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

超視距空戰（BVR）作為現代空戰的核心形態，依賴先進雷達、導彈系統與決策支持技術。本文系統綜述仿真與機器學習（ML）工具在BVR空戰分析中的應用，涵蓋方法論、實踐場景與技術挑戰。研究聚焦機器學習如何賦能自適應戰術以提升行為識別與威脅評估能力，從而增強態勢感知效能。本文追溯BVR空戰的歷史演進，解析探測、導彈發射與戰后評估等關鍵交戰階段，重點探討仿真環境在構建實戰化空戰場景、支撐飛行員訓練及驗證AI驅動決策策略中的作用。通過對比前沿仿真工具的多智能體協同與實時適應性研究能力，分析其優勢與局限。本綜述的核心貢獻包括：闡述機器學習在BVR空戰中的具體應用、評估仿真工具效能、識別研究缺口并指明未來方向，為傳統仿真方法與人工智能在動態對抗環境中融合構建先進人機決策體系提供全景式解析。

超視距空戰（BVR）作為現代空戰的核心要素，其典型特征為飛行員目視范圍外的遠程交戰。該作戰模式高度依賴先進雷達系統、遠程導彈與探測跟蹤技術，旨在實現目視接觸前摧毀敵方目標。隨著空戰形態演進，BVR交戰重要性日益凸顯，需創新性方案應對遠程對抗挑戰。BVR的戰略價值在于其能賦予兵力先發制人能力并維持戰術優勢，但其復雜性要求跨學科技術整合——包括傳感器融合、目標跟蹤、決策算法與導彈制導系統——以提升交戰效能、確保任務成功并增強飛行員態勢感知（SA）。

視距內空戰（WVR）發生于較短距離，常依賴機動性、速度與瞄準精度進行近距格斗。相比之下，BVR通過先進傳感器與遠程導彈壓制對手。盡管存在差異，BVR可能隨戰機逼近轉為WVR交戰，因此需兼備兩種域作戰能力。

本文全面綜述BVR空戰前沿方法與技術，聚焦最新進展與戰略路徑。首先追溯BVR歷史沿革，從早期空對空導彈（AAM）系統演進至現代多傳感器平臺，解析關鍵技術突破及其對戰法的影響。其次剖析BVR交戰核心階段（探測、導彈發射、支援與規避機動），闡釋本文所述方法如何提升作戰效能。隨后評述關鍵方法論，包括動態環境自適應決策的機器學習（ML）算法與人工智能（AI）在交戰及自主戰術中的作用，其應用涵蓋飛行員決策支持系統至無人機（UAV）作戰。最后強調仿真工具在戰術開發、飛行員訓練與算法驗證中的價值，討論通用與專用平臺在復雜作戰場景建模中的適用性。

據所知，此為首次針對BVR空戰中仿真與ML應用的專題綜述。現有空戰綜述多泛化論述或將BVR作為次要議題。多數遠程交戰ML研究僅見于論文相關章節，缺乏方法論與應用的系統整合。本文突破既往研究局限，跨多領域文獻提供ML與仿真增強決策與交戰策略的全景視角，分析現有仿真工具能力邊界及適用場景，識別未解挑戰與研究缺口，為未來研究指明方向。

本綜述核心貢獻包括：系統梳理BVR中ML方法體系及其在自主戰術決策中的作用；對比仿真工具在實戰化場景建模中的能力與局限；揭示ML與仿真技術融合提升戰術決策的瓶頸問題；展望研究趨勢，提出開放性問題并規劃領域發展路徑。

超視距空戰研究的多維應用

BVR空戰研究涵蓋自主決策、多智能體協同與飛行員訓練等多元領域。本節分類梳理近期進展，聚焦新興技術與方法如何提升戰術效能、適應性與任務成果。

A. 自主決策

自主決策涉及分析、選擇與執行可增強態勢控制與作戰效能的行動。研究提出多種方法支撐該能力，重點探索智能體如何建模戰術行為、執行目標推理（GR）并在復雜場景中輔助或替代人類飛行員。

文獻[61]提出基于粒計算的戰術特征降維方法；文獻[15][52]在計算機生成兵力（CGF）與GR框架下研究行為建模，使自主系統能在動態場景中作出適應性戰術決策。此類能力支持開發可分擔威脅應對或支援機動等任務的自主空戰智能體，與人類飛行員形成互補。文獻[48]開發了生成戰術對抗策略的飛行員輔助系統。

文獻[49]提出遺傳規劃（GP）框架以發掘空戰場景中的新型行為模式，賦能更具適應性與不可預測性的戰術；文獻[50][51]利用文法演化生成自適應CGF與人類行為模型（HBM），提升訓練仿真的真實性與適應性。

文獻[12]解析無人機空戰決策流程，將其劃分為態勢評估、攻擊規劃、目標分配與機動決策四階段；文獻[2]基于飛行員知識構建分層框架，將空戰拆解為多個子決策系統。

文獻[17]綜述深度強化學習（DRL）在BVR空戰中的應用；文獻[57]在高保真空戰仿真環境中探索新戰術的自主學習；文獻[53]開發基于DRL的智能體，通過自博弈模擬戰斗機戰術并生成新型空戰策略，使人類飛行員可與AI訓練體交互以提升決策與適應性；文獻[58]構建強化學習（RL）環境以實現空戰戰術自主學習與機動創新。

多篇研究將RL應用于一對一空戰場景。例如，文獻[54]提出自博弈訓練框架以解決長時域交戰中的動作控制問題；文獻[55]設計基于DRL的決策算法，通過定制化狀態-動作空間與自適應獎勵函數實現多場景魯棒性；文獻[59]通過改進Q網絡使智能體能從優勢位置接近對手以優化機動決策；文獻[56]提出基于真實武器仿真的DRL智能體構建方法；文獻[60]開發混合自博弈DRL智能體，可維持對不同對手的高勝率并提升適應性與性能。

