美國國防部（DoD）正迅速與各軍種合作，從多年期（如 7-10 年）傳統采購計劃轉向基于商業行業的軟件開發方法。雖然商業技術和方法為快速部署任務能力以應對威脅提供了機會，但商業技術是否適用于滿足水面作戰系統的實時要求尚不清楚。這項研究建立了技術數據，以驗證當前商業技術的有效性和適用性，從而滿足國防部作戰管理系統的硬實時要求。有學者進行了類似的研究；然而，微服務、容器和容器編排技術當時還未出現在國防部的雷達上。該領域的最新知識將為國防部未來的路線圖和投資提供參考。將采用基于任務的方法，利用任務工程為應用研究設定背景。已經建立了一個假設的但與業務相關的海峽過境方案，以便在評估假設時為確定實驗參數提供背景。將系統模型聯合起來形成一個系統架構，并利用云計算環境中的數據收集數據進行定量分析。

本文件編排如下：

• 第 1 章（導言）討論了擬議研究背后的理論體系，討論了本研究的目的，并確定了要解決的問題。

• 第 2 章（研究背景）介紹了文獻綜述，并討論了以往研究的局限性。

• 第 3 章（方法論）討論了方法論方法，闡明了任務工程背景，提出了預測和假設，并討論了原型測試環境的開發和實例化。

• 第 4 章（結果）討論統計分析結果。

• 第 5 章（討論）概述了研究結果，并討論了研究意義和局限性。

• 第 6 章（結論）介紹了本研究對工程管理與系統工程（EMSE）"知識體系 "的貢獻，并對未來研究提出了建議。

在國防訓練中應用模擬器不僅具有經濟意義，而且還能顯著減少排放。然而，直到現在，人們還沒有對應用模擬器所帶來的環境效益進行深入研究。本研究旨在量化印度陸軍使用選定模擬器進行訓練所帶來的環境和經濟效益。研究的一些主要發現如下

• T-90 駕駛模擬器在 30 年的假定壽命期內，在團級和中隊級可分別減少碳排放達 1919 噸和 640 噸。在經濟方面，它可以幫助裝甲團和中隊每年分別節省 45.4 億印度盧比和 1.4 億印度盧比。
• 在假設的 30 年壽命期內，T-90 乘員射擊模擬器可分別為裝甲團和裝甲中隊減少高達 3676 噸和 1225 噸的碳排放。而在經濟方面，它可以幫助裝甲團和裝甲中隊每年分別節省 12.7 億印度盧比和 4.13 億印度盧比。
• 用于輕型四輪汽車駕駛培訓的自動駕駛模擬器在 15 年的假定使用壽命內可減少 103 噸二氧化碳當量。而在經濟方面，它可以為一個團每年節省 375 萬印度盧比。
• 先進武器模擬器（AWeSim）可在 10 年內減少 55 噸碳當量，從經濟角度看，每年可節省 2460 萬印度盧比。
• 由于某些尖端武器系統的彈藥價格昂貴，實彈射擊訓練受到限制。盡管如此，還是有必要對人員進行此類系統的培訓，以提高其熟練程度和熟悉程度。模擬器（如防空模擬器，或稱 "3ADS"）彌補了這一不足，同時還消除了大氣中有毒氣體的釋放。

美國空軍越來越關注人工智能（AI）在增強作戰各方面能力方面的潛力。在這個項目中，空軍要求蘭德公司的研究人員考慮人工智能無法做到的事情，以了解人工智能在作戰應用中的局限性。

研究人員沒有試圖確定人工智能的一般限制，而是選擇并調查了四個具體的作戰應用作為潛在用例：網絡安全、預測性維護、兵棋推演和任務規劃。選擇這些應用是為了代表各種可能的用途，同時突出不同的限制因素。在可以獲得足夠數據的三個案例中進行了人工智能實驗；剩下的兵棋推演案例則廣泛探討了如何應用或不能應用人工智能。

本報告是五卷系列中的第一卷，總結了所有應用案例的研究結果和建議。報告面向政策制定者、采購專業人員以及對將人工智能應用于作戰普遍感興趣的人員。

研究問題

• 哪些作戰應用可作為潛在用例？
• 訓練和測試人工智能系統需要哪類數據？
• 人工智能算法有哪些局限性？

主要結論

• 要識別適應性威脅，數據必須是最新的。分布偏移會降低模型性能，這是無法避免的，尤其是對于高維數據。
• 不能依靠人工智能分類算法來學習沒有教過的東西。人工智能無法預測或識別新型網絡攻擊。
• 數據必須可訪問且條件良好。相關的物流數據保存在多個數據庫中，通常條件不佳。如果沒有自動化的數據管道，就無法獲取足夠的數據來實現人工智能。
• 和平時期的數據不能替代戰時數據。人工智能無法彌補適當數據的匱乏。
• 數字化必須先于人工智能的發展。大多數兵棋推演不是在數字化環境中進行的，也不會生成電子數據。數字化是人工智能數據管道的先導。
• 需要新型數據。要實現人工智能，就需要人機交互（HCI）技術來捕捉兵棋推演中目前尚未捕捉到的方面。
• 人工智能遠未達到人類智能水平。因此，它不能代替人類，也不能應用人類的判斷。
• 要應對適應性威脅，數據必須是最新的。必須根據最新情況刷新模型，才能在動態威脅面前生存下來。
• 人工智能在戰術上很聰明，但在戰略上卻很幼稚。它往往通過進入對手的 "觀察、定位、決策、行動 "循環而取勝，而不是通過提出一個巧妙的大戰略。
• 與傳統優化方法相比，人工智能的準確性較低。但它的解決方案可能更穩健，也能更快達成。

