機器人是一個具有挑戰性的領域，需要軟件和硬件的融合來完成所需的自主任務。任何工作流程的關鍵是在部署到生產環境之前對軟件進行自動構建和測試。本報告討論了美國陸軍作戰能力發展司令部陸軍研究實驗室（ARL）的無人自主車輛軟件研究平臺MAVericks的軟件開發過程中使用的持續集成/持續交付工具的重要性和創建情況。這個工具在ARL進行的快速研究和開發中起著至關重要的作用--包括模擬和嵌入式硬件目標的自動構建測試，以及驗證軟件在環模擬中的預期行為。

持續集成/持續交付（CI/CD）是軟件開發中常用的工具，用于自動構建、測試和部署代碼。這個工具對于提高研究的速度和效率至關重要，同時確保在增加或改變新功能時功能不受阻礙。在CI/CD之前，軟件開發過程是具有挑戰性的，隨著越來越多的合作者修改代碼庫，任何新的開發都有可能破壞現有的功能--比如代碼不再構建，自主行為和故障保護裝置不再按預期工作。

本報告重點關注美國陸軍作戰能力發展司令部（DEVCOM）陸軍研究實驗室（ARL）的MAVericks無人自主飛行器（UAV）軟件平臺的CI/CD集成，該平臺建立在開源平臺ROS2和PX4之上。ROS2是一套用于構建機器人應用的軟件庫和工具，而PX4是一個強大的無人機飛行控制軟件。利用這兩個平臺，MAVericks是一個專注于敏捷飛行的大型合作項目，在模擬和機器人平臺上都能發揮作用。MAVericks的目標是在ModalAI的VOXL和RB5硬件平臺上運行，因為它提供了尺寸、重量和功率，同時也是藍色無人機項目的合作伙伴，這意味著他們得到了國防創新部門的資助，以符合2020年國防授權法第848條的規定。

合作者包括美國軍事學院的西點軍校，作為分布式和協作式智能系統和技術項目的一部分；加州大學伯克利分校，作為規模化和穩健的自治項目的一部分；以及馬里蘭大學的人工智能和多代理系統的自治項目--而且這個名單一直在增加。此外，ARL一直在尋求提高其算法的穩健性和成熟的能力，以過渡到DEVCOM和國防部的其他組織。隨著許多合作者加入MAVericks，重要的是要確保每次修改后有最低限度的可用功能，以鼓勵快速加入和貢獻。MAVericks是一個由一百多個軟件包組成的大型研究平臺，重要的是每個軟件包都能可靠地構建和運行。通常情況下，合作者只關心幾個軟件包，他們可以很容易地進行修改和添加，而不需要對不相關的問題進行排查，這一點至關重要。由于這種不斷增長的社區，很容易偶然地引入錯誤或破壞不相關的功能。因此，CI/CD是一個很好的解決方案，它將為不同的用戶群體提高平臺的可靠性和可用性。

CI/CD管道實現了許多簡化開發的功能。它可以完全構建整個平臺，確保新用戶的依賴性安裝成功，在模擬環境中運行和測試平臺，以確保自主行為正常工作，并快速構建壓縮的工作空間，以防止在無人機上構建。

在自主系統的軟件開發中，一個有問題的情況是，用戶修改了幾個包，但只構建和測試了一個特定包。這樣，代碼就被合并到了生產中，而沒有驗證它對其他人是否有效。如果未經測試的修改被合并，依賴這些修改的包可能不再構建或通過所有的測試案例。

從用戶的角度來看，CI/CD是由用戶創建代碼合并請求（MR）來觸發的，將他們的修改添加到主分支。這就啟動了CI/CD，建立了一個管道。該管道包括四個階段：構建-依賴、構建-完整、測試和部署。對于每個階段，可以并行地運行多個作業來完成該階段。在每個作業中，流水線首先將合并后的變化復制到一個新的環境中，并完成一個特定的任務。在流水線的最后，一個完全構建的版本被上傳，并準備在無人機上閃現。如果任何步驟失敗，其余的管道階段將被中止，并通知用戶到底是什么地方出了問題，以便他們能夠解決任何問題。管線的概述見圖1。

在本報告中，描述了MAVericks CI/CD的基礎，然后詳細介紹了管道中的每個階段，以及所克服的幾個挑戰。

潛在對手的火炮系統的改進對美國軍隊特別是陸軍提出了挑戰。除了改進的火炮系統能力和新的使用技術的挑戰外，特殊彈藥的擴散--如精確、熱障和頂部攻擊彈藥--重新引起了對敵人的大炮和火箭炮對美國作戰行動和地面作戰系統的潛在影響的關注。

為了應對這一挑戰，美國陸軍正在尋求通過升級目前的火炮和導彈系統，開發新的長程火炮和高超音速武器，以及改造現有的空射和海射導彈和巡航導彈以便陸軍部隊進行地面發射來提高其所謂的遠程精確射擊（LRPF）能力。

2018年美國防戰略和陸軍的多域作戰概念都要求提高陸軍LRPF能力，以應對被稱為俄羅斯和中國的反介入、區域拒止（A2/AD）戰略，旨在限制美國軍隊在歐洲和太平洋地區的行動自由。

美陸軍有五個主要項目或工作正在進行或考慮中，以提高遠程精確射擊能力：

• 增程加農炮計劃（ERCA）計劃開發一種能夠對70多公里外的目標進行精確射擊的系統，比目前系統的30公里目標距離有所改進。

• 精確打擊導彈（PrSM）是一種地對地、全天候、精確打擊的導彈，由M270A1多管火箭系統（MLRS）和M142高機動性炮兵火箭系統（HIMARS）發射。PrSM旨在取代目前的MLRS和HIMARS導彈，并將目前的射速提高一倍，每個發射艙有兩枚導彈。

• 美陸軍正在研究開發一種戰略遠程炮（SLRC）的可行性，這種炮可以以高超音速發射，射程可達1000英里，以打擊防空、火炮和導彈系統以及指揮和控制目標。

• 美陸軍、海軍、空軍和導彈防御局（MDA）正在開發通用高超音速滑翔體（C-HGB），陸軍計劃將其作為遠程高超音速武器（LRHW）計劃的一部分，使C-HGB能夠從移動的陸軍地面導彈發射器發射。

• 最后，美陸軍正試圖改造現有的海軍SM-6和UGM-109對地攻擊導彈，以便為陸軍提供一種中程導彈能力。

鑒于潛在的資源限制和陸軍對LRPF的重視，國會在其監督、授權和撥款方面可能會進一步研究陸軍的LRPF計劃。國會潛在的問題包括

• 戰略大炮、高超音速導彈和中程戰場導彈的理由。

• LRPF的估計總成本。

• LRPF和美國印太司令部的太平洋威懾倡議（PDI）投資計劃。

• 部隊結構要求。

• 后備役部隊的LRPF。

• 其他軍種對陸軍遠程防衛部隊的看法；以及

• 指揮、控制和瞄準遠程火力。

美國陸軍未來司令部（AFC）領導著一項持續的現代化和創新工作，以支持未來的作戰人員。AFC現在負責監督作戰能力發展司令部，并在最近重組了某些研究辦公室、實驗室和工程中心。作為對這一調整的回應，參議院軍事委員會要求國家研究院的陸軍研究和發展委員會審查這些研究組合的變化并評估其影響。本報告調查和評估了美陸軍在調整背后的戰略，與利益相關者討論了這些問題，并提出建議以確保調整符合陸軍現代化的優先事項。

一 、背景

經過20年的反叛亂和國家建設行動，美陸軍意識到其近似的競爭對手已經在幾個技術領域趕上了它。陸軍的技術優勢已被大大削弱，在某些情況下，如非對稱戰爭、無人駕駛系統、綜合防空和高超音速武器，陸軍的技術優勢已被平分或超越。2017年，陸軍部長馬克-埃斯珀領導了一項緊張工作，將陸軍科技（S&T）工作和資金重新集中在與美國近似的競爭對手相匹配，然后重新獲得美國的歷史技術優勢。作為這項工作的一部分，跨職能小組（CFTs）反映了陸軍的六個現代化優先事項和兩個交叉支持能力，以使定義需求、規劃科技和更廣泛的研究、開發、測試和評估（RDT&E）工作以滿足這些需求的過程，將這項工作的結果過渡到采購計劃的記錄，以及維持由此產生的系統更加有效。目標是在2022財年開始投入新的能力，總體現代化目標是在2035財年投入現代化的系統和能力。現代化的優先事項、交叉支持能力及其CFTs如下。

• 現代化的優先事項：
  • 遠距離精確射擊。
  • 空中和導彈防御。
  • 陸軍網絡。
  • 未來的垂直升降機。
  • 下一代戰車，以及
  • 士兵殺傷力。
• 跨領域的支持能力：
  • 可靠的定位、導航和授時/空間
  • 合成訓練環境。

隨后，美國陸軍未來司令部（AFC）于2018年成立，是一個直接向陸軍部總部（參謀長）報告的四星級陸軍司令部，負責領導陸軍的現代化建設工作。美國陸軍總命令2018-10規定，AFC

• 領導陸軍的未來部隊現代化事業。
• 評估和整合未來作戰環境、新興威脅和技術，以制定和提供概念、要求、未來部隊設計。
• 支持現代化解決方案的交付；以及
• 通過確定戰略方向，整合陸軍未來部隊現代化事業，將資源與優先事項相結合，并保持現代化解決方案的問責制，為陸軍的未來做好準備。