B. 行為識別

行為識別對理解與預測敵方行動、支撐決策與戰略規劃至關重要。多項研究探索了復雜不確定作戰條件下識別與預測敵方行為的方法。

文獻[62]提出集成規劃與識別算法，證明主動觀測收集可加速行為分類；基于案例推理（CBR）框架，文獻[63][64][65]開發案例驅動行為識別（CBBR）系統，通過時空特征標注智能體行為，提升GR控制無人機的識別能力；文獻[66]結合對手建模與CBR識別敵方編隊行為。

針對數據不完整問題，文獻[70]提出基于多粒度粗糙集（MGRS）的意圖識別方法；文獻[68]將Dempster-Shafer理論與深度時序網絡融合以優化分類效能；文獻[71]采用決策樹與門控循環單元（GRU）實現一對一空戰狀態預測；文獻[1]提出基于級聯支持向量機（CSVM）與累積特征的分層方法進行多維度目標分類。

為識別戰術意圖，文獻[69]開發注意力增強型群體優化與雙向GRU模型（A-TSO-PBiGRU）檢測態勢變化；文獻[67]應用動態貝葉斯網絡（DBN）推斷飛行狀態與戰術動作的因果關系，提升編隊識別與態勢感知能力。

C. 制導與攔截

制導與攔截機制對提升導彈命中率（尤其針對高速機動目標）具有關鍵作用。

文獻[72]通過對比制導策略，識別可最小化攔截時間與機動負載的配置方案，優化不同作戰條件下的交戰選項；文獻[73]通過增強導彈特定攻角命中能力改進高超音速目標攔截效能，優化終段交戰條件；文獻[74]在無人作戰飛行器（UCAV）中采用自主制導技術提升瞄準精度，實現對機動空目標的有效打擊。

文獻[75]優化導彈飛行中的機動決策以支撐交戰規劃并提升模擬作戰成功率；文獻[76]通過動態攻擊區（DAZ）概率建模實現實時航跡修正，確保環境不確定性下的打擊精度；文獻[77]通過協同制導模型提升雷達與導彈協同效能，增強防空體系整體精度。

文獻[78]量化數據鏈質量對導彈效能的仿真影響，揭示更新延遲與誤差對導引頭激活及整體成功率的作用機制；文獻[79]改進雙脈沖發動機導彈點火控制與彈道修正技術，強化遠程目標攔截能力。

D. 機動規劃

機動規劃旨在計算運動基元序列以獲取戰術優勢。

該領域早期研究側重結構化評估與決策模型。文獻[80]提出包含態勢評估模型、機動決策模型與一對一對抗評估模型的框架；文獻[81]基于環境條件、威脅分布、武器性能與空戰規則開發戰術決策系統；文獻[82]整合戰術站位與武器能力的多維度要素，探索提升資源分配效能的目標分配（TA）策略。

近期研究聚焦學習驅動方法。文獻[83][84][85]應用深度強化學習（DRL）進行機動規劃，增強動態場景下的威脅規避與目標打擊能力，通過多初始交戰條件訓練提升智能體適應性；文獻[86]采用雙延遲深度確定性策略梯度（TD3）算法開發一對一對抗中的自主導彈規避策略；文獻[87]基于敵我相對方位與距離設計機動決策方法；文獻[88]結合DRL與蒙特卡洛樹搜索（MCTS），探索無需先驗飛行員知識或價值函數的機動規劃路徑。

E. 導彈交戰

導彈攻防需優化發射時機與機動策略以最大化攻擊效能與生存概率。

進攻方面：文獻[38]采用監督學習（SL）估算最優導彈發射時機以提升任務效能；文獻[89]提出雷達盲區機動控制方法實現隱蔽接敵；文獻[92]通過分析導彈捕獲區與最小規避距離，確定編隊空戰協同場景下的最佳發射距離與防御策略。

防御方面：文獻[90]為無人作戰飛行器（UCAV）設計基于分層多目標進化算法（EA）的自主規避機動策略以提升生存能力；文獻[91]將導彈規避問題建模為雙團隊零和微分博弈，其中一架戰機需在遠離來襲導彈的同時逼近非攻擊性目標。

協同作戰領域：文獻[93]提出基于武器有效區（WEZ）的協同占位方法；文獻[94]解決空對空導彈（AAM）發射后信息盲區難題。

F. 多智能體協同

多智能體協同作戰通過自主平臺間的協作決策、聯合戰術執行與響應優化，賦能協同攻擊策略、動態編隊重構及人機協同等應用場景。

文獻[95]將多無人機戰術策略應用于空對空對抗分解，將復雜交戰拆解為一對一單元案例以提升機動效率與作戰成功率；文獻[96]將協同站位分配與目標分配（TA）建模為零和博弈，采用混合雙Oracle算法與鄰域搜索在時限約束下優化解質量。

文獻[97]擴展戰術戰斗管理器功能，構建分布式系統檢測跨智能體任務數據差異以強化協同效能；文獻[98]通過面向角色的框架推進目標推理（GR）技術，增強通信受限自主智能體的協同能力；文獻[99]提出AlphaMosaic架構，將人類反饋整合至作戰管理系統（BMS），實現動態任務中基于信任的人機協作。

文獻[100]將群體智能適配固定翼無人作戰飛行器（UCAV），實現編隊飛行、自主重組與戰損后動態調整等行為；文獻[101]采用集中式AI規劃系統協調全態勢可觀測與可驗證的多智能體任務方案；文獻[102]通過兵棋推演驗證艦隊協同行為，優化戰術參數以提升均勢對抗任務成效。

文獻[42]利用仿真評估優化無人機戰術編隊應對不確定敵方行為；文獻[103]提出兩階段協同追擊策略，結合誘敵戰術與混合A*路徑規劃提升攔截成功率；文獻[104]設計多目標函數與GDT-SOS元啟發式驅動的自適應制導方法優化無人機占位效能。

文獻[3]通過分層強化學習架構使多智能體團隊通過自博弈與場景分解學習高低階戰術；文獻[105]將多智能體近端策略優化（PPO）應用于UCAV協同，將領域知識融入獎勵函數以提升性能；文獻[106]構建基于圖神經網絡的推理模型，結合專家知識建模復雜協作模式并簡化大規模交戰決策。

