無人駕駛地面車輛（UGVs）可用于軍事領域，以減輕士兵承擔的風險，以及為體力要求高、枯燥或危險的任務提供解決方案。雖然使用UGV有好處，但也有需求和限制。本論文探討了最終用戶--瑞典武裝部隊的一個輕步兵營--對于為城市地形中的軍事行動而設計的UGV在功能方面的要求。這是通過一個帶有焦點小組的探索性案例研究來完成的，來自第31游騎兵營的士兵和軍官使用兩種不同的UGV原型來完成任務。隨后是半結構化的小組討論，探討了需求、限制和要求。然后，通過主題分析方法對收集的數據進行分析。

主題分析的結果發現，焦點小組的要求有幾個重復出現的意見。這些要求被分為四類：（1）速度，（2）用例，（3）圖像生成的傳感器，以及（4）自主功能。總之，本論文在四個類別中共確定了13個需求。總而言之，這些要求意味著用于城市地形的軍事行動的UGV必須能夠跟上沖刺的士兵，提供視覺掩護，能夠與附近的物體互動，有幾個高質量的傳感器和強大的自主功能，使士兵能夠專注于控制UGV以外的其他事情。

多種類無人駕駛飛行器（UAV）的使用越來越重要。因此，人類和機器人之間的互動及其互動設計變得越來越重要，特別是在戰場上的軍事偵察。然而，越來越大的無人機蜂群導致許多需要解決的挑戰，例如，具有高動態的復雜情況增加了對用戶的要求。在這項工作中，研究了以應用為導向的人類與蜂群互動的展示方案，其重點是作戰管理系統中的蜂群。在一項文獻調查中，確定了潛在的應用和當單個操作者監控作為高度自動化系統的大型蜂群時可能出現的挑戰。此外，還確定了已經存在的設計準則。基于這些結果，為獲得全面的態勢感知，對蜂群的可視化的四種不同布局進行了原型設計。

概念可視化

根據收集到的文獻，定義了四種群組可視化的布局。這些都是在原型人機界面中實現的。可視化的重點是戰斗管理系統中的蜂群。人機交互是通過傳統的顯示器和鼠標/鍵盤或觸摸控制實現的。首先，介紹了四個布局，之后解釋了不同的組件。

• 基于蜂群的表示

基于蜂群的顯示器將整個蜂群作為一個單元來顯示，而不是每個智能體單獨顯示（見圖2-2）。用戶通過高級命令控制整個蜂群，蜂群則自行組織。仍然可以從蜂群中分離出個別的智能體，或發送個別的命令；這些可以單獨顯示或啟用。

在這項研究中，提出了一種智能兵棋推演方法，以評估軍事行動方案在作戰成功和資產生存能力方面的有效性。擬議的應用是基于經典的軍事決策和規劃（MDMP）工作流程開發的，以便于在現實世界應用中實施。本研究的貢獻有三個方面：a）開發一個智能兵棋推演方法，以加速MDMP中的行動方案（COA）分析步驟，從而為軍事行動創造更多的候選COA；b）產生針對對面部隊的有效戰術，以提高作戰成功率；以及c）為未來的系統開發一個高效的、基于可視化兵棋推演的MDMP框架，這些系統需要一個小型操作團隊來監督一個自動智能體網絡。為了評估系統的能力，執行了幾個交戰場景示例，并給出了結果。此外，研究了自動智能體的兵力組成問題，并提出了具有超參數調整結構的兵力組成算法。

引言

隨著無人系統在復雜任務中的作用越來越突出，包括情報、監視和偵察行動，最近的應用傾向于轉向異構的無人系統組合之間的合作，以執行這些行動并獲得高任務成功率[1]。為了完成復雜的任務，異質智能體之間的合作帶來了對多域作戰能力的需求，其中人工智能（AI）輔助的兵棋推演策略發揮了重要作用[2]。特定的目標，如使用人工智能來發現戰術，這可能會通過現有的軍事能力提高作戰效益，或可能為新的軍事能力提出有效的使用概念。人工智能決策最近集中在開放型游戲，即所有玩家都能看到所有的游戲狀態，或封閉游戲，即存在有限的兵棋靈活性。然而，在戰術和戰略層面上對決策策略進行建模需要有新的算法，這些算法可以在規則變化、不確定性、個人偏見和隨機性的動態環境中運行[3]。

戰術模擬是MDMP的一個重要組成部分，MDMP是軍隊制定作戰計劃、預測敵方部隊的反擊行動和評估擬議作戰計劃有效性的理論方法，因為它提供了一個安全和替代性的與武裝沖突有關的一些情況和決策動態的再現。雖然 "兵棋推演"一詞沒有統一的定義，但普遍接受的定義可以追溯到19世紀初。它被認為是通過任何手段，使用特定的規則、數據、方法和程序來模擬軍事行動[4]。因此，在進行MDMP的定義和重要性之前，必須對兵棋推演做出明確的說明。MDMP始于從上級總部收到的任務。然后，通過利用其他來源的情報進行任務分析。在下一步，處理指揮官的意圖、行動要求和可用資源，以制定行動方案（COA），包括任務組織計劃。在制定行動方案后，通過兵棋推演進行行動方案分析，重點是行動、反應、反擊和裁決過程，以重新確定行動方案和潛在決策點。

圖1 軍事決策過程總結。

在MDMP中，COA分析通常被稱為兵棋推演，它將COA的發展與COA的比較和批準聯系起來[5]。在比較步驟中，每一個COA都根據規定的標準進行評估，如簡單性、機動性、熱能、民用控制和規模性，這些標準在一個決策矩陣中被賦予了評估的權重。此外，從比較步驟中選出的COA應具有最小的風險、最大的安全性和靈活性。然后，根據COA的比較結果完成COA的審批過程，在最后一步，指令生成并與相關單元共享[6]。從總體上看，圖1給出了MDMP的整體流程。

在這項研究中，提出了開發情報、監視和偵察(ISR)和壓制敵人防空(SEAD)作戰計劃，這些計劃由上層人工智能和輔助的、分布式的決策策略支持，以評估生成的COA的成功概率、資產的生存能力和作戰效率。這個過程是在經典的MDMP方案的基礎上發展起來的，以便于在現實世界的應用中實施，它能夠在行動前或行動中提供快速評估和客觀比較COA。這個過程從接收來自MDMP第二步的任務分析結果開始。在COA開發步驟中，最初的任務分配過程是利用CBBA算法進行的，該算法能夠解決具有分布式的通信結構、異質集合和在線重新規劃要求的分配問題。在創建了幾個行動計劃（即COA）后，它們被輸入兵棋推演過程以評估其有效性。之后，這些行動方案在成功概率、生存能力和成本方面被相互比較，最有效的方案被送去審批步驟。圖2給出了重點框架的總體概況。

