无人机集群技术综述及发展应用

张昱昊

摘要：无人机集群技术作为智能无人机领域的重要发展方向，可有效解决单机作业的不足，并能够适应日益复杂的无人机作业环境。本文从理论层面介绍了无人机集群的概念及发展现状，从智能算法、环境感知、任务规划、路径规划和自主避障等方面详细阐释了无人机集群的关键技术，并提出其面临的技术挑战，对未来发展方向做出一定判断。

关键词：无人机集群；智能算法；环境感知；任务规划；发展趋势

引言

无人机作为一种可通过自主控制或远程控制实现平稳飞行，并执行特定任务的无人驾驶飞行器，是目前广泛应用于军用和民用领域的空中机器人系统[1]。以往传统的无人机作业，通常是指单机作业，而由于使用环境的日益复杂化，作战任务或特定用途的日益多样化，单机作业已无法更好地满足使用方的需求，因此多机协同作业的科技理念应运而生，为实现多机协同而得以快速发展的智能集群技术也得到了科研工作者的重视。本文将从无人机集群技术的原理概述和国内外研究现状出发，解析智能集群的关键技术和相关算法，并阐述其面临的技术挑战和未来的发展应用。

1 无人机集群技术概述及发展现状

“集群”的概念最初起源于对生物学的研究，即对蚂蚁、蜜蜂等群居生活的昆虫集群性行为的探究。群居昆虫具有高度结构化的社会组织特性，通过其独特的信息交互方法实现信息的传递，并表现出集群化智能行为，使其可很好地完成远超个体能力的复杂工作任务。这种生物学行为给予科研工作者很大的启发，随之出现了集群智能方法，通过个体之间的协同工作来实现整体的复杂任务的顺利执行，在提高任务执行力的同时提高了算法的鲁棒性和计算能力。在此，给出集群的概念：集群是指拥有共同工作目标的多个实体构成的群组，集群会基于任务需求协调不同实体的行为，这些行为会根据不同个体的特定任务，随环境变化而进行动态调整[2]。

无人机的集群即借鉴了源自生物学研究的“集群”概念，是指具备有限或完全自主能力的多架无人机，在有限的集中控制指令的条件下，通过相互之间的信息交互和协同工作，完成预期的超越单机作业的复杂任务。集群技术使得无人机群中的单一个体都具备自主飞向任务区域且避免相互碰撞的能力，并且可以自动处理个体任务，结合了人工智能、自主避障、路径规划等先进技术。本文结合相关文献[3]，将无人机集群技术的优势总结为以下三点：

（1）高鲁棒性：由于不存在名义上的中心控制个体，因此不同个体之间相互传递信息，即使有单个个体失效，无人机群仍然可以维持正常工作；

（2）自主化飞行：工作期间所有个体只对自身飞行任务负责，并与其它个体传递信息，但不影响其它个体的正常工作；

（3）自修正性：稳定的集群结构自主生成，如有单一个体失效，新的集群结构会快速形成并恢复稳定形态，不影响整体工作任务。

无人机集群技术实现了多机协同工作，体现了作战性能的优越性，国内外已对该项技术展开了广泛研究。国外在无人机集群技术领域发展较快，美国DARPA（国防高级研究局）和NRL（海军研究实验室）已在该领域取得了一定的研究成果。以美国研究成果为例，目前已有小精灵项目、山鹑项目、拒止环境中协同作战项目等。小精灵项目（Gremlins）于2015年8月立项开展，成本低，高效快速，可在空中发射与回收、重复使用。山鹑项目（Perdix）于2014年开展，2017年的美国海军作战实验中，以0.6马赫速度投放了103架山鹑无人机，创下美军军用无人机蜂群最大规模飞行记录[4]；该实验中无人机蜂群未提前嵌入飞行程序，在地面站指挥下自主实现协同，展现了集体决策、自修正、自适应编队飞行的集群化作业性能。拒止环境中协同作战（CODE）则体现了无人机集群的抗干扰能力和较强的适应能力，由DARPA主导完成。

2 智能集群的关键技术及相关算法

2.1 集群智能算法

蚁群算法是在智能集群技术中常用到的一种智能算法，其研发受到蚂蚁觅食的启发。该算法原理为把待解问题转换成相应的构建图，在构建图中依照一定的规则释放人工信息素，随着信息素依照某种规则的不断累积，人工蚂蚁可探测人工信息素的浓度并以此得出问题的解。人工魚群算法可以用在智能集群技术的环境感知中，该算法为自上而下设计的寻优算法，基于鱼群觅食、聚集、尾随等生物学行为，在无人机集群中可将不同个体类比为不同的鱼类个体，来感知同伴，探索环境，规避障碍物。此外，我们还可以用到的算法有粒子群算法，遗传算法，一致性集束算法等。

