北約人為因素與醫學（HFM）研究任務組（RTG）HFM-297 的成立是為了支持 "評估用于提高人體性能的增強技術"。RTG 成員在 2017 年至 2022 年期間舉行了會議。在此期間，小組定期舉行會議（面對面和虛擬會議），以確定其將考慮的增強技術的范圍。這包括制定一個框架，以指導根據一套與人類性能和任務成果相一致的定義指標對增強工具和方法進行受控評估。目標之一是分析增強技術所支持的人類性能的相對優點，并確定跨領域主題，用于建立建議的最佳做法。這包括為繼續應用和研究增強技術以支持人類在軍事環境中的表現提出建議。在開展這些活動的同時，還經常與軍事領域專家和需求持有者以及研究和行業主題專家進行接觸。

為了管理分析中考慮的增強技術范圍，RTG 決定主要關注 "增強 "任務環境和任務過程的技術（如合成環境、界面技術），而不是直接針對操作者的技術（如外骨骼、神經植入）。盡管有這樣的區別，但要嚴格區分 "環境 "和 "操作員 "之間的增強仍具有挑戰性。盡管如此，在確定了范圍之后，RTG 297 著手開發一個框架來分析這些技術，并將研究文獻中的證據與操作要求相結合。這項調查所采用的框架包括應用 "優勢-劣勢-機會-威脅"（SWOT）分析方法。本報告通過正式的 SWOT 分析，按照從部隊組建到行動再到行動后總結經驗教訓的行動時間表，對以下五個性能領域進行了細分：

• 適應性教學和加速準備。
• 任務準備和排練。
• 實時支持和遠程控制
• 認知監控和優化。
• 行動后回顧。

對各性能領域進行 SWOT 分析后，發現所有任務領域和人類性能要求都有一些共同的主題。這些主題包括

• 人類性能前端考慮因素和人為因素原則是成功應用增強技術的核心；

• 在有效實施這些技術的過程中，對數據和信息技術基礎設施的固有依賴性，以及在制定數據標準和總體數據戰略方面持續投資和努力的必要性，以確保互操作性和可擴展性；

• 隨著增強技術越來越多地被軍事組織采用，安全、可靠性、隱私和道德方面的考慮將在增強技術中發揮決定性作用；

• 這些技術本身和可應用這些技術的任務集都具有非常動態（快速發展）的性質，這對系統評估這些技術的有效性和價值提出了重大挑戰，特別是對 RTG 研究中典型的傳統報告形式而言；

• 盡管如此，RTG 審查的證據表明，一些增強技術在培訓（如自適應教學系統、視覺合成環境）和作戰（如增強現實）環境中已經有了良好的記錄；以及

• 一些不斷發展的技術（如機器學習、性能監測、虛擬現實的觸覺界面）在近期和遠期應用中大有可為，可支持軍事人類性能和訓練，但在實際應用之前還需要進一步的研究。

考慮到 RTG 在確定研究范圍、分析框架以及與主題專家合作以確保研究的相關性方面所面臨的挑戰，該小組成員建議北約 STO 考慮采用更具動態性和響應性的流程和格式（例如，利用社區提供的信息進行基于網絡的報告輸出），以便對快速發展的技術領域（如用于人類表現和訓練的增強技術）進行研究。

圖1-2:支持感覺和認知增強的增強模型

這項研究的目的是為美陸軍領導提供工具支持，讓他們更好地了解士兵在關鍵評估活動中的表現。本研究開發了一種移動評估工具，該工具具有靈活性、可擴展性和可編輯性，可支持不同的陸軍活動、競賽以及對個人和集體任務訓練和測試的評估。該解決方案的模型是專家步兵徽章（EIB）。該移動評估工具允許干部對 1,000 多名 EIB 候選人進行評分，使用平板電腦訪問數字評分標準，輸入候選者分數。這些分數以數字方式（近乎）實時傳輸到跟蹤應用程序，并顯示在戰術行動中心的數據分析儀表板上，讓領導者即時了解 EIB 候選人的表現。在多個 EIB 培訓周期間，對該系統進行了測試，并對用戶界面進行了驗證。陸軍領導可利用數據分析的結果來確定訓練重點，最終提高士兵和未來陸軍領導的熟練程度。

這項工作由 Calian 和 C3 人因咨詢公司根據加拿大國防研究與發展-多倫多研究中心（DRDC TRC）任務 20 "未來自主系統集成的人機協作研究路線圖 "進行，是更大的人機交互（HAI）任務授權合同（TAC；合同：W7719- 185397/001/TOR）的一部分。人機交互任務授權合同的總體目標是設計、開發、實施和評估人機協作（HAT）概念、方法和技術，以提高加拿大兵力（CAF）人機系統（HMS）的整體性能。

當前項目的目標是制定一個研究路線圖，以指導未來自主系統（AS）的研發工作及其在加拿大武裝部隊中的集成。具體來說，路線圖將指導未來對部署自主系統的心理、倫理、道德、社會和文化影響的調查。為實現這一目標，加利福尼亞空軍和災難恢復與發展中心的利益相關者參與了一項 HAT 調查。該調查由 13 個涉及 HAT 研究問題的問題組成，使用 Survey Monkey 進行在線管理。調查圍繞四個研究主題展開：了解國防部/加拿大空軍目前正在考慮的人工智能賦能的自動系統類型；根據這些系統的分類法識別風險因素并確定其優先次序；加拿大空軍不同服務部門在使用和應用這些系統方面的異同；以及 DRDC 和加拿大空軍利益相關者之間的一致程度。

