數字工程和數字設計是美國空軍（USAF）的一個新興重點領域，特別是用于現代復雜系統。高復雜度系統的一個例子是網絡合作自主彈藥群（NCAM），它優先考慮廣域搜索和多視角目標確認。首先，本研究討論了在基于模型的系統工程（MBSE）工具中建立行為模型的方法。然后，本研究介紹了NCAM在兩個環境中的并行建模工作：Cameo系統建模器中的MBSE模型，以及仿真、集成和建模高級框架（AFSIM）中的基于物理學的模型。每個數字模型在其環境中都為設計過程中的利益相關者提供了不同的好處，所以這些模型必須呈現出一致和平行的信息。因此，這項研究也提出了在模型之間翻譯設計信息的自動化方法。總的來說，這對協同工作的模型通過系統認知和數字場景模擬對自主過程的理解，與決策部門建立信任關系。

引言

1.1 一般問題

在始于1903年萊特兄弟首次飛行的重于空氣的飛行歷史中，美國軍隊促進了空對地攻擊能力的持續和快速發展。最初，飛行在軍事上的應用僅限于1909年美國陸軍信號部隊的偵察和監視；然而，第一次世界大戰和后來的第二次世界大戰的爆發創造了軍用飛機技術和理論的繁榮。到1946年，簡單的偵察雙翼飛機被可以超過音速的噴氣機所取代。美國看到了這種快速發展的技術的可行性，并在1947年創建了獨立的美國空軍（USAF）服務。空中力量的勢頭一直持續到現在，現代美國空軍的飛機可以隱藏他們的雷達信號，并精確地投擲制導彈藥，在地面上的同一個洞里投擲5枚炸彈！這就是美國空軍。

在美國空軍這個令人難以置信的組合中，一個合乎邏輯的下一個能力是合作和自主的彈藥，它利用相互通信來尋找、識別和打擊一個目標，同時評估對目標的損害。國防部研究與工程助理部長（USD(R&E)）對這種能力有兩個關鍵定義。

• "自動化。該系統的功能沒有或很少有人類操作者的參與。然而，系統的性能被限制在它被設計為做的具體行動上。通常，這些都是定義明確的任務，有預先確定的反應（即基于規則的簡單反應）。

• 自主性。系統有一套基于智能的能力，使其能夠對系統部署前沒有預先編程或預期的情況做出反應（即基于決策的反應）。自治系統具有一定程度的自治和自我指導行為（由人類代理決策）"。[4]

目前的制導彈藥非常嚴格地遵循自動化的定義。通過激光或全球定位手動指定目標，然后彈藥執行程序化的行動以擊中指定位置。在這種情況下，控制權被操作者緊緊抓住，對目標開火的決定需要多個人為步驟。這些人為步驟使操作者對自動化有一種信任感，因為扣動扳機時風險最小化；與操作者使用無制導彈藥相比，彈藥利用其自動化技術更準確地擊中目標。當討論下一步的自主化發展時，人們有一種理性的擔心，即人類通常控制的決定將由自主系統的機器大腦來代替。這種不信任導致人們對部署旨在自主摧毀目標的武器猶豫不決。

理解與系統自主決策相關的行為是建立對自主性信任的絕佳方式。有多種方法可以將行為理解傳達給人類評估者：首先是提供描述系統各個方面的正式文件，接下來是創建一個數字模型，用圖表表示系統結構和行為，另一個是運行涵蓋廣泛場景的模擬，最后演示可以證明物理系統在測試和評估中的能力。文檔方法一直是所有國防部采購的標準，可以追溯到手繪示意圖的設計時代。然而，最近，國防部對使用建模和仿真來記錄和管理系統表示了興趣。已經出現的一個概念是數字孿生，系統的每個方面都被虛擬建模，以實現快速的修改原型和精確的配置控制。[5]這種數字孿生的焦點也為它所代表的系統的物理結構和行為創造了清晰的、可瀏覽的數據，從而使系統得到合理的理解。

1.2 問題陳述

如Reed[6]所示，基于模型的系統工程（MBSE）已經迅速被美國空軍的數字工程工作所采用，用于程序和系統結構建模項目。然而，復雜系統的行為MBSE建模在美國空軍的相同項目中并不常見。對于自主系統，算法的復雜性和這些自主系統協作時出現的突發行為使得評估邏輯行為和性能影響變得困難。對系統行為進行建模的能力是MBSE過程所固有的，但MBSE模型通常缺乏提供詳細的基于物理學的模型的能力，無法對系統的運行情況進行性能評估。有一些專門建立的基于物理的仿真平臺，如高級仿真、集成和建模框架（AFSIM），就是為了這后一種目的而存在的，但它們往往與MBSE工具中的定義模型脫節[3]。一種將復雜系統的MBSE行為模型和同一復雜系統的基于物理學的仿真模型聯系起來的方法和工具是必要的。要確保這對模型之間的行為一致，需要有能力在建模平臺之間傳輸設計數據。

1.3 研究目標和問題

本研究的目的是建立一個復雜的合作彈藥系統的行為MBSE模型，并建立一個自動和可重復的方法，將數據從MBSE模型轉移到AFSIM場景中，以執行相同的合作彈藥行為的模擬。MBSE模型將足以驗證單個自主彈藥的邏輯行為，以及在合作概念中同一彈藥的數量。AFSIM模擬將反過來為建模者提供反饋，以便對彈藥模型進行潛在的修改，從而實現更高的性能。

合作彈藥模型的研究問題包括：

• SysML在行為建模中的優勢和劣勢是什么？

• 哪些MBSE元素和/或屬性適合翻譯成AFSIM的原生語言用于情景模擬？

• SysML數字模型在多大程度上可以代表AFSIM模擬中使用的合作彈藥的行為？

• 在SysML模型和AFSIM場景之間可以利用哪些自動和可重復的方法進行數據交換？

1.4 方法學總結

這項研究必須首先確定連接點和集成到AFSIM的所需變量，這將有助于定義合作彈藥的MBSE系統模型的邏輯接口。這些接口有助于定義合作彈藥的MBSE模型的邊界，并為整合到AFSIM的場景模型提供數據點。設計和測試的關鍵領域是：為AFSIM實體所需的變量和基本方程建模；提供從MBSE模型到AFSIM的彈藥和場景參數的自動導出可用性；以及確定MBSE模型中會影響模擬的可修改區域。基于對連接點的評估，研究將轉向創建一個MBSE模型，以保持連接點，同時建立與AFSIM模型平行的行為。MBSE模型中的行為將根據AFSIM模型的情況進行評估。

1.5 假設和局限性

本研究僅限于虛擬彈藥的建模和模擬。此外，本研究定義的合作彈藥概念是名義上的；因此，彈藥模型將由名義上的數據填充。

1.6 提綱

第2章是對與彈藥建模、AFSIM集成、自主無人機系統行為建模和美國空軍先進彈藥的歷史應用有關的出版物的文獻回顧。第3章介紹了合作彈藥概念的設計方法和將數據自動傳輸到AFSIM場景模擬的方法。第4章討論了已完成的網絡化合作自主彈藥（NCAM）MBSE模型的行為分析、自動轉換結果和平行模型之間的比較。第5章總結了研究的重要發現，并推薦了未來的研究課題。

多域作戰（MDO）概念的核心是利用由分布在多個合作伙伴之間的遠程和自主傳感器以及人類智能組成的重疊系統的情報、監視和偵察（ISR）網絡。實現這一概念需要人工智能（AI）的進步，以改善分布式數據分析，以及智能增強（IA），以改善人機認知。本文的貢獻有三點。(1)我們將聯盟態勢理解(CSU)的概念映射到MDO ISR的要求上，特別關注對有保障和可解釋的人工智能的需求，以便在資產分布于多個合作伙伴的情況下進行強有力的人機決策。(2) 我們提出了MDO ISR中人工智能和IA的說明性情景，包括人機合作、密集的城市地形分析和增強資產互操作性；(3) 我們評估了與情景相關的可解釋人工智能的最新進展，重點是人機合作，以實現更快速和敏捷的聯盟決策。這三個要素的結合旨在展示CSU方法在MDO ISR背景下的潛在價值，基于三個不同的用例，強調了在多伙伴聯盟環境下對可解釋性的需求是如何的關鍵

