

城市環境是安全和可靠的無人機系統運行的第二個關注領域（Watkins 2020）。它們被認為是國防部行動的一個挑戰領域，也是政府和商業服務的一個巨大的技術增長領域。在這份報告中，我們展示了一個模擬空間，我們正在建立專門用于模擬城市環境中的無人機系統，以解決自主和半自主控制的問題，重點是環境的相互作用，包括風和靜態碰撞威脅。物理學和控制的關鍵部分直接用C++實現。除此之外，在可能的情況下，我們正在利用當前的免費和開源資源（即軟件、軟件框架和數據），但要注意的是，我們包括使用一些在產品商業化成功后需要付費的工具。我們采取了一種模塊化的方法，隨著其他軟件框架和系統的成熟，將能夠靈活地過渡到其他軟件框架和系統。我們目前的系統已經基于用于小型無人機系統的PX4控制器庫和實時發布-訂閱（RTPS）數據傳輸協議。RTPS應能使我們的發展在其他工具成熟時過渡到其他工具，并使用通用的應用編程接口（即API）過渡到其他工具和數據，如計算的風數據。對于圖形和用戶界面，我們使用虛幻引擎（UE）（Matej 2016），這是一個游戲引擎，提供最先進的圖形功能和我們的模型中使用的一些物理學--最重要的是無人機系統和其環境之間的碰撞檢測。

第2-4節詳細介紹了整個模擬的主要計算部分：納入現實世界的城市數據，生成現實的風模型，無人機的幾何和物理建模，以及線性和非線性控制。我們對整體模擬的這些主要部分中的每一個都依賴開源軟件，如UE、OpenStreetMap（OSM）（Anderson等人，2019年）、Mapbox和AirSim（Shah等人，2017年），并根據需要詳細說明（見圖1；例如，真實城市的模型導入游戲引擎中）。第5節和第6節提供了樣本結果和結語。

圖1 將城市數據納入UE進行大規模模擬的兩個例子。伊利諾伊州的芝加哥（上）；弗吉尼亞州的水晶城（下）。這兩張圖片都是使用開源工具創建的，將開源的Mapbox城市數據導入UE中。

目標姿態估計和目標點選擇在直接能量武器系統中至關重要，因為它使系統能夠指向目標的特定和戰略區域。然而，這是一項具有挑戰性的任務，因為需要一個專門的姿態傳感器。在新出現的深度學習能力的激勵下，本工作提出了一個深度學習模型，以歐拉角的方式估計目標航天器的姿態。深度學習模型的數據是通過實驗從三維無人機模型中產生的，其中包括大氣背景和湍流等效應。目標姿態來自于二維關鍵點的訓練、驗證和預測。有了關鍵點檢測模型，就有可能檢測到圖像中的興趣點，這使我們能夠估計有關目標的姿勢、角度和尺寸。利用弱透視直接線性變換算法，可以從三維到二維的對應關系中確定三維物體相對于攝像機的姿勢。此外，從這種對應關系中，可以確定目標上的瞄準點，模仿激光跟蹤。這項工作評估了這些方法及其在模擬真實世界環境中實驗產生的數據的準確性。

太空一直是一個需要高度自主的領域。所需的自主性帶來的挑戰使其難以在短時間內完成復雜的任務和操作。隨著越來越多地使用多Agent系統來增強空中領域的傳統能力和展示新能力，在軌道上和近距離多Agent操作的發展需求從未如此強烈。本文提出了一個分布式的、合作的多Agent優化控制框架，為在近距離操作環境中執行多Agent任務相關的分配和控制問題提供解決方案。然而，所開發的框架可以應用于各種領域，如空中、太空和海上。所提出的解決方案利用第二價格拍賣分配算法來優化每個衛星的任務，同時實施模型預測控制來優化控制Agent，同時遵守安全和任務約束。該解決方案與直接正交配位法進行了比較，并包括了對調整參數的研究。結果表明，所提出的技術允許用戶用模型預測控制來優化超越相位的控制，并以三個調諧參數實現編隊交會。與傳統的多相MPC相比，這更好地接近了配位技術中的相變。

