復雜環境下無人集群系統自主協同關鍵技術綜述

向錦武，董希旺，丁文銳，索津莉，沈林成，夏輝

1. 北京航空航天大學 航空科學與工程學院，北京 100191 2. 北京航空航天大學 人工智能研究院，北京 100191 3. 北京航空航天大學 無人系統研究院，北京 100191 4. 北京航空航天大學 自動化科學與電氣工程學院，北京 100191 5. 清華大學 自動化系，北京 100084 6. 國防科技大學 研究生院，長沙 410073 7. 北京電子工程總體研究所，北京 100074

無人集群系統自主協同是2017年《新一代人工智能發展規劃》核心內容和2020年新基建的關鍵支撐，在國民經濟和社會發展主戰場中有廣闊應用前景。無人集群自主協同是Gartner 2020年十大戰略技術趨勢，是美國“第3次抵消戰略”和“馬賽克戰”中的顛覆性前沿技術。無人集群系統通過異構無人平臺之間的協同互補可顯著提升任務執行效能，在大規模協同區域搜索、集群優化調度等多種任務應用中展現出廣闊的應用前景。在實際應用中，無人集群系統需要滿足環境開放、態勢多變、資源受限、響應實時等需求，要求系統具備分布式協同感知、智能協同決策、魯棒協同控制等核心協同能力。

目前，國際范圍內學術界和產業界盡管在復雜環境下無人集群系統自主協同相關理論和技術方面取得了一系列突破，并在特定場景下開展了小規模無人集群技術驗證試驗，但是仍然無法應對高動態、不確定、資源受限等復雜環境帶來的技術挑戰，尤其是沒有一套開放性異構無人集群體系架構作為支撐，沒有形成完整的任務鏈、殺傷鏈閉合(即感知、認知、決策、執行、評估的全流程閉環)。

本文面向大規模無人集群系統在大氣污染檢測、園區無人物流、火災救援等多任務應用需求，闡述了復雜環境下大規模異構無人集群魯棒自主協同的基礎理論與關鍵技術。通過對復雜環境下無人集群系統執行任務的場景及能力需求的分析，梳理出相關方向存在的挑戰與難點。圍繞目前學術界和工業界的研究進展，概述了無人集群系統自主協同的新理論、新技術和新進展。最后給出了復雜環境下無人集群系統自主協同領域未來的發展方向思考。

1 國內外研究現狀

1.1 復雜環境下無人集群系統自適應異構體系架構和建模方法

無人集群通常是由大規模相對簡單的無人平臺組成的、通過無人平臺個體之間的局部協作實現全局協同行為的群體系統。國內外針對無人集群領域做了大量探索性工作，例如編隊飛行、任務規劃、目標跟蹤等，但是針對無人集群體系架構研究的報道相對較少。無人集群體系架構研究的目的在于采用何種方式將無人平臺、載荷、功能模塊等要素組織起來，從而發揮集群更大的效能，因此體系架構是構建集群系統首要解決的問題[1]。

國外影響力較大的軍事領域的體系結構框架有美國軍方的信息通訊指揮攻擊系統(Command, Control, Communication, Computer, Intelligence, Surveillance, Reconnaissance, C4ISR)體系結構框架和國防部體系結構框架(Department of Defense Architecture Framework, DoDAF)、英國軍方國防部體系結構框架(Ministry of Defense Architecture Framework, MoDAF)等，其中DoDAF影響和應用最為廣泛。DoDAF是由美國國防部根據多年研發軍事系統的經驗結合系統工程技術制定的一種結構框架(Architectural Framework, AF)。國內基于DoDAF定義的結構產品構建結構模型的研究成果包括：指揮控制、交戰管理與通信(Command, Control, Battle Management and Communications, C2BMC)系統結構[2]，天基信息支援作戰系統結構[3]，以及防空反導作戰體系結構[4-5]等，但是用基于DoDAF框架的方法對無人集群執行任務概念和結構建模的研究鮮見報道。

根據信息交互的策略，現有集群架構通常分為集中式和分布式架構。分布式架構具有較好的擴充性和容錯性，能夠將突發影響限制在局部范圍內，適宜于大規模系統。在項目開發方面，美國國防部高級研究計劃局[6](Defense Advanced Research Projects Agency, DARPA)發布體系集成技術和試驗(System of System Integration Technology and Experimentation, SoSITE)項目，尋求開發并實現用于新技術快速集成的系統架構概念，無需對現有能力、系統或體系進行大規模重新設計，并在拒止環境中協同作戰(Collaborative Operations in Denied Environment system,CODE)的項目[7]。構造了一個綜合真實/虛擬/構造環境的測試框架。美國海軍研究生院建立了無人集群任務行動“使命—戰術—行動—算法—數據”5層任務框架[8]。美國國防部概括并抽象出了無人集群行動建模與仿真問題域框架“思考—觀察—移動—會話—工作”，并給出解決這些問題的方案；中國有幾家單位做過幾十、上百架無人機飛行試驗，如北京航空航天大學[9]、中國電子科學研究院[10]、國防科技大學[11]等，但其飛行是分別對每架無人機進行控制的，并沒有一套具備通用/開放性的體系架構作為支撐。

效能評估理論是隨著航空科學技術的發展而逐步成熟起來的一門多體系交叉的學科，用來評價系統執行特定任務所能達到預期目標的有效程度。中國的效能研究起步比較晚，較系統地進行效能分析是20世紀80年代后期才開始的，歷史雖然不長，但發展較快，在近幾年已形成了基于模糊技術的方法，包括層次分析法、模糊綜合評價法、灰色評估及分析法等[12-13]。在無人集群效能評估研究方面，中國學者開展了部分研究，包括：文獻[14]圍繞對地攻擊型無人機群協同作戰問題，引入了多機協同效能影響因子表示多載荷之間的影響關系，研究了以任務載荷為變量的無人機群的協同作戰效能計算模型；文獻[15]建立了對敵攻擊型無人機作戰效能評估指標體系，在此基礎上建立了綜合指標模型，完善了效能模型中的各分項能力；文獻[16]基于“感知—判斷—決策—行動(Observation-Orientation-Decision-Action, OODA)”循環分析了無人機協同作戰各階段的效能影響因素，設計了一套無人機協同作戰效能評估體系與模型，并對模型進行了驗證；文獻[17]針對無人機空地作戰效能評估問題，提出了基于自適應粒子群算法優化反向傳播神經網絡的無人機空地作戰效能評估方法，對空地作戰效能評估的主要影響因素進行了分析，總結了無人機空地作戰效能評估指標體系；文獻[18]以經典有效、可依賴、能力(Avaliability, Dependability, Capacity, ADC)模型為基礎，考慮了保障度和突防因素，提出了適合體系作戰條件下偵察無人機作戰效能評估改進模型，建立了作戰效能評估指標體系；文獻[19]在分析未來智能無人機群體作戰需求和特點的基礎上，研究構建了一套通用的效能評估指標體系架構，為智能無人機群體效能的科學評估提供理論基礎。中國目前有做過幾十、上百架無人機集群飛行試驗，但都沒有一套開放性異構集群體系架構作為支撐。隨著無人集群節點規模和構型的增加，異構集群體系架構設計難度呈指數上升；現有體系架構通常只關注特定領域，很少能夠適應多種任務。為滿足復雜環境下任務多樣性需求，亟待建立一套大規模異構無人集群自適應開放式體系架構，并形成統一的標準規范。文獻[20]指出無人集群的協同OODA框架是未來重要發展方向。

