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

??引言??：本研究通過文獻綜述檢視數據可視化方法在AI輔助決策場景中的應用現狀、核心挑戰及設計原則。重點探究三類議題：所采用的可視化技術類型、用戶面臨的實踐困境、影響認知理解的關鍵視覺要素，以及可視化效果評估方法論。

??方法??：嚴格遵循PRISMA協議開展系統性文獻綜述（SLR），覆蓋五大權威學術數據庫，最終納入2011年至2024年7月發表的127項相關研究。通過綜合解析決策場景現有可視化方案，重點評估“可用性”、“交互性”、“可訪問性”及“認知負荷管理”四大維度。

??結果??：研究發現涵蓋圖表、圖形、儀表盤及交互平臺等多樣化可視化形態，其核心價值在于增強數據探索與洞察提取能力。關鍵挑戰包括：復雜度與可用性平衡、直覺化設計實現、復雜數據精準解讀的培訓支持。研究證實“色彩運用”、“符號表征”、“數據密度控制”等視覺要素對提升用戶理解力與決策效能具有決定性作用。針對個體認知風格定制的交互式可定制可視化方案展現卓越效能。進一步強調需采用“可用性測試”、“問卷調查”、“認知評估”等多元評估方法，基于用戶反饋迭代優化可視化設計。

??討論??：研究結論表明：支持個性化定制的交互式可視化路徑——適配差異化認知偏好并融合持續培訓機制以降低解讀偏差——可為用戶創造最大價值。本成果為構建適應數據密集型環境復雜決策需求的“高可訪問性”、“強有效性”可視化實踐框架提供理論基石。

博弈論長期作為網絡安全領域的基礎工具，用于測試、預測和設計攻防雙方的策略互動。大型語言模型（LLM）的興起為計算機系統安全帶來新工具與挑戰；本研究探討經典博弈論框架能否有效捕捉LLM驅動智能體與機器人的行為特征。通過構建可復現的博弈論LLM智能體框架，我們檢驗兩種典型場景——單次零和博弈與動態囚徒困境——測試LLM是否收斂于預期結果或受內置偏差影響產生偏離。實驗涵蓋四種前沿LLM模型及英語、法語、阿拉伯語、越南語與漢語五類自然語言，以評估語言敏感性。研究發現：最終收益受智能體特性（如人格特質或重復博弈認知）顯著影響；收益結果對語言選擇呈現意外敏感性——警示LLM在網絡安全應用中需規避無差別部署，呼吁開展深度研究（因跨國部署可能引發行為異變）。研究同時采用量化指標評估LLM智能體的內在一致性與跨語言穩定性，為安全應用場景優選穩定模型提供決策依據。

據最新報告，網絡威脅成本預計未來數年將突破10萬億美元[1][2]。除企業、公民與政府機構經濟損失外，網絡攻擊更使數字社會面臨基礎設施崩潰風險——該風險隨信息技術全球擴散日益嚴峻。學界與業界持續開發新型防御方案應對多樣化網絡攻擊[3]之際，博弈論已成為研究攻防策略互動的強有力理論框架[4-8]。該理論將雙方戰略互動形式化（目標均為最大化自身收益[9]），通過捕捉攻防策略選擇評估防御（或攻擊）機制有效性。相較于純技術路徑，博弈論額外考量網絡攻擊者與安全層交互的成本收益，揭示安全與效率的固有沖突需動態平衡[10]，并基于成本效益權衡優化特定條件下的網絡彈性[11]。其應用涵蓋入侵檢測、風險評估、信號干擾與竊聽，延伸至機制設計及安全投資（含網絡化應用）[12]，提供數學證明、防御系統魯棒性分析及分布式解決方案等核心工具[4][7]。

伴隨傳統信息技術，大型語言模型（LLM）作為顛覆學術、工業與社會范式的強大AI應用迅速崛起[13-15]。網絡安全領域快速吸納LLM技術，其作用呈雙軌發展：場景生成器（建模范疇[16]）與網絡安全場景內智能體（代理作用域[17][18][8]）——后者既可扮演威脅源亦可作為防御增強體[19]。然而LLM對網絡安全應用的系統性影響研究尚處萌芽階段，亟需建立統一框架解析攻防LLM智能體的新興策略。博弈論為此提供天然理論基石，近期研究視角主張采用生成式AI開發戰略智能體以構建可靠網絡安全應用[20][21]。

此類構想雖具吸引力與潛力，其核心挑戰在于博弈論、網絡安全與LLM的三重交叉：當前對交互LLM的實際行為認知匱乏。關鍵問題包括：LLM行為是否契合博弈論預測（進而能否可靠預測博弈結果）？若出現新興不可預測結果，其與開發者目標（攻防雙方）的代表性如何？哪些特征主導此類結果？例如在模擬AI生態發展的博弈中[22]，僅特定LLM（含GPT/Gemini/Mistral等流行模型）在限定條件下符合博弈論預測[23][24]；其他研究表明即便在傳統博弈場景中LLM亦偏離理論預測[25-27]。因此亟需驗證：LLM在網絡安全博弈場景的行為模式、特定LLM是否具備更高可靠性、哪些因素或偏差可能挑戰基于博弈論的網絡威脅分析。

