算法和數據驅動的決策和建議通常用于刑事司法、醫學和公共政策等高風險決策環境中。我們利用 1969 年底推出的安全評估算法后立即測量的結果，研究是否有可能改進該算法。這一實證應用提出了在高風險算法決策中經常出現的幾個方法論挑戰。首先，在實施新算法之前，必須確定并控制產生比現有算法更差結果的風險。其次，現有算法是確定性的，學習新算法需要透明的外推法。第三，現有算法涉及離散決策表，這些決策表很常見，但很難優化。

為了應對這些挑戰，我們引入了平均條件風險 (ACRisk)，它首先量化了新算法政策導致個體單位子群結果變差的風險，然后將其平均到子群分布上。我們還提出了一個貝葉斯政策學習框架，在控制后驗預期 ACRisk 的同時，最大化后驗預期值。這一框架將異質性治療效果的估計與政策優化分離開來，實現了對效果的靈活估計和對復雜政策類別的優化。我們將由此產生的機會受限優化問題描述為受限線性規劃問題。我們的分析表明，與越戰期間使用的實際算法相比，學習算法將大多數地區評估為更安全的地區，并強調經濟和政治因素而非軍事因素。

引言

算法和數據驅動的決策與建議早已應用于信貸市場（Lauer，2017 年）和戰爭（Daddis，2012 年）等不同領域。現在，它們越來越成為當今社會許多方面不可或缺的一部分，包括在線廣告（如 Li 等人，2010 年；Tang 等人，2013 年；Schwartz 等人，2017 年）、醫療（如 Kamath 等人，2001 年；Nahum-Shani 等人，2018 年）和刑事司法（如 Imai 等人，2023 年；Greiner 等人，2020 年）。將數據驅動政策應用于重大決策任務時，面臨的一個主要挑戰是如何描述和控制從數據中學到的任何新政策的相關風險。醫學、公共政策和軍事等領域的利益相關者可能會擔心，采用新的數據衍生政策可能會無意中導致某些人在某些情況下出現更糟糕的結果。

在本文中，我們考慮了一個特別高風險的環境，分析了在越南戰爭中使用的美國軍事安全評估政策。戰爭期間，美國軍方開發了一種名為 "哈姆雷特評估系統"（Hamlet Evaluation System，HES）的數據驅動評分系統，為每個地區得出一個安全分數（PACAF，1969 年）；指揮官利用這些分數做出空襲決定。最近一項基于回歸不連續設計的分析表明，空襲對包括地區安全、經濟和公民社會措施在內的發展成果產生了顯著的負面影響，因此在很大程度上適得其反（Dell 和 Querubin，2018 年）。我們考慮是否有可能利用美國軍方和相關機構收集的同期數據來改進 HES，以反映這一事實，同時通過改變評估系統來避免許多地區發展成果惡化的風險。

特別是，最初的 HES 是由各種 "子模型分數 "組成的，這些分數根據調查反饋來衡量每個地區的不同方面（如經濟變量、地方行政管理、敵方軍事存在）。然后，該系統通過使用預定義決策表確定如何合并不同分數的三級分層匯總方法，將這些分數合并為一個單一的安全分數。然后將安全分數提交給空軍指揮官，由他們做出目標選擇決策。因此，我們的目標是通過改變基本決策表來修改 HES，找到能優化各種發展目標的決策表，同時限制個別地區這些目標惡化的風險。

這一經驗性問題提出了幾個在高風險數據驅動決策環境中通常會遇到的方法論挑戰。首先，我們希望描述和控制新的決策、分類或建議政策可能導致某些地區組（即單個單位）結果惡化的風險。其次，HES 是輸入數據的確定性函數，這意味著要學習新政策，就必須進行外推。第三，安全得分是通過使用決策表進行一系列匯總而得出的。事實上，決策表在許多公共政策和醫療決策環境中都得到了廣泛應用（例如，美國刑事司法系統中的風險評分 Greiner 等人，2020 年；Imai 等人，2023 年），但在實踐中對其進行優化卻具有挑戰性。

為了應對這些挑戰，我們引入了一種風險度量--平均條件風險（ACRisk），它首先量化了特定政策對具有一組特定協變量的個體單位群體的風險，然后將這種條件風險平均到協變量的分布上。與描述政策平均績效不確定性的現有風險度量（如 Delage 和 Mannor，2010 年；Vakili 和 Zhao，2015 年；Bai 等人，2022 年）不同，ACRisk 度量的是所學政策對子群產生負面影響的程度。這使我們能夠更好地描述應用新政策的潛在異質性風險。

有了這個風險度量指標，我們提出了一個貝葉斯安全政策學習框架，在控制后驗預期 ACR 風險的同時，最大化觀測數據的后驗預期值。我們將其表述為一個機會受限的優化問題，并展示了如何利用條件平均治療效果（CATE）的后驗分布樣本高效地解決該問題。

擬議框架的主要優勢在于其靈活性。由于偶然性約束優化問題只依賴于后驗樣本，因此可以使用流行的貝葉斯非參數回歸模型，如 BART 和高斯過程回歸（Rasmussen 和 Williams，2006 年；Chipman 等人，2010 年；Branson 等人，2019 年），同時在復雜的政策類別中高效地找到最優政策。這對于像我們這種協變量重疊有限或沒有協變量重疊的情況尤其有幫助，我們的框架允許通過貝葉斯先驗進行靈活的外推。相比之下，頻數主義的安全政策學習概念依賴于穩健優化，需要解決潛在模型類和潛在政策類的最小優化問題，因此很難同時考慮非參數模型和復雜政策類（Pu 和 Zhang，2020 年；Kallus 和 Zhou，2021 年；Ben-Michael 等，2022 年；Zhang 等，2022 年）。

我們通過模擬研究表明，控制后預期 ACR 風險可有效限制各種情況下的 ACR 風險，降低損害某些單位子群的風險。我們還發現，盡管所提出的方法設計得比較保守，但在某些信噪比較低的情況下，它所產生的新政策的平均值要高于沒有安全約束的政策。這證明所提出的安全約束能有效地規范政策優化問題。

在我們的實證分析中，我們應用所提出的方法來尋找對 HES 的調整，以獲得更好的總體結果（以軍事、經濟和社會目標為衡量標準），同時限制某些地區在新系統下的結果比在原始 HES 下更差的后驗概率。我們考慮了兩個政策學習問題--一個是我們只改變分層匯總最后一層中使用的決策表，另一個是我們同時修改所有三層分層匯總中使用的決策表。為了處理后一種復雜情況，我們開發了一種基于有向無環圖分區隨機行走的隨機優化算法，該算法普遍適用于決策表。我們的分析一致表明，原始的 HES 過于悲觀--將地區評估得過于不安全--并且過于強調軍事因素，而對 HES 進行的數據化調整則將地區評估得更為安全，并更多地依賴經濟和社會因素來得出地區安全分數。

文獻綜述

近年來，統計學家和機器學習研究人員對從隨機實驗和觀察研究中尋找最優政策的興趣與日俱增（例如，Beygelzimer 和 Langford, 2009; Qian 和 Murphy, 2011; Dud′?k et al、 2011；Zhao 等人，2012；Zhang 等人，2012；Swaminathan 和 Joachims，2015；Luedtke 和 Van Der Laan，2016；Zhou 等人，2017；Kitagawa 和 Tetenov，2018；Kallus，2018；Athey 和 Wager，2021；Zhou 等人，2022）。這些研究通常在頻繁主義框架下考慮以下兩個步驟--首先通過 CATE 確定給定政策的平均性能或價值，然后根據觀察到的數據，通過最大化估計值來學習最優政策