這項研究的參與者包括 DRDC 和 CAF 的主題專家 (SME)，他們目前都活躍在與自主相關的項目中（例如，AS 項目中的 CONOPS 工作組）。代表作戰和研究界不同組織的 50 多名受訪者完成了 HAT 調查。調查結果顯示：

1.總體而言，CAF 和 DRDC 利益相關者的主要關注點在于擁有非致命能力的半自主（S-A）系統。這些系統廣泛應用于情報、監視和偵察（ISR）以及指揮與控制（C2）行動。對這些系統至關重要的基礎技術包括計算機視覺、機器人技術和高級數據分析；

2.與加拿大皇家海軍（RCN）和加拿大陸軍（CA）相比，加拿大皇家空軍（RCAF）有不同的優先事項，因為其對完全自主（F-A）系統以及具有致命能力的 S-A 和 F-A 系統的需求有所增加；

3.所有利益相關方都表達了對軍事自主系統的一系列風險考慮。這些問題包括系統有效性、人類系統集成（HSI）和人工智能脆弱性等各個方面。值得注意的是，對具有致命能力的系統的關注程度明顯更高，尤其是與道德、倫理和法律因素相關的風險；

4.關于人因專家確定的九個 HAT 研究主題，它們都被評為關鍵主題，亟需研究關注。在這些主題中，信任、權力轉移和系統透明度/可解釋性被列為最重要的研究課題；以及 5.

5.CAF 和 DRDC 的受訪者在自主系統研究（包括其應用和基礎技術）的精力分配方面達成了顯著共識。但是，在致命自主武器系統領域存在明顯差距，研究界似乎落后于作戰界。

認知與神經人體工程學/神經工效學（CaN）協同技術聯盟（CTA）是一項為期 10 年的神經科學基礎科學研究和技術過渡計劃。該計劃由美國陸軍作戰能力發展司令部陸軍研究實驗室于 2010 年成立，是政府、行業和學術合作伙伴之間的一項合作計劃。在其任期內，CaN CTA 在神經科學、神經技術和相關領域取得了重大進展。CaN CTA 的工作影響了許多利用神經技術增強下一代士兵系統的陸軍項目。本報告對該計劃的愿景、方法和影響進行了高層次的概述，并詳細介紹了成員組織取得的科學進步和技術成果。

報告簡介

認知與神經工效學（CaN）合作技術聯盟（CTA）一直是美國陸軍在神經科學領域的旗艦基礎科學研究和技術過渡計劃。在過去的幾十年里，神經科學的進步極大地推動了我們對大腦功能如何支撐行為的認識，為理解我們如何感知、認知和與世界互動奠定了現代基礎。這些認識已經并將繼續帶來革命性的進步，促進技術解決方案的發展，以滿足軍隊的需求。

CaN CTA 于 2010 年 5 月啟動，匯集了世界一流的研究人員、經驗豐富的行業合作伙伴以及美國陸軍作戰能力發展司令部陸軍研究實驗室最優秀的科學家，以利用全球在神經科學研發方面的巨大投資。CaN CTA 的科學研究和開發計劃旨在推進和加速基于神經科學的方法的成熟，以了解士兵在作戰環境中的表現，并增強下一代自適應士兵系統。

本報告總結并重點介紹了整個聯盟在過去 10 年中取得的成就。更多信息，包括視頻演示和軟件工具，請訪問發展司令部陸軍研究實驗室 CaN CTA 網站。同樣，本報告的第 13 部分還包含了一份具有代表性的清單，其中列出了 CaN CTA 合作研究發表的 50 篇具有重大影響的論文。

1.1 組織

現代神經科學研究是一項真正的多學科研究。在全球領先的研究機構中，神經科學研究由來自不同領域的科學家進行，包括但不限于神經科學和神經生物學、遺傳學、心理學、運動學、統計學、應用數學、物理學、計算機科學和工程學。這些研究工作有賴于作為 ARL CTA 核心的合作關系。CaN CTA 的合作機構從臺灣到德國，真正體現了 CTA 的理念，匯聚了來自全球各地世界級研究機構的頂尖學者。

在行業合作伙伴 DCS 公司（DCS）的領導下，CaN CTA 聯合會的成員包括學術研究界公認的領軍機構。在其 10 年的執行過程中，CaN CTA 聯盟及其合作伙伴包括以下機構： 哥倫比亞大學、卡內基梅隆大學 (CMU)、加州大學圣地亞哥分校 (UCSD)、加州大學圣巴巴拉分校 (UCSB)、德克薩斯大學圣安東尼奧分校 (UTSA)、佛羅里達大學 (UFL)、密歇根大學 (UMI)、馬里蘭大學巴爾的摩郡分校 (UMBC)、 賓夕法尼亞大學 (UPenn)、約翰霍普金斯大學 (JHU)、臺灣國立交通大學 (NCTU)、澳大利亞悉尼科技大學 (UTS)、德國奧斯納布呂克大學 (UOs)、西班牙龐培法布拉大學 (UPF) 和 Syntrogi（現為 Intheon）。

