本論文為有限時間范圍內的魯棒性分析和綜合提供了理論和計算工具。這項工作的動機之一是對導彈攔截系統性能進行可靠評估，這也將有助于此類系統的穩健設計。典型的性能指標具有無限時間范圍的性質，以穩定性為中心，并依賴于頻域概念，如增益/相位裕度。對于在有限時間范圍內運行的系統（如許多發射場景），這些指標可能不夠充分。相反，本論文側重于時域指標，例如，在考慮干擾、模型不確定性/可變性和初始條件的影響的同時，對系統在視界最后時間的狀態進行約束。建議的方法是沿軌跡對動力學進行數值線性化，以獲得線性時變（LTV）系統。然后在線性化系統上進行分析或綜合，該系統可捕捉到標稱軌跡周圍的一階擾動。與原始非線性模型相比，這種方法犧牲了一些精度，但卻能使用線性系統工具。建議的最壞情況 LTV 分析還提供了具體的不良干擾和不確定參數，可在高保真非線性仿真中進一步研究。
導彈防御： 威脅環境正在以許多前所未有的方式迅速演變，這主要是由于現有導彈能力的增強和無人駕駛飛行器的更加靈活。任何導彈防御系統的首要目標都是保護國土、文明和戰略資產（如航空母艦）。這些復雜的工程系統必須探測、跟蹤和攔截來襲的威脅導彈，在它們到達各自目標之前將其摧毀。目前，最常見的方法之一是使用攔截導彈，通過與威脅導彈碰撞（即命中摧毀）或在其附近爆炸（即定向破片）使其失效。
目前的局限性： 單一攔截器與威脅交戰的性能可能會因多種因素而下降，包括外部干擾（如陣風）、未建模的靈活動態、傳感器噪聲、跟蹤不準確、致動器飽和、威脅的規避機動等。這對單個攔截器系統的精度造成了極大的影響。因此，需要發射多個攔截器來提高成功的可能性。然而，這并不總是可行的；例如，一艘小型海軍艦艇可能只有有限的艦載導彈資源。替代方法包括反火箭、火炮和迫擊炮（C-RAM）系統或 CIWS 雷達控制速射炮，發射多發炮彈，直到成功識別并摧毀威脅。當同時受到多個威脅的攻擊時，這種防御能力很容易被壓垮。有些威脅導彈具有很強的機動性，可使用多種誘餌和反制手段，因此很難被攔截。此外，如果不能在短時間內做出反應，可能會造成災難性后果。總之，目前的多層導彈防御系統嚴重缺乏性能保證。
目標：這項研究的主要目標是開發理論和計算工具，用于對在有限時間范圍內運行的系統進行魯棒性分析。重點是快速可靠地計算適當的魯棒性指標，以確定最壞情況下的性能。這種分析可用于補充現有的蒙特卡洛方法，以便在設計迭代的早期發現邊緣情況，或確定二元結果（如任務成功或在最壞情況下失敗）。
挑戰： 總體而言，由于存在許多不確定性、干擾和參數變化，最壞情況分析問題是非線性和非凸的。目前還沒有任何數值上可靠的工具可用于此類分析。即使存在這樣的工具，其適用范圍也很可能有限，因為它們要么計算速度很慢，無法保證收斂，要么只適用于學術范例。例如，考慮在 F-16 飛機上應用非線性動力算法進行最壞情況軌跡分析[8]。這種算法不僅缺乏收斂性保證，而且計算速度很慢。得出最壞情況下的參數和陣風組合所需的時間（4 到 4.5 小時）與蒙特卡洛模擬所需的時間大致相同。
方法： 方法主要是沿標稱軌跡對系統的動態進行數值線性化，并評估由此產生的線性時變（LTV）系統的穩健性。這種線性化系統只捕捉標稱軌跡周圍的一階擾動。我們利用系統的線性特性，通過解決凸優化問題，為 LTV 性能提供正式保證。然而，這需要犧牲原始不確定非線性系統的精度（即以精度換取計算效益）。這種近似分析只需要一次非線性模擬，速度明顯更快。擬議的有限視界線性化分析還提供了最壞情況下的性能證明（如特定的 "壞 "干擾、參數等），可在非線性模擬中進一步分析。
付費5元查看完整內容
相關內容
