本報告概述了我們在基于模型的自適應目標跟蹤以及識別來自電磁干擾（EMI）源的衛星欺騙和干擾攻擊方面所做的研究工作。我們假設可以利用不同電磁干擾源的射頻（RF）特征來識別和跟蹤主動和被動電磁干擾源。射頻信號被輸入一個基于模型的深度神經網絡（DNN），該網絡可對不同物體進行分類和跟蹤。

我們的初步結果表明，對于有源電磁干擾源，即使用不同調制方案發射射頻信號的源，使用 DNN 識別電磁干擾源射頻調制方案的準確性在很大程度上取決于射頻信號的質量，而射頻信號的質量又是信道的函數。特別是，如果信道是視距信道，且信噪比（SNR）較大，則調制類型的分類準確率很高（> 95%）。另一方面，如果信道參數未知和/或波動較大，信噪比較低，則分類準確率較低（< 60%）。調制類型識別的性能使我們得出結論，在現實世界中基于調制類型的目標跟蹤將非常困難。因此，這項研究的主要工作集中在使用有源雷達對無源信號源進行分類，并以人員計數系統為原型。

我們沒有使用模擬，而是在實驗室建立了一個小規模的測試環境來驗證假設。我們提出的人員計數系統使用多個發射天線，通過發送毫米波雷達啁啾掃描環境。物體反彈回來的信號由多個接收天線接收、處理并存儲到數字數據庫中。然后，我們對數字數據進行特征提取，并將特征輸入卷積神經網絡，以進行物體分類和跟蹤。在這些實驗中，我們將行走的人視為移動物體。我們的初步結果表明，在有限的環境中（如實驗室環境），卷積神經網絡可以利用射頻信號準確識別不同的物體（> 95%）。

圖 4. 從射頻信號中提取特征。特征/物體包含已識別物體的數量、其多普勒速度、其 x、y、z 位置和相對信噪比。

本報告概述了在基于模型的自適應目標跟蹤以及識別來自電磁干擾（EMI）源的衛星欺騙和干擾攻擊方面所做的研究工作。我們假設可以利用不同電磁干擾源的射頻（RF）特征來識別和跟蹤主動和被動電磁干擾源。射頻信號被輸入一個基于模型的深度神經網絡（DNN），該網絡可對不同物體進行分類和跟蹤。

我們的初步結果表明，對于有源電磁干擾源，即使用不同調制方案發射射頻信號的源，使用 DNN 識別電磁干擾源射頻調制方案的準確性在很大程度上取決于射頻信號的質量，而射頻信號的質量又是信道的函數。特別是，如果信道是視距信道，且信噪比（SNR）較大，則調制類型的分類準確率很高（> 95%）。另一方面，如果信道參數未知和/或波動較大，信噪比較低，則分類準確率較低（< 60%）。調制類型識別的性能使我們得出結論，在現實世界中基于調制類型的目標跟蹤將非常困難。因此，這項研究的主要工作集中在使用有源雷達對無源信號源進行分類，并以人員計數系統為原型。

我們沒有使用模擬，而是在實驗室建立了一個小規模的測試環境來驗證假設。我們提出的人員計數系統使用多個發射天線，通過發送毫米波雷達啁啾掃描環境。物體反彈回來的信號由多個接收天線接收、處理并存儲到數字數據庫中。然后，我們對數字數據進行特征提取，并將特征輸入卷積神經網絡，以進行物體分類和跟蹤。在這些實驗中，我們將行走的人視為移動物體。我們的初步結果表明，在有限的環境中（如實驗室環境），卷積神經網絡可以利用射頻信號準確識別不同的目標（> 95%）。

