問題

情報、監視和偵察（ISR）行動的目的是收集信息并將信息提供給操作人員，而操作人員則需要就戰區內的各種行動方案做出具體決策。可以肯定的是，ISR 行動是技術密集型的。但與此同時，ISR 行動也是一個非常以人為本的過程。盡管如此，在 ISR 概念開發和評估（CD&E）過程中卻很少甚至根本沒有進行人為因素（HF）研究。通過研究新的 ISR 技術和概念在各種作戰環境下對操作人員表現的影響，研究人員可以提供更加科學嚴謹的建議，為高層政策制定者和決策者提供有關未來 ISR 技術和能力的信息，這些技術和能力適用于所有 ISR 環境：空中、海面、地下和太空，貫穿國內、盟國和整個政府（WoG）的合作關系。因此，HF研究方法應成為任何 ISR CD&E 流程的組成部分，以便為 ISR 指揮系統各級的政策和決策者提供信息和建議。

目的

北大西洋公約組織（NATO）研究與技術組織（RTO）人為因素與醫學（HFM）小組任務組（研究與技術組（RTG）-276 NATO RTG HFM-276）"人為因素與 ISR 概念開發與評估 "的成立是為了確定和了解對有效的 ISR 行動至關重要的HF問題。更確切地說，這項開創性工作的目標是 (1) 確定對有效的 ISR 行動至關重要的HF問題（如態勢感知 (SA)、工作量、組織結構、協調和協調機制、可視化、信任、信息共享和管理、領導力和決策）；(2) 使用行為理論模型來制定我們的研究方法并理解我們的研究結果；(3) 就在 ISR CD&E 行動中使用和實施HF研究提出建議。

范圍和限制

基于并擴展最初由北約 HFM-163 RTO 小組開發的軍事組織效能模型，北約 HFM RTG-276 小組的工作范圍是確定并了解對 ISR 行動至關重要的HF問題。為此，小組決定于2018年6月11日至2018年6月26日在德國Einsiedlerhof的美國空軍歐洲（USAFE）戰士準備中心（WPC）的 "北約2018聯合愿景"（UV18）試驗模擬內開展關于聯合ISR（JISR）作戰效能的研究。此外，小組還在 2019 年 5 月于芬蘭舉行的 "大膽探索 2019"（BQ19）演習中進行了類似研究。

結果、對北約的意義和實際影響

北約 HFM-276 任務小組使用組織有效性模型制定了一套調查，以確定和了解對有效的 ISR 行動至關重要的HF問題。該模型的核心是由任務分配、收集、處理、利用和傳播（TCPED）組成的聯合監查制度流程。從這一模型和其他來源得出的數據收集計劃審視了一些HF問題在整個 ISR 行動中的作用：基本HF知識、態勢評估、工作量、組織結構、信任、信息共享、信息管理、領導力、文化、組織流程、組織靈活性、共同意識和責任、協調和協調機制、決策、能力、情報需求管理（IRM）、通信、元數據和應用系統。所有這些HF因素都將影響 ISR 的作戰概念，并影響操作人員的績效。此外，本文還總結了改進北約和非北約行動 ISR CD&E 流程的一些實際意義，重點是開發應納入 ISR CD&E 流程的HF研究方法。這種HF方法就像 ISR 概念開發的技術和程序質量控制部分。預計研究結果將有助于為 ISR 指揮系統各級的政策和決策者提供信息和建議，以加強北約 ISR 規劃、任務執行和能力發展方面的信息和決策優勢。預計研究結果還將有助于為 ISR 與其他聯合進程（如聯合目標定位）的整合提供信息，以確定當前與 ISR 有關的HF差距以及與其他進程的整合。

理論框架

在本節中，我們將為監委會的HF行動提供一個高層次的理論框架。廣義上，理論可以理解為在一組邊界假設和約束條件下對概念間關系的陳述，因此我們對一般假設、約束條件和概念及其與我們框架的關系進行了劃分[1]。我們認為我們的理論框架由三個關鍵概念組成：1）監委會進程；2）各種HF變量；3）產出因素。本節關注的是這些概念之間的關系，以及它們之間關系的支配因素。各節詳細介紹了監委會進程的理論和分析、各種HF因素的影響及其對產出因素的影響。各節還深入介紹了與各小節相關的方法。

人們提出了不同的組織流程方法，如輸入-中介-輸出框架、輸入-中介-輸出-輸入框架以及受結構化啟發的流程框架[2, 3]。從廣義上講，這些方法既包括目的論和順序論的觀點，即假定有明確的目標來指導行動以產生特定的結果，也包括更具突發性的變革觀點，即人類在其中工作的結構會影響其他結構中的人類，并受到其他結構中人類的影響[4]。

我們認為，作為一個基本假設，在聯盟背景下開展的監委會聯合審查進程并不容易采用上述任何一種模式：相反，它是一個預先計劃和設計的順序進程與突發進程的混合體[5]。一方面，有正式定義的程序、理論、戰術、技術和流程（TTP），如《支持北約行動的聯合情報、監視和偵察程序》（AintP）和《作戰命令》（ORBAT）；另一方面，也有包括特定節點在內的工作流程的實驗。這表明，我們的研究一方面要對 TTPs 的影響保持不可知論的觀點，另一方面要對執行聯合監查制度時的行動和對這些 TTPs 的看法保持不可知論的觀點。因此，我們的理論框架包含兩種相互作用的兵力：計劃行動和突發行動。計劃中的監委會審查和執行中的監委會審查之間的區別既體現在實驗計劃和實際實驗/演習執行之間的對立，也體現在計劃中的監委會審查行動和執行中的監委會審查行動之間的緊張關系，執行有時甚至是動態的。我們認為，計劃與執行動態之間的矛盾對于理解HF如何影響聯合監委會至關重要。應建立人類決策和協作機制，確保北約的聯合監委會從預先計劃順利過渡到動態執行。

更具體地說，我們的模型試圖將聯合監委會合作的線性和非線性軌跡結合起來。從順序計劃的角度來看，該模型的核心是聯合監委會流程，其中的 TCPED 階段可視為構成伯克等人[6]團隊適應模型的不同階段： SA、計劃制定、計劃執行和團隊學習（可以是評估收集處理、利用和傳播（CPED）是否有助于解決任務）（見下圖 1）。單個 PED 單元的這種相對線性的團隊流程也應結合其在多團隊系統中與其他團隊（單元）的協作來看待，即多個團隊為實現共同目標而集成工作[7]。涉及多個 PED 單元的聯合 PED 對于確保收集必要數據以獲取可采取行動的情報尤為重要。我們預計，由于不同的原因，計劃中的監委會審查流程可能并不總是按照預期的計劃方式可行。例如，從任務的角度來看：一個 PED 單元在執行任務期間的實際工作量可能會嚴重影響其參與整個聯盟聯合監 督和報告進程的能力。北約的事先規劃可在一定程度上減少這一因素，但不能完全消除不確定性。其他一些因素也可能對事先規劃的聯合監查制度進程構成挑戰：如各 PED 單元的動機、經驗、對任務的不同理解程度等。因此，我們認為HF的影響不僅與在單個小組內實現聯合監委會進程的總體目標有先后關系，而且在很大程度上以其他無意方式影響了北約的整體聯合監委會進程。另一方面，所述的監委會進程不一定會因這些障礙而改變，因為這可能取決于多個國家政策、執行和評估小組內部和之間協調和信任的有效性。