圖2 COA生成框架。

本研究的貢獻有三個方面：a）開發一種智能兵棋推演方法，以加速MDMP中的行動方案分析步驟，從而為軍事行動創造更多的候選COA；b）產生針對對面部隊的有效戰術，以提高作戰成功率；c）為未來的系統開發一種有效的、可視化的和強大的基于兵棋推演的MDMP框架，這些系統需要一個小型的操作團隊來監督自動智能體網絡。本研究的其余部分結構如下：在第2節，將對文獻中的相關研究進行調查。第3節描述了問題陳述，第4節給出了針對該問題的解決方案所需的背景。在第5節中，將給出在創建這項工作時遵循的方法，第6節展示了模擬研究的結果。最后，第7節是文章結尾。

相關工作

兵棋推演模擬被用作不同領域的決策工具，從商業到軍事[8]，從沖突場景到監視或危機演習，從軍事角度看搜索和救援任務[9] 。在Filho等人[10]中，使用兵棋推演的方法優化了無人機在超視距戰斗中的位置。考慮到兵棋推演中敵人的不確定性，研究了友軍蜂群團隊戰術編隊的有效性。Chen等人[11]提出了一個基于決策樹的城市暴雨情況下的緊急救援兵棋推演模型。在該模型中，雖然敵人的任務僅限于道路積水，但友軍團隊由試圖防止這種積水的應急車輛組成。Su等人提出了基于地理信息系統(GIS)的兵棋推演援助平臺，以防止臺灣地區的蓄水[12]。基于兵棋推演的策略的另一種使用方法是危機演習，Song等人指出，兵棋推演是一種有效的危機演習方式，成本低，方式方便[13]。

一個有效的兵棋推演策略取決于對下屬指揮官完成任務所需資產的準確和最佳分配/配置[7]。許多方法已經被開發出來，使智能體能夠根據已知行動的任務列表在他們之間分配任務。這些方法的主要思想是不僅要提高任務的有效性，而且要降低行動成本和風險。集中式任務分配，需要在智能體和中央服務器之間建立通信聯系，為整個團隊生成一個分配計劃。由于集中式系統能夠減少地面處理要求的負擔，它們能夠有效地使代理人更小、更便宜地建造。此外，據調查，在集中式任務分配系統中使用啟發式方法，如遺傳算法[14-16]和粒子群優化方法[17-19]，在計算時間方面有更好的表現[20]。另一方面，由于集中式任務分配的結構，智能體和行動基地之間應保持持久的通信，以提供合作，這需要發送/接收操作更新。這種對通信系統的要求直接影響到智能體組的能力和穩健性。

與集中式應用相反，可以通過利用分布式方法來提高兵力組合的性能和穩健性，在這種方法中，需要智能體之間的通信來獲得對特定任務集的共識。這種類型的通信拓撲結構在智能體損失、通信損失和任務列表的實時更新（即添加和刪除任務）的情況下增加了兵力組合的穩健性[21]。在這種情況下，文獻中已經研究了消除對中央基地的需要的分布式規劃方法。這些方法中的大多數都假設有完美的通信，并有一定的帶寬，以確保智能體在規劃前有相同的態勢感知。然而，這在現實世界的場景中很容易被違反，包括搜索和救援任務，在這些場景中，智能體的通信范圍有限或通信渠道的帶寬有限[22]。在態勢感知不一致的情況下，分散的任務分配算法可以通過利用基于共識的算法，如基于共識的捆綁算法（CBBA）來增強，以便收斂在一個一致的解決方案上[23-25]。不僅有可以集成到分布式框架中的共識算法，文獻中也有基于部分可觀察馬爾可夫決策過程（POMDP）的方法[26]。盡管共識算法保證了信息的收斂，即達成共識，但這可能需要大量的時間，并且經常需要傳輸大量的數據，這可能導致在低帶寬環境下的高延遲，并增加了為無人系統找到最佳任務分配解決方案的處理時間[27]。也有一些關于中間層次結構的報告，即混合結構，介于集中式和分布式結構之間，用于從兩種方法的優點中獲益[28]。

盡管有許多嘗試試圖解決無人駕駛異構飛行器的任務分配問題，而且前面提到的所有研究都考察了底層自動化（以規劃和控制算法的形式）分配異構無人駕駛飛行器（UxVs）網絡的能力，但在產生COA的MDMP中整合增強/高級人工智能生成的指導和輔助決策支持是至關重要的[29]。一些初步的嘗試，如國防高級研究計劃局（DARPA）的 "拒止環境中的協作行動"（CODE）計劃和 "分布式戰斗空間管理"（DBM）的廣泛機構公告（BAA），被提出來改善人類與自動化的協作和決策，通過執行一系列自動化和自主行動來協助戰斗管理者和飛行員[30]。然而，這種具有不同任務分配方法的框架可能是脆弱的，無法對突發事件做出反應。這樣的系統可以通過人類操作者帶來他們基于知識的推理和經驗來緩解[31]。

因此，很明顯，任務規劃者和平臺內的操作者框架都應該被仔細構建。模擬和分析這種框架的最重要的平臺之一是兵棋推演，它被用來執行關于未來部隊資產、軍事能力的決策，并為許多行動做準備。兵棋推演能夠以許多不同的方式執行，從研討會的兵棋推演，到手工棋盤游戲，再到復雜的計算機輔助兵棋推演[32]，其中由計算機判斷交戰的后果[33]。

關于該主題的初步研究以來，智能兵棋推演對于促進軍事決策是否有價值一直受到質疑[34]。這些系統在決策過程中的作用也在四個主要學科下進行了討論，即傳感、態勢感知、計劃生成和學習[35, 36]。在這些討論之后，隨著人工智能學科的進步和技術的發展，據報道，將人工智能應用于軍隊的MDMP具有很大的潛力，可以支持指揮中心對競爭激烈和更加復雜的戰場進行規劃，因此Schwartz等人在輔助性人工智能架構中用遺傳算法（GA）來解決這個問題[37]。Boron等人將基于人工智能的兵棋推演整合到決策過程中，他們在不同的戰斗場景中使用強化學習（RL）來評估其算法的性能[38]。Xin等人考慮了以往研究中通常被忽略的不確定性，因此他們提出了一個名為混合智能多分支兵棋推演的解決方案，通過融合基于RL的人工智能方法和人類智能來考慮不確定性[39]。最近，Tarraf等人提出了一個兵棋推演框架，其中規則和交戰統計用于商業桌面兵棋推演，以實現遠程操作和完全自主的戰斗智能體和具有AI/ML支持的態勢感知的智能體[40]。Goecks等人討論了過去和現在關于游戲和模擬器以及人工智能算法如何被調整以模擬軍事任務的某些方面的努力，以及它們如何影響未來的戰場。此外，他們研究了虛擬現實（VR）和視覺增強（VA）系統的進展如何為游戲平臺的人機界面及其軍事提供新的前沿[41]。

