本報告的目的是探討可用于估計紅外（IR）目標中心的多種方法。具體的重點是在一個非常小的空間區域發出信號的目標，近似于一個點源。如果只需要一個簡單的解決方案，中心可以被大致估計為感興趣區域（ROI）中最亮的像素。雖然很容易實現，但這種方法只能產生一個精確到單個像素的估計。如果沒有任何進一步的細化，這將建立一個精度的下限。然而，通過考慮鄰近的像素，有可能將估計值細化到一個像素的一小部分。因此，選定的算法必須能夠進行亞像素估計，以便為高精確度的應用建立必要的精確程度。這些應用中的幾個可能包括在整個視頻中跟蹤一個投射物或使用紅外目標進行相機校準。

將這些算法限制在點源上的重要性在于，它允許對目標中心進行非常精確的估計。理想的候選人將在圖像的一個小區域內擁有一個單一的、定義明確的峰值。一個物體作為點源的能力根據所涉及的距離而變化。一個較大的物體可能不被認為是一個點源，除非是在非常長的距離上，而一個短距離的點源可能在較長的距離上根本無法注冊。在這方面，有幾個物體可以被認為是適用的。鹵素燈泡從燈泡中心的一個小燈絲產生熱量。帶有示蹤劑的射彈會在子彈底部有一個小的，但很亮的燃燒點。鉚釘的頭部在外部邊緣迅速冷卻，但在中心緩慢冷卻，在死角處形成一個熱斑。所有這些元素都是這種算法的良好候選者。附近的車輛，可能看起來很大（幾百個像素），其紅外特征的梯度很淺，將不適合這種跟蹤算法。

方法

首先，有必要建立一個全像素方法，它將作為一個控制和基準。這種算法的作用是找到強度最大的像素位置。在出現平局的情況下，解決方案將是峰值位置的平均值。因此，如果像素值是飽和的，全像素估計有可能產生一個小數值。請注意，由于圖像生成的性質，最大值，因此整個像素的估計值將出現在子圖像的中心（或在飽和圖像的情況下接近中心）。這意味著，只要圖像被裁剪并以ROI為中心，其余算法的結果對任何尺寸的圖像都有效。

由相機記錄的真正的點源可以在數學上表示為一個艾瑞盤。由于這個函數相當復雜，可以用眾所周知的高斯分布做一個稍不準確的估計。這是一個非常常見的簡化，雖然這兩個函數的尾部不匹配，但中心，即估計的最重要的位置，卻非常匹配（參考文獻1）。候選點源，給定適當的距離，預計將表現出類似于艾瑞盤或高斯分布的特征。因此，尋找子像素中心的最合理的方法是將一個二維（2D）高斯函數擬合到圖像區域，獲得其中心的坐標。在實踐中，使用MATLAB擬合二維高斯分布需要運行一個優化，這可能是相當緩慢的。因此，盡管這種方法可以非常精確，但最好還是能有一個能更快運行的解決方案。將二維高斯分布擬合到圖像區域的方法被稱為優化高斯擬合。

為了獲得一個計算成本較低的解決方案，需要尋求一種確定性的分析方法。首先，參考文獻2中描述了一種擬合拋物線估計器的新方法。雖然這同時滿足了確定性和分析性的要求，但它只針對一維（1D）的情況。為了對估計點源的子像素中心有用，它必須在二維上推導。這個估算器可以根據方程1到9擴展到二維空間。

作者正在研究分布式雷達在穿墻感應中的應用。這項技術的預期操作場景是在建筑物外的（安全）遠程距離內探測和識別建筑物內的人員和武器裝備。本研究使用的雷達結構和信號處理算法類似于美國陸軍作戰能力發展司令部（DEVCOM）陸軍研究實驗室（ARL）實施的埋藏和隱蔽表面目標探測的設計；目前的雷達發射和接收頻率更高。

在這項研究中，實驗是在ARL的阿德爾菲實驗中心（ALC）507號樓（"沙盒 "區域）進行的，使用的是室內低金屬兩層夾板結構。用來測試分布式雷達的受控環境與用來測試ARL針對電子目標的諧波雷達的低金屬環境相同。

