監視和通信中繼任務對無人駕駛飛機的可用能源供應提出了要求。自主飛行算法和太陽能光伏系統都提供了一種從環境中（分別從熱上升氣流和太陽輻射中）提取能量的方法，以延長飛機儲存能量極限之外的續航時間。此外，多架飛機可以通過共享信息提高飛行成功率。本報告介紹了一個由多架協調飛行器組成的演示系統，每架飛機都具有自主飛行算法和集成的太陽能光伏發電系統。計劃用兩架飛機進行飛行測試，以量化同時使用自主飛行和太陽能系統時的任務性能。

凝聚力是人類-自主性編隊功能和效率的一個重要方面，但目前還需要更有力的方法來充分衡量這一結構。本報告記錄了開發和驗證新團隊凝聚力量表的過程，該量表專門用于人類-自主團隊。我們在此描述了開發過程的各個階段，包括條目開發、量表條目評估、內容驗證以及在線量表驗證研究，以進一步減少條目數量。綜合來看，這些分析的結果凸顯了幾個具有非常好測量屬性的條目，尤其是用于評估互補性、士氣、領導方向和效能感的條目。然而，一些具有出色測量屬性的條目仍然屬于存在明顯問題的測量量表。總之，這些結果將有助于為未來人類自主團隊凝聚力的測量提供指導性建議。

引言

由于人類-自主性團隊（HAT）文獻的基礎是建立在人際團隊或人類團隊的基礎之上（Morrow 和 Fiore，2012 年），因此我們在此將團隊的人際定義擴展到 HAT，即 "兩個或多個[團隊成員]朝著共同的、有價值的目標、目的或任務進行動態、相互依賴和適應性的互動，......各自被分配執行特定的角色或功能，并且成員的跨度有限"（Salas 等，1992 年，第 4 頁）。在本研究范圍內，HAT 由一個或多個人類隊友與一個或多個自主系統或智能體（IAs）組成，通過協作完成任務或目標（Demir 等人，2019 年）。

在這種新的團隊動態基礎上，人工智能的最新進展賦予了自主系統和其他 IAs 更強的獨立性和相互依存性，從而使技術從僅以有限的方式支持或增強人類表現的角色，轉變為作為真正的團隊成員，真正擴展整體團隊動態和能力的角色（Phillips 等人，2011 年；Demir 等人，2019 年）。在這種情況下，IAs 是自主實體，有能力觀察環境并采取行動，還能開展活動以實現個人和集體目標（Russell 和 Norvig，2010 年）。IAs 可以是基于計算機的實體（即嵌入式智能體），也可以是物理實體（即嵌入式智能體，又稱機器人）。在嵌入式和嵌入式智能體系統中，可以使用多種類型和級別的自主性執行多種任務，這使得人類隊友很難理解智能體的行動或決策過程。因此，作為團隊成員的人類和自主系統的成功融合需要雙方理解對方的推理、行動和意圖（Chen 等人，2018 年；Schaefer 等人，2017 年）。這種共同理解是團隊合作以及信任和凝聚力等關鍵團隊狀態發展的基礎。

1.1 團隊凝聚力的定義和人類自主性團隊中的差距

團隊凝聚力被視為團隊成功的最重要決定因素（Carron 和 Brawley，2000 年）。研究表明，團隊凝聚力可通過提高績效來提高團隊的生產力，并對團隊成員產生積極的心理影響（Beal 等人，2003 年；Mathieu 等人，2015 年；Neubauer 等人，2016 年）。雖然對人類團隊進行了深入研究，但團隊凝聚力尚未在 HATs 中得到探索，盡管在過去的十年中，人們對人類與機器人或自主系統的團隊合作產生了濃厚的興趣，尤其是在軍事領域（Barnes 和 Evans，2010 年）。與人與人之間的團隊相比，在 HATs 中，溝通、組織層級和協作的方式有所不同（Lakhmani 等人，2022 年）。這可能會對有效合作以及開發關鍵團隊流程構成挑戰。因此，有必要了解團隊凝聚力的哪些方面與 HAT 有關，以及如何對其進行衡量。

凝聚力的實際定義是 "促使團隊成員待在一起并愿意一起工作的共同紐帶/吸引力"（Salas 等，2015 年）。了解凝聚力還要求我們 "了解信任的程度，從而提高使用率和人類與機器人的有效互動"（Schaefer，2016 年，第 216 頁）。作為一種建構，由于凝聚力的擴展性，將其分為因子和子維度是最有效的方法（Griffith 1988; Zaccaro 1991; Griffith and Vaitkus 1999; Dion 2000; Salas et al.） 因此，我們對人類團隊凝聚力進行了全面的文獻綜述，并將凝聚力分為幾個維度和子維度，這些維度和子維度在文獻中被普遍認為是凝聚力的因素（Lakhmani 等人，2022 年）。這些因素是主觀量表的基礎，專門用于測量 HAT 中凝聚力的獨特特征。

在 HATs 中，凝聚力的處理和定義應不同于人類團隊，因為人類與自主代理之間的社會互動是獨特的，并在團隊協調中發揮著重要作用（Walliser，2019 年）。因此，HAT 必須保持足夠水平的團隊凝聚力，才能使團隊在任務成功方面表現出色，并保持心理健康。團隊凝聚力和團結是使團隊能夠更好地執行任務的重要因素（Mudrack，1989 年；Beal 等人，2003 年；Chiocchio 和 Essiembre，2009 年）。當我們尋求將人類和自主系統 "組隊 "時，這些因素都是需要考慮的重要因素。隨著技術滲透到我們生活的方方面面，我們必須學會如何利用技術的優勢，同時盡量減少其弱點。在這一研究方向中，同樣重要的是要擴展以前開發的凝聚力衡量標準，以確定以前使用的人際團隊凝聚力衡量標準是否仍然適用，或者是否需要進行調整，以更好地適應 HAT 內不斷變化的動態。

