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

可重構智能表面（RIS）是一種前景廣闊的技術，通過在創建智能無線信道時引入前所未有的靈活性和適應性，有可能徹底改變無線系統。最近關于集成傳感與通信（ISAC）系統的研究表明，RIS 平臺可提高信號質量、覆蓋范圍和鏈路容量。在本文中，我們探討了全連接對角線外 RIS（BD-RIS）在 ISAC 系統中的應用。BD-RIS 允許散射矩陣的非零對角元素，從而引入了額外的自由度，有可能實現進一步的功能和性能提升。特別是，考慮的聯合設計目標是，通過利用 BD-RIS 設置中提供的額外自由度，最大化雷達接收器和通信用戶的信噪比（SNR）加權和。通過對此類系統的已知變量和輔助變量（潛變量）進行交替優化，這些自由度得以釋放。我們的數值結果揭示了在 ISAC 背景下部署 BD-RIS 的優勢，以及所提算法的有效性，即雷達和通信用戶的信噪比值都提高了幾個數量級。

圖 1. 啟用 BD-RIS 的 ISAC 系統示意圖。當 LoS 受阻時，通過 BD-RIS 的 NLoS 路徑可在目標/用戶與 DFBS 之間建立鏈接。

無人機技術的最新發展導致了無人駕駛飛行器（UAV）的廣泛使用。特別是，無人飛行器經常用于偵察，以探測大面積區域內的失蹤人員等物體。然而，傳統系統僅使用一架無人飛行器在大面積區域內搜尋失蹤人員。此外，由于探測需要較高的計算能力，因此需要在飛行后或手動進行物體探測。本文提出了一種使用多架無人機的無人機偵察系統。所提議的多無人機偵察系統在每個無人機上執行實時目標檢測。地面控制系統（GCS）接收每架無人機的實時目標檢測結果，并對圖像進行拼接。為了實現單個無人機的實時目標檢測，YOLOv5 模型采用了濾波器剪枝方法，與現有的基線模型相比，該模型使用的參數減少了 40%。輕量級 YOLOv5 模型在使用任務計算機的 Jetson Xaiver NX 上實現了約 11.73 FPS 的速度。此外，所提出的圖像拼接方法可利用無人機生成的附加信息有效匹配特征，從而實現圖像拼接。無人機飛行測試表明，擬議的偵察系統可以在大面積區域內實時監控和檢測目標。

隨著近年來無人機技術的發展，無人機現已被廣泛應用于各種領域，例如人類難以直接搜索和分析的大型危險區域的偵察系統。人工智能的進步極大地提高了物體探測技術，可以發現人或汽車。然而，由于大多數任務都是由單架無人機執行，因此作業范圍和時間都受到限制。此外，由于無人駕駛飛行器（UAV）的性能限制，很難實時探測物體，因此無法立即做出反應。這些限制激發了對使用多架無人機進行蜂群飛行的研究，通過劃分大面積區域來執行任務，并通過為無人機分配不同的任務來實現合作。

蜂群偵察系統需要一個能同時控制和管理多架無人機的蜂群操作系統。在該系統的基礎上，還需要一種圖像拼接算法，將無人機接收到的圖像進行同步處理，并合并成一張匹配的圖像。整合后的圖像可幫助用戶有效了解整體情況并做出決策。然后，需要一種實時物體檢測算法來檢測失蹤人員或入侵者。在物體檢測方面，已經使用了深度學習算法。然而，由于其計算成本較高，處理過程需要在無人機外部進行或作為后處理。

本文提出了一種基于數據分布服務的蜂群偵察無人機系統，如圖 1 所示，該系統使用安全的集成指令同時控制和操作多架無人機。所提出的系統接收來自每架無人機的獨立圖像，并對圖像進行拼接，同時實時檢測無人機內的物體。因此，地面控制系統（GCS）可實時提供全面的態勢感知。通過基于無人機獲取的拼接圖像的目標檢測測試，對所提出的系統進行了驗證。