本研究通過首次探究LLM戰略智能體在兩大網絡安全經典博弈場景的表現回應上述問題：靜態零和博弈（應用于信號干擾與竊聽[28]、硬件木馬[29]等場景建模）與動態囚徒困境（用于多跳網絡自私行為[30]、國家級網絡入侵[31]研究，構成信息域復雜關系建模基礎[32]）。采用用戶友好型可復現框架FAIRGAME[33]模擬博弈過程，測試多LLM服務商及配置方案。研究發現：隱藏偏差導致LLM博弈輸出偏離純博弈論結果；商業LLM呈現差異化行為模式（表明服務商選擇非中性——將直接影響研究與應用）；開發防御系統時需審慎考量LLM服務商選擇。

圖1：模擬與分析工作流程。選定博弈模型后，通過FAIRGAME框架（虛線框內為框架流程；圖示改編自[50]）將其實例化為LLM形式：用戶定義的配置文件與模板文件指定博弈設置及特征參數作為輸入；框架自動整合信息并通過調用目標LLM（灰色模塊區域）運行博弈；最終輸出回合歷史記錄、終局收益及指定度量指標以供分析。

為破解軍事智能裝備預測性維護中智能化與網絡化程度低、物理模型構建困難等問題，本研究針對人工智能技術在軍事智能裝備中的應用框架、關鍵技術及保障決策方法展開探索。通過將預測性健康管理（PHM）系統架構融入軍事智能裝備健康管理體系，充分發揮人工智能全域通信、泛在感知與自主學習等核心能力，實現軍事智能裝備健康管理的數據驅動化、智能化和網絡化轉型。本研究成果可為復雜戰場環境下軍事智能裝備保障提供參考路徑，有效降低運維成本，持續提升保障效能。

本文重點研究人工智能技術（AIT）在機電控制系統（MECS）中的應用：首先闡釋AIT基礎理論與概念框架，繼而開發現代化AIT核心技術，結合我國現代企業機電控制系統現狀剖析現存瓶頸，最終探究AIT與機械系統的融合路徑，重點討論其在機械電子孔口子系統與電氣控制系統集成中的實踐應用。

"軍事智能裝備"泛指具備預測、感知、分析、推理、決策及控制能力的裝備體系。其在裝備數控化基礎上演進為更高級形態，可顯著提升生產效能與制造精度。其發展關鍵技術涵蓋缺陷檢測與健康維護技術（如高端數控機床、工業機器人），而故障預測與健康管理（PHM）技術正成為未來保障體系的核心方向。隨著軍事智能裝備復雜度提升，構建部件或系統的精確數學模型愈發困難。利用裝備全生命周期多節點歷史數據進行建模，相較物理分析模型更有利于實現PHM功能。鑒于軍事智能裝備向信息化、智能化、網絡化演進，其維護流程也需同步實現網絡協同與智能決策。本研究聚焦PHM與人工智能的融合應用，著力提升軍事裝備智能保障的決策水平、力量編成、方法革新及效能增益，為PHM智能化與網絡化維護模式的落地實施提供支撐。

未來智能化作戰形態演變

高端技術的廣泛運用正在深刻改變制勝機理。信息力已超越火力成為戰爭勝負的決定性要素，控制取代摧毀成為壓制對手的首選手段。作戰體系中集群單元的影響力超越傳統集中兵力效果，催生出三大新型作戰樣式：基于集群協同的"新型智能作戰"（亦稱分布式協同戰）、基于多域集群的"集群攻防戰"、以及創新理論體系衍生的"電磁全維戰"，三者共同構成未來智能化戰爭的基本形態。

多智能體系統（MAS）是模擬復雜現實世界自主交互實體的基礎架構。然而，傳統MAS架構常受限于僵化的協調機制與動態任務適應能力不足。本文提出MetaOrch——一種面向多領域任務環境的神經協調框架，用于實現智能體最優選擇。本系統采用監督學習方法，通過建模任務上下文、智能體歷史行為與預期響應質量，為每個任務選擇最適配智能體。創新的模糊評估模塊從完整性、相關性和置信度三個維度對智能體響應進行評分，生成軟監督標簽用于協調器訓練。相較于傳統硬編碼的智能體-任務映射機制，MetaOrch能動態預測最優智能體并同步評估選擇置信度。在異構智能體模擬環境中的實驗表明，該方法達到86.3%的選擇準確率，顯著優于隨機選擇與輪詢調度等基線策略。模塊化架構強調可擴展性，支持智能體的獨立注冊、更新與查詢。研究結果證明，神經協調為提升多智能體系統在多樣化任務領域中的自主性、可解釋性與適應性提供了有效解決方案。