引言

多域作戰（MDO）需要在有爭議的環境中，針對近鄰對手，在多個領域--從密集的城市地形到空間和網絡空間--開展行動的能力、能力和耐力（美國陸軍2018年）。MDO作戰環境的一個關鍵特征是，對手將在所有領域、電磁頻譜和信息環境中進行爭奪，而盟軍的主導地位是無法保證的。敵人試圖通過在時間上、空間上、功能上和政治上等多個方面將友軍分開來實現對峙。通過降低盟軍的識別、決策和行動的速度，以及通過多種手段（外交、經濟、常規和非常規戰爭，包括信息戰）瓦解聯盟來實現對峙。在這種情況下，快速和持續地整合收集、處理、傳播和利用可操作的信息和情報的能力變得比以往任何時候都更重要。

為了應對這一挑戰，MDO中的分層ISR概念設想利用 "與合作伙伴開發的現有情報、監視和偵察（ISR）網絡。...由遠程和自主傳感器、人類情報和友好的特種作戰部隊的重疊系統組成'（美國陸軍2018年，第33-34頁）。在空前激烈的競爭環境中實現ISR資產的價值最大化，需要有能力在合作伙伴之間共享資源--在作為聯合、機構間和多國團隊的一部分進行的行動中--在一個可控但開放的聯盟環境中，以可知的信任和信心水平。

人工智能（AI）和機器學習（ML）技術被視為實現MDO中分層ISR愿景的關鍵："迅速將數據傳播給采用人工智能或其他計算機輔助技術的野戰軍或軍團分析小組，以分析大量數據"（美國陸軍2018年，第39頁）。事實上，MDO環境的要求被視為需要一種能力，以超過人類認知能力的速度和規模，融合包括ISR在內的多個領域的能力。強大的、可互操作的人工智能/ML被認為是融合來自多種資產的數據并在行動伙伴之間傳播可操作的知識以告知決策和任務完成的關鍵（Spencer, Duncan, and Taliaferro 2019）。

總之，挑戰是使人類和機器智能體（軟件和機器人）能夠在聯合、機構間、多國和高度分散的團隊中有效運作，arXiv:1910.07563v1 [cs.AI] 2019年10月16日 在分布式、動態、復雜和雜亂的環境中。從人類的角度來看，人工智能和ML是克服人類因操作速度和規模而產生的認知限制的必要工具，其目的是增強--而不是取代--人類的認知和決策。在這里，我們把智能增強（IA）看作是對人工智能的補充，正如在人工智能歷史的最早時期（Engelbart 1962）所設想的那樣。我們專注于由人類和AI/ML智能體組成的快速形成的聯盟團隊，在網絡邊緣運作，具有有限的連接、帶寬和計算資源，發揮決策作用，例如，陸軍士兵在密集的城市環境中。然而，大部分的討論也將適用于其他領域的一系列其他角色，例如，進行網絡領域決策的情報分析員。

我們之前在一個相關的背景下研究了這一挑戰：聯盟情境理解（CSU）（Preece等人，2017年），其中我們確定了人機協作中兩個特別重要的屬性：可解釋性以支撐信心，可講述性以提高操作的靈活性和性能。本文主要關注其中的第一個屬性，但也涉及到第二個屬性。我們首先在MDO背景下重新審視了CSU的概念，然后研究了該概念在三個MDO小故事中的應用：人機協作、密集城市地形分析和增強資產互操作性。最后，我們評估了與小插曲相關的可解釋人工智能的最先進技術，強調了分層解釋的概念（Preece等人，2018）是如何與MDO分層ISR中的人工智能/ML保證需求相適應的。

在繼續之前，我們退一步指出，MDO環境的關鍵特征--（i）快速變化的情況；（ii）獲得真實數據來訓練AI的機會有限；（iii）行動期間的嘈雜、不完整、不確定和錯誤的數據輸入；以及（iv）采用欺騙性技術來擊敗算法的同行對手--并非軍事背景所獨有；它們通常在政府和公共部門的應用中更普遍存在，正如這些努力的聯合、機構間和多國方面。事實上，一般來說，MDO概念的多領域廣度及其對競爭和沖突階段的考慮，意味著MDO影響到屬于政府和公共部門的政治和社會領域。

MDO的聯盟態勢理解

形勢理解（SU）是 "將分析和判斷應用于單位的形勢意識，以確定現有因素的關系，并形成關于對部隊或任務完成的威脅、任務完成的機會和信息差距的邏輯結論的產物"（Dostal 2007）。英國的軍事學說（英國國防部2010年）對理解的定義如下：

理解（洞察力）=對形勢的認識和分析

理解力（預見力）=理解力和判斷力

在這里，理解包括預見性，即推斷（預測）潛在的未來狀態的能力，這與SU涉及能夠得出有關威脅的結論的常見定義是一致的（Dostal 2007）。預見性必然包括在時間上處理和推理信息的能力。這些關于SU的觀點與信息融合有著內在的聯系，因為它們涉及收集和處理來自多個環境來源的數據，作為得出SU的輸入。就數據融合的JDL（Joint Directors of Laboratories）模型而言（Blasch 2006），就考慮的語義實體和關系的種類而言，CSU問題可能涉及相對較高或相對較低的理解水平。例如，在相對較低的層次上，CSU問題可能只涉及車輛或建筑物等物體的探測、識別和定位（JDL 1級和2級）。在更高層次上，CSU問題將涉及到確定威脅、意圖或異常情況（JDL 3級）。此外，來源通常會跨越多種模式，例如，圖像、聲音和自然語言數據（Lahat, Adali, and Jutten 2015）。

圖1：CSU分層模型（來自（Preece等人，2017））虛擬分布于多個合作伙伴，并采用多種技術：人機協作（HCC）、知識表示和推理（KRR）；多智能體系統（MAS）；機器學習（ML）；自然語言處理（NLP）、視覺和信號處理（VSP）。

我們在聯盟行動背景下的SU的概念架構--聯盟態勢理解（CSU）--如圖1所示。最底層由數據源（物理傳感器和人類產生的內容）的集合組成，可在整個聯盟內訪問，收集多模式數據。上面的三層大致對應于JDL模型的0-3層。對于每一層，圖中顯示了所采用的主要技術--包括人工智能和ML--，盡管其他技術也可能被利用。信息表示層使用傳入的數據流來學習概念，并對實體以及它們在多層次語義顆粒度上的關系進行建模。過去的觀察歷史以明確或隱含的方式被編碼在這些表示中。信息融合層采用所開發的算法和技術，對來自信息表示層的概念和實體進行賦值。該層估計世界的當前狀態，提供洞察力（態勢感知）。然后，預測和推理層使用估計的當前狀態，加上模型的狀態空間來預測未來的狀態，提供預見性（情景理解）。圖中描述了聯盟的虛擬視圖：所有四個層都分布在聯盟中。

根據用戶融合模型（Blasch 2006），圖1中的上層需要對人類開放，為推理提供專家知識；這些層也需要對人類用戶開放，即能夠對系統產生的洞察力和預見力進行解釋。不同層之間存在著雙向的信息交流：在向上（前饋）的方向，低層的推理作為下一層的輸入；在向下（反饋）的方向，信息被用來調整模型和算法參數，并可能以不同的方式給傳感器分配任務。要創建更好的系統來支持CSU，就必須開發成熟的模型和算法，在一段時間內減少人類的干預，實現更大的自主性，但不能取代人類的參與和監督。

CSU-MDO情節

情節1：增強資產的互操作性

以MDO的分層ISR概念為出發點（"遠程和自主傳感器、人類智能和友好特種作戰部隊的重疊系統"（美國陸軍2018年）第34頁 )，我們認為人類是圖2中描述的多智能體環境中的三種ISR智能體之一，同時還有基于(i)亞符號AI技術（例如深度神經網絡（LeCun, Bengio, and Hinton 2015））和(ii)符號AI技術（例如基于邏輯的方法）的軟件智能體。為了實現這三種智能體（ISR資產）之間的互操作性，我們需要：

