打开文本图片集

摘要：文章介绍了无人蜂群系统的国外研究现状、发展趋势及应用情况，从编队控制、编队避障、编队协同任务规划三方面介绍无人蜂群系统关键技术的基本概念和工作流程；重点介绍了适用于蜂群系统的编队协同任务规划的常用算法和不同算法的对比分析；最后结合国内研究现状及发展趋势，对蜂群系统的研究进行了展望。

关键词 蜂群系统；编队控制；编队避障；编队协同任务规划

1引言

在现代战场上，由单一兵种包打天下的情况越来越稀少，而由多种分工明确、各司其职的兵种紧密协同作战，发挥出远大于简单能力相加的作战效能战例比比皆是，无人机装备作战也不例外。为解决此问题，需要突破各无人机间的信息和控制壁垒，将当前由多人控制一型无人机参与作战的方式推进到建立异构无人机编队，由尽量少的地面操作人员对无人机编队进行面向任务的集中控制；建立自适应组网的机间数据链，联通多型号无人平台，加快信息采集、处理与分发的时效性；在无人机编队内实现协同任务控制，使得无人机能够以编队为单位接收作战任务，通过各无人机的实时联合运算，为编队内的有效作战单元分配合理高效的作战任务规划，实现最优化的战术协同，从而推动无人机的作战方式从被动任务执行到主动寻求作战方案的演进。

无人蜂群系统作战技术同时整合了无人技术优势和系统族群优势，在原有网络化作战模式的基础上，实现了无人作战的弹性和多样性，在保持自身作战能力的同时，向敌方施予压力。具体来说，无人蜂群系统作战技术主要具备以下三个方面的优势。

侦察－攻击优势。

在信息时代，由美国主导的网络化作战思想已经遍及世界，美国认为，其他国家已经逐步具备了远距离侦察美军并施予精确打击的能力，这将对美军的舰船和空军基地等军事设施造成威胁。2013年，美国国家安全中心指出，无人系统所具备的远作战距离、高持久性能和低风险系数能够支撑美军应对这一威胁，并构建新的作战理念[1]。

规模作战优势

冷战时期，美军素有采取“抵消战略”的传统[2]，而随着精确制导武器的大规模扩散，美军投入构建防御体系的成本增加，实际攻击和防御能力却并未得到提高。在转向发展无人蜂群系统之后，原本造价高昂的多任务系统被分解为若干低成本的小规模作战平台。美国空军将要配备的微型空射诱饵—干扰机在一架战机上形成小型远程电子战平台，通过MALD模拟战机信号误导敌方雷达系统，而MALD-J则对敌方雷达和防空火力系统进行直接干扰[3]。在与MALD和MALD-J配合的过程中，美国空军战机的位置将不会暴露，飞行员可驾驶战机抵达敌方纵深实施攻击。这表明，无人蜂群作战技术能够组合各子系统功能，使其整体效能远远强于个体功能之和。

灵活反应优势

一方面，广泛分散的小型作战平台将对敌方整体作战系统进行分解，误导和干扰敌方使其反应钝化，从而瓦解敌方的“侦察－定位－决策－行动”机制[4]。另一方面，无人“蜂群”技术将侦察结果及时反馈给指挥人员，实现战术层面的应激决策，并指挥各分散的子系统在战区前沿迅速行动，通过不断改变作战环境和情况，使敌方难以应对。

本文针对无人蜂群系统中编队控制、编队避障和编队协同任务规划等关键技术进行阐述。

2编队控制

2.1编队的形成与保持

为了满足各种任务目标（总能量消耗最小、时间最短、总距离最短、多无人机编队损耗概率最小），无人蜂群系统执行任务的第一步就是进行多无人机的编队形成。编队形成是指多无人机从不同的初始状态演变成一定几何形状的过程。多无人机形成某一几何编队后，为了保持编队稳定，需要对多无人机进行控制，使其保持一定的编队队形。

