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

隨著空對空導彈有效射程的增加，人類操作員越來越難以保持保證無人機安全所需的態勢感知能力。這項工作提出了一種決策支持工具，幫助無人機操作員在超視距（BVR）空戰場景中評估不同選項的風險，并據此做出決策。早期的工作側重于單枚導彈造成的威脅，而在這項工作中，將思路擴展到了多枚導彈的威脅。所提出的方法使用深度神經網絡（DNN）從高保真模擬中學習，為操作員提供一組不同策略的結果估計。研究結果表明，所提出的系統可以管理多枚來襲導彈，評估一系列選項，并推薦風險最小的行動方案。

圖 1：無人機面臨三枚來襲導彈的情況符號表示。導彈當前的確切位置未知，但可以估計發射的時間和位置。在圖 3-6 中，飛機圖標周圍的彩色區域用于顯示朝該方向進行規避機動的預測未擊中距離 (MD)。據此，操作員在決定選擇何種航線時，可以在任務目標和風險之間做出權衡。

自第一次世界大戰以來，空戰發生了翻天覆地的變化。傳感器、武器和通信技術的進步使飛行員能夠在越來越遠的距離上與敵機交戰。這些進步推動了從 “視距內 ”空戰向 “視距外 ”空戰的過渡。在 BVR 中，來襲導彈的飛行時間可能長達數分鐘，這使得無人機操作員很難評估所有來襲數據并選擇最佳行動方案。事實上，操作員往往會失去對某些來襲威脅的跟蹤。因此，需要一種能夠同時處理多個威脅并提供整體分析的支持工具。這種工具應支持操作員平衡風險與任務目標之間的關系，因為風險最低的選擇往往是完全忽略任務，而另一方面，忽略風險最終可能導致巨大損失。

由于雷達制導導彈的飛行時間可能很長，因此 BVR 空中格斗包含了一種可與星際爭霸等即時戰略游戲相媲美的元素。重大挑戰包括高度非線性動態、信息不確定性以及對手的未知戰略和目標。機載傳感器可以根據敵機類型、電子戰反制設備和天氣情況輸出對手位置的估計值。然而，雖然在面對敵方時并不總能獲得精確信息，但操作員通常知道敵方飛機和武器系統的能力，而本文提出的方法將利用這些信息。

在之前的工作中，研究了無人機面對一枚來襲導彈的情況。利用強化學習（RL），我們計算出了最佳規避機動和執行機動時的失誤距離（MD）。然而，這種方法無法用于同時面對多架敵機的情況。當考慮從不同角度射來的多枚導彈時，相對于一枚導彈的最佳規避機動與另一枚導彈不同，顯然不能同時執行兩種不同的機動。此外，針對一對來襲導彈威脅的最有效規避行動，可以通過離線求解特定問題并存儲結果來確定，但由于可能的威脅組合數量龐大，這種方法變得不切實際。

本文首先要指出的是，對于人類操作員來說，MD 估值是一種直觀的風險估計。因此，我們希望為操作員提供一系列選項，如圖 1 所示。圖中的黃色區域將根據風險程度進行著色。如果向南執行規避機動，MD 值為 2 千米，則會被染成綠色，而向西執行機動，MD 值為 0.05 千米，因此會被染成紅色。

在面臨上述多種威脅的情況下，要估算特定方向上特定機動的 MD，我們的步驟如下。首先，我們學習一組預定義的規避機動在不同羅盤方向上的單個威脅的 MD。然后，由于我們需要擔心的是最小的 MD，因此我們只需遍歷所有威脅，并保存每次機動的最小失誤距離。

通過這種方法，可以提供一種決策支持工具，為一系列選項提供風險估計，而不會丟失任何已檢測到的威脅。我們的方法還能讓操作員意識到何時沒有安全的撤離選擇，例如在近距離受到來自相反方向的威脅時。為更絕望的措施提供決策支持，如發射所有剩余武器然后失去無人機，或依賴模型無法捕捉的方法，如電子戰或箔條/照明彈系統。

因此，這項工作的主要貢獻是提供了一種方法，使無人機操作員能夠評估和處理任意數量的來襲威脅，從而擴展了先前考慮單一敵對導彈的工作。工作概述如下： 第二節回顧了相關工作。第三節介紹 ML 和導彈制導的背景，第四節正式定義問題。第五節介紹了建議的解決方案，第六節展示了仿真結果。最后，第八節將進行討論并得出結論。

為支持在不確定的動態環境中長期部署，同時減少人類面臨的威脅和危險，有必要將更多支持人工智能（AI）的機器人整合到軍事和第一反應領域。人工智能機器人作為人類隊友的有效整合將提供支持并提高整體任務性能；然而，目前有關人機交互的研究大多只關注機器人團隊主管。要將機器人真正融入軍事和第一反應任務，需要人類扮演從最高指揮層到直接與機器人一起工作的下地人員等多種角色。層級結構中的所有人類角色都必須了解并保持對機器人隊友的直接控制。本文將文獻中現有的人類角色映射到軍事任務中，提出了與未來人類-機器人團隊合作相關的技術挑戰，并提供了潛在的解決方案和建議，以推動該領域向能夠完成相關領域任務的人類-機器人團隊邁進。

圖：人類與機器人協同作戰的概念軍事示意圖，顯示了 (a) 前沿作戰基地、(b) 下裝巡邏和 (c) 車輛巡邏的示例。請注意，為便于查看，人員、機器人和車輛均已放大。

圖 1 提供了角色圖示，用于說明軍事小故事。有些角色將駐扎在遠離戰場或事件響應區（也稱為熱區）的地方，在那里他們可以從更廣闊的視角來了解需要管理的情況。如圖 1a 所示，這類軍事角色可能駐扎在前方作戰基地。圖 1b 和 c 顯示了結合地面和空中機器人的兩個部署示例，一個是徒步巡邏，另一個是乘車巡邏。這些示例展示了不同角色如何分布在一個軍事單元中，并包括平民旁觀者。

機器學習能夠分析和解釋大量數據、識別模式并做出高保真決策，這在過去可能是不可行的，因此在眾多不同領域都具有重要意義。機器學習在戰術領域也有豐富的應用，例如識別數據中與可疑活動或行為相對應的異常模式（這可能預示著潛在的安全威脅或漏洞），以及通過分析來自傳感器、情報報告和態勢感知平臺等多個來源的數據來協助實時決策。

深度學習是機器學習的一個分支，它利用人工神經網絡從大量數據中學習并執行復雜的任務[1]。與傳統機器學習算法通常利用領域知識手動設計相關特征進行操作不同，深度學習模型旨在直接從原始數據中自動學習特征或表征，無需特征工程。這是深度學習的主要優勢之一，特別是對于涉及圖像、音頻和文本等高維數據的任務。為此，深度學習的應用涉及計算機視覺、自然語言處理、語音識別和網絡安全等多個領域。