關于凝聚力測量方法，雖然現有的方法可以評估團隊凝聚力，但目前還沒有專門針對 HAT 的自我報告量表。因此，當前工作的目標是開發一種新的主觀凝聚力量表，使我們能夠評估團隊凝聚力、團結以及其他有助于提高 HAT 效能的因素。本報告記錄了量表開發過程，該過程遵循 Boateng 等人（2018 年）概述的三階段方法。在第 1 階段的項目開發中，生成了量表項目，并由主題專家 (SME) 對內容進行了驗證。在第 2 階段，根據 SME 的反饋創建量表；在第 3 階段，開展在線研究以評估量表的信度和效度。我們評估的項目使我們能夠確定哪些因素在維持高功能團隊中發揮了最大作用。

1.2 量表開發過程

量表開發過程可分為三個階段： 1）條目開發；2）量表開發；3）量表評估（見圖 1）。

1.2.1 第 1 階段：條目開發

條目開發包括兩個部分：初始條目庫生成和內容驗證。

條目生成是研究人員為初始條目庫建立理論支持的方式（Morgado 等人，2018 年）。使用的方法有演繹法和歸納法兩種。演繹法包括在廣泛的文獻回顧和已有量表的基礎上生成條目（Morgado 等人，2018 年）。歸納法包括根據從專家目標人群收集的意見中獲得的有關構建的定性信息進行條目開發（Morgado 等人，2018 年）。在這項工作中，最初開發的條目庫取自現有的人類凝聚力量表，共產生 134 個項目，用于內容驗證實驗。

圖 1 量表開發和驗證的三個階段和九個步驟概覽（Boateng 等人，2018 年）

為了更準確地理解團隊凝聚力這一概念，我們進行了一次全面的文獻綜述。經過這一努力，我們發現有些方法認為凝聚力由兩個維度組成：凝聚力的方向--縱向（上下級關系）或橫向（同伴關系）；以及凝聚力的功能--工具性（基于任務）或情感性（與人際支持有關）（格里菲斯，1988 年；迪昂，2000 年）。另一種方法來自軍事凝聚力，它將凝聚力劃分為四個相關的組成部分，由主要（如縱向和橫向凝聚力）和次要（如組織和社會凝聚力）等級組成部分組成（Siebold，2006 年）。在對這些凝聚力模型進行匯總的基礎上（Lakhmani 等人，2022 年），我們設計了一個凝聚力框架來組織我們的條目庫（見圖 2）。

圖 2 當前 HAT 凝聚力量表所使用的凝聚力五維模型的可視化。凝聚力的每個維度下都列出了子維度。

根據這些多維表征，我們設計的量表包括以下五個凝聚力因素： 功能凝聚力、結構凝聚力、人際凝聚力、團隊互補感和團隊應變能力。這些因子及相關子因子或維度的描述如下：

1. 基于功能的任務凝聚力

工具或任務凝聚力以行動為導向或積極主動，被定義為一個團體對團體任務或目標的共同承諾或吸引力，或團體的團隊合作能力（Siebold，1999 年）。此外，它還是對團體任務和目標的共同理解和承諾（Beal 等人，2003 年）。這也許最直接適用于與智能代理的團隊合作，因為這種類型的團隊合作需要一定程度的共同任務參數和目標。

2. 結構凝聚力（四個子維度）

a. 排他性

根據自我歸類理論，排他性反映了個人（通過態度、行為）遵守群體規范的程度，這些規范是內群體的特征，并將個人與外群體區分開來（Hogg，1992 年）。不同群體的成員如果認為自己屬于一個上級群體，就會越來越多地把以前的外群體成員視為一個更大、更具包容性的群體的一部分（Gaertner 和 Dovidio，2009 年）。然而，如果上層群體不承認次群體的差異，次群體成員就會更加維護自己的群體，而犧牲其他群體的利益（Crisp 等，2006 年）。

b. 對團隊的吸引力/對離開團隊的抵觸情緒

人際吸引是指對群體成員的共同喜愛或依戀；但需要注意的是，喜歡群體成員與喜歡群體并不是一回事（Beale 等人，2003 年；Abrams 和 Rosenthal-von der putte，2020 年）。相反，喜歡群體與凝聚力的另一個組成部分：群體自豪感更密切相關。人際間的吸引力一直被認為是小群體凝聚力的核心，以至于一些單維度的凝聚力概念將兩者等同起來（Dion，2000 年；Lott 和 Lott，1965 年）。雖然這種方法已經過時，但人際吸引已被證明與績效有著重要的相關性（Beal 等人，2003 年）。

c. 規范

規范是評價一個團體中哪些行為可以接受、哪些行為不可以接受的標準，用以確定對團隊成員的期望（Forsyth，1999 年）。規范與任務凝聚力是相輔相成的，因為規范可用于集中團隊成員的力量完成小組任務（Carron 和 Spink，1993 年）。由于規范可用于提高（或降低）績效，因此它們在凝聚力與團體績效之間的關系中起著調節作用（Carron 和 Spink，1993 年；Langfred，1998 年）。

d. 凝聚力的領導方向

凝聚力的主要維度，即凝聚力的方向，強調等級制度在團隊凝聚力中的作用（格里菲斯，1988 年）。就目前的工作而言，這一維度是上下級關系的對比（Siebold 和 Kelly，1988 年；Dion，2000 年）。這種區分經常被納入對軍隊凝聚力的研究中（Siebold 和 Kelly，1988 年；Grossman，2014 年）。