與此相反，我們采用貝葉斯視角--首先根據觀察到的數據獲得 CATE 的后驗分布，然后通過最大化后驗期望值來學習最優政策。貝葉斯方法已被廣泛用于因果推理（近期綜述見 Li 等人，2022b）。特別是，BART 和高斯過程經常被用來靈活估計 CATE（Hill，2011 年；Branson 等人，2019 年；Taddy 等人，2016 年；Hahn 等人，2020 年）。然而，貝葉斯方法似乎很少應用于政策學習。我們提出的框架利用了這些流行的貝葉斯非參數方法來實現安全的政策學習。

關于在無法識別 CATE 的情況下進行政策學習的文獻也在不斷增加。這些文獻包括帶有未測量混雜因素的觀察研究（Kallus 和 Zhou，2021 年）、帶有不遵守或工具變量的研究（Pu 和 Zhang，2020 年）、由于確定性治療規則而缺乏重疊的研究（Ben-Michael 等，2021 年；Zhang 等，2022 年）以及涉及潛在結果聯合集的效用函數（Ben-Michael 等，2022 年）。這些研究首先部分確定了給定政策的價值，然后通過穩健優化找到使最壞情況價值最大化的政策。我們的方法與之不同，我們只依靠后驗樣本進行政策學習，從而將估計與政策優化分離開來。

在強化學習（RL）文獻中，人們以不同的名稱研究了各種安全概念（如安全強化學習、風險規避強化學習、悲觀強化學習；見 Garc?a 和 Fernandez ′ (2015)）。例如，Geibel 和 Wysotzki（2005 年）在尋找最優策略時，通過明確施加風險約束來控制代理訪問 "危險狀態 "的風險。相比之下，Sato 等人（2001 年）和 Vakili 和 Zhao（2015 年）在尋找高預期收益和低方差的最優政策時，將收益方差作為目標中的懲罰項。這些 RL 文獻主要關注在線環境，在在線環境中，算法的設計是為了避免探索過程中的風險，而我們研究的是在離線環境中應用數據驅動策略的風險。

我們還擴展了現有工作，提出了 ACRisk 概念，并將其作為優化新策略后驗預期值的約束條件。相關文獻是悲觀離線 RL，它使用值的置信下限（LCB）來量化給定策略的風險，并找到一個具有最佳 LCB 的策略（Jin 等人，2021 年；Buckman 等人，2020 年；Zanette 等人，2020 年）、 2020；Zanette 等人，2021；Xie 等人，2021；Chen 和 Jiang，2022；Rashidinejad 等人，2021；Yin 和 Wang，2021；Shi 等人，2022；Yan 等人，2022；Uehara 和 Sun，2021；Bai 等人，2022；Jin 等人，2022）。相比之下，擬議的 ACR 風險衡量的是與基線政策相比，新政策對某些群體產生負面影響的程度。

最后，我們的工作還與機會約束優化有關，后者被廣泛應用于不確定性下的決策分析（例如，Schwarm 和 Nikolaou，1999 年；Filar 等人，1995 年；Delage 和 Mannor，2007 年、2010 年；Farina 等人，2016 年）。例如，Delage 和 Mannor（2010 年）考慮了馬爾可夫決策過程的機會約束控制。他們假定獎勵分布為高斯模型，并使用機會約束優化來找到一種能以高后驗概率實現低遺憾的策略。我們的方法考慮了高斯模型之外的更一般的設置，并使用 ACRisk 的后驗期望值作為約束，這與現有的工作有所不同。

提綱

本文的其余部分安排如下。第 2 節介紹了美國在越南戰爭中的軍事安全評估、HES 以及相關的經驗政策學習問題。第 3 節介紹了正式設置，第 4 節介紹了貝葉斯安全政策學習框架和機會約束優化程序，以及通過高斯過程和貝葉斯因果森林實現。第 5 節介紹了評估我們建議的數值實驗。第 6 節將貝葉斯安全策略學習方法應用于軍事安全評估問題。第 7 節總結并討論了局限性和未來方向。

圖 1：20 個子模型分數的匯總。哈姆雷特評估系統 (HES) 使用 20 個子模型分數作為輸入，并使用雙向和三向決策表對其進行匯總。每個圓圈對應一個基于雙向或三向決策表的聚合，不同圓圈使用的決策表相同。

本文提出的方法

現在，我們介紹貝葉斯安全政策學習框架。首先，我們引入了一個新的風險度量--平均條件風險（ACRisk），它表示新政策在協變量條件下產生比基準政策更差的預期效用的概率。然后，我們建議最大化新政策的后驗預期值，同時限制后驗預期 ACRisk。我們的方法包括兩個步驟：首先使用靈活的貝葉斯模型估計條件平均治療效果（CATE），然后找到最優政策。我們將其表述為一個機會約束優化問題，而這個問題又可以使用基于馬爾可夫鏈蒙特卡羅（MCMC）從 CATE 后驗分布中抽取的線性規劃來解決。

射擊技術是特種作戰訓練的一個重要方面，但目前許多評估射擊技術的方法都是基于過時的手工流程。在每次射擊迭代之間，士兵必須走到各自的目標前分析他們的分組情況，并經常將結果記錄在紙質筆記本上。這一過程不支持即時分析反饋或射擊技術的長期分析，嚴重限制了教練的有效性和射手的評估。擬議的解決方案 "致命射擊分析檢測技術"（DTKA）可監測目標的射擊情況，并將結果存儲在遠程數據庫中。該研究成果旨在促進即時的射擊反饋，并為特種作戰領域的長期射擊分析提供必要的數據。

關鍵詞：射擊檢測 自動化 射擊技術分析 機器視覺 射擊技術輔導

引言

在特種作戰訓練中，高效、準確的射擊技術對建立一支隨時待命的致命部隊至關重要。當前訓練過程的特點是個別指導和評估，任何數據收集都來自手工紙質流程。目標射擊檢測自動化將提供即時反饋的機會，并為射手長期評估提供更好的數據。系統化的射擊分析方法可提高陸軍靶場的能力，為陸軍最寶貴、最具殺傷力的資產--士兵提供工具。

本文概述了擬議的自動槍彈探測系統解決方案--致命射擊分析探測技術（DTKA）的功能。作者將首先討論該問題領域的現有技術及其在提供準確槍彈分析方面的有效性。接下來，他們將介紹他們提出的系統及其功能，然后展示一些輸出示例。最后，本文將討論開發該系統時面臨的挑戰，并為解決這一關鍵問題的未來研究提供路線圖。

方法

圖1顯示了DTKA的高級方法。在射擊并擊中目標后，攝像機會檢測到變化，從而觸發代碼在目標上尋找新的彈孔。如果檢測到槍聲，彈孔中心的坐標將連同時間戳和槍手身份（如果提供）一起保存到CSV文件中。然后可以手動或使用隨附的WiFi模塊無線卸載數據。本節的其余部分將詳細介紹構成DTKA的硬件和軟件。