在不同的章節中，我們闡述了個人和人際因素、組織因素、文化因素、任務因素、系統因素和團隊因素如何影響聯合監委會。這些輸入因素預計會影響監委會的程序及其在監委會內部以及向外部組織要素（如聯合目標或情報界）提供可用結果的能力，進而影響諸如共享情況意識、數據分析、信息共享和決策以及任務完成的準確性和速度等輸出因素。圖 1 描繪了輸入和輸出因素之間的擬議聯系；該圖概述了本報告研究的所有因素。藍色和帶下劃線的因素是經過實證研究的因素。在隨后的章節中會有更詳細的理論介紹，其中還包括更詳細解釋一般模型中提出的各因素之間擬議相互關系的模型。

目標檢測是用于軍事應用的計算機視覺的最流行領域之一。在這種情況下，目標檢測模型的使用方式之一是用于戰場上的實時目標識別。許多這些模型開始被納入士兵使用的技術中（即無人駕駛地面車輛和平視顯示器），以幫助他們識別周圍可能代表對其安全的潛在威脅的目標。通過正確檢測和分類戰場上的危險目標，這些模型能夠為士兵提供關于他們周圍環境的有用信息，以便他們能夠就如何進行任務做出決定。

目前的目標檢測模型出現的一個主要問題是，它們難以檢測到只有部分可見或被遮擋的目標。在這些情況下，目標探測模型往往根本無法探測到這些目標。它們也可能檢測到部分被遮擋的目標，但卻用錯誤的目標類別對它們進行分類。遮擋是許多研究人員在開發和訓練他們的目標檢測模型時沒有考慮的一個條件，盡管它在現實世界中很常見。為了確保士兵的安全，以及改善未來目標檢測模型的狀況，有必要確定當前的目標檢測模型在面對這種情況時的工作情況。

這項工作的主要目的是對三種最先進的目標檢測模型進行基線評估，這些模型是在一個包含許多部分遮擋目標的流行目標識別數據集上進行的。這樣做之后，對每個模型的結果進行了比較。本實驗中使用的模型是Gonzalez-Garcia模型、Detectron的Faster R-CNN和YOLOv5。它們被訓練和測試的數據集是流行的模式分析、統計建模和計算學習視覺對象類（PASCAL VOC）挑戰數據集之一，特別是VOC 2010。本報告首先介紹了每個目標檢測模型和VOC數據集的概況。然后給出了關于實驗的更多細節，以及結果和結論。

將前景目標從背景中分離出來是許多視頻處理管道的第一步。雖然現有的背景分離方法能夠充分解決許多技術難題，如光照變化、動態背景（如飄動的樹葉、揮舞的旗幟等）、相機抖動等），但它們在處理移動傳感器方面有局限性，而且計算復雜性也很高。這是未來智能系統的一個主要限制，因為最近流行的移動傳感器和小型平臺需要在尺寸、重量和功率（SWaP）限制下進行板載處理。

這項小企業創新研究（SBIR）工作進行了一些創新，以處理這些挑戰和解決最先進的限制： 這些創新包括：i）開發創新的數學模型和先進的算法，在此基礎上有效地處理小型平臺上的高效背景減除的挑戰；以及ii）開發移動傳感器和圖像形成的觀察幾何的數學模型，并利用三維世界中剛體運動的低等級約束來有效檢測獨立移動的目標。第二階段的工作開發了計算機視覺和機器學習算法，利用背景外觀和運動的低等級約束來區分前景區域和背景。背景外觀的低秩約束是基于理論和經驗結果，這些結果表明，在不同的變換（如光照變化）下，對應于特定目標的矢量圖像大約位于一個低維子空間上。此外，對運動的低秩約束利用了自由移動的傳感器的觀察幾何學來區分前景和背景運動。通過將傳感器運動與外觀模型相結合，所開發的方法能夠處理靜態和移動的相機。背景分離算法也被移植到移動設備上，以提供實時性能，并在標準和內部數據集上進行了評估。在該項目中開發的技術為低成本移動設備上穩健有效的自動計算機視覺提供了一個自然的框架和基礎。

擬議工作的首要目標是開發技術，在靜態和自由移動的視頻傳感器中使用移動處理器實現實時背景/前景分離。

圖1：提議的背景分離技術將使移動平臺上的視頻傳感器得到利用，并有廣泛的應用，包括：空中視頻的利用、增強現實和游戲、高分辨率視頻的邊緣處理、可穿戴傳感器和自主車輛。

視頻傳感器已經成為生活中所有領域中無處不在的信息來源（圖1）。從國防到商業到消費領域，它們正被越來越多地用于實現廣泛的應用。例如，固定和傾斜變焦（PTZ）相機通常被用來提供視覺監控、關鍵基礎設施安全、商業智能和建筑自動化。同樣，安裝在無人機平臺上的攝像機很容易成為情報、偵察和監視（ISR）數據和態勢感知的最關鍵來源之一。此外，世界各地的消費者正在從手持設備（如智能手機）和可穿戴設備（如谷歌眼鏡、GoPro等）產生大量的視頻數據。

這些傳感器產生的大量數據推動了對能夠從豐富的視頻數據中提取有用信息的自動化技術的需求。例如，自動視覺監控系統和空中視頻開發工具被廣泛用于檢測和跟蹤感興趣的目標，并從視頻中識別活動。然而，大多數現有的視覺分析系統都假定有大型的處理基礎設施（強大的PC、服務器、GPU等），因此不能輕易應用于許多新的移動傳感設備，或具有嚴格的尺寸、重量和功率（SWaP）限制的小型平臺。因此，有必要開發高效的計算機視覺技術，使其能夠使用易于與傳感設備集成的低功耗、低成本的移動計算平臺對視頻進行實時利用。

