开发公司,2005年),2,https://www.rand.org/pubs/rgs_dissertations/rgsd189.html。11 Zachary Kallenborn和Philipp C. Bleek,“蜂拥而至:无人机群和化学,生物学,放射学和核武器”,《非扩散评论》 25,第5期,第5期(2018年):523-543, https://www.tandfonline.com/doi/abs/10.1080/10736700.2018.1546902。12 Tahir,Boling,Haghbayan,Toivonen等人,“无人驾驶飞机群 - 一项调查”,13 Zachary Kallenborn,“群体谈话:了解无人机类型学。”现代战争研究所,2021年10月12日,https://mwi.usma.edu/swarm-talk-talk-ustandingdrone-typology/。同上。15欧文·拉乔(Irving Lachow),“蜂群无人机的上行和下行”,《原子科学家公报》 73号,第2号,第2号(2017):96 -101,https://wwwwww.tandfonline.com/doii/doi/doi/doi/full/10.10.1080/0096340/00963402.2017.17.1290879。同上,97。17 Jacob W. Crandall,Nathan Anderson,Chace Ashcraft,John Grosh等人,“作为共享控制的人类互动:实现灵活的缺陷耐受性系统”(在工程心理学和认知的生态学上发表的论文:绩效,情感和情感和情绪良好:14届国际会议:14日国际会议,Vancouver,9-14 7月9-14,2017年7月,2017年),2017年7月,2017年)。18 Lachow,“蜂群无人机的上行和下行”,97。18 Lachow,“蜂群无人机的上行和下行”,97。
抽象无人机群由多个无人机组成,这些无人机可以实现单个无人机无法实现的任务,例如在大面积上进行搜索,恢复或监视。群的内部结构通常由多个无人机自动工作。可靠的检测和对群体和单个无人机的跟踪,可以更了解群的行为和运动。对无人机行为的了解增加,可以更好地协调,避免碰撞以及对群体中各个无人机的性能监控。本文提出的研究提出了一种基于深度学习的方法,可实时使用立体视觉摄像机在群中可靠地检测和跟踪单个无人机。这项研究背后的动机是需要更深入地了解群体动态,从而改善协调,避免碰撞以及对群体中各个无人机的性能监控。提出的解决方案提供了一个精确的跟踪系统,并考虑了无人机的高度密集和动态行为。在各种配置中,在稀疏和密集网络中评估了该方法。通过实施一系列比较实验,已经分析了提出解决方案的准确性和效率,这些实验证明了在群中检测和跟踪无人机的合理精度。
无人机 (UAV) 的进步,更具体地说是将大量自主无人机组成“群体”。这些群体形成有组织的飞行器集群,以集体形式执行多方面的操作。尽管无人机群体提供了诸多好处,但工程团队在设计无人机群体系统时仍必须克服一些障碍。一个关键领域是创建和理解群体行为并揭示可能影响预期任务的所有潜在故障场景。这项研究使用 Monterey Phoenix (MP) 来建模系统行为,将它们分组为可能的行为者行为的不同、可重复使用的代理类模型,并将行为者交互建模为单独的约束。这种方法能够从这些模型中计算行为者行为的每一种可能变化以及所有其他可能的行为者行为,从而生成一组详尽的可能场景或事件轨迹。通过对这些事件轨迹进行手动检查或半自动断言检查,可以发现不需要的和不良的行为和故障模式,这使得任务规划人员能够采用必要的故障安全行为来抵消这些未经请求的实例。