在當今安全格局中，未經授權無人機在禁航空域的擴散已成為重大威脅。這些無人機構成從潛在監視與間諜活動到物理攻擊等惡性行為的多樣化風險。因此，開發高效反無人機激光系統愈發重要。本研究聚焦三大目標：建立內部可靠性模型、識別關鍵組件、探究影響反無人機系統可靠性的因素。通過分析關鍵組件可靠性及系統參數對整體可靠性的影響，旨在提升反無人機激光系統的綜合性能與效能。為此，采用可靠性框圖（RBD）方法計算反無人機系統中激光子系統的可靠性。同時開展組件級可靠性全面評估，識別系統薄弱環節，從而實現針對性改進與優化。為捕捉系統失效行為的真實場景，采用不同分布模型計算系統可靠性，確保深入理解其多工況下的運行可靠性。最終獲取反無人機激光系統的能量值與命中概率，以有效應對環境挑戰。

無人機已迅速融入現代社會生活，在多個領域獲得廣泛應用。盡管最初主要與軍事行動相關，無人機當前在民用領域發揮關鍵作用。其應用場景涵蓋娛樂（航拍攝影）、地質學（地圖繪制、勘測）、交通（流量監測）、安防（搜救、人群監控、救災）、物流（包裹投遞）、農業（作物監測、噴灑）及通信（應急基礎設施）等多元化領域。這些創新應用標志著社會向更高自主性轉型的重要進程，無人機正深刻改變日常生活的各個方面。

在當今安全格局中，禁航空域內非法無人機活動構成的威脅與日俱增。此類無人機可被用于監視、間諜活動甚至物理攻擊等惡意行為。為有效應對此類威脅，開發強健的反無人機激光系統勢在必行。圖1展示了激光反無人機系統的典型配置。

反無人機激光系統作為關鍵安防技術，旨在檢測、追蹤并反制禁航空域內的非法無人機。通過先進檢測機制、精確追蹤能力與有效反制手段，此類系統致力于保護敏感區域免受惡意無人機的潛在威脅。激光武器憑借其光速響應、精準光束定位與單次打擊成本效益[19]，正成為應對無人機威脅升級的有效解決方案。為分析激光對無人機引擎的打擊效能，文獻[16]研究了目標對激光的脆弱性綜合評估方法。Ball在文獻[24]中指出，評估目標對激光的脆弱性類似于評估非爆炸性穿透物撞擊目標時造成的損傷機制，盡管未明確闡述具體評估方法。

配備先進傳感器的無人平臺的集成有望提高態勢感知能力，緩解軍事行動中的 “戰爭迷霧”。然而，管理這些平臺涌入的大量數據給指揮與控制（C2）系統帶來了巨大挑戰。本研究提出了一種新穎的多智能體學習框架來應對這一挑戰。該方法可實現智能體與人類之間自主、安全的通信，進而實時形成可解釋的 “共同作戰圖景”（COP）。每個智能體將其感知和行動編碼為緊湊向量，然后通過傳輸、接收和解碼形成包含戰場上所有智能體（友方和敵方）當前狀態的 COP。利用深度強化學習（DRL），聯合訓練 COP 模型和智能體的行動選擇策略。展示了在全球定位系統失效和通信中斷等惡劣條件下的復原能力。在 Starcraft-2 模擬環境中進行了實驗驗證，以評估 COP 的精度和策略的魯棒性。報告顯示，COP 誤差小于 5%，策略可抵御各種對抗條件。總之，貢獻包括自主 COP 形成方法、通過分布式預測提高復原力以及聯合訓練 COP 模型和多智能體 RL 策略。這項研究推動了自適應和彈性 C2 的發展，促進了對異構無人平臺的有效控制。

圖：從學習到的交流中預測 COP 的框架概覽。在決策過程中確定并使用 COP。使用 QMIX作為 COP 集成的 MARL 方法示例。

配備先進傳感器的無人平臺的集成為減輕 “戰爭迷霧 ”和提高態勢感知能力帶來了希望。然而，管理和傳播來自此類平臺的大量數據對中央指揮與控制（C2）節點的信息處理能力構成了巨大挑戰，特別是考慮到隨著平臺數量的增加，數據量也會呈指數級增長。目前的人工處理方法不適合未來涉及無人平臺群的 C2 場景。在本研究中，我們提出了一個利用多智能體學習方法來克服這一障礙的框架。

我們考慮的框架是，智能體以自主方式相互通信（以及與人類通信），并以數據驅動的方式訓練這種通信功能。在每個時間步驟中，每個智能體都可以發送/接收一個實值信息向量。該向量是智能體感知或視場（FoV）的學習編碼。這些向量不易被對手解讀，因此可以實現安全的信息傳輸。

在接收方，必須對信息進行解碼，以恢復發送方的感知和行動。此外，還應將信息整合（隨時間匯總）到 “共同作戰圖像”（COP）中。與編碼器一樣，解碼器也是以數據驅動的方式學習的。在本文中，我們將 COP 的定義簡化為戰場上每個友方和敵方智能體的當前狀態（位置、健康狀況、護盾、武器等）。我們認為，COP 對決策智能體至關重要。