建議

• 空軍部（DAF）應進行數據集細分測試，以確定人工智能系統分布偏移的重要性，并確定大致的衰減率和人工智能保質期。
• DAF 應進行人工智能試驗，以改進戰備備件包 (RSP) 的需求預測，并將概念驗證模型擴展到所有飛機。這可能需要在逐個部件、逐個平臺的基礎上進行。
• DAF 應考慮使用人工智能來解決更大的運籌問題，即選擇將哪些部件發送到哪里。
• DAF 應建立一個數據操作管道，以便對多個部件和平臺的飛機維護和 RSP 進行有效的回顧性分析。
• DAF 應將用于開發兵棋推演 AI 應用的資源集中在最有前途的領域：那些調查替代條件或用于評估有明確標準的領域；那些已經納入數字基礎設施（包括人機交互技術）的領域；以及那些定期重復的領域。
• 發展議程應更多地使用數字游戲基礎設施和人機交互技術，特別是在為系統探索和創新而設計的游戲中，以收集數據支持人工智能的發展。
• DAF 應更廣泛地利用人工智能能力來支持未來的兵棋推演工作。
• 國防和安全部隊應考慮如何利用人工智能為面臨突發狀況的無人機制定快速反應政策。
• DAF 應投資開發工具，將強化學習應用于現有的任務規劃模型和模擬中，如仿真、集成和建模高級框架（AFSIM）。

本研究探討了美國國防部（DoD）在冷戰早期對地對地導彈開發的管理，以及陸軍對 "朱庇特"中程彈道導彈（IRBM）的追求。在這些工作中，新興導彈技術對美國防部減少軍種間競爭和重復工作的能力提出了挑戰。盡管美陸軍闡明了使用遠程導彈的潛力，但卻未能說明為何應由陸軍來開發和操作上述武器。相反，陸軍利用 1950 年和 1954 年導彈協議中模棱兩可的措辭，廣泛應用其陸戰職能，蠶食了空軍的預期任務。這導致多個軍種爭奪有限的資源，并利用不成熟技術在當時不可預見的優勢，最終造成冗余。本研究發現，美國防部在 20 世紀 50 年代對導彈開發的管理使日益減少的國防預算捉襟見肘，限制了常規能力的現代化，并加劇了各軍種之間的緊張關系。雖然這些發現基于歷史研究，但卻具有持久的應用價值，因為它們揭示了限制性政策文件中模棱兩可的措辭所帶來的危險，并對參謀長聯席會議和類似的以軍種為基礎的委員會作為管理新興技術的組織的有效性提出了質疑。這些發現尤其適用于當今國防部的政策制定，因為冷戰時期的洲際彈道導彈爭議反映了當前軍種間在導彈開發方面的緊張關系。

研究問題

本研究探討了以下問題： 美國國防部（Department of Defense，DoD）對導彈這一新興技術的管理如何影響陸軍在 1955 年至 1956 年間對射程 1500 英里的 "朱庇特"導彈的追求？三個補充問題支持了這一研究問題： 第一，"朱庇特"導彈如何融入陸軍既定和調整后的服務職能？第二，美國防部在 20 世紀 50 年代制定了哪些限制措施來管理地對地導彈的研發？第三，是什么促使國防部長查爾斯-威爾遜在 1956 年明確了角色和任務，隨后終止了陸軍的 "朱庇特"導彈項目？

本研究認為，美陸軍利用美國防部對導彈發展的模糊指導來發展 "朱庇特"洲際彈道導彈--一種該軍種在作戰上難以自圓其說的武器。面對使命危機和有限資源的競爭，陸軍對新興導彈技術進行了大量投資，并對其服務職能和導彈開發責任進行了廣義解釋。反過來，陸軍不斷擴大導彈射程也造成了重復勞動，這是軍種間持續競爭的產物。遺憾的是，參謀長聯席會議（JCS）無法在內部解決這些沖突，國防部長最初無法解決，后來也不愿意解決，直到 1956 年 11 月才解決了問題。在這方面，20 世紀 50 年代國防部對導彈發展的管理使日益減少的國防預算捉襟見肘，限制了常規能力的現代化，并使各軍種之間本已脆弱的關系出現裂痕。

軍事決策過程（MDMP）包括分析地形以確保任務成功的關鍵任務。然而，傳統的地形分析方法，如二維（2D）模擬地圖、PowerPoint 演示文稿和任務式指揮系統，資源密集、耗時長，而且會使決策者無所適從。因此，本研究側重于使用移動頭戴式增強現實（AR）顯示技術進行三維（3D）地形可視化，以應對這些挑戰。AR 技術可讓用戶觀察到疊加在物理環境上的虛擬物體，從而增強身臨其境的體驗。該工具允許用戶查看和操作三維地形，添加軍事資源的表示，檢查由此產生的配置，并參與 MDMP。可用性研究評估了界面的有效性、效率和用戶滿意度，重點是三維可視化任務、衍生地形信息提取以及在有爭議的潮濕空隙穿越場景中的部隊部署。結果表明，AR 地形可視化原型為決策者提供了更全面、更準確的信息，使任務規劃和執行取得了成功。這項研究凸顯了三維地形可視化和 AR 技術在改進 MDMP、讓決策者更好地了解環境并做出更明智決策方面的潛力。

A. 研究領域

本研究側重于利用增強現實（AR）技術來支持軍事決策過程（MDMP），這是任務規劃的一個重要方面。該工具可使用戶與描述地形的本地三維（3D）數據集進行交互，并允許使用一套 3D工具。因此，該工具具有增強決策過程和提高 MDMP 會議效率的潛力。

傳統上，美國陸軍在規劃任務時依賴于二維（2D）圖形信息。然而，獲取更詳細的地形信息需要大量的時間和資源，例如創建額外的二維圖形表示法。相比之下，如果地形已被捕獲并表示為三維數據集，工作人員就能獲得所有必要信息，從而參與 MDMP 并做出更明智的決策。

論文研究包括設計和開發一種增強現實（AR）可視化工具，該工具可與三維虛擬地形一起操作，并支持 MDMP，尤其強調濕間隙穿越（WGC）的任務規劃。本論文旨在通過提供虛擬地形的精確數據、允許使用三維工具和更好地做出決策，改善 MDMP 期間的人員協作。此外，這項研究還有助于理解在 MDMP 中促進小團隊合作所需的技術前提條件。

