在過去的十年中，空軍和空中機動性司令部（AMC）進行了大量的研究、活動計劃、愿景和范圍文件、作戰概念和路線圖，指出需要改進機動性空軍（MAF）的態勢感知（SA）能力和全球安全指揮與控制（C2）通信。最近，聯合作戰部門正在開發聯合全域指揮和控制，而空軍已經發布了描述敏捷戰斗力（ACE）和相關任務類型指令（MTO）的條令。空軍和聯合作戰部門都在努力解決的基本問題是任務保證。這項研究采用了AMC全球安全指揮與控制-空對地通信能力評估中的機載信息交換要求（IER）綜合清單，并試圖在任務保障方面對其進行描述和優先排序。一個IER框架被提出來，以幫助告知通信差距，并描述在MTO執行期間需要什么類型的決定。任務規劃人員可以根據預期的環境，根據潛在的通信退化情況，建立分支和序列來執行指揮官的意圖。這特別有助于根據飛機指揮官可能需要執行的決定類型進行風險指導。SA數據 "類別中的通信要求是最關鍵的，因為MAF飛機必須與其他飛機協同執行ACE行動。因此，任務保證，如任務基本功能的執行，與SA信息交流最密切相關。

美國國防部已經制定了未來垂直升降機計劃，以開發一系列下一代垂直升降機，這些飛機將比目前的旋翼機隊飛得更遠、更快、效率更高。為了實現這些目標，必須考慮超越單一主旋翼/尾槳設計的先進旋翼機配置。目前正在技術演示程序中進行飛行測試的兩種先進配置是帶有推進式螺旋槳和傾轉旋翼機的升力偏置同軸旋翼機。美國陸軍作戰能力發展司令部航空與導彈中心技術發展局開發了這兩種配置的通用、高保真飛行動力學模型，為政府提供獨立的控制系統設計、操控品質分析和仿真研究能力這些類型的飛機支持未來垂直升降計劃。

為了定義先進旋翼機配置的高速操控品質要求，使用多目標優化方法為兩種配置設計了全飛行包絡內環顯式模型跟蹤控制系統，以滿足一套全面的穩定性、操控品質和性能要求。這些要求是從直升機和固定翼飛機的標準中選擇的。在美國宇航局艾姆斯垂直運動模擬器上，通過一系列高速操控性示范動作，對兩種飛機的控制法進行了評估。仿真實驗的結果顯示，這兩架飛機的總體分配的1級操控品質與預測的1級操控品質有很好的相關性，因此支持在設計過程中選擇的操控品質要求。

此外，還為這兩架飛機開發了外環控制法，以努力改善操控品質并減少飛行員的工作量。外環使用了動態反轉控制法結構，并再次使用了一套全面的穩定性、操控品質和性能要求來優化控制法的參數。在賓夕法尼亞州立大學飛行模擬器設施中，使用第一次評估中使用的高速操控性示范動作，對兩架飛機的外環控制法進行了評估。總的來說，外環控制法為斷橋轉彎和高速加減速機動提供了1級操控品質，并比內環控制法有了改進。此外，外環控制法在本項目開發的編隊飛行任務中提高了性能并減少了工作量。然而，在俯仰姿態捕捉和跟蹤任務中，與內環控制法相比，外環控制法降低了操控品質。這是由于外環的俯仰姿態回落行為造成的，盡管它們被調整為滿足回落規范。結果表明，高速旋翼機的允許回落量應該減少，外環功能可以作為一種可選擇的模式提供。

這里提出的用于優化內環和外環控制系統的一套操控品質標準，被作為調整高速旋翼機控制系統以達到1級操控品質的一套要求。

研究背景與動機

自從垂直升降機問世以來，一直存在著將垂直起飛和降落能力與持續高速巡航能力相結合的作戰需求。事實上，努力開發下一代垂直升降飛機，使其比目前的旋翼機隊飛得更遠、更快、更有效，是目前美國陸軍的第三個現代化重點[1]。1986年，在第一架實用直升機飛行近50年后，一架Westland Lynx創造了目前常規單主旋翼直升機的平飛速度記錄，達到216千米。傳統直升機可達到的最大速度不僅受到其安裝的發動機功率的限制，而且還受到諸如旋翼的前進葉片尖端速度和后退葉片動態失速、振動、穩定性和最大傳動扭矩等因素的限制[2]。因此，為了走得更快，打破保持了30多年的速度記錄，必須考慮超越單一主旋翼和尾旋翼設計的先進旋翼機配置。

在這項工作中，"先進旋翼機配置"被廣義地定義為那些采用升力偏置的旋翼（前進的葉片比后退的葉片產生更多的升力）、復合升力（例如，通過使用機翼）、復合推力（例如，通過使用螺旋槳或噴氣發動機）和/或傾斜的機翼或機艙來實現任務總重量下超過200千米的速度。

圖1.1：Piasecki 16H-1A探路者II，復合旋翼機的早期示例

圖1.2：洛克希德AH-56A夏延直升機，早期嘗試的高速攻擊直升機，存在操控品質問題

目前服役直升機

圖1.6：貝爾波音V-22魚鷹，第一種傾轉旋翼飛機

圖 1.7：西科斯基飛機 X2 技術演示器，繼續開發先進葉片概念 (ABC)。

圖 1.8：空中客車直升機（前身為歐洲直升機公司）X3，最快的非噴氣增強型復合直升機。

圖 1.9：貝爾V-280英勇型傾轉旋翼機，兩架聯合多用途技術驗證機之一。

圖1.10：西科斯基波音SB>1先進槳葉概念(ABC)旋翼機，兩架聯合多用途技術演示機之一。

圖 1.11：西科斯基 S-97 Raider，基于先進刀片概念 (ABC) 的高速偵察和攻擊復合直升機。

未來直升機

圖1.12：萊昂納多AW609，旨在成為第一種用于民用的傾轉旋翼機。

圖 1.13：AVX-L3 未來攻擊偵察機 (FARA) 原型提案，是 FARA 計劃正在開發的五個概念之一。

圖 1.14：空中客車 RACER（快速且具有成本效益的旋翼機），作為 Clean Sky 2 快速旋翼機創新飛機演示平臺的一部分，正在開發的兩架飛機之一。

圖 1.15：萊昂納多下一代民用傾轉旋翼機，作為 Clean Sky 2 快速旋翼機創新飛機演示平臺的一部分，正在開發的兩架飛機之一。

圖1.16：空中客車瓦哈納eVTOL飛機，八螺旋槳傾翼演示機。

圖1.17：波音NeXt自動eVTOL原型機。

面臨的挑戰

先進的旋翼機配置，如同軸復合直升機和傾轉機，在飛行控制和操控品質方面帶來了新的、獨特的挑戰和機會。例如，在直升機中傳統上耦合的響應特性的解耦能力（如獨立推力控制），飛行中的重新配置（如移動機艙），以及冗余控制（如旋翼和航空表面）。為這些配置提供良好操控品質的飛行控制系統的設計將取決于三個關鍵領域：

1.在懸停、過渡和向前飛行時，飛行員更喜歡什么樣的反應類型?
2.對評估響應類型和控制系統之間的差異的有用定性操控品質度量指標(即任務任務元素或操控品質演示操作)是什么?
3.控制系統設計時應滿足的定量操控品質度量及其相關邊界是什么?

研究目標與貢獻

已經有大量的研究致力于發展旋翼機的高速操控性能要求和飛行控制系統設計指南。大部分的研究都是基于一種飛機構型（如有翼復合機、傾轉旋翼機等），而且一般是在有限的飛行條件或飛機構型下進行的。

操控性能要求和MTE應該是以任務為中心的（而不是以飛機配置為中心）。然而，這是否適用于先進的旋翼機配置（例如，復合式與傾斜式）仍有待觀察。這就是為什么這里的研究調查了兩種配置。

此外，如上所述，NRTC最近完成了一個開發高速任務要素的項目，以評估先進高速旋翼機在模擬或飛行測試中的操控品質和飛行員的工作量。然而，在這個項目之前，還沒有使用新開發的高速MTE對先進的飛行控制法進行過正式的駕駛操控品質評估。

因此，本報告的目標和貢獻是：

1.通過將從綜合旋翼機仿真代碼HeliUM中提取的每架飛機的線性模型和修整數據合并到縫合的仿真模型中，建立通用升力偏移的帶推桿螺旋槳的同軸復合直升機（同軸-推桿）和通用傾轉機的實時仿真模型。

2.使用加權偽逆來設計內環（力矩需求）控制分配，使用每個配置的冗余控制。

3.使用一個基于操控品質的優化方法，為兩種飛機配置的整個飛行包線設計內環（速率指令）顯式模型跟隨（EMF）控制規律。一個主要的貢獻是選擇了整個飛行包線的適用標準，并為先進的高速旋翼機飛行控制設計匯編了一套全面的穩定性、操控性和性能規范。

4.擴展Thorsen[64]的工作，為兩種構型在整個飛行包線內設計外環（飛行路徑和空速指令）控制法。這包括開發一個控制分配方案，將縱向和垂直加速度指令分配給飛機俯仰姿態、整體、螺旋槳俯仰（同軸推力器）或機艙角（傾轉器）。與參考文獻中的做法一樣，使用了加權的偽逆方法。[64]所做的那樣，在有限的速度范圍內使用，但現在擴展到整個飛行包線。