1.2 復雜環境下高維態勢分布式感知與認知

無人集群協同感知主要包含協同定位技術、協同目標識別、多源傳感器協同優化和協同目標跟蹤等方面的內容。視覺同步定位與建圖技術通過視頻攝像頭獲取的環境信息對無人機的位置、姿態及其所處環境進行稀疏三維地圖構建。面向無人集群的應用場景可分為多無人機場景和無人機與無人車協同場景。針對多個無人機協同的場景，擴展卡爾曼濾波-即時定位與地圖構建(Extended Kalman Filter- Simultaneous Localization and Mapping, EKF-SLAM)、粒子濾波-即時定位與地圖構建(Particle Filter-Simultaneous Localization and Mapping, PF-SLAM)[21]、圖-即時定位與地圖構建(Graph-Simultaneous Localization and Mapping, Graph-SLAM)[22]技術均在不同的使用場景下實現了協同定位，其中，EKF-SLAM更適用于圖像特征點明顯的環境，PF-SLAM的檢測完整性相對更好，Graph-SLAM的計算量相對較小，適用于高動態的場景。無人機與無人車協同感知架構可以實現對環境更精確的地圖構建，一方面無人機通過攝像頭擴大視野范圍，另一方面無人車使用激光雷達等傳感器實現精準定位，從而得到的全局地圖既涵蓋了較大的探測范圍，又實現了高精度探測[23-24]。

協同目標識別通過多無人機之間充分關聯目標之間的信息，得到共同提升的目標識別結果。FAST-RCNN[25]、Yolo[26]等算法均提供了較好的單目標檢測率，實現了在不同場景下的目標跟蹤。文獻[27]提出了一種簡單高效的數據關聯方法用于多目標跟蹤，利用檢測框和跟蹤軌跡之間的相似性，在保留高分檢測結果的同時，從低分檢測結果中去除背景，挖掘出真正的物體，從而降低漏檢并提高軌跡的連貫性。

由于單一傳感器無法滿足全天候、全天時、全地域、高精度感知等方面的要求，需要多源傳感器的部署滿足無人集群的感知認知任務。然而，復雜環境的多源傳感器往往極難實現同步，因此需要對無人集群的多源傳感進行進一步優化。傳感器同步問題往往轉換成基于概率圖模型的估計算法，將狀態估計問題表示成因子圖，并對因子圖進行分解求解。Chen等[28]提出一種基于因子圖的多源融合算法，解決了分布式導航中的多源傳感器異步的問題，張靖等[29]將因子圖轉換成概率模型，以解決傳感器異步帶來的擬合誤差。

受到單傳感器探測范圍和探測精度的制約，利用多源傳感器組成分布式傳感器網絡，可以對大機動目標進行分布式估計，獲得目標精確的位置、速度、加速度等關鍵狀態信息。在實際復雜環境中[30-35]，多傳感器多為異質異構的，首先需要解決多源異質傳感器的分布式融合問題，相關學者開始研究基于一致性的分布式跟蹤算法來對異質傳感器探測信息進行有效融合[36-39]。其次，考慮到能量消耗和對抗干擾場景，Li等[40]提出一種基于事件觸發的分布式狀態估計算法在實現對大機動目標準確狀態估計的同時引入事件觸發機制，有效節省能量并減小被地方探測到的概率?？紤]到部分傳感器節點失效的問題，Dong等[41]提出一種切換拓撲下的分布式估計算法，通過有效的拓撲切換，時刻以最佳的觀測陣位獲取到目標的有效觀測信息，實現魯棒協同跟蹤。

無人集群協同認知技術包含多源協同威脅判定、協同態勢圖生成等方面的內容。協同威脅判定采用多層次的評判方法，兼顧無人集群的風險因素，對當前無人集群所處環境的威脅進行判定?？紤]到相對距離、相對方位、速度等方面的因素，判定某一目標是否會對無人集群的正常行駛造成威脅?，F有的協同威脅判定算法往往應用在空戰、無人車自主避障等場景。例如，據空戰效能、空戰態勢及作戰意圖所建立的目標威脅評判模型。吳亞輝等[42]依據視覺深度學習方法研究了機器人環境感知及自主避障方法，為機器人僅依賴視覺和慣導傳感器就可以實現障礙物識別和自主移動避障提供了依據和參考。無人集群的協同認知技術目前還存在較大的發展空間，在面向不同的應用場景下，需要進一步對無人集群面臨的威脅進行精確的定義，以支撐后續的威脅判定和避障算法。

1.3 可引導、可信任、可進化的無人集群系統智能決策與規劃

多變任務類型和復雜動態環境下大規模飛行器集群協同決策規劃的整體架構包含決策層與規劃層。決策層在宏觀層面上進行集群內各智能體的任務分配或行為決策，規劃層在動力學層面上為每個智能體設計狀態轉移的軌跡[43]。

集群協同決策是實施編隊協同作戰的關鍵支撐，通過對戰場環境、作戰需求以及各種約束條件的綜合分析與計算，在任務決策層面對多個飛行器的作戰任務進行合理規劃，可以提升飛行器集群協同效能[44]。任務分配問題本身也是一個離散整數規劃問題[45]，典型方法包括匈牙利算法、拍賣算法、粒子群算法[46]等。從求解策略上來看，基于啟發式的生物群體智能算法(如狼群算法[47]等)在解決小規模飛行器集群系統的任務分配問題具有良好的應用效果。然而隨著約束的復雜化、集群的大規?；?，經典的算法求解時間的局限性將會不斷凸顯。因此，基于強化學習的方法強調在與環境的交互中學習，最貼近人類的學習模式，在求解多約束條件下任務分配問題有潛在的應用前景。文獻[48]構建面向數量可變的無人機集群自主協同任務的網絡，通過回報組合、參數調整、觀測空間設計，進一步實現無人機集群自主協同任務優化與分配。還有一些工作[49-50]將強化學習應用于無人機的決策中，并拓展到了移動邊緣計算等多種應用場景。盡管基于學習類的智能任務分配方法有一定優勢，然而其對環境的復雜性和任務場景的多樣性較為敏感，而且訓練的過程不易收斂，尚存在一些有待突破的難題。

協同規劃的核心任務則是規劃集群內各個智能體狀態轉移的軌跡[51]。一般情況下，智能體的運動須保證不與障礙物發生碰撞，滿足自身動力學的約束，而且實現任務層的特定需求[52]。在未知環境下部署多智能體的困難主要包括障礙物參數化困難、感知距離有限、通信可靠性低以及不一致的定位引起的定位漂移[43]。與單機軌跡規劃[53]相比，協同規劃面臨的兩大額外挑戰是集群個體間的拓撲規劃與相互避障。在拓撲規劃方面，文獻[54]提出了一種拓撲規劃方法，在復分析中二維曲面的同源等價關系的基礎上，將Voronoi圖與采樣式全局路徑規劃方法，以及TEB (Timed-Elastic-Bands)局部軌跡規劃方法相結合。此外，在文獻[55]研究的基礎上，香港科技大學[56]提出了一種高效的拓撲等價性檢查方法，實現了實時拓撲規劃。在相互避障方面，速度障礙法可用于以點描述的機器人[57]，完整約束智能體[58]以及非完整約束智能體[59]?？▋然仿〈髮W的研究者[60]提出了一種分布式的異步規劃方法，使無人機能夠躲避靜態與動態障礙，并保證集群內不發生碰撞。然而，目前大部分研究仍無法應用于自然環境下的全自主集群系統?？傮w來說，飛行器集群在線決策規劃方法的實時性和精確性之間存在著嚴重矛盾，這也是集群協同規劃研究的重點和難點。

1.4 復雜環境下無人集群系統自主協同控制

自然界中的生物個體，可以通過局部交互，形成復雜的群體行為，實現相互配合，彌補自身的不足。例如魚群長途遷徙[61]、蟻群協同搬運[62]、狼群協同捕食[63]等。從宏觀系統的角度來看，集群系統具有自適應高、魯棒性強、應用前景廣等特點[64]。