基于共識的捆綁算法(CBBA)

在MDMP的步驟2中確定了問題、任務要求、假設和評估標準后，重要的是將藍隊的軍事單位分配給合適的紅隊任務。這是通過利用基于共識的捆綁算法（CBBA）[27]來完成的，該算法支持分布式的、異構的任務和動態環境。在本節中，將給出和描述CBBA算法的細節。

CBBA是一個去中心化的基于市場的協議，它為異質智能體網絡上的多智能體多任務分配問題提供了可證明的良好近似解決方案，并通過使用去中心化的通信方法來解決協調異質自主車輛的任務分配問題[27]。這種類型的通信拓撲結構消除了對中央基地的需求，并且在智能體損失、通信損失和任務列表的實時更新（即添加和刪除任務）的情況下，它增加了任務組的穩健性。CBBA是由兩個階段交替進行的迭代組成的：第一階段是捆綁構建階段，其中每個車輛貪婪地生成一個有序的工作捆綁，第二階段是共識階段，其中相鄰的智能體之間通過本地通信找到并解決沖突的任務。圖3展示了CBBA的內部循環。

方法

A 仿真環境

為了創建可支持、可擴展和易修改的模塊化架構，我們決定將智能任務規劃器分成四個子組。引擎模塊包括主要的引擎腳本，它包含了關鍵的方法，如任務分配、尋路、戰略、交戰和其他一些重要的方法，以便在模擬過程中前進。引擎腳本中的任務分配方法使用基于共識的捆綁算法（CBBA），該算法也在引擎模塊中。環境模塊包括腳本中的世界對象，它給出了仿真環境的邊界，也是這個環境的網格表示，并附有任務、地形、敵人存在的費用。模型包含關于模擬過程中使用的代理和任務的必要信息。為了創建異質智能體，UAV、UGV、USV和近距離防空（CAD）智能體對象被單獨創建，團隊對象被創建用于設置敵方團隊并跟蹤團隊所做的動作。視圖模塊負責以視覺角度表示結果。圖4給出了智能任務規劃器的模塊結構概要。

B 生成殺傷力熱圖

在模擬環境中，殺傷力熱圖在空中、地面和海上層生成，以模擬特定區域內敵對力量的火力。這些熱圖是基于內核密度估計（KDE）算法生成的，該算法用于估計地圖上某一點相對于對面部隊位置的危險等級（即對面部隊的有效等級）。在這項研究中，假定軍事單位根據范圍的致命性分布被建模為夸特函數或埃帕尼科夫函數，如公式5所示。

其中d是軍事單位與地圖上指定點（即相關六邊形的中心）之間的距離。對于在d=0時的殺傷力計算，分布的最大值被縮放為1。 圖5中給出了空中、地面和海上層的熱圖生成結果示例。這里給出了a)地面層、b)海軍層和c)空中層的紅隊單位的殺傷力熱圖。在地面層，UAV、UGV、USV和CAD單位都是對藍軍的有效威脅，在給定的自由區域。在海軍層，USV是主要威脅，但UAV、UGV和CAD也是有效的。在空中層，乍一看，似乎對藍隊沒有威脅，因為紅隊的UAV、UGV和USV對藍隊的空軍沒有效果。然而，如果CAD資產存在于該地區，它將是對藍隊的關鍵威脅，結果將是致命的。

圖 5 紅隊在 a) 地面、b) 海軍和 c) 空中層的殺傷力熱圖。

圖 6 示例案例：地面層紅隊的殺傷力熱圖

圖6給出了模擬環境的另一個例子。為了便于可視化，沒有在環境中插入CAD單元。這里給出了地面層的無人機、UGV和USV的殺傷力熱圖。在這種情況下，與地面層的USV相比，UAV和UGV的殺傷力相對較高，因為USV的射程和效率有限。這可以通過利用表1中給出的軍事單位的效率表來直接模擬。該表提供了每種類型的資產對不同層的破壞效率的信息。

表1每種資產的損害效果表。

C 戰斗模型

戰斗模型對戰斗實體、它們的行為、活動和相互關系進行抽象和簡化，以回答與國防有關的研究問題。沒有一個通用的模型可以回答所有的問題，即使可以構建這樣的模型，它也會變得比現實更復雜，因為它不僅包括真實的系統，還包括想象中的系統。戰斗模型可以是隨機的，也可以是決定性的。直觀地說，一個隨機的模型假設關于某種情況的不確定或概率性的輸入，并對結果作出不確定的預測。一個確定性的模型準確地指出將會發生什么，就像沒有不確定性一樣。更正式地說，一個隨機模型需要用概率理論的術語來描述，而一個確定性的模型則不需要。

其中F, HP, L, PH, PD , PT, PW, PL分別是總火力、火力健康度、致命性、命中概率、探測概率、瞄準系統可靠性、武器可靠性和層效率。在這里，建立軍事單位的損傷矩陣也很重要，它決定了它們在交戰中對敵軍的有效性。在模擬環境中，損害矩陣被假定為表1中的內容。通過使用這些定義，每個資產的生存能力被建模為公式7和8中給出的。

其中Fk、Mk是相關團隊在時間k的火力和機動性。Fok是敵對部隊在時間k的火力。

D 評估指標和作戰評估

有效的評估包括定量（基于觀察）和定性（基于意見）指標。人的判斷是評估的組成部分。任何評估的一個關鍵方面是它對人類判斷的依賴程度，以及對直接觀察和數學嚴謹性的依賴程度。嚴密性解決了不可避免的偏見，而人的判斷將嚴密性和過程集中在往往是成功關鍵的無形因素上。口頭定義是直截了當的陳述，但為了以智能方式訓練整個系統，將這些句子表示為數學指標是關鍵。從口頭到數學指標定義的過渡是一個開放式的程序，它可以通過手動選擇的方式來捕捉最佳決策[42]。

為了評估紅隊和藍隊的機動性和火力能力，制定了幾個戰斗力評估指標，如公式9和10所給出。

作戰兵力組成

兵力的組成與CBBA的評分功能密切相關，具體如下。

這個函數給出了一個智能體在時間tj到達任務時從任務j中得到的分數。分數由兩部分組成，第一部分是任務的名義獎勵，Rj(aj)，它是aj的函數，即分配給任務j的智能體指數，第二部分是折扣函數，它是任務j的到達時間的函數，tj。λ是一個折扣系數，用于解釋目標值隨時間的減少。這個系數包含在目標函數中，以更好地代表現實世界中的問題，即訪問目標的價值與訪問的時間成比例地減少[43]。

