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

多目標跟蹤（MTT）在自主系統的制導、導航和控制中發揮著至關重要的作用。然而，它在計算復雜性、測量-跟蹤關聯模糊性、雜波和漏檢等方面提出了挑戰。

論文的前半部分探討了在移動平臺上使用攝像頭和光探測與測距（LiDAR）掃描儀進行多擴展目標跟蹤的問題。首先設計了一個貝葉斯框架，用于同時定位和映射以及檢測動態目標。開發了兩個隨機有限集濾波器來跟蹤提取的動態目標。首先，占格（OG）高斯混雜（GM）概率假設密度（PHD）濾波器聯合跟蹤目標運動狀態和目標形狀的改進占格圖表示。與傳統的 GM-PHD 過濾器相比，OG-GM-PHD 過濾器成功地重建了目標的形狀，并產生了較低的最優子模式分配（OSPA）誤差指標。第二種 MTT 過濾器（分類多重模型 (CMM) 標簽多重伯努利 (LMB)）是為了利用與類別相關的運動特征而開發的。它融合了從圖像到點云的分類數據，并將物體類別概率納入跟蹤的目標狀態。這樣就能更好地實現測量與跟蹤之間的關聯，并利用與類別相關的運動和出生模型。CMM-LMB 過濾器在 KITTI 數據集和 CARLA 模擬器的模擬數據上進行了評估。在這兩種情況下，CMM-LMB 過濾器的 OSPA 誤差指標都低于多重模型 LMB 和 LMB 過濾器。

下半部分研究了使用窄視場和有限行動回轉率傳感器的 MTT 傳感器管理。空間態勢感知（SSA）的傳感器管理被選為一個應用場景。用于空間態勢感知（SSA）的經典傳感器管理算法往往只考慮直接回報。本論文開發了深度強化學習（DRL）智能體，以克服長期傳感器任務分配問題中問題規模的組合性增加。為了訓練和評估 DRL 智能體，開發了一個用于 SSA 傳感器任務分配的定制環境。DRL智能體采用基于群體訓練的近端策略優化方法進行訓練，其表現優于傳統的近視策略。

社會技術系統是人類和算法的集合，它們在分散控制器的部分監督下進行交互。這些系統通常顯示出復雜的動態變化，并以其獨特的突發行為為特征。在這項工作中，我們描述、分析和模擬了三類不同的社會技術系統：金融市場、社交媒體平臺和選舉。雖然我們的工作在主題內容上多種多樣，但通過研究社會系統中由進化和適應驅動的變化以及開發用于推斷這種變化的方法，我們的工作是統一的。

首先在基于智能體的模型（ABM）中分析了金融市場微觀結構的進化動態。ABM 的匹配引擎實現了頻繁的批量拍賣，這是最近開發的一種價格發現機制。我們使用各種選擇機制讓智能體承受進化壓力，證明基于量化的選擇機制與較低的全市場波動性相關。然后，我們在 ABM 中進化深度神經網絡，并證明精英個體在真實外匯數據的回溯測試中是有利可圖的，盡管在進化過程中它們的適應性從未在任何真實金融數據上進行過評估。

然后，轉向從社會技術系統生成的大型時間序列面板中提取多時間尺度的功能信號。我們引入了離散小震子變換（DST）和相關的相似性搜索算法--小震子變換和排序算法（STAR）來完成這項任務。我們通過經驗證明了 STAR 算法對定量功能參數化的不變性，并提供了使用案例。在特征提取任務中，STAR 算法與 Twitter 的異常檢測算法進行了比較。最后，我們使用 STAR 算法，利用 Twitter 詞語使用時間序列面板，自動構建了社會重大事件的敘事時間軸。

最后，模擬了試圖干涉他國選舉的外國情報機構（紅隊）與選舉所在國國內情報機構（藍隊）之間的戰略互動。我們推導出紅方和藍方的亞博弈完全納什均衡策略，并展示了當任何一方對干涉事件的結果持 "全有或全無 "態度時，軍備競賽干涉動態的出現。然后，將 2016 年美國總統大選的數據與本文模型進行了對比，在這次大選中，俄羅斯軍事情報機構進行了干預。本文了證明，在研究的大部分時間里，本文了模型捕捉到了這種干預的定性動態。