軍事創新過程在戰時和平時具有不同的特點。戰時創新有戰場的直接反饋。和平時期的創新必須考慮到各種可能的未來，同時還要面對信息不完善所帶來的不確定性。軍事創新研究表明，實驗為克服這一挑戰提供了工具。現有的學術研究將實驗描述為一個迭代學習的過程，它能產生關于未來戰爭的新數據，并引用了美國航母戰和德國聯合武器演習等歷史實例。
本文認為，要理解實驗如何支持和平時期的創新，這種觀點并不全面。與其說實驗揭示了未來戰爭的本質，倒不如說實驗作為一種建立共識的工具最具價值。和平時期的軍事實驗是一個社會過程，在這一過程中，組織、團體和行動者影響著國防政策子系統內的意識形態競爭。社會過程包括構建知識，并就 "什么是真實的 "和 "什么是有效的 "達成共識。在戰爭期間，這一過程是通過戰場上的共同經驗實現的。在和平時期，這一過程發生在實驗過程中。軍事實驗需要高層領導的支持，但僅靠支持并不能在關鍵群體中達成足夠的共識。為了提高實驗向創新過程的實施階段過渡的可能性，國防政策制定者利用宣傳網絡（由國防政策制定者和政策影響者組成的松散聯盟）在整個國防政策子系統中建立共識。
本論文在三個案例研究中考察了這些論點：20 世紀 80 年代陸軍的摩托化概念實驗、20 世紀 90 年代陸軍的新路易斯安那演習和二十一世紀部隊實驗，以及 20 世紀 90 年代末和 21 世紀初聯合部隊司令部的聯合實驗。就國防政策而言，本文的研究結果表明，國防決策者應集中精力擴大宣傳網絡，將實驗與更廣泛的國防政策子系統聯系起來，以最大限度地發揮實驗的作用。此外，實驗還要求領導者在思想上與新理念保持一致，能夠傳達新理念的價值，擁有可靠的實戰經驗，并參與到宣傳網絡中，將實驗與關鍵群體聯系起來。最后，有效的實驗要求領導者在其職業生涯的早期經常接受必要的教育和體驗。
軍事創新過程
付費5元查看完整內容
軍用飛機推進系統是噴氣發動機設計中最具挑戰性的領域之一： 在受飛機空氣動力學影響極大的多變環境中工作時，這些發動機應在不影響可靠性和運行成本的前提下，以盡可能小的體積提供大的推力輸出。此外，軍用飛機運行的多學科性質經常會引入相互矛盾的性能目標，很難將其納入發動機設計中。所有這些因素再加上發動機開發成本非常高，因此有必要在設計階段的早期進行適當的選擇，以確保開發過程的成功和新發動機概念的可行性。
盡管該領域的研究數量巨大，但也許是由于所涉及數據的敏感性，迄今為止發表的研究都集中在相當具體的主題上，而沒有涉及完整的多學科飛機推進系統集成問題。為此，需要結合不同研究領域的內容和貢獻，建立新的綜合方法。
本項目研究開發一種新方法，將發動機初步設計與飛機運行要求相互聯系起來。在此范圍內，構建了通用軍用機身的表示方法，并將其與發動機性能模型和仿真工具相結合，以研究推進系統對飛機任務性能和生存能力的影響。更具體地說，該項目在軍用飛機推進系統集成領域的貢獻主要集中在三個方面：
-
新的軍用飛機表示法，模擬飛機與推進系統之間相互作用的關鍵方面： 飛機空氣動力學、機身/推進系統空氣動力學干擾、紅外和噪聲特征。該模型計算要求低，適合用于大規模參數研究和軌跡優化案例。
-
基于模擬的新技術，用于估計爬升性能和評估飛機/發動機配置在現實任務場景中的任務能力。所開發方法的創新點包括爬升軌跡問題的多目標表述、高度-機械跟蹤技術、能量-機動性（E-M）技術的擴展，允許同時優化飛機軌跡和發動機計劃，以及為軍用飛機引入最小噪音和紅外軌跡。
-
考慮到飛機的紅外特征和飛機/導彈的運動性能，量化推進系統對飛機生存能力的影響。這是通過將飛機紅外模型與導彈對飛機和飛機對飛機的運動模擬相結合來實現的，這些模擬用于測量飛機易受攻擊的程度，以及飛機自身攻擊機動目標的能力。
