《为北美防空司令部 C2 行动中的协作态势评估学习人类决策策略的智能体》

北美航空航天防御司令部（NORAD）指挥与控制（C2）的现代化需要以可信赖的人工智能解决方案为操作人员提供支持，以补充而非取代人的能力。新形式的威胁比以往任何时候都更需要从一系列异构传感器中快速获得可操作的态势感知能力。在本文中，我们研究了在北美防空司令部关键基础设施保护的背景下，如何利用人机协作（HAT）实现准确、及时的大陆监控。我们开发了一种具有感知、预测和决策能力的协作式人工智能体解决方案，并在此基础上增强了学习人类决策策略的能力，以改进协作式态势评估。研究采用了模拟威胁评估任务，利用结合七种监督机器学习算法的多模型方法验证了增强型人工智能体的有效性。结果表明，在考虑三种不同类型目标（无人机、无人机群、小型飞机）的情况下，策略捕捉方法对威胁等级进行分类的预测准确率达到 95%。我们的结论是，将策略捕捉能力集成到协作式人工智能体中，是实现新型人类-人工智能共同学习过程的关键一步，从而实现可调整的人类-自主团队合作。

图 2：使用 geo.json.io 的北美防空司令部地形和区域分布图

北美防空司令部的现代化优先事项包括：1）提高态势感知能力，特别是在北部和海上接近大陆的地区；2）使北美防空司令部的指挥和控制系统现代化；3）提高探测、威慑和防御航空航天新威胁的能力。本文提出了一种新的基于人工智能的处理能力，以增强北美防空司令部的大陆监视能力，帮助自动分析部分大量数据，这对于利用人机互补能力以及如何确保人机协作系统的可信度至关重要。