3. 人際凝聚力（四個子維度）

a. 團隊自豪感

團隊榮譽感，即對團體信念和團體代表的支持，似乎是凝聚力中一個以情感為基礎的重要組成部分。它是指團體成員對團體所支持或代表的地位或意識形態的喜愛程度（Beal 等人，2003 年）。它也被定義為作為群體成員的共同重要性，在凝聚力文獻中長期占據重要地位（Mullen 和 Copper，1994 年）。在凝聚力與績效的關系中，群體成員會因為屬于一個地位高、成功的群體而更加努力地工作，但在凝聚力與績效的關系中，它并不是一個預測因素（Mullen 和 Copper，1994 年）。作為一個因素，群體自豪感在凝聚力文獻中的地位似乎不像以前那么突出了；因此，我們認為它與 HAT 的凝聚力并不特別相關，尤其是當自主性變得越來越普遍時（這就不再是一種潛在的地位象征）。

b. 社會凝聚力

社會凝聚力被認為是凝聚力的另一個主要功能（Griffith 和 Vaitkus，1999 年；Dion，2000 年）。社會凝聚力也被稱為人際凝聚力，是指群體成員對群體的吸引或喜愛以及對群體成員的信任（Evans 和 Jarvis，1980 年；Siebold，1999 年；Craig 和 Kelly，1999 年）。個人層面的社會凝聚力指標包括以下幾個方面： (a) 個人的成員態度（他們留在群體中的愿望或意圖，他們對群體的認同或忠誠，以及對群體或其成員的其他態度）；(b) 個人的成員行為：他們決定斷絕、削弱、保持或加強其在群體中的成員身份或參與，他們對人際影響的敏感性，以及對群體的承諾和依戀的其他行為指標（Friedkin 2004: 410）。

社會凝聚力被認為是運作良好的群體不可或缺的一個方面（Ahronson 和 Cameron，2007 年）。然而，研究人員描述了凝聚力在功能或方向維度之外的其他組成部分，其要素可歸入社會凝聚力，如歸屬感或士氣（Dion，2000 年；Grossman，2014 年）。

c. 歸屬感

源于 Bollen 和 Hoyle（1990 年）的研究，歸屬感是指群體成員相互吸引的程度（Salas 等人，2015 年）。歸屬感基于群體成員對自己在群體中歸屬程度的認知評價以及對這種評價的情感反應（Bollen 和 Hoyle，1990 年；Grossman，2014 年）。凝聚力的這一方面被認為是群體存在的根本，因此，群體歸屬感是任何其他群體特征的先決條件（Bollen 和 Hoyle，1990 年）。對歸屬感的研究表明，它與社會結果和社會自尊相關（Dion，2000 年）。

d. 士氣

士氣與歸屬感都源于 Bollen 和 Hoyle（1990 年）關于感知凝聚力的研究。士氣是指與群體相關的積極或消極的整體情感反應（Bollen 和 Hoyle，1990 年）。士氣也可定義為個人對群體成員的忠誠度以及為群體承受挫折的意愿（Salas 等人，2015 年）。這一因素還具有時間性，因為它決定了群體成員對沖突或挫折的反應（Dion，2000 年；Grossman，2014 年）。雖然這一因素與歸屬感高度相關，但它實際上是有區別的；說明這一區別的一個例子是，自然災害襲擊一個城市，可能會增加人們對該城市的歸屬感，同時降低士氣（Bollen 和 Hoyle，1990 年）。

4. 感知團隊

互補性 互補性是指小組成員為大團隊帶來的技能組合的多樣性，以及這些技能組合如何滿足環境需求（Muchinsky 和 Monahan，1987 年）。互補性是最近推測的凝聚力維度（Lakhmani 等人，2022 年），由一些社會凝聚力和任務凝聚力組成（例如，機器人/自主系統必須擁有能夠補充/增強團隊技能或能力的技能，以完成所需的任務）。假設當團隊成員表現出不同但互補的技能時，團隊就會變得有凝聚力，使一些團隊成員能夠彌補其他團隊成員的弱點。

5. 團隊應變能力（三個子維度）

當團隊遇到環境和團隊壓力時，恢復力是團隊凝聚力和后續成功的基礎（Berg 等人，2021 年）。團隊復原力被定義為 "一個多階段的過程，在這一過程中，團隊成員有意識地集體運用技能、能力和資源，通過計劃和預測不利事件，使團隊做好應對逆境的準備；通過承受或適應壓力源，成功應對挑戰性事件；以及在事件發生后進行恢復，這涉及到團隊通過事件后的學習和成長，恢復到平衡狀態（如反彈）或改善狀態"（Cato 等，2018 年，第 53 頁）。

此外，可以說復原力是發展高度凝聚和信任的人類團隊的一個關鍵特征（Gittell 等人，2006 年；Norris 等人，2008 年）。事實上，復原力有時被視為團隊狀態的組合，包括集體效能、共享心智模式和熟悉度（Bowers 等人，2017 年）。這一領域的工作與極端環境下的團隊尤為相關，在極端環境下，團隊凝聚力受到的影響不同于正常條件下的團隊（Salas 等人，2017 年）。例如，在極端環境中工作的個人傾向于夸大問題，這可能會導致團體受損，因為緊張加劇和對團隊問題的感知會對團隊凝聚力產生負面影響（Stuster，1996 年）。然而，軍事單位的凝聚力已被證明可以抵消這些極端環境壓力（Williams 等人，2016 年）。近年來，人們一直在推動將機器人系統作為團隊成員整合到軍事行動中，以提高效率并降低作戰人員的風險（Barnes 和 Evans，2010 年）。這些 HAT 對開放式的復雜條件尤其有效，因為在這種條件下，任務的各個方面并不總是有規劃或計劃（例如，作戰情況；Chen 和 Barnes，2014 年），HAT 可協助信息規劃、任務規劃和分配以及團隊運作（Sycara 和 Sukthankar，2006 年）。然而，最重要的是要了解將機器人系統融入人類團隊可能會如何破壞團隊的同質性以及隨后的凝聚力和復原力（O'Reilly III 等人，1989 年；Smith 等人，1994 年）。

