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

在本項目中，我們從多個方面研究了無人機自組織網絡的通信和安全挑戰：i) 我們為特設無人機網絡開發了一種新的路由協議，以處理此類網絡的高度動態性。我們的研究表明，所提出的路由算法在流量成功率、吞吐量和流量完成時間方面都優于所有知名基準；ii) 我們研究了自組織無人機網絡的安全挑戰，并表明現有的基于預分配的密鑰管理協議容易受到合作攻擊。我們設計了一種基于區塊鏈的密鑰交換算法，以提高網絡抵御此類攻擊的能力。

德國航空航天中心（DLR，柏林）光學傳感器系統研究所開發、制造和運行模塊化航空攝像系統（MACS）已有十多年的歷史。它是一種高度靈活的系統，適用于多種載體系統，如無人機系統（UAS）、直升機或駕駛飛機。它可用于環境變化測繪、三維重建和城市測繪等多種應用。該系統的主要目標之一是為民用安全應用提供快速可靠的地理參照信息和態勢感知。

在本文中，我們將介紹 MACS 的最新發展情況，該系統可將地理參照圖像鑲嵌圖實時集成到指揮與控制系統（C2）、地理信息系統軟件和移動設備中，供第一響應人員使用。衛星通信系統的使用使 MACS 即使在沒有電信服務的破壞環境中也能在全球范圍內使用。地理參照圖像鑲嵌圖可通過網絡地圖服務傳播給全球終端用戶。通過森林火災和洪水等幾個使用案例說明了發展情況。

作為亥姆霍茲創新實驗室 OPTSAL 的一部分，與商業伙伴一起將選定的科學發展成果和技術轉化為實際應用并集成到 C2 系統中。該工作流程已成功通過認證，可集成到網絡地圖服務標準協議中，從而在全球地理信息系統中共享 MACS 數據。針對救災情況，我們展示了通過聯合國國際搜救咨詢小組（INSARAG）協調管理系統向所有團隊整合和分發實時地圖的工作流程。進一步的發展包括使用機載分類來提取相關信息并減少需要傳輸的數據量。

美國軍方正在開發大型無人駕駛飛行器蜂群，這將降低飛行員的風險，并提高應對同行對手時的靈活性。本研究對空軍特種司令部目前在確定無人飛行器的預期成功率時所考慮的戰略進行了評估，這些戰略受距離、預算和特定場景假設的限制。我們將任務成功率定義為在一個 10×10 公里的模擬搜索區域內，飛行器蜂群發現并跟蹤指定目標的比例。通過模擬，我們發現根據預算和目標探測情況，Altius-900、Dominator 和 Voly 的任務成功率最高。我們的研究結果為無人機的未來應用提供了支持，并讓我們更深入地了解了哪些屬性對空軍特種作戰司令部的任務成功最為重要。

圖 1. AFSOC A2E 簡報（左）和未來戰斗（右）所定義的現狀（AFSOC，2022 年）

1 引言

如表 1 所示，空軍目前部署的第 4 和第 5 組無人機（UAV）是重量超過 1320 千克的無人機，由地面控制站通過衛星通信進行控制。未來的目標是讓地面控制人員掌握從我們的研究中獲得的最新見解，使他們能夠提高無人機群的性能。這一新能力將使我們的戰斗減少對衛星的依賴，最大限度地降低人為風險，從而形成一支更靈活、更有效的部隊。空軍部長查爾斯-布朗（Charles Q. Brown）將軍在其 "加速變革或失敗 "的指令中指出："我們必須專注于聯合作戰概念，通過聯合全域指揮與控制，快速推進數字化、低成本、高科技的作戰能力"，這說明了技術先進的軍隊的必要性（布朗，2022 年）。目前，空軍特種作戰司令部（AFSOC）的發展工作正處于基礎階段，使用 "警戒精神"（VS），這是一種多功能控制站能力，提供軟件、模擬和自主性，旨在任務和控制多個無人系統。截至 2023 年，AFSOC 的大型無人機由一名飛行員和一名傳感器操作員控制，但未來的目標是從能夠自主運行的大型無人機中部署小型無人機。此外，如圖1所示，美國戰地指揮和控制中心只在有爭議或被封鎖的空域部署小型無人機，以盡量減少開支和人員傷亡。

