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

過去幾十年來，軍事研究人員開發了基于人類感知的搜索模型，并將其應用于傳感器設計和實施的軍事和商業領域。這些模型主要是針對靜態圖像創建的，如果給觀察者無限的時間來做出瞄準決策，它們能準確預測靜止目標和靜止傳感器系統的任務性能。為了考慮必須在較短時間內做出決策的情況，我們開發了限時搜索模型來描述任務性能如何隨時間變化。最近，該模型又有了新的變化，以適應動態目標情況和動態傳感器情況。后者是為模擬車載傳感器的性能而設計的。在此，該模型被用于優化草叢中緬甸蟒的近紅外搜索傳感器配置，包括靜態圖像和移動傳感器平臺錄制的視頻。通過將已建立的動態傳感器模型與相機矩陣理論相結合，可以利用測量到的靜態人類感知數據來優化傳感系統選擇和傳感器操作，包括傳感器指向角、高度和平臺速度，從而最大限度地提高人類從移動傳感器平臺探測近距離地面目標的搜索性能。為了說明這一點，將這一方法應用于從移動傳感器平臺檢測近紅外緬甸蟒蛇。

海軍乃至整個軍隊對自主系統的需求日益增長。無論是地面、空中、水面還是水下，無人系統（UxV）在軍事領域的發展正逐步融入并將繼續融入軍事行動。為了保持與對手的競爭力，無人駕駛技術的研發對于保持領先優勢至關重要。

隨著傳感器和處理能力的不斷提高，部署自動駕駛汽車的能力也在不斷增強。網絡的發展使其變得更加強大和安全，電池技術的發展使其能夠行駛得更遠。海軍在討論自主航行器時，最常提及和研究的兩個平臺是無人機（UAV）和無人潛航器（UUV）。無人水面航行器（USV）是研發界日益關注的話題，更具體地說是無人水面航行器群。

USV 是一種在沒有任何船員或工作人員的情況下在水體表面運行的航行器。由于其配備有可定制的有效載荷，因此可提供廣泛的能力和服務。從商業到軍事行動，其應用各不相同。在商業方面，應用包括氣候監測、測深數據收集、近海石油和天然氣管道維護以及水文測量。水文測量從多波束聲納讀數中收集數據，多波束聲納利用聲波和全球定位系統 (GPS) 數據測量海底和其他水道的深度。美國國家海洋和大氣管理局（NOAA）依靠水文測量來繪制和更新海圖。這些航海圖為商業、軍事和休閑航海者提供服務。它們向水手們告知淺海地貌和海岸線等航行危險。

圖 1.1. 佐治亞州國王灣 - 商業拖船為田納西號核動力戰略導彈潛艇（SSBN 734）護航。

在海軍應用方面，USV 可用于高價值資產的護航任務。在潛艇和水面作戰領域，USV 可提供部隊保護或引導船只進出港口。在艦隊中，目前有美國海岸警衛隊人員、水手或商業工人駕駛小型船只執行這項任務（圖 1.1）。在港口附近較淺的水道中，由于受到吃水的限制，船只和潛艇的機動性和速度都受到了限制。如果潛艇在航行途中受到攻擊，那么經過訓練的部隊保護車輛將承受攻擊，以確保潛艇的安全（防止核反應堆受損和暴露）。USV 還可用于執行情報、監視和偵察 (ISR) 以及搜救行動。這些機器人具有機動性和靈活性，可根據手頭的任務輕松更換有效載荷，從而實現廣泛的用途。

圖 1.2. 當美國海軍約翰-斯滕尼斯號航空母艦（CVN 74）駛入華盛頓州埃弗雷特進行預定港口訪問時，拖船為其護航。

使用 USV 船群的優勢在于可以增加所需的搜索區域的廣度。與一艘載人船只相比，多艘小型自動潛航器執行相同的任務集，還能節省時間、成本和能源。使用 USV 的另一個好處是保證船上人員的安全，而不是讓他們冒險執行危險或耗時的任務。大約 80% 的海船事故是由人為錯誤、疲勞和/或分心造成的。通過使用多艘 USV 作為安全保障層，可以降低船只和船員發生碰撞或損壞的風險。與每次只使用一艘船相比，使用多艘 USV 可使操作員擴大范圍、減少錯誤和/或縮短完成任務所需的時間。

