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

本文介紹了在戰場數字孿生框架內使用貝葉斯優化（BO）、遺傳算法（GA）和強化學習（RL）等先進技術優化軍事行動的綜合方法。研究重點關注三個關鍵領域：防御作戰中的部隊部署、火力支援規劃和下屬單位的任務規劃。在部隊部署方面，BO 用于根據戰場指標優化營的部署，其中湯普森采樣獲取函數和周期核取得了優異的結果。在火力支援規劃中，采用了 GA 來最小化威脅水平和射擊時間，解決了資源有限條件下的資源受限項目調度問題（RCPSP）。最后，為任務規劃開發了一個 RL 模型，該模型結合了多智能體強化學習 (MARL)、圖注意網絡 (GAT) 和層次強化學習 (HRL)。通過模擬戰場場景，RL 模型展示了其生成戰術演習的有效性。這種方法使軍事決策者能夠在復雜環境中提高行動的適應性和效率。研究結果強調了這些優化技術在支持軍事指揮和控制系統實現戰術優勢方面的潛力。

基于戰場數字孿生的 COA 生成概念

戰場數字孿生是一個數字復制品，代表了真實戰場環境的組成部分和行為特征。它可以通過接收來自實際戰場的實時或接近實時的戰場、敵方和友軍單位信息，并將其動態反映到數字孿生中，從而對數字孿生模型進行評估和調整。換句話說，模型可以根據真實世界的數據不斷更新，以實現更具適應性的分析。這一概念與深綠的自適應執行相一致，后者也依賴于動態更新的信息。通過這種方式，可以向真實戰場系統提供改進的決策反饋，幫助用戶根據數字孿生模型做出更好的決策，而數字孿生模型是根據實際作戰數據更新的。

本節提出了 “基于戰場數字孿生的作戰行動選擇生成與分析 ”概念，通過各種技術方法，利用戰場數字孿生生成作戰行動選擇。然后對這些選項進行評估、效果比較，并推薦最合適的 COA 選項。基于戰場數字孿生的作戰行動選擇生成和分析的基本概念是，利用戰場數字孿生的預測模擬生成作戰行動選擇，同時考慮若干戰術因素（METT+TC：任務、敵人、地形和天氣、可用部隊和支持、可用時間和民用因素）。然后，可在數字孿生環境中對生成的作戰行動方案進行快速評估。圖 2 展示了這一流程的概念圖。生成和分析 COA 的四個關鍵輸入--威脅分析、相對戰斗力分析結果、戰場信息以及指揮官和參謀部的指導--假定來自其他分析軟件模塊和用戶輸入，從而完成智能決策支持系統。有關鏈接分析軟件模塊的更多信息，請參閱 Shim 等人（2023，2024）。

圖 2：基于戰場數字孿生系統的 COA 生成和分析概念。

可以按照圖 1 中概述的戰術規劃流程生成并詳細說明 COA 選項。然而，如前所述，規劃過程中的許多任務都需要人工干預，而人工智能技術的應用仍然有限。因此，我們將重點放在 COA 生成階段，在研究適用技術的同時，找出可以實現自動化和智能化的方面。本研究介紹了在 COA 生成過程中可實現自動化和智能化的三個概念：確定友軍部隊部署、規劃間接火力支援和規劃部隊戰術任務。友軍部隊部署是指部隊到達戰場后如何安排和使用，而部隊部署則是指如何將部隊轉移到指定的大致位置。我們將貝葉斯優化方法應用于友軍部署優化問題，作為 COA 方案生成的一部分。隨著人工智能技術的快速發展，許多研究都探索了基于最先進機器學習算法的全局優化方法。其中，使用高斯過程的貝葉斯優化法作為一種針對實驗成本較高的黑盒函數的全局優化方法受到了廣泛關注（Brochu，2010 年）。對于炮兵作戰，我們將火力支援調度問題歸結為一個項目調度問題，該問題力求在遵守資源限制的同時，最大限度地減少敵方總威脅和發射時間。將項目調度與資源管理相結合的任務被稱為資源約束項目調度問題（RCPSP）。最后，我們利用強化學習（RL）技術為下屬單位規劃戰術任務，以找到最優行動策略。強化學習已經證明，它是在動態和不確定環境中解決復雜決策問題的有效框架。特別是，我們利用多智能體強化學習（MARL）、分層強化學習（HRL）和圖注意網絡（GAT）的原理，為多個單位有效地學習任務及其相應參數，同時從每個智能體的角度考慮其重要性。