1.2.2 初始項目庫

為了開發本量表，我們對現有的團隊凝聚力量表進行了全面的文獻回顧，以調整最適合本框架的條目（Berg 等，2021 年）。我們的結果是建立了一個包含以下維度的 134 個條目的初始條目庫：基于功能的任務凝聚力、結構凝聚力（格里菲斯，1988 年）、人際凝聚力（薩拉斯等，2015 年）、感知團隊互補性（皮亞森汀和查普曼，2007 年）以及團隊復原力（卡托等，2018 年）。其中許多維度在人類團隊凝聚力文獻中都是眾所周知的；然而，在目前的量表開發工作中，還考慮增加兩個因素（即與互補性和恢復力維度相關的條目）。在這種情況下，有觀點認為，當 "個人擁有的獨特特征被認為與他人的特征不同，但又對組織有價值 "時，就會產生互補性（Piasentin 和 Chapman，2007 年，第 234 頁）。在感知互補性方面，我們采用了 Oosterhof 等人（2009 年）和 Piasentin 與 Chapman（2007 年）的 18 個條目。關于團隊復原力的子維度，我們改編了 Sharma 和 Sharma（2016 年）的 20 個量表項目（關于項目改編的更多信息，請參閱 Berg 等人，2021 年）。

內容驗證。條目開發的第二步包括理論分析。在這一步驟中，需要進行內容效度評估，因為推論是基于最終的量表條目做出的（Morgado 等人，2018 年）。這一評估包括主題專家或用戶群的意見。

我們的初始條目庫被發送給 11 位來自學術界和政府機構的主題專家，他們以研究團隊凝聚力和/或 HAT 而聞名。這些主題專家完成了內容驗證程序，使用 3 點順序量表對 134 個條目中的每個條目進行評分（0 ="不應納入量表"；1 ="必須納入量表"；2 ="必須納入量表"）。此外，主題專家還為項目提供了定性的書面反饋和建議。條目分析采用了 Lawshe（1975 年）概述的內容效度比率和程序。條目級主題專家同意度的計算公式得出的數值從 +1 到 -1 不等；正值表示至少有一半的主題專家將該條目評為 "極其重要"。在有 11 位主題專家參與的情況下，條目刪除的臨界值被確定為 0.59，以確保主題專家的一致性不太可能是由于偶然因素造成的，這導致條目從 134 個減少到 82 個（附錄 A）， 這些條目將在第二階段的在線研究中進行評估。

1.2.3 第二階段：量表開發

第二階段的目標是減少條目庫，并確定量表中的潛在因子。這一過程有四個步驟：預測試、量表管理和樣本量、條目縮減分析和因子提取（詳見 Boateng 等人，2018 年）。預測試通過剔除無關或措辭不當的條目，修改剩余條目使其易于被目標人群理解，從而確保條目對目標人群有意義。本量表的預試是在前面提到的主題專家審查期間進行的。部分定性反饋包括對原 134 個量表條目的修訂，以使其更好地符合 HAT 凝聚力的背景。

一旦主題專家的反饋意見得到落實，我們就開始進行數據收集，采取調查管理和建立足夠樣本量的步驟。第 2 節將介紹這一過程。這一數據收集也是測試-重測設置的初始基線，在評估階段需要進行有效的可靠性測試。

數據收集完成后，我們開始了條目還原分析步驟，在這一步驟中，我們結合使用了確認性和探索性因素分析方法。首先，我們使用確證分析法來檢驗為測量不同構念而設計的條目是否符合一系列單因素模型。如果模型擬合度不高，我們就會刪除條目，直到得到一個擬合度較高的模型，然后對模型進行縱向不變性測試。在進行不變量測試時，我們可以檢查條目反應在不同情境下是否具有相同的因子結構，我們還可以確定特定項目是否不具有不變量，是否應該刪除。第 3 節將詳細討論這一過程。最后，我們對縮減后的量表進行了探索性因子分析，以檢驗新項目是否加載到我們的團隊凝聚力標準測量中--如果項目與既定量表聚類，則考慮將其刪除；如果項目聚類到一個不同的因子上，則保留這些項目以測量該新的子維度。

1.2.4 第三階段：量表評估

最后一個階段是量表評估的心理測量分析。該分析評估量表是否具有建構效度（工具所測量的內容）和信度（得分一致性）（Morgado 等人，2018 年）。下一節將概述驗證研究，該研究用于量表評估過程。

本報告記錄了通過利用深度學習（DL）和模糊邏輯在空間和光譜領域之間整合信息，來加強多模態傳感器融合的研究成果。總的來說，這種方法通過融合不同的傳感器數據豐富了信息獲取，這對情報收集、數據傳輸和遙感信息的可視化產生了積極的影響。總體方法是利用最先進的數據融合數據集，為并發的多模態傳感器數據實施DL架構，然后通過整合模糊邏輯和模糊聚合來擴展這些DL能力，以擴大可攝入信息的范圍。這項研究取得的幾項進展包括：

