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

碎片和子彈等穿透性彈道射彈造成的傷害是沖突中軍人（和平民）傷亡以及恐怖事件傷亡的主要原因。

本研究項目的主要目的是開發便于在物理和虛擬環境中評估穿透彈道射彈傷害的模型。

該領域的現有模型和文獻僅限于范圍較窄的場景（如特定的射彈類型），或對模型的驗證有限。

除了廣泛的原始數據集和新穎的數據分析技術外，還整理了肌肉組織的彈道數據和文獻中的模擬物，從而對皮膚和肌肉組織模擬物在傷口彈道學研究中與碎片和子彈相關的有效性進行了明確的評估。

開發的一系列物理和虛擬模型適用于評估彈道和爆炸場景中穿透性射彈的風險。

被認為特別新穎的是開發了一種新的碎片，通過預測眼睛穿透和皮膚穿孔的風險來評估低密度和低能量碎片的危害，并估計射彈的沖擊速度。

所開發的一系列物理和虛擬模型已用于深入了解（和描述）在使用真實組織或組織模擬物時影響物理測試結果的目標因素。

利用這些模型改進了英國武裝部隊和警察的戰術、技術、程序和設備，最終減少了傷害，挽救了生命。

圖 2：模型聯系概述。箭頭表示數據流/模型開發的方向（MDFPIM = 多離散碎片物理損傷模型）。

幾十年來，由于需求的不斷增長和行業間的競爭，飛機技術經歷了巨大的改進。由于飛行包線不斷擴大，戰斗機的性能要求和穩定性是一個重要因素。先進的戰斗機應具有高機動性。為了實現極高的機動性，需要非常好的飛機設計，包括在某些模式下具有靜態不穩定性的多個冗余控制執行器、近乎精確的非線性飛機數學模型以及合適的非線性控制設計技術。通常，塞斯納和派珀等訓練飛機都具有靜態和動態穩定性，易于修整和放手飛行。然而，這妨礙了極端機動能力。現代戰斗機（如 F/A-18 戰斗機）的結構不穩定，飛行時需要使用電傳操縱系統，因此機動性高，易于主動俯仰、滾轉和偏航。

通過引導發動機排氣流的推力矢量法與先進的飛行控制系統相結合，可提供非常高的攻角，從而在空戰中提供卓越的近距離空中狗斗能力。戰斗機機動性能的增強使其比傳統戰斗機更勝一籌。羅克韋爾-MBB X-31 試驗機就是一個很好的例子。美國國家航空航天局（NASA）為測試戰斗機三維推力矢量技術而設計的兩架 X-31 噴氣式戰斗機成功地展示了這一設想概念。洛克希德-馬丁公司的 F-22 猛禽戰斗機利用推力矢量控制實現了極限機動。考慮到飛機設計技術和生存能力要求的巨大變化，控制方案的設計對飛行控制設計師提出了巨大挑戰。

傳統上，飛機飛行控制器是通過在大量工作點上對非線性飛機模型進行線性化設計，然后使用增益調度來覆蓋整個飛行包絡線。但在大飛行包絡中實現增益調度是一項相對困難的任務。過去，線性飛機模型的飛行控制曾采用過多種設計方法，如極點放置、H-無限魯棒控制、最優控制等。但飛機的運動方程包括非線性氣動力和力矩。此外，在高攻角情況下，氣動力和力矩取決于氣流的歷史。當飛機進行高滾轉率機動時，主要會遇到兩種不穩定的情況，第一種是短周期縱向和方向振蕩的不穩定性，第二種是自動旋轉滾轉，在這種情況下，戰斗機會突然跳到更高的滾轉率，此外，控制也會變得效率低下。所有這些現象都可能導致高攻角或側滑，對結構造成異常負荷，從而導致事故。

線性控制器的缺點可以通過輸入輸出線性化（也稱為非線性動態反演 (NDI)）來克服。這種方法通過抵消模型的已知非線性函數來解耦選定受控輸出變量的動態，然后通過額外信號的反饋來獲得線性穩定的跟蹤誤差動態。顯然，要實現精確抵消，必須精確知道飛機的動態。這就將非線性系統轉化為恒定線性系統，但前提是所有非線性因素都必須精確已知。然而，考慮到現代飛機復雜的非線性氣動特性，要實現這一點極其困難。風洞試驗和飛行測試與計算流體動力學結果一起用于獲得經驗數據，但這些數據并不完全準確。通過使用穩健的線性控制器進行反饋控制，可以減小這些缺陷。盡管如此，由于結構損壞、控制效應器故障或不利的環境條件導致空氣動力學發生突然變化，因此無法保證理想的性能。

可變結構控制器（VSC）是針對存在不確定性的非線性飛機模型而設計的。然而，可變結構控制器是狀態變量的不連續函數。即使可以在邊界層對控制法則進行一些平滑處理，也可能會導致終端跟蹤誤差。

針對模型中的大參數不確定性和未知函數，設計了基于后步法控制的非線性自適應飛行控制器。后步法設計方法分幾步完成，因為這種方法具有迭代性質。所需的步驟數取決于受控輸出變量的相對程度。此外，還設計了基于神經網絡（NN）的飛行控制系統。最近，人們開始嘗試設計具有狀態和控制約束的自適應飛行控制器。這些自適應飛行控制器屬于確定性等價自適應控制系統。在這些控制器中，直接使用積分更新法獲得的參數估計。基于浸入和不變性（I&I）方法的非確定性等效自適應控制系統用于飛機控制。從實施的角度來看，自適應控制法則并不簡單，因為參數估算器需要估算大量的空氣動力參數。此外，過去曾對戰斗機的穩定性進行過大量分析。分析表明，飛機在旋轉耦合機動中存在豐富的動力學行為，包括線性和氣動非線性。基于分岔方法和偽穩態分析，作者觀察到滾轉耦合在某些控制面偏轉組合的瞬態階段會導致不良的跳躍現象和側傾角的快速發散。分岔理論由 Poincare 發明，用于分析非線性系統，首先應用于交叉耦合問題，然后擴展到高攻角飛行的全非線性問題。

