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

利用無人地面飛行器（UGV）進行自主導航和未知環境探索極具挑戰性。本報告研究了一種利用小尺寸、低重量、低功耗和低成本有效載荷的測繪和探索解決方案。本文介紹的平臺利用同步定位和繪圖功能，通過尋找可導航路線來有效探索未知區域。該解決方案利用多種傳感器有效載荷，包括輪子編碼器、三維激光雷達、紅-綠-藍相機和深度相機。這項工作的主要目標是利用 UGV 的路徑規劃和導航功能進行測繪和探索，從而生成精確的 3D 地圖。所提供的解決方案還利用了機器人操作系統。

本文探索了既能提供全覆蓋路徑規劃，又能避開負面障礙物的方法。這些方法專門針對無人地面車輛（UGV），因為它們需要不斷與可穿越的地面進行交互。在仿真中測試了多種潛在解決方案，并在本文中介紹了測試結果。對全覆蓋路徑規劃器（FCPP）方法進行了評估，主要是看它們是否能將路徑離散化，是否能有效地使用航點，以及是否能與當前的機器人平臺輕松集成。對于負障礙物，探索了能與當前導航堆棧集成的方法。首選解決方案將允許遠程操作、航路點導航和完全自主，同時避開正面和負面障礙物。

2021 年 9 月，在 2022 年陸軍機動支援和維持能力發展集成局主辦的機動支援、維持和保護集成實驗（MSSPIX）中展示了機器人平臺。在為期三天的時間里，三名士兵接受了使用機器人平臺的培訓。士兵們學會了使用手動導航、半自動航點導航和自主探索來繪制隧道和建筑物內部地圖。該團隊成功展示了一種平臺無關的無人地面運載工具（UGV）邊緣計算（利用機載硬件做出毫秒級低延遲決策）和傳感器有效載荷，用于勘測和繪制內部結構（包括地下環境）。具體來說，UGV 能夠在士兵不進入潛在危險環境的情況下實現三種操作模式：遠程操作、航點導航或自主繪圖。根據這些經驗和士兵的反饋，團隊確定了導航需要改進的兩個方面。

起初，假定在電池容量有限（約 3 小時）的情況下，自主導航的主要目標是在最短時間內覆蓋盡可能多的地面。因此，采用了基于前沿探索的方法。在這里，前沿被定義為機器人已經探索過的區域和尚未探索的區域之間的邊界。優先考慮數學上最大的邊界。在這種情況下，可以在相對較短的時間內提供一棟建筑的整體平面圖，但較小的房間則無法徹底探索。因此，如果行動概念（CONOP）也涉及到識別感興趣的對象，那么這種方法就有可能錯過感興趣的對象，尤其是如果該對象位于較小的房間中。因此，團隊研究了可用于徹底探索房間的全覆蓋路徑規劃器 (FCPP)。本報告的一個方面就是討論如何使用全覆蓋規劃器。

MSSPIX 22 演示中出現的另一個問題是負面障礙物。雖然機器人能夠很好地識別和避開正面障礙物，但負面障礙物，如下樓梯或地板上的洞，卻超出了機器人的初始能力。由于在演示之前已經知道了這些負面障礙物，因此能夠使用虛擬障礙物來阻止機器人探索這些區域。然而，必須開發一種方法來處理負面障礙，尤其是在無法獲得事先知識的情況下。因此，本報告的第二個方面側重于識別負面障礙。

本報告涉及《陸軍多域情報》中確立的重點領域： 21-22 財年科技重點領域》（參謀部副參謀長辦公室，2020 年）中確定的重點領域。具體而言，認為這項工作涉及到 "戰爭將以超高速、超大規模進行，由機器人和自主系統（RAS）、機器學習（ML）和人工智能（AI）能力等技術主導，這些技術可廣泛獲取、打包并隨時投入使用"（5）。通過整合全覆蓋規劃和檢測負面障礙物的能力，實現了創建更高效自主系統的目標。

方法包括在模擬中運行全覆蓋規劃器和負障礙物檢測方法。為了測試這兩種方案，使用了 Clearpath Robotics（2021 年）公司的 "障礙世界"。障礙世界是一個虛擬定義的室內世界，可作為全覆蓋規劃器的封閉區域，而非平面地板則可用于負障礙物檢測的模擬測試。圖 1 顯示了模擬環境中的世界。整個世界中出現的負障礙物都被標注出來。用于加載虛擬環境和機器人的完整啟動文件可在 0 部分附錄 A 中找到。啟動文件中包含的幾個參數可用于調整環境，包括機器人的起始位置和世界比例。為了啟動世界，使用了以下節點： 在這里，節點被定義為執行計算的進程。

目標是利用全覆蓋規劃器徹底探索每個房間，同時利用負障礙物檢測節點防止機器人被卡住。全覆蓋規劃器需要一個占用網格來規劃路徑。圖 2 顯示了用于路徑規劃的占用網格。由于占用網格通常是三元網格，空間通常被標記為占用（黑色）、空閑（白色）和未知（灰色）。因此，負障礙物無法識別，規劃的路徑將穿越非平面樓層幾何體。負障礙物的大小與車輪直徑大致相同，這意味著如果機器人掉入負障礙物中，將不太可能逃脫，從而無法完成任務。