在使用所提出的方法生成一系列作戰行動（COA）選項后，將在戰場數字孿生系統中對這些選項進行模擬評估。然后對模擬結果進行評估，以推薦最合適的 COA 選項。在下一章中，將詳細解釋用于實現所建議的 COA 生成概念的技術方法，并提供全面的實驗評估結果，以突出所建議方法的有效性。

圖 8：強化學習的擬議架構。

在數字化和戰略競爭日趨激烈的現代，成功與否取決于一個組織是否有能力比競爭對手更好、更快地利用數據和技術。人工智能（AI）技術的飛速發展正在徹底改變公共和私營機構保持領先的方式，影響著傳統的、由人類驅動的分析流程的各個層面。本報告探討了在情報周期中應用人工智能工具的機會，以增強人類分析師的能力，同時減少其局限性，從而推動更加無縫的情報流程。

人類分析師擅長批判性思維和直覺判斷。他們解讀細微信息、理解復雜環境并根據不完整數據集做出明智決策的能力無與倫比。然而，數據超載、認知偏差、需要資源密集型培訓以及有限的時間和精力等限制因素卻阻礙了他們的工作效率。相反，人工智能技術擅長數據處理、客觀性和日常任務自動化。它們能以前所未有的速度分析海量數據、識別模式并執行重復性任務，而不會造成身心疲憊。

因此，人類和機器能力的互補優勢表明，分析流程將發生轉變，分析師-機器團隊將自適應地持續合作，以近乎實時的洞察力應對復雜的威脅。這種新模式將需要敏捷的協作框架、能夠有效使用人工智能工具并解讀人工智能生成的洞察力的熟練分析師、可靠而全面的培訓數據和流程，以及強大的監督機制。

本文探討了基礎模型的雙重用途挑戰及其對國際安全構成的風險。隨著人工智能（AI）模型越來越多地在民用和軍用領域進行測試和部署，區分這些用途變得更加復雜，有可能導致國家間的誤解和意外升級。基礎模型的廣泛能力降低了將民用模型轉用于軍事用途的成本，從而難以辨別另一個國家開發和部署這些模型背后的意圖。隨著人工智能對軍事能力的增強，這種辨別能力對于評估一個國家構成軍事威脅的程度至關重要。因此，區分這些模型的軍用和民用應用的能力是避免潛在軍事升級的關鍵。本文通過基礎模型開發周期中的四個關鍵因素分析了這一問題：模型輸入、能力、系統用例和系統部署。這一框架有助于闡明民用與軍事應用之間可能產生歧義的點，從而導致潛在的誤解。本文以《中程核力量條約》（INF）為案例，提出了幾項降低相關風險的策略。這些策略包括為軍事競爭劃定紅線、加強信息共享協議、采用基金會模式促進國際透明度，以及對特定武器平臺施加限制。通過有效管理雙重用途風險，這些戰略旨在最大限度地減少潛在的升級，并解決與日益通用的人工智能模型相關的權衡問題。

