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

在安全關鍵型應用中，驗證和認證人工智能驅動的自主系統（AS）所做的決策至關重要。然而，這些系統中使用的神經網絡的黑盒性質往往使實現這一目標具有挑戰性。這些系統的可解釋性有助于驗證和認證過程，從而加快其在安全關鍵型應用中的部署。本研究通過語義分組獎勵分解研究了人工智能驅動的空戰智能體的可解釋性。論文介紹了兩個使用案例，以展示這種方法如何幫助人工智能和非人工智能專家評估和調試RL智能體的行為。

圖 3. 訓練有素的 RL 智能體跟蹤性能。左上圖為鳥瞰圖。右上圖是從藍色智能體框架透視的，每個綠色圓圈的半徑為 1000 米。下圖是分解獎勵條形圖，黑色 x 符號代表選擇的行動，其他 x 符號代表與每個 DQN 的最大預期獎勵相關的行動，它們分別代表各自的獎勵類型。

近年來，隨著機器人技術和電子技術的發展，無人駕駛飛行器（UAV）的體積越來越小，價格越來越低。由于無人飛行器易于購買和控制，人們開始越來越頻繁地使用它們。在本研究中，我們將從網絡的角度研究無人機群。一般來說，多架無人機可以組成一個蜂群網絡。每個無人機都是一個網絡節點。無人機之間的鏈接被視為網絡數據鏈路。在第 2 章中，我們將設計一種新穎的雙層 MAC： 我們將設計支持同步、并發多波束傳輸/接收的上層 MAC 層，以及與 802.11 兼容但充分發揮多波束天線優勢的下層 MAC 層；我們建議調整兩個 MAC 層的參數，以支持不同的任務優先級。在第 3 章中，我們為典型的機載網絡提出了一種吞吐量最優、異構（同時具有計劃通信和隨機通信）的介質訪問控制（MAC）策略。我們提出的 MAC 方案允許無人機使用上行/下行 MAC 方案與飛行器通信。我們的仿真結果表明，與傳統的 MAC 協議相比，性能有了顯著提高。在第 4 章中，我們針對機載網絡中的 MAC 設計問題提出了以下建議： (1) 長距離 Ku 波段鏈路。(2) 多波束天線。(3) 全雙工通信。我們的 MAC 設計具有 3ent 特性，即彈性、高效和智能。特別是，通過在每個波束中對流量進行編碼，它可以抵御干擾攻擊。此外，它還通過整合全雙工流量控制和多波束數據轉發實現了高吞吐量的通信。在第 5 章中，我們提出了一個采用 USRP-RIO 的多波束智能天線無線網狀網絡硬件測試平臺。我們測試了天線的方向性，實現了全雙工傳輸系統和中繼系統。此外，USRP還實現了MBSA的兩個重要特征CPT和CPR。

本文報告了在使用基于遺傳學的機器學習過程和戰斗模擬發現新型戰斗機機動系統方面的經驗。實際上，這一應用中的遺傳學習系統正在取代測試平臺，從經驗中發現復雜的動作。這項工作的目標與許多其他研究不同，因為創新和發現新穎性本身就是有價值的。這使得目標和技術的細節與其他基于遺傳學的機器學習研究有所不同。

本文討論了應用的細節、動機以及所采用技術的細節。介紹了一個玩家適應固定策略對手的系統和兩個玩家共同適應的系統的結果。論文還討論了這項工作在其他自適應行為應用中的普遍意義。

機器人和人工智能正在改變我們世界的許多方面。本研究將調查這些技術在水下監視領域的潛在影響和應用，更具體地說，是在應對水雷威脅方面的潛在影響和應用。最終目的是測試是否有可能利用人工智能算法使自主水下航行器具備必要的能力，以取代海上掃雷行動中的人類操作員。這項研究的重要性既在于海事部門日益增長的重要性，也在于機器人和人工智能學科的科學價值。

事實上，海事部門在社會和世界經濟中發揮著越來越重要的作用，這就要求加強安全措施，以保證服務的連續性。海上貿易的增長、通過水下管道輸送的數據和原材料的數量以及在海岸線附近或海域建造的基礎設施的重要性都證明了這一點。然而，必須強調的是，目前監測、控制和必要時干預這種環境的能力非常有限。要監測和保護廣闊的海域，需要付出巨大的努力，而這些海域的邊界很難界定，也沒有關于威脅性質的準確信息，以目前在該領域使用的技術很難持續下去。最近發生的幾起破壞其中一些基礎設施的事件就證明了這一點，這些事件對整個地區的穩定造成了嚴重后果（見北溪管道事件）。