近年來，以數據驅動方式進行端到端訓練的人工智能/人工智能方法大有可為。在數據驅動型自主 COP 的背景下，一個優勢是無需對傳感器和執行器中的噪聲、對手的動態等做出建模假設。通過充分的訓練，我們的數據驅動方法將產生高度精確的 COP。

不過，ML 模型可能對訓練數據或訓練場景的偏差很敏感。這與陸軍 C2 場景中通常假設的 DDIL（拒絕、中斷、間歇和有限影響）環境形成了鮮明對比。我們的實驗強調評估對霧增加、全球定位系統失效和通信中斷（如干擾）的適應能力。

我們使用深度神經網絡（DNN）的深度學習實現了編碼器和解碼器的數據驅動端到端訓練。將 DNN 應用于 COP 形成的一個挑戰是通信中缺乏人類可解釋性。人類可解釋性對于人類操作員有效控制蜂群至關重要。例如，通過解釋通信，操作員可以理解蜂群用于（自主）決策的特征。我們的方法具有人機互換性，這意味著人類操作員可以解碼傳入的信息，并將自己的感知編碼，與蜂群進行交流。由此產生的 COP 使人類能夠指揮蜂群。

在實踐中，COP 被大量用于任務執行，例如，確保協調運動。我們假設，將 COP 納入自主決策智能體將產生彈性多智能體策略（例如，對敵方變化的彈性）。我們在實驗中將有 COP 和沒有 COP 的多智能體策略學習與多種最先進的方法進行了比較，并驗證了這一假設。

接下來，我們總結一下我們的方法。我們首先描述了我們的深度學習方案，其中每個智能體將其感知和行動編碼成緊湊向量并進行傳輸。各智能體共享底層嵌入向量空間，以實現對態勢的共同理解。每個智能體都要訓練一個編碼器-解碼器，以生成本地 COP。本地 COP 應與智能體的感知一致，并能預測行動區域內所有單元的狀態（包括位置）。

在不同的模擬場景、初始部隊配置和對手行動中，使用深度強化學習（DRL）對 COP 和智能體策略進行端到端訓練。訓練的輸出是一個編碼器-解碼器神經網絡（NN）和一個跨智能體共享的策略 NN。可通過多種方式對訓練進行配置：最小化帶寬、最大化對干擾（如信道噪聲、數據包丟失、GPS 干擾等）的恢復能力。該方法可用于協調信息收集任務。

實驗在星際爭霸-2（SC2）多智能體環境中進行。在 SC2 中模擬的多個藍方與紅方場景中，通過經驗觀察了方法的有效性。具體來說，在具有挑戰性和現實性的 TigerClaw 場景（圖 1）中測試和評估了方法，該場景由 DEVCOM 陸軍研究實驗室（ARL）和陸軍主題專家（SMEs）在美國佐治亞州摩爾堡的上尉職業課程中開發。

圖 1：（左）Tigerclaw場景中的狀態示例。(右）每個智能體的感知（本地觀察）和它們之間的通信聯系。

對 COP 的準確性和幻覺進行評估，以揭示有趣的訓練動態。在整個模擬過程中，方法生成的 COP 高度準確，誤差小于 5%（與地面實況相比）。為了測試策略的魯棒性，我們將我們的方法與多種最先進的多智能體 RL 方法和基線進行了比較。結果表明，我們的方法所制定的策略能夠抵御視覺范圍下降、通信能力下降、GPS 被拒絕以及場景變化等因素的影響。

總之，這項研究通過數據驅動的 COP 形成，實現了人在環內的異構自主平臺的指揮和控制，推動了自適應和彈性 C2 領域的發展。其貢獻如下：

• 實時自主形成可解釋的共同行動圖像（COP）的方法，包括預測整個行動區域的敵方位置。

• 由于利用智能體間的通信進行分布式 COP 預測，因此展示了對可視范圍和 GPS 拒絕的更強的應變能力。

• 通過聯合訓練 COP 模型和多智能體 RL 策略，提高整體任務成功率。

本文介紹了一種通過整合領域知識和基于注意力的策略機制來增強多智能體強化學習（MARL）的替代方法。方法側重于將特定領域的專業知識融入學習過程，從而簡化協作行為的開發。這種方法旨在通過使智能體專注于復雜任務的重要方面，從而優化學習曲線，降低與 MARL 相關的復雜性和學習開銷。在我們的模型中，注意力機制的利用起到了關鍵作用。它可以有效處理動態上下文數據和智能體之間細微的互動，從而做出更精細的決策。在斯坦福智能系統實驗室（SISL）“追逐 ”和 “多粒子環境”（MPE）“簡單擴展 ”等標準 MARL 場景中的應用表明，我們的方法既能提高學習效率，又能提高協作行為的有效性。結果表明，我們基于注意力的方法可以在行動層面整合特定領域的知識，是提高 MARL 訓練過程效率的可行方法。