本文通過機器學習方法提出了一種雷達任務選擇的主動方法，并將其設計在雷達調度流程之前，以提高雷達資源管理過程中的性能和效率。該方法由兩個過程組成：任務選擇過程和任務調度過程，其中任務選擇過程利用強化學習能力來探索和確定每個雷達任務的隱藏重要性。在雷達任務不堪重負的情況下（即雷達調度器超負荷工作），將主動選擇重要性較高的任務，直到任務執行的時間窗口被占滿，剩余的任務將被放棄。這樣就能保證保留潛在的最重要任務，從而有效減少后續調度過程中的總時間消耗，同時使任務調度的全局成本最小化。本文對所提出的方法進行了數值評估，并將任務丟棄率和調度成本分別與單獨使用最早開始時間（EST）、最早截止時間（ED）和隨機偏移開始時間EST（RSST-EST）調度算法進行了比較。結果表明，與EST、ED和RSST-EST相比，本科學報告中提出的方法分別將任務丟棄率降低了7.9%、6.9%和4.2%，還將調度成本降低了7.8倍（EST為7.8倍）、7.5倍（ED為7.5倍）和2.6倍（RSST-EST為2.6倍）。使用我們的計算環境，即使在超負荷的情況下，擬議方法所消耗的時間也小于 25 毫秒。因此，它被認為是提高雷達資源管理性能的一種高效實用的解決方案。

雷達資源管理（RRM）對于優化作為飛機、艦船和陸地平臺主要傳感器的現代相控陣雷達的性能至關重要。報告》討論了雷達資源管理，包括任務選擇和任務調度。該課題對國防科技（S&T）非常重要，因為它與現代相控陣雷達的大多數應用相關。它對當前的海軍雷達項目尤為重要，該項目探索了雷達波束控制的人工智能（AI）/機器學習（ML）方法。所提出的算法有可能升級未來的艦船雷達，從而做出更好的決策并提高性能。

本文介紹了一種正在開發的方法，利用機器學習技術對大型 X 射線圖像數據集進行異常和/或缺陷檢測分析。異常和/或缺陷的特征可通過圖像分類（監督學習--卷積神經網絡）或異常檢測（非監督學習--自動編碼器）模型的性能精度來確定。每種學習技術都有獨特的超參數和設計架構，以幫助創建穩健的模型，針對不同方向、亮度和對比度的 X 射線圖像進行預測。這種方法是對傳統的高能材料/組件特性測試套件的有力補充，特別是在熔融澆注爆炸物、與性能相關的設計意圖、安全性和/或與性能相關的缺陷檢測方面。對于安全或性能相關的缺陷檢測，該方法可在開發新的次規模測試和基于物理的模型時將缺陷作為反饋回路，以更好地了解和預測高能失效模式，這是美國陸軍DEVCOM 軍備中心正在開發的一種能力，稱為高能缺陷表征（EDC）。

圖5:彈藥異常

引言

目前和未來對火炮彈藥的能量要求都超過了傳統的火炮和炮管設計以及飛行環境。這意味著今天的非關鍵缺陷在未來可能會成為嚴重缺陷。有缺陷的火炮已造成火炮發射時的災難性故障、人員傷亡和平臺損壞（Ismay; Kumar; Singh）。預防和減少這些潛在的重大缺陷是美國陸軍的首要任務。雖然目前已有檢測缺陷的流程，但這些方法耗時長、成本高，而且已經過時。現在是建立未來檢測方法的時候了。考慮到這項任務的影響，美國陸軍作戰能力發展司令部-軍備中心正在努力開發和演示現代缺陷檢測能力。

能力開發工作--高能缺陷表征（CDE - EDC）是由位于皮卡廷尼兵工廠的美國陸軍作戰能力開發司令部軍備中心資助的一項新的能力開發計劃。該項目旨在開發實驗和計算能力，對有缺陷的能量學進行評估和預測，特別是針對增強型彈藥（LRPF）。除了設在皮卡廷尼兵工廠的工作組外，還與北約工作組和技術合作計劃（TTCP）開展了國際合作。此外，分析人員還與西點軍校的學員開展合作。CDE - EDC 由三個核心分組組成： 實驗分組、數據分析分組和計算分組均設在發展司令部--航空航天中心（DEVCOM-AC）。三個分組之間的關系見圖 1。本報告重點介紹數據分析分組完成的工作。憑借這三個分組的綜合技術專長，DEVCOM-AC 正努力為缺陷檢測、表征和緩解提供最新的能力和指導。

實驗測試分組隸屬于高能物理、彈頭和制造技術局，其任務是確定和量化可能導致缺陷高能物理意外點火的基本物理和化學機制。為收集這些數據，該分組正在完成各種物理測試。這項任務的一部分包括改進物理測試的現實缺陷復制。