多智能體自主系統與實時規劃有關的研究日益增多，本論文就是對這一研究的貢獻。多年來，由移動智能體組成的自主系統已被證明是用于探索（如太空機器人）、軍事（如搜救行動）和工業應用（如谷歌自動駕駛汽車）的高效、穩健和多功能工具。隨著自主技術日趨成熟，部署多個自主智能體來完成復雜的任務在許多不同的應用中都受到了廣泛關注。如果單個智能體可以完成一項任務，那么多個智能體就有可能更快地完成任務。然而，引入多個智能體會使整個系統變得更加復雜，因為現在的智能體需要能夠有效地相互協作。在沒有有效協作機制的情況下隨機引入智能體，可能會對生產率產生負面影響。

本論文的研究目標是使多智能體自主系統在現實應用中無處不在。我們采用了自下而上的方法來開發算法機制，以應對我們在實現這一目標的道路上所面臨的挑戰。

對于在動態環境中運行的智能體來說，能否成功執行任務取決于它能否有效地導航到目標位置。如果我們在環境中引入更多的智能體，路徑規劃的要求就會更高，因為現在智能體之間必須把彼此當作動態障礙物來對待。路徑規劃算法不僅需要避開障礙物，還需要足夠快的速度，以便在移動智能體在導航過程中遇到意外障礙時重新規劃。此外，路徑規劃算法還需要保證智能體能夠在滿足機械約束條件的情況下穿越路徑。

我們開發了一種基于隨機優化的同步重規劃矢量粒子群優化算法（SRVPSO），通過避開靜態和動態障礙物來找出成本最優的路徑。所提出的算法通過應用同步重新規劃策略，減少了路徑規劃的計算時間。SRVPSO 算法還能在一些車輛約束條件下工作，如車輛尺寸和轉向角。此外，還開發了一種不同地形的可穿越性評估方法，以便在未知環境中進行無風險、穩健的導航，同時優化總成本。

由移動智能體群組成的自主系統需要一個有效的任務規劃器來成功完成一系列任務。任務規劃器所面臨的挑戰是如何為每個智能體確定最優化的任務數量和相關任務。為了解決多智能體自主系統任務規劃過程中的任務分解和任務分配問題，我們開發了一個折中視圖（CV）模型和一個基于最近鄰搜索（NNS）的模型。結果表明，這些模型因其反應式管理結構而非常有效，能成功完成任務。NNS 模型能有效地解決智能體的分解問題。它還具有任務切換能力。

任務規劃器的多目標優化框架可確定任務所需的智能體數量。任務規劃器利用所開發的任務分解方法，最大限度地減少完成任務的時間以及智能體的數量。多目標框架的輸出是帕累托最優值，然后將其作為決策框架的輸入，根據用戶定義的一些約束條件和優先事項確定優化的智能體數量。在測量完成任務的時間時，任務規劃器利用先前開發的路徑規劃器模擬智能體在環境中的導航軌跡，以提供最準確的估計。

然而，正在進行的任務可能會受到突發事件的影響（如一些天氣事件、智能體的意外維護要求等）。未來任務的規劃取決于正在進行的任務，因為它提供了對資源可用性的估計。需要一個現實的預測模型，利用過去任務的信息，對當前任務的完成情況進行統計估計。

我們開發了一個基于人工神經網絡的預測模型，根據以往任務的信息預測任務的完成時間。該預測模型旨在為潛在的任務規劃者提供指導。利用這一數值模型，未來的規劃者可以預測所需的資源，而無需經過優化過程。上述所有算法工具都通過大量的模擬結果和實時實驗進行了演示。

本論文將雷達信號處理與數據驅動的人工神經網絡（ANN）方法相結合。信號處理算法通常基于對數據形成過程的建模假設。在某些情況下，這些模型足以設計出良好甚至最優的解決方案。