1.使亞符號人工智能智能體能夠分享不確定性意識到的見解和知識的表示，然后可以傳達給符號人工智能智能體。

2.使符號人工智能智能體能夠從數據中學習因果聯系的不確定性分布，同時能夠與亞符號人工智能智能體分享洞察力；以及

3.開發共生人工智能技術，以有效地與人類互動，首先是通過從人機合作活動中不斷學習來適應定型的行為。

圖2：CSU的多智能體非層次方法：（上）人類智能體，（左下）亞符號AI智能體，（右下）符號AI智能體。

前兩個案例的重點是機器資產之間的互操作性。在第三個案例中，我們超越了傳統的分層架構，即人類只與裝備了符號化人工智能的智能體進行互動，而這些智能體又利用亞符號化人工智能在特定任務上實現人類水平或卓越的性能。這樣的傳統架構是有限的，因為：（1）并不總是需要符號AI與人類互動（Ribeiro, Singh, and Guestrin 2016）；（2）有些任務，符號AI可以支持亞符號AI智能體（Xu等人，2018）；（3）有些任務，人類可以支持符號和/或亞符號AI智能體（Phan等人，2016），因此AI智能體需要配備學習和推理人類層次和結構的能力。

圖3提供了（Spencer, Duncan, and Taliaferro 2019）中設想的MDO分層ISR架構與前面對資產的符號化、亞符號化或混合化特征之間的映射。

圖3：來自（Spencer, Duncan, and Taliaferro 2019）的簡化版圖：矩形代表符號系統；圓形代表亞符號系統；圓角矩形代表混合元素。

情節2：人機編隊

我們的工作旨在提高能力，以促進復雜的聯盟任務，支持MDO，其中聯合和多國團隊和多領域的需求是至關重要的（美國陸軍2018）。最重要的是，在作戰情況發生時提供一個連貫的觀點和評估，從而在復雜、有爭議的環境中整合CSU的學習和推理，為網絡邊緣的決策者提供信息。如前所述，CSU既需要集體洞察力--從不確定且通常稀少的數據中獲得對局勢的準確和深刻理解，也需要集體預見力--預測未來會發生什么的能力（Preece等人，2017）。

多年來，承受力的概念一直是人機交互（HCI）領域的核心，指的是一個物體的 "用途"，即 "該事物的感知和實際屬性，主要是那些決定該事物如何可能被使用的基本屬性"（Norman 1988）。在MDO分層ISR的背景下，有必要考慮人類和機器資產對一系列ISR任務的承受力。人機合作的目的是為了讓每一方都能利用對方的優勢，并彌補對方的弱點（Cummings 2014）。例如，（Crouser和Chang，2012年）將視覺分析范圍內的機器能力描述如下：

• 大規模數據操作。
• 大量數據的收集和存儲。
• 高效的數據移動。
• 無偏見的分析。

基于目前的機器能力，以下內容構成了人類資產的負擔（Crouser和Chang 2012）：

• 視覺和聽覺語言的感知。
• 社會文化意識。
• 創造力。
• 廣泛的背景領域知識。

在履行MDO的過程中，設想部署有人和無人的戰術總部（HQ）將變得很普遍，如圖4所示，該圖是根據（White等人，2019年）中的情景闡述的。在這里，在部署有人值守的總部A的同時，在高威脅地區進一步建立了第二個無人值守的總部B，由 "虛擬參謀 "組成。這些人被設計成與有人值守的總部中的對應人員一起工作，并減少總部的足跡以及人類操作員的工作量和威脅。自主和載人的傳感器混合在一起進入無人總部，人機合作提供了持久的要求，即有一個 "人在循環"，以做出關鍵的最終決定。

圖4：戰術領域的人機協作：部署配備了亞符號和符號AI智能體的有人和無人戰術總部；闡述自（White等人，2019）。

情節3：密集的城市地形分析

全球城市化速度的加快，以及城市和特大城市的戰略重要性，確保了MDO行動將在密集的城市地形中進行。在這里，密度指的是這種環境的物理和人口性質，產生了特定的物理、認知和行動特征。在密集的城市地形中進行MDO的準備工作，需要進行情報活動以了解人類、社會和基礎設施的細節；這些地區的特點是多樣化的、相互聯系的人類和物理網絡，以及提供不同程度的現成掩護和隱蔽的三維交戰區。

在這種環境下，ISR將利用和增強民用基礎設施。例如，民用CCTV（閉路電視攝像機）的使用將越來越多地得到自動面部識別處理的增強，以探測和跟蹤高價值目標，或支持建筑的生活模式。隨著目標進入車輛，民用自動車牌識別技術可能被利用。這種城市基礎設施的多樣性--在某些情況下擴展到全面的 "智能城市 "整合--為ISR資產之間的敏捷互操作性提出了進一步的要求，特別是由于ISR任務不一定能事先計劃需要什么樣的收集和處理。在這種情況下，分析的構成將是動態的和針對具體情況的，并不斷地重新提供和優化資源（White等人，2019）。

在密集的城市地形中，對聯合、機構間以及經常是多國合作的需求進一步凸顯。如上所述，在這種情況下，CSU取決于人與人工智能的合作：AI智能體等機器流程在數據分析方面提供了強大的能力，但它們需要為其產出提供一定程度的保證（解釋、問責、透明），特別是當這些產出被沒有接受過信息科學技術培訓的決策者所使用，并且他們可能正在利用相對陌生的當地ISR資產。目前的ML方法在生成CSU所需的世界的可解釋模型（即表征）的能力上是有限的（Lake等人，2017）。此外，這些方法需要大量的訓練數據，并且缺乏像人和基于知識表示的系統那樣從少量的例子中學習的能力（Guha 2015）。人類專家告訴機器相關信息的能力--通常來自他們對當地環境的生活經驗--增加了人類與人工智能互動的節奏和顆粒度，以及系統在滿足任務要求方面的整體響應能力。因此，重要的是為聯盟機器智能體配備綜合學習和知識表示機制，以支持CSU，同時提供保證（可解釋性）和被告知關鍵信息的能力，以減輕稀疏數據的問題（可講述性）。在最近的研究中，我們為神經符號混合環境建立了重要的基礎，包括多模態數據的多智能體學習（Xing等人，2018）、證據性深度學習（Sensoy、Kaplan和Kandemir，2018）、概率邏輯編程（Cerutti等人，2019）、正向推理架構，其中神經網絡的輸出被送入概率邏輯引擎，檢測具有復雜時空特性的事件（Vilamala等人，2019）。

MDO 中分層 ISR 的分層解釋

上一節中的三個小情節所產生的目標是，通過創建系統架構，使機器和人類智能體人之間能夠協同合作，在有爭議的環境中獲得可操作的洞察力和預見力，從而應對在MDO中快速利用適應性ISR知識為各聯盟提供決策依據這一挑戰。

在我們早期對CSU的研究中，我們發現需要將來自各聯盟伙伴的人類和機器智能體敏捷地整合到動態和反應的團隊中。我們已經將其正式化為人類-智能體知識融合（HAKF）：一種支持這種深度互動的能力，包括可解釋性和可告知性的雙向信息流，從而使人工智能和人類之間進行有意義的溝通（Braines, Preece, and Harborne 2018），如圖5所示。這種HAKF能力支持可解釋性和可講述性自然地成為人類和機器智能體之間的對話過程（Tomsett等人，2018），使AI智能體能夠對復雜的機器/深度學習分類產生的結果提供解釋，并接收修改其模型或知識庫的知識。

