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

應用人工智能模擬空對空作戰場景正引起越來越多的關注。迄今為止，高維狀態和行動空間、高度復雜的情況信息（如不完全信息和過濾信息、隨機性、對任務目標的不完全了解）以及非線性飛行動態對準確的空戰決策構成了巨大挑戰。當涉及多個異構代理時，這些挑戰會更加嚴峻。我們為具有多個異構代理的空對空作戰提出了一個分層多代理強化學習框架。在我們的框架中，決策過程分為兩個抽象階段，異構的低級策略控制單個單位的行動，而高級指揮官策略則根據總體任務目標下達宏觀命令。低層次政策是為精確控制部隊作戰而訓練的。它們的訓練是按照學習課程安排的，其中包括日益復雜的訓練場景和基于聯賽的自我比賽。根據預先訓練好的低級策略，對指揮官策略進行任務目標訓練。經驗驗證證明了我們設計方案的優勢。

為了滿足在接觸層的同級對手沖突的需求，軍方需要開發能夠提供更長的對峙和停留時間的小型模塊化無人機蜂群。這些小型無人機蜂群的使用將使軍方擁有一個小特征和低成本的選擇，以促進在被拒絕環境中的行動。有了這些小型無人機蜂群，軍方就能在接觸層與同級對手競爭，同時限制升級的風險。

本概念文件旨在研究模塊化自主無人機蜂群（MADS）的開發和使用，可為海軍陸戰隊提供在同級對手的 IADS 中開展行動所需的遠程能力。憑借在復雜的 IADS 中的機動自由，海軍陸戰隊可以獲得態勢感知，并創造機會利用電子戰和網絡戰加強作戰。如果不能保持這種態勢感知能力，尤其是在偏遠地區，海軍陸戰隊就會面臨不必要的風險，難以圓滿完成任務要求。

海軍陸戰隊必須設法進入有爭議的環境，以便繼續確保機動自由。MADS 可以提供這種通道，而且升級風險較低。盡管 MADS 概念需要一些額外的技術發展才能成為可行的資產，但它有可能極大地改變海軍陸戰隊在 A2/AD 環境中的 EABO 能力。

在最近的出版物中，歐洲防務機構指出，需要使供應鏈更有彈性，俄羅斯對烏克蘭的侵略進一步突出了這一優先事項。本文認為，通過采用數字孿生作為技術解決方案，使（軍事）供應鏈減少冗余是可行的。數字孿生提供了許多優勢，首先是實時監測和分析，可以戰略性地與創新的危機模擬和額外的支持技術相結合，以確保供應鏈在不利和潛在的未知條件下生存，防止供應短缺，減少維護成本和時間，并能夠與其他合作伙伴和利益相關者合作。

1 背景與引言

2018年6月，EDA的能力發展計劃（CDP）進行了重大修訂，從而定義了11個歐洲能力發展優先事項，包括加強后勤和醫療支持能力。同樣，總體戰略研究議程（OSRA）以技術基石（TBB）的形式定義了共同的科技優先事項，其中包括國防關鍵技術供應鏈（TBB45）。正如正在進行的烏克蘭戰爭所表明的那樣，軍事供應鏈--及其對挑戰性地形、維護成本、材料供應等問題的適應性--已成為國防的關鍵因素。使軍事供應鏈更具彈性，理所當然地成為EDA的優先事項[1]。在這一優先事項的基礎上，本文旨在探索一種可能的方式，使軍事供應鏈減少冗余。在供應鏈的背景下，冗余是指擁有備用系統、流程或資源，以確保在發生意外中斷的情況下，例如由于對手的進攻、自然災害、地緣政治不穩定或設備故障，業務可以繼續。

數字孿生是一種關鍵的使能技術，它使民事和軍事利益相關者能夠精確地模擬災難，并制定更好的和以情報為導向的決策，以減輕這種危機事件。識別關鍵材料和資產（包括主要的和輔助的）提供方面的依賴性、瓶頸和弱點，也有助于以較低的成本更好地制定抗災計劃和戰略。此外，通過使用數字孿生，民事和軍事利益相關者可以及時和正確地監測生產過程，確定短缺或缺乏供應鏈的多樣性。特別是在軍事物流這樣的領域，高速度、高保真和低容錯性至關重要，數字孿生在改善和促進軍事供應鏈方面具有真正的潛力。

然而，數字孿生的操作化本身并不是什么新鮮事，因為這種創新技術的許多例子已經在（軍事）航空領域被采用[2]。2018年，土耳其飛機工業公司與西門子產品生命周期管理軟件達成協議，在該公司的制造企業中實施完整的數字孿生；2020年，美國軍方使用數字孿生技術來提高F-35戰斗機和西科斯基UH-60黑鷹直升機的規劃和效率，2021年，勞斯萊斯公司轉向數字孿生來提高噴氣發動機效率[3]。雖然這項技術已經出現在（軍事）航空領域，但在國防部門的其他領域開發和實施，并擴大到整個軍事供應鏈--從單一（武器）系統到更廣泛和更復雜的系統，還有巨大的未開發的潛力。與其他創新技術和流程的整合，如"（軍事）物聯網"、區塊鏈和智能蜂群，再加上不斷增長的計算能力，可以使數字孿生成為操作的現實。這種數字孿生將被證明在跨境供應鏈的情況下最為有效，以評估/監測國際項目合作的可行性（如EMBT或歐洲巡邏隊）或在危機情況下（如涉及軍事行動的人道主義反應，或向烏克蘭等盟友和合作伙伴供應關鍵設備/物資）。

2 案例

軍事供應鏈是一個復雜和多方面的生態系統，涉及各種相互關聯的過程，如設備、物資和軍事人員的采購、儲存、運輸和分配。正如最近的軍事行動所表明的那樣，有彈性和可靠的供應鏈對社會復原力和確保行動的有效性至關重要，而軍事供應鏈管理的現狀往往表現為效率低下、冗余和缺乏端到端的可視性[4]。軍事供應鏈的關鍵特征之一是其冗余性[5]。通過建立冗余系統，軍隊可以最大限度地減少中斷對其業務的影響，并確保貨物和服務繼續流動。然而，如果管理不善，冗余也會導致效率低下和不必要的復雜性。例如，保持過量的庫存會占用重要的資源并增加成本，而擁有太多冗余的供應商會導致不必要的重復工作。因此，重要的是要仔細平衡冗余的需求與維護冗余系統的成本和風險。

2.1 實時監測和分析

數字孿生可以提供對整個軍事供應鏈的實時監控和分析，從供應商到制造商，一直到最終用戶。因此，它們可以用來實時跟蹤庫存水平，清楚地了解哪些設備是可用的，哪些需要補充，以及監測生產狀態，預測何時需要維護。反過來，這將減少停機時間，增加設備的使用壽命。通過這樣做，數字孿生可以幫助識別供應鏈中的潛在問題和瓶頸，允許及時干預以防止中斷。例如，在軍事供應鏈方面需要考慮的主要問題之一是需求波動，即需求和/或預算的差異。軍事供應鏈面臨著巨大的訂單波動，從幾個零件的訂單到大批量的訂單，都是在選擇和未預測的需求驅動下迅速進行。考慮到這一點，軍事供應鏈將受益于數字孿生的幫助，以促進端到端的資產可見性，從而確保供應品到達正確的目的地和時間[6]。換句話說，數字孿生可以支持決策者，為他們提供關于關鍵軍事物資（食品、燃料、武器、設備和備件）的位置和條件的精確和最新信息，并迅速作出反應以滿足行動需要。在歐盟之外，人們可以發現許多數字孿生被用于改善庫存管理、修理和維護軍事裝備的例子，其總體目標是優化軍事行動。例如，美國陸軍已經開發了其供應鏈的數字孿生，稱為全球戰斗支持系統-軍隊（GCSSArmy）。GCSS-Army是一個基于網絡的物流信息系統，提供庫存水平、運輸狀態和交貨時間的實時可見性。它已經在各種軍事行動中進行了實地測試，如在伊拉克和阿富汗的行動，它有助于減少美國武裝部隊龐大的作戰供應鏈中的冗余。數字孿生的另一個例子是美國海軍的虛擬艦艇項目，它提供了關于海軍艦艇系統和操作的實時數據。這使海軍能夠優化維護和修理計劃，主動識別潛在的問題，并減少停機時間。

由于數字孿生依靠及時提供可靠的數據來呈現準確的供應鏈模擬，并允許進行有意義的情景模擬，因此應建立具體的（組織和法律）框架，以確保整個供應鏈的所有關鍵利益攸關方共同承擔數據質量的責任，特別是當數據必須跨境共享時。然而，由于供應鏈的復雜性、數據來源的多樣性以及與（機密）數據共享和整合相關的挑戰等幾個原因，軍事供應鏈管理中的數據質量可能是多變的。事實上，軍事供應鏈涉及多個行為體--包括制造商、供應商、物流供應商和最終用戶，每個行為體都有自己的數據系統和流程--并且經常在戰斗區或災區等具有挑戰性的環境中運作，這可能影響數據的質量和可用性。法律框架還可以為解決與數據質量問題有關的爭端提供依據，并為未能達到數據質量標準或違反與數據管理有關的協議制定懲罰措施。最后，它們還可以鼓勵整個供應鏈采用數據質量的最佳實踐和標準。這可以幫助確保所有各方都能獲得準確和可靠的數據，這對軍事供應鏈管理中的有效決策和高效運作至關重要。

2.2 仿真

在危機管理中，關鍵活動--如供應鏈的復原力--往往要定期進行危機演習和測試。這可以幫助軍事規劃者為潛在的破壞做準備，根據模擬結果做出明智的決定，制定應急計劃并評估其有效性。然而，這些演習存在很多缺點，降低了它們在龐大的軍事供應鏈上的效率：除其他外，它們不夠頻繁，不能調整，要求太高，而且非常昂貴。在一個全面運作的數字孿生體中，物理世界的變化直接轉化為虛擬副本。通過傳感器、"軍事物聯網 "和一般IT系統提供的數據質量越高，數字孿生體就越準確，其提供當前狀態快照的能力和支持模擬的能力就越強。

通過危機管理與數字孿生的融合，軍事決策者可以從博弈論決策中獲益，以改善局勢評估，促進多行為體和跨領域的決策，并加強各種公共和私人利益相關者之間的協調。除了這些宏觀層面的優勢，危機模擬也可以用來測試數字環境--以及部分供應鏈--本身的復原力。模擬網絡攻擊和由其引起的供應鏈中斷，可以準備具體的戰略和協議，以盡量減少影響。擁有一個數字復制品并測試不同的場景，可以快速發現異常情況，并檢測現實是否與之前測試的一些場景相匹配。在這個意義上，數字孿生體有可能通過學習攻擊者的行為來防止網絡攻擊，并提高整個供應鏈對網絡入侵和惡意軟件的安全性[7]。

2.3 關鍵支持技術和數據基礎設施

為了給數字環境提供必要的數據流，諸如 "邊緣計算 "等分散的數據處理方法是恰當的。邊緣計算在軍事環境中并不是一個新概念，并且已經成功地應用于空中領域，與人工智能相結合，在信息優勢的基礎上獲得軍事優勢[8]。F-35就是這種情況，它具有獨特的能力，通過將每架飛機處理的信息合并成單一的態勢感知和威脅評估流，在飛機群中建立網絡。將邊緣計算擴展到整個供應鏈環境，可以實現前所未有的數據驅動的戰略決策和長期政策制定。在這樣的環境中，即使供應鏈中的一個節點被破壞，其他節點也能繼續運作并提供關鍵數據。

結合邊緣和分散計算，現有的數據空間倡議可以成為在數字孿生環境中匯集必要數據使用的關鍵推動因素。預計在幾年內，歐盟委員會將成功地領導在幾個領域推出共同的歐洲數據空間，包括制造業和供應鏈或單一歐洲天空，這對支持軍事互操作性和協調有明顯的潛力[9]。總的來說，邊緣計算和數據空間的結合可以創造一個更加分散和有彈性的供應鏈生態系統，數據可以在邊緣進行處理和分析，同時仍然被整合到一個集中的平臺上進行整體供應鏈管理。數據收集和處理的分散化可以使數字孿生更加靈活和可行。通過使計算能力更接近數據生成點，邊緣計算可以減少延遲并提高數據處理的速度。此外，這種方法可以幫助識別與數據泄露和網絡攻擊有關的新風險并減輕現有風險，這些都是軍事供應鏈管理中的主要問題。