這項工作得到了美國陸軍作戰能力發展司令部（DEVCOM）分析中心（DAC）的支持。

美國陸軍對人工智能和輔助自動化（AI/AA）技術在戰場上的應用有著濃厚的興趣，以幫助整理、分類和澄清多種形勢和傳感器數據流，為指揮官提供清晰、準確的作戰圖景，從而實現快速和適當的決策。本文提供了一種與作戰模擬輸出數據相結合的分析評估框架方法。該框架有助于評估AI/AA輔助指揮和控制的任務有效性。該方法是通過一個真實世界的作戰小故事來證明的，這個小故事是指一個AI/AA輔助的營被指派去清理戰場的一個區域。結果表明，具有AI/AA優勢的模擬場景促進了更高的預期任務有效性得分。

引言

美國陸軍目前正在開發決策輔助系統，將人工智能和輔助自動化（AI/AA）技術納入作戰空間。根據美國陸軍機動中心的說法，士兵在決策輔助系統等人工智能/自動化系統的協助下，戰斗效率可提高10倍（Aliotta，2022）。決策援助是一種工具，旨在協助指揮官在戰斗場景中減少他們的決策時間，同時提高決策質量和任務效率（Shaneman, George, & Busart, 2022）；這些工具有助于整理作戰數據流，協助指揮官進行戰場感知，以幫助他們做出明智、實時的決策。與使用AI/AA決策輔助工具相關的一個問題是，陸軍目前缺乏一個有效的框架來評估工具在作戰環境中的使用。因此，在本文中，我們描述了我們的研究、設計和開發的分析框架，并結合建模和仿真，以評估AI/AA決策輔助工具在任務有效性方面的情況。

作為分析框架發展的一部分，進行了廣泛的文獻審查，并對30多個利益相關者進行了分析，這些利益相關者在AI/AA、決策輔助工具、指揮和控制以及建模和仿真等領域具有豐富的知識。這些利益相關者根據他們對上述主題的熟悉程度被安排到焦點小組。我們與每個小組進行了虛擬的焦點小組會議，收集反饋意見，并利用它來推動我們的發現、結論和建議（FCR）。同時，我們開發了一個現實的戰場小故事和場景。利用這個場景和我們的FCR輸出，我們與美國陸軍發展部分析中心（DAC）合作，通過建模和模擬，開發了一個目標的功能層次，以衡量。我們將假設的戰斗場景轉移到One Semi-Automated Forces（OneSAF）中，這是一個利用計算機生成的部隊的模擬軟件，提供部分或完全自動化的實體和行為的模型，旨在支持軍隊的準備工作（PEOSTRI，2023）。利用分析層次過程，我們激發了評估決策者的偏好，計算了功能層次中目標的權重，并創建了一個電子表格模型，納入OneSAF的輸出數據，并提供一個量化的價值分數。通過A-B測試，我們收集了基線模擬和模擬AI/AA效果的分數。我們比較了A和B方案的結果，評估了AI/AA對模擬中友軍的任務有效性的影響。

每天，消防員和緊急救援人員解決的問題都符合他們在整個職業生涯中形成的典型模式。使用過去的經驗作為相關模式，他們創造了心理捷徑，在一個被稱為 "識別激勵決策 "的過程中制定成功的策略。然而，在某些情況下，新問題不符合過去的經驗，消防員被迫在陌生的環境中做出決定，如大流行病、與氣候有關的緊急情況和其他非傳統事件。當消防員在不熟悉的情況下依靠直覺時，他們有可能犯錯并浪費寶貴的時間。這篇論文試圖了解一個適當的決策框架，供消防部門在不熟悉的情況下使用。

本論文使用案例研究方法來了解消防部門和采礦業在災難中的決策。兩個消防部門的案例研究，即1949年的Mann Gulch火災和2001年對世貿中心襲擊的反應，評估了事件中不同類型的決策以及這些決策對整體戰略和結果的影響。兩個采礦業的案例研究，即2010年的 "深水地平線 "漏油事件和2010年的科皮亞波采礦事故，評估了哪些跨學科因素影響了事件的結果。

分析顯示，消防部門傳統上依賴于識別激勵的決策，即依靠過去的經驗來做出時間緊迫的決策。在Mann Gulch火災和對9/11事件的反應中，直覺既幫助也阻礙了反應者。當新的解決方案與救援人員以前的經驗不一致時--例如為了救援人員的安全而使用燒毀的區域--救援人員依靠他們的直覺，導致了負面的結果。此外，正如在9/11事件中所看到的那樣，信息孤島使決策者無法完全接受所有的事件因素，并迫使他們在不完整的操作情況下做出決定。

如采礦業案例研究所示，跨學科團隊為復雜情況制定了新穎的解決方案。每個例子都展示了不同的團隊如何形成應對框架，嘗試創新的想法，分享結果，并與不同的成員溝通，以制定解決陌生問題的方案。簡而言之，跨學科的專業知識導致了在不熟悉的復雜情況下選擇戰略和戰術的創造力的增加，因為它提供了更大的深度和廣度的經驗來制作解決方案。接下來，應對復雜事件的創新的關鍵是在整個應對框架中分享信息和有意識地溝通戰略。因此，跨學科的態勢感知小組應在同一地點辦公，并利用共享通信提供實時信息，以便指揮人員在事件發展過程中了解事件的狀況。最后，應急響應者，傳統上是復雜事件的唯一決策者，需要接受來自外部行業專家的創新，以促進發現潛在的解決方案。如果領導層和決策者支持，跨學科的反應框架可以促進創新。表ES-1中總結了這些關鍵發現。

21世紀將繼續為消防部門的領導和第一反應者帶來新的挑戰。這篇論文為他們提供了潛在的路徑。

1.決策者應該允許跨學科團隊在遇到不熟悉的情況時，與消防和應急反應領導人進行接觸。

2.消防和應急領導應該將指揮和情景意識團隊放在一起，以支持關于事件狀態的實時溝通。

3.應急響應領導應準備擴大響應框架，以納入消防部門以外的實體。

4.當遇到不熟悉的情況時，消防和應急服務領導人必須接受創新，并建立支持測試新想法的指揮結構。

本論文建議，消防部門的領導人在處理不熟悉的問題時，利用擴大的跨學科團隊，創造性地尋求替代解決方案。使用這樣的團隊將要求領導者擴大反應框架，改變熟悉的反應模式，以包括外部機構和非傳統的應急響應者。最后，領導者應有意鼓勵對成功和失敗的公開交流，以鼓勵整個反應過程中的合作和創新。

未來的戰場是一個將受到近鄰對手快速變化的技術能力嚴重影響的戰場。在這種環境下的成功將需要簡單易用的系統，它能適應各種情況，并能與其他部隊和系統整合。多域作戰指揮、控制、計算機、通信、作戰系統和情報（MDOC5i）旨在為海軍陸戰隊準備未來的戰場。由于傳統的機器學習技術存在某些缺點，MDOC5i使用矢量關系數據建模（VRDM），為海軍陸戰隊提供適合動態部署的系統。MDOC5i使用全球信息網絡架構（GINA）作為其VRDM平臺。這項研究使用GINA創建了一個無處不在的決策模型，可以根據美國海軍陸戰隊的場景進行配置。該研究實現了無處不在的模型，并通過一個網絡分析用例證明了其功能。這個決策模型將作為所有GINA實施的基礎模型。快速構建和調整基于場景的GINA模型并將這些模型整合到一個共同的框架中的能力將為海軍陸戰隊提供對抗未來對手的信息優勢。