為使 USV 能夠執行這些任務，需要有一種程序能夠指揮每艘航行器的速度和方位，同時對環境因素（如水流或風力）保持彈性。此外，與無人機或無人潛航器領域相比，USV 的研究進展并不多。

典型的海軍艦隊由不同的平臺組成：航母、驅逐艦、巡洋艦甚至潛艇。隨著海軍生產更多大型和中型 USV，它們將慢慢融入常規艦隊編隊。隨著中型和大型 USV 等多種型號的采購，對異構 USV 群的需求也將增加。美國國會研究服務部在一份關于海軍大型無人水面和水下航行器的報告中指出：大型 USV 將補充海軍的有人作戰部隊，以較低的采購和維護成本，降低水兵的風險，提高戰備狀態、能力和所需容量。雖然無人水面航行器是艦隊單元的新成員，但 LUSV 將把堅固耐用、久經考驗的商船規格與現有的軍用有效載荷相結合，以快速、經濟的方式擴大水面艦隊的容量和能力。

海軍未來實施的自主平臺增加了與具有不同動態特性的 USV 群協同工作的機會。從一個點到另一個點時，需要一種能保持編隊的穩健算法，各智能體之間的距離要固定。

問題陳述

本研究的目的是評估兩種算法中哪一種能成功引導異構 USV 蜂群（由不同 USV 平臺組成的編隊）并保持理想的分離距離。不同的 USV 采用不同的動態特性和推進/轉向模式。這些不同的特性關系到它們在每種算法下的表現。從本質上講，異質蜂群比同質蜂群具有更低的協調水平。最終目標是修改和評估現有算法，以控制異質蜂群。

圖 1.6. 無人水面航行器控制的分層軟件任務基礎設施。

研究貢獻

目前，有關軍事應用中異構 USV 編隊的工作幾乎沒有。本文包括：

• 未來海軍應用中的異構 USV 群： 隨著海軍不斷生產多種變型 USV，對能夠適應不同智能體動態的編隊需求也在增加。這項研究探索了多種編隊管理算法中的兩種算法在異構蟲群中的性能。

• 并列比較 USV 算法： 目前許多 USV 學術文章都只關注一種算法。本論文對兩種不同類型的算法進行了比較，并將它們置于一個可以相互競爭的場景中。

• 聯合自主工作：列出的算法是美國海軍研究生院和美國海軍學院創建并測試的算法。為了保持在自主研究方面的共同努力，本論文將在這兩所院校之間架起一座橋梁。

無人潛航器（UUV）的普及為海洋領域帶來了新的機遇和威脅。與傳統海軍平臺相比，無人潛航器具有商業可用性和低購置成本，為經濟和軍事上處于劣勢的敵國提供了在海底領域競爭的能力。無人潛航器可對港口、航道、石油平臺、海底電纜和管道等海基和沿海基礎設施構成威脅。如果對手有能力收集有關這些基礎設施的情報、對其進行破壞或使其處于危險之中，將使美國經濟及其貿易伙伴付出高昂的代價。除了對關鍵基礎設施的威脅外，UUV 還威脅到美國和盟國水雷作為非對稱海戰工具的有效性。先進的無人潛航器和傳感器包向敵國擴散，使其能夠探測、繪制地圖，并有可能使盟軍水雷失效或避開盟軍水雷，從而使水雷失去獲取和維持制海權的主要作用。Blandin 等人（2013 年）預計有必要開發反 UUV（cUUV）系統，以減輕這些 UUV 威脅。

本畢業設計報告總結了從系統工程角度開發和分析 cUUV 系統概念的研究工作。這項研究的核心目標是識別 UUV 在技術和操作方面的威脅漏洞，然后開發一套 cUUV 架構來展示如何利用這些漏洞。基于模型的系統工程（MBSE）技術用于評估架構的有效性，其總體目標是為開發 cUUV 能力提供一種有組織、有系統的方法。為實現這一目標，開發了一種迭代系統工程流程，用于指導研究工作。