圖1 步進頻率雷達收發器：(a)賽靈思的RFSoC與Alion/HII的雷達固件，以及(b)定制的發射器/接收器（Tx/Rx）濾波器和放大器PCB，由28VDC供電

結論及后續工作

本研究中收集的數據表明，在低矮的金屬建筑中，相互成直角的天線對能夠探測到多個移動目標，而這些目標從建筑外是看不到的。隨時間變化的距離圖顯示了目標所遵循的路徑；在一個頻道中跟蹤的目標路徑的模糊性可以通過在另一個頻道中跟蹤同一目標來緩解。仍需努力將同時收集的數據的IQ振幅一致地結合起來，以解決多個目標。一個目標是在二維（下行和上行）圖像上繪制目標位置，也許是以視頻動畫的形式疊加在場景的俯視圖上（即被成像的建筑物的典型平面圖）。在對移動目標進行成像時，發射器和接收器天線的雙穩態配對是否具有優勢（與標準的單穩態發射器天線配對相比）還有待確定。

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。

蜂群載體的目的是設計、制造和演示一個系統，從一個載體無人機系統（UAS）上部署和回收幾個小型無人機系統（sUAS）。該項目開發的重點是實現由部署、回收和任務執行的全循環測試確定的系統級功能。硬件開發涉及UAS設計的有限元分析（FEA），系統驗證測試，以及載體無人機、蜂群無人機和多貨艙的設計迭代。軟件開發將集中在行為樹、自主著陸、投放模式和協作式蜂群控制。蜂群載體系統及其子組件的概念源于AerospaceNU的研究。在此基礎上，具體開發將涉及最終的原型和集成，以及系統級的軟件開發，以實現全面測試。

本研究調查了使用雷達跟蹤數據將無人機(UAs)分類為旋翼或固定翼類，作為減少誤報和操作員負擔的一種手段。該研究使用來自實驗飛行的UA遙測數據以及模擬雷達軌跡數據來訓練機器學習(ML)分類器。探討了遷移學習的應用。使用有限的數據集獲得的結果顯示，根據所使用的配置，真陽性和真陰性率超過80%。初步研究強調了改善這一性能的一些重要途徑。

對國防和安全的重要性

探測和識別無人機對加拿大武裝部隊保護部隊和資產至關重要。作為一種全天候和遠程能力，雷達提供關鍵的軌跡數據，可以提示光電/紅外(EO/IR)系統或操作員。本研究開發了一種基于雷達航跡數據的分類器，用于區分旋翼和固定翼兩類無人機，以減少誤報和操作人員負擔。

本文內容概述

在本節中，我們將概述當前研究的數據流。基本概念是利用飛行中保存在無人機上的遙測數據。這些數據集代表了典型的UA軌跡，無論是在飛行員控制下還是使用預先編程的航路點，以及在真實的風環境條件下飛行等。這些遙測數據集可以告知軌跡本身，并可以作為訓練分類器區分uav和雜波(特別是鳥類)或不同UA類型之間的基礎。在本研究中，我們研究訓練分類器來區分I類的旋轉翼和固定翼無人機。

圖1中的原理圖解釋了數據流。首先，對遙測數據集進行預處理，并將其標記為屬于旋翼類(ID = 0)或固定翼類(ID = 1)。預處理的軌跡可以并將直接與涉及ML模型的其余數據流一起使用。經過預處理的軌跡數據還可以作為Stone Soup跟蹤庫的輸入，與建模的雷達參數和位置一起，生成模擬雷達軌跡數據。這個過程將在第4節中介紹。

軌跡(來自預處理器和模擬軌跡數據)用于創建更多數量的子軌跡。這里的想法是獲得一個分類器，它可以在只處理子軌跡后區分UA類。可以研究創建子軌跡的不同方法，這將在第5節中討論。對于本研究，我們選擇將子軌跡視為獨立的實體，但其他選項都是有效的研究思路，如第7節所述。

其余的數據流涉及典型的監督機器學習技術，將數據集分為訓練、驗證和測試數據集、計算特征以及訓練和測試ML模型。在我們的例子中，我們有預處理的遙測數據和模擬雷達軌跡數據的混合。