1.2 技術轉移

即使進入該計劃的最后一年，CaN CTA 仍在繼續克服現實世界中神經成像和自然環境中人類表現建模所面臨的各種挑戰，這些挑戰可用于促進廣泛的神經技術。在這些努力中，有些工具和概念已過渡到 CTA 內外的學術、政府和行業合作伙伴。以下是一些例子：

• CTA 合作伙伴開發了新穎的機器學習 (ML) 方法，以前所未有的方式探索和利用神經生理學數據。CTA 合作伙伴展示了人工智能的概念驗證，該人工智能利用在多個不同數據集合中訓練的分類模型，在非結構化環境中檢測任務相關物體的感知，而無需特定用戶校準。

• CTA 合作伙伴已將干電極腦電圖 (EEG) 的創新解決方案原型提供給 ARL、其他學術實驗室和行業。ARL 已對無線干電極系統進行了測試，并將其集成到多個應用研究項目的儀器中。此外，一些商業干電極腦電圖產品也利用了這項研究，并被多個教育機構采用。這些機構包括加州大學圣地亞哥分校、馬來西亞大學、英屬哥倫比亞大學和韓國科學技術院。此外，一些干電極產品和評估方法已過渡到大型和小型行業利益相關者的實驗室，如日產汽車公司（日本）、NeuroRex 公司（美國）、Alchemy 公司（臺灣）、Neurocare 公司（新加坡）、Google X 公司（美國）和英特爾公司（美國）。

• 實驗室流層（LSL）是一種多視角數據采集（DAQ）和同步軟件骨干，目前正被神經行為系統公司采用，以集成到商業刺激演示工具 Presentation 中。此外，LSL 已成為 ARL 多個項目的關鍵集成和同步技術，包括下一代戰車和士兵致命性跨職能團隊支持的大規模研究工作。重要的是，全球越來越多的學術和工業實驗室正在使用 LSL，以創建一個統一的人類傳感生態系統。

• CTA 合作伙伴還開發了一系列其他軟件工具，用于對大腦功能進行無創調查（使用腦電圖和其他模式）。其中許多工具被納入更大的工具套件，如 BCILAB（即腦機接口 [BCI] 平臺）和 EEGLAB。

• CaN CTA 還在政府實驗室內外尋求技術轉讓和集成目標。特別是，我們開展了轉化研究，以實現未來汽車環境中人類自主集成的進步。我們通過在真實道路上對真實汽車進行調查，同時增加真實世界的社會效應，推進了我們的駕駛研究。與此同時，我們還與一個應用研究項目進行了協調，該項目正在調查駕駛員與現代駕駛輔助技術互動時的大腦過程。

• CaN CTA 的努力促成了一項新的應用研究計劃，該計劃將利用上述幾項技術，完善并驗證一個新概念，即通過對多人視覺感知相關信號的機會性感應，提高騎兵和下車士兵的戰術態勢感知能力。除其他計算技術外，該計劃還利用在先前數據集上訓練的深度學習方法來實現免校準操作，以協同改進計算機視覺算法（給定人類標記數據）。這項技術的目標是在不增加士兵認知負擔的情況下，通過人與自主系統的無縫集成來提高部隊效率。

1.3 愿景

認知神經科學的最新進展極大地促進了我們對大腦功能如何影響行為表現的了解。然而，迄今為止，包括認知神經科學在內的絕大多數人類科學研究工作所采用的方法論和分析方法都存在固有的局限性。CaN CTA指出的技術障礙概括了這些局限性，這些局限性導致人們只能了解人腦如何在高度受控的實驗室環境中執行高度受限的任務。反過來，這也意味著以往的系統開發方式和技術進步方法無法充分考慮士兵操作員的神經認知能力和局限性。

技術障礙：

• 實驗設計僅限于高度受控和貧乏的刺激-反應范式和環境。

• 缺乏便攜的、用戶可接受的、微創的、強大的大腦和身體動態監測系統。

• 未能足夠詳細地記錄大腦控制的整個行為，以及影響大腦功能的環境的物理和社會文化影響。

• 缺乏數學建模方法和軟件，無法找到環境、行為和大腦功能瞬間變化之間的統計關系。

• 缺乏足夠的數據檔案和資源，無法系統地研究認知監測所得出的個性化模型與不同任務中個體差異之間的關系。

• 缺乏利用生理信號的實時測量來影響操作者認知狀態或為適應性技術提供信息的原則和方法，從而在不同時間和不同個體之間提高人類系統的性能。

嫻熟的認知和傳感運動性能是有效利用先進技術能力執行任務的基礎，這種性能顯然是在神經系統層面上組織起來的。特別是，傳感器部署、自動化和通信帶寬方面的技術進步將強化對士兵的信息處理要求。任務的成功與否將取決于士兵能否很好地認識到所積累的信息對正在發生的事件的重要意義，以及他們能否將相關信息整合到能夠支持有效決策和行動的態勢感知中。相反，面對日益復雜的信息流，士兵在理解和決策方面的認知障礙將成為有效利用先進戰場技術的關鍵瓶頸。隨著士兵在戰場上與適應性更強的 "智能 "系統互動，這些挑戰只會愈演愈烈。