本節引用的自適應飛行控制器只能實現漸近穩定性。研究人員還為一類非線性系統開發了有限時間穩定控制器。與漸近穩定控制系統相比，這類控制器具有更強的魯棒性。一些與有限時間飛行控制系統相關的研究也已出現。當務之急是探索有限時間控制方法在同時進行縱向和橫向機動以及在存在不確定性的情況下避免戰斗機滾轉耦合不穩定性方面的適用性。

本論文的主要目標是研究魯棒有限時間控制技術與滑模控制和超扭曲飛行控制相結合在現代戰斗機上的應用潛力。論文的貢獻如下：

• 根據幾何均勻性概念，為具有假定參數的標稱飛機模型設計了有限時間穩定（FTS）非線性飛行控制法。

• 開發了一種非連續滑動模式（DSM）飛行控制器，以消除模型中不確定性的影響。在閉環系統中，包括標稱有限時間穩定（FTS）控制法則和非連續滑動模式（DSM）控制信號，可實現滾轉角、俯仰角和側傾角的有限時間控制。DSM 控制法可能會導致控制顫振現象。

• 為了實現穩健控制，設計了一種超扭曲（STW）滑模控制法則。STW 控制法則是狀態變量的連續函數。在閉環系統中，利用 FTS 和 STW 控制法則，可以實現飛機的有限時間控制。此外，這種復合控制系統還能減弱不理想的控制顫振。研究表明，在包括復合控制法則（(i) 帶有 DSM 的 FTS 或 (ii) 帶有 STW 控制信號的 FTS）的閉環系統中，軌跡跟蹤誤差及其一階導數在有限時間內收斂為零。

• 通過類似的步驟，設計出了對滾轉角、攻角和側滑角進行有限時間控制的復合控制系統（帶 DSM 法則的 FTS 和帶 STW 法則的 FTS）。

• 仿真結果表明，盡管存在參數不確定性，所設計的復合控制器仍能實現令人滿意的（滾轉、俯仰、側滑）或（滾轉、攻角、側滑）同時縱向和橫向機動。研究指出，與必須估計大量空氣動力參數的自適應控制法則相比，衍生飛行控制器結構簡單。

有限時間穩定（FTS）這一概念最早出現于 20 世紀 50 年代，適用于在固定的有限時間間隔內運行受限的系統。它要求對系統變量進行規定的約束，而定義經典穩定性則不需要。戰斗機等動力系統的非線性微分方程需要快速、精確和連續的有限時間控制器。這些控制方案優于經典控制設計。首先，確定標量二階有限時間系統的相位肖像結構。然后，利用這一特征來開發一類可用作控制器的二階有限時間系統。滑模控制（SMC）是一種非線性控制方法，通過應用不連續的控制信號來改變非線性系統的動態，迫使系統沿著系統正常行為的橫截面 "滑動"。狀態反饋控制法不是時間的連續函數。相反，它可以根據當前在狀態空間中的位置，從一種連續結構切換到另一種連續結構。

超扭曲控制（STW）是一種穩健的連續飛行控制方案，就符號（x）項而言，它完全是一個 PI 控制器（具有 P 部分調制）。超級扭曲控制（STW）方案適用于動態系統控制，以減弱由于不連續滑模控制而在控制輸入中產生的顫振。

連續有限固定時間控制（FFTC）是傳統超扭曲控制的直接擴展。它估算了固定時間上限和收斂時間。設計一個固定時間連續控制法則，使系統狀態在預定義或固定時間內收斂到原點，是一個具有挑戰性的問題。

編隊控制概念基于對鳥類自然飛行行為的觀察，鳥類會保持一個確定的幾何形狀。候鳥利用領航員提供的上沖力和旋轉領航位置，以最小的個體努力擴大飛行范圍。這種模式可用于大航程通信飛行或無人偵察機，或在最佳燃料消耗情況下使用。許多研究人員都在研究兩架或多架飛機的編隊飛行控制。

圖 1.1： 四種具有推力矢量控制功能的超機動戰斗機（時鐘方向）。(a) F-22 由美國空軍提供，攝影師：TSgt Ben Bloker；(b) 蘇霍伊 SU 35 由 Dmitry Terekhov 拍攝；(c) 蘇霍伊 Su-57 由 Dmitry Zherdin 拍攝；(d) 洛克威爾-MBB X-31 由美國海軍陸戰隊 Cody Allee 少校拍攝。

收集和共享信息以及指揮和控制是所有軍事行動的重要組成部分。建立一個靈活的通信網絡，以適應每次行動的具體要求，是在當前和未來軍事行動中提供必要信息流的關鍵要求之一。目前正在開展一些活動，為固定網絡基礎設施提供靈活的聯盟網絡，并在一定程度上為半移動部署網絡提供靈活的聯盟網絡，例如聯邦任務網絡（FMN）。然而，對于如何部署高效、連接良好的異構戰術無線電網絡，目前還沒有明確的指導方針。這極大地阻礙了低級戰術層面的信息共享。本報告介紹了北約科技組織所做的研究，目的是加深對如何在戰術邊緣構建可互操作的異構移動無線電網絡的理解，并提出一些建議。目的是找到最有效利用不同聯盟伙伴為行動提供的移動網絡的方法。報告涵蓋三大主題：

1. 描述一個場景并實施一個類似云的測試平臺環境，以評估與該場景相關的不同技術解決方案。該試驗臺是提高信息和通信技術國際研究合作效率的一個示例。場景和試驗臺的作用與技術合作示范（CDT）類似，都是對不同技術進行基于場景的合作分析，但成本比 CDT 低得多。利用仿真技術可以加快從早期研究成果到為標準化測試解決方案所需的時間。建立測試平臺環境的工具和腳本將公開提供。

2. 描述和分析在不同移動網絡之間提供端到端連接的架構和機制。報告比較了不同的路由架構，并提出了一種混合架構。一個核心觀點是，網絡規劃者需要選擇不同的機制，以便為不同類型的操作提供必要的性能。為了確保不同機制之間的互操作性，我們確定了必要的信息交換接口，并對不同協議的可擴展性進行了研究。我們概述了不同的安全架構，討論了安全架構的選擇對路由架構效率的影響，并提出了一個目標安全架構。