圖5：人類-智能體知識融合，提高信心和性能，支持更好的決策。

一個關鍵的要求是在上一節強調的分布式符號/亞符號整合中加入人類互動，并建立各種人類和AI智能體需要掌握的最低限度的共同語言集，以確保特定任務的有效溝通。為了支持動態情境感知收集和信息處理服務背景下的直觀的機器可處理的表述，我們特別關注機器生成的信息的人類可消費性，尤其是在對話式交互的背景下，以及決策者可能缺乏信息科學的深度技術訓練的情況下。這種共同語言必須能夠傳達不確定性和適當的結構，以實現與亞符號層的整合，以及與該領域相關的更傳統的語義特征。我們并不局限于純粹的語言形式，新的視覺或圖表符號，或者其他交流技術，都可以作為解決方案的一部分。

此外，有必要考慮各種自主智能體之間自動談判的情況，其中一些將是人類。同時，人類本身也可以成為學習任務的對象：如果機器智能體對單個人類智能體（或一般的人類智能體）有足夠的了解，可以推斷出建議或變化的影響，他們自己的行為就有可能被推到特定的方向。此外，機器智能體可能需要在人類智能體中找出最適合某項任務的人，而歷史數據可以幫助他們實現這一目標。這種共生的人工智能技術可以用來更有效地與人類互動，起初是通過從人機互動中不斷學習來適應定型行為。

在有爭議的環境中，這種復雜和動態的混合設置特別有風險，容易被利用，因此需要整合不確定性意識和概率能力。所有這些都要在與決策任務和人類用戶的參與相適應的節奏下實現，機器智能體能夠支持實時互動。

分層解釋

在最近的工作中，我們從解釋接受者的角度研究了可解釋性，有六種（Tomsett等人，2018）：系統創建者、系統操作者、根據系統輸出做出決定的執行者、受執行者決定影響的決策主體、其個人數據被用于訓練系統的數據主體，以及系統審查者，例如審計師或監察員。基于這個框架，我們提出了一種 "分層 "的方法，通過復合解釋對象為不同的利益相關者提供不同的解釋（Preece等人，2018），該對象將滿足多個利益相關者所需的所有信息打包在一起，并可以根據接收者的特定要求進行解包（例如，通過訪問器方法）。我們認為這樣一個對象是分層的，具體如下。

第1層--可追溯性：基于透明度的模型內部狀態的綁定，所以解釋并不完全是事后的合理化，顯示系統 "做了正確的事情"。

第二層--證明：與第一層相聯系的事后表述（可能是多種模式），提供輸入和輸出特征之間的語義關系，表明系統 "做了正確的事情"。

第三層--保證：與第二層相聯系的事后表述（同樣，可能是多種模式），明確提及政策/本體元素，以使接受者相信系統 "做了正確的事"。

集成示例

我們考慮了一個密集的城市地形環境，借鑒了（Kaplan等人，2018），其中包括CCT V在內的民用傳感基礎設施得到了聯盟ISR資產的補充。正如（Vilamala等人，2019年）所闡述的那樣，使用活動識別AI/ML服務監測來自公共市場的視頻資料。在閉路電視畫面中突然檢測到爆發了異常的、"暴力 "的身體活動。此時，通過增強的資產互操作性，聯盟ISR系統按需訪問其他傳感方式，以獲得更多關于情況的數據，挖掘最近從市場上收集的音頻數據，這些數據通過聲學傳感器獲得。處理音頻流的相關部分顯示出有節奏的吟唱，與視覺活動融合在一起，表明該活動是該地區特有的無害舞蹈儀式。請注意，該活動不具威脅性的推論構成了情景理解：具有預見性的洞察力。此外，雖然可以想象，當有足夠的數據對活動進行分類時，無害的舞蹈可以通過機器處理來識別，但在（Kaplan等人，2018）中，我們考慮的情況是，識別這種活動需要當地的文化知識，并由人機合作處理：機器將異常的視覺活動，包括來自音頻的額外背景，提請有經驗的人類智能體注意。

我們的分層解釋概念支持 "打包 "三個層次的解釋，以支持本例中人類的自信決策。

• 就視頻和音頻中的突出特征而言的可追溯性，例如，使用（Hiley等人，2019年）中的技術來區分重要的空間和時間特征（在后者，"暴力 "運動）。

• 假設可以通過機器處理來推斷活動的意義（洞察力和預見力），那么推斷的理由就很充分；以及

• 保證反事實已被考慮（無害與攻擊性行動的可能性），可能通過（Kaplan等人，2018）的不確定性意識方法表示。

結論和未來工作

在本文中，我們將聯盟態勢理解的概念應用于在多領域作戰中實現分層ISR的問題，特別是在人工智能和機器學習服務提供改進的分布式數據分析，以及情報增強--特別是對有保證和可解釋的人工智能的需求--支持改進人機認知的情況下。我們重點關注實現分層ISR愿景的三個要素：人機協作、密集的城市地形分析和增強的資產互操作性，強調在多伙伴聯盟環境下對可解釋的人工智能的需求是如何的關鍵。

我們目前和未來的工作集中在圖2所示的一般問題上：使亞符號AI智能體分享不確定性意識到的見解和知識表示，然后可以傳達給符號AI智能體，同時也使符號AI智能體有能力將見解分享給亞符號AI智能體（即機器對機器的可解釋性）。最終，我們尋求開發技術，使人工智能/語言智能體能夠通過從人機合作活動中不斷學習而與人類協同互動。

現代戰術戰爭需要迅速而有效的決策和行動，以便在經常是高度動態和復雜的戰區保持競爭優勢。需要考慮的因素的數量因不確定性、事件的快速發展和人為錯誤的風險而放大。自動化、人工智能和博弈論方法的潛在應用可以為作戰人員提供認知支持。這項研究以自動兵棋推演輔助決策的形式探索了這些應用。該團隊為這個未來的系統開發了一個概念設計，并將其稱為兵棋推演實時人工智能輔助決策（WRAID）能力。

頂點項目的目標是探索自動化、人工智能和博弈論的應用，作為支持未來WRAID能力的方法。該團隊為WRAID能力開發了需求、概念設計和操作概念。該小組確定并探索了可能對未來實施WRAID能力構成障礙的挑戰性領域。該小組調查了與使用人工智能來支持戰爭決策有關的倫理挑戰和影響。

本報告首先對與WRAID能力相關的主題進行文獻回顧。文獻回顧從人工智能的回顧開始，提供了一個關于人工智能如何工作以及它能夠完成什么類型任務的概述。文獻綜述探討了人機協作的方法，以支持未來指揮官和人類用戶與WRAID系統之間的互動。需要翻譯指揮官的意圖，并讓WRAID將有意義的輸出傳達給指揮官，這需要一個強大的界面。審查包括傳統的兵棋推演，以研究目前的模擬兵棋推演是如何進行的，以便深入了解，未來的WRAID能力如何能夠實時復制兵棋推演的各個方面，并認為以前的兵棋推演可以為人工智能和機器學習（ML）算法的發展提供訓練數據。ML算法的訓練需要大量的代表性數據。文獻回顧研究了人類的認知負荷，以深入了解人類大腦的認知技能和上限；并確定人類思維的極限，以顯示人工智能可能提供的支持。文獻綜述中涉及的最后一個主題是，傳統的計劃和決策，以了解目前在軍事上如何制定戰術行動方案。

該小組進行了需求分析和利益相關者分析，探索WRAID能力如何支持作戰人員。該小組在需求分析的基礎上為WRAID系統開發了一套需求。這些要求被歸類為：硬件/軟件，人機界面，和道德規范。第一階段的分析結果包括 (1)戰爭的復雜性需要發展一種未來的WRAID能力，這種能力利用自動化方法，包括人工智能、ML和博弈論，(2)WRAID能力需要大量的計算能力和復雜的軟件算法，(3)實現未來WRAID系統的挑戰將是技術和道德的。

未來WRAID系統的概念設計是基于需求分析的。概念設計被記錄在一套系統模型中，包括背景圖、系統視圖、功能工作流程圖和操作視圖。該團隊開發了一個作戰場景，以支持對WRAID能力如何在作戰中使用。