引言

許多科學和工程學科都對目標識別和跟蹤進行了深入研究[1][2][3][4][5]。從用于早期探測和跟蹤飛行中導彈的全球定位系統（GPS）[6][7][8] 到自動駕駛汽車[9]，它們都是許多技術的基礎組件。此外，未來的無線通信系統使用大規模多輸入多輸出（MIMO）波束成形[10]和自由空間光學（FSO）通信技術[11][12][13]，使發送方能夠通過將射頻光束或激光束直接聚焦到接收方來傳輸數據。這些聚焦傳輸提高了信噪比（SNR），降低了所需的發射功率以及多用戶干擾。然而，聚焦傳輸在很大程度上依賴于準確跟蹤和識別接收器位置的能力。

傳統的物體跟蹤和識別技術都是基于模型的，這是因為其數學上的優雅和高效，也許更重要的原因是缺乏訓練數據。基于模型的方法通過數學模型將有關問題的先驗知識納入其中，這些先驗知識或基于物理定律，或基于成熟的直覺，以捕捉物體的動態和屬性，從而實現精確的跟蹤和分類。因此，基于模型的方法在許多只需幾個參數就能精確建模的環境中非常有效。卡爾曼濾波器就是基于模型方法的一個典范 [14][15][16]。卡爾曼濾波器在許多應用中都取得了成功，特別是在跟蹤受噪聲觀測影響的目標時。卡爾曼濾波器在跟蹤中取得成功的關鍵在于將目標動態（如速度、加速度等）的精確數學模型與這些值的經驗實時噪聲測量相結合。卡爾曼濾波器根據增量測量/觀測數據和假定的數學模型動態，通過一組更新參數值的遞推方程，高效（快速）地估計模型參數。

用于跟蹤的卡爾曼濾波器的一個主要缺點是，其性能在很大程度上取決于基于一些合理假設（如物理定律或經驗）的所謂精確數學模型。然而，如果數學模型不夠豐富，無法捕捉所考慮環境的所有微小細節，那么卡爾曼濾波器的最佳性能就會受到所考慮的數學模型系列的限制。

為此，本研究調查了用于識別和跟蹤物體的深度神經網絡（DNN）。DNN 是一類基于人工神經網絡（ANN）的機器學習方法，在現實世界的許多應用場景中都表現出色。DNN 架構允許模型從大型數據庫中學習難以用數學建模的復雜動態和特征。

方法、假設和程序

本節將介紹兩項不同的工作。第一項工作是使用不同類型的卷積神經網絡 (CNN) 檢測 EMI 源的射頻調制類型。這項研究完全在 Matlab 仿真環境中完成。第二項研究是利用有源雷達系統的射頻信號作為 3-D CNN 的輸入，檢測房間內的人數并跟蹤他們。這類系統通常被稱為人員計數系統 [17][18][19]。與第一個系統不同的是，所有射頻信號都不是模擬的。相反，它們是使用基于 MIMO 的毫米波雷達系統實時收集的。接下來，我們對原始數據進行特征提取，并將特征輸入三維卷積神經網絡以檢測人數。

目前的自動空中加油（AAR）工作利用機器視覺算法來估計接收飛機的姿勢。然而，這些算法取決于幾個條件，如精確的三維飛機模型的可用性；在沒有事先給出高質量信息的情況下，管道的準確性明顯下降。本文提出了一個深度學習架構，該架構基于立體圖像來估計物體的三維位置。研究了使用機器學習技術和神經網絡來直接回歸接收飛機的三維位置。提出了一個新的位置估計框架，該框架基于兩個立體圖像之間的差異，而不依賴于立體塊匹配算法。分析了其預測的速度和準確性，并證明了該架構在緩解各種視覺遮擋方面的有效性。

圖3：利用的坐標系統。紅軸代表X軸，綠軸代表Y軸，藍軸代表Z軸。所有顯示的箭頭表示該軸上的正方向。

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。

本論文探討了區塊鏈與互聯網協議第六版（IPv6）數據包信息的使用，以支持與無人駕駛飛行器（UAVs）智能蜂群的安全、高性能和可擴展的通信。在這篇論文中，我們研究了三種情況下的加密數據包的交換，即點對點、點對多和多對點。我們模擬了每個場景下的蜂群行為，并在模擬運行中改變了蜂群中無人機的數量。基于仿真的結果顯示，對于點對點場景和多對多場景，即使在多對多場景中，交互節點的數量增加，延遲也沒有明顯增加。相反，在點對多的情況下，延遲會增加。需要進行更多的研究來評估本論文中提出的區塊鏈-IPv6方法的安全性和可擴展性。