此外，通過提高數據可用性和計算能力，與先進的可視化技術的逐步整合可以進一步支持軍事供應鏈流程的優化，并幫助限制冗余。工廠和軍事倉庫中的混合現實（MR）或擴展現實（XR）應用有可能提供一個現實的模擬環境，使用戶能夠與虛擬物體和數據進行實時互動。例如，MR/XR應用可用于模擬軍事倉庫中設備和物資的擺放，使用戶能夠測試不同的場景并優化布局，以獲得最大的效率。此外，這些應用可以用來模擬工廠的裝配線和后勤行動，使用戶能夠識別瓶頸，改善工作流程，優化資源利用[10]。

2.4 歐洲合作

當涉及到各成員國在軍事采購和維護領域的合作時，諸如 "共享備件 "等倡議--旨在管理各國裝備和武器系統的備件--已被證明是成功的。最近，歐盟委員會通過了一項關于建立2022-2024年通過共同采購法加強歐洲國防工業的條例提案[11]，該條例已被用于為烏克蘭聯合采購支持。再往前走一步，數字孿生可以用來分享數據，并在不同的軍事單位和組織之間進行協作[2]。這可以改善溝通和協調，從而實現更有效的供應鏈管理。通過操作數字孿生，軍事組織可以促進一個共享的數字平臺，為整個軍事供應鏈提供實時可見性。除了為所有利益相關者提供一個共同的作戰圖景，這有助于減少重復工作，數字孿生--以這種方式使用--可以通過為共享敏感信息提供一個安全空間來促進數據共享。在先進的加密和訪問控制的幫助下，數字孿生可以確保只有經過授權的人員才能訪問敏感信息，同時實現協作和信息共享。

數字孿生已經被用來改善參與制造過程的不同團隊之間的協作和協調。通過創建一個制造過程的數字孿生，設計師、工程師和生產經理可以更有效地合作，以優化生產和減少成本。通過將數字孿生融入軍事供應鏈，將有可能創建軍事物流和供應鏈系統的虛擬副本，包括運輸網絡、倉庫和配送中心。因此，來自不同單位或部門的軍事物流人員可以一起工作，優化物流和供應鏈運作。展望未來，數字孿生可以促進協作，但反過來，也可以通過歐洲層面的協作和協調來改善。為確保及時提供數據，應建立特設系統，以便在安全和可信的環境中共享數據。為此，可以在歐洲層面開發軍事供應鏈數據湖和國防數據空間，并成為數字孿生的骨干，將工業、政府和軍事結構結合起來。

歐盟可以通過幾種方式支持數字孿生的發展。歐盟（也通過EDA）可以提供資金和資源，支持數字孿生技術的研究和開發。這可以幫助加快沖突情況下的數字孿生解決方案的開發和部署。數字孿生的技術設置必須包括明確的數據互操作性方法，這是數據共享的本質，以確保它們在不同行業和部門之間具有互操作性和兼容性。這意味著重復使用現有的標準和格式，以確保與其他倡議（如部門數據空間）保持一致。此外，歐盟可以投資于教育和培訓計劃，以發展設計、開發和運營數字孿生解決方案所需的技能和知識。例如，這可以幫助創造一支熟練的勞動力，確保數字孿生的高網絡安全要求，因為數字孿生依賴于連接和數據交換，因此容易受到網絡威脅。

3 跨域的適用性

數字孿生的相關性還在于其跨領域的性質和適用性。在跨軍事層面上，有幾個系統需要相同類型的組件來生產或運作。當涉及到用于生產艦艇、飛機和坦克的火炮瞄準/制導系統的相同類型的微芯片，或可能被部署在不同場景的相同類型的彈藥時，情況就是如此。后者的一個例子是Aster導彈，它可以由不同的發射平臺操作，如FREMM護衛艦或SAMP/T防空陸地系統。對軍事物資的生產過程、庫存和位置有一個最新的看法，就有可能根據需要在可互操作的系統中重新部署這些物資，解決迫切的需求，同時允許制造商補充庫存。這可能被證明在常規軍事和聯盟行動中特別有用，在這些行動中，不同國家之間大規模的軍事資源匯集使庫存和制造商面臨壓力。這一緊急情況相對較晚地暴露了生產和供應鏈能力方面的廣泛問題，而這些問題本可以通過準確和數據驅動的模擬預先發現。

除了純粹的軍事層面，旨在支持軍事供應鏈的數字孿生還必須收集來自制造業、后勤服務和關鍵服務提供商（如能源）的數據。例如，許多戰略領域的歐洲制造商都依賴于關鍵原材料和中間產品的供應來進行生產。例如，這包括鋰、半導體和微芯片，它們不僅對軍事系統至關重要，而且對日常生活中使用的車輛或電子醫療設備的正常生產也至關重要，在危機時期也是如此。這也符合歐盟的最新政策，如《關鍵原材料法案》，該法案明確指出需要確保歐洲工業的原材料安全和可持續供應，這是綠色轉型的核心，總的來說是為了歐洲在世界級的長期競爭力和自主權[12]。

需要保持最低水平的戰略生產能力，以確保關鍵貨物的供應鏈得到不斷的監測和多樣化。數字孿生體將使其能夠對關鍵制造商和關鍵服務的供應短缺和削減進行模擬，并預先采取行動，為不間斷的供應鏈準備應急計劃。

能源（在能源網和燃料方面）是另一個關鍵供應鏈的例子，應加以監測，以確保在發生自然或人為的不利事件時，軍事設施和系統的運作不會被改變。然而，還有更多的關鍵基礎設施必須保持運行，不僅包括醫院或政府大樓，還包括生產線和初級產品的交付，從彈藥廠到食品加工場。與能源供應有關的數字孿生已經存在，并被用來為決策提供信息和支持能源短缺的反應。將能源供應的數據匯集到一個更廣泛的安全層面，將使它們能夠擴大范圍，支持軍事和民事準備和復原力。因此，很明顯，開發數字孿生所需的基礎設施也可以在和平時期保持使用，并被部署用于解決和預防與軍事層面具體相關的問題。

4 結論與建議

歐盟軍事委員會主席羅伯特-布里格將軍在考慮從俄羅斯對烏克蘭的侵略中吸取的作戰教訓時強調，"與作戰方面相比，后勤工作往往被認為是次要的，但它們再次證明了對戰爭的關鍵影響：坦克沒有燃料、長達數公里的車隊停在街道兩旁以及士兵在尋找食物的鏡頭將在歷史書中充滿強大的畫面"[1] 。在這方面，彈性和高效的供應鏈在軍事環境中的重要性怎么強調都不過分。本文建議使用數字孿生體，通過減少供應鏈的冗余度，使其更具彈性和效率，而冗余度是所有供應鏈固有的特征，包括軍事供應鏈。特別是，它建議通過利用數字孿生的實時監測和分析，結合創新的危機模擬，以及利用合作戰略和數字孿生與其他關鍵支持技術和數據基礎設施的聯合部署，有可能做到這一點。

本文所討論的解決方案包括在更大的范圍內創建一個數字孿生體，與迄今為止所實施的方案相比，其規模更大。它包括匯集大量的數據，這些數據可以支持在沖突時期和和平時期對供應鏈過程的監測，以提高準備和復原力。這是通過一個監測關鍵貨物的生產、運輸和庫存的數字生態系統來實現的，該系統匯集了來自眾多來源的數據。目前，這樣的數據量并不存在，或者只是部分存在，因此建議與歐盟目前在多個領域推出的歐洲共同數據空間建立協同作用。這也將允許建立一個 "模塊化 "的數字孿生，可以插入到一個特定的數據空間來檢索數據。這也有利于多種原因：i）在必要的質量/粒度水平上獲得數據，ii）受益于已經到位的治理和安全要求，iii）受益于分散的計算。

考慮到目前的狀況以及高質量數據可用性和計算能力的預期增長，我們有理由認為在未來20年內這種數字孿生解決方案會逐步發展。在計算能力方面，目前的能力已經可以使數字孿生體不僅可以對當前環境進行準確的描述性分析，進行預測性建模，還可以進行情景規劃和模擬。然而，真正的目標是在控制塔中通過人工智能進行實時數據整合，并可能與基于MX或XR的先進數據可視化同步，從而實現卓越運營。

同時，關于數據的可用性，這代表了主要的問題，應該在技術和政策方面投入最大的努力來促進它。到本十年末，在民用方面，可以預期第一個共同的歐盟數據空間將開始運作，并提供對描述性分析和預測性建模有用的數據。在軍事方面，如果每個國家（單獨或合資）開始開發自己的數字孿生，把倉庫和軍營、維修和訓練場地、港口/機場/導彈基地等的數據集中起來，就可以實現同樣的能力。隨后，將通過插入國防工業的數據來擴展供應鏈數據流。其結果將是一個 "國防數據空間"，隨后與其他歐洲共同數據空間（如制造業）相連接，用其他貨物（如醫療用品）、能源和原材料供應方面的進一步數據來補充虛擬供應鏈。

這項研究確定了易受迷霧影響的特定通信傳感器特征，并提供了一種將其引入模擬、整合和建模高級框架（AFSIM）兵棋場景的方法。軍事領導人利用有關戰斗空間的多種信息來源，及時做出決策，以推進他們的作戰目標，同時試圖拒止對手的行動。不幸的是，戰斗的復雜性加上對戰斗空間態勢感知的不確定性，情報過多或過少，以及對手對友軍指揮和控制行動的有意干擾，產生了一層抽象的戰斗空間迷霧。決策者必須理解、描述并克服這種 "戰斗空間迷霧"，以完成作戰目標。這項研究提出了一個新的工具，即迷霧分析工具（FAT），用來自動編制一個場景中的通信和傳感器對象清單，并列出可能影響決策過程的選項。FAT通過在AFSIM場景中引入和規范整個通信鏈路和傳感器饋電的霧度來提高兵棋推演的真實性。研究結果證實，FAT提供了顯著的好處，并且能夠測量迷霧對AFSIM場景中戰術指揮和控制決策的影響。

1 引言

軍事領導人必須根據戰斗空間情報和現有信息及時做出戰略和戰術決策。為了改善現實世界的決策，指揮官在虛擬兵棋推演中模擬他們的行動決策，以確定實現其目標的最佳路徑。術語 "迷霧 "描述了軍事決策者缺乏信息的情況。仿真、集成和建模高級框架（AFSIM）是一個建模和仿真軟件，使用C++面向對象的方法來模擬基于地理的戰爭場景。在審查了幾個認知決策模型后，霧識別和操縱方法（FIMM）被用來識別和調整指揮和控制（C2）場景中的霧度，傳感器平臺收集信息并通過通信鏈路傳輸給指揮官。指揮官處理這些信息，并將其傳回給產生效果的平臺進行執行。我們的工具--迷霧分析工具（FAT），引入了迷霧效應來操縱傳感器平臺和通信鏈路，具有普遍性。FAT是作為AFSIM的一個插件實現的。使用FAT獲得的模擬結果有助于戰略和戰術決策過程，通過引入傳感器平臺和通信對象的不確定性，對應于霧和直接支持C2功能。FAT和FIMM與AFSIM相結合，產生了一個行為分析平臺，以改善有爭議環境中的作戰決策。這項研究擴展了Setear將霧引入兵棋推演的方法，以及Lawson的C2模型和van Creveld的C2功能等決策過程。

2 文獻綜述

我們首先提供了背景和相關的研究課題，以便將決策過程納入通過傳感器和通信鏈路傳輸信息的指揮與控制（C2）環境中。下面的主題包括對軍事模擬、戰場C2、戰場迷霧、認知行為決策模型和AFSIM能力的回顧。