委員會沒有對美國防部的每一個組成部分進行逐條審查，也沒有對它們如何受到重組的影響進行逐條審查。委員會也沒有對組建AFC的決定本身作出判斷。

1.1 科技對國家安全的價值

值得注意的是科技對國家安全的價值。科技的最大價值不在于關注當前的威脅和作戰環境，盡管它經常被要求為關鍵的近期需求制定解決方案，如分析回收的化學彈藥，以及伊拉克和阿富汗的即時解決方案問題，如MRAP快速裝甲計劃（MEAP）和CIED能力（Crew，Duke等）。科技的最大價值是作為技術和能力創新的孵化器，使美國在競爭者和對手面前擁有顛覆性和革命性的技術優勢。科技創新工作，或稱發現科學，是給予美國隱形技術、全球定位系統（GPS）、激光和雷達的原因。至關重要的是，在緊急推動恢復我們與美國競爭對手和對手的近期技術平等和優勢的過程中，科技發現科學要有足夠的資金，以便陸軍在目前的現代化視野之外能夠擁有保護國家及其利益所需的技術優勢。

1.2 美陸軍科技權限和資助

本報告第2章探討了陸軍科技事業最近的變化是如何改變了現代化和科技的決策、責任和資金狀況的。鑒于這種變化，委員會花了大量的時間來審議這些問題，并認識到科技決策和資金之間的密切聯系及其對科技企業和能力發展的廣泛影響，因此在報告中用了大量的篇幅來闡述這一主題。委員會的分析主要集中在科技企業內部的權力和責任、需求產生過程、科技的資金趨勢以及陸軍內部明確的科技領導的必要性。

1.3 美陸軍科技的作用和責任

AFC的成立似乎將現代化和科技的決策和資金置于AFC的權限和控制之下。這改變了現代化和科技決策的格局，造成了權力、角色和責任的混亂，主要影響了負責采購、后勤和技術的助理陸軍部長[ASA（ALT）]和負責研究和技術的副助理陸軍部長[DASA（R&T）]的角色。盡管AFC有明確的意圖，但對于ASA（ALT）相對于AFC的作用仍然存在混淆。這主要源于《美國法典》第10章第7016條，該條規定ASA（ALT）的主要職責是 "全面監督陸軍部的采購、技術和后勤事務"，因此指定ASA（ALT）辦公室對科技政策和預算分配負有主要責任。隨著美國法典第10章第7014(b)(8)和(d)(1)條規定的權力被重新指定給AFC，情況發生了變化。

2019年提交給國會的一份陸軍報告將AFC指揮官描述為有權在與ASA（ALT）"協商"的情況下"優先考慮、指導、整合和同步整個陸軍現代化企業的科技工作、業務和組織"。雖然上述措辭確實規定了AFC將領導整個 "現代化企業"的科技工作，但沒有具體說明科技工作的整體情況，在AFC領導下的發展委員會的重組將陸軍的大部分科技機構置于AFC的監督和責任之下--有效地使其控制了大部分陸軍的科技決策和資金。這與助理國務卿（ALT）在歷史上和目前聲明的作為整個陸軍科技領導機構的角色形成了鮮明的對比。雖然委員會不對這一轉變的效果進行評論，但這一轉變的實施和新安排的不明確正在催化陸軍科技界的混亂局面。

鑒于上述明顯沖突和重疊的權力，再加上陸軍指令和法定權力的不明確，上述提交給國會的報告強調，陸軍需要澄清AFC相對于ASA（ALT）的作用、責任和權力，并明確劃分和消除其在整個陸軍科技企業中的關系。

1.4 需求生成

建立跨職能小組（CFTs）的目的是作為連接科技界、采購界和需求界的機制--這一作用最初由ASA（ALT）來完成。雖然委員會對在整個陸軍中建立明確的優先事項表示贊賞，但CFTs的作用似乎正在促使大多數科技部門關注近期的重點。這為完成陸軍現代化的目標帶來了一些差距。也就是說，CFTs似乎正在推動能力需求和科技投資與新系統的采購保持一致，并將技術過渡到記錄項目（PORs）。

每個CFT都與現代化的優先事項相一致，并在很大程度上影響了需求的產生和預算分配。雖然CFTs的確切報告結構仍不清楚，但其在推動和領導現代化工作方面的作用--包括影響科技技術投資的決策--使其在整個陸軍科技投資的優先級和分配方面發揮了作用。委員會在這方面的主要關注點是如何選擇技術，使之成熟，并將其納入采購PORs。在AFC成立之前，需求的產生與預算過程是分開的，傳統上由TRADOC作為需求產生的主導指揮。委員會擔心，將與現代化優先事項--生成、驗證和資源有關的需求過程合并到AFC之下，會減少陸軍內部思想交流和資源優化的機會，而在這次合并之前，有多個陸軍組織參與。此外，AFC和CFTs對現代化的關注，加上對科技資源分配的控制，可能導致現代化的近期需求和科技推動能力發展的長期需求之間的沖突。

委員會注意到，CFTs提供的整合和重點反過來又提供了對現代化需求的關注和整個DEVCOM更大的統一性。這種關注使發展司令部及其下屬的ARL能夠在整個陸軍企業中更加橫向地工作。然而，委員會對文件的審查和與陸軍關鍵人員的互動顯示，領導層對科技的責任缺乏重視，而不是目前現代化計劃中設想的那些系統。委員會注意到陸軍需要澄清CFTs的作用，保持對近期和長期投資之間的重要制衡，并確保近期現代化不以長期能力發展為代價。

1.5 美陸軍科技資助趨勢

除了角色和責任以及預算權力的變化外，委員會還審查了科技資金的趨勢，以評估對科技支出的任何潛在或現有影響。委員會發現，經過通貨膨脹調整（2021財年美元不變）的6.1和6.2資金近年來有所下降，而經過通貨膨脹調整的6.3資金和--雖然不適合科技--6.4資金有所增加。如果不是因為國會的預算增加，6.1和6.2資金的減少會更大。這些加分項也推動了6.3和6.4經費的增加。陸軍已經將額外的資源集中在先進技術開發（6.3）和先進組件開發和原型（6.4）的資金上，這與現代化建設更加緊密地結合起來。對資金水平的觀察使委員會推測，科技的創新部分--6.1和6.2資金主要用于的工作--被認為不像現代化那樣重要。

委員會注意到，根據與國防部實驗室和中心人員的交談，科技界對核心資金有一種看法。AFC對分配給DEVCOM實驗室或中心的核心發現或創新資金與現代化工作的科技資金數量提供了混合信號。盡管AFC已經表示支持并希望保持實驗室和中心的核心能力，但在未來的預算中需要更加明確優先次序，否則實驗室和中心可能會繼續認為它們是在與外部伙伴競爭科技資金。此外，自AFC成立以來，對外部組織的依賴已經明顯地、適當地增加了，但同時也需要考慮對重要的內部實驗室和中心的穩定感。

考慮到對現代化的依賴程度增加，以及陸軍科技部門的現代化和創新支出比例為60/40的既定目標，委員會擔心，過于關注近期的現代化，專注于漸進式的變化，會因為長期和革命性的科技項目資金不足而造成未來能力發展上的差距。雖然委員會認為科技的60/40比例是謹慎的（見第2章的結論），但需要有機制來確保科技資金在未來的發展中保持安全，陸軍應采納國防科學委員會的建議，將科技資金增加到陸軍最高預算的3.4%。

1.6 科技領導的需要

上述每個問題都可以通過在陸軍內部建立一個明確的科技領導和 "倡導者 "來解決。委員會建議在秘書處內設立一個科技主管，作為專家和倡導者，監督科技政策并審查其執行情況。這一角色將能夠同時解決陸軍各部門之間的爭議，并確保在陸軍科技企業中倡導科技資源分配。

1.7 科技創新與勞動力

委員會認識到科技與創新之間的聯系，認識到創新對超越近似對手的關鍵需求，認識到科技人員在推動創新方面發揮的核心作用，調查了軍隊科技創新的狀況。這包括重組對科技創新和相關科技人員隊伍的影響。創新可能是對優先武器系統內能力的離散改進（例如，新的隱形涂層或高超音速結構材料的可制造性）或全新的革命性能力（例如，隱形、GPS或5G）。探索新概念的自由，即使心中沒有明確的過渡，對創新也是至關重要的，并由科技投資來驅動，從而形成新的能力和被授權的科技人員隊伍。本報告第3章重點關注創新和科技隊伍，并概述了澄清與外部團體接觸的步驟，連接軍隊和科技界，管理和維持科技隊伍，以及平衡現代化與創新。

1.8 澄清與外部團體的接觸

盡管AFC增加了校外參與，但對于科技界的許多人來說，參與陸軍研究和進行研究的途徑和機制可能是混亂的。雖然AFC網站上有相關信息，但它可以澄清聯絡點、現有的參與機會以及對AFC內部研究工作的解釋。這對那些不熟悉為陸軍工作的小型企業和研究組織來說尤其具有挑戰性，因為他們不熟悉為陸軍工作，或者缺乏處理政府和陸軍關系的專業人員。

然而，委員會注意到，AFC仍然是一個新的組織。在AFC的一些組成組織中，有一些例子或最佳做法，如陸軍應用實驗室，它利用非傳統的合作伙伴。委員會建議，AFC開發一個中央陸軍資源網站，以便與外部組織建立伙伴關系，提供信息和參與點。

1.9 連接到更廣泛的陸軍科技社區

在美陸軍和國防部（DoD）之外的美國科技界及其資助的活動是廣泛的；工業界在技術發展方面的支出遠遠超過了政府。雖然陸軍內部的科技管道很強大，但陸軍與這個更廣泛的社區的聯系將使其能夠利用和發揮這種研究。陸軍只有幾個大學附屬研究中心（UARCs）。它們有特定的章程，并在整個RDT&E預算類別中享有良好的聲譽。雖然陸軍研究辦公室對贊助學術研究負有主要責任，但當大學附屬研究中心在其特定的章程中看到與學術機構合作的機會時，應予以鼓勵。此外，UARC也可以在研究與發展工程中心和其他機構中找到自然的合作伙伴。