圖. 使用區塊鏈技術的無人機群智能中的塊生成概念

引言

越來越多的無人機被用于軍事目的，再加上自動化方面的進步，如為無人駕駛飛行器（UAV）配備不同程度的自主權和群集智能，使得這些飛行器成為敵對勢力的誘人目標。為了獲得競爭優勢，對手將試圖找到無人機的飛行控制器、接收器或發射器的可利用的物理和網絡漏洞，然后應用動能、網絡或某種動能和網絡攻擊機制的組合來操縱無人機的行為，例如使無人機墜毀或泄露敏感數據。

攻擊軍用無人機的一個途徑是操縱無人機使用的通信機制，無論是無人機與無人機之間的通信還是無人機與人類操作員之間的通信。例如，對手可以修改或阻止無人機群之間的數據交換，以降低無人機群的行動效率。重要的是，為軍事單位提供的無人機已經過動能和網絡脆弱性評估，與這些脆弱性相關的風險在無人機的操作使用之前就已經得到緩解，并且在無人機的使用壽命內對無人機系統進行修改時，也要進行風險評估和緩解。

安全風險管理也要在一個框架中進行規范，美國國家標準與技術研究所（NIST）就是這樣做的，它發布了一個風險管理框架。多種技術可用于實施降低安全風險的措施。例如，Vikas Hassija和Vinay Chamola[1]斷言。"當務之急是保持無人機和其他用戶之間交易的安全性、成本效益和隱私保護。區塊鏈技術是一個非常有前途的解決方案，可用于部署實時無人機應用"。

A. 問題陳述

科學技術的創新和進步之間存在著一種共生關系。諸如自動駕駛汽車、自主無人駕駛飛行器（UAV）和智能家用電器等能力，一度被認為是科幻小說的范疇，或者在技術上太難實現，現在已經很普遍了。

無人機的概念最早出現在1783年，當時約瑟夫-米歇爾和他的伙伴雅克-艾蒂安-蒙戈爾費埃公開展示了一種當時可以說是無人機或無人駕駛飛機的交通工具[2]，其形式是1849年在法國一個叫安諾奈的地方的熱氣球，在那次戰爭中，由奧地利中尉弗朗茨-馮-烏沙提斯創造的氣球炸彈被用來攻擊威尼斯市。雖然這次攻擊只造成了輕微的損失，但它可以被稱為成功，因為兩天后威尼斯就投降了[3]。尼古拉斯-特斯拉在1898年獲得了遙控（RC）的專利，大約20年后，一家名為拉斯頓-普羅克特空中目標的公司在特斯拉之前獲得專利的遙控技術基礎上發明了第一架無翼飛機[4]。

從那時起，無人機技術和它的應用已經穩步增長。它們已被用于科學研究，如收集有關火山活動的數據，在這些地方使用駕駛飛機會太危險或太昂貴。在20世紀90年代，亞伯拉罕-卡雷姆推出了 "捕食者"，這是一種配備了攝像頭和其他傳感器的無人機，用于監視。國防界為 "捕食者 "配備了武器裝備，包括導彈[5]。掠奪者本身已被用于一些沖突，如在阿富汗、巴基斯坦、波斯尼亞、前南斯拉夫、伊拉克、也門、利比亞、敘利亞和索馬里的沖突[6]。在2022年，它們也被烏克蘭和俄羅斯武裝部隊廣泛用于戰斗。