機器人技術和人工智能的最新發展也為這一領域開辟了新天地，創造了重要機遇。一方面是所謂的無人海上系統的發展和演變，這種系統能夠在惡劣的環境中工作，配備強大的傳感器，但平均成本要比傳統的海軍資產低得多；另一方面是人工智能，它使機器能夠在沒有人類干預的情況下執行越來越復雜的操作。

本文的研究結構如下。在引言中，概括性地指出了使用海上無人系統（MUS）進行水下監視所面臨的主要挑戰和機遇，并分析了該領域最有前途的戰略和解決方案。

然后，重點轉向本論文開發的主要應用，即研究和實現能夠自主探測和定位海底地雷的系統和相關算法。

第一步是選擇一個符合成本效益和小尺寸要求的合適平臺。然后選擇一個能夠在水下探測水雷等物體的傳感器，并將其集成到平臺上。

接下來，討論了人工智能的發展及其在水下領域的應用。重點是研究應用于水下圖像的自動目標識別的最新技術。

從最有前途的最新技術入手，開始為自主水下航行器上的準實時應用選擇最佳算法。為此，創建了一個水下圖像數據集，用于訓練和測試基于卷積神經網絡的算法。選定用于船上集成的算法是 “只看一次”（YOLO）神經網絡。該算法的集成實現了為自動潛航器提供自主探測海底類雷物體能力的目標。此外，該算法的訓練和測試階段強調了正確選擇不同數據集的數據以及管理不同水下感知傳感器的重要性。然而，這些研究結果凸顯了這些算法的一些局限性，這促使人們開始尋找新的解決方案。特別是，我們提出了一種名為 “顯著性 CNN ”的算法，它將使用顯著性算法檢測圖像中異常的能力與 CNN 對已知物體進行分類的能力相結合。結果，這種兩階段分類器既能區分感興趣的物體，也能區分海底的一般異常現象。

最后，結束語一章為今后的工作留出了空間，提出了擬議算法 Saliency-CNN 的新實施方案，并為數字孿生系統在水下機器人技術中的引入和使用鋪平了道路。

圖 1.1： CSSN 的系統體系示意圖。由網關浮標與指揮和控制站連接的異構無人系統，具有各種傳感和通信方式（水下和無線電）以及高度自動化。

圖 2.2： 基于無人系統的水下監視概念方案。每個無人潛航器都攜帶一個或多個特定有效載荷并執行特定任務，通過網絡進行通信、數據收集和實時監測。水下和空中環境之間的通信基礎設施由作為網關浮標的 USV（即配備聲學和無線電調制解調器）提供保障。北約研究船 “聯盟號”（NRV Alliance）是輔助船，用于開展各種海洋學活動，并可充當 C2S。在草圖中，UUV 配備了矢量傳感器和/或聲學陣列，用于探測入侵者。但有些 UUV 則配備了側掃聲納有效載荷，用于海底探測。

為了真實地再現軍事行動，嚴肅的戰斗模擬要求建模實體具有合理的戰術行為。因此，必須定義作戰戰術、條令、交戰規則和行動概念。事實證明，強化學習可以在相關實體的行為邊界內生成廣泛的戰術行動。在多智能體地面作戰場景中，本文展示了人工智能（AI）應用如何制定戰略并向附屬單元提供命令，同時相應地執行任務。我們提出了一種將人類知識和責任與人工智能系統相結合的方法。為了在共同層面上進行交流，人工智能以自然語言下達命令和行動。這樣，人類操作員就可以扮演 "人在回路中 "的角色，對人工智能的推理進行驗證和評估。本文展示了自然語言與強化學習過程的成功整合。

RELEGS：針對復雜作戰情況的強化學習

為了獲得模型架構的靈感，我們研究了 DeepMind 的 AlphaStar 架構，因為它被認為是復雜 RL 問題領域的最先進架構。通過我們的架構（如圖 2 所示），我們提出了一種靈活、可擴展的行動空間與深度神經網絡相結合的適應性新方法。觀察空間的設計基于如何準備戰場的軍事經驗。通常使用地圖和可用部隊表。因此，模擬觀測被分為標量數據（如可用坦克數量及其彈藥）。同時，基于地圖的輸入作為視覺輸入提供給空間編碼器。