盡管深度學習模型好處多多，但也容易受到各種攻擊和利用。對抗式機器學習是一個新興領域，研究機器學習模型的漏洞和保護它們的機制[2]。在這種情況下，對手可以利用機器學習系統在設計、訓練過程或部署方面的弱點來操縱它們的行為或損害它們的性能。其中一個主要的安全問題是圍繞對抗（規避）攻擊展開的，這種攻擊涉及通過向輸入數據添加微小擾動，在模型中引入偏差或漏洞，從而惡意欺騙或降低模型的性能。在本文中，首先討論了深度學習在戰術領域的應用領域。接下來，將對抗式機器學習作為一種新興的攻擊載體，并討論對抗式攻擊對深度學習性能的影響。最后，討論了可用于抵御這些攻擊的潛在防御方法。

戰術網絡深度學習

深度學習是機器學習的一個子領域，通過對輸入數據進行非線性變換來提取模式并執行回歸或分類任務。深度學習在戰術網絡領域有多種應用，包括

• 目標檢測和識別： 深度學習算法可用于衛星圖像、空中監控和地面攝像機中的實時物體檢測和識別。這有助于識別敵方車輛、設備和人員，支持情報、監視和偵察（ISR）工作。此外，自動目標識別（ATR）系統可用于實時自動識別和跟蹤潛在目標。
• 自主導航： 深度學習算法可促進無人駕駛飛行器的自主導航，使其能夠獨立地在復雜的環境中航行。這減少了對持續人工干預的需求，提高了偵察和監視行動的效率。
• 自主車輛和無人機： 深度學習有助于開發用于偵察和監視目的的自主車輛和無人機。這些系統可以根據視覺數據進行導航和決策，最大限度地減少人類的參與和風險。
• 自然語言處理（NLP）：NLP 可用于從大量文本數據（包括情報報告、社交媒體和通信截獲內容）中分析和提取有價值的信息。這有助于了解和預測敵人的意圖。
• 預測分析： 深度學習模型可以分析歷史數據，預測潛在威脅并提出最佳策略。這包括預測敵人的動向、識別叛亂活動的模式以及預測潛在沖突。
• 網絡安全： 深度學習可用于網絡流量的異常檢測和模式識別。它有助于識別和減輕網絡威脅、確保通信渠道安全和保護敏感軍事信息。
• 語音識別： 語音識別技術對軍事通信和指揮系統很有價值。它可以實現免提操作和高效語音命令，增強在挑戰性環境中的通信能力。
• 模擬和培訓： 深度學習可用于創建逼真的模擬訓練。這包括模擬戰場場景、敵人行為和各種環境條件，以有效培訓軍事人員。
• 健康監測和預測性維護： 深度學習模型可用于監測軍事裝備的健康狀況和性能。預測性維護有助于防止意外故障，確保關鍵資產處于最佳狀態。
• 決策支持系統： 深度學習可通過提供實時分析和可操作的見解來協助軍事指揮官進行決策。這包括評估風險、優化資源分配和制定戰略計劃。
• 射頻（RF）環境理解： 深度學習可用于解讀射頻環境，包括友方和敵方射頻發射器（如雷達、干擾器或通信設備）的檢測和分類。這種理解可為戰術決策提供依據，并增強戰場上的態勢感知。

通過在這些應用領域利用深度學習，戰術系統可以從增強的性能、彈性和適應性中獲益，最終支持軍事行動的任務目標。

深度學習在戰術領域面臨的挑戰

在戰術領域成功部署深度學習模型的一個關鍵步驟是確保所開發算法的可靠性、安全性、公平性、透明度和責任性。在戰術行動中，深度學習系統必須在具有挑戰性的動態條件下可靠運行，如惡劣的環境、有限的通信帶寬和對抗性威脅。人工智能保障涉及支持人工智能系統（如基于深度學習模型的系統）滿足嚴格的性能要求，包括準確性、魯棒性和響應性，以支持目標識別、威脅檢測和決策支持等關鍵任務。圖 1 說明了影響深度學習模型信任度的一些因素，即環境不確定性、可重復性、偏差、可解釋性、穩健性和安全性。

可解釋性對于在深度學習應用中建立信任、提高透明度、減少偏差和促進知情決策至關重要。可解釋的機器學習模型通過為模型預測和決策提供理由，支持監管合規性和問責制要求。通過了解模型是如何得出預測或建議的，軍事人員可以獲得對作戰背景、任務目標和潛在威脅的寶貴見解，從而提高對態勢的認識和決策能力。

偏差是指深度學習模型在預測或決策時出現的系統誤差或不準確，原因是模型無法代表輸入特征與目標變量之間的真實潛在關系。偏差可能來自不同方面，如算法偏差、標簽偏差或特征偏差。傳感器數據、情報報告或態勢感知數據中的偏差可能會導致錯誤的模型預測，或在動態和不確定的戰場條件下做出次優決策。通過解決戰術領域深度學習中的偏差問題，軍事組織可以提高自動決策支持系統的公平性、有效性和可信度。

可重復性是深度學習研究和應用的完整性、可信度和進步的基礎。當模型和實驗具有可重復性時，戰術領域的不同利益相關者就可以對研究過程中使用的方法、假設和多領域數據進行評估，從而提高對報告結果和結論的信任度。

深度學習的魯棒性指的是模型在不同和具有挑戰性的條件下保持性能和穩定性的能力，這些條件包括數據分布、環境變化和攻擊的變化，這些在現代戰場上經常會遇到。

環境的不確定性會降低從各種來源收集到的數據的質量。此外，根據特定環境中的數據訓練的機器學習模型可能難以泛化到具有不同特征的新環境或未見過的環境中。這對受制于動態戰場條件和未知敵方影響的戰術行動構成了重大挑戰。由于與數據驅動系統相關的潛在漏洞和風險，機器學習的安全性至關重要。敵人可能會試圖利用深度學習模型中的漏洞來欺騙或操縱它們，從而導致決策失誤和任務失敗。

應采取安全措施，幫助保護這些數據免遭未經授權的訪問，確保戰術行動中傳遞的關鍵信息的機密性和完整性。

在本文的其余部分，將重點介紹機器學習的安全性，解釋不同的攻擊類型，討論它們如何影響深度學習算法的性能，并回顧潛在的防御技術。

對抗式機器學習

對抗式機器學習指的是研究如何理解和緩解機器/深度學習模型中的漏洞，在這種情況下，對抗者會利用模型設計、訓練過程或測試時輸入數據中的弱點來操縱或欺騙模型。對抗式機器學習包括各種攻擊，包括探索式攻擊、對抗式攻擊（規避）、中毒攻擊和后門（木馬）攻擊 [6]-[10]。

• 在探索式攻擊中，對手使用基于探測的策略，通過提交精心制作的查詢或輸入樣本來詢問深度學習模型。這些查詢旨在揭示模型的內部運作信息，例如其決策邊界、特征表征或敵方操縱的弱點。

• 對抗（規避）攻擊精心設計輸入樣本，以規避檢測或在操作過程中誤導模型的預測。對抗者可能會利用模型架構或特征表示中的漏洞來生成最終被錯誤分類的輸入。逆向輸入通常涉及對輸入數據進行微小、不易察覺的修改，從而導致模型輸出發生重大變化。