無人機技術的一個重大進步是應用了蜂群智能，一群無人機模仿大量同質動物的智能行為，如蟻群、鳥群和蜜蜂群。蜂群通過蜂群成員之間的協調表現出集體行為。蜂群的行為可以被編碼為算法，而這些算法又可以通過軟件實現，在計算機上執行，比如無人機中使用的嵌入式計算機[7]。蜂群行為甚至被用來進行基于無人機的燈光表演，例如在2020年東京奧運會的開幕式上。

在蜂群中，蜂后是控制器，同樣地，在蜂群智能無人機中，系統中有一個控制中心，典型的控制器名為地面控制站（GCS）。無人機的工作方式很直接，這涉及到無人機和GCS之間的數據交換，然后GCS可以連接到衛星，或者衛星可以直接連接到無人機，一切都在實時發生。圖1說明了無人機和其基礎設施的一種通信方式。至少，通信需要是低延遲和安全的[8]。

有兩種技術可以在GCS和無人機之間進行通信。第一種技術是基于蜂群基礎設施的GCS，第二種是飛行Ad-Hoc網絡（FANET）。基于蜂群基礎設施的GCS本身有一個GCS，用于集中式通信。所有的無人機群都將與GCS進行通信，以便群組能夠運作。然而，這種技術的一個缺點是，它依賴于GCS的可用性和正確運作。如果GCS受到干擾，整個無人機群也會受到干擾。相比之下，FANET使用一個發射器向某個無人機發送命令，然后該無人機將這些命令轉發給第二個無人機。然后這些命令將以串行或并發的方式分發給其他無人機。所有的無人機將進行通信，并擁有發射器給出的命令列表，這樣，如果這個發射器發生故障，所有的無人機仍然可以執行命令，因為每個無人機都有一個有效的命令列表。最后，通過使用這種FANET技術，每個無人機將具有冗余性，而不完全依賴通信基礎設施。然而，這種技術也有缺點。例如，一個入侵者或一個未知的無人機可以進入并破壞無人機群。再比如，無人機群的授權成員無法檢測到，所以入侵者（即未經授權的參與者）的無人機，從而可以獲得將由授權無人機執行的命令列表[9]。

為了克服入侵者無人機的問題，也許可以應用區塊鏈來防止未經授權的無人機使用無人機群命令來獲取列表。區塊鏈本身已被廣泛用于金融領域，目的是在每筆交易的驗證過程中消除第三方。

在區塊鏈中，當數據被分發時，將很難被黑客攻擊并獲得完整的數據，因為它是由一個使用加密手段的網絡驗證的。每個區塊由前一個區塊的哈希值，驗證哈希值的隨機數，或稱nonce，以及時間戳組成。完整性的保證是由區塊鏈為第一個區塊的形成提供的，這個區塊是由一個經過驗證的交易形成的結果，稱為創世區塊。由于哈希值是不可預測的或唯一的，欺詐或復制行為將被發現。每個經過驗證的區塊都有其哈希值，對該區塊的任何改變都會對其他區塊產生影響。如果所有或大多數節點給予許可或同意，該區塊就會被添加到鏈上，因為共識機制安排交易的有效性在某個區塊的有效性。

區塊鏈上的這種共識機制可以通過三種方式進行，那就是工作證明、股權證明和投票，實用拜占庭容錯。在加密貨幣的世界里，工作證明被用于采礦。它的工作原理是在每個節點上進行數學方程的計算，然后每個首先完成計算的節點將有權將最新的區塊輸入區塊鏈。使用權益證明，只有合法的節點可以進行計算以達成共識。另一方面，實用拜占庭容錯是基于投票的，要求至少有三分之一的授權節點是拜占庭的。

認證過程是通過生成具有偽隨機函數的一次性密碼（OTP）來進行的。無人機在區塊鏈中注冊，每架無人機根據存儲在區塊鏈節點中的關系，確定它能夠認證的最近的無人機。認證請求從無人機發送至相關的無人機，后者在區塊鏈中觀察并檢查該無人機是否有關系，并能對其進行認證。這個方案能夠挫敗外部惡意無人機的攻擊或第三方攻擊，即使對手知道第一個令牌。