文獻[107]采用對抗自博弈與分層策略梯度算法學習超越專家基線的涌現策略；文獻[108]在集群機動中應用深度確定性策略梯度，聯合學習智能體協作與目標打擊；文獻[109]融合神經網絡與人工勢場技術，支持針對自適應對手的協同路徑規劃。

G. 作戰分析

作戰分析（OA）通過仿真、模型與評估指標衡量作戰效能、支撐戰術規劃并支持作戰決策。

文獻[11][40]應用隨機博弈模型分析不確定性下的多機對抗，解析超視距（BVR）場景中的協同策略與導彈分配；文獻[46][110][111]通過含人類操作員的仿真評估實戰條件下飛行員與團隊表現，聚焦作戰規程遵循度、認知負荷與共享態勢感知（SA）。

多項研究構建了面向訓練、戰術測試與作戰規劃的仿真平臺：文獻[8]開發戰術級空戰仿真系統以支持智能決策；文獻[112]設計用于評估巴西空軍軍事場景的ASA框架；其云端擴展版ASA-SimaaS實現可擴展自主仿真服務[113]；AsaPy工具集通過統計與機器學習（ML）方法提供仿真后分析功能[114]。

文獻[115]采用體系（SoS）仿真評估飛機設計、平臺互操作性及生存性、武器使用等任務級效能指標；參數化研究探究雷達截面積、導彈射程、飛行高度與通信延遲等變量對殺傷概率與整體作戰效能等指標的影響[116][120][121]；文獻[117]通過基于智能體的模型探索行為特征對仿真可信度的影響，增強對稱與非對稱BVR場景的驗證方法。

文獻[118]設計雙模通信協議以適配協同空戰網絡條件；文獻[119]強調仿真架構的可擴展性與靈活性，提出需構建能管理AI驅動實體與分布式決策流程的多智能體系統；文獻[122]開發高動態飛行條件驗證環境，評估大機動動作下光電系統性能。

文獻[123]建模網絡中心戰分析傳感器、指控系統與火控協同水平對作戰效能的影響；文獻[124][125][126]分別基于多準則決策（MCDM）、相關向量機與改進極限學習機（ELM）模型提出決策支持工具，為戰機性能與戰術配置提供量化評估。

H. 飛行員訓練

飛行員訓練通過先進仿真環境、績效評估與自適應學習技術提升戰備水平與作戰效能，旨在強化復雜空戰場景中的決策與態勢感知（SA）能力。

文獻[127]提出的回顧性績效評估方法為識別改進領域、指導針對性訓練調整提供洞見；文獻[130]探索行為建模技術以優化高壓條件下飛行員決策，增強訓練演習真實度。

文獻[131]探討的實況、虛擬與構造（LVC）環境集成方案，通過融合真實與仿真要素構建高擬真沉浸式訓練場景，使飛行員體驗多樣化作戰情境以提升環境適應性；文獻[129]提出績效加權系統優化訓練成效，確保飛行員高效達成能力基準。

文獻[18]綜述自適應訓練方法學，強調基于飛行員表現的AI驅動個性化內容生成技術進展；文獻[10][128]探討空戰行為快速適配與訓練仿真驗證方法，確保仿真系統精準映射真實作戰動態，通過提升響應速度與態勢理解能力提供直接影響訓練效能的實用工具。

I. 態勢感知

態勢感知（SA）是理解戰術環境（涵蓋敵我位置、行動與意圖）的核心能力，支撐交戰、占位與規避的明智決策，最終提升作戰效能與生存概率。

文獻[132]探索實時數據處理方法，賦能飛行員高效解析復雜信息；文獻[133]將SA擴展至團隊層級，驗證協同數據共享對任務連貫性與績效的增益。

威脅評估方面：文獻[137][152]解析敵方武器有效區（WEZ）判定方法，為飛行員提供戰略規避或對抗的空間感知；文獻[141]開發的實時威脅分析工具持續更新態勢數據，確保戰術動態調整；文獻[134][139][135]整合目標意圖預測至威脅評估體系，構建戰場態勢分析與威脅指數系統。

AI驅動SA方法：文獻[138][143]應用機器學習（ML）進行威脅檢測，加速飛行員威脅預判與響應；文獻[136]采用基于蒙特卡羅的概率評估方法優化不確定態勢下的風險管理；文獻[47]提出基于防御性制空（DCA）作戰指標的接戰決策支持工具；文獻[140]分析深度神經網絡（DNN）在WEZ最大射程估算中的應用。

文獻[142]利用機載傳感器數據與神經網絡實時評估擊落概率；文獻[6]提出對抗條件下機動靈活性估算方法，支撐編隊級決策。

J. 目標分配

目標分配（TA）涉及高效配置空對空導彈、防空導彈及戰機等資源以壓制敵方威脅，需在優化交戰效能的同時最小化資源消耗。

多篇研究聚焦提升作戰效能的分配方法：文獻[146][147][149]探討動態分配導彈與戰機至多目標的多目標分配（MTA）策略；文獻[148]提出多友機對多敵機的協同攻擊分配方法。

文獻[144][150]研究基于任務目標與約束的武器-威脅最優配對算法，以最大化殺傷概率并保存資源；文獻[145]引入融合目標優先級與交戰時序的改進分配模型；文獻[151]探索結合優化技術與實時戰術調整的混合方法以應對動態戰場。

仿真工具

仿真環境與工具對推進超視距（BVR）空戰研究至關重要，其能夠建模復雜場景、評估決策算法并優化作戰策略。此類工具涵蓋通用平臺至定制化系統，各具獨特功能以應對BVR空戰的不同維度。

多數平臺通過高層體系結構（HLA）與分布式交互仿真（DIS）等標準支持互操作性，促進跨仿真系統集成與實時同步。本節概述BVR空戰研究中常用工具，文末附表格總結核心工具特性、編程語言與互操作能力。

A. AFSIM：仿真、集成與建模高級框架

美國空軍研究實驗室開發的AFSIM[153]是BVR空戰研究中的主流平臺，支持靈活建模作戰環境、系統集成與任務規劃決策流程，常用于認知控制、行為識別與人工智能研究[15][62][63][64][65][66][97][99][101]。AFSIM支持與其他模型集成，實現戰略與戰術層級的實時交互仿真，賦能作戰管理與任務規劃研究。該平臺非開源，受美國政府法規管控。

