无人机集群技术国内外对比

飞行控制与仿真   2023-04-11 14:08 发表于广东

点击上方蓝字关注我们微信公众号！

    国内的无人机集群在编队表演方面已经演绎的淋漓尽致，但是在作业与军事上还是鲜有研究，而国外特别是美国直奔战场而去，并形成了理论。

无人机技术正处于大力发展阶段，单架无人机的系统集成度越来越高，功能也越来越强大。然而，面对日益复杂的应用环境和多样化的需求，无人机受其自身软硬件条件的限制，仍有某些局限性：对单架无人机而言，其自身的燃料、重量和尺寸起着重要的限制作用，无法形成持续有力的打击力度；受机载传感器以及通信设备的限制，单架无人机也无法实现对任务区域的多维度、大范围覆盖；在执行高风险任务时，单架无人机可能因为受到攻击或自身故障而失效，从而导致任务系统容错性不足等等。对小型无人机尤其如此。

为弥补单架无人机的局限性，美国空军科学顾问委员会指出，无人机应当以集群的方式协同工作，而不是单独行动。在未来很多应用场景中，无人机将体现出多机西戎工作的特点。即由多架相同或不同型号的UAV组成多无人机系统，协同作业，共同完成任务。无人机群，由多种型号的有人或无人机组成的混合集群，甚至无人机与其他有人或无人作战机器如无人战斗车辆组成的混合异构群组，必然是未来战争无人作战机器的主要作战形式。这样，既能最大地发挥无人机的优势，又能避免由于单架无人机执行任务效果不佳或失败造成的不良后果，提高任务执行效率，拓展新的任务执行方式，从而达到提高系统可靠性、改善任务执行效果的目的。

多UAV协同工作的优势主要来源于信息融合和资源互补两个方面。在多机并行执行任务的过程中，每架无人机收集到的信息都是其各自位置上的局部信息，无人机群众所有成员的信息又组合成一个信息模型，提供给鞠策系统进行多机系统内的任务分工和调度，以提高任务的执行效率；且当某个成员失效时，能及时更新系统信息，动态调整系统成员间的执行效果，从而提高系统的可靠性和容错性；受单机能力和任务要求的限制，需要多架无人机共同完成某项任务，或者多机相互配合，以满足任务的时间、空间与指标优化等要求，达到资源和功能互补的效果，如对同一个目标依序执行确认、攻击和毁伤评估任务，对同一个执行同时性的多角度跟踪任务等。

要指派多架UAV协同执行一项任务，提高任务的效能，就离不开合理高效的协同控制手段，必须对多机系统进行合理的协同任务规划。它是对多无人机UAV协同执行任务进行研究的核心，设计控制理论、运筹学、决策理论、图论、信息论、系统论、计算机科学、荣恭智能、通信理论等多个学科领域。

在实际任务的执行中、受UAV、任务要求和环境因素等的影响与制约，对多UAV进行协同控制是一个极其复杂、极具挑战性的过程，其复杂性主要体现在：

（1）任务环境的复杂性：复杂的对抗性的动态环境，可能包含着多种既有的和突发的威胁、障碍、极端天气等，而且UAV与系统可能无法获知或无法及时获知环境的全局信息及其变化；

（2）多无人机系统成员间的差异：UAV数量以及不同UAV间的运动学动力学特性、功能差异、信息收集与处理和通信能力的差异，而且无人机可能在任务执行过程中失效等；

（3）任务需求的复杂性：不同的任务具有不同的要求，其在作战目标、时序约束、时间感性约束、任务间耦合约束、任务指标等各个方面均可能存在着差异，而且作战目标还可能存在着不确定性，如移动目标、目标参数不确定等问题；

（4）计算复杂性：在进行协同任务规划问题研究时，不可避免的会碰到一个NP难题，即随着问题规模的线性增长，如无人机数量、目标数量等，问题的解空间呈指数级的爆炸式扩张，当问题规模增大时，从这个庞大的解空间中找到最优解需要耗费大量的计算，非常困难。当任务的实时性要求较高时，这个矛盾会更突出，甚至会直接以你选哪个协同任务的执行效果；