• 模型中毒攻擊涉及注入惡意數據或操縱訓練數據集，以損害深度學習模型的性能或完整性。攻擊者可能會在訓練數據中插入有偏見或誤導性的樣本，以影響模型的行為，或者引入后門，使未經授權的訪問或控制成為可能。

• 后門（木馬）攻擊涉及在訓練數據中插入惡意制作的輸入，以操縱機器學習模型的行為。

這些輸入包含微妙的改動，在正常運行時并不明顯，但在推理過程中會觸發模型的特定響應或錯誤分類。這種操縱會損害模型的完整性和可靠性。

隱私攻擊也可以通過成員推理和模型提取攻擊應用于深度學習算法。

• 成員推理攻擊旨在確定深度學習模型的訓練數據集中是否使用了特定的數據樣本。攻擊者利用模型輸出中的信息泄露來推斷訓練數據中是否存在特定樣本，從而損害敏感信息的隱私性和保密性。

• 模型提取攻擊涉及對深度學習模型進行逆向工程，以提取模型參數中嵌入的敏感信息或專有知識。攻擊者可能會使用黑盒查詢、模型反轉技術或成員推理攻擊來推斷模型架構、訓練數據或決策邊界的細節。

在深度學習中，攻擊也可以根據攻擊者對目標模型及其內部運作的了解程度進行分類。主要分為白盒攻擊、黑盒攻擊和灰盒攻擊三大類。

• 在白盒攻擊中，攻擊者完全了解目標模型，包括其架構、參數和訓練數據。攻擊者可以直接訪問模型的內部表示、梯度和決策邊界，這使他們在制作對抗性樣本時非常有效。

• 在黑盒攻擊中，攻擊者對目標模型內部參數或梯度的訪問有限或根本無法訪問。攻擊者只能通過查詢輸入樣本和觀察相應輸出來與目標模型交互。盡管缺乏對目標模型的詳細了解，黑盒攻擊者仍會利用可轉移性等技術精心制作對抗樣本，將在替代模型上生成的對抗性樣本用于攻擊目標模型。

• 灰盒攻擊介于白盒攻擊和黑盒攻擊之間，攻擊者對目標模型有部分了解。在灰盒攻擊中，攻擊者可以獲取目標模型的部分信息，如其架構或輸出預測，但無法獲取其內部參數或梯度。

在防御深度學習系統中的對抗性威脅時，每種類型的攻擊都會帶來獨特的挑戰和注意事項。下一節，我們將深入探討對抗性攻擊，并討論它們如何影響深度學習性能。

對抗性攻擊

對抗性攻擊的目的是在測試時操縱輸入數據，使深度學習模型做出錯誤的決定。文獻中提出了許多發動對抗性攻擊的方法 [11]。我們重點分析快速梯度符號法（Fast Gradient Sign Method，FGSM）和投射梯度下降法（Projected Gradient Descent，PGD）。

• FGSM 是制作對抗樣本最簡單、最有效的技術之一。它的工作原理是在模型損失函數相對于輸入特征的梯度方向上擾動輸入數據，同時保持在一定的擾動值（ε）之下。FGSM 攻擊速度快、計算效率高，只需一次梯度計算即可生成對抗樣本。然而，FGSM 生成的對抗樣本可能缺乏魯棒性，無法轉移到其他模型或防御方法中。

• PGD 是一種迭代方法，用于確定可能誤導模型的擾動。換句話說，PGD 攻擊對輸入數據及其特征稍加處理，就會導致模型出錯。如果輸入數據足夠敏感，尤其是對微小變化足夠敏感，那么 PGD 攻擊導致模型分類錯誤的幾率就會更高。與 FGSM 相比，PGD 攻擊的計算量更大，因為它涉及梯度下降的多次迭代。不過，PGD 生成的對抗樣本通常更有效、更穩健，因為迭代優化過程能更徹底地探索損失景觀的局部幾何形狀。

為了說明對抗性攻擊的影響，考慮了針對 ImageNet 數據集 ResNet-50 模型的 FGSM 和 PGD 攻擊[14]。該數據集橫跨 1000 個對象類別，包含 1,281,167 張訓練圖像、50,000 張驗證圖像和 100,000 張測試圖像 [15]。ResNet-50 是一種卷積神經網絡（CNN）架構，由 50 層組成，包括卷積層、池化層、批處理歸一化層和全連接層。ResNet-50 在包括 ImageNet 在內的各種基準數據集上取得了最先進的性能，并被廣泛用作各種計算機視覺任務（包括圖像分類、物體檢測、圖像分割和圖像生成）中的特征提取器或骨干架構。圖 2 顯示了隨著擾動水平（我們稱之為ε）的增加，FGSM 方法的分類器準確率的攻擊性能結果。對抗性機器學習攻擊可分為非目標攻擊和目標攻擊。非目標攻擊的特點是試圖擾亂輸入數據，使機器學習模型做出錯誤的預測，而不指定任何特定的目標類別或結果。另一方面，有針對性的攻擊旨在操縱模型的行為，使其朝著特定類別或決策的方向發展。在我們的實施中，我們主要關注非目標攻擊。最初，在發動任何攻擊之前，分類器的準確率為 87.5%。隨著ε值的增加，準確率下降到 0%。與 FGSM 相比，PGD 方法能更有效地降低分類器的性能。另一方面，作為一種迭代方法，PGD 的計算時間較長。圖 3 顯示了 PGD 攻擊下分類器準確率隨迭代次數的變化情況。我們觀察到，隨著迭代次數的增加，分類器的準確率持續下降，在 13 次迭代后下降到 0%。

防御對抗性機器學習攻擊

隨著深度學習在戰術行動中的應用越來越廣泛，對抗性機器學習攻擊將繼續成為一項挑戰。不過，重要的是要考慮防御策略，并采取積極措施來緩解這些問題。緩解深度學習中的對抗性攻擊需要強大而有彈性的防御機制。一種特殊的防御機制是對抗性訓練，即用對抗性樣本來增強訓練數據集，以提高模型的魯棒性和對對抗性攻擊的抵御能力。通過在訓練過程中將模型暴露在對抗性擾動下，深度學習系統可以學會更好地泛化，并在對抗性操作面前變得更加穩健。集合學習是另一種可用作防御機制的方法。集合方法結合多個深度學習模型進行預測，提高了模型的魯棒性和抵御對抗性攻擊的能力。通過利用不同的模型架構和訓練策略，集合方法可以幫助更有效地檢測和緩解對抗性實例。

開發實時檢測和防御對抗性攻擊的技術有助于保護基于深度學習的戰術系統免受惡意操縱。異常檢測、離群點檢測和對抗性魯棒性認證等對抗性檢測方法有助于在對抗性輸入對系統造成危害之前識別并減輕其影響。總之，對抗式機器學習是一個重要的研究領域，重點在于了解和緩解深度學習系統中的漏洞。通過開發強大的防御機制和彈性模型架構，研究人員和從業人員可以在對抗性威脅面前提高深度學習驅動系統的安全性、可靠性和可信度。