上述方法是利用已公布的數據開發和驗證的，并在一系列測試案例中用于研究飛機的性能趨勢，在這些案例中，不同的推進系統設計在各種模擬任務中的有效性得到了評估。結果成功證明了所開發的方法能夠量化飛機性能與發動機設計之間的關系，為理解采用不同推進系統配置所產生的性能權衡提供了基礎，從而最大限度地提高動力裝置設計過程的效率。
付費5元查看完整內容
全尺寸軍用車輛正在與無人地面車輛（UGV）合作，以提高越野地形上戰術行動的成功率。在執行任務期間，UGV 可在軟土上進行初始機動性測試，以評估全尺寸軍用車輛的性能（如去/不去）。因此，提出了比例模型試驗的概念。
比例模型試驗可分為兩部分，即土壤的可擴展性和輪胎與土壤相互作用的可擴展性。土壤的可擴展性被定義為原位地形（異質）系統和實驗室（均質）土壤系統的機械特性之間的關系，同時考慮到沙子、淤泥和粘土顆粒形狀和大小分布的差異。在實驗室和原位地形條件下，含水量、體積密度、壓實度和顆粒間作用力等物理特性保持不變。采用離散元法和愛丁堡彈塑性粘附接觸模型對 2NS 和細粒砂進行建模。結果發現，可擴展性取決于測試條件和土壤性質。土壤的異質性會影響土壤系統中存在的內聚力和粘著力。發現壓力-沉降和剪應力與剪切位移的關系是可擴展的。錐體指數與深度的關系不可擴展。
此外，使用尺寸分析方法確定了輪胎與土壤相互作用的可擴展性，以建立全尺寸系統和縮放系統的相似性。兩個系統中開發的非尺寸參數保持一致。在本研究中，輕型裝甲運兵車（如 FED Alpha 和 Land Rover）被視為全尺寸系統（上邊界），而 UGV（如 Husky 或 Warthog）則被視為按比例系統（下邊界）。因此，在這種特定的輪胎尺寸和載荷范圍內，輪胎與土壤的相互作用行為是相似的。建模的全尺寸輪胎是 FED Alpha 335/65R22.5 輪胎，按尺寸縮小到 0.7、0.5 和 0.25。對這兩種沙地制作了六個不同的地形模擬模型，錐度指數從 14.79 千帕到 149 千帕不等。結果發現，牽引力和牽引效率與滑移的關系是可擴展的。對于 2NS 和細粒砂，與 NATO 實驗相比，拉桿拉力預測的平均誤差分別為 12% 和 9%。牽引力隨系統規模從平方功率到立方功率變化。總牽引力隨系統規模的平方功率而變化。牽引效率在系統規模不變的情況下保持不變。結論是，0.5 比例系統可以預測全比例系統在沙地上的機動性能。這一重要發現可用于設計和開發具有成本效益的輕型 UGV，為戰場上的全尺寸軍用車輛提供支持。DEM 技術的局限性在于，隨著顆粒數量的增加，其計算成本也隨之增加。
圖 1-2 UGV 為全尺寸軍用車輛進行初始機動性測試，以決定戰場上越野地形（或軟土）的去/不去狀態
付費5元查看完整內容
1.定向能武器（DEW）的效果源于利用亞原子尺度上發生的量子行為，將能量從一種形式轉化為另一種形式，從而利用目標的弱點造成破壞、損害或毀滅。
2.定向能效應的設計和使用受專門法律管轄。
3.定向能武器的典型設計包括電源、能量源、能量轉換器、光束導向器、熱管理和平臺集成等子系統。例如，定向能武器需要與任務規劃、指揮和控制以及目標捕獲和跟蹤所需的其他系統集成。
4.定向能武器需要精確的指向，以保持能量束穩定地停留在目標上足夠長的時間，從而傳輸足夠的能量，導致目標的材料或設計失效，或破壞電路。
5.定向能武器的破壞機制多種多樣，從低能量暫時眩暈飛機/航天器光學傳感器、造成熱不適和戰斗人員受傷，到高能量對包括飛機和航天器在內的材料系統造成災難性破壞。
6.對于規劃定向能武器的設計和破壞效果而言，重要的不是定向能武器輸出的能量，而是目標吸收的能量。有些目標，如重返大氣層的洲際彈道導彈彈頭和高超音速導彈，可能使用耐高溫的材料；有些材料可能會將光能反射到遠離目標的地方。
