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。

無人機（UAV）蜂群因其多功能性和無需人工干預的運行能力，有可能在眾多應用中大顯身手。然而，在廣泛實施無人機蜂群之前，這項前景廣闊的技術仍需要進一步的調查、研究和測試。控制系統所需的人工干預程度決定了無人機蜂群的不同自主程度。要使蜂群變得更加獨立自主，高效的任務和路徑規劃算法必不可少。此外，準確的通信對于蜂群能夠協調并成功完成任務也至關重要。本文試圖對無人機蜂群的架構、通信、應用和相關挑戰進行綜述。此外，本文還討論了已用于或建議用于無人機蜂群的通信類型。最后，本文回顧了無人機蜂群的潛在應用，以及圍繞這項技術仍然存在的研究問題。

無人機蜂群依賴于單個無人機之間的相互通信。通常情況下，無人機蜂群系統由地面控制站（GCS）、發射器、單個無人機單元組成，有時還包括有效載荷或貨物。無人機通過稱為無人機蜂群網絡（USNET）的特定網絡進行無線通信。無人機蜂群的獨特之處在于它們擁有不同級別的自主性；最高級別的自主性是完全自主，即蜂群在沒有人類干預的情況下運行。為了達到完全自主水平的通信，通常使用 ad-hoc 網絡。這種網絡使設備之間的通信不依賴于固定的基礎設施。這樣，無人機就可以在沒有預先建立連接點的情況下相互通信和協調，從而提高了使用的靈活性。除了強大的通信系統外，還需要傳感器來探測空中位置和與蜂群中其他無人機的距離，并探測障礙物。此外，根據不同的應用，無人機蜂群還可配備 GPS、熱傳感器、攝像頭和光探測與測距傳感器等傳感器。

多架無人機共同完成一個共同目標的能力，為僅靠一架無人機無法完成的行動提供了可能性。無人機蜂群的好處包括降低成本、因減少人力而提高安全性以及提高效率。例如，在軍事應用中，無人機蜂群有可能成為一種高效致命武器，可以從多個角度實施協同攻擊。在軍事攻擊中使用無人機蜂群有可能減少傷亡人數，無需在戰場上派駐人員。在民用方面，無人機蜂群在自然災害應對、農業、快遞服務、監視和安全以及基礎設施監測（包括電力線、鐵路和公路檢查）等領域具有廣闊的應用前景。例如，為無人機配備熱成像技術可提高其在搜索和救援任務中的效率。讓多架無人機同時執行搜索任務，可以同時覆蓋更多地面，從而縮短救援時間。這可以通過一種算法來實現，該算法將搜索地點的某些區域分配給每架無人機，然后無人機將發現的任何情況與其他無人機進行通信，處理數據以與給定的搜索信息相匹配。

本文試圖對無人機蜂群技術以及改進和發展該技術的實際應用方式進行綜述。本文涉及無人機蜂群的架構類型、蜂群可使用的通信方式、無人機蜂群的潛在應用以及目前存在的相關研究問題。討論的主要重點是無人機蜂群的通信和控制。

本研究論文介紹了軍用無人機系統盒（The NeuronDrone-Box）中用于攻擊或防御決策的全自主人工智能：硬件、算法和一種新型專用軍用無人機或無人機。第一部分介紹了軍用無人機系統盒（The NeuronDrone-Box）中的攻擊或防御決策全自主人工智能，以適應任何無人機的主控系統。第二部分是使用混沌理論和經濟地理學的算法。第三部分介紹了被稱為 "黑色噩夢 V.7" 的開創性原型機。黑色噩夢 V.7 無人機投彈手擁有一系列與眾不同的功能和應用，本技術報告將對此進行詳細介紹。首先，主張在軍用無人機系統箱（The NeuronDrone-Box）中實施全自主人工智能攻防決策，以控制與全自主人工智能攻防決策軍用無人機系統箱（The NeuronDrone-Box）相連的多副翼系統（MAS）和多導彈系統（MM-System）。