本文的主要貢獻可歸納如下：

1. 提出了一種基于無人機圖像的實時目標檢測方法。以每秒處理 10 幀（fps）為目標，設計了一個擬議的蜂群偵察無人機系統，用于執行實時目標檢測。為了在無人機使用的 Jetson Xavier NX 系統中達到 10 幀/秒的要求，提出了針對輕量級網絡的濾波器剪枝方法，以實現物體檢測性能。

2. 為蜂群無人機系統提出了實時圖像拼接方法。提出的圖像拼接方法利用無人機產生的附加信息有效地匹配特征。

3. 對無人機進行飛行實驗，以驗證所提方法的可行性。

本文其余部分的結構如下。第二節介紹了無人機群系統和無人機圖像目標檢測的相關研究。第三節介紹了擬議的具有空中圖像拼接和實時目標檢測功能的蜂群偵察無人機系統的總體結構。第四節簡要介紹了實驗裝置和結果。第五節討論本文的結論。

薩姆雷（SAMURAI）多靜態 C 波段雷達系統最初是作為技術示范開發的，用于探測 5 千米范圍內的無人機。它由兩個使用數字波束成形天線的接收節點和一個相控陣發射節點組成，后者以快速掃描模式照射觀測區域。雷達信號以線性頻率調制（LFM）脈沖形式傳輸，因此隨后的脈沖壓縮可實現高分辨率的范圍掃描。在約 4°的相對較窄波束中，發射功率超過 100 W，因此靈敏度很高，這是成功探測雷達截面較小的物體所必需的。系統通常采用多靜態幾何結構，即節點分布在感興趣區域的周圍。多靜態系統的優點是冗余度高，可以避免多普勒為零的情況。此外，與傳統的單靜態雷達（信噪比以雷達距離的四次方遞減）相比，這種幾何形狀可使信噪比（SNR）在觀測區域內分布更均勻。雷達系統的多個接收節點與發射節點不在同一地點，必須精確對準和校準測距，以便單個目標在各個接收節點的探測結果相互重疊。幾何重疊是成功的軌跡融合算法的先決條件，該算法針對源自兩個目標生成器的模擬目標以及源自無人機和車輛的真實目標進行了演示。使用兩個非定位目標模擬器進行的幾何校準已證明可提供測距和方向校準所需的精度。該系統已被用于山區和城市環境中的無人機探測。利用真實無人機和由兩個多靜態目標生成器生成的模擬目標，對系統的探測能力進行了評估，并對已實施的軌跡生成進行了測試。從兩個接收節點生成的軌跡被實時融合為一個單一的軌跡，即使一個接收器上的軌跡生成中止，也能持續跟蹤無人機。

本研究項目提出了一種新穎的 "蜂群對蜂群"（swarm versus swarm）方法，利用相同或更多數量的協作式自主無人機，有效地抵御可能以蜂群形式進化的入侵無人機。蜂群中的每架無人機都與蜂群中的其他無人機協調，獨立執行行動，每次任務最多可對抗五架敵方無人機。我們的方法利用順序決策過程，將任務劃分為不同的階段--接近、跟蹤和中和--以盡量減少蜂群互動過程中的沖突，并加強自主操作過程中的控制。此外，我們還劃定了一個飛行保護區，嚴禁任何敵方無人機侵入，否則將視為任務失敗。為了確保在復雜環境中的安全導航，我們建議將防御蜂群的飛行限制在一個被稱為緩沖區的劃定空域內，緩沖區包括保護區。緩沖區內的任何入侵都會觸發我們系統的響應，進而使防御蜂群采取一系列協調行動，阻止敵方無人機進入保護區。我們采用多智能體深度強化學習框架，在模擬器上集中訓練，分散執行，在簡單的模擬環境中優化決策過程，然后在現實模擬器中進行測試，并部署真正的無人機進行實地操作。