B. 問題與動機

技術進步往往會超越其采用和融入現有系統和流程的速度，這是一種常見現象。例如，在軍事任務中使用 AR 和虛擬現實（VR）技術進行信息共享，可以顯著改善復雜多變行動的規劃和執行。然而，將這些技術納入現有的任務式指揮系統和程序可能具有挑戰性且耗時較長，這主要是由于軍事行動對安全性和可靠性的要求。此外，用戶可能會抵制引入他們不熟悉的新解決方案和技術。因此，盡管信息共享技術進展迅速，但其融入軍事部門的速度卻慢得多。因此，復雜多變的軍事行動仍在使用過時的協議進行規劃和執行，任務式指揮系統長期以來也只是略有改進。

美國陸軍在 MDMP 期間使用各種方法提取信息和分析地形。主要是陸軍的每個作戰職能部門使用二維地圖提取地形信息；參謀部門通過情報地形科請求獲得更詳細的信息。然后，參謀部門將從二維地圖上收集的信息和情報科提供的信息制作成 PowerPoint 演示文稿。指揮官利用這套演示文稿做出最終決定。然而，由于二維地圖的固有局限性及其表現形式（在 PowerPoint 幻燈片中展示靜態二維地圖），參謀部無法始終從地形中提取衍生信息，從而做出明智的決策。如果能以本地三維數據格式顯示地形，并使用一系列合適的三維工具，工作人員就能從地形中提取衍生信息，加強協作，并更好地理解共同行動圖（COP）。

增強現實技術在軍事領域并不新鮮，但在 MDMP 期間尚未得到廣泛應用。通過在 MDMP 期間使用 AR 可視化工具，工作人員可以獲得以前無法用于工作和協作的系統功能。通過 AR 顯示三維虛擬地形并與之互動，每個 WWF 都可以使用簡單的手勢在地形周圍導航，操作這些數據集，操縱和放大縮小地形，并提取決策所需的衍生信息。因此，WWF 可以通過對地形具體情況的透徹了解來證實他們的決策，并更好地闡明他們向指揮官推薦特定行動方案的原因。此外，因誤解二維數據集而可能產生的錯誤也會減少，甚至消除。

關注 WGC 是部署 AR 技術和使用 3D 數據表示的沃土，這是有充分理由的。對于美國陸軍人員來說，WGC 是最具挑戰性的聯合武器任務之一；由于需要投入大量資源和人力資本，這類任務的規劃非常復雜（美國陸軍聯合武器中心，2019 年）。美國陸軍中的六個 WFF 必須緊密配合，以確保 WGC 的安全進行。在 MDMP 開始時，美國陸軍的每個 WFF 都要聽取情報部門關于地形分析的簡報；這一階段稱為戰場情報準備（IPB）。IPB 代表了對部隊行動區（AO）內地形的高層次審視，并提供了有關地形預期的歷史數據（陸軍部總部，2019 年）；他們的大部分決策都是基于二維地圖做出的。進行 IPB 后，WFF 根據情報科提供的信息制定行動方案 (COA)。然而，依賴二維地圖有許多固有的局限性。例如，無法從任何給定點查看地形（數據集沒有三維記錄），因此缺少富有成效的 MDMP 所需的豐富地形信息。因此，使用卓越的數據表示，最大限度地減少出錯的可能性，并投入時間有效地研究替代方案和決策，有可能為此類復雜的軍事行動帶來急需的改進和戰略優勢。

C. 研究問題

本論文探討以下研究問題：

1.有可能為聯合武器 MDMP 提供最有效支持的技術框架是什么？

2.AR 支持的 MDMP 工具能否通過提供有關地形分析的衍生信息來增強作戰職能部門對地形的理解？

3.AR 支持的 MDMP 工具能否有效協助資源管理？

4.AR 支持的 MDMP 工具能否有效協助軍事參謀人員在聯合作戰場景中開展協作？

D. 研究范圍

本論文僅限于開發一種 AR 可視化工具和虛擬環境，以支持 "濕間隙穿越 "和提取 MDMP 期間每個 WWF 所需的地形衍生信息。此外，同一工具還可實現軍事參謀部門之間的人員協作和信息交流。

E. 研究方法

用于解決所有研究問題的方法包括以下步驟：

1.文獻綜述：進行文獻綜述，提供論文中使用的基本構造的背景信息。

2.任務分析：對當前開展 MDMP 的實踐進行分析，以跨越濕間隙。這包括但不限于詳細分析行動方案制定過程中不同作戰功能之間的報告和互動、當前地形可視化實踐以及團隊協作。

3.設計 AR 可視化工具： 為工具和用戶界面設計支持系統架構。此外，選擇一套支持用戶任務所需的三維對象和地形。

4.可用性研究：開展可用性研究，重點關注支持 AR 的 MDMP 工具的功能和性能。

5.數據分析：分析在可用性研究中收集的綜合數據集。

6.得出結論并提出未來工作建議。

F. 論文結構

第一章：導言。本章介紹研究空間的最關鍵要素：領域、問題、研究問題、范圍以及用于解決所有研究問題的方法。

第二章：背景和文獻綜述。本章討論美國陸軍如何開展 ADM 和 MDMP 以規劃軍事行動。本章還討論了 VR 和 AR 過去和當前的使用情況，以及在 MDMP 過程中軍事人員合作時 AR 的潛在用途。

第三章：任務分析： 當前 MDMP 實踐。本章分析了當前陸軍參謀人員在 MDMP 期間分析地形時使用的方法和工具，以及如何向指揮官推薦 COA。此外，本章還討論了向指揮官提供 2D 信息時存在的知識差距。

第四章：原型系統設計與實施。本章討論了 AR 可視化工具、系統架構、用戶界面和模擬環境的設計與開發。文中還描述了 WGC 場景和為可用性研究所需的虛擬環境而構建的 3D 模型。