作為實現群體智能的重要手段之一，無人集群的協同控制問題受到了國內外研究學者的廣泛關注，其主要的協同控制應用主要包含：一致性控制[65-67]、編隊控制[68]、編隊跟蹤控制[69]、編隊-合圍控制[70]等。實際上，根據多領導者和跟隨者在狀態/輸出空間中的相對位置差異，無人集群編隊跟蹤控制問題可以轉化為編隊-合圍控制。集群系統的編隊-合圍控制可以定義為，跟隨者的狀態/輸出進入領導者狀態/輸出形成的凸包的內部。編隊-合圍控制可以廣泛應用于有人/無人戰斗機協同攻擊的過程中。文獻[71]等給出了編隊-合圍的充分條件。文獻[72]研究了一階與二階集群系統的編隊-合圍控制，同時給出了編隊-合圍的充分條件。國內外研究學者研究了高階系統的編隊-合圍控制，進一步研究了多源干擾下，具有時變輸入的跟蹤-領導者下的編隊-合圍控制問題[73]。隨著一致性理論的快速發展，不少學者提出了一些重要的基于一致性的協同控制策略。

無人集群(無人機、無人車等)在實際執行協同任務時，會受到外部復雜環境的約束。例如，在無人物流場景中，送貨無人機在城市執行協同任務時往往受到外部電磁設備的干擾造成無人機之間通信的中斷；森林滅火無人機在執行森林協同滅火與救援時候，惡劣的外部環境往往對無人機的控制協議的魯棒性提出了更高的要求；在大氣監測場景，領航多旋翼無人機進行環境監測時候，外部的干擾往往造成領航無人機存在著未知外部控制輸入的情況發生，這就導致無人集群采用常規的控制協議時，無法能夠保證集群實現最終的協同任務。面對不同約束條件下衍生出的無人集群系統協同控制問題，國內外的一些學者得到了非常重要的理論結果。例如：利用一致性理論，研究學者在文獻[74-75]中分別研究了切換拓撲、多領導者、輸入飽和、非線性約束等條件下的編隊跟蹤控制問題，但是無人集群在實際執行協同任務時受到的外部擾動情況更加復雜，現有控制方法并不能準確地消除其影響。

在更多實際應用場景下，無人集群可能存在不同的動力學，例如無人機與無人車組成的空地協同搜索場景，因為無人機具有視野范圍廣、靈活性高等特點，可以為無人車提供通信中繼的功能。對于異構集群系統，國內外研究學者首先針對一階和二階多智能體所組成的特殊異構集群系統，考慮多約束條件，給出了實現一致性的控制方法[76]。進一步基于內模原理與輸出調節理論，異構集群系統的研究逐漸由低階系統轉到一般系統，由無領導者轉向有領導者的控制[77]。在機器人控制領域，Duan等[78]研究了由一組無人機與無人車所組成的異構多機器人系統的編隊控制問題。考慮無向聯合連通拓撲、離散時間、非線性、輸入飽和約束的影響，眾多文獻提出了對應的異構集群編隊跟蹤方法。進一步針對高階異構集群系統，國外學者研究了高階異構集群系統的編隊-合圍跟蹤控制問題，利用跟蹤-領導者來刻畫集群整體的宏觀運動，基于輸出調節策略構造了間歇通信條件下的編隊-合圍跟蹤協議。文獻[79]基于自適應控制理論設計了完全分布式的編隊-合圍跟蹤控制器。為了有效控制整個集群系統的宏觀運動軌跡，利用輸出信息構造觀測器，Li等[80]提出了一種全分布式控制器，實現異構集群的編隊合圍跟蹤控制。目前國外的無人集群仿真越來越貼近實際場景，當前集群系統的研究仍然以實驗室等理論環境為主，尤其針對復雜異構集群系統，關于實際任務場景的研究很少，缺乏針對實際應用場景的驗證。

1.5 復雜環境異構無人集群自主協同技術應用驗證

無人集群具有廉價、小型、便于大規模運輸和部署的特點，近些年在火災救援、大氣監測、物流運輸等方面發揮出越來越重要的作用。在森林火災撲救場景中，多旋翼無人機的應用較為廣泛[81]。通過高空勘察可以協助消防人員動態掌握火勢發展蔓延方向及現場滅火力量分布情況，發現被困人員，以及鎖定明火目標和探測殘火[82]。無人機集群在空地協同搜救活動中，可以有效規避危險，并且提高搜救效率，在地震、火災等場景中都能發揮巨大作用[83]。

無人配送不僅可以降本增效，還能緩解勞動力短缺問題，市場空間極大，是無人集群在復雜環境應用驗證的重要場景。中國無人配送市場空間可達到7 500億元，預計2030年無人配送市場可達到萬億級。近些年全球各大電商或物流巨頭正投入大量人力、物力發展無人機物流。以無人倉、無人車、無人機為代表的各項無人技術迅猛發展，加快了智慧物流發展的步伐。美國網絡電商公司亞馬遜，將大數據、人工智能和云計算等技術運用于倉儲和物流管理，開創了一整套以高科技為支撐的電商倉儲物流模式。中國京東、順豐、菜鳥等物流公司近些年也在進行無人機物流研發，并取得了一些顯著的成果，無人集群進行協同轉運與配送貨物更能提高物流工作效率。例如：以無人機協同配送貨物時，單個無人機的載重量較小，通過多個空中無人機組成小規模的集群系統進行協同配合，將貨物空中搬運到目的地，可以有效地提高工作效率。由無人車-無人機高低搭配的異構無人集群系統進行無人配送貨物時，當地面無人車遇到山陵等障礙導致路面交通不便時，空中無人機可以將貨物進行空中運送，實現貨物的快遞送達。因此，無人集群在現代無人物流中有著廣闊的應用前景。

在環境監測方面，利用新型傳感技術、衛星遙感監測、無人機航測等科技手段開展無人機、無人車等設備的氣體環境監測，為大氣防治提供行動了新思路[84-85]。利用無人機、無人車等非接觸設備協同作業的方式，能夠同時從高空俯瞰和深入煙霧與有毒氣體、污染氣體的區域，拓展了信息監測維度，能夠在更短的時間里更加高效地獲取更為全面的信息。

目前對無人集群建模與仿真的研究，主要聚焦機器人操縱系統、無人系統任務規劃、編隊控制、自組網通信、智能算法等技術層面。當前，國內外關于無人集群系統協同技術的面向特定場景和半開放環境下的單項技術仿真驗證取得了一定成果[86-88]。美國海軍研究生院以無人集群ISR以及空戰任務為例給出了其作戰行動軍事概念模型示例，并建立了無人集群作戰行動“使命—戰術—行動—算法—數據”5層任務框架仿真平臺。清華大學提出了一種在實驗室環境下低成本的人工智能無人機集群控制演示驗證系統。國防科技大學圍繞無人集群體系仿真試驗床，提出了基于復雜系統的體系理解、面向整個武器裝備體系等8條新理念。

進行無人機集群協作完成任務實物試驗，不論是發揮無人機在未來軍事還是民用中的廣泛作用都有著顯著優勢。美國國防部戰略能力辦公室開展了“山鶉”微型無人飛行器項目，進行了“山鶉”無人飛行器空中發射試驗、發射機編隊試驗，用來研究無人飛行器集群的群體決策、編隊飛行和協同偵察等能力。北京航空航天大學通過無人機集群飛行試驗，對無人機集群自主飛行控制、仿生視覺認知與智能感知、飛行器智能決策與智能控制等技術進行探索驗證。中國電子科學研究院開展了200架固定翼無人機集群飛行試驗。國防科技大學研制了20架規模的小型固定翼無人機集群飛行驗證系統。在“無人爭鋒”無人集群智能挑戰賽中，空天神劍隊將異構集群系統控制技術攻關和集成驗證系統成果應用于比賽中，并獲得多個比賽的冠軍。

在體系架構方面，隨著無人集群節點規模和構型的增加，異構集群體系架構的設計難度呈指數上升，現有體系架構通常只關注特定領域，很少能夠適應多種任務，復雜環境下無人集群系統任務對系統架構的適應能力和異構節點間的互操作能力要求更高，因此亟需開展自適應異構體系架構和建模方法研究，并形成統一的標準設計框架與規范。此外，中國對無人集群效能認知與評估方法依然存在局限，受國外研究影響較大，在結合實際情況進行分析時適配性不足，亟待建立一套適用于多任務場景的無人集群效能評估體系。