2.1 軍事模擬和兵棋推演

兵棋推演代表了一個軍事場景，在這個場景中，雙方或更多的人為了完成他們的目標而相互博弈。戰斗空間是雙方團隊行動的沖突區域，通常由一個網格或基于地理的地圖組成。兵棋推演的限制包括在地圖邊界內行動和攻擊特定單位。指揮官從環境中收集信息，形成決策路徑，并選擇一條能產生最高概率完成計劃目標的路徑，同時將損失和行動風險降到最低。通常情況下，團隊會確定一系列對手的重心、道德或體力的力量來源、行動自由或行動意愿。指揮官可以根據一個確定的尺度權衡多種決策路徑，以選擇最佳路徑。當沒有明顯的贏家時，指揮官可能會花更多的時間來決定而不是行動。兵棋推演中的指揮結構鏈是指指揮官向下屬發出執行命令的地方。

今天存在一些與AFSIM類似的應用。下一代威脅系統（NGTS）是由海軍空戰中心飛機部（NAWCAD）制作的軍事模擬環境，提供實時軍事場景模擬。NGTS對威脅和友軍的飛機、地面、水面、地下平臺、相應的武器和子系統以及戰區環境中的相互作用進行模擬。半自動化兵力（OneSAF）是美國陸軍開發的另一個用于跨領域分析的建設性的實時模擬軟件。OneSAF擁有模擬士兵、后勤供應和通信系統的能力。這些軍事模擬框架與AFSIM相似，但各自提供了其獨特的能力。本研究使用AFSIM，因為它的可及性和對傳感器和通信的特殊能力。下一節將討論軍事指揮和控制（C2）以及指揮鏈的功能。

2.2 指揮與控制（C2）

軍事C2是由一個適當指定的指揮官對指定的和附屬的部隊行使權力和指揮，以完成任務。兵棋推演使用C2來構建指揮鏈、后勤和決策過程。C2通過分散執行集中的總體計劃，增強了指揮官做出正確和及時決策的能力。聯合出版物1列出了C2的原則：明確定義的權力、角色和關系；任務指揮；信息管理和知識共享；溝通；及時決策；協調機制；戰斗節奏紀律；反應迅速、可靠和可互操作的支持系統；形勢意識；以及相互信任。這些信條直接支持指揮系統的目標：指揮官和下屬之間清晰、快速、準確的溝通。相反，這些信條也提供了引入迷霧元素的機會，有可能擾亂對手的C2能力。下一節重點介紹霧的定義以及分析員如何在兵棋推演中引入霧元素。

2.3 戰爭的迷霧

克勞塞維茨將戰爭定義為一個不確定性的領域。戰爭中行動所依據的四分之三的因素都被包裹在或大或小的不確定性的迷霧中。在現代戰爭中，戰場迷霧是參與軍事行動的人員在多個作戰領域所經歷的對局勢的不確定性。聯合部隊指揮官（JFC）控制著來自不同作戰領域的部隊：空中、陸地、海上、空間領域，以及包括網絡空間在內的信息環境。信息環境提供了一個在模擬中引入霧的主要機會，因為它包括與個人、組織和系統持續互動的物理、信息和認知層面。物理層面由C2系統、決策者和基礎設施組成，使個人和組織能夠創造效果。物理平臺和它們的通信網絡位于這個維度上。信息層面收集、處理、儲存、傳播和保護信息。這個維度的行動影響著信息的內容和流動。認知維度包含了那些傳輸、接收、回應或對信息采取行動的人的思想。這個維度的重點是個人的感知和決策以及認知的影響因素，如信仰、情緒和動機。在認知維度中引入不確定性可以直接改變決策者的認知，或間接改變決策者的認知發展方式。這項研究的重點是擴展戰場迷霧的定義，以包括傳感器數據的不確定性和連接指揮官和下屬的通信聯系。戰場迷霧在認知維度上改變了行為者的認知，從而影響決策。

表1. 范克里夫德的八項功能列出了指揮和控制的決定性特征。

功能	描述
1	收集有關自己部隊、敵人、天氣和地形的信息
2	找到存儲、檢索、過濾、分類、分發和顯示信息的方法
3	評估態勢
4	分析目標并尋找實現目標的替代方法
5	做出決定
6	根據決定進行規劃
7	撰寫和傳遞命令，并核實命令的到達和接收者的正確理解
8	通過反饋監測執行情況，在此過程中不斷重復

在關鍵區域引入霧化效應，拒絕、延遲或破壞對手決策過程中的數據，同時保護自己的C2完整性，是贏得戰斗的核心。范克里夫德在表1中列出了C2的定義特征，即八個功能。這些功能為識別迷霧可能影響指揮鏈中信息的收集和流動的領域提供了一個基線。表1中的第一和第二項功能提供了一種不確定性，即信息在收集和從傳感器平臺傳輸到指揮官的過程中可能變得不準確。第三至第六項功能取決于指揮官的決策過程實施。這些功能可能提供不確定性的領域，但不在本研究范圍內。第七項功能是指揮官與產生效果的平臺的溝通。第八個功能是指揮官對命令執行的看法。后面這兩個功能可能會因為命令在指揮官和下屬之間的移動而變得延遲、不準確或被拒絕。后面章節的認知模型討論了C2在既定決策過程中的這些功能。

兵棋推演使用不同的方法來介紹和定義霧。Setear提供了一種在兵棋推演中定義和模擬迷霧的一般方法。戰場迷霧的來源是對敵人的不確定性、敵人的意圖和敵人的力量。指揮官面臨的自然環境和友軍的行為也是霧的來源。最后一個來源是對支配戰場上武器沖突的基本戰爭法則的不確定性。塞特爾強調，迷霧的來源影響著各級指揮官和環境。這一結果適用于戰略和戰術指揮官以及陸地、空中和海洋等環境。模擬不確定性的規則有助于戰爭者努力了解事件發生的原因，并從長遠來看發現一個好的指揮官必須具備哪些特征。

Hagelback和Johansson指出，實時戰略游戲中的迷霧元素是敵人基地的位置、對未知地形的探索以及對已探索地形的不可預測性。梅森說，在大多數即時戰略游戲中，戰爭迷霧是一個術語，用來描述使游戲地圖中只有有限的部分可供玩家的角色和所有盟軍單位的組合查看的機制。部隊的移動會轉移這些可視區域，并導致以前訪問過的區域逐漸消失在視野之外。這一機制動態地限制了玩家的信息，因為在他們當前的觀察區之外的區域可能包含感興趣的活動實體。進展要求最終與周圍霧中的任何東西對抗，迫使玩家從戰略上思考如何為這些未知因素做準備。這些霧的定義集中在地形的不確定性和敵軍的力量或位置。

本節從霧的定義到它在兵棋推演中的實現進行了討論。在這項研究中，我們將霧的影響定義為影響指揮官和下屬的信息收集和傳播的關鍵領域。這些霧效應改變了決策實體的認知發展，并對敵人的不確定性、友軍單位和地理環境做出了貢獻。下一節討論了決策模型，并提供了在C2背景下對決策過程進行范圍化的領域。

2.4 決策認知模式

決策認知模型提供了一個感知環境和執行決策以塑造理想狀態的過程。本節討論了博伊德的觀察東方決定行動（OODA）循環模型和勞森的指揮與控制（C2）模型及其決策過程。

觀察-判斷-行動（OODA）循環是一種四步決策方法，它模擬了指揮官如何接收和過濾信息，制定決策，然后隨著新信息的到來完善該決策。美國空軍上校約翰-博伊德（John Boyd）將OODA循環理論化，最初是為了表達一種戰術參與的方法，但后來，他將這個想法擴展到了廣泛的戰略行動。

圖1. 簡化的OODA循環：該過程由四個階段組成，決策者觀察環境，形成可能的決策，作出決定，然后執行決策。

OODA循環由四個主要階段組成。第一階段，觀察，收集與手頭決策相關的信息。信息在內部通過反饋回路出現，在外部通過傳感器或其他信息源出現。第二階段，定向，包括破壞和創造，涉及最重要的認知工作。決策者將主要問題分解成他或她所理解的較小的子問題。通過對子問題的了解，決策者利用子問題的解決方案創建一個行動計劃，并將其合并為一個統一的任務。如果決策者未能創建一個計劃，他或她可能會認輸。第三階段，決定，考慮決策者可用的計劃。如果決策者只能構建一個可行的計劃，決定是是否執行。如果有一個以上的總體計劃，決策者就會選擇一個作為作戰方案。決策往往涉及到權衡一個計劃的風險或成本與它的潛在利益。單一的優勢選擇會導致一個自信而迅速的決定。然而，幾個或許多同級別的決定會導致更長的決策時間。第四個階段，行動，代表執行階段，決策者執行所選擇的決策。OODA循環的各個階段是同時進行的，而不是按順序進行的。圖1展示了簡化模型及其四個階段。

圖2. 勞森C2模型：勞森C2模型過程。系統感知環境，將其與期望狀態進行比較，并采取行動迫使環境進入期望狀態。

1981年，勞森展示了他的認知模型，創建了一個軍事C2系統，該系統源于一個更高的國家或政治愿望，以維持或改變有爭議的戰斗空間中的現狀。C2系統包含了感知或感覺其環境狀態的能力，將感知與特定的期望狀態相比較，并采取行動迫使環境進入期望狀態。這種方法包括信息收集和處理以及決策，類似于OODA循環。該模式在指揮鏈的不同層次上發揮作用，它要求指揮官收到環境的視覺表現，如圖表、地圖或電子顯示。

圖2說明了單個單位的勞森C2模型過程。單個單位感知環境，處理信息，然后采取行動。同時，上層的指揮官管理著多個單位，并持有一系列的傳感器。勞森模型可以遞歸地使用多個指揮官來形成一個指揮鏈。然而，目前的模型已經足夠了。

范克里夫德、塞特爾、博伊德和勞森的過程都匯聚到一個類似的主題。一個C2過程需要一個可以感知的環境，一組在環境中要完成的目標和目的，以及一系列實現目標和目的的決策。一個決策實體，如指揮官，可能會在這個過程的任何部分遇到迷霧。對環境的感知和信息的傳遞是需要考慮的兩個重要方面。

圖5中的決策模型來源于OODA循環和勞森C2模型中的流程。OODA循環和Lawson C2模型為感知環境、收集環境數據、根據目標形成決策以及執行決策以產生效果提供了基礎。圖5中的模型通過傳感器使用環境感知和信息收集，并通過通信鏈接進行信息傳輸。FIMM使用圖5中的推導模型來產生一個在C2場景中引入和操縱霧的過程。下一節將討論AFSIM和它實現霧效應的能力。

圖3. AFSIM高層架構：該框架由服務和組件組成，通過擴展和插件進行延伸。

圖4. AFSIM平臺架構：一個平臺持有關于其環境和組件的信息，以便在內部和外部進行互動。每個平臺也有屬性以區別于其他平臺。

2.5 仿真、集成和建模的高級框架

AFSIM是一個面向對象的、C++的仿真環境，它為定制的交戰和任務級戰爭仿真提供了原型。該框架包括一個仿真對象、數據驅動平臺、移動器、傳感器、通信網絡、處理器、武器和仿真觀察者的類層次結構。仿真和事件類的存在是為了控制基于AFSIM的模型的時間和事件處理以及實體數據的記錄。該框架支持標準的地理空間環境和地形表現，支持通用的腳本語言，以提供使用文本文件訪問框架對象，并支持在構造（批處理）和虛擬（實時）模式下執行任何AFSIM應用的能力。圖3說明了高層架構。該框架的服務提供了仿真功能，而組件代表了仿真中的物理對象。

一個平臺是一個容器數據結構，它可以容納物理和精神組件和信息、屬性和鏈接。圖4顯示了一個平臺的架構和其內部組件之間的關系。搬運工組件定義了平臺運動的行為，如空中、陸地和海上。傳感器提供對具有特征的物體的感知。這些信息傳遞給軌道處理器，以便從本地環境中填充平臺的軌道列表。內部和外部鏈接利用通信對象將信息，如軌道數據，傳遞給處理器和其他平臺。處理器可以執行一些動作，如用武器對象進行火力控制，與插件和C2進程對接。其他平臺可以將數據用于他們自己的處理器或信息存儲。內部和外部鏈接利用消息傳遞來與平臺組件進行通信。平臺之間的消息傳遞是通過通信對象進行的。因此，傳感器和通信對象為引入和操縱霧提供了一個直接的機會。