在需要做出重大決策的關鍵系統中，通常無法實現或不希望實現完全自動化。相反，人類-人工智能團隊可以取得更好的效果。為了研究、開發、評估和驗證適合這種團隊合作的算法，有必要建立輕量級實驗平臺，實現人類與多個智能體之間的互動。然而，此類平臺在國防環境中的應用實例非常有限。為了填補這一空白，我們提出了 Cogment 人機協同實驗平臺，該平臺實現了以異構多智能體系統為特征的人機協同（HMT）用例，可涉及學習型人工智能智能體、靜態人工智能智能體和人類。它建立在 Cogment 平臺上，已被用于學術研究，包括在今年的 AAMAS 的 ALA 研討會上展示的工作。希望通過這個平臺，進一步促進關鍵系統和國防環境中的人機協作研究。

圖 1：該圖顯示了 Cogment HMT 實驗平臺的主用戶界面。左側帶帽的圓圈是由五個藍色智能體組成的團隊防守的禁區。右側的單個紅點是無人機攻擊者。

嵌入式人工智能體，如無人駕駛飛行器（UAV，或無人機），有可能徹底改變各行各業，包括交通、農業和安防。然而，這些智能體在物理世界中發展，因此可能會產生危險影響，尤其是在無人監管的情況下。例如，無人機可能會出現故障或無法識別潛在危險，從而造成財產損失甚至人員傷亡。此外，智能體可以根據算法做出決策，而算法可能不會考慮倫理、道德或法律方面的影響。因此，人類必須有能力對這些智能體進行有意義的控制[2]和監督，以確保它們的安全和負責任的使用。人類操作員可以監控和干預系統故障，評估潛在風險，并在需要其判斷的復雜情況下做出道德或法律決定。

除了監督，人類還可以通過協作在幫助智能體實現任務方面發揮關鍵作用。例如，對于無人機，控制中心的人類操作員可以提供實時指導和支持，確保無人機準確、高效地執行所需的功能。此外，人類還可以在現場充當隊友，與具身的人工智能體并肩作戰，實現既需要人類判斷又需要機器精確度的復雜目標。

此外，必須認識到，人機協作（HMT），即人類與具身智能體建立雙向協作的能力，是安全有效使用人工智能的一個關鍵方面。這類人工智能體的設計、訓練、驗證和操作不能孤立地進行，必須考慮它們如何融入包括它們在內的更大系統中。人類，尤其是作為操作員或隊友的人類，從一開始就應被視為該系統不可分割的一部分。

除了這種雙向協作之外，具身人工智能系統在運行過程中往往沒有考慮到 “道德責任 ”和 “社會技術 ”因素[2]。有意義人類控制（MHC）的概念是由 Santoni de Sio 和 van den Hoven 提出的，目的是讓人類能夠影響具身人工智能體的行為[3]。然而，MHC 的原始定義并不一致，因為人類可能缺乏專業技能或知識，無法完全有效地控制人工智能系統。Cavalcante Siebert 等人[2]提出了四個附加屬性來改進 MHC 的原始定義：“明確的道德操作設計領域”、“適當且相互兼容的表征”、“控制能力和權限 ”以及 “人工智能與人類行動之間的明確聯系”。因此，至關重要的是設計一個協調平臺，將有意義的人類控制和人類在環相結合，以確保人工智能系統的訓練和操作方式符合人類價值觀、社會規范和道德行為。

Cogment HMT 提供了一個設計和實驗人機團隊的平臺，尤其是涉及無人機的人機團隊。它以我們的 Cogment [4] 平臺為基礎，解決了協調自動決策系統（包括人工智能體）、人類之間的協作及其對數據的訪問和對環境的影響等難題。Cogment HMT 實驗平臺目前使用一個模擬環境，可以很容易地進行調整，以適應更真實的模擬和現實世界的部署。我們將在第三節介紹該平臺及其特性。

利用 Cogment HMT 實驗平臺，人工智能從業者可以開發出能夠與人類協同工作的智能體，并從人類的知識和期望中學習，同時考慮有意義的人類控制、信任和認知負荷管理等因素，實現有效的雙向人機協作。我們將在第四部分介紹早期成果。

本文件提出了一個分類和影響分析方案，以幫助支持無人機自動操作的討論和監管發展。還引入了 “操作設計域”（ODD）概念，作為一種機制來確定自動化功能的范圍，以幫助管理復雜的多維操作環境。這允許對自動化進行功能評估，因為它涉及到人機互動，認識到在特定操作中，不同飛機功能的自動化程度可能不同。