通過對市場上現有的無人潛航器平臺、傳感器有效載荷及其技術規格進行市場調查，確定了需要應對的潛在威脅無人潛航器系統的問題空間。該調查研究了 237 種 UUV 系統的關鍵參數和能力及其任務應用（AUVAC 數據庫 n.d.）。調查發現，大多數 UUV 可用于多種任務類型，雖然 UUV 的物理參數（如尺寸和重量）會影響最大工作深度和續航時間等指標，但物理參數與任務應用之間沒有特定的相關性。因此，我們開發了一種具有普遍威脅的 UUV 結構模型。

Blandin 等人（2013 年）確定了四個潛在的未來軍用 UUV 任務領域： 信息作戰 (IO)；情報、監視和偵察 (ISR)；水雷對抗 (MCM)；以及進攻性攻擊作戰 (OAO)。鑒于美國海軍已有成熟的基于 UUV 的 MCM 條令，并假定對手可能會追求類似的能力，這項工作的重點是開發與 MCM 任務相關的 cUUV 系統概念。隨后進行的詳細研究審查了操作環境限制、受威脅 UUV 的操作概念 (CONOPS) 以及功能和物理架構，以便從完整的系統角度了解受威脅 UUV 可能如何執行 MCM 任務。在這一問題空間定義階段確定的結果被用于制定具有廣泛適用性的 cUUV 分類法，該分類法定義了反威脅 UUV 的使用概念、功能和方法。

為建立 cUUV 系統概念開發框架以應對多式聯運威脅，將 cUUV 分類法應用于多式聯運 UUV 任務，以描述 cUUV 問題空間。然后使用基于智能體的建模（ABM）軟件包 NetLogo（Wilenski，1999 年）對受威脅的多用途無人潛航器進行建模，并使用多種參數值進行模擬，目的是 (1) 評估系統在執行多金屬結核調查任務時的基線性能，以及 (2) 確定表明 cUUV 系統存在漏洞的參數。

評估 UUV 威脅任務時使用了三個性能指標（MOPs）：漏雷百分比、水雷標記位置誤差平均值和水雷標記位置誤差標準偏差。這些 MOP 代表了所繪制雷區地圖的實用性，最佳地圖的漏雷率、標記位置誤差平均值和標記誤差標準偏差都較低。一個有效的反無人潛航器解決方案會增加漏掉的水雷數量，以及發現的水雷的位置誤差和不確定性。模擬結果發現，側掃聲納（SSS）的聲學性能下降對漏失水雷的數量有顯著影響，而受威脅的 UUV 導航航向噪聲增大導致水雷標記誤差測量值增加。通過建模、模擬和統計分析，深入探索了問題空間并確定了威脅 UUV 的薄弱環節，在 cUUV 分類框架內定義了三種潛在的 cUUV 結構，并在 ABM 軟件中進行建模，以評估其防御威脅 MCM UUV 雷場的有效性。

第一個 cUUV 系統概念，即多普勒速度記錄（DVL）欺騙系統（DSS），采用了一種有針對性的攻擊使用概念，利用 cUUV 分類法中的 "混淆導航 "方法擾亂受威脅的 UUV。該系統概念由分布在雷場各處的節點陣列組成，這些節點可被動探測威脅 UUV，并向 UUV 的 DVL 發送虛假導航信號，增加其導航和水雷位置誤差澳門威尼斯人官網作。仿真結果表明，DSS 概念影響了目標 MOP，但與基線威脅 UUV 導航性能相比，影響幅度不大。