本文通過對美國防部相關人員的深入訪談，以及對現有指南、標準和相關文獻的嚴格審查，提出了見解。本文重點關注數字建模、數據利用和數據驅動決策的關鍵方面，主要側重于美國陸軍地面車輛應用，以應對挑戰和機遇。數據驅動決策在很大程度上依賴于精確的數字孿生模型，這對地面車輛在預定環境中的準備工作至關重要，尤其是在北極車輛準備等具有挑戰性的環境中。因此，在現實應用和數字孿生之間建立協同關系至關重要。然而，美國陸軍在從原始設備制造商那里獲取全面的數字數據方面面臨著障礙，特別是對于較老的地面車輛平臺，因此必須通過逆向工程來彌補差距。挑戰源于缺乏標準化的數字數據實踐，這就需要建立一個有凝聚力的數字建模框架。為此，本文提出了一個智能前端框架。該框架優化和整合了國防應用和決策的數據管理。總之，本文強調了采用數字技術、優化和實現數據利用以及應對數據挑戰對提高國防部戰備和效能的重要意義。

圖 1. 系統工程中的迭代循環數字化過程

美國國防部（Department of Defense，DoD）正在進行的數字化轉型有可能徹底改變其從設計、后勤到運營和可持續性等各方面的運作。數字技術的整合有望大幅提高效率和效益。基于對國防部利益相關者的一系列訪談，本研究深入探討了這一數字化轉型過程中的挑戰和復雜性，主要側重于將數字模型匯總并納入更廣泛的系統級能力。雖然數字化工作取得了重大進展，但仍迫切需要一項具有凝聚力的戰略，以確保這些數字模型通過數字化（即數字化轉型）有效促進任務分析和優化。

研究方法圍繞兩個核心要素展開： (1) 與美國防部內的主要利益相關者進行深入討論；(2) 對現有指南、標準和相關文獻進行嚴格審查。對于 (1)，通過與利益相關者的討論，作者利用了積極參與該主題的國防部人員所擁有的豐富知識和專業技能。他們的第一手觀點、經驗和建議為我們的研究奠定了重要基礎。對于 (2)，我們的全面審查過程深入研究了該領域的既定最佳實踐、行業標準和最新進展。這種審查確保了我們的研究具有堅實的基礎和最新的信息，使我們能夠以現有的框架為基準來衡量我們的研究結果。我們的研究方法結合了國防部利益相關者的見解以及對指導方針和標準的審查，體現了一種全面的、數據驅動的方法，旨在提供可靠的、可操作的結果。

本文探討了人工智能（AI）技術在生成無人機（UAV）機群軌跡中的應用。所面臨的兩大挑戰包括準確預測無人飛行器的路徑和有效避免它們之間的碰撞。

首先，本文在單隱層前饋神經網絡（FFNN）中系統地應用了多種激活函數，與之前的研究相比，提高了預測路徑的準確性。

其次，引入了一種新穎的激活函數 AdaptoSwelliGauss，它是 Swish 和 Elliott 激活函數的復雜融合，并與縮放和移動高斯分量無縫集成。斯維什能促進平穩過渡，埃利奧特能捕捉突然的軌跡變化，而縮放和位移高斯能增強對噪聲的魯棒性。這種動態組合專為捕捉無人機軌跡預測的復雜性而設計。與所有現有的激活函數相比，這種新激活函數的精度要高得多。

第三，提出了一種新穎的綜合碰撞檢測、規避和批處理（ICDAB）策略，它融合了兩種互補的無人機碰撞規避技術：改變無人機軌跡和改變其起始時間，也稱為批處理。這種融合有助于克服兩種技術的缺點：第一種技術是減少軌跡操作次數，避免路徑過于迂回；第二種技術是減少批次規模，減少整體起飛時間。

近年來，無人機因其多功能性和廣泛的應用潛力而越來越受歡迎，從監視和監測到交付和運輸，無所不包。然而，無人機在復雜環境中的安全高效運行仍然是一項重大挑戰，尤其是在涉及多個無人機的情況下。一個關鍵問題是需要優化無人飛行器的軌跡，以實現各種目標，如盡量縮短飛行時間、避免碰撞和擴大覆蓋范圍。傳統的軌跡規劃和控制方法在處理現實世界場景的復雜性和不確定性方面往往能力有限，而且可能無法擴展到大型無人機群。