但在很多情況下，這些模型可能過于復雜，無法形成分析解決方案；可能過于簡化，導致實際結果與理論上的結果大相徑庭；可能是未知的，即多個已知模型或參數值中的一個可能適合數據，但我們不知道是哪個；或者過于復雜，導致解決方案的計算量過大。

數據驅動的方差網絡方法提供了彌合這些差距的簡單方法。我們在四項不同的研究中證明了這一點，在這些研究中，我們利用雷達數據模型來制定數據驅動型解決方案，這些解決方案既準確又具有計算效率。

我們將基于 ANN 的結果與計算要求極高的最小二乘法和窮舉匹配過濾法進行了比較。結果表明，ANN 的性能可與這些方法相媲美，但計算量卻很小。我們在使用各種參數值的模型采樣數據上訓練人工智能網絡。這自然可以處理漂移和未知參數值，它們可能會改變數據，但不會改變所需的預測結果。我們的研究表明，根據簡單模型的數據訓練出的 ANN 分類器的實際表現可能比理論預期的要差得多。我們通過將有限的真實數據與合成模型數據相結合來改善這種情況。在所有情況下，我們都使用了易于評估的模型。然而，這些模型的分析方法并不簡單，無法創建分析解決方案。

特別是，我們提出了一種實現非相干脈沖壓縮的方法，可在單脈沖寬度內分辨目標。我們提出了一種檢測微弱目標軌跡的方法，該方法無需事先假設目標加速度、信噪比等。我們介紹了在訓練無人機和非無人機目標分類器時納入不完美模型數據的不同方法。最后，我們介紹了一種估算海面多徑傳播路徑差的方法，用于目標跟蹤。

美國國防部和合作組織正在開發先進的機器系統，這些系統將與人類合作完成任務。鑒于這些人機團隊（HMT）從未經歷過測試與評估（T&E），本簡報有助于指導評估人員應對 HMT 帶來的新挑戰。它定義了人機協作，描述了評估 HMT 所面臨的挑戰，并提供了對 HMT 的測試與評估非常重要的指標分類框架。

人機協作比個體系統完成任務的簡單行為更為廣泛。它涉及人與系統之間的廣泛互動，因為他們要共同努力實現一個集體目標。鑒于人機協作的高度協作性，僅僅衡量機器和人是不夠的。我們還需要衡量團隊本身，而且這些衡量標準必須與任務相關、定量且客觀。

在評估 HMT 時會遇到一些獨特的挑戰，包括如何處理不透明的心智模式，以及機器指揮通信、自我任務或人類任務的情況。例如，考慮一個人機搜救小組，在這個小組中，一架自主無人機在空中飛行，尋找倒塌建筑中的幸存者，當發現幸存者時，它會向地面上的機器人發出警報。然后，機器人將幸存者從廢墟中拉出，送到人類醫護人員那里接受治療。如何評估無人機決定搜索地點的過程？或者如何與機器人溝通？機器人對這些通信的反應又如何？醫護人員決定如何治療幸存者以及治療順序如何？無人機、機器人和醫護人員如何合作并優先救治傷勢最嚴重的幸存者？它們如何協調其他工作？他們如何應對不斷變化的環境所固有的困難？顯而易見，團隊成員之間的互動是關鍵。

該框架概述了 HMT 評估的主要類別，包括能力（團隊具備哪些能力？）、互動（團隊如何合作和協調行動以實現目標？它強調團隊的衡量標準以及人與機器之間衡量標準的協調。因此，如果要評估人類的認知能力（即注意力和判斷力），就需要同時評估機器的認知能力（即信息處理架構和決策算法）。

該框架還提供了一種結構，用于確定和選擇評估團隊效率的適當指標。所有這些衡量標準都來自于先前的科學研究。

首先，考察人和機器的能力，因為其中任何一項能力都可能是團隊合作失敗的原因。對人的培訓和經驗、心理特征、體能、態度、認知資源、腦力勞動負荷或疲勞等進行評估。考慮與機器的認知結構和硬件組件相關的因素，如程序化任務知識、操作系統和其他軟件，以及物理傳感器和平臺。