7.與對目標使用動能武器子彈的費用相比，非動能脈沖的經常性費用大大降低，這是定向能武器的一個成本效益。然而，定向能武器發射系統的非經常性費用，特別是其能量來源，需要對能量儲存、管理和轉換設計以及更復雜的瞄準系統進行更多投資。
8.將定向能武器納入國內和軍事行動需要考慮定向能武器外溢和附帶損害的潛在風險。
付費5元查看完整內容
通過與被稱為計算機生成兵力（CGF）的虛擬對手進行訓練，受訓戰斗機飛行員可以積累空戰行動所需的經驗，而其成本僅為使用真實飛機訓練的一小部分。但實際上，計算機生成兵力的種類并不豐富。這主要是由于缺乏 CGF 的行為模型。在本論文中，我們研究了空戰訓練模擬中 CGF 的行為模型在多大程度上可以通過使用機器學習自動生成。空戰領域非常復雜，在該領域內運行的機器學習方法必須適合該領域帶來的挑戰。我們的研究表明，動態腳本算法極大地促進了空戰行為模型的自動生成，同時又具有足夠的靈活性，可以根據挑戰的需要進行調整。然而，確保新生成行為模型的有效性仍是未來研究的一個關注點。
生成空戰行為模型
人工智能（ai）領域可以為行為建模過程提供一種替代方法，并通過糾正上一節中提到的兩種后果來提高模擬訓練的效果。這種替代方法是通過機器學習生成行為模型。機器學習程序在各種任務中的表現都優于人類，例如信用卡欺詐檢測、云計算資源分配，以及玩撲克和圍棋等游戲。對于此類任務，機器學習程序能夠通過以下三種特性的結合產生創造性的解決方案：（1）計算速度；（2）精確的約束滿足能力；（3）巧妙的學習算法。利用這三個特性并將其應用于行為模型的開發，我們就能獲得以下能力：(1) 以更快的速度開發行為模型；(2) 開發出比目前更多變化的行為模型。因此，使用機器學習程序開發行為模型有可能消除當前行為建模過程對訓練效果造成的兩種影響。
不過，在將機器學習應用于空戰模擬之前，我們必須先考慮空戰領域。空戰領域十分復雜，在這一領域內運行的機器學習方法必須適合該領域帶來的挑戰。五項挑戰：(a) 形成團隊合作，(b) 對 cgf 行為進行計算評估，(c) 有效重用已獲得的知識，(d) 驗證生成的行為模型，以及 (e) 生成可訪問的行為模型。這五大挑戰并非空戰領域所獨有。但是，這些挑戰需要適合該領域的解決方案。
研究問題
研究問題 1：能在多大程度上生成能產生團隊協調的空戰行為模型？
動態腳本使用獎勵函數來評估使用生成的行為模型的空戰 cgf 所顯示的行為。獎勵函數產生的獎勵用于調整新生成的行為模型，以尋找最佳模型。如前所述（見挑戰 b），空戰行為評估存在兩個問題。在文獻中，這兩個問題分別被稱為獎勵稀疏和獎勵不穩定（見第 4 章）。不過，文獻中提出的空戰行為獎勵函數并不總是考慮到這兩個問題。然而，這樣做可能會產生更理想的行為模型。這就引出了第二個研究問題。
研究問題 2：能在多大程度上改進空戰 cgf 的獎勵功能？
動態腳本將 cgf 在整個學習過程中積累的知識以權重值的形式存儲在規則庫中的規則上。每條規則的權重值表示該規則相對于規則庫中其他規則的重要性。就重復使用而言，在一個空戰場景中構建的知識也有可能在另一個空戰場景中得到有效應用。我們將知識重用置于遷移學習的背景下，即讓一個 cgf 在一個場景中學習，然后將其知識遷移到一個新的、未見過的場景中。這就引出了第三個研究問題。
研究問題 3：使用動態腳本構建的知識在多大程度上可以在不同場景下的 cgf 之間成功轉移？
我們的目標是將生成的行為模型用于模擬訓練。驗證模型是實現有效使用模型的重要一步。行為建模過程中的第 4 步說明了驗證的重要性。然而，由于行為模型驗證沒有放之四海而皆準的解決方案，我們首先必須確定驗證的正確方法。這就引出了第四個研究問題。