標量數據用于向人工智能提供幾乎所有場景細節的建議。其中包括有關自身部隊及其平臺的數據，以及有關敵方部隊的部分信息。輸入并非以絕對數字給出，而是采用歸一化方法來提高訓練效果。編碼器可以很容易地寫成多層感知器（MLP）；不過，使用多頭注意力網絡可以大大提高訓練后智能體的質量，因此應予以采用（Vaswani 等人，2017 年）。

為了理解地理地形、距離和海拔高度的含義，人工智能會被輸入一個帶有實體編碼的地圖視覺表示。顏色方案基于三通道圖像，這使我們能夠輕松地將數據可視化。雖然使用更多通道會給人類的圖形顯示帶來問題，但人工智能能夠理解更多通道。不同的字段類型和實體會用特殊的顏色進行編碼，以便始終能夠區分。這種所謂的空間編碼器由多個卷積層組成。最初，我們嘗試使用 ResNet-50 （He 和 Zhang，2016 年）和 MobileNetV3 （Howard 等，2019 年）等著名架構，甚至使用預先訓練的權重。然而，這并沒有帶來可接受的訓練性能。因此，我們用自己的架構縮小了卷積神經網絡（CNN）的規模。

為了測試和優化這一架構，我們使用了一個自動編碼器設置，并使用了模擬中的真實樣本。我們能夠將參數數量從大約 200 萬減少到大約 47000。此外，我們還生成了一個預訓練模型，該模型已與模擬的真實觀測數據相匹配。這一步極大地幫助我們加快了 RL 進程。

一個可選元素是添加語言輸入，為人工智能定義任務。雖然一般的戰略人工智能不使用這一元素，但計劃將其用于下屬智能體。這些智能體將以自然語言接收來自戰略人工智能的任務，并使用雙向門控遞歸單元（GRU）編碼器對其進行處理。

視覺數據、任務數據和標量數據的編碼值被合并并輸入核心網絡。根據 Hochreiter 和 Schmidhuber（1997 年）的介紹，核心主要是一個擁有 768 個單元的長短期記憶（LSTM）組件。在軍事場景中，指揮官必須了解高價值資產的長期戰略規劃。在本模擬中，人工智能可以請求戰斗支援要素，這些要素在影響戰場之前需要長達 15 分鐘的時間。因此，人工智能必須了解未來任務的時間安排和規劃。在 RL 中使用 LSTM 網絡相當困難，因為它需要大量的訓練時間，而且會導致上面各層的梯度消失。因此，我們決定在 LSTM 上添加一個跳過連接，以盡量減少新增層的負面影響。

動作頭由一個自然語言處理（NLP）模型組成。這是一個非常簡化的動作頭模型，包含一個小型 LSTM 和一個額外的密集層，共有約 340000 個參數。其結果是一個尺寸為 8 x 125 的多離散動作空間。

除主模型外，還有一個單獨的價值網絡部分。價值網絡使用核心 LSTM 的輸出，并將對手信息串聯起來傳遞給 MLP。然后，MLP 可以精確預測價值函數。通過對手信息，價值網絡對模擬有了一個上帝般的地面實況視圖。由于該網絡只與訓練相關，因此可以在不干擾訓練完整性的情況下進行。

本文介紹了基于元學習概念實現數字孿生的初步研究。邁向建立理想數字孿生的第一步的主要目標是評估適合國防工業環境的適當方法。主要的挑戰是如何在數據稀缺的情況下訓練和驗證模型，這也是國防領域的一個共同主題。目前的用例是先進的水下防御系統中使用的鋰離子電池，旨在創建一個可用于維護和設計目的的數字人工制品。最初的實施采用了循環神經網絡（RNN）和模型診斷元學習（MAML）來實現內部和外部學習循環，以達到學習者能夠快速適應新任務的目的。基礎學習器利用電池退化的開放數據集為元模型生成梯度。研究結果凸顯了數字孿生作為水下防御系統明智決策、提高可靠性和準備狀態的寶貴工具的潛力。

圖：理想情況下，數字孿生可支持系統的整個生命周期，包括設計、制造、使用和服務/維護。

2022 年底，薩伯公司向瑞典國防物資管理局（FMV）和瑞典武裝部隊交付了最先進的魚雷系統薩伯輕型魚雷（SLWT），如圖 所示。該魚雷長約 2.85 米，直徑 0.4 米，總重量約 340 千克。SLWT 的推進系統集成了一個泵噴射驅動裝置、一個帶變速箱的直流電動機和一個可充電鋰離子電池。

