美国陆军作战能力发展司令部（DEVCOM）陆军研究实验室（ARL）的研究人员，与中佛罗里达大学的合作伙伴共同，正在开发一种智能任务规划技术。该技术能够利用经机会性感知的任务内信息和任务相关环境特征训练的模型，预测整个任务区域内的表现和工作负荷。此能力将为改进任务规划提供关键信息，并能在任务执行过程中优化对士兵的实时要求。迄今为止，我们已经进行了两项名为第一阶段和第二阶段的调查研究，以开发和评估此能力。本报告旨在详述两项研究的流程与发现，并在最后对计划的后续研究进行讨论。

已于2023财年结束的第一阶段研究，其关键目标是确定如何将参与者在事后评估（AAR）中的反馈与任务内数据相结合，以预测参与者在后续任务中的工作负荷和表现。这是验证工作负荷预测算法闭环设计的关键第一步。该算法处理任务和事后评估数据，为后续任务规划提供信息，进而产生新的任务和事后评估数据，如此循环。2024财年第二阶段研究的关键目标，是将此概念扩展到两名参与者协作，使用智能任务规划技术共同规划和执行任务，并测试一种新的协同任务规划用户界面（UI）。此阶段验证了一种能够在多人员、多智能体场景中随任务迭代自适应的学习流水线概念，并通过评估该规划技术在多大程度上提升了多人员、多智能体团队的表现成果，为进一步扩展和优化奠定了基础。

本研究的主要贡献在于证明：一种可随任务迭代演进的算法，可用于预测变化任务区域内的广义工作负荷；并且这一学习流水线在多人员、多智能体模拟环境中是有效的。未来作战环境的复杂性将要求有效综合不同数据流，为决策和行动的前向预测提供信息，此项初步工作已展示了一种实现此目标的方法。在理想的使用场景中，智能任务规划技术将能够告知士兵，战场空间中哪些区域将涉及具有挑战性的情况，从而使作战人员能够在任务规划期间做好准备并加以考虑。未来的研究将朝着这个目标采取必要的步骤。

图4 这四幅图像描绘了影响我们成本地图计算的地形图层。从左至右，这些地图分别包含地形植被、城区、障碍物和视域信息。由于这些数据已针对整个仿真环境预先计算完成，将其用于工作量计算。称这些为“预计算地形信息”。