傳感器為一個平臺提供了檢測其他平臺及其組件的能力。AFSIM包含幾個預定義的傳感器，列于表2。傳感器使用方位角和仰角限制來定義其影響范圍，并持有形成軌道的能力。

用戶可以為形成物體感知的傳感器定義誤差σ，σ為傳感器的位置測量提供誤差范圍。傳感器使用框架中的命令來定義其特征。跟蹤報告命令定義了建立對另一個平臺的感知的標準和產生的信息的質量。表3顯示了與建立和保持對另一平臺的感知有關的傳感器功能。

方位角、仰角、射程和射程率誤差西格瑪命令允許分析員根據傳感器報告的真實信息指定標準偏差。誤差sigma是真實范圍的百分比誤差或誤差值，其單位如下面兩個公式所示：

Rp是感知值的范圍，Vt是真值，Ve是有單位的誤差sigma值，Pe是誤差sigma值的百分比。下面是一個關于范圍誤差sigma函數的例子。一個傳感器報告的真值是800米，但范圍的誤差sigma是20米。因此，感知值的范圍是780到820米。接下來，建立和維持軌道的命中率是N個命中率中的M個，其中由于框架限制，N≤32，M≥1，而M≤N。 建立和維持概率，提供了一個額外的層次，即命中率是否創造或維持感知的對象。關/開指令提供了在腳本化規定的時期引入切入點的選項。

一個通信對象通過發射器、接收器和天線連接不同的平臺。信息通過平臺內的內部鏈接，顯示平臺組件之間的通信。當平臺希望相互通信時，消息通過外部鏈接。通信對象遵循7層開放系統互連（OSI）模型；當一個對象發送消息時，消息通過對象的協議棧，直到平臺處理信息。如表4所示，通信對象作為網絡中的一個節點，具有拒絕、降低或改變數據流的各種功能。

傳播速度決定了信息在節點之間傳輸的速度；默認情況下，傳播速度是光速。傳播速率是在給定時間內傳輸的數據量，如每秒100比特，而丟包則指定任何傳輸的延遲。這些命令可以通過限制指揮官的信息流來中斷決策過程。數據鏈路命令處理信息的調度和傳遞。信道命令支持同時傳輸的信道，因此也支持多條信息路徑。其余的命令為限制和命令數據的傳輸和重傳提供了一個結構。這些命令與通信對象可能使用的更高層次的網絡成員相互作用。網絡對象使用尋址和鏈接來連接內部或外部的平臺。通信對象可以附加到路由器和網關，以添加到另一個網絡。本表中的命令提供了中斷網絡中信息流的霧化能力的選項。

圖5. C2決策過程：指揮官使用傳感器平臺來收集信息，使用產生效果的平臺來執行命令。

3 方法

本節提供了一個在AFSIM中識別霧元素和開發FAT的過程。然后它定義了一個用于插件演示和分析的場景。

3.1 識別和操作霧元素

本節定義了在與指揮和控制（C2）有關的兵棋推演場景中識別霧元素的方法。圖5中的推導過程側重于在本研究特定的兵棋推演環境中做出C2決策。這個過程來自于范克里夫德的C2的八個功能和勞森模型。

這個循環首先是檢查資產和通信鏈路的數量或狀態是否發生了變化。這些資產為指揮官提供了感知環境的信息，并根據任務目標做出決定。指揮官向產生效果的資產（如武器系統或干擾平臺）發送命令。人類玩家或腳本代理可以在兵棋推演環境中控制指揮官。C2背景決策過程將迷霧通過傳感器平臺收集的信息和指揮官通過通信鏈路發送和接收的信息。

平臺通過表2所列的傳感器感知并收集虛擬環境中的數據。傳感器的中斷會破壞平臺的數據流，使指揮官無法收到完整的、可用的或準確的環境數據。傳感器噪音或中斷可能為指揮官提供一個不完整的戰斗空間圖景，使決策者無法實現當前的目標。傳感器的噪音和中斷會造成對敵人的行動和力量、友軍單位的行為和指揮官的環境的不確定性。

通信連接允許信息在指揮官和下屬平臺之間流動。通信對象使用消息對象來包含特定類型的消息，以便在節點之間傳輸。通信節點通過有限制的鏈接連接。被切斷的鏈接提供了另一種類型的信息切斷，并產生類似于傳感器切斷的不確定性。如果一個鏈接被切斷，一個傳感器需要冗余的通信鏈接來繼續運作。傳輸速率影響流經鏈路的數據的速度。一個死的鏈接將無法為指揮官提供當前決策周期所需的關鍵信息，因此，指揮官可能會形成一個無效的決策。當通信緩沖區已滿，等待調度數據時，也可能出現關鍵數據的延遲。

圖6說明了在一個特定的C2場景中識別和操縱霧元素的過程。這個模型將這個過程限制在一個負責傳感器和效應產生平臺的單一指揮官身上。指揮官和下級平臺之間的信息通過通信鏈路流動。平臺之間可能持有也可能不持有鏈接，以獲得通往指揮官的多條路徑。指揮官根據所感知的信息執行決策過程，而這些信息是在給定的配置中被切斷的，噪音和對任務執行的干擾。產生效果的平臺在它們通過通信鏈路到達時執行命令，而后分析查看指揮官如何完成任務目標。

霧識別和操縱方法（FIMM）使用本節說明的C2決策過程來關注傳感器平臺和通信鏈接。指揮官通過通信鏈路接收來自傳感器平臺的信息。這項研究假設產生效果的平臺在通過通信鏈路收到命令時執行這些命令。然而，傳感器收集的信息可能是不準確的，而且通信鏈路可能會發生問題，從而延遲或破壞數據。當受到不準確或延遲的數據時，下級會執行可能不符合指揮官意圖的非預期命令。下一節將討論一個AFSIM插件，以實現本節中的FIMM，使分析人員能夠在AFSIM兵棋推演場景中操縱傳感器平臺和通信對象的霧化元素。

圖6. 霧識別和操縱方法（FIMM）：這個過程主要是在兵棋推演場景中修改傳感器和通信對象。它主要側重于拒絕、破壞和降低流經指揮官決策的信息。

3.2 迷霧分析工具

本節討論FAT，它是AFSIM的一個插件，在一個加載的場景中顯示當前的傳感器和通信組件。每個組件都提供了引入和修改迷霧效果的選項。

FAT的目的是在AFSIM中為兵棋推演分析者提供一種直接的方式來修改傳感器和通信對象的值，這些值與來自FIMM的霧功能有關。這個實現允許分析員一次修改多個平臺和鏈接，同時繞過源文件的操作。該工具首先解析所有傳感器和通信對象的當前加載場景。這些對象在AFSIM Wizard應用程序中以樹狀視圖的形式填充到參數值方案中。分析員直接修改窗口中的參數值，相應的對象也會相應更新。圖7說明了與該插件交互時的概念視圖。

圖7. FAT概念視圖：該窗口顯示兩個通信和傳感器對象的列表。每個列表都顯示該場景使用的所有對象。分析師可以改變每個參數的值，而不是翻閱許多源文件。

這個插件的開發源自于平臺細節和類型瀏覽器插件的實現。平臺詳情是一個Warlock框架的核心類，實現為Wizard子插件類。該插件搜索當前選擇的感興趣的平臺，并顯示一個關于平臺信息的參數值列表。類型瀏覽器是一個獨特的Wizard插件，它可以解析項目代理對象，以獲取特定場景中所有類型的對象。當分析員改變方案中的任何內容時，代理和對象列表就會相應更新。該插件將對象分成幾類，如平臺、武器、傳感器和通信。然而，這個插件與FAT形成對比，因為它不顯示任何關于對象的信息。該插件只在激活時打開每個對象的文件位置。圖8顯示了這兩個插件的圖形表示。

FAT顯示加載場景中的所有傳感器和通信對象，并提供修改其值的選項。因此，當引入一個新對象或修改一個現有對象時，該插件就會更新。當項目打開、關閉或切換到另一個項目時，該插件也必須更新。FAT使用一個自定義接口對象從框架中檢索數據，并將其更新到源文件的相應對象中。

圖8. 平臺詳情和類型瀏覽器：左邊顯示當前所選平臺的信息。右邊顯示一個給定的加載場景中的所有對象

FAT實現框架函數，產生FIMM中顯示的效果。表3和表4的函數提供了所需的效果。表3顯示，方位角、仰角、射程和射程率誤差西格瑪函數直接影響傳感器在感知另一個平臺時的測量。命中率和概率函數影響建立和維持對另一平臺的感知的難度。關/開函數允許模擬傳感器饋電的切斷。在表4中，這些函數影響信息流和干擾感知。影響信息流的功能決定了指揮官或下級何時收到信息。干擾感知命令幫助操作人員檢測通信何時被干擾。FAT實現了這些功能來模擬噪音、切斷和信息流。下一節使用AFSIM場景來驗證霧效應的有用性。

圖9. IADS情景：一個藍色的IADS小組使用多個防空導彈發射器來保衛10輛藍色坦克，對抗5架紅色轟炸機。

3.3 示范場景

本節研究了一個AFSIM場景，以驗證所選擇的霧化功能的有效性。該場景將多個平臺整合到一個藍色綜合防空系統（IADS）組中。該小組由一個指揮平臺組成，它管理著一個雷達連和一個防空導彈營。雷達連使用兩個預警（EW）雷達平臺來探測對手的轟炸機何時進入規定區域（見圖9）。指揮官感知到對手進入戰斗空間時，使用采集雷達（ACQ）來確定對手的位置，并使用目標跟蹤雷達（TTR）從三個防空導彈基地之一發射導彈。藍隊保護n輛藍方坦克不受m輛紅方轟炸機的攻擊。衡量結果是，在情景執行后，n輛總坦克中被摧毀的坦克數量。當紅隊摧毀了50%以上的藍隊坦克時，情景就會失敗。指揮官平臺通過鏈接到藍方網絡的通信對象接收來自其傳感器平臺的傳感器數據。這個場景允許操縱多個傳感器平臺和通信鏈接。在這種情況下，要操縱的傳感器是TTR平臺，因為它直接跟蹤并發送坐標，向紅色轟炸機開火。其他傳感器的噪聲不會影響到TTR平臺的瞄準，但其他傳感器的切斷會影響到指揮官是否啟動TTR平臺向紅色轟炸機開火。AFSIM的任務信息是作為零位信息實現的，因此在這種情況下，唯一可以使用的通信迷霧效應是鏈接的切斷。

下一節提供了插件功能和場景結果。對于每次模擬運行，在特定的水平上對x次模擬的霧效應進行測量，作為隨機生成結果的不同種子。被摧毀的坦克數量的結果是取自x次模擬的平均值。對被摧毀的坦克的霧化效果找到了情景通過和失敗的霧化函數的界限。

圖10. 迷霧分析工具：該窗口為分析人員提供了方便操作迷霧效果的選項。

4 結果

本節討論了FAT的功能和目前的軟件開發進展。為使用FAT而設計的場景顯示了該場景的成功與指定的霧效水平。

4.1 FAT功能

FAT插件使用CMake 3.18.0版本和Visual Studio Community 2019為AFSIM 2.7.0版本成功編譯。該插件在項目解析時將傳感器和通信對象填充到窗口中，并加載每個對象的參數-值對。當對象的名稱被激活時，Wizard應用程序會打開編輯器文件。分析師可以操作每對霧效的值，它也會相應地更新。圖10說明了AFSIM Wizard應用程序中的插件。

圖11. 方位角和仰角誤差σ：由于TTR平臺的觀察面積較小，誤差的容忍度很低。

4.2 用于展示FAT效用的IADS場景

AFSIM對每個級別的霧效應進行了100次模擬，并測量了每次運行中被摧毀的坦克數量。坦克被摧毀的結果是所有運行的平均值。

超過一半（50%）的坦克被摧毀是藍隊的失敗，紅隊的成功。該場景使用10輛藍方坦克和5架紅方轟炸機。通信對象傳輸跟蹤，或感知，信息定義為50KB大小。圖11顯示了隨著誤差百分比的增加，被摧毀的坦克數量與方位角和仰角誤差σ的關系。