圖2：最先進的背景建模方法所使用的馬賽克（上）和基于體素（下）的表示方法在計算上成本非常高，對移動平臺來說不可行。

先進的背景分離技術的局限性：

許多視頻處理管道的第一步是將前景目標與背景分離。這是通過背景分離算法完成的，該算法試圖通過自適應地學習和模擬背景的特征來識別視頻流中最相關的部分，并找到不符合學習模型的像素。作為自動視覺監控系統最關鍵的組成部分之一，背景分離問題已經在計算機視覺文獻中得到了廣泛的研究。人們提出了許多方法來解決其技術難題，如光照變化、動態背景（如飄動的樹葉、揮舞的旗幟、噴泉等）、攝像機抖動、陰影和移動攝像機等。雖然現有的方法相當善于處理其中的許多挑戰，但它們也有很高的計算復雜性（以像素數計），不適合移動平臺。另一方面，如今產生的很大一部分視頻數據是由移動傳感器捕獲的，例如，手持式智能手機、可穿戴設備（GoPro、谷歌眼鏡等）以及安裝在小型無人機上的傳感器。然而，大多數現有的背景分離工作都集中在視頻監控中使用的靜態和PTZ相機的視頻上。即使對于一些使用先進的在線優化和子空間估計技術[GK15, HBS12]進行快速背景分離的最新算法也是如此。因此，這些算法不能直接應用于來自移動傳感器的視頻。

那些試圖解決移動傳感器問題的方法也借鑒了靜態攝像機算法的基本方法。這些方法首先創建新的表征（圖2），以消除平臺運動的影響，例如，背景馬賽克（通過拼接后續幀的圖像生成）或明確的三維模型（使用結構-運動和立體技術創建）。然后，從靜態攝像機領域借來的背景分離技術被應用于這些新的表示。除了原始分離技術的復雜性之外，這種方法還為處理管道引入了更多計算上的復雜元素。例如，生成馬賽克所需的圖像拼接算法涉及非常昂貴的圖像扭曲（轉換）組件。同樣，如果不使用GPU進行繁重的并行處理，從運動中獲得結構和立體感的技術以及由此產生的三維體素代表就無法實時創建。

創新總結

為了應對上述挑戰，Novateur Research Solutions和賓夕法尼亞大學的通用機器人、自動化、傳感和感知（GRASP）實驗室（以下簡稱Novateur團隊）在SBIR工作期間進行了多項數學創新。這些創新包括開發創新的數學模型以及先進的計算機視覺和機器學習技術，能夠有效地從各種場景的移動和靜止傳感器中分離背景和前景。

特別是，在第二階段的工作中，該團隊開發了代數模型，利用背景外觀的低等級約束以及運動來區分前景區域和背景。背景外觀的低秩約束是基于理論和經驗結果，這些結果表明，在不同的變換（如光照變化）下，對應于給定物體的矢量圖像大約位于一個低維子空間上。此外，對運動的低秩約束利用了自由移動的傳感器的觀察幾何，以區分前景和背景運動。然后，該團隊開發了基于代數優化（矩陣分解）和機器學習（神經網絡）的新型算法，利用這些約束從移動平臺上進行背景減除。

第一階段開發的背景分離技術是

• 不需要創建昂貴的場景表征；
• 不對場景或平臺運動做出假設；
• 與特定的計算架構或指令集無關。

因此，它們能夠使用各種低成本、低功耗和輕量級的處理單元在靜態和移動傳感器的高分辨率圖像中進行有效的背景分離。

第二階段的成就：

在第二階段的研究和開發工作中，完成的主要目標包括

在移動傳感器視頻中高效在線提取多個移動目標的新型代數框架--在第一階段的工作中，Novateur團隊將發現和分割獨立移動物體的問題作為一個低等級的近似問題來解決。更具體地說，我們開發的技術涉及檢測和跟蹤各幀之間的特征，然后將這些跟蹤結果匯總到不完整的矩陣中，其中缺失的條目反映了這樣一個事實：隨著攝像機在空間中的移動，特征會隨著時間的推移而被遮擋。然后我們表明，我們可以利用這樣的假設，即大部分場景是剛性移動的，以及仿射模型的結構，該模型規定這些軌跡中的大部分必須位于高維空間的三維流形上。我們方法的下一個關鍵想法是利用在線不完全矩陣分解技術，快速有效地從測量中提取這個三維子空間結構。一旦這樣做了，獨立移動的障礙物就可以通過識別低等級模型的離群值來恢復，然后根據圖像中的接近程度將這些特征分組。第二階段的工作在第一階段模型的基礎上進一步發展，納入了子空間跟蹤[HBS12]和動態模式分解[GK15, KFB15]，并利用背景模型的低秩屬性來實時提取前景像素。此外，第二階段的工作還開發了新的機器學習模型，利用低維約束將靜態的三維場景幾何與獨立移動的物體分開。

利用背景分離技術作為注意力集中機制，改進移動計算平臺上的移動目標檢測--第二階段工作開發了一種新型計算機視覺算法，能夠在移動平臺上檢測移動目標，如無人機。該算法結合了光流、深度神經網絡以及低等級約束，并為進一步處理任務提供了注意力集中機制。

測試和評估--Novateur團隊還利用標準基準數據集以及由真實世界場景組成的內部數據集，展示了所提出的背景分離技術的能力。該團隊還對提議的技術進行了定量和定性評估，其中包括對真實世界數據的性能特征和權衡分析。

實施端到端軟件，實現視頻中移動目標的穩健檢測--第二階段實施了一個基于ROS架構的端到端軟件，利用移動計算平臺對靜態和移動傳感器的視頻中的目標進行穩健檢測。

長期目標

在決策或推理網絡中進行適當的推理，需要指揮官（融合中心）對每個下屬的輸入賦予相對權重。最近的工作解決了在復雜網絡中估計智能體行為的問題，其中社會網絡是一個突出的例子。這些工作在各種指揮和控制領域具有相當大的實際意義。然而，這些工作可能受限于理想化假設：指揮官（融合中心）擁有所有下屬歷史全部信息，并且可以假設這些歷史信息之間具有條件統計獨立性。在擬議的項目中，我們打算探索更普遍的情況：依賴性傳感器、（可能的）依賴性的未知結構、缺失的數據和下屬身份被掩蓋/摻雜/完全缺失。對于這樣的動態融合推理問題，我們建議在一些方向上擴展成果：探索數據源之間的依賴性（物理接近或 "群體思維"），在推理任務和量化不一定匹配的情況下，采用有用的通信策略，甚至在每個測量源的身份未知的情況下，采用無標簽的方式--這是數據關聯問題的一種形式。