在開發WRAID的過程中，預計會有一些路障。開發WRAID系統的技術是存在的，然而，研究小組發現數據挑戰、人工智能訓練、程序限制和當前系統工程的局限性將是需要解決的障礙。數據挑戰指的是獲得足夠的數據集的能力，這些數據集代表了訓練ML算法所需的真實世界的戰術行動和兵棋推演分析。程序性挑戰包括國防部實施網絡安全、機密數據、數據庫訪問和信息分配協議的能力。系統工程方面的障礙是需要新的方法來設計安全和可靠的人工智能系統，如WRAID能力。將需要SE方法來處理不可預見的故障模式，并在系統生命周期的早期確定根本原因。

對像WRAID能力這樣的人工智能系統的倫理考慮是系統發展的一個重要因素。開發系統以取代倫理學，將使系統更有可能被部署。有幾個有道德問題的自主武器系統被拉出來作為WRAID能力的道德對話的基礎。通過一個示例場景，對道德狀況進行定性分析，以了解在部署WRAID能力時可能出現的道德問題。倫理學在未來的技術中發揮著巨大的作用；從一開始就考慮到倫理學，建立技術是很重要的。

未來的重點需要放在繼續對想象中的WRAID系統采取正規的系統工程方法。WRAID系統需要一個強大的數據集，需要收集和注釋；收集的定性兵棋推演數據越多，WRAID系統的可行性和準確性就越高。與軍事部門的合作對于最大化WRAID的利益至關重要，例如情報和偵察組織。WRAID的模擬將是完善系統要求和創建現實模型的關鍵。關于如何使用WRAID的培訓和文檔應該同時開發，所以利益相關者，特別是指揮官已經準備好，知道如何使用這個新工具。未來的研究領域包括認知工程、基于正式模型的系統工程和人機協作。

隨著目前技術進步的速度和外國的目標，人工智能將在未來的沖突和戰爭中發揮作用。自上而下的指令將需要設計和實施WRAID能力：提供大量的資源，解決操作和文化變化，重組系統工程，并確保網絡安全和收購變化。實現未來的WRAID能力并不是一個微不足道的任務。然而，它對確保現在和未來的戰斗空間優勢至關重要。

前沿作戰基地（FOB）防御是一項人力密集型任務，需要占用作戰任務的寶貴資源。雖然能力越來越強的無人駕駛飛行器（UAV）具備執行許多任務的能力，但目前的理論并沒有充分考慮將其納入。特別是，如果操作人員與飛行器的比例為一比一時，并沒有考慮提高無人機的自主性。本論文描述了使用先進機器人系統工程實驗室（ARSENL）蜂群系統開發和測試自主FOB防御能力。開發工作利用了基于任務的蜂群可組合性結構（MASC），以任務為中心、自上而下的方式開發復雜的蜂群行為。這種方法使我們能夠開發出一種基于理論的基地防御戰術，在這種戰術中，固定翼和四旋翼無人機的任意組合能夠自主分配并執行所有必要的FOB防御角色：周邊監視、關鍵區域搜索、接觸調查和威脅響應。該戰術在軟件模擬環境中進行了廣泛的測試，并在現場飛行演習中進行了演示。實驗結果將使用本研究過程中制定的有效性措施和性能措施進行討論。

第1章：導言

1.1 背景和動機

2019年，美國海軍陸戰隊司令大衛-H-伯杰將軍發布了他的規劃指南，作為塑造未來四年的部隊的一種方式。他在其中指出："我們今天做得很好，我們明天將需要做得更好，以保持我們的作戰優勢"[1]。這句話摘自海軍陸戰隊司令大衛-H-伯杰將軍的《2019年司令員規劃指南》（CPG），呼吁采取集中行動，以應對海軍陸戰隊在未來戰爭中預計將面臨的不斷變化的挑戰。在為海軍陸戰隊確定未來四年的優先事項和方向的CPG中的其他指導，呼吁建立一個 "適合偵察、監視和提供致命和非致命效果的強大的無人駕駛系統系列"[1]。伯杰將軍進一步呼吁利用新技術來支持遠征前沿基地作戰（EABO）。EABO將需要靈活的系統，既能進行有效的進攻行動，又能進行獨立和可持續的防御行動。簡而言之，實現EABO將需要最大限度地利用每個系統和海軍陸戰隊。

從本質上講，伯杰將軍正在呼吁改變無人駕駛飛行器的使用方式。通過使用大型的合作自主無人飛行器系統，或稱蜂群，將有助于實現這一目標。無人飛行器蜂群提供了在人力需求和后勤負擔增加最少的情況下成倍提高戰場能力的機會。正如伯杰將軍所提到的 "下一個戰場"，海軍陸戰隊將必須利用各種技術，最大限度地利用自主性和每個作戰人員在戰場上的影響。

目前的無人系統使用理論是以很少或沒有自主性的系統為中心。另外，目前的系統依賴于單個飛行器的遠程駕駛；也就是說，每輛飛行器有一個操作員。部隊中缺乏自主系統，這在監視和直接行動的作戰能力方面造成了差距。此外，側重于一對一操作員-飛行器管理的無人系統理論要求操作員的數量與車輛的數量成線性比例。這對于 "下一個戰場 "來說是不夠的。相反，海軍陸戰隊將需要能夠讓操作員擺脫束縛或提高他們同時控制多個飛行器的能力系統[2]。

考慮到這些目標，美國海軍研究生院（NPS）的先進機器人系統工程實驗室（ARSENL）已經開發并演示了一個用于控制大型、自主、多飛行器的系統，該系統利用了分布式計算的優勢，并將駕駛的認知要求降到最低。ARSENL在現場實驗中證明了其系統的功效，在該實驗中，50個自主無人駕駛飛行器（UAV）被成功發射，同時由一個操作員控制，并安全回收[3]。

1.2 研究目標

這項研究的主要目標是證明使用無人機蜂群來支持前沿作戰基地（FOB）的防御。特別是，這需要自主生成、分配和執行有效的、符合理論的基地防御所需的子任務。這部分研究的重點是開發基于狀態的監視、調查和威脅響應任務的描述；實施支持多飛行器任務分配的決策機制；以及任務執行期間的多飛行器控制。

輔助研究目標包括展示基于任務的蜂群可組合性結構（MASC）過程，以自上而下、以任務為中心的方式開發復雜的蜂群行為，探索自主蜂群控制和決策的分布式方法，以及實施一般的蜂群算法，并證明了對廣泛的潛在蜂群戰術有用。總的來說，這些目標是主要目標的一部分，是實現主要目標的手段。

1.3 方法論

基地防御戰術的制定始于對現有基地防御理論的審查。這一審查是確定該行為所要完成的基本任務和子任務的基礎。然后，我們審查了目前海軍陸戰隊使用無人機的理論，以確定這些系統在基地防御任務中的使用情況。

在確定了任務要求的特征后，我們為基地防御的整體任務制定了一個高層次的狀態圖。子任務級別的狀態圖等同于MASC層次結構中的角色。

ARSENL代碼庫中現有的算法和游戲以及在研究過程中開發的新算法和游戲被用來在ARSENL系統中實現子任務級的狀態圖。最后，根據高層次的狀態圖將這些游戲組合起來，完成基地防御戰術的實施。

在游戲和戰術開發之后，設計了基于理論的有效性措施（MOE）和性能措施（MOPs）。通過在循環軟件（SITL）模擬環境中的廣泛實驗，這些措施被用來評估基地防御戰術。在加利福尼亞州羅伯茨營進行的實戰飛行實驗中，也展示了該戰術和游戲。

1.4 結果

最終，本研究成功地實現了其主要目標，并展示了一種包含周邊監視、關鍵區域搜索、接觸調查和威脅響應的基地防御戰術。此外，開發工作在很大程度上依賴于MASC層次結構，以此來制定任務要求，并將這些要求分解成可在ARSENL蜂群系統上實施的可管理任務。這一戰術在實戰飛行和模擬環境中進行了測試，并使用以任務為中心的MOP和MOE進行了評估。最后的結果是令人滿意的，在本研究過程中開發的戰術被評估為有效的概念證明。