3. 對稀缺網絡資源進行最佳優先排序和利用的準則和機制。建議監測網絡健康的三種狀態（正常、減少、最后努力），以改善網絡的資源管理（RM）和服務質量（QoS）。不同的網絡狀態需要一套或多套機制。我們還建議選擇單一網絡層來實施 QoS 或 RM 機制，因為這樣可以降低不同層的機制不合作而降低性能的風險。要使 RM 和 QoS 運行良好，必須有一個信息價值（VoI）的概念。VoI 會隨時間發生變化，RM/QoS 需要適應這些變化。

更好地了解在戰術邊緣建立移動異構聯盟網絡時所面臨的挑戰，這將有助于北約國家發展/采購具有互操作性的網絡設備。成果非常及時。預計從螺旋 4 開始，FMN 將開始包括移動戰術網絡的不同方面。結果將成為相關 FMN 的重要投入。

重點關注可部署和移動戰術領域的異構網絡

圖 2 展示了依賴于這些網絡的軍事場景概覽。創建該場景是為了顯示行動期間的信息需求，并舉例說明在異構網絡中建立必要服務所面臨的挑戰。

該場景描述的是一個機械化營的連級特遣部隊和一個海軍特遣艦隊開展的行動。它們是由聯軍總部協調的軍事特遣隊 (MC) 的一部分。連隊通信和信息系統 (CIS) 與國家作戰廣域網相連，并可訪問聯軍系統。MC 總部在行動期間發揮后援作用，并應要求提供戰斗支援（CS）和戰勤支援（CSS）。根據行動背景，假定敵軍正準備從位于圖 2 右下角行動區內的村莊向聯軍基地發動復雜的攻擊。敵軍裝備精良，活動區域可能埋有地雷，因此有可能出現簡易爆炸裝置（IED）危險。己方部隊的任務是進入作戰區域，消滅叛亂分子并銷毀他們收集的武器裝備。避免村莊居民傷亡并使叛亂分子無法逃脫是非常重要的。這一任務中最重要的因素是由聯軍提供的獨聯體、后勤和醫療支持。因此，需要有運作良好的通信能力來幫助組織武裝部隊。

完成這項任務需要使用各種系統和通信網絡，如無線電通信系統（高頻、甚高頻、超高頻、衛星通信）、傳感器網絡和無人機系統。海軍管理系統也已到位，用于支持任務的偵察和監視，并提供數據、語音和視頻等服務。

為實施場景中的行動，確定了三個小故事。每個小故事的角色和參與者都相同。第一個小場景涉及戰場的情報準備工作。第二個小場景包括聯軍進入作戰區，包括在周邊沿海地區開展海上攔截行動。第三個小故事包括一次城市行動，結果是消滅了叛亂分子。第三個小故事還包括在解除簡易爆炸裝置后向軍艦進行的醫療后送。每個小故事都提出了行動者和 C4IS（指揮、控制、通信和計算機信息系統）設備之間預期交換的數據，強調了軍事異構網絡的連接性和網絡效率問題。

第二次世界大戰是人類歷史上最大的全球性悲劇。歷史資料中對此有大量記載，但這些信息分散在不同的組織和國家，以多種語言書寫，并以不同的格式呈現。語義網技術為整合異構分布式歷史信息提供了解決方案。通過整合來自分散來源的信息，就有可能比單獨研究這些來源更深入地了解歷史。

本論文探討了如何利用語義網技術將異構的軍事歷史信息作為關聯數據來表示和建模，重點是描述第二次世界大戰中芬蘭的歷史。論文研究了來自分布式來源的軍事歷史數據的協調和整合，同時還研究了如何在基于網絡的用戶界面上搜索、瀏覽、分析和可視化由此產生的關聯數據。高度關聯的圖表集的維護面臨著新的挑戰，提出了解決這些問題的方案。這些主題都是在構建WarSampo信息系統的背景下進行研究的。

在WarSampo中，關聯數據和基于事件的CIDOC概念參考模型被結合使用，以實現異構軍事歷史數據集的互操作性。事件被用作粘合劑，將來自不同源數據集的信息結合在一起。基于事件的建模可以將國家軍事歷史描述為數據，并通過單個軍事單元和士兵的事件對其進行進一步豐富。WarSampo 語義門戶網站展示了這一理念，該門戶網站由九個不同的視角組成，可從分布式來源整合數據。每個視角都為 WarSampo 知識圖譜的特定部分（如戰爭事件、人物、戰時照片和地點）提供定制的用戶界面。

知識圖譜作為開放數據發布，是全球關聯開放數據云的一部分。所建議的方法和數據模型的實用性超出了本研究的地理和時間范圍。WarSampo 項目背后的愿望是，通過使軍事歷史數據更容易獲取，我們對戰爭現實的理解將得到改善，這也將促進未來的和平。

圖 3.1. 帶有實例數量和類實例之間聯系的核心類

戰場物聯網（IoBT）的重點是利用傳感器、執行器和分析設備的互聯網絡提供戰場態勢感知。傳感器可以探測敵人的動向，然后將信息實時傳遞給分析人員，使他們能夠就定位、應避免的區域或誰正在穿越某一區域做出戰術決策。這種能力將有可能節省資源和士兵的生命，因此物聯網成為美國陸軍研究實驗室（ARL）網絡科學研究實驗室研究的重要課題。物聯網（IoT）的概念是與任何類型的設備（從汽車到冰箱）建立通信網絡。將這一概念轉換到戰場環境中，可以想象 IoBT 能帶來多大的可能性。陸軍對 IoBT 設備產生了濃厚的興趣，希望學習、開發并將這些理念從實驗室帶到戰場。

為此，美國陸軍研究實驗室戰術網絡保障分部開發了一種在未知或潛在敵對環境中使用 IoBT 部署多個傳感器的方法。稱該系統為自主分類傳感器網絡。系統內的傳感器執行基本分類，根據生成的事件識別是盟友還是對手，并使用特設無線網絡相互通信。通過使用多個不同類型的傳感器，分類結果更加穩健，因為它們來自不同模式的多個傳感器數據源。此外，為確保較長的網絡壽命，傳感器采用了睡眠算法，節點進入低功耗模式，同時保持網絡活動。最后，這項工作的重點是開發一種應對拒絕服務（DoS）和分布式拒絕服務（DDoS）攻擊的對策，這些攻擊是能夠關閉網絡的普遍威脅。