因此，CaN CTA 的科學愿景認為，要滿足士兵的關鍵需求，陸軍神經科學工作必須能夠提供并利用對人腦在真實世界作戰環境中面對真實任務時如何運作的清晰工作理解。這一愿景源于生態心理學的既定理論基礎以及具身或情景認知的概念，這些概念認為，在脫離個人背景的人工場景中，要理解自然的、有動機的行為實際上是不可能的。

為了實現這一愿景，我們需要新的神經科學探究方法和新的能力，以便在操作相關的環境中開展神經科學研究。CaN CTA 通過以下方式直接解決這六大技術障礙：

• 開發實驗范式，捕捉真實世界環境中經歷的多感官刺激流的展開性質

• 開發和使用新型可穿戴傳感器套件，用于監測自然行為期間的大腦和身體動態，以及用于實現綜合監測能力的軟件系統

• 獲取和處理高維數據集，這些數據集能足夠詳細地描述各種情況下的身體、心理和生理行為及其環境背景

• 發現模型和新方法，用于識別和解釋高維數據集之間的統計關系，這些數據集描述了復雜任務執行過程中環境、行為和大腦功能的動態變化。

• 獲取和分析來自大量參與者樣本的數據，以確定個體間和個體內的差異，從而系統地研究為認知監測而推導的個性化模型與績效、認知能力和個性方面的個體差異之間的關系。

• 概念框架和功能架構，可獲取和解釋多視角數據，以便實時集成到人機系統中

自這一方法推出以來所取得的成功反過來又促成了神經科學在將基礎研究轉化為軍事相關領域方面取得進展所依據的原則的確立，即確立和闡明基本的轉化原則。這些原則指導了技術解決方案的開發，這些解決方案與人類神經系統在其動態、復雜環境中的能力和局限性相協調。

1.4 走向愿景之旅

自計劃開始以來，CaN CTA 始終牢記上述愿景，并努力降低障礙。在計劃實施過程中，CaN CTA 通過以下方式降低了障礙：

• 先進計算方法的獨特發展，以提取現實世界行為的神經信號相關性，以及由此產生的一套促進研究和應用的多樣化軟件工具
• 在各種現實模擬或真實世界環境中，對受到最小限制或不受限制的受試者進行前所未有的多模態數據收集
• 腦電圖非侵入式和移動式傳感器的進步，以及促進傳感器性能評估方法的開發
• 制定和測試概念，利用上述所有功能增強士兵系統的能力

在整個計劃期間，這些成就可以看作是在前一階段基礎上開展的一系列研究階段。在此，我們重點介紹計劃的這些階段。

計劃第 1 年：CTA 致力于制定合作計劃愿景和研究項目，為許多研究想法播下種子，并為未來幾年更雄心勃勃的探索奠定基礎。在這一階段，計劃確定了之前闡明的愿景和科學障礙。如圖 1.2 所示，研究分為三類：神經認知性能、先進計算方法和神經技術。在逼真和逐漸復雜的環境中進行無創神經成像，并配合先進的計算方法來探索數據，是研究的基本主題。

計劃第 2 年：重新評估和調整研究計劃和進度，以提高效率，實現更有效的過渡。此外，CTA 開始詳細制定計劃，在限制較少的實驗范例中開展全 CTA 范圍內的合作神經生理學數據收集工作。為使實驗環境更加逼真，滿足軍隊環境的需要，一些實驗被設計成代表安裝（車內）環境，而另一些實驗則設計成代表下裝、行走環境。與此同時，在整個 CTA 中繼續開展需要較少方法準備的小型實驗和分析。

計劃第 3 年：計算方法的研究凝聚成可供社區使用的工具，整個 CTA 神經生理學數據收集的實驗裝置也已投入使用（圖 1.3）。CTA 開發了多受試者和單受試者車輛操作人員站，每個站都有多模態數據收集（包括高通道腦電圖）和運動模擬。此外，CTA 還采用了單受試者流動儀器，用于在實驗室和戶外收集數據。此外，CTA 還繼續完善數據的收集、組織和管理方法，以及促進探索大量、多樣的多模態神經生理學數據的方法。

計劃第 4 年：獨特的實驗系統和數據收集工具在多個 CTA 站點投入使用，以收集真實或現實環境中的多模態數據（見圖 1.3）。與此同時，在計算方法、真實世界傳感器和采集方法方面繼續取得進展，以促進對數據的探索。

計劃第 5-6 年：為了更直接地實現過渡目標，對前四年為推進整體感知和探索真實世界腦體數據而進行的累積研究進行了重新聚焦。特別是，如圖 1.4 所示，對研究進行了重組，以彌補在實現更強大的腦機交互技術 (BCIT) 方面的差距。隨著剩余的大規模數據收集工作的完成，該計劃將其項目重新調整為三個新的科學領域：高級計算方法（ACA）、腦機交互技術（BCIT）和真實世界神經成像（RWN）。隨著越來越多的多模態、真實行為神經生理學數據可用，組織、管理、探索和利用數據集的方法得到了更多的重視。因此，ACA 領域依然存在，但與其他兩個科學領域的聯系更加直接。此外，考慮到重要的研究工作從開始到結束至少需要兩年的時間，計劃規劃周期被延長為兩年一周期，一些重要的項目被規劃為三年執行一次。

