有人/無人機協同作戰運用研究現狀與展望

柳文林，潘子雙，韓 維，李 樾，吳立堯

（1.海軍航空大學，山東 煙臺 264001；2.92728部隊，上海 200443；3.91404部隊，河北 秦皇島 066000）

無人機作為新型的空中作戰力量，具有零傷亡、低成本、易擴展等突出優勢，在軍事領域發揮著重要的作用。未來，無人機將進一步拓展作戰樣式，改變戰爭面貌，從而引發戰爭制勝機理的深刻變革。然而，當前無人機因受到平臺智能水平和有效載荷的限制，不能適應日益復雜化的動態、對抗戰場環境。因此，將作戰性能優異、感知能力強、決策周期短的有人機作為指揮機，將戰術實現靈活、持續作戰能力強且全壽命、成本低的無人機作為攻擊機，兩者構成的有人/無人機編隊，通過彼此之間的密切協同來完成作戰任務。這是加快無人機裝備融入當前作戰體系，實現有人機和無人機的優勢互補，提高作戰效能的有效方式。

有人/無人機協同系統是一類典型的異構系統，該系統協同作戰運用涉及的關鍵技術主要有協同人機交互、協同態勢感知、協同任務規劃和協同編隊控制等。本文重點從有人/無人機協同規劃控制角度，對有人/無人機協同作戰運用發展現狀和關鍵技術研究進行梳理，并對后續發展做出展望。

1 相關項目進展

有人/無人機協同作戰作為全新的作戰樣式，已成為第六代穿透型戰機的發展方向之一，受到世界部分國家的高度關注。美國軍方早在1993 年就提出了“基于編隊的有人/無人航空平臺能力”的先進作戰概念，旨在利用無人機在4D（Dull，Dirty，Dangerous and Deep）環境下執行偵察打擊任務。近年來，人工智能領域的高速發展和技術的突破，進一步推動了有人/無人機協同領域相關作戰概念以及驗證項目的開發。

美國空軍研究實驗室（AFRL）于2015 年發起“忠誠僚機”項目，該構想中，有人機將作為長機對無人僚機進行指揮控制。基于這一構想，在實際作戰過程中，無人機突前展開目標搜索、定位和跟蹤，實現作戰載荷的分布式部署，保證了有人機這一高價值平臺的安全；另外，通過數據鏈的穩定連接，編隊之間實現緊密協同，大大拓寬了有人機的態勢感知范圍，最終實現“先敵發現，先敵打擊”的戰術優勢。XQ-58A（女武神）無人機采用隱身設計且價格低廉，是“忠誠僚機”的理想機型。該機型于2019年3月完成首飛，并在隨后的4 次飛行試驗中完成了對于飛行性能的驗證。基于反介入/區域拒止的戰略背景，美軍相繼涌現出一系列面向未來強對抗環境的新型作戰概念，其中大部分都以有人/無人機協同作戰的形式為落點。以分布式作戰概念為例，其核心思想是將原本集中在單一高價值作戰平臺上的能力分散部署到大量低成本的小型異構平臺上。作戰過程中，有人機主要負責決策并向無人機下達指令，多個平臺通過動態自適應的方式組合形成殺傷網，使敵方陷入認知和決策困難，從而大大提高己方整體的作戰效能。以分布式作戰概念為牽引，美軍開展了一系列技術支撐項目，如“分布式作戰管理（DBM）”“拒止環境中的協同作戰（CODE）”以及“體系綜合技術和試驗（SoSITE）”等，并且同步安排了“小精靈（Gremlins）”“進攻性蜂群使能戰術（OFFSET）”等裝備項目的研發。俄羅斯也以蘇-57 戰機和S-70（獵人）隱身無人機為組合，開展了類“忠誠僚機”概念項目的研究。目前，S-70無人機已經具備機場自主起飛并返航的能力。相較于國外，我國無人機技術的研究雖起步較晚，但近年來，隨著無人化、智能化技術的不斷發展，我國在有人/無人機協同作戰領域也開展了大量具有針對性的研究并取得了一定的技術突破。2014年9 月，由中航工業主持的“伴飛型無人機”項目完成了1架雙模駕駛有人機與3架無人機順序起飛、編隊會合、隊形變換，有人/無人雙模駕駛、編隊解散，在線航路重規劃和順序著陸這一完整運行概念的半物理驗證。2020年10月，中國電子科學研究院開展的陸空協同固定翼無人機“蜂群”系統的試飛試驗，標志著我國正式擁有了實用化的無人機“蜂群”。但總的來說，我國在有人/無人機協同技術上的研究還處在摸索階段，目前，仍缺乏對頂層技術的論證和關鍵技術的突破，距離系統研制和真正列裝還存在較大差距。