國防工業數字孿生的利益與挑戰

國防工業數字孿生技術的數據基礎設施所面臨的挑戰是多方面的，需要仔細考慮。數據收集和整合是重大障礙。數字孿生依賴于來自各種傳感器、平臺和系統的大量異構數據。以標準化格式整合和協調這些數據是一項復雜的任務，尤其是在處理可能具有不同協議和安全要求的遺留系統和機密信息時。顧名思義，數字孿生系統必須使用物理資產記錄的數據來構建，這就聯系到本文的基本研究問題。在人工智能時代，數據顯然至關重要，但航空航天和國防（以及其他領域）需要高度發達的數據保護程序，因此數據隱私和安全保證已成為人工智能發展的重要義務。個人數據和專有數據泄露、誤用和濫用的風險顯然令人擔憂，尤其是基于云的解決方案和其他分布式解決方案，因為這些解決方案的基本基礎設施掌握在第三方手中。要構建防御系統的數字孿生技術，在選擇 ML 技術時必須考慮有限的數據訪問和嚴格的數據處理程序。在國防領域，確保數據的安全性和保密性至關重要。考慮到數據泄露對軍事行動的潛在影響，保護敏感信息免遭未經授權的訪問或網絡威脅至關重要。實施強大的加密、訪問控制和安全數據傳輸機制對于維護數字孿生數據基礎設施的完整性和保密性至關重要。

另一個核心問題是可擴展性和實時數據處理，因為它們構成了重大挑戰。國防應用通常需要實時決策，這就要求數據基礎設施能夠處理大量數據并快速處理這些數據，以支持具有時間敏感性的行動。

同樣明顯的是，在與不同國防機構或盟國（如北約內部）合作時，數據互操作性仍然是一個挑戰。建立通用的數據標準和協議對于確保數字孿生系統之間的無縫數據交換和有效互操作性至關重要。要應對這些挑戰，需要采取整體方法，涉及國防機構、技術提供商和決策者之間的合作，為國防工業中的數字孿生創建穩健、適應性強的數據基礎設施。

在本文中，所需的數字孿生的主要目的是實現對所選 SLWT 資產進行實時監控和預測性維護的工具。通過根據每個資產的高保真模型模擬其電池的行為，可以深入了解每個資產電池的健康、性能和 RUL 方面的情況。通過探索各種運行條件和配置，有望促進優化和性能提升。從長遠來看，這反過來又可對電池參數進行微調，以在不同情況下實現最佳性能，特別是對于未來設計和其他系統概念而言。此外，預計數字孿生技術還將有助于風險評估和緩解。通過將虛擬電池置于模擬的極端條件和故障場景下，有可能找出并解決漏洞，從而提高整個 SLWT 的可靠性和安全性。因此，數字孿生技術有望促進更好地了解電池與系統中其他組件的相互作用，從而提高系統集成和整體效率。

本研究中介紹的數字孿生是一項正在進行中的工作，因此本節的重點是展示迄今為止取得的成果。使用 MAML 以及在牛津電池降解數據集上訓練的基礎學習器構建有效數字孿生的過程仍在進行中，有待進一步完善。盡管如此，所取得的成果為元學習器預測電池行為的潛力提供了寶貴的啟示。本節介紹了數字孿生設計的基本思想，接下來的章節將介紹當前的研究成果，展示數字孿生方法在實際應用中優化電池管理和性能預測的可行性和廣闊前景。

有效決策是組織成功的核心。在數字化轉型時代，企業越來越多地采用數據驅動的方法來獲得競爭優勢。根據現有文獻，人工智能（AI）代表了這一領域的重大進步，它能夠分析大量數據、識別模式、做出準確預測，并為組織提供決策支持。本研究旨在探討人工智能技術對組織決策不同層面的影響。通過將這些決策按照其屬性分為戰略決策和運營決策，本研究可以更全面地了解人工智能在組織決策中實施的可行性、當前采用率以及阻礙因素。

美國軍方正在開發大型無人駕駛飛行器蜂群，這將降低飛行員的風險，并提高應對同行對手時的靈活性。本研究對空軍特種司令部目前在確定無人飛行器的預期成功率時所考慮的戰略進行了評估，這些戰略受距離、預算和特定場景假設的限制。我們將任務成功率定義為在一個 10×10 公里的模擬搜索區域內，飛行器蜂群發現并跟蹤指定目標的比例。通過模擬，我們發現根據預算和目標探測情況，Altius-900、Dominator 和 Voly 的任務成功率最高。我們的研究結果為無人機的未來應用提供了支持，并讓我們更深入地了解了哪些屬性對空軍特種作戰司令部的任務成功最為重要。