• 將DL模型實施到片上系統（SoC）硬件中
• 高光譜圖像（HSI）數據的DL
  • 1.在HSI上建立DL，以獲得水的特性和底層深度
  • 2.在HSI上使用開放集識別方法
• 框架內融合方法的消融研究
• 使用DL和模糊聚合的HSI和LiDAR多模態傳感器融合的新框架
• 探討神經模糊邏輯在遙感數據中復雜場景的不確定性下自動推理的作用和實用性

出版物[1, 2, 3, 4, 5]進一步詳細介紹了取得的進展。

目的

美國政府面臨著保持作為世界上空間物體編目數據提供者的步伐挑戰。用非傳統的傳感器來增強能力，是一種快速和低成本的改進。然而，巨大的交易空間和未開發的系統性能要求給成功的資本化帶來了挑戰。本文旨在通過一個多學科的研究，更好地定義和評估增強功能的效用。

設計/方法/途徑

假設的望遠鏡架構在不同的時間里被建模和模擬，然后在啟發式算法中使用多目標優化對性能措施和約束進行評估。決策分析和帕累托優化確定了一套高性能的架構，同時保留了決策者設計的靈活性。

研究結果

建議將容量、覆蓋率和未觀察到的最大時間作為關鍵性能指標。在1017個架構中，共有187個被確定為最佳表現者。總共有29%的傳感器被發現在80%以上的頂級架構中。其他考慮因素進一步將交易空間減少到19個最佳選擇，這些選擇為每個空間物體平均收集49-51個觀測數據，平均最大未觀測時間為595-630分鐘，提供地球同步軌道帶的冗余覆蓋。這意味著與模擬的僅有政府的基線結構相比，能力和覆蓋面增加了三倍，未觀察到的最大時間減少了2小時（16%）。

原創性/價值

這項研究利用基于物理學的模型和現代分析技術，驗證了增強型網絡概念的效用。它客觀地回應了要求改進編目工作的政策，而不是僅僅依靠專家得出的點解決方案。

本報告總結了迄今為止在路線偵察領域的本體開發的進展，重點是空間抽象。我們的重點是一個簡單的機器人，一個能夠感知并在其環境中導航的自主系統。該機器人的任務是路線偵察：通過觀察和推理，獲得有關條件、障礙物、關鍵地形特征和指定路線上的敵人的必要信息。路線偵察通常是由一個排的騎兵和非騎兵進行的。這項研究探討了機器人執行部分或全部必要任務的合理性，包括與指揮官進行溝通。

1.1 背景與動機

這是一項具有挑戰性的對抗性任務，即地形穿越加上信息收集和解釋。偵察的解釋方面需要考慮語義學--確定相關的信息和確定它如何相關（即有意義）。語義信息在本質上是定性的：例如，危險是一個定性的概念。為了將危險與某些特定的區域聯系起來，我們需要一種方法來指代該區域。這意味著至少能夠給空間的某些部分附上定性的標簽。

Kuipers在他的空間語義層次的早期工作中指出了空間的定性表示對機器人探索的重要性。例如，層次結構的拓撲層次包含了 "地方、路徑和區域的本體"，歸納產生了對較低層次的因果模式的解釋。

最近，Izmirlioglu和Erdem為定性空間概念在機器人技術中的應用提供了以下理由：

• 各種任務，如導航到一個目的地或描述一個物體的位置，涉及處理物體的空間屬性和關系。......或某些應用（如探索未知環境），由于對環境的不完全了解，可能并不總是有定量的數據。......可理解的相互作用和可接受的解釋往往比高精確度更可取（Kuipers 1983）。對于這些應用，定性的空間關系似乎更適合。

對于負責路線偵察的無人地面車輛（UGV）來說，其架構中的不同模塊將消費和產生語義信息：負責語義感知和目標識別、計劃和執行、自然語言對話等的模塊，加上主要負責維護信息的語義世界模型。例如，在美國陸軍作戰能力發展司令部陸軍研究實驗室的自主架構中，語義/符號世界模型被用來 "實現符號目標（例如，去接近一個特定的物體）"，*其中接近是一個語義概念。

一個關鍵問題是如何在世界模型和其他模塊之間分配維護和處理不同類型語義信息的責任。從語義世界模型的角度來看，這取決于有多少符號推理是合適的。例如，假設要接近的物體位于一個給定區域的某個位置，而不是靠近該區域的外部邊界。一旦機器人靠近物體，就可以推斷出機器人在物體的位置附近，而且也在同一區域內。如果有公制信息，就可以用幾何例程得出這個結論。在沒有公制信息的情況下，是否會出現在純粹的定性空間中推斷有用的情況？

本報告不涉及這個問題。我們的目標是確定什么應該被代表，而把如何代表和在哪里代表留給未來的工作。

1.2 路線偵察

以下片段取自FM7-92中對路線偵察的描述。空間表達是彩色的，周圍有一些文字作為背景。

• 路線偵察的重點是獲得關于一條指定路線和敵人可能影響沿該路線移動的所有地形的信息。路線偵察的方向可以是一條道路、一條狹窄的軸線（如滲透通道），或一個總的攻擊方向......防御陣地。......部隊可以機動的可用空間......所有障礙物的位置和類型以及任何可用的繞道位置。障礙物可包括雷區、障礙物、陡峭的峽谷、沼澤地或核生化污染 ......沿途和鄰近地形的觀察和火力范圍 ......沿途提供良好掩護和隱蔽的地點 ......。橋梁的結構類型、尺寸和分類。著陸區和接駁區。與路線相交或穿越的道路和小徑。. . 如果建議路線的全部或部分是道路，則該排認為該道路是一個危險區域。它使用有掩護和隱蔽的路線與道路平行移動。當需要時，偵察和安全小組靠近道路，以偵察關鍵區域。

路線偵察的結果是一份報告，以圖表的形式，并附有文字說明。FM7-92給出了一個例子，我們可以從中提取一些更必要的概念：

• 網格參考。磁性北方箭頭..道路彎道..陡峭的坡度..道路寬度的限制（橋梁，隧道等）..岔道的位置..隧道..