队形生成主要是基于长机的控制算法，对每个无人机赋予一定的角色任务，分为长机和僚机两种角色，长机决定整个队形的运动目标及方向，而各个僚机通过与长机保持一定的距离和角度进行队形保持，根据距离和角度的不同可以形成不同的网络拓扑结构，如直线型、三角型、菱形等等，僚机通过不断地进行位置纠偏，以保证无人机编队任务的顺利完成。

在队形生成过程中，需要长机沿预先设定的轨迹运动，即长机到定点策略；同时僚机以一定的距离及角度不断跟随长机，即僚机跟随策略。其中到定点实验是指按照预先规划的路径运动，将动作分为为连续的到定点行为；僚机跟随实验是指僚机在任意时刻均以一定的距离及角度跟踪长机，以此实现队形的生成以及队形保持。

2.2 编队重构

战场态势瞬息万变，无人蜂群系统在执行任务的过程中一般不可能只有一个编队队形。编队中的某架无人机因故（自身故障、被敌方摧毁、燃料耗尽）无法继续执行任务，战术任务临时改变后编队按照新任务执行，被敌方雷达探测，遭遇敌方攻击、干扰，遇到不可躲避的障碍物等，这些情况的出现都需要多无人机编队改变现有的编队队形，进行编队重构。

图2 无人机协同编队队形保持与调整

在多无人机编队队形重构过程中，需要考虑各种客观条件对问题的约束，如碰撞避免约束、时间周期约束、燃料剩余量、通信干扰等。基于这些考虑，编队队形重构时，最优轨迹规划问题可以抽象为一个多约束下的参数优化问题。对于多无人机协同编队队形重构来说，需要考虑的主要因素是安全性和快速性。

3编队避障

无人蜂群系统在完成某项特定复杂的任务时，特别是在布满障碍物的空间中需要进行编队避障控制。无人蜂群系统的避障问题是在复杂环境下的避障问题，研究的空间是在三维空间中进行，所述的障碍物是任意形状的三维障碍物。无人蜂群系统的避障问题也属于多智能体的避障问题，多智能体运行控制问题研究的方法大多使用的是基于群集智能的方法，例如遗传算法、粒子群、蚁群、爬山算法和矢量人工势能场法[5]等算法。

其中矢量人工势能场法的算法步骤如下：

a）初始化智能体和目标的位置，随机产生障碍物的位置与形状；

b）令时刻为t=0，并初始化一些必要的系数常量；

c）判断智能体是否到达目标点，若达到则任务完成，若未到达目标点则进行Step4的计算；

d）计算每个智能体的受到的影响范围内的障碍物的斥力、目标对之的吸引力和智能体之间的相互作用力的不含回环力的合力矢量；

e）判断智能体与障碍物的距离，并根据该距离计算回环力矢量；

f）累加每个智能体的合力矢量，并计算其加速度矢量；

g）计算每个智能体的新的速度矢量；

h）根据g）的速度矢量，计算并更新每个智能体的位置；

i）更新时间t=t+Δt，并执行c）。

4编队协同任务规划

4.1任务分配

针对无人蜂群系统机体数量多，每架无人机载荷资源有限等特点，需建立无人蜂群系统多任务分配问题模型，即无人蜂群系统内包含多架无人机，任务环境中有多个任务，需要为每架无人机指定一项或多项任务，为每个任务分配一架或多架无人机。每架无人机均有其位置、类型、载荷资源等属性限制，每个任务则对所分配的无人机有无人机类型、无人机载荷资源与无人机到达时间等方面的需求限制，而分配方案的评估需要综合考虑多无人机内部资源使用的均衡性、无人机耗费总资源与任务完成整体效果等方面，因此该问题为多约束多目标优化求解问题，且问题模型维数庞大。

为了进行合理的任务分配，在执行任务分配算法之前求得每架无人机到各个任务地点的预规划航路信息很有必要，因此在建立任务分配模型之后，采用改进的人工势场法来获取每架无人机到各任务地点的预估路径，提出虚拟目标法解决人工势场法容易陷入局部极值的问题，采取关键航点选取与航线平滑，消除陷入局部极值并逃离整个过程的路径浪费。