（5）通信约束的复杂性：任务环境的复杂多变就必然会对UAV机群的通信网络造成影响，如通信拓扑结构变化、宽带受限、通信干扰、通信延时等，甚至可能会出现虚假通信等问题，在考虑到UAV本身的通信设备性能限制，如通信距离和宽带等，以及某些任务可能会要求通信尽可能的少，这极大的增加了多机协同问题的复杂程度。

在上述复杂性的共同作用下，多无人机协同任务规划问题就变成了一个极其复杂的问题，对该问题进行建模与求解的难度也大大增加。作为无人机技术发展的一个重要趋势，多UAV协同控制方面的研究方向收到了美国军方的极大重视，已经被美国空军研究局列为六大基础研究课题①之一，也成为学术界的研究热点之一。

注① ：美国空军研究局六大基础研究课题：1）灵感来自生物的概念；2）协同控制；3）等离子体动力学；4）太空微型科学；5）量子计算；6）用于可支付得起的新型系统的材料工程学。

国外研究现状

为探索多无人机协同工作的理论与实现机理，国外已经开展了大量相关的研究项目。其中具有代表性的是美国国防部高级研究计划局（DARPA）牵头的自治编队混合主动控制项目（Mixed InitiativeControl of Automata-teams，MICA②）、广域搜索弹药项目（Wide Area Search Munitions，WASM）和欧洲信息社会技术计划（Information Society Technologies，IST）资助的异构无人能及群实时协同与控制项目（Real-time Coordination and Control of Multiple Heterogeneous UAVs，COMETS③）等。

注② ：ＭＩＣＡ 项目的目标是，在减少操作员人为干预的前提下提升无人机的自主与协同控制能力，涉及的研究内容包括无人机自主协同作战的分层控制结构、多无人机自主编队控制方法和无人机协同作战的建模与仿真技术等，参与研究的机构包括加州大学伯克利分校、麻省理工学院（ＭＩＴ ） 以及霍尼韦尔公司（Ｈｏｎｅｙｗｅｌｌ）等。

注③ ：欧洲COMETS项目是一个多国合作的民用研究项目，其研究对象是一个由包括无人直升机和无人飞艇在内的多平台异构无人机群组成的协同探测与监视系统，研究目标是为该异构多UAV设计和实现分布式实时控制系统，集成分布式感知与实时图像处理等技术，并在森林火灾监视任务中对系统的关键技术进行演示验证。该项目的相关结果已经陈列在其官方网站上http://www.comets-uavs.org/），最终成果也已经集中出版。

MICA项目对多UAV协同作战的多项关键技术进行研究，其研究目标是探索新的监视和控制手段（即自主协同控制方法）以使人能更好地参与到战场管理过程中，实现相对较少的操作人员对大规模无人作战平台编队的控制。其研究课题包括协同任务分配、无人机路径规划、多机协同跟踪、编队控制等多个方面，参与团队主要来自麻省理工学院、加州伯克利大学等。WASM项目则多以UAV广域搜索与打击任务为背景，采用分层控制与优化的手段对多机协同控制进行研究，并在研究过程中建立一个MultiUAV协同控制仿真平台。

从这些研究项目可以看出，多无人机系统控制涉及软硬件机器整合等多个方面，其中一个核心课题就是多无人机协同任务规划问题，它直接决定在各个UAV个体间进行工作任务分配和如何执行，以在多种复杂因素影响下最大化系统效率。目前国内外已经有大量多个UAV协同任务规划问题为主题的学术论文。

在任何对多无人机协同任务规划的研究中，首先必须明确其研究的任务背景是什么，再根据该任务背景要求进行进一步的分解和细化，形成无人机可以完成的工作，进而根据任务指标并考虑某些因素进行问题建模与求解。协同任务规划问题以多UAV系统总体性能最大化或代价最小化为指标，其一般形式为将若干工作指派给多个UAV执行。因为现实中存在着极其多样化的任务背景以及复杂的影响因素，目前存在的任务规划方法无不是针对特定的任务背景进行研究。

