XiaoMi-AI文件搜索系统
World File Search System巡飞弹
巡飞弹药系统 WARMATE 2 - WB Group America
作战飞机 (AV) 配备反人员、反坦克或温压弹头，可提供高精度打击能力。机身中集成了日光和热成像摄像机（非制冷红外），可在最终打击前自动瞄准和评估目标。AV 采用弹射发射，坚固耐用，车载地面站控制飞机的运行。每个 WARMATE 2 AV 都存放在专用硬盒中并进行运输，无需拉出 AV 即可为机载电池充电。
研究领域：飞行动力学、控制、自动控制、高机动无人机拦截器的制导与控制
无人机和巡飞弹（又称“自杀无人机”）对武装部队构成了重大挑战，最近的冲突就是明证。其中一个例子就是 HESA Shahed 136，这是一种低成本、高耐久性的巡飞弹，具有大载荷能力和精确打击能力。当前针对中短程空中威胁的系统大多依赖于传统的防空系统设计。这些系统是为了摧毁战斗机或直升机而开发的。因此，它们对付作战无人机的性能非常差，而且成本过高。另一方面，提供成本效益高的效应器的枪基系统射程有限，命中率低。最糟糕的情况是一群低成本无人机发动饱和攻击。
人机交互和人类能动性......
人工智能技术在军事决策过程中的普及似乎正在增加。起初，人工智能在军事领域的应用主要与武器系统有关，这些武器系统通常被称为自主武器系统 (AWS)，可以在无需进一步人工干预的情况下识别、跟踪和攻击目标 (红十字国际委员会 [ICRC] 2021)。世界各地的军队已经使用了武器系统，包括一些巡飞弹，这些武器系统结合了人工智能技术来促进目标识别，通常依赖于计算机视觉技术 (Boulanin 和 Verbruggen 2017；Bode 和 Watts 2023)。虽然巡飞弹通常在人类批准下操作，但似乎有可能在没有人为干预的情况下动态施加武力。事实上，俄罗斯在乌克兰战争的各种报道表明，乌克兰军队在作战的最后阶段使用巡飞弹，在未经人类批准的情况下释放武力 (Hambling 2023, 2024)。这些发展有力地强调了人们长期以来日益增长的担忧，即在使用基于人工智能的系统时，人类在武力决策中所起的作用正在逐渐减弱。
师骑兵及其在 2030 年陆军中的作用
在 2030 年的情景中，该中队通过使用机器人、自主系统和巡飞弹等先进和新兴技术，增强了其执行 R&S 和节约兵力行动的能力。凭借这些未来的有机能力，它将拥有更大的范围，从而使其能够覆盖更多的进近途径并影响更远的敌人。该中队可以使用其有机和附属资产（例如中程和远程无人机系统 (UAS) 和附属远程火力）来识别敌方编队。一旦中队识别出敌方编队，它就可以用来自先进机器人和精确火力资产的足够火力瞄准它，以小规模大规模精确攻击摧毁敌方连队。如果使用得当，在部队和中队级别使用巡飞弹将达到这一效果。这种“接触前”战斗力损失可能会破坏敌人的行动并迫使他/她改变行动方针。
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。根据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。
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。
装甲联合兵种茶的持久价值
坦克可以实现国家力量投射，为联合指挥官提供作战灵活性和节奏，并促进战术联合兵种机动。坦克的真正价值体现在战争的各个层面，首先是战术层面的联合兵种团队，它们可以增强坦克的能力并减轻其弱点。尽管无人机系统、巡飞弹、精确火炮、反坦克制导导弹和电磁频谱考虑因素不断增加，但这种团队合作确保了坦克的持续相关性。然而，坦克作为联合兵种团队的一部分，其固有的杀伤力、生存力和机动性为地面部队指挥官提供了一种作战选择，让他们考虑如何最好地夺取关键目标、保持势头并持续对敌军施加压力。最后，将装甲部队和坦克部署到世界任何地方的能力表明了它们所具有的战略价值