第五章： 可用性研究。本章討論了使用 AR 可視化工具進行可用性研究的方法，包括制定完整的機構審查委員會文件。此外，文中還討論了虛擬環境、技術要求以及在可用性研究中收集的客觀和主觀數據集。最后，本章分析了可用性研究的結果。

第六章：結論和未來工作。本章概述了研究的要點，并對今后的工作提出了建議。

戰斗機飛行員通常使用模擬器來練習他們需要的戰術、技術和程序。訓練可能涉及計算機生成的力量，由預定的行為模型控制。這種行為模型通常是通過從有經驗的飛行員那里獲取知識而手工制作的，并且需要很長的時間來開發。盡管如此，這些行為模型由于其可預測性和缺乏適應性而通常是不夠的，教官必須花時間手動監測和控制這些力量的各個方面。然而，最近人工智能（Al）研究的進展已經開發出能夠產生智能代理的方法，在復雜的游戲（如圍棋和《星際爭霸II》）中擊敗人類專家玩家。

同樣，人們可以利用人工智能的方法來組成空戰的高級行為模型，使教官能夠更專注于飛行員的訓練進展，而不是手動控制他們的對手和隊友。這種智能行為必須表現得逼真，并遵循正確的軍事理論，以證明對飛行員訓練是有用的。實現這一目標的一個可能方法是通過模仿學習，這是一種機器學習（ML）類型，代理學習模仿專家飛行員提供的例子。

本報告總結了使用模仿學習技術優化空戰行為模型的工作。這些行為模型被表述為控制計算機生成的部隊的行為轉換網絡（BTN），由下一代威脅系統（NGTS）模擬，這是一個主要針對空域的軍事模擬應用。遺傳算法Neuroevolution of Augmenting Topologies (NEAT)的一個改編版本優化了BTNs，使其行為與飛行員行為的演示相似。與大多數ML方法一樣，NEAT需要許多連續的行為模擬來產生滿意的解決方案。NGTS不是為ML目的而設計的，因此圍繞NGTS開發了一個系統，該系統自動處理模擬和數據管理并控制優化過程。

進行了一組實驗，其中開發的ML系統對BTN進行了優化，以模仿三個簡單空戰場景中的例子行為。實驗表明，NEAT的改編版本（BTN-NEAT）產生的BTN能成功地模仿簡單的示范行為。然而，優化過程需要相當長的時間，計算時間長達44小時或模擬飛行時間為92天。緩慢的優化主要是受NGTS不能快速運行同時保持可靠的影響。這個可靠性問題是由NGTS缺乏時間管理造成的，它可以將代理人的狀態與模擬時間戳聯系起來。為了在更復雜的場景和演示中實現成功的行為優化，人們應該在高可靠性的前提下以比實時快得多的速度模擬行為。因此，我們認為NGTS并不適合于未來的ML工作。相反，需要一個為ML目的設計的輕量級空戰模擬，能夠快速可靠地運行。

引言

戰斗機飛行員通過嚴格的訓練學習并保持他們的戰術技能。相當多的訓練是以模擬為基礎的，在訓練中，受訓者面對友軍和敵軍，他們的行為最好能加速訓練并建立起理想的能力。計算機生成的部隊（CGFs），是自主的、計算機控制的實體，被用來扮演這些友軍和敵軍的角色。理想情況下，在基于模擬的訓練中使用CGF應該提供一些好處，如增加飛行員的訓練可用性，減少訓練中對主題專家（SME）的需求。然而，手動模擬CGF的行為，使其對教學作用有足夠的代表性，這是很繁瑣的，而且已被證明具有挑戰性。因此，目前手工制作的行為模型往往是可預測的，不能適應新的情況或在軍事理論、戰術、技術和程序（TTP）方面表現得很真實。在基于模擬的空戰訓練中保持真實的體驗對于確保受訓者獲得必要的技能至關重要。然而，由于CGF的表現和行為被認為是不足的，中小企業往往在訓練中對CGF進行微觀管理，這是不幸的，因為中小企業的成本很高，他們的時間很寶貴，而且數量有限。

人工智能研究的最新進展已經開發出能夠產生智能代理的方法，在復雜的游戲中擊敗人類專家玩家，如圍棋[1]和星際爭霸II[2]。隨著這些進展，學習用于空戰的指導性和適應性代理行為已成為一個越來越受關注的研究領域。然而，為了發揮作用，飛行員模擬的對手和盟友的行為必須是真實的，并符合軍事理論，而不是，例如，試圖不惜一切代價贏得交戰。該研究領域的一些貢獻集中在強化學習方法上，并且已經顯示出一些有希望的結果。然而，即使仔細設計目標函數，強化學習代理也有可能學習到用于飛行員訓練的次優政策，這意味著他們的行為與根據既定理論和TTP所期望的不同。另一種方法是向ML算法提供專家示范，從中提取飛行員的具體知識，并將其納入代理人使用的行為模型。據我們所知，在空戰領域，很少或沒有先前的研究探討過這種方法。

本報告介紹了基于達爾文自然選擇原則的模仿學習算法被用來產生以行為轉換網絡（BTNs）表示的空戰行為模型。雖然BTNs已經出現在之前使用強化學習的空戰行為建模的相關工作中，但這項工作研究了BTNs是否適合模仿學習。下一代威脅系統（NGTS）被用來模擬BTNs，并進行了評估以考慮該模擬系統對機器學習（ML）的適用性。已經開發了一個ML系統，包括使用NGTS和選定的學習算法成功生產空中戰斗機代理所需的工具和方法。這個ML系統自動處理模擬和數據管理并控制學習算法。簡單的空戰場景被定義，并在使用該ML系統進行的一系列實驗中使用，在這些實驗中產生了反映示范飛行員行為的BTN。

為了限制這項工作的范圍，我們做了一些限定。開發的ML系統不是生產級的，而是一個概念驗證。因此，實驗中使用的場景和試點演示保持簡單。具體來說，這些都是一對一的場景，演示僅限于二維空間的運動。此外，行為演示是基于報告作者手工制作的BTN，而不是由專業飛行員制作的。