圖 6 測試不同聚類方法的 Node-RED 流程

交叉引用傳感器

每個傳感器節點都與一個 XBee Series 2 模塊相連，作為通信的基礎層。之所以選擇 XBee，是因為它成本低廉，而且與其他常見的 WiFi 或藍牙設備相比，它與戰術無線無線電相似。我們的實施方案有兩種節點，一種是檢測器節點，另一種是分類器節點。檢測器用于檢測網絡一般區域內是否發生了事件。分類器收集的數據隨后用于將事件分類為盟友事件或敵方事件。我們的設想是，讓探測器節點感知是否有人進入現場，并將該信息轉發給附近的分類器節點，以喚醒它們并開始勘察環境。分類器節點將繼續感知，直到有人觸發事件或感知時間結束。然后，分類器的信息將直接或通過多跳發送到基站。

探測器節點配備了被動紅外（PIR）、超聲波或振動傳感器，分類器節點配備了射頻識別（RFID）、磁力計、麥克風或攝像頭傳感器。為了節約能源，我們在網絡中采用了睡眠算法，這樣檢測器節點就不會在每個時間點都處于空閑狀態。傳感器被連接到 Arduino UNO2 或 Raspberry Pi3 單板計算機上。除了攝像頭和麥克風需要 Raspberry Pi 提供額外的計算資源外，大部分傳感器都使用 Arduino UNO 設備。

分類傳感器收集到的數據會被發送到基站，并在那里匯總成一個數據項。這個匯總數據集代表了過去幾秒鐘內感應到的區域。然后通過聚類算法對數據進行分析，對觸發傳感器的個人進行分類，以預測是盟友還是對手觸發了事件。

休眠算法

無線傳感器網絡的一個重要方面是網絡壽命，它可以定義為最后一個節點停止工作（因故障或耗盡電力資源）所需的時間，也可以定義為網絡的覆蓋范圍或連接性達到某個連接性閾值所需的時間。如果網絡能維持更長時間的可用流量，就能減少在戰場上更換或維護網絡的需要，從而節省時間并降低士兵面臨的風險。由于增加每個節點的電池容量成本高昂，建議采用休眠算法來延長網絡的使用壽命。不主動掃描且對網絡連接不重要的節點可以進入睡眠狀態，以節省能量。然后，這些節點可以在稍后時間被激活，接替可用能量較少的節點的角色。在實施過程中，探索了三種不同的策略，同時測量了它們的壽命和覆蓋范圍。1）地理自適應保真度 (GAF) 算法、2）連接 k 鄰域 (CKN) 和能耗連接 k 鄰域 (EC-CKN)、3）分類網絡休眠算法

數據分析

隨著可用數據的增加，有必要制定一種方法來解釋數據和推理信息。最初通過 Node-RED 通過合成輸入進行數據收集和分類。我們選擇了 R 編程語言來最終實現將傳感器數據分類為敵方或盟方事件。

安全性

任何無線網絡都會存在一些安全隱患，因此必須加以解決。第一個問題是，傳感器會不斷廣播它們掌握的所有信息。監聽網絡的敵人可以輕易地看到所有正在廣播的信息，甚至更糟糕的是，他們可以編造自己的數據來混淆聚類算法。另一個問題是，監聽網絡的對手可能會試圖用數據包淹沒網絡，阻止傳感器傳輸數據（DoS 或 DDoS）。

為了防止對手在 DoS/DDoS 攻擊中用無用數據淹沒網絡，檢查了畸形數據，并切換了 XBee 無線電的個人區域網絡 (PAN) ID。如果檢查發現網絡被數據淹沒，系統就會切換到另一個網絡。遺憾的是，這并不能完全解決問題，因為存在復制攻擊，這種攻擊會利用有效數據，在網絡中充斥大量數據副本。不過，這種攻擊可以通過在數據中加入一次性號碼來解決，這樣基站就能檢測到相同的數據是否被發送了多次。

本論文為有限時間范圍內的魯棒性分析和綜合提供了理論和計算工具。這項工作的動機之一是對導彈攔截系統性能進行可靠評估，這也將有助于此類系統的穩健設計。典型的性能指標具有無限時間范圍的性質，以穩定性為中心，并依賴于頻域概念，如增益/相位裕度。對于在有限時間范圍內運行的系統（如許多發射場景），這些指標可能不夠充分。相反，本論文側重于時域指標，例如，在考慮干擾、模型不確定性/可變性和初始條件的影響的同時，對系統在視界最后時間的狀態進行約束。建議的方法是沿軌跡對動力學進行數值線性化，以獲得線性時變（LTV）系統。然后在線性化系統上進行分析或綜合，該系統可捕捉到標稱軌跡周圍的一階擾動。與原始非線性模型相比，這種方法犧牲了一些精度，但卻能使用線性系統工具。建議的最壞情況 LTV 分析還提供了具體的不良干擾和不確定參數，可在高保真非線性仿真中進一步研究。

導彈防御： 威脅環境正在以許多前所未有的方式迅速演變，這主要是由于現有導彈能力的增強和無人駕駛飛行器的更加靈活。任何導彈防御系統的首要目標都是保護國土、文明和戰略資產（如航空母艦）。這些復雜的工程系統必須探測、跟蹤和攔截來襲的威脅導彈，在它們到達各自目標之前將其摧毀。目前，最常見的方法之一是使用攔截導彈，通過與威脅導彈碰撞（即命中摧毀）或在其附近爆炸（即定向破片）使其失效。

目前的局限性： 單一攔截器與威脅交戰的性能可能會因多種因素而下降，包括外部干擾（如陣風）、未建模的靈活動態、傳感器噪聲、跟蹤不準確、致動器飽和、威脅的規避機動等。這對單個攔截器系統的精度造成了極大的影響。因此，需要發射多個攔截器來提高成功的可能性。然而，這并不總是可行的；例如，一艘小型海軍艦艇可能只有有限的艦載導彈資源。替代方法包括反火箭、火炮和迫擊炮（C-RAM）系統或 CIWS 雷達控制速射炮，發射多發炮彈，直到成功識別并摧毀威脅。當同時受到多個威脅的攻擊時，這種防御能力很容易被壓垮。有些威脅導彈具有很強的機動性，可使用多種誘餌和反制手段，因此很難被攔截。此外，如果不能在短時間內做出反應，可能會造成災難性后果。總之，目前的多層導彈防御系統嚴重缺乏性能保證。