B. 方法

在本論文中，我們研究了使用IPv6（互聯網協議版本6）在無人機之間進行通信的方式。與IPv4（互聯網協議版本4）相比，IPv6有很多優點，即速度更快，更有效，因為它的路由表比IPv4少，所以路由過程將更有組織和有效，而且更安全，因為它配備了交換數據的加密功能。帶寬更有效，因為IPv6支持組播。配置更容易，因為它自動運行。總的來說，IPv6更適合無人機等移動設備，因為不需要通過網絡地址表（NAT），因此延遲低。IPv6將使用區塊鏈與權益證明共識相結合。

與加密貨幣一樣，區塊鏈上的每個節點都必須進行支付。在這項研究中，支付被替換成OTP。每個節點產生相同或同步的OTP。區塊鏈和OTP在這里的使用是為了檢測未經授權的無人機，并防止他們讀取或更新無人機群使用的命令列表。此外，我們探索了區塊鏈、智能合約共識（SCC）和分布式賬本技術在蜂群通信方面的能力。此外，還根據提出的無人機群智能通信架構的概念進行了模擬。

C. 范圍

本論文的范圍僅限于探索區塊鏈技術和OTP的聯合使用，這兩種技術在IPv6數據包中都有填充。

D. 研究結果總結

在進行了模擬物理無人機在點對點、點對多、多對點場景下的運行，并使用1-10000次迭代或交易的實驗后，得到了各場景的延遲比較結果。從這些結果可以得出結論，對于點對點方案和多對多方案，即使在多對多方案中，交互節點的數量增加，延遲也沒有顯著增加。而在點對多的情況下，一個節點以廣播信息的形式同時向幾個節點進行交易，這導致了延遲的增加。第四章和第五章解釋了仿真結果和這些結論的總結。此外，第五章還討論了與本論文中的事項有關的未來工作的可能性和建議。

E. 論文組織

第二章介紹了無人機群智能通信區塊鏈功能的背景，并利用它作為無人機群智能的通信手段。它還對IPv6結構格式進行了概述。第三章討論了基于IPv6區塊鏈的通信數據傳輸的分析。具體而言，分析了IPv6區塊鏈數據包的場景、保密性、完整性和可用性。第四章闡述了IPv6區塊鏈在無人機蜂群智能中實現的可能性和挑戰的研究成果。第五章提供了結論和對未來研究的建議。

本文介紹了在卡勒獎學金第一年內進行的研究，研究如何自主控制檢查平臺向故障平臺行駛以完成檢查相關任務。這項研究的目的是開發一個有限時間的相對位置控制框架，使檢查衛星能夠安全地接近發生故障的平臺，因為平臺的通信能力受到阻礙，導致其在接近過程中根本無法通信。故障平臺導致獨特的挑戰，即平臺的狀態被認為是先驗未知的，檢查器可能無法從故障平臺提供的準確和連續的信息中受益；故障平臺也可能受到機動和干擾。

在該獎學金的第一期內，使用 MATLAB 和 Simulink 開發了仿真軟件，以演示檢查平臺與故障平臺執行會合操作。首先引入基于視線的相對運動模型，直接使用導航信息，然后以自適應非奇異終端滑模控制器的形式開發魯棒控制框架，以確保閉環系統穩定并保證有限時間收斂到所需的狀態。然后在最終討論未來的工作和目標之前展示和討論模擬結果。