我們還認識到，對動態情況的推斷是關鍵目標所在。考慮到一個涉及測量和物理 "目標 "的傳統框架，這是一個熟悉的跟蹤問題。但是，來自目標跟蹤和多傳感器數據關聯的技術能否應用于提取非物理狀態（物理狀態如雷達觀察到的飛機）？一個例子可能是恐怖主義威脅或作戰計劃--這些都是通過情報報告和遙測等測量手段從多個來源觀察到的，甚至可能被認為包含了新聞或金融交易等民用來源。這些都不是標準數據，這里所關注的動態系統也不是通常的運動學系統。盡管如此，我們注意到與傳統的目標追蹤有很多共同點（因此也有機會應用成熟的和新興的工具）：可能有多個 "目標"，有雜波，有可以通過統計學建模的行為。對于這種動態系統的融合推理，我們的目標是提取不尋常的動態模式，這些模式正在演變，值得密切關注。我們特別建議通過將雜波建模為類似活動的豐富集合，并將現代多傳感器數據關聯技術應用于這項任務，來提取特征（身份）信息。

目標

研究的重點是在具有融合觀測的動態系統中進行可靠推理。

方法

1.決策人身份不明。在作戰情況下，融合中心（指揮官）很可能從下屬那里收到無序的傳感器報告：他們的身份可能是混合的，甚至完全沒有。這種情況在 "大數據 "應用中可能是一個問題，在這種情況下，數據血統可能會丟失或由于存儲的原因被丟棄。前一種情況對任務1提出了一個有趣的轉折：身份信息有很強的先驗性，但必須推斷出身份錯誤的位置；建議使用EM算法。然而，這可能會使所有的身份信息都丟。在這種情況下，提出了類型的方法來完成對局部（無標簽）信念水平和正在進行的最佳決策的聯合推斷。

2.動態系統融合推理的操作點。在以前的支持下，我們已經探索了動態事件的提取：我們已經開發了一個合理的隱馬爾科夫模型，學會了提取（身份）特征，有一個多伯努利過濾器啟發的提取方法 - 甚至提供了一些理論分析。作為擬議工作的一部分，將以兩種方式進行擴展。首先，打算將測量結果作為一個融合的數據流，這些數據來自必須被估計的未知可信度的來源。第二，每個這樣的信息源必須被假定為雜亂無章的 "環境 "事件（如一個家庭去度假的財務和旅行足跡），這些事件雖然是良性的，可能也不復雜，但卻是動態的，在某種意義上與所尋求的威脅類似。這些必須被建模（從數據中）和抑制（由多目標追蹤器）。

3.數據融合中的身份不確定性。當數據要從多個來源融合時，當這些數據指的是多個真相對象時，一個關鍵的問題是要確定一個傳感器的哪些數據與另一個傳感器的哪些數據相匹配："數據關聯 "問題。實際上，這種融合的手段--甚至關聯過程的好方法--都是相當知名的。缺少的是對所做關聯的質量的理解。我們試圖提供這一點，并且我們打算探索傳感器偏差和定位的影響。

4.具有極端通信約束的傳感器網絡。考慮由位置未知、位置受漂移和擴散影響的傳感器網絡進行推理--一個泊松場。此外，假設在這樣的網絡中，傳感器雖然知道自己的身份和其他相關的數據，但為了保護帶寬，選擇不向融合中心傳輸這些數據。可以做什么？又會失去什么？我們研究這些問題，以及評估身份與觀察的作用（在信息論意義上）。也就是說，假設對兩個帶寬相等的網絡進行比較；一個有n個傳感器，只傳輸觀察；另一個有n/2個傳感器，同時傳輸數據和身份。哪一個更合適，什么時候更合適？

5.追蹤COVID-19的流行病狀況。誠然，流行病學并不在擬議研究的直接范圍內，但考慮到所代表的技能以及在目前的健康緊急情況下對這些技能的迫切需要，投機取巧似乎是合理的。通過美國和意大利研究人員組成的聯合小組，我們已經證明，我們可以從當局提供的每日--可能是不確定的--公開信息中可靠地估計和預測感染的演變，例如，每日感染者和康復者的數量。當應用于意大利倫巴第地區和美國的真實數據時，所提出的方法能夠估計感染和恢復參數，并能很準確地跟蹤和預測流行病學曲線。我們目前正在將我們的方法擴展到數據分割、變化檢測（如感染人數的增加/減少）和區域聚類。

如今的建設性戰斗模擬不能自動生成現實的戰斗計劃。造成這種情況的一個原因是缺乏一個火力支援規劃算法來支持一個給定的機動計劃。我們提出了一種對火力支援規劃問題進行建模的方法，假定有一個戰術風險的數字定義。解決方案的空間似乎很難窮盡搜索，因此提供了一種火力支援規劃算法，該算法可以在多項式時間內產生一個合理的、盡管是次優的計劃。

問題定義

我們用單元（unit）這個詞來指任何由一個或多個模擬戰斗人員組成的團體，他們作為一個單一的編隊一起移動和戰斗。一個單元的移動是按照路線進行的，而路線是由一系列的航點或三維空間中的位置定義的。單元沿著地表以現實的、已知地形類型的速度向他們的下一個節點直線行進。在這個問題上，有任務的機動部隊的路線是預先確定的和固定的。沒有任務的機動部隊被認為是火力支援部隊。

圖1. 友軍單位1的任務是遵循一條由六個節點組成的路線，用三角形標記。敵方單位1（菱形符號）可以在風險段r2期間損害友方單位1。敵方單位2在r1和r3期間可以損害它。[0,10]標記表示火力支援資源的可用間隔，標有ci的方框是可能的火力支援地點。兩者都將在下文中描述。

• 應用火力支援任務

• 火力支援資源

貪心算法

我們提供以下貪心算法來生成一個火力支援計劃。當然，鑒于上述優化和滿足的解釋，它既不是最優的也不是完整的，但它可以有效地產生一個合理的計劃。

對于每個資源，該算法在其搜索邊界（N和M集）上保持著壓制每個敵人單位的任務。在每次通過主循環時，它選擇N∪M中最能降低總風險的任務。為了限制復雜性，不需要移動的潛在任務（N中的任務）被優先考慮。每當一個任務w被添加到當前計劃W中時，我們就從N和M中刪除w的所有兄弟姐妹，這些兄弟姐妹是由相同的可用任務產生的。然后，我們從γ給出的新的（更短的）可用性任務中為N和M生成新的選項。

當總風險足夠小或沒有任務選擇時，該算法就會終止。如果我們假設火力支援任務有一個最小的有用持續時間，例如發射一發子彈的時間，那么每次選擇任務都會移除一個持續時間為t的資源，并用兩個持續時間之和為t-或更小的資源取代它。由于所有資源持續時間的總和至少在每個循環迭代中減少，我們最終將得到一個小于的總和，這只有在邊界沒有任務，終止執行時才可能是真的。