在感知認知方面，基于多源信息融合的分布式協同目標跟蹤技術，在國內的研究中目前已經形成一套完成的體系架構，一些基礎性的研究已經非常成熟并大規模地應用，例如多傳感器時間同步技術，多傳感器空間對準技術。然而，現有的算法架構針對一些極端光照及惡劣氣候條件無法實現魯棒的感知認知。例如，在夜間等弱光照射的場景，感知算法無法精準捕捉到目標物體，導致認知算法不能對物體目標物體進行檢測和高精度追蹤；降雨、霧霾等氣候均會對感知能力造成影響，從而影響認知算法的精確度。在實際應用中，現有的算法需突破以上瓶頸，從而實現高效魯棒的無人平臺全天候全場景感知認知技術。

在決策規劃方面，國內在小規模集群系統協同決策規劃領域已取得較為扎實的研究基礎，算法的理論性強，在適應動態任務與環境、小規模集群協同、同構智能體協同優化等挑戰性問題上取得了一定的進展。但面對大規模的集群協同問題，首先，由于集群規模的增長，集群協同決策規劃問題復雜度呈指數級增長，解決小規模問題的方法不再適用；其次，集群協同通常依賴于組網，客觀存在的時延、丟包、誤碼、拓撲快變，使得集群協同決策規劃更加困難，一旦遇到復雜電磁環境，更是難上加難；第三，大規模集群往往可能伴隨著異構組成，需要技術方法能夠適應集群異構性質。

在協同控制方面，目前國外學者開展無人集群協同控制方面的研究比較深入，集群的仿真也越貼近實際場景，而當前中國學者對于集群系統的研究仍然以實驗室等理論環境為主，尤其針對于復雜異構集群系統，關于實際任務場景的研究很少，缺乏針對實際應用場景的驗證。雖然一部分學者得到了復雜環境下無人集群實現協同任務的結果，但無人集群在實際執行協同任務受到的外部擾動情況更加復雜、物理安全與信息安全受到不同類別的威脅，現有得到的控制方法并不能準確地進行刻畫并消除其影響。

在驗證方面，通過對國內外現有無人機集群相關技術仿真試驗及應用現狀進行分析，無論是無人集群仿真試驗還是軍事民用應用國內尚處于探索、試驗、驗證等初級階段。國內異構無人集群實際應用中任務場景簡單且呈現“靜態化”。無人機平臺多為單一機型，且多為中小型無人機，尚無異構無人集群在典型場景中的應用。限于無人機平臺、監管政策及法規、航線因素等，支線無人機物流和干線無人機物流開展較少，處于理論探索階段。在智能仿真系統驗證中，基于分布式自學習迭代集成仿真理論的研究與仿真平臺的建立還不完善，亟需能夠給予更好的可視化、模塊化的仿真結果。在無人集群飛行器試驗中缺乏針對異構無人集群分布式并行感知、認知、控制及決策綜合能力的試驗驗證。

2 存在的挑戰與難點

2.1 復雜環境下無人集群系統自適應異構體系架構和建模方法

集群體系架構領域還存在如下幾方面挑戰，如圖1所示。

1)規?？蓴U展性。隨著規模增加，不論在理論還是系統實現上，集群系統體系結構設計的難度指數上升。

2)多樣性。高度自治化的集群系統需要支持多樣化任務。

3)影響因素復雜性。影響無人集群系統任務能力的因素多、規模大、因素間關系復雜并存在組合約束。

4)涌現效果復雜性。無人集群一般采用分布式控制原理，在演化過程中產生整體的涌現性效果，這些效果體現在系統的結構、功能和行為等方面，難以進行分析評估。

5)時空演變性。在利用集群執行任務時，由于信息不確定性、不完全等，集群編隊會根據感知到的任務目標狀態采取不同的協同策略。

2.2 復雜環境下高維態勢分布式感知與認知

無人集群系統在災害救援、區域物流等重大應急事件和經濟民生中能夠發揮不可替代作用。集群分布式感知與認知領域還存在如下幾方面挑戰，如圖2所示。

1) 當前，國內外關于無人集群態勢感知尚未開展基于分布式多源傳感器信息融合的感知與認知方面的研究，無人集群在實際應用中無法適應復雜不確定的環境，亟需將高維態勢感知與認知作為無人集群導航研究的重要探索方向。

2) 在面向高動態、不確定、資源受限等復雜環境，協同區域搜索、集群優化調度等多任務應用需求，需考慮不確定和資源受限條件下高質量異構異質傳感數據處理、具備條件觸發機制的融合框架及動態場景下的自適應切換拓撲技術，提升無人集群系統的分布式態勢感知與認知能力。

2.3 可引導、可信任、可進化的無人集群系統智能決策與規劃

集群系統協同控制的快速發展，為大規模無人系統智能控制打下了良好的基礎，但是集群系統協同控制還存在如下亟待解決的問題與挑戰，如圖3所示。

1) 多源擾動存在下系統的魯棒性還需要進一步提高。隨著無人集群規模的增大，傳統的協同決策規劃架構無法適應大規模信息傳輸導致的通信時延，復雜環境下存在黑暗、擁堵、潮濕等問題，給強魯棒協同決策規劃帶來了困難。

2) 無人集群環境下包括遠距離無法感知的空間障礙、突發或消失的任務目標、復雜的電磁環境在內的問題對集群協同決策規劃的魯棒性帶來極大挑戰。針對任務場景的一體化結構尚未建立。面向復雜的任務場景，單一的結構降低了集群系統自主決策和學習的能力，同時也無法根據實際的需求進行自適應轉換。

3) 決策系統的自學習能力有待加強。決策規劃系統不具備自主學習與迭代更新的能力，而復雜任務場景可能隨時提出新的要求，給決策規劃的設計帶來困難。

2.4 復雜環境下無人集群系統自主協同控制

無人集群系統協同控制還存在如下亟待解決的問題與挑戰，如圖4所示。

1)多源擾動存在下系統的魯棒性還需要進一步提高。復雜環境下存在黑暗、擁堵、潮濕等問題，給強魯棒協同控制協議設計帶來了困難。

2)無人集群系統執行協同任務時候，面臨信息安全與物理安全問題，如電磁環境下通信鏈路層面包括Dos在內的攻擊容易造成數據包的丟失或錯誤數據的注入，造成無人集群系統的通信受到干擾，通信數據的完整性與正確性得不到保障；集群系統面臨外部動態障礙物與靜態障礙物對集群系統造成的物理威脅，而采用傳統基于人工智能的防碰撞協同控制方法仍需要突破。

3)現階段集群傳統的協同控制算法，無法適應大規模異構集群系統的計算需求。針對任務場景的一體化結構尚未建立。面向復雜的任務場景，單一的結構降低了集群系統自主決策和學習的能力，同時也無法根據實際的需求進行自適應轉換。適用大規模實際應用場景的集群系統實驗亟需開展。

4)針對于復雜異構集群系統，實際任務場景結合很少，缺乏針對實際應用場景的驗證。

2.5 復雜環境異構無人集群自主協同應用驗證

無人集群自主協同應用驗證領域還存在如下幾方面挑戰，如圖5所示。

1)無人集群仿真試驗在中國尚處于探索、試驗、驗證等初級階段，缺乏基于分布式自學習迭代集成仿真理論的研究與仿真平臺的構建。

2)目前中國沒有建立一套標準的多任務異構無人集群驗證平臺，不能滿足無人集群飛行試驗的場所及設備需求。

3)在實際應用方面，無人集群技術在大氣監測、物流配送及火災場景救援等典型領域的應用尚處于技術論證和探索階段。大規模無人集群系統需要更加科學的路徑規劃，科學的決策規劃能力使得集群能夠自動規劃與實時調整任務路徑，保證集群內各智能體的安全穩定。

