至今，在伊拉克和叙利亚与伊斯兰国进行战斗的美国“坚定决心行动联合特遣部队”（Combined Joint Task Force-Operation Inherent Resolve）已经受到了上百次单向无人机的攻击，并且在利用各种系统和技术以建立防御措施的过程中积累了大量反无人机经验。
反无人机系统流程
反无人机流程大致可分为4个环节：探测、识别、决策和拦截。这一流程构成了一个有效的评估框架，可对无人机在多种作战环境中构成的威胁和潜在的自动化能力应用进行评估。在联合部队范围内，该流程主要用于基地防御作战中心，该中心是反无人机装备和系统的协调、管理和部署节点。
探测：反无人机流程的第一环节是探测战区内空中飞行器的存在。这一环节可通过多种雷达感知和跟踪手段以及空中和地面的传感器实现。例如，雷神公司研制的AN/MPQ-64“哨兵”（Sentinel）雷达就能够对无人机、旋翼飞机和固定翼飞机进行探测，并且具备敌我识别能力。雷神公司还研制出了Ku波段射频系统（Ku-band Radio Frequency System），该系统能够进行360度全向扫描，并且能够感知和跟踪敌方飞机、火箭、火炮和迫击炮的具体位置。Ku波段射频系统可为多种动能和非动能反无人机武器系统提供支持，包括托盘化高能激光系统（Palletized High-Energy Laser）、陆基密集阵武器系统（Land-based Phalanx Weapon System）以及雷神公司的“郊狼”（Coyote）巡飞弹（可用于拦截无人机）。
识别：发现空中飞行器的存在后，作战人员需要对其进行分析和敌我识别。这一环节可通过具备敌我识别能力的雷达（例如：AN/MPQ-64“哨兵”雷达）、空域管制机构（空中交通管制、联合空中行动指挥部）或者敌意特征识别来实现。对飞行器进行敌我识别是一个复杂的过程，可使用的主要手段有两种：主动识别和程序性识别。主动识别是最为可取的方法，并且无需视觉识别即可确定可疑飞行器。该方法可使用已知敌机特征进行数字识别（基于物理），以确定飞行器是否为敌方无人机。程序性识别主要使用地理位置、航向时间和飞机飞行路径来进行敌我识别，该方法通常还会与空中任务指令和/或作战视图配合使用。
决策：在这一环节主要涉及两项决策：第一，确定是否有拦截要求（交战规则、地缘政治形势、战术形势等）；第二，确定使用何种方法拦截威胁。如果作战人员确定飞行器具有敌意，那么其需要决定使用动能或非动能武器对这一威胁进行拦截。对每个威胁的方位、高度、射程和速度进行评估，以确定拦截要求，并使用适当的武器进行最高效、最有效的拦截。
拦截：在这一环节，作战人员成功对确定的敌方飞行器进行动能或非动能打击。打击完成后，视觉确认或数字确认是确定打击效果的主要方法。如果敌方飞行器未被击毁，作战人员将动用更多装备对其进行进一步打击，直至成功拦截威胁或击中预定目标。
美军的反无人机流程
人工拦截挑战
美军目前正在使用的任务指挥系统名为“前沿地区防空指挥控制”（FAADC2）系统，该系统能够为美军的探测、识别、以及动能和非动能武器的应用提供必要的网络体系。自1989年以来，美军就一直在使用该系统。
“前沿地区防空指挥控制”系统中的人工拦截流程极大地限制了拦截作战效果和效率，特别是在需要短时间内做出决策的作战场景之下。作战人员必须人工筛查每个雷达轨迹，必须人工将每个防御系统对准敌方目标，这一流程可能耗费大量时间并且容易出现人为失误。
该人工拦截流程还使得多系统同时交战无法实现，而这在未来战争中可能是至关重要的。人工拦截所需的时间将使无人机蜂群能够在不受干扰的情况下发起攻击并突破防御体系。基地防御作战中心的作战人员往往会在同时应对多波次无人机攻击、处理潜在友军空中流量、进行武器系统切换、对其他威胁进行评估以及管理目前交战的过程中，面临任务饱和及人为失误机率增加的问题。
“前沿地区防空指挥控制”系统对人工作战的要求使得作战人员无法专注于重要的飞行器识别工作，并且加剧了人为失误和反无人机作战效率低下的问题。无人机速度的提高以及其在飞行过程中对地形的利用使得人工反无人机作战的有效性进一步降低，并且可能会导致反无人机作战的失败。
利用人工智能进行目标识别
任务指挥系统应与人工智能技术进行整合，以提高对敌方飞行器的探测效率。任务指挥系统与人工智能技术的整合可为作战人员提供基地防御区内的持续飞行器分析能力，以此协助作战人员进行作战。人工智能能够分析和识别历史记录数据所具有的数据模式，这是此项技术的优势所在。反无人机任务指挥系统应将历史威胁数据储存在一个机密云空间之中，以使人工智能识别系统可进行战区范围内的飞行器数据评估，这一过程的速度和准确性是人类作战人员所无法企及的。