數據分析分組隸屬于系統分析部，其任務是利用機器學習來標記和描述異常和缺陷檢測圖像。通過使用這些模型獲得的知識將有助于實驗分組和計算分組完成其任務。

計算分組隸屬于能量學、彈頭和制造技術局，其任務是對能量學缺陷進行建模，以評估是否可能過早點火。該分組模擬給定能量參數的火炮發射，以確定缺陷的影響。該分組使用 Abaqus 和 STAR-CCM+ 等模型。計算分組將模型輸出與實驗分組的物理測試輸出進行比較。因此，它在很大程度上依賴于實驗分組，反之亦然。

這項工作的成果將是一個獨立預測工具，可供檢查人造彈藥的放射線研究者使用。本報告將重點介紹機器學習部分。

建模

模型構建工作流程將由三部分組成，如圖 13 所示。每一層都像一個漏斗，將有缺陷和無缺陷的圖像分開。

目前的自動空中加油（AAR）工作利用機器視覺算法來估計接收飛機的姿勢。然而，這些算法取決于幾個條件，如精確的三維飛機模型的可用性；在沒有事先給出高質量信息的情況下，管道的準確性明顯下降。本文提出了一個深度學習架構，該架構基于立體圖像來估計物體的三維位置。研究了使用機器學習技術和神經網絡來直接回歸接收飛機的三維位置。提出了一個新的位置估計框架，該框架基于兩個立體圖像之間的差異，而不依賴于立體塊匹配算法。分析了其預測的速度和準確性，并證明了該架構在緩解各種視覺遮擋方面的有效性。

圖3：利用的坐標系統。紅軸代表X軸，綠軸代表Y軸，藍軸代表Z軸。所有顯示的箭頭表示該軸上的正方向。

本報告記錄了通過利用深度學習（DL）和模糊邏輯在空間和光譜領域之間整合信息，來加強多模態傳感器融合的研究成果。總的來說，這種方法通過融合不同的傳感器數據豐富了信息獲取，這對情報收集、數據傳輸和遙感信息的可視化產生了積極的影響。總體方法是利用最先進的數據融合數據集，為并發的多模態傳感器數據實施DL架構，然后通過整合模糊邏輯和模糊聚合來擴展這些DL能力，以擴大可攝入信息的范圍。這項研究取得的幾項進展包括：

• 將DL模型實施到片上系統（SoC）硬件中
• 高光譜圖像（HSI）數據的DL
  • 1.在HSI上建立DL，以獲得水的特性和底層深度
  • 2.在HSI上使用開放集識別方法
• 框架內融合方法的消融研究
• 使用DL和模糊聚合的HSI和LiDAR多模態傳感器融合的新框架
• 探討神經模糊邏輯在遙感數據中復雜場景的不確定性下自動推理的作用和實用性

出版物[1, 2, 3, 4, 5]進一步詳細介紹了取得的進展。

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。

低成本的物聯網（IoT）分布式電力監測可以對電網的穩定性、可靠性和復原力產生有利影響。然而，隨著物聯網設備的發展速度，需要一個外部的物理校準設備，以確保性能在更新期間不受不利影響。本報告介紹了一種小尺寸、低重量、低功率和成本（SWaP-C）的校準設備，可用于生成一系列測試波形，并確保電壓和電流感應電能表的正常運行。該校準裝置足夠小，可用于現場測試和現場調試的便攜式。此外，該校準器既能取電，又能通過USB進行串行通信，允許被測物聯網設備托管它，并根據需要循環使用校準波形。

這些校準序列包括測試電力系統波形的：

• 基波和諧波。
• 振幅。
• 非標定頻率。
• 總諧波失真，以及
• 分相和三相虛擬負載。

該裝置是圍繞著一個低成本的基于ATmega32u4微控制器的開發板建立的，它在數字輸出引腳上產生一個脈沖寬度調制波形。這個數字輸出可以被低通濾波（LPFed）或直接傳遞給美國陸軍作戰能力發展司令部（DEVCOM）陸軍研究實驗室（ARL）自主實時電場和磁場綜合傳感器（ARTEMIS）單元，板載濾波將低通測試信號。測試音是用查找表（LUTs）產生的，它提供了一個容易實現的波形，但不能產生一個任意的音。本系統包括的波形是針對60-Hz電力系統的，但也可以擴展到其他電網頻率。

一般來說，這些功能和它們所描述的測試用例由以下內容給出：

• 功能0 - 創建測試音。
  • 校準頻率和振幅以生成LUT
• 功能1--恒定振幅，模式改變頻率。
  • 測試產生的是均方根值
  • 測試響應對頻率是平坦的
  • 測試是否有通道變化
• 功能2 - 測試振幅。
  • 測試解調信號的線性度
• 功能3--測試頻率。
  • 測試非標準頻率的性能
• 功能4 - 測試總諧波失真基數（THDF）。
  • 測試THDF是由偶數諧波計算出來的。
  • 測試THDF是用奇數諧波計算的
  • 測試使用偶數和奇數諧波正確計算THDF。