2.2 环境感知技术

无人机集群面临的作业环境一般较为复杂恶劣，对环境感知技术提出了较高的要求。环境感知技术首先从硬件出发，利用光电传感器、雷达设备、视觉成像技术等传感元件收集飞机所处环境的信息数据，在原始环境数据的基础上运用特征识别算法，识别目标环境的目标特征，从而引导无人机集群在目标环境中作战或执行特定任务。该部分的关键技术除传感器等硬件设备研发外，还包括特征识别，对环境和识别实体的数学建模，对识别信息的融合和数据共享等。

2.3 多机协同任务规划与决策

多机协同作业区别于单机作业，鉴于无人机集群目前较多应用于军事领域，多机协同作战常见于复杂战场中同时完成情报获取、多方位侦察、覆盖式攻击或多点攻击等任务执行。在这些情况下，如何合理地分配不同单机个体的作战/作业任务成为问题的关键。无人机集群基本具有个体成本低，数量多，鲁棒性高及自修正能力强等特点，因此其任务分配基本依照保证最大益损比，保证较高容错率和任务均衡的原则进行。任务规划和决策算法可参照本节第一部分提出的集群智能算法，在该部分技术中算法优劣在很大程度上决定着任务的完成情况。

2.4 路径规划与自主避障

无人机集群在飞行作业时需要具有自主规划飞行路线和规避障碍物的能力，在缺乏中心控制的条件下，需要使每个集群的个体同时具备自主的飞行控制能力。该部分技术也需要从软硬件出发进行研究，首先需要有稳定的飞控系统，保证每架无人机的平稳飞行；此外，需对个体设计局部路径规划算法，避免飞行路线的冲突，消除碰撞事故；基于传感器技术设计自主避障算法，赋予集群中个体自主规避障碍物的能力。同时，集群技术的信息交互能力，使得不同个体之间可以有效传递重要信息，进一步完善了无人机的路径规划和避障功能。

3 集群技术的难点及未来发展

3.1 面临的技术挑战

无人机集群的概念由美国提出，其发展同样以美国DARPA等研发机构走在国际前列，国内目前对该领域的研究不足，尚处于研发的重要发展期。该技术所具备的巨大优势得到了国内相关科研机构的普遍重视，北京航空航天大学、哈尔滨工业大学等高校及科研机构也都对该技术展开深入探讨。本文从硬件和软件两方面对该技术的技术难题进行阐述。

硬件方面，环境感知技术、自主避障技术等对传感器的性能提出了较高要求，高精度雷达、视觉传感器等成为重要的研究方向。个体间的信息交互对无线传输系统提出了一定要求，需要同时具备实时性和较高的抗干扰能力。复杂的飞行任务对飞控提出了较高要求，需要在短时间内处理较多飞行数据。

软件方面，智能算法是集群技术的研发焦点。目前，传统的集群算法如蚁群算法、粒子群算法、遗传算法等无法处理复杂的集群问题，在面临庞大的多机协作群体时，计算量较大，现有算法无法在短时间内得到有效的处理结果。此外，实现集群模型的稳定性和自修正功能的相关算法发展尚不完善，仍需进一步研究以改善处理效果。

3.2 未来发展趋势

无人机集群技术的未来发展首先是要解决研发过程中的技术挑战，在上文已有提及，可总结归纳为集群的自主性、协同性和算法智能性等方面。随着人工智能的发展，无人机集群技术也进入了新的阶段，将传统的集群技术与人工智能方法相结合促成了未来发展的重要趋势。在路径规划方面，传统算法可以与人工智能的预测控制算法、神经网络、深度学习算法相结合，提高路径规划的智能化程度和精确度。在环境感知方面，基于深度学习的图像识别技术为更好地感知作业环境提供了更多可能。在集群个体的自主性方面，自适应学习算法可应用于无人机的自主飞行，适应更加复杂的操作环境。

结束语

无人机集群技术是航空技术和自動化技术发展的一个重要方向，是无人机技术发展的必然趋势，其本身所具有的诸多优势，使其在军事领域得到重视和高度发展，未来在无人机物流、无人机农植作业等民用领域也会得到发展应用。本文在介绍其发展现状的基础上解析了无人机集群的几项关键技术，体现了其多学科融合的理论特色。随着人工智能的发展，无人机集群技术将会进入更快、更高的发展阶段。

参考文献：

[1]张涛，芦维宁，李一鹏.智能无人机综述[J].航空制造技术，2013，432 （12）：32-35.

[2]牛轶峰，肖湘江，柯冠岩.无人机集群作战概念及关键技术分析[J].国防科技，2013，34 （5）：37-43.

[3]武晓龙，王茜，焦晓静.美国小型无人机集群发展分析[J].飞航导弹，2018 （2）.

[4]贾高伟，侯中喜.美军无人机集群项目发展[J].国防科技，2017，38 （4）：53-56.