XiaoMi-AI文件搜索系统
World File Search System任务规划
量子辅助空间物流任务规划
规划需求，其中太空任务通常是独立设计的。例如，在阿波罗任务中，我们采用长期携带策略，一次性携带每次登月任务所需的所有物品；在国际空间站补给任务中，我们采用补给策略，每次按需运送有效载荷。太空基础设施的发展，如阿尔忒弥斯任务中指定的原位资源利用 (ISRU)、电力系统和月球基础表面栖息地 [ 11 ]，推动了在太空任务设计中考虑任务相互依赖性的需求。这些基础设施需要在任务的早期阶段部署，因此会产生高昂的任务成本；我们预计，通过利用基础设施更好地支持探索（例如从 ISRU 生成资源），可以在任务的后期支付高昂的初始部署成本。不同任务目标和长期视野的多样化基础设施使物流规划变得更具挑战性。
卫星任务规划的量子优化方法
摘要 地球观测卫星的卫星任务规划是一个组合优化问题，包括在卫星轨道通过期间选择受约束的最佳成像请求子集以完成该子集。轨道上卫星数量的不断增长凸显了高效运行卫星的必要性，这需要在短时间内解决许多问题实例。然而，当前的经典算法通常无法找到全局最优值或执行时间过长。在这里，我们从量子计算的角度来解决这个问题，这提供了一种有前途的替代方案，可以在未来显著提高解决方案的质量或执行速度。为此，我们研究了一个具有各种复杂约束的规划问题，并讨论了为量子计算机编码它们的方法。此外，我们通过实验评估了量子退火和量子近似优化算法在现实和多样化数据集上的性能。我们的结果确定了影响方法性能的关键方面，例如图连通性和约束结构。我们探索当今量子算法和硬件的极限，为目前可以成功解决的问题提供界限，并展示解决方案如何随着复杂性的增加而退化。这项工作旨在为该领域的进一步研究奠定基础，并对当前的量子优化能力建立现实的期望。
了解人工智能对作战人员的局限性：第 5 卷，任务规划
研究诚信 我们的使命是通过研究和分析帮助改善政策和决策，这一使命通过我们的核心价值观——质量和客观性以及我们对最高诚信和道德行为的坚定承诺得以实现。为确保我们的研究和分析严谨、客观和不偏不倚，我们对研究出版物进行了严格而严格的质量保证流程；通过员工培训、项目筛选和强制披露政策避免出现和实际的财务和其他利益冲突；并通过我们致力于公开发表研究结果和建议、披露已发表研究的资金来源以及确保知识独立的政策，追求研究工作的透明度。有关更多信息，请访问 www.rand.org/about/research-integrity。
接近实时的物体检测，为时间紧迫的任务规划提供具有地理参考物体的合成环境
地理空间信息已证明其至关重要，因为它可以提供早期预警信号和提供作战见解。在本文中，我们将介绍另一个应用领域，即收集地理空间信息以用于综合训练和模拟解决方案。政府（即情报界）和商业地理空间数据提供商（例如 Maxar Technologies）为选定的关注区域提供了大量接近实时的数据。例如，如果需要，Maxar 的卫星群每天可以提供多个重访周期。生成的大量地理空间数据是现代大数据分析的典型应用领域，而现代大数据分析则由先进的机器学习模型支持。考虑到这些技术进步，我们将提供一个端到端的地理空间平台来消化和分析捕获的数据（例如通过无人机或卫星）并输出 3D 环境，从而为关键任务规划和培训提供下一代建模和仿真 (M&S) 解决方案。
接近实时的物体检测，用于时间紧迫的任务规划
地理空间信息通过提供早期预警信号和提供运营见解，已经证明了其至关重要性。在本文中，我们将介绍另一个应用领域，即收集地理空间信息以用于综合培训和模拟解决方案。政府（即情报界）和商业地理空间数据提供商（例如 Maxar Technologies）为所选的感兴趣区域提供了大量接近实时的数据。例如，如果需要，Maxar 的卫星群每天可以提供多个重访周期。生成的大量地理空间数据是现代大数据分析的典型应用领域，由先进的机器学习模型支持。考虑到这些技术进步，我们将提供一个端到端地理空间平台来消化和分析捕获的数据（例如，通过无人机或卫星）并输出 3D 环境，从而为关键任务规划和培训提供下一代建模和仿真 (M&S) 解决方案。
综合空间任务规划与航天器设计的多学科设计优化方法
太空任务规划和航天器设计紧密耦合，需要一起考虑才能获得最佳性能；然而，这个集成优化问题会导致大规模的混合整数非线性规划 (MINLP) 问题，而该问题的求解十分具有挑战性。为了应对这一挑战，本文提出了一种新的解决该 MINLP 问题的方法，即遵循多学科设计优化 (MDO) 的理念，通过增强拉格朗日协调方法迭代求解一组耦合子问题。所提出的方法利用问题的独特结构，将其分解为一组不同类型的耦合子问题：任务规划的混合整数二次规划 (MIQP) 子问题和航天器设计的一个或多个非线性规划 (NLP) 子问题。由于可以将专门的 MIQP 或 NLP 求解器应用于每个子问题，因此所提出的方法可以有效地解决原本难以解决的集成 MINLP 问题。还提出了一种自动有效的方法来寻找这种迭代方法的初始解，这样就可以在不需要用户定义的初始猜测的情况下进行优化。在演示案例研究中，使用子系统级参数化航天器设计模型优化了载人月球探测任务序列。与最先进的方法相比，即使没有并行化，所提出的公式也可以在更短的计算时间内获得更好的解决方案。对于更大的问题，所提出的解决方法也可以轻松并行化，因此有望进一步发挥优势和可扩展性。
