Adjustable Control for Enhanced Interoperability of Human-Autonomy Teaming Within ISR Operations
Notice bibliographique
Résumé
The development of autonomous vehicles such as Unmanned Aerial Systems (UAS) are becoming a major tool for air and information superiority in defence and threat anticipation. Human-Autonomy Teaming (HAT) systems are crucial for the success of team collaboration, trust and mission execution in command and control (C2) operations such as Intelligence, Surveillance and Reconnaissance (ISR). The present work focuses on understanding when and how control should be allocated to autonomous agents. Intelligent adaptive control methods between human and autonomous agents are introduced. The proposed method consists in developing a HAT system based on the co-active design framework. A prototype system was implemented and tested in a human-in-the-loop experiment involving a simulated ISR mission. Findings helped assess individual capacities and detect behavioural patterns for adaptive control. More specifically, it helped recommend the level of support and control to be allocated for each agent. Results focused on the human operator and helped gain insight about how task-allocation strategies could be implemented within a complex ISR operation by breaking it down into sub-tasks. A key outcome of this work to help augment team interoperability in C2 operations. This paper was originally presented at the NATO Science and Technology Organization Symposium (ICMCIS) organised by the Information Systems Technology (IST) Panel, IST-205-RSY - the ICMCIS, held in Koblenz, Germany, 23–24 April 2024.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».