圖 1 左側圖片展示了美國海軍陸戰隊目前和未來的新一代自適應機載企業（A2E）。目前，無人機由不同的地面站和不同的機組人員操作和控制。然而，未來的 A2E 將有一個多功能控制站，偏離 1:1 的控制方式，以便在有爭議的空間獲得競爭優勢。右圖顯示了美國海軍陸戰隊從 2024 年開始采用殺傷鏈方法增強作戰能力的計劃。任務分為允許區域、有爭議區域和拒絕區域。允許區域包括第 4 或第 5 組無人機的通信組件和部署地點。在有爭議地區，第 1 或第 2 組無人機跟蹤、瞄準和打擊被拒空間的敵軍。要想取得成功，美國海軍陸戰隊需要知道哪些小型無人機能夠成功完成任務，以及部署后應該如何行動。本研究探討了部署策略、使用哪種無人機以及哪種配置最有效。我們重點利用美國空軍司令部和 MITRE 提供的理論來指導我們的研究。

這項工作使用來自建設性模擬的可靠數據，比較了有監督的機器學習方法，以估計空戰中發射導彈的最有效時刻。我們采用了重采樣技術來改進預測模型，分析了準確度、精確度、召回率和f1-score。事實上，我們可以發現基于決策樹的模型性能卓越，而其他算法對重采樣技術非常敏感。在未使用重采樣技術和使用重采樣技術的情況下，最佳f1-score模型的值分別為0.378和0.463，提高了22.49%。因此，如果需要，重采樣技術可以提高模型的召回率和f1-score，但準確率和精確度會略有下降。此外，通過創建基于機器學習模型的決策支持工具，有可能提高飛行員在空戰中的表現，這有助于提高攻擊任務命中特定目標的有效性。

這個項目的目標是開發一個框架，在這個框架中，不同的認知技能和行為可以被結合起來，產生智能和安全的機器人行為。美國防部自主性委員會最近發現了自主性和人工智能研究中的一個問題；即正在產生的大多數人工智能行為基本上是獨立工作的，如果沒有重大的研究和開發努力，就無法與其他行為或技能相結合。

為了說明這一點，請考慮一個機器人，它的工作是在一個安全設施周圍巡邏，只需完成幾個簡單的任務：確保它看到的每個人都被授權在那里，并掃描大樓以確保實驗室和辦公室的門在沒有人的時候總是關閉和安全。現在，假設該設施的主管來到機器人身邊，與它并肩而行，要求它報告其一天的工作情況。機器人應該怎么做？機器人可以獲得相關的行為和知識（它知道如何巡邏，它知道如何和人類一起走過走廊，它的各個行為都知道它們當天做了什么），但它沒有被明確設計為一起做這些事情。

完全處理這種情況需要機器人超越執行孤立的、獨立的行為的模式，在任務執行和知識方面結合其組成行為。例如，它對做什么的推理，要求機器人考慮與主管交談或繼續執行其巡邏期限的相對效用。例如，最高效用的行動方案是同時追求兩個潛在的目標，在繼續沿著走廊巡邏時與主任交談；但這種交錯的行為引起了潛在的安全問題，在制定行動計劃時需要加以考慮（例如在轉身看門口時要確保不碰到人類）。它向主管報告當天的情況時，需要機器人將當天執行的行為的知識匯總到一個全面的知識庫中，以便提供一個智能的、有意義的報告。隨著我們朝著合格的戰術機器人在戰場上工作的目標邁進，這些問題將更加需要解決，以確保機器人能夠安全和智能地協助作戰人員。

在這項工作中，我們的目標是開發一個框架，通過研究這兩個重要的問題，采取步驟將單個行為和技能結合起來：（1）我們如何選擇在任何特定時間執行和交錯的行為和技能，同時考慮實用性和安全性？ 2）在執行不相關的技能和行為時，如何有意義地結合知識，以支持智能行為？

在這項工作中，我們提出了貝葉斯優化算法，用于調整大規模光子庫計算機中的超參數。我們在以前報道的實驗系統上測試了這種方法，應用于計算機視覺中的一項具有挑戰性的任務，其中對來自標準圖像識別數據庫KTH和MNIST的視頻片段的圖像識別準確率分別為91.3%和99%，用于驗證所開發的光子遞歸神經網絡（RNN）的性能。我們還將其結果與非光子RNN計算（RC）界常用的光子RNN的網格搜索和貝葉斯優化進行了比較。我們報告了以下方面的改進：（1）分類性能，準確率提高了4%；（2）收斂到最佳超參數集的時間，大約減少了30%的時間（在準確率低于1.5%的情況下可以增加一倍）。考慮到我們的光子水庫計算機的精度接近于這項任務的最先進結果，以及以天為單位的實驗超參數優化時間，這些改進被證明是系統性能的寶貴提升。此外，用貝葉斯方法對超參數空間的廣泛探索為其基本結構和參數的相對重要性提供了寶貴的見解。考慮到貝葉斯優化算法提供的所有優勢，它可能很快成為光子庫計算中超參數優化的新標準方法。