本報告是為從事軍事訓練和人工智能相關課題的研究人員準備的，最好具有空戰和行為建模的知識，其組織結構如下。第2章介紹了工作的背景，包括與空戰訓練和模擬有關的概念、人工智能理論和相關工作。第3章涵蓋了實驗中使用的選定的學習算法及其配置，而第4章介紹了構成ML系統的過程和工具。第5章和第6章通過定義空戰場景和行為演示來回顧實驗的設置和執行，并介紹了結果。第7章討論了這些結果，以及ML系統和NGTS的性能。第8章本報告的總結和對未來工作的思考。

圖5.2 第一個場景的總結： 逃亡。CGF從它們的初始位置向對方飛去。一旦藍色飛機進入紅色飛機的導彈射擊范圍內，紅色飛機就會轉身向相反方向逃離。

軍方正在開發自主機器人以執行偵察和監視等任務。其中一些機器人打算以群組形式運作。由于目前還沒有可操作的機器人群，理論開發者最初將使用建設性的實體級戰斗模型來開發和測試機器人群的戰術。實驗設計方法和1991年美軍和伊拉克軍隊之間的東興73號戰役的回顧被用來校準一個半自動兵力系統。然后，校準后的作戰模型被用來估計在該戰役中進行偵察和監視的名義上的伊拉克機器人群的戰術影響。校準確保了模型的參數是準確的，從而能夠可靠地估計機器人群的戰術影響。此外，實驗設計方法對機器人群的效果與戰斗人員的武器系統技術的相互作用進行了估計。模擬試驗和統計分析表明，伊拉克機器人群的戰術優勢被美軍的熱成像儀所提供的優勢掩蓋了。然而，額外的試驗表明，如果雙方都只裝備了光學瞄準器，機器人群向伊拉克部隊提供的早期預警可能對戰斗的結果產生重大影響。

圖1. 示例:VR-Forces的SAF系統操作界面。(圖片由MAK Technologies提供。)

簡介和動機

隨著世界進入另一個大國競爭時期，自主性、人工智能和蜂群等屬性作為軍事技術和理論的未來被大眾媒體越來越多地提及。正在研究的自主性、人工智能和蜂群的一個應用是使用機器人群進行偵察和監視，以提高軍事部隊的態勢感知。2017年3月公布的美國陸軍機器人和自主系統（RAS）戰略是陸軍的公開聲明，說明陸軍打算如何在現有的機器人能力基礎上，"在將地面和空中RAS能力整合到陸軍組織方面實現統一的努力"。利用無人地面系統（UGS）和無人飛機系統（UAS）提高態勢感知是RAS的五個能力目標之一。

在未來的軍事行動中使用機器人群，需要制定與軍事部隊的理論、訓練和裝備的能力和限制相結合的機器人群戰術。戰術是實體層面的行為或行動的學說或程序，旨在實現任務的成功。目前還沒有軍事機器人群的作戰實例，無法在實際環境中制定這種戰術，也沒有軍事機器人群的歷史實例。因此，最初將使用建模和模擬來開發和測試這種戰術。6這樣做就需要模型不僅準確地代表機器人群的能力，而且還代表人類戰斗人員、武器系統和參戰部隊采用的戰術。

在這項研究中，一個半自動兵力（SAF）系統被用來估計機器人群的潛在戰術影響。明確地說，這項研究的目標不是如何設計蜂群機器人以達到某種水平，而是估計在某種水平上執行的機器人蜂群可能對戰斗產生什么影響。因此，模擬的機器人群被假定為具有某些合理的、甚至是適度的能力，而不考慮這些能力可能如何實現。

第一項任務是將SAF系統中的車輛和武器系統的相關參數，如裝甲保護、傳感器能力和武器精度，校準為現實的數值。校準是一個反復的過程，執行模擬模型，將其結果與描述模型系統的數據進行比較，并調整模型以提高其準確性。在這項研究中，SAF系統或模型是通過追溯預測或 "追溯 "來校準的，這種方法包括模擬一場歷史戰役并將模擬結果與戰役的歷史結果進行比較。在1991年海灣戰爭期間，美國和伊拉克的地面部隊之間發生了有據可查的73 Easting戰役，該戰役被用于校準。實際戰斗的結果是出乎意料的，而且是明顯的一邊倒，這就要求校準時考慮到美國和伊拉克軍隊在武器技術、戰術運用和部隊訓練方面的重大差異。

正式的實驗設計（DOE）方法被用來構造模型的校準。六個因素被確定為可能影響模擬戰斗的結果，每個因素被設定為兩個水平。一個全因子實驗設計，每個水平組合有兩個重復，需要128次模擬戰斗的試驗。在這六個因素中，DOE的統計分析確定了其中三個因素，即美國對熱瞄準器的使用、M1A1坦克的裝甲保護以及伊拉克軍隊占領其車輛和準備戰斗的延遲，是對戰斗結果最突出的影響。

如果使用機器人群來提供足夠的早期預警，那么延遲占領伊拉克車輛及其對戰斗結果的影響可能是可以避免的。另外還進行了120次實驗，以估計伊拉克部隊使用機器人群可能對結果產生的影響。在兩個因素的四個組合中，每個組合都進行了30次試驗。美軍采用或不采用熱傳感器，伊拉克軍隊采用或不采用無人機群進行預警。由于戰斗時天氣狀況不佳，使用熱敏瞄準器使美軍能夠在視覺范圍之外800米處觀察伊拉克人，而伊拉克人只有光學瞄準器可用。使用熱成像儀否定了蜂群可能提供的任何預警優勢。然而，在雙方部隊都只有光學傳感器的試驗中，使用蜂群機器人提供預警使美國戰車的損失平均增加了4.8輛。結果表明，使用機器人群的有效性與現有的不同軍事技術有著強烈的互動。

