高质量的战斗机/攻击飞行员是一个与他的机器一样的人,即,他整合了高度,“ G”,空速,攻击角度与飞机的声音。在他的脑海中创建了V-N图(描述了飞机在负载因子“ G”和速度方面的性能能力)或V-N图的一部分,并尽可能准确地将飞机定位在Thrt图中。已经努力向飞行员提供V-N信息,但在大多数情况下,显示器并未超出模拟器阶段,或者,如果它们飞行,则仅在实验中飞行。目前,在USAF或海军飞机上的飞行员驾驶员尚未显示任何集成的V-N信息,也没有在空中战斗机动范围(ACMR)上汇报期间显示任何集成信息。在此报告中不会讨论用于飞行中的能量可操作性数据的技术,有兴趣的读者被指向斯坦利(6)I和莫洛尼和巴内特(5)。
摘要 - 随着机器学习的最新进展,创造了在模拟空中战斗中现实行为的代理,已成为一个越来越多的感兴趣领域。本调查探讨了机器学习技术在建模空气战斗行为中的应用,这是由于增强基于模拟的试验训练的潜力。当前的模拟实体倾向于缺乏现实的行为,传统的行为建模是劳动力密集的,容易丧失发展步骤之间基本领域知识。增强学习和模仿学习算法的进步表明,代理可以从数据中学习复杂的行为,而数据可能比手动方法更快,更可扩展。然而,使能够执行战术操作和操作武器和传感器的自适应代理仍然提出了重大挑战。
担任海军顾问,同时继续进行研究和开发,以改善非宙斯盾舰艇的协调,直到宙斯盾投入使用,届时宙斯盾将成为防空改进的核心。数据链、显示器和其他元素正在定义,以实现使宙斯盾成为预想的力量倍增器所需的杠杆作用。1977 年,APL 被指定为特遣部队 AAW 协调计划的技术指导代理,后来是 BGAAWC 计划,随后是部队 AAW 协调技术计划 (FACT)。(从 TFAAWC 更改为 BGAAWC 是由于海军将术语从特遣部队更改为战斗群;从 BGAAWC 更改为 FACT 是由于国会指示。)制定了一个设想多个阶段的计划。其主要概念是协同开发和使用多个战斗群资源,通过日益复杂的协同交战技术来应对日益复杂的威胁,如图 1 所示。“宙斯盾”是这些复杂技术的关键。