結論

深度學習為各種軍事和國防應用中的戰術行動提供了重要優勢。在本文中，我們首先探討了深度學習可用于提高任務性能的一些應用領域。然后，我們強調了深度學習算法容易受到對抗性威脅的影響，對抗性威脅可以修改輸入數據，迫使深度學習模型做出錯誤的決策。我們討論了可對深度學習模型實施的不同攻擊類型，并展示了這些攻擊如何導致模型準確性大幅下降，即使對數據的擾動很小。最后，我們重點介紹了一些防御方法，這些方法可以用來檢測和盡量減少這些攻擊對深度學習算法的影響。

本研究為基于人工智能的復雜作戰系統的運行和開發建立了 MUM-T 概念和分類系統。分析了該系統的核心方面：自主性、互操作性和程序級別。人工智能 MUM-T 可提高有人駕駛系統的生存能力、擴大其作戰范圍并提高戰斗力。利用美國和英國正在建造的人工智能 MUM-T 綜合作戰系統的數據，分析了技術挑戰和項目水平。目前，MUM-T 處于有人駕駛平臺和無人駕駛飛行器平臺復合運行的水平。從中長期來看，無人地面飛行器、無人水面飛行器和無人水下飛行器等異構平臺之間的互操作通信是可能的。根據人工智能 MUM-T 系統之間互操作性的通用架構和標準協議的發展水平，MUM-T 可以從 "1 到 N "的概念發展到從 "N 到 N "的各種操作概念組合。本研究與現有研究的不同之處在于，MUM-T 系統中體現了第四次工業革命的核心技術，如人工智能、自動駕駛和數據互操作性。此外，通過在現有的無人系統分類法中體現人工智能和自主性，建立了人工智能支持的自主 MUM-T 操作和設施分類系統，并在此基礎上對級別和程序進行了分析。

本研究確立了有人無人協同作戰（MUM-T）的概念，目的是操作、開發和利用智能聯合作戰系統。此外，它還分析了互操作性、自主性、挑戰和計劃水平。人工智能支持的自主無人 MUM-T 提高了有人系統的生存能力，擴大了作戰范圍，并顯著提高了作戰效率。與以往不同的是，MUM-T 的概念正隨著人工智能的發展而不斷擴展，互操作性和自主性也在相應提高。美國和北大西洋公約組織（NATO）國家提出了未來防御領域的挑戰，并在無人系統（UMS）和 MUMT 層面開展了解決這些挑戰的計劃。本研究分析了自主 MUM-T 聯合作戰系統的運行和使用所面臨的技術挑戰和計劃水平，并介紹了基本要素技術。研究方法基于現有定義和第四次工業革命建立了 MUM-T 概念。并利用北約、美國和英國的數據分析了互操作性、自主性、挑戰以及技術和利用方面的計劃水平。

圖 2 基于 NIST 和北約分類標準的人工智能自主 MUM-T 系統分析

美國防部（DoD）對 MUM-T 的定義各不相同。美國 陸軍無人機系統卓越中心（UAUCE）將有人駕駛平臺和無人機視為單一系統。有人系統和無人系統（如機器人、傳感器、無人飛行器和作戰人員）的集成增強了態勢感知、殺傷力和生存能力[1]。國防部將這種關系視為執行共同任務的綜合團隊，美國陸軍航空卓越中心（UAACE）將其定義為同時操作士兵、無人機和無人地面飛行器（UGV），以提高對態勢的了解和生存能力[2]。它采用了標準化的系統架構和通信協議，使來自傳感器的精確圖像數據能夠在整個部隊中共享。目前，它在國防領域的應用最為廣泛。陸軍航空動力局（AFDD 2015）將其定義為：為每個系統提供特殊功能，使現有有人平臺和無人資產能夠合作完成同一任務。這是一種規避風險的方法，通過從空中、陸地和海上無人系統向有人資產傳輸實時信息，提高單兵作戰人員的態勢感知能力[3]。圖 1 是戰場上 MUM-T 系統的層次示意圖。

在世界經濟論壇（WEF）議程的第四次工業革命（Fourth IR）之后，數字化（I2D2）作為一項核心技術被提出。這些技術在未來科學中具有自主、分析、通信和邊緣計算的特點。該技術的特征組合構成了自主系統和智能體（智能+分布式）、擴展領域（互聯+分布式）、作戰網絡（互聯+數字化）、精確作戰領域（智能+數字化）。智能人工智能將改變戰爭的格局，而數字數據的可用性將使分布式和互聯（自主）系統能夠進行分析、適應和響應。這些變化反過來又可能通過預測分析支持更好的決策。

北約（2020 年）以第四次工業革命的核心技術特征及其組合為導向，構建復雜的作戰系統[4-6]。美國國防發展機構（ADD 2018）認為，MUM-T 復雜系統是一種無人作戰系統，可以補充或替代作戰人員的能力，以最大限度地提高作戰效率，最大限度地減少戰場情況下的人員傷亡。它被定義為以一種復雜的方式操作包括戰斗人員在內的有人作戰系統的作戰系統[7]。考慮到美國國防部（2010）、北約（2020）和 ADD（2018）的定義，人工智能支持的自主 MUM-T 復雜作戰系統（以下簡稱 "自主 MUM-T"）和 OODA 循環如表 1 所示[1，5，7]。本研究所指的 MUM-T 復合作戰系統通過聯合指揮與控制，在空中、地面、海上、太空、網絡和戰爭等所有領域提供觀察、分析和控制，可通過整合/連接所有軍事力量的有人和無人系統進行操作。它被定義為 "根據決策和行動執行聯合行動的作戰系統"。

圖 3 北約 STANAG LOI 5 和自主邊緣計算 MUM-T 互操作水平設計

本文探討了在實際戰場場景中增強態勢感知的聯合通信和傳感技術。特別是，提出了一種空中可重構智能表面（ARIS）輔助綜合傳感與通信（ISAC）系統，該系統由單個接入點（AP）、ARIS、多個用戶和一個傳感目標組成。通過深度強化學習（DRL），在信號干擾比（SINR）約束條件下聯合優化了接入點的發射波束成形、RIS 相移和 ARIS 的軌跡。數值結果表明，通過抑制自干擾和雜波回波信號或優化 RIS 相移，所提出的技術優于傳統的基準方案。

隨著設備種類的增加，戰場環境變得更加復雜多變，對先進無線傳感與通信技術的需求也在不斷增加。最近，綜合傳感與通信（ISAC）被認為是未來使用毫米波（mmWave）等高頻段無線網絡的一項有前途的技術[1]。特別是，由于雷達傳感和無線通信共享相同的頻譜和硬件設施，ISAC 有可能提高戰場上的整體作戰效率[2]。

