平行机群:概念、框架与应用

沈 震 刘雅婷 董西松 白天翔 胡 斌 熊 刚 王飞跃

在信息化战场和人工智能迅猛发展的时代背景下,全世界各发达国家掀起了新时期军事理论与应用研究的潮流.在我国2015国防白皮书《中国的军事战略》的指引下,我军加快推进国防信息化建设,从而提高我军打赢未来信息化战争的能力.无人机(Unmanned Aerial Vehicle,UAV)是一种不要驾驶员进行手动操作,完全在电子设备的监控下执行任务的飞行器,由于其机动灵活、零人员伤亡风险、价格相对低廉等优点在现代战争中可以发挥极其重要的作用,被广泛应用于军事电子侦察、电子对抗、全天候预警、远距离攻击、军事地形航拍测绘等任务.

2017年,所谓的StratoEnergetics公司发布了一个关于蜂群无人机搜索、锁定并击杀个人的视频,在网络上引起轩然大波.视频中,政府使用微型无人机,利用人脸识别技术搜索并锁定受害人,然后快速飞向受害人,在其来不及躲避时利用其携带的3g炸药击中受害人面部完成击杀.由于无人机的小型化、廉价、灵活,现有防空系统根本无力对其防御,如图1所示.在网络上引起了激烈讨论.虽然实际上这只是由一家不存在公司对其虚构的“产品”发布的一个概念性视频,其初衷是为了让人们意识到自主武器的可怕之处以警醒世人,仍然不禁让人怀疑这是否就是未来战争的发展方向,也让人们得以一瞥未来以无人机集群为主宰的战争.

对无人机的研究可追溯至第一次世界大战时期,在20世纪末期形成了3股发展浪潮,其应用领域逐渐涵盖师级战术系统、旅团级战术指挥、高空长航时监测侦查等.典型装备包括美国的“捕食者”、“全球鹰”,以色列的“苍鹭”,法国的“鹰”,以及我国的“翼龙”、“翔龙”、“利剑”等.2015年,美国的X47-B型隐形无人机完成航母起飞、着舰及空中加油测试,将无人机单体性能提升到新的高度.然而,从无人机的发展趋势看,无人机是在逐渐降低成本提高飞行效率的基础上向适应复杂环境的方向发展,因而如何通过多无人机协同使其具有更高的智能性和更强的功能性是未来的主要研究方向,也是我国无人机技术弯道超车的机遇.

无人机集群作战是指具备自主能力的多架无人机通过多机组网、编队飞行、协同配合对目标或区域实施搜索、侦察、打击、干扰、战术压制等作战任务[1].多无人机集群相互配合工作的模式按照其构成一般可分为两类,一类为多无人机搭载不同侦查与作战设备实现相互配合,另一类为数量众多的同构廉价无人机组成蜂群配合其他战术装备进行作战.

经过多年的发展,无人机集群的作战样式愈加丰富,包括大范围目标搜索与探测、对目标的实时跟踪与全天候监控、干扰压制敌方防空系统、诱骗敌方雷达并实施电子战、对军事目标实施饱和打击、集群突防、消耗敌方高价值防控资源掩护其他作战单位、对抗敌军无人系统等.无人机集群协同作战甚至可以使世界上最先进的防御系统失效,如2012年Pham的研究[2]展示,约10架左右无人机组成集群攻击就可以有无人机避开拦截,突破美军驱逐舰的“宙斯盾”防御系统.2011年,美国MIT研制了山鹑无人机,并于2014年投入实验,该无人机由凯夫拉合成纤维和碳纤维通过3D打印制造,质量极轻、体积小,可由F-16战机搭载多达30架进行战场投放,对敌方防空系统执行干扰欺骗.2015年,美国海军公布LOCUST项目,该项目使用“郊狼”无人机进行集群式发射,可以从舰艇或战机上通过发射管发射,在发射后形成集群对敌方进行火力压制.该型无人机不依赖GPS,基于惯性导航以及光电或红外传感器即可实现导航,具有去中心化、自主化、自治化的特点;同年,美国五角大楼展示了“蝉”式微型无人机,该无人机构造简单,仅由10个通用部件组成,无引擎,其机体约为手机大小,设计用于集群化对敌探测及电磁干扰任务.2015年下半年,美国DARPA发布其“小精灵”Gremlins项目,该项目设想使用C-130运输机等于防区外投射无人机蜂群,在对敌实施侦察或电子战任务后回收幸存的无人机,该设想类似于一种空中无人机航母.该项目旨在探索采用传统飞机为载体,在拒止环境中替代隐形攻击机来突破敌军防御系统,以显著降低在对抗环境中的作战成本,如图2所示.由此可见无人机集群作战已成为美国海陆空三军的重点发展方向,各部逐渐加大对无人机系统的开发与应用力度,将在未来战场中发挥重要作用.