目標：這項研究的主要目標是開發理論和計算工具，用于對在有限時間范圍內運行的系統進行魯棒性分析。重點是快速可靠地計算適當的魯棒性指標，以確定最壞情況下的性能。這種分析可用于補充現有的蒙特卡洛方法，以便在設計迭代的早期發現邊緣情況，或確定二元結果（如任務成功或在最壞情況下失敗）。

挑戰： 總體而言，由于存在許多不確定性、干擾和參數變化，最壞情況分析問題是非線性和非凸的。目前還沒有任何數值上可靠的工具可用于此類分析。即使存在這樣的工具，其適用范圍也很可能有限，因為它們要么計算速度很慢，無法保證收斂，要么只適用于學術范例。例如，考慮在 F-16 飛機上應用非線性動力算法進行最壞情況軌跡分析[8]。這種算法不僅缺乏收斂性保證，而且計算速度很慢。得出最壞情況下的參數和陣風組合所需的時間（4 到 4.5 小時）與蒙特卡洛模擬所需的時間大致相同。

方法： 方法主要是沿標稱軌跡對系統的動態進行數值線性化，并評估由此產生的線性時變（LTV）系統的穩健性。這種線性化系統只捕捉標稱軌跡周圍的一階擾動。我們利用系統的線性特性，通過解決凸優化問題，為 LTV 性能提供正式保證。然而，這需要犧牲原始不確定非線性系統的精度（即以精度換取計算效益）。這種近似分析只需要一次非線性模擬，速度明顯更快。擬議的有限視界線性化分析還提供了最壞情況下的性能證明（如特定的 "壞 "干擾、參數等），可在非線性模擬中進一步分析。

作為分布式海上作戰（DMO）的一個關鍵原則，盡管有人和無人、水面和空中、作戰人員和傳感器在物理時空上都有分布，但它們需要整合成為一支有凝聚力的網絡化兵力。本研究項目旨在了解如何為 DMO 實現有凝聚力的作戰人員-傳感器集成，并模擬和概述集成實施所需的系統能力和行為類型。作為一個多年期項目，本報告所述的第一項工作重點是建立一個適用于 DMO 建模、模擬和分析的計算環境，尤其側重于有人和無人飛機的情報、監視和偵察 (ISR) 任務。

在半個世紀的建模和仿真研究與實踐（例如，見 Forrester, 1961; Law & Kelton, 1991），特別是四分之一世紀的組織建模和仿真工作（例如，見 Carley & Prietula, 1994）的基礎上，獲得了代表當前技術水平的計算建模和仿真技術（即 VDT [虛擬設計團隊]；見 Levitt 等人, 1999）。這種技術利用了人們熟知的組織微觀理論和通過基于代理的互動而產生的行為（例如，見 Jin & Levitt, 1996）。

通過這種技術開發的基于代理的組織模型在大約三十年的時間里也經過了數十次驗證，能夠忠實地反映對應的真實世界組織的結構、行為和績效（例如，參見 Levitt, 2004）。此外，幾年來，已將同樣的計算建模和仿真技術應用到軍事領域（例如，見 Nissen, 2007），以研究聯合特遣部隊、分布式作戰、計算機網絡行動和其他任務，這些任務反映了日益普遍的聯合和聯盟努力。

本報告中描述的研究項目旨在利用計算建模來了解如何為 DMO 實現有凝聚力的戰斗傳感器集成，并建模和概述集成實施所需的系統能力和行為類型。作為一個多年期項目，本報告所述的第一項工作重點是建立一個適用于 DMO 建模、模擬和分析的計算環境。在這第一項工作中，將對當今的海上行動進行建模、模擬和分析，重點是有人駕駛和無人駕駛飛機的情報、監視和偵察（ISR）任務。這為與執行 ISR 任務的一個或多個 DMO 組織進行比較確立了基線。這也為與其他任務（如打擊、防空、水面戰）進行比較建立了基線。第二階段接著對一個或多個備用 DMO 組織進行建模、模擬和分析。

在本技術報告的其余部分，首先概述了 POWer 計算實驗環境，并列舉了一個實例，以幫助界定 DMO 組織和現象的計算建模。依次總結了研究方法。最后，總結了沿著這些方向繼續開展研究的議程。這些成果將極大地提高理解和能力，使能夠為 DMO 實現戰斗員與傳感器的集成，并為集成實施所需的系統能力和行為建模和概述。

人工智能解決方案在陸軍野戰應用中的使用將在很大程度上依賴于機器學習（ML）算法。當前的ML算法需要大量與任務相關的訓練數據，以使其在目標和活動識別以及高級決策等任務中表現出色。戰場數據源可能是異構的，包含多種傳感模式。目前用于訓練ML方法的開源數據集在內容和傳感模式方面都不能充分反映陸軍感興趣的場景和情況。目前正在推動使用合成數據來彌補與未來軍事多域作戰相關的真實世界訓練數據的不足。然而，目前還沒有系統的合成數據生成方法，能夠在一定程度上保證在此類數據上訓練的ML技術能夠改善真實世界的性能。與人工生成人類認為逼真的語音或圖像相比，本文為ML生成有效合成數據提出了更深層次的問題。

1 引言

人工智能（AI）是美國國防現代化的優先事項。美國國防部的人工智能戰略指示該部門加快采用人工智能并創建一支適合時代的部隊。因此，它自然也是陸軍現代化的優先事項。從陸軍多域作戰（MDO）的角度來看，人工智能是解決問題的重要因素，而MDO是建立在與對手交戰的分層對峙基礎上的。雖然人工智能本身沒有一個簡明和普遍接受的定義，但國防部人工智能戰略文件將其稱為 "機器執行通常需要人類智能的任務的能力--例如，識別模式、從經驗中學習、得出結論、進行預測或采取行動--無論是以數字方式還是作為自主物理系統背后的智能軟件"。這句話的意思是，當機器在沒有人類幫助的情況下獨立完成這些任務時，它就表現出了智能。過去十年中出現的人工智能解決方案的一個重要方面是，它們絕大多數都符合模式識別模式；在大多數情況下，它們根據經過訓練的人工神經網絡（ANN）對相同輸入數據的輸出結果，將輸入數據分配到數據類別中。具體來說，深度學習神經網絡（DNN）由多層人工神經元和連接權重組成，最初在已知類別的大量數據上進行訓練以確定權重，然后用于對應用中的實際輸入數據進行分類。因此，機器學習（ML），即自動機（這里指DNN）在訓練階段學習模式的過程，一直是一個主導主題。事實上，DNN在計算機視覺領域的成功是商業和政府部門加大對人工智能關注和投資的原因。訓練算法和軟件開發工具（如tensorflow）的進步、圖形處理器（GPU）等計算能力的可用性，以及通過社交媒體等途徑獲取大量數據，使得深度學習模型在許多應用中得到了快速探索。