5.使用新開發的高速任務要素，對兩種配置的內環和外環控制法進行正式的操控性能評估。這樣的評估在以前還沒有對高速旋翼機控制法進行過。

6.最終，這項工作旨在確定在過渡和高速飛行過程中，飛行員更喜歡哪些反應類型，以及哪些旋翼機和固定翼機的操控性能標準適用于不同的反應類型。

報告組織

本報告的結構如下。

第2章概述了綜合旋翼機仿真代碼HeliUM中開發的通用同軸推力和傾斜飛行器的飛行動力學模型。首先，對HeliUM中使用的飛機物理參數進行了詳細描述。隨后討論了從HeliUM中提取的線性模型，包括對修整、關鍵穩定性和控制導數的描述，線性模型中保留的轉子模式，以及線性模型的特征值。隨后，討論了用于實時模擬模型的模型縫合結構。為每架飛機展示了用于向多個控制效應器分配所需時刻的控制分配方法。最后，提供了每架飛機在一系列空速下的主要軸上頻率響應。

第3章描述了為同軸推力飛機和傾斜飛機設計和優化的內環飛行控制系統。首先，提供了控制法結構的描述，包括對框圖中所有主要元素的討論。接下來，給出了用于驅動控制系統優化的飛行控制和操控品質規范。在簡要討論了所使用的優化策略后，以預測操控品質的形式提供了兩架飛機的控制系統優化結果。

第4章討論了對兩架飛機的內環控制規律進行研究的操控品質模擬實驗的結果。在簡要描述了模擬實驗的設置后，首先提供了同軸推力飛機的實驗結果，然后是傾斜飛機的實驗結果。本章最后對結果進行了討論。

第5章描述了為同軸推桿飛機和傾斜飛行器設計的外環控制律。首先，討論了用于外環的設計方法和結構，包括縱向和垂直加速度指令的外環控制分配給俯仰姿態、集體和螺旋槳俯仰/機艙傾斜角。接下來，提供了用于控制法優化的設計規范。控制法的優化結果是針對同軸推力機和傾轉機的，首先是在一個飛行條件下，然后是在跨越各自飛行包線的幾個飛行條件下。最后，對外循環進行了討論。

第6章描述了在賓夕法尼亞州立大學飛行模擬器設施中進行的駕駛操控品質模擬實驗的結果，以測試第5章中描述的外環控制法。對實驗裝置進行了描述，包括對設施和飛行員飛行任務的描述。在討論之后，提供了同軸推桿和傾轉機配置的結果。

第7章描述了駕駛操控性模擬實驗的結果，以測試兩種飛機的內環俯仰軸指令模型響應類型的不同變化。描述了所測試的俯仰軸指令模型的變化。然后，提供了仿真評估的結果。

第8章描述了對兩架飛機的內環和外環控制法進行的魯棒性分析，該分析采用了無中心變換的方法。首先，提供了一個關于裸機身參數擾動的描述。接下來，簡要介紹了無痕變換，然后是一個評估控制系統魯棒性的簡單應用實例。然后顯示了同軸推桿和傾斜飛行器內環和外環控制法的結果，接著是討論。

最后，第9章提供了本研究的結論、先進高速旋翼機的控制系統設計指南以及對未來工作的建議。

美國陸軍目前擁有1700多架UH-60黑鷹直升機。這些通用直升機構成了輕型步兵的主要空中突擊平臺。他們還執行后勤、傷員疏散(CASEVAC)和搜索與救援(SAR)任務。

UH-60系列于1979年推出。為了提高性能和延長使用壽命，已經進行了多次升級計劃，但引進后續飛機已經變得緊迫。過時和材料疲勞不是更換UH-60至關重要的唯一原因。與同類大國或使用現代防空武器的地區大國間戰爭，要求美國部署一種配備最先進的航空電子設備、傳感器和性能參數的攻擊/通用直升機。

FLRAA計劃

未來遠程突擊飛機(FLRAA)計劃尋求為美國陸軍、美國海軍陸戰隊(USMC)和聯合服務美國特種作戰司令部(SOCOM)提供一種UH-60的替代品。項目管理由陸軍負責。雖然FLRAA旨在具有多任務能力(反映黑鷹的作戰范圍)，但武裝部隊將空中突擊任務作為主要的“理由”。

與UH-60相比，新的中型飛機將顯示出顯著的性能增強。這包括速度、航程和續航能力的大幅提升。最低可接受或閾值巡航速度是230節。陸軍的客觀目標包括280節的最大連續巡航速度和至少300海里的不加油任務半徑。USMC預計將收購第二大FLRAA艦隊，并制定了更高的性能標準(295節巡航速度和450海里航程)。這些物理性能參數在很大程度上反映了東亞一場大規模戰爭將帶來的前所未有的機動挑戰。除了在未來戰爭中預期的更遠距離之外，增強的速度和敏捷性還將提高有爭議環境中的生存能力，并有助于立即利用敵人防御中新創造的缺口。

空中突擊配置中的部隊攜帶能力被認為是決定最終選擇一個競爭者的重要因素。在這里，五角大樓再次設定了最低容量——12名戰備士兵——這超過了UH-60的能力。其他基本需求包括與在多域戰場作戰的其他飛機和地面部隊的全面聯網和互操作性。模塊化和開放系統架構對于最大限度地提高FLRAA的靈活性、保持機載系統的最新狀態和降低運行成本也至關重要。

開發競爭者

2020年3月，美陸軍向兩家行業競爭對手貝爾-德事隆和波音-西科斯基團隊授予合同，參與FLRAA競爭性演示和風險降低(CD&RR)第一階段。該階段包括需求推導、權衡分析和初步概念設計。2021年3月，兩家競爭對手都進入了CD&RR第二階段，重點是在候選機身上集成主要子系統和任務系統。第二階段的工作將持續到2022年5月30日。

“通過CD&RR的努力，陸軍領導人有能力做出早期明智的決定，確保FLRAA能力不僅負擔得起，而且滿足多域作戰要求，同時交付積極的時間表，不犧牲嚴格的速度，”陸軍航空項目執行官員Rob Barrie準將在授予第二階段合同時說。

這兩家競爭者一直是飛行技術演示機，代表了他們將建造的量產飛機的一般設計特征。軍方飛行員和維修人員已經接觸到示威者，既可以直接了解情況，也可以向工業界提供反饋。除了數百小時的飛行測試外，兩架飛機還在任務集成實驗室和推進試驗臺上進行了深入研究。在CD&RR階段所做的觀察和獲得的見解將指導承包商完善和/或調整他們的設計和技術概念。這些見解還指導軍方根據可以合理預期的性能特征發展作戰概念。

貝爾德事隆V-280 VALOR

雙發動機貝爾德事隆V-280 VALOR技術演示機采用傾轉旋翼推進，與同一公司制造的較大V-22魚鷹(OSPREY)有一些相似之處。V-280的特點是集成艙裝甲，并有一個v型尾翼增強機動性，特別是在高速時。測試期間達到的最高飛行速度為305節。貝爾公司于2021年6月完成了V-280的飛行測試，但仍在繼續評估自2017年12月飛機首次飛行以來收集的數據。

貝爾的最終設計方案預計將與V-280非常相似，盡管在演示階段吸取的經驗教訓可能會要求進行一些更改。貝爾公司在性能和優化維護程序方面都具有優勢，擁有超過60萬小時的V-22傾轉旋翼機飛行經驗。這種推進技術已經過實戰驗證。V-280上的推進系統采用簡化的驅動系統設計，采用掛架與吊艙旋轉。Bell表示，這消除了地面加熱，簡化了維護，特別是在現場。

其他經過驗證的性能參數包括280節的空速，以及在低速飛行操作中出色的機動性，包括回旋飛行機動。電傳數字控制系統包括無人駕駛飛行控制選項，使駕駛艙內的機組人員可以使用其他功能。V-280可在1,700海里的范圍內自行部署，作戰半徑(取決于配置)為500-800海里，大大超過了陸軍對遠程攻擊任務的要求。

貝爾公司還非常重視引導分布式孔徑傳感器(PDAS)固有的力保護能力。由德士龍的母公司洛克希德·馬丁公司開發的PDAS為機組人員提供360度態勢感知。它由一個集成傳感器網絡組成，包括分布在V-280艦體周圍的六個紅外攝像頭，這些攝像頭通過一個開放式架構處理器與駕駛艙和頭盔顯示器相連。顯示器也可以提供給飛機后部的人員，包括門炮手，提升機操作員，或準備下飛機的步兵。

波音-西科斯基SB-1 DEFIANT

波音-西科斯基公司用于CD&RR階段的演示平臺被命名為SB>1 DEFIANT。這架雙引擎飛機于2019年3月首次飛行，被歸類為復合型直升機。它的推進系統不同于傳統直升機。它有兩個反向旋轉的同軸轉子和一個后置推進器。與傳統轉子設計相比，前者提供了增強的升力和穩定性;后者提供相當大的向前推力而不傾斜主軸轉子的軸。