圖2-基于光子學的系統說明，創建一個具有隨機拓撲結構的光子學遞歸神經網絡，用于自動分析視頻記錄中的人類行動。SLM：空間光調制器。Pol.：偏振器。改編自[Antonik2019]。

這項工作提出了一個在歐盟項目FOLDOUT中開發的融合和跟蹤系統，旨在通過融合不同的傳感器信息和提出對監視區域內檢測到的目標自動跟蹤來促進邊防工作。FOLDOUT的重點是歐盟內部和外部地區的穿透式樹葉檢測。融合多個傳感器信號可以提高檢測的有效性，特別是在森林和其他被樹葉遮擋的地區。我們使用加權地圖（也稱為熱圖）來結合多傳感器信息；對所產生的融合目標進行跟蹤；根據對融合檢測的時間關聯的成本計算來創建或更新跟蹤。我們比較了來自單個傳感器的跟蹤結果和來自融合目標的跟蹤結果，這些數據是在模擬邊界收集的，代表了保加利亞的實際歐盟邊界。結果表明，如果根據融合后的數據而不是單個傳感器的信息進行追蹤，追蹤效果會得到加強。

檢測與跟蹤方法

邊防軍的主要興趣是在全球地圖上對監視區域內檢測到的人員進行定位和跟蹤。為了實現這一目標，首先要將不同傳感器系統觀察到的單個人的探測結果進行融合。當檢測結果相互關聯并保持一致時，就可以在一個共同的地圖上對單獨的目標進行跟蹤。

圖2：指導動作（紅線），扮演一個非法越境的場景：1.一個人通過步行越過邊境。2.該人沿著邊境小路向大路走去。3.此人停下腳步，在路上停留很長時間（可能是在等待汽車中的走私者）。4.在某一時刻離開道路，躲進樹叢中。5. 在樹葉中，該人再次回到路上（可能再次尋找汽車）

A.單傳感器檢測

RGB和熱像儀中的人員檢測

基于深度學習的綜合物體檢測被應用于相機圖像上。深度學習方法已被證明優于以前的最先進的機器學習技術。深度神經網絡（DNNs）模仿了大腦感知和處理信息的方式。與以前的方法相比，DNNs學習了諸如人物檢測等任務所需的特征。近年來，DNN在物體檢測和分類任務上表現出突出的性能[9, 10]。在這項工作中，物體檢測是基于一個著名的DNN實現，即YOLO檢測器[11]。

PIR傳感器中的人員檢測

探測器經過調整，使被動紅外傳感器在PIR周圍7.5米的半徑內觸發人的存在。

B.異質傳感器融合

在這項工作中，我們使用加權地圖來提供傳感器數據的層次（也稱為HeatMaps），并以邏輯和數學的方式組合它們。它的動態是完全使用不同傳感器模式的傳感器檢測假設的事件驅動。這些傳感器假設包括位置（WGS84基準）、時間戳（Unix時間戳）和權重（例如，從傳感器檢測中獲取的信心）。為了實現這一點，有兩個組件是必不可少的：加權分布圖（HeatMaps）；線性意見庫。圖3顯示了這種方法的基本概念。

圖3：融合方法的基本概念（左），作為使用兩個加權分布圖（熱力圖）的例子。應用不同的衰減函數（右）來建立加權分布圖的時間動態行為。

加權分布圖(熱圖)

加權分布圖是我們數據融合方法的兩個基本組成部分中的第一個。加權地圖的基本思想是，保持和更新關于不同傳感器探測假設的時空信息。加權地圖來自于概率占用網格，但以加權的形式解釋傳入的數據。此外，還采用了時間上的衰減來模擬傳感器數據的及時行為。權重被存儲在一個可選擇分辨率的數組中，代表WGS84坐標中感興趣的矩形區域。圖3展示了用于模擬加權分布圖動態行為的可能衰減函數。