第五代任务规划：集成系统和算法
许多军事行动在规划过程中都遵循严格的方案。虽然这些方案在不同国家和不同武装部队的部门之间可能存在很大差异，但大多数这些过程大致包括以下几个部分：a) 收集信息，b) 制定计划，c) 准备资产，d) 演练任务。信息收集可以按主题进行，例如让一个小组或一个人负责有关敌人的信息，第二个小组负责检查自己的资产，第三个小组负责设置通信结构和无线电频率，第四个小组负责确定着陆区、其他兴趣点和货物负载的分配。特别是在联合行动中，这需要地面部队、海上部队和空军之间的大量协调。
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
用于空间领域感知应用的加速 AI 驱动大气预测 丹尼·费尔顿 诺斯罗普·格鲁曼公司 玛丽·艾伦·克拉多克、希瑟·凯利、兰德尔·J·阿利斯、埃里克·佩奇、杜安·阿普林 诺斯罗普·格鲁曼公司 摘要 太空激光和监视应用经常受到大气效应的影响。气溶胶、云和光学湍流引起的大气衰减和扭曲会产生有害影响，从而对任务结果产生负面影响。2019 年 AMOS 会议上简要介绍的一篇论文介绍了 2017 年在哈莱阿卡拉峰安装的地面仪器。这些仪器仍在积极收集数据，它们正在提供前所未有的空间环境实时表征，包括精确的大气传输损耗。虽然实时测量是理解和表征空间环境的第一步，但仅靠它们是不够的。为了优化任务规划，许多应用都需要对空间环境进行准确的短期大气预测。虽然大气预报并不是什么新鲜事，但最近随着 21 世纪人工智能 (AI) 技术的应用，大气预报的技能得到了极大提升。这些技术是高性能计算 (HPC) 和深度学习 (DL) 的结合。本演讲的主题是使用来自地面大气收集系统的 TB 级数据训练预测模型，并使用图形处理单元 (GPU) 加速其训练和推理的能力。本研究侧重于预测的三个时间尺度。这些时间尺度包括短期（0 到 60 分钟）、中期（1 小时到 3 小时）和长期（3 到 48 小时）。这些时间尺度代表激光和/或监视应用和任务的各种决策点。在短期预测情况下，多种 DL 技术应用于从光学地面站 (OGS) 收集的本地数据。这些 DL 技术包括使用 U-Net 卷积神经网络和多层感知器 (MLP) 和随机森林 (RF) 模型的集合。 MLP 用于从激光云高仪和红外云成像仪 (ICI) 等仪器收集的点数据。对于中间时间尺度，卷积长短期记忆 (LSTM) 网络和 U-Net 均使用来自 NOAA 地球静止卫星云图集合的图像进行训练。最后，组合 U-Net 和自动编码器神经网络用于训练由 HPC 数值天气预报 (NWP) 模型模拟的大气预测器以进行长期预测。NWP 会产生许多 TB 的数据，因此，使用这些神经网络是优化其预测能力的理想选择。本研究利用了多种 HPC 资源。其中包括由四个 NVIDIA Tesla V100 GPU 组成的内部 GPU 节点以及毛伊高性能计算中心 (MHPCC) 的资源。结果表明，在几乎所有情况下，这些预测技术都优于持久性，而且偏差很小。使用 HPC 和 DL 推理实时进行预测的能力是未来的重点，将在会议上报告。1. 简介大气衰减和失真降低了太空激光和监视应用的功效。特别是，云层可以部分或完全遮挡目标，并阻止或要求降低光通信系统的数据速率。但是，通过准确表征和预测大气影响，可以减轻许多负面影响。本研究的目的是开发和完善一种最先进的大气预测系统，该系统可生成高分辨率的大气衰减预测，以支持太空激光和监视应用的决策辅助。为了实现这一目标，HPC 和 AI 的进步与数 TB 的高分辨率地面和太空大气数据集合相结合。多种 HPC 资源用于处理本研究所需的地面和卫星数据，并使用四个 NVIDIA Tesla V100 GPU 加速 AI 预测技术的训练和推理。该技术用于进行多时间尺度大气预测：1 小时预测、2 小时以上预测和 48 小时预测。最长 1 小时；最长 2+ 小时；最长 48 小时。最长 1 小时；最长 2+ 小时；最长 48 小时。
国际飞机任务规划系统 (IAMPS) - Leidos
ff 支持在 2D/3D 视图中进行任务演练，通过真实的飞行预览显示地图上的位置，并从飞行员的角度在 3D 合成环境中描绘飞机 ff 审查从 IAMPS 任务计划应用程序导入的计划任务，以协调任务程序和目标行动 ff 通过记录的航空电子数据流中的深入、明确细节进行行动后审查，以在最佳回忆间隔内提供关键反馈 ff 将记录的飞机位置、驾驶舱视频和飞行音频与从 IAMPS 任务计划应用程序导入的规划数据进行比较，以交互方式分析执行情况与飞行计划 ff 使用同步显示器同时重建多架飞机的飞行，通过空中机动精确跟踪相对位置
国际飞机任务规划系统 (IAMPS) - Leidos
f 支持在 2D/3D 视图中进行任务演练，通过真实的飞行预览显示地图上的位置，并从飞行员的角度在 3D 合成环境中描绘飞机 f 审查从 IAMPS 任务计划应用程序导入的计划任务，以协调任务程序和目标行动 f 通过记录的航空电子数据流中的深入、明确细节进行行动后审查，以在最佳回忆间隔内提供关键反馈 f 将记录的飞机位置、驾驶舱视频和飞行音频与从 IAMPS 任务计划应用程序导入的规划数据进行比较，以交互方式分析执行情况与飞行计划 f 使用同步显示器同时重建多架飞机的飞行，通过空中机动精确跟踪相对位置