B. ASA：空天仿真環境

巴西空軍開發的ASA（葡萄牙語Ambiente de Simula??o Aeroespacial縮寫）[112][113]是基于C++的面向對象仿真框架，專用于復雜空天行動建模，支撐態勢感知（SA）、任務規劃與作戰決策研究[38][42][47][53][114][117][140]。ASA支持機器學習技術與傳統仿真融合，優化戰術并預測敵方行為，其架構可精細建模任務參數、航空器系統與武器性能。該平臺非公開，受巴西政府法規管控。

C. 定制系統

定制系統采用Python、C++或MATLAB開發，專用于商用工具無法滿足的研究場景。由于電子戰模型、導彈制導與BVR技術多涉密，商用系統難以滿足開放性研究對復雜性、安全性與適應性的需求，故定制系統成為主流解決方案[8][11][40][55][56][59][61][67][68][70][72][73][74][76][77][79][81][82][83][84][88][89][92][93][94][95][96][98][103][104][105][108][110][111][116][118][122][123][124][125][126][135][137][139][142][145][147][148][149][151]。此類工具支持快速開發，適用于敏感領域研究。

D. DCS World：數字戰斗模擬器世界

DCS World[154]是商業化高保真戰斗飛行模擬器，以真實飛行動力學與精細模型著稱，廣泛應用于決策制定與強化學習（RL）作戰研究[54][86]。其開放式架構支持自定義模塊開發，賦能研究者模擬動態高烈度BVR空戰場景，成為真實作戰條件下測試AI驅動智能體的理想平臺。

E. FLAMES：靈活分析與建模效能系統

FLAMES[155]是模塊化商業仿真框架，支持開發與運行實況-虛擬-構造（LVC）仿真，具備實時可視化、場景管理與作戰分析（OA）功能，適用于任務規劃與作戰模擬[38]。盡管靈活性高，但其商業許可可能限制可訪問性，且復雜架構對快速原型開發或資源受限研究構成挑戰。

F. FLSC：瑞典空軍戰斗模擬中心

瑞典國防研究局開發的FLSC整合LVC仿真分析空戰場景，用于飛行員訓練、任務規劃、決策支持研究及人機協作評估[130][131]。其功能特性可增強聯合作戰中的態勢感知（SA）與決策能力。FLSC由瑞典國防研究院（FOI）運營，訪問受限，但國防項目研究者可通過合作渠道申請使用。

G. JSBSim

JSBSim[156]是開源飛行動力學模型，廣泛應用于需高精度航空器仿真的強化學習BVR研究，支持決策制定、機動優化與作戰接戰等任務[3][6][58][60][138][143]。常與Unity（IAGSim）及定制環境集成，構建計算高效的動態場景自主決策仿真。

H. MATLAB與Simulink

MATLAB[157]與Simulink[158]廣泛用于仿真、控制理論與優化研究。MATLAB數學能力支撐決策與作戰研究[1][50][51][69][75][78][80][90][91][102][109][120][121][141][146][150]；Simulink通過圖形化動態系統建模工具擴展功能，適用于控制策略開發。

I. Python與R

Python是開發仿真環境與機器學習（ML）模型的核心工具，借助TensorFlow[159]、PyTorch[160]等庫支持任務規劃、強化學習實施與優化[71][85][100][136]，其靈活性賦能快速原型開發及跨平臺集成研究。R語言偶爾用于空戰數據分析與仿真相關統計建模[140]。

J. 其他工具

以下工具亦支持超視距（BVR）空戰研究：

ACE-2：定制化仿真器，用于測試空戰機動中的遺傳優化技術[49]。
ACEM：實況-虛擬-構造（LVC）仿真環境，用于空戰中人類表現分析[46]。
FTD (F/A-18C)：F/A-18C飛行訓練設備，用于高保真模擬飛行員行為、協同與訓練場景[127][129][133]。
IAGSim (Unity + JSBSim)：結合JSBSim飛行動力學與Unity實時渲染的定制仿真器，專為自主空戰研究設計[2]。
MACE[161]：現代空戰環境（MACE），可擴展分布式仿真平臺，用于作戰分析（OA）與戰術空戰場景測試[115]。
NLR四機編隊模擬器：荷蘭航空航天中心（NLR）開發的仿真器，用于多機對抗中的飛行員訓練與人機交互研究[128]。
STAGE：快速生成空戰場景的框架，適用于人工智能（AI）與強化學習（RL）訓練[10]。
Super Decisions：集成層次分析法（AHP）與網絡分析法（ANP）的決策支持軟件，用于空戰威脅排序與任務規劃[134]。
UnBBayes-MEBN：基于多實體貝葉斯網絡（MEBN）的概率推理框架，應用于不確定條件下的態勢感知與決策[132]。
WESS：自適應戰術決策仿真工具，用于動態作戰行為建模[50][51]。
Wukong：強化學習（RL）驅動的多智能體戰術決策平臺，專為BVR場景設計[57][106][107]。
X-Plane[162]：高保真商業飛行模擬器，用于自主行為驗證與作戰規劃[48]。

K. 工具總覽

表2匯總了核心工具、主要應用場景、功能特性、編程語言及互操作能力。該表涵蓋本文分析的120項研究中的116項，其余4項為未使用具體工具的綜述類研究。各列信息如下：
? 仿真工具：工具或框架名稱

? 核心功能：與BVR空戰研究相關的主要特性

? 編程語言：開發或定制化使用的主要語言/平臺

? 互操作性：支持標準仿真協議（如HLA、DIS）、定制接口或無相關信息

? 引用文獻：使用該工具的研究編號

開放挑戰與未來趨勢

盡管強化學習（RL）等先進技術在空戰決策領域取得顯著進展，仍存在諸多開放挑戰，為未來研究提供機遇。

• 場景復雜性
   當前方法（如NFSP RL與DQR驅動的DRL）多基于簡化的一對一對抗驗證[54][84]。需將其擴展至反映真實空戰復雜性的多智能體環境。基于DDPG的集群策略與H3E分層方法等框架為應對此挑戰指明方向[2][108]。此外，目標分配（TA）、探測與制導研究多假設雷達、戰機及通信節點同質化[118][144][148][149][163][164][165]，未來需探索異質化模型以更精準刻畫現實系統復雜性。