該場景在方位角和仰角誤差西格瑪函數的2.5%和3%的誤差之間進入失敗狀態。這些函數影響了雷達對轟炸機平臺的感知位置。誤差使紅色轟炸機的目標定位出現偏差，并導致薩姆彈發射器向錯誤的坐標發射導彈。

AFSIM的射程誤差西格瑪函數沒有產生百分比值的結果，但它產生了圖12中的單位值。射程誤差西格瑪函數沒有產生百分比值的結果是一個可能的框架錯誤。隨著射程誤差西格瑪的單位值增加，被摧毀的坦克顯示出穩定的增長。隨著射程誤差的增加，導彈錯過了紅色轟炸機，而藍色坦克被摧毀。AFSIM的射程誤差σ的函數沒有產生任何可用的結果。

圖12說明了進入125公里左右誤差的失敗條件的情況。導致失敗條件的射程誤差的增長似乎與更多誤差與失敗情景相關的趨勢一致，但導彈爆炸半徑為100米。與爆炸半徑相比，它需要一個非常高的誤差量，可能是由于框架誤差或因為薩姆導彈發射器持有多枚導彈以實現冗余。

AFSIM認為M的最大值為32次命中，以建立和保持一個物體的感知或軌道。建立軌道的命中率導致防空導彈發射站失敗，鎖定紅色轟炸機，更多的藍色坦克被摧毀，成為關鍵命中。在圖13中，維持軌道的命中并沒有產生任何明顯的效果。

當情景中沒有其他霧效應存在時，保持軌道的命中功能可能不會產生任何統計結果。需要對有多種霧效的場景進行進一步分析，以驗證保持軌道的命中率是一個好的霧效。

建立和維持感知或跟蹤的概率較低，會導致薩姆彈站點無法鎖定。隨著圖14中概率的增加，紅色轟炸機被摧毀，藍色坦克得到保護。

一個緩慢的傳播速度，與光速相比為每小時1米，模擬了通信鏈路的中斷。當沒有鏈接失效時，模擬產生的坦克被摧毀的平均值為0.25輛。當指揮官、一個連長、一個傳感器平臺、所有防空導彈發射器或整個網絡鏈接失效時，模擬產生100%的坦克被摧毀。當三個防空導彈發射器中的一個發生故障時，被摧毀的坦克平均數增加到0.75。當三臺發射器中的兩臺失敗時，平均坦克毀壞率增加到50%以上，場景失敗。

圖12. 射程誤差西格瑪：隨著射程誤差的增加，該場景以穩定的速度進入失敗階段。

丟包時間函數給通信對象的每次傳輸帶來了延遲。這個延遲直接影響到網絡中一個節點的數據傳輸。如圖15所示，較高的延遲會對決策過程產生較高的影響，并使紅色轟炸機能夠摧毀更多的藍色坦克。

傳輸速率函數影響網絡中通信對象之間的信息流。該函數通過瓶頸效應直接影響數據的傳輸。這個功能需要定義信息大小。圖16說明了在軌道消息的給定大小下，被摧毀的坦克與傳輸率的關系。

隊列限制功能提供了另一個傳輸消息的瓶頸。一個低的限制會丟掉消息，而不是減慢傳輸速率，導致重傳和到達目的地的等待時間延長。表5提供了改變隊列限制的結果。

信道數、清除間隔、隊列類型、重傳嘗試和重傳延遲函數在這種情況下沒有產生任何有用的結果。進一步分析的途徑是對這些函數與隊列限制函數的添加進行綜合分析，以查看這些函數是如何相互依賴的。

選擇坦克、轟炸機和情景運行的數量是為了簡化情景的創建。修改坦克和轟炸機的數量將改變情景的霧化閾值。改變輸贏標準以及信息大小也會對場景的霧化閾值產生同樣的影響。當轉移率接近消息大小時，霧的影響很低，但當轉移率離消息大小較遠時，霧的影響會增加。修改這些參數會對霧化閾值產生影響。因此，識別和控制AFSIM場景中的變量將使分析員在操縱迷霧方面有更多的控制權。

圖13. 建立和維持軌道的命中率：隨著所需命中率從32個增加到32個，該場景在建立軌道的命中率上達到失敗。

本節展示了FAT在當前狀態下的能力。FAT在進入核查和驗證（V&V）過程之前需要更多的發展。V&V需要一套嚴格定義的軟件結構和用戶使用要求。下一節給出了一個結論，并對FIMM和FAT的未來工作進行了討論。

圖14. 建立和維持軌道的概率：較低的概率最終導致情景失敗（超過5輛坦克被摧毀），但隨著概率的增加，改變為通過情景。

圖15. 丟包時間：這個函數給通信對象的每次傳輸帶來了延遲。該延遲隨著它的增加產生更多的不確定性。

圖16. 傳輸速率：通信對象在整個網絡中傳輸50千字節的跟蹤信息，并帶有紅色轟炸機的感知信息。當傳輸速率增加到每秒50千字節時，藍色IADS組在到達目標之前就發現并消滅了紅色轟炸機。

5 5 結論和未來工作

這項研究創造了FIMM，一個在兵棋推演場景中引入和操縱戰場迷霧的過程，以及FAT，一個實現FIMM的AFSIM插件，并允許分析員將各種迷霧效果應用于AFSIM場景。FAT通過解析傳感器和通信對象實現了AFSIM 2.7.0，用霧的效果填充了一個窗口，并允許分析員改變效果。每個場景都提供了一個霧的界限，在這個界限內場景停止成功并開始失敗。這些結果對于不同類型的場景可能有所不同。最初的建模包括抽象方法FIMM和AFSIM插件實現FAT。該工具提供了破壞網絡中信息流和為傳感器讀數引入噪聲的能力。該工具沒有向AFSIM引入命令，而是利用了現有的命令。它為分析人員提供了一種方便的方法，可以在情景運行之間改變霧值。

表5. 隊列限制：零隊列限制會拒絕所有傳入的消息，并模擬類似于傳播速度的切斷。隨著隊列限制的增加，更多的消息通過通信鏈路傳輸，IADS組成功運作。

通過數據收集和傳輸，他的決策過程。通過傳感器對象收集的數據通過控制指揮官對環境的感知與戰爭迷霧有關。在收集的數據中，更多的不確定性導致了感知的更大模糊性。通過通信對象的數據傳輸產生了一個問題，即指揮官可能無法快速收到數據以形成一個最佳決策。FAT驗證了嘈雜的數據收集導致了錯誤的決策。另外，數據傳輸鏈路的中斷導致指揮官的環境數據不完整或被拒絕。

IADS場景的結果強化了軍事行動中的冗余理念。多個防空導彈發射器允許指揮官在一個失敗時繼續執行任務。結果表明，霧的影響會影響到場景的執行，隨著影響的增加或減少，場景會失敗。保持跟蹤功能的命中率似乎沒有對場景產生任何明顯的結果，但可能存在一個場景，該功能確實如此。在傳感器饋電中引入噪音會影響對敵方平臺的定位。

美國軍方專注于虛擬決策，以迭代可能的行動方案（COA）來選擇最佳路徑。然而，霧會以不可預測的方式影響決策。FIMM和FAT作為一個基線，將霧的影響納入決策分析。愿景是決策代理人在這個過程中考慮到各種霧的程度，并利用這些信息選擇最佳路徑。軍事分析家也可以在他們的場景中使用FIMM和FAT，以查看決策者在失敗的目標之前可以處理的霧的界限。

這項研究需要更多的場景來測試其他霧元素如何影響決策過程，如干擾、延遲或丟棄通信網絡中的網絡數據包。這些場景證明了AFSIM中霧功能的有效性，噪聲可以克服決策過程，導致場景失敗。

FIMM的一個可能的研究領域是引入篡改或攔截通過通信鏈路傳輸的信息。篡改和攔截傳輸中的信息需要對手的干預和對網絡的訪問。這個領域可能需要一個專門用于網絡戰的單獨框架或與AFSIM特定網絡插件的接口。

FIMM的目的是提供一個抽象的方法來識別和量化不確定性的水平，以便在決策代理中考慮。該代理將遵循一個決策過程，如OODA循環和不確定性，當形成決策路徑以完成任務目標。FIMM允許分析員幫助訓練一個代理在受到各種霧的影響時克服霧。FAT是一種可能的實現方式，該過程分散在多個框架內。因此，另一個可能的研究領域是，在另一個軍事模擬框架上實施FIMM。幾個可能的框架是美國海軍的NGTS，美國陸軍的One Semi-Automated Forces（OneSAF），或Epic Games的Unreal Engine。

管理整個戰場上不斷增長的數據量和速度是作戰人員的一個關鍵問題。解決這個問題將需要從根本上改變戰場分析的方式。一種在戰場上做出決策的新方法將通過將分析能力移至數據源附近來消除數據傳輸延遲。決策周期取決于捕捉數據并將其轉化為可操作信息的速度，以便進行決策。實時態勢感知是通過將計算資產定位在戰術邊緣來實現的。

加速戰術決策過程需要利用三個技術領域的能力：（1）高性能計算（HPC），（2）機器學習（ML），以及（3）物聯網（IoT）。利用這些領域可以減少網絡流量，縮短將數據轉化為可操作信息所需的時間。更快的決策周期可能會徹底改變戰場上的行動。

本報告概述了一個人工智能（AI）系統的設計，用于在戰術作戰環境中的近實時分析，在同地的移動HPC硬件上執行。該報告包括以下幾個部分：（1）描述動機、背景和技術狀況的介紹；（2）利用HPC問題定義和用例的戰術決策過程描述；（3）HPC戰術數據分析框架設計，使數據變成決策。

1 引言

背景

戰術邊緣人工智能（AI）的方法被細分為三個主要研究領域：（1）研究延伸到戰術邊緣的移動或便攜式高性能計算（HPC）環境的硬件和架構；（2）研究機器學習（ML）算法和物聯網（IoT）架構及其與便攜式HPC的一致性；以及（3）利用邊緣HPC為戰術決策過程設計操作工作流框架。

• HPC邊緣架構： 這項工作包括調查在移動和/或便攜式HPC環境中提供和支持數據科學能力所需的最先進的硬件、軟件、網絡和存儲。

• ML邊緣分析： 機器學習已經通過尋找和分析大數據集的潛在特征的能力改變了數據分析。我們能否徹底改變戰場上的數據分析方式，然后建立讓ERDC解決這一類新問題的能力？

• 邊緣HPC：這項工作旨在將擬議的硬件能力創新與創新的分析能力結合起來，以最優化和最恰當的方式在戰術邊緣提供計算密集的決策支持分析。處理這項任務的方法將是在解決作戰需求的同時暴露出一個作戰過程。換句話說，當團隊直接為現實世界的戰場數據處理需求建立戰術邊緣分析時，為實現戰術邊緣分析所經歷的操作流程將開始定義一個可推廣的操作流程，以利用邊緣的HPC解決戰術決策分析問題。

動機

技術創新（AI）在各行業和各國的快速發展和擴散性質正在削弱美國對國防技術應用的壟斷。獲得的優勢是暫時的，因為近似的對手能夠迅速利用這些日益普遍的能力。中國制定了一項發展計劃，到2030年成為人工智能的世界領導者，并創造一個1500億美元的產業。俄羅斯總統弗拉基米爾-普京表示，"誰成為這個領域（人工智能）的領導者，誰就會成為世界的統治者"（Gigova 2017）。美國防部（DoD）必須迅速而果斷地利用人工智能和自動化，使美國部隊能夠更有效和高效地運作。通過以戰略為重點的意圖和工作，適當地加以利用，人工智能可以成為最大的補償--或者說，如果缺乏遠見和方向，它可能會成為一個戰略赤字。

人工智能已經成為每一類企業的解決方案和問題的一個日益增長的來源。基于人工智能的技術已經融入如此多的部門，往往引起巨大的變化，從軍事或全球安全的角度來看，它不能被忽視。