無人駕駛飛行器（UAV）的結構由幾個關鍵組件組成，以優化其效率以及在空戰或空中監視應用等關鍵環境中的可操作性。本研究工作是在自主協作智能體中實施一種創新的人類專家評估策略，以確定無人飛行器的威脅等級。因此，目標是使用一種稱為 “策略捕捉 ”的認知工程技術，配置與人類認知相一致的作戰威脅評估能力。這包括以下兩個步驟。第一步是將認知建模系統集成到智能體中。該系統根據專家先前的決定，提供有關威脅等級評估的建議和警告。因此，它可以利用從人類推理中提取的真實決策模式，提供透明和可解釋的能力。換句話說，這種認知建模系統有助于將專家決策中的一些隱含要素顯性化。此外，還采用并部署了一種多模型方法，使用七種同步監督機器學習算法，通過模仿專家決策來預測威脅程度，而不會受到疲勞、壓力或分心的影響。這些算法基于經過增強和微調的 python scikit-learn 模塊： 邏輯回歸（LR）、決策樹（DT）、K-近鄰（KNN）、多層感知器神經網絡（MLPNN）、奈夫貝葉斯（NB）、支持向量分類器（SVC）以及隨機森林（RF）。第二步是將專家策略提供的響應傳送給智能體的態勢感知模塊。為此，我們將專家策略確定的威脅等級與自主代理已確定的初始威脅等級進行融合。為實現這一目標，我們利用模擬環境提供了一個關鍵資產保護用例。該使用案例由四個威脅等級組成，從犯罪意圖到毫無頭緒不等。該解決方案試圖通過根據威脅等級管理或優先處理要跟蹤和消除的目標無人機數量，最大限度地提高 “真實 ”威脅的消除率。換句話說，防御性無人機蜂群通過首先處理犯罪特征來確定其響應的優先級，目的是以最高優先級解除威脅，然后繼續處理粗心大意的特征，最后是無知的特征。防御蜂群采取 “看門狗 ”行為，適應威脅級別的突然變化，例如，當任何威脅過于接近保護區時。值得一提的是，在沒有專家策略的情況下，所有敵方無人機都被視為具有同等威脅，沒有優先級之分，從而導致無法消除實際威脅的更大風險。未來的工作方向包括研究如何通過在線學習和可解釋的人工智能方法實現相互理解和預測能力，從而改善人類-自動駕駛團隊合作。此外，通過這種方法實現的另一種潛在破壞性能力可能是讓無人機蜂群學會在線預測對手無人機的行為模式，以便在飛行中進行調整，實現認知空中優勢。

圖 1：SE-STAR 模擬展示了紅方和藍方力量以及地面控制站。

自主系統的發展被視為提高人類操作員效率和性能的工具，有助于減少人類的工作量、壓力和失誤[1]。自主協作智能體的興起引發了監視和偵察領域的重大轉變[2]。一個常見的誤解是，這種協作型智能體將取代人類或消除人為錯誤。自動化悖論指的是，事實上自動化會引發新類型的錯誤和新類型的問題，例如由于濫用自動化而導致人類技能和性能下降[3]。此外，能否信任自主系統通常也是一個問題，尤其是在國防和安全領域，在這些領域，通常必須讓人類參與其中。然而，這也引發了諸如 “環路中人類的虛假保證 ”等問題，在這種情況下，人類往往被賦予監督者的角色，對非常復雜的完全自主系統進行監控，但卻導致了態勢感知（SA）的缺失，甚至降低了人類的整體影響力，即使人類仍然需要對系統進行驗證或下達某些指令。態勢感知不僅對人類的表現至關重要，而且也是自主系統和人類-自主團隊合作中的一項挑戰。

1.1 團隊態勢感知（TSA）

團隊態勢感知（TSA）是團隊協作性能的關鍵組成部分。它可以被描述為 “知道你周圍發生了什么”，并知道如何理解、解釋和提取有關環境的信息[4]。當涉及到決策時，SA 還與人類的一些偏差有關，例如：i) 注意力狹窄/鈍化；ii) 記憶力不足；iii) 工作量、疲勞、壓力、反應時間；iv) 數據超載；v) 不適應的心理模型（例如，非邏輯推理或不當行為）；vi) 不使用或濫用自動化系統 [5，6]。在此，我們尤其關注的是如何讓控制無人駕駛飛機的智能體進行有效的情況評估這一挑戰[5]。在這項研究中，我們開發了一種新的潛在方法，不僅能為人類提供決策支持，還能為自動系統提供決策支持，有助于在協作式自動無人機系統的應用中保持高水平的 SA。

1.2 無人機的態勢感知與人機協作

人機協同（HAT）是指人類與自動化系統之間能夠相互依賴地協調合作，以完成共同的任務或目標[5]。人類和機器都缺乏 SA 會對團隊的表現產生不利影響。對無人系統在軍事上的使用進行的研究發現，33% 的事故是由人類直接造成的，67% 是由于機器的問題造成的[8]。美國國防部的其他統計數據稱，人為失誤造成的事故占軍方無人機系統事故的 20%- 70%[9]。這些指標因 HAT 而異，但人類常見的錯誤模式有：基于技能的錯誤、程序性錯誤、核對表錯誤、操作不當或對自主系統控制過度或不足，而機器則往往在設置、監控、檢測和診斷失敗等方面出現問題 [8]。研究人員證明，混合主動目標識別，即由一個智能體提供協助，在視覺搜索空間中定位潛在目標，實際上隨著時間的推移，性能持續惡化[10]。他們認為，接受過檢測特定刺激訓練的智能體，其表現可能不如機警的人類[10]。因此，在設計 HAT 框架時，必須根據每個智能體的局限性和優勢，探索降低風險、提高安全性和可靠性的方法。自主系統在可解釋性方面面臨著重大的信任挑戰，因為有時這類系統往往難以提供可靠、可理解的信息，以確保充分的合作與協作[11]。缺乏對智能體的認識和理解只會強化環外現象[12]。