其次，檢查可能導致交互失敗的關鍵領域。其中包括機器的態勢感知、資源分配和不同情況下的資源使用。例如，機器在使用傳感器尋找新的幸存者時需要多少電力，會影響到機器是否可以協助滿足團隊的其他需求。這些關鍵領域還包括人類的視角和決策過程。例如，人類對情況的理解會影響他們在這種情況下的行為，以及他們是否信任與之合作的機器。

最后，考慮潛在的漏洞。哪些威脅可能會阻礙團隊完成目標？如果團隊失敗會有什么后果？失敗可能會引發哪些其他問題？重要的是要找出任何問題，以便在今后的工作中加以緩解或解決。

最后，本簡報為 T&E 界提供了兩個重要啟示：

• 評估 HMT 所面臨的挑戰與評估使用工具或系統的人類所面臨的挑戰不同。團隊中的人類和機器（稱為智能體）必須追求相同的目標，影響當前的問題狀態，并相互協調行動；這些互動因素使團隊面臨新的漏洞和更多的故障點。
• 不能僅憑任務結果來識別潛在的系統漏洞。智能體之間的互動增加了評估的問題空間。

艦船集成項目辦公室（PMW760）對其權限范圍內所有無人系統都能使用的統一、有凝聚力的通信協議的前景很感興趣。數據分發服務（DDS）是使用點對點鏈路進行這種內聚通信的主要候選協議。本論文的目的是評估 DDS 在符合海軍用例標準的網絡架構中的性能。提出了一個包含衛星通信（SATCOM）和無線保真（WiFi）鏈路的網絡架構，以測試 DDS 在場景設置的限制下在網絡節點之間執行內聚通信的能力。使用網絡模擬器 Mininet 來設置網絡參數，并研究各個點對點鏈接在不同數據樣本大小下的吞吐量和延遲性能。使用實時創新 Perftest 軟件工具進行模擬，測量不同網絡配置（理想、抖動和多流）下的吞吐量和延遲。在理想配置和抖動配置下，對可靠通信和最佳努力通信以及實施和未實施 DDS 安全性進行了模擬。還對多流量配置進行了模擬，以評估同時多流量數據（在網絡節點內并行運行的流量數據）如何爭奪網絡資源并影響性能。

建議的網絡架構如圖 7 所示。任務指揮官駐扎在總部，對由現場指揮官、支援艇、拖車和兩架無人機組成的任務單元實施指揮和控制。場景設置如下：

• 任務指揮官位于總部，通過總部 WiFi 與網絡其他部分連接。他還控制任務地點的黑色無人機。
• 支援艇位于海上，通過 SATCOM 直接與衛星連接。
• 拖車位于任務現場，與衛星連接，為現場的任務單元提供 WiFi。
• 現場指揮官位于任務現場，與拖車 WiFi 接入點 (AP) 連接。他轉發拖車 WiFi 信號，為無人機提供通信。現場指揮官還控制白色無人機。
• 黑色和白色無人機連接到現場指揮官轉發的無人機通信 WiFi 接入點。
• 任務指揮官、輔助飛行器和現場指揮官可以通過語音通信進行對話。
• 任務指揮官和現場指揮官分別從黑色無人機和白色無人機接收視頻數據。支援艇也與任務指揮官和現場指揮官共享視頻數據。