第二種 cUUV 系統概念展示了使用 cUUV 分類中的干擾傳感器方法破壞威脅 UUV 的一般區域防御 (GAD) 使用概念。氣泡帷幕系統（BCS）概念包括一個由加壓氣管組成的網格，該氣管沿其長度方向發射氣泡，以衰減受威脅 UUV 的 SSS 信號，增加其未命中水雷的 MOP。BCS 模擬結果表明，該系統的有效性在很大程度上取決于雷場內氣泡管道的布局。對 SSS 產生廣泛聲學影響的 BCS 幾何結構對水雷未命中 MOP 的影響最大。這對 BCS 的部署提出了挑戰，因為受威脅的 UUV 的搜索模式是未知的。

無人潛航器探測跟蹤殺傷（UDTK）系統是一個系統的概念，包括一個探測和跟蹤威脅無人潛航器的聲學收發器陣列，以及一個攔截和摧毀威脅無人潛航器的武器化無人潛航器。該概念展示了一種有針對性的攻擊使用概念，即使用 cUUV 分類中的 "破壞 "方法摧毀受威脅的 UUV。在 83% 的反彈道導彈模擬實驗設計點上，UDTK 系統能夠攔截威脅 UUV。ABM 建模方法是分析系統內不同元素之間、cUUV 系統與威脅 UUV 之間相互作用的關鍵，也是了解復雜系統的突發行為以確定它們如何影響 UDTK 攔截率的關鍵。

本研究對新興的反 UUV 系統領域進行了研究，重點關注 MCM 任務空間，總體目標是為開發 cUUV 能力提供有組織、有系統的方法。已提出的 cUUV 任務結構分類法將任務分解為代表 cUUV 解決方案的操作和技術考慮因素的使用概念、功能和方法。基于智能體的模型提供了一個靈活而強大的工具，用于探索威脅多用途機動UUV、cUUV系統和環境之間復雜的系統相互作用。仿真結果不僅對所提出的 cUUV 系統概念的有效性，而且對更廣泛的反 UUV 任務提供了重要見解。雖然本文介紹的三個 cUUV 系統評估了可進一步開發的可行系統概念，但本研究并不打算針對反潛監測 UUV 問題提出具體的技術解決方案。我們鼓勵讀者考慮結構化 cUUV 能力開發方法的更廣泛影響。

過去十年中，無人駕駛飛行器（UAV）或無人機能力的快速發展極大地拓展了這些創新型機載設備的商業、軍事和消費應用領域。無人機的特點是固定翼或多旋翼，其價值在于長距離飛行、輕量化設計以及成像和感知能力。傳統的無人機由無線電控制器在專用信道上運行，現代無人機正朝著自主、機器控制的戰術無人機群發展，能夠實現一系列復雜的目的。然而，由于這些設備的體積和相對有限的電池電量，這些功能性工具中嵌入的計算能力和機載軟件仍然極為有限。隨著越來越多的惡意行為者試圖破壞、劫持和誤導無人機的飛行路線，如何確保無人機的安全成為一個重要的學術難題。從無人機劫持到拒絕服務（DoS）再到信號干擾，影響無人機飛行可靠性的常用技術簡單易行、威力強大，而且廣泛為大眾所掌握。本研究分析了無人機風險管理能力與訓練良好的機器學習模型所提供的機會之間的關系。通過將基于 Python 的半監督訓練集應用于多個機器學習解決方案，本研究證明了飛行中數據監控和安全威脅檢測算法在未來機載應用中的可行性。將這些發現進一步擴展到基于蜂群的多無人機指紋識別和飛行監控，展示了網絡威脅識別和安全管理的潛力。最終，這些研究成果提出了一種新型模型，將機載和離線機器學習功能集成到基于防護罩的軟件解決方案中，該解決方案可以檢測和應對飛行異常以及惡意行為者不斷變化的威脅模式。

根據這些核心概念考慮因素，圖 5 形象地展示了無人機操作與安全威脅識別和緩解之間的多維關系。該框架的初始階段確定了無人機身份和運行容限的規范維度，將飛行計劃信息、GPS 數據和基線信號強度等已知矢量整合到威脅評估程序中。下游行為監控和威脅檢測可識別各種威脅載體的風險概況，包括 DoS、劫持、欺騙和信號干擾。雖然可以識別這些威脅，但無法使用標準的無人機數據和控制-無人機通信渠道對其進行主動監測。相反，需要一種先進的機器學習解決方案，利用 Na?ve Bayes、Random Forest、SVM 和線性回歸等四種算法模型中的一種或多種。