圖. 超圖描繪了構成 GINA 決策模型的關鍵實體。這是圖 3.2 中描述的“決策者信息”部分的細分。影響力的三個主要領域是現實世界、網絡和網絡。本論文中的模型將僅包含網絡類別的一部分，特別是 XMPP 流量。這三個領域應被視為為大規模網絡診斷設計的決策模型的起點。

引言

在最近的沖突中，美國能夠承擔對其敵人的技術優勢[1]。然而，由于美國已經將重點從反叛亂（COIN）行動轉移到與近距離對手的沖突上，這是一種不能再假設的奢侈。美國和國防部必須不斷尋求獲得并保持對近距離對手的技術優勢。所有軍種的指揮官都強調了這一點，包括司令部的規劃指南[2]。網絡戰場是一個日益復雜和快速發展的領域，在戰爭中從來沒有出現過像現在這樣的能力。目前的對手既有掌握該空間的愿望，也有掌握該空間的能力[1]。人機交互（HCI）將是在未來沖突中實現信息主導的關鍵。人機交互融合了計算機科學、認知科學和人因工程，以 "專注于技術的設計，特別是用戶和計算機之間的互動"[3]。我們必須掌握人機交互，以協助指揮官并保持對敵人的優勢

美國海軍陸戰隊（USMC）沒有很好的裝備來在網絡領域取得成功。美國海軍陸戰隊訓練和教育司令部（TECOM）已經將這一能力差距確定為一個主要的問題聲明："海軍陸戰隊沒有接受過應對同行威脅的訓練，在這種情況下，我們不再享有數量或技術優勢的歷史優勢。為了在未來的戰場上取勝，我們必須提供一個學習框架，以發展適應性和決定性的海軍陸戰隊，并提供訓練環境，以產生能夠產生決定性效果的互操作單位"［4］。

信息技術的進步產生了一個以網絡為中心的應用框架[5]，可以幫助縮小能力差距，使美國海軍陸戰隊保持對對手的網絡優勢。

1.1 MDOC5i

在為滿足指揮官的指導并使美國海軍陸戰隊為網絡戰場做好準備而采取的舉措中，海軍陸戰隊已經建立了多域作戰指揮、控制、計算機、通信、作戰系統和情報（MDOC5i）。MDOC5i是一個基于陸軍網絡信息管理環境（ANIME）的系統，提供了一個以網絡為中心的因果動態數字孿生環境。利用基于實體的模擬，MDOC5i提供以網絡為中心的互操作性和決策模型，可以增強多域作戰（MDO）[6]。MDOC5i計劃 "提供基層開發的技術，使操作人員能夠'推斷和適應'不斷變化的戰斗空間的需求" [7]。MDOC5i確定了需要改進的三個問題領域：互操作性、信息處理和利用，以及文化轉變[7]。

隨著戰場的不斷發展，聯合解決方案將是獲得優勢的關鍵。這些互操作性的解決方案將依賴于網絡和通信能力。互操作性是指與整個服務的各種通信系統相關的所有設備之間的通信能力。因此，目前在互操作性方面的差距需要被彌補，以進行聯合行動。系統之間的互操作性還沒有通過一個標準化的通用方法來實現[7]。MDOC5i認為這個問題的根源在于，當前系統所使用的所有網絡都被認為是彼此獨立的領域，而不是一個統一的作戰指揮和控制（C2）系統[7]。

MDOC5i解決的下一個問題是信息處理和利用。這個問題指的是目前整個海軍陸戰隊沒有能力處理大量的信息。數據通常很豐富，而且隨著傳感器能力的增長，數據會越來越豐富，但很難分析所有的數據并從噪音中分出有用的數據。鋪天蓋地的數據如果不進行適當的分析，對決策過程是無用的，甚至是有害的。這個問題被具體描述為："當前行動和數據收集的速度超過了我們處理、識別和獲取可操作情報的能力，以快速評估、調整和修改計劃和實時COA，從而優化部隊投射、殺傷力，并實現持久的超額配給"[7]。

為了提高處理越來越多的數據和跟上快速發展的戰場的能力，作戰人員需要關注人機互動。這種關系對于能夠在可操作的時間范圍內將大量的數據轉化為有用的信息，從而做出更好的決定至關重要。更好的人機交互可以幫助確保 "數據處理和決策的速度與行動的速度相稱" [7]。

解決的最后一個問題，即文化轉變，涉及美國防部需要調整其在數據整合和聯合行動方面的重點。雖然國防部致力于為作戰人員提供可操作的情報，但其方法是無效的和低效的[7]。此外，各個軍種制定了自己的就業方法和情報方式，這往往會導致聯合行動的無效性。為了在目前存在的動態戰場上作戰，各軍種必須共同努力，"使能力與任務、標準操作程序、訓練戰術和協議、采購和部署政策以及作戰部隊的整體文化相一致" [7]。

1.2 MDOC5i應用于海軍陸戰隊

5月9日至5月13日，MDOC5i在海軍陸戰隊空地作戰中心（MCAGCC）二十九棕櫚島與第七海軍陸戰隊進行了演示。這次初步測試的目的是展示MDOC5i所帶來的增強的火力能力，并確定MDOC5i通過提供共同情報圖像（CIP）--共同作戰圖像（COP）和決策支持來增強整個海軍陸戰隊空地特遣部隊（MAGTF）的MDO的可行性。

在MCAGCC Twenty-Nine Palms進行的MDOC5i演習成功地描述了該系統的防火能力。MDOC5i系統使用最先進的掃描機制和瞄準系統，將標準裝備的區域射擊武器轉變為精確射擊武器平臺，能夠在幾乎沒有歸零的情況下有效地攻擊目標。雖然這本身就大大增加了海軍陸戰隊的殺傷力，但增強的火力能力僅僅是MDOC5i概念所提供的效用的開始。底層系統使用全球信息網絡架構（GINA），一個矢量關系數據建模（VRDM）平臺，以使所有通過網絡連接的單位都能獲得準確的COP和CIP。這在戰場上提供了一個優勢，因為所有單位都獲得了意識，并將能夠為共享系統提供輸入，從而產生最準確的CIP-COP。

這些投入可以用來幫助決策和影響有利于沖突空間競爭的活動。

這一過程的關鍵使能部分之一是GINA內的決策模型，它能使人采取行動。在二十九棵樹的演示中，海軍陸戰隊員被展示了使用標準武器系統對選定目標進行第一輪射擊的能力。選定的目標出現在通過網絡連接的所有信息顯示器上。為了實現目標定位，GINA模型接受目標的輸入并將信息傳遞給所有用戶。系統首先決定該目標是一個有效的目標還是一個重復的目標。它通過一個專門設計的決策模型來實現這一目標，該模型將確定的目標與其他繪圖的目標進行比較。如果新的目標在指定的距離內，程序會認為它是重復的。這可以防止信息過載，使指揮官對現有的威脅有最準確的描述，以便更好地決定如何使用武器系統來對付敵人的目標。因此，在這個特定的例子中，輸入的是確定的目標位置，決定的是該目標是合法的還是重復的，決定的標準是確定與其他已經繪制的目標的距離，結果是對威脅的準確描述，使海軍陸戰隊能夠最好地與敵人作戰。

在演示中，決策與識別目標有關，而影響的行動與射擊有關。然而，如前所述，增強射擊能力只是MDOC5i通過基于VRDM的GINA平臺所能提供的好處的開始。創建和采用為指揮官提供最新的CIP-COP并幫助決策的模型將對海軍陸戰隊和國防部（DOD）的所有方面都有用。按照目前的情況，每次實施新的模型時，都需要從頭開始創建新的決策模型。