2022年1月18日，該小組宣布SB>1已成功完成其第一次完整任務剖面飛行。正如西科斯基公司首席試飛員Bill Fell所描述的那樣，這次測試“充分證明了違抗者執行FLRAA任務的能力，在水平飛行中飛行236節，然后在我們接近有限的、未改進的著陸區時，減少推進器的推力以快速減速。”這種水平機體減速使我們能夠保持態勢感知，并在整個進近和著陸過程中查看降落區域，而無需典型的機頭向上減速。”

演示機先前在森林地形、60度傾斜轉彎和投裝2400公斤多管發射火箭系統中執行了低空飛行操作。 該團隊于2021年1月宣布，將以“違抗SB>1”為基礎，提交“違抗X”同軸直升機，作為正式的量產飛機。與技術驗證機相比，擬生產設計的特點是降低了熱特征，改進了氣動操縱，并采用了三輪車起落架，以提高在惡劣環境下的性能。此外，自主功能已集成到飛行控制中，以增強靈活性和響應能力。

2022年2月10日，該團隊宣布選定霍尼韋爾HTS7500渦軸發動機為DEFIANT x提供動力。霍尼韋爾表示，該發動機在同級別軍用直升機渦軸發動機中提供了最有利的功率重量比。根據霍尼韋爾發布的新聞稿，新推出的HTS7500將提供更強的載荷能力和更高的燃油效率。

空基發射效果

與2021年初授予的機身CC&DR第二階段合同并行，美陸軍還向其他公司發起了合同招標，以提交關鍵子系統的投標，特別是開放式架構航空電子設備和任務管理系統。

美陸軍的一份聲明稱:“實現FLRAA目標的關鍵是將模塊化開放系統方法(MOSA)納入其需求、采辦和維持戰略。”MOSA是提高生命周期可承受性的關鍵推動者，直接與陸軍航空兵目標保持一致，以實現持續的可承受性，并針對未來威脅提供持續的能力升級。”

開放式架構還將促進可交換任務系統的集成，包括所謂的“空射效果”(ALE)。根據美國陸軍的定義，ALE指的是由飛行器、有效載荷、任務系統應用程序和相關支持設備組成的一系列系統，旨在作為單個代理或團隊成員自主或半自主地交付效果。根據艦載機和ALE配置，影響范圍可以從動能或電子攻擊，到偵察和監視。該技術將用于傳統飛機以及目前正在開發的幾種直升機。當部署在FLRAA上時，ACE系統可以通過探測并潛在地抵消敵方防空系統和直升機飛行路徑上的其他威脅來增強部隊保護。

RapidEdge?

幾家公司正在爭奪與ALE相關的合同。柯林斯航空航天公司于2022年1月31日宣布，已成功演示了旨在支持ALE操作的RapidEdge?任務系統。除了基于實驗室的測試，演示系列還包括在管發射的Altius-700無人機上集成任務系統，該系統可以為直升機提供機載偵察、反無人機和對地攻擊能力。

據柯林斯航空航天公司描述，RapidEdge?技術作為ALE系統的“大腦”，包括用于通信的無線電、處理多層機密數據的解決方案、任務計算和空中發射飛行器的自主行為。Collins Aerospace綜合解決方案副總裁兼總經理Heather Robertson表示:“我們為這個市場設計了RapidEdge?任務系統解決方案，采用了高技術和高制造準備水平的強大而有彈性的開放系統方法。“該產品旨在滿足陸軍積極的項目時間表，同時為作戰人員提供關鍵能力。”

FLRAA還將能夠與更大的無人機(有人-無人組隊)聯合作戰，這可以為未來的空中突擊任務提供更強大的偵察和部隊保護資產。無論哪家供應商贏得最終合同，FLRAA的開放式體系結構方法都促進了多個有效載荷和數據鏈的集成，用于空降和地面部隊之間的協作跨域作戰。

未來開發時間線

最終的建議書已于2021年7月向兩家公司發出。投標截止日期為當年9月底。預計將于2022年6月底宣布向獲勝公司授予原型開發合同。虛擬原型開發階段將在合同授予后開始，并持續到2023年12月，最終進行初步設計評審。

虛擬原型階段將與物理原型構建階段重疊，該階段將從2023財年第三季度開始，一直持續到2026財年第二季度。這一階段將需要交付6架飛機用于工程和制造發展階段。首批原型機最早可能在2025財年第三季度交付，飛行測試和評估(由政府和供應商聯合進行)將持續到2029財年年底。生產和部署階段預計將于2028年開始，首批訂單為8架飛機。

美陸軍計劃在2030年裝備第一支作戰部隊。隨著新飛機的采購，武裝部隊將開始退役傳統的UH-60飛機。然而，獲得一個完整的FLRAA機隊將需要數年時間。現代化的UH-60M和UH-60V直升機將繼續與新型直升機一起使用，最后一批直升機大概要到2060年左右才能退役。這將使航空旅能夠根據任務要求和作戰環境部署飛機，為更具挑戰性的場景保留新飛機。

COGLE（COmmon Ground Learning and Explanation）是一個可解釋人工智能（XAI）系統，自主無人機向山區的野外部隊運送物資。任務風險隨地形、飛行決定和任務目標而變化。這些任務由人類加人工智能團隊參與，用戶決定兩架人工智能控制的無人機中哪一架更適合執行任務。這篇文章報告了該項目的技術方法和發現，并反思了復雜的組合問題對用戶、機器學習、用戶研究和XAI系統的使用環境所帶來的挑戰。COGLE創建了多種模式的解釋。敘述性的 "What"解釋比較了每架無人機在任務中的表現，以及基于使用反事實實驗確定無人機能力的 "Why"。可視化的 "Where"解釋突出了地圖上的風險，以幫助用戶解釋飛行計劃。研究的一個分支是研究這些解釋是否有助于用戶預測無人機的性能。在這個分支中，一個模型歸納的用戶研究顯示，決策后的解釋在教用戶自己確定哪架無人機更適合執行任務方面只有很小的作用。隨后的思考表明，用決策前的解釋來支持人類加人工智能的決策是一個更好的背景，可以從組合任務的解釋中受益。

引言

COGLE（COmmon Ground Learning and Explanation）是一個可解釋的人工智能（XAI）系統，用于自主無人機向山區的野戰部隊運送物資。COGLE中的任務是在一個模擬的世界中進行的，其中有山區和森林環境、水體和結構。圖1顯示了一個任務地圖和人工智能控制的無人機的飛行計劃。黃色的棒狀圖顯示了徒步旅行者的位置。彎曲的箭頭顯示了無人機的飛行計劃。地圖下面的時間線顯示了無人機沿其飛行計劃的高度。地圖上的符號表示物體。尖尖的符號是太高的山，無法飛過。曲線頂的符號是低矮和高大的山麓。綠色區域是草地。樹木形狀的符號代表森林。

最初，我們使用ArduPilot SITL1，它可以高保真地模擬低空飛行器的動作。ArduPilot的詳細模擬所需的計算資源被證明是不方便的，對于任務的戰略規劃來說是不必要的。低空飛行控制在商業自動駕駛飛機和業余無人機中被廣泛實施。為了專注于任務規劃，我們開發了一個精度較低的模擬模型（"ArduPilot Light"），在一個回合制的網格世界中，有五級高度和八個獨特方向。我們在ArduPilot SITL的API上模擬了ArduPilot Light的兼容編程接口（API）。圖2說明了COGLE的模擬網格世界的粗粒度，用于任務規劃。

圖 1 共同地面學習和解釋 (COgLE) 域中任務的示例地圖

圖 2 來自 COGLE 飛行學校的插圖展示了具有五個離散高度的模型以及當包裹從不同高度墜落時墜落區的擴大范圍

當無人機與處于同一高度或更高的障礙物飛得太近時，它們就會有墜毀的危險。如果無人機在森林、高山麓或水面上釋放其包裹，那么其包裹可能被損壞。包裹可能無法降落在河流、樹木或高山腳下。無人機飛得越高，其包裹在傘降過程中可能漂移得越遠。一個人工智能飛行員可能會在任務的開始、中間或結束時承擔風險。飛行員在任務中的早期決定會以微妙的方式與后來的決定產生互動。例如，在飛行計劃的早期，關于如何避開障礙物的選擇可能會導致在很晚的時候無法安全地接近選定的地點來投放包裹。

使用COGLE的早期版本，我們對用戶進行了自我解釋的研究，正如Gary Klein, Robert Hoffman, 和Shane Mueller等人所描述的。這樣的研究可以為參與者提供一個關于他們自己想要和使用的解釋種類的視角。用于無人機的人工智能飛行員是基于我們早期的深度強化學習者（RL）。他們在非常簡單的任務中表現出奇怪和次優的循環行為。研究參與者引用了無人機行為的觀察模式，指的是推斷的目標、效用和無人機的偏好。

在研究過程中，當被要求做出預測時，參與者經常的回答是 "我不知道"。研究參與者在自我解釋方面很有創意（"它怕水！"），但他們沒有可靠的依據來確定他們的解釋是否正確。事實證明，我們早期的人工智能控制的無人機的奇怪行為是由于他們有限的訓練造成的。