1.5 論文組織

本論文共分六章。第1章提供了這項研究的動機，描述了這個概念驗證所要彌補的能力差距，并提供了ARSENL的簡短背景和所追求的研究目標。

第2章討論了海軍陸戰隊和聯合出版物中描述的當前海軍陸戰隊后方作戰的理論。還概述了目前海軍陸戰隊內無人機的使用情況，并描述了目前各種系統所能達到的自主性水平。

第3章概述了以前自主系統基于行為的架構工作，ARSENL多車輛無人駕駛航空系統（UAS）和MASC層次結構。

第4章對基地防御戰術的整體設計以及高層戰術所依賴的游戲進行了基于狀態的描述。本章還詳細介紹了用于創建、測試和評估這一概念驗證的方法。在此過程中，重點是對每一戰術和戰術所針對的MOP和MOE進行評估。

第5章詳細介紹了所進行的實戰飛行和模擬實驗，并討論了與相關MOPs和MOEs有關的測試結果。

最后，第6章介紹了這個概念驗證的結論。本章還提供了與基地防御戰術本身以及更廣泛的自主蜂群能力和控制有關的未來工作建議。

這份頂點報告分析了增材制造（AM）技術在美國國防部（DOD）當前和未來的使用情況。該分析為開發增材制造工藝和分析工具（AMPAT）提供了必要的技術背景。AMPAT將幫助利益相關者確定哪些增材制造設備能最好地服務于作戰人員和他們在遠征環境中的任務。此外，該工具可以被利益相關者用來確定AM能力在整個艦隊中最有利的分布，并就這些能力應該如何被整合到更大的海軍任務和更大的國防部企業中做出決定。采用系統工程（SE）方法來收集關于當前和未來的AM方法的信息，以了解和定義AM系統的操作要求。此外，還利用SE過程來分析建立工具的替代軟件選項，實施敏捷軟件開發過程來開發工具，并驗證和確認該工具符合項目要求。研究發現，AMPAT根據用戶定義的輸入參數和加權值，成功地輸出了一個AM系統建議的排名列表。關于選擇AM設備和為艦隊制定分散計劃的建議包括使用AMPAT的可交付成果，利用用戶定義的輸入值進行定制的、迭代的分析，以適應特定的遠征環境。

執行摘要

美國海軍和海軍陸戰隊一直在各種作戰環境和任務場景中增加使用增材制造（AM）能力，以快速交付作戰設備，降低成本，更換和維修部件。美國海軍研究生院（NPS）海軍遠征增材制造（NEAM）團隊的成立是為了解決海軍遠征作戰司令部（NECC）提出的幾個研究問題。該團隊開發了一個名為增材制造過程和分析工具（AMPAT）的工具，該工具將：1）確定具體的增材制造設備，以便在遠征環境中為部隊提供最佳服務，包括分布式海上行動（DMO）、有爭議環境中的沿岸行動（LOCE）和遠征先進基地行動（EABO）；2）輸出建議，可用于幫助通知整個艦隊的增材制造設備分散計劃；以及3）幫助NECC更好地將其能力融入更大的海軍任務。

NEAM團隊使用修改過的瀑布過程模型系統工程方法來開發一個工具來回答這些問題。NEAM團隊進行了詳細的文獻審查，以收集有關各種AM技術、AM零件的設計考慮因素、材料處理以及AM在國防部的使用的信息。此外，該團隊還會見了許多從事AM技術工作的組織的主題專家（SMEs），包括海軍設施（NAVFAC）工程和遠征作戰中心、海軍海上系統司令部技術辦公室、海軍陸戰隊系統司令部、海軍水面作戰中心Indian Head分部、海軍水面作戰中心Pt. Hueneme分部、海軍陸戰隊第一后勤集團、海軍供應系統司令部（NAVSUP）、太平洋海軍信息戰中心和海軍研究辦公室。

AMPAT是一個基于Excel的工具，用Visual Basic for Applications（VBA）編程語言編寫。AMPAT包括一個數據庫，供用戶輸入各種AM系統的信息和數據，以及一個工具儀表板，使用戶能夠在進行分析所需的輸入和分析的輸出之間輕松瀏覽。儀表板允許用戶行使工具功能，包括調整分析標準和用戶選擇，向AM數據庫添加打印機，檢查AM數據庫的錯誤，運行分析，以及清除結果。用戶可以定制AMPAT分析，對一組具有不同規格和特性的AM打印機進行排名，以確定在特定環境下滿足作戰人員需求的最佳AM系統設計。關于如何使用AMPAT的每個功能，可以在《用戶指南》中找到全面的、分步驟的說明。

本報告為用戶提供了一個執行AMPAT以獲得分析結果的方法。首先，用戶通過確定感興趣的具體屬性（如故障率、運行可用性、環境條件）來設置分析參數。接下來，用戶為每個選定的屬性設置加權值，以排列每個屬性相對于另一個屬性的重要性。用戶必須設置權重值，以便AMPAT進行必要的數學分析，提供具體的AM系統建議。數學分析將根據用戶對每個屬性的權重輸入，計算出每個AM系統的加權分數，并將其標準化。AMPAT將生成一個過濾的數據庫表，其中包括滿足用戶在運行分析之前確定的輸入參數的AM系統。此外，根據分配給每個參數的權重值，將提供這些AM系統的排名列表。最后，AMPAT將繪制分析結果；用戶可以選擇特定的參數，以包括在繪圖中，并決定是按系統繪圖還是按屬性繪圖。

NEAM團隊建議NECC使用AMPAT進行迭代分析，并繼續向數據庫添加新的AM系統和系統屬性。隨著新的信息被輸入該工具，用戶將收到更詳細的結果，這可能會影響最終的AM排名。AMPAT提供的排名將為決策者提供建議，說明哪種AM設備在執行DMO、LOCE和EABO環境中最能為部隊服務。此外，NEAM團隊建議NECC將AMPAT升級到具有適當安全分類的環境中，以定制該工具的分析，為艦隊的特定地點提供AM系統的建議。如果有適當的輸入，該分析的結果可用于確定在整個艦隊中預置AM技術的最佳策略。

為了統一國防部和國防部，AM領域的專家必須共同制定一份戰略文件，確定批準AM系統用于國防部的必要標準。AMPAT應被串聯使用，以協助社區評估不同的AM技術，以確定是否適合于國防部的任務和作戰方案。隨著用戶繼續用更多的AM系統填充AMPAT，并反復進行不同參數的分析，該工具的結果和輸出可用于證明國防部的批準決定。

NEAM團隊還建議，AMPAT應擴大到包括一個零件和零件規格的圖書館或資料庫。這將擴大AMPAT的效用，使其能夠為AM系統提供建議，這些系統應被用來打印特定的零件，以支持船舶、潛艇、飛機和其他車輛或設備。最終，這將減少成本并縮短艦隊的時間表，以快速生產量身定做的部件，提高作戰人員的準備程度。

AMPAT提供了一個決策分析過程，以確定最理想的AM設備來支持特定任務，并提高整個國防部對AM能力的認識。AM技術在確保迅速和有條不紊地維持作戰設備和加強艦隊準備方面發揮了關鍵作用。AMPAT的使用將有助于使國防部和國防部統一努力推進AM技術，以支持更大的海軍任務的需要。

I. 簡介

本章定義了本研究項目的問題陳述、目標、范圍和操作方案。此外，本章還解釋了用于開發工具的方法，以及該工具將如何被主要利益相關者--海軍遠征作戰司令部（NECC）和其他利益相關者使用，以滿足研究目標。

A. 問題陳述

幾年來，美國海軍和海軍陸戰隊一直在作戰環境中采用增材制造（AM）能力來快速交付作戰裝備。必須進行研究，以確定如何整合未來的AM能力，同時最大限度地提高投資回報，并盡量減少重復工作。首要的目標是將這項研究應用于部署在各種環境中的能力，如：分布式海上行動（DMO）、有爭議環境中的沿岸行動（LOCE）和遠征先進基地行動（EABO）。就本報告而言，重點是開發一個工具和數據庫，以協助決策者確定在這些環境中使用適當的增材制造。