由于折扣系數改變了任務到達時間的影響，它需要根據世界的大小進行調整。因此，我們提出了以下結構，從圖7中可以看出，以克服選擇最佳折扣系數和兵力配置的問題。

圖7 基于λ搜索算法的兵力編碼器結構

機器人和自主系統（RAS）的使用對于荷蘭皇家陸軍（RNLA）來說正變得越來越重要，因為它可以有效地部署稀缺的人力資源。此外，RAS的正確應用可以提高人員安全，并有助于實現戰斗空間的優勢。因此，成立了機器人和自主系統小組，目標是設計和實驗自主軍事機器人。通過概念開發和實驗，RAS小組旨在為自主平臺定義一個需求清單，該清單可用于外包RAS項目和產品的部分開發。

定位和導航是自主平臺的重要方面，因為機器人只有在知道自己的位置時才能導航到指定地點。對于軍事用例，這一功能必須在沒有可用的全球導航衛星系統（GNSS）信號的環境中實現，因為這可能被敵人干擾或欺騙。此外，機器人的定位和導航解決方案必須能夠處理多種部署環境、不斷變化的（天氣）條件以及硬件或軟件故障。這些要求需要一個強大的定位和導航解決方案，可以由RNLA自信地部署。

已經研究了多種傳感器和定位方法，以確定擬議解決方案的合適選項。這兩個方面可以分為兩大類：主動與被動傳感器，以及絕對與相對定位。每一類都包含多種技術和算法，如立體視覺相機、三維光探測和測距（LiDAR）傳感器、同步定位和繪圖（SLAM）、天體導航和基于磁場的解決方案。此外，每個傳感器-定位方法的組合都有自己不同的特點。

上述研究表明，有多種傳感器和定位方法適用于自主平臺。其中許多解決方案可以在未知環境中實現準確的定位和導航。然而，無論是由于缺乏抗沉淀能力、使用主動傳感器，還是缺乏避障能力，這些解決方案作為獨立的解決方案都不夠強大。這就是可以應用自適應傳感器融合的地方。通過整合多種傳感器和定位方法，自主平臺可以使用與當前環境和條件兼容的最合適的技術。

有多種類型的自適應傳感器融合可以實現：硬傳感器融合、軟傳感器融合和預定的傳感器融合。硬傳感器融合分析來自活動傳感器的數據，當一個傳感器的數據超出某些參數的定義范圍時，就禁用該傳感器。軟傳感器融合糾正偏離的傳感器數據，而不是禁用傳感器。這提供了一個比硬傳感器融合更準確的位置估計，但代價是更高的實施復雜性。最后，預定的傳感器融合分析環境以確定哪些傳感器和定位方法是可用的。這是一種高效的方法，比軟傳感器融合更容易實現。

與所研究的傳感器和定位方法類似，沒有一個自適應傳感器融合框架是獨立運行的合適選擇，因為每個人都有自己的優點和缺點。因此，擬議的解決方案必須結合多種變體，以填補功能上的空白，提高解決方案的穩健性。

在理論研究和實驗結果的基礎上，設計了一個擬議的解決方案。這個解決方案結合了一個定制的自適應傳感器融合框架--它結合了預定的傳感器融合和硬傳感器融合--以及一個用于傳感器融合管理和導航控制的行為樹。擬議解決方案的第一步是選擇一個初始定位方法。這是在指揮官定義的任務參數和部署環境變量的基礎上完成的。然后，自主平臺使用這種定位方法在定義的航點列表中進行導航。在導航過程中，持續分析來自活動傳感器的數據，以確保每個活動傳感器仍可使用。如果檢測到一個持續的傳感器錯誤，行為樹將暫停導航過程，并選擇一個新的、可用的定位方法。這種選擇是根據更新的傳感器列表進行的，其中考慮到了不可用的傳感器。在成功切換定位方法后，行為樹將繼續進行導航過程。

所提出的解決方案在多次模擬運行中進行了測試，分別用TurtleBot3、2D LiDAR和立體相機作為自主平臺和傳感器配置。仿真結果表明，自適應傳感器融合框架在配置正確的情況下，能夠持續檢測到不可用的傳感器數據。此外，當檢測到持續的傳感器數據錯誤時，行為樹成功地暫停了導航過程。在定位方法切換后，行為樹也一致地恢復了航點導航過程。因此，在所有的模擬運行中，模擬機器人成功地到達了最終的航點。

基于這些結果，可以得出結論，擬議的解決方案為一個自主的軍事平臺提供了堅實的基礎。行為樹的靈活和模塊化設置使設計能夠隨著 "哨兵項目 "的進展而成長，并旨在建立一個更有能力的自主平臺，可以與多個不同的自主平臺和傳感器配置相整合。

在短期內，有兩個主要領域可供探索，以改善擬議解決方案的功能。首先，行為樹的實現可以通過代碼優化和整合人類的實時互動來加強。第二，可以研究和實施針對困難環境或挑戰性條件的定位方法，以提高魯棒性，使自主平臺能夠部署在更廣泛的場景中。

隨著無人平臺越來越多地出現在戰場上，與人類一起，以不同的配置（從遠程操作到完全自主的平臺，有人-無人的團隊，蜂群等）和領域（空間、空中、陸地、海洋和水下），也有必要使決策過程適應這一新的現實。這個過程將不再是完全由人類完成的，這就要求人類和機器對他們行動和互動的環境有一個共同的、有意義的、及時的理解，即共同的態勢感知。我們將研究如何通過基于本體的推理和推理的人工智能相關技術來實現這一目標，這些技術將使所有參與者（人類和非人類）之間共享所有級別的信息（數據、知識和模型）。這項工作的成功應體現在異質實體之間實現高水平的互操作性，在此范圍內，他們將能夠利用彼此的最佳發展能力。

人工智能驅動的態勢感知評估方法

圖2展示了基于先前所述斷言和要求的人工智能驅動SA評估的高級概念模型。

廣泛的人工智能方法可用于支持所需的過程，適用于每個層次，從歸納法到演繹法。在歸納推理方法中，我們提到了傳統的機器學習--邏輯回歸（LR）、支持向量機（SVM）、Naive-Bayes（NB）或深度學習--卷積神經網絡（CNN）、長短時記憶（LSTM）、門控循環單元（GRU）。演繹法是由knowledgerule系統代表的。但是，只有當系統的所有組成部分對目標、概念和關系有相同的理解時，才能以有效的方式實現各級的無縫協作。本體是實現這一目的最合適的工具（Sharman, Kishore, & Ramesh, 2004）。