本文介紹了自主地面車輛（AGV）在越野和惡劣環境條件下進行障礙物探測和規避（ODOA）的綜合研究結果。這項研究包括對AGV在雨、灰塵和可變形地形等挑戰性條件下運行的真實和模擬測試。在模擬中實現了一種分析環境對車輛每個子系統（感知、規劃、控制）的影響的新方法，并用于評估規劃和感知算法的多種選擇。這項工作是在公開可用的自主性堆棧上進行的最完整和最系統的測試活動，并將促進AGV在未來工作中的測試策略的發展。這項工作的主要貢獻是為越野AGV開發了一個免費和開源的自主軟件堆棧，一種對AGV系統進行定量評估的方法，并將模擬和物理測試結合到一個綜合測試方法中。這項工作展示了如何利用模擬來測量在物理測試中無法測量的AGV性能的各個方面，使人們對自主堆棧的功能有更多的了解。

引言

雖然自動駕駛或自動駕駛車輛的能力越來越強，近年來也得到了廣泛的研究[Peterson和Glancy，2018]，但很少有人試圖系統地量化來自灰塵、雨水和軟土等來源的環境誘發的錯誤對這些車輛性能的影響。雖然這些車輛在這些環境條件下的掙扎已被很好地記錄下來，從質量上看[Stock, 2018]，但對這些影響的定量評估相對較少。

過去在定量誤差測量方面的工作傾向于直接關注傳感器數據或整體系統級性能。例如，已經有一些研究量化了雨或雪等現象對激光雷達傳感器性能的影響[Rasshofer等人，2011]。同樣，也有一些關于灰塵對激光雷達影響的實驗室研究[Goodin e t al., 2013]。系統級的分析集中在平均速度或行駛距離等高級指標上[Durst等人，2017]。

雖然傳感器層面或系統層面的誤差研究有價值，但也需要了解誤差如何通過自主子系統鏈傳播。在雨天條件下運行的激光雷達傳感器的錯誤是如何影響目標云、從目標云得出的導航圖以及通過這些地圖計劃的行動的？是否有一種雨量可以使生成的路徑和地圖不受明顯影響，以及在什么情況下，誤差會開始在計劃的行程中顯現？回答這些問題對于自動駕駛汽車向消費者市場過渡至關重要。

從系統上測量環境引起的傳感器誤差和系統級性能之間的關系的主要困難是難以控制環境誤差的因素。涉及這些因素的物理測試在后勤上是困難的，而且對投入的變量不確定。在灰塵、雨水或軟土等條件下進行可重復的、受控的實驗是不現實的，也是昂貴的。相比之下，基于物理學的模擬提供了一種方法來系統地研究這些現象對自主車輛性能的影響[Goodin等人，2017]。為了解決這些局限性，本研究開發了一種方法，使用仿真，研究錯誤通過AGV的子系統傳播。這些測試通過與真實車輛在硬土和軟土上的物理測試進行比較來驗證。

在接下來的章節中，對該領域的相關工作進行了回顧（第2節），然后在第3節對這項多年研究的方法和途徑進行了總結。接下來，詳細介紹了這項工作中研究的車輛平臺、傳感器和自主性（第4節）。第5節介紹了密西西比州立大學自主車輛模擬器（MAVS），它是這項工作的一個關鍵推動因素。第6節介紹了本工作所研究的測試場景和指標，第7節展示和討論了實驗結果。第8節提出了一些最后的結論。

方法

這項工作的一個目標是利用模擬來測量系統級性能指標與規劃和感知算法的子系統級指標的相關性。通過定義系統級和子系統級的指標，并使用模擬器來測量完美的基本事實，可以定量地測量錯誤在系統中的傳播。此外，通過比較多種感知和規劃算法，有可能區分出對自主系統的一般性影響和對某些傳感器和算法的特殊影響。

為了進行基于場景的測試，選擇了障礙物探測和規避（ODOA）測試作為本工作中測試的基線能力。ODOA是任何自主或半自主系統的一項關鍵能力[Oroko和Nyakoe, 2012]。由于這項工作的重點是研究廣義的自主系統，所以選擇了直線ODOA，因為它的簡單性和對幾乎所有自主系統的適用性。

本文的研究分三個階段進行。在第一階段，最初的自主架構被設計、建造，并在模擬中與MAVS進行測試。使用ROS[Quigley等人，2009]對算法和模擬進行了整合。在規劃和控制算法保持不變的情況下，對三種不同的感知算法進行了模擬研究。第一階段還為系統級性能和子系統級性能制定了適當的性能指標。性能指標將在第6.1.2節進一步詳細討論。

項目的第二階段集中在路徑規劃上。感知和控制保持不變，并對三種不同的規劃算法進行了研究。第1階段的指標也被用于第2階段。與第一階段一樣，第二階段完全在模擬中完成。

最后，在第三階段，第1-2階段在模擬中開發的自主性堆棧在一個真實的機器人車輛上實施。使用前幾個階段開發的相同的測試場景和指標，自主機器人在真實世界的實驗和MAVS的模擬實驗中都進行了測試。在真實世界的實驗中，自主性堆棧得到了完善，該實驗是在硬土和軟土上進行的。第三階段提供了對軟土對A GV性能的影響的洞察力，并作為對第一和第二階段進行的模擬實驗的驗證工作。

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。

在有環境因素的城市區域內安全有效地使用四旋翼飛行器，對美國軍事和民用部門具有巨大的重要性。本技術報告探討了一個高度適應性的模擬設置，其中有一個包含學習元素的非線性控制器。其他模型因素--如無人機的幾何形狀、權重和風的力量--在所提出的框架內很容易被修改。用虛幻引擎進行的模擬，可以結合現實世界的城市數據、現實的風和現有的開源軟件。

引言及與美國陸軍的相關性

無人系統和無人駕駛航空系統（UAS）的使用在全世界的軍隊中激增，在通信、監視、偵察和戰斗中都有應用（Nacouzi等人，2018）。在敵對地區，無人機系統將受到多種威脅，包括網絡和物理威脅，以及環境危害。生存和任務的成功往往取決于以最小的通信或依賴全球導航衛星系統（GNSS）的能力，如GPS（Guvenc等人，2018；Sathyamoorthy等人，2020；Fan等人，2022）。例如，無人機系統的通信可用于檢測和獲得無人機系統的位置，而基于衛星的導航很容易被欺騙或干擾，因為信號非常弱。其他傳感器也經常被用來增強GNSS的位置分析，并可以用來取代它，如光學系統--包括照相機、雷達、光探測和測距（LiDAR）系統和慣性測量單元（IMU）（Angelino等人，2012）。這些都提出了自己的挑戰。慣性測量單元是標準設備，但只能檢測線性和角加速度，同時通過檢測地球的局部磁場來確定方向（共9個自由度）。因此，位置誤差，即測量的加速度的第二個時間積分，會隨著時間的推移而累積。在使用IMU進行UAS導航時，其他令人擔憂的來源包括環境影響（即風或降水）。 UAS結構的物理變化，如增加一個傳感器或武器包，包括武器發射后的變化，使工作進一步復雜化。這種質量和質量分布的變化改變了UAS的質量中心和慣性張量。光學傳感器、雷達和LiDAR系統增加了重量，并經常發射射頻或光，使它們更容易被探測到和/或需要處理資源。增加的重量和/或處理可能對電池壽命產生不利影響，從而影響運行時間和整體可靠性。

為了解決這些問題，我們正在研究在大風環境中使用控制算法，以了解IMU信號如何在控制中被用來考慮（和/或改變）UAS的位置計算。再加上不確定性措施，這些最終可用于檢測UAS飛行性能的變化，或對GNSS信號的欺騙。

城市環境是安全和可靠的無人機系統運行的第二個關注領域（Watkins 2020）。它們被認為是國防部行動的一個挑戰領域，也是政府和商業服務的一個巨大的技術增長領域。在這份報告中，我們展示了一個模擬空間，我們正在建立專門用于模擬城市環境中的無人機系統，以解決自主和半自主控制的問題，重點是環境的相互作用，包括風和靜態碰撞威脅。物理學和控制的關鍵部分直接用C++實現。除此之外，在可能的情況下，我們正在利用當前的免費和開源資源（即軟件、軟件框架和數據），但要注意的是，我們包括使用一些在產品商業化成功后需要付費的工具。我們采取了一種模塊化的方法，隨著其他軟件框架和系統的成熟，將能夠靈活地過渡到其他軟件框架和系統。我們目前的系統已經基于用于小型無人機系統的PX4控制器庫和實時發布-訂閱（RTPS）數據傳輸協議。RTPS應能使我們的發展在其他工具成熟時過渡到其他工具，并使用通用的應用編程接口（即API）過渡到其他工具和數據，如計算的風數據。對于圖形和用戶界面，我們使用虛幻引擎（UE）（Matej 2016），這是一個游戲引擎，提供最先進的圖形功能和我們的模型中使用的一些物理學--最重要的是無人機系統和其環境之間的碰撞檢測。

第2-4節詳細介紹了整個模擬的主要計算部分：納入現實世界的城市數據，生成現實的風模型，無人機的幾何和物理建模，以及線性和非線性控制。我們對整體模擬的這些主要部分中的每一個都依賴開源軟件，如UE、OpenStreetMap（OSM）（Anderson等人，2019年）、Mapbox和AirSim（Shah等人，2017年），并根據需要詳細說明（見圖1；例如，真實城市的模型導入游戲引擎中）。第5節和第6節提供了樣本結果和結語。