本文的結構如下。在這段介紹之后，第2節提供了關于本研究主要課題的背景信息。第3節解釋了如何應用實驗設計方法來校準一個SAF系統。第4節詳細介紹了校準的輸出和分析。第5節報告了使用校準后的SAF系統來模擬和估計機器人群的戰術效果的結果。第6節陳述了研究的結論，并描述了未來可能的相關工作。

遠征軍主要依靠柴油發電機來維持關鍵任務的指揮、控制、通信、計算機、作戰系統情報、監視和偵察（C5ISR）以及中小型戰術電網的生命支持系統。在支持遠程特種作戰部隊（SOF）和海軍陸戰隊在有爭議的環境中的遠征行動時，這種依賴性帶來了重大的后勤和維護挑戰。研究的主要目的是衡量當前或接近市場的儲能和光伏充電解決方案的有效性，以增加或取代柴油發電機，支持遠征軍事行動。次要目標是衡量這些儲能和充電解決方案與柴油發電機同步運行對部隊燃料消耗的影響，特別是對現有燃料補給計劃的影響。這項研究的結論是，現有的和接近市場的可再生能源系統可以有效地與戰術柴油發電機整合，并產生足夠的能量來滿足支持遠征軍在偏遠地區作戰所需的相當一部分能源。

滿足維持復雜的長途通信網絡、戰術無線電、指揮、控制、通信、計算機、作戰系統情報、監視、偵察（C5ISR）和生命支持系統所需的能源要求，在面臨有爭議和灰色地帶環境中的持續戰略競爭時，是一個獨特的挑戰。支持這些系統的柴油動力戰術發電機的運行成本，再加上維護這些系統所需的廣泛的后勤基礎設施，是非常可觀的。自2009年以來，美國（U.S.）國防部（DOD）一直在尋求可再生能源選項，以建立戰場上的能源安全。這一努力主要是由2001年至2021年在伊拉克和阿富汗的燃料行動的財政和人力成本驅動的，其中燃料的完全負擔率為每加侖15-42美元（Solis 2009），傷亡率為每24個燃料車隊發生一次（Wald 2009, 19）。隨著國家安全戰略（NSS）從西南亞洲的反叛亂轉移到南太平洋和東歐的持續戰略競爭，強大的后勤管道可能不容易獲得，部隊的生存能力將基于在有爭議的地區實現后勤可持續性的能力。(海軍陸戰隊司令部2021年）。為了在這些環境中開展行動時實現能源安全，需要利用可再生能源。

這項研究旨在研究在混合配置中部署的光伏（PV）鋰離子能源解決方案是否會大大延長為傳統柴油發電機提供動力的預置燃料供應的運行能力；最終，這種系統是否能夠通過光伏太陽能充電解決方案在偏遠地區獨立維持運行。雖然在戰術班、排和連一級對提高能源效率和采用可再生能源的關注有限，但國防部的大部分節能舉措都影響了大規模的駐軍基礎設施。研究的主要目的是衡量當前或接近市場的COTS/GOTS能源儲存和光伏充電解決方案的有效性，以增加或取代柴油燃料發電機，支持遠征的軍事行動。次要目標是衡量COTS/GOTS儲能和充電解決方案與柴油發電機同時運行對部隊燃料消耗的影響，特別是對現有燃料補給計劃的影響。還討論了前期系統采購成本和生命周期運營成本節約之間的權衡。

為支持本論文，對現有研究和文獻的審查表明，現有的大部分工作都集中在大規模實施可再生能源系統，為偏遠村莊或大型駐軍和遠征軍事設施供電。審查還確定了相關的行動后報告，詳細說明了排到連級單位的設備串、能源需求、發電機功率輸出和燃料消耗率。選擇的其他資源與電力可再生能源混合優化模型（HOMER）程序有關，該程序用于對COTS/GOTS可再生能源解決方案進行建模和模擬，以及已投入使用的、接近市場的和名義的COTS/GOTS能源解決方案的技術文件。

配置A包括傳統的戰術發電機，配置B是地面可再生遠征能源網絡系統（GREENS），該系統目前已作為美國海軍陸戰隊的記錄項目投入使用，配置C是移動電動混合電源（MEHPS），該系統正在采購過程中，配置D是一個由通用光伏收集板和特斯拉電源包組成的COTS系統。部隊的組成是一個SOF團隊大小的元素（部隊1），其能源需求由TOC設備串定義，一個USMC連大小的元素（部隊2），其能源需求基于COC設備串。每個能源生產配置都在HOMER中建模，并根據兩個部隊組成所產生的電力需求進行分析。除了分析基于系統規格的電力需求輸入外，HOMER還根據位置、季節和歷史太陽輻照度數據考慮了環境變量，以預測可再生能源生產。

對評估結果的分析表明，無論是配置B還是配置C都不能產生足夠的能量來有效地滿足部隊1或部隊2的100%的動力需求。然而，這兩個系統在與戰術發電機的混合配置中產生了足夠的能量，大大降低了燃料燃燒率，并延長了后勤補給窗口。配置B產生了部隊1所需能量的30%，并將燃料補給窗口從10天延長到29天，假設預置了200加侖的燃料儲存。雖然配置B只產生部隊2所需能量的9%，但假設有3000加侖的預置燃料儲存，這就轉化為128天的燃料再供應窗口。由于系統目前設計的發電機選項不足，配置C只能與部隊1進行評估。配置C的特點是加強了電池存儲和自動混合管理系統，同時向TOC提供發電機電源，并用多余的發電機容量為耗盡的電池充電。因此，配置C產生了1號部隊所需電力的52.6%，并將燃料補給窗口延長到55天。配置D提供了1號部隊所需的100%的電力，消除了燃料再供應的需要，并需要最小的備用發電機基礎設施和預置的燃料。盡管2號部隊COC設備的電力需求超過了COTS解決方案的能力，但在這種情況下，可再生能源的滲透率相當高，達到56%，將燃料再供應窗口延長到270天。