三個新科學領域背后的驅動問題如下：

• ACA： 解碼、跟蹤和融合神經和非神經信息源以推斷狀態的最佳方式是什么？

• RWN：在實驗室的限制之外，大腦在現實世界中是如何運作的？

• BCI：我們如何利用神經信號改善人類與計算機、自主代理、環境甚至其他人的交互？

反過來，這三個領域又通過一個總體目標相互關聯：

• 對復雜任務和真實世界環境中的認知狀態進行持續、穩健的估計

計劃第 7-8 年：這一階段的重點是穩健型 BCIT（圖 1.5）。這項工作在閉環 BCI 系統方面取得了可喜的研究成果，為利用實時神經活動優化人機系統聯合性能奠定了基礎。與此同時，隨著合作者們繼續處理大量不同的 RWN 數據（主要包括腦電圖和其他表面傳感器數據），標記和預處理的方法也得到了標準化，從而為更廣泛的研究社區帶來了益處。

計劃第 9-10 年：聯盟將研究重點放在真實世界實驗（如高速公路駕駛）上，同時使早期的神經成像數據探索和利用方法達到真實世界應用所需的成熟度。特別是，在被動閉環技術背景下，對解讀多模態人體神經和生理數據的 ML 方法進行了改進和測試，以提高士兵的態勢感知能力（上馬或下馬）和操作安全性（圖 1.6）。此外，DAQ 和同步中間件 LSL 獲得了工業界和學術界的廣泛認可，并被整合到陸軍的應用和高級研究項目中，以調查未來行動中的有人-無人編隊協作情況。

FAST項目（基于智能體的系統基礎技術）是一項為期三年的研究和開發工作，與位于紐約州羅馬的空軍研究實驗室簽訂合同。該項目從一開始就由美國海軍贊助，在項目的后期，美國空軍也做出了額外的貢獻。

該項目的主題是探索新的建模方法和基于模型的軟件生產技術，以提高所開發軟件的質量，同時縮短開發時間，提高設計的可重復使用性。在模型驅動的軟件和系統開發，以及海軍的任務工程有很大的相似性。傳統上，這兩個過程都是以自下而上的方式開發，而自上而下的方法則更有針對性和前景。這種自上而下的方法的最初步驟必須是一個概念模型，概述基于一組給定事實達到預期目標所需的所有（概念）決策。對于任務工程來說，這個決策建模器有助于確定所有需要做出的關鍵決策，以及相應的任務，以便規劃和執行一個成功的任務。對于軟件或系統工程師來說，決策建模器概述了設計中的系統的關鍵語義和相應結構。雖然存在對系統工程的建模支持，在某種程度上也存在對軟件工程的建模支持，但沒有任何工具支持將決策建模器作為系統或軟件設計模型的一個完全集成部分來建立。因此，由于其根源在于系統建模語言（SysML），任務工程也缺乏決策建模能力。

我們通過為統一建模語言（UML）建模工具MagicDraw（又名Cameo）開發決策建模器能力，作為一個可加載的插件，與商業上可用的插件，如SysML、UAF等兼容，縮小了這一差距。決策建模器實現了決策模型和符號OMG標準所定義的決策需求圖的增強型變體，但在其他方面偏離了OMG標準，以提供更復雜的決策表達建模、決策仿真能力，以及與SysML（v1.x）的無縫集成能力。為了在更大的仿真場景中進行協作，我們為MagicDraw開發了第二個插件（名為SimCom），允許決策建模器的仿真能力與外部仿真系統（如高級仿真、集成和建模框架（AFSIM））之間進行實時協作。SimCom插件實現了一個受 "高級架構"（HLA）仿真協議啟發的輕量級協議。我們用決策建模器和AFSIM之間的協作場景展示了這種能力。

雖然決策建模器的工作使我們偏離了開發時間和空間（4D）、基于模式建模方法的最初計劃，但我們的深入合作和對SysML v2的貢獻，在很大程度上彌補了這一點，提交給OMG。SysML v2已經達到了與我們最初計劃的相似的4D特征。在SysML v2環境下重建決策建模器將是一項有趣和有益的任務。除了參與SysML v2的工作，該項目還在其他幾個OMG標準的開發中起到了主導作用。

方法、假設和程序

相關標準及技術

許多建模方法包括隱含或嵌入的決策制定。這些建模案例有流程圖、活動圖、業務流程模型等等。決策建模作為一門專門的學科是比較新的。對象管理小組創建了決策建模和符號（DMN）規范，最初是為了使BPMN1業務流程模型中的決策更加明顯，并支持更詳細的決策過程。這段歷史的缺點是，DMN現在與BPMN的關系非常緊密，尤其是在元模型層面。因此，DMN，不能直接與UML或SysML集成。為了使DMN風格的決策建模與UML和SysML模型協作，特別是使現有的UML建模工具能夠進行DMN風格的決策建模，必須創建一個決策建模UML配置文件，與DMN元模型密切相關。

目標建模環境

決策建模器的開發和目標部署平臺是MagicDraw 19.0 SP4版本。MagicDraw（也被稱為Cameo）是一個UML建模工具，由No Magic公司開發和銷售。No Magic最近被Dassault Systèmes收購，Dassault Systèmes將繼續進一步開發和銷售這個工具，可能會用不同的名字。

MagicDraw是一個用Java實現的UML建模工具。它支持并使用一個插件架構來擴展其建模能力，涵蓋其他基于UML的建模語言和方法，如SysML、UAF和其他。一個OpenAPI工具箱可以用來支持自定義插件的開發。