人工智能可识别出飞行器并向作战人员发出警示信息，这将减少作战人员的任务量并使其能够保留最终的目标判定权。将人工智能应用于目标识别之中还可提高作战人员的目标识别准确度，减少目标识别时间，增加为地面部队发出预警的时间，并且能够实现战力保存。
机器学习算法将在目标识别过程中发挥重要作用。该算法能够对基于外形的雷达跟踪数据、全动态视频和其他形式的探测数据进行分析，以对空中目标进行敌我识别，进而提高任务指挥系统的目标识别能力。机器学习算法将提高人工智能的预警能力，并同时确保作战人员能够根据识别到的数据特征了解可能的友军飞行器位置。
如果任务指挥系统未能与人工智能和机器学习算法进行整合，那么基地防御作战中心就只能依赖人类作战人员进行运作，人类作战人员的上限就是该中心的上限，而该中心的最大潜力却无法发挥出来。没有人工智能和机器学习工具的帮助，作战人员也将处于劣势。他们面临着无法快速识别空中目标的风险，也面临着无法确保成功拦截敌方空中目标的风险。虽然作战人员可进行人工目标识别，但其工作的速度、准确度和一致性却无法与人工智能相媲美。
“前沿地区防空指挥控制”系统的用户界面所提供的通用空中视图
自动交战：加速决策和拦截环节
为解决目前“前沿地区防空指挥控制”系统的人工拦截流程受限问题，美国陆军需要将自动化流程应用于决策和拦截环节之中。拥有自动化流程的“前沿地区防空指挥控制”系统将能够自动选择合适的拦截手段对目标进行拦截，该拦截过程将一直持续下去直至目标被击落。这一自动拦截能力将显著减少拦截反应时间，使作战人员能够专注于威胁识别和减少空域误伤的工作中，并同时在没有人为失误的情况下选择和监控各种拦截选项以得出最高效的拦截手段。此外，反无人机流程还会确保有一名作战人员参与到武器发射的决策之中。
自动拦截流程不再需要作战人员人工选择每个空中目标，并进行多步骤的流程以发射拦截弹，或者启动陆基密集阵武器系统或托盘化高能激光以打击每一个目标。在自动决策和拦截能力的加持之下，作战人员可对拦截作战过程进行人工监视，而反无人机决策和拦截系统则有能力使用多种武器系统进行同步交战，以大规模拦截多种威胁，实现真正的联合武器防御火力能力。自动拦截能力将提高无人机拦截数量，减少交战时间，显著减少人为失误，并大大增加挫败无人机蜂群攻击的成功率。
自动拦截的反对者可能会辩驳道，对已识别威胁的拦截需要作战人员手动进行，这能够确保作战系统的行动不违反武装冲突法（Laws of Armed Conflict）和交战规则。然而，这些担忧在反无人机流程的识别阶段就可以得到解决，因为作战人员可在此阶段将威胁判定为具有敌意并指导机器进行干预。反无人机流程可在以下两种情况下实施拦截行动：（1）作战人员确认目标具有敌意；（2）作战人员授权系统进行拦截。
反无人机未来：
人工智能协助识别，自动化决策和拦截
人工智能将使作战人员能够在雷达能力范围内对拥挤空域中的多个目标进行识别。目标识别的唯一限制在于用于对低可探测性无人机进行探测的雷达探测能力。在这一识别过程中，作战人员依然能够人工对目标进行识别，并且保留对目标的最终判定权。
决策和拦截环节的自动化流程能够自主对多架无人机进行同时拦截，以此提高反无人机任务指挥系统的有效性。基于云储存的实时数据融合以及先进的机器学习算法（可随着敌方战术、技术和作战流程的发展进行改变）将使自动化系统能够评估敌方目标的威胁等级，并确定适当的应对手段，例如部署动能系统或启动电子战反制措施。该自动化流程不仅能够节约宝贵的交战时间，还能减少作战人员的负担，使作战人员专注于威胁识别和拦截监视。
提高未来战场能力
美国陆军可能需要尽快将机器学习和自动化流程整合到“前沿地区防空指挥控制”系统的识别、决策和拦截环节之中。任务指挥系统可利用目前的自动化技术、人工智能技术和机器学习技术，以从目前战场上对导弹威胁的观察中积累经验并进行调整，进而提高反无人机作战的成功率。商业汽车技术的类似进步使得民用车辆具备了人工智能和机器学习能力，实现了自动驾驶功能。使用人工智能和机器学习技术的车辆能够从周围环境中学习，实时访问数据库中的数据，优化决策，学习对象分类，并为驾驶员提供预警。美军中也应用了这一自动化技术，美国海军的“宙斯盾”战舰就是绝佳的例子。美军需要将新兴技术融入其老式系统之中，以推动其发展，并使其创新速度跟上战争的发展步伐。
自动化流程能够减少威胁识别时间，提高拦截能力和拦截准确率，这将为反制新兴无人机技术和威胁带来一种战术优势。随着对手继续创新并部署新的无人机，作战人员可能仅有数秒钟的时间来探测、识别、决策和拦截此类空中威胁，这使得反无人机任务指挥系统的自动化发展成为大势所趋。
