XiaoMi-AI文件搜索系统
World File Search System态势感知
人类表现和态势感知措施
态势感知 (SA) 是与正在执行的任务相关的知识。例如，飞行员必须了解飞机的状态、飞行环境以及它们之间的关系，例如雷暴与湍流有关。它是决策的重要组成部分，已被纳入多种决策模型中（例如，Dorfel 和 Distelmaier 模型，1997 年；见图 3.1）。态势感知有三个层次（Endsley，1991 年）：第 1 级，对环境中元素的感知；第 2 级，对当前情况的理解；第 3 级，对未来状态的预测。态势感知测量有四种类型：性能（也称为查询方法，Durso 和 Gronlund，1999 年）、主观评级、模拟（也称为建模，Golightly，2015 年）和生理测量。以下各节分别描述了前三种类型的态势感知测量。 French 等人 (2003) 和 Vidulich 等人 (1994) 撰写了描述 SA 生理测量的文章。图 3.2 给出了帮助选择最合适测量的流程图。请注意，Stanton 等人 (2005) 提出了另一种 SA 测量分类。它们的类别是：SA 需求分析、冻结探测、实时探测、自我评级探测、观察者评级和分布式 SA。该团队还评估了 17 种 SA 测量在指挥、控制、通信、计算机和情报 (C4i) 应用中的应用
透明度和解释对人机团队信任和态势感知的影响
相互依存地朝着共同目标前进。我们将此实体称为 HRT。然而，即使在 USAR 环境中引入机器人技术，许多 USAR 任务仍然依赖于沟通能力有限或仅能向人类操作员显示简单机器人状态元素的机器人。尽管机器人状态信息很重要，但这种类型的沟通不需要 HRT 进行深入交流，这使得人类操作员更多地扮演监控者或监督者的角色，而不是队友，团队互动仅限于询问机器人队友或在机器人队友的限制范围内工作。因此，USAR 机器人有限或缺乏沟通能力可能会阻碍 HRT 的有效性，导致机器人被视为依赖关系中的工具，而不是相互依赖关系中的队友。这种客观性虽然在某些决策环境下（例如对工具的信任进行适当校准）很重要，但也可能阻碍人类同行与能力日益增强的机器人建立信任和互动团队认知的基础。信任和互动团队认知是高效团队的重要组成部分（Cooke 等人，2013；Schaefer，2016）。在将机器人融入 HRT 时，由于机器人自动化故障的必然性，人们更倾向于从团队合作的角度而不是工具的角度来考虑（Honig & Oron-Gilad，2021）。意外的机器人故障——即使这些故障可以归因于环境因素而非技术因素——通常会导致人类信任度下降，并可能导致机器人队友被视为不可预测或不可靠。这种性质的机器人故障表明，需要找到解决方案来解决半自主机器人队友的缺点，以更好地发挥他们作为有用队友的潜力。考虑到这一点，本研究的目的是探索机器人的解释和透明度如何影响 HRT 中的人类信任和态势感知，并量化模拟环境中 HRT 沟通的最佳模式。
开发考虑不同程度的部分车辆自主性的驾驶员表现、态势感知和认知负荷模型
本《论文 - 开放获取》由 Scholars Junction 的论文和学位论文免费提供给您，供您开放获取。它已被 Scholars Junction 的授权管理员接受并纳入论文和学位论文。如需更多信息，请联系 scholcomm@msstate.libanswers.com 。
空间态势感知：国防部应该……
2 本报告重点关注空间态势感知 (SSA)，而非空间领域感知，并将始终使用 SSA 这一术语。国防部联合出版物 3-14，题为《空间行动》，将 SSA 定义为“对空间物体和空间行动所依赖的作战环境（包括物理、虚拟、信息和人力维度）以及所有因素、活动和事件的必要基础、当前和预测知识和特征描述，所有实体都参与或准备参与空间行动。” 2019 年，空军空间司令部副司令签署了一份备忘录，对“空间领域感知”这一术语进行了定义。这份备忘录将太空描述为一个作战领域，迫使空军将重点从简单地了解物体在太空中的位置转移到确定有关这些物体的更多信息。空军部，空间领域感知 (2019 年 10 月 4 日)。
基于分形维数和多维重构的智能态势感知