2 有人/無人機協同作戰指揮控制架構

傳統的無人機編隊飛行主要依靠地面基站的集中控制，地面操作人員將根據戰場態勢和無人機回傳的數據來指揮編隊執行任務。而有人/無人機指揮控制系統是將有人機平臺和無人機平臺整合為分布式一體化的作戰系統，飛行員不僅操縱飛機，而且還要完成對無人機編隊的指令下達。相對而言，有人/無人機協同作戰模式可以有效解決通信時延帶來的決策滯后問題，從而實現編隊內部的一致性態勢感知與戰術決策。典型的指揮控制架構，如圖1所示。

圖1 有人/無人機協同作戰指揮控制架構[10]Fig.1 Manned/unmanned aerial vehicle coordinated operational command and control architecture[10]

典型的指揮控制架構，主要包括任務規劃層、協調控制層以及功能實現層。其中：任務規劃層負責態勢感知并進行在線決策；協調控制層負責對決策命令進行編碼，并生成動作級命令；功能實現層負責機身各個執行機構的調整，生成相應的機動動作。

3 關鍵技術

有人/無人機協同作戰指揮架構中的協調控制層主要涉及的是協同規劃控制問題，這是一類極具復雜性和耦合性的多約束、多目標決策優化問題，當前的主流觀點是基于分層遞階思想，將該問題解耦為協同規劃層和協同控制層，其中：協同規劃層包括協同任務分配與協同航跡規劃；協同控制層包括航跡跟蹤與隊形保持。

3.1 協同任務分配

有人/無人機協同任務分配問題需要重點研究不同于有人機意圖下的異構無人機任務分配與調度，即在考慮無人機作戰性能、作戰半徑、載荷類型等各方面約束下，將無人機和目標任務相匹配并生成執行調度序列，最終實現作戰效能的最大化。可以看出，協同任務分配是1 項復雜的任務指派和資源調度問題。此外，協同任務分配還與協同航跡規劃問題緊密耦合，在任務分配時，需要考慮相應的航程代價，同時，該問題也是后續開展航跡規劃的前驅條件，即在航跡規劃前需要確定各平臺具體的使命任務和協同方式，并將多個航跡段的初始狀態和終端狀態作為航跡規劃的輸入參數。

針對協同任務分配，當前的通用做法是先將其抽象為經典的組合優化問題，參考現有模型對問題中的決策變量、約束條件以及目標函數進行數學編碼，再利用相應的理論和算法進行求解。其中混合整數線性規劃（Mixed Integer Linear Programming，MILP）和協同多任務分配問題（Cooperative Multiple Task Assignment Problem，CMTAP）模型由于擴展性好，可以用于描述各類復雜的時空約束，應用最為廣泛。就求解算法而言，可以將任務分配問題進一步分為集中式和分布式2種。

3.1.1

集中式任務分配架構中，存在1 個信息控制和決策中心，各無人機平臺向中心實時或周期性通報態勢信息，從而保證任務分配結果做到全局最優。然而，由于任務分配問題的NP 特性，隨著問題求解規模的擴大，如果繼續追求全局最優解，最終將造成維數災難。顯然，集中式任務分配對于規模效應較為敏感，同時，面對實時動態環境，態勢信息的頻繁更新，集中式求解架構極易造成通信擁塞和決策困難。為了在求解速度和解的質量之間取得平衡，采用智能優化算法進行任務分配問題的求解已成為當前的主流做法。