因为PSO算法简单易于实现、优化能力强，经常被用于求解多无人机多任务分配问题，根据所提出的多无人机任务分配问题对PSO算法进行了改进，设计了适用于多无人机任务分配的粒子编码，采用权值向量取值的方法实现PSO算法的离散化，并使用黑名单操作减少无效解的产生，以实现对多无人机多任务分配问题的高效求解。

4.2任务调度

无人机任务调度主要功能是根据战术规划结果以及任务重要性、时敏特性、资源约束等条件，实现多任务优先级调度。任务调度主要确定任务执行的最优序列或优先级。任务调度将考虑以下优先权原则：

a）尽量满足高优先级任务的执行需求；

b）尽量减少对原调度方案的调整；

c）调度性能与调度实时性并重情况下尽量满足实时性要求。

在进行任务动态调度时还应考虑：执行任务是否有资源限制，任务是否有不同的重要程度，任务执行是否有顺序要求，任务执行是否有时间要求，允许任务执行的代价为多少，根据这些因素对冲突或任务优先级进行评估，基于优先级实现多任务调度与冲突消解。

任务调度问题是一个带限制、多目标要求的任务链规划问题。该任务链规划问题可以视为一种组合优化调度问题。

典型的组合优化问题有旅行商问题（traveling salesman problem， TSP）、加工调度问题、0-1背包问题、装箱问题、图着色问题，聚类问题等。以上算法并没有考虑到可用资源的限制，也没有针对任务有不同重要程度的问题，所以并不能直接应用于多任务调度的求解。

目前解决组合优化问题的算法主要有：运筹法、模拟退火法、遗传算法和禁忌搜索。

4.4航路规划

航路规划主要实现满足平台性能、威胁环境、战术任务、通信条件等各种约束条件以及意外冲突事件消解要求的飞行航路规划以及实时航路重规划，意外突发事件下的战术重规划或任务重调度往往触发在线的航路重规划，航路规划包括不确定环境建模和路径规划两部分。

4.4.1不确定环境建模

由于敌方所布置的威胁越来越具有随机性和突发性，导致现代战场中作战环境瞬息万变，这给航路规划问题的解决带来了较大的难度。航路规划是根据任务环境限制与机身性能约束条件，在避开所有威胁源的同时，在适当的时间内规划出一条从任务起始点到任务目标点的最优或次优飞行航路。飞行过程中会受到诸多因素的影响，包括凸起的地形、雷达和防空导弹威胁、气象威胁和航程限制等，将受到的威胁及约束分为三类：外部环境威胁、自身性能约束。

a）外部环境威胁

1）地形威胁

2）雷达威胁

3）气象威胁

4）其它威胁

b）自身性能约束

1）最大航程

2）最小转弯半径

3）最大爬升/俯冲角

4.4.2路径规划

在路径规划中可以借鉴已有的技术和方法，其中较成熟的技术方法是战术飞行路径规划方法。战术飞行路径规划方法基本上可以分为数学方法、智能方法、Voronoi图法和人工势场法，其中智能方法主要有A*算法和遗传算法。

在相应的数学方法里，基本上是建立了飞机及其执行器的数学模型，然后采用各种方法来简化飞机模型，使飞机模型线性化、低维化，将不确定因素归结为线化模型的随机干扰，将各种限制约束和终端要求作为所建模型的约束条件。利用现有的有严格理论支持的数学方法来进行求解。相应的数学方法主要有能量状态近似法、罚函数法、奇异摄动法、动态逆法、动态规划。但它们有一个共同缺陷是：规划时间比较长，难以满足飞行控制系统的实时性要求。

Voronoi图是一种表示点或实体集合近似信息的几何结构。采用基于Voronoi图的方法进行路径规划的步骤为：首先在现有的已知威胁分布的情况下，生成Voronoi图，通过Voronoi图的边进行代价搜索，得到代价最小的初始路径；然后将初始路径转换成路径链；最后对路径链进行平滑和优化，并保持原规划路径长度。这种方法的特点是，采用Voronoi图可将问题简化，致使初始路径优化结果可以很快得到。但由于Voronoi边的生成时将各种威胁抽象成其中心点，所以决定了它本身的局限性，不能对不规则的威胁区域或禁飞区域进行路径规划。而且飞机的动力学几何约束难以考虑。