• 全觀測假設局限
   MCTS、PPO與CSVM等方法常假設環境全觀測，忽略雷達目標搜索等關鍵要素[1][88][166]。BVR場景中KAERS等技術通過處理部分可觀測性提升模型魯棒性與實戰適用性，具備借鑒價值[57]。

• 計算強度制約
   MCTS等方法雖有效但計算耗時[88]，需優化連續動作空間處理并提升計算效率以適配實時應用。基于TD3算法優化導彈攻防決策的近期研究展現進展[86]。

• 初始條件敏感性
   課程學習與IQN方法在不利初始配置下表現欠佳[59][167]。基于GP的演化行為樹（BT）等自適應學習率與魯棒課程設計可緩解敏感性并增強泛化能力[49]。

• 可擴展性與實時適應性
   多智能體方法（如MAPPO）與分層框架（如H3E）在動態大規模環境中面臨可擴展性挑戰[2][105]。需開發高效方法應對協同場景，如目標分配研究所示[96][146]。

• 不確定性整合不足
   博弈論、貝葉斯網絡（BN）與監督學習（SL）等方法多假設確定性環境[1][76]，融入隨機要素與不確定性可提升模型對復雜空戰的現實刻畫能力。

• 多樣化場景驗證缺失
   SAE網絡戰術認知模型與DRL集群模型多在靜態環境驗證[108][141]，需擴展至動態高維場景（如實時決策與多變作戰條件）。基于ANN與粒計算的協同空戰研究為此提供范例[61][151]。

• 跨學科融合需求
   強化學習（RL）、深度學習（DL）與控制理論結合可顯著增強BVR決策模型。分層RL與行為樹（BT）等技術為協調高層戰術與底層機動提供可擴展框架[48][61]，此類方法有望催生更魯棒、可解釋的模型。

• 訓練效率優化
   遺傳規劃（GP）雖在策略優化中潛力顯著，但低維問題處理與計算開銷仍存挑戰。課程式RL與敵方意圖識別技術可提升學習效率與決策能力[54]。

• 實戰化應用瓶頸
   先進方法需通過高保真仿真驗證實戰適用性。與軍事及航空機構合作可彌合研究與部署鴻溝，集群策略與協同無人作戰飛行器（UCAV）研究已體現仿真驗證價值[105][108]。

• 仿真工具未來趨勢
  隨著BVR場景復雜度攀升，仿真工具需沿以下方向演進：
   ? 高保真多智能體仿真：在AFSIM、ASA、DCS World與FLSC等平臺支持大規模集群協同與實時高保真仿真。

? 增強互操作性：通過HLA與DIS標準實現有人機、無人機及導彈等異構系統仿真集成。

? AI/ML深度整合：嵌入自適應智能體實現實時任務規劃與決策[105]。

? 計算效能提升：優化仿真架構以應對復雜度增長，支撐實時動態適配。

突破上述挑戰將推動開發復雜、可擴展且自適應的BVR決策模型，為高動態對抗空戰環境中的自主系統奠定基礎。

不可否認，新型技術、行為體與沖突情境的興起為戰爭注入了新變量。尤其值得關注的是，新技術戰爭手段及人工智能在軍事行動和決策中的應用，正引發重大安全與倫理關切。專家已就人工智能深度滲透及其引發的軍事變革拉響警報。本文重點剖析人工智能武器的安全與人道風險，聚焦有限人類監管與技術誤差帶來的多重影響。本文主張：缺乏人類監管的人工智能軍事技術大規模部署，不僅對國際法構成重大威脅，更可能在全球武裝沖突動態中開創危險先例，亟需監管干預。研究將以以色列國防軍（IDF）在當前加沙戰爭中生產部署的AI決策武器為案例，展開批判性反思與經驗總結。

本研究旨在揭示新型人工智能武器對國際法的危險沖擊，呼吁通過強化監管實現問責機制。通過檢視以色列在加沙的AI技術部署，聚焦自動化決策武器系統與弱化人類監管引發的安全影響及人道風險。最后，本文將對這類工具的廣泛非監管使用進行批判性反思，強調其必須遵循戰爭法，并探討歐盟作為監管力量的角色——依據其防務政策對人工智能武器構建系統性應對框架。

本文探討了如何在軍隊中開發和訓練強大的自主網絡防御（ACD）智能體。本文提出了一種架構，將多智能體強化學習（MARL）、大型語言模型（LLM）和基于規則的系統組成的混合人工智能模型集成到分布在網絡設備上的藍色和紅色智能體團隊中。其主要目標是實現監控、檢測和緩解等關鍵網絡安全任務的自動化，從而增強網絡安全專業人員保護關鍵軍事基礎設施的能力。該架構設計用于在以分段云和軟件定義控制器為特征的現代網絡環境中運行，從而促進 ACD 智能體和其他網絡安全工具的部署。智能體團隊在自動網絡操作 (ACO) gym中進行了評估，該gym模擬了北約受保護的核心網絡，可對自主智能體進行可重復的培訓和測試。本文最后探討了在訓練 ACD 智能體理過程中遇到的主要挑戰，尤其關注訓練階段的數據安全性和人工智能模型的穩健性。