潛在軍事應用的早期AI問題（通過全球安全集團的視角）：

1.在近期內，人工智能的哪些軍事應用是可能的？

2.在這些應用中，哪些是對戰略威懾的穩定性有潛在影響的？人工智能是否會改變我們考慮威懾的方式？

3.人工智能輔助的軍事系統如何影響區域穩定？

4.區域穩定和戰略威懾之間有什么聯系？

5.人工智能帶來的意外后果和戰略意外的風險是什么？

目前國防界對什么是人工智能缺乏共同的模式、術語和基線。人工智能有許多應用和方法，但其中最大和最廣泛使用的是以一種形式提供價值的方式分析 "大數據"。狹義人工智能使用離散的問題解決工具來執行特定的狹義任務。通用人工智能包括旨在模仿和重現人腦功能的技術。狹義的人工智能有更多的采用，并被證明在各種領域提供價值。人工智能與商業應用的交叉，使數據豐富的領域有了預測分析的能力。大量的傳感器和相機，加上現有的以數據為中心的資源，正在推動人工智能的機會，以揭示隱藏的洞察力。

目標

人工智能顯然有潛在的軍事潛力，但要到什么時候才能在實踐中真正顯現出來？美國防部在2018年6月建立了一個聯合人工智能中心，導致資金和研究的增加。與工業/學術界人工智能應用直接類似的軍事應用（物流、規劃、分析、運輸等）已經在整個國防和情報界迅速采用了人工智能支持的數據分析。戰爭有單獨的和不同的應用，對人工智能的采用較慢。適用于戰爭的人工智能應用的主要類別是：（1）那些主要在戰爭的戰役層面產生影響的應用；（2）那些主要在戰爭的戰略層面產生影響的應用。"在戰爭的戰役層面上的人工智能應用可能對使用通用軍事力量來實現戰術目標產生非常大的影響，從而對常規威懾的可信度產生影響。人工智能在戰略層面的應用可能會對有關戰爭規模和范圍、升級和降級的政治決策產生重大影響，進而影響戰略穩定和威懾"（Davis 2019）。

美國防部戰略的一個關鍵重點是確定關鍵的探路者，使該部能夠實現其人工智能的愿景：

• 繼續開展被稱為 "Maven項目 "的算法戰爭跨職能小組（AWCFT）的工作，以迅速整合和部署商業和政府開發的人工智能能力，支持反ISIS運動。

• 建立一個以國防部人工智能為重點的中心，在國防企業的多個領域創新和部署人工智能系統的操作原型，并確定將人工智能技術持續應用于各種用例的途徑。

• 在戰術邊緣提供世界級的計算能力。國防部將重新獲得嵌入式HPC的競爭優勢，以支持 "算法戰爭"，重點是在運輸集裝箱中的前線部署HPC，以支持戰地戰術行動。設計利用世界一流的高功率架構來融合數以萬計的信息源。

美國國防部的人工智能目標是：

• 為人工智能建立跨領域的基礎。美國防部將加強跨領域的基礎，并制定法律和政策框架，以確保其能夠成功應用人工智能。它必須強調其開發的系統的互操作性，同時確保其部署的安全和保障。此外，它必須最大限度地追求國際、商業和學術伙伴關系，同時增長和培養自己的有能力的人工智能勞動力。

• 實現軍事技術的優勢。美國防部將集中投資并利用商業和學術投資，以便在關鍵領域實現對對手的軍事技術優勢，包括核心人工智能、機器學習、機器人、數據分析、高級計算和人類-人工智能協作。

• 轉變美國防部的關鍵業務職能。美國防部將通過大量利用商業AI/ML產品和投資來實現其業務運作的現代化和簡化。

• 建立、部署和維護基于AL/ML的能力，提供戰場上的軍事優勢。為了提高殺傷力，美國防部將投資于應用能力的開發，將新興技術與特定的軍事能力和行動概念聯系起來，快速過渡能力，并專注于關鍵的應用領域。

已經確定的（目前正在研究的）三個潛在應用的作戰目標：

• 無所不在和無所不知的自主車輛

  • 高度重視人工智能的軍事應用

  • 專注于所有級別的無人系統（陸、海、空）。

  • 進行復雜的戰役戰術，快速調整，報告變化

• 大數據驅動的M&S和兵棋推演

  • 人工智能已經在核武器系統中得到了一些應用。

  • 對人工智能的兵棋推演方法的興趣增加，以探索和了解動態條件如何影響結果和決策。

• 集中的情報收集和分析

  • 需要更快地分析情報數據流（沒有信息過載）。
  • 數據量的增加（加上來自不同來源的數據種類增加），需要人工智能來解決收集和分析問題

已經為戰略目標確定了四個潛在的應用（目前正在研究）：

• 實現情報、監視和偵察（ISR）的系統體系

  • 目標識別只是開始；ISR也需要多領域的態勢感知。
  • 整體感知是目標，也是關鍵，因為戰場延伸到所有領域。
  • Maven項目（算法戰爭跨職能小組）。
  • 軍事版的物聯網可以在傳統因素中實現軍事優勢：速度和范圍

• 戰略資產的精確瞄準

  • 由人工智能賦能的ISR使定位、跟蹤和瞄準戰場上的實體成為可能，從而使打擊敵人成為可能。
  • 在更好地理解之前，使基于相互脆弱性的威懾的基本戒律變得不太確定

• 有效的導彈防御

  • 實現更好的目標獲取、跟蹤和識別
  • 防止彈道導彈攻擊

• 人工智能引導的網絡

  • 通過創建人工智能引導的探測、繪圖和黑客系統來發現網絡/數據的漏洞，以實現防御性戰略
  • 用于定位和收集、破壞或虛假信息的進攻性人工智能
  • 防御性人工智能用于檢測入侵和搜索衰弱的異常情況

這些都直接影響了戰爭的速度。"戰爭的速度已經改變，而這些變化的性質使得全球安全環境更加不可預測、危險和無情。決策空間已經崩潰，因此程序必須適應戰爭速度的發展"（Garamone 2017）。有人說，"軍隊必須最大限度地利用其決策空間，所以軍事領導人可以以戰爭的速度提出選擇"（Garamone 2017）。這可以通過 "建立一個框架，使高級領導人能夠及時做出決定"（Garamone 2017）來實現。

方法路徑

人工智能是實現迎戰戰爭速度變化這一總體目標的關鍵一環（圖1）。人工智能為指揮官提供了對態勢理解，并為高效和有效地處理、利用和傳播信息打開了大門，其速度是人類無法比擬的。人工智能使系統能夠學習和適應，加快作戰節奏，使士兵更聰明，并能自主操作。戰場系統需要有彈性，能夠適應不斷變化的情況。信息的增長已經超過了人類快速分析信息并將其應用于決策過程的能力。士兵和機器作為一個綜合認知系統工作，能夠大大擴展數據分析的深度和廣度。機器專注于分析低層次的細節，讓士兵將注意力集中在更高層次的戰略和規劃上。

人工智能對威懾和穩定有多種潛在影響。它也有很大的潛力通過增加感知到的突襲風險來侵蝕穩定。歪曲的數據可能導致人工智能系統采取意想不到的行動。人工智能確實會犯錯，但這些錯誤不能導致戰略不穩定或不必要的升級。人工智能的速度可能會意外地加速一些可以通過其他努力來降級的事情。當被賦予與外國和友好平臺有關的不同參數時，它也可能誤報意圖。人工智能只是跟上戰爭速度的大拼圖中的一塊。

定義邊緣

邊緣的定義是相對于事業內部的位置而言的。例如，移動網絡運營商（MNOs）認為邊緣是其無線接入網絡（RAN）的末端，是多接入邊緣計算（MEC）的一個大機會。數據中心服務提供商可能將邊緣視為部署在關鍵位置的基礎設施，以盡量減少通信延遲。HPC和邊緣服務器供應商將遠程站點的設備視為其邊緣。數據處理要求的范圍可以從邊緣的超低延遲和實時延遲，到 "近邊緣 "的中等延遲和本地數據處理，再到集中式數據中心的高延遲和高容量存儲和網絡。

人工智能邊緣計算將通過把計算帶到數據上而不是把數據移到這些強大的計算機資源上來減少網絡流量需求。這將減少從數據到決策所需的時間（圖2）。邊緣計算在將計算資源移至數據源附近時，利用了更小、更強大的設備，從而減少了網絡流量，使計算資源更接近前線（圖3）。它將分析數據所需的計算匯集到數據源；數據到決策（D2D）的時間減少了，從數據中提取的見解和信息被高度壓縮并更容易分享，更多的計算能力可以在更小的設備中得到。傳統的方法是在低層（戰術邊緣）收集數據，并將數據傳輸到高層進行處理和分析。這種方法的結果是隨著數據源的不斷增加而出現了擴展問題。它通過傳輸未處理的數據給網絡帶來了負擔。數據傳輸成為一個主要的瓶頸，影響了戰場的節奏。

目標

一個有效的指揮和控制（C2）系統必須為用戶提供作戰畫面，支持規劃過程，并能接收、處理和傳輸信息。

這項工作的目的是研究人工智能和HPC一起工作，以推進關鍵的軍事能力，如態勢感知（圖4）。邊緣的HPC加人工智能提供了對本地數據的近乎實時的利用，支持高度的自主性，計算資產被移到離數據源更近的地方，增加了數據分析的深度和廣度，減少了做決定的時間，洞察力為決策提供了依據。

報告組織

本報告分為六章：

• 第一章是對當前情況的概述和報告的目的。
• 第2章提供背景和當前可用的軟件和硬件基礎設施。
• 第3章調查了要調查的潛在軍事用例。
• 第4章提供了解決該問題的建議方法。
• 第5章總結了報告的內容。
• 第6章涉及未來的工作計劃和發展。

在未來的空戰中，無人協同系統的整合將是一個潛在的巨大力量倍增器。其成功的關鍵因素將是編隊情報、協調任務規劃和跨平臺任務管理。因此，構思下一代機載武器系統的任務需要一個整體的系統方法，考慮不同的航空飛行器、其航空電子任務系統和針對未來威脅的整體作戰概念。為了盡早驗證可能的解決方案概念并評估其作戰性能，在過去幾年中，在空中客車防務與航天公司未來項目中開發了一個動態多智能體戰斗仿真。除了比實時更快的工程功能外，該仿真還可以進行實時人機對話實驗，以促進工程師、操作員和客戶之間的合作。本文介紹了動態任務仿真方法，以及在未來戰斗航空系統（FCAS）研究中應用此工具所得到的啟示，在此期間，我們清楚地認識到什么是未來應用的一個關鍵挑戰。實施一個強大的高層規劃算法，為復雜的空中行動生成臨時任務計劃，同時考慮反應性的低層智能體行為、人類操作員和在線用戶輸入。

1 引言

每一代新的戰斗機都可以通過一個或多個技術飛躍來定義，這些技術飛躍使其與上一代的設計有很大區別。毫無疑問，自從大約15年前第一架第五代戰斗機投入使用以來，幾乎所有的設計學科都有了顯著的進步。不同的飛機制造商，包括空客，已經宣布他們目前正在構思或研究第六代戰斗機[1] [3]。與目前最先進的飛機相比，這些項目很可能在各個領域都有改進，如飛行性能、全方面和全模式隱身、低概率攔截雷達和通信或武器裝備。但問題仍然存在：什么將是這一代的決定性因素，一個真正改變未來戰斗空間的因素？