圖1:當前研究中涉及的不同步驟的示意圖。

這項研究是由本世紀以來自主系統的增加以及測試和評估其性能的挑戰性所驅動。對當前文獻的回顧顯示，提出了驗證自主系統的方法，但很少有實施。它暴露了當前驗證和確認方法中的一些差距，并提出了填補這些差距的目標。通過使用建模、軟件循環（SITL）和飛行測試，這項研究驗證了無人駕駛航空系統（UAS）的自主蜂群算法，并驗證了測試框架的一個典范。

在兩天的飛行測試中產生的13組三飛行器群數據提供了一個基線算法分析。在這些測試中，飛行器分離距離平均偏離理想狀態5.61米，分離距離違規率<6.39%。蜂群在最佳情況下實現了0.27米的平均偏差和0.43%的違規率。在5赫茲的更新率下，飛行器之間的平均數據包損失為4.94%，最佳通信滯后< 0.04秒。

通過定性和定量分析的搭配所創建的多方位經驗分析提供了對飛行器行為的完整理解。該分析還確定了算法和測試框架的各種改進領域。這項研究的結果形成了一個基線測試連續體，可用于對自主系統的正式驗證的各種后續調查。

本報告是在 FA9453-19-1-0078 資助下編寫的。首先，提出了兩種數值方法來解決通信和導航中產生的非線性優化問題。其次，開發了兩個關于機器學習模型的解決方案質量和安全性的結果。

該研究項目的目標是開發高效的大規模非線性優化算法，以解決通信和導航方面的數據分析問題。這些問題被公認為在數學上具有挑戰性，并與空軍的利益直接相關。

在資助期間，我們成功研究了兩個研究方向。首先，我們設計了大規模非線性優化問題的最佳一階方法。在這個方向上，我們提出了兩個一階方法，可以對決策變量進行近似梯度更新。這兩種方法都可以解決分散通信的多Agent優化所產生的非線性優化問題。通過將多代理優化重新表述為約束性問題，我們開發的方法可以以最佳梯度/操作者評估復雜度來解決問題。我們開發的方法也可用于解決圖像重建問題。

第二，我們分析了機器學習模型中的解決方案質量和安全問題。在這個方向上，我們完成了兩個研究結果。我們的第一個成果是關于在多集群環境下，從二元結果的條件邏輯回歸模型中計算出來的估計值的屬性。我們表明，當每個單獨的數據點被無限次復制時，來自該模型的條件最大似然估計值漸進地接近最大似然估計值。我們的第二個結果是關于安全的矩陣乘法問題，我們設計了一種準確和安全地進行分布式矩陣乘法的方法。我們的安全協議可以確保在進行這種矩陣乘法的通信過程中沒有任何信息被泄露。

這個項目的目標是開發在具有挑戰性的多目標環境中自主分布式傳感器管理和融合所需的基礎方法。這涉及到開發能夠自動跟蹤多個目標的算法，根據從具有數據關聯不確定性和高誤報率的多個平臺收到的信息進行分類并分配資源。在研究者最近在多目標跟蹤和分布式傳感器融合方面的發展基礎上，該工作方案開發了能夠在大規模多傳感器多目標跟蹤應用中基于信息理論標準實現自主傳感器分配的方法。這是通過重新評估信息理論中的關鍵工具來實現的，這些工具適用于基于點過程理論的多目標監視的挑戰，該理論旨在適應單個目標的狀態和目標數量的不確定性。所開發的信息理論方法被應用于多傳感器問題，使人們能夠決定如何分配傳感器資源，以及完善對場景的認識。所開發的工具將有助于減少監測單一傳感器饋電的勞動密集型負擔，并能做出適應性決定，以優化多模式網絡的運行，并增強對監測區域的整體認識。對多目標跟蹤情景的信息理論表述的關注，將使人們能夠驗證傳感器饋電是否能夠可靠地融合，以避免數據損壞的可能性。該項目在智能傳感方面提供了關鍵的先進技術，以實現動態環境中的連續和適應性監視。這些將是可擴展的，可用于從多個分布式傳感器對許多目標進行大規模跟蹤。