之前的研究（如 Lai (2020)、Xue (2017) 以及 Qiu 和 Duan (2020)）已經證明了利用非線性優化技術的功效。最近，Xu 等人（2024 年）將多目標優化用于軌跡生成。當需要快速改變軌跡時，優化程序太慢且不具有自適應能力，因此人工智能技術成為首選。人工智能技術，尤其是基于機器學習和神經網絡的技術，使無人機能夠從數據中學習并適應不斷變化的條件，從而在應對這些挑戰方面展現出巨大的前景 Lai（2020）。

這些研究涉及利用雙曲切線函數（Tanh）、Sigmoid 等激活函數訓練單隱層的 FFNN。所使用的激活函數對路徑的預測精度不高，因此我們首先要改進這方面的問題。我們在單隱層 FFNN 中系統地應用了多種激活函數，并進行了綜合比較分析。除了 Sigmoid 和 Tanh 外，我們還使用了整流線性單元（ReLU）、泄漏 ReLU、Swish、Elliot 和 Maxout。

其次，為了追求更高的軌跡精度，我們引入了一種新型激活函數 AdaptoSwelliGauss，它超越了相同神經網絡架構中常用的同類激活函數。該函數結合了能捕捉平滑過渡并保持軌跡連續性的 Swish 激活函數和能捕捉方向和速度突然變化的 Elliot 激活函數，以及能使激活函數對噪聲數據具有魯棒性的縮放和位移高斯。

在自主無人機中，碰撞檢測和規避的關鍵部分對確保其運行的安全性和效率起著至關重要的作用，這也是我們的第三個重點。當考慮到多架無人機同時起飛時，這些功能的重要性就更加突出了。無人飛行器之間的碰撞檢測非常簡單，但是有很多方法可以通過改變飛行軌跡來避免碰撞。Guo 等人（2021 年）介紹了一種流行的方法--圓弧軌跡幾何法（CTGA）。假設兩架無人飛行器在路徑上的某一點發生碰撞，該技術會對其中一架無人飛行器的路徑添加一個小擾動。這種算法的缺點是容易陷入操縱循環。對一個無人飛行器軌跡的任何改變都可能無意中造成與其他無人飛行器的碰撞，從而導致棘手的情況。此外，對無人飛行器軌跡的頻繁操作可能會導致飛行路徑錯綜復雜，從而影響無人飛行器群的整體效率。

另一種避免無人機碰撞的輔助技術是改變它們的起始時間。Sastre 等人（2022a）和 Sastre 等人（2022b）提出了這樣一種流行的方法。他們采用了一種分批機制，創建具有非碰撞軌跡的無人飛行器群，以促進安全飛行。然而，多批次的創建引入了一個時間密集的過程，延遲了無人機群的整體發射。

在本文中，我們介紹了一種先進的碰撞檢測和規避算法，稱為 ICDAB 算法。在這里，我們首先改進了 Guo 等人（2021 年）提出的 CTGA 算法，然后將這種規避算法與批處理機制相結合，最終形成了我們的算法。

本文的其余部分安排如下： 第 2 節回顧了相關文獻，第 3 節介紹了我們提出的算法和方法，第 4 節展示了結果，第 5 節總結了本文并提出了未來的工作方向。

本文介紹了一個案例研究，說明為汽車減震器開發可靠、穩健、準確的數字孿生系統所面臨的挑戰。具體來說，該數字孿生系統的作用是估計儲氣室中當前的氣體壓力，并將其與預期壓力進行比較。研究定量證明，傳感器和算法的設計選擇對系統的準確性有重大影響，而這種影響與數字孿生系統的硬件成本不成正比。經評估的傳感器套件成本很高，總成本從 297 澳元到 4292 澳元不等，成本相差 14 倍。研究表明，使用龐大而昂貴的傳感器套件并不一定會相應地提高系統的精確度。數字孿生結構中使用的算法和傳感器對系統精度有顯著影響，RMSE 從 3.83 Bar 到 0.85 Bar 不等，精度相差四倍。數字孿生方法在精確度方面有顯著優勢，僅使用最精確傳感器的方法的有效誤差值為 2.27，而全數字孿生方法的有效誤差值為 0.84。成本最低的系統最大限度地利用了貝葉斯方法和物理建模，產生的估計值僅次于最精確的系統，均方根誤差為 1.4 Bar，是最精確系統的 165%，這對任務仍然有效，但成本僅為后者的 7%。這表明，通過利用混合架構中的算法開發，可以顯著提高性能，并大大減少數據集的大小和神經網絡組件的訓練時間。