人工势场法思想于1980年首次由 Khatib O.提出。其基本思想是将飞机在环境中的运动视为一种在虚拟的人工受力场中的运动。障碍物对飞机产生斥力，目标点产生引力，引力和斥力的合力作为飞机的加速力，来控制飞机的运动方向和计算飞机的位置。该法结构简单，便于低层的实时控制，在实时避障和平滑的轨迹控制方面得到了广泛的应用。人工势场法也存在一些缺点，如当吸引力与排斥力相等时，易陷入局部极小点而不动；另外，在几个障碍物密集的区域，往往会产生抖动的现象而无法逃出；再者，在连续狭长的障碍物通道中，飞机同样会出现抖动的现象而无法到达目标点，这些给实际应用带来一些不便。

遗传算法与任务调度提到的遗传算法的问题类似，不再赘述。

A*算法为启发式搜索算法，利用启发信息找到以最小代价通向目标节点的路径。它通过从起始节点出发，不断地找寻并优先扩展能够使代价评估函数值较小的节点，从而形成一个节点集，集合内这些节点的有序连接即为所求优化路径。A*算法的搜索过程实际上是一个节点生成和节点扩展的过程，它存在一种潜能，可以采用最少的代价评估函数找到最近的优化路径，其中代价评估函数是由起始点到当前节点的代价值与从当前节点到目标点的代价估计值之和。启发式A*规划方法的优点是：计算简单，算法容易实现。

5蜂群系统面临的挑战

无人蜂群系统经过多年的发展，已经取得了很大的进步，开始逐步应用于军事领域，但是蜂群系统仍面临较多的挑战：

a）无人机编队控制模式主要为长-僚模式，该模式编队抗毁能力较差，当长机失效后，难以快速竞争出新的长机，应深入研究伪中心或无中心的编队控制模式；

b）目前无人机编队多为松散编队，不考虑编队内无人系统的气流扰动等因素，使用场景受限，应深入研究紧密编队，可以适应更加灵活的作战需求；

c）应深入研究高动态、自组网、高抗干扰的无人系统间链路通信技术，提高无人系统内部通信可靠性；

d）为了适应蜂群系统内部节点的增加，需要寻找更加简洁、高效的编队协同任务规划算法；

6结束语

当前各国均很重视无人蜂群系统的开发、研制，未来无人蜂群系统作战的主流将会呈自主化、集群化、分布化发展。随着相关技术的成熟，无人蜂群系统在未来不仅能执行情报侦察、战场监视、目标指示任务，还将在电子战、空中格斗和对地攻击等方面发挥更大作用，很可能发展成为未来的主流作战方式。

参考文献：

[1] SCHARRE P.Robotics on the battlefield-part one： range， persistence and daring [DB/OL].（2014-05-21）[2014-05-21].http：//www.cnas.org/sites/default/files/publicationspdf/CNAS_RoboticsOnTheBattlefield_Scharre.pdf.

[2] PERRY W J. Technology and national security： risks and responsibilities [DB/OL]. （1993-11-23）[2003-04-08]. http：//stanford.edu/dept/france-stanford/Conferences/Risks/Perry.pdf.

[3] 陈乃光．美国MALD小型空中发射诱饵[J]．现代兵器，1999（11）：12-25.

[4]OSINGA F.A discourse on winning and losing [DB/OL]. （2013-02-15）[2007-07-13]. http：//www.au.af.mil/au/awc/awcgate/boyd/osinga_boydconf07_copyright2007.pdf.

[5] 殷林飞. 多飞行器编队三维避障算法研究[D] 南昌航空大学.2015

作者简介：宗茂（1987- ），男，毕业于东北大学，硕士研究生学历，高级工程师，主要研究方向：智能决策、无人机测控、机器视觉