我們的方法集成了優化的動態目標定位算法，可在每個時間步驟重新規劃最短路徑分配。分配完成后，在每個時間步長，蜂群中的每個智能體都會使用多智能體深度強化學習模型來接近和跟蹤目標。當一個智能體滿足開始中和階段的標準時，被選中的智能體的自主導航控制會切換到捕捉導航模式，而如果緩沖區內沒有其他威脅，蜂群的其他智能體則繼續跟蹤。此外，導航決策過程還與自適應防撞功能相結合，防撞功能取決于任務階段和預訓練人工智能導航模型的決策。防撞功能可降低與同一防御群的其他智能體、探測到的目標定位實體和其他探測到的物體（如鳥類）發生碰撞的風險。這確保了在復雜環境中的穩健導航和高效跟蹤。這些功能與傳感功能相協調，通過算法控制偏航和俯仰方向，以及嵌入在每架無人機上的萬向節安裝的 EO 傳感器的變焦。

在模擬中，從探測到中和，擬議的系統在保持安全導航的同時，通過切換算法的順序決策過程，展示了抵消小型蜂群的有效性能。在仿真過程中，防御型無人機利用網狀機制捕捉入侵者，并取得了很高的性能。此外，我們在野外部署了無人機，面對地面雷達探測到的敵方無人機進行實際飛行演示，并驗證了這一自主決策過程。我們的研究為推動基于蜂群的決策戰術的發展做出了貢獻，并為在北約范圍內的防御和軍事行動中使用協作蜂群開辟了新的途徑。

圖 2：在二維模擬器上，針對五架防御無人機（藍色）與一架目標無人機（紅色）的使用案例，經過 MARL 訓練的協作導航模型表現出不同的防御行為。在（a）中，無人機以凹形隊形接近目標定位。在某些情況下會產生一個線性障礙（ b）。捕捉目標的典型行為是包圍目標，如 (c) 所示。至少有一架無人機作為蜂群的后援也是常見現象（d）。

本研究提出了一個基于 MOOS-IvP 中間件的自主水下航行器控制算法構建框架。側掃聲納傳感器（SSS）通常用于生成聲納圖像，在圖像中可以識別類似地雷的物體。這里實施的基站社區可維護 SSS 的覆蓋置信度地圖，并為用戶提供二維和三維模擬以及實施高級控制方案的能力。開發可分三個階段進行： 1) 最簡配置，僅使用必要的應用程序來開發和測試外環控制；2) 包含模擬硬件的配置；3) 包含實際硬件的配置，該配置應從第 2 階段平滑、輕松地擴展而來。這樣做的好處是使用方便、開發速度更快、減少硬件測試和成本。

圖 1. 自動潛航器路徑及其側視聲納覆蓋的相應區域示例。

多智能體框架

在擬議的 MAS 框架中，每個 AUV 和基站分別有一個獨立的社區。每個群落上都運行著幾個應用程序，其中一些包含在 MOOS-IvP 發行版中，另一些則由作者自行開發。

在擬議框架中，有三種可能的配置：1) 加速開發高級控制和規劃策略的簡約配置；2) 在最底層用變量替代實際傳感器和執行器數據的模擬配置[12]；3) 實際硬件實施。

圖 6. 配置 1：2 個自動潛航器群落和 1 個基站群落，應用極少。

圖 8. 配置 2：硬件模擬包括所有傳感器和致動器應用。

本文提出了一種名為 "自適應蜂群智能體"（ASI）的新范例，在這種范例中，異構設備（或 "智能體"）參與協作 "蜂群 "計算，以實現穩健的自適應實時操作。自適應群集智能是受自然界某些系統的協作和分散行為啟發而產生的一種范式，可應用于物聯網、移動計算和分布式系統等領域的各種場景。例如，網絡安全、聯網/自動駕駛汽車和其他類型的無人駕駛車輛，如 "智能 "無人機群。這絕不是一份詳盡無遺的清單，但卻說明了可以從這一范例中獲益的眾多不同領域。本文介紹了在未來聯網/自動駕駛車輛中進行合作傳感器融合的具體人工智能案例研究，該案例構成了由 IBM 主導的 DARPA DSSoC 計劃下的 "認知異構系統的高效可編程性"（EPOCHS）項目的驅動應用。鑒于 EPOCHS 的規模，我們將重點關注項目的一個具體部分：用于多車輛傳感器融合的 EPOCHS 參考應用 (ERA)。我們展示了 x86 系統上的特性分析結果，從而得出了有關 ERA 性能特征和實時需求的初步結論。本文簡要介紹了 EPOCHS 的路線圖和未來工作。