這項研究的結論是，現有的和即將上市的COTS/GOTS可再生能源系統可以有效地與戰術柴油發電機整合，并產生足夠的能量來滿足支持遠征作戰所需的相當一部分能源。對燃料消耗的影響證明，即使是9%的名義可再生能源滲透率也能將燃料補給窗口延長56%。本論文中評估的每一個可再生能源系統都可以按比例調整，以更好地適應從特種部隊到美國海軍陸戰隊連隊規模的部隊配置的具體要求。建議對電池組研究、光伏材料和能源管理軟件進行額外的投資，以提高旨在支持遠征作戰的可再生能源系統的影響。

美國海軍陸戰隊必須以最低的成本用新興技術解決材料準備的挑戰。使用機器學習的預測性維修是一個不斷增長的領域，可以使用免費或商業化的現成軟件來應用。海軍航空組織已經維護了一個數據儲存庫網絡，收集和儲存可維修的飛行關鍵部件的當前和歷史數據。許多部件在其制造商公布的預期結構壽命之前就失效了，這導致了昂貴的非計劃性維修。預測部件故障并計劃其更換或維修的能力可以大大增加操作的準備性。本論文開發并分析了機器學習模型，利用現有的海軍航空資料庫的數據來預測各種MV-22B飛行關鍵部件的故障條件概率。數據預處理、模型訓練和預測使用了現成的商業軟件。這項工作可以幫助提高材料的準備程度，并使軍事-航空人員適應決策中的新興技術。

引言

這篇論文研究了機器學習算法在改進以可靠性為中心的維修（RCM）和基于條件的維修（CBM）以提高海軍航空的飛機可靠性方面的潛力。

A.維修方面的背景

海軍陸戰隊司令說，該部隊收集和保留的許多數據沒有被新興技術充分開發（美國和Berger，2019）。國防部（DOD）的飛機平臺一直在努力實現年度戰備目標，盡管為其項目分配了大量預算（Crusher，2020）。使用新興技術的預測性維護可以利用這些大量的數據，為提高航空準備狀態提供一個具有成本效益的方法。指揮官還強調，由于可用資金有限，解決方案必須使用現有的軍事數據存儲庫。海軍航空系統司令部（NAVAIR）的數據庫--后勤分析和技術評估決策知識編程（DECKPLATE），每月上傳的記錄超過400億條，可以成為機器學習應用的一個良好來源。

雖然在解決飛機準備不足的根本原因方面正在做出重大努力，但指揮官們現在需要部分解決方案來完成他們的任務。幾年來，指揮官們采用了高拆解率（從一架飛機上拆下零件裝到另一架飛機上）以及將完全具備任務能力的飛機從部署后返回的中隊轉移到準備部署的中隊。盡管 "只有在滿足作戰目標的必要情況下才是可接受的管理選擇"（海軍部，2021年），拆解和中隊轉移已經成為常態。在2011年和2017年之間，由于缺乏現成的基本飛機（RBA），海軍陸戰隊在各中隊之間轉移了超過650架MV-22B Ospreys，以滿足飛行時間和行動要求（Eckstein，2017）。同時，需求也在增加。由于個別飛機的過度使用或使用不足，以及轉移和接受飛機所花費的額外工時，這些臨時解決方案損害了未來的準備工作。

維修行動分為計劃內和非計劃內（Susto等人，2015）。計劃內的維護是主動的，在一個部件退化或運行到故障之前完成。一個部件的定期維修頻率通常是基于供應商或原始設備制造商（OEM）公布的結構壽命限制和推薦的維修時間表。非計劃維修是在一個部件退化或失效時進行。圖1比較了海軍陸戰隊MV-22B飛機用于計劃內與非計劃內維修的維修工時（MMH）的數量。在2021年3月至2022年2月期間，計劃外維修比計劃內維修的頻率高5至6倍。這個比率表明飛機部件的嚴重不可靠，以及預測非計劃維修的困難。

圖 1. 計劃與計劃外維護工時。資料來源：NAVAIR 準備分析報告 (2022)。

定期維修是預防性的，或旨在持續檢查和維護部件，使其達到其使用壽命。對于美國海軍航空的 "型號系列"（TMS），部件的檢查和拆卸時間表公布在《檢查要求手冊》（海軍航空部隊指揮官，2021）的相關定期維修信息卡（PMIC）中。所有強制性的檢查、拆除或更換事件都包括在該手冊中，該手冊規定了定期維修計劃。間隔由供應商或工程可靠性和可維護性分析，以及RCM計劃的故障管理策略決定（國防部，2011，國防部，2020a）。由他們制作的PMIC卡規定了機群或部件的預定維修。這樣做的一個問題是，每架飛機或部件的維護間隔是相同的。這些間隔沒有考慮到一個獨特的部件或飛機的使用、服務歷史或歷史數據。

海軍航空業可以從基于需求證據的維修創新實踐中獲益，或對個別部件進行預測。近年來，RCM采用了基于狀態的維修+（CBM+）戰略來提高可靠性。CBM+戰略的一部分是使用機器學習，根據歷史證據預測一個部件何時會失效。由于海軍陸戰隊的航空屬于海軍航空的范疇，任何MV-22B RCM或CBM+活動都屬于艦隊準備中心指揮官（COMFRC）。東部艦隊戰備中心（FRC）的V22艦隊支持小組（FST）一直致力于通過許多舉措提高飛機和部件的可靠性。

其中一項舉措是利用統計模型估計MV-22B部件的故障概率。利用現有的海軍航空企業（NAE）數據庫中的歷史維修記錄，使用Weibull概率密度函數（PDF）來估計一個部件經歷特定故障模式之前的時間。圖2是一個失敗時間（TTF）的例子，顯示了MV-22B塔架轉換執行器（PCA）因密封損壞而失敗的百分比。對于PCA模型，預測機隊庫存的70%在3326個飛行小時前因密封損壞而需要拆除，而80%在3696個飛行小時前會失效。第五章討論了模型的準確性，但這種方法為利用相關故障數據改進預防性維修政策邁出了一步。