典型的算法有遺傳算法（Genetic Algorithm，GA）、粒子群優化（Particle Swarm Optimization，PSO）和蟻群優化（Ant Colony Optimization，ACO）等，此類算法復雜度低，易于實現且具有良好的擴展性，可以與其他算法結合來提升算法性能。文獻[16]通過對遺傳算法進行分布式改進，加快了異構無人機任務分配問題的求解速度；文獻[17]將非支配排序遺傳算法和島嶼模型、主從模型結合，采用混合式架構將無人機編隊劃分為多個編組，編組之間采用并行運算機制，并通過各自的master節點遷移優解和環境信息，從而實現編組之間的快速學習進化。由此可見，對集中式求解算法進行分布式改進，在計算過程中引入并行機制是加快算法求解速度的有效方式。文獻[19]對量子粒子群算法（Quantum Particle Swarm Optimization，QPSO）做出進一步改進，采用均勻化級聯Logistic 映射增強初始種群的多樣性，有利于搜索到全局最優解；基于高斯概率分布對粒子進行變異操作，以跳出局部最優。姚佩陽團隊將動態列表（Dynamic List Scheduling，DLS）作為啟發策略與智能優化算法相結合，通過動態列表縮小搜索范圍，加快算法的求解速度；文獻[21]針對離散粒子群優化-郭濤（DPSO-GT）算法易陷入局部最優的問題，引入模擬退火（Simulated Annealing，SA）Metropolis 準則，在迭代過程中不但接受優化解，而且還按照一定概率接受相對較差的解，從而跳出局部最優；文獻[22]提出1 種基于變領域搜索（VNS）算法用來改善PSO 算法陷入局部收斂的問題，并且設計了1種概率啟動準則，特別針對陷入局部最優的粒子采用較高的概率進行變領域搜索，從而避免大范圍執行跳出局部收斂的策略，降低了算法整體的計算開銷。綜上，針對智能優化算法的改進，主要集中在提高算法求解速度和跳出局部最優2 個方面，采用并行計算架構和加入啟發信息，可以提高算法的求解速度，增加種群多樣性、調整算法參數或結合局部搜索能力強的算法，可以實現跳出局部最優。

3.1.2

分布式任務分配架構中，無人機通過互相之間的通信協商實現任務協調。由于沒有統一的信息節點，無人機往往只需掌握相鄰無人機的狀態信息即可，但這樣難以保證任務分配解的質量，同時還要在任務協調階段進行一致沖突消解。分布式任務分配的研究重點主要有2類：一是基于市場機制的方法，包括合同網算法和拍賣算法；另一類是基于群體智能的方法。

合同網算法借鑒經濟行為中“招標—投標—中標—簽約”機制，具備任務執行能力的無人機通過競爭和協商來壓低任務執行的代價。拍賣算法最早由Bertsekas提出，本質上屬于具有多項式時間的樹搜索算法，無人機按照多種拍賣規則爭取任務歸屬權。基于市場機制的分配方式需要在一定規模的無人機群體之間進行多輪的通信協商。為降低這一過程中的通信負載壓力，可以基于特定的評價體系構建任務熟人集，在招標前對任務執行主體進行初步的篩選，從而降低通信和計算開銷。類似的方法還有基于范例推理和忽略過期消息等。在通信受限的無人機編隊作戰任務場景中，無人機往往只能在局部建立統一的通信網絡用于協商任務策略，這與基于市場機制的任務分配框架非常類似。文獻[28]在考慮無人機通信范圍的基礎上，基于合同網算法完成了多無人機的動態任務分配。此外，針對由于通信延時造成的無人機態勢感知不一致，產生任務沖突的問題，文獻[23]設計了基于時間戳的一致性沖突消解算法。此外，由于決策時間為多項式時間且采用分布式松散架構，基于市場機制的任務分配在動態不確定場景中表現出良好的魯棒性。

基于市場機制的方法采用顯式通信，天然存在通信負載大的缺陷，而基于群體智能的算法往往采用“刺激-響應”機制的隱式通信，通過個體與個體以及個體與環境之間的簡單交互，涌現出被稱為共識主動性（Stigmergy）的群體智能，從而自組織完成復雜任務。文獻[31]參考蟻群算法構建動態信息素地圖，并設計狀態轉移函數來引導多個個體自組織完成偵察任務；文獻[32]在此基礎上引入Dubins曲線，最終完成多無人機任務分配和路徑規劃的一體化求解；文獻[33]通過降低個體對同一類型任務的響應閾值，從而產生動態學習效果，加快任務分配時的決策速度。

綜合上述分析，集中式任務分配調度與戰前規劃的應用場景比較貼近，在充分考慮各類敵方情報、自身作戰能力以及預期作戰效果的基礎上，弱化實時性要求，制定詳細的任務分配時空方案，從而確定編隊飛行“轉運點”和調度序列。分布式任務分配過程是基于無人機之間的交互協作開展具體的作戰行動，這與編隊實時交戰的進程較為類似。同時，分布式任務分配過程求解速度較快，滿足了實時性要求，在編隊動態合作與集群對抗應用方面獲得了良好的實驗結果。利用分布式任務分配調度技術，可以實現作戰過程中分段航跡目標點的快速標定。

