本文介绍了一种基于人工智能的飞行员训练系统，通过行为克隆学习飞行操纵，从而帮助学生学习如何飞行飞机，并自动检测错误并提供反馈来纠正错误，重点在于直线和水平飞行的训练。

Oct, 2022

美国政府通过一系列联邦倡议和命令进行了有计划地努力，以确保美国在人工智能领域的领先地位，其中包括 DAFC 和 MIT 合作的 AI 加速器项目，通过公开挑战问题的方式促进 AI 技术的发展和对联邦 AI 研究重点的关注。

Jul, 2022

提出了一种用于构建敏捷飞机的数据驱动机动生成模型的方法，该方法能够在广泛的修正条件和飞机模型参数范围内进行泛化。通过利用模拟模型和有限的真实飞行员数据，结合模仿学习、迁移学习和强化学习等技术，实现了对目标飞机的机动生成模型的优化和调整。验证为该方法在开发敏捷飞机的强大和适应性模型方面的有效性。

Dec, 2023

本研究提出了一种利用深度强化学习技术（TD3）和经验回放（HER）来优化具有 Dubin 车辆动力学特性的无人机在二维空间中达到目标路径的方法，并在两种不同环境下进行了模拟实验，可用于 UAV 自主机动决策等领域。

Jan, 2022

应用人工智能模拟空战场景吸引了越来越多的关注，本文提出了一种用于多个异构代理的空中对空战斗的层次化多代理强化学习框架，其中命令决策过程划分为两个抽象阶段，低级政策控制个体单位的行动，高级指挥官政策根据总体任务目标下达宏观指令，并通过针对预先训练的低级政策对任务目标进行训练，实验证明了我们设计的优点。

Sep, 2023

人工智能在国防工业中的应用越来越重要，Lockheed Martin 在参加 DARPA AlphaDogfight Trials 竞赛时，使用基于 Hierarchical 架构与最大熵强化学习（RL），通过奖励塑形整合专业知识，并支持策略的模块化方法，取得了第二名的好成绩，并在比赛中击败了美国空军 F-16 武器教官课程的毕业生。

May, 2021

近年来，随着机器学习的快速发展，创建在模拟空中战斗中表现逼真的代理人已成为一个引起广泛兴趣的领域。该调查探讨了机器学习技术在模拟空中战斗行为建模方面的应用，旨在增强基于模拟的飞行员培训。当前的模拟实体往往缺乏逼真的行为，并且传统的行为建模需要大量劳动力并容易在开发过程中丢失基本领域知识。加强学习和模仿学习算法的进步表明代理人可以从数据中学习复杂的行为，这可能比手动方法更快且更具可伸缩性。然而，使自适应代理人能够执行战术机动和操作武器和传感器仍然是一项重大挑战。该调查研究了应用、行为模型类型、普遍的机器学习方法以及开发自适应和具有逼真行为的代理人所面临的技术和人类挑战。另一个挑战是将代理人从学习环境转移到军事模拟系统以及标准化的需求。为此，提出了四个主要建议，包括加强对超视距场景、多代理机器学习和合作、利用分层行为模型以及标准化和研究合作的重视。这些建议旨在解决当前问题，指导开发更全面、适应性更强、更逼真的基于机器学习的空中战斗行为模型。

Apr, 2024

该研究提出了一个三层无人战斗飞行器（UCAV）空战框架，其中深度强化学习（DRL）负责高级机动决策。首先构建了一个四通道低级控制法，然后构建了包含八种基本飞行机动（BFMs）的库。在 UCAV 空战中应用了双深度 Q 网络（DDQN）来选择 BFM，其中对手策略是使用 DT 构建的。我们的模拟结果显示，该智能体在与 DT 策略对战时可以达到 85.75% 的胜率，并且在面对各种未知对手时也能取得积极的结果。基于提出的框架，改进了 DRL 的空战可解释性。智能体执行 yo-yo 机动来调整转弯速率，提高机动性。出现的 “潜水追击” 行为还表明智能体可以生成利用对手的弱点的新战术。

May, 2024

介绍 AAM-Gym，这是一种研究开发测试平台，用于测试先进空中机动性 (AAM)。使用 AAM-Gym，本文研究了两种强化学习算法在 AAM 走廊分离保障案例中的绩效，并演示了算法的性能。

Jun, 2022

LEAD 是一个基于机器学习来创建和整合智能空中战斗行为的系统，它能够与不同精度的模拟系统进行通信和协作，有效减少军事模拟训练中手工命令模式的时间成本。

Apr, 2023