圖1 將城市數據納入UE進行大規模模擬的兩個例子。伊利諾伊州的芝加哥（上）；弗吉尼亞州的水晶城（下）。這兩張圖片都是使用開源工具創建的，將開源的Mapbox城市數據導入UE中。

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。

這份頂點報告分析了增材制造（AM）技術在美國國防部（DOD）當前和未來的使用情況。該分析為開發增材制造工藝和分析工具（AMPAT）提供了必要的技術背景。AMPAT將幫助利益相關者確定哪些增材制造設備能最好地服務于作戰人員和他們在遠征環境中的任務。此外，該工具可以被利益相關者用來確定AM能力在整個艦隊中最有利的分布，并就這些能力應該如何被整合到更大的海軍任務和更大的國防部企業中做出決定。采用系統工程（SE）方法來收集關于當前和未來的AM方法的信息，以了解和定義AM系統的操作要求。此外，還利用SE過程來分析建立工具的替代軟件選項，實施敏捷軟件開發過程來開發工具，并驗證和確認該工具符合項目要求。研究發現，AMPAT根據用戶定義的輸入參數和加權值，成功地輸出了一個AM系統建議的排名列表。關于選擇AM設備和為艦隊制定分散計劃的建議包括使用AMPAT的可交付成果，利用用戶定義的輸入值進行定制的、迭代的分析，以適應特定的遠征環境。

執行摘要

美國海軍和海軍陸戰隊一直在各種作戰環境和任務場景中增加使用增材制造（AM）能力，以快速交付作戰設備，降低成本，更換和維修部件。美國海軍研究生院（NPS）海軍遠征增材制造（NEAM）團隊的成立是為了解決海軍遠征作戰司令部（NECC）提出的幾個研究問題。該團隊開發了一個名為增材制造過程和分析工具（AMPAT）的工具，該工具將：1）確定具體的增材制造設備，以便在遠征環境中為部隊提供最佳服務，包括分布式海上行動（DMO）、有爭議環境中的沿岸行動（LOCE）和遠征先進基地行動（EABO）；2）輸出建議，可用于幫助通知整個艦隊的增材制造設備分散計劃；以及3）幫助NECC更好地將其能力融入更大的海軍任務。

NEAM團隊使用修改過的瀑布過程模型系統工程方法來開發一個工具來回答這些問題。NEAM團隊進行了詳細的文獻審查，以收集有關各種AM技術、AM零件的設計考慮因素、材料處理以及AM在國防部的使用的信息。此外，該團隊還會見了許多從事AM技術工作的組織的主題專家（SMEs），包括海軍設施（NAVFAC）工程和遠征作戰中心、海軍海上系統司令部技術辦公室、海軍陸戰隊系統司令部、海軍水面作戰中心Indian Head分部、海軍水面作戰中心Pt. Hueneme分部、海軍陸戰隊第一后勤集團、海軍供應系統司令部（NAVSUP）、太平洋海軍信息戰中心和海軍研究辦公室。

AMPAT是一個基于Excel的工具，用Visual Basic for Applications（VBA）編程語言編寫。AMPAT包括一個數據庫，供用戶輸入各種AM系統的信息和數據，以及一個工具儀表板，使用戶能夠在進行分析所需的輸入和分析的輸出之間輕松瀏覽。儀表板允許用戶行使工具功能，包括調整分析標準和用戶選擇，向AM數據庫添加打印機，檢查AM數據庫的錯誤，運行分析，以及清除結果。用戶可以定制AMPAT分析，對一組具有不同規格和特性的AM打印機進行排名，以確定在特定環境下滿足作戰人員需求的最佳AM系統設計。關于如何使用AMPAT的每個功能，可以在《用戶指南》中找到全面的、分步驟的說明。

本報告為用戶提供了一個執行AMPAT以獲得分析結果的方法。首先，用戶通過確定感興趣的具體屬性（如故障率、運行可用性、環境條件）來設置分析參數。接下來，用戶為每個選定的屬性設置加權值，以排列每個屬性相對于另一個屬性的重要性。用戶必須設置權重值，以便AMPAT進行必要的數學分析，提供具體的AM系統建議。數學分析將根據用戶對每個屬性的權重輸入，計算出每個AM系統的加權分數，并將其標準化。AMPAT將生成一個過濾的數據庫表，其中包括滿足用戶在運行分析之前確定的輸入參數的AM系統。此外，根據分配給每個參數的權重值，將提供這些AM系統的排名列表。最后，AMPAT將繪制分析結果；用戶可以選擇特定的參數，以包括在繪圖中，并決定是按系統繪圖還是按屬性繪圖。

NEAM團隊建議NECC使用AMPAT進行迭代分析，并繼續向數據庫添加新的AM系統和系統屬性。隨著新的信息被輸入該工具，用戶將收到更詳細的結果，這可能會影響最終的AM排名。AMPAT提供的排名將為決策者提供建議，說明哪種AM設備在執行DMO、LOCE和EABO環境中最能為部隊服務。此外，NEAM團隊建議NECC將AMPAT升級到具有適當安全分類的環境中，以定制該工具的分析，為艦隊的特定地點提供AM系統的建議。如果有適當的輸入，該分析的結果可用于確定在整個艦隊中預置AM技術的最佳策略。

為了統一國防部和國防部，AM領域的專家必須共同制定一份戰略文件，確定批準AM系統用于國防部的必要標準。AMPAT應被串聯使用，以協助社區評估不同的AM技術，以確定是否適合于國防部的任務和作戰方案。隨著用戶繼續用更多的AM系統填充AMPAT，并反復進行不同參數的分析，該工具的結果和輸出可用于證明國防部的批準決定。

NEAM團隊還建議，AMPAT應擴大到包括一個零件和零件規格的圖書館或資料庫。這將擴大AMPAT的效用，使其能夠為AM系統提供建議，這些系統應被用來打印特定的零件，以支持船舶、潛艇、飛機和其他車輛或設備。最終，這將減少成本并縮短艦隊的時間表，以快速生產量身定做的部件，提高作戰人員的準備程度。

AMPAT提供了一個決策分析過程，以確定最理想的AM設備來支持特定任務，并提高整個國防部對AM能力的認識。AM技術在確保迅速和有條不紊地維持作戰設備和加強艦隊準備方面發揮了關鍵作用。AMPAT的使用將有助于使國防部和國防部統一努力推進AM技術，以支持更大的海軍任務的需要。

I. 簡介

本章定義了本研究項目的問題陳述、目標、范圍和操作方案。此外，本章還解釋了用于開發工具的方法，以及該工具將如何被主要利益相關者--海軍遠征作戰司令部（NECC）和其他利益相關者使用，以滿足研究目標。

A. 問題陳述

幾年來，美國海軍和海軍陸戰隊一直在作戰環境中采用增材制造（AM）能力來快速交付作戰裝備。必須進行研究，以確定如何整合未來的AM能力，同時最大限度地提高投資回報，并盡量減少重復工作。首要的目標是將這項研究應用于部署在各種環境中的能力，如：分布式海上行動（DMO）、有爭議環境中的沿岸行動（LOCE）和遠征先進基地行動（EABO）。就本報告而言，重點是開發一個工具和數據庫，以協助決策者確定在這些環境中使用適當的增材制造。

增材制造已經被證明是非常有益的，它提供了降低成本和快速的部件更換和維修；本報告的以下部分將更詳細地討論AM的具體優勢和劣勢。由于AM是一個快速發展的技術領域，很難持續比較和權衡技術能力和屬性以滿足不斷變化的需求。需要一個工具，讓領導層充分了解當前和新的AM技術提供了哪些能力，這樣他們就可以做出明智的決定，使國防部（DOD）的投資回報最大化，以支持作戰人員和他們的任務。決策者需要考慮的一些特性包括：移動性、易用性、培訓、打印材料和打印機床尺寸。

本項目的目的是提供一個總體決策分析方法和工具，其中包括一個易于修改的NECC當前3D打印機和部件的數據庫，以有效地將當前和未來的AM能力整合到更廣泛的海軍遠征任務中。海軍遠征增材制造（NEAM）團隊廣泛研究了當前的AM能力及其在遠征部隊中的應用，以幫助開發分析方法、工具和數據庫，NECC可以采用并用于確定如何在整個美國海軍艦隊中最佳地分散AM能力并實現利益最大化。雖然在海軍遠征軍內，以及在海軍和國防部內廣泛存在著對AM集成的廣泛需求和巨大潛力，但NEAM項目側重于將AM作為部署系統、平臺和車輛的支持能力。最終，該計劃將作為NECC的參考和指南，以便在海軍和海軍陸戰隊的AM設備部署戰略和采購方面做出明智的決定。

B. 研究目標和項目范圍

本項目的重點是NECC在部署AM設備供遠征軍使用時，如何使投資回報最大化，并盡量減少重復工作。這項研究有助于實現在DMO、LOCE、EABO和其他情況下部署AM能力的總體目標，同時確保與現有工作的互操作性，盡量減少重復的工作，并使投資回報最大化。為了不重復工作，該團隊利用以前為類似工作完成的工作，并與海軍內部正在進行的AM工作協調。這項研究的目的是為NECC提供一個決策分析過程，以指導決策者選擇最有效的AM技術來滿足遠征環境中的具體使用情況。