美國空軍研究實驗室（AFRL）在技術開發方面的主要目標之一是將技術轉移給 "客戶"，以滿足能力需求。這種轉換可以是在AFRL內部，也可以是向工業界，向系統項目辦公室（SPO），或直接向作戰人員。每個 "客戶 "類別都描述了一個潛在的 "過渡伙伴"。技術開發可以發生在支持客戶要求的成熟期（"技術拉動"），即客戶提出他們的需求（"要求"），AFRL用為滿足該需求而定制的技術發展來回應。當AFRL開發新技術或根據其作為關鍵技術領域的科學和技術（S&T）領導者的角色為舊技術找到新用途時，技術發展也可以在沒有具體要求的情況下發生。這被稱為 "技術推動"，當AFRL科學家進行的基礎和/或應用科學研究發現了以前未知的軍事能力的潛力時，就會發生這種情況。技術拉動 "和 "技術推動 "項目都可以改變AFRL其他項目、工業、SPO或作戰人員的可能性，創造出潛在的破壞性能力，如果沒有相應的科技研究活動，對手是很難對付的。任何轉型所面臨的挑戰是，技術的價值可能沒有被更廣泛的社會所理解，在新技術的情況下，也沒有被進行研究的科學家所理解。

科學家和潛在的過渡伙伴之間的討論往往不能準確地確定一項技術的成熟度、潛在的軍事用途，以及一項技術的合理和可靠的使用時間表。在 "技術拉動 "和 "技術推動 "的情況下，對技術成熟度的準確描述是必要的，以告知科技領導層和潛在過渡伙伴開發的進展。成熟度，通常被稱為技術準備水平（TRL），是一個時間快照，它描述了演示或測試環境的特點，在該環境下，一項特定的技術被成功地測試。美國國防部（DoD）對TRL有一個標準的定義，從1到9，范圍從基本原理到實際任務操作中證明的實際系統。 從歷史上看，官方的TRL評估只在正式的采購過程中被系統地分配，然而，在AFRL項目開發的各個層面，通常都會要求進行技術成熟度評估。

目前缺乏一種系統的方法來評估AFRL技術，也缺乏對任何評估的文件驗證。雖然這并不是轉型失敗的原因，但有條不紊、準確和可驗證的TRL評估過程有助于為其他多個過程奠定基礎；支持與其他科技專業人士、管理機構和潛在的轉型伙伴進行有意義的合作；并支持提高AFRL技術轉型的概率。這些其他過程包括技術成熟計劃（TMP）、推進難度（AD2）、制造準備水平（MRL）、集成準備水平（IRL）、系統準備評估和水平（SRA和SRL）、空軍未來（HAF/A57，正式的空軍作戰人員集成能力（AFWIC））。技術、任務、資源、組織（TMRO）方法，AFRL過渡指標（ATM）和項目管理審查（PMR）。

TRL可以通過各種方式得出，但通常是通過技術準備評估（TRA）來確定。技術準備評估是在對技術的形式、與系統其他部分的集成程度以及操作環境等方面的保真度逐步提高的基礎上確定TRL的。TRA是一個系統的、以證據為基礎的過程，評估關鍵技術要素（CTE）的成熟度，這些要素可以是硬件、軟件、過程或它們的組合。一個技術要素是 "關鍵 "的，如果被收購的系統依賴于這個技術要素來滿足操作要求（在可接受的成本和進度限制內），如果該技術要素或其應用是一項新技術，以一種新的方式使用舊的/更新的技術，或者該技術要素或其應用在詳細設計或演示期間被用于構成重大技術風險的領域。正式的TRA最常被用來支持一個采購項目的確定階段，如美國法典第10章第2366b條詳細規定的要求，即在里程碑B批準之前，一個項目必須在相關環境中進行演示；然而，非正式的，或 "知識建設TRA"，也可以用來評估技術成熟度，為開發人員、項目經理、管理機構和潛在的過渡伙伴提供有用的信息，以更有效地成熟關鍵技術，確定一個技術的準備程度，管理和解決當前和未來的發展風險。

今天，國防戰略和空軍參謀長和空間業務主管要求加速技術發展，并使能力更快地進入作戰人員手中。 一個可靠的、可重復的技術成熟度評估是后續和同步進程和方法的關鍵，如TMPs、AD2、MRLs、IRLs、SRAs和SRLs、TMRO、ATM和PMRs，并為支持AFRL內部、工業、SPO或在技術被證明達到適當水平后直接向作戰人員的快速過渡活動建立了基礎。本研究提出了進行這些TRA的建議程序和工具。

研究目標

本研究的主要目的是確定和推薦一個嚴格的、標準化的、可重復的程序和支持工具，以進行TRA，從伙伴的角度增加現有技術解決方案的可信度，并支持增加成功技術的過渡概率。因此，本研究將：

• 確定一個量身定做的、嚴格的、標準化的、可重復的TRA流程，以進行可靠的TRA，同時提供支持流程執行的工具。

• 將評估何時進行TRA的過程系統化，如何處理結果，以及如何確定下一步。

• 詳細說明識別CTE的系統方法

• 制作一個可定制的TRA模板，包括對可信度和客觀性至關重要的特征

• 確定支持技術成熟和TRL評估的RY能力

• 將技術要素納入建模、模擬和分析（MS&A）的方法。

• 確定數據工件和儲存庫，以證明所分配的TRL。

自拿破侖于 1805 年建立軍團以來，世界各地的軍隊都在尋求提高組織的同步性和整合性。從這個角度來看，融合也不例外。然而，在戰場上實現這一目標取決于開發一個知情、協作和有目的的聯合部隊 C2 系統。為開發具有這些特征的 C2 系統設定條件，首先要重新構想聯合部隊的組織、訓練方式以及領導者培養方式。通過這些努力，聯合部隊可以實現全域的統一努力——通過一個知情、協作和有目的的 C2 系統實現——這將使其能夠在當今和未來的復雜作戰環境中有效地競爭、威懾和取勝。

引言

在這個大國競爭的時代，美國的對手尋求在低于戰爭門檻的情況下實現其目的。然而，如果與近鄰對手的武裝沖突確實發生，他們將尋求在所有領域--陸地、海洋、空中、太空和網絡空間--以及作戰環境（OE）的電磁頻譜（EMS）中對聯合部隊的行動提出競爭，以創造條件實現既成的攻擊。一個有爭議的作戰環境將包括多個對峙層，由許多敵方的反介入和區域拒止（A2/AD）能力來實現。這些旨在造成不可接受的損失的能力，也將尋求在 "時間、空間和功能上分離聯合部隊的要素"，從而防止統一的努力，并迫使其能力的偶發承諾。