無人駕駛飛行器（UAV），尤其是電動多旋翼飛行器，在娛樂、運輸、物流和軍事領域越來越受歡迎。在撰寫本報告時，這些飛行器的主要缺點之一是，由于電池技術的限制，其續航能力有限。克服這種局限性的一個常用方法是使用多個飛行器合作實現某個目標。無人駕駛飛行器的這種應用被稱為蜂群，多個飛行器可以協調行動，以一定的隊形飛行，進入某個具有挑戰性的區域，或飛得更遠。與任何多組件系統一樣，蜂群的復雜性意味著存在多個故障點。高度復雜的實時協調飛行機制所帶來的任何不確定性風險都是安全關鍵行業所無法接受的。關鍵故障的后果可能是重大的生命損失、財產損失或環境危害。要擴大無人機群的使用范圍，確保無人機群的正確行為是必須解決的首要挑戰。模型檢查是驗證系統正確性的最可靠技術之一，它可以通過系統檢查所有可能的狀態來驗證系統的行為。系統驗證基于高級模型表示法，可以抽象出實現細節。由于需要投入大量時間和資源，這種軟件開發方法并不常用。本文介紹的工作提出了一個框架，用于對具有共同目標的代理分布式系統進行建模、驗證并提供正確性證據。具體來說，該框架展示了一個部分自動化的過程，將 UPPAAL 模型檢查器中建模的系統在機器人操作系統（ROS）環境中實現。目標系統是一個由無人機組成的蜂群，在通過共識協議實現領導者-追隨者分層結構的同時，飛向指定的目標位置。本文提供了將 UPPAAL 結構映射到 ROS 結構的算法表示。最后，還在 Gazebo 3-D 機器人模擬器中模擬了無人機任務的 ROS 實現。

探測無人機系統（UAS）非常復雜。在多個領域（空中、陸地和海洋）整合和共享雷達信息是一個難題。目前有關無人機系統探測的研究主要集中在探測地面兵力和國家關鍵基礎設施上空的無人機系統，但當無人機系統開始挑戰港口或公海上的軍艦時會發生什么？在多機構危機事件中，如何通過無線方式收集和共享信息？探測到的無人機傳感器數據能否通過無線網格網絡（WMN）與其他機構共享？研究表明，在一次小規模的多機構危機響應演習中，可以將 SAAB 的 G1X 雷達系統的模擬數據與戰術突擊套件（TAK）態勢感知應用程序集成在一起。該技術運行完美；但是，注意到，必須進一步檢查和改進反無人機系統戰術技術和程序（TTP）、國際無人機系統法律法規以及提示和自動化，以適應當今的戰斗和機構間響應。此外，發現在演習期間，手機信號無法有效覆蓋舊金山灣。為了縮小這一差距，使用 Persistent Systems 公司的 MPU-5 無線電設備成功擴展了 WMN，從而在非網絡環境中創造了更廣泛的維護網絡功能的能力。

2021年1月，美國防部發布了第一個反小型無人機系統戰略，以應對小型無人機系統的快速技術進步和擴散給軍事人員、設施和資產帶來的日益增長的風險。現有的反無人機能力--嚴重依賴電子戰來破壞用戶和設備之間的通信聯系--不再能解決不斷變化的威脅，包括自主無人機、COTS技術以及空域中越來越多的無人機，這些都能使C-sUAS操作者不知所措。為了應對日益復雜的小型無人機威脅，由陸軍領導的聯合反無人機系統辦公室正在為其新的系統方法尋求物資和非物資解決方案。一個令人困擾的C-UAS挑戰涉及到雷達探測系統將一些SUAS與其他飛行物體（如鳥類）區分開來，因為它們的尺寸相當，運動緩慢，高度較低。由于電子光學傳感器和人類操作員在規模上的分類數量有限，使用雷達數據進行不準確或低效的sUAS分類可能是一種武力保護威脅。本論文使用來自兩個不同訓練環境的鳥類和無人機雷達軌跡數據，探索數據中的隱藏結構，使用這兩個數據集開發獨立的無監督和監督學習模型，并試驗數據采樣和特征工程，以提高模型對不同環境和動態環境條件的魯棒性。