圖 2 - MagicDraw（又名 Cameo）環境中的決策建模器

決策建模器和SimCom通信引擎是由FAST項目為MagicDraw開發的兩個定制插件。SimCom插件沒有任何先決條件，而決策建模器插件的功能需要SysML和Alf插件的存在。由于UAF是基于SysML的，決策建模器也可以用于基于UAF的企業模型。決策建模器和SimCom插件的安裝程序都與MagicDraw資源管理器一致。

標準制定

雖然在整個FAST項目中開發的技術是朝著符合相關標準的方向做出的最大努力，像OMG規范的元對象設施（MOF）、統一建模語言（UML）、系統工程建模語言（SysML）等；或者像世界網絡聯盟（W3C）開發的網絡本體語言（OWL）、資源描述符框架（RDF）或其他，但我們自己也大力參與了新標準的開發，即在對象管理小組內。

雖然標準的制定是繁瑣的工作，但它的回報是許多好處。某一主題的標準化要求它處于該主題發展的第一線。這項工作通常是在研究實驗室或高級開發部門的隱蔽處進行的。然后，標準化要求開發人員開放并與世界各地同行討論該主題，這在所有案例中都是有益的。

在FAST項目期間，我們參與了對象管理小組的幾個標準化任務。所有這些任務都是在FAST項目之前的某個時間開始的，但這些任務的持續工作和討論為FAST項目提供了重要的投入和科學效益。我們所參與的任務是： MOF到RDF的轉換，元模型擴展設施，系統工程建模語言第二版，智能體和事件元模型，以及不確定性建模的精確語義學。另見本文件后面的標準化活動一章，以及項目技術報告（CDRL A010）中的相應章節。

決策模型

決策模型由兩類元素組成：主動和被動元素。

• 主動元素是決策元素，它在模型執行過程中影響模型結果的整體結果（最高目標值）。根據OMG DMN規范，這些主動元素被定義： Decision、DecisionService和BusinessKnowledgeModel。

• 被動元素不包含任何決策邏輯，因此不直接影響模型的結果。它們可能需要協助連續的活躍元素之間的信息流，或者注釋決策模型。OMG DMN規范定義了以下兩個被動元素： InputData和KnowledgeSource。

我們決策模型的所有元素，無論是主動還是被動，都有相同的基本結構：它們將接受一個到多個輸入，稱為 "輸入事實"，并產生一個單一的輸出，稱為 "結果事實"。所有的事實都可以是單值或復值，在這種情況下，它們是單值的結構。

人工智能（AI）有可能給軍事行動的所有方面帶來重大破壞。這項研究開發了一個嚴肅游戲（SG）和評估方法，以提供參與破壞性人工智能技術所需的心態教育。該游戲名為 "Obsolescence"，從人工智能和作戰當前和未來狀態的報告匯編中教授向國防部 (DoD) 推薦的戰略級概念。評估過時的教育價值的方法解決了常見的挑戰，如主觀報告、控制組、人口規模和衡量抽象或高水平的學習。游戲提議的教育價值采用前后測試的形式，與人工智能和戰略規劃領域的官方來源和專家建立的基線進行測試。評估包括基于自我報告的學習和測量參與者在游戲后對LO相關問題反應的變化這兩個指標。實驗發現，測量的學習效果和參與者自我報告的學習效果之間有很強的關聯性，這兩個指標都證實了Obsolescence實現了其教育目標。這項研究包括利用評估方法的必要步驟，并為Obsolescence和教育游戲評估領域的未來研究提出了建議。

地理定位精度測試報告介紹了當前戰術優勢網絡指揮與控制(TEC3)系統的地理定位精度研究結果。該文件由加拿大萊茵金屬公司提交給加拿大國防研究與發展，任務TA-04。

萊茵金屬加拿大公司于2018年2月至2021年3月為加拿大國防研究與發展部（DRDC）開發了戰術邊緣網絡指揮與控制（TEC3）技術演示器。TEC3展示了網絡和安全態勢感知以及網絡指揮和控制功能在一個示范性的下馬士兵網絡中的應用。根據核心工作成果，TEC3包括本地組中節點之間的移動特設網絡（MANET）通信，以及估算、地理標簽和顯示目標發射器位置的地理定位功能。

本報告詳細介紹了通過任務授權（TA）實施的進展情況，以測量TEC3系統對無人機系統（UAS）進行地理定位的性能，使用本報告的測試計劃中記錄的特定拓撲結構和距離。這些拓撲結構取決于最大距離參數，該參數本身也是一個實驗測量的對象。最大距離參數是軟件定義無線電（SDR）能夠接收UAS傳輸的最長距離。除了掃描頻譜進行地理定位外，SDR還記錄了地理定位過程中的通信頻段，以便將來分析。

實驗被成功執行，在某些情況下，UAS可以通過三個TEC3節點的不同城域網拓撲結構和距離來進行地理定位。例如，在某些情況下，它可以在直徑為420米（平均）的圓形/橢圓形區域內進行一定精度的地理定位。在其他情況下，橢圓覆蓋了TEC3的部署區域；在這些情況下，準確性差是由于SDR和全向天線輻射模式之間對同一發射器/位置的測量功率不一致。