1.3 論文重點和MDOC5i的聯系

海軍研究生院（NPS）論文的目的是在GINA平臺上使用VRDM建立一個不可知的決策模型。重點是該模型的普遍性，以便它可以很容易地被塑造為未來的情景。該決策模型擴展了無處不在的數據表概念，以包含關于數據的信息屬性，并允許通過基于屬性的真值表關系實現來自數據屬性和信息屬性（邏輯類型）的知識屬性。因此，模型將數據轉化為信息，然后從已知的真值（既定協議）中獲取狀態和規定過程的知識，然后模型執行相應的過程。這表明了該方法的普遍性，并使任何數據任務的數據轉化為行動。本論文驗證了使用基于模型的配置方法，該方法由數據、真值表和狀態的概念對象組成，可用于人在/在環的自動數據決定-行動，并可在知識管理圖框架內為任何任務進行管理。

建議的模型在通過分析可擴展消息和存在協議（XMPP）消息來確定網絡健康狀況的情況下進行測試。該模型的輸入是可擴展標記語言（XML）消息，旨在復制大規模戰術網絡的數據包捕獲（PCAP）中捕獲的XMPP消息。雖然網絡診斷分類本身很重要，并證明了功能，但主要的效用將在于決策模型的普遍性。因為該模型是不可知的，它可以很容易地被修改以適應一系列所需的場景。務實地說，它可以作為所有其他GINA實施的基礎模型，使海軍陸戰隊實現信息超配。

1.4 假設和研究問題

本論文的假設是，GINA將被證明是一個高效的平臺，在這個平臺上實現一個可以輕松配置的泛在決策模型，以應對多種情況。在這個假設的核心，主要目標是利用GINA架構成功地設計和實現一個無所不在的決策模型。這項任務已經完成，證明了主要假說的正確性。

本論文的問題包括。

1.無處不在的決策模型能否在GINA的界面中實現？

2.GINA是否為機器學習（ML）提供了一個可行的、可操作的替代方案，該模型是否達到了與傳統機器學習技術相同的效果？

3.該模型是否有切實的方面證明比傳統機器學習技術優越？

4.該模型和GINA平臺能否用于大規模網絡流量分析？

與假設一致，第一個問題是最重要的，并且被證明是正確的。所實施的決策模型應該能夠促進并推動未來的工作。其余的問題涉及模型的可擴展性和與傳統技術相比的性能。雖然這兩個概念都沒有直接解決，但該模型提供了肯定的機會來測試這些概念。

1.5 使用的工具

為了成功地理解決策模型的實施和它可以應用的規模，有必要了解所涉及的工具。其中一些應用在本論文中直接使用。其他的是在MDOC5i中使用的，對于理解這個模型如何推導到多種情況下是很有用的。這些工具也提供了很好的背景，對未來的工作有好處。

1.5.1 全球信息網絡架構

GINA 是一個基于云的、提供可執行建模環境的 VRDM 平臺，該平臺產生的模型能夠進行推理和適應[7], [8]。該架構通過其反思性的、可執行的、基于組件的、與平臺無關的和模型驅動的構造，提供先進的數據、信息和知識的互操作性[9]. 該平臺使用一種語義結構，使應用領域的用戶能夠理解組成的模型組件，并形成具有半知覺行為的系統，這對動態任務需求的適應性和可配置的靈活性至關重要。該創新平臺是松散耦合的，這意味著它可以通過配置創建模型，使用來自遺留系統、現有系統或未來系統的各種輸入[8]，而不會破壞或重新編譯。由于概念性的信息對象構造可以臨時引入，并可能存在于任何領域，GINA提供了誘人的可能性，美國防部正在探索這種可能性[2]。

GINA技術由方法論、開發工具和可執行模型的部署平臺組成，可作為軟件程序使用。這些模型不需要被編譯，而是在元數據中定義并實時編譯。該平臺使用通過配置實現的行為、環境和因果的建模概念，以提供定義、操作和互操作性[10]。GINA可以通過其名稱的組成部分進一步理解。"全球 "指的是該平臺通過多層抽象包含了所有的數字表示。"信息 "指的是可以被建模和管理的靜態和動態數據以及互動關系。"網絡 "指的是可以通過模型和圖表顯示、參考和管理的所有互聯關系的數字表示。"架構 "意味著GINA是被使用的系統，專門用于制作行為、背景和因果關系的可執行模型[10]。

第二章將深入討論GINA的優點和特點。

1.5.2 ANIME Dark Stax

Dark Stax是一個由ANIME開發和使用的工具，能夠以接近實時的速度創建復雜系統的數字孿生體。這些數字孿生體可以用來操作克隆的系統進行數據操作和決策分析。這種聯合有助于數據驅動的決策過程。這個工具能夠創建戰術網絡的克隆，并過濾PCAP數據，為網絡診斷模型創建輸入[10]。Dark Stax工具由Ad Hoc維護和運行。他們對該工具的掌握為首要的人工智能（AI）技術和VRDM技術的結合提供了巨大的效用。

1.5.3 StarUML

StarUML是一個開源的軟件建模平臺，支持統一建模語言（UML）[11]。它被設計為支持簡明和敏捷的建模，并提供系統疊加的可視化描述[12]。本文使用UML圖來描述實現的VRDM模型的靜態和動態方面。UML并沒有捕捉到VRDM模型中包含的所有細節，但它確實捕捉到了最重要的信息，并提供了模型中連接的清晰疊加。

在這個項目中，它只被用于GINA模型的可視化和文檔化。然而，我們的意圖是使GINA能夠接受UML設計作為輸入。因此，一個系統可以用UML建模并輸入到GINA中，以放棄配置。

1.5.4 目標光標仿真器

Cursor On Target（COT）"是一個互聯網協議和一個基于XML的機器對機器模式，可以被任何系統讀取和理解，使專有和開放源碼系統能夠相互通信"[13]。模擬器在GINA模型中被用來模擬XMPP流量。XMPP消息的樣本在一個文本文件中生成。然后，Cursor On Target Simulator（COTS）模擬器將文本文檔的內容作為XML輸入到GINA。這個XML是決策模型的輸入。

美海軍部依靠目前海軍的方式，如簡報、聊天和語音報告來提供艦隊的整體作戰評估。這包括網絡領域，或戰斗空間，描繪了艦船的網絡設備和服務狀態的單一快照。然而，這些信息可能是過時的和不準確的，在決策者了解網絡領域的設備服務和可用性方面造成了混亂。我們研究了持久性增強環境（PAE）和三維可視化的能力，以支持通信和網絡操作、報告和資源管理決策。我們設計和開發了一個PAE原型，并測試了其界面的可用性。我們的研究考察了用戶對多艘艦艇上的海軍網絡戰斗空間的三維可視化理解，并評估了PAE在戰術層面上協助有效任務規劃的能力。結果是非常令人鼓舞的：參與者能夠成功地完成他們的任務。他們發現界面很容易理解和操作，原型被認為是他們目前做法的一個有價值的選擇。我們的研究提供了對新型數據表示形式的可行性和有效性的密切洞察，以及它在不同社區之間復雜的操作技術（OT）環境中支持更快和更好的態勢感知和決策能力。