4)在有人無人協同合作的情況下，需要更敏捷的有人無人協作能力來保證異構集群在不同環境中的任務可執行性。

3 關鍵技術及進展

圍繞高動態、不確定、資源受限等復雜環境下強魯棒、高智能的無人集群自主協同控制技術，從面向大規模無人集群系統協同區域搜索、集群優化調度等多任務應用需求，建立復雜環境下大規模異構無人集群魯棒自主協同理論，形成分布式“感知—判斷—決策—行動”OODA循環自主協同全過程方法體系，如圖6所示。提出開放式無人集群系統架構設計與效能評估方法，解決復雜環境下高維態勢分布式感知與認知、可引導、可信任、可進化的智能決策、復雜環境下無人集群系統自主協同控制3個科學問題，突破非結構化協同互補采集與融合、無中心自組織集群任務規劃、分布式強魯棒安全協同控制3項關鍵技術。綜述大規模集群系統驗證平臺的進展，聚焦大氣污染監測、園區無人物流、火場災害救援3個典型場景，給出典型場景的任務需求以及技術解決方案。

3.1 復雜環境下無人集群系統自適應異構體系架構和建模方法

在無人集群系統自適應異構體系架構和建模方法研究方面，以無人集群自主協同基礎理論框架為指導，提出無人集群系統自適應異構體系設計方法，開展面向任務效能的集群網絡效能評估、集群結構與行為建模和系統互操作性研究，實現無人集群系統效能試驗評估。

3.1.1 基于MBSE的集群系統集成方法

采用基于模型的系統工程(Model-Based Systems Engineering, MBSE)方法和工具研究空基異構無人集群系統，使用自頂向下的解析方法逐級分解集群系統結構，通過自底向上的反饋方法進行迭代改進，形成清晰的群系統模型、子系統模型、單元模型和對應的結構、流程、用例。以模型為基礎，以MBSE方法為手段，開發多層次仿真平臺工具，形成開放式系統仿真構架。提出的設計與系統集成方法如圖7所示。

3.1.2 基于MBSE的集群系統建模方法

MBSE是一種以模型為中心的系統工程層次設計方法，MBSE以模型為驅動方式，代替傳統設計中的文檔驅動模式，通過對型運行測試分析和驗證系統設計方案，在系統工程層面保證設計方案的正確性和最優化。重點是通過解構方法明晰整個系統架構的詳細結構，即任務、階段、戰術、行動、算法和數據6層。圖8為無人集群6層級任務架構。

3.1.3 無人集群行為建模研究

在集群自主協同行為的要素認知層面，結合現有的生物群體行為涌現性以及機器人智能集群系統的涌現性行為研究，并充分考慮集群自主協同系統的分布式、自組織、協作性、穩定性等典型特點，提出集群群體涌現性行為的4類基本行為模式：空間組織行為、導航行為、集群信息交互與決策行為和其他集群行為，如圖9所示。針對考慮集群特征和任務功能動態演化規律的認知框架問題，基于以上集群自主協同任務—結構—行為要素認知及數學規范化表達的研究。

3.1.4 無人集群網絡化效能評估方法

1) 效能評估指標體系的建立。建立效能評估指標體系是對集群進行效能評估研究的基礎，針對無人平臺典型任務流程分析各個任務階段的任務需求，基于對無人集群特性及任務功能演化規律的多尺度認知結果選取了相關指標項；針對無人集群各效能影響因素之間存在復雜關聯關系而非彼此獨立的特點，建立了網絡化效能指標體系框架，如圖10所示。

2) 無人集群網絡化效能評估方法。在指標體系的基礎上，結合OODA任務過程分析，建立了考慮無人平臺效能的網絡模型，如圖11所示?；谀Ｐ蛯螜C—集群涌現性能力進行分析，實現“點”—“鏈”—“網”效能突破評估，通過指標體系結合集群任務鏈路分析模型實現對集群多層次的效能分析評估。

3.1.5 無人集群體系架構虛擬驗證

在無人集群系統效能預測與評估優化模型建立的基礎上，為驗證效能評估的準確性與準確性，同時分析無人集群系統行為的運行機理與技術架構，提出無人集群系統行為虛擬驗證仿真模塊，分為多智能體仿真推演與三維展示2部分。

如圖12所示，首先分析典型任務場景，針對無人集群任務—結構—行為映射交互機理進行認知，根據任務需求提出效能指標體系?；诘讓有茉u估指標體系，對多智能體進行初始數據賦值。根據具體場景任務，利用多Agent仿真軟件進行全過程仿真推演，在推演過程中，考慮任務過程中智能體與環境的交互，如電磁干擾，設備失效等情況。將整個過程中智能體推演數據進行采集，實時反饋給效能評估模型，有效實現效能預測與評估優化。

3.2 復雜環境下高維態勢分布式感知與認知

在復雜環境下，無人集群需要通過信息交互實現對高維態勢的分布式感知與認知。研究弱光場、高采樣速率下的高維態勢數據的編碼采集機制、緊致表達與編碼感知方法，設計高維態勢分布式耦合機制，解決高通量態勢與低傳輸帶寬的矛盾，提出高效能解碼方法；研究非結構化協同互補采集技術和多源異構融合算法，構建多源異構融合機制，從而進行多源傳感數據處理、共享與信息融合，實現環境全方位感知與認知，為協同決策和協同控制提供信息支撐。

3.2.1 高速高分辨編碼成像機制

為獲得高速高分辨的編碼成像機制，從最大化空間頻譜利用率的角度，設計緊致編碼空間頻譜的成像機制，打破壓縮感知的壓縮率極限，提升系統采集通量。提出了一種新的混合編碼孔徑快照壓縮成像方案，如圖13所示。編碼采集多張高速場景視頻幀并被傳感器耦合采集，得到一張編碼快照。隨后基于PnP 算法框架進行迭代解碼重建，最終恢復出原始的高速視頻。

3.2.2 弱光場景下的成像

傳統成像無法實現在復雜環境下低照度下的成像與感知。開發了一種能夠收集更多光子的成像系統，并提出在低照度下獲取高質量視頻的方法。構建一個三原色(Red, Green, Blue, RGB)和近紅外(Near Infrared, NIR)光譜之間的相關性雙傳感器攝像機來額外收集近紅外波長的光子，從噪聲暗視頻中對其執行高質量重建，如圖14所示。通過使用基于物理過程的CMOS(Complemetary Metal-Oxide-Semiconductor)噪聲模型訓練具有模擬噪聲輸入的雙通道多幀注意力網絡(Dual-Channel Multi-frame Attention Network, DCMAN)模型，在合成視頻和真實視頻上的實驗都驗證了這種緊湊型雙傳感器攝像機設計和相應的重建算法在暗視頻中的性能。

3.2.3 多源點云融合

在三維環境重建的過程中，由于相機所處位置的限制，攝像頭無法一次性完整采集物體表面的三維信息。因此，研究高動態異構集群個體的三維點云位姿匹配方法，以及大規模分布式配置下的局部地圖實時魯棒拼接方法。為構建環境全局三維結構，解決不同視覺維度、不同尺度、不同分辨率之間的配準問題，刻畫目標場景中多源信息之間的耦合關系，如圖15所示，在進行設計時需要將先對多個三原色深度(Red, Green, Blue Depth RGBD)對象單獨處理，首先進行相鄰兩幀特征提取，利用SIFT算子對每個RGB單獨提取特征，根據提取到的SIFT特征進行匹配。再將相同的位置索引到對應的點云，并將對應的點云對齊，從而獲得融合的點云。

3.2.4 協同態勢圖構建

態勢圖構建需要根據對無人集群場景中的各種信息進行解構，將環境信息、無人集群的單點運行信息、探測信息等進行分類，并對同類、相關性較大的信息進行融合。針對無人集群的單點運行信息，需要給出位置、姿態、速度、行駛狀態等方面的信息；針對環境信息則需要給出溫度、能見度、光照等描述天氣的信息和描述不同環境的信息。在原始數據中提取語義信息，并進行離散分布，利用多通道態勢圖對場景的關鍵性信息進行表述，實現場景態勢圖的直觀表達[89]，如圖16所示。

