本研究基于深度强化学习，开发一个能够在视距范围以外的空战模拟环境中运作的智能体。通过基于操作指标计算的奖励，使智能体能够学习和不断提高其在视距范围以外的空战中的角色，并通过自我对战实验来生成新的空战战术。该研究旨在探究使用虚拟模拟场景，对与训练有素的智能体进行互动并比较其表现的真实飞行员的能力，从而开发能够与真实飞行员互动以提高其空防任务表现的代理。

Apr, 2023

采用可解释的深度学习方法为指导和规划的无人机构建了一个仿真环境，其中包括障碍和对抗性攻击，并建立了对此的对抗性攻击检测器

Jun, 2022

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

提出一种异步多阶段深度强化学习的方法（AMS-DRL）来训练对抗神经网络，以应对多个追赶者的攻击并快速适应其行为，确保无人机避免攻击并达到目标。该方法通过保证博弈论分析中的纳什均衡保证收敛性，并在大量模拟中进行了评估，展示其胜过基线的导航成功率。同时，实施了实物实验以验证训练出的策略在实时飞行中的有效性。

Apr, 2023

本研究基于可靠的建模模拟数据，比较了监督机器学习方法在估算在空中战斗期间发射导弹的最有效时刻的能力，并采用重新采样技术提高预测模型，发现基于决策树的模型性能显着更优越，而其他算法对重新采样技术具有显著灵敏度。获得最佳 f1-score 的模型在没有和使用重新采样技术时的值分别为 0.379 和 0.465，后者增长了 22.69%。因此，通过构建模拟数据可以开发基于机器学习模型的决策支持工具，从而提高空战中的飞行质量，增加攻击特定目标的有效性。

Jul, 2022

该研究介绍了一种基于多模式变压器的深度学习探测器，可为精确自主着陆提供可靠的定位，同时还提出了一种基于深度 Q 网络的强化学习决策模型，该模型在模拟环境中进行训练，然后成功地在真实户外场景中验证其适用性。

May, 2024

本文研究了计算机视觉和深度学习技术在无人机检测方面的表现，探究了在复杂背景、不同大小、复杂天气等挑战条件下使用一阶段探测器和二阶段探测器进行 UAV 检测的性能，并对两个数据集进行了评估，研究结果为发展更为强大的 UAV 检测方法提供了借鉴。

May, 2023

本文提出了一种深度神经网络在无人机上的分布式方法，以实现资源受限设备中的数据分类，同时考虑无人机的移动模型和资源约束。模拟表明，所提出的优化方案优于现有的启发式方法和基于服务器的解决方案。

May, 2021

提出了一种基于 Deep Attention Recognition 的解决方案，通过认证的 UAV 中嵌入一个小型的深度网络，用可观测参数 SINR 和 RSSI 识别 Line-of-Sight (LoS)，Non-Line-of-Sight (NLoS) 情况下的攻击，并提出数据操作和多数投票技术来补充深度网络决策，探讨了 LSTM 和 Attention 层的影响以及数据不足情况下的精度测试，最后标准分类器测试表明，该算法精度在 LoS 和短距离 NLoS 条件下均高于 XGB 分类器。

Mar, 2023

本文提出一种在室内使用单一摄像头实现四旋翼自主导航和寻找目标物体（例如书包）的方法，使用卷积神经网络 (ConvNet) 进行深度学习，使用可视化技术来更好地理解训练网络。

Nov, 2015