1.3 目標

提出了一個原型解決方案，旨在讓智能體向人類專家學習如何評估特定類型的情況。本研究選擇的用例包括在反無人機場景中進行威脅評估，以保護關鍵資產。這項概念驗證調查是認知系統工程（CSE）研究工作的第一步，旨在利用人在回路合成測試環境反復測試和改進 HAT 能力。認知系統工程方法側重于提高人類理解和控制系統的能力，通常在開發自適應/智能/學習框架方面發揮關鍵作用[13]。雖然過去的工作推進了用于人類與無人機協作的可調節自主方法[13, 14, 15, 16, 17]，但適應性大多基于環境、使用案例和任務目標（例如，改變每個操作員的無人機數量）[14]。然而，還沒有研究通過使用專家建模將情況評估策略轉移到智能體以增強系統自主性和 HAT 協作能力來證明這種可調整性。本文第 2 節介紹了擬議框架，第 3 節介紹了威脅檢測應用案例，第 4 節介紹了方法，第 5 節介紹了結果，第 6 節介紹了結論。

框架與設計：專家建模與自主智能體

本文研究的新解決方案結合使用了基于人工智能的決策支持系統 “認知陰影”（專家陰影和自動學習觀察到的決策/行為模式；[18, 19]）和人工智能強化智商協同合作伙伴（SPARQ），后者是一個用于實施和優化協作自主系統的平臺。這兩個系統被合并成一個聯合能力框架，在這個框架中，人類操作員和智能體可以共同學習、協調和共享信息。這種 HAT 使智能體能夠為完成聯合任務而協作，并反映了具有高度自主性的任務管理互補自適應框架[17]。

2.1 SPARQ

SPARQ 是一種人工智能體解決方案，能夠與人類操作員協同工作，并創建復雜的多功能協作平臺。SPARQ 可實現多智能體用例的開發、部署和測試，其中其他智能體可以是人工的，也可以是人類的。通過使用其相關的組隊框架，它允許人類和智能體朝著共同的目標合作。SPARQ 的 “數字孿生 ”由三個主要部分組成：i) 感知能力，包括利用傳感器和仿真模型來表示和理解人工智能體的當前情況及其歷史；ii) 預測能力，包括根據假設情景預測當前情況可能如何發展的能力；iii) 決策能力，包括根據感知和預測模塊的輸入制定行動計劃的能力。該系統已利用無人機群、地面控制站和智能傳感器等真實硬件或操作系統進行了實施和測試。它能夠讓有組織的團隊組成蜂群。這些由人工智能驅動的系統具有實時適應和重新配置的能力，可以自主執行復雜多樣的任務。

2.2 認知陰影

Cognitive Shadow 使用最先進的策略捕捉方法，結合多種監督機器學習算法，實現了專家決策和行為模式的自動建模[20- 21]。這種源自專家的認知模型支持一種稱為 “判斷引導 ”的過程，在該過程中，模型往往比人類更可靠，因為這些模型不受疲勞、壓力、分心和精神超負荷的影響[22, 23]。使用認知影子技術多次觀察到這種效果，從而成功降低了 4% 到 36% 的錯誤率 [22-24]。將 Cognitive Shadow 集成到 SPARQ 中可實現決策支持系統的個性化，使團隊伙伴（智能體和人類飛行員或操作員）在優化任務性能的同時獲得實時建議。此外，它還能根據專家政策對信息進行優先排序，并提取上下文信息需求。它通過兩種方式讓人類參與到智能體的決策中：i) 使用經過人類專家訓練的人工智能算法；ii) 實時建議和互動[25]。這種方法支持可解釋性和透明度，因為每個決策都是基于人類的專業知識和理解。它不僅為人類在容易出錯的挑戰性條件下提供支持，也為無人機蜂群等自主協作智能體提供支持。

威脅分類

本次調查選擇的使用案例側重于利用無人機系統探測受保護設施周圍的威脅，從而加強國土安全。使用數字孿生無人機架構在情況監控和異常檢測方面邁出了重要一步，從而增強了安全性[27]。