由于多无人机协同任务规划问题的复杂性，一般采用分层控制（Hierarchical control）的方式将其分解成为决策层、协调层、执行层等若干个子问题，再对这些子问题进行求解，从而降低解决这个复杂问题的难度。如Boskovic，J.D.等人提出将任务规划问题分解成决策层（decision making layer）、路径规划层（path planninglayer）、轨迹生成层（trajectory generation layer）、内环控制层(inner-loop control layer)等4个层次，其中：决策层负责多UAV系统顶层的任务决策、避障、冲突消解、任务分配和指标评估等；路径负责任务执行中的运动规划，生成航路点，以引导UAV规避威胁、障碍等；轨迹层则负责根据UAV的状态、输入和初始条件等，为UAV生成通过航路点的可飞路径；控制层则保证UAV准确的沿着生成的轨迹飞行，并进行一定的冗余管理以降低干扰等因素的影响。Tsourdos，A.等人则从UAV协同路径规划的角度讲任务规划的层次结构分为机群协同任务规划与分配层、机群协同路径规划层、单机控制层等三个层次。这些研究表明，这类分层控制的思路可以很好的梳理和降低多UAV协同决策与控制中的复杂性，是解决该问题的有效手段。

有了分层控制的思路之后，需要对多机系统任务规划问题进行建模与求解。从数学角度（运筹学，Operationgsresearch）看，该问题属于一类复杂的组合优化问题，需要对多UAV集群内各个成员进行任务指派和资源分配。对该优化问题进行建模与求解的方法有很多种，大致可以分为集中式和分布式两类，两者各有千秋。从发展的时间早晚来说，集中式的发展要早于分布式，但由于分布式相对而言在动态、不确定的场景下和实时性要求等方面的适用性更广泛，对它的研究热情有大涨之势。

特点是在系统中存在着一个中心节点，由这个中心节点完成整个系统的任务指派和调度、协调等工作，无人机仅充当任务执行者的角色。在集中式的处理过程中，问题建模和求解这两个方面有着较为清晰的界限。

将多UAV协同任务规划问题抽象成组合优化问题的形式，需要借助图论（graphtheory），把问题参与者，包括无人机和任务对象（如地面目标）等，抽象成图（graph）的节点（vertex），而一个UAV以某种状态对一个对象执行任务的过程则抽象成图的边（edge），再引入二元决策变量，把这个复杂的规划问题刻画成一个有向图（directedgraph）的形式。实际上不管集中式还是分布式方法都存在着这样一个问题抽象的过程。 

然后，可以采用现有的方法对该问题进行建模，并使用某种合适的搜索算法（search algorithm）对这个有向图搜索以确定最优解。

现在已经存在多种集中式任务规划建模方法，包括多旅行商问题（Multiple Travelling Salesmanproblem，mTSP）、车辆路由问题（VehicleRouting Problem，VRP）、网络流（NetworkFlow Optimization，NFO）模型、混合整数线性规划（Mixed-Integer Linear Programming，MILP）等。前两种模型一般用于处理单一任务的多UAV协同，如协同搜索任务等，在建模过程中可以考虑问题的时间相关约束，如时间窗约束等。在处理多任务时，如确认/攻击/毁伤评估一体化任务，设定为只对目标位置访问一次的mTSP和VRP模型则变得不太好用。此时，NFO和MILP模型相对更适用些。

NFO模型在早期对广域搜索弹药（WASM）问题的研究中使用较多。该方法以无人机为网络中的供货商，需要执行的任务（可能是对地面目标的确认、打击、毁伤评估等任务）为物流，而把对无人机执行某项任务的指派决策当做雪球，无人机对应决策的执行代价或收益则作为货物在网络中流动的成本，基于图论建立网络流模型。优化目标则是网络流量总代价最小。

MILP模型应该是目前使用较广泛的集中式任务规划方法，在WASM、SEAD（Suppression of Enemy Air Defense，敌方防控火力压制）等问题中均能建立较合适的模型。该方法属于网络流模型的自然拓展，其在建模过程中引入了两种类型的决策变量：二元决策变量和连续决策变量。这两类变量的使用，让MILP方法能处理更管饭的任务规划与调度问题，可以考虑更复杂的约束，如时间、资源等，本质上讲就是使任务规划模型与一般意义上的组合优化问题更接近了。