ISAC 下行鏈路系統的整體流程一般是由接入點（AP）向用戶發射 ISAC 信號，并處理目標反射的回波信號。然而，由于鏈路的主要視距（LoS）信道特性，軍事場景中的 ISAC 無法避免被各種障礙物（如山脈）阻擋的問題，并隨著通信距離的增加而造成嚴重的路徑損耗[3]。為了克服 LoS 信道的物理限制，可重構智能表面（RIS）作為一種關鍵技術應運而生，它通過調整相移來重新配置信號傳播，從而擴大目標探測和通信范圍[4]，[5]。作者在文獻[5]中提出了 RIS 輔助單目標多用戶 ISAC 系統中的聯合發射和接收波束成形技術。然而，在接入點和地面節點之間部署地面 RIS 在動態戰場環境中提供足夠的服務質量（QoS）方面存在局限性。另一方面，將 RIS 安裝在無人飛行器（UAV）上的空中 RIS（ARIS）可利用移動性在動態戰場環境中提供更有效的感知和通信性能[6]。文獻[7]考慮了由 ARIS 輔助的 ISAC 系統，以重新配置傳播環境，靈活對抗惡意干擾。

之前的研究[6]、[7]中針對傳感或通信網絡的 ARIS 系統的解決方案大多是通過凸優化提供的，無法快速應用于戰場場景。深度強化學習（DRL）方法因其在通過深度神經網絡與環境交互的同時制定策略的優勢，已被積極采用，作為傳統優化方法的替代方案。在 DRL 算法中，眾所周知，深度確定性策略梯度（DDPG）在連續行動空間（如 ARIS 軌跡）中收斂和運行良好[8]。文獻[9]的作者提出了一種基于 DRL 的 ARIS 軌跡設計，用于與車輛進行通信和定位。然而，從實際角度來看，當 AP 工作在全雙工模式時，自干擾問題 [10] 不可忽視，而且還需要一種抑制雜波回波信號的方法 [3]。

這項工作的重點是軍事場景中基于 DRL 的 ARIS 輔助 ISAC 系統，其中多天線 AP 為地面用戶提供服務并探測目標。我們的目標是通過聯合優化發射波束成形、RIS 相移和 ARIS 軌跡，使目標定位的 Cramer-Rao 約束（CRB）[11] 最小化。此外，為了應對自干擾和雜波回波信號帶來的挑戰，我們采用了一種基于無效空間投影（NSP）的接收波束成形方案[12]來抑制這些信號。為了應對所提問題的非凸性，我們提出了一種基于 DDPG 的算法，在與環境交互的同時尋找最優策略。通過模擬驗證，所提出的方法優于其他基準方法，如固定 RIS 相移或不應用基于 NSP 的接收波束成形方案。

本文的其余部分安排如下： 第二節介紹系統模型，包括 ARIS 輔助 ISAC 系統的信道、通信和雷達傳感模型。第三節介紹了所提出的基于 DRL 的算法，該算法旨在最小化整個系統的 CRB。第四節展示了數值結果，第五節為本文的結論。

• USW DSS 是 USW 指揮與控制 (C2) 戰斗管理輔助 (BMA) 記錄計劃 (PoR) 的支柱，支持針對高端對手的戰區和集團部隊（如水面、地下和空中部隊）的智能 C2。

• 該系統可規劃和執行美國海軍作戰群和戰區作戰行動；為利用環境提供 “最合適 ”的資產/傳感器分配；管理可用資源；平衡任務目標與風險；以及提供作戰環境的脆弱性評估。

USW DSS作戰影響

• 提供 USW 任務規劃輔助工具，包括

  • 提供 “最適合的 ”基于目標/風險的資產分配、行動路線（CoA）和演習方案。

  • 提供增強型反潛戰多資產（即水面、空中和地下）搜索規劃，了解威脅的探測概率、聲學干擾、脆弱性和先前的搜索結果。

  • 使部隊能夠利用氣象和海洋學（METOC）環境，發揮我們的優勢。

  • 使指揮官能夠在防止相互干擾和降低自相殘殺風險的情況下分配潛艇部隊。

• 提供 USW 任務執行管理輔助工具，包括

  • 提供現場戰術數據交換，使部隊能夠更快地同步行動。

  • 提供現場執行評估，使指揮官能夠更快地調整計劃

  • 為指揮員提供所需的有關對手、藍軍和關鍵絆網的態勢感知。

野戰手冊（FM）3-0《作戰》的出版將信息作為最新的任務變量，與任務、敵人、時間、地形、可用部隊和民事因素并列。不過，FM 3-0 明確指出，信息不是一個獨立的任務變量，而是一個必須納入其他任務變量分析的變量。信息優勢是一個新詞，但其定義與聯合兵種機動非常吻合。信息優勢是指 "一支部隊在態勢了解、決策和相關行動者行為方面掌握主動權"。旅戰斗隊中的電子戰排、軍事情報連、騎兵中隊和營偵察排通過保護或實現對態勢的了解來為指揮官提供信息優勢。破壞或轉向等防御性戰術任務是通過攻擊敵方對態勢的了解和干擾敵方決策來影響敵方，迫使敵方過早做出不利反應。煙幕彈和電子戰干擾只是在戰術層面攻擊敵方指揮和控制能力的兩個例子。戰術層面的領導者在整個大規模作戰行動（LSCO）中都要開展信息作戰；然而，戰術層面的條令目前還很難有意識地將信息作為任務變量納入整個計劃過程。

本文認為，陸軍應更新陸軍技術出版物（ATP）3-21.10《步兵步槍連》和ATP 3-90.1《裝甲和機械化步兵連隊》中的附錄 B，以便更好地將信息作為任務變量納入部隊領導程序。新的 FM 5-0《計劃和命令制作》強調，在整個行動過程中，所有指揮官和參謀人員都必須不斷分析信息。瓦列里-扎盧日尼將軍將電子戰列為烏克蘭取得勝利的第二大要務，烏克蘭戰場上的實際情況也證明了這一點。首先，必須在整個任務分析過程中刻意強調信息。其次，信息優勢原則應補充戰術領導人制定行動方案（COA）的方法。最后，對信息的考慮應貫穿于領導者如何理解戰術風險的過程中。按照目前的條令，作戰功能是重點，但包括信息在內的作戰功能最終會改變對單元戰斗力的強調。

圖：2023 年 3 月 8 日，在加利福尼亞州歐文堡國家訓練中心舉行的實彈演習中，一名隸屬于第三步兵師第二裝甲旅戰斗隊的士兵準備移動。（攝影：SPC Duke Edwards）

任務分析

ATP 3-21.10 和 3-90.1 的附錄 B "計劃和準備 "應予以更新，以強調信息，這可以通過增加 "射擊、移動和通信 "中通信部分的權重來實現。ATP 3-90.1 規定："為幫助了解 OE（作戰環境），連隊領導使用兩種工具，即作戰變量和任務變量。然而，同樣的條令并沒有強調計劃過程中的信息。信息將射擊、移動和通信等不同行動聯系在一起。在 ATP 3-21.10 和 3-90.1 中，地形和天氣分析目前側重于移動和武器效果分析，但這兩份出版物同樣應包括通信分析。正如這些 ATP 所解釋的那樣，戰場上的情報準備工作強調的是敵人將如何開火和機動。盡管如此，俄羅斯軍隊仍將信息戰放在優先地位，并刻意在戰術層面上加以影響。ATP 3-90.1 和 3-21.10 均列出了敵方上級指揮部為支持其地面機動而可能使用的合理資產，其中均不包括電子戰資產。現行條令未能在部隊領導程序中適當強調信息，這損害了戰術級領導者的利益，應予以改變。