增材制造已經被證明是非常有益的，它提供了降低成本和快速的部件更換和維修；本報告的以下部分將更詳細地討論AM的具體優勢和劣勢。由于AM是一個快速發展的技術領域，很難持續比較和權衡技術能力和屬性以滿足不斷變化的需求。需要一個工具，讓領導層充分了解當前和新的AM技術提供了哪些能力，這樣他們就可以做出明智的決定，使國防部（DOD）的投資回報最大化，以支持作戰人員和他們的任務。決策者需要考慮的一些特性包括：移動性、易用性、培訓、打印材料和打印機床尺寸。

本項目的目的是提供一個總體決策分析方法和工具，其中包括一個易于修改的NECC當前3D打印機和部件的數據庫，以有效地將當前和未來的AM能力整合到更廣泛的海軍遠征任務中。海軍遠征增材制造（NEAM）團隊廣泛研究了當前的AM能力及其在遠征部隊中的應用，以幫助開發分析方法、工具和數據庫，NECC可以采用并用于確定如何在整個美國海軍艦隊中最佳地分散AM能力并實現利益最大化。雖然在海軍遠征軍內，以及在海軍和國防部內廣泛存在著對AM集成的廣泛需求和巨大潛力，但NEAM項目側重于將AM作為部署系統、平臺和車輛的支持能力。最終，該計劃將作為NECC的參考和指南，以便在海軍和海軍陸戰隊的AM設備部署戰略和采購方面做出明智的決定。

B. 研究目標和項目范圍

本項目的重點是NECC在部署AM設備供遠征軍使用時，如何使投資回報最大化，并盡量減少重復工作。這項研究有助于實現在DMO、LOCE、EABO和其他情況下部署AM能力的總體目標，同時確保與現有工作的互操作性，盡量減少重復的工作，并使投資回報最大化。為了不重復工作，該團隊利用以前為類似工作完成的工作，并與海軍內部正在進行的AM工作協調。這項研究的目的是為NECC提供一個決策分析過程，以指導決策者選擇最有效的AM技術來滿足遠征環境中的具體使用情況。

上述三種遠征環境（即DMO、LOCE和EABO）對AM技術都有自己獨特的需求。DMO環境將海軍的注意力集中在同行和近鄰的競爭者身上，這需要艦隊級別的參與主要作戰行動。為了做到這一點，它在各司令部之間建立了更加一體化的關系，并促進了對風險的計算接受。同樣，EABO手冊指出，"EABO是一個未來的海軍作戰概念，滿足美國聯合遠征作戰的下一個范式的彈性和前沿存在要求"（海軍陸戰隊協會2018，5）。這一戰略提供了進行遠征作戰的機會，在不摧毀所有敵軍的情況下擊敗對手的戰略。此外，EABO手冊 "鼓勵海軍陸戰隊和海軍發展優化的內部力量能力，以服務于整個DMO結構"（海軍陸戰隊協會2018，22）。LOCE概念描述了沿海環境中的海軍行動，考慮到新出現的威脅，為海軍和海軍陸戰隊提供了一個創新的、聯合的框架（有爭議環境中的沿海行動，2020）。AM在確保作戰人員在這些環境中得到適當裝備方面發揮著關鍵作用。

考慮到這些環境，NEAM項目重點關注以下問題，以利用AM技術解決作戰人員能力方面的關鍵差距。

1.什么樣的AM設備能夠最好地服務于執行DMO/LOCE/EABO的部隊，包括考慮與其他美國海軍陸戰隊和海軍部隊的互操作性？

2.在整個艦隊中，什么是最有利的AM能力的分散，以使利益最大化，包括潛在的設備預置？

3.NECC如何將其能力更好地整合到更大的海軍任務中？

這個項目并不打算分析AM實施的每一部分；因此，未來的工作將建立在這個項目的基礎上。未來的工作也被認為是減少范圍蠕變風險的一個緩解因素。NEAM團隊對未來工作的建議可以在第七章A節中找到。

C. 方法

為了實現協助NECC最大限度地提高投資回報和減少重復的項目目標，這項研究的重點是開發一個數據庫和工具，以協助決策和增加對特定任務和目標的可用AM能力的接觸。該工具和數據庫是使用微軟Office產品開發的，因為它在整個聯邦政府的計算機系統中通常是可用的。這將有助于確保它能在整個海軍中被廣泛傳播并被大量受眾使用。

該工具是使用系統工程過程中選擇的軟件開發的。它側重于由利益相關者和NECC定義的AM系統的各種能力。用戶可以使用內置的圖形用戶界面（GUI）加載AM系統的各種特性并分配權重。該工具根據所期望的遠征環境的特征分配權重，輸出AM系統建議。

為了確保交付物滿足利益相關者的需求，NEAM團隊采用了一種系統工程方法，包括利益相關者的持續反饋，這在第四章有詳細描述。這使得利益相關者能夠在項目進展過程中對研究的具體方向提供意見，并使NEAM團隊能夠在獲得信息和分析結果時提供。

D. 報告結構

本報告第一章解釋了問題陳述、研究的目標和范圍，以及用于開發本項目中可交付成果的方法。

第二章包括對NEAM團隊為收集不同類型的AM技術、如何設計AM零件、材料處理方面的考慮以及AM在國防部的具體使用情況而進行的文獻審查的廣泛和詳細描述。此外，第二章描述了NEAM團隊用來完成項目的系統工程方法，以及考慮過的其他方法。

第三章著重于利益相關者的識別和分析，并描述了主要利益相關者的需求，用于將其轉化為具體要求的過程，以及當前AM能力中存在的差距。

第四章概述了增材制造工藝和分析工具（AMPAT）的代碼開發過程和所遵循的軟件流程，以及該工具的能力和限制。

第五章提供了AMPAT的幾個使用案例，并描述了該工具所要使用的操作環境。

第六章全面解釋了AMPAT如何用于檢索特定任務的分析結果，并解釋了用于確保該工具滿足項目要求和利益相關者需求的驗證和確認（V&V）方法。

第七章記錄了開發團隊得出的結論，總結了研究和分析對利益相關者和國防部的益處，并對未來工作提出了建議。

隨著當前海軍戰爭的趨勢轉向自動化作戰武器系統，美國海軍正將其戰略重點放在人工智能（AI）能力上，以減少作戰人員行動時間。這個系統工程（SE）項目使用約翰-博伊德的觀察、定向、決策和行動（OODA）概念和海軍陸戰隊規劃過程（MCPP）（Angerman 2004；美國海軍部2016）來代表人類-人工智能決策過程。空中和導彈防御（AMD）的殺傷鏈是通過簡化聯合目標定位理論“JP 3-60”（參謀長聯席會議2018）來體現的。殺傷鏈過程中提高操作動化水平被證明可以大大減少執行時間，如果進一步發展和實戰化，將為海員和海軍陸戰隊提供防空的戰術優勢。通過使用專家系統和人工智能加速殺傷鏈將大大縮短交戰時間，有效地擴大戰斗空間。

該項目開發了用于防空和導彈防御的人工智能（AI-AMD）架構，該架構旨在通過對威脅進行優先排序并在人類用戶的最小介入下采取行動來改善作戰決策。該項目專注于理解和評估空空導彈防御（AMD）的殺傷鏈，通過確定使用AI-AMD可以更快地執行行動。項目組確定并評估了與應用于殺傷鏈過程中各個步驟的AI-AMD自動化水平相關的風險。該小組進行了建模和模擬（M&S）分析，以比較低水平自動化（"無 "人工智能）的殺傷鏈和高水平自動化（"有 "人工智能）的殺傷鏈，根據節省的時間來評估改進。