為了克服這些挑戰，聯合部隊正在發展 "聯合全域作戰"（JADO）的聯合作戰概念，該概念旨在通過整合各軍種及其任務伙伴的能力，在決定性的空間內迅速運用動能和非動能效應。這些融合效應將穿透敵人的對峙層，并使他們的A2/AD能力失去整合，從而使聯合部隊得以利用（見圖1）。然而，實現融合需要有效的指揮和控制（C2），它跨越所有領域，并能夠獲得各軍種及其任務伙伴的統一努力。本研究探討了C2滿足這一要求所需的那些特征。

圖 1. MDO 解決方案。改編自美國陸軍訓練和條令司令部 (TRADOC)，TRADOC 小冊子 525-3-1，美國陸軍 2028 年多域作戰（弗吉尼亞州尤斯蒂斯堡：TRADOC，2018 年），26。

自2012年發表《聯合行動的頂點概念：2020年聯合部隊》（CCJO 2020）以來，聯合部隊已經逐步向JADO的概念過渡。雖然 "聯合 "的概念已經存在了幾十年，但美國防部（DoD）和各軍種只是在最近才將目光投向偶發的跨域同步和能力整合。自2012年以來，各軍種在與其他軍種不同程度的合作下，制定了通過跨域能力作戰的概念性作戰方法。然而，正如美國陸軍未來和概念中心前主任埃里克-韋斯利中將所說，"你就是不能讓不同的軍種擁有自己的MDO[多域作戰]概念并將它們聯合起來......這必須是一項自上而下的努力"。在這一點上，出現了一個不可分割的緊迫問題：如何有效地C2跨領域和跨梯隊的能力融合，以確保聯合部隊在有爭議的OE中的優勢。

方法論

盡管幾十年來，聯合部隊以服務為導向的C2方法成功地實現了能力的同步和整合，但為了實現跨域能力的融合，有必要采用涵蓋所有領域的聯合C2方法。這項研究評估了有效的聯合部隊C2的特點，這些特點能夠在JADO期間實現融合。這項評估首先回顧了導致JADO概念的概念性框架。然后概述了兩個歷史案例研究--1982年英國福克蘭群島戰役和1989年美軍執行的 "正義事業 "行動--其中C2有效地實現了跨領域和跨梯隊的能力運用。然后，本研究通過系統理論的視角來評估這些案例研究，以回答研究問題，并得出組織、培訓和領導者發展對聯合部隊的影響，因為它在JADO期間完善了其C2融合的能力。

本專著分析部分所采用的系統理論透鏡，采用了賈姆希德-加拉吉達吉（Jamshid Gharajedaghi）在其作品《系統思考》中概述的迭代調查過程。Gharajedaghi認為，當試圖理解一個系統內復雜的相互作用時，這個過程能夠實現 "令人滿意的整體視野"，就像那些在戰斗行動中實現C2的系統。這一理論的核心是，通過評估一個系統的結構、功能和過程以及它所處的環境，"對整體的理解是可能的"。每個案例研究以及文獻綜述中概述的信息都涵蓋了這些領域，為評估C2的特點提供了一個整體的視角。

由于持續的旅行和檔案訪問限制，本專著中進行充分評估所需的研究主要來自于數字資源。然而，與陸軍未來司令部（AFC）和聯合武器理論局（CADD）的密切和日常協調促進了關于C2理論和未來操作概念的主要和次要來源研究。此外，聯合武器研究圖書館（CARL）提供了對執行這兩個案例研究至關重要的歷史學和理論研究的機會。為了集中研究，本研究通過定義一個研究問題來設定參數，以解決之前確定的問題。

研究問題

隨著聯合部隊為JADO開發支持性概念和系統，解決以下問題很重要。在穿透和瓦解對手的A2/AD陣列時，有效的C2有什么特點，能使多個領域和梯隊的能力融合在一起？正如每個軍種的未來作戰概念中所概述的那樣，目前的文獻從每個軍種的角度提供了一個基礎性的理解，但對過去跨域作戰的C2的歷史分析對此進行了補充。這一歷史分析通過兩個互補的案例研究進行，將回答以下的附屬問題。在滲透和瓦解敵人的A2/AD陣列過程中，歷史上有哪些C2特征促成或阻礙了跨領域和跨梯隊能力的同步和整合？該研究通過回答這些問題，解決了當前文獻中關于有效C2的哪些特征能夠在JADO期間實現融合的空白。然而，在繼續研究之前，重要的是要解決在文獻回顧中詳細討論的術語的定義，這對本研究至關重要。

范圍和限制

本專著的范圍涵蓋了JADO概念組成部分的背景發展，同時特別關注C2的那些特征，這些特征將有效地實現對敵人A2/AD陣列的融合。本專論的發展有兩個重要的限制--時間和分類。由于完成的學術時間要求，本研究的研究只延伸到2020年10月底。第二個限制是一些文件的分類，如《國防戰略》（NDS）和《CCJO 2020》，這使得我們無法進行全面的文獻審查，而只能依靠未分類的總結。此外，由于聯合參謀部和各軍種仍在開發JADO概念的許多方面，對一些概念材料的發布有限制，這限制或阻止了本專著對其的引用。

網絡物理系統（CPS）由相互作用的計算和物理組件組成。該項目旨在開發創新的驗證技術以保證網絡物理系統的安全行為。混合系統[5]是一個富有表現力的數學模型，有助于描述涉及連續和離散狀態及其演變的復雜動態過程，這使得它們特別適合于為CPS建模。在這個項目中，我們專注于開發混合系統可達性分析的新技術，即自動探索給定動態系統的狀態空間并計算系統軌跡的包絡，給定其不確定參數的邊界的技術。為了減輕系統的復雜性，我們的目標是發展組合方法，即把系統分析分解為各部分的分析方法。考慮到這一總體目標，我們在這個項目中的活動可以大致分為以下幾個研究方向：

以線性微分方程為特征的系統的可達性方法。雖然現代線性代數軟件包對數萬維的矩陣是有效的，但基于集合的圖像計算卻僅限于幾百維。在[9]中，我們提出了分解到達集的計算，使集的操作在低維度上進行，而像指數化這樣的矩陣操作則在全維度上進行。我們的方法適用于密集型和離散型的設置。對于一組標準的基準，它顯示出與各自的最先進的工具相比，速度提高了兩個數量級，而在精度上只有少量的損失。對于密集時間的情況，我們展示了一個超過10,000個變量的實驗，大約比以前的方法高兩個數量級。這些算法為JuliaReach[10]奠定了基礎，JuliaReach是一個用于基于集合的動態系統可達性分析的工具箱。JuliaReach由兩個主要包組成。Reachability，包含連續和混合系統的可達性算法的實現，以及LazySets，一個獨立的庫，實現最先進的凸集計算算法。該庫同時提供了具體的和懶惰的集合表示，后者代表了將集合計算延遲到需要時才進行的能力。我們擴展了[8]中的這些結果，增加了對任意大小分區和任意低維集合表示的支持。在一個相關的工作中[11]，我們沿著復雜度的不同維度擴展了這些結果，即提出了一種有效處理混合系統離散轉換的組合方式。