在監督學習中，人類專家創建一組樣本來訓練ML算法，訓練數據與實際應用數據的接近程度對人工智能方法的性能起著重要作用。將ML模型應用于軍事問題的主要瓶頸是缺乏足夠數量的代表性數據來訓練這些模型。有人提出使用合成數據作為一種變通辦法。合成數據集具有某些優勢：

• 它們帶有準確的地面實況。
• 使用現成的模擬產品可輕松生成大量各種類型的數據。
• 它們在程序上的障礙較少，例如，生物識別數據需要獲得機構審查委員會的許可。

然而，最關鍵的問題是在合成數據或混合合成和真實數據上訓練ML模型是否能使這些模型在真實數據上表現良好。美國陸軍作戰能力發展司令部陸軍研究實驗室的研究人員和合作者使用合成生成的人類視頻進行機器人手勢識別所獲得的初步結果表明，在合成數據和真實數據混合的基礎上進行訓練可以提高ML手勢識別器的性能。然而，并沒有普遍或分類的結果表明，當全部或部分使用合成數據進行訓練時，真實世界的ML性能會得到一致的提高。因此，有必要進行系統調查，以確定使用合成數據訓練ML方法的可信度。我們有理由假設，合成數據在提高ML性能方面的有效性將受到實際應用領域、合成數據與真實數據的保真度、訓練機制以及ML方法本身等因素的影響。合成數據與真實數據的保真度反過來又取決于數據合成方法，并提出了通過適當指標評估保真度的問題。以圖像為例，合成數據訓練的ML方法的性能與人類視覺感知的真實場景的保真度是否成正比并不清楚。有可能數據的一些關鍵特征對于ML的性能比那些影響人類感知的特征更為重要。組織這次陸軍科學規劃和戰略會議（ASPSM）的一個主要目的是讓合成數據生成、人工智能和機器學習（AI & ML）以及人類感知方面的頂尖學術界和國防部專家討論這些問題。會議的技術重點主要是圖像和視頻數據，反映了組織者在計算機視覺和場景感知方面的任務領域。

2 組織

根據上一節提出的問題，會議圍繞三個主題展開：

1.人類的學習和概括： 人類可以從最小的抽象和描述概括到復雜的對象。例如，在許多情況下，觀察一個物體的卡通圖像或線描，就足以讓人類在真實場景中識別出實際的三維物體，盡管后者比卡通圖像或線描具有更復雜的屬性。 這遠遠超出了當前人工智能和ML系統的能力。如果能夠開發出這種能力，將大大減輕數據合成機器的負擔，確保真實數據的所有屬性都嚴格保真。這個例子也說明了一個事實，即用于訓練ML模型的合成數據生成研究與提高ML模型本身的能力密切相關。因此，這項研究的重點是探索人類和動物的學習，以啟發ML和數據合成的新方法。

2.數據合成方法和驗證： 大多數應用ML方法的領域都有針對其領域的數據合成技術和工具。游戲平臺提供了一個流行的視頻合成商業范例。問題是如何評估特定領域中不同合成方法的性能。顯然，我們必須確定執行此類評估的指標或標準。通常情況下，合成工具的作者也會就工具的性能或功效發表聲明。驗證將是評估此類聲明的過程。本研究的目的是探討指導合成和驗證過程的原則。合成技術的例子包括基于計算機圖形的渲染器（如電影中使用的）、基于物理的模擬（如紅外圖像）和生成模型（目前傾向于基于神經網絡）。

3.領域適應挑戰： ML中的領域適應是指使用一個領域（稱為源領域）的數據訓練ML模型，然后將ML應用于不同但相關領域（稱為目標領域）的數據。例如，使用主要為民用車輛的源圖像數據集訓練識別車輛的ML算法，然后使用訓練好的算法識別主要為軍用車輛的目標數據集中的車輛。在使用合成數據進行訓練時，它們通常構成源域，而實際應用數據則是目標域。本次會議的重點是確定和討論有效領域適應中的關鍵問題和挑戰。

ASPSM的審議分四次會議進行。第一天的兩場會議討論了前兩個主題。第二天的第一場會議討論第三個主題，第二場會議在三個主題下進行分組討論。ASPSM兩天的日程安排分別如圖1和圖2所示。從圖中可以看出，每個主題會議首先由該領域的學術專家進行40分鐘的主講，然后由大學專家進行兩個20分鐘的講座。隨后由來自學術界和國防部的專家組成的小組進行討論。最后一個環節是分組討論，與會者可以討論與主題相關的各個方面。

3 口頭報告和小組討論

麻省理工學院電子工程與計算機科學系的Antonio Torralba教授在第一分會場發表了關于人類學習與泛化的主題演講。他的演講題目是 "從視覺、觸覺和聽覺中學習"，深入探討了深度學習方法如何在不使用大量標注訓練數據的情況下發現有意義的場景表征。舉例說明了他們的DNN如何在視覺場景和環境中的聲音之間建立聯系。讀者可參閱Aytar等人關于這一主題的代表性文章。

同樣來自麻省理工學院的James DiCarlo博士的下一個演講題目是 "視覺智能逆向工程"。他將 "逆向工程 "定義為根據對行為的觀察和對輸入的反應推斷大腦的內部過程，將 "正向工程 "定義為創建ANN模型，以便在相同輸入的情況下產生相應的行為。他的研究小組的一個目標是建立神經認知任務的性能基準，人類或其他靈長類動物以及ML模型可以同時達到這些基準。他的演講展示了大腦處理模型如何適應ANN實現的初步結果，并提出了ANN通過結合這些適應密切模擬人類行為，進而準確描述大腦功能的理由。