圖 1. AFSOC A2E 簡報（左）和未來戰斗（右）所定義的現狀（AFSOC，2022 年）

1 引言

如表 1 所示，空軍目前部署的第 4 和第 5 組無人機（UAV）是重量超過 1320 千克的無人機，由地面控制站通過衛星通信進行控制。未來的目標是讓地面控制人員掌握從我們的研究中獲得的最新見解，使他們能夠提高無人機群的性能。這一新能力將使我們的戰斗減少對衛星的依賴，最大限度地降低人為風險，從而形成一支更靈活、更有效的部隊。空軍部長查爾斯-布朗（Charles Q. Brown）將軍在其 "加速變革或失敗 "的指令中指出："我們必須專注于聯合作戰概念，通過聯合全域指揮與控制，快速推進數字化、低成本、高科技的作戰能力"，這說明了技術先進的軍隊的必要性（布朗，2022 年）。目前，空軍特種作戰司令部（AFSOC）的發展工作正處于基礎階段，使用 "警戒精神"（VS），這是一種多功能控制站能力，提供軟件、模擬和自主性，旨在任務和控制多個無人系統。截至 2023 年，AFSOC 的大型無人機由一名飛行員和一名傳感器操作員控制，但未來的目標是從能夠自主運行的大型無人機中部署小型無人機。此外，如圖1所示，美國戰地指揮和控制中心只在有爭議或被封鎖的空域部署小型無人機，以盡量減少開支和人員傷亡。

圖 1 左側圖片展示了美國海軍陸戰隊目前和未來的新一代自適應機載企業（A2E）。目前，無人機由不同的地面站和不同的機組人員操作和控制。然而，未來的 A2E 將有一個多功能控制站，偏離 1:1 的控制方式，以便在有爭議的空間獲得競爭優勢。右圖顯示了美國海軍陸戰隊從 2024 年開始采用殺傷鏈方法增強作戰能力的計劃。任務分為允許區域、有爭議區域和拒絕區域。允許區域包括第 4 或第 5 組無人機的通信組件和部署地點。在有爭議地區，第 1 或第 2 組無人機跟蹤、瞄準和打擊被拒空間的敵軍。要想取得成功，美國海軍陸戰隊需要知道哪些小型無人機能夠成功完成任務，以及部署后應該如何行動。本研究探討了部署策略、使用哪種無人機以及哪種配置最有效。我們重點利用美國空軍司令部和 MITRE 提供的理論來指導我們的研究。

本研究報告分析了當前利益相關者對軍事自主系統的人為輸入或控制的想法。作者首先定義了關鍵術語，如 "機器學習"、"自主系統"、"人在回路中"以及軍事背景下的 "有意義的人為控制"，然后討論了當代利益相關者的文獻對無人駕駛軍事系統的人的輸入/控制的說明。然后，報告討論了各利益攸關方是否對進攻性和防御性系統中所需要或期望的人類控制水平達成了共識，以及是否因系統具有致命性和非致命性能力或西方和非西方國家之間的意見不同而有所不同。報告最后從政策和操作的角度闡述了利益相關者的想法對加拿大國防部/空軍的可能影響。

主要研究結果

• 在與自主系統有關的關鍵術語的定義方面存在著相當多的爭論。

• 在國家對自主武器應采取何種監管手段的問題上，各利益攸關方一直存在分歧。

• 參加這些討論的締約國已就自主武器的一系列指導原則達成共識，包括 "必須保留人類對使用武器系統決定的責任"。

• 在近30個表示支持禁止致命性自主武器系統（LAWS）的國家中，沒有一個是主要的軍事大國或機器人開發商，主要的軍事大國似乎都在對沖自己的賭注。

• 許多民主國家認為，他們打算保留人類對使用武力的控制/判斷，不需要禁止，因為現有的國際人道主義法律（IHL）足以解決圍繞自主武器的問題。

• 加拿大擁有重要的人工智能（AI）能力，該能力被用于民用而非軍事用途。

• 如果在國防領域不接受至少某種程度的（人工智能支持的）自主性，可能會降低與盟國的互操作性，給加拿大武裝部隊（CAF）的行動帶來風險，并且隨著時間的推移，使CAF對國際和平與安全的貢獻失去意義。