通常，加權分布圖對應于任何一種傳感器數據或傳感器模式（例如，從攝像機圖像中檢測人的邊界框）的時空。傳感器數據被攝取到一個專門的加權圖中，這導致加權圖的值根據傳入的傳感器假設的權重而增加（替換）。相對而言，衰減將及時應用到加權分布圖的值矩陣中。每次傳感器假設被攝入分布圖，它將通過重新計算加權分布圖的權重和衰減以前狀態的值來更新。

最后，線性意見庫允許我們結合多個加權分布圖，從而結合多傳感器模式，目的是減少傳感器系統的整體錯誤發現率。

線性意見庫(LOP)

我們融合方法的第二個重要組成部分是線性意見庫[8]。

每當一個加權分布圖的狀態由于新的傳感器檢測假設而被更新時，就會應用LOP。在評估了LOP之后，閾值處理使我們能夠產生警報。為了確定警報的位置，在組合值矩陣中超過閾值的區域使用分割算法（blob檢測）。這些警報是由多個傳感器假設產生的，用于為跟蹤提供必要的輸入數據，這將在下一節中描述。

C.多目標跟蹤

為了跟蹤越境進入禁區或敏感區域的入侵者的行動，我們開發了一種基于空間和時間上關聯目標檢測的成本計算的定制算法。該跟蹤系統的工作原理是完全基于目標的位置和時間戳建立一個模型。

在第一次檢測目標時，該模型以該檢測的位置和時間戳進行初始化。軌跡模型是用以下元組定義的：???? = (????,????,????)。

如果幾個目標檢測同時發生，那么創建的模型模板數量與同時收到的檢測數量相同。后續的檢測被添加到一個給定的軌道模型中，這取決于將檢測添加到軌道中的成本。該成本被定義為傳入的檢測和軌跡候選者之間的距離。

在有多個傳入的檢測和多個軌跡候選者的情況下，已經實施了匈牙利算法[12]，使檢測和軌跡之間的關聯產生最小的成本。

在過去的幾年里，人工智能（AI）系統的能力急劇增加，同時帶來了新的風險和潛在利益。在軍事方面，這些被討論為新一代 "自主"武器系統的助推器以及未來 "超戰爭 "的相關概念。特別是在德國，這些想法在社會和政治中面臨著有爭議的討論。由于人工智能在世界范圍內越來越多地應用于一些敏感領域，如國防領域，因此在這個問題上的國際禁令或具有法律約束力的文書是不現實的。

在決定具體政策之前，必須對這項技術的風險和好處有一個共同的理解，包括重申基本的道德和原則。致命力量的應用必須由人指揮和控制，因為只有人可以負責任。德國聯邦國防軍意識到需要應對這些發展，以便能夠履行其憲法規定的使命，即在未來的所有情況下保衛國家，并對抗采用這種系統的對手，按照其發展計劃行事。因此，迫切需要制定概念和具有法律約束力的法規，以便在獲得利益的同時控制風險。

本立場文件解釋了弗勞恩霍夫VVS對當前技術狀況的看法，探討了利益和風險，并提出了一個可解釋和可控制的人工智能的框架概念。確定并討論了實施所提出的概念所需的部分研究課題，概述了通往可信賴的人工智能和未來負責任地使用這些系統的途徑。遵循參考架構的概念和規定的實施是基于人工智能的武器系統可接受性的關鍵推動因素，是接受的前提條件。

使用空間分布的多個雷達節點，在不受約束的運動方向上研究了連續人類活動的識別，在使用單個節點時，活動可能發生在不利的角度或被遮擋的視角。此外，這種網絡不僅有利于實現上述目標，而且也有利于可能需要不止一個傳感器的更大的受控監視區域。具體來說，當目標位于長距離和不同角度時，分布式網絡可以在節點之間顯示出顯著的特征差異。雷達數據可以用不同的域來表示，其中人類活動識別（HAR）的一個廣為人知的域是微多普勒頻譜圖。然而，其他域可能更適合于更好的分類性能，或對計算資源有限的低成本硬件更有優勢，如范圍-時間或范圍-多普勒域。一個開放的問題是如何利用從上述數據域以及從同時觀察監視區域的不同分布式雷達節點中提取信息的多樣性。為此，數據融合技術可以在每個雷達節點的數據表示層面以及網絡中不同節點之間使用。將利用所介紹的決策融合方法（通常在每個節點上操作一個分類器）或特征融合方法（在使用一個單一的分類器之前對數據進行串聯），研究它們在連續序列分類中的性能，這是一種更加自然和現實的人類運動分類方式，同時也考慮到數據集中固有的不平衡。