目前，本文件的范圍僅限于無人機系統飛行操作，同時承認飛行操作將在更廣泛的空域環境范圍內進行。空域環境的自動化將在未來的 JARUS 文件中討論。該文件還討論了隨著自動化水平的不斷提高，責任和權限如何發生變化。所提出的分類方法借鑒了其他航空團體開展的類似工作，包括廣為人知的汽車行業 SAE 國際分類和飛機自動化方面的 ASTM 國際考慮因素（見下文參考文獻）。分類方法概述如下：

0 級 - 手動操作： 人完全負責功能執行，沒有機器支持。

1 級 - 輔助操作： 機器在執行功能的過程中為人類提供環外支持，例如提供相關信息。

2 級--減少任務： 機器以環內管理角色運行，減少人類完成任務的工作量，例如，根據預測的飛行路徑提供沖突警報和解決建議。

3 級 - 監督自動化： 機器在人的監督下執行功能，而人則應根據需要進行監控和干預，例如，與自動駕駛儀綁定的自動交通碰撞和規避（TCAS）系統可在收到解決建議警報時自動執行機動操作。

4 級 - 例外管理： 機器執行功能，在出現問題時向人類發出警報。人類無需對功能進行實時監控，可在機器發出問題警報后隨時進行干預。

5 級 - 完全自動化： 機器完全負責功能的執行。由于實際限制或 ODD 的故意排除，人類無法進行實時干預。

自動化功能對操作的影響一般分為三個級別：安全獨立功能、部分安全依賴功能和安全依賴功能。通過評估自動化功能的安全關鍵性（通過了解其與其他系統的獨立性）和了解功能的自動化程度，可以評估自動化功能對特定操作的影響。

最后，為了在整個空域全面采用自動化功能，需要建立對自動化系統的信任。在自主技術開發和人類操作員培訓中應用信任框架，是實現完全自主系統操作的核心環節。在運行環境中，這將在自動化機器和人類操作員之間建立一種雙向關系，以確保最安全地應用自動化操作，實現可信賴的自主。

本文介紹了一種獨特的方法，即由一個裝有網的飛行機器人對不合作的無人駕駛飛行器進行中空自主空中攔截。本文提出了一種名為 “快速響應比例導航（FRPN）”的新型攔截制導方法，旨在依靠機載狀態估計和跟蹤捕捉靈活機動的目標。在使用 100 個不同復雜度的目標軌跡（包括近 14 小時的飛行數據）進行的仿真中，將所提出的方法與最先進的方法進行了比較，結果表明 FRPN 的響應時間最短，攔截次數最多，而這正是敏捷攔截的關鍵參數。為了能夠從理論和仿真穩健地轉移到實際應用中，我們的目標是避免過度擬合目標的特定假設，并解決攔截未知總體軌跡目標的問題。此外，我們還發現了與目標狀態的跟蹤和估計有關的幾個經常被忽視的問題，這些問題會對系統的整體性能產生重大影響。我們建議使用基于交互多模型濾波器和新測量模型的新型狀態估計濾波器。模擬實驗表明，在考慮一般軌跡時，與常用的卡爾曼濾波法相比，所提出的解決方案能顯著提高估計精度。在這些結果的基礎上，我們采用所提出的濾波和制導方法實現了一個完整的自主攔截系統，該系統在現實模擬中得到了全面評估，并在與機動目標進行的真實世界實驗中得到了測試，其性能遠遠超出了任何最先進解決方案的性能。

圖 1：使用擬議系統成功自主攔截移動目標的拼圖。從 t1 到 t4 的機動時間約為 2 秒。

由于近年來無人駕駛飛行器技術的蓬勃發展，這些飛行器正被用于許多涉及復雜任務的領域。其中一些任務對車輛駕駛員來說具有很高的風險，例如火災監控和救援任務，這使得無人機成為避免人類風險的最佳選擇。無人飛行器的任務規劃是對飛行器的位置和行動（裝載/投放載荷、拍攝視頻/照片、獲取信息）進行規劃的過程，通常在一段時間內進行。這些飛行器由地面控制站（GCS）控制，人類操作員在地面控制站使用最基本的系統。本文介紹了一種新的多目標遺傳算法，用于解決涉及一組無人飛行器和一組地面控制站的復雜任務規劃問題（MPP）。我們設計了一種混合擬合函數，使用約束滿足問題（CSP）來檢查解決方案是否有效，并使用基于帕累托的方法來尋找最佳解決方案。該算法已在多個數據集上進行了測試，優化了任務的不同變量，如時間跨度、燃料消耗、距離等。實驗結果表明，新算法能夠獲得良好的解決方案，但隨著問題變得越來越復雜，最佳解決方案也變得越來越難找到。