對操作者需求的認識在調整科技以滿足未來能力需求方面也是至關重要的。委員會看到了強有力的證據，陸軍正在積極尋求操作人員對科技界的投入，以確定需求和能力發展。融合項目和點燃團隊計劃是這種互動的優秀范例。委員會鼓勵這些互動和它們的擴展，同時平衡近期的需求認知和科技的研究和創新責任。委員會還鼓勵AFC/DEVCOM和國防部感興趣的團體之間繼續接觸，以加強交叉合作，分享想法和發展伙伴關系，幫助最大限度地減少重復工作。

1.10 管理勞動力

為了使陸軍在創新和科技方面保持優勢，一支強大的技術隊伍對于將現場需求轉化為技術并與學術界和工業界保持緊密聯系以利用專業知識來填補關鍵的差距是必不可少的；換句話說，為陸軍保持一個技術能力的 "聰明買家"。一段時間以來，技術人員的招募和保留一直是陸軍和國防部的關鍵問題，有必要制定一個明確的勞動力發展計劃來建立和維持勞動力。AFC應制定并明確闡述高技術職業的勞動力發展計劃和結構。這個勞動力發展計劃應明確界定技術職業道路，從本科生到高級文職技術領導。此外，它應該允許這些勞動力有意義地參與、合作，不僅向工業界和學術界的合作伙伴學習，而且利用這些新發現的知識來實現有意義的變革，使科技企業能夠長期繁榮發展。陸軍實驗室主任作為科學和技術重塑實驗室擁有許多權力，他們需要被授權利用所有這些權力來維持和發展科技人員隊伍。

1.11 平衡現代化與創新

第3章重申了第2章首次強調的平衡現代化和創新的重要性，但從陸軍科技企業創新的角度來看。陸軍無法完全預測未來的威脅，因此科技投資需要足夠廣泛，以對沖不確定的未來。現代化主要側重于對特定系統的工程改進，而科技主要側重于發現和探索，這對推動長期能力發展的創新至關重要。明確劃分現代化和創新的科技計劃對于兩者的成功至關重要。科技和能力發展之間的直接聯系在開始時并不總是很清楚，但陸軍需要允許科技人員追求這些創新。

1.12 威脅

自二戰結束以來，創新和領先的科技隊伍對美國軍隊超越對手的能力至關重要。隱形技術、全球定位系統、精確彈藥、自主和無人系統，以及20世紀末和21世紀初的其他一些決定性軍事技術，都是早期科技的長期成果，也是一支擁有自由度和資源來尋求創新以確保美國軍隊超越對手的員工隊伍的成果。從本質上講，創新和科技投資使美國軍隊，以及陸軍，成為美國對手被迫適應的威脅。

二、建議

建議。美陸軍部長和陸軍參謀長應根據《2019財年國防授權法》第1068(b)(3)條和2020年11月16日陸軍指令2020-15（實現持久現代化）的指示，明確劃分和消除陸軍科技計劃在AFC和ASA（ALT）之間的角色和責任。陸軍還應該明確劃分跨職能小組在AFC、DEVCOM和ASA（ALT）方面的作用和責任。

建議。為了確保科學技術（S&T）的有效過渡，以支持美陸軍現代化的優先事項，展示領導層對未來陸軍能力的支持，支持強大的陸軍創新和技術發現工作，并保證在最關鍵的地方有可行的校內RDT&E能力，陸軍應該為科技（6.1，6.2和6.3）預算水平進行規劃和申請，至少要像國會每年增加陸軍科技一樣，反映整個陸軍現代化時期的實際增長。此外，科技撥款應該有40%用于創新和發現研究（6.1和一些6.2），60%用于陸軍現代化的優先事項（一些6.2和6.3）。這種分配應定期進行評估，以確保它能繼續滿足陸軍在現代化、創新和技術發現方面的交叉需求。

建議。美陸軍部長應在秘書處內指定一名科學技術（S&T）執行官，作為專家和倡導者，監督科技政策并審查其執行。美陸軍部長應尋求AFC和ASA（ALT）的聯合建議，以確定和編纂該執行官的權力和責任。這個被授權的科技領導者應該幫助解決AFC和ASA（ALT）的角色和責任不明確的問題，并確保近期、中期和長期優先事項的平衡，以及校內和校外的科技績效。這名高管應該是一名高級文職人員（SES/SL級別），具有很強的科技技術背景和科技界的工作經驗，并對美陸軍內科技的成功負責任。

建議。雖然 "一站式服務"可能不是一個切實可行的解決方案，但AFC應加強努力，確保在描述基礎研究的機會以及填補現代化和研究空白所需的新技術過渡時，其戰略信息的一致性和簡單性。AFC應該尋找方法使那些不熟悉陸軍的人更容易與他們進行合作。ERDCWERX是DEFENSEWERX和美國陸軍工程研究與發展中心之間的合作項目，是這類舉措的一個典型例子。

建議。委員會強調了利益共同體（CoI）在美國防部范圍內的科學和技術中所發揮的關鍵作用。雖然與利益共同體的一些接觸正在進行中（即通過與整個科技企業的主題專家的接觸），委員會鼓勵美陸軍通過AFC和DEVCOM重新致力于利益共同體的接觸。

建議。AFC應該在美國科學技術（S&T）生態系統內建立更多的聯系，以利用工業、學術和其他國防部組織的投資和技術創新，從而避免重復投資并最大限度地利用非政府的發展。它應該考慮更多地使用類似于國防高級研究計劃局 "大挑戰 "的競賽，作為一種機制來吸引工業界、學術界和其他科技界的參與。

建議。美陸軍領導層應確保實驗室主任獲得授權和有效的資源，以培養他們的勞動力，并有權利用賦予他們的所有科學和技術再創新實驗室（STRL）的權力。陸軍領導層應建立衡量STRL資金有效性的指標，并確保實驗室主任充分利用其資源來管理各自的工作隊伍。

建議。AFC應該確保其領導層不僅為現代化和研究優先事項提供一致的指導，而且積極鼓勵在各級科技人員中進行適當的授權和分散執行，以減少混亂，確保陸軍科技有一個明確的愿景，并確保以更高的質量和更低的成本交付能力。

建議。為了鼓勵創新文化，使陸軍能夠 "成為威脅"，也為了提高衡量創新的能力，AFC應該調查并實施業界公認的推動創新的最佳做法，包括領導層對創新的承諾，對實施新方法解決問題的獎勵，以及明確的責任線和問責制，而不僅僅是分配更多的資金。

支持這些建議的結果和結論可以在報告的正文中找到。

美國陸軍最近制定了一項關于未來陸軍如何作戰的戰略以及實現這些軍事能力的相關現代化和研究重點。以高超音速飛行為基礎的遠程精確射擊對于確保美國能夠對任何競爭對手實施其意志至關重要。要實現一個有效的未來美國軍隊，必須克服許多障礙。其中一些差距是對高超音速飛行器空氣熱力學的理解，從而促使對基礎研究的需求。本報告的目標是定義一個經典的、與陸軍相關的配置，適合于基礎研究，以允許與適當的主題專家的關鍵數量的集中合作。從這種開放的幾何構型研究中獲得的數據和知識可能會受到更多的限制性分配。

美國陸軍最近制定了一項關于未來陸軍如何作戰的戰略以及實現這些軍事能力的相關現代化和研究重點。以高超音速飛行為基礎的遠程精確射擊對于確保美國能夠對任何競爭對手實施其意志至關重要。

要實現一個有效的未來美國軍隊，必須克服許多障礙。其中一些差距是對高超音速飛行器空氣熱力學的理解，從而促使對基礎性研究的需求。缺乏對高超音速飛行器周圍發生的復雜物理和化學的預測性知識，抑制了及時的、優化的多部件設計。對邊界層過渡和沖擊-邊界層相互作用等具體現象了解不多。不能正確地對現象進行建模，會產生一些不確定的特征，如表面壓力分布和熱通量，這對飛行器技術，包括穩定性、控制和熱負荷管理，都有負面影響。

幸運的是，有一個先例，即通過定義政府基準飛行器來促進全社會的科學討論，這些飛行器包含功能相關的工件，但對具體的發展計劃不敏感（見陸軍-海軍基本芬納導彈、空軍改良基本芬納導彈、陸軍-海軍旋轉火箭、國家航空航天飛機和NASA研究）。本報告的目標是定義一個典型的、與軍隊相關的配置，適合于基礎研究，以便與足夠數量的適當的主題專家進行重點合作。從這個開放的幾何構型的研究中獲得的數據和知識可能會受到更多的限制性分配。

2022 年 10 月 11 日，美國陸軍發布了一份綜合數據計劃（ADP），這是一種全軍范圍內改進數據管理以確保陸軍成為以數據為中心的組織的方法。

該計劃是一項為期三年的工作，將改善整個陸軍的數據管理、數據治理和數據分析。作戰任務是陸軍數據計劃的當前重點。ADP 在該任務領域的成果是通過進行必要的更改來確保作戰人員的數據得到正確管理和使用，從而為作戰人員提供優勢。陸軍已經開始對數據管理能力、工具和模型進行原型設計，以實現這一目標。

陸軍首席信息官 Raj Iyer 博士說：“數據以及如何在所有梯隊中整合這些數據以實現真正快速、敏捷的決策，才是真正為陸軍提供其在未來戰爭中所需的競爭優勢的關鍵。”

數據和數據分析將為 2030 年的陸軍提供動力。士兵將需要在正確的時間和正確的地點獲得正確的數據，以便在每個梯隊做出更快、更好的決策——以超越任何對手的思維和步伐。