上述三種遠征環境（即DMO、LOCE和EABO）對AM技術都有自己獨特的需求。DMO環境將海軍的注意力集中在同行和近鄰的競爭者身上，這需要艦隊級別的參與主要作戰行動。為了做到這一點，它在各司令部之間建立了更加一體化的關系，并促進了對風險的計算接受。同樣，EABO手冊指出，"EABO是一個未來的海軍作戰概念，滿足美國聯合遠征作戰的下一個范式的彈性和前沿存在要求"（海軍陸戰隊協會2018，5）。這一戰略提供了進行遠征作戰的機會，在不摧毀所有敵軍的情況下擊敗對手的戰略。此外，EABO手冊 "鼓勵海軍陸戰隊和海軍發展優化的內部力量能力，以服務于整個DMO結構"（海軍陸戰隊協會2018，22）。LOCE概念描述了沿海環境中的海軍行動，考慮到新出現的威脅，為海軍和海軍陸戰隊提供了一個創新的、聯合的框架（有爭議環境中的沿海行動，2020）。AM在確保作戰人員在這些環境中得到適當裝備方面發揮著關鍵作用。

考慮到這些環境，NEAM項目重點關注以下問題，以利用AM技術解決作戰人員能力方面的關鍵差距。

1.什么樣的AM設備能夠最好地服務于執行DMO/LOCE/EABO的部隊，包括考慮與其他美國海軍陸戰隊和海軍部隊的互操作性？

2.在整個艦隊中，什么是最有利的AM能力的分散，以使利益最大化，包括潛在的設備預置？

3.NECC如何將其能力更好地整合到更大的海軍任務中？

這個項目并不打算分析AM實施的每一部分；因此，未來的工作將建立在這個項目的基礎上。未來的工作也被認為是減少范圍蠕變風險的一個緩解因素。NEAM團隊對未來工作的建議可以在第七章A節中找到。

C. 方法

為了實現協助NECC最大限度地提高投資回報和減少重復的項目目標，這項研究的重點是開發一個數據庫和工具，以協助決策和增加對特定任務和目標的可用AM能力的接觸。該工具和數據庫是使用微軟Office產品開發的，因為它在整個聯邦政府的計算機系統中通常是可用的。這將有助于確保它能在整個海軍中被廣泛傳播并被大量受眾使用。

該工具是使用系統工程過程中選擇的軟件開發的。它側重于由利益相關者和NECC定義的AM系統的各種能力。用戶可以使用內置的圖形用戶界面（GUI）加載AM系統的各種特性并分配權重。該工具根據所期望的遠征環境的特征分配權重，輸出AM系統建議。

為了確保交付物滿足利益相關者的需求，NEAM團隊采用了一種系統工程方法，包括利益相關者的持續反饋，這在第四章有詳細描述。這使得利益相關者能夠在項目進展過程中對研究的具體方向提供意見，并使NEAM團隊能夠在獲得信息和分析結果時提供。

D. 報告結構

本報告第一章解釋了問題陳述、研究的目標和范圍，以及用于開發本項目中可交付成果的方法。

第二章包括對NEAM團隊為收集不同類型的AM技術、如何設計AM零件、材料處理方面的考慮以及AM在國防部的具體使用情況而進行的文獻審查的廣泛和詳細描述。此外，第二章描述了NEAM團隊用來完成項目的系統工程方法，以及考慮過的其他方法。

第三章著重于利益相關者的識別和分析，并描述了主要利益相關者的需求，用于將其轉化為具體要求的過程，以及當前AM能力中存在的差距。

第四章概述了增材制造工藝和分析工具（AMPAT）的代碼開發過程和所遵循的軟件流程，以及該工具的能力和限制。

第五章提供了AMPAT的幾個使用案例，并描述了該工具所要使用的操作環境。

第六章全面解釋了AMPAT如何用于檢索特定任務的分析結果，并解釋了用于確保該工具滿足項目要求和利益相關者需求的驗證和確認（V&V）方法。

第七章記錄了開發團隊得出的結論，總結了研究和分析對利益相關者和國防部的益處，并對未來工作提出了建議。

• 本研究由美國陸軍研究實驗室贊助，根據合作協議號W911NF-21-2-0227完成。

?在日益復雜的軍事行動環境中，下一代兵棋推演平臺可以減少風險，降低作戰成本，并改善整體結果。基于具有多模態交互和可視化能力軟件平臺的新型人工智能（AI）兵棋推演方法，對于提供滿足當前和新興戰爭現實所需的決策靈活性和適應性至關重要。我們強調了未來作戰人-機器交互的三個發展領域：由人工智能引導的決策指導，高計算力下的決策過程，以及決策空間的真實呈現。這些領域的進展將使有效的人機協作決策得以發展，以滿足當今戰斗空間日益增長的規模和復雜性。

關鍵詞：決策、交互、兵棋推演、人工智能、增強/混合現實、可視化

1 引言

在傳統的兵棋推演中，指揮官利用一個共同的基于地圖的作戰地形，并在軍事決策過程（MDMP，方框1）中模擬各種因素的組合如何產生行動方案（COA）、可能的反擊行動、資源使用估計和預測結果（美國陸軍，1997年，2014年，2015年）。在幾天或幾周的時間里，MDMP過程導致了一套精煉的COAs，它對作戰環境做出了一定的假設，包括地形、天氣以及戰區資產的可用性和能力（即塑造支持主要作戰行動的活動）。

方框1. 軍事決策過程（MDMP）
MDMP是美國陸軍解決問題的理論方法，從接到任務開始，到生成作戰命令結束。MDMP被用作一種工具，幫助指揮人員審查眾多的友軍和敵軍的作戰行動。MDMP的7個步驟在規劃新任務、擴展行動和執行訓練演習所需的決策過程中灌輸徹底、清晰、合理的判斷、邏輯和專業知識（美陸軍，1997年，2015年）。
指揮官在接到任務后啟動了MDMP。在MDMP的第1步中，所有的工作人員和關鍵的任務參與者都被告知任務和待定的規劃要求，包括進行MDMP的可用時間量。確定進行任務分析所需的工具，并收集與任務和作戰區有關的文件。步驟2，執行任務分析，建立對任務的全面理解，包括關鍵的事實和假設，形成擬議的任務說明和任務分析簡報，為制定COA做準備。
MDMP的第3至第6步著重于制定COA以進行分析和比較。這些步驟包括：第3步，制定COA；第4步，COA分析（兵棋推演）；第5步，COA比較；第6步，COA批準。COA是對一個已確定的問題的潛在解決方案。每個COA都要使用篩選標準來檢查其有效性，如在既定的時間框架、空間和資源限制內完成任務。COA的選擇過程通常涉及到兵棋推演，它試圖在考慮到友軍力量和敵人能力的情況下，將行動的順序流程可視化，同時考慮到行動區域內平民的影響和要求（美陸軍，2014）。戰術模擬（兵棋推演）方法的好處是突出了作戰行動的優勢和劣勢。這往往是一個反復的過程，對作戰行動方案進行評估，然后根據需要進行修改，直到出現一個或多個具有最高成功概率的作戰行動方案來完成任務目標。
在一個具體的行動方案得到指揮部的批準后，MDMP的最后一步是制作行動指令，這是一份給下屬和鄰近單位的指令，旨在協調所有參與任務的組織的活動。這一步驟涉及到所有受命令傳播影響的組織之間的積極合作，并建立起對局勢的共同理解。

盡管MDMP幫助指揮官了解作戰環境和考慮作戰方法，但這個過程有很多局限性，如時間密集、假設僵化、跨場景訓練的機會有限，以及將人工智能（AI）指導納入決策過程的機會很少。傳統上，一項任務的成功與指揮部執行MDMP的能力直接相關。然而，鑒于當今多域作戰（MDO）的復雜性增加（Feickert，2021年），有大量的任務指揮系統和流程，與行動相關的所有活動的整合和同步變得越來越困難，甚至到了人為無法完成的地步。由于MDMP的缺陷而導致的規劃專業知識的缺乏，可能會導致不同步和不協調的行動，從而最終導致士兵的生命損失。

MDMP中沒有具體描述戰斗空間的可視化能力，但它顯然在決策過程中發揮著重要作用。最近，集成了先進可視化能力的新系統和新技術已經被開發出來，它們可以提高態勢感知，從而增強決策過程。美陸軍的例子包括Nett Warrior（Gilmore，2015），它使下馬戰士能夠直觀地看到附近的友軍和敵軍，同時根據當地的地形協同規劃戰術任務。盡管這項技術將無線電和數字地圖擴展到了下馬戰士，但它缺乏一個底層的人工智能引擎來提供決策幫助。戰斗空間可視化和交互平臺（BVI，前身為增強現實沙盤，ARES）是陸軍技術的另一個例子，它能夠為任務規劃提供分布式協作，具有從任意視角和廣泛選擇設備的共同作戰畫面的二維和三維可視化能力（Su等人，2021）。BVI架構的制定是為了拉入外部計算服務，如分析管道、模型和人工智能引擎。美陸軍研究實驗室正在努力將這些類型的服務納入BVI，包括用于加強決策支持的人工智能。