讓我們把這段關于路線偵察的描述中提到的概念建立一個綜合清單，重點放在空間概念上，并盡可能地保留軍事術語:

1）必須指定環境中的位置、路線、區域和感興趣的物體。稱這些為 "實體"。

2）這些實體之間的空間關系是相關的（例如，一個地點在另一個地點的北邊）。值得注意的是，不同類型的實體之間的關系是被指定的。

a. 物體（例如，障礙物）在位置或區域。

b. 一些地點在空間上與路線有關（例如，沿著路線，毗鄰，或靠近道路）。

c. 地點可能代表更大的區域（例如，雷區的位置）。

d. 道路和小徑可以與路線相關：它們可能相交、重疊（部分疊加），或平行運行。

3. 一些實體對路線具有戰術價值，無論是進攻還是防御（例如，雷區）。

a. 一些地點相對于其他地點或區域有方向性的定位（例如，一個防御性的位置）。

b. 有些區域是由其與另一個區域或地點的關系來定義的，這可能不是一種局部的關系（例如，觀察和火力場是由一個潛在的遠程位置來定義的，該位置有一條通往路線上的一個區域的線路）。

4）路線可能被障礙物阻擋，障礙物可能是明確的物體或更大的區域（例如，一個障礙物與一個雷區）。

5. 路線和地形的三維幾何特性是相關的：道路上的急轉彎，陡峭的坡度，等等。

6）有時，描述物理基礎設施（如道路、橋梁）及其屬性是很重要的。

1.3 路線偵察抽象

路線偵查收集和解釋不同種類和不同來源的信息:

• 背景知識。這包括關于環境特征的類型和預期成為任務一部分的物體的信息，包括道路、障礙物、溝壑、橋梁等等。

• 任務規范。確定偵查的區域和路線，以及當時可獲得的任何信息。

• 環境。通過空間分析（包括幾何學、拓撲學等）、感知、地圖衛星數據的離線圖像處理和其他類型的分析，確定環境的相關特征。

• 任務執行期間的通信。我們假設指揮官或人類操作員在偵察過程中可以向UGV提出詢問或命令，提供新信息或集中注意力。

• 如前所述，一份報告。

原則上，所有這些信息都以某種抽象的形式組合在一個語義世界模型中。我們把環境的物理屬性和特征稱為 "實體"。把我們用來表示這些實體和它們之間關系的抽象概念稱為 "概念"。

不同類型的實體的概念。層次結構在語義表征中很常見，用來捕捉關于世界上遇到的實體類型的一般知識。一個類型就是一個概念，類型被組織在一個層次中：MRZR是一種輕型的、戰術性的、全地形的車輛，它是一種輪式地面車輛，它是一種地面車輛的類型，等等。屬性和關系可以與一個給定的概念相關聯，而下級概念則繼承這些屬性。在路線偵察中，如果有信息說某一地區有一條道路，但沒有更多的細節，仍然可以從道路的概念中推斷出它的預期屬性：它比它的寬度長得多；它在人們感興趣的地點之間通向；在其他條件相同的情況下，它可能比周圍的地形行駛得快。從實用的角度來看，這意味著如果有可能將某物歸類為一個已知的概念，那么語義世界模型就不需要記錄關于該物的每一條相關信息。

用于實體的目的和用途的概念。一個代表道路典型用途的概念可以進一步區分其長度和寬度的語義，這反過來又導致了跨越和沿途、穿越和跟隨等概念之間的區別。這將使UGV能夠以不同的方式對待 "偵察道路對面的區域 "和 "偵察前方的道路 "的命令。前方的道路也是一個語義概念：它取決于對過去去過的地方的了解。

代表部分信息的概念。有時可能會有定性的信息。想象一下，任務規范的一部分是關于雷區在計劃路線上存在的信息，但不知道具體位置，或者知道雷區的位置，但不知道其范圍。這種無知可以很容易地在代表實體的概念中得到體現。

新概念適用于新環境。另一個交流的例子可能是信息性的。想象一下，當一輛UGV穿越一條東西走向的道路時，它與遠程指揮官進行交流，指揮官問道："道路北側是什么？"* 需要識別的物體可能不在道路和地形的邊界上（與 "建筑物的一側 "形成對比），而是在以道路邊緣為界的某個感興趣的區域內，距離UGV的位置向北不遠，向東和向西也有一些距離。這個區域可能沒有事先作為一個概念被劃定；相反，它是在當前的背景下構建或推斷出來的。這是一個有趣的例子，一個概念不是從公制數據中抽象出來的，而是被強加在公制數據上的。

背景中的概念的適應和組合。想象一下，對一張地圖的分析產生了對代表區域、道路等等的概念的分解。這些概念可能直接適用于某些目的。例如，與道路相聯系的概念在推理兩點之間的導航時是有用的。然而，在其他情況下，這些概念可能需要調整或與其他概念相結合。例如，如果一條道路被指定為 "危險區域"，那么這個區域的概念可能會超出道路的邊界，延伸到周圍的地形。