在戰術層面的條令中，地形分析目前的重點是對友軍和敵軍的移動和武器效果進行推斷，但應加以擴展，刻意考慮信息這一任務變量。FM 5-0 附錄 A 中的表 A-3 提供了一份以信息為中心的問題清單，以增加其他任務變量的深度，其中地形和天氣下的問題側重于發射控制和通信（見圖 1）。陸軍條令出版物（ADP）3-13《信息》將信息定義為 "接收者（人類或自動系統）賦予意義的上下文數據"。地形會影響數據與接收者之間的聯系，可能會削弱藍軍和紅軍的通信保障，同時也提供了保護通信的機會。連級領導應分析地形對障礙物下和觀察/火場內通信的影響。ATP 3-21.10 和 ATP 3-90.1 均未在這兩個類別下列出有關地形如何影響通信的單一問題。地形可以阻礙視線范圍內的無線電通信，如果考慮和利用得當，還可以保護部隊不被發現。領導者可以估計敵方可能的指揮和控制節點的位置，然后利用這些推斷預先計劃火力任務，將敵方的指揮和控制作為目標。目前，這些條令出版物中的地形分析主要強調移動和武器分析。它應包括通信分析，因為射擊和移動只是等式的一部分，沒有適當計劃的通信是不夠的。

圖 1 - 任務變量信息問題示例（FM 5-0）

天氣會影響視線以外的通信，如高頻（HF）無線電，而偵察單元可能將其作為與上級總部的主要通信手段。高頻無線電受地形影響較小，但容易受到某些天氣條件的影響。領導者應通過閱讀天氣數據來判斷敵我雙方的通信能力，因為這直接影響到指揮和控制。現代戰場上到處都是無人機系統，這會阻礙單元集結必要兵力取得勝利的能力。10 不過，無人機的擴散受到天氣的限制，尤其是較小和較便宜的變體。建立在眾多能向上級總部提供實時共同行動圖像的無人機基礎上的敵方防御，很容易被有能力利用天氣機會奪取優勢的單元所攻破。天氣可能會掩蓋友軍單元，就像低垂的霧氣會掩蓋小隊下馬通過原本可觀察到的地形的行動一樣。ATP 3-21 附錄 B 未提及天氣如何影響通信，而 ATP 3-90.1 提到了高速風和降水如何影響通信。它們沒有提到天氣對情報、監視和偵察（ISR）平臺的影響。信息優勢取決于哪一方對態勢有更好的了解。地形和天氣對友軍和敵軍都有影響，領導者有責任在制定敵方態勢模板和友軍行動方案之前了解并分析這些影響。

俄羅斯等大國強調信息戰對所有三個層次的戰爭都有影響。然而，針對連級機動領導的現行條令通常將這些資產歸類為能力范圍內的 "其他"。ADP 3-13 指出："反射性控制是一個從戰略層面針對地緣政治對手到戰術層面針對戰場上的敵人的概念。這一點可以通過俄羅斯在包括戰術在內的每個戰爭層面廣泛使用電子戰資產在戰場上看到，電子戰單元通過非動能手段將無人機擊落。萊斯特-格勞（Lester Grau）博士和查爾斯-巴特爾斯（Charles Bartles）在《俄羅斯的戰爭方式》一書中描述了俄羅斯的電子戰連隊如何協同保護、火力和情報等不同的作戰功能，以實現共同目標。大國同樣強調電子戰是現代戰場的一個重要趨勢，并在各級戰爭中進行相應的資源配置。俄羅斯等大國將電子戰納入地面演習，以在態勢了解、決策和相關行為方面提供優勢。ATP 3-21.10 和 3-90.1 正確地指出，領導者需要從條令上分析敵方希望如何作戰，以及在特定環境下敵方將如何作戰，但這兩份文件均未提及電子戰能力，盡管它們對俄羅斯人希望如何作戰具有重要意義。

隨著重點向 LSCO 轉移，領導人經常強調，地面部隊不能假定友軍將始終擁有空中優勢。這是正確的，但這只是 LSCO 如何改變動態的一個方面，因為領導者將無法確保信息優勢。美國空軍或陸軍攻擊航空兵可能無法參加連級戰斗。而且，連長可能并不完全了解敵人的行動，也可能無法通過調頻（FM）無線電呼叫預備隊來反擊敵人的攻擊。將信息納入對其他任務變量的分析，目的是讓領導者思考自己所依賴的技術如何受到攻擊和操縱，從而影響決策或限制選擇，而且這種攻擊和操縱可能以多種不同的形式出現。戰術層面的條令未能充分說明戰場是如何 "信息化 "的，以及敵人將如何利用地形和天氣來發揮自己的優勢、保護自己的弱點、利用美軍的優勢和削弱美軍的優勢。ATP 3-21.10 和 3-90.1 應在任務分析中考慮到這些因素。更好地理解信息如何影響行動的領導者更適合將 FM 3-0 中的行動要領納入其中，并為如何利用信息幫助制定友軍的作戰行動方案奠定基礎。

制定行動方案（COA）

信息優勢原則應作為戰術領導者制定 COA 方法的補充。ATP 3-21.10 和 3-90.1 指出："COA 描述了單元如何在決定性地點以最少的友軍傷亡對敵人產生壓倒性戰斗力的效果。這兩份ATP都只提到了制定COA過程中的信息。然而，正如 FM 3-0 中關于信息的論述，"信息也是戰斗力的關鍵組成部分，是奪取、保持和利用主動權以及鞏固成果所必需的"。

有兩種方法可以將信息納入作戰行動評估。首先，可以從戰斗力的角度分析相對戰斗力，而不是僅僅從作戰職能的角度分析相對戰斗力。另一種方案是從領導力和信息的角度對作戰職能進行推導。第一種方案與 FM 5-0 更為一致，后者列出了需要與對手能力進行比較的信息。第二種方案更符合信息與任務分析相結合的方式；信息往往作為連接組織出現在每個作戰職能中，而不是作為一個獨立的類別。這就為 ATP 3-21.10 和 3-90.1 提供了引入信息優勢原則的機會：以進攻為導向、聯合武器、指揮官驅動和士兵賦能。通過不同的視角分析相對戰斗力的推論框架，為指揮官提供了一個比目前條令中提供的更好的工具來制定主要作戰行動。