本體是對知識的正式描述，是一個領域內概念的集合以及它們之間的關系（Ontotext, 2022; Earley, 2015）。本體的組成部分在圖3中顯示。3，其詳細的正式描述可以在Sharman, Kishore & Ramesh (2004)找到。

圖2: AI驅動的態勢感知評估概念

多域作戰（MDO）會給訓練帶來許多挑戰。各種不同的組織和部門的參與會加劇這些挑戰，并需要平衡集中協調和分散訓練的目標。此外，盡管MDO的基本概念并不新鮮，但實際的術語最近才被美國陸軍作為一個理論概念引入。因此，訓練技術的發展有可能是被動的，導致孤立的效果。新興的訓練技術可以幫助支持MDO的獨特復雜性，但這些技術和相關系統的發展可能需要與理論發展相配合，與追蹤過程相一致，并盡早納入最終用戶的投入。如果MDO要提供新的好處，訓練界可能需要解決老問題。它可能需要更有效地溝通。

多域作戰背景

新興技術可以緩解因多域作戰（MDO）而放大的復雜訓練挑戰。為了發揮效益，技術研究和開發（R&D）可能需要與理論發展同步進行。然而，協調和有效的采購一直是軍隊的一個長期問題（Wong等人，2022），如果MDO要提供新的好處，訓練界可能需要解決老問題。它可能需要更有效的溝通。

盡管它在軍事文獻中被普遍使用，但MDO的定義可能有細微差別，并可能有所不同。盡管MDO的基本概念并不新鮮，但美國陸軍訓練和理論司令部最近在其2018年的小冊子（TP）525-3-1《2028年多域作戰中的美國陸軍》（美國陸軍，2018）中引入了這個術語。它納入了戰場戰略，但從根本上說，MDO是一種作戰戰略。它從線性作戰、非線性作戰和戰略癱瘓理論演變而來，它描述了陸軍將如何在所有領域作戰，包括電磁波譜和信息環境。

具體來說，MDO可以定義如下（Kasubaski，2019）。"一場由多場戰斗和行動組成的戰役，跨越領域、時間和有爭議的空間進行，最終使友軍（聯合/聯盟）的能力趨于一致，增加對對手（或敵人）的限制因素，減少對友軍的限制因素，打開多個機會窗口，對對手（或敵人）的關鍵漏洞和COG[重心]實現決定性的打擊。"

MDO最初描述了美國陸軍作為聯合部隊[陸軍、海軍、空軍、海軍陸戰隊和太空部隊]的一部分，如何對抗和擊敗能夠在所有領域[空中、陸地、海上、太空和網絡空間]與美國抗衡的近鄰對手（CRS，2021）。這個基本概念與所有領域的聯合指揮和控制密切相關（Marler等人，2022）。然而，無論具體定義如何，MDO的一個普遍主題是通過使用技術來解決復雜戰爭的挑戰（de Leon, 2021）。這個主題適用于訓練（de Leon, 2021），這是支持任何總體戰略的必要條件。

聯合全域作戰訓練的復雜性

大規模的訓練可能需要在集中協調和分散目標之間取得平衡，即使只是在一個軍種內。這種平衡在MDO中可能變得特別困難。這種挑戰涉及到組織管理和技術研發，而且隨著更多組織的整合，這種挑戰會增加。

支持訓練的能力應該來自于基本的訓練目標（Marler, 2022）。也就是說，有效的技術與預期的用途相一致。然而，通常情況下，技術的出現不是為了滿足市場需求，而是由于行業的推動。開發者可能會完善或加強一種能力，然后才會追求市場。然而，一般來說，當產品源于最終用戶的需求并與之保持一致時，它們會更加有效。訓練技術尤其如此；當它們從一開始就針對特定的訓練目標和特定的用戶群而設計時，它們是最有效的。

• 隨著用戶群的擴大和變得更加復雜，訓練目標也是如此。通常情況下，單一的訓練能力無法應對 "完全不同的目標"。

隨著用戶群的擴大和變得更加復雜，訓練目標也是如此。通常情況下，單一的訓練能力無法應對大量不同的目標。這反過來又造成了集中協調和分散需求之間的矛盾。在一個大型組織內，不同的訓練需求可能會促進潛在的分散的訓練目標。這種獨立的目標可能是合法的，如果被忽視或混為一談，訓練就會變得無效。然而，如果不加以控制，這種情況可能會導致孤島式的發展--不同的小組獨立進行研發，只為解決他們獨特的目標。這反過來可能會有重復工作的風險，從而浪費了資金。此外，它可能會失去在不同組織之間分享訓練目標、研發和流程方面的最佳做法的機會。因此，某種程度的集中協調可能是有益的。

為了促進協調，由一個組織來跟蹤和分享有關技術發展的信息可能是有益的。然而，在大型組織可能有機發展的情況下，這種意圖可能與人性相悖。例如，盡管每個軍種都可能有一個專門負責訓練的組織，但整個軍種的研發和訓練能力的使用可能并不明確和廣泛透明（Marler等人，2020）。確保整個軍種的適當協調可能需要持續關注。

調和獨特的訓練目標和協調工作的挑戰可能會隨著應用于更多的梯隊和組織而擴大。事實上，在這方面考慮一個連續體可能是合適的，即隨著訓練從單個人延伸到個人、團體、軍種、作戰指揮部以及最終國家（盟國和伙伴國）之間的互動，復雜性也會增加。這種復雜性在聯合社區中得到了充分的認可，各部門被要求進行整合，以便在戰斗中進行訓練（Marler等人，2020）。

引入不同的作戰環境--不同的領域--可能會進一步加劇這些復雜性。不同的環境，涉及不同的領域，可以呈現復雜的場景，需要大量的訓練協調。因此，MDO可能會提出對復制和準備特別具有挑戰性的場景。事實上，當訓練不僅跨越上述組織復雜性的連續體，而且跨越戰爭領域時，它可能是最復雜的，從而形成了一個復雜性矩陣，其兩軸代表了越來越多的作戰領域，以及相互作用的組織的復雜性，如下圖10.1所示。

圖 10.1：復雜性矩陣

為MDO進行有效的訓練可能需要在聯合背景下進行訓練，并解決這個復雜的完整矩陣。學習跨領域的思考、計劃和無縫操作可能是一個巨大的訓練挑戰。對此，與其簡單地從單一服務的角度來看待訓練，不如更全面地看待訓練，可能會有好處。為了利用新興技術的好處，盡早而不是晚些時候考慮復雜的全部矩陣可能是謹慎的。