探測發射器的最大距離估計約為600米。 實驗產生了108份60秒的記錄，將用于未來的分析。

蘭德公司發布《2035年后的新興技術：基于典型場景的未來軍事突發事件技術評估》（Emerging Technology Beyond 2035: Scenario-Based Technology Assessment for Future Military Contingencies）報告，該報告介紹了美國陸軍未來司令部（Army Futures Command）發起的“2035年后新興技術趨勢的影響”（Impact of Emerging Technology Trends Beyond 2035）項目的實施情況。該項目的目標是確定2035年以后潛在的新興技術趨勢，評估將這些新興技術應用于軍事行動的可行性，并描述這些技術在整個競爭連續體中的軍事影響。該報告側重于基于情景的技術評估，并為此詳細制定了5個說明性情景：愛迪生在海外（Edison Abroad）、北極深處之戰（Battle of the Arctic Depths）、戰爭機器之霧（Fog of War Machines）、托馬斯·謝林在朝鮮（Thomas Schelling in the DPRK）、第三次海灣戰爭（Gulf War Ⅲ）。該報告對“北極深處之戰”情景中確定的候選技術進行更詳細的評估，包括潤滑油、量子、太空運輸、飛行器、自主武器系統（AWS）、生物技術等技術領域，并提出美國陸軍應發展關鍵伙伴關系、為未來突發事件做好準備、考慮未來技術評估的預期結果、解決現代化優先事項和需求差距等建議。

未來是高度不確定的，然而，陸軍必須努力預測未來的全球發展和技術變化。這項預測工作的目標是協助美國陸軍為不斷變化的作戰環境做好準備，包括過去不曾面臨的環境，例如氣候變化導致的極端天氣條件。在這些和其他作戰條件下，新興技術可能有助于陸軍在關鍵任務中取得成功，并維護美國的利益。預測還可以幫助陸軍更好地理解和預測其可能面臨的沖突類型，關鍵對手的特征，以及可能面臨的作戰層面挑戰。在資源稀缺、預算緊張的環境下，為未來的突發事件做好準備和規劃尤為重要，軍隊今天已經需要就如何分配資源做出艱難的決定。

本報告介紹了技術路線圖進程的發展和實施，以幫助陸軍了解對2035年至2050年陸軍任務可能很重要的關鍵新興技術的影響。目標是協助陸軍為作戰環境的轉變做好準備，包括過去可能沒有廣泛面對的情況，如面對氣候變化驅動的極端天氣條件的行動。在這些和其他操作條件下，新興技術可能有助于陸軍成功完成關鍵任務并促進美國的利益。

研究成果

這項工作的具體方法側重于基于場景的技術評估

• 未來世界的關鍵驅動因素是那些被認為與調節未來作戰環境和對手最相關的因素，軍隊可能面臨的挑戰類型，具有軍事影響的未來技術種類，以及諸如軍隊現代化的優先事項和關于技術投資和整合的決定等行動。

• 五個說明性的場景被詳細地制定出來。在這五個場景中，北極深度之戰的場景被用來演示技術評估的實施。

• 在這項工作中開發的技術評估過程提供了結構化的步驟，將情景轉化為任務概述和關鍵挑戰，為挑戰確定候選技術，并最終評估軍隊現代化的優先事項與候選技術解決方案和挑戰的一致性。

• 對這些場景進行技術評估，需要考慮具有高度不確定性的技術。

對于北極深度場景，分析了潤滑劑、量子、空間運輸、飛行器、自主武器系統（AWS）和生物技術等技術領域。

• 評估發現，許多陸軍現代化的優先事項與陸軍在該情景中面臨的關鍵挑戰相一致--特別是AWS、生物技術和量子技術。

• 然而，目前陸軍的一些現代化優先事項與北極深度場景中確定的挑戰表現出錯位或不一致--特別是圍繞潤滑油和垂直起飛和降落能力的錯位。

• 對北極深度之戰的評估發現，陸軍的優先事項和點對點的空間運輸的潛在需求之間并不一致。

研究建議

• 美國陸軍應在私營部門（例如，與能源、空間運輸等行業的領導者）和多國伙伴（例如，北約內部的主要盟友）發展關鍵的伙伴關系，以確保其需要的技術的可用性和整合性，特別是通過技術評估確定為關鍵需求的技術。這些伙伴關系可以通過建立和資助卓越中心來支持。

• 在技術發展和陸軍現代化優先事項不一致的地方，領導層應考慮投入資源，更新理論，并實施替代戰略，以利用被確定為關鍵需求的技術。

• 如果需要對基于情景的技術評估進行比較，為了提供一個更平衡的視角，美國陸軍未來司令部應進一步發展這個情景組合，以包括技術進步具有進化性質的情景。這一步將使陸軍利益相關者從技術評估中提供一個更廣泛的視角，跨越技術發展的外生不確定性。

• 美國陸軍應該為未來廣泛的突發事件和世界狀態做好準備，在這些情況下，技術是分散的，而美國并不具有技術優勢。為了支持這一點，陸軍應該進一步發展技術評估活動中考慮的情景組合。