偽造方法。混合系統的證偽是與驗證相對應的，目的是找到違反給定安全屬性的軌跡。這是一個具有挑戰性的問題，目前偽造算法的實際適用性仍然受制于其高時間復雜性。在[13]中，我們試圖利用我們已經開發的可達性算法的力量來提高偽造技術的可擴展性。特別是，我們從現有的偽造問題的編碼作為一個非線性優化問題開始[25]，并提出了一個擴展，通過增加用可達性算法獲得的線性狀態約束來減少優化問題的搜索空間。我們在一些標準的混合系統基準上展示了我們方法的效率，證明了在速度和可偽造實例數量上的性能提升。在[12]中，我們通過將非線性優化問題分解為兩個更簡單的優化問題，并以交替的方式解決它們來增強這種算法。

并行方法。如上所述，可達性分析技術是目前驗證網絡物理系統安全屬性的最先進技術的核心。在這個主旨中，我們研究了如何利用現代CPU中強大的并行多核架構來擴展此類技術。在文獻[18]中，我們首次提出了一套并行狀態空間探索算法，利用多核CPU，能夠對CPS的線性連續和混合自動機模型進行可達性分析，從而解決了這一限制。為了證明在多核處理器上實現的性能加速，我們在幾個基準上對所提出的并行算法進行了實證評估，比較其關鍵性能指標。

庫普曼算子理論。非線性動力系統的可達性分析是一項具有挑戰性和計算成本的任務。同時，如上所述，計算線性系統的可達狀態，通常可以在高維度上有效地完成。在[6]中，我們探討了利用這兩類系統之間的聯系的驗證方法，該方法基于Koopman算子的概念[23]。Koopman算子將非線性系統的行為與嵌入高維空間的線性系統聯系在一起，并增加了一組所謂的可觀察變量。盡管新的動態系統有線性微分方程，但初始狀態集是用非線性約束條件定義的。由于這個原因，現有的線性系統可達性方法不能直接使用。我們提出了第一個可達性算法，以處理這種未曾探索過的可達性問題的類型。我們的評估考察了幾種優化方法，并表明所提出的工作流程是驗證非線性系統行為的一個很有前途的途徑。

可達性分析的混合方法。這些方法[7]通過用較簡單的動力學（如常數或仿生動力學）來近似非線性動力學。這一步使我們有可能利用現有的線性動力學混合系統的算法的力量。在[20]中，我們提出了基于動力學比例模型轉換的混合方法的改進。該轉換旨在減少線性化域的大小，從而減少超近似誤差。我們在一些非線性基準實例上展示了我們方法的效率。

在線驗證。在這個研究方向中，我們的目標是將可達性分析應用于在線環境中。換句話說，我們考慮的環境是，可達性分析所提供的信息被實時用于指導自主系統的控制算法。這反過來又對可達性分析的性能效率提出了特別嚴格的時間限制。在[14]中，我們提出了一種方法，利用深度神經網絡在有限的時間內對可達集進行保守的近似。我們提供了基于統計模型檢查方法的概率性保證。該方法被評估為自主車輛在模擬環境中幾個動作的彈性安全架構的一部分。我們的評估表明，可達性分析可以在幾分之一秒內完成，并且比傳統的非線性可達性工具要好兩個數量級。我們還提出了另一種方法[1]，通過將障礙證書[22]的計算泛化到動態變化的初始條件，以及在運行時使用生成的安全集來對抗先前未知的、可能與時間有關的不安全集，從而有效地進行實時可達性分析。這些方法得到了[15]的補充，在那里我們探討了如何將可達性分析作為模型預測控制[17]的一部分來支持動態避障。

通過驗證進行規劃。在我們的早期工作[16]中，我們通過提供從PDDL+（一種描述規劃領域的形式主義）到混合系統的轉換方案，在彌合混合自動機的規劃和驗證領域之間的差距方面邁出了第一步。這使得模型檢驗工具能夠在混合規劃領域得到應用。通過這種方式，我們可以解決最先進規劃器范圍之外的PDDL+領域。在這個項目中，我們將[19]中的這些想法改編為時態規劃，并將我們的方法納入到細化循環中。我們還提出了一個基于抽象的放松[21]，用于推理線性數字規劃問題。

混合系統的Event-B。在這個研究方向上，我們考慮了Event-B[2]和混合系統之間的協同作用。我們在這一領域的成果包括開發了一個通用的混合鐵路信號系統模型[3]，該模型可以進一步完善，以捕捉特定的鐵路信號系統。另外，在[4]中，我們提出了一種網絡物理系統的多元開發方法，該方法建立在基于細化和證明的建模語言Event-B及其對混合系統建模的擴展。為了提高該方法中所產生的Event-B模型的低演繹驗證自動化程度，這項工作描述了一種在證明過程中整合可達性分析的新方法。此外，為了提供更全面的網絡物理系統開發和基于仿真的驗證，我們描述了將網絡物理系統Event-B模型轉化為Simulink的機制。

隨機常微分方程（RODEs）。顧名思義，這些是在其向量場函數中包含隨機過程的常微分方程（ODEs）。它們已經在廣泛的應用中使用了很多年，但一直是隨機微分方程（SDEs）的影子存在，盡管能夠對更廣泛的、通常在物理上更充分的干擾進行建模。在[24]中，我們研究了包含維納過程的RODEs在有限時間跨度和無限時間跨度上的安全驗證問題。更詳細地說，我們研究了p-安全問題，其中我們確定了滿足安全規范的概率至少為p的初始狀態集。基于確定概率測量大于p的樣本路徑集，我們提出了一種將ODEs的隨機可達性減少為對抗性可達性的方法，以解決有限時間范圍內的p-安全問題。這種方法允許將擾動的ODEs的可達性計算方法有效地提升到RODEs。在這個方法中，有限時間范圍內的p-安全問題被簡化為具有時間變化的擾動輸入的ODEs的內部逼近魯棒的后向可達集問題。然后，我們將該方法擴展到無限時間跨度的p-安全問題。最后，我們在幾個例子上演示了我們的方法。