3.2 協同航跡規劃

有人/無人機系統本質上是異構的多智能體系統，對于異構機群的航跡規劃，需要結合任務規劃指標、飛行約束條件和戰場環境等因素，設計協同飛行航跡，以優化總體作戰效能。根據對飛行航跡的描述粒度可以將航跡規劃進一步分為航路規劃和軌跡規劃。航路規劃通常將任務空間離散化處理，以降低問題求解難度，隨后采用圖搜索或者樹搜索的方法進行路徑尋優。圖搜索法利用網格圖的形式進行航跡規劃，是機器人領域廣泛采用的1種重構方法，但在與飛行器動力學模型結合時存在難度，且求解實時性較差；樹搜索是1 種基于采樣的單查詢隨機搜索算法，其無須在規劃前對節點擴展進行預處理，但計算量較大，在節點處不利于跟蹤，拓展到多智能體航跡規劃中較為困難。另外，勢場法由于算法簡單、實時性好而得到廣泛運用，但是在未知環境且存在動態障礙的情況下，建模存在一定的難度，極易陷入局部最優值。

在實際應用過程中，上述的各類航路規劃算法具備良好的擴展性，可以互相借鑒融合，以滿足規劃速度和動態性的要求。另外，協同航路規劃結果可以作為參考解，用于任務分配過程中的航程估計，實現航路規劃和任務分配的一體化求解。軌跡規劃充分考慮飛行器的飛行性能，基于控制量參數建立微分運動方程，從而將軌跡規劃問題轉化為最優控制問題，同時，后期可以更好地對接航跡跟蹤控制算法。其求解辦法主要有直接法和間接法2種。間接法由于數學推導過程復雜，且存在收斂半徑小、對初值敏感等問題，在軌跡規劃方面應用不多；直接法進一步將最優控制問題轉化為參數優化問題，可以采用非線性規劃的相關算法進行求解。其中：啟發式算法在用于多機軌跡規劃時，計算時間長且不易收斂；偽譜法具備良好的收斂性和較低的初值敏感度，但建模存在一定難度且容易陷入局部最優；凸優化作為1 種新興的最優控制算法，近年來在多機協同航跡規劃領域得到了廣泛運用。

隨著無人機作戰運用的不斷推進，航跡規劃過程更加注重實戰化背景的多要素擴展。多機協同問題作為編隊協同戰術實現的基礎，是當前航跡規劃研究的1 個熱點，其中編隊內部避碰以及提高計算效率是問題求解的關鍵。文獻[44]針對有人/無人機編隊協同問題，引入時空協同約束設計了編隊規劃器，充分保證編隊，特別是有人機的飛行安全；文獻[45]提出了1 套基于定制內點法的凸優化子問題求解流程，將多無人機航跡規劃求解耗時降低到秒級；文獻[46]基于動態優先級將無人機集群航跡規劃解耦為多個單機航跡規劃，降低了問題求解難度；文獻[47]提出1種空間分層的多機協同航跡規劃策略，將計算量由指數增長轉化為多項式乘積，有效降低了算法對規模效應的敏感度。

隱蔽突防作為綜合考慮飛行器動力學約束以及真實戰場中電磁空間特性的現實問題，對規劃航跡的安全性以及有效性提出了進一步要求。文獻[48]將飛行高度作為目標函數之一，旨在規劃“貼地飛行”的低空突防航跡，但是對于飛行性能約束以及戰場環境的建模過于簡化；文獻[49]考慮隱身無人機相對于敵防空雷達姿態角引起的RCS變化，以總探測概率最低為目標，完成了雷達網突防航跡的快速規劃；文獻[50]在航跡規劃過程中進一步考慮地形遮蔽對雷達發現概率以及視距（Line of Sight，LOS）的影響；文獻[51]針對多普勒體制雷達盲區特性，研究非隱身無人機的突防航跡；文獻[52]將遠距離支援干擾空域劃設與突防航跡規劃作為多機協同突防問題的一體兩面進行了綜合考慮。