本论文提出的论点得到了实证证据的支持。我们展示了自动设计的机器人群依靠特定于任务的信号来执行任务的各种场景。在这些实验中,我们考虑了通过单个或并发性能指标来评估群体性能的任务。值得注意的是,我们通过演示将这些想法应用于空间组织行为、基于协同行为的行为、引导行为的自动设计以及机器人群的设计。在这些研究中,我们表明,嵌入在 AutoMoDe 专用模块中的简单单比特信号协议足以克服以前在设计机器人群的空间组织行为方面的限制。此外,我们表明 AutoMoDe 可以利用直接通信能力和基于信息素的协同行为的间接通信。我们说明了 AutoMoDe 利用信号的能力如何不仅促进了群体内的通信,而且还实现了与群体工作空间中其他活动代理的交互。我们还表明,AutoMoDe 可以通过从所需的集体行为演示中学习来进行设计过程。
摘要 - 越来越多地将Swarm算法作为解决各个领域的分布式,复杂问题的潜在解决方案。但是,由于缺乏健壮和灵活的测试床,开发和测试这些算法仍然具有挑战性。此外,有效地调整群体算法的参数以适合特定情况是一个重要的挑战。本文纸提出了萨尔萨纸,这是一个综合且可扩展的框架,旨在简化群体算法的开发和评估 - 旨在易于使用。我们的测试床使用户能够定义自定义的群算法,无人机类型,检测目标和代理交互过程。它还允许动态参数更新,提供即时反馈以优化算法performence。此外,测试台支持用户限制的数据和自动数据收集,以确保用户可以充分地收集相关的数据。总的来说,莎莎莎莎通过减少设置和测试群算法所需的时间和精力来提高研究效率。索引术语 - 空军,空中群,多机构系统,自组织系统,仿真,测试床
战略联系 当前的美国战略文件为确保和推进国家利益提供了总体要求。然而,新兴威胁和潜在的无人机群技术威胁着美国的态势。例如,2017 年《国家安全战略》指出:“我们将保持前沿军事存在,能够威慑并在必要时击败任何对手。” 3 随着美国军队在全球范围内的广泛投入,对手可以使用无人机群在许多领域挑战美国的利益;如果是这样,美国军方就无法可靠地投射力量来威慑和击败这些对手。此外,《国防战略》承认战争性质的变化,参与者可以更快速、更轻松地获取技术,包括人工智能 (AI)、自主性和机器人技术。 4 时任国防部长詹姆斯·马蒂斯 (James Mattis) 在 2018 年在国内表达了这种担忧,他承认国土不再是避难所,我们必须预见到针对“我们的关键国防、政府和经济基础设施”的攻击。无人机群对国家安全构成了重大的战略风险,应对这一新兴威胁给美国带来了技术、法律和理论三个关键领域的挑战和机遇。
击败一旦 UAS 被识别为敌方,操作员可以选择使用各种低成本、低风险的电子战效果,例如中断 UAS 通信链路、使飞机返回基站或紧急降落。Silent Archer 系统对付 UAS 群和对付单个 UAS 一样有效。如果电子击败方法被证明不够,Silent Archer 系统可以提示动能或定向能武器系统击败威胁。
摘要:脑机接口 (BCI) 是通过反映人的意图和状态实现人与设备之间通信的工具之一。随着人工智能的发展,人们对使用脑电图 (EEG) 实现人与无人机之间通信的兴趣日益浓厚。特别是在控制无人机群的方向或编队的情况下,与控制无人机单元相比具有许多优势。想象语音是内源性 BCI 范式之一,可以识别用户的意图。在进行想象语音时,用户会想象发音就像实际说话一样。相反,公开语音是用户直接发音的任务。当使用想象语音控制无人机群时,可以更直观地传达复杂命令,但解码性能低于其他内源性 BCI 范式。我们提出了深度自动学习器 (DAL) 来学习公开语音的脑电特征,以进行基于想象语音的脑电信号分类。据我们所知,这项研究是首次尝试使用公开语音的脑电特征通过自动编码器解码基于想象语音的脑电信号。共有 8 名受试者参加了实验。在分类四个单词时,DAL 的平均准确率为 48.41%。此外,当比较有无公开语音脑电特征的性能时,加入公开语音脑电特征后性能提高了 7.42%。因此,我们证明了公开语音脑电特征可以提高想象语音的解码性能。
斯蒂芬·普拉特(Stephen Pratt)研究了无领导,分散群体,尤其是社会昆虫殖民地的复杂社会行为的出现。他和他的实验室成员使用实验,数学模型和计算机模拟,以了解允许蚂蚁和蜜蜂殖民地充当集体智能的行为规则和通信网络。受单个生物体和殖民地“超生物”之间的类比的启发,他们运用了心理学和经济学中的许多思想来了解群体认知。Pratt教授还与工程师合作,将课程从社交动物转化为机器人群和其他人类设计的系统,并开发创新的工具来分析行为。