與早期的軍事行動相比，現在的戰爭范圍更大且范圍不斷擴大。作為聯合全域作戰的一部分，多域作戰是陸軍必須準備并贏得下一場戰斗的地方。這是一個數據豐富的環境。

每個領域都有自己的信息和數據流，一些信息來自開源情報，一些來自天基傳感器，還有一些來自網絡空間。今天的士兵和指揮官需要跨領域的綜合來主宰戰場。

ADP 概述了工作的組織并提供了總體戰略目標。它側重于中期努力，未來將被另一個更新所取代。

通過陸軍數據計劃實現這一決策優勢是陸軍的關鍵目標。

美國海軍陸戰隊正在探索使用人機協作來控制前線部署環境中的無人駕駛航空系統（UAS），其任務范圍廣泛，包括情報、監視和偵察（ISR）、電子戰（EW）、通信中繼和動能殺傷。美國海軍陸戰隊設想使用未來的垂直起降平臺（VTOL）來支持混合戰爭任務并實現軍事優勢。對于美國海軍陸戰隊的混合戰爭應用，以實現任務優勢和戰爭主導權，美國海軍陸戰隊需要了解VTOL機組和無人機系統之間錯綜復雜的人機互動和關系，以獲得戰斗空間態勢感知，并有效地計劃和執行針對常規和不對稱威脅的旋轉翼行動。這項研究的重點是美國海軍陸戰隊在海洋環境中的打擊協調和偵察（SCAR）任務，以促進遠征基地先進作戰（EABO）在沿岸地區。有多種復雜的功能必須加以考慮和評估，以支持人機協作互動，提高任務的有效性：任務規劃、移動和滲透、區域偵察、偵察戰斗交接和過渡。

這份頂點報告探討了SCAR任務期間三個系統之間的人機協作：UAS、VTOL和地面控制站（GCS）。該研究從VTOL項目的文獻回顧開始，研究了美國海軍陸戰隊SCAR任務戰術和用于促進EABO的理論概念。此外，它還包括對自主性和自動化、人工智能和機器學習的研究。通過使用合作設計模型來探索這三個系統的人機協作互動和過程，文獻回顧探討了如何使用基于三個因素的相互依賴性分析（IA）框架來確定人類執行者和機器團隊成員之間的相互依賴性：可觀察性、可預測性和可指導性。

通過基于模型的系統工程（MBSE）工具，將SCAR任務的高級功能分解為分層次的任務和子任務，系統分析被用來支持聯合設計方法。根據Johnson（2014）的說法，合作設計方法研究了相互依賴的概念，并使用IA框架作為設計工具。IA框架捕捉了主要執行者和支持團隊成員之間的互動，以發展支持每個主要任務和分層子任務的所需能力，從而產生HMT要求。這份頂點報告分析了兩種選擇。第一個方案認為UAS是主要執行者，VTOL和GCS是輔助團隊成員。第二種方案認為VTOL是主要執行者，UAS和GCS是輔助團隊成員。基于這兩種選擇，IA框架評估了17個主要任務、33個分層子任務和85個執行SCAR任務的所需能力。

此外，研究發現需要一個強大的數字任務規劃系統，如升級后的海軍陸戰隊規劃和行動后系統（MPAAS），通過存儲以前的任務和經驗教訓的數據來促進機器學習。美國海軍陸戰隊將面臨無人機系統的處理能力和信息存儲方面的挑戰。應盡一切努力增加UAS的處理能力。必須實施一個有效的主要、備用、應急和緊急（PACE）通信計劃，以確保UAS、VTOL和GCS之間所有通信平臺的冗余。美國海軍陸戰隊必須實施支持信任、提供快速反饋和簡單操作的接口。

最后，為了準確評估VTOL、UAS和GCS之間的HMT要求，頂點報告促成了一個探索性實驗的發展，該實驗將在海軍研究生院（NPS）建模虛擬環境和模擬（MOVES）實驗室使用，以促進未來的研究。制定了操作要求和測量方法，以確定HMT要求的有效性。

這項頂點研究為在SCAR任務中執行VTOL/UAS混合行動的人機互動復雜性提供了明確的證據。該頂點研究確定了使用系統分析和協同設計作為一種有效的方法，通過IA框架促進人機協作需求的發展。此外，該研究確定了對復雜的自主性和技術準備程度的需求，這可能是目前還沒有的。頂點建議美國海軍陸戰隊繼續研究人機協作，并利用SCAR任務探索性實驗來進一步完善和研究VTOL/UAS的高級系統要求，以支持具有前沿部署的UAS的混合行動，重點是實現4級自主權。

無人機技術的快速發展已經將蜂群機器人技術從科幻小說領域轉變為現實。今天，學術和軍事機構正在研究如何將現有的無人機技術發展成一個蜂群。問題是，在未來十年中，什么是技術上可行的，指揮官如何在戰場上使用這種技術？通過整合現有的無人機技術，就有可能開發出一種由數百架無人機組成的蜂群武器，這些無人機利用突發行為整合它們的行動。通過利用蜂群通過機動迅速集中的能力，就有可能同時對數百個點進行大規模打擊。

這提供的優勢是能夠進行約翰-沃頓上校定義的并行攻擊，且規模空前。為了論證這一點，本文將首先通過回顧現有的研究和文獻，分析未來十年在技術上的可行性。接下來，這項研究工作將開發一個使用并行攻擊概念的蜂群武器概念。然后，本文將在計算機模擬中展示這項研究工作設計的蜂群智能算法。本文將表明，在未來十年內，開發一種能夠進行并行攻擊的蜂群武器是可行的。通過在其他相同的武器中加入蜂群智能，蜂群算法使這些武器更加高效和致命。這項研究工作的結果可以為蜂群武器的多種新的使用概念奠定基礎，包括蜂群突破、蜂群區域防御、蜂群并行攻擊和蜂群在有爭議環境中的廣域偵察。

引言

在過去的五年里，人工智能研究出現了爆炸性增長，而蜂群機器人技術已經上升為其最有前途的領域之一，學術和軍事機構在實驗室內外演示了無人機群。在去年，美國和中國都展示了由一百多架無人機組成的蜂群，與此同時，中國和俄羅斯都提出他們將把無人機武器化，用于攻擊。2017年，中國還發布了國家人工智能發展計劃，將蜂群智能作為一項優先發展工作，力爭在2020年之前實現可操作的蜂群智能算法。每個國家都認為蜂群技術將對戰場產生顛覆性影響；要真正理解這項新技術帶來的能力，必須將科幻小說與現實分開。在一個資源有限的時代，軍事領導人應該問的問題是，蜂群武器能提供什么能力，更重要的是，這種能力是不是已經存在了。要理解這個概念，你必須超越蜂群武器的數量優勢或其壓倒敵人先進武器系統的能力。蜂群武器提供的不僅僅是數量上的優勢，它們代表了一個相互關聯的武器系統，能夠反應性地適應環境和動態的敵人。

無人機技術已經成熟到在未來十年內采用蜂群武器來獲得戰場上的作戰優勢在技術上是可行的。為了說明在未來十年內技術上的可行性，本文將首先回顧現有文獻，以確定研究人員在實驗室外已經展示了哪些技術。使用這種方法，它將表明，擁有100個智能體的較小蜂群武器所需的硬件今天已經可以實現，在未來十年，這種技術將擴展到多達1000個無人機的蜂群將成為可能。接下來，它將使用戰爭理論來介紹蜂群武器的使用概念，而不僅僅是數量上的優勢。最后，它將把這兩者聯系起來，通過展示一個使用計算機模擬來實現這一就業概念的蜂群智能算法。這種模擬將使我們能夠理解和分析蜂群武器使用本文提出的應用概念可能產生的影響。這個軟件還將促進對人類-蜂群組隊的優勢和劣勢的分析。通過將現有的硬件與戰爭理論和應用概念聯系起來，本文表明，蜂群武器可以成為一種極具顛覆性的技術。通過對蜂群武器如何利用蜂群智能算法實現適應性行為形成共識，它有助于啟動這一對話。

蜂群智能行為是一種自然發生的現象，幾個世紀以來，它提高了數百種不同動物物種的生存機會。你可以在鳥群、魚群、螞蟻群、蜜蜂群以及其他數百個物種中看到蜂群的概念。蜂群智能算法是在科學家試圖研究、理解和復制這些行為時出現的。計算機科學家和生物學家了解到，在每一種情況下，動物們都在以某種方式進行交流，沒有領導者，而且蜂群中的每個代理都遵循一套規則。通過嘗試復制這種行為，科學家們發現，每個蜂群都在優化行為，以最大限度地提高蜂群的整體生存能力。

許多人用來描述蜂群的一個常見例子是一群椋鳥，如圖1所示。雖然它們的同步飛行令人印象深刻，但在這個鳥群中發生的事情更令人印象深刻。鳥群正在實施一個復雜的問題解決過程，優化鳥群的行為以尋找食物和避免威脅。當一只鳥檢測到威脅時，整個鳥群就會做出反應，避開該威脅。當它們探測到食物或落腳點時，整個鳥群都會跟上。蜂群在沒有領導者的情況下完成了所有這些工作，它使用的是一個局部的、分散的通信網絡，每只鳥只與他的鄰居進行通信。蜂群是一種適應，它優化了蜂群分散和搜索大片區域的能力，同時仍然允許蜂群在一個代理人發現食物或威脅時迅速集中。這種分散和集中的能力將在后面討論蜂群通過脈動進行機動的能力時變得至關重要。

圖1. 一群椋鳥。珍妮弗-史密斯，"電群"，《每日郵報》，2013年11月，2017年9月12日訪問

科學家們將這種行為描述為蜂群智能，即一群智能體在決策中使用分散和自組織行為來適應環境變化和解決問題。幾十年來，研究人員從這些自然發生的蜂群中獲得靈感，開發了蜂群智能算法，如蟻群、蜂巢或粒子群優化算法。蜂群智能算法有成千上萬種不同的變化，這將超出本文的范圍，但所有這些算法的共同點是，每個算法都有一個代理群，使用本地規則集和分散的通信網絡來適應環境變化。今天，蜂群工程已經開始整合多種算法并修改規則集以解決新問題。例如，后面介紹的蜂群智能算法就是對粒子群優化的修改。因此，蜂群工程可以開發新的更復雜的蜂群行為。這種設計行為的能力對于后面討論戰爭理論和蜂群武器的使用概念也將是很重要的。