圖 1：四個網絡位置（A-D）容納五個藍色智能體（1-5）的情景。

本文探討了為自主網絡防御（ACD）智能體訓練混合人工智能（AI）模型時所面臨的挑戰和機遇，尤其是在戰術邊緣環境中。這些挑戰源于此類環境所特有的獨特、不可預測和資源受限的設置。北約研究任務組 IST-162 和 IST-196 的工作重點是 “軍事系統的網絡監控和檢測”[1]、[2] 和 “虛擬化網絡中的網絡安全”。虛擬化網絡中的網絡安全"[3] 至 [5]，本研究旨在利用混合人工智能框架推進 ACD 智能體的設計和功能，以確保整個聯盟網絡的穩健網絡安全。多智能體強化（MARL）、大型語言模型（LLM）和基于規則的系統的采用構成了我們 ACD 架構的核心，增強了智能體在戰術邊緣環境中普遍存在的斷開、間歇、有限（DIL）帶寬條件下有效執行自主網絡防御任務的能力。這些條件要求系統具有彈性，能在網絡和資源嚴重變化的情況下保持高性能水平，這對傳統的網絡安全系統來說是一個重大挑戰。例如，將深度強化學習（DRL）與生成式人工智能相結合，有利于開發能夠進行復雜決策和自適應學習的智能體，提高其在動態網絡環境中應對復雜網絡威脅的能力[3]。此外，本文還討論了如何將 ACD 智能體集成到模擬的北約啟發的受保護核心網絡環境中，并在此環境中針對一系列網絡威脅對其進行評估。智能體利用人工智能技術的戰略組合，自動執行監控、檢測和緩解等關鍵防御行動，支持對關鍵軍事和民用網絡基礎設施的持續保護。

本文的貢獻如下： 第一，在一個集成了 MARL、LLM 和基于規則的系統的代理層次結構中使用代理智能體范例的方法論，以增強自主網絡防御能力。第二，討論在戰術邊緣環境中為 ACD 智能體訓練混合人工智能模型的挑戰和機遇。第三，定義一套評估指標，用于衡量 ACD 代理在數據和訓練保護方面的性能。本文的組織結構如下： 第二節回顧了相關文獻并解釋了研究原理。第三節詳細介紹了使 ACD 智能體適應戰術邊緣環境的方法。第四節介紹了我們的實證評估結果。最后，第 V 節總結了本研究的意義并概述了未來的研究方向。

人工智能在軍事應用中的融入改變了當代戰爭，提供了無與倫比的效率、準確性和獨立能力。然而，隨著人工智能系統的進步，自主武器相互協作和通信的可能性帶來了大量的戰略、倫理和安全問題。本文試圖通過分析機器學習和自主系統的最新進展，研究實現人工智能通信的技術基礎。本文將研究連接性如何影響戰場動態、決策過程，以及可能提高作戰效率或導致意外后果的潛在突發行為。

在戰爭越來越多地被技術進步所定義的時代，一個引人入勝的問題是，人工智能戰爭武器是否會開始相互通信，以及這種潛在的聯系將如何重塑戰場的動態。人工智能系統之間的相互聯系不僅代表著軍事能力的飛躍，也代表著沖突的根本性變化，對戰略、倫理和全球安全產生深遠影響。問題的核心是自主軍事系統正在發揮的作用，它將徹底改變現代戰爭。人工智能驅動的技術，包括無人機（UAV）、無人地面機器人（UGV）和海上無人機，在偵察、作戰和戰略行動中展現出無與倫比的能力。這些系統越先進，就越能協同工作：共享信息、協調行動，并可能做出獨立決策，這就對未來戰爭提出了一些非常關鍵的問題。

人工智能武器相互通信的前景帶來了突發行為的可能性--單個人工智能單元的互動可能產生復雜的、有時甚至是不可預測的模式。這種行為表明，作戰效率能夠使高度適應性和協調行動超越人類控制系統。然而，為這些充滿希望的概念提供動力的連接本身也帶來了巨大的挑戰。人工智能交互的不可預測性意味著無法預測人工智能在戰場上的交互后果：沖突升級、意外交戰或失去人類監督。

本文將探討這些緊迫問題，并將進一步論述與人工智能武器的相互關聯性相關的技術、戰略和倫理層面的問題。本文將介紹人工智能系統中的通信如何改變戰場態勢，提高軍事對抗的速度、準確性和自主性。本文還將討論與這種發展相關的風險，從可預測性和控制問題到人工智能驅動的完全失控的沖突，進一步擴展到與將生死攸關的決定權交給機器相關的倫理困境。如果人工智能在目前的狀態下繼續改進，問題就變成了：人工智能武器是否會互相交談？人工智能武器會互相交談嗎？這會對戰場動態產生什么影響？這不是技術上的猜測，其答案將決定人類在全球安全方面是否會有一個不同的未來。

自主軍事系統目前的作用

自持軍事技術的采用從根本上改變了當代戰爭，為偵察和作戰任務引入了新的能力。人工智能驅動的無人機和傳感器配備了最新的成像技術和人工智能算法，可以快速分析大量信息，以驚人的精度定位和跟蹤威脅，并不間斷地對廣大地區進行實時監視（Kallenborn，2024 年）。這些自主系統可以在各種環境下執行任務，從城市地區到偏遠的敵對地點，為軍事部隊提供全面的態勢感知。

在偵察方面，無人機和地面機器人可用于從敵對或難以接近的環境中收集重要信息。無人機可在不同高度飛行，并配備激光雷達、紅外攝像機和雷達等先進傳感器。這些傳感器使其能夠探測和分析各種環境和態勢因素，如敵軍動向、地形變化和潛在威脅。無人地面車輛（UGV），如 Lyut 坦克，通常專為崎嶇地形而設計，可攜帶類似的傳感器有效載荷，并在人類士兵難以穿越的危險環境中航行（Malyasov，2024 年）。這些自主系統可以在敵方地點執行偵察任務、探測地形條件并跟蹤移動，而不會讓士兵面臨風險（Scharre，2014 年）。這在派遣人類偵察隊過于危險的沖突地區非常有用。這些自動駕駛車輛收集的數據通常使用機器學習方法進行分析，以發現有助于產生有用見解的趨勢。這些方法提高了所收集數據的準確性，加快了決策速度，有助于對動態戰場局勢做出快速、明智的反應。

在戰斗中，部署自主武器系統標志著軍事戰術的重大變革。這些系統由無人機、自主地面機器人和海上無人機組成，可以高精度、高效率地執行作戰行動（Scharre，2014）。自主武器旨在執行復雜的機動任務，與其他單位合作，并在較少人員參與的情況下完成任務。例如，配備先進瞄準系統的無人機可對目標實施精確打擊，將附帶損害降至最低，提高任務成功率（Ackerman & Stavridi, 2024）。無人機群是最新的部署方法之一，在無人機群中，多架無人機以一體化的方式執行特定任務，實現單機無法達到的效果。