我国国土幅员辽阔,边境海防线长,周边国际形势复杂,亟需发展无人机补充我国的军事航空力量.我国的无人机技术发展迅速,但与先进国家相比,尤其是美国,仍存在较大差距.国内的无人机系统载重不大,难以满足电子对抗、预警、侦察等大型任务的系统要求,平台技术难以满足高隐身、高机动力的作战需求,且在发动机、空气动力、材料结构、高精度导航方面的基础相对薄弱.作为应对,我国应大力发展多无人机集群项目,利用群体智能抵消个体差距,形成我军特色的无人机体系.然而,如何高效指挥与控制无人机集群,提升无人机集群的信息化、网络化、智能化程度,研发符合未来无人机集群对抗模型的新理念、新方法与新体系仍是我军的重要任务与使命.

中科院自动化研究所王飞跃研究员于2004年提出ACP平行系统方法,为解决复杂系统管理与控制问题提出了新的解决思路,并于2012年提出平行军事体系,随后对其进一步完善,相继展开对平行指挥[3]、平行情报[4]、平行武器[5]、平行坦克[6]、平行航母[7]的研究.近来,可以机构与企业不断推进工业4.0、物联网、数字双胞胎、云机器人等概念的研究与应用,通过收集目标的实体信息建立数字模型,并进行预测和改进,进而提高工业生产效率.然而这些只是实现虚实互动平行的一种特殊手段,仅停留在ACP平行系统的初级阶段.因此,本文提出一种基于ACP的平行多无人机系统,明确给出其数字四胞胎结构,以及其工作流程.本文介绍了平行感知、平行学习、平行网络、平行区块链等技术对于平行多无人机系统的支撑,并探讨了其对于提升无人机集群在未来战场中的协同侦查、协同突防和集群对抗能力的潜在价值.

1 相关研究综述

2013年,美国发布了《Unmanned systems integrated roadmap:FY2013-2038》发展路线图[8],指出无人机应具有自主完成任务、自主获取环境信息等功能.2014年,美国空军发布了《Vision and Enabling Concepts,2013–2038》遥控飞机发展路线图[9],制定了美国空军无人机发展战略的顶层规划,包括增强无人机与有人驾驶战机之间的编队协同能力,自主规避危险等行为.2016年,美国空军发布《Small Unmanned Aircraft Systems(SUAS)Flight Plan:2016-2036》[10],针对小型无人机系统的关键系统属性、作战应用、后勤保证和人员培训等提出系统性安排,其规划的主要战术应用领域包括“蜂群”、“编组”、“忠诚僚机”和“诱饵”,并提出作为空中炸弹、集群攻击、弹药群袭、广域搜索等作战方式[11].由此看出,集群化与智能化将是未来无人机的重点发展方向,主要涉及无人机多源信息融合技术、导航与路径规划技术、组网与多机协同技术等.

无人机多元信息融合面临的问题可归结为数据问题、方法问题和模型问题.其数据来源包括GPS、惯性导航装置、光流相机、机器视觉、SLAM 及其他传感装置.信息融合方法主要过程包括针对传感数据进行预处理,并针对传感误差进行补偿处理,同时为其进行时间配准与空间配准.国内外针对融合算法如何提高估计精度、优化更新率、增强鲁棒性等问题进行了大量研究,如今加权平均、卡尔曼滤波、D-S证据合成方法等方法已普遍应用,其他方法如机器学习、模糊推理、以及非线性卡尔曼滤波方法则进一步提高了状态估计的容错率与稳定性.

无人机的导航与路径规划技术是指在飞行器性能指标和环境约束下,寻找并跟随从出发点到目标点的最优或次优轨迹,并避开障碍物,是无人机任务规划的核心技术之一.而针对多无人机的导航与路径规划技术,则需要在确保复杂环境中多无人机编队能够安全、快速到达指定任务区域,同时形成编队以减小被敌方雷达捕捉的面积,需要设计满足环境约束与编队约束的最优编队轨迹.近年来,国内外对于多无人机路径规划的研究热度不断增长,蚁群算法[12]、遗传算法[13]、粒子群算法[14]和狼群算法等智能算法被成功用于解决部分多无人机航迹规划问题.A*算法、人工势场法等传统路径规划方法也被改良并适用于多无人机航迹规划问题,并且强化学习等基于深度学习的方法也被引入以解决多无人机避障问题.