圖 2 - 信息優勢框架（ADP 3-13）

通過分析相對戰斗力得出的推論是連級領導在制定作戰行動方案時的關鍵決策。這是領導者利用現有資源成功打擊對手的基礎，條令中概述了這些推論應盡可能提供信息優勢。FM 3-0 承認，機動和消耗都是應對局勢的有效選擇。無論是進行機動戰還是消耗戰，信息優勢都能起到決定性作用。了解如何利用持久性 ISR 實現目標定位和地面機動，可以為擊敗敵人提供機會。盡管如此，我們的戰術條令并沒有明確指出除了應尋求優勢之外的其他推論。在分析相對戰斗力時，信息優勢并不是領導者應該尋求的唯一目標，但卻是他們應該考慮的一個方面。這一點應在條令中明確闡述。這將有助于確定領導者如何分析相對戰斗力，以及如何利用這些推論來生成選擇方案、排列部隊和制定選擇方案概念。

目前，條令在制定 COA 時并未包含太多深入信息，這同樣不利于連級領導者。利用作戰功能實現信息優勢是一種聯合軍備方法。條令應向試圖了解如何制定計劃的領導人闡明這一點。歸根結底，指揮官必須根據對局勢的了解，通過計劃和執行做出決策。ADP 6-0《任務指揮》明確指出了信息與指揮官活動的關系： "在決策方面，信息是經過組織和處理的數據，以便為進一步分析提供背景資料"。

全新的排長應首先掌握火力和機動，然后隨著經驗的積累，了解其他作戰職能如何對成功同樣重要。隨著領導者在單元中的成長，他們會提出火力和機動以外的問題。這是一個積極的發展，因為利用所有可用資產來實現決策優勢將對單元大有裨益。同樣，信息優勢并不是領導者在分析相對戰斗力時應尋找的唯一方法。但它仍應是一個關鍵因素，并在條令中予以考慮。了解信息如何提供成功機會的領導者也會更好地理解他們對戰術風險的定位。

戰術風險

如果能更好地理解 ATP 3-21.10 和 3-90.1 中的信息，就能更好地了解戰術風險以及指揮官如何降低戰術風險。戰術風險一般分為兩類： 指揮官在友軍行動或允許敵方行動中做出的有意選擇，而這種理解是以任務分析為依據的。改進機動連級領導將信息納入任務分析的方式，可以更好地了解戰術風險。對手會適當地將信息納入任務規劃，而機動部隊的領導者必須了解這一點并加以考慮。

指揮官選擇承擔信息風險的行動可能會帶來暫時的優勢，但必須降低風險。指揮官可利用信息環境中的行動來降低風險。一個單元可利用電子戰提示將部隊從防御中的一條途徑重新部署到另一條途徑。指揮官可以使用欺騙手段將敵人引誘到交戰區域。EW 干擾機可增援較小的部隊，與直接和間接火力同步，在交戰區造成混亂。指揮官有多種選擇，但他或她必須了解信息環境中存在的行動，并在部隊領導程序中加以考慮。

結論與建議

信息與連級機動領導人息息相關，我們的條令應將信息作為任務變量加以反映。信息不僅僅屬于公共事務團隊；它不僅與民事因素相關，也不僅限于信息傳遞。信息是所有作戰功能之間的連接組織，使領導和決策成為可能。地形、天氣和對手都會對可靠的通信提出挑戰，從而產生支持目標的效果。友軍也能做到這一點。網絡和空間能力為信息環境中的行動帶來了許多影響，其中許多影響超出了步兵連指揮官的能力范圍，但它們并不是唯一的影響領域。偽裝、欺騙行動、EW 和煙幕都是屬于信息范疇的旅戰斗隊內部能力。ADP 3-13 將信息定義為 "接收者（人類或自動系統）賦予意義的上下文數據"。機動連指揮官可以操縱數據，對接收方式提出質疑，甚至利用上下文。

陸軍必須更新 ATP 3-21.10 和 3-90.1，以便更好地將信息作為任務變量納入其中。FM 5-0 提供了一個很好的起點，但不能照搬照抄。當前的沖突表明，信息環境是有爭議的，處于風口浪尖的人們需要能反映這一現實的條令，并提供在這一有爭議的環境中成功作戰的必要工具。

圖：2024 年 2 月 6 日，第 10 山地師第 1 旅戰斗隊第 22 步兵團第 2 營的士兵在紐約州德倫堡進行聯合武器實彈演習。（攝影：SPC Kaylan T. Joseph）

指揮與控制 (C2) 系統越來越多地采用計算機視覺 (CV) 系統來改進戰場上的情報分析，即戰術邊緣。CV 系統利用人工智能 (AI) 算法來幫助可視化和解釋環境，從而提高態勢感知能力。然而，由于環境和目標瞬息萬變，部署的模型可能會被混淆，因此 CV 系統在戰術邊緣的適應性仍面臨挑戰。由于環境和環境中存在的物體開始發生變化，在這種環境中使用的 CV 模型在預測時可能會變得不確定。此外，任務目標的快速變化也會導致技術、攝像機角度和圖像分辨率的調整。所有這些都會對系統的性能產生負面影響，并可能給系統帶來不確定性。當訓練環境和/或技術與部署環境不同時，CV 模型的表現可能會出乎意料。遺憾的是，大多數戰術邊緣場景并未將不確定性量化（UQ）納入其部署的 C2 和 CV 系統。本概念文件探討了在戰術邊緣同步進行由 UQ 驅動的穩健數據操作和模型微調的想法。具體來說，根據預測的殘差整理數據集和訓練子模型，使用這些子模型計算預測區間（PI），然后使用這些 PI 校準部署的模型。通過將 UQ 納入戰術邊緣 C2 和 CV 系統的核心操作，我們可以幫助推動戰場上有目的的適應性。

圖 2 - 修改后的態勢感知模型；描述戰場上如何衡量、操作和使用態勢感知進行決策。經過修改，明確描述了 CV 和 UQ [10] 。

環境不確定性被定義為 "無法預期和準確預測世界未來狀態的程度"[1]，它可能會限制指揮與控制（C2）系統幫助作戰指揮部快速、有序地規劃、準備和執行不同目標的能力。戰術邊緣可定義為 "在對信息系統和作戰準備有很強依賴性的戰斗空間中，冒著致命風險運行的平臺、地點和人員"[2]。在這里，環境、任務和目標都可能迅速發生變化，并可能給作戰人員的 C2 系統帶來不確定性。C2 系統可利用計算機視覺（CV）對戰術邊緣不斷變化的環境提供更全面的了解。遺憾的是，CV 模型是數據驅動的，在應用于不斷變化的物體和環境條件時，可能會出現較大的外推誤差[3]。換句話說，當環境和環境中存在的物體開始發生變化（哪怕是微小的變化）時，C2 和級聯 CV 系統可能會變得誤判和不準確。CV 系統以一定的可信度對不同的特定任務對象和智能體進行分類、預測和定位。在戰術邊緣，作戰人員對其系統的信心和準確性與不可預測性可能是生與死的區別。不確定性量化（UQ）用于確保模型的可信度，提高作戰人員對數據限制和模型缺陷的理解。本文探討了作戰人員利用不確定性量化影響 C2 和級聯 CV 系統的想法。具體來說，就是計算可信度和預測區間 (PI)、檢測超出分布范圍的數據 (OOD)，以及收集相關數據集以重新校準部署的模型。最終，作戰人員可以利用 UQ 來幫助提高適應性，并促進人工智能系統的穩健性和信息量[4]。