目前，MDMP并沒有將人工智能指導納入整體任務規劃方法中。美陸軍的自動規劃框架（APF）（Bailey，2017）開始通過將自主技術插入MDMP工作流程來解決人工智能輔助決策問題。指揮人員可以通過APF的數字規劃呈現、規劃創建和規劃監控工具，在任務規劃和COA開發期間獲得背景援助。任務執行和估計能力通過監測任務的規劃和實際進展，為改進決策跟蹤和支持活動提供自動協助。盡管APF為MDMP引入了基本的自動化水平，但它缺乏Nett Warrior和BVI所提供的先進的可視化和用戶互動能力。

提供地面部隊自動化和用戶可視化能力的是美陸軍最知名的兵棋推演平臺--半自動化部隊（OneSAF），為計算機生成的地面部隊提供建模和模擬能力（PEO_STRI, 2022）。OneSAF提供了半自動和全自動的軍事實體（即士兵、坦克、直升機和綜合單位）的建模，在類似真實世界的戰斗空間中以不同的保真度來支持特定的應用和場景。OneSAF主要用于訓練，并與目前的任務指揮系統具有互操作性。它可以使用多分辨率的地形和詳細的實體相關數據庫來模擬廣泛的作戰環境。然而，OneSAF對地形和實體系統的高保真建模的優勢使得它的設置和運行成本很高。它受到老化系統的限制，而且眾所周知，士兵需要大量的培訓來學習如何操作模擬，使用起來很困難（Ballanco，2019）。OneSAF的復雜功能并不適合開發人工智能能力，以實現快速和敏捷的戰士-機器決策。

除了MDMP和上面提到的陸軍平臺外，最近將人工智能納入決策過程的工作包括一些方法（Goecks等人，2021a），在模擬人類決策過程方面取得了一些成功。一般來說，人工智能在決策變量有限的問題上取得了一些成功，如資源分配（Surdu等人，1999）、飛行模擬器（Drubin，2020）和更簡單的場景。正在進行的挑戰包括需要提高人工智能的能力，以解決有多個行為者、不完整和可能沖突的信息、不斷變化的單位行動和環境屬性的復雜決策，以及需要將這些決策的后果在許多空間和時間尺度和領域內可視化。

以下各節描述了對MDMP的潛在改進。"未來軍事決策過程所需的進步"一節概述了支持MDO決策的三個研究領域，并以圖表形式描述了這些研究領域與軍事理論決策方法之間的關系。"未來軍事決策過程所需的進步 "一節中的小節對每個研究領域進行了更深入的討論。"展望推進人-人工智能團隊決策的交互技術 "一節概述了未來的作戰人員-機器接口（WMI）的發展方向，重點是與決策有關的人-人工智能團隊的跨學科研究。

2 未來軍事決策過程所需的進步

軍事決策過程在支持MDO復雜決策方面的局限性，突出了在三個研究領域的改進需要。首先，有必要將人工智能產生的指導和輔助決策支持納入MDMP。這既包括進一步開發和整合人工智能到戰斗空間決策規劃，也包括進一步改善人工智能決策過程的可解釋性和透明度（Chen等人，2018）。第二，有必要在戰略層面以及戰術邊緣，盡可能地將決策分析與高性能計算（HPC）的力量結合起來。這將能夠利用HPC系統的力量來支持建模、分析和計算時間，同時整合和同步來自所有戰區領域的信息。最后，有必要利用先進的可視化技術，如混合現實技術，對決策空間進行更準確和互動表述。不是簡單地在一個固定的時間尺度上顯示地形的二維渲染，而是需要可視化不同領域的決策是如何相互作用的，并利用混合現實技術來提高理解的吞吐量，并產生平面顯示不可能的洞察力。

除了MDMP之外，其他更廣泛適用的支持戰斗性問題解決的軍事理論包括：DOTMLPF[例如，學說、組織、訓練、物資、領導、人員和設施；（美陸軍，2018年）]，這是一個確定差距并為當前和未來作戰要求提出設計解決方案的框架；以及METT-TC[例如，任務、敵人、地形和天氣、部隊、可用時間和民事考慮；（美陸軍，2019年）]，這是一個結構化框架，用于捕捉任務相關因素的狀態，以便在軍事行動期間進行共享評估。這些理論定義了MDO戰場的信息背景，構成了應用于上述三個研究領域的軍事決策的核心基礎。如圖1所示，在為人類和人工智能指揮開發復雜軍事決策空間的新表述時，研究進展和MDO相關理論相互借鑒、相互啟發、相互加強（美陸軍，2010）。

圖1. 新型作戰人員-機器交互（WMIs）和人工智能輔助決策所需的三個研究發展領域，以支持和加強基本的MDO理論[右下圖來源：Lebsack（2021）]。

2.1 人工智能導向的決策指導

需要新的人工智能支持的WMI，以利用人工智能決策方面正在取得的進展，并為復雜的適應性決策的人工智能學習作出貢獻。在簡化的戰斗空間中測試人工智能決策輔助工具是開發過程中重要的第一步，也是將人工智能納入更成熟的戰斗空間平臺（即BVI、OneSAF）的前奏。開發用于決策輔助實驗的人工智能測試平臺可以在MDO中產生能力越來越強的潛在COA建議。圖2顯示了陸軍開發的兩個人工智能測試平臺的例子。

圖2. 兩個ARL人工智能測試平臺的例子。左邊：ARL Battlespace（Hare等人，2021）（ //github.com/USArmyResearchLab/ARL_Battlespace ）。右邊：ARL的Simple Yeho測試平臺。圖片由C. Hung制作。

人工智能測試平臺能夠開發出匯集所有領域信息的AI，并計算出人類和AI智能體的風險和預期回報。圖2的左側顯示了ARL戰斗空間測試平臺（Hare等人，2021年），它是從頭開始開發復雜決策的新型人工智能的理想場所。它對戰斗空間的抽象強調了軍隊相關場景下的核心推理原則，在這種情況下，用蜜罐進行網絡欺騙。較小的網格空間使人工智能的學習和發展能夠集中在不確定性下的復雜推理，有多個友好和敵對的agent。圖2的右側顯示了ARL的Simple Yeho測試平臺，它提供了將人工智能開發與更多真實世界場景中的默契推理結合起來的能力，有多個基于地形的海拔高度、視線范圍、障礙物、樹葉（隱蔽）、道路和城市區域。紅色陰影和黑色線條表示任務的起點和終點、左右邊界以及人工智能建議的路線。這種額外的真實性使其能夠與MDO理論相結合，包括DOTMLPF和METT-TC，并使人工智能與自然的、機會主義的士兵行為共同發展。這兩個人工智能測試平臺都可以擴展為傳統和沉浸式混合現實WMI開發平臺。

使用漸進式和可擴展的人工智能測試平臺，可以調查現有人工智能的幾個基本限制，特別是對于具有不確定性的復雜和適應性決策，以及人類和AI智能體的協作和對抗。對多智能體的協作和對抗性決策進行建模可能特別復雜，因為其遞歸性質，其他智能體是模型的一部分（Goldman，1973；Grüning和Krueger，2021），需要對決策特征、個性化的價值、風險規避、記憶和注意力進行動態和不斷發展的估計。這些具有高度不確定性、復雜性和動態性的情況是人類擅長的領域，適當設計的交互界面和人工智能測試平臺的人機協作可以提供加速和更有效的決策。對于有效的團隊合作，新穎的WMI應該幫助作戰人員篩選復雜的信息，并幫助人工智能發現決策的隱含規則。下面，我們提供了關于人機協作如何有效的案例。

多域兵棋推演中需要的復雜決策是開發有效人工智能決策輔助工具的直接挑戰。最近人工智能在圍棋、國際象棋、Minecraft和大富翁等游戲中的成功（Silver等人，2017；Goecks等人，2021b；Haliem等人，2021）是基于對世界現有狀態有完整了解的游戲（即 "開放 "游戲），而兵棋推演平臺通常包括關于作戰環境的不完整（如星際爭霸）、不確定或欺騙性信息（Vinyals等人，2019）。不確定性也可能來自變化的物理學或其他環境規則，正如在《憤怒的小鳥》中所探索的那樣（Gamage等人，2021）。由于世界狀態、不同行動者的狀態以及所采取的行動不確定性，知識的缺乏使得人工智能agent難以計算未來行動的風險回報情況（Cassenti和Kaplan，2021）。不確定性也限制了人工智能估計其他行為者的風險回報概況的能力，而這是計算有效的博弈論策略所需要的。人工智能被可能的最優和近似最優選擇的廣度所淹沒（Lavine，2019），即由于信息有限而選擇錯誤的選項，這種情況并不罕見，因為人類在制定有效探索隱藏信息的策略時，采用啟發式方法進行有效的選擇和預測（Gardner，2019）。為了幫助發展人工智能的隱性知識和探索能力，新型的WMI需要有效地解釋和展示決策景觀，以使作戰人員能夠快速和自然地瀏覽可能的選擇，同時使人工智能能夠在不施加認知負擔的情況下從人類的決策中機會主義地學習（Lance等人，2020）。這種機會主義學習可以包括：例如，凝視跟蹤，以捕捉吸引人類興趣和意圖的視覺區域和未標記的目標。它們還可以包括建立在自然的士兵選擇行為基礎上的行動者批評方法，以改善人工智能對人類專家在不確定、不完全信息和欺騙的情況下如何優先考慮某些選擇的學習，這取決于任務相關的背景。