圖 4：作為 DARPA 贊助的 EPOCHS 項目的一部分，互聯/自動駕駛車輛中基于蜂群的傳感器融合。

這項工作旨在利用無線音頻傳感器網絡為無人駕駛航空器系統（UAS）提出一種探測、識別和跟蹤解決方案。根據適用于無人機系統的技術趨勢（更小、更便宜、更合作），我們提出了一種采用與 "攻擊者 "相同技術方法的分布式監控解決方案。特別是，由于無人機會引起周圍聲學環境的變化，我們研究了音頻傳感器網絡的使用。更確切地說，我們采用了一種三階段算法來檢測監控環境中音頻能量的存在，識別特定的音頻特征，然后與多節點方法合作跟蹤無人機。通過實驗獲取的音頻信號，我們展示了所提方法的初步性能。我們還討論了改進實際實施的未來工作。

參考場景

微型和小型無人機（1 千歐元及以下）成本低，易于采購，使恐怖分子使用這種技術的障礙降至零。此外，開放源碼技術通常用于設計無人機系統的某些組件，這就為設計專用有效載荷的人填補了一個很小的知識空白。如此易于采購和個性化的飛行平臺最終可以接近合理的目標。根據這一趨勢，協調無人機中隊很快就會成為任何人都可以利用的資源。應對這種威脅的措施不可能是集中式的。目前，我們看到的非對稱解決方案適用于前沿作戰基地或安裝了大型無人機探測器的沙漠場景。然而，這種威脅在城市場景中可能無處不在，因此建議采用對稱的對策，即分布式、小型和廉價的對策。

特別是近年來無線傳感器網絡的不斷發展，以及節點的小型化和低成本化，可以為城市環境或復雜場景提供最合適的解決方案，因為在城市環境或復雜場景中，可能會有平民存在，而固定的軍事設施可能并不合適。

如圖 2-1 所示，這項工作將以大量廉價音頻傳感器為參考場景，每個傳感器都能夠識別無人機的音頻特征，并在發現匹配時，通過與其他節點協作定位惡意來源。研究的重點是在空曠場地場景中，利用音頻陣列檢測、識別和跟蹤單架無人機或小型無人機群，即可與單個大型單元同化。

方法

由于所提方法的目標具有三重性（即檢測、識別和跟蹤惡意無人機），因此我們的方法采用了三層算法疊加的方式。圖 3-1 給出了所追求的研究方法的總體描述。我們依靠獲取音頻信號來準確描述無人機系統的存在。第一層用于檢測無人機系統的存在。在這一階段，音頻傳感器從環境中采集少量樣本，例如每秒一次，以揭示從環境中感知到的音頻能量異常。

當這一層檢測到匹配時，第二層就會在短時間內（如約 240 毫秒[3]）通過連續采樣進行識別。識別階段的目標是區分異常聲音是否與飛越音頻傳感器網絡的無人機有關，并最終確定其類型。我們將研究兩種主要方法：一些作者在 [1] 中提出的方法和循環神經網絡 (RNN) [6]。第二識別層中的正匹配將啟用第三階段的跟蹤算法。在這一階段，發出警報的節點（在識別階段匹配成功的節點）會喚醒鄰居節點，以執行波束形成跟蹤。這是耗電量最大的階段，因為需要維護音頻傳感器網絡與其遠程控制中心之間的通信鏈路，以及音頻傳感器的連續采樣階段。

所采用的分層策略應能優化計算能力和電池需求。事實上，始終處于活動狀態的第一層執行的是低復雜度、低消耗的數學計算。另一方面，只有在出現異常音頻時，才會執行更強大的計算，即細粒度簽名識別和音頻跟蹤。