第一場會議的第三場講座由加州大學伯克利分校的Jitendra Malik教授主講，題為 "圖靈的嬰兒"。這個題目也許是指最早的電子存儲程序計算機之一，綽號 "寶貝"，其創造者之一受到了阿蘭-圖靈的啟發。馬利克教授首先引用了圖靈的觀點：與其創建一個模擬成人思維的程序，不如從模擬兒童思維開始。從本質上講，這意味著創造一種人工智能，通過與環境互動以及向其他人工智能和人類學習來學習和成長。這被稱為具身機器智能。馬利克教授認為，監督學習本質上是處理靜態數據集，因此顯示了在精心策劃的時間點上運行的非實體智能。具體而言，他認為監督訓練方法不適合創建能夠提供人類水平的世界理解，特別是人類行為理解的人工智能。Malik教授介紹了 "Habitat"，這是一個由他和他的合作者開發的平臺，用于嵌入式人工智能的研究。在隨后的小組討論中，與會人員討論了演講者所涉及的主題，以及與機器人學習和當前兒童智力發展模型相關的主題。

第二部分“數據合成:方法和驗證”以一個題為“學習生成還是生成學習?”，作者是斯坦福大學的Leonidas gu教授。在研究用于訓練ML的合成數據生成的動機中，他指出可以減輕大量人工注釋訓練數據的負擔。他的前提是，無論合成數據是用于訓練ML還是供人類使用，其生成效率和真實性都非常重要。不過，他表示其他質量指標還沒有得到很好的定義，需要進一步研究。他舉例說明了在混合合成數據和真實數據上訓練ML時，ML的物體識別性能有所提高，但他也承認很難得出可推廣的結論。

卡內基梅隆大學的Jessica Hodgins博士發表了第二場會議的第二個演講，題為 "生成和使用合成數據進行訓練"。演講展示了她的研究小組生成的精細合成場景。利用從真實場景到合成場景的風格轉移過程，她的研究小組創造了一些實例，說明在混合了大量風格適應的合成數據和一些真實數據的基礎上進行訓練的ML方法的性能優于僅在真實數據集或僅在合成數據集上進行訓練的方法。性能提高的原因在于風格轉移克服了合成數據集與真實數據集之間的 "分布差距"。

第二場會議的最后一場講座由加州大學伯克利分校的Trevor Darrell教授主講。他的演講題為 "生成、增強和調整復雜場景"，分為三個部分。第一部分詳細介紹了演講者及其核心研究人員開發的一種名為 "語義瓶頸場景生成 "的技術，用于根據地面實況標簽合成場景。該技術可進一步與通過生成過程生成此類地面標簽的模型相結合。Azadi等人對該技術進行了詳細描述。 第二部分涉及增強和自我監督學習。發言人提出，當前的對比學習方法在合成增強數據時建立了不變量，而這些不變量可能是有益的，也可能是無益的。例如，建立旋轉不變性可能有利于識別場景中的花朵，但可能會阻礙對特定方向物體的有效識別。演講者介紹了他的研究小組考慮具有特定不變性的多種學習路徑的方法，并展示了與現有技術相比性能有所提高的結果。 第三部分介紹了一種名為 "Tent"（測試熵）的技術。其前提是DNN應用過程中遇到的數據分布可能與訓練數據不同，從而導致性能下降。因此，需要對DNN參數進行實時或測試時調整，以防止性能下降。Tent技術通過調整權重使DNN輸出的測量熵最小化來實現這一目標。演講者隨后用常用數據集展示了該技術相對于先前方法的改進性能。隨后的小組討論涉及合成方面的挑戰，尤其是紅外圖像方面的挑戰。

第二天的第三場會議以 "領域轉移的挑戰 "開始。約翰霍普金斯大學布隆伯格特聘教授Rama Chellappa博士發表了題為 "解決美國防部實際問題的綜合數據期望與最大化"的演講。演講首先回顧了過去二十年來國防部處理合成圖像的多個項目的歷史。他提出了一個重要論斷，即如果在合成過程中考慮到真實數據的物理特性，那么真實數據和合成數據之間的領域轉換就會減少。Chellappa教授還就領域自適應表示法提供了快速教程，涵蓋了正規數學方法以及較新的生成對抗網絡（GANs）。演講者及其核心研究人員開發的基于GAN的方法可以修改合成數據的分布，使之與目標分布相匹配。講座舉例說明了這種方法優于之前的非GAN方法。

佐治亞理工學院的Judy Hoffman教授發表了題為 "從多個數據源進行泛化的挑戰 "的演講。她考慮的問題是在模擬中學習模型，然后將模型應用于現實世界。她指出了四個挑戰： 生成、列舉、泛化和適應。發言人介紹了應對這些挑戰的幾種不同方法。具體來說，用于泛化的特定領域掩碼（DMG）方法通過平衡特定領域和領域不變特征表征來生成一個能夠提供有效領域泛化的單一模型，從而解決多源領域學習問題。

第三場會議的第三位也是最后一位演講者是波士頓大學的Kate Saenko教授，他的演講題目是 "圖像分類和分割的Sim2Real領域轉移的最新進展和挑戰"。Saenko教授延續了前兩場講座的主題，介紹了視覺領域適應的歷史，并探討了領域和數據集偏差問題。在糾正數據集偏差的不同方法中，講座詳細討論了領域適應。特別重要的是，Saenko教授及其合作者開發的技術能夠顯示合成到真實的適應性，就像從游戲引擎到真實數據一樣。隨后的小組討論提出了幾個有趣的問題，包括訓練域和測試域的不同，不是感興趣的對象不同，而是對象所處的環境不同，例如訓練時軍用車輛在沙漠環境中，而測試時則在熱帶植被背景中。

4 分組討論

三個主題的分組討論同時進行。在 "人類學習與泛化 "分組討論中，首先討論了 "人類如何學習？"、"ML模型如何模仿人類過程？"以及 "合成數據如何實現這些過程？"等問題。從童年到青春期和成年期，學習和成長之間的關系成為關鍵點。其他被認為有助于人類學習的因素包括人類心理、情感、同時參與多維活動、記憶以及解除學習的能力。