確定眼前的地形凹凸對于在粗糙或不平整地面上的行動至關重要。鑒于立體視覺對感知表面形狀的重要貢獻，它應該在確定地面形狀方面能發揮關鍵作用。這一系列實驗的目的是評估單目和雙目深度信息對地面凹凸判斷的相對貢獻。為了實現這一目標，我們用自然的圖像模擬了一個深度辨別任務。刺激物包括一個立體渲染的草地地形，中央有一個小丘或一個高度不等的凹陷。我們測量了對深度偏移方向的辨別閾值。為了確定凹凸辨別和立體視覺測量之間的關系，我們使用了在相同觀察條件下進行的兩項立體視覺任務。為了評估模糊的二維陰影線索對我們地形任務中深度判斷的影響，我們操縱了陰影的強度（低和高）。我們的結果顯示，觀察者在9.1米的觀察距離上可靠地分辨出小至20厘米的地面凹凸。隨著陰影的加強，很大一部分觀察者（30%）表現出強烈的凸性偏見，甚至在立體視覺顯示為凹陷的情況下。這一發現表明，在實驗條件下必須考慮對表面曲率假設的依賴，存在著明顯的個體差異。

在深度信息有限的不利觀察環境中，這些凸性偏差可能在地面凹凸的判斷中持續存在，特別是當陰影信息高度突出時。

簡介

日常活動，如行走或與物體互動，需要整合一系列復雜的知覺和運動信息。這對于在不規則地形上的運動等任務來說尤其如此，這些任務要求觀察者評估即將到來的路徑的寬松程度并相應地調整他們的方法（Barton, Matthis, & Fajen, 2017; Zhao & Allison, 2021）。在粗糙的地形上，觀察者通過注視前方的多個步驟來評估哪些立足點是可以穿越的，從而增加他們的步驟規劃余地（Matthis, Yates, & Hayhoe, 2018）。這種類型的運動任務需要在觀察者的步驟之前對地面凹凸進行評估，并對遠在交互空間之外的安全穿越路徑做出快速決策（另見Allison, Gillam, & Palmisano, 2009）。

在自然觀察條件下，對地面凹凸（或其他表面形狀）的感知是基于單目（例如，紋理和陰影）和雙目線索的整合。雖然這兩種線索都提供了關于物體形狀的信息，但鑒于視覺系統對表明局部曲率變化的差異的敏感性，雙目深度線索（如立體視覺）具有明顯的優勢（Howard，2012）。立體視覺的形狀感知利用了二階空間導數，它提供了關于表面的相對深度和傾斜度的信息（Norman等人，1991；Lappin & Craft，2000）。大多數關于立體視覺對感知表面形狀的作用評估都是在交互空間內的短距離觀察下進行的，這些雙目線索是最精確的（Blakemore, 1970; Gogel, 1977; Foley, 1985; Rogers & Bradshaw, 1993）。然而，立體視覺可以支持可靠的深度和形狀估計，其觀察距離遠遠超過2米（Allison, Gillam, & Vecellio, 2009; Palmisano等人, 2010）。鑒于立體感對感知表面形狀判斷的重大貢獻，它應該在步行或乘車運動前確定地表形狀的決策中發揮關鍵作用。

本研究的目的是評估單目和雙目深度線索對地面輪廓判斷的相對貢獻。為了實現這一目標，我們模擬了一個與生態有關的 "真實世界 "的深度辨別任務，該任務仿照直升機安全著陸決策，使用自然的圖像。在典型的著陸條件下，為了實現安全著陸，飛行員和戰斗工程師必須確保直升機滑橇之間的地面坡度小于約10°（加拿大交通部，2006）。我們假設立體感可能對評估交互空間以外的大距離的地面凹凸很重要，特別是對自然紋理，如草。我們通過測試觀察者的單目和雙目來評估圖像深度線索的貢獻。此外，為了確定自然凹凸的辨別與傳統的實驗室立體感測量之間的關系，我們修改了兩個立體感任務，以評估在屏幕距離為6.1米的相同觀察條件下的局部和整體立體感。以安全著陸標準為準則，在這些觀察條件下，如果觀察者不能檢測到至少60弧秒（0.38米）的地面凹凸變化，他們就不能檢測到會危及安全著陸的地面特征。