今天，無人機技術的成本降低，使這些蜂群智能算法能夠過渡到現實世界。中國和美國都已經展示了他們操作一百架無人機群的能力。例如，在2016年，美國戰略能力辦公室展示了從F-18飛機的飛行中發射的103架無人機群。現在，同一個小組正在開發一個1000架無人機群。本文將重點討論蜂群的武器化。由于該技術剛剛出現，研究人員對蜂群武器的論述非常少。這也是一個復雜的、有爭議的話題，但卻是一個重要的話題，因為這些武器有可能大大塑造戰場的優勢或劣勢。到目前為止，作者們所寫的關于蜂群武器的文章主要集中在蜂群的數量優勢或壓倒先進武器系統的能力上。盡管蜂群武器確實可以提供這種能力，但這只是觸及了其真正潛力的表面。蜂群武器對敵人動態行動的實時反應能力使蜂群能夠迅速改變狀態和行為。有了這一點，你可以設計蜂群的行為，使之與軍事理論和戰爭原則相一致。通過設計行為，你可以創造出一種蜂群武器，它能夠在搜索目標時保持分散狀態，然后根據敵人的行為迅速集中到一個、兩個、三個或數百個目標上（圖2）。在聯合作戰原則中，這種脈沖能力整合了機動性和質量原則，以便在深度和廣度上攻擊敵人。下面將論證這一概念是可行的，并可能在未來十年內對戰場產生顛覆性影響。

圖2. 蜂群武器。由作者創建。

方法論

要使蜂群武器在未來十年內為戰場提供作戰優勢，必須在技術上的可行性和提供作戰優勢的使用概念之間建立聯系。為了建立這種聯系，下面的章節將回答三個子問題。

首先，在未來十年，蜂群武器在技術上是可行的嗎？為了將科幻小說與現實區分開來，第1節將首先確定蜂群武器在技術上是否可行，以及它們可以提供哪些能力。為了回答這個問題，本文將審視今天的可能性，并推測十年內的可能性。所用的時間線是十年，因為它涉及到更多的近期能力和威脅。它還可以更準確地預測蜂群技術的可用性及其影響。對于這項研究工作來說，要考慮未來十年內技術上可行的東西，它必須是一種已證明的能力。因此，本分析沒有考慮理論技術。第一部分的產品將是一個蜂群武器的能力表，這些能力在今天或十年內是可行的。

第二個問題是軍隊應該如何利用蜂群武器的概念來獲得戰場上的作戰優勢？為了回答這個問題，本分析將從軍事和戰爭理論入手，以確定軍隊如何利用蜂群武器來發揮其優勢。盡管蜂群武器有成千上萬種用途，但本文將以軍事理論為基礎，提出蜂群武器的概念。第2節，將通過介紹建立在軍事理論基礎上的就業概念來回答這個問題。它將利用該軍事理論來論證蜂群武器提供了一種目前尚不存在的能力。

最后一個問題是，現有技術是否能夠提供第2節所述的能力，以及這種能力是否會帶來作戰優勢？為了回答這個問題，這項研究工作將開發一種蜂群智能算法，利用蜂群技術實現這一軍事理論，在十年的時間框架內是可行的。本節將通過計算機模擬來分析這種蜂群智能算法提供所需能力的能力（圖3）。蜂群中的每個代理將實施蜂群智能算法來攻擊這個敵方系統，目標是在120分鐘內盡可能多地找到并摧毀200個分散的目標。為了分析結果，這項研究工作將使用模擬技術來比較沒有蜂群的1000個智能體的質量和有蜂群的800個智能體的質量。如果其中任何一個能夠找到、固定并摧毀超過50%的指定目標，那么根據陸軍理論，本分析將認為敵方系統不具備作戰能力或作戰無效。使用這種方法，本文將比較每一個，以確定蜂群武器是否能夠在未來十年內提供這些能力。

圖3. 蜂群武器兵棋推演截圖。肖恩-威廉姆斯，用于模擬系統攻擊的蜂群武器戰爭游戲模擬軟件，Java，2017年

自軍用航空問世以來，美國軍方一直對遠程駕駛飛機感興趣。目前的無人駕駛飛機系統(UAS)通常由一架無人駕駛飛機(UAV)與地面控制站配對組成。自20世紀90年代以來，隨著MQ-1“捕食者”無人機的問世，無人機在美國軍事行動中變得無處不在。 美國軍方目前使用幾種不同的大型無人機，包括

?陸軍MQ-1C“灰鷹”， ?美國空軍的MQ-9死神， ?海軍MQ-25“黃貂魚”， ?空軍的RQ-4全球鷹， ?海軍的MQ-4C“海神” ?空軍的RQ-170哨兵。

此外，其他幾個被報道的項目要么正在開發中，要么正在試驗中。這些項目包括空軍的B-21“突襲者”和空軍的RQ-180。隨著國會履行其監督和授權職能，它可能會考慮與UAS項目相關的幾個潛在問題，包括:

?有人駕駛和無人駕駛飛機的成本， ?缺乏公認的后續項目記錄， ?管理整個國防部的無人機系統采購， ?UAS與現有部隊結構的互操作，以及 ?無人機系統國外出口管制。

在美國軍隊中，遠程駕駛飛行器(rpv)通常被稱為無人機(UAVs)，被描述為單個飛行器(帶有相關的監視傳感器)或無人機系統(UAS)，通常由飛行器與地面控制站(飛行員實際坐在那里)和支持設備組成。1雖然無人機系統通常是作為一架飛機與一個地面系統配對操作的，但國防部(DOD)經常采購帶有一個地面控制站的多架飛機。無人機與地面控制站和通信數據鏈結合，就形成了無人機系統(UAS)。

在未來的軍事行動中，通過協調多智能體系統（MAS）來實施戰略機動以獲得對對手的優勢，是一個很重要的途徑。最近探索MAS協作的工作主要集中在識別、分類、驗證、實施，以及通過多智能體強化學習（RL）來研究新興的協作方式。強化學習方法可以通過探索和利用選定行動來響應特定環境中的突發行為，這有可能抑制對抗性協作，反過來又可以為各種情報、監視、目標獲取和偵察任務提供機會窗口。本報告簡要介紹了RL領域的突出工作及其在自主戰略機動協作式MAS中的潛在應用。

1 引言

美國陸軍現代化激增是由對手在多個領域（如陸地、海洋、空中、網絡、電磁和空間）對美國構成的威脅所推動的，這對美國利益的威脅超出了常規戰爭。預計未來的戰斗將在這些復雜的多領域環境中進行，人工智能（AI）將指導與人類士兵一起協同工作的機器人Agent的戰術、技術和過程（TTPs）。這些機器人將聚集在一起，形成智能多Agent團隊，與人類士兵有效協作，完成任務。

美國陸軍作戰能力發展司令部（DEVCOM）陸軍研究實驗室（ARL）的基本研究計劃（ERPs）構建了開發和實施智能多Agent系統（MAS）的具體計劃路徑。此類陸軍計劃為美國國防行動提供了關鍵研究問題的答案，這些問題匯聚在一起，指明陸軍未來司令部的現代化努力方向。人工智能用于自主機動性（AIMM）和新興超限技術（EOT）是ERP的例子，明確側重于使下一代戰車具有自主感知、學習、推理、規劃和機動能力。這些未來的自主系統將與人類智能體合作進行預測和規劃，并通過戰場上的自主機動（AIMM）和保護（EOT）向士兵提供支持。本報告重點關注需要進行的自主協作，以使多智能體系統（即人類、智能體或人類和智能體混合）在未來的軍事行動中取得成功。

集成和協調的MAS將需要技術的進步，重點是超越我們目前的能力，以有效地對付同等裝備的對手（同行或接近同行）的協作戰略機動性。一個直接的挑戰是開發能夠以良好協調方式自主和智能地工作的智能體團隊。這種能力要求智能體在執行關鍵任務時與士兵一起觀察、定位、決定和行動（OODA-Loop）。雖然新的努力促進了對多智能體范式中情報的一般理解，但目前對情報的解釋并不明確。最近的文獻表明，基于強化學習（RL）的方法可能為實現這種技術進步提供了一條可行的途徑，本文介紹的一系列工作就是證明。

在本報告中，介紹了RL領域的貢獻，以及它們在軍事環境中的潛在應用--特別是通過戰略編隊機動來抑制對手的協作，以實現戰場上的超越。最小化、限制或完全抑制對抗性多Agent行為中的協作是探索和執行在模擬情況下通過RL實驗得出戰略機動的一種手段。此外，協作的戰略機動可以通過各種RL方法學習，以告知防御部隊創造機會或優勢窗口的潛在途徑。

為了在模擬環境中通過戰略機動的RL方法實現MAS協作，我們首先介紹了近年來一些最突出的RL研究。最近在RL領域的進展（如alphago）促進了更復雜的多智能體強化學習（MARL）算法在現實世界應用。此外，近年來也有一些框架來實現多智能體協作。這些努力加在一起，可以為開發和實施多機器人協作提供一條道路，以便在為未來戰場設計的多機器人系統中實現戰略機動。

在下面的章節中，對近年來突出的RL方法進行了分類和概述，并表明這些方法與DEVCOM陸軍研究實驗室目前的研究和開發項目相一致。具體來說，本報告的重點是確定戰略機動的特定算法的優勢和劣勢。此外，對選定的RL方法類別進行了分類，以深入了解戰略機動的潛在實施，并考慮到情報、監視、目標獲取和偵察（ISTAR）任務。