開發人工智能的WMI的另一個基本挑戰是如何有效地整合和顯示MDO中所有五個領域的信息，特別是空間和網絡，因為這些領域的信息具有不同的時空尺度（Gil等人，2018）。對于網絡，決策的規模和速度可能比人類處理和理解的能力更快，需要人類的輸入來指導半自動化的決策，以及實施進攻和防御性欺騙策略的人工智能。WMI需要能夠以這樣的方式顯示決策圖景，即可以解釋一小部分最優和接近最優的決策策略（例如，圖3中的決策樹）。這應該包括對關鍵agent在不確定情況下的未來狀態和風險回報情況的估計（Hare等人，2020），以使有效的博弈論決策能夠被共同開發和相互理解。

圖3. 在頂部，是BVI網絡戰術規劃器應用程序中友軍與敵軍戰爭場景的三維視圖。三維視圖提供了一個比二維視圖更真實的決策視角，例如，顯示友軍（藍色）和敵軍（紅色）機載預警系統（AEWs）和周圍地形的海拔。這使得快速審查可能的視線和相對于周圍地形的感應。下面是人工智能的導航決策樹，為人工智能計算的幾個關鍵選擇的風險/回報概況以及它們如何映射到地形上提供透明度。這種抽象的決策空間還可以整合非空間決策，例如網絡欺騙。虛線表示與友方AEW的通信聯系和對敵方AEW的可能干擾。圖片由C. Hung制作。

這些挑戰為有效的WMIs設計提供了參考。也就是說，我們需要有能力從不同的來源（包括從其他國家的決策輔助工具）提取信息，以及一個能夠承載整合這些信息的計算能力的架構，同時還要處理基礎的人工智能計算（用于學習和部署）。我們還需要共同開發一個界面和算法設計，以適時地利用人類和人工智能agent的優勢并減少其局限性。

2.2 高計算能力下的決策過程

在復雜的決策過程中，需要大量的計算能力來處理和記錄所有組件、實體和狀態空間。從積累的動態狀態空間的數據集中建立過去、現在和預測模型，需要利用HPC資源來產生分析性的見解，并在決策背景下創建有用的表述。

實施HPC分析工作流程的一種方法是使用持久性服務框架（PSF）。PSF是一個最近可用的分布式虛擬化解決方案，它可以通過一個基于網絡的前端實現對HPC服務的非傳統訪問，而不像傳統的HPC環境，計算節點在特定的時間段內以批處理模式分配給用戶。此外，PSF提供對數據、數據庫、容器化工具集和其他托管平臺的分布式連續訪問（Su等人，2021）。

在一個PSF方法的例子中，一個模擬引擎連接到PSF，用于記錄人類和人工智能做出的所有決定。這允許分析在任務規劃和COA開發過程中發生的決策行為，以及識別決策模式和戰略，以開發競爭性和現實的兵棋推演場景。一個戰斗空間可視化平臺可以托管在PSF上，并使用消息傳遞協議來更新所有連接的設備接口。來自模擬引擎的狀態信息可用于生成戰斗空間和參與作戰單位的圖形表示。

使用PSF方法并利用HPC資源，可以實施人工智能輔助決策機制，利用大數據攝取和分析，同時可供地理分布的用戶用于協作決策工作和 "永遠在線 "的個性化培訓和紅色團隊。連接到PSF托管服務器的各種混合現實顯示模式可以支持一系列作戰場景，從戰略層面的指揮和控制到作戰邊緣的更多移動戰術使用。

2.3 決策空間的真實呈現

用圖形表示各級行動的軍事決策戰略需要新的可視化方法，這些方法可以應用于以規則變化、認知狀態、不確定性以及個人偏見和啟發式方法為特征的動態環境（Dennison等人，2020；Hung等人，2020；Raglin等人，2020）。戰斗空間的視覺表現應該在技術上盡可能準確和逼真，但又保持在人類可以理解和解釋的認知水平（Kase等人，2020；Larkin等人，2020；Hung等人，2021）。融合了混合現實技術的先進可視化方法有可能更好地表現多領域戰爭的變化特征及其不斷變化的威脅和動態環境。隨著最近混合現實可視化設備的技術進步，成本降低，硬件的可靠性和實用性顯著提高，混合二維和三維可視化方法現在已經成為可能。

由多個二維顯示器組成的混合現實方法增強了更先進的三維可視化能力，可以為指揮人員提供理解復雜的兵棋推演狀態空間所需的洞察力（Su等人，2021）。當需要一個共享的戰斗空間表示時，可以通過在不同的可視化模式上實現多個協調的視圖來實現協作的戰略規劃模式，以根據分布式指揮人員的輸入進行互動更新。

BVI（Garneau等人，2018）平臺表示地理空間地形信息和地圖圖像，允許指揮人員建立和修改戰術任務規劃和COA。作為一個數據服務器，BVI將地形和作戰數據分發給支持多種可視化模式的客戶端應用程序，包括頭戴式顯示器設備、基于網絡的界面、移動安卓平板設備和混合現實設備（例如，HoloLens 2、Oculus Quest）。

例如，圖3（頂部）顯示了位于加利福尼亞州圣貝納迪諾縣歐文堡國家訓練中心的高分辨率地形上的友軍與敵軍的兵棋推演場景（Wikipedia, 2021）。與MDMP期間經常使用的傳統2D地圖顯示相比，戰斗空間的3D視圖可以從多個觀察角度提供更豐富的用戶體驗。三維視圖，在BVI的網絡戰術計劃器（WTP）中，將地形和人工特征的空間信息以及由MIL-STD 2525C符號描繪的單位位置可視化（美國防部，2014）。可以想象，地理空間視角，如BVI提供的視角，支持決策者對動態戰斗空間環境的理解。與可導航的人工智能增強的決策空間（圖3，底部）搭配，組合的視角可以使人們更好地理解視覺空間依賴性、影響和因果關系、估計的風險和價值、不確定性以及復雜決策的欺騙性。將這種以地理空間和決策為中心的視角與人工智能相結合，可以提供必要的廣度，以協調物理行動與網絡和其他非空間領域的行動，跨越多個時間尺度，并具有快速適應變化的任務目標的靈活性。

3 人-人工智能團隊決策的交互技術展望

人工智能和人-人工智能團隊的快速發展需要WMI同步發展。隨著新型人工智能對有價值的COA產生更好的預測，并能更好地處理復雜的決策，它們也必須利用人類的專業知識，學習如何處理具有高度不確定性、欺騙、隱性知識和博弈論的決策。相反，人工智能的推理必須既抽象又能與兵棋推演環境相聯系，以實現透明和信任，同時又不造成過度的認知負擔。基于三維混合現實的WMI可以利用和增強人類固有的三維認知和預測能力（Welchman等人，2005；Kamitani和Tong，2006；Kim等人，2014；Boyce等人，2019；Krokos等人，2019），如果設計得當，其交互將感覺自然，同時擴大顯示多個領域的信息的能力，同時使AI能夠適時地從用戶的決策中學習。

我們強調了三個關鍵的發展領域，即人工智能引導的決策指導，支持這種指導的計算基礎設施，以及決策透明度的混合現實表現的發展。這些領域的進步需要跨越許多不同學科的專業知識。新的人工智能發展需要融合神經科學、心理學和數學的思想，以克服復雜決策中長期存在的問題的瓶頸。這包括跨時間尺度的學習和變化環境下的災難性遺忘，以及更具體的兵棋推演問題，如具有不確定性、欺騙和博弈論的多Agent決策。計算基礎設施也需要發展，因為計算能力和數據框架對于在戰術邊緣產生人-人工智能團隊的共同操作圖來說都是必不可少的。為了有效地開發，應該通過一個共同的框架來抽象出專有的限制和軟件的依賴性，并為使用和故障排除提供清晰的文檔，以使學術界、政府和工業界更好地專注于解決人與人工智能的合作問題。這個通用框架應該包括有效的信息傳遞，同時提供靈活性和適應性，以滿足人工智能開發和人類用戶在訓練和實際使用環境中的需求。最后，交互技術的開發本身需要跨學科的協同專業技術。一個基礎性的問題是如何壓縮信息使之被用戶有效地理解，以及如何最好地利用用戶的互動來進行機會主義學習。人類的大腦并不處理所有的感官信息，而是對世界進行預測和假設，以便在信息不完整的環境下節約計算。一個有效的WMI應該同時預測潛在的決策結果以及個人用戶的期望和假設。此外，人工智能決策輔助工具必須估計用戶的默契，使其能夠提供最相關的信息和最有希望的選擇，這些信息來自整個作戰領域。

結論

信息作戰和指揮與控制（C2）是美國陸軍可以向盟友和伙伴提供的兩種能力。在未來的作戰環境中，不僅要為動能作戰做準備，而且要為混合作戰和以信息為重點的戰爭做準備。這需要在復雜和默契推理的人工智能能力方面取得進展，在能夠提供持續訓練、分布式混合決策和大數據分析系統方面取得進展，以及在人與人工智能協作決策和機會主義學習方面取得進展，以實現人工智能的持續進步和人與人工智能的共同適應。這些進展中的每一項都需要跨學科的計劃性努力，以克服復雜的技術挑戰，創造新的決策原則、理論和理論方法，包括持續開發綜合測試平臺和技術，以實現政府、學術界和工業界的合作和協同發展。