圖. 本論文方法包括兩個迭代，每個迭代都涉及不同的數據采樣技術（第3.4節）的兩階段統計學習方法（第3.5節）。然后，通過比較兩個迭代中各自的表現來分析和評估每個訓練算法，通過使用訓練算法的訓練地點的整個數據集和備用訓練地點的整個數據集來驗證每個算法的預測準確性。

無人機技術的快速發展--包括傳感器小型化、電池壽命、飛行效率和改進的控制機制--再加上無人機越來越便宜和商業用途，使其在社會中無處不在。然而，隨著無人機可用于越來越多的善意目的，有責任對無人機的使用進行適當的監管，以盡量減少高風險的意外事件和惡意行為者（包括恐怖分子和敵對政權）的邪惡活動的可能性。雖然無人駕駛飛機系統（UAS）已經存在了幾十年，但小型無人駕駛飛機系統（sUAS）的全球擴散給美國國防部（DOD）帶來了特別棘手的挑戰，因為不僅需要保護美國的領空、設施和關鍵基礎設施免受這種日益強大的新威脅，還需要將這種力量保護擴展到前沿作戰基地（FOB）或臨時任務支持點（MSS），此外還需要在戰斗中提供移動力量保護（MFP）。2020年，在納戈爾諾-卡拉巴赫44天的戰爭中，阿塞拜疆對其鄰國亞美尼亞的一系列攻擊（使用低成本的土耳其Baykar Bayraktar [TB2]無人機），以及烏克蘭堅韌不拔的防御和反擊。 在2022年俄烏戰爭初期，烏克蘭（在[TB2]無人機和數以千計的其他無人機系統的幫助下）進行了頑強的防御和反擊，以抵消俄羅斯前進的壓倒性軍事優勢，這提供了兩個引人注目的例子，說明傳統作戰系統在大規模無人機的不對稱威脅面前的脆弱性。

雖然反小型無人機系統（C-sUAS）的問題集有多個方面--從探測到動能或非動能威脅反應--國防工業正在努力解決，但數據科學家已經特別被雷達系統快速有效地從鳥類和其他大氣雜波中分辨出sUAS的挑戰吸引。雷達系統在探測和分類無人機系統方面通常有兩個主要問題。第一個問題涉及它們的尺寸（容易與鳥類混淆）和速度（非常快或慢，包括它們的懸停能力）的組合。第二，涉及到對具有各種飛行現象、雷達截面（RCS）、光學發射、反射特性和材料結構的多樣化的sUAS類型（介于兩個一般的旋轉翼和固定翼類別之間）的描述。盡管這一領域的一些研究致力于探索一種包括其他傳感器類型的系統方法--如光電/紅外(IR)、聲學和人員監視--以減少雷達系統的脆弱性，但這種解決方案假設了當今有這樣一個傳感器套件在一個固定地點協同工作的奢侈。然而，追求這種 "黃金標準 "的解決方案對于有效地從探測到分類空中物體的重要性，并不否認改進雷達系統的鑒別性能的持續重要性，無論是獨立的還是在不同傳感器類型的總體系統中。

經與Anduril工業公司協商，并使用來自兩種截然不同的訓練環境的鳥類和無人機的雷達跟蹤數據，本論文旨在實現兩個目標。首先，試圖用獨立的無監督和有監督的學習方法來驗證（或改進）來自國防工業的現有分類算法的性能，并在這兩種環境中分別訓練模型。第二，試圖加強模型對兩種不同環境和動態環境條件（即降水和風）的穩健性，目前在每個新環境中都需要一個漫長而昂貴的系統校準過程。