研究問題 4：我們應該如何驗證機器生成的空戰行為模型以用于模擬訓練？研究問題 4 的答案就是驗證程序。通過該程序，我們可以確定我們在研究中生成的行為模型的有效性。所選擇的研究方法引出了第五個研究問題。
研究問題 5：通過動態腳本生成的空戰行為模型在多大程度上可用于模擬訓練？
回答了這五個研究問題，我們就能回答問題陳述。
在第 1 章中，我們介紹了問題陳述和五個研究問題。此外，還介紹了解決研究問題的研究方法。
在第 2 章中，我們提供了有關四個主題的文獻背景信息（另見第 1.1 節）： (1) 行為建模過程的詳細步驟；(2) 在模擬訓練中使用機器學習的潛在好處和缺點；(3) 過去使用機器學習生成空戰行為模型的方法；(4) 動態腳本及其在空戰模擬中的適用性。
在第 3 章中，我們介紹了團隊協調的三種方法：(1) 默契；(2) 中心；(3) 體面。我們通過實驗研究團隊協調方法的益處，然后回答研究問題 1。
在第 4 章中，我們將深入研究動態腳本編寫過程的一個特定部分，即獎勵功能。我們將展示三種不同獎勵函數的使用如何影響我們的 cgfs 的行為，然后回答研究問題 2。
在第 5 章中，我們研究了 cgf 在某種空戰場景中積累的知識在多大程度上可以成功轉移到不同空戰場景中的 cgf 上，然后回答了研究問題 3。
在第 6 章中，我們設計了一個驗證程序，通過該程序可以驗證為空戰 cgf 生成的行為模型。此外，我們還介紹了 atacc，然后回答了研究問題 4。
在第 7 章中，我們將驗證程序應用于戰斗機 4 艦模擬器中新生成的行為模型，然后回答研究問題 5。
在第 8 章中，我們將對五個研究問題的答案進行總結，從而結束本論文。最后，基于這些答案，我們提出了問題陳述的答案。之后，我們將對未來的工作提出兩點建議。
付費5元查看完整內容
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。
付費5元查看完整內容
遙控飛機執行的軍事任務類型不斷擴展到包括空對空作戰在內的各個方面。雖然未來的視距內空對空作戰將由人工智能駕駛，但遙控飛機很可能將首先投入實戰。本研究旨在量化延遲對高速和低速交戰中一對一視距內空對空作戰成功率的影響。研究采用了重復測量實驗設計，以檢驗與指揮和控制延遲相關的各種假設。有空對空作戰經驗的參與者在使用虛擬現實模擬器進行的一對一模擬作戰中受到各種延遲輸入的影響，并對每次交戰的作戰成功率進行評分。這項研究是與美國空軍研究實驗室和美國空軍作戰中心合作進行的。
因變量 "戰斗得分 "是通過模擬后分析得出的，并對每次交戰進行評分。自變量包括輸入控制延遲（時間）和交戰起始速度（高速和低速）。輸入延遲包括飛行員輸入和模擬器響應之間的六種不同延遲（0.0、0.25、0.50、0.75、1.0 和 1.25 秒）。每種延遲在高速和低速交戰中重復進行。采用雙向重復測量方差分析來確定不同處理方法對戰斗成功率的影響是否存在顯著的統計學差異，并確定延遲與戰斗速度之間是否存在交互作用。
結果表明，在不同的潛伏期水平和交戰速度下，戰斗成功率之間存在顯著的統計學差異。潛伏期和交戰速度之間存在明顯的交互效應，表明結果取決于這兩個變量。隨著潛伏期的增加，戰斗成功率出現了顯著下降，從無潛伏期時的 0.539 降至高速戰斗中 1.250 秒潛伏期時的 0.133。在低速戰斗中，戰斗成功率從無延遲時的 0.659 降至 1.250 秒延遲時的 0.189。最大的遞增下降發生在高速潛伏期 1.00 至 1.25 秒之間，低速潛伏期 0.75 至 1.00 之間。高速交戰期間戰斗成功率的總體下降幅度小于低速交戰期間。