3.1 威脅檢測類型

威脅評估在很大程度上取決于環境和情況。在本研究中，我們將重點關注用于保護禁區的無人機對抗措施。重要的是要考慮環境中可能存在的不同類型的威脅，以便模仿和復制其發生的現實。威脅類型通常基于無人機的不同用途，如民用、恐怖主義、軍事或犯罪用途[26]。恐怖分子惡意使用無人機的例子可能是監視或自殺，而對平民的體貼使用可能是災難響應、旅游使用和電影拍攝、援助和供應，甚至是商業廣告[26]。然而，其他研究則側重于不同類型的威脅，如黑客攻擊、欺騙、干擾、惡意軟件感染、硬件攻擊等[26, 27]。對于本用例，我們依靠過去的威脅等級評估工作來確定威脅等級和因素[28]。

3.2 現有的無人機威脅評估方法

已研究出多種威脅評估和檢測技術。一種方法側重于非合作無人機監控的惡意意圖和最終目的地估計[29]。還有一些方法使用基于規則的入侵檢測，這種方法是通過定義所關注的攻擊類型并將其實施為 “魯莽攻擊”、“隨機攻擊”、“機會主義攻擊”，從而最大限度地減少檢測誤差，包括假陽性率和假陰性率。不過，這種方法往往過于簡單，無法識別未知類型的攻擊 [26]。根據某些傳感器（如聲學檢測、運動或攝像頭檢測、熱檢測和雷達探測）的優先級，方法可能會有所不同[8]。這些方法的威脅評估流程基本相同。它包括：i) 檢測階段，涉及識別實體的能力；ii) 鑒別能力，即接受某些輸入模式并拒絕其他模式的能力；iii) 基于飛機類型（戰斗機和轟炸機）的分類步驟；iv) 識別不同類型或級別威脅的步驟；以及 v) 確定需要采取的應對行動類型。

3.3 威脅評估算法與特征

部署智能和 HAT 平臺可以改善國土安全和任務安全，其中 SA 被認為是多飛機任務的戰術優勢和戰術軌跡規劃的主要組成部分[28]。貝葉斯網絡模型是利用人工智能進行威脅評估的最常用方法之一。文獻[28]中的一個例子利用四個事件節點證明了這種方法的可行性：i) 識別類型（如雷達成像、電子、紅外或可見光成像偵察）；ii) 地形特征（如敵方武器位置的地形和地貌特征數據）；iii) 天氣類型（如天空能見度）；iv) 電磁環境（EE），如輻射、被敵方設備探測到的概率。這些特征有助于評估威脅程度或探測到惡意無人機的概率。同樣，文獻[30]證明了在 HAT 場景中戰術無人機決策需要動態貝葉斯網絡和馬爾科夫決策過程。這項工作還強調了專家指揮官如何進行評估，如推理和決策如何/何處/何時部署可用資源，以提高生存能力和完成既定任務的概率[30]。這與目標類型、武器類型、所屬關系（敵、友、神經或未知）、與所關注實體的距離、探測半徑、武器射程、速度、方向和地形類型等特征相結合。他們將這些特征編碼到基于規則的模型中，以評估分類效果。文獻[31]中的其他工作展示了針對無人機威脅的輔助決策支持系統。該系統利用基于知識和基于傳感器的融合分類性能來劃分威脅等級。他們測試了三種策略：i) 基于速度的規則，純粹使用四個等級的加速度變化，其中加速度是風險指標；ii) 距離受保護設施的距離；iii) 速度和速度變化模式，分為 5 個等級。[32] 使用動態貝葉斯網絡模型，使用了類似的特征。不過，根據領域專家的知識，他們增加了飛行器的類型和特征：轟炸機需要俯沖到中等高度進行精確定位轟炸，電子干擾機和預警機通常處于高空[32]。最后，[33] 利用貝葉斯網絡使用了 EE 類型（軍用、民用、無發射）、雷達類型（民用、軍用）、干擾器（開與關）以及任務類型（偵察、輕型商用、非法飛行、其他）和速度（亞音速、跨音速、超音速、高超聲速）。

圖 3：認知陰影模型對四種可能類別的威脅檢測結果。

方法

4.1 專家

第一步是對四位專家進行訪談。我們采訪了來自泰雷茲陸地和航空系統公司的三位航空航天和導航領域專家，以及泰雷茲加拿大防務與安全公司和加拿大皇家騎警反無人機專家。第四位專家是一名戰斗機飛行員。這些專家幫助提供了對情景的反饋意見，并幫助驗證了專家政策建模的輸入。除專家反饋外，我們還借鑒了上述先前的研究成果，以確保概念驗證研究基于現實的假設。

4.2 模擬和無人機

這項研究涉及使用人工智能體和模擬敵方無人機，這些無人機需要根據定義的使用案例和專家反饋意見進行中和。每個模擬無人機都是由自主機器人航空（ARA）提供和開發的四旋翼無人機。為了訓練我們的 HAT，我們使用了 SE-STAR 模擬器[34]，它使我們能夠開發反無人機模擬場景。這樣，我們就可以利用可定制的地形（具有特定尺寸的土地和保護區域）來模擬不同的威脅級別。模擬涉及藍色智能體（防御小組）、紅色無人機（需要評估的威脅）、地面控制站和雷達。通過將 SPARQ 與無人機模擬器連接，我們可以模擬無人機與環境之間的互動（即模擬傳感和物理）。這種設置為我們的 HAT 團隊框架和專家策略模型提供了一個測試平臺。通過這種實現方式，我們可以擁有一個動態環境，并有可能進行人機交互。它還允許生成培訓和測試數據、態勢感知指標和團隊協作性能。這種模擬測試有助于發現我們的框架和政策中潛在的差距、功能障礙和謬誤，需要在隨后的實地測試階段之前加以解決。