為充分達成預期作戰效果，無人機戰術的展開階段對航跡規劃的精度要求已經提高到了戰術動作級別。此外，在分布式作戰背景下，作戰資源采取分散部署的策略，多無人機在任務執行過程中需要彼此之間展開戰術協同。為此，需要針對具體的任務類型從作戰效能的角度出發，進行戰術動作規劃以及多機協同航跡規劃。文獻[53]針對飛行器投彈過程，將多種基礎飛行動作制定為戰術模板，實現了從軌跡優化問題到參數優化問題的轉變，降低了問題求解難度；文獻[54]通過導彈制導律模型反解出無人機執行投彈任務時的終端狀態約束，采用最優控制理論完成無人機攻擊占位的航跡規劃；文獻[55]對“垂直散開”戰術進行數學描述，抽象出多個戰術導航點，以便進一步的航跡規劃；文獻[56]對多機協同航跡欺騙的時空約束條件進行深入分析，采用Legendre偽譜法求解建立的最優控制模型；文獻[57]從動力學控制的角度對無人機利用地面無人車進行空地協同加油的任務場景展開研究，旨在延長無人機的有效任務時間；文獻[58]針對長機投彈攻擊、僚機照射引導的戰術協同過程，結合hp 自適應偽譜法完成無人機協同對地攻擊分段航跡優化。

綜上分析可知，當前航跡規劃的相關研究正朝著具體任務場景下的實際作戰過程擴展。應瞄準異構多機之間的高效協同，科學運用各種機動策略，提高作戰編隊的突防概率和打擊效能，以期實現全作戰流程的隱蔽出航、成功突防、有效突擊和安全返航。

3.3 協同飛行控制

在完成有人/無人機編隊協同任務分配調度與航跡規劃的基礎上，要實現在真實作戰環境中對飛行器平臺的編隊飛行控制，需要重點研究如何讓異構多機編隊對規劃航跡進行穩定跟蹤以及在協同戰術展開時保持穩定的戰術構型，這是無人機作戰運用底層技術實現的重要一環。

3.3.1

真實作戰環境中，風場變化情況十分復雜，存在定常風、切變風、隨機風和梯度風等多種擾動形式，其對機群編隊飛行控制的影響不可忽視。文獻[60]運用粒子濾波的方式，對風場進行參數估計，實現風場模型的建立，其采用的對狀態變量估計的方法可以較好地應用于非線性風場模型。后期，需要特別針對風場擾動，設計相應的飛控算法，以提高編隊無人機跟蹤控制系統的魯棒性和控制精度。

此外，滑模變結構控制和動態逆控制在單機航跡跟蹤中也有較多的應用：前者在求解復雜高階控制問題上效果較好，但保守性大，易出現控制量飽和的問題；后者的系統模型受仿射非線性限制的影響小，在工程中應用較多，但受飛行器建模精度的影響較大，往往需要考慮抗擾動的問題。

3.3.2

有人/無人機編隊隊形控制作為編隊飛行的基本保障和核心技術，在編隊飛行過程中，它控制編隊內各機保持期望隊形的幾何關系不變或在允許誤差范圍內變化。當前，在無人機、機器人、無人水下航潛器和航天器編隊等應用領域均有較為成熟的編隊控制方法，大致分為領航跟隨法、基于行為法、虛擬結構法和一致性算法，有人/無人機編隊保持控制問題，可以從這些領域汲取相關技術經驗。

其中，領航跟隨法比較符合當前的有人/無人機協同作戰應用場景。有人機作為編隊的指揮機充當長機角色，相應的，無人機作為僚機在擾動條件下對有人機進行穩定跟蹤。該方法控制形式簡單，有人機按照預先規劃的航跡飛行，無人機與有人機之間的相對位置關系根據飛行航向設定后，就可實現對整個跟隨編隊的飛行控制，大大簡化了控制過程。文獻[70]基于領航跟隨策略，設計了時變擾動下的動態反饋自適應有人/無人機編隊隊形保持控制器，其能夠有效消除外界擾動對編隊構型的影響；文獻[71]通過滑模控制器（SMC）實現了leader 和follower 的隊形保持，并使其均能穩定跟蹤參考軌跡；文獻[72]基于領航跟隨的編隊拓撲結構，設計了1 種具有容錯機制的編隊保持控制算法，可以對外界擾動、氣動參數的不確定性和執行器故障進行補償，從而實現魯棒控制。