該項目的總體目標是研究和開發基于信息理論原則的分布式多傳感器多目標系統的自主傳感器控制的新策略：

• 為大規模系統的多目標跟蹤開發可擴展的解決方案。

• 開發基于信息論原理的多傳感器融合的分布式解決方案。

• 確定多傳感器多目標跟蹤系統可以交換多少信息。

該項目為多傳感器多目標跟蹤開發了基本的解決方案：

• 對許多目標進行大規模跟蹤。問題的規模越來越大，因此解決方案需要可擴展，跟蹤許多目標需要減輕組合復雜性的算法。多目標跟蹤的低復雜度解決方案將被開發出來，并在復雜環境中進行測試。開發了一種用于穩健地跟蹤大量目標的方法，該方法在目標數量和測量數量上是可擴展的，這使得數百萬目標可以被跟蹤。

• 確定多傳感器多目標跟蹤系統的信息含量。在具有高密度信息的傳感器網絡中，帶寬可能是多傳感器多目標跟蹤的一個制約因素。這個項目得出了確定用于多目標跟蹤的傳感器網絡的信息含量的結果。預計這將有助于評估傳感網絡的效率和有效性，并與發送數據的數量和頻率相平衡。

• 來自多個傳感器的數據的分布式整合。操作員需要根據來自多個跟蹤系統的信息做出決定，以提高整體的態勢感知。為多傳感器集成開發了一種分布式多傳感器多目標跟蹤的新方法，該方法可減輕來自不準確或誤導性數據源的損壞。

• 對多目標監視應用中的威脅進行評估。對許多物體的大規模跟蹤能夠識別直接威脅。然而，有些威脅可能比其他威脅更有針對性。開發了一種新的對抗性風險的表述，為操作人員提供態勢感知，以幫助確定傳感資產的優先次序。

• 目標跟蹤估計器的性能界限。費舍爾信息的倒數，即克拉默-拉奧約束，為參數的估計器提供了一個約束，是統計分析的基礎。它為一個參數提供了一個可實現的最小方差或協方差。根據量子場理論的數學概念，為點過程推導出克拉默-拉奧約束，將這一概念推廣到具有空間變量的變量。

避免碰撞是保證地球空間安全和效率的關鍵任務之一。這項工作研究了用于避免碰撞的結合體的檢測和分辨率，并開發了一種基于三維球體的動態沃洛尼圖（DVD）預測結合體的算法。我們已經成功開發、實施并測試了三維球體的DVD算法。然后，我們在DVD算法的基礎上，開發并實施了COOP2（連合軌道物體預測和規劃器）算法/程序。COOP2顯示了一種被證明的數學能力，可以檢測到所有的結點，沒有任何遺漏的情況。使用從韓國航空航天研究所（KARI）獲得的TLE數據測試了COOP2，其中包括以下五顆韓國衛星的軌道運動：KOMPSAT-2、KOMPSAT-3、KOMPSAT-3A和KOMPSAT-5。開發了COOP2的高級功能，在給定檢測到的會合時，通過使用存儲在COOP-HSTRY文件中的事件歷史快速評估備選方案，產生最佳機動計劃。用無人機群驗證了COOP2算法和程序的正確性和性能。假設飛行一個無人機群，每個無人機在三維空間中遵循自己的路徑。在這種情況下，就像駐地空間物體（RSO）一樣，能夠使用COOP2程序來生成所有無人機的無碰撞飛行路徑，這樣算法/程序的性能和正確性就可以得到驗證和確認。

簡介

有許多人造的常駐空間物體（RSO）在地球軌道上運行。截至2019年1月，自1957年以來，超過5400次火箭發射（不包括失敗），將約8950顆衛星送入地球軌道：約5000顆衛星留在軌道上，包括約1950顆運行中的衛星。歐洲航天局（ESA）估計約有34,000個尺寸大于10厘米的碎片，約有90萬個尺寸為1~10厘米的碎片，1.28億個尺寸為1毫米~1厘米的碎片[1] 。由于意外的衛星碰撞（例如2009年銥星33號和宇宙2251號之間的碰撞；產生了>2,000個編目碎片）、計劃中的反衛星導彈試驗、新的衛星發射等，這個數字將迅速增加。