在NFO和MILP模型的基础上，Shima，T.等人总结并建立了被称为“协同多任务分配问题”（Cooperative Multiple Task Assignment Problem，CMTAP）的组合优化模型。CMTAP模型采用图论描述方法，以多UAV系统对多个地面目标协同执行受时序优先级的约束的确认（classify）、攻击（attack）和毁伤评估（verify）等三种任务为任务场景，考虑了时间、资源、可飞路径冯多想约束。该模型能较好的描述多UAV协同任务规划问题，基于它稍作改动即可适用于广泛的应用场景。

理论上讲，在建立任务规划模型后，可以选择很多种搜索算法进行求解，如广度优先搜索（breadth-firstsearch）、深度优先搜索（depth-first search）、Dijktra算法、Bellman-Ford算法等确定性的图搜索算法，分支定界（branch and bound）、动态规划（dynamic programming）等优化算法，以及遗传算法（genetic algorithm，GA）、粒子群优化算法（particle swarm optimization，PSO）、禁忌搜索（tabu search）、模拟退火（Simulated Annealing）等启发模式随机搜索算法。

采用前两类算法的好处是可以保证能够找到问题的最优解，而且由于已经存在大量成熟的商业软件如CPLEX等，可以直接使用它们而大大减少研究人员的工作量。在处理简化问题时，它们因穷遍整个解空间而能获得问题的最优解，但随着问题规模的增长，解空间的尺寸也指数级膨胀，遍历所搜的计算量迅速增大，要穷遍整个解空间可能变得不显示。这就是多UAV协同任务规划问题的NP-hard特性。

为绕开这个计算难点以减低大型问题的求解难度，Rasmussen，S.J.等人提出了一种树搜索（tree search）算法对WASM问题进行处理，他们将组合优化问题以决策树（decision tree）的形式表达出来，然后一边通过最佳优先所搜（best-firstsearch）在已搜索的可行解中不断降低解的上界，一边又在决策树上未评估的分支中通过欧氏距离确定解的下界以减少计算量，在这个定界的过程中，可行解的上下界范围不断缩小。从而避免确定性所搜算法遍历枚举（exhaustive enumeration）计算量过大的缺点，在处理小型问题时截止确定最优解；而大型问题时则如果在线使用能立即给出一个相对较好的可行解，如果离线使用则仍能找到问题的最优解。因而，该方法具有较好的灵活性。然而，尽管这种改进的确定性树搜索算法能在某些问题中取得好的效果，但其广泛适用性却可能经不住考验。

启发式算法（heuristics）在处理这类大型复杂的组合优化问题时，由于其启发式的随机特性，并不企图穷遍整个搜索空间，而在计算时间和解的最优性能之间达成某种妥协，从而可以在接受的时间和计算代价内获得较好的次有解。Rasmussen，S.J.等人早在2003年就对启发式算法和最优算法处理大型问题时的效果进行了比较，结果表明启发式算法具有明显的优势。因而，这种启发式的随机特性使得它们在处理大型复杂问题时具有天然的优势，今年来已经有大量的研究使用了这类算法。

GA作为一种典型的启发式算法，被研究人员广泛的用于多UAV协同任务规划问题研究中心。Shinma，T.等人把任务规划问题归纳成CMTAP模型之后，将该问题的解编码成矩阵的形式：以矩阵的列作为染色体的基因（gene），表示将某架UAV指派去对某个目标（target）上执行某项任务（task）；以矩阵为染色体（chromosome），表示CMTAP的一个可能解。通过对自然选择的过程的模型，首先构建一个初始化种群，然后通过杂交、变异、选择等过程，对染色体种群迭代演进，最终获得一个较好的可行解。尽管该解可能不是最优解，但能在可接受的时间内获得一个次优解，怎么都要比长时间等待计算最优解的结果来的好。随后Karaman，S.等人使用进程代数（processalgebra）改进了GA的染色体编码和杂交、变异等遗传算子，从而进一步提高了GA在处理大中小型问题时的适用性。

PSO作为另一种启发式算法，有着与GA不同的演化策略，它模仿鸟群捕食行为，将可能解视作一个粒子（particle），被赋予一个速率在解空间中运动，根据其自身历史最佳位置和粒子群（particleswarm）整体的历史最佳位置，调整其运动速率，从而达到在解空间中寻优的目的。这个算法与GA相比，不需要构建大量个体组成的种群，概念简单，实现容易。