3.2.5 協同目標識別

利用多傳感器獨立完成對目標屬性的判斷，即依次進行對觀測數據的特征提取、屬性判斷，最后對各決策結果進行融合，可進行決策融合、決策可信度融合或概率融合。常見的融合算法有Bayes推斷、專家系統、D-S證據推理、模糊集理論等，最常用的是Bayes推斷和D-S證據理論，分別基于可信度與概率的融合。利用決策級融合從而準確快速獲取目標識別結果，如圖17所示。

3.2.6 分布式融合

基于多源信息融合的分布式目標跟蹤流程如圖18所示，通過每個傳感器分別對目標進行觀測，然后進行本地濾波過程獲得本地濾波值，之后進行信息交互，最終基于一致性算法進行融合得到最終的目標狀態的估計值。基于一致性理論的多源信息融合分布式目標跟蹤算法由于其較強的魯棒性和接近于集中式的效果，成為目前多傳感器融合目標跟蹤領域的主流算法，如圖18所示。

3.2.7 多傳感器威脅估計

利用多傳感器系統對探測數據融合進行威脅要素提取，然后對探測要素進行融合以及進行威脅度計算。利用態勢評估的結果(敵軍作戰意圖、作戰能力)，進行加權處理，完成敵方各威脅要素對我方目標威脅程度的定量描述。最后利用貝斯特網絡確定威脅等級。由威脅程度定量描述作為貝葉斯網絡的輸入，按照威脅源產生的威脅對我方可能造成的破壞程度進行分類排序，從而得到威脅級別的輸出，如圖19所示。

3.3 可引導、可信任、可進化的無人集群系統智能決策與規劃

無人集群自主任務協同強烈依賴于集群智能決策與規劃技術，大規模異構集群問題中主要包括：① 如何適應大規模集群或者集群規?？蓴U展的問題；② 如何解決異構集群的智能決策規劃問題。為此，提出具有可引導、可信任、可進化的集群決策規劃架構，并以此為支撐，重點圍繞規模無關性、集群決策規劃的自學習等問題開展研究。分別提出了兼顧指揮人員的引導接入、基于模型的可信任決策、及學習環境支撐的異構集群智能決策規劃架構；提出了規模無關的任務調度與路徑規劃方法。

3.3.1 異構集群智能決策規劃架構

圍繞大規模異構無人集群自主協同決策科學問題，設計了一種異構無人集群跨層智能決策與規劃架構。在可引導方面，設計接入集群指揮員的指令接口，對全局任務進行自動分解，從而支持指揮員可引導的任務決策規劃；在可信任方面，將模型檢驗理論作為集群策略合成的理論支撐，在生成策略的同時給出策略置信度；在可進化方面，構建集群分布式學習及訓練環境，由智能學習進化設計混合離線在線學習進化方法，實現決策規劃能力的學習進化，如圖20所示。

3.3.2 規模無關的基于平均場理論多智能體分布式任務調度

由于集群執行任務時動態感知環境、動態獲取目標，任務的注入呈現隨機性和不確定性，需要進行實時動態任務分配，針對大規模異構無人集群任務分配中，智能體通訊拓撲多變，任務隨機動態注入，智能體數目不定，即規模不定問題，設計了一種基于平均場理論的多智能體分布式任務調度算法(如圖21)，建立了多智能體任務流模型，在協同任務分配時不僅考慮任務到達個體本身，還充分考慮任務流對其他智能體的影響，實現了集群任務調度算法不受群體規模影響。

3.3.3 基于Dubins曲線的分布式協同路徑規劃

異構無人集群協同不僅僅需要任務調度，還需要相應的路徑規劃。提出了一種基于Dubins曲線的分布式協同路徑規劃方法，不僅滿足集群中個體的動力學約束，同時也能實現對動態目標和動態障礙物的實時分布式路徑規劃，具有較高的集群運動適應能力和實用價值，如圖22所示。

3.3.4 基于模型的離線學習方法

智能體探索的困難很大程度上來自于無效的探索，即由簡單經驗即可判斷的錯誤情況往往需要大量探索才能排除，這嚴重降低了學習效率。

因此利用知識影響動作選擇過程，使智能體傾向與探索知識認為正確的行為，可通過累計經驗，改善網絡學習速度。設計了如圖23所示的COG-DQN算法，基于“信念—愿望—意圖(Belief-Desire-Intention, BDI)”模型和馬氏決策模型，將探索性行動規則引入深度強化學習機制，提升策略學習效率。BDI模型以意圖系統和行為推理為理論依據，將人的感知、信念、意圖、事件、愿望和行動等功能要素進行模塊化構建，并有機融入到智能體模型中，構建出邏輯行為智能體。

3.3.5 基于模型的在線學習方法

通過設計集群局部態勢表示機制，實現了規模可擴展的集群策略學習和演化，提出了一種基于局部態勢圖的無人集群避障飛行策略深度強化學習方法，如圖24所示。在領導者—跟隨者拓撲下，領導者將自身位置和姿態信息廣播給跟隨者，跟隨者獲取領導者及鄰近跟隨者的狀態信息，包括位置、姿態和速度信息，與其自身狀態信息聯合組成狀態；以系統狀態為輸入，執行器網絡輸出最佳動作。訓練結束后，保存執行器網絡參數。在執行階段，每架跟隨者根據其自身狀態、領導者狀態和鄰近跟隨者狀態獨立地使用訓練得到的控制策略選擇其滾轉角和速度控制。

3.4 復雜環境下無人集群系統自主協同控制

無人集群系統協同控制需研究多源擾動存在下系統的魯棒性，首先在復雜環境下，設計強魯棒協同控制協議設計。隨后針對現階段集群傳統的協同控制算法，無法適應大規模異構集群系統的計算需求，研究基于人工智能的協同控制方法。針對任務場景的一體化結構建立問題，提高集群系統自主決策和學習的能力，開展復雜環境下深度強化學習的自主協同控制。

3.4.1 無人集群系統一致性共識控制與任務耦合的框架

在無人集群系統協作過程中，無人集群個體之間需要通過相應的協同控制方法來共同實現指定的全局目標。無人集群的一致性控制問題是無人集群系統協同控制眾多問題中一個十分基礎和重要的問題。為了實現一致，無人集群系統中的節點之間通常存在著局部的相互作用關系。根據不同的任務場景，基于一致性協同控制方法的設計也就不同。針對無人物流、火災救援及大氣監測，無人集群系統需要設計基于一致性理論的異構編隊控制與編隊跟蹤控制、無人集群分組編隊與編隊合圍控制、無人集群編隊跟蹤與分組編隊控制問題。綜合上面3大典型應用的實際場景，得到復雜環境下無人集群系統任務集合與控制方案的映射關系如圖25所示。

3.4.2 無人集群系統分布式一致性共識協同控制方法

根據任務的不同，協同控制方法可分為編隊控制、跟蹤控制、合圍控制等，如圖26所示。結合圖論與控制理論對協同控制問題進行分析。為實現期望時變編隊跟蹤的充要條件以及編隊可行性條件，并提出了分布式時變編隊跟蹤協議，使跟隨者能夠形成期望的編隊構型的同時跟蹤領導者狀態軌跡。此外合圍控制也引起了極大關注，其目的是驅動所有跟隨者進入由領導者生成的凸包。為了有效控制整個集群系統的宏觀運動軌跡，在編隊合圍控制的基礎上進一步提出了編隊合圍跟蹤控制。在未知的控制輸入下，領導者可以產生不可預測和可機動的軌跡。跟隨者由各自子群的單個或多個領導者引導完成宏觀移動，并同時保持期望的時變子編隊。高階集群系統中各智能體的全狀態信息往往難以全部測量，而對輸出信息的獲取更容易實現。具有非自治領導者的異構線性多智能體系統在有向拓撲上的時變輸出編隊跟蹤問題。