2. 多域作戰中多智能體系統的戰略機動

簡單地說，戰略機動可以解釋為一組智能體協調他們的行動，通過戰勝對手來實現一個共同的目標。破壞，是戰略機動的一個特例，可以表示為對對手協作戰略機動的抑制。因此，戰略機動一詞的使用意味著至少存在兩個對立的或敵對的雙方，他們處于動態的斗爭中，通過限制、抑制或以其他方式破壞對手的協調或戰術，并強加自己的協作戰術來獲得對對方的優勢。

在本節中，提供了一個對抗性的交戰場景，其核心是使用選定的遠程資產，這些資產本質上破壞了友好部隊的交戰。圖1顯示了一個圖例，描述了與所述多域作戰（MDO）情景相關的選定資產和部隊的軍事符號學。根據MDO理論，在武裝沖突中，對手的遠程反介入和區域拒止（A2AD）火力系統可以被用來拒絕友軍在戰區的機動自由（見圖1）。這是通過將情報、監視和偵察（ISR）資產與致命性和非致命性火力相結合來實現的，以攻擊戰略和行動支持區的友軍指揮結構、維持能力和部隊編隊。這些地區是近距離地區作戰資產（如部隊和裝備）的傳統集結地（見圖2）。對手有能力在友軍后方深處識別和攻擊目標，導致這些實體在地理上與戰術支持區和近距離區分離，這有效地提高了友軍的損耗率，即所謂的對峙。鑒于前線部隊與戰略和作戰機動支援相分離，敵對勢力可以利用這種友軍孤立無援的情況，將其消滅。

圖1 友軍（BLUEFOR，左）和敵軍（OPFOR，右）部隊的資產和資源。在所描述的MDO情景中，假設BLUEFOR和OPFOR的所有資產都是自主化的編隊。

圖2 敵軍（OPFOR）使用遠程導彈和火箭炮干擾或破壞友軍（BLUEFOR）戰略支援區的維持行動，這使得友軍無法以有利的條件與近距離地區的敵軍機動部隊交戰。為了應對這一戰略，BLUEFOR執行反擊任務，以摧毀位于深火區的OPFOR遠程火力系統（藍色箭頭）。從深層機動區的BLUEFOR SOF發出的三叉箭頭代表了一種 "破壞 "戰術，它打破了對手的隊形和節奏。

圖3 壓制（S）或解除（N）敵方遠程火力系統和ISR資產，使友軍能夠穿透敵方的A2AD保護傘。這使友軍能夠在近距離地區擊敗敵人，并使機動指揮官有能力利用他們的成功，迅速將部隊轉移到深度機動區，摧毀（D）脆弱的敵方資產并追擊撤退的敵軍。F表示 "固定"，可有效減緩敵軍的行動。粗箭頭代表部隊移動的方向。

MDO理論規定了擊敗對手A2AD能力的計劃（即對峙），以便戰略和作戰機動能夠使前沿部署的友軍以有利的條件與對手交戰（即穿透和瓦解A2AD系統以利用機動自由）。在這里，我們只關注友軍（BLUEFOR）野戰軍和軍團與敵方A2AD系統交戰時的滲透和瓦解部分，這可能需要在未來的戰斗中使用自主MAS。此外，據推測，圖1中友軍（BLUEFOR）和敵軍（OPFOR）的所有符號都將包含自主化的編隊（例如，機器人戰車、自動瞄準系統、地面和空中的機器人ISR資產）。圖2和圖3分別顯示了利用這種符號學與自主化編隊進行戰略機動的情景圖。

如圖2所示，敵對的A2AD火力系統通過攻擊戰略和作戰支持區來創造對峙局面。友軍火力和防空部隊從太空和高空監視（未顯示）接收有針對性的情報，在狹窄的時間窗口內打擊高價值目標（即多管火箭系統[MLRS]），以減少對手的位置調整。除了監視之外，還可以采用戰略刺激--打擊來穿透和瓦解對手的遠程火力系統。

在ISTAR任務中，MARL可以通過利用敵軍理論和敵軍行動中的局部觀察，戰略性地照亮和跟蹤敵軍目標的位置。此外，經過MARL訓練的具有自主能力的編隊，結合高度機動和分散的空中和地面火力，可以開始壓倒對手的遠程防空。友軍可以利用經過訓練的MARL方法來利用對手的TTP，進行防空和地面火力的戰略機動。這些具有自主能力的編隊根據從戰略空基刺激收集的監視數據選擇地理位置。隨著對手的遠程火力系統被消滅，戰略和作戰支援部隊能夠向前方的作戰部隊推進（機動）（見圖2）。

敵軍利用ISR資產識別作戰支援區的友軍資產，并從作戰縱深火力區用遠程火力系統（即多管火箭炮）攻擊友軍。這些敵方火力擾亂了友軍在該地區進行傳統支援行動的能力，這反過來又導致這些活動在離部隊前線更遠的地方進行。這通過擴大戰場和緊張的補給線而造成地理上的對峙。此外，這還允許敵方機動部隊以有利于敵方既成事實的條件與近距離地區的友軍作戰。根據MDO的理論，為了消除對峙，友軍的炮兵系統必須在敵軍的火力和ISR資產部署之前識別、交戰并摧毀它們。友軍SOF通過破壞補給和指揮與控制（C2）節點以及為聯合火力提供目標數據來協助這項工作。這在敵人的A2AD保護中創造了缺口，可以被機動指揮官所利用。在這種覆蓋下，友軍機動部隊穿透并利用近距離和深層機動區域的缺口。

在作戰區，近距離和縱深地區的聯合部隊的戰略編隊可能是自主啟用的編隊（即MAS），利用MARL訓練的策略來利用對手的TTP（來自理論）、本地觀察和ISR收集的信息。如圖2所示，聯合部隊將協調其ISR和遠程精確火力的能力，為前沿部署的BLUEFOR部隊提供支持。在戰略和作戰單位的支持下，擁有自主能力的前線部隊可以在近距離和縱深地區進行協調，以分離和擊敗敵方資產。這將促進消滅敵對的前沿機動部隊（OPFOR），使遠程火力系統容易受到地面攻擊（瓦解），如圖2所示。

聯合火力（即友軍或BLUEFOR）壓制或消滅對手的遠程火力系統，使友軍機動部隊能夠進入并擊敗近距離區域的作戰部隊（見圖3）。然后，友軍機動部隊利用這一優勢，在深度機動區（見圖3中的D區）摧毀敵方的助推器。這將導致剩余的敵對機動編隊從近距離區域撤出，并在深層機動區域建立一個新的戰線。這個過程不斷重復，直到達到戰略目標或打敗OPFOR。這些協調活動在理論上可以通過人類士兵和自主多智能體系統之間的合作來實現。此外，鑒于目前正在積極研究開發和部署這種自主系統，預計未來的戰場將需要考慮像這樣的場景來規劃戰略機動。

本節提供了一個可以應用MARL方法訓練自主化編隊的場景；然而，在這種復雜的MDO環境中執行的具體RL方法還沒有經過測試，或者可能還不存在。下一節闡明了與利用RL方法為未來的MDO交戰訓練MAS有關的一些挑戰。

3 挑戰

在這項工作中，我們將重點聚焦到可以指導MAS克服與軍事防御MDO中戰略機動相關挑戰的RL方法。從技術上講，RL是機器學習（ML）的一個分支，它超越了從數據中建立精確的預測，通過在環境中產生行動來展示學習。這種學習的展示可以被認為是一種決策形式，但更準確的描述是通過狀態空間探索進行戰略行動選擇。

RL智能體在獎勵函數的基礎上進行學習（或訓練），最終確定在當前情況下（即該智能體在環境中的狀態），哪一個是智能體要選擇的最佳行動。例如，RL智能體可以與環境互動，產生與獎勵掛鉤的經驗，這將形成學習的策略（即一系列的狀態-行動對）。然而，在后面的章節中強調，目前的RL方法可能還不夠成熟，無法克服與人類類似的適應性相關的挑戰，以便在新情況或環境中進行智能決策。盡管RL算法有其缺點，但它們似乎是在軍事防御MDO中實現協調的MAS執行戰略機動的最有希望的途徑之一。

在多智能體任務中，協作通常是定義不清的，而且經常被用來表示一組智能體在某些合作任務領域中成功地執行了任務。在以前的工作中，開發并采用了各種新方法來測量執行合作任務時智能體行動之間的相互依賴性，以確認這些智能體事實上已經學會了協作。對協作的確認是確定MAS有能力與其伙伴合作的先決條件，而不是簡單地采取導致某種程度的優化行動。雖然在某些情況下，最佳行為可能是可取的，但如果任務以某種不可預見的方式發生了變化，一個簡單的最佳行為的智能體可能會在戰場上導致災難性的損失。因此，未來防御行動的MAS必須具有明確協作的能力。

在本節的其余部分，描述了與開發戰略機動MAS有關的一些挑戰，其中時間尺度、能力和局部目標可能有很大的不同（例如，MDO），但需要某種程度的協作。此外，假設更大程度的靈活協作可以促進任務執行的改進（例如，更快、更少的損失、非直觀的策略、有效處理不斷變化的能力/團隊組成）。

隨著環境在動態戰場上的變化，敵對雙方（至少）可能需要重復規劃和預測，以便1）跟上，或2）領先于對手的規劃和預測。經過RL訓練的MAS能夠學習這種動態的規劃和預測循環。另外，如果學習智能體建立了一個關于對手協作行動的適當模型，然后采取行動破壞這種協作，也可以實現這一目標。

在一個理想的情況下，一個被選來指導MAS行為的算法將學會處理環境、對手戰術和能力、自身能力（獲得新的能力或失去以前的能力）、團隊組成（例如，改變合作者）和局部目標的變化。然而，大多數最先進的（sota）方法受到經驗的限制（正如許多RL方法的情況一樣）。此外，在大多數模擬中，團隊的能力和組成通常是固定的，不能為算法提供足夠的數據來操作和處理任何上述的特征變化。因此，在選擇一種算法來指導旨在產生戰略機動的MAS的行為時，必須考慮新的或動態的事件、行為、資產和實體。