 我們探討了大規模和長期神經地圖表示的問題。地圖為現代機器人應用提供了寶貴的信息，例如自動駕駛和 AR/VR。在這篇論文中，我們探索了地圖設計的兩個重要角度：大小和豐富度。首先，我們研究了圖像至激光雷達地圖、激光雷達至激光雷達地圖，以及圖像至SfM地圖注冊的地圖壓縮問題。對于圖像至激光雷達地圖注冊，我們提出了一種基于學習的技術，來在進行圖像注冊前預計算并壓縮體素化的激光雷達地圖。對于激光雷達至激光雷達地圖注冊，我們對現有基于深度學習和傳統方法進行了地圖壓縮基準測試。對于圖像至SfM地圖注冊，我們提出通過異構圖神經網絡從SfM地圖中選擇重要關鍵點。這三項工作的結果都顯著減小了地圖的大小，通過離線預處理減輕了在線圖像注冊的數據負擔。其次，受到最近NeRF工作的有希望結果的啟發，我們開發了一套激光雷達輔助的NeRF系統，該系統將戶外環境的豐富外觀和幾何細節編碼到基于點的神經表示中，并進行新穎的視圖合成。與大多數之前主要集中在室內或小場景的NeRF工作不同，我們的系統是為更具挑戰性的規范自動駕駛數據集（如Argoverse 2）而設計的，該數據集的訓練視圖更為稀疏，場景復雜性更大。我們使用了一個帶有條件GAN的基于點的NeRF框架，并成功超越了最先進的戶外NeRF基準。此外，我們還探索了戶外NeRF的幾個應用，包括數據增強、對象檢測和季節性視圖合成。我們的實驗顯示了在未來將神經表示應用于更實用的戶外應用的可預見潛力。

本報告研究了將基于模型的系統工程中的方法學進展和數字流程改進應用于任務工程使用案例的可能性。前提是基于假設：系統工程通過演變為更復雜的系統工程，已經接近于任務工程，在技術上有了聯系。如果是真的，那么現在就有可能創建一條數字線，從最初的兵棋推演，通過任務工程指南和聯合能力集成與發展系統的過程，變成能夠在基于SysML的系統工程模型中消化和建立的需求。這將有助于提高自上而下需求的可追溯性和準確性，并有助于在任務層面進行自下而上的組件貿易研究，作為系統設計和開發的一部分。

為了確定這一假設的真實性，研究和分析包括兩個文獻回顧。第一個文獻綜述涉及任務工程的驅動因素和指導文件，從中得出任何有用模型必須滿足的要求。第二篇文獻回顧研究了當前基于模型的系統工程方法，從文獻中尋找那些適用于任務工程的方法，而不是那些僅僅支持工程級別的工具。在第二次文獻審查中獲得的信息提供了在第一次審查中確定的要求可能被滿足的方法。

文獻審查完成，這兩個主題就會通過分析各自的目的、目標和任務而正式聯系起來。在這個階段，很明顯，這兩個主題的意圖和要求有很大的相似性，證明MBSE的進展可以適用于任務工程的使用案例。作為進一步的概念證明，所確定的方法被應用于一個綜合防空任務的例子。通過這一應用，進一步驗證了MBSE方法、過程和工具可以進行任務工程，但有兩點需要注意：一個外部性能模擬框架是必要的，任何MBSE方法，特別是任務工程，是一個不斷發展的實體，目前還不適合靜態標準化。

通過文獻回顧、綜合和概念應用的驗證，我們非常有信心地確定，基于模型的系統工程的進展可以使作為系統工程的一個子集的任務工程使用案例受益。這一結論為任務工程師在優化和發展他們的能力以支持作戰人員時提供了更大的發展和信息的范圍。

關鍵詞：任務工程、基于模型的系統工程、能力差距評估、建模和仿真、系統建模語言 (SysML)、系統工程系統、兵棋推演

基于模型的系統工程

盡管證明了系統工程有廣泛的目標和理念，這對以后的工作很重要，但在實際執行方面卻缺乏具體性。傳統的設計和獲取過程是以文件為中心的，圖表是臨時使用的[5]。現在有一種轉變，即從用word創建的文件，轉向一個中心模型，作為權威的真相來源。這種方法被稱為基于模型的系統工程（MBSE），我們將在后面進行更深入的探討，現在有兩個方面值得一提：

• 對于大型項目來說，這總體上是一種比較便宜的方法，因為它有助于在發布前抓住錯誤[16]。

• 系統的權威性數字表示是大型M&S工作的一個關鍵因素。

第二點是基于這樣一個事實：模型只有在提供給它們的信息中才是好的。從文檔中提取要放入模型的信息是一項耗時且容易出錯的任務，很少能獲得高度詳細的基于物理的模擬所需的所有信息。擁有一個可以查詢信息并直接連接到仿真軟件的系統數字模型是一個改變游戲規則的因素。由于一個尚未討論的關于成本和復雜性增加的因素，促進更好和更快的溝通是至關重要的：支持團隊的人員也在增加。如圖4所示，這個團隊可以發展到相當大，并與通常不在直接開發過程中的組織對接：