引言

A.研究領域

持久性增強環境（PAE）是一個系統，它使用共享（多用戶）環境、增強現實（AR）技術和一系列傳感器的概念來創建過程和數據集的可視化表示，這些數據集被持久地（在很長一段時間內）添加、操作、可視化和分析，以支持人類操作員所做的一系列任務[1]。PAE被認為有可能給許多領域和人類任務帶來好處，包括網絡系統的可視化、網絡態勢感知和決策工作領域。

PAE的重要概念包括將實時信息傳遞給人類操作者，并以一種比傳統的信息記錄和傳遞形式更容易理解的格式。后者提高了解決整個海軍領域不同社區的許多用戶的需求的潛力，減少了錯誤的數量，并將大部分時間用于決策過程。

由于用戶數量眾多，社區各異，必須準確及時地解決收集、處理和操作大量數據的需求。此外，網絡領域的復雜性促使人們需要簡化、準確和及時的信息。與AR系統非常相似，PAE允許用戶在現實世界中處理和操縱虛擬物體，并同時看到眾多用戶之間的系統實時自動同步變化。這種虛擬和現實信息的實時無縫整合解決了網絡領域的復雜性，最終在大量用戶和不同社區之間提供了行動的準確性和及時性。

我們設計和開發了一個PAE系統原型，并分析了它如何支持海軍領域的網絡系統可視化和任務規劃操作。我們努力的主要目標是提高單用戶對水面資產上復雜網絡的理解和態勢感知，以及對設備當前網絡狀態的實時表示，從而使海軍部（DON）的任務規劃更加有效。在戰術層面上，這項研究將使我們進一步了解為支持有效的任務規劃而需要建立的技術基礎設施和流程。該系統有可能為美國防部所有部門帶來明顯的好處。

B.研究問題和動機

在美國海軍中，為了完成不同的任務，多個作戰群體依靠網絡群體來顯示網絡和通信狀態，以維持作戰畫面并提供通信。美國水面艦艇上的網絡和作戰系統的整合，在將信息和網絡狀態顯示為二維（2D）物體時，會在作戰人員中造成混亂。特別是當網絡設備發生意外變化時（即失去電力、拒絕服務、失去衛星覆蓋等），情況更是如此。設備的變化不僅影響到船上的通信，而且還影響到領導人的整體態勢感知。利用PAE系統整合三維（3D）數據和立體顯示，有可能通過實時自動顯示系統變化，大大幫助決策者了解復雜的網絡。

1. 網絡對通信至關重要（我們為什么關心）

網絡對于海軍資產之間在作戰層面的通信是至關重要的。如果沒有網絡設備，一艘水面艦艇就失去了與指揮系統（CoC）進行快速和準確溝通的能力。同樣，CoC也不能有效地將他們的信息傳達給各個水面艦艇。現在，我們可以把單艦沒有能力接收任務或發送狀態更新的想法，然后把可用的水面資產數量增加到一個多資產的航母打擊群（CSG）。這導致整個CSG中的五到六艘艦艇沒有能力與CSG指揮官就當前的任務甚至是日常行動進行溝通。即使海軍可以使用傳統的通信方式，如摩爾斯電碼和旗語信號來傳遞簡單的信息，但更復雜的信息必須以容易消化的格式來表示，以便決策者能夠了解當前的行動并迅速作出最佳決策。

通過在地面資產之間利用PAE系統，PAE系統有可能改善對復雜信息的理解，它將從紙質手冊或電子圖書館中獲取的二維信息轉化為三維可視化系統，并不斷更新三維可視化，以反映用戶的互動和該系統接收和生成的數據集的不斷更新。PAE系統也有可能訪問歷史數據，這在分析歷史趨勢或行動后報告（AAR）中可能是至關重要的。歸根結底，網絡領域值得采用新技術并尋找更好的解決方案。

2. 網絡設備狀態

為了了解單位層面的網絡設備狀態，戰略層面的決策者依賴于目前海軍傳統上使用簡報、聊天和語音報告的做法。然而，這些信息可能是過時的和不準確的，最終在需要了解網絡領域的服務和設備可用性的決策者中造成了混亂。網絡領域是一個復雜的領域，需要有效的管理和理解網絡操作，包括海軍艦隊之間的共享態勢感知（SA）。網絡設備在不斷變化，這取決于設備的狀態和水面艦艇的地理位置，這些都會影響連接性。

海軍操作員和領導傳統上使用各種格式的二維網絡拓撲圖和微軟文件來描述網絡系統的運行狀態并維護資源管理。這些二維模型最初是為了協助領導和操作員對網絡進行清晰的可視化；然而，隨著時間的推移，網絡資產的增加，從而增加了二維模型的復雜性，使得理解這些綜合系統變得更加困難。正因為如此，二維網絡圖和拓撲結構的顯示更成為理解新系統集成或系統變化的障礙。理解傳統的、印刷的二維信息（圖1）所花費的時間已經不能滿足操作人員和作戰人員的需要，也不能及時為決策者提供簡明清晰的信息。

3. 從PowerPoint幻燈片（2D信息）到增強現實（3D信息）

當代支持人類操作和決策的技術已經從過去適度的形式上有了飛速的發展。數據的表現形式現在可以采取三維信息的形式，不再是靜態的，而是動態變化的，支持用戶與相同數據集的實時互動。然而，今天大多數水面資產的重要通信包括不同級別的互聯網連接，便于分享PowerPoint簡報和接收在二維空間表示的語音或書面報告。這些傳統的通信途徑是艦艇當前作戰狀態的快照或對即將到來的任務的一系列預期；它們推動了美國海軍 "維持、訓練和裝備能夠贏得戰爭、阻止侵略和維護海洋自由的戰斗準備的海軍部隊 "的能力[3]。正如Timmerman的論文研究[4]中所認識到的，目前的二維可視化將復雜的操作技術（OT）系統顯示為網絡社區所習慣的平面信息技術（IT）圖，從而過度簡化了這些系統。另一種更優越的表示方法是在三維空間中顯示邏輯網絡元素，反映這些網絡的物理和邏輯的復雜性。通過研究數據的三維表示法，海軍可以加快關鍵的時間敏感數據的流動，這些數據原本是在二維空間，變成更容易理解的三維信息。

研究的總體目標是對PAE系統原型進行定量評估，通過可用性研究分析其如何支持海軍領域的網絡系統可視化和任務規劃操作。對復雜網絡及其相應拓撲結構的傳統理解是基于技術手冊中的藍圖的二維圖紙。這種信息的翻譯再由非主題專家（SME）通過PPT簡報（或口頭簡報）進一步稀釋，以告知高層決策者的指揮系統當前在水面資產上的通信狀態。最終，在二維信息、口頭或PowerPoint簡報和向高層決策者提供綜合信息之間會有時間損失。向決策者展示復雜系統的解決方案是通過PAE將二維信息表現為三維信息。

C. 研究問題?

本論文探討了以下問題。

• 什么是有可能為任務規劃提供更有效支持的技術框架？

• 網絡通信能力的三維可視化和PAE系統能否為網絡領域特定的任務規劃要素提供有效支持？

• PAE系統能否有效地協助戰術層面的任務規劃任務，具體到網絡通信的管理？

D. 范圍?

本論文將限于開發一個PAE系統原型，以幫助可視化用戶研究所需的網絡基礎設施。可用性研究有兩個不同的目的：檢查用戶對海軍網絡戰斗空間的三維可視化的理解，跨越多個艦艇的通信和網絡基礎設施，并評估PAE在戰術層面上有效協助任務規劃的能力。雖然海軍領域的PAE的大概念被設想為支持許多作戰任務和訓練情況[1]，并包括與作戰系統的互連性，但為本論文開發的原型系統將有足夠的功能來支持用戶研究。