3.4.3 復雜多約束條件下的異構無人集群自適應協同控制方法

異構無人集群系統執行任務過程中，由于環境復雜，存在各種外部干擾因素，如在火災救援場景中，電磁干擾會導致無人機與無人機、無人機與無人車之間的通信存在時延，中斷等情況，導致協同控制難度增大。因此，非常有必要考慮復雜多約束條件下異構無人集群系統的協同控制問題。常見的多約束主要包括領導者含未知輸入、系統存在外部干擾、信息攻擊、通信時延、通信拓撲切換等。針對領導者含未知輸入約束，設計分布式觀測器、本地狀態觀測器以及期望的編隊向量，使得所有跟隨者在領導者未知輸入的影響下仍能夠實現對領導者狀態的分布式估計。針對通信拓撲存在時延約束，構建Lyapunov-Krasovskii泛函，利用線性矩陣不等式設計控制器相關參數。針對通信拓撲切換約束，設計分段Lyapunov函數，研究駐留時間對異構無人集群系統編隊控制的影響。針對外部擾動約束，采用分布式擾動觀測器對外部擾動進行觀測估計，進而設計分布式魯棒編隊控制器抑制擾動影響，如圖27所示。

3.4.4 防碰避障約束下的無人集群安全協同控制方法

無人集群執行協同任務時，航跡規劃上往往存在外部障礙物的干擾，同時無人車系統內部之間也要進行個體之間的防碰撞，使得無人集群系統的物理安全得不到保障。首先研究基于分布式估計的障礙物檢測與預測方法。利用最優剛性圖和最優持久圖提出集群系統的最優持久圖生成算法，給出資源合理分配的方法。給出同時滿足時變時滯和切換拓撲同時存在的高通信安全無人集群協同控制方法。將防碰撞和連通性保持約束考慮到控制器設計中，首先構造控制協議中的防碰撞項，將梯度力融入控制協議當中，實現自主防碰撞和連通性保持機制下的協同控制方法，如圖28所示。利用基于人工勢能函數法的無人集群防碰撞與連通性實現和保持協同控制。

3.4.5 復雜環境下深度強化學習的自主協同控制

針對無人集群典型場景普遍存在的高動態、不確定環境，集群系統需要高智能性及自主性以完成任務目標。本部分研究基于深度強化學習的分布式智能協同控制方法，滿足無人集群系統高智能與強魯棒性的控制需求。強化學習下的協同控制方法如圖29所示。利用深度學習技術強大的表征能力，與強化學習方法搜索優化能力相結合，利用生成對抗網絡解決在線學習時單一節點數據不足的問題，實現更加大規模、高維的實時協同控制和決策，完成復雜高動態環境下智能決策方法設計。對每個集群系統個體設計深度神經網絡擬合的價值網絡及策略網絡估計函數，設置并調整深度神經網絡結構增強博弈系統的性能。通過該方法提升對強干擾等環境的態勢感知能力、增強深度神經網絡對動態時變系統的估計和記憶能力、實現不依賴于群體規模的任務規劃、減小分布式智能行為訓練的學習方差，最終提升深度強化學習算法的收斂性和魯棒性，實現協同決策與協同控制方法的融合。

3.5 復雜環境異構無人集群自主協同技術應用驗證

面向復雜環境下大規模無人集群快速應用需求，亟需研究大規模異構無人集群驗證平臺開放式總體架構與試驗床集成技術，以支撐集群節點大規模彈性擴展能力。本部分研究開放式大規模異構無人集群驗證總體架構研究及實驗床技術、復雜環境無人自主系統虛實結合迭代演化仿真技術及復雜動態場景多任務集群自主協同驗證試驗技術，形成實際應用場景多任務擴展驗證能力。

3.5.1 開放式大規模異構無人集群驗證總體架構研究及實驗床技術

以無人集群系統自適應異構體系架構及評估、無人集群系統分布式感知與認知、無人集群系統智能決策與規劃、無人集群系統魯棒安全自主協同控制技術為基礎，引入通用化大規模異構無人集群總體架構，如圖30所示。融合感知、決策、控制等專業技術，針對火場災害救援、大氣污染檢測和園區無人物流3種典型應用場景，開展基于虛實結合的開放式大規模異構無人集群體系架構研究，設計基于迭代演化的驗證方法，實現異構無人集群驗證平臺集成與驗證。以通用架構為指導，建立仿真試驗驗證框架，根據關鍵技術特點，細化應用場景方案，進而確立仿真和試驗的任務剖面。通過搭建多任務異構無人集群驗證平臺，形成綜合一體的仿真試驗床，完成大規模異構無人集群自主協同技術的典型場景試驗驗證，滿足無人集群飛行試驗的場所及設備需求。

3.5.2 復雜環境無人自主系統虛實結合迭代演化仿真技術

針對應用場景驗證需求，需要構建異構無人集群自主協同任務集，從而研究多任務場景構建技術。如圖31所示。對復雜典型的應用場景進行大規模異構集群試驗驗證方案設計，搭建虛實結合迭代演化仿真平臺，用于大規模異構集群試驗的沉浸式仿真及實際飛行驗證?；谛畔⒔换?、頂層決策、模塊化方法以及異構集群數據分析技術，利用虛實結合迭代演化仿真技術從頂層設計出發，基于復雜任務場景，研究可擴展動態任務場景構建技術。依據無人集群系統自適應異構體系架構及評估、無人集群系統分布式感知與認知、無人集群系統智能決策與規劃、以及無人集群系統魯棒安全自主協同控制等技術的研究進行技術引入，構建異構無人集群仿真架構。與異構無人集群算法引擎進行數據通訊，獲取異構無人集群全過程的仿真數據，實時模擬仿真場景試驗流程，通過虛實信息橋實現同虛擬展示平臺的數據交互。最終為各個關鍵技術模塊的融合和驗證提供有力支撐，具備仿真場景與實際場景之間的映射更新能力，充分發揮異構無人集群的智能性及自主性。

3.5.3 復雜動態場景多任務集群自主協同驗證試驗技術

無人集群技術在火災監測、傷員救援、物流運輸及大氣環境監測等復雜場景中的應用是當前無人行業的迫切需要。在未來無人集群技術規模化應用的情況下，勢必引發新一輪產業模式的升級甚至顛覆性變革，因此需要研究研究復雜動態場景多任務集群自主協同驗證試驗技術，推動無人集群在無人物流、災害監測、傷情救援等國民安全及經濟領域的發展。

1) 火災監測及救援活動

火災救援場景下異構無人集群試驗(圖32)主要針對復雜地形多點突發火災情況下，通過固定翼無人機、旋翼無人機及無人車組成的異構集群進行火情偵查、信息收集、定點救援進行火場應急救援試驗。

2)園區無人物流場景

針對園區無人物流場景特點，建立驗證場景方案(圖33)。以指揮控制中心為核心，搭建虛實結合的復雜動態場景多任務無人集群自主協同初步驗證方案，實現虛實結合應用驗證。

3)大氣污染監測

針對環境監測應用場景研究，如圖34所示。進行基于無人集群自主協同的驗證，利用無人機/無人車/無人集群搭載空氣采集模塊，快速鎖定氣體污染源的類型、位置與傳輸方向，為環保部門大氣防治提供行動思路和依據，高效省時、節省人力成本。

4 未來發展方向

4.1 復雜環境下無人集群系統自適應異構體系架構和建模方法

1) 面向應用需求的無人集群體系架構設計

基于MBSE的無人集群體系架構設計過程中，既要考慮架構設計的通用性，又要兼顧項目在應用驗證方面的需求，因此在體系架構設計中已經開展了與應用驗證相關單位的橫向交流溝通，初步采用MBSE工具對應用驗證的典型場景進行了需求分析和建模，取得了一定成果。同時，在集群感知、集群認知、六層集群體系架構中的各層間接口設計，需要依托集群體系各層面設計方、參與方等利益相關單位的合作密集溝通、充分理解需求、深入解刨數據流、全鏈條整合業務環節，才能充分整合各方面信息，實現面向應用需求的無人集群體系架構設計。