團隊的增長和參與組織的增加（從現有參與者的更多參與，到新工具的開發者）也擴大了對一個未來系統進行全面考察所需的需求清單。幸運的是，由于MBSE模型是描述性的，而不是分析性的，所以MBSE工具特別善于將需求與模型中的位置聯系起來。需求的識別，以及如何做好的詳細過程，超出了本文的范圍，但包括諸如后期測試和支持的考慮，在這個階段通常不會考慮這些，因為要保持需求更易于管理[17] 。

任務工程

在前面的章節中，本文已經討論了以下要點：

• 系統由于越來越復雜而變得越來越昂貴。

• 關于系統工程的定義和理念有很大的不同。

• M&S已經成為設計和獲取過程的一部分，但在及時獲得準確和完整的數據集方面存在挑戰。

• 基于模型的系統工程是對基于文件的信息的一種轉變，它有可能為更高質量的模擬提供信息。

這些考慮是理解任務工程如何發揮作用的關鍵。隨著系統變得越來越復雜，當務之急是確定適當的要求和用途，從而使開發時間得到適當的集中和界定。這種必要性延伸到作戰環境中，五個正式領域和作為第六個有效領域的電子戰之間的相互聯系正在增加[18], [19]。系統工程的定義千差萬別，意味著沒有一種單一的方法對系統工程進行優化。因此，有一個多樣化的信息基礎可供借鑒，只要能證明這種應用不是對系統工程理論的誤用。換句話說，任務工程是系統工程的一個延伸。如果這種聯系能夠被建立，那么不僅現有的任務級分析工具能夠更好地提供來自系統模型的數據，而且與系統設計相結合的任務能夠利用所有更高保真度的基于物理的設計工具。為任務分析人員提供的工具方面的孔徑的打開，開啟了面向任務的仿真框架將是什么樣子的問題。

任務級仿真框架

雖然超出了本文的直接范圍，但理解聯合任務級仿真的概念對任何任務級模型都至關重要。仿真框架是任務工程的動態仿真部分，這里開發的模型是將信息輸入仿真框架的結構。為了支持任務分析，一個框架必須能夠滿足客戶的操作要求和系統工程要求。這意味著在5個作戰領域內以高保真度進行操作：

• 空中
• 網絡空間
• 陸地
• 海上
• 空間
• 電磁波譜（不是正式的領域）

典型的任務工程問題也必須被回答。來自國防部任務工程指南的例子[21]：

• 本研究涉及哪些領域（空中、地面/水面、水下、空間、網絡等）？

• 在模型中需要多少保真度來充分回應任務描述/分析問題？

• 需要什么模型來進行分析？(例如，6-DOF，基于物理的)

• 哪些模型是已經可以獲得的？所需的模型是否已經存在？

• 該模型的血統是什么（驗證、確認、認證等）？我們是否建立了正確的模型來使用？

在這些要求和問題之上，任務和系統工程之間有一個主要的區別：任務的動態、互操作性。所部署的系統是相對靜態的設計，而部隊的設計往往是由任務決定的動態的任務導向。因此，將系統工程直接應用于任務工程的用例，會導致僵硬和次優的解決方案。

關于哪些領域的問題比可能立即顯現的更復雜。一個任務的目標可以在一個單一的領域內完成，或者通過多個領域的相互作用可以更好地完成任務。權衡的結果是增加資源需求、資源可用性和納入潛在的新參與者。俄羅斯聯邦對烏克蘭的入侵表明了網絡領域在一個傳統的空地戰攻擊中的效用。商業衛星和社交媒體的廣泛使用為開放源碼情報（OSINT）提供了一個新的維度，即讓任何有互聯網連接的人都能在前排看到沖突。雖然詳細探討這些變化對未來理論的影響超出了本工作的范圍，但只需指出，從戰略上包抄對手的新選擇意味著任務工程的一個基本問題，即任務發生地，現在本身就是一個戰略層面的多變量貿易研究。一個強大的任務工程框架必須能夠在這里將這些因素作為交易的一部分來考慮，而不是依靠任務設計者事先做出這個決定。