E. 研究方法

本研究的研究方法包括以下步驟:

1. 進行文獻回顧。在AR、虛擬現實（VR）、SA、潛在多用戶環境、網絡可視化實踐以及應用于AR的持久性系統等領域進行文獻回顧。

2. 執行任務分析。進行任務分析，分析當前網絡操作、決策以及整個艦隊的設備和服務可用性的資源管理的做法。這包括但不限于詳細分析航母上的戰斗值班長（BWC）與巡洋艦或驅逐艦上的作戰指揮官（CRUDES）之間的報告和互動，當前的網絡可視化做法，以及PAE的有效性。我們還將對目前的報告標準和現有的SA任務和實踐進行詳細的任務分析。

3. 確定三維模型。確定一套支持虛擬環境和可用性研究所需的用戶任務的三維模型。

4. 設計和開發一個PAE原型。設計和開發一個支持可用性研究的PAE系統原型。

5. 設計和執行可用性研究。設計一個可用性研究，制定機構審查委員會（IRB）文件，對人類參與者進行研究，并檢查用戶執行所需任務的經驗。可用性研究的設計將針對網絡領域的可視化，側重于用戶更好地理解網絡設備如何與其他系統相互連接的能力，并實時描述網絡戰斗空間。此外，該設計將被定制為展示多艦情況下的決策，并衡量界面在支持任務規劃和資源管理方面的有效性。

6. 分析數據。分析研究中收集的人類性能數據，并檢查PAE原型系統的技術性能。

7. 確定建議和未來工作。收集并確定對未來可能的工作的建議。

F. 論文結構

第一章：導言。本章介紹了研究空間的最關鍵要素：領域、問題、研究問題、范圍和用于解決所有研究問題的方法。

第二章：背景和文獻回顧。本章強調了VR、AR、混合現實（MR）、持久性系統和SA的定義。文中回顧了關注AR和VR技術的研究經驗，并討論了多用戶環境、現有網絡可視化實踐和持久性系統與AR技術結合應用時帶來的潛力。

第三章：任務分析。本章分析了目前整個艦隊的網絡操作、決策以及設備和服務可用性的資源管理的做法。

第四章：系統原型。本章闡述了PAE系統的設計和開發、系統結構和模擬環境。本章還描述了訓練場景和一套支持建立可用性研究所需的虛擬環境的三維模型。

第五章。可用性研究。本章介紹了可用性研究的要素，文中還討論了從可用性研究中收集的數據集中得出的結果。

第六章：結論和未來工作。本章概述了本研究的主要內容，并對未來的工作提出了建議。

內聚力是團隊的一個重要屬性，它可以影響個人隊友和團隊成果。然而，在包括自主系統作為隊友的團隊中，內聚力是一個未被充分探索的話題。我們研究了關于人類團隊內聚力的現有文獻，然后在此基礎上推進對人類-自主系統團隊的內聚力的理解，包括相似性和差異性。我們描述了團隊的內聚力，各種定義、因素、維度以及相關的好處和壞處。我們討論了當團隊包括一個自主性的隊友時，該元素可能會受到怎樣的影響，并進行了逐一描述。最后，我們確定了可能與內聚力有關的人類-自主性互動的具體因素，然后闡述了對推進有效的人類-自主性團隊的科學至關重要的未來研究問題。

為了跟上美國防部（DOD）人工智能（Al）戰略的步伐，美國陸軍在2018年啟動了人工智能集成中心（Al2C）。他們的任務是--與美國各地的公司和大學的人工智能社區溝通，目的是通過人工智能的整合來改善和提高軍隊的能力。

這個頂點項目盡可能地分析了當前美陸軍部（DA）對人工智能的要求狀況，以及它們對人類系統集成（HSI）的包含。該小組審查了發布在獎勵管理系統（SAM）網站上的人工智能合同機會和適用的文件，包括績效工作聲明、工作聲明或目標聲明。第一步是確定這些合同機會中包含的要求是否符合人工智能的定義，即計算機系統有能力執行通常需要人類智慧的任務。如果需求符合人工智能的這一定義，那么分析工作就會繼續進行，并側重于納入HSI，以確保為人類（即操作員、士兵、用戶等）提供便利。研究小組還采訪了主題專家（SMEs），以深入了解軍隊開發和獲取人工智能需求的過程。

在2003年至2022年期間發布到SAM的機會中，只有16%（238個中的40個）在開發過程中足夠成熟，可以考慮進行評估。在這40個被認為足夠成熟的采購開發過程中，只有16個發布的信息包含了相關的文件，可以根據團隊既定的人工智能和HSI標準進行評估。從那里，只有6個帖子符合AL的定義，4個被寬泛地判斷為包括一些對HSI或人為因素的參考。該小組的綜合評估確定，陸軍的人工智能指導還處于起步階段，需要進一步發展和完善。評價還強調，盡管國防部和陸軍指導將HSI納入所有要求，但仍然缺乏對HSI的納入。

這個頂點項目建議，所提出的結果和結論應被用來進一步制定人工智能需求的采購指南，并特別注重納入HSI。我們還建議，未來的研究應納入機密需求以及由其他交易機構通過財團管理的需求。

人工智能有望徹底改變預測、理解和管理國際危機的方式。具體來說，人工智能系統可以在危機時期為外交官和決策者提供幫助，幫助他們了解正在發生的事情（描述性分析），繪制危機演變的可能趨勢或模式（預測性分析），以及評估應對策略的有效性（規定性分析）。然而，人們不太了解的是，這些模型如何在實踐中發揮作用，以及人工智能模型需要滿足哪些條件才能產生效果。該研究以俄羅斯在烏克蘭的侵略戰爭所產生的國際危機為例，提出了一個將人工智能應用于危機管理的框架，并討論了將人工智能納入外交決策的機會和挑戰。

引言

"人工智能"（AI）一詞最早是由美國計算機科學家約翰-麥卡錫在1956年提出的，他將AI定義為 "制造智能機器，特別是智能計算機程序的科學和工程"（麥卡錫，2011）。雖然在過去的幾十年里，對人工智能的探索經歷了多個 "希望和絕望的季節"（Bostrom，2014年，第6-11頁），但越來越多的人認為現階段的人工智能發展有了質的變化。由于復雜的機器和深度學習算法的快速發展，人工智能應用現在已經達到了無需明確編程就能使用統計模型和類似神經網絡自行學習的程度（Collins, 2021）。因此，人工智能的破壞可能會對危機管理產生強烈的影響，特別是因為數字平臺已經成為協助決策者在數字時代管理危機的關鍵工具。它們已經幫助大使館和外交部實時了解事件的性質和嚴重性，簡化決策過程，管理公眾的期望，并促進危機終止（Bjola & Coplen, 2022）。同時，需要非常謹慎地使用它們，因為事實的不準確、協調的差距、不匹配的披露水平和不良的信號做法很容易破壞危機管理的數字努力（Bjola, 2017）。