強化學習在最近的學術和商業研究項目中的應用已經產生了能夠達到或超過人類性能水平的強大系統。本論文的目的是確定通過強化學習訓練的智能體是否能夠在小型戰斗場景中實現最佳性能。在一組計算實驗中，訓練是在一個簡單的總體層面上進行的，模擬能夠實現確定性和隨機性的戰斗模型，神經網絡的性能被驗證為質量和武力經濟性戰術原則。總的來說，神經網絡能夠學習到理想的行為，其中作戰模型和強化學習算法對性能的影響最為顯著。此外，在集結是最佳戰術的情況下，訓練時間和學習率被確定為最重要的訓練超參數。然而，當武力的經濟性是理想的時候，折扣系數是唯一有重大影響的超參數。綜上所述，本論文得出結論，強化學習為發展戰斗模擬中的智能行為提供了一種有前途的手段，它可以應用于訓練或分析領域。建議未來的研究對更大、更復雜的訓練場景進行研究，以充分了解強化學習的能力和局限性。

這項工作研究了使用深度神經網絡（DNN）來進行武器交戰區（WEZ）最大發射距離的估算。WEZ允許飛行員確定一個空域，在這個空域中，可用的導彈有更大的概率成功地攻擊一個特定的目標，即一個假想的飛機周圍的區域，在這個區域中，對手容易被擊中。我們提出了一種方法，使用50,000次不同條件下的模擬發射來確定一個特定導彈的WEZ。這些模擬被用來訓練一個DNN，它可以預測飛機在不同發射條件下的WEZ，其決定系數為0.99。它提供了有關前述研究的另一個步驟，因為它采用了一個非具體化的模型，即它一次性考慮了WEZ的所有方向，這在以前是沒有的。此外，建議的方法采用了一種實驗設計，允許較少的模擬運行，提供更快的模型訓練。

在模擬的計算環境中，軍事系統必須與真實相似，其保真度要達到一定程度，才能得出有用的結論[15]。這是通過使用可靠的計算模型來實現的，這些模型被認為包含了它們所代表系統的主要特征[16]。

在處理空戰時，需要建模的最關鍵部分之一是導彈。關于導彈系統本身和何時使用它的決定，即開火，都是如此。在考慮超視距（BVR）空戰時，這一點甚至更為關鍵，因為這一決定必須只根據態勢感知系統顯示給飛行員的內容來做出[11]。

在建設性模擬的背景下，飛機的行為是自主的，有必要為其控制算法提供類似于真正的飛行員會收到的數據，以便執行一致[9]。飛行員可以用來決定是否向對方飛機發射導彈的一個最重要的方面是武器交戰區（WEZ），簡單地說，它代表武器的射程[10]。這個定義將在第2.1節中進一步深入討論。然而，這個范圍的確定不是一個簡單的任務，因為它受到射手和目標的一系列變量的影響。此外，它自然也取決于導彈本身。在這項工作中，我們提出了一種方法，利用一系列不同條件下的模擬發射來確定特定導彈的WEZ。這些模擬被用來訓練一種機器學習算法，當飛機發現自己處于不同的發射條件時，可以預測WEZ。以前的工作已經采用了一些類型的人工神經網絡（ANN），如小波神經網絡（WNN）[29]和帶有貝葉斯正則化人工神經網絡（BRANN）的多層感知器（MLP）[4]，對WEZ進行預測，也是基于模擬數據進行預測。文獻內也有純粹的數學方法，如[14]和[23]，但它們提供了考慮固定導彈射程的不切實際的導彈模型和基于仿真的更復雜模型之間的中間步驟。

公司和政府內部可能已經開展了更多關于WEZ確定的研究[5]，但這仍然很少公開。這項工作的貢獻是采用了深度神經網絡（DNN）和一個新的非離散模型，即該模型同時考慮了WEZ的所有方向，而不是像我們所知的那樣離散了off-boresight角度（圖5）。此外，它使用的實驗設計允許較少的模擬運行次數，這提供了一個更快的模型訓練。

本文的其余部分組織如下。第2節提供了背景，更深入地解釋了WEZ的概念，并介紹了所采用的特定導彈模型和所使用的實驗設計。在第3節中，詳細介紹了所提出的方法，而在第4節中介紹和分析了由此產生的結果。最后，第5節闡述了該工作的主要結論，并提出了一些未來的發展建議。