本報告介紹了在三個主要議題方面取得的成果：

• 對小型無人機系統（SUAS）的分布式團隊進行實驗驗證，以協調執行復雜的行為。

• 開發了一個現實的多架無人機模擬器，以應用強化學習技術來協調一組小型無人機系統以達到特定目的。

• 設計并驗證了安裝在無人機上的帶有主動多輸入多輸出（MIMO）毫米波雷達傳感器的融合光學相機。

與驗證SUAS團隊有關的工作提出并實驗測試了我們的態勢感知、分布式SUAS團隊所使用的框架，該團隊能夠以自主方式實時運行，并在受限的通信條件下運行。我們的框架依賴于三層方法：（1）操作層，在這里做出快速的時間和狹窄的空間決定；（2）戰術層，在這里為智能體團隊做出時間和空間決定；以及（3）戰略層，在這里為智能體團隊做出緩慢的時間和廣泛的空間決定。這三層由一個臨時的、軟件定義的通信網絡協調，即使在通信受限的情況下，也能確保各層的智能體小組和團隊之間的信息傳遞稀少而及時。實驗結果顯示，一個由10個小型無人機系統組成的團隊負責在一個開放區域搜索和監測一個人。在操作層，我們的用例介紹了一個智能體自主地進行搜索、探測、定位、分類、識別、跟蹤和跟蹤該人，同時避免惡意碰撞。在戰術層，我們的實驗用例介紹了一組多個智能體的合作互動，使其能夠在更廣泛的空間和時間區域內監測目標人物。在戰略層，我們的用例涉及復雜行為的檢測--即被跟蹤的人進入汽車并逃跑，或者被跟蹤的人離開汽車并逃跑--這需要戰略反應以成功完成任務。

目標搜索和檢測包括各種決策問題，如覆蓋、監視、搜索、觀察和追逐-逃避以及其他問題。我們開發了一種多智能體深度強化學習（MADRL）方法來協調一組飛行器（無人機），以定位未知區域內的一組靜態目標。為此，我們設計了一個現實的無人機模擬器，它復制了真實實驗的動態和擾動，包括從實驗數據中提取的統計推斷，用于其建模。我們的強化學習方法，利用這個模擬器進行訓練，能夠為無人機找到接近最優的政策。與其他最先進的MADRL方法相比，我們的方法在學習和執行過程中都是完全分布式的，可以處理高維和連續的觀察空間，并且不需要調整額外的超參數。

為了給在受限通信條件下運行的SUAS開發一個分布式的分類和協調框架，我們的第一個目標是在無人駕駛飛行器（UAV）上建立一個多傳感器系統，以獲得高探測性能。眾所周知，安裝在無人機上的光學和熱傳感器已被成功用于對難以進入的區域進行成像。然而，這些傳感器都不提供關于場景的范圍信息；因此，它們與高分辨率毫米波雷達的融合有可能改善成像系統的性能。我們提出了一個配備了無源光學攝像機和有源多輸入多輸出（MIMO）毫米波雷達傳感器的下視無人機系統的初步實驗結果。毫米波雷達的三維成像是通過收集通過運動線的數據來實現的，從而產生一個合成孔徑，并使用垂直于運動軌跡的結線MIMO陣列。我們的初步結果顯示，融合的光學和毫米波圖像提供了形狀和范圍信息，最終導致無人機系統的成像能力增強。

本報告是在 FA9453-19-1-0078 資助下編寫的。首先，提出了兩種數值方法來解決通信和導航中產生的非線性優化問題。其次，開發了兩個關于機器學習模型的解決方案質量和安全性的結果。

該研究項目的目標是開發高效的大規模非線性優化算法，以解決通信和導航方面的數據分析問題。這些問題被公認為在數學上具有挑戰性，并與空軍的利益直接相關。

在資助期間，我們成功研究了兩個研究方向。首先，我們設計了大規模非線性優化問題的最佳一階方法。在這個方向上，我們提出了兩個一階方法，可以對決策變量進行近似梯度更新。這兩種方法都可以解決分散通信的多Agent優化所產生的非線性優化問題。通過將多代理優化重新表述為約束性問題，我們開發的方法可以以最佳梯度/操作者評估復雜度來解決問題。我們開發的方法也可用于解決圖像重建問題。

第二，我們分析了機器學習模型中的解決方案質量和安全問題。在這個方向上，我們完成了兩個研究結果。我們的第一個成果是關于在多集群環境下，從二元結果的條件邏輯回歸模型中計算出來的估計值的屬性。我們表明，當每個單獨的數據點被無限次復制時，來自該模型的條件最大似然估計值漸進地接近最大似然估計值。我們的第二個結果是關于安全的矩陣乘法問題，我們設計了一種準確和安全地進行分布式矩陣乘法的方法。我們的安全協議可以確保在進行這種矩陣乘法的通信過程中沒有任何信息被泄露。

在過去的二十年里，人工智能（AI）獲得了大量的關注，并激發了許多科學領域的創新。美國軍事預測人員創造了許多以人工智能為核心特征的未來作戰環境的預測。本文報告了人工智能創新的歷史趨勢，導致了對真正的通用人工智能（AGI）出現的高預期時期。這些對持續創新的夸大期望超過了實際能力，導致幻想破滅。人工智能經歷了新的創新、過度期望和幻想破滅的周期，然后是適度的進步。人工智能創新的周期性遵循極端夸張的周期，在過去的周期中，這導致了資金的損失和未來創新的放緩。為了避免在夸張的周期中看到的未來的幻滅和進步的喪失，領導者需要對機器學習技術有一個現實的理解，以及它對未來的人工智能發展意味著什么。本文提出了一個理解人工智能與作戰環境互動的功能框架。