正如其他地方詳細討論的那樣，人工智能系統可以在危機時期幫助外交官，幫助他們了解正在發生的事情（描述性分析），確定危機演變的可能軌跡（預測性分析），并規定可能的應對策略（規定性分析）。人工智能已經被譽為預測地緣政治事件（Morstatter等人，2019年）、預測暴力事件的爆發并探究其原因（Guo等人，2018年）或改善有關在復雜社會環境中使用強制和非強制策略的戰略情報評估的可能解決方案（Frank，2017年）。人工智能的主要挑戰是要做出的決定的半結構化性質。鑒于危機決策的高度不確定性，以及一旦出錯不可避免的審查和問責要求，人工智能的整合只有在人類對該過程保持一定程度的控制時才能發揮作用。正如SIPRI的一項研究指出的那樣，當人工智能系統面臨的任務或環境與它們接受的訓練略有不同時，可能會出現驚人的失敗。人工智能算法也是不透明的，這往往使人類難以解釋它們是如何工作的，以及它們是否掩蓋了可能導致有問題--如果不是危險--行為的內在偏見（Boulanin，2019）。

在這些文獻的基礎上，本文試圖通過對外交官在危機時期面臨的挑戰進行理論分析，并開發一個原型模型，以了解如何實時監測、分析和應對正在發生的危機，從而推動關于人工智能可以為危機時期的外交決策產生機會的辯論。為此，本文將首先解釋決策者在危機時期面臨的不確定性挑戰，然后介紹可能有助于解決上述挑戰的人工智能原型模型，最后對該模型的優勢和局限性進行簡短討論。

人工智能建模與危機管理

本文提出的論點是，人工智能可以幫助外交部應對 "戰爭迷霧"，通過調整在危機時期有助于減少或增加不確定性的因素的影響。借鑒數據分析中用于區分描述性、預測性和規定性模型的類型學（Lepenioti等人，2020），本文提出了將人工智能納入危機決策的概念模型，該模型基于圖1所示的三個部分。

圖 1：數據分析：描述性 - 預測性 - 規范性模型

第一個組成部分，即描述性分析，涉及到背景映射和相關信息的提取，可以提供問題性質的準確描述。這一部分所要回答的關鍵問題是正在發生什么？在危機的背景下，MFA對檢測可能表明管理危機的潛在挑戰或機會的模式感興趣。回顧烏克蘭戰爭的案例，多邊金融機構可能會問的問題是，參與沖突的各方及其主要支持者的立場是如何實時演變的？他們優先考慮哪些方面？這些立場的一致或分歧程度如何？第二部分，預測性分析，是指通過測試和驗證對問題的性質和原因的某些假設，預測可能的行動方案及其可能的影響（會發生什么？） 鑒于情況的變化，參與危機的各方的立場可能如何演變？X國是否可能支持歐盟對俄羅斯石油和天然氣的禁令？如果是這樣，在什么條件下？最后一個部分，即規范性分析，鼓勵決策者整合在前幾個步驟中收集到的信息，并利用結果來確定要采取的最佳行動方案（應該做什么？） 行動方案A與行動方案B會對外交部與其他國家的關系產生什么影響？X國應否在國際上帶頭努力，以解除俄羅斯對烏克蘭在黑海的糧食的封鎖？這樣的決定可能會影響歐盟或北約成員之間的外交團結？

當然，所有這三個部分都可以在沒有人工智能的協助下進行處理。事實上，多邊金融機構應該能夠在危機時期進行這樣的分析，而且他們已經利用內部和委托的專家定期這樣做。據推測，人工智能所能增加的是實時洞察力，以及對各方相互交換的信號的實質和可信度的更準確評估。人工智能可能無法完全化解 "戰爭迷霧"，但它們可能能夠為在危機時期用于決策的信息的價值提供足夠或可操作的信心。要做到這一點，人工智能模型需要考慮到能夠模糊危機信號的因素，并盡可能地減少它們所引起的不確定性水平。如圖2所示，人工智能模型始于外交部及其使館網絡從靜態（如宏觀經濟指標、社會人口數據）和動態來源（如社交媒體信息、官方聲明、報紙報道）收集的數據匯總過程。然后，如此產生的數據集將被分成兩個子集（通常70%為訓練，30%為測試），用于訓練和測試用人工智能算法創建的模型。在運行和微調競爭性的話題、社交網絡和參與度分析模型后，將選擇一個最佳的人工智能模型來提供洞察力以協助決策。該模型應該能夠指出一組主題、影響者網絡以及能夠最有效地捕捉沖突中相關行為者所傳達的信號的參與形式。該框架還可以包括評估整合來自合作國家或國際組織的其他人工智能模型（圖中標有*）的可行性，以努力進一步減少 "戰爭迷霧 "引起的不確定性。然后，從數據分析中獲得的洞察力可以轉化為一個行動計劃，為官方對危機的反應和政策回應提供參考。這個過程繼續進行，新一輪的數據收集直接反饋到數據分析中，使決策者能夠在危機中實時追蹤和應對新的發展。

圖 2：基于人工智能的危機管理模型

雖然圖2中的模型同樣適用于上面討論的三個分析組件中的任何一個，但應該注意的是，人工智能建模的復雜性以及延伸到危機決策的分析價值在描述性、預測性和規定性格式之間有很大的差異。主要區別在于為每個部分的機器學習（ML）技術提供動力所需的數據質量，以及這些技術的復雜程度。追蹤和分析危機演變所需的數據更容易獲得，可以使用相對傳統的ML算法進行處理。之所以如此，是因為描述性分析依賴于已經作出的決定和已經實施的行動。一旦人工智能系統被要求預測可能的行動路線并評估應對策略的可行性，情況可以說變得更加復雜，因為產生這種反應所需的信息是基于尚未作出的決定和尚未實施的行動。因此，關于人工智能在危機管理中的應用的討論必須密切關注描述性、預測性和規定性的順序，以便在每種情況下開發的知識可以適當地告知其他情況下的人工智能解決方案的開發。出于這個原因，以下部分將重點了解人工智能在第一部分（描述性分析）的應用條件，希望從這個階段學到的經驗可以隨后應用和擴展到開發人工智能解決方案，以支持危機管理的預測性和規定性分析。

在新環境中有效的自主導航對于智能體達到更復雜的自主水平至關重要。我們對改善攜帶輕型光電傳感器有效載荷的車輛在未知環境中的自主導航和估計感興趣。由于傳感的限制，在非瑣碎的新環境中，世界的許多幾何結構還沒有被觀察到，導致了嚴重的幾何模糊性。盡管收集額外的幾何信息可以減少模糊性，但這樣做往往與任務的目標相抵觸。我們建議將對象層面的語義信息和幾何信息結合起來，以切實改善導航和估計。

在這篇論文中，我們提出了在新環境中改善自主導航的三個貢獻。首先，我們通過將有用的導航行為編碼在由部分占有率和對象級地圖告知的抽樣分布中，來提高新環境中的導航效率。我們認識到，在有效導航時，在有限的視角下，對象層面的估計是具有挑戰性的，因此我們還開發了兩種在線建立對象層面表征的方法。在我們的第二個貢獻中，我們通過引入額外的紋理測量和語義類形狀先驗，提高了帶有橢圓體表征的對象級SLAM的視點效率。最后，在我們的第三個貢獻中，我們提出了一種新的深度學習的三維對象估計方法，利用間接的圖像空間注釋和類內形狀一致性來實現從單一的RGB圖像的三維對象估計。