美國陸軍作戰能力發展指揮部分析中心創建了一種算法，用于估計定位、導航和授時（PNT）傳感器和系統的目標位置誤差。即使系統用來尋找感興趣目標的確切算法是專有的或未知的，該算法也可以使用。該程序具有高度的模塊化和可擴展性；因此，相對來說，添加各種不同的PNT傳感器、系統和目標是很容易的。然而，目前僅有的傳感器是使用到達時間差、到達頻率差和/或到達角度的信號智能系統，以及可能有激光測距儀和測量校準源輻射的光子計數探測器的電子光學/紅外（EO/IR）系統。

美國防部有各種傳感器，作戰人員可以用它們來尋找位置。一些傳感器可以讓作戰人員找到潛在的威脅。如果作戰人員目前不能使用GPS，他們可能需要使用傳感器來確定自己的位置。傳感器可以單獨使用，也可以在更復雜的情況下連接在一起，以估計一個感興趣的物體的位置。為了確保美國陸軍為作戰人員配備能夠執行任務的傳感器，建立一個能夠估計這些位置傳感器在任何情況下的性能的模型至關重要。

美國陸軍作戰能力發展司令部（DEVCOM）分析中心需要一種算法來估計正在進行定位、導航和授時（PNT）計算的各種傳感器和系統的性能。DEVCOM分析中心（DAC）開發了多用途通用簡化TLE計算器（MUSTC）模型，該模型可用于查找各種傳感器的目標位置誤差（TLE），進而用于定位各種物體。

MUSTC算法并不要求用戶了解系統如何使用傳感器的測量結果來確定位置。在MUSTC軟件中添加一個新的傳感器類型所需要的只是一個模型，該模型可以估計傳感器測量的原始值，作為傳感器和目標參數以及它們的位置的函數。

為了使算法能夠確定TLE，算法需要知道所有參考傳感器和目標在場景中的位置、可能影響位置測量的變量和這些變量的不確定性，以及用戶希望為感興趣的項目計算TLE值的空間位置。然后，該算法將假定感興趣的物品在名義上位于用戶想要估計TLE的位置。一旦知道了位置，軟件就可以使用測量模型來確定傳感器將為該場景測量什么。然后，該軟件可以使用這些測量結果，以及優化算法，來確定感興趣的項目在空間指定點的TLE。

該算法的主要優點是，它可以擴展到確定來自不同傳感器類型的測量的各種不確定性如何影響總TLE，或找到感興趣的項目的位置的不確定性。

該算法的主要缺點是，由于反復調用實現優化算法的函數來計算TLE，所以計算有時會很耗時。程序可以使用許多優化算法，有些算法比其他算法快。即使程序使用一個相對較快的優化算法，如果優化算法被調用足夠多的次數，計算時間仍然會增加。DAC努力減輕這一缺點，找到了可用的最快的優化算法，但仍能產生正確的答案，將程序寫成多線程應用程序，以便利用大多數現代計算機處理器的多個核心，并試圖在最終結果的準確性和必須調用優化算法的次數之間找到最佳平衡。

浮動航天器模擬器（FSS）是模仿衛星在空間運動的機器人載體。使用FSS可以在地球上對制導、導航和控制算法進行實驗驗證，然后再將其應用于空間，因為空間的錯誤是災難性的。此外，FSS是空間系統工程課程中大學生的一個重要研究和教育工具。然而，目前使用的所有FSS都是定制開發和昂貴的項目。本論文涵蓋了用于教學和研究目的的新型浮動航天器模擬器的開發、組裝和測試過程，該模擬器被命名為MyDAS，代表微型動態自主航天器模擬器。通過介紹MyDAS，一個小型的、簡單的和低成本的FSS，使FSS在大學和中學階段的研究和教育中得到更廣泛的利用。討論了MyDAS的不同推進配置及其相應的運動方程。對于一個特定的配置，選擇并測試了現成的氣動和電子組件。一個模塊化和標準化的3D打印框架將所有部件固定在一起，形成一個最終的剛性載體。最后，MyDAS在各種實驗中被測試，完成了全部的硬件功能。

1 引言

本論文進行小型化和簡化的浮動航天器模擬器（FSS）工作。本章簡要介紹了這項工作的動機和目標，以及本論文的結構。

1.1 動機

未來空間任務中的航天器需要靈活、自主的制導、導航和控制（GNC）算法，如對接、接近或清除碎片的操縱[1], [2], [3]。用硬件在回路中驗證GNC算法的一種方法是使用FSS，而無需將測試對象送入太空。盡管不向太空發射任何東西而大大降低了成本，但目前的FSS仍然需要大量的經濟和費時的工作來建造和操作，這只有專門的機構或公司才可能做到。除此之外，目前的FSS都是獨特的設計，沒有標準化。引入一種新的、負擔得起的、小而簡單的FSS可以使本科生甚至高中生以及業余用戶能夠使用FSS工作。提供這種機會可以增加為未來空間任務創造更好的GNC算法的成功機會。

1.2 目標

先前工作提出了一個更便宜、更小、更簡單的FSS的概念[4]，稱為MyDAS，代表微型動態自主航天器模擬器。提出了初步的計算機輔助設計（CAD）模型、材料清單、氣動圖、接線圖、兩種浮動配置和三種推進配置。本論文的目的是建立一個MyDAS的物理工作實例。為此，所有定制設計的部件應與購買的現成部件一起制造和組裝。所有的功能部件應先單獨測試，然后再組合。最終的裝置必須能夠使用壓縮空氣供應漂浮和推動自己。如果可能的話，在不使用推進系統的空氣的情況下，漂浮時間應超過5分鐘。此外，推進系統必須由機載計算機和機載電池控制。該裝置的硬件和軟件應是開源的，以使其可重復使用。作為其中的一部分，將提出一個成本估算。在未來的工作中，希望MyDAS能被積極用于驗證和改進GNC算法。

1.3 結構

如上所述，本論文是基于以前的工作，其中介紹了關于FSS的理論基礎和技術現狀[4]。理論基礎和技術現狀同樣適用于本論文，這就是為什么它們在本文件中沒有明確重復。在第2章運動方程中，以前工作中的簡化運動方程被指定用于其中一個推進配置。第3章氣動系統討論了MyDAS的氣動系統。第4章電子學中解釋了MyDAS的電路以及所有的電子元件。第5章框架設計的主要內容是構建和制造一個定制的、3D打印的框架，該框架將所有的部件固定在一起。第6章設置和測試描述了在組裝MyDAS的過程中對單個和組合部件的若干測試。在第7章實驗中，全功能的FSS被用在一個花崗巖試驗臺上，以證明其功能，以及描述某些推進方面的特征。最后一章的結論是對工作的總結以及對未來工作的建議。復制MyDAS的基本信息，如技術圖紙、材料清單和Python列表，可以在附錄中找到。此外，該代碼與CAD文件和更多不能打印在紙上的數據一起在網上提供。