一個常見的假設是，未來的戰斗空間將是 "高度網絡化 "的，即所有參與的實體都可以交換他們的態勢視圖，并以近乎實時的方式創建一個共享的戰術畫面。一方面，這使得多個平臺在空間和時間上可靠同步達到了以前不可能達到的程度。許多算法，特別是發射器定位或目標測距的算法，如果能從多個位置產生測量結果，會產生明顯更好的效果。另一方面，高質量數據的可靠交換通過分配以前由單一平臺執行的任務，使戰術更加靈活。對作戰飛機的主要應用可能是所謂的合作交戰概念（CEC），這已經是美國海軍針對反介入/區域拒止（A2/AD）環境的海軍綜合火控-反空（NIFC-CA）理論的一部分[4]，但其他應用也是可能的，例如合作電子攻擊。所提到的概念主要適用于任務期間單一情況的短期范圍，例如偵察或攻擊薩母基地、空對空（A2A）作戰等。然而，就整個任務而言，還有一個方面需要提及。鑒于所有參與實體之間的可靠通信，規劃算法可以交換任務計劃變更的建議，并根據其目標和當前的戰術情況自動接受或拒絕。這在一個或多個不可預見的事件使原來的任務計劃無效的情況下特別有用，盡管所有預先計算的余量。與其估計一個替代計劃是否可行，并通過語音通信與所有其他實體保持一致（考慮到船員在某些任務階段的高工作負荷和參與實體的數量，這是一項具有挑戰性和耗時的任務），一個跨平臺的任務管理系統可以快速計算出當前任務計劃的替代方案，并評估是否仍然可以滿足諸如開放走廊等時間限制。然后，一組替代方案被提交給機組人員，以支持他們決定是否以及如何繼續執行任務。

將上述想法與現在可用的機載計算能力結合起來，由于最近在硬件和軟件方面的進步，可以得出結論，未來一代戰斗機將很有可能在強大的航空電子系統和快速可靠數據交換的基礎上，采用卓越的戰術概念進行作戰。然而，這還不是我們正在尋找的明確游戲改變者--甚至現有的第五代戰斗機已經應用了一些提到的概念，例如，在NIFC-CA背景下的F-35[4]。因此，下一步不僅要改進飛機的航電系統，而且要在完全網絡化環境的前提下連貫地優化航電、戰術和平臺設計。這種方法允許思考這樣的概念：如果得到網絡內互補實體的支持，并非每個平臺都需要擁有完整的傳感器套件和完整的決策能力。因此，不同的平臺可以針對其特殊任務進行高度優化，從而與 "單一平臺做所有事情 "的方法相比，減少了設計過程中需要的權衡數量。很明顯，一個專門的傳感器平臺不需要或只需要非常有限的武器裝備，因此現在可用的空間可以用來建造更好的傳感器或更大的燃料箱。這已經可以使該平臺專門從事的任務性能得到顯著提高，但有一樣東西可以去掉，它的影響最大：飛行員。在這一點上，必須明確指出，目前沒有任何算法或人工智能能夠接近受過訓練的機組人員態勢感知和決策能力。這就是為什么在不久的將來，人類飛行員在執行戰斗任務時將始終是必要的。然而，如果飛行員（或更準確地說，決策者）被提供了指揮無人駕駛同伴的所有必要信息，那么就不需要在同一個平臺上了。因此，我們提出了一個概念，即一個或多個載人平臺由多個無人駕駛和專門的戰斗飛行器（UAV）支持。在下文中，我們將把至少一個載人平臺和一個或多個由載人平臺指揮的專用無人機組成的小組稱為包。我們聲稱，由于以下原因，無人平臺將作為有人平臺的力量倍增器發揮作用：

• 無人機是可擴展的，而空勤人員是不可擴展的。因此，無人機可以執行高風險的任務，并允許采用只用載人平臺無法接受的戰術。

• 無人機更便宜（即使不考慮機組人員的價值），因為它們可以在性能相同的情況下比載人平臺建造得更小。這意味著，在相同的成本下，更多的平臺可以執行任務，更多的平臺會導致更高的任務成功率。首先，因為有更多的冗余，其次，如果有更多的資產參與其中，一些任務可以更好地完成，例如發射器的定位。

• 不同的無人機和載人平臺可以任意組合。在任務開始前，可以根據需要組成包。在任務期間，在某些限制條件下，也可以重新組合軟件包，例如，如果交戰規則禁止不受控制的飛行，則指揮平臺之間的最大距離。這使得任務規劃和執行有了更大的靈活性，預計也能保持較低的運行成本和材料損耗（"只使用你需要的東西"）。

像往常一樣，沒有免費的午餐這回事。在我們的案例中，所有上述優勢對飛機設計師來說都是有代價的。不是按照一組技術要求優化單一設計的性能，而是必須設計多個平臺及其子系統，使其在各種任務和組合配置中最大限度地提高整個系統的性能。在本文的其余部分，我們將介紹FCAS原型實驗室（FPL），這是一個在FCAS背景下開發的模擬環境，用于解決這一高度復雜的問題。在第2章中概述了它在概念設計和跨學科技術原型開發中的作用后，我們將在第3章中介紹底層動態多智能體任務仿真的概念和架構。在第4章中，我們將介紹選定項目的結果，以概述該工具的多功能性。本文最后將介紹可能是未來最大的挑戰之一，不僅對模擬，而且對一般的無人系統的引進。實施一個強大的高層規劃算法，為復雜的空中行動生成臨時任務計劃，同時考慮反應性的低層智能體行為、人類操作員和在線用戶輸入。

FCAS原型實驗室（FPL）：動態多智能體任務仿真

FPL的核心是一個動態多智能體任務仿真，可以在一臺計算機上運行，也可以分布在多臺機器上，并使用不同的附加硬件組件。為了方便兵棋推演的進行，對人機界面技術進行原型測試，或用于一般的演示目的，模擬中的所有載人機載資產都可以選擇由硬件駕駛艙控制。如果沒有人類操作員參與，模擬必須能夠比實時運行更快。這對于在可能需要數小時的大規模任務中進行有效的開發和權衡分析尤為必要。為了以客觀和公正的方式評估概念和技術，每個模擬任務的過程都是由預先定義的系統屬性、物理效應的模擬和可配置的智能體行為和合作演變而來。不存在任何腳本事件，每一次新的模擬運行的結果都是完全開放的。藍軍和紅軍是在相同的假設下，以可比的抽象水平進行模擬。以下各章概述了如何在FPL中動態地模擬當前和未來機載系統的任務。介紹了我們的仿真結構，在對這類系統進行建模時最重要的設計權衡，以及行為建模的高層次規劃/低層次控制方法。

架構

FPL的仿真架構由三個邏輯部分組成：應用、仿真控制和通信中間件。該架構的一個核心特征是，模擬被分割成幾個應用程序。每個應用程序運行不同的模型，例如，有一個應用程序用于模擬自己的（藍色）航空器、敵方（紅色）航空器、綜合防空系統（IADS）以及更多的模型，如下所示。所有的應用程序共享相同的標準化接口，并且可以任意組合。這種模塊化允許只運行某個任務或項目所需的部分模型。所有的應用程序都是獨立的可執行文件，可以在同一臺計算機上以并行進程運行，也可以分布在幾臺機器上。通過交換編譯后的二進制文件，來自不同公司的模型的整合是可能的，而不會暴露詳細的基本功能。一般來說，不同公司之間的快速和容易的合作是FPL架構的一個主要驅動力。為此，提供了一個基礎應用類，它提供了所有與仿真有關的功能，如仿真控制狀態機、通信中間件接口和通用庫，例如用于不同坐標系的地理空間計算。通過簡單地實現一個新的基礎應用實例，新的模型可以被添加到仿真框架中。所有應用程序的執行都由一個中央仿真控制實例控制。它提供了一個圖形化的用戶界面，可以根據需要啟動、停止和加速模擬。在執行過程中，所有應用程序的運行時間被監控，仿真時間被動態地調整到最慢的模型。這使得分布式的比實時更快的模擬具有自適應的模擬時間加速。應用程序之間的通信是通過數據分配服務（DDS）標準[2]實現的。它使用發布-訂閱模式在網絡中實現了可靠和可擴展的數據交換。兩個不同的分區用于廣播仿真數據（如實體狀態、仿真控制命令等）和多播命令和控制數據（如通過BUS系統或數據鏈路實際發送的數據）。DDS標準的開放源碼實施被用來進一步方便與外部伙伴的合作。

圖1提供了我們的模擬架構的概況，包括大多數任務所需的應用程序。如前所述，這個架構并不固定，幾乎任何應用都可以根據需要刪除或交換。如黑色虛線箭頭所示，通過DDS中間件在仿真控制處注冊一個基本的應用實現，可以集成新的模型。藍色/紅色背景的方框描述了己方/敵方系統，混合顏色的方框可供雙方使用。仿真基礎設施組件的顏色為灰色，用戶界面的顏色為橙色。黑色箭頭表示模擬過程中的通信，灰色箭頭代表模擬運行前后的數據交換。

對于兵棋推演環節，不同的應用程序分布在FPL的多個房間內運行，以模仿真實的空中作業程序。在設置好一個場景后，藍方和紅方的操作人員使用任務配置工具，在不同的房間里計劃他們的任務。空中行動指揮官留在這些房間里，而飛行員則分成兩個房間，每個房間有兩個駕駛艙來執行任務。藍方和紅方空軍應用的任何飛機都可以從駕駛艙中控制，因此飛行員可以接管不同的角色，并相互對抗或作為一個團隊對抗計算機控制的部隊。所有房間都配備了語音通信模擬。任務結束后，各小組在簡報室一起評估任務，可以從記錄的模擬數據中回放。一個額外的房間配備了多個連接到模擬網絡的PC，可以選擇用于特定項目的任務，例如硬件在環實驗。

建模

為FPL選擇正確的建模范式事實上并不簡單，因為它涵蓋了操作分析工具（通常是隨機的）以及工程模擬（通常是確定性的或混合的）的各個方面。這個決定的影響可以用一個例子來說明，即如何確定一架飛機是否被導彈擊中。在隨機模型中，這個決定是基于可配置的概率，例如，被擊中的概率（導彈）和回避動作成功的概率（飛機）以及一個隨機數。為了使最終的任務結果對單一的隨機數不那么敏感，在實踐中經常用不同的隨機種子進行多次模擬運行。按照確定性的方法，導彈的飛出是根據導彈的發射方向、制導規律和固定的性能參數如推力、最大加速度等來模擬的。飛機在規避機動過程中的軌跡也是基于其初始狀態、空氣動力學、反應時間等。例如，當彈頭引爆時，如果導彈和飛機之間的距離低于某個閾值，那么飛機就會被認為被殺死。在一個確定性的模型中，在導彈發射時已經知道飛機是否會被擊中。確定性模型中必要的簡化通常是通過引入固定參數來完成的，比如導彈例子中的距離閾值。混合模型允許使用隨機數進行這種簡化，例如，作為失誤距離的函數的殺傷概率。

為了有效地測試和分析大規模的空中作業，在單臺機器上有幾十種藍色和紅色資產運行的情況下，模擬運行的速度至少要比實時快10倍（平均）。這對所用算法的時間離散性和運行時的復雜性提出了重大限制。為了保持快速原型設計能力，為新項目設置仿真或開發/集成新組件所需的時間應保持在較低水平。太過復雜的模型會帶來更多的限制，而不是顯著提高結果的質量。在這些方面，（更多的）隨機模型在運行時間和開發時間上都有優勢，更快。然而，在我們的案例中，有兩個主要因素限制了隨機模型的使用，使之達到最低限度。首先，模擬只有在給出他們的戰術和演習成功與否的確切原因時才會被操作者接受。此外，隨機模型是由數據驅動的，但對于未來自己和/或敵人的系統來說，所需的數據往往無法獲得。對于已經服役多年并在測試或實際作戰中多次射中的導彈，有可能估計其殺傷概率。然而，僅僅為未來的導彈增加這一概率是非常危險的，特別是因為隨機模型對這些參數非常敏感。從我們的觀點來看，通過將所有系統建模為基于技術系統參數的通用物理模型，可以實現對未來系統更健全的推斷。第一步，通過模擬已知技術和性能參數的現有系統，對模型本身進行驗證。對于未來的系統，技術參數會根據預期的技術進步、領域專家知識和他們的工具進行推斷。堅持最初的例子，未來戰斗機的回避機動性能的推斷，例如，基于從CAD和流體動力學模型計算出的更高的升力系數，或基于更高的導彈接近警告器的分辨率和靈敏度。