隨著越來越多的領域給任務工程帶來的復雜性，必要的保真度與風險水平的問題變得更加重要。從時間/成本/信息可用性/分類的角度來看，計算一個任務的每一種排列組合是不可行的

正如文獻回顧所顯示的那樣，有兩套針對不同客戶的工具。一種是主要集中在需求生成和戰爭演習的戰爭演習工具。這些工具一直在穩定地給他們的實體增加越來越多的保真度，而不影響發揮任務的能力。另一個工具集由工程工具組成，如計算機輔助繪圖（CAD），它們一直在穩步增加跨學科的模擬，以改善日益復雜的系統設計。這兩個工具集在他們自己的陣營中往往具有有限的互操作性。但這種能力也在不斷成熟，任務客戶通過DIS或HLA的網絡模擬器，以及像Model Center這樣的軟件將CAD與MBSE模型聯系起來[22]。

仿真框架的最終獨立發展是一個現實的假設，這背后是有道理的。這個理由是來自系統工程界的另一個理由，即多領域分析和優化。多領域分析和優化（MDAO）是系統工程界不得不克服類似問題的一個案例，當時不同的學科不得不開始將熱、電和結構模型等互操作到一個凝聚的環境中。任何熟悉ANSYS或COMSOL的工程師都會看到不同程度的這個過程。這些工具和公司也已經開始將他們的環境擴展到MBSE模型，為最終的整合提供了基礎設施[22]。目前已經有一些團體在探索這個集成課題。然而，他們，就像上面對系統工程的定義一樣，對實際的模型創建很輕。因此，雖然這些努力和先例給了人們足夠的信心，一個聯合仿真框架將顯現出來，但本文提供了一個透明的、詳細的實現，以補充即將到來的文獻回顧。

在這項工作中，我們解決了雷達波形優化和目標跟蹤的問題。提出了一種基于控制論方法的優化波形設計和目標跟蹤算法，其中波形參數是通過最小化跟蹤均方誤差（MSE）而自適應設計的。在這項工作中，采取了幾種方法來提高雷達跟蹤性能。首先，卡爾曼濾波器被用來估計目標位置，用它來優化波形參數。實驗結果表明，所提出的算法有能力在笛卡爾空間內跟蹤飛行目標，它提供了對目標位置和目標速度笛卡爾矢量以及徑向速度的準確估計。該算法根據估計矢量在飛行中調整波形參數。在文獻中，多普勒效應理論被大量用于估計目標速度。在某些條件下，如跟蹤高速目標或惡劣的海洋和天氣條件下，多普勒效應就不那么有效。因此，在這第一個方法中，引入了一種依賴于卡爾曼濾波估計的算法，而不依賴于多普勒效應。一個具有實時自適應參數的低通濾波器被應用于估計的速度矢量，并提取準確的速度估計。此外，從一個現實的角度來解決雷達跟蹤問題，承認目標運動不能像我們提出的使用卡爾曼濾波器那樣用矩陣來描述，因此引入了交互式多模型算法來估計目標位置。通過模擬，我們證明了所提算法的良好性能，并證明波形優化可以提高雷達的跟蹤性能。最后，考慮從兩個天線而不是一個天線收集信息，并使用其中一個數據融合算法，以及IMM算法，我們能夠減少跟蹤誤差，并為跟蹤問題提供一個更穩健可靠的解決方案。