2) 探索建立無人集群系統新國際標準體系

調研無人集群相關國內外標準體系，開展無人集群標準需求分析，目前國際上尚無無人集群相關標準，亟需建立標準體系指導集群相關技術發展與規范。重點分析《適用于無人系統的命令和協議標準以及相關的開發工具》、《適用于集群無人機系統的設計與演示》等[90]文件對無人集群相關體系的適用性，并分析無人集群缺項標準需求。尤其針對無人集群系統通信互操作領域，參考了《適用于無人系統的命令和協議標準以及相關的開發工具》[90]，深入研究基于標準解決無人集群系統節點之間的互聯互通互操作及協同等問題。因此，未來在無人集群系統通信互操作領域有望建立信道國際標準體系。

3) 基于集群效能評估的體系設計與運用

在未來復雜多變的任務環境下，在體系任務過程中高可靠效能的準確評估與有效運用是提升集群任務能力的關鍵手段。如果能夠基于對未來狀態演化情況的掌握，對無人集群的論證、設計、使用、保障等環節開展預先效能評估，將問題扼殺于萌芽之中，就能實現體系效能的最優化發揮。例如在復雜不確定因素影響下，無人集群可以基于實時效能評估結果和外界綜合態勢信息進行自主任務規劃與系統重構，在降低因個體失效而導致的系統風險的同時優化配置體系效能。

4.2 復雜環境下高維態勢分布式感知與認知

1) 不確定條件下高質量傳感數據處理

無人集群在實際應用中無法適應復雜不確定的環境，亟需將高維態勢感知與認知作為無人集群導航研究的重要探索方向，因此，需要以分布式集群的特點和復雜不確定環境的難點出發，以解決高維態勢的高通量采集需求和分布式集群低帶寬之間的矛盾為首要目標，研究高維態勢數據的編碼采集機制和非結構化互補采集技術。

2) 傳感數據的共享及多源信息融合技術

針對無人集群的傳感數據和信息共享，需提供方案解決異構無人平臺的感知能力的尺度、維度、精度差異，提出非結構化協同互補融合方式，挖掘子平臺觀測信息時空耦合關系，通過多源數據跨尺度匹配，實現全方位的態勢線索整合，進一步在計算資源受限的約束下開發低功耗感知與認知平臺，支撐集群實時可靠的決策。

3) 低功耗魯棒的集群感知方案設計

多源異構平臺的低功耗態勢感知與認知方法，適配高通量感知認知需求與低配置分布式計算資源。一方面，設計異構集群感知任務的非結構化分解和分布式部署策略，同時提出多源異構信息融合方法，解決集群信息整合中面臨的維度、尺度、細節程度差異大、配準難的問題。另一方面，提出低功耗高魯棒的感知與認知方法，開發滿足資源約束條件的低功耗計算平臺。從編碼信號解析出高維態勢數據與任務相關的語義信息，實現無人集群對復雜環境的高可靠高效能感知。該方面的技術突破，能夠解決多源異構高通量數據感知認知復雜度和精度的提升，解決分布式無人集群感知與認知難題。

4.3 可引導、可信任、可進化的無人集群系統智能決策與規劃

1) 異構無人機集群的協作策略學習研究

目前研究對象為同構小型固定翼無人機集群，所有的無人機可以共享通信策略和動作策略。在實際的應用場景中，組成集群的無人機可能是異構的，此時無人機的運動學模型、通信模型以及對目標的觀測模型可能不完全相同，所以異構無人機之間無法直接共享經驗和策略。如何將本文設計的多智能體深度強化學習協作策略算法擴展到異構無人機集群還需要進一步研究。

2) 對抗環境中的多目標搜索與跟蹤問題

假設目標與無人機之間是非合作、非對抗的，目標不會主動向無人機發送自己的信息，也不會逃避無人機的跟蹤。而在現實的對抗作戰環境中，被跟蹤的目標可能具有感知無人機并逃避跟蹤的能力。此時，無人機之間不僅要密切合作保持對目標的搜索和跟蹤，還要與目標進行博弈，甚至預判目標的預判，正確應對目標的逃避行為。因此，在對抗環境中的多目標搜索與跟蹤問題中，無人機的協作策略學習的難度上升，有必要結合其它理論和方法，如群體沖突理論、模型預測控制等方法設計學習方法學習無人機集群的協作策略。

3) 從仿真環境到現實世界的遷移

為了降低無人機集群協作策略的學習難度，本文采用簡化的二維平面運動學模型對無人機進行建模，并設計了無人機集群多目標搜索與跟蹤仿真環境進行算法的開發和測試。而現實世界中，無人機的運動學模型更加復雜，仿真環境與現實世界存在較大的差異，因此在仿真環境中學到的無人機的運動和通信策略可能無法直接在真實的無人機平臺上執行。如何跨越從仿真環境到現實世界的鴻溝，將多智能體深度強化學習協作策略真正推向實際應用，仍然是一個開放的問題。

4.4 復雜環境下無人集群系統自主協同控制

1) 智能化協同控制

隨著人工智能的飛速發展，神經網絡等機器學習算法逐漸開始應用于集群系統。隨著系統個體逐漸增多，傳統的基于圖論的控制方法不再適用于大規模集群，因此利用人工智能方法計算性能的優越性，結合傳統控制理論的穩定性，融合多學科優勢，使集群系統具備在線學習與自主決策控制能力，進一步實現群系統對多類任務場景的適應性和切換性。

2) 強魯棒性高安全協同控制

由于實際任務場景的多樣化性、系統的復雜化，研究多源干擾、多重威脅下的強魯棒高安全控制算法和理論，提高無人集群系統在復雜任務環境下執行任務的能力和抗干擾能力，特別是針對不同平臺下的異構集群系統協同控制問題，是未來研究的重要方向之一。

3) 最優協同控制

當前研究主要關注集群系統隊形的形成、保持以及重構，重點在于分析系統的穩定性和收斂性。對于復雜任務場景，資源受限的條件下，如何實現最優控制，即實現集群系統收益最高，能耗最少，是隨著集群數量增加而產生的一件亟待解決的問題。

4) 一體化協同控制

已有的研究工作表明，集群系統的研究主要分散為感知、決策、控制3部分，然而由于集群數量的擴大，基于單一結構化的模式實現的結果往往是不夠理想的。因此，建立感知—決策—控制為一體的系統架構，支撐高動態、大規模動態場景的，實現感知和信息共享，規劃與控制結合，是實現理論落地的重要方向。

4.5 復雜環境異構無人集群自主協同技術應用驗證

1) 面向產業模式的升級和變革

無人集群技術在復雜場景如物流運輸中的應用是當前無人行業的迫切需要，其應用可以帶來快遞業務能力的指數增長，乃至全面智能化技術的增幅。在未來無人集群技術規?；瘧玫那闆r下，勢必引發新一輪產業模式的升級甚至顛覆性變革。將相關技術拓展，可以在滲透偵察、察打一體、協同攻擊等國防科技領域大顯身手，還將在智能交通、災害監測、農業植保等其他國民經濟領域發揮巨大的推動力。

2) 立足應急通信保障等重點民用需求

異構無人集群可根據防滅火任務性質與地域不同，結合滅火現場地形地勢、氣候條件、環境影響等相關要素，在選擇機型和無人機配備上構建“低、中、高空與近、中、遠程科學搭配，固定翼、多旋翼與油動、電動合理編成”的無人機裝備體系，再配合地面無人車的輔助，對應急場景進行全方位多維度的監測，節省勘察時間的同時也降低了勘察的難度。

3) 形成區域環境監測聯合交互機制，解決傳統監測痛點

傳統環境監測具有“涉及區域范圍較大、區域之間污染物傳輸量大、污染源種類多、污染因子相對復雜”等特點。采用異構無人集群監測方案，有如下優勢：高效省時、靈活隱蔽、機動敏捷。未來可構建移動環境監測網，形成區域聯合交互機制，協助有關部門了解監測物多維空間分布情況，判斷污染原因及傳輸特點，為環境防治提供行動思路和依據。