摘要：为实现态势感知的自主化、智能化，本文提出了一种基于分维信息挖掘和多维信息重构的智能态势感知模型。首先，通过对输入的融合信息进行3D重构建立空间态势感知，4D重构完成态势理解，5D重构寻求态势预测。将三级态势估计模型优化为更加鲁棒的态势估计三元模型。结合数据库系统、推理学习机制和多样化的人机界面理念，完成了智能态势感知的基本框架。其次，论证了系统的灵活配置方法。第三，给出了智能态势感知性能指标和多节点一致性的一些基本评估方法。第四，本文给出了钻井平台的典型电磁态势估计算例，对理论进行了说明和验证。最后对下一步智能态势感知系统的建设提出了几点建议。
基于分形维数和多维重构的智能态势感知
摘要：为实现态势感知的自主化、智能化，本文提出了一种基于分维信息挖掘和多维信息重构的智能态势感知模型。首先，通过对输入的融合信息进行三维重构建立空间态势感知，四维重构完成态势理解，五维重构寻求态势预测，将三级态势估计模型优化为更加鲁棒的态势估计三元模型。结合数据库系统、推理学习机制和多样化的人机界面理念，完成了智能态势感知的基本框架。其次，论证了系统的灵活配置方法。第三，给出了智能态势感知性能指标和多节点一致性的一些基本评价方法。第四，给出了钻井平台典型电磁态势估计算例，对理论进行了说明和验证。最后，对智能态势感知系统下一步建设提出了几点建议。
HEO Robotics 对民用空间态势感知服务范围信息请求的回应 - 机构/档案编号 RTID 0648-XV190 - 文件编号 2023-01556 - 2023 年 2 月 27 日
这种在轨检查利用现有的地球观测 (EO) 卫星平台网络，在传感器经过目标物体（例如在役卫星和太空垃圾）附近时进行成像。这种方法具有多种优势，可以快速构建在轨物体的能力，而无需花费时间或成本来开发定制的成像有效载荷或设计和发射专用卫星平台。
芬兰态势感知解决方案 - SpaceFinland
一组芬兰和芬兰的技术公司提供和构建用于非军事应用的态势感知系统。这些公司在自己的技术领域拥有深厚的专业知识，作为一个集群，它们满足了各种各样的客户需求。该集团的能力领域和产品涵盖了态势感知系统的所有方面，从卫星和传感器到基于人工智能的数据处理系统。根据系统的应用和要求，将相应地选择参与公司。下图显示了芬兰在态势感知系统方面的联合产品。
态势感知深度强化学习在网络物理巡飞弹药系统中实现自主非线性机动控制
摘要 —随着无人机技术的快速发展，无人机被广泛应用于包括军事领域在内的许多应用领域。本文提出了一种新型的基于态势感知 DRL 的自主非线性无人机机动性控制算法，应用于网络物理巡飞弹药。在战场上，基于 DRL 的自主控制算法的设计并不简单，因为通常无法收集现实世界的数据。因此，本文的方法是利用 Unity 环境构建网络物理虚拟环境。基于虚拟网络物理战场场景，可以设计、评估和可视化基于 DRL 的自动非线性无人机机动性控制算法。此外，在现实战场场景中存在许多不利于线性轨迹控制的障碍物。因此，我们提出的自主非线性无人机机动性控制算法利用了态势感知组件，这些组件是在 Unity 虚拟场景中使用 Raycast 函数实现的。基于收集到的态势感知信息，无人机可以在飞行过程中自主且非线性地调整其轨迹。因此，这种方法显然有利于在布满障碍物的战场上避开障碍物。我们基于可视化的性能评估表明，所提出的算法优于其他线性机动控制算法。
态势感知深度强化学习在网络物理巡飞弹药系统中实现自主非线性机动控制
摘要 —随着无人机技术的快速发展，无人机被广泛应用于包括军事领域在内的许多应用领域。本文提出了一种新型的基于态势感知 DRL 的自主非线性无人机机动性控制算法，应用于网络物理巡飞弹药。在战场上，基于 DRL 的自主控制算法的设计并不简单，因为通常无法收集现实世界的数据。因此，本文的方法是利用 Unity 环境构建网络物理虚拟环境。基于虚拟网络物理战场场景，可以设计、评估和可视化基于 DRL 的自动非线性无人机机动性控制算法。此外，在现实战场场景中存在许多不利于线性轨迹控制的障碍物。因此，我们提出的自主非线性无人机机动性控制算法利用了态势感知组件，这些组件是在 Unity 虚拟场景中使用 Raycast 函数实现的。基于收集到的态势感知信息，无人机可以在飞行过程中自主且非线性地调整其轨迹。因此，这种方法显然有利于在布满障碍物的战场上避开障碍物。我们基于可视化的性能评估表明，所提出的算法优于其他线性机动控制算法。