特別的，有人/無人機編隊在出航和返航以及部分特殊任務場景下需要采取緊密編隊的飛行方式：該飛行方式一方面可以提高僚機的升阻比，從而節省燃料；另一方面可以作為某種特定的協同樣式以滿足任務需求。如文獻[74]中，采取多無人機緊密編隊的方式進行，可以有效地隨隊支援干擾，以實現對敵雷達網的突防。與松散編隊飛行不同的是，緊密編隊飛行時，長機會在后方產生翼尖渦流，形成編隊內部的氣動耦合效應。為此，針對緊密編隊，需要在氣動耦合條件下設計更為精確、穩定的隊形控制算法以保證編隊的飛行安全。文獻[76]針對空中自動加油的任務場景，對加油機的尾渦流場進行了精確仿真，并通過風擾動下的受油機動力學建模，分析出加油機尾渦對受油機動態特性的影響；文獻[77]通過“在線”編隊氣動模型預測編隊內部產生的氣動耦合效應，并基于此，設計了魯棒自適應編隊控制算法。

綜上分析可知，異構機群的飛行控制是連接航跡規劃與航跡跟蹤的“紐帶”，對編隊在實際戰場環境中按照預定航跡飛行，實現既定的戰法戰術起到了底層支撐作用。為此，合理設計風場環境下有人/無人機編隊飛行控制算法以及氣動耦合效應下的編隊隊形保持控制算法，對于保證編隊飛行安全，提升編隊戰斗力意義重大。

4 總結與展望

有人/無人機協同作戰作為未來戰爭的發展方向之一，在學界和軍事領域引起了廣泛關注。本文從規劃控制的角度對其關鍵技術發展進行了梳理和總結，可以看出，相關研究不斷地在向作戰運用聚焦，取得了眾多理論技術成果，但距離真正的實戰應用還存在如求解速度、動態適應和任務細節覆蓋以及硬件支撐等方面的不足。隨著計算機、人工智能、多智能體理論等在橫向與縱向領域的快速發展，有人/無人機協同作戰運用的相關技術和理論呈現出如下的發展趨勢。

4.1 基于深度學習/強化學習的任務規劃研究

通過3.1 節的分析可知，任務分配本質上來說屬于經典的組合優化問題。近年來，眾多學者利用深度學習和強化學習理論在組合優化問題上開展了一系列前沿探索性的研究工作，該方法在序列決策的求解上表現出極強的動態性和學習能力。在未來高烈度及對抗環境下的無人機作戰需要開展實時性任務規劃與決策控制，而深度學習與強化學習在這一方面具有極大的潛力，現階段已有一些初步的研究成果。

4.2 基于群體智能的耦合問題一體化求解

有人/無人機協同作戰運用的最終目標是實現每個作戰平臺“在正確時間到達正確地點執行正確任務”，這是1個高度耦合的多目標優化問題，需要異構多機之間展開信息層、任務層、載荷層的高效協同。傳統的分層遞階思想將該問題解耦為多個并列的子問題，但是作戰過程呈現的復雜系統特性使得這些問題相互嵌套，難以做到完全獨立。智能化集群作戰是未來戰爭的1 種發展趨勢，可以借鑒社會化生物群體的集群行為，賦予單個作戰平臺一定的智能水平，并基于特定的交互規則與組織架構，實現群體智能涌現。該方法在求解難以進行細節抽象的耦合問題方面，具有天然優勢并展現出自組織、自適應能力以及良好的規模擴展性，可以在作戰過程中實現感知協同、任務協同和火力協同等問題的一體化求解。

4.3 基于作戰視角的總體技術框架設計

當前，有人/無人機協同作戰領域的技術研究更多的是著眼局部細節，對未來的作戰運用價值難以形成體系效應。相反的，從作戰視角出發，發揮先進作戰概念對技術發展的牽引作用，可以實現從戰爭謀劃到技術研發的良性閉環，掌握戰爭整體的先勝優勢。為此，須進一步厘清有人/無人機協同作戰能力建設需求，并以此為基礎進行相關技術的整體框架設計。當前，“穿透型制空”“馬賽克戰”“信息機動”等作戰概念催生出的“低-零功率”、跨域協同和智能決策等能力需求，為有人/無人機協同作戰相關技術發展指明了方向。隨著戰爭形態的不斷演變，未來有人/無人機協同作戰運用的技術發展更加需要向實戰聚焦，以先進作戰概念為牽引，將作戰進程引入電磁環境和概率空間，融入成熟的戰法戰術，加強作戰過程的動態對抗特性，并精細化設計異構多機之間的協同規則，不斷增強交戰過程的復雜性和不確定性，從而使敵方陷入態勢認知和決策方面的困難，使我牢牢把握戰爭制勝優勢。