技術可以如何幫助訓練

各種訓練技術可能對MDO特別有利，并可能有助于平衡集中協調與分散目標。特別是，軍隊正在越來越多地利用虛擬環境，包括虛擬現實（VR）和增強現實（AR）（Lye，2019）。VR涉及用戶完全沉浸在虛擬環境中，而AR涉及將虛擬實體疊加到真實物品上。這種環境可以提供各種好處，從允許安全地練習危險的活動，到鍛煉機密的操作和能力，到增加訓練的重復性。它們還可以為MDO提供專門的好處，主要是連接的形式；通過數據交換將各種聯網的虛擬環境連接起來可能相對容易。

此外，虛擬游戲在軍事訓練中提供了超過十年的價值，讓我們看到了軟件系統的好處，它允許離散的團體和個人整合并基本上一起訓練（Shaban, 2021）。現場、虛擬和建設性（LVC）能力也可以幫助支持MDO（Marler等人，2022）。這涉及到將使用真實武器系統的真實作戰人員與操作虛擬系統（例如，模擬器）的真實作戰人員與控制虛擬系統（建設性）的計算機聯系起來。混合能力涉及將實戰與虛擬和/或建設性相結合，而合成能力包括虛擬和建設性。此外，所有這些能力都可以促進基于性能的評估，即虛擬環境在使用期間和之后提供反饋。在虛擬環境中幾乎所有的操作都可以被存儲、分析和審查，這可能是新興訓練技術的另一個好處。

如圖10.2所示，虛擬訓練能力的兩個好處與MDO特別相關：1）容易開發各種環境的能力；2）連接各種能力的能力。通過游戲、VR、AR、LVC和一般的虛擬環境，可以相對容易地在不同的領域進行練習。可以肯定的是，這些技術并不是集體的萬能藥，某些訓練目標只能通過真實世界的練習來解決。此外，當需要高fi delity模擬時--根據訓練目標，它們并不總是必要的（Straus等人，2018）--適當的基礎模擬模型的可用性可能會帶來瓶頸。盡管如此，虛擬環境提供了開發、改變和使用無數種情況的能力，這可能包括所有的戰爭領域。因此，虛擬環境可能自然有利于MDO。

圖 10.2：訓練環境

除了代表多個領域外，虛擬環境可能有助于促進連接，使大規模的訓練演習與現實世界的演習相比相對容易。當然，整合不同組織開發的軟件系統不一定是小事；它可能需要組織協作和遵守數據標準。盡管如此，將許多不同的模擬器和模擬系統聯網可能比整合現實世界的系統更容易，因為這些系統可能有幾十年的歷史。因此，對于各軍種、作戰指揮部、甚至盟國和伙伴國來說，在聯合MDO訓練的背景下進行虛擬連接可能相對容易。

最終，正是這種連接的潛力可能有助于在集中的協調和分散的訓練目標之間建立一種平衡。如果發展得到適當的管理和激勵，虛擬訓練技術可以讓不同的用戶尊重他們獨特的訓練目標并開發專門的內容，同時允許軟件和模擬器連接到同一個聯盟中（維基百科）。這種聯盟的例子已經以JLVC（聯合實戰、虛擬和建設性）（美國聯合部隊司令部，2010）和JLCCTC（聯合陸地部分建設性訓練能力）（美國陸軍，n.d）的形式出現。然而，這些系統已經有機地成熟起來，從一開始就對復雜的聯合MDO環境進行了最少的整體考慮。盡管如此，連接軟件和模擬器的聯盟可以加強協調。

• 如果對開發進行適當的管理和激勵，虛擬訓練技術可以讓不同的用戶尊重他們獨特的訓練目標，開發專門的內容，同時允許軟件和模擬器連接到同一個聯盟中。

與現實世界的系統一樣，連接的潛在好處可能伴隨著挑戰，包括技術和組織方面。然而，可能有一些基本原則，如果在開發周期的早期考慮，可以釋放出MDO訓練的潛力。這些原則總是與基于模擬的訓練有關，但它們對于產生MDO訓練的好處可能特別關鍵。

技術的高效協調開發和部署

首先，讓訓練內容與訓練目標相一致可能會有幫助。盡管源于20世紀80年代陸軍 "空地一體戰 "理論的發展，但MDO這個詞相對較新。因此，訓練技術，更不用說一般的訓練，可能會對新的作戰理論產生反應，特別是隨著時間的推移，理論的發展。各種新興的訓練技術可能有助于解決MDO的獨特復雜性，但盡早與理論和終端用戶的投入一起開發這些技術可能會產生額外的好處。否則，可能會失去效率，訓練效果也會受到影響。從組織的角度來看，這可能需要理論發展組織與訓練發展組織緊密結合。

第二，訓練能力的部署過程可能與訓練能力的開發過程同樣重要（Marler, 2022）。即使有了針對適當目標的能力，如果沒有與訓練過程適當結合，它們也可能是無效的。因此，在開發訓練能力的過程中，考慮將其插入的課程可能是有益的。例如，僅僅購買VR系統和開發高質量的內容可能是不夠的；開發人員和用戶可能有必要事先了解VR在當前訓練管道中的使用情況，包括從基礎訓練到繼續訓練以及高級訓練。

第三，系統的互操作性可能需要在開發過程的早期成為訓練能力整合的基石。如果把它作為采購的事后考慮，可能會被扼殺。新的訓練軟件和模擬器可以從盡早加強互操作性的努力中受益（SPPS, 2022）。

這些原則可能需要被激勵。國防部可能有責任設計和實施促進協調的激勵措施。另一種選擇是在新的復雜問題面前重溫舊的挑戰和錯誤。可以肯定的是，以政策的形式進行積極的約束，要求各組織以某種方式進行協調，肯定是有先例的。還有一個先例是更多的被動激勵，比如資金，它吸引了一個預期的行為。也許不太常見的是，在廣泛的透明度和溝通新出現的能力和意圖方面的內在激勵。如果不同的組織，無論是國家還是軍事部門，適當地公布他們的訓練目標、能力和過程，這將有助于促進協調。這后一種形式的激勵可能是平衡集中協調和分散目標的關鍵。也許，如果MDO要提供新的好處，解決老問題的方法之一可能只是更頻繁的溝通。