為了實現這兩個目標，本研究通過開發、測試和驗證各種無監督和有監督學習模型對來自訓練模型的環境和替代環境的鳥類和無人機的判別性能，對兩個訓練環境中的數百只鳥類和無人機的雷達軌跡數據（由Anduril Industries提供）進行了實驗。通過采用獨立方法，在兩個訓練環境中表現最好的模型成功地驗證了Anduril的分類器（由數據贊助商提供）的性能，該模型在同一環境中訓練和驗證的準確率分別達到97%和98%。然而，觀察到在另一個環境下驗證的準確率下降了20-25%（表現最好的模型），以及對兩種環境下的數據集和模型的明顯差異的直覺，促使對方法的第二次迭代進行了修改，在模型的穩健性方面取得了邊際改善。本論文最后提出了四項建議，即繼續使用這種方法進行統計和機器學習研究，但要探索收集更多的雷達軌跡數據特征，以便更好地捕捉鳥類和不同類型無人機之間的飛行現象學差異。

隨著海軍特種作戰從過去20年的反恐行動轉向有爭議環境中的同行競爭，他們需要地面部隊指揮官（GFC）為減輕認知過載、運用綜合效應和平衡戰略任務風險做好準備。如果地面部隊指揮官的培訓能夠以合格的理論標準為基礎，那么就可以通過系統化的培訓管道來減少任務的剩余風險和部隊的風險，這可以通過整合目前可用的虛擬現實技術來增加、啟用和加強。GFC崗位傳統上是一個批判性思維、決策和應急管理的角色。隨著戰場的發展，GFC將有比過去更多的資產需要控制，更多的突發事件需要計劃。這項研究評估了當前的GFC培訓和虛擬現實生態系統。海軍特戰界應采用地面部隊指揮官的虛擬現實訓練器，因為它將使GFC在零威脅的環境下進行反復訓練。

由于現行訓練準則的限制，海軍特種作戰社區的地面部隊指揮官沒有充分發揮他們的潛力。初級軍官為成為一名地面部隊指揮官總共接受了八周的正式培訓：六周在初級軍官培訓課程，兩周在地面部隊指揮官課程。初級軍官被期望成功地計劃和執行現實世界的行動，同時只完成極少的現實訓練場景。海軍特戰部隊的士兵至少屬于許多類別中的一種；他們是突破者、聯合終端攻擊控制者、狙擊手、偵察負責人或通信專家。這些專業中的每一個都有正式的訓練和持續演習，可以持續八個星期。訓練也是年復一年地進行，而地面部隊指揮官通常只經過一次正式訓練。想象一下，在未來，海軍特種作戰初級軍官準備在明天的戰爭中帶領各排對抗同行的競爭對手。挑戰將是巨大的，因為地面部隊指揮官沒有足夠的專門訓練時間來完善成為有效的戰斗領導人所需的技能。

本頂點研究主要關注以下內容。海軍特種作戰部如何能更好地準備和訓練其地面部隊指揮官，同時整合不斷進步的虛擬現實技術？通過海軍研究生院國防分析系和計算機科學系的共同努力，這項研究開始在一個合成環境中設計場景，初級軍官最終將能夠使用這些場景作為現有地面部隊指揮官培訓的補充。

虛擬現實在軍隊中并不是一個新概念；不同軍種都在某種程度上使用虛擬現實來加強訓練。海軍特種作戰部甚至有一個虛擬現實系統，是其JTACs的一個記錄項目。該記錄項目證明了特種作戰司令部致力于虛擬現實技術的采用，以確保其操作人員得到最好的培訓質量。這項研究不是為了創造一種新的虛擬現實技術，而是為了了解虛擬現實生態系統，然后為海軍特種作戰找到一種合適的采用方法。虛擬現實生態系統正在成倍增長，正因為如此，倫理和道德正在成為其開發者和使用者中更受歡迎的話題。隨著虛擬現實技術越來越容易被終端用戶使用，在短期內需要進行更多關于虛擬現實技術對個人行為的長期影響的研究。