圖 1：測功機測試裝置和儀器圖 注：圖片中的減震器并非測試設備。

受自然界中蜂群的啟發，蜂群機器人技術已被開發出來，用于執行各種具有挑戰性的任務，如環境監測、災難恢復、物流，甚至軍事行動。盡管蜂群對社會有重大的潛在影響，但對針對蜂群機器人技術的對抗性情景的關注相對較少。

在本文中，我們探索了一種系統化的方法，以找到對手可以利用的蜂群機器人算法的邏輯缺陷。具體來說，我們為蜂群算法開發了一個自動測試系統，蜂群缺陷探測器（SWARMFLAWFINDER）。我們確定并克服了在理解和推理蜂群算法執行方面的各種挑戰。特別是，我們提出了一個新的機器人行為抽象，我們稱之為因果貢獻度（DCC），基于反事實的因果關系的想法。然后，我們建立了一個名為SWARMFLAWFINDER的反饋指導的灰盒模糊測試系統，利用DCC作為反饋指標。我們用四個進行導航、搜索和救援任務的蜂群算法來評估SWARMFLAWFINDER。SWARMFLAWFINDER在蜂群算法中發現了42個邏輯缺陷（并且所有這些缺陷都得到了開發者的承認）。我們對這些缺陷的分析表明，蜂群算法存在關鍵的邏輯錯誤/漏洞，或者存在不完整的實現，可以被對手利用。

本報告重點討論了如何利用模擬或生成模型創建的合成數據來解決深度學習的數據挑戰。這些技術有很多優點：1）可以為現實世界中難以觀察到的罕見情況創建數據；2）數據可以在沒有錯誤的情況下被自動標記；3）數據的創建可以很少或沒有侵犯隱私和完整性。

合成數據可以通過數據增強等技術整合到深度學習過程中，或者在訓練前將合成數據與真實世界的數據混合。然而，本報告主要關注遷移學習技術的使用，即在解決一個問題時獲得的知識被遷移到更有效地解決另一個相關問題。

除了介紹合成數據的生成和轉移學習技術，本報告還介紹了實驗結果，這些結果對合成數據方法在飛行員行為克隆、車輛檢測和人臉驗證任務中的潛力提供了寶貴的見解。實驗的初步結果表明，軍事模擬器和生成模型可以用來支持深度學習應用。然而，性能往往受限于合成數據和真實世界數據之間的保真度差距。

1 引言

深度學習（DL）是一種技術，它提高了在廣泛的現實世界應用中實現復雜任務自動化的能力。翻譯、轉錄、視頻監控、推薦系統和自動駕駛汽車都是基于DL的解決方案已經被開發和部署用于商業目的的例子。在軍事領域，DL有可能支持人類在所有領域和戰爭級別的決策，其應用包括自動目標識別、預測性維護和無人駕駛車輛的自動控制。

與其他機器學習（ML）技術類似，DL使用算法來從數據中提取知識。在這種情況下，知識被編碼在大容量的深度神經網絡（DNNs）中，這些網絡可能由數千、數百萬甚至數十億的可調整參數組成，這取決于所考慮的任務的復雜性。為了正確調整這些參數，學習算法需要大量的訓練數據。沒有這些數據，DNN將無法泛化，因此，當遇到以前未見過的數據時，它將不會有好的表現。