引言

語義學、技術樂觀主義、誤解和議程掩蓋了目前關于人工智能（AI）和智能的本質的辯論。關于人工智能的預測，從歇斯底里的天網啟示錄到人工智能驅動的烏托邦都有。人工智能和 "機器學習 "可能會走上幻滅之路。技術領域的知名專家警告說，人工智能將對人類的未來產生災難性影響。特斯拉和Space X的首席執行官（CEO）埃隆-馬斯克（Elon Musk）稱人工智能是一種生存威脅，并懇請政府對人工智能進行監管，"以免為時已晚"。已故著名物理學家史蒂芬-霍金認為，人工智能將是人類的末日。新聞媒體的標題是："美國有可能在人工智能軍備競賽中輸給中國和俄羅斯"。還有人援引世界末日的觀點和對人工智能技術的情感反應。例如，《紐約時報》最近發表了一個標題："五角大樓的'終結者難題'。可以自己殺人的機器人"。不幸的是，煽動恐懼的言論引起了公眾的共鳴，并建立在人工智能將是人類終結者的流行文化敘事上。

在歷史背景下觀察，目前對人工智能的看法遵循一個可衡量的趨勢，即Gartner公司的信息技術（IT）研究 "炒作周期 "的技術發展階段，見圖1。炒作周期以 "技術觸發點 "開始，一種只存在于原型的新概念化能力，吸引了媒體的注意。下一個狀態是 "期望值膨脹的高峰"，早期采用者因其在實施該技術方面的成功而獲得宣傳。下一個階段是 "幻滅的低谷"，技術固有的物理限制變得明顯，人工智能未能成熟，投資資金轉移到更有前途的企業。在幻滅的低谷之后，技術繼續成熟，盡管速度要慢得多。在這個緩慢的環境中，它被更好地理解，實施起來也有真正的成功。最后一個階段，即 "生產力的高原"，是技術在被充分理解的條件下被廣泛實施的時候。然后，各行業創建標準和法規來管理技術的實施和互操作性。

圖 1. 技術發展的成熟度曲線。

人工智能發展的以往演變遵循夸張的周期，有幾個高峰和低谷，這里將概述一下。每次人工智能發展進入幻滅的低谷，美國政府和軍方支出停止資助；人工智能的發展都會停滯不前。美國政府和軍方一直是人工智能發展史上不可或缺的一部分，并將繼續在指導未來發展方面發揮重要作用。美國軍方不能有膨脹的期望，這將導致一段幻滅期，將主動權和技術優勢讓給美國的同行競爭者，俄羅斯和中國；他們正在追求武器化的AI。領導人和決策者需要對人工智能的發展有一個現實的技術理解，以指導他們將人工智能整合到軍隊企業中。過去的夸張周期提供了需要避免的陷阱的例子，但也提供了需要尋找有用的應用和未來創新的領域。

澳大利亞皇家海軍 (RAN) 最近推出了一項開發和使用機器人、自主系統和人工智能 (RAS-AI) 的戰略，該戰略將通過一項運動計劃來實施。蘭德澳大利亞研究團隊正在通過建立證據基礎來支持 RAN 的這項工作，以幫助識別和塑造基礎活動。本報告概述了近期和長期（到 2040 年）海上 RAS-AI 技術的現狀和軌跡，并對近期、中期和長期可能執行的任務進行了高級審查根據相關的技術和非技術推動因素。

本報告并沒有研究人工智能在海上行動中更廣泛的整合，而是關注支撐無人平臺的任務和技術的進步，包括無人空中、水面和水下航行器。除了概述近期和長期 RAS-AI 任務的關鍵技術推動因素外，該報告還指出了在 RAS-AI 能力發展中應考慮的三個關鍵原則：（1）關注多種技術（新系統和“遺留”系統），而不是單一的技術解決方案； (2) 考慮國防和商業 RAS-AI 系統的互補性進展； (3) 監測非技術因素，例如不斷發展的監管、法律、政策和道德框架，這些框架可能會顯著影響未來的技術采用路徑。

研究問題

• RAS-AI 技術和任務在海洋領域的前景如何？
• 到 2040 年，海上領域的 RAS-AI 技術和任務的可能軌跡是什么？
• 哪些可能的技術推動因素會塑造未來海上區域的 RAS-AI 任務？

主要發現

• 快速發展的技術環境使 RAS-AI 任務在海洋領域得以擴展
  • 無人駕駛飛行器 (UAV) 任務的跨度有所增長，特別是因為無人機的覆蓋范圍、適應性和生存能力不斷增加（盡管仍然相對有限）。
  • 由于通信、有效載荷和模塊化的進步，越來越多地使用無人水面航行器（USV）來支持海軍任務已經成為可能，盡管限制包括依賴載人平臺的遠程控制以及與其他車輛的有限集成。
  • 無人水下航行器 (UUV) 任務已經擴大，因為其在更深的深度、更遠的距離以及先進的傳感器和有效載荷下運行的能力越來越強。然而，水下通信、網絡和深水導航的有限耐力和未解決的障礙仍然對 UUV 任務施加了限制。
• 在所有平臺上，海上 RAS-AI 任務可能會在短期內擴大，這得益于幾個關鍵技術領域的進步
  • 在自治、集群、互操作性、安全通信和信息交換、生存能力、推進和能源管理以及先進傳感和多任務平臺開發等領域取得了進展。
• 從長遠來看，技術和非技術障礙可能會限制某些 RAS-AI 任務
  • 長期 RAS-AI 任務可能包括在有爭議的環境中部署以及在進攻性自主和動力應用中的部署，盡管后者可能會受到道德、法律和監管障礙的嚴重限制。
  • 長期任務和技術前景的特點是存在很大的不確定性，可能需要通過后續研究探索更多種類的具有潛在破壞性的未來 RAS-AI 任務、技術和戰術。