圖 1. 大腦/認知雷達感知-行動周期。

認知被定義為參與認識、學習和理解事物的心理過程。這個定義介紹了定義CR的三個主要成分：

• 系統與環境持續互動并感知其地標的能力，包括潛在的目標和障礙物；這使得相控陣天線成為CR的主要組成部分，因為它們能夠快速掃描環境。

• 智能地處理接收到的回波，并提取有關目標和周圍環境的測量值的能力。

• 能夠提取有關目標和環境的信息，并相應地使用它來做出有關波形和目標運動估計的決定。

認知型雷達在某種程度上模仿了大腦的學習方式，并根據感官采取行動，遵循一個類似的循環：感知、學習、調整、行動。它們不斷地從環境中學習，并作出決定以提高跟蹤性能。類似的循環，即眾所周知的感知-行動循環（PAC），在解釋大腦如何工作或描述一些智能系統的文獻中被多次提及（[2][3][4]）。引用[2]，神經科學家Joaquin Fuster將感知-行動循環描述為 "在處理目標導向行為的過程中，信息從環境到感覺結構，再到運動結構，再次回到環境，再到感覺結構，如此循環往復"。圖1解釋了與認知雷達相關的大腦的運行周期。在這項工作中，我們討論了這個閉環循環的所有步驟，這些步驟制約著CR的性能。提出了一個系統模型，并進一步討論了以估計和波形優化過程為重點的內容。

在文獻中，討論了兩種主要的波形選擇方法：控制論和信息論。在這項工作中，考慮了控制理論方法中的波形選擇標準。雷達波形參數主要通過最小化跟蹤均方誤差（MSE）來確定。

CR有一個閉環的工作循環。該系統依靠接收器的反饋來收集關于目標和環境的知識。這些知識然后被用來優化發射波形，并改進對目標的探測、跟蹤、估計和識別。這個概念在2006年由S.Haykin[1]在文獻中首次提出，他寫道，我們引用[1]"整個雷達系統構成了一個動態的封閉反饋回路，包括發射器、環境和接收器。

CR的運行周期（即上述閉環）從發射器對環境的照射開始。然后，從環境中反彈出來的傳輸波形（即目標回波、雜波等）被接收器截獲。關于目標和環境的有用信息從接收到的回波中提取出來，然后更新一個信息庫（記憶塊），在下一個周期由目標估計器（TE）作為一組關于環境的先驗知識使用。根據TE提供的估計結果，波形被優化。通常考慮用貝葉斯方法來實現目標估計器。

在CR中，提取的信息不僅在接收機層面發揮作用，而且在發射機層面通過改變波形和一些相關參數，如脈沖重復頻率（PRF）、脈沖寬度、脈沖數N和雷達發射時間表來發揮作用。這方面是CR與經典的自適應雷達的區別，后者只能在接收層面使用提取的信息。

波形優化設計作為一個重要的研究課題出現在信號處理界，因為它在許多領域都有廣泛的應用，如通信系統、聲納，以及在我們感興趣的情況下，改善雷達系統的性能。文獻中討論了許多設計標準，其中我們提到了最大信噪比（SINR）標準[9]、最大探測概率標準[14]、最大互感信息（MI）[8]標準和最小化均方誤差標準（MMSE）[10]、[11]。這些設計標準方法可以分為兩類：控制理論方法，其目的是為連續運行的動態系統開發一個控制模型；信息理論方法，更側重于研究信息流和從接收的測量數據中提取更多的目標信息。本文采用了控制理論方法，通過最小化跟蹤MSE來確定最佳波形選擇/設計。

太空一直是一個需要高度自主的領域。所需的自主性帶來的挑戰使其難以在短時間內完成復雜的任務和操作。隨著越來越多地使用多Agent系統來增強空中領域的傳統能力和展示新能力，在軌道上和近距離多Agent操作的發展需求從未如此強烈。本文提出了一個分布式的、合作的多Agent優化控制框架，為在近距離操作環境中執行多Agent任務相關的分配和控制問題提供解決方案。然而，所開發的框架可以應用于各種領域，如空中、太空和海上。所提出的解決方案利用第二價格拍賣分配算法來優化每個衛星的任務，同時實施模型預測控制來優化控制Agent，同時遵守安全和任務約束。該解決方案與直接正交配位法進行了比較，并包括了對調整參數的研究。結果表明，所提出的技術允許用戶用模型預測控制來優化超越相位的控制，并以三個調諧參數實現編隊交會。與傳統的多相MPC相比，這更好地接近了配位技術中的相變。