這些無人機群能夠摧毀敵人的防御工事，在廣闊的地域執行偵察行動，甚至搜救任務。群組中的每架無人機都能與其他無人機通信，從而在一秒鐘內共享數據并適應各種情況。這就提高了任務的整體成功率（Scharre，2014 年）。此外，當應用于作戰時，自主系統可大大提高部隊的倍增能力和作戰靈活性。例如，自主地面機器人可以執行拆彈任務，提供后勤支持，甚至與敵軍交戰（《突破防線》）。

通過承擔戰場上一些最危險的任務，這些機器人降低了人類士兵的風險。在海軍行動中，海上無人機被部署執行監視、水雷探測和反潛戰等任務（Burt，2024 年）。這些無人機可以獨立行動，也可以與有人駕駛的船只聯合行動，以擴大海軍部隊的覆蓋范圍和能力（Burt，2024 年）。

自主系統不僅能提高軍隊的攻擊和防御能力，還能對新威脅做出更快、更適應性更強的反應，如利用人工智能漏洞的復雜網絡戰戰術或旨在破壞通信和導航系統的電子戰，從而帶來巨大的戰術優勢。在一系列領域（海、陸、空）部署數以百計的自主部隊，可以形成錯綜復雜的動態戰場環境，很少有對手能與之匹敵。自主系統之間的這種相互聯系和協調，有助于以更加整體、更具彈性的方式開展軍事行動。

隨著人工智能和自主系統的不斷發展，更有必要解決它們帶來的倫理和安全挑戰。必須確保這些系統始終符合規定的法律和道德行為規范，以免落入壞人之手或造成意想不到的后果。因此，防范網絡威脅和確保自主系統的可靠性對于保持其在軍事應用中的整體效率和可靠性將變得非常重要。隨著此類技術越來越多地應用于全球軍事力量，自主系統的作用將繼續成為未來戰爭的決定性因素，這就要求制定有關負責任地使用和部署自主系統的詳細政策和戰略（Sophos，n.d.）。

設計紅外系統可以幫助商業和軍事用戶實現大量應用。隨著寬帶紅外成像儀的尺寸、重量和功率（SWaP）的減小，其在航空飛行器上的實用性得到了開發。機載系統具有更大的機動性，可增強用戶獲取圖像的能力。本文介紹的研究采用輻射測量產生的理論模型，并將地面設計技術應用于空中。領航、瞄準、制圖和態勢感知都是紅外成像任務的例子，具有廣泛的設計歷史。本文的研究重點是設計空中系統。設計了一種基于導航的紅外系統，用于比較中波和長波紅外波段，以探測高壓電線，避免致命的撞車事故。一種新的瞄準系統采用了一種新穎的多攝像頭設計方法，該方法植根于瞄準任務性能（TTP）指標，以提高在無人機平臺上飛行時的大范圍性能。對可見光、近紅外、短波紅外和擴展短波紅外的校準圖像進行比較，以找出哪種圖像對繪圖任務的場景對比度最高。最后，設計了一個態勢感知系統，利用波長保持人員視線，同時實時繪制火災邊界以避免致命事故，從而確保森林消防員在極端野火條件下的安全。對于上述領航、瞄準、測繪和態勢感知系統設計，所產生的理論模型與實驗室和實地測量結果進行了比較。提出的校準分析提供了避免結果偏差和公平比較每個寬帶傳感器系統性能的技術。在每種情況下，理論和測量結果都證明了設計方法對創建航空傳感器系統是有效的。在每種情況下，傳感器的性能都能滿足設計要求，并可通過這些初步研究創建可部署的系統。

本文介紹先進雷達波形發生器（ARWG）。ARWG 是軟件定義電子戰系統系列的一部分。它是在商用 AMD-Xilinx Gen3 射頻片上系統中以 ZCU208 評估板的形式實現的。它提供了一個靈活的平臺，用于生成用戶定義的雷達脈沖，具有脈沖內調制、近乎實時的自定義波形生成、脈沖到脈沖頻率靈活性、用戶定義的幅度、頻率和相位調制以及復合脈沖群生成等復雜功能。它包括多個用戶界面，包括串行命令行界面和基于 Python 的圖形用戶界面。ARWG 通過千兆以太網接口與支持的個人電腦 (PC) 相連，因此可以與駐留在 PC 中或跨網絡的強大應用程序進行交互。本文討論了 ARWG 的基本設計和主要功能，并展示了示例功能。

圖 軟件定義電子戰系統（SDEWFoS）參考架構

ARWG 是在 ZCU208 評估板外形尺寸的 Xilinx Gen3 RFSoC 上以裸機配置實現的。這包括 Zynq PS 中的高級精簡指令集計算機機 (ARM) Cortex A53 四核微處理器，以及可編程邏輯 (PL) 分區中的 XCZU48DR-2FSVG1517 Ultrascale+ 現場可編程門陣列 (FPGA)。這有助于實現強大的 SW-HW 代碼設計，在 PS 中使用靈活的 C 編程語言實現以控制為中心的容延流程，在 PL 中實現以數據為中心的低延遲組件。采用行業標準接口，包括高級可擴展接口（AXI）4 和賽靈思 SW 驅動程序。定制 SW 采用標準 C 語言編寫，包括應用程序和硬件抽象層 (HAL) 驅動程序，并盡可能遵循賽靈思嵌入式驅動程序的慣例。本設計的 PL 中使用的所有 IP 模塊都是定制設計的，采用高速集成電路硬件描述語言 (HDL/VHDL) 編寫，并使用寄存器傳輸層 (RTL) 設計方法；不過，未來的擴展可以輕松采用任何方法生成的 IP，例如 Vitis HLS 或 MathWorks HDL Coder。