通過這項美海軍的頂點研究，人工智能（AI）三人小組利用系統工程（SE）的方法來研究人工智能輔助的多任務資源分配（MMRA）如何使所有軍種的任務規劃者受益。這項研究的動力來自于優化我們武裝部隊中的MMRA問題集，對于戰術領導人有效管理現有資源至關重要。存在著一個將人類決策者與人工智能支持的MMRA規劃工具相結合的機會。在計算速度、數據存儲和商業應用中的整體公眾接受度方面的快速技術進步促進了這一點。

該團隊從三個任務集著手處理MMRA問題：車隊保護、航空支援和航母打擊群（CSG）行動。車隊保護用例探討了利用定向能（DE）的移動式地基防空系統。航空用例探討了美國陸軍的未來垂直遠程攻擊機（FLRAA）的能力組合，這是一個未來垂直升降機（FVL）的前里程碑B計劃。最后，CSG用例從高度復雜的系統（SoS）角度探討了MMRA。

盡管這些用例各不相同，但團隊探討了這些觀點之間的相似性和矛盾性。每個用例都應用了一般的MMRA流程架構。然而，每個用例的輸入和輸出都是單獨評估的。圖A描述了MMRA的總體流程架構。

如圖A所示，MMRA被設想為在確定的決策點由人在回路中激活。在這些事件中，MMRA系統用實時輸入進行一次循環。由黑盒MMRA系統確定的輸出被顯示給人在回路中的人，以進行標準決策程序。雖然這項研究僅限于問題的分解，但未來的研究領域是開發一個由人類系統集成（HSI）驅動的產品實現。MMRA通過對日益復雜和相互依賴的資源分配問題進行客觀評估，加強了指揮系統的決策。圖B描述了MMRA人工智能系統過程的行動圖。

MMRA決策已經超出了傳統決策過程的復雜程度。這種復雜性適用于任務規劃的各個層面。戰術層面是在士兵個人的直接指揮系統或單位層面進行的。行動和戰略層面則是在梯隊或總部層面進行。所有這些都需要對現有資源進行準確和有效的分配。

圖C中的圖形，"戰術評估過程。圖C "戰術評估過程：MMRA決策的復雜性 "描述了MMRA是如何在一個作戰場景的決策點上隨時間推移而進行的。初始規劃是在??0進行的，與 "MMRA過程結構 "中的 "初始 "黃色活動塊相關。之后的某個時間，??1, ??2, ??3, ..., ????決策點與 "MMRA過程流 "中的 "決策點重新規劃 "黃色活動相關。"初始 "和"決策點重新規劃 "這兩個黃色活動塊啟動了一個完整的 MMRA 過程流，它包含了 "初始 "和 "決策點重新規劃 "連續體中描述的所有活動。

決策點在三個MMRA用例中被普遍定義。然而，為了解情況，對設想中的場景采用了獨特的故事情節。雖然這里不能列出所有的案例，但CSG獨特決策點的一個例子是CSG內部、CSG外部或自然災害援助的應急反應。通常，所有的決策點都發生在出現新的任務、提供不同的任務優先級、資源耗盡、資源被破壞或任務無法繼續完成時。

為了更好地理解MMRA問題集的范圍，該團隊對所有三個用例進行了可擴展性和復雜性分析。可擴展性分析抓住了靜態MMRA問題集的范圍，與該用例的歷史背景相比較。因此，可擴展性分析為最初的MMRA規劃問題集提供了一個從傳統系統到現在用例方案的背景。在DE Convoy Protection和CSG用例中，可擴展性都有不可量化的增加。對于DE車隊保護來說，由于精確攻擊的技術進步，紅色部隊的能力增加。此外，CSG的藍軍能力增加了，在某些地方是三倍，因為反措施能力、導彈類型的可用性和不同級別驅逐艦之間的數量擴大了。作為補充，航空用例產生了15%的可擴展性，從傳統的實用級直升機到FVL FLRAA。

復雜性分析抓住了動態MMRA問題集的范圍，與各自用例的歷史背景相比較。這些復雜性分析提供了進一步的MMRA背景，因為當MMRA在交戰中被重新規劃時，戰術決策發生在多個決策點。所有三個用例的復雜性分析都構建了故事情節，展示了無形的、越來越具有挑戰性的MMRA考慮。隨著MMRA的可擴展性和復雜性的增加，未來對人工智能輔助的MMRA決策的關鍵需求變得清晰。

繼續分解人工智能輔助的MMRA問題集可能會引起美國武裝部隊的興趣。在所有的使用案例中，在初始和重新規劃的作戰場景中，戰術決策的復雜性都顯示出隨著時間的推移而增加。我們強烈建議對人工智能支持的MMRA問題集進行進一步研究。確定的未來研究領域有：工具的倍數、硬件/軟件部署戰略、戰術與作戰與戰略層面的資源配置、連續與離散的重新規劃節奏、人工智能機器學習的考慮，如數據的數量/質量、人類在環路中對人工智能的接受程度、人工智能輸出儀表板的顯示以及人工智能的倫理。

本文描述了一個反蜂群場景的作戰概念（ConOps），其中防御方使用蜂群無人機來防御攻擊的蜂群無人機。作戰概念是對一個系統的元素和其環境中的實體如何互動以實現其既定目標的高級概念描述。它已被證明是設計復雜技術系統的一個有用和綜合的要素。本文提出的反蜂群場景將為以下問題提供答案：如何部署兩個無人機群，如何將場景引入仿真系統，以及如何監測和監督其進展。通過使用反蜂群模擬器并與芬蘭國防軍的軍事專家進行討論和訪談，起草了反蜂群場景初步版本的作戰概念。

高度自主和智能的機器人群在軍事領域越來越受歡迎，因為群集系統可以比單一設備更有效和高效地執行許多種任務。蜂群機器人技術是一種旨在開發多機器人系統的技術方法，它以許多具有成本效益的機器人為基礎。在這里，我們介紹了反蜂群場景的作戰概念（ConOps）的開發，在這個場景中，防御方使用無人機群來防御一個目標，以抵御攻擊性無人機群。作戰概念是對一個系統的元素和其環境中的實體如何互動以實現其既定目標的高層次概念描述。它已被證明是設計復雜技術系統的一個有用的綜合要素。反蜂群場景的ConOps將提供以下問題的答案：如何部署兩個蜂群，如何將方案引入模擬系統，以及如何監測和監督其進展。

ConOps開發中的一項關鍵任務是為正在開發的系統定義主要的性能要求。我們進行了專家訪談，在此基礎上，我們起草了機器人車輛群和反群行動的主要要求，并與早期項目中確定的要求進行了比較。在本文中，我們還將概述對機器人群的高級控制概念，包括形勢評估、協調任務進展、報警處理以及提醒其他執法單位和載人車輛注意等任務。