關于 "數據綜合： 方法與驗證 "分論壇確定了數據合成的幾個問題，特別是圖像和視頻。主要問題涉及結合物理學的有用性、視覺外觀保真度與成本之間的權衡、保真度的衡量標準、保真度本身的重要性以及當前技術（包括GANs技術）的局限性。據觀察，合成圖像和視頻生成至少已有幾十年的歷史，但大多數產品要么是為視覺效果而設計，要么是為再現物理測量而設計（例如，紅外模擬中的輻射剖面）。它們并不適合用于ML培訓。提出的另一個問題是，合成的二維圖像必須與物體和環境的底層三維幾何圖形保持一致。還有人提出，能夠在特定的感興趣的環境中生成大量合成數據，可以作為第一道工序測試新的人工智能和ML方法，而不管這些方法是否能夠在真實數據中很好地工作。

專題3 "領域轉移挑戰 "的分組討論確定了MDO所需的關鍵人工智能能力，即從孤立學習到機器與人類之間的聯合或協作學習。會議還討論了在多種數據模式下同時訓練ML的聯合學習。人們認識到，這些領域的工作才剛剛開始。分組討論的牽頭人強調，需要向士兵明確說明基于人工智能的系統在特定情況下將會做什么。這引發了對系統魯棒性的討論。分組組長向ASPSM聽眾提供了討論摘要。

5 差距和建議

根據本次ASPSM的討論，我們確定了以下值得陸軍進一步進行科技投資的領域：

1.支持多模式互動學習的合成技術和數據集。與當前流行的捕捉 "時間瞬間 "的靜態數據集（如農村環境中的車輛圖像）相比，有必要開發更能代表支持持續學習的體現性體驗的模擬器，就像我們在人類身上看到的那樣，并實現對世界更豐富的表征。混合方法（如增強現實）也可將人類監督的優勢與合成環境的靈活性結合起來。

2.學習和合成因果關系和層次關系的算法和架構。最近的一些方法，如基于圖的卷積神經網絡，已經在學習空間和時間的層次關系（如物體-部件和因果關系）方面顯示出前景。鑒于在現實世界中收集和注釋此類數據的復雜性，合成數據的生成可能特別有用。識別層次關系是一般國防部和戰場情報分析的關鍵要素。

3.支持持續、增量、多模態學習的算法和架構。深度強化學習方法被成功地用于訓練虛擬或機器人代理的相關行動策略，如捕食者與獵物之間的相互作用。基于模仿的方法承認學習的社會性，通常讓代理與（通常是人類）教師合作學習新策略。這些類型的交互式持續學習可進一步與多模態學習（即融合來自多個傳感器的數據）相結合，以實現更豐富的世界表征，使其更穩健、更具通用性。同樣，在這一領域難以獲得大量經過整理的數據，這也為探索合成引擎提供了動力。

4.學習物理或具備相關物理領域知識的算法和架構。在許多領域（例如紅外光下的物體感知），從圖像感知和合成圖像需要了解世界的基本物理特性，例如光與材料之間的相互作用。然而，當前的深度學習模型缺乏這種物理知識。開發賦予ML物理領域知識的技術對這些系統的性能至關重要。

5.具有豐富中間表征的領域適應技術。為了縮小真實數據和合成數據之間的領域差距，必須進一步推動當前建立領域不變中間表征的趨勢，特別是使用語義詞典和生成式對抗網絡。能夠理解數據底層結構（如光照、旋轉、顏色）的表征更有可能成功抽象出合成數據中不重要的細節。

6.深入了解ML模型內部表征的方法，以及合成表征與真實表征的比較。網絡剖析技術 "打開 "了深度學習模型的隱藏層，允許解釋網絡中的每個階段正在學習哪些特定概念或其更細的方面。這些技術揭示了具有真實輸入和合成輸入的DNN的內部表征，有助于識別所學內容的關鍵差異，從而找到克服這些差異的解決方案。

6 結論

為期兩天的虛擬ASPSM吸引了眾多美國防部科學家和工程師、頂尖學術專家以及科技項目管理人員的熱情參與。多學科的討論強化了這樣一種觀點，即開發用于訓練ML方法的生成合成數據的改進方法與理解和改進ML方法本身是分不開的。一個特別重要的需求是了解ML方法，尤其是當前的學習架構，是如何創建場景的內部表示的。另外兩個重要領域是：1）理解人類學習與ML世界中可能存在的學習之間的異同；2）多模態數據--從合成和ML的角度。我們預計近期國防部和學術研究人員將在本報告確定的領域加強合作。

傳感器信息推薦系統是一個確定并向終端用戶傳播高價值信息的軟件系統。該系統的主要組成部分是推薦服務器、戰術攻擊套件（TAK）服務器、安卓團隊感知套件（ATAK）和ATAK插件。作為一個實戰化的系統，每個組件都能在自己分散的實例上獨立運行。然而，在開發過程中，在同一平臺上運行系統的每個部分，以快速測試數據流是很有幫助的。在一個獨立的環境中運行所有的組件，向觀眾展示信息價值（VOI）系統，也是很有幫助的。本報告描述了在一個獨立的環境中部署這些組件的步驟，以便進行測試和開發。

系統組件

系統結構如圖1所示。推薦服務器接收來自部署的傳感器的數據，并通過TAK服務器將來自傳感器的推薦信息對象發送到ATAK。

圖1 傳感器信息推薦系統工作流程中的TAK服務器

態勢感知是作戰人員的必需能力。一種常見的監視方法是利用傳感器。電子光學/紅外（EOIR）傳感器同時使用可見光和紅外傳感器，使其能夠在光照和黑暗（日/夜）情況下使用。這些系統經常被用來探測無人駕駛飛機系統（UAS）。識別天空中的這些物體需要監測該系統的人員開展大量工作。本報告的目的是研究在紅外數據上使用卷積神經網絡來識別天空中的無人機系統圖像的可行性。本項目使用的數據是由作戰能力發展司令部軍備中心的精確瞄準和集成小組提供的。

該報告考慮了來自紅外傳感器的圖像數據。這些圖像被送入一個前饋卷積神經網絡，該網絡將圖像分類為有無無人機系統。卷積模型被證明是處理這些數據的第一次嘗試。本報告提供了一個未來的方向，以便在未來進行擴展。建議包括微調這個模型，以及在這個數據集上使用其他機器學習方法，如目標檢測和 YOLO算法。