主要設計組件如圖 3 所示。關鍵的信號發生組件是 “通道”，由四個發生器（頻率調制發生器 [FMGEN]、二進制相移鍵控發生器 [BPSKGEN]、自定義 1 和自定義 2）、信號選擇器和信號調制器（相位、振幅和噪聲）組成。最終確定的 ARWG 設計將包括四個通道；本中間設計只有一個通道。存儲器訪問組件包括散點采集直接存儲器訪問（SG-DMA）外設和定制信號發生器選擇器。RFDC 是 Xilinx Gen3 IP，可將數字信號轉換為射頻信號。四個定制數控振蕩器 (NCO) 控制器 IP 實例可在每個數模 (DAC) 磁瓦上獨立動態調整 RFDC 振蕩器載波頻率 (CF)。NCO 控制器具有低延遲特性，可在接到 SW 命令后不到 2 μs 的時間內調整 CF。最后，本設計還包括四個 Xilinx AXI 定時器；這些定時器可執行時間敏感型功能，如復雜脈沖生成和診斷功能。實際射頻輸出由 XM655 子卡5 提供，該子卡為下游射頻消耗提供 SMA 平衡-非平衡（平衡）射頻連接。完整的 ARWG Vivado IP 集成塊設計見附錄 A。

圖 4 ARWG 時鐘配置，包括 ZCU208 CLK104 外設、RFDC 采樣時鐘和 AXI 流時鐘

遠距離精確打擊目標的能力一直是世界超級大國的專利。然而，這種資源正日益受到威脅，因為那些不具備這種戰略能力的國家越來越容易獲得具備這種遠程精確打擊能力的無人機。本文從分析伊朗 HESA 沙赫德 136 無人機入手，討論低成本遠程精確武器的最新創新，特別是自殺式無人機和巡飛彈藥的使用。這是一項探索性研究，首先討論自殺式無人機的概念，然后分析沙赫德 136 無人機的設計方案，以思考這種新型武器的未來及其對武器與成本之間的經濟和政治關系的影響。結論是，HESA “沙赫德 136 ”徹底改變了遠程精確打擊的概念，在此之前，這一功能只能由昂貴且技術要求高的戰術導彈和飛機來實現，而現在廉價的無人機也能實現這一功能。這就形成了一場軍備競賽，不僅要生產技術含量最高、最精確的武器，還要生產成本最低的武器。

HESA 沙赫德 136 依賴全球定位系統或全球導航系統，與較小的沙赫德 131 類似。據信，“沙赫德 136 ”沒有像 IAI Harpy 那樣瞄準雷達發射的能力。它飛得太低太慢，沒有攝像頭，也沒有精確瞄準雷達站或移動目標的記錄。

盡管 “沙赫德 136 ”的電子部件仍未完全公布，但烏克蘭武裝部隊戰略通信處發布了一份關于 “沙赫德 131 ”的詳盡研究報告，如圖 4 所示。作為 “沙赫德 136 ”的縮小版，對 HESA “沙赫德 131 ”的研究提供了大量有關該無人機設計的信息，特別是其電子部件，這也是該機最有價值和最令人費解的部分。正如所預測的那樣，制導系統的所有組件都是民用級的，盡管全球定位系統中添加了防止電子戰改變全球定位系統信號的功能。

沙赫德 136 型飛機使用的電子設備，包括微芯片、通信模塊和 GPS 天線都來自不同的國際公司。事實上，盡管美國對伊朗實施了各種制裁，但在沙赫德 136 和沙赫德 131 中發現的絕大多數電子器件都來自美國。

最近的一項進展表明，俄羅斯部隊和工程師用俄羅斯全球軌道導航衛星系統取代了最初的制導系統，從而提高了最初的 “沙赫德 136 ”的精確度，后者比伊朗人最初使用的制導系統更加精確。這表明這項技術的效率可能會提高，因為自殺式無人機的制導系統更加昂貴和先進。

美國國防部（DoD）對利用人工智能（AI）增強具有作戰行為的軍事模擬越來越感興趣。本文探討了深度有限神經（DLN）搜索的應用--一種集成了卷積神經網絡（CNN）的博弈樹搜索技術，作為在特定方案下訓練的評估函數，以提高人工智能在生成戰斗行為方面的可擴展性和有效性。利用專為人工智能研究設計的軍事模擬平臺 Atlatl 進行了各種實驗，以評估 DLN 在不同場景下的性能。這些實驗包括測試訓練 DLN 的人工智能組合、評估其在多個對手面前的表現，以及探索環境規模和單位數量的變化。此外，研究還采用了 DeepMind 的 AlphaStar 所展示的聯盟訓練概念，以訓練人工智能模型，避免過度擬合并制定穩健的策略。研究結果表明，在基準場景下，DLN 優于現有的替代方案，但在擴展到更大、更復雜的環境方面仍存在挑戰。這些發現為人工智能驅動的軍事模擬的未來研究與開發提供了寶貴的見解，支持了美國陸軍作戰能力開發指揮分析中心（DEVCOM DAC）正在進行的工作。

本文分為五章。第 1 章概述了研究內容，包括論文的背景、動機、問題陳述、目標、意義、范圍和結構。第 2 章回顧了有關軍事模擬中的人工智能的現有文獻和研究，指出了當前知識中存在的差距，并討論了對抗樹搜索、DLN 和 Atlatl 框架等相關概念。第 3 章詳細介紹了進行實驗所使用的方法和程序。其中包括研究設計、數據收集方法和分析技術。第 4 章詳細介紹了實驗結果，提供了數據和結論。第 5 章對結果進行分析和解釋，與現有研究進行比較，討論其影響，解決論文中提出的研究問題，總結主要發現，討論對該領域的貢獻，并提出未來研究的方向。

圖 2.7. 顯示的是啟用人機交互后瀏覽器中出現的 Atlatl 場景示例。該場景顯示了多種不同的地形和單位類型，以及代表敵對勢力的紅色和藍色隊伍。

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。

利用無人地面飛行器（UGV）進行自主導航和未知環境探索極具挑戰性。本報告研究了一種利用小尺寸、低重量、低功耗和低成本有效載荷的測繪和探索解決方案。本文介紹的平臺利用同步定位和繪圖功能，通過尋找可導航路線來有效探索未知區域。該解決方案利用多種傳感器有效載荷，包括輪子編碼器、三維激光雷達、紅-綠-藍相機和深度相機。這項工作的主要目標是利用 UGV 的路徑規劃和導航功能進行測繪和探索，從而生成精確的 3D 地圖。所提供的解決方案還利用了機器人操作系統。