本文的其余部分結構如下。首先，我們回顧了一些關于反蜂群的相關文獻。第二，我們在概念層面上定義了ConOps的含義，給出了一些機器人群的ConOps的例子，并介紹了一個早期的軍事領域的自主機器人群的ConOps。第三，我們介紹了我們的訪談結果，以及為反蜂群場景開發ConOps的目標和進展。

現代綜合防空系統（IADS）所帶來的日益復雜的反介入區域拒止（A2AD）威脅，加上高端隱形平臺所提供的日益強大的優勢，促使美國空軍高級領導人投資于徹底改變2030年及以后的空中力量。這一新設想的一個突出因素是蜂群武器，其目的是通過用大量低成本、可損耗的航空資產來壓倒國際航空運輸系統，并通過自主能力來解決這一挑戰。這項研究提出了一個框架，按照三個獨立的維度對不同級別的自主能力進行分類，即單獨行動的能力、合作能力和適應能力。使用模擬、集成和建模高級框架（AFSIM）構建了一個虛擬作戰模型，模擬以有人駕駛的穿透式轟炸機和自主巡航導彈群為特征的友軍空襲包與以A2AD角色行動的敵軍IADS之間的交戰。通過使用自主性框架作為設計實驗的基礎，評估了不同水平的自主性對攻擊包性能的影響。對實驗結果的分析揭示了哪些方面和什么級別的自主性對促進這一模擬場景的生存能力和殺傷力最有影響。

1. 引言

1.1 動機和背景

戰爭的技術性質正在迅速發展，人們越來越重視對大量數據的收集、處理和決策。隨著指揮與控制（C2）決策空間的復雜性增加，指揮系統根據現有信息采取行動的速度越來越成為一個限制性因素。具有不同程度的人與系統互動的自主系統為緩解這一不足提供了機會。美國2018年國防戰略（NDS）[18]明確要求國防部（DoD）"廣泛投資于自主性的軍事應用"，作為促進大國競爭優勢的一項關鍵能力。

參與大國競爭的一個自然后果是反介入區域拒止（A2AD）環境在聯合沖突的所有方面擴散。從美國空軍（USAF）的角度來看，現代綜合防空系統（IADS）構成了卓越的A2AD威脅，這嚴重抑制了通過常規手段建立空中優勢的前景[2, 20]。這一挑戰促使部隊結構的優先事項發生了變化，因為將能力集中在相對較少的高端系統中的感知風險越來越大。美國空軍科學和技術戰略[26]設想，數量龐大的低成本、易受攻擊的航空資產將很快發揮曾經由數量有限的高價值資產完成的作用。這種大規模的蜂群的任務規劃和空戰管理（ABM）工作的規模可能很快超過人類的認知能力，這使得它成為非常適合自主性研究和開發的應用領域。

1.2 問題陳述

本研究試圖評估幾種自主巡航導彈群的行為對A2AD環境中藍方（友方）空中性能的影響。具體來說，所研究的A2AD場景考慮了紅方（對手）的IADS被藍方聯網的自主巡航導彈群吸引，以促進穿透式轟炸機的后續打擊。在任務規劃時沒有考慮到的突然出現的威脅，可能會進入該場景以增加紅色IADS的力量。蜂群必須在沒有外部反彈道導彈的幫助下，檢測并應對這些突發威脅以及任何其他對抗性任務參數的變化。A2AD場景的建模是使用模擬、集成和建模高級框架（AFSIM）完成的。

1.3 研究問題

為了解決問題陳述，本研究將對以下問題提供答案：

1.具有自主反彈道導彈能力的巡航導彈蜂群能在多大程度上提高藍方空襲包在A2AD環境下的生存能力（即避免被紅方IADS發現和摧毀的能力）？

2.具有自主反彈道導彈能力的巡航導彈群能在多大程度上提高A2AD環境下藍方空襲包的殺傷力（即探測和摧毀紅方IADS元素的能力）？

1.4 論文的組織

本論文的其余部分包含四章，組織如下：第二章對包括自主性、A2AD環境、基于代理的建模和仿真（ABMS）以及實驗設計（DOE）等主題的參考材料進行了回顧。第三章建立了A2AD場景、AFSIM模型實現和實驗設計的結構，作為本研究的框架。第四章介紹了實驗模擬運行的結果和附帶的分析。最后，第五章討論了從這項研究中得出的結論，以及對未來研究方向的建議。

這項工作是由Calian團隊為加拿大國防研究與發展部-多倫多研究中心（DRDC TRC）進行的任務5 "人機協作決策支持系統的初步要求"，是大型人機交互（HAI）任務授權合同（TAC；合同號：W/001/TOR）的一部分。HAI TAC的目標是設計、開發、實施和評估士兵-機器人合作（SRT）的概念、方法和技術，以改善加拿大武裝部隊（CAF）的整體人機系統（HMS）性能。

在本技術說明中，報告了最近對傳感器技術的研究和發展以及未來在有人-無人系統（MUM-T）作業期間在小型無人系統上實現感知和規避（SAA）能力的文獻回顧。

在傳感器技術方面，我們研究了合作和非合作的傳感器，其中非合作的傳感器又分為主動和被動的。我們認為：（1）無源非合作傳感器在尺寸、重量和功率（SWAP）方面比其他傳感器有優勢。被動工作確保了無人平臺在敵對環境中的安全。為了補充單個傳感器能力的約束和限制，我們還認為，關于（2）傳感器和數據融合的趨勢和未來要求是有希望的，以實現動態、不確定環境中的連續和有彈性的測量。（3）此外，我們應關注無人系統領域正在開發的新型傳感器套件。

在檢測和規避方法方面，我們按照SAA流程進行了全面的研究，從檢測沖突、危險或潛在威脅，到跟蹤目標（物體）的運動；評價和評估風險和信心；根據評估的參數對沖突進行優先排序；然后宣布或確認沖突和沖突的程度；確定正確的沖突解決方式；然后是指揮，最后是執行。為了支持這一過程，對各種SAA算法進行了審查，包括探測算法、跟蹤算法和規避策略。我們認為，（4）基于學習的智能算法需要放在未來的SAA要求中，因為它們具有支持任務的適應能力。

最后，我們從各種使用案例中審查了支持MUM-T行動的SAA。我們認為，(5)與蜂群式小型UxV的人-系統接口提供了半自主的SAA能力，而人的參與程度有限。這種綜合的人-機器人互動提供了智能決策支持工具。該系統旨在使單個人類操作員能夠有效地指揮、監測和監督一個UxV系統。基于技術重點的趨勢，我們最終認為，(6)沒有士兵參與的完全自主在現階段的研究和開發進展方面是不成熟的，但我們將積極關注該領域的最新發展。