該團隊在M&S分析的基礎上開發了高度自動化的AI-AMD決策輔助作戰能力的概念，并確定了有可能應用于未來AI-AMD架構的現有和未來人工智能方法。該團隊按照美國防部的架構框架（DODAF）進行了架構分析，以確定AI-AMD的操作過程。該小組采用基于模型的系統工程（MBSE）方法，使用SE工具Innoslate來開發概念架構。架構分析結合了藍軍（BLUFOR）防空傳感器、武器裝備和聯合網絡，創建了一個OV- 5b/6c行動圖，描述了AI-AMD決策輔助輸出與JP 3-60聯合目標定位程序步驟協同應用，以消除敵人的威脅（參謀長聯席會議2018）。為了完成其任務，BLUFOR系統（SoS）執行36項業務活動：AI-AMD內部的17個決策點和外部系統的19個功能（包括傳感器行動和網絡通信）。該團隊使用實驗設計（DOE）、離散事件和隨機模擬分析了架構分析的結果，發現在目標定位過程中高壓力的AMD場景需要完全自動化水平，而低壓力的AMD場景需要最低水平的自動化。該團隊開發了一個決策風險矩陣，顯示出高壓力情況下的風險可以通過完全的自動化水平來降低。目標定位過程中17個步驟中的每個步驟的風險評估都被分為四類：低、中低、中和高。團隊制定了一個相關的風險值來進行風險評估確定。團隊利用Parasuraman的自動化水平（1-10級）來進行風險評估，將決策風險與目標定位過程中各個步驟的自動化水平聯系起來（Parasuraman, Sheridan, and Wickens 2000）。該小組開發并使用了一條效用曲線來幫助確定每個自動化水平所節省的時間。自動化程度越高，節省的時間就越多。

該項目側重于單一威脅的交戰，以了解殺傷鏈過程中AI-AMD的時機。該小組進行了M&S分析，以證明AI-AMD架構的能力。該小組使用Innoslate MBSE工具和Microsoft Excel進行了離散事件模擬。在大量投資于行動圖之前，團隊使用Excel來評估元模型。仿真的主要重點是建立AI-AMD在不同壓力水平下的時間性能，如低、中、高。次要目標是將該模型發展為可交付的設計工具，在NPS用于未來研究。該小組從公開來源的威脅數據中選擇了三個有代表性的交戰：低壓力情景（時間軸為58.65分鐘），中度壓力情景（時間軸為9.72分鐘），以及高壓力情景（時間軸為1.51分鐘）。該小組的M&S分析結果顯示，在低壓力情景下，僅由人類做出的決策（自動化水平1）導致對飛入時間為58分鐘或以上的敵方威脅的AMD殺傷率達到100%。對于中度威脅情景（代表AI-AMD對每個作戰活動決策節點的不同自動化水平（如6到10）），1000次隨機運行的數據結果顯示所有交戰的平均完成時間為8.08分鐘。當AI-AMD系統被設置為較高的自動化水平時，該系統在中等威脅情況下成功地進行了AMD防御。高壓力場景的分解時間線允許每個作戰活動決策節點有0.09分鐘。該小組將人工智能-AMD系統設置為在高壓力情景下僅由人工智能進行決策（自動化水平10）。高壓力場景的結果表明，在自動化程度為10級的情況下，有可能成功應對敵人的威脅。該小組進行了敏感性分析，以探索替代的基本代表分布（基線、對稱變量擴散和高度傾斜）的影響。雖然分布形狀的變化確實影響了結果，但在每一種情況下，只有在人工智能支持的節約率超過97%的情況下，才會在高壓力場景中取得成功。

該項目研究了人工智能方法如何應用于AMD決策，以提高自動化水平，減少人類-人工智能團隊的執行時間（人工智能輔助決策）。該團隊自上而下地分析了AMD殺傷鏈：從OODA到尋找、固定、跟蹤、目標、參與和評估（F2T2EA）。該小組確定了17個關鍵決策點，在這些決策點上，提高自動化水平可以提高AMD的決策速度。潛在的自動化水平與每個不同步驟相關的風險進行了平衡。該小組使用M&S來評估人工智能-AMD系統在低水平的自動化（"無 "人工智能）到高水平的自動化（"有 "人工智能）下的決策的及時性。由此產生的AI-AMD概念架構的高層次能力被記錄下來，隨著系統技術的成熟，建議利益相關者考慮。該團隊確定了現有和未來的人工智能方法及其在AMD殺傷鏈中的潛在應用。該小組已經確定了未來人工智能-AMD的迭代需求，以研究整個戰場上具有多種威脅和參與的更復雜的情況。

摘要

本研究論文使用問題解決框架，研究了美國武器系統如何在采購生命周期的操作和支持階段陷入持續的陳舊和停滯循環，并提供了解決這種情況的方案。一些美國武器系統保持著它們最初在幾十年前投入使用時的能力。關鍵的發現，如厭惡風險的文化、系統要求低于計劃目標備忘錄的切割線、對財務指導的誤解、嚴格的維持法規、繁瑣的采購流程以及高于必要的決策，都被認為是導致根本問題的原因。這篇研究論文提出了幾個解決方案，解決了部分包容性的問題。對解決方案的整體可行性、對作戰人員的好處以及與實施相關的任何潛在風險進行了權衡。最后的建議包括鞏固和利用財務條例對作戰人員的好處，允許增加運營和維護資金的靈活性，允許在F3I重新設計中增加靈活性和性能，盡可能利用領先的商業技術，以及改變維持的心態，從保持準備狀態到保持相關性。結論強調，美國空軍在技術上落后于近似對手，高級領導人必須像對手一樣思考，以確保美國的法規不會抑制空軍比敵人更快地穿越OODA循環的能力。

引言

自朝鮮戰爭以來，美國在每次交戰中都保持著空中優勢；然而，一些跡象表明，空中優勢在未來的沖突中可能不再有保障。據報道，他們最新的S-500防空導彈系統成功擊中了近300英里外的目標。中國在過去十年中對其軍事進行了大量投資，現在已經達到了一個關鍵的自信點。

這個問題可能源于美國如何運作和資助其軍事項目。美國空軍將 "維持 "定義為維持一個武器系統的現有基線能力。任何改進武器系統超過其現有性能閾值的手段都被認為是開發工程的努力，需要從研究開發測試和評估（RDT&E）撥款中獲得資金。許多系統一旦投入使用就不會獲得RDT&E資金，通常在其生命周期的剩余時間內由運營和維護（O&M）撥款資助。由于對現行財務條例的嚴格解釋，財務經理通常會拒絕使用運營和維護資金來提高系統能力和應對不斷變化的威脅的創造性努力。這使得綜合產品小組（IPTs）沒有什么選擇，只能對他們的武器系統進行意義不大的改變，以保持它們在操作上的相關性。

美國不僅在做錯誤的財務決定，而且在做這些決定時也很緩慢。在過去的幾十年里，采購時間周期已經增加。據美國空軍高級領導人目前的估計，從授予合同到投入使用一個系統的時間超過10年。美國的對手在采購周期上的運作速度至少是其兩倍。在過去的二十年里，一些主要的國防采購項目（MDAP）已經被取消。事實上，國防部（DOD）已經在那些永遠不會投入使用的項目上花費了超過460億美元。

為了解決這個問題，新的倡議，如第804條快速采購和破解國防部5000號文件正受到相當大的關注。雖然它們不能解決撥款問題，但它們試圖縮短采購時間周期。在幾十年來成本成為采購決策的主要因素之后，速度現在被強調為主要考慮因素。使用問題/解決方案框架，本文將研究美國武器系統是如何陷入陳舊和停滯的循環中的，以及可以實施哪些解決方案來有效維持美國武器系統。

本文將首先闡明這個問題，描述綜合維持活動組（CSAG）和空軍維持中心（AFSC）內的幾個低效的供應鏈政策。然后，它將討論系統過時和對商業技術的依賴，接著是國防部緩慢的采購過程。問題部分最后將詳細分析當前的撥款限制以及美國空軍的幾個文化問題。

解決方案部分將首先定義具體的評價標準。該文件將提出幾個潛在的解決方案，以及建議的行動。然后將根據規定的標準對每個解決方案進行詳細評估，包括實施中的任何潛在風險。還將討論其他被考慮但未被推薦的解決方案。最后，本文將對問題進行快速總結，提出最終建議，以及為什么這項研究與美國空軍有關。