這項工作提出了一個在歐盟項目FOLDOUT中開發的融合和跟蹤系統，旨在通過融合不同的傳感器信息和提出對監視區域內檢測到的目標自動跟蹤來促進邊防工作。FOLDOUT的重點是歐盟內部和外部地區的穿透式樹葉檢測。融合多個傳感器信號可以提高檢測的有效性，特別是在森林和其他被樹葉遮擋的地區。我們使用加權地圖（也稱為熱圖）來結合多傳感器信息；對所產生的融合目標進行跟蹤；根據對融合檢測的時間關聯的成本計算來創建或更新跟蹤。我們比較了來自單個傳感器的跟蹤結果和來自融合目標的跟蹤結果，這些數據是在模擬邊界收集的，代表了保加利亞的實際歐盟邊界。結果表明，如果根據融合后的數據而不是單個傳感器的信息進行追蹤，追蹤效果會得到加強。

檢測與跟蹤方法

邊防軍的主要興趣是在全球地圖上對監視區域內檢測到的人員進行定位和跟蹤。為了實現這一目標，首先要將不同傳感器系統觀察到的單個人的探測結果進行融合。當檢測結果相互關聯并保持一致時，就可以在一個共同的地圖上對單獨的目標進行跟蹤。

圖2：指導動作（紅線），扮演一個非法越境的場景：1.一個人通過步行越過邊境。2.該人沿著邊境小路向大路走去。3.此人停下腳步，在路上停留很長時間（可能是在等待汽車中的走私者）。4.在某一時刻離開道路，躲進樹叢中。5. 在樹葉中，該人再次回到路上（可能再次尋找汽車）

A.單傳感器檢測

RGB和熱像儀中的人員檢測

基于深度學習的綜合物體檢測被應用于相機圖像上。深度學習方法已被證明優于以前的最先進的機器學習技術。深度神經網絡（DNNs）模仿了大腦感知和處理信息的方式。與以前的方法相比，DNNs學習了諸如人物檢測等任務所需的特征。近年來，DNN在物體檢測和分類任務上表現出突出的性能[9, 10]。在這項工作中，物體檢測是基于一個著名的DNN實現，即YOLO檢測器[11]。

PIR傳感器中的人員檢測

探測器經過調整，使被動紅外傳感器在PIR周圍7.5米的半徑內觸發人的存在。

B.異質傳感器融合

在這項工作中，我們使用加權地圖來提供傳感器數據的層次（也稱為HeatMaps），并以邏輯和數學的方式組合它們。它的動態是完全使用不同傳感器模式的傳感器檢測假設的事件驅動。這些傳感器假設包括位置（WGS84基準）、時間戳（Unix時間戳）和權重（例如，從傳感器檢測中獲取的信心）。為了實現這一點，有兩個組件是必不可少的：加權分布圖（HeatMaps）；線性意見庫。圖3顯示了這種方法的基本概念。

圖3：融合方法的基本概念（左），作為使用兩個加權分布圖（熱力圖）的例子。應用不同的衰減函數（右）來建立加權分布圖的時間動態行為。

加權分布圖(熱圖)

加權分布圖是我們數據融合方法的兩個基本組成部分中的第一個。加權地圖的基本思想是，保持和更新關于不同傳感器探測假設的時空信息。加權地圖來自于概率占用網格，但以加權的形式解釋傳入的數據。此外，還采用了時間上的衰減來模擬傳感器數據的及時行為。權重被存儲在一個可選擇分辨率的數組中，代表WGS84坐標中感興趣的矩形區域。圖3展示了用于模擬加權分布圖動態行為的可能衰減函數。

通常，加權分布圖對應于任何一種傳感器數據或傳感器模式（例如，從攝像機圖像中檢測人的邊界框）的時空。傳感器數據被攝取到一個專門的加權圖中，這導致加權圖的值根據傳入的傳感器假設的權重而增加（替換）。相對而言，衰減將及時應用到加權分布圖的值矩陣中。每次傳感器假設被攝入分布圖，它將通過重新計算加權分布圖的權重和衰減以前狀態的值來更新。