這項研究的結果量化了視距內空對空作戰中戰斗成功率的下降，并得出結論：當遇到延遲時，希望采用高速（雙圈）交戰，以盡量減少延遲的不利影響。這項研究為飛機和通信設計人員提供了信息，使他們認識到延遲會降低預期作戰成功率。這種模擬配置可用于未來的研究，從而找到減少延遲影響的方法和戰術。
付費5元查看完整內容
本論文利用強化學習（RL）來解決空戰機動模擬中的動態對抗博弈問題。空戰機動模擬是運籌學領域常見的一種順序決策問題，傳統上依賴于智能體編程方法，需要將大量領域知識手動編碼到模擬環境中。這些方法適用于確定現有戰術在不同模擬場景中的有效性。然而，為了最大限度地發揮新技術（如自動駕駛飛機）的優勢，需要發現新的戰術。作為解決連續決策問題的成熟技術，RL 有可能發現這些新戰術。
本論文探討了四種 RL 方法--表式、深度、離散到深度和多目標--作為在空戰機動模擬中發現新行為的機制。它實現并測試了每種方法的幾種方法，并從學習時間、基準和比較性能以及實現復雜性等方面對這些方法進行了比較。除了評估現有方法對空戰機動這一特定任務的實用性外，本論文還提出并研究了兩種新型方法，即離散到深度監督策略學習（D2D-SPL）和離散到深度監督 Q 值學習（D2D-SQL），這兩種方法可以更廣泛地應用。D2D-SPL 和 D2D-SQL 以更接近表格方法的成本提供了深度 RL 的通用性。
貢獻
本文有助于以下研究領域：
- 設計獎勵信號以推動空戰機動領域的學習，以及確定最有效信號的相應評估。
- 第 6 章中介紹的結合 RL 和監督學習的新方法，可加速深度 RL 并超越基準算法。考慮到 RL 的訓練是一項非常昂貴和資源密集型的操作，這些縮短學習時間的新方法是本論文最重要的貢獻。
- 優于單目標智能體的多目標 RL 智能體，在第 7 章中介紹。這是一個非常重要的貢獻，因為它證明了多目標 RL 這一相對較新的發明可以在不增加學習時間的情況下超越單目標 RL 的性能。
- 用于訓練和測試單目標和多目標 RL 智能體的開源框架。
付費5元查看完整內容
由于水下聲學的復雜性，水下模擬器并不常見。模擬是快速測試自主飛行器的有效工具，是測試和評估過程的補充。本論文的目標是為機器人應用提出一種計算效率高的前視聲納仿真模型。本論文使用點散射模型開發了單聲納波束模型，并應用了傅立葉合成和波束形成修正。將單個聲納波束連接起來，模擬前視聲納系統的視場。結果是一個聲納模擬模型，可用于已建立的 ROS Gazebo 機器人框架，作為有效測試自主水下航行器的工具。聲納模型聲學方面的未來改進包括增加混響、多路徑傳播和干擾。
付費5元查看完整內容
該項目為與使用無人系統支持分布式海戰（DMO）有關的作戰概念和系統設計決策提供信息。研究通過系統地改變仿真模型中的系統設計特征和作戰活動，支持對無人系統（UVC）進行能力級分析。分析結果表明，UVC 可提高各種無人系統的作戰可用性（Ao）和使用時間（TOS），因為它可隨時進入維護、加油和重新武裝設施，而無需長時間前往岸基設施或分布式支援艦艇。在比較使用 UVC 的配置與在自適應兵力包 (AFP) 中分配無人系統支持的配置時，單個無人系統的 Ao 提高了 6% 到 31%。仿真模型分析確定了 UVC 架構，其中包括至少 8 個無人機發射回收站、至少 3 個船舷托架和至少 5 個甲板井托架，以最大限度地提高 Ao。
在支持分布式海上作戰（DMO）時，無人系統有可能發揮兵力倍增器的作用，在提高殺傷力的同時降低有人系統的風險。然而，無人系統到岸基維護、加油和重新武裝設施的轉運時間減少了可用于支持執行 DMO 的自適應兵力包（AFP）的總體駐扎時間（TOS）。本項目研究了無人水面艦艇 (USV)、無人水下航行器 (UUV) 和無人機 (UAV) 在美國海軍現有艦艇上的集成問題，該艦艇已被重新改裝為無人載具 (UVC)。在本報告中，"UxV "一詞用于描述無人系統這一類別。