其中，反衛星（ASAT）導彈試驗將是產生碎片的主要原因，我們在圖1（a-f）中匯編了一些與反衛星有關的歷史事件。世界上第一次反衛星導彈試驗是在1970年2月由蘇聯對一個特殊的目標航天器DS-P1-M進行的。美國于1985年9月13日完成了針對伽馬射線光譜學衛星Solwind P78-1的首次成功的反衛星導彈試驗。這次試驗產生了285塊編入目錄的軌道碎片。2008年2月21日，美國海軍摧毀了發生故障的美國間諜衛星USA-193[10]，2015年11月18日，俄羅斯的直接升空反衛星導彈的飛行試驗[11]，以及2019年3月27日，印度的試驗。

圖1. 反衛星試驗的例子。

(a) 蘇聯的目標衛星(DS-P1-M)，用于蘇聯在1970年2月完成的世界上第一次成功攔截衛星[2]。在1967年10月27日和1968年4月28日分別進行了第一次和第二次測試后，對特殊的目標航天器DS-P1-M進行了多次測試。第一次成功的測試（第二次總體）取得了32次命中（每次可穿透100毫米的裝甲）[3]。

(b)1985年9月13日美國首次成功的反衛星導彈試驗的美國目標衛星(Solwind P78-1)。Solwind P78-1是一顆1979年發射的伽馬射線光譜學衛星，在525公里處運行[4]。其主要目的是研究太陽風，以及其他事項。一架攜帶導彈的F-15飛機從愛德華茲空軍基地起飛，爬升到11613米（38100英尺），并向Solwind P78-1垂直發射導彈。這次試驗產生了285塊編入目錄的軌道碎片。1塊碎片至少到2004年5月還在軌道上[5]，但到2008年已經脫離軌道[6]。

(c)2007年1月11日，已停用的中國氣象衛星FY-1C被摧毀后產生的碎片的已知軌道平面[7]（為提高能見度夸大了軌道）。據報道，這次破壞是由一枚SC-19 ASAT（反衛星武器）導彈完成的，其動能殺傷彈頭的概念與美國的Exoatmospheric Kill Vehicle相似。FY-1C是一顆氣象衛星，在極地軌道上圍繞地球運行，高度約為865公里（537英里）。

(d)2006年12月14日發射的美國間諜衛星(USA-193)，在2008年2月21日被美國海軍使用艦載RIM-161標準導彈3摧毀。USA-193的毀滅產生了174塊軌道碎片，美國軍方對這些碎片進行了編目[10]。雖然這些碎片大部分在幾個月內重新進入地球大氣層，但有幾塊碎片由于被拋入更高的軌道而持續的時間稍長。最后一塊USA-193的碎片直到2009年10月28日才重新進入地球[10]。

(e)俄羅斯的反衛星導彈（PL-19 Nudol）。據稱，俄羅斯的直接升空反衛星導彈，即PL-19 Nudol，于2015年11月18日成功進行了飛行試驗[11]。

(f)印度在2019年3月27日進行的名為Mission Shakti的直接升空反衛星武器試驗的分析和碎片模擬[12]。攔截器能夠在低地球軌道（LEO）300公里（186英里）的高度上打擊一顆試驗衛星，從而成功地測試了其反衛星導彈。該攔截器于UTC時間5:40左右在奧迪沙省昌迪普爾的綜合試驗場（ITR）發射，168秒后擊中其目標Microsat-R。這次撞擊產生了400多塊軌道碎片，其中24塊的遠地點高于國際空間站的軌道[13][14]。

還應注意地球空間中部署的小型衛星的數量增加。近年來，部署航天器的趨勢是更多、更小、更低成本的民用航天器，而不是少數、大型、昂貴的政府航天器[15]。例如，SpaceX獲準為其Starlink項目向低地球軌道發射12,000顆衛星，該項目是一個由數千顆大規模生產的小衛星組成的衛星群（圖2）。

這些不斷增加的空間物體，特別是在低地球軌道（LEO），大大加快了空間物體之間的碰撞風險[16]，這也是凱斯勒綜合癥（也稱為碰撞級聯）所暗示的[17]。我們最近觀察到一個可能導致低地軌道災難的大事件：2020年1月29日23:39:35 UTC，兩顆失效的衛星，1983年發射的IRAS（紅外天文衛星）和1967年發射的GGSE-4（重力梯度穩定實驗4）幾乎失事（圖3）[18]。