認識到當前軍事教育體系的特殊性，并考慮到軍事工程培訓快速現代化的必要性，人機界面需要采用創新技術來加強教育過程。我們的目的是詳細分析在培訓未來軍事工程軍官時人工智能技術的實施情況，概述現有策略，并制定通過人工智能技術強化教育過程的可行策略。為實現研究目的，通過五份問卷對 154 名教官進行了開放式和封閉式調查，以解決研究問題。采用傳統的內容分析法和數據統計處理法對答案進行了研究。結果揭示了人工智能在軍事工程訓練中應用的基本方向，以及人工智能在未來軍事工程軍官專業能力培養中的可能應用。但與此同時，研究結果表明，軍事工程訓練過程正面臨著一些挑戰，使人工智能驅動的轉型實施變得更加復雜。為了克服人工智能目前面臨的挑戰，并為人工智能在人機界面的應用提出建議，概述了通過人工智能技術加強軍事工程訓練的策略。

圖 3：通過人工智能技術加強軍事工程訓練的戰略。

根據調查結果，可以考慮通過人工智能技術加強軍事工程訓練的五項策略。

首先，對未來軍事工程軍官進行有效培訓和數據隱私控制需要制定使用人工智能的法律框架。特別是對于信息獲取受限的人機交互界面而言，這一點至關重要。由于所有烏克蘭教育機構都根據《歐盟-烏克蘭聯系協議》中烏克蘭立法與歐盟（EU）法律相協調的原則運作，因此擬議的歐盟人工智能法（歐盟委員會，2021 年）成為設計人工智能法規的基礎。同時，高校的教育過程近似于北大西洋公約組織（NATO）的標準，他們有義務在北約實施人工智能政策（Stanley-Lockman & Christie, 2021）。針對特定機構的規定可以幫助教師處理具體情況，并解決人工智能應用所帶來的具體風險。此外，官方指南還包括一份不能在人機界面中使用的高風險應用程序清單，并規定了人工智能用戶（包括教員和學員）的具體義務。我們預計，制定使用人工智能的法律框架將促進教育進程，并使學員能夠從已有的幾項創新技術中受益。

其次，將人工智能納入課程涉及將人工智能的原則、道德、法規和基本功能納入人機界面教授的課程，以及創建使用人工智能工具的綜合課程。該戰略以在培養未來軍事工程軍官的過程中有效應用人工智能工具為導向，可用于培養人工智能素養和數字能力。此外，這種影響可能有助于擴大工程單元的運作可能性，提高未來軍事工程軍官專業活動的生產力。將人工智能納入課程是培養教員和學員適應人機界面創新數字教育環境的必要條件。因此，修改現有課程將為在軍事工程訓練中正確和合乎道德地使用人工智能創造一個穩定的位置。

第三，教育過程參與者的高水平人工智能數字化能力意味著他們已準備好正確使用人工智能工具，能夠處理來自不同來源的大量信息，并理解在專業軍事活動中進行數字化轉型的必要性（Ng 等人，2023 年）。培養人工智能數字化能力需要為教官和學員開設專門課程，教授如何在數字化環境中操作以及如何避免可能出現的錯誤。人工智能數字化能力對于優化教育過程、在線環境下的工作、改善學習材料的視覺感知、使用人工智能工具創建高質量內容、收集和系統化數據、開發基于人工智能的項目、積極的在線交流、改善教學實踐、高效的課堂管理等都是必不可少的。

第四，通過人工智能技術加強軍事工程訓練需要制定具體的方法，旨在選擇教學方法和活動，使教學過程高效。適當的方法論可以讓教員合理使用學習材料，在學員中形成深厚的知識和技能，培養未來軍事工程軍官的持續學習能力。目前，人機界面的教學科目正面臨著快速轉型，我們看到的是從傳統教學方法向個性化學習和互動式教學方式的轉變。一方面，行為模型、數據分析和學習管理系統等人工智能工具促進了軍事教育的現代化，形成了有效的定制學習。另一方面，人工智能工具的使用要求根據教學科目和教學目標采用特定的教學方法。

有效決策是組織成功的核心。在數字化轉型時代，企業越來越多地采用數據驅動的方法來獲得競爭優勢。根據現有文獻，人工智能（AI）代表了這一領域的重大進步，它能夠分析大量數據、識別模式、做出準確預測，并為組織提供決策支持。本研究旨在探討人工智能技術對組織決策不同層面的影響。通過將這些決策按照其屬性分為戰略決策和運營決策，本研究可以更全面地了解人工智能在組織決策中實施的可行性、當前采用率以及阻礙因素。