圖 1：所提出方法的示意圖：從各個雷達節點提取的數據域被組合（“數據域融合”）。然后應用決策融合或特征融合來組合來自節點的信息。

方法

雷達網絡在適應能力、分類指標和跟蹤性能方面已經顯示出其優勢。這是通過增加整體信息內容來實現的，這要歸功于對場景和感興趣的目標的多視角觀察。然而，網絡中雷達的有效利用依賴于可靠地結合來自不同傳感器的各種信息的能力。最近，具有多個合作雷達的分布式網絡引起了人們的極大興趣，以解決在不利角度記錄的微多普勒(mD spec.)信號、遮擋或僅對少數觀察者節點可見的目標問題[1]-[10]。

在這種情況下，為了提高分類性能，找到融合網絡中多個雷達節點信息的最佳技術，仍然是一個突出的研究問題。這對于連續人類活動序列的分類特別重要。相對于更傳統的對單獨記錄的人工分離活動的分類，這些活動在文獻中被越來越多地研究，因為它們更加真實和自然[11]-[13]。

本文研究了應用于來自節點網絡的融合數據的機器學習分類器，重點是特征融合（"早期融合"）和決策融合（"后期融合"）方法，這些方法在一個公開的數據集上得到了驗證[14]。在這種情況下，大多數研究工作主要集中在微多普勒（mD）頻譜圖上，作為感興趣的數據格式，而這項工作還利用了以下領域，即范圍多普勒（RD）、傅里葉同步擠壓變換（FSST）頻譜和范圍時間（RT）圖。本文將這些數據域的信息融合與整個網絡的雷達節點融合聯合起來進行研究。應該指出的是，這種跨越不同數據格式和網絡中不同雷達節點的高效和有效的數據融合問題不僅與人類活動分類有關，而且在任何可以使用來自分布式雷達節點的信息的監視和態勢感知問題上也是如此。

在方法上，首先通過利用基于奇異值分解（SVD）的一維主成分分析（PCA）來提取上述每個數據域的信息，這是一個簡單而有效的工具，用于提取圖像的特征進行分類。Fioranelli等人[3]舉例說明了使用SVD相關的特征來分析具有不同角度軌跡的人類多態行走場景。他們提出，SVD可以用來從mD頻譜圖中提取最相關的特征，方法是使用有限數量的左側奇異向量，這些奇異向量與最高奇異值有關。在[3]中證明，在使用極少的甚至只是單一的最高相關奇異值的情況下，可以達到90%以上的分類結果，最好是96%的最佳角度軌跡。

然后，在這項工作中，還研究了基于矩陣eigendecomposition的二維主成分分析（2D PCA），它被證明能帶來更好的準確性和減少計算時間。對于這兩種特征提取方法，采用了四種機器學習分類器，即決策樹（DT）分類器、k-近鄰（KNN）分類器、天真貝葉斯（NB）分類器和支持向量機（SVM），以評估上述融合方法，圖1為示意圖。

本文的其余部分組織如下。第2.0節顯示了包括數據處理參數在內的數據域。第3.0節提供了特征融合和機器學習方法。第4節介紹了實驗結果，第5節給出了最后的評論。

神經形態相機非常適合檢測無人駕駛航空系統（UAS）或無人機上螺旋槳（葉片）的運動。在本文中，我們介紹了虛擬圍欄的概念，它是一種低成本的網絡化態勢感知裝置，可以快速提醒無人機進入圍欄區域。與傳統相機相比，神經形態的相機大大減少了必須處理的數據量。只有在事件產生時才需要處理。這些事件可以由無人機、低空飛行物（射彈或鳥類）或背景的變化產生。我們提出了兩種互補的算法，使我們能夠將螺旋槳葉片的特征與其他事件區分開來。這些算法利用了螺旋槳信號的周期性和檢測到的信號中存在的次諧波。當相機像素錯過一些高頻事件時，這些次諧波會被引入信號中。我們還展示了如何調整相機的光學系統，以減少背景事件的對比度，從而簡化分類任務。我們提出了一個在正常運行時消耗5.14瓦的系統原型，其電池自主性達到27小時。該原型可以使用IniVation公司的DAVIS 346檢測高度為9米的無人機，視野約為70度。基于當前和下一代神經形態相機分辨率的實際提高，預計探測范圍將擴大，虛擬圍欄的概念可在未來幾年內進行實際部署。