由于RSO的運動速度很高，如果迎面撞上，速度可達16公里/秒，空間物體之間的碰撞可能是災難性的。為了更好地防止物體之間的意外結合和碰撞，并為未來保護地球空間，特別是低地軌道，有必要有一種方法來預測和防止碰撞，并最終開發出空間交通管理（STM）系統。隨著地球空間更加商業化，如亞軌道太空旅游和/或商業個人航天飛行的預期普及，STM將變得越來越重要[19, 20]。由于預測和預防RSO之間的碰撞/連接是STM中最關鍵的問題之一[21, 22]，所以對軌道上所有可觀察到的RSO進行探測、跟蹤、識別、編目等，總稱為太空態勢感知（SSA），是必要的。確保一個完美的SSA既昂貴又復雜。由美國戰略司令部（USSTRATCOM）維護的聯合空間作業中心（JSpOC）是一個很好的資源[23]。

會合預測的價值是顯而易見的，因為如果正確預測了會合，就可以計劃和執行RSO的避撞規避機動。在可能的情況下，可能需要通過評估每個假設的機動對未來會合的影響來確定或設計一個最佳機動路徑。這個優化問題的表述涉及到可以從多次執行會合預測中獲得的參數，每次都要修改星歷。這意味著執行會合預測的頻率要比現在高。例如，由GMV/ESA開發的碰撞風險評估工具（CRASS），每天預測會合，預測時間窗口為一周，這是考慮到軌道預測準確性和對預測會合的反應時間之間的權衡而制定的政策[24, 25]。

在這里，報告了一個創新的會合預測和機動計劃算法的開發和實施，該算法使用三維球狀球的（動態）沃羅諾伊圖。開發的COOP2（聯合軌道物體預測和規劃器）算法/程序可以預測聯合，并找到最佳機動路徑，以避免JSpOC空間目錄中的RSO出現預測的聯合情況。COOP2算法/程序是基于事件的、通用的（超越成對會合預測）、高效的、準確的，并且獨立于坐標系。該算法是基于移動的三維球體的動態Voronoi圖。它的計算結果可以有效地重新播放，以便在飛行中進行各種分析。

圖2. Starlink項目。Starlink是SpaceX公司正在建造的一個衛星星座。該星座將由成千上萬顆大規模生產的小衛星組成。

圖3. GGSE-4和IRSA衛星失聯的情況。2020年1月29日，UTC時間23:39:35，兩顆衛星，1983年發射的IRAS（紅外天文衛星）和1967年發射的GGSE-4（重力梯度穩定實驗4），預計將以12米的距離緊密通過，估計碰撞的風險為5%。幸運的是，事實證明，事件發生后沒有出現新的被追蹤的碎片。

這項工作的目的是開發能夠成功處理復雜動態環境中順序決策的深度終身學習方法，重點是多Agent情報、監視和偵察（ISR）場景。我們為深度卷積神經網絡開發了一個新的架構，支持通過去卷積因子化的終身學習（DF-CNN），探索了通過Distral和Sobolev訓練的策略提煉的組合，并開發了一個混合控制器，將深度學習應用于ISR智能體。我們的方法在標準基準深度學習數據集、DOOM環境和ATE3模擬環境中的ISR場景中進行了評估。

我們的主要貢獻是反卷積因子卷積神經網絡（DFCNN）。DF-CNN框架調整了標準卷積神經網絡（CNN）框架，以實現任務之間的轉移。它在每個CNN層維護一個共享知識庫，并通過這個共享知識促進不同任務的CNN之間的轉移。每個具體任務的CNN模型的各個過濾層都是由這個共享知識庫重建的，隨著網絡在多個任務中的訓練，這個知識庫會隨著時間的推移而調整。DF-CNN代表了ELLA終身學習框架對深度網絡的概括。

實驗表明，DF-CNN在終身中的基準識別任務上的表現優于其他方法（包括單任務學習、低層的硬參數共享和漸進式神經網絡）。此外，該框架能夠抵抗災難性遺忘，同時仍然允許從未來的學習中反向轉移到以前學習的模型。

對于深度強化學習，我們研究了將Sobolev訓練整合到Distral多任務框架中，以努力改善轉移和訓練，探索了DF-CNN在深度RL中的應用，并開發了一個混合控制器，將本地學習的深度RL策略結合在一起，在ATE3仿真環境中完成ISR場景。