最后，線性意見庫允許我們結合多個加權分布圖，從而結合多傳感器模式，目的是減少傳感器系統的整體錯誤發現率。

線性意見庫(LOP)

我們融合方法的第二個重要組成部分是線性意見庫[8]。

每當一個加權分布圖的狀態由于新的傳感器檢測假設而被更新時，就會應用LOP。在評估了LOP之后，閾值處理使我們能夠產生警報。為了確定警報的位置，在組合值矩陣中超過閾值的區域使用分割算法（blob檢測）。這些警報是由多個傳感器假設產生的，用于為跟蹤提供必要的輸入數據，這將在下一節中描述。

C.多目標跟蹤

為了跟蹤越境進入禁區或敏感區域的入侵者的行動，我們開發了一種基于空間和時間上關聯目標檢測的成本計算的定制算法。該跟蹤系統的工作原理是完全基于目標的位置和時間戳建立一個模型。

在第一次檢測目標時，該模型以該檢測的位置和時間戳進行初始化。軌跡模型是用以下元組定義的：???? = (????,????,????)。

如果幾個目標檢測同時發生，那么創建的模型模板數量與同時收到的檢測數量相同。后續的檢測被添加到一個給定的軌道模型中，這取決于將檢測添加到軌道中的成本。該成本被定義為傳入的檢測和軌跡候選者之間的距離。

在有多個傳入的檢測和多個軌跡候選者的情況下，已經實施了匈牙利算法[12]，使檢測和軌跡之間的關聯產生最小的成本。

未來軍事行動場景要求在一個擁擠和極其動態的環境中快速決策和高速操作。以網絡為中心的方法是滿足這些要求的一個關鍵因素，其中系統體系中的各個平臺致力于服務整個行動。聯網，再加上適當的自主運行水平，使整個系統能夠盡可能連接最終行為者（傳感器或效應器），并做出行動決策。除了在不同的決策層上同步每個單獨的OODA（觀察-導向-決定-行動）循環之外，這也大大增加了行動速度。為了實現邊緣決策，數據必須盡早匯總和解釋，以提供最好的態勢信息，這是做出明智決策的先決條件。這兩個方面促進了對更高層次的連接損失彈性，并使個人或較小的戰術小組仍然能夠執行其任務，即使與更高級別指揮和控制的連接暫時受到限制。因此，這也是對新攻擊載體的應對方案，包括從對物理鏈路的暴力攻擊到對通信系統內更高OSI層的更復雜攻擊。針對上述問題，已經制定了以機載應用為重點的架構原則。對于這些架構原則，將首先討論多平臺傳感使用案例的示范性應用。從長遠來看，所提出的架構原則可以從機載領域轉移到其他領域，并最終應用到多域場景中。

圖：具有不同類型EO/IR傳感器的分布式EO/IR場景

網絡化多平臺架構

未來的戰爭將不再是單元與單元的戰斗，而是網絡與網絡的戰斗。輔助性原則的應用意味著一個以網絡為中心的架構方法其內在特征是分布式的。在這種情況下，權力下放意味著，在競爭激烈的EMS環境中保持電磁頻譜作戰（EMSO），在不降低自己EMSO能力的情況下與敵人作戰，實現和保持EMSO的可擴展性，確保EMSO的可靠穩定性，并允許全頻譜的優勢。但是，為什么在系統結構的背景下，輔助性及其分布式很重要，為什么相關的網絡中心式方法比等級集中式方法更有效？為了向所有持懷疑態度的人解釋“為什么”，嘗試用一個關于分布式網絡中心系統架構來類比：足球比賽。

一場足球比賽是一種相當復雜的球賽，具有時間關鍵性。令人驚訝的是，一旦開球，它在沒有集中管理比賽的情況下也能運作。一場比賽的組織是分布式的和以網絡為中心的：教練（在他的教練區）只是給出一般的指導方針，而球員必須能夠相互聯系，以便根據比賽的動態調整教練的“服務請求”。球員不會問：“下一步怎么辦？”而是預測特定的情況，并根據教練的指導建立前瞻性的行動。