在新興的蜂群技術領域，無人機系統條令作為一種規定性的設計要素，一直處于缺乏、潛伏或被忽視的狀態。本文討論了一種與蜂群無人機系統任務條令并行的設計蜂群無人機系統的綜合方法。該方法的結構源自基于模型的系統工程、機器人學、人類系統集成、生物學和計算機科學等學科的啟發式方法。該方法為設計和操作蜂群無人機系統提供了一種標準方法，力求滿足任何預定任務的性能和條令要求。

蜂群體系結構的設計應支持 "少而精"、廣泛分散、高度網絡化、脈沖式攻擊的條令。一般來說，蜂群系統主要采用三種總體指揮與控制（C2）架構：協調控制、集中控制或分級控制，以及分布式控制或分散控制（Dekker，2008 年）。在協調控制中，根據指定的瞬時因素（如位置、狀態、任務場景）選擇一個智能體作為臨時領導者。領導者從其他智能體接收傳感器數據，并廣播融合后的共同綜合畫面。如果領導者失效，則會選擇一個替代者繼續扮演這一角色。這種架構具有一定的魯棒性，但無法擴展到更大的智能體群或地理位置分散的智能體群，而且會給一個智能體帶來很大的處理負擔。集中式控制架構類似于傳統的軍事指揮與控制結構，在這種結構中，智能體按層級組織，詳細的戰術信息通過指揮鏈向上反饋。雖然這種分層設計簡化了數據流，但并不穩健，在處理需要智能體快速反應的動態場景時缺乏靈活性。對蜂群進行集中控制需要一個樞紐-輻條式通信架構，這種架構有幾個缺點：它限制了蜂群的自主行為，無法實現智能體之間的通信，而且在設計中會出現單點故障（Chung 等人，2013 年）。分布式架構的特點是沒有領導者；而是通過智能體之間的集體共識做出蜂群決策。這種架構具有穩健性和可擴展性，但要求通信網絡能夠支持可能增加的數據流量。與蜂群系統設計的其他要素一樣，C2 架構的混合體也可用于發揮各自的優勢。美國海軍的 "合作參與能力"（Cooperative Engagement Capability）防空作戰系統采用分布式架構來獲取態勢感知數據，并采用協調架構來選擇目標定位（Dekker，2008 年）。分散控制架構，包括基于市場（或拍賣）的方法，以及隱式衍生的單智能體解決方案，已在蜂群無人機系統中得到成功驗證（Chung 等人，2013 年）。由于這些原因，無線網狀通信網絡被認為是蜂群無人機系統通信架構的一種潛在的關鍵使能形式（Frew，2008 年）。

有限狀態機（FSM）（或有限狀態自動機）已被證明可有效模擬多車自主無人系統架構（Weiskopf 等人，2002 年）。在有限狀態自動機架構中，每個智能體在給定時間內都處于幾種定義狀態之一。智能體感知到的環境條件或遇到的事件會觸發觸發事件，導致智能體在不同狀態間轉換。這種類型的結構適用于開發軍事蜂群系統，因為狀態和觸發器可以確定性地定義（就像交通信號燈一樣），這對于目標攻擊等高風險任務事件是必要的。相反，在搜索等其他任務事件中，可能需要一定程度的不可預測性。在這種情況下，可以使用概率有限狀態機 (PFSM)（或概率有限狀態自動機），允許在一個狀態內有不同的行為，或在狀態之間提供多種轉換（Paranuk，2003 年）。