總之，目前的算法方法在復雜的軍事防御MDO環境中沒有達到所需的能力。目前的缺點可以分為三類。1）數據要求，由于情況的新穎性，數據是有限的，數據集不足以產生準確的預測，或者數據以某種方式被污染（例如，嘈雜、臟亂或對手的改變），2）有限的計算資源，以及3）算法不能泛化到訓練期間遇到的情況之外（例如，不同的目標、改變的能力或修改的團隊組成），導致狹隘或脆弱的MAS解決方案。

在下一節中，我們將更詳細地討論RL的缺點，以闡明如何克服這些問題，為軍事防御MDO環境提供解決方案。為此，我們介紹了現有的RL算法的分類法。這一努力應提供對有前途的RL技術更好的洞察力，這可能有助于確定最終應用于美國國防MDO的可行途徑。

4. RL技術和方法

學習算法的可擴展性是MDO中軍事任務的主要關注點之一，特別是因為這種任務可能需要大量的智能體來完成一個目標。此外，軍事任務可能涉及多個子任務，每個子任務都有自己的子目標，從而進一步復雜化了場景。在MDO中，預計一個子目標由無數復雜的戰略演習組成，這需要MAS的快速計算，以及使用最小計算資源（如在戰術邊緣計算）的最佳（或至少足夠）戰略。因此，一個可擴展的RL算法必須考慮到：1）環境和任務的復雜性；2）智能體（伙伴和對手）的數量，以便每個智能體能夠在通過RL學習過程中收集經驗時正確選擇行動。

環境復雜性（即智能體的狀態和行動空間的大小）可以指環境的狀態空間中可用的狀態數量，以及該環境中智能體可用的行動方案數量。RL算法的可擴展性是指在足夠復雜的狀態和行動空間中，在合理的時間和計算能力內計算最優策略的能力。環境的復雜性還包括納入額外的智能體（例如，擴展到MAS），其中狀態空間被放大以考慮到額外的智能體，而行動空間的大小被乘以該之智能體的數量。

通過使用狀態-動作對的表格來解決RL的可擴展性問題是不實際的，因為連續的領域會使表格無法維持，而且在合理的時間內同時更新所有智能體的表格條目是不可行的。即使有足夠大的計算資源（如過多的計算機內存）來包含所有的狀態，在每個狀態-動作對之間的學習也會太慢。與利用表格跟蹤狀態-動作對相反，一個解決方案是使用非參數函數近似器（例如，權重為參數的深度神經網絡）來近似整個狀態空間的值。然而，函數近似器必須是可微分的，這樣就可以計算出一個梯度，以提供參數調整的方向。

有兩種方法來訓練值函數近似器：1）增量方法和2）批量方法。增量方法使用隨機梯度，在梯度方向上調整近似器的參數，使估計值和目標值之間的誤差最小。然而，增量方法的樣本效率不高，因此不具備可擴展性。相比之下，批量處理方法從一組經驗中保存數據，并使用它們來計算函數近似值估計和目標值之間的誤差。批量方法與傳統的監督學習有共同之處，即結果是已知的（例如，數據被標記），計算近似值的估計值和實際結果值之間的誤差。這種類型的批量學習通常被稱為經驗重放。重復這個過程將導致最小平方誤差的解決方案。最近一個成功的經驗重放的例子是用深度Q網絡（DQN）玩雅達利游戲演示的。盡管函數近似法在復雜的環境中顯示出了成功，但如果不考慮額外智能體的加入（即非平穩性或部分可觀察性），單靠這種方法不太可能足以訓練出MDO場景的MAS。

與價值函數近似法相比，策略學習方法依靠策略梯度（PG）的計算來明確優化策略，而不是間接依靠價值函數。與函數近似方法相比，PG具有更好的收斂特性。PG方法比價值近似方法更受歡迎的主要原因是它們能夠在高維和連續的行動空間中有效（即在復雜環境中可擴展）。在蒙特卡洛（MC）策略梯度（例如REINFORCE算法）中，實際回報（選擇行動）與一個分數函數相乘，以計算梯度。該梯度被用于策略調整（通過改變參數值）以找到最大的回報行動。MC策略梯度具有高方差，收斂速度慢，因為它使用智能體的狀態-行動對在不同時間的整個軌跡來獲得一個返回值。另一種可能超越傳統函數近似方法缺點的解決方案是利用 "演員評論"方法。

在演員-評論家方法中，PG方程被修改為使用價值函數的近似值，而不是使用真實的行動-價值函數乘以分數（如REINFORCE算法）。這表明行為者按照評論者所指向的方向調整策略，以便使總的累積獎勵能夠達到最大。評論者的這一策略評估步驟可以通過使用組合值近似方法（即MC、時差-TD（0）和TD（λ））來完成。為了減少策略梯度的差異，可以使用一個優勢函數。優勢函數告訴我們，與一般的狀態值函數相比，一個行動比另一個行動（Q值）好多少。這意味著評論者必須估計Q值。一個有效的方法是使用TD-error，它是優勢函數的無偏樣本，評論者對一組參數進行近似。TD(λ)資格跟蹤也可用于評論者估計不同時間步長的值。有趣的是，MC（高方差）和TD方法可以與行為人一起使用，隨著時間的推移（即收集的經驗）修改策略。

由于MDO涉及軍事任務，RL算法必須有能力與許多其他智能體協調，以實現最佳的戰略機動，因此MAS的算法必須能夠與大量的智能體和異質資產一起擴展。算法的另一個重要能力是處理復雜狀態空間（即許多智能體）和多領域環境的大量觀察能力。在接下來的章節中，我們將討論在MDO中使用不同種類的RL算法對戰略機動的影響。

無模型算法可分為非策略性和策略性算法，其中狀態行動空間可以是連續的或離散的。在這一節中，討論了無模型算法的優勢和劣勢，以及它們如何與戰略機動相一致，從而實現MDO的目標。這一分析的目的是為尋找在MDO環境中實現戰略機動性的潛在算法方法提供方向。

4.1 深度Q網絡（DQN）

深度Q網絡（DQN）是一種單一的RL智能體算法，它被訓練用來玩行動空間離散、狀態空間連續的Atari 2600游戲。DQN使用一個用Q-learning訓練的卷積神經網絡，從高維輸入（連續圖像）中學習。

DQN算法是一種有效的樣本方法，因為它利用所有收集到的經驗來提取盡可能多的信息。DQN足夠強大，可以使用相同的超參數進行訓練，玩六種不同的Atari游戲，其中智能體在其中三個游戲中的表現比人類專家更好。

然而，DQN的一個缺點是，在理論上不能保證訓練好的神經網絡實現穩定的Q值預測（即在不同的獨立模型中，訓練好的策略可能會有很大的差異）。

鑒于DQN本質上是一個單一的RL智能體模型，它應該不足以在MDO中進行戰略機動。在MDO中，多智能體RL算法可能更適合，因為智能體在執行時間內典型的分散化，允許智能體彼此獨立運作。此外，DQN的原始實現只利用了四個觀察序列來學習Q值，這對于MDO中的戰略機動來說是不夠的。多個資產的戰略機動通常不能在如此短的時間間隔內被捕獲。事實上，這是DQN在評估的三個Atari游戲（即Q*bert、Seaquest和Space Invaders）中與人類相比表現不好的主要原因。然而，存在一些DQN的變體來解決這個問題和其他弱點。

Bootstrap DQN就是這樣一個變體，它學習了一個Q網絡的集合，以提高采樣效率，并克服了傳統DQN的不足之處。行動消除是另一種與DQN一起使用的方法，以解決大的行動空間。帶有記憶類型的DQN（即循環神經網絡）也可以用來處理部分可觀察性。如果一個智能體需要為完成任務而導航環境，這種方法就特別有用。另外，分布式DQN返回一個分布信息，可用于評估策略風險和減少最佳解決方案周圍的方差或噪音。

盡管DQN及其修改后的變體在處理比簡單的Atari游戲更復雜的任務方面很有前途，但DQN方法本質上缺乏一個多智能體預測機制來進行協作戰術，而這是MDO中戰略機動的需要。此外，DQN在大多數情況下計算量太大，無法用于軍事相關環境。最后，DQN算法方法對未見過的例子（例如，伙伴的新行為或環境中出現的實體/障礙）缺乏足夠的適應性。

4.2 深度確定性策略梯度（DDPG）

在現實世界中，大多數常規任務涉及連續狀態和行動空間。然而，DQN只考慮離散的狀態空間和低維的行動空間。處理連續狀態和行動空間的DQN的另一種方法是深度確定型策略梯度（DDPG）方法。DDPG通過結合價值函數近似和確定性策略梯度（DPG），推進了DQN方法的進展。DDPG利用行為批判的方法，可以克服連續空間的復雜性。這種無模式、非策略預測和控制算法可以執行物理控制任務（如車桿、靈巧的操縱、腿部運動或汽車駕駛）。

另一種使用深度神經網絡的方法是信任區域策略優化（TRPO）。這種方法直接構建一個隨機策略，而不需要演員-評論者模型（不要與環境模型混淆，這將使其成為一種基于模型的方法）。與TRPO類似，引導式策略搜索（GPS）不需要角色評論模型，而是使用軌跡引導的監督式策略學習以及一些額外的技術（例如，減少視覺特征的維度，在網絡的第一層增加機器人配置動態的信息）。因此，GPS的數據效率很高，如果需要的話，可以改編成DDPG。另一方面，PILCO首先學習一個概率模型，然后找到一個最佳策略。PILCO在某些問題領域具有很高的數據效率；然而，它的計算量很大。此外，D4PG對DDPG算法提出了一些改進：分布式評論者更新、分布式并行演員、N步返回和經驗重放的優先級，以實現對不同類別任務的更穩定和更好的解決方案。