獲取DL的訓練數據是困難的。這在商業應用中是存在的，而在軍事領域更是如此。瓶頸之一是，學習算法通常需要經過人工標注的數據（即為每個輸入數據點提供一個正確的答案）。因此，即使在獲取大量輸入數據相對低成本的情況下，正確標記所有的數據也往往是高成本和費時的。例如，Cityscapes數據集中的5,000個樣本中，每個樣本平均需要1.5個小時來標注（整個數據集大約需要十個月）[1]。此外，由于標注是由人類來完成的，其結果可能是不正確的、有偏見的甚至是有成見的，這也會反映在訓練過的模型的行為上。

此外，訓練數據往往存在長尾分布的問題。也就是說，對于數量有限的普通案例，訓練數據相對容易獲得，但對于大量重要的邊緣案例，訓練數據本身就很難獲得。例如，考慮一個基于無人機的軍用車輛監視和跟蹤系統。在這種情況下，友好車輛的空中圖像相對容易獲得。車輛數據可以在不同的地點、高度、角度、天氣條件、環境等方面獲得。獲取代表合格敵方車隊的類似現實世界的數據集通常是不可能的，因為這種侵入性的情報行動會導致對手的行動。使用遵循長尾分布的數據集訓練的系統通常實用價值有限，因為它只能在條件理想時使用（即，輸入數據與常見情況相似）。當遇到代表邊緣案例的真實世界的數據時，該系統將不會有好的表現，也不能被依賴。

1.1 目的和范圍

本報告的目的是介紹可用于解決軍事背景下有限訓練數據所帶來的一些挑戰的技術。具體來說，本報告重點討論如何將使用軍事模擬或生成模型創建的合成數據與微調、領域適應、多任務學習和元學習等遷移學習技術結合起來，以加速未來DL在軍事領域應用的開發和部署。

1.2 目標讀者群

本報告的目標讀者是操作、獲取或開發AI/ML/DL技術，用于或嵌入軍事系統的人員。

1.3 閱讀說明

本報告假定讀者具有關于ML和DL概念的基本知識，如監督學習、強化學習、損失函數、梯度下降和反向傳播。鼓勵缺乏此類知識的讀者在繼續閱讀本報告之前，先閱讀FOI-報告FOI-R-4849-SE[2]中的第二章。

1.4 提綱

第2章概述了在深度學習中可以用來生成和整合合成訓練數據的技術和方法。第3章概述了轉移學習技術，可以用來促進知識從一個任務到另一個任務的重用。在第4章中，對這些技術的一個子集進行了評估，并提供了深入了解合成數據方法潛力的實驗結果。第5章中提出了結論。

圖2.2: 一幅戰斗機的圖像（2.2a）通過添加噪聲（2.2b）、濾色器（2.2c）和模糊（2.2d），以及通過縮放（2.2e）和縮放后的旋轉（2.2f）得到增強。每幅圖像都附有所有像素的平均RGB值分布的相應圖表。雖然所有圖像在語義上是不變的，但分布的形狀卻有很大的不同。

圖4.7：從我們的訓練數據集中隨機選擇的合成圖像。對于每一對圖像，左邊顯示的是最初生成的臉，右邊顯示的是編輯過的臉。請注意，所有圖像都在臉部周圍進行了裁剪。

最新的技術進步提高了交通運輸的質量。新的數據驅動方法為所有基于控制的系統(如交通、機器人、物聯網和電力系統)帶來了新的研究方向。將數據驅動的應用與運輸系統相結合在最近的運輸應用程序中起著關鍵的作用。本文綜述了基于深度強化學習(RL)的交通控制的最新應用。其中，詳細討論了基于深度RL的交通信號控制(TSC)的應用，這在文獻中已經得到了廣泛的研究。綜合討論了TSC的不同問題求解方法、RL參數和仿真環境。在文獻中，也有一些基于深度RL模型的自主駕駛應用研究。我們的調查廣泛地總結了這一領域的現有工作，并根據應用程序類型、控制模型和研究的算法對它們進行了分類。最后，我們討論了基于深度可編程邏輯語言的交通應用所面臨的挑戰和有待解決的問題。