圖 2. Pylon 轉換執行器的 Weibull 模型。資料來源：FRC East V22 FST 維護優化 (2022)。

這個統計模型是根據定義的故障模式前的組件群的真實使用壽命來計算可靠性。圖3顯示了FRC East V22 FST所考慮的所有PCA故障模式的Weibull分析結果。

圖 3. 飛行小時數中預測的 PCA 故障率。資料來源：FRC East V22 FST 維護優化 (2022)。

當考慮到所有的故障模式時，一個部件的估計可靠性可以決定一個更好的計劃維修間隔。平均而言，70%的機隊庫存預測在大約3700飛行小時前需要拆除，而80%的機隊預測在大約4500飛行小時前會出現故障。項目領導層可以根據一個置信區間做出決定，以取代PMIC卡中公布的當前計劃維修間隔。這個間隔將適用于機群中的部件，并提高在評估的任何故障模式發生之前更換部件的可能性。通過真實的服務數據來改進預定維修，并且隨著數據的不斷收集，可以很容易地重新計算。

不幸的是，這種方法只提供了組件的累積故障概率。一個更好的方法是估計一個部件隨時間變化的條件性故障概率，也稱為危險率。機器學習模型，如Cox比例危險（CPH）模型和人工神經網絡（ANN）可能是有用的，因為它們最近被用于醫學研究，預測死亡率（Spooner等人，2020）。類似的工作可以使用DECKPLATE中保存的數據。

B.研究問題

本論文將重點討論以下研究問題。

主要問題。什么樣的機器學習算法能夠為飛機部件的預防性維護產生最佳的生存模型？

次要問題。DECKPLATE和其他資源庫中的哪些特征可以在預測部件存活率中得到利用？公布的PMIC要求和生存模型之間的平均故障時間（MTTF）有多大差異？對于適當的數據，Weibull等經典分布是否能很好地適應數據以估計未來的故障？

C.總結

第二章介紹了機器學習和可靠性分析的基本概念，并研究了以前使用機器學習進行預測性維護的嘗試。第三章更精確地描述了本論文所要解決的問題，以及所采用的一般方法。第四章描述了本論文所使用的方法以及其結構的合理性。第五章和第六章討論了本論文的結果和得出的結論。

美國海軍陸戰隊正在建設反水面作戰領域的能力，特別是在獲得地基反艦導彈（GBASM）及其相關發射平臺方面。研究為分析與這種新能力相關的部隊結構提供了一種方法。研究方法使用離散時間馬爾可夫模型對GBASM炮組和敵方水面艦艇之間的戰術級決斗進行建模。這些模型有足夠的復雜性來解決關鍵的部隊設計問題，并且對決斗的關鍵特征進行了參數化，以便進行強有力的敏感性分析。

在海軍導彈作戰中，重要的是確定所需的炮彈規模S，以使炮彈有足夠高的概率殺死敵艦。GBASM概念的獨特之處在于，與從水面艦艇上發射導彈相比，它能夠將這種炮彈分散到幾個平臺上，并以更適合特定戰術場景的方式進行發射。在這種情況下，如果有一個大小為K的禮花彈，并將該禮花彈分散到N個平臺上，那么每個平臺在特定的禮花彈中發射?枚導彈，這樣K × N = S。有了這個公式，就能夠分析平臺數量和每個平臺發射的導彈數量在這些配置的殺傷力和生存能力方面的權衡。這為成本-效益分析提供了基礎。

對GBASM炮臺與敵方水面艦艇發生接觸的情況進行模擬。從簡單的場景開始，然后逐漸復雜化。讓GBASM發射器與一艘敵方水面艦艇進行決斗。GBASM一方被稱為藍方，水面艦艇被稱為紅方。最初假定雙方都有足夠的導彈供應，并且交換的時間是有限的，因此可以把供應視為無限的。GBASM以彈丸為單位進行發射，每個彈丸至少包括一枚導彈。在藍方的炮擊之后，紅方的水面艦艇有機會進行還擊。

在所描述的環境中，假設藍方具有首發優勢。鑒于GBASM的引入在沿岸地區造成的不對稱情況，首發優勢的假設并不是不合理的。GBASM是移動的，有可能移動到難以探測的地方，只有在準備開火時才出來。GBASM的目標是保持不被紅方船只發現，直到它成功瞄準紅方船只。一旦紅方船只成為目標，GBASM系統就會開火并移動到一個新的位置。如果沒有關于GBASM移動的完美信息，紅方艦艇將持續處于不利地位。

此外，該模型捕捉到了紅方對藍方的炮擊進行防御措施的能力。這些防御性的反措施是用參數λ來說明的，這個參數是紅方根據泊松分布可以攔截的藍方導彈的平均數量。以這種方式對紅方采取反措施的能力進行建模，說明了隨著藍方導彈規模的增加，紅方采取反措施的能力也在減弱。同樣，也說明了紅方針對藍方分布式發射器的能力下降。紅方殺死藍方分布式平臺的能力用參數?表示，根據泊松分布，紅方在還擊中可以殺死藍方平臺的平均數量。這再次說明，隨著藍方平臺數量的增加，紅方瞄準和殺死藍方的效果有限。

在對該模型的分析中，遇到了幾個關鍵的發現。首先，最重要的是確定理想的炮擊規模S，以提供足夠高的殺死敵艦的概率。這不是一個簡單的 "越多越好 "的問題，因為炮擊規模有一個收益遞減點。正如人們所期望的那樣，還得出結論，增加平臺的數量K可以提高生存能力，從而提高GBASM炮臺的殺傷力。然而，改進的幅度對其他參數很敏感，當炮彈規模足夠大時，改進的幅度通常很小。

該研究的主要產出是創建的模型和對它們進行進一步分析的能力。本論文中任何地方使用的參數值都不是由具體的GBASM系統或潛在的敵方水面艦艇的能力來決定的。因此，結果應該被看作是對參數空間可能區域的探索的概括。這些模型提供了根據有關特定系統的能力進行具體分析的能力。