如 Van Bossuyt 等人（2019 年）所述，項目團隊采用了系統定義、系統建模和系統分析的通用系統工程流程序列。在系統定義過程中，項目團隊重點開發了作戰概念（CONOPS），并定義了 UVC 的系統要求。系統建模活動的重點是構建 UVC 的離散事件仿真模型。在系統分析階段，團隊利用所開發的模型來評估 UVC 的各種設計參數對每種無人系統類型的運行可用性（Ao）的影響。
A. 系統定義
在系統定義階段，從自上而下和自下而上的角度開發和考慮了 UVC 要求。從自上而下的角度來看，團隊分析并確定了滿足總體任務有效性目標所需的能力，而與任何現有的候選平臺無關。從自下而上的角度來看，團隊評估了一艘登陸直升機船塢（LHD）艦，以確定該平臺可實現的最大 UVC 能力。通過查閱文獻和分析利益相關者的需求，項目團隊確定了 UVC 的以下關鍵能力：指揮與控制 (C2)、UxV 發射、UxV 維護和 UxV 回收。根據設想，UVC 將包括著陸甲板無人機發射和回收站、無人機維護/布防/燃料艙、用于大型 USV/UUV 操作的船舷艙或站，以及用于小型 USV/UUV 操作的井甲板艙。
B. 系統建模
項目構想將 UVC 視為針對地面和岸上敵對兵力實施 DMO 的 AFP 的一部分。UVC 的作用是支持 UxV 對敵方岸基導彈基地進行偵察和打擊。在打擊階段之前、期間和之后，UxV 提供全天候的情報、監視和偵察（ISR）、目標定位和戰損評估服務。UVC 的總體目標是通過消除到岸基支持設施的較長運輸時間來增加 UxV 的全時服務時間。為實現這一總體目標，研究小組選擇 "航程 "和 "持續停留時間 "作為性能指標（MOP），并選擇 "UxV 任務時間"、"UxV 停機時間 "和 "維護灣利用率 "作為效果指標（MOE）。
設計并開發了一個離散事件仿真模型，用于分析 UVC 設計參數對 MOP 和 MOE 的影響。該模型是通過 ExtendSim10 建模程序開發的。該模型包括 UxV 發射和回收、UxV 維護活動以及 UxV 重新武裝和加油活動。UxV 的發射時間表和總模擬運行時間是根據擬議的 UVC CONOPS 制定的。目前，該模型并未考慮 UxV 的損失或故障；這是未來可能開展工作的一個領域。模型的主要輸出是每種 UxV 的 Ao。
C. 系統分析
為了廣泛探索實驗空間，同時減少試驗總數和模型運行時間，我們專門設計了一個填充空間的拉丁超立方設計。每次試驗重復模擬 30 次并收集結果。合并所得的 Ao 值，得出每個試驗的統計平均值。
分析結果表明，UVC 可隨時提供維護、加油和重新武裝設施，而無需在岸基設施或分布式支援艦艇之間進行長時間的轉運，從而改善了每種 UxV 的 Ao 值和 TOS 值。對于任何特定的 UxV，通過增加 UVC 發射、回收和維護站的數量，從而消除或減少這些服務的排隊時間，可獲得最大的 Ao。分析表明，UVC 在設計時應至少配備 8 個無人機發射/回收站、至少 3 個船舷托架和至少 5 個焊接甲板托架。這些參數沒有確定上限，這也是未來研究的一個潛在領域。
有趣的是，雖然 UVC 的存在改善了大型無人水面艦艇（LUSV）的航速，但 UVC 的實際設計似乎對 LUSV 的航速沒有影響。這可能是由于 LUSV 的假定任務持續時間長，假定維護間隔長，因此不可能出現任何排隊現象。單個船側停泊區似乎足以為多艘 LUSV 提供服務，但即使是單個船側停泊區，也可通過消除到岸基設施的轉運時間來改善 Ao。
付費5元查看完整內容
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191