集中式控制方法经过多年的发展已经较为成熟，其全局特性较好，在处理强复杂耦合问题时，可以通观全局，获得较好的可行解，具有较大的优势。但其实时性、鲁棒性和容错性等方面的不足导致了它在动态、不确定性和实时性要求较高的应用中效果不佳。此时，需要寻求别的解决方法。

（2）分布式任务规划方法

很多是基于市场机制的合同网络协议。Smith，R.G.在1980年首次提出将合同网协议用于分布式问题求解。该方法的基本思想是将任务分配过程视为一个市场交易过程，通过“拍卖-竞标-中标”（auction-bid-award）这个市场竞拍机制实现分布式系统内部工作任务的指派和调整。当一个系统成员产生新任务时，如发现新目标，可以向系统中其他成员发布市场拍卖合约；其他成员则对该合约进行评估，如果可行则向拍卖者回复自己执行该合约的代价；合约拍卖者收到竞标者的价码后，进行评估，选择合适的执行者，进行任务指派。这样，一个基本的市场交易活动即大致完成。其原理简单直观，易于实现，且执行效率高，已在包括多个UAV协同决策与控制在内的多个领域被广泛研究和应用。

在合同网协议的基础上，研究人员进一步发展出更多的分布式方法。由于合同网只给出了协商的框架和协议，却反形式化的模型。有研究人员将一种描述离散事件动态系统的图形化工具——Petri引入到合同网的建模与分析中，使合同网协议更加的严格化，从而实现更好的系统协商效果。

分布式方法在近些年的发展中，越来越受到关注，已经有大量的方法被提出和应用，如协商一致理论、对策论、信息素、多智能体系统等等。这类方法由于其对动态不确定性问题的适用性发展迅速，目前正处于火热的研究中。

国内研究现状

今年来国内越来越多的研究人员参与到多无人机协同规划问题的研究中。如叶媛媛④详细分析了任务规划问题的理论和特性，以多目标优化理论为基础，建立多无人机协同任务规划的多目标证书规划模型，并对其进行求解；龙涛⑤提出一种有限中心的分布式控制体系，在合同网协议基础上提出多种类型合同和协商机制的分布式体系进行在线实时的任务重分配；柳林⑥在对分布式多机器人系统的研究中，总结了合同网拍卖机制的理论基础，基于合同网机制提出NeA-MRTA和NeA-MRTA算法进行简单任务动态分布式分配，针对复杂任务的动态分布式分配问题，则基于NeA-MRTA提出一种CA-MRTA算法进行处理，取得了比较好的效果。

具有里程碑意义的是，2013年，国内在多无人机协同决策与控制领域处于领先地位的国防科技大学沈林成教授团队归纳总结最新研究成果，出版了一本专著《多无人机自主协同控制理论与方法》⑦。这本专著分析总结了多无人机系统的理论和技术发展脉络，对包含多无人机协同任务分配、协同轨迹规划、协同目标状态估计、编队协同控制、多机协同自组织等在内的多个协同控制课题都进行了归纳与研究，提出多个方法解决对应的协同问题，并给出典型应用下多机协同控制问题的理论分析和方法描述。这本专著对国内的研究人员有很高的参考和指导价值。

国内外文献，大部分研究对基于多任务时序优先级约束的多无人机协同任务规划问题不够深入。该问题主要受如下因素影响：

（1） 多无人机系统的异构性，即机群由多种具有不同性能的无人机组成；

（2） 无人机机载资源（如弹药）的有限性，即无人机群仅懈怠了有限的资源执行任务；

（3） 多任务间的时序优先级约束，如对地面目标的确认/攻击/毁伤评估一体化任务中，必须对目标确认之后才能发起攻击，而毁伤评估则显然必须在攻击完成之后才能进行，这类时序约束带来的问题，如死锁问题，将会严重影响对多无人机协同的协同控制；

（4） 对多无人机系统内部成员间的工作负荷强度关注 不足，由于协同任务执行过程中，可能有的系统成员工作强度大，有的则显得过于“清闲”，这时如果存在一种机制能使得系统成员间的工作强度相对的均衡化，那么系统效能将得到一定程度的提升。

注：本文章转载自其它媒体，转载目的在于传递更多信息，如有侵权可联系我们进行删除。