地面部隊指揮官虛擬現實訓練器并不打算取代現有的培訓或正式課程。它只是作為一種補充。評價是，沒有足夠的專門時間讓初級軍官在成為地面部隊指揮官方面得到有意義的重復訓練。如果虛擬現實訓練器要對海軍特種作戰指揮部產生積極的影響，初級軍官的訓練就需要修改。建議在初級軍官培訓課程中初步實施這項技術，而不是干擾正在準備進行單位級別訓練和部署的海軍特種作戰排。初級軍官在這一階段的訓練中處于學生狀態，還沒有被引入深入的任務規劃或復雜的決策練習。向學生介紹虛擬現實訓練器將提供充足的時間來測試硬件和軟件，然后再將其用于更嚴峻的情況。

在海軍特戰基礎訓練司令部和海軍研究生院的模擬虛擬環境和模擬實驗室之間建立一個反饋回路，將使未來的場景發展和持續的伙伴關系成為可能。對未來研究和發展的建議包括以下內容：海軍研究生院的Bucklew小組和海軍特種作戰基本訓練司令部之間繼續合作，與工業界合作以加快合成環境訓練場景的創建，以及對特種作戰部隊的虛擬現實訓練的有效性進行正式評估。

隨著無人平臺越來越多地出現在戰場上，與人類一起，以不同的配置（從遠程操作到完全自主的平臺，有人-無人的團隊，蜂群等）和領域（空間、空中、陸地、海洋和水下），也有必要使決策過程適應這一新的現實。這個過程將不再是完全由人類完成的，這就要求人類和機器對他們行動和互動的環境有一個共同的、有意義的、及時的理解，即共同的態勢感知。我們將研究如何通過基于本體的推理和推理的人工智能相關技術來實現這一目標，這些技術將使所有參與者（人類和非人類）之間共享所有級別的信息（數據、知識和模型）。這項工作的成功應體現在異質實體之間實現高水平的互操作性，在此范圍內，他們將能夠利用彼此的最佳發展能力。

人工智能驅動的態勢感知評估方法

圖2展示了基于先前所述斷言和要求的人工智能驅動SA評估的高級概念模型。

廣泛的人工智能方法可用于支持所需的過程，適用于每個層次，從歸納法到演繹法。在歸納推理方法中，我們提到了傳統的機器學習--邏輯回歸（LR）、支持向量機（SVM）、Naive-Bayes（NB）或深度學習--卷積神經網絡（CNN）、長短時記憶（LSTM）、門控循環單元（GRU）。演繹法是由knowledgerule系統代表的。但是，只有當系統的所有組成部分對目標、概念和關系有相同的理解時，才能以有效的方式實現各級的無縫協作。本體是實現這一目的最合適的工具（Sharman, Kishore, & Ramesh, 2004）。

本體是對知識的正式描述，是一個領域內概念的集合以及它們之間的關系（Ontotext, 2022; Earley, 2015）。本體的組成部分在圖3中顯示。3，其詳細的正式描述可以在Sharman, Kishore & Ramesh (2004)找到。

圖2: AI驅動的態勢感知評估概念

基于機器的態勢感知是與我們所處的復雜世界進行有意識的智能互動的關鍵因素，無論是對單個單位、復雜的動態系統，甚至是復雜的系統簇。為了建立這種意識，需要經常收集準確和實時的情報數據，以確保及時、準確和可操作的信息。無人駕駛飛行器（UAV）和其他半自主的網絡物理系統越來越多地成為評估我們周圍世界狀況和通過監視和偵察任務收集情報所采用的機制和系統。目前，人道主義和軍事行動的技術水平仍然依賴于人類控制的飛行/資產操作，但隨著自主系統的增加，有機會將其卸載到設備本身。在本文中，我們提出了一種原則性的、可擴展的方法，用于評估各種情況下自主設備集體的相對性能。所提出的方法以無人機群為例進行說明，預計將發展成為一種通用工具，為此類集體的部署提供信息，提供從問題規格、已知約束和目標函數推斷關鍵參數值的方法。