這項工作旨在利用無線音頻傳感器網絡為無人駕駛航空器系統（UAS）提出一種探測、識別和跟蹤解決方案。根據適用于無人機系統的技術趨勢（更小、更便宜、更合作），我們提出了一種采用與 "攻擊者 "相同技術方法的分布式監控解決方案。特別是，由于無人機會引起周圍聲學環境的變化，我們研究了音頻傳感器網絡的使用。更確切地說，我們采用了一種三階段算法來檢測監控環境中音頻能量的存在，識別特定的音頻特征，然后與多節點方法合作跟蹤無人機。通過實驗獲取的音頻信號，我們展示了所提方法的初步性能。我們還討論了改進實際實施的未來工作。

參考場景

微型和小型無人機（1 千歐元及以下）成本低，易于采購，使恐怖分子使用這種技術的障礙降至零。此外，開放源碼技術通常用于設計無人機系統的某些組件，這就為設計專用有效載荷的人填補了一個很小的知識空白。如此易于采購和個性化的飛行平臺最終可以接近合理的目標。根據這一趨勢，協調無人機中隊很快就會成為任何人都可以利用的資源。應對這種威脅的措施不可能是集中式的。目前，我們看到的非對稱解決方案適用于前沿作戰基地或安裝了大型無人機探測器的沙漠場景。然而，這種威脅在城市場景中可能無處不在，因此建議采用對稱的對策，即分布式、小型和廉價的對策。

特別是近年來無線傳感器網絡的不斷發展，以及節點的小型化和低成本化，可以為城市環境或復雜場景提供最合適的解決方案，因為在城市環境或復雜場景中，可能會有平民存在，而固定的軍事設施可能并不合適。

如圖 2-1 所示，這項工作將以大量廉價音頻傳感器為參考場景，每個傳感器都能夠識別無人機的音頻特征，并在發現匹配時，通過與其他節點協作定位惡意來源。研究的重點是在空曠場地場景中，利用音頻陣列檢測、識別和跟蹤單架無人機或小型無人機群，即可與單個大型單元同化。

方法

由于所提方法的目標具有三重性（即檢測、識別和跟蹤惡意無人機），因此我們的方法采用了三層算法疊加的方式。圖 3-1 給出了所追求的研究方法的總體描述。我們依靠獲取音頻信號來準確描述無人機系統的存在。第一層用于檢測無人機系統的存在。在這一階段，音頻傳感器從環境中采集少量樣本，例如每秒一次，以揭示從環境中感知到的音頻能量異常。

當這一層檢測到匹配時，第二層就會在短時間內（如約 240 毫秒[3]）通過連續采樣進行識別。識別階段的目標是區分異常聲音是否與飛越音頻傳感器網絡的無人機有關，并最終確定其類型。我們將研究兩種主要方法：一些作者在 [1] 中提出的方法和循環神經網絡 (RNN) [6]。第二識別層中的正匹配將啟用第三階段的跟蹤算法。在這一階段，發出警報的節點（在識別階段匹配成功的節點）會喚醒鄰居節點，以執行波束形成跟蹤。這是耗電量最大的階段，因為需要維護音頻傳感器網絡與其遠程控制中心之間的通信鏈路，以及音頻傳感器的連續采樣階段。

所采用的分層策略應能優化計算能力和電池需求。事實上，始終處于活動狀態的第一層執行的是低復雜度、低消耗的數學計算。另一方面，只有在出現異常音頻時，才會執行更強大的計算，即細粒度簽名識別和音頻跟蹤。

隨著作戰區域的日益復雜和對手的不斷推進，開發低成本的無人機系統蜂群可以為美國部隊提供引人注目的能力。因此，研究問題涉及現有小型無人機系統的最佳組合，這些系統提供了平均/標準偏差探測時間和任務成功率的最佳性能指標，同時受限于給定的預算和機群規模。對這些小型無人機系統的要求是，它們屬于美國空軍1-3組無人機系統。研究小組使用Python模擬，在半徑為5海里的隨機目標地點收集不同無人機系統的個人性能數據。然后，這些指標被輸入一個優化程序，該程序在某些硬約束條件下選擇最佳組合。結果表明，在測試的所有三種情況下，6個ALADiN和24個平行螢火蟲的混合物是最佳組合。其綜合成本為160萬美元。利用模擬的洞察力，團隊還能夠建議哪些屬性對成功的任務最重要，在開發過程中節省時間和費用。