這個真實例子遵循輔助性原則的系統架構，帶來了另一個非常重要的方面：作為控制結構的服務請求。未來的第六代戰斗機將是一個體系性系統，建立在各個系統之上，而這些系統本身又是高度復雜的，具有很長的運行周期。為了掌握整體的復雜性，并在設計、開發、操作使用和升級周期中保持總體架構的一致性，基礎架構原則應促進低耦合性、易集成性、互操作性和重用性，同時在新戰斗機系統進入服務后應能夠集成幾十年的遺留系統。這可以通過面向服務的架構（SoA）原則來實現。對于設計防御手段來說，服務是北約體系結構框架（NAF）和其他架構方法所支持的互操作性和能力開發的基石。面向服務的架構（SoA）是以系統組件提供的服務為中心。這些服務包涵了特定的功能，可以由服務消費者在本地或遠程訪問，并在分布式的網絡中獨立更新。在SoA方法中，服務具有以下關鍵屬性：（a）它在邏輯上代表了一組具有特定結果的活動，（b）它是獨立于消費者使用的，并且是獨立定義的，（c）它可以由其他底層服務組成，（d）對于它的實施，它對消費者來說是一個黑盒，意味著它封裝了自己的結構和內部邏輯，消費者不需要知道這些。服務是由它們提供給消費者的事物（結果、與收入的接口、服務合同）來定義的，而不是由它們如何實現其預期結果來定義的。

隨著提出（a）輔助性原則及其分布式以網絡為中心的方法和（b）面向服務的架構原則，剩下的第三個基石包含了三個重要的架構設計驅動因素。架構設計驅動因素的目的是建立一套驅動架構系統設計的屬性，并在實際系統工程的架構創建活動中為決策提供指導。

靈活性：架構應支持修改（例如，內部傳感器的修改、新傳感器的增加、服務的修改等）。設備的創新應考慮通過使用明確定義的接口，快速輕松地完成集成。

可擴展性：架構應能夠融入大量傳感器和功能，以及具備通過使用分布式資源來補償更大數據負載的能力，以根據相關的服務請求返回最有用的信息。

彈性：該架構應能適應意外事件、故障或通信問題（如干擾等），必要時重新安排任務、資源和服務。

圖4：架構設計驅動因素

擬議的架構原則確實允許小規模或大規模的資產系統組成。因此，對平臺類型或傳感器的數量沒有限制。為了實現這一點，擬議的架構在盡可能低的水平上有一個相應的分布式決策尋找過程，它是基于一個先進的去沖突機制。為了支持這一點并實現最大的靈活性和彈性，分布式傳感器網絡中數據流和信息的使用沒有被不同連接所限定。相反，所有的實體都通過網絡連接，并能以任何結構交換數據和信息。這允許對網絡進行靈活的重組，以應對外部條件或內部事件和狀態。

由于固有的設計復雜性、無限的測試空間和缺乏自主性的具體措施，自主和協作無人系統的實施和測試具有挑戰性。這些挑戰限制了美國空軍部署和利用這些系統所提供的戰術和戰略優勢能力。這項研究在廣域搜索（WAS）場景中實例化了一個自主系統參考架構（ASRA），作為自主和協作系統的快速原型設計和評估的測試平臺。該研究旨在提供一個框架，以評估系統實現任務和自主目標的能力，開發可重復使用的自主行為，并開發可重復使用的協作決策算法。對于這項研究和對WAS任務的應用，自主性的衡量標準來自于自主系統的要求：響應性、穩健性和感知的準確性。自主行為，包括結合簡單（原子）行為的更復雜行為被開發出來，各種協作決策規則被定義。隨后的評估在四個場景中實施了立體實驗設計。按照嚴格的測試計劃，測試是在仿真中進行的，實現了自動測試和快速分析。測試結果被用來創建一個響應模型來描述系統，并進行多重響應優化，以確定一個最佳配置，在給定的目標密度下，使搜索面積、檢測百分比和感知精度最大化。