據美國國防部高級研究計劃局（DARPA）稱，由于模型、參數、操作環境和測量的不確定性，對國防部（DoD）非常重要的復雜物理系統、設備和過程往往不為人所理解[5]。因此，鑒于這種確定的復雜性，作戰人員應致力于創建一種戰斗節奏，將測量其 CV 系統的不確定性納入其中。我們希望在戰術邊緣執行任務的作戰人員能更深入地了解其部署的 CV 模型的性能。作戰人員可以利用測量到的不確定性直接影響未來的 C2 和 CV 系統/行動。同樣，這將允許在不斷變化的環境中更快地適應，提高作戰指揮部的態勢感知能力。

1.1 戰術邊緣的計算機視覺

計算機視覺可定義為一種特定的人工智能系統，使計算機能夠解讀視覺信息。它通常涉及通過卷積神經網絡（CNN）等算法解析視覺數據，以檢測、分類和定位感興趣的物體。通過不斷檢測周圍環境中的物體，CV 可以提供戰場上的可視性。作戰人員可以分析從不同邊緣傳感器捕獲的數據，以提供可操作的情報。CV 還能幫助作戰人員看到隱藏的或肉眼無法看到的物體。

對 CV 模型進行訓練的目的是對預期在戰術邊緣看到（或隱藏）的物體和環境做出準確預測。CV 模型的訓練通常首先涉及整理一個視覺數據訓練數據集，該數據集代表了預期看到的物體和環境。這些數據將通過不同的數據操作進行整理，如數據收集、數據標注、數據清理和數據轉換。所有這些不同的數據操作都可以在戰術邊緣執行，并允許作戰人員有效地整理相關數據，用于改進其模型。然后，CV 模型將嘗試學習在訓練時傳遞給模型的數據的表示和分布。

CV 模型還將通過類似的過程進行驗證和測試。訓練集之外的數據集可以進行策劃，用于驗證和測試 CV 模型。測試數據集可用于模型測試，并且只能在模型完成整個訓練（或微調）周期后使用。測試數據集應與訓練數據集分開，以便測試結果能準確反映模型對其從未見過的數據進行泛化的能力。策劃這些不同的數據集是為了改進和評估部署在戰術邊緣的模型。

通過使用 UQ，作戰人員可以更準確地衡量其 CV 模型的失敗之處，然后開始整理必要的數據并對模型進行微調。下圖 1 顯示了定義明確的類別的數據如何隨著時間的推移而開始變化和退化。這直接影響到部署在戰術邊緣的模型預測的可信度。本文建議作戰人員在其核心 CV 操作中建立 UQ。作戰人員應積極測量已部署模型的不確定性，整理相關數據集，微調這些模型，然后將這些新模型重新部署到戰術邊緣。

圖 1 - 數據隨時間漂移；顯示了定義明確的物體和環境如何隨著時間的推移而發生變化。最終降低 CV 模型的性能。[6]

1.2 提高作戰人員的態勢感知能力

態勢感知可定義為感知環境中的要素、了解環境中的要素以及預測其在不久將來的狀態的過程[7]。指揮控制系統利用態勢感知，"由適當指定的指揮官對指定和附屬部隊行使權力和指揮，以完成任務"[8]。戰術邊緣可能是危險和混亂的，對這一環境的透徹了解將使作戰人員做好更充分的準備。此外，能見度在戰場上至關重要，作戰人員應利用 CV 系統獲得更強大的態勢感知和環境能見度。

根據米卡-恩斯利（Mica Endsley）描述的 "態勢感知模型"，在 C2 基礎設施內運行的部分 CV 系統可被想象為處于 "1 級"。該模型描述了在這一級別上運行的系統的功能，即幫助提供 "對當前情況中各要素的感知"[9]。部署的 CV 模型、算法和傳感器/攝像頭都有助于檢測當前情況下的物體和環境。如前所述，CV 使計算機能夠消化和解釋視覺信息，在此情況下，特別是戰術邊緣的元素和物體。這種對物體的感知會影響并支持該模型的更高層次。最終，它流入戰術邊緣的決策和行動執行階段。

可以認為，UQ 存在于態勢感知、決策和行動執行階段的周圍。最終，這將影響模型的反饋階段。從 CV 系統測得的不確定性可用于影響接下來的決策階段。同樣，在進行決策和行動執行后，UQ 也可用于衡量信心和總體效果。具體來說，UQ 將有助于衡量部署在戰術邊緣的 CV 模型的預測精度和正確性。這些結果最終將流入模型的反饋階段。利用這種方法，UQ 將為作戰人員提供適應性更強的態勢感知。圖 2 是該模型稍作修改后的示意圖。

圖 3 - 使用 UQ 的 C2 和 CV 系統；展示如何利用 UQ 向 C2 系統提供反饋，以提高戰術邊緣的適應性。

全球形勢的變化（如 COVID-19、烏克蘭沖突）加劇了以前存在的與必需品采購和庫存管理相關的挑戰和風險。這次在軍事行動研究學會國家安全風險分析實踐社區的午餐演講介紹了國防分析研究所開發的一種工具：國防工業基地優化模型（DIBOpt）。

聯邦機構利用 DIBOpt 促進采購和投資決策，以最大限度地降低風險。更具體地說，美國政府利用 DIBOpt 編制了醫療對策的預算和采購計劃，國防部利用該工具審查了精確制導導彈供應鏈限制對提高軍事準備狀態的工作（和時間表）的影響。

DIBOpt 允許軍事規劃人員考慮各種因素，包括工業基礎能力、次級瓶頸、價格上漲、獨家制造商、產品現代化、所需數量變化、預算限制以及許多其他因素。這些庫存（包括醫療庫存和彈藥庫存）管理的復雜性和不斷變化的性質需要一個建模解決方案來有效地收集相關輸入數據并生成快速分析。

DIBOpt 還允許決策者探索支持關鍵物品的供應鏈，以確定：1）存在瓶頸的地方；2）這些瓶頸對建立庫存能力的影響；3）降低與庫存不足相關的風險所需的緩解策略。

北約科技組織（STO）應用車輛技術（AVT）329 "NexGen旋翼機對軍事行動的影響 "評估了2035+時間框架內適用科學技術（S&T）發展對軍事行動的潛在影響。對預計的未來任務進行的兩次作戰分析（OA）評估時，評估采用了基于風險的主題專家判斷。

利用定義的任務小插曲，參與評估的主題專家確定了利用當前北約軍用直升機能力實現各項任務的風險。然后評估每個風險發生的可能性和對實現任務的影響。對于每個風險，確定的緩解措施包括技術的應用、戰術的改變和其他措施。隨后對確定的風險緩解措施的行動影響進行了評估，以確定其軍事價值。

基于風險的評估框架使來自多個北約和伙伴國的具有軍事行動、需求和技術專長的主題專家能夠進行定性評估。由于所有參與者以前都熟悉風險評估過程，該框架很容易被調整為進行貿易空間業務需求和關鍵技術的審計。