從戰略機動的角度來看，DDPG算法的主要缺點是它被設計成一個完全分散的單一智能體算法（即獨立學習者）。因此，DDPG算法不便于在多智能體場景中進行協作。因此，使用DDPG所產生的戰略機動將不會產生協作的團隊行為。此外，DDPG不具備處理基于角色的多目標任務的能力，而這是軍事行動中戰略機動的要求。

4.3 多智能體深度確定性策略梯度（MADDPG）

RL智能體互動對于戰略機動的人工智能系統至關重要，不同的智能體可能需要組成團隊來抑制對手的戰略合作或抑制對手的協調。Q-Learning和PG方法分別受到非平穩性和高方差的影響。為了克服這些問題，多智能體深度確定性策略梯度（MADDPG）算法擴展了一個演員評論家方法，這使得它可以通過集中智能體訓練而對多智能體系統發揮作用。MADDPG框架采用集中式評論家家進行訓練，并在測試期間部署分散的演員。一個評論者（每個智能體都有一個）接收每個智能體的策略，這允許開發具有潛在不同獎勵功能的依賴性策略（例如，MADDPG允許訓練具有相反獎勵功能的對抗性團隊）。相反，演員（即策略網絡）在訓練和測試期間只擁有本地知識。演員（通過訓練）在與評論者評價一致的方向上反復改進策略。

MADDPG的一個主要弱點是，對Q函數的輸入隨著環境中智能體數量的增加而增加（不可擴展）。這給MDO中的戰略機動性帶來了問題。如果智能體需要被替換、添加、修改或移除，可能需要進行再訓練。在戰略機動中，智能體可能需要定期轉換角色或改變能力，這對MADDPG適應軍事領域構成了重大挑戰。此外，頻繁的再訓練將使快速戰略機動變得不可能。縮短訓練時間將減少邊緣的計算負荷，使快速戰略機動成為可能。MADDPG不能適應這種極端情況。對于軍事應用，希望有一個強大的對手或智能體模型，以便使作戰時間最大化（即有足夠的時間來執行戰略機動）。

為解決其可擴展性問題，對MADDPG的一個潛在修改是形成智能體集群，為集群而不是每個智能體單獨學習一個策略。在發生新事件的情況下，可以推遲重新訓練的需要，因為從理論上講，一個智能體集群將有一套處理動態情況的可變能力。此外，這將避免隨著智能體的修改或新智能體的引入而增加Q函數的輸入空間。然而，問題來了。我們怎樣才能將一個任務分解成部分獨立的子任務，并使最優分組策略的退化程度最小？

雖然MADDPG可以形成一組異質的多智能體策略，能夠完成不同的任務，但這種方法不能很好地擴展到十幾個智能體。隨著智能體數量的增加，策略梯度的方差會呈指數級增長。因此，這種方法不太適合MDO中的戰略機動，在這種情況下，必須考慮到40多個異質智能體的對抗情況。克服這一可擴展性問題的方法是均值場多智能體RL算法，該算法計算鄰近智能體Q值的均值估計，當智能體之間的鄰近互動變得復雜時，可能導致高誤差率。此外，進化種群課程算法的設計是為了通過將遺傳算法方法與RL相結合，使MADDPG具有可擴展性。隨著MADDPG的進步和該方法所顯示的成功，可以想象這些算法的進步會導致在模擬實驗中對MDO內的戰略機動性進行強有力的演示。

與MADDPG不同的是，反事實多智能體（COMA）方法對所有智能體使用一個集中的評論家，但被設計用于離散的行動空間。COMA比MADDPG更具可擴展性，但它可能導致一套同質的策略，在智能體能力充分不同、局部目標不同或獎勵函數不同的情況下可能失敗。與MADDPG類似，Minmax多智能體DDPG（M3DDPG）比MADDPG的原始版本增加了一項改進，允許智能體制定更穩健的策略來對抗對手（即具有對立獎勵結構的競爭游戲）。然而，M3DDPG仍然無法處理異質智能體被引入系統的情況。

在具有連續狀態和行動空間的環境中實施算法，有時需要利用常見的技術來操作輸入或輸出，如離散化狀態和行動空間或將離散的策略輸出轉換為連續輸出。轉換策略輸出的一個例子是OpenAI多智能體粒子環境中MADDPG的實現。在這個例子中，離散的策略組件被用來計算連續的行動。從另一個角度來看，多智能體轉化器軟雙Q學習算法將連續行動空間離散為一組速度和角速度控制，然后可以在運動模型中使用。盡管這些技術允許在連續環境中使用這種算法，但這些算法方法沒有用連續信息進行訓練，這可能會限制它們在物理環境中進行戰略機動的功效。

4.4 價值為本

最近的一個基于價值的MARL算法系列在非常復雜的《星際爭霸2》模擬環境中被證明是相當成功的，其中根據智能體的本地Qa值學習了一個集中的聯合行動值Qtot。然后通過線性argmax算子從Qa中提取一個分散的策略。這種非常簡單而有效的分解方法避免了學習聯合行動值，而聯合行動值的規模并不大。如果增加新的智能體或用新的能力替換智能體，仍需進行再訓練。然而，與MADDPG相比，它更具有可擴展性，因為單個Q值僅從局部觀察中學習，避免了通過學習因子化的Qtot來學習聯合行動值。但是，當有超過40個智能體時，這個系列的算法的可擴展性可能會受到挑戰。為了使其更具可擴展性，已經提出了基于角色的算法RODE，其中智能體的角色是根據他們對環境的影響對他們的行動進行聚類來確定。該算法對于大量的智能體顯示了非常有希望的結果。

對于戰略機動，RODE算法是非常有前途的，因為各組智能體可以被分配到不同的角色，其中角色可以基于他們的行動和對環境的影響或任何其他固定的行為（對于盟友或甚至敵人）。然后，該算法可用于不同群體的戰略角色轉換。由于不同角色的行動空間受到限制，該算法收斂得非常快。這種算法也適合于基于角色的技術的戰略使用，這可能會在未來的工作中進行研究。即使RODE是非常可擴展的，我們也不清楚當新的智能體將被添加到環境中時如何調整它；需要學習一個集中的策略以實現最佳協作。

與RODE算法相比，一種可擴展的多智能體強化學習方法部署了一種熵-規則化的非策略方法來學習隨機價值函數策略，實驗表明它能夠擴展到1000多個智能體。如前所述，可擴展的RL算法關注環境的復雜性--系統或團隊中的智能體越多，狀態空間越大。RODE是有限的，因為它使用一個集中的策略，當更多的智能體被引入到環境中時必須重新訓練。多智能體轉化器軟雙Q學習算法是一種集中訓練的非策略學習算法（即共享一個中央經驗重放緩沖器），其執行是分布式的（即每個智能體根據其本地觀察做出自己的控制決定），而不是來自中央控制器。由于這種分布式的方案，當智能體被添加或從系統中移除時，團隊不受影響，繼續執行他們的策略。

在可擴展性方面，訓練大型MAS（即許多智能體）是很困難的，而且已經表明，即使是最先進的算法也不能為復雜的MARL任務學習到高性能的策略。多智能體變換器軟雙Q學習通過在訓練期間利用啟發式方法緩解了這一可擴展性問題，該方法允許在較小的智能體集合上訓練策略（例如，在目標追蹤場景中，四個智能體追蹤四個目標），并且該策略已被證明可以在執行中與更多的智能體一起工作而不需要任何調整（即用1000個智能體測試和評估）。訓練和執行過程中使用的啟發式方法使算法能夠解決智能體數量的巨大分布變化：它基本上將測試時的大型復雜觀察空間縮減為接近智能體策略最初訓練的內容。從軍事角度看，這種提法是戰略機動的理想選擇，因為現場的智能體可能會在原地丟失或獲得，可能要考慮額外的戰略信息。一個靈活和可擴展的算法提供了MDO中所需要的能力。

5. 洞察力和結論

由于一些因素，包括科技進步，美國的對手正在變得更加先進。在未來的MAS自主戰爭中，協作的戰略機動可以為國防軍帶來某些優勢。在這篇文章中，我們討論了一些最突出的RL算法，以發現訓練MAS的可行候選策略，這些MAS可以有效地進行戰略機動，從而在未來潛在的軍事行動中打開機會之窗。本文描述了RL方法的分類法，并對最突出的RL算法進行了概述。研究發現，由于訓練和測試因素的不同，大多數RL算法缺乏處理與未來潛在沖突相關的復雜性的能力。

DEVCOM ARL ERPs為開發和實施智能MAS提供了一個規劃性的路徑。鑒于陸軍研究項目為美國國防行動提供了關鍵研究問題的答案，AIMM和EOT ERPs特別促成了研究，可以為協作的自主MAS提供一個路徑，可以克服與1）環境，2）對手戰術和能力，3）自身能力（即，獲得新的能力，失去以前的能力，或能力被改變），4）團隊組成（例如，增加、刪除或交換隊友），5）戰略團隊定位、進入、導航（機動）以支持部隊并壓倒對手，以及6）任務目標。最近，AIMM和EOT ERP在這一領域的工作闡明了衡量MAS協調性的方法，并允許開發一個框架來訓練和測試執行各種任務的MAS的協調性，此外還評估了利用一系列集中訓練技術的新算法方法。

此外，還需要進行更多的調查，以闡明有利于在ISTAR任務和其他交戰場景中利用MAS的軍事戰略。在淺顯的情況下，將完全自主的MAS送入高風險情況（即預期因果率高的情況）是可取的；然而，由于目前的技術限制，僅僅期望MAS能夠在沒有人類監督或干預的情況下完成任務是不夠的。因此，在未來的工作中，將進行研究以確定一套強有力的交戰方案。最后，這項工作將導致自主MAS的最終整合，以便在未來的軍事行動中盡可能地協調戰略機動。