本文考慮使用衛星上的傳感器將觀察結果分配到一個離散網格化地理區域的情況。重要的是，至少要在所有網格單元瀏覽一次，以看到整個行動區域；因此，我們希望獲得最大的覆蓋范圍。其次，我們希望通過任何額外的觀察來重新審視高優先級的網格單元。傳感器產生一個二維帶，在每次經過地理區域時，它可以尋找網格單元，我們將其稱為 "掃描"。我們用來觀察網格單元的分辨率決定了觀察的有效性。我們可以選擇使用高分辨率，使我們在更細的細節上有更少的觀察，或者使用低分辨率，使我們在粗略的細節上有更多的觀察。這使我們可以選擇準確地觀察少數地方，或不準確地觀察許多地方。

這篇論文是在與作為五角大樓聯合參謀部一部分的J8局的密切協作下產生和發展的。J8在部隊結構、資源和評估方面向參謀長聯席會議主席（CJCS）提供建議。這個問題已被提煉為一般的情報、監視和偵察（ISR）問題，但延伸到J8在名為STORM的戰區級戰役模型中遇到的真正問題。STORM使用一種啟發式方法來確定哪些網格單元接受觀察。STORM的啟發式方法往往會產生不理想的結果，即大面積的興趣區域被忽略。我們希望改進搜索資產能夠執行的網格單元覆蓋率。

在這篇論文中，我們制定了一個新穎的、大規模的、混合整數的優化模型，以超越STORM的啟發式搜索ISR的表現。該模型被稱為SOM，使用間隙指數對自上次查看每個網格單元以來的掃描次數進行懲罰。我們希望避免收集這些懲罰，這促使我們重新訪問網格單元。目標函數最小化了這種產生間隙的懲罰。我們使用幾個約束條件來維護、重置和跟蹤間隙計數器，一個訪問所有網格單元的軟約束條件，以及一個對網格單元施加最小分辨率的約束條件。SOM的一個獨特的特點是它是事件驅動的，在戰斗空間上掠過，不以時間為基礎。SOM使用實際的STORM數據，有1300多行代碼，包括在R中收集數據，在Pyomo中處理和實現模型。

我們在STORM中未分類的Punic21場景上實現了這個模型。在這個場景中，有兩個戰斗人員。紅方和藍方。我們可以從任何一個角度來實現SOM，每個戰斗人員都產生他們自己的變量和約束。為了說明SOM的大規模，在Punic21中，紅方搜索藍方的網格單元，并在92個區域內進行優化，這相當于48小時的時間，我們有超過2500萬個變量和1500萬個約束。

案例研究以計算和操作結果為中心。計算結果表明，我們可以通過在國際商業機器ILOG CPLEX Optimization Studio（CPLEX）的算法中實施不同的選項來減少運行時間。最重要的選項是提供一個熱啟動，使用沒有外觀發生的最壞可能的解決方案。例如，當我們用默認的CPLEX選項在一個有超過200萬個變量和100萬個約束條件的單處理器上運行SOM時，它需要超過1400分鐘，而且沒有產生一個解決方案。我們確定了定制的CPLEX選項，減少了運行時間，并在不到5分鐘內解決了這個實例。這使我們能夠將問題的規模增加到超過2200萬個變量和1100萬個約束條件，并在不到50分鐘的時間內實現11%的優化差距。業務案例研究結果顯示，與STORM相比，SOM提供了平均54.6%和中位數22.8%的覆蓋率。額外的選項，是SOM原生的，在STORM中不具備的，確保SOM將超過STORM，快速達到最大的覆蓋率，隨后集中精力將目光分配到最重要的網格單元。

我們看到，根據操作結果，優化模型優于STORM的啟發式，并允許我們平衡所有單元的搜索，而啟發式則傾向于集中在重要的單元。與STORM的啟發式方法重復搜索相同的網格單元相比，SOM指導衛星在哪里尋找，以允許訪問每個網格單元并避免大的重訪間隙。

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。