• 美國陸軍應考慮未來技術評估的預期結果，以確保適當的技術概念得到應用。

• 美國陸軍應利用技術評估方法來解決現代化的優先事項和需求差距。

報告目錄

第一章 介紹

第二章 未來世界的不確定性

第三章 未來不確定性的技術評估

第四章 見解和建議

附錄A 優先場景描述

附錄B 樣本評估活動：技術匹配

附錄C 北極深海之戰技術研究

執行摘要

這項工作是在任務9 "關于指揮和控制系統的信息融合、數據分析和決策支持的人為因素問題 "下，由Calian和C3人為因素咨詢公司為加拿大國防研究和發展部（DRDC）進行的，作為更大的人機交互（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、實施和評估人機協作（HAT）概念、方法和技術，以改善加拿大武裝部隊的整體人機系統性能。北美航空航天防御司令部（NORAD）是美國和加拿大的聯合軍事組織，一直在為北美大陸提供航空航天預警、空中主權和保護。自1957年以來，它一直在為整個北美大陸提供航空航天警報、空中主權和保護。現在已經超過60年了，面對新出現的威脅，北美防空司令部及其相關的機場、雷達站和衛星網絡需要進行一次大修。例如，美國和加拿大的對手專門開發了朝鮮彈道導彈、快速發展的巡航導彈技術和高超音速滑翔飛行器，以繞過NORAD主要是冷戰時期的防御系統。

北美防空司令部未來的現代化努力已經確定了 "探路者計劃"，以建立國土防御數據生態系統（HDE）的原型，通過更多地采用自動化、人工智能（Al）和機器學習（ML）技術，提高防御決策的及時性。DRDC是對這一努力做出貢獻的關鍵參與者。如何融合信息，如何通過交互式界面向操作人員展示和解釋人工智能和ML模型所提供的決策，是探路者的關鍵人因（HF）問題。為了確保改進決策，減少操作人員的認知負荷，增加自動化的采用，需要使用HF原則、措施、方法和/或最佳實踐來設計和評估開拓者的技術。

這項工作的目的是審查現有的文獻和資源，并與DRDC中小型企業就指揮和控制（C2）系統的信息融合、數據分析和決策支持方面的高頻問題進行訪談，為NORAD提供初步的高頻建議，并確定可以探索的研究差距，以幫助改善開拓者的整體系統性能和未來行動的有效性。為此，我們對文獻進行了回顧，并與DRDC主題專家（SMEs）進行了訪談，以更好地了解從高頻角度設計、開發和評估信息融合、數據分析和決策支持系統的復雜性、挑戰和最佳實踐。文獻回顧和中小企業訪談集中在以下領域。

1.交互和界面設計。回顧C2系統的信息融合（即原則、措施、方法）的交互和界面設計的最新進展。系統和基于Al和ML的決策支持系統的交互和界面設計的最新進展，特別關注于可解釋的Al決策的設計。

2.人為因素的挑戰。確定信息融合和基于Al/ML的決策支持系統的以人為本的關鍵分析和設計挑戰，這些系統可用于航空航天防御任務的C2系統。

3.培訓系統。回顧在C2系統的信息融合和Al/ML決策輔助的背景下，針對操作者-自主性/操作者-操作者互動的培訓系統（如智能輔導系統）設計的最新進展。

總之，文獻審查包括HF、人機交互和Al領域的總共189篇文章。在這些文章中，134篇文章的子集在本報告的第3節中報告。此外，項目組還采訪了四個DRDC中小企業。

本報告還概述了由多倫多DRDC開發的高頻分析和設計框架--以交互為中心的設計（ICD），該框架已成功應用于智能自適應系統（IASs）的設計。兩個DRDC項目被確定為相關的案例研究，以展示如何將ICD框架應用于支持NORAD的開拓者計劃。具體而言。

1.創新戰斗管理決策支持技術演示項目（INCOMMANDS TDP）由DRDC Valcartier在2006年至2009年期間實施，旨在為加拿大皇家海軍哈利法克斯級護衛艦的指揮團隊開發和演示先進的指揮決策支持能力（CDSC）原型，以提高威脅評估（TE）和戰斗力管理（CPM）的整體決策效率。

2.多倫多DRDC在2014年至2019年期間開發了武器交戰的權威路徑（APWE）決策支持工具，以協助加拿大皇家空軍無人機系統機組人員在使用致命武器攻擊目標時遵循正確的交戰規則和武裝沖突法。

這兩個用例都與開拓者計劃的目標一致，即利用Al/ML技術將人類的參與從處理 "大數據 "轉移到關注高階決策過程。這樣一來，操作人員可以在比對手更清晰的數據基礎上做出更快、更好的決定，從而實現 "決策優勢"。

未來的研究可能會試圖確定INCOMMANDS CDSC和APWE與開拓者計劃的相關性。此外，作為ICD的延伸，人類-自主性信任的意圖、可測量性、可預測性、敏捷性、溝通、透明度和安全性（IMPACTS）模型可用于指導開拓者計劃中IAS設計概念的發展，以幫助運營商和半自主的TE和CPM系統之間建立有效的伙伴關系，實現共同目標。

總之，從文獻綜述和與多倫多DRDC和瓦爾卡蒂爾的中小企業的訪談中收集到的信息，以及本報告中的報告，提供了豐富的信息，DRDC可以在此基礎上為開拓者計劃做出重大貢獻；特別是通過利用他們現有的HAT工作，以及高頻分析和設計框架，如感知控制理論、以交互為中心的設計方法來設計IAS以及HAT信任的IMPACTS模型。