客觀評價未來概念在模擬中的表現的一個關鍵方面是環境和威脅的建模。必須考慮到，系統的方法在紅方和藍方都是有優勢的。現代國際防空系統的危險來自于結合不同的系統，從非常短的距離到遠距離。所有這些系統都有它們的長處和短處，但它們被組織起來，使個別的短處被其他系統所補償，并使整個系統的性能最大化。因此，第一個困難是必須對大量的系統進行模擬，并且必須確定這些系統的個別優勢和劣勢。通用物理模型的方法可用于這兩個方面。在通用防空系統模型被開發和驗證后，它可以迅速將新的系統整合到模擬中。根據模擬的物理效果，可以估計敵方系統的作戰優勢和弱點或未來可能的威脅概念。另一方面，使用通用模型的困難在于，必須將真實系統的功能映射到通用模型中，以便保留所有重要的單個系統屬性。這不可避免地導致了相當復雜和詳細的通用模型。我們將以地基雷達組件為例，概述我們平衡復雜性和保真度的方法。如圖2所示，IADS模擬中的一個實體由不同的組件組成。這些組件可以任意組合，以快速配置新系統。從功能角度看，地面雷達組件由控制器、探測模型和目標跟蹤器組成。根據實體的當前任務，控制器選擇所需的雷達模式，例如，360°搜索的監視或戰斗搜索，如果一個特定的部門必須優先考慮。為了對付干擾或地面雜波，可以使用不同的波形。根據雷達的類型，如機械或電子轉向的一維或二維，控制器有不同的可能性來適應搜索模式。在為一個波束位置選擇了波形的類型和數量后，探測模型根據目標、地面雜波、地形陰影、大氣衰減和電子對抗措施等方面的雷達截面模型，產生測量結果。測量誤差是由取決于隨機模型的信噪比引起的。由此產生的測量結果然后由目標跟蹤器處理，它執行測量-跟蹤關聯和跟蹤過濾。

這種詳細模型產生的另一個困難是必須估計的參數總數。在這一點上也要注意，模擬中的所有數據都是不受限制的。這一方面是由于大多數項目的限制，但另一方面，它在日常工作中也有實際優勢。我們必須牢記，模擬是用于概念驗證，而不是用于詳細的系統設計，所以在這個早期階段使用機密的威脅數據會對基礎設施和開發過程造成重大限制，而不會給結果帶來重大價值。基于此，所有的威脅數據都必須根據公開的來源或來自內部項目和外部合作伙伴的非限制性數據進行估算。這再次導致了大量的數據，而這些數據的詳細程度往往是非常不同的，或者是不一致的，例如，由于對限制性數據的去分類。隨著我們模型的不斷發展和多年來獲得的工程專業知識，我們有可能為不同的當前和推斷的未來威脅系統估計出一致的參數。這主要是在一個自下而上的迭代過程中完成的。根據現有的技術和性能參數，對缺失的模型參數進行估計以適應組件的性能。然后對單一系統的不同組件之間的行為和相互作用進行調整，以達到理想的系統性能。最后，在不同的情況下測試IADS內這些系統的協調，以使整個系統的性能最大化。

使用空間分布的多個雷達節點，在不受約束的運動方向上研究了連續人類活動的識別，在使用單個節點時，活動可能發生在不利的角度或被遮擋的視角。此外，這種網絡不僅有利于實現上述目標，而且也有利于可能需要不止一個傳感器的更大的受控監視區域。具體來說，當目標位于長距離和不同角度時，分布式網絡可以在節點之間顯示出顯著的特征差異。雷達數據可以用不同的域來表示，其中人類活動識別（HAR）的一個廣為人知的域是微多普勒頻譜圖。然而，其他域可能更適合于更好的分類性能，或對計算資源有限的低成本硬件更有優勢，如范圍-時間或范圍-多普勒域。一個開放的問題是如何利用從上述數據域以及從同時觀察監視區域的不同分布式雷達節點中提取信息的多樣性。為此，數據融合技術可以在每個雷達節點的數據表示層面以及網絡中不同節點之間使用。將利用所介紹的決策融合方法（通常在每個節點上操作一個分類器）或特征融合方法（在使用一個單一的分類器之前對數據進行串聯），研究它們在連續序列分類中的性能，這是一種更加自然和現實的人類運動分類方式，同時也考慮到數據集中固有的不平衡。

圖 1：所提出方法的示意圖：從各個雷達節點提取的數據域被組合（“數據域融合”）。然后應用決策融合或特征融合來組合來自節點的信息。

方法

雷達網絡在適應能力、分類指標和跟蹤性能方面已經顯示出其優勢。這是通過增加整體信息內容來實現的，這要歸功于對場景和感興趣的目標的多視角觀察。然而，網絡中雷達的有效利用依賴于可靠地結合來自不同傳感器的各種信息的能力。最近，具有多個合作雷達的分布式網絡引起了人們的極大興趣，以解決在不利角度記錄的微多普勒(mD spec.)信號、遮擋或僅對少數觀察者節點可見的目標問題[1]-[10]。

在這種情況下，為了提高分類性能，找到融合網絡中多個雷達節點信息的最佳技術，仍然是一個突出的研究問題。這對于連續人類活動序列的分類特別重要。相對于更傳統的對單獨記錄的人工分離活動的分類，這些活動在文獻中被越來越多地研究，因為它們更加真實和自然[11]-[13]。

本文研究了應用于來自節點網絡的融合數據的機器學習分類器，重點是特征融合（"早期融合"）和決策融合（"后期融合"）方法，這些方法在一個公開的數據集上得到了驗證[14]。在這種情況下，大多數研究工作主要集中在微多普勒（mD）頻譜圖上，作為感興趣的數據格式，而這項工作還利用了以下領域，即范圍多普勒（RD）、傅里葉同步擠壓變換（FSST）頻譜和范圍時間（RT）圖。本文將這些數據域的信息融合與整個網絡的雷達節點融合聯合起來進行研究。應該指出的是，這種跨越不同數據格式和網絡中不同雷達節點的高效和有效的數據融合問題不僅與人類活動分類有關，而且在任何可以使用來自分布式雷達節點的信息的監視和態勢感知問題上也是如此。

在方法上，首先通過利用基于奇異值分解（SVD）的一維主成分分析（PCA）來提取上述每個數據域的信息，這是一個簡單而有效的工具，用于提取圖像的特征進行分類。Fioranelli等人[3]舉例說明了使用SVD相關的特征來分析具有不同角度軌跡的人類多態行走場景。他們提出，SVD可以用來從mD頻譜圖中提取最相關的特征，方法是使用有限數量的左側奇異向量，這些奇異向量與最高奇異值有關。在[3]中證明，在使用極少的甚至只是單一的最高相關奇異值的情況下，可以達到90%以上的分類結果，最好是96%的最佳角度軌跡。

然后，在這項工作中，還研究了基于矩陣eigendecomposition的二維主成分分析（2D PCA），它被證明能帶來更好的準確性和減少計算時間。對于這兩種特征提取方法，采用了四種機器學習分類器，即決策樹（DT）分類器、k-近鄰（KNN）分類器、天真貝葉斯（NB）分類器和支持向量機（SVM），以評估上述融合方法，圖1為示意圖。

本文的其余部分組織如下。第2.0節顯示了包括數據處理參數在內的數據域。第3.0節提供了特征融合和機器學習方法。第4節介紹了實驗結果，第5節給出了最后的評論。

本報告收集了為支持將固有曲面地球模型引入下一代巡航導彈（NGCM）高保真建模與仿真（M&S）工具而進行的分析結果。這些結果用于記錄已實施的算法，預計與其他電子戰應用有關。

我們引入固有曲面地球模型的技術方法的關鍵原則是：1）確定代碼庫中與地球表面有關的計算的位置；2）重構代碼庫，將這些計算遷移到一個新的地球表面軟件對象。在其他方面，這涉及到引入一個關鍵的概念區別：以前，基座標框架和地球表面是混在一起的（地球表面和基座標系統的X-Y平面是一樣的）；我們的改變要求把基座標框架和地球表面作為不同的角色分開。

不同的地球表面對象的實現可以模擬不同的地球表面形狀。對于開發和測試，我們的計劃是按照以下策略推出這些對象：首先是平面地球，以保留傳統的行為；然后是球面地球，最簡單的曲面，以支持暴露和消除整個代碼庫中隱含的平地假設，同時受益于盡可能簡單的幾何算法；最后是扁球體，該類包括WGS84，但其許多算法明顯比球體的算法更復雜。

本文考慮使用衛星上的傳感器將觀察結果分配到一個離散網格化地理區域的情況。重要的是，至少要在所有網格單元瀏覽一次，以看到整個行動區域；因此，我們希望獲得最大的覆蓋范圍。其次，我們希望通過任何額外的觀察來重新審視高優先級的網格單元。傳感器產生一個二維帶，在每次經過地理區域時，它可以尋找網格單元，我們將其稱為 "掃描"。我們用來觀察網格單元的分辨率決定了觀察的有效性。我們可以選擇使用高分辨率，使我們在更細的細節上有更少的觀察，或者使用低分辨率，使我們在粗略的細節上有更多的觀察。這使我們可以選擇準確地觀察少數地方，或不準確地觀察許多地方。

這篇論文是在與作為五角大樓聯合參謀部一部分的J8局的密切協作下產生和發展的。J8在部隊結構、資源和評估方面向參謀長聯席會議主席（CJCS）提供建議。這個問題已被提煉為一般的情報、監視和偵察（ISR）問題，但延伸到J8在名為STORM的戰區級戰役模型中遇到的真正問題。STORM使用一種啟發式方法來確定哪些網格單元接受觀察。STORM的啟發式方法往往會產生不理想的結果，即大面積的興趣區域被忽略。我們希望改進搜索資產能夠執行的網格單元覆蓋率。

在這篇論文中，我們制定了一個新穎的、大規模的、混合整數的優化模型，以超越STORM的啟發式搜索ISR的表現。該模型被稱為SOM，使用間隙指數對自上次查看每個網格單元以來的掃描次數進行懲罰。我們希望避免收集這些懲罰，這促使我們重新訪問網格單元。目標函數最小化了這種產生間隙的懲罰。我們使用幾個約束條件來維護、重置和跟蹤間隙計數器，一個訪問所有網格單元的軟約束條件，以及一個對網格單元施加最小分辨率的約束條件。SOM的一個獨特的特點是它是事件驅動的，在戰斗空間上掠過，不以時間為基礎。SOM使用實際的STORM數據，有1300多行代碼，包括在R中收集數據，在Pyomo中處理和實現模型。

我們在STORM中未分類的Punic21場景上實現了這個模型。在這個場景中，有兩個戰斗人員。紅方和藍方。我們可以從任何一個角度來實現SOM，每個戰斗人員都產生他們自己的變量和約束。為了說明SOM的大規模，在Punic21中，紅方搜索藍方的網格單元，并在92個區域內進行優化，這相當于48小時的時間，我們有超過2500萬個變量和1500萬個約束。

案例研究以計算和操作結果為中心。計算結果表明，我們可以通過在國際商業機器ILOG CPLEX Optimization Studio（CPLEX）的算法中實施不同的選項來減少運行時間。最重要的選項是提供一個熱啟動，使用沒有外觀發生的最壞可能的解決方案。例如，當我們用默認的CPLEX選項在一個有超過200萬個變量和100萬個約束條件的單處理器上運行SOM時，它需要超過1400分鐘，而且沒有產生一個解決方案。我們確定了定制的CPLEX選項，減少了運行時間，并在不到5分鐘內解決了這個實例。這使我們能夠將問題的規模增加到超過2200萬個變量和1100萬個約束條件，并在不到50分鐘的時間內實現11%的優化差距。業務案例研究結果顯示，與STORM相比，SOM提供了平均54.6%和中位數22.8%的覆蓋率。額外的選項，是SOM原生的，在STORM中不具備的，確保SOM將超過STORM，快速達到最大的覆蓋率，隨后集中精力將目光分配到最重要的網格單元。

我們看到，根據操作結果，優化模型優于STORM的啟發式，并允許我們平衡所有單元的搜索，而啟發式則傾向于集中在重要的單元。與STORM的啟發式方法重復搜索相同的網格單元相比，SOM指導衛星在哪里尋找，以允許訪問每個網格單元并避免大的重訪間隙。