无人机的组网与多机协同技术是无人机管理和组织的核心,已成为无人机研究的一个热点问题.无人机高速移动中易造成链路中断,使传统的移动自组网或车组网协议难以直接应用.文献[15]将军用无人机的组网技术需求总结为路由开销小、通讯性能良好、具有一定的鲁棒性、安全性和自组织能力.对于无人机组网技术的研究,国内外大多数研究人员将注意力集中在MAC协议与路由算法设计[16−18].而对于编队队形设计、编队重构及避障的研究,主要以Learder-Follower模式为主体进行变化,并着重于研究仿生编队[19−20]拓扑,也有学者通过最优控制方法或微分博弈方法[21−24]研究编队控制的最优控制策略问题.

虽然对于多无人机集群的研究已取得一系列进展,但可以看出,对于多无人机集群的研究仍缺乏一个统一理论指导,难以应对复杂感知约束和复杂通信环境下的多无人机协同编队作战需求.因此,我们需要将ACP平行系统方法引入多无人机集群,纳入到平行军事体系,通过虚实结合的方式驱动多无人机集群研究、管理与控制.

2 平行机群理论基础

2.1 ACP方法

王飞跃研究员于2004年提出了复杂系统“不可知”与“不可分”问题[25],并以此为基础提出针对复杂系统管理与控制的解决办法[26],即基于ACP的平行系统方法,后文中简称ACP方法.该方法的核心思想在于面对复杂的难以进行实验,或难以进行可重复性实验的问题,可以通过构建与实际系统相对应的人工虚拟系统,通过虚拟系统与实际系统的互动,从而以一种可计算、可实验、可比较的方式求解所面临的复杂问题.该方法可以将知识、数据、仿真、决策以及参与人员的心理融为一体,是混合智能时代的重要基础理论.目前,ACP方法在复杂系统的研究领域已取得一系列研究成果,在智能交通[27]、自动驾驶、智慧城市、现代化农业生产、企业管理[28]等方面得到应用,并延伸拓展至其他领域,形成平行学习[29]、平行视觉[30]、平行机器[31]等研究领域.

ACP方法的框架如图3所示.系统由实际物理系统与软件定义的人工系统构成,通过二者虚实互动相互作用,可以实现对系统的管理与控制、对方案的实验与评估、对人员的学习与培训3个主要功能.具体而言,系统分为3个阶段运作,A为人工系统(Artificial Systems,A),C为计算实验(Computational Experiments,C),P为平行执行(Parallel Execution,P).其中,第1个阶段在于构建与物理系统相对应的虚拟系统,一般为构建软件定义的系统;第2个阶段为使用前述所得虚拟系统进行计算实验,在其中对解决方案进行测试、评估、优化的滚动迭代过程;第3个阶段将所得方案在物理系统与虚拟系统中平行执行,二者不断交互运行数据以调整解决方案,通过这样的虚实互动方式引导物理系统完成任务.

其中,所谓人工系统可视为传统数学解析方法的扩展,一般由数学模型或仿真工具构建;所谓计算实验可视为数据驱动的沙盘推演,融合机器学习、知识自动化、数据驱动动态系统等方法;所谓平行执行是自适应控制思想的推广,在虚拟与实际联合空间中形成闭环反馈.通过三者有机结合,可以将复杂系统所面临的不确定、多样性、复杂性(UDC)问题转化为灵捷、聚焦、收敛(AFC)的解决方案[32].

无人机在战场上的应用,特别是多无人机协同或无人机蜂群,是一个典型的在复杂环境中的复杂问题,其复杂性既来自于战场环境的复杂性,也来自于多无人机执行任务时所带来的诸多复杂问题.因而我们将ACP方法引入军用无人机,形成平行无人机以及进一步的平行机群系统,以期获得灵捷、聚焦、收敛的AFC解决方案,以取得在未来战场中的主动权.

2.2 平行无人机的数字四胞胎结构

平行无人机是ACP方法与无人机领域相结合的应用与推广,实现从无人机数字化、信息化到智能化的跨越式发展,其思路可追溯至1990年,王飞跃针对电网系统提出的“影子系统”嵌入式仿真方法[33].2012年,NASA基于其对于工业信息时代武器装备的管理与维护的需求提出了数字双胞胎(Digital Twins)[34]的概念,建立数字化模型并基于实际状态信息对装备的状况进行评估,以即时做出反应.近年来,这一思路被工业界的西门子等公司采纳,作为其工业4.0时代的推动技术.无独有偶,Mathworks公司推动的基于模型的设计(Model Based Design)[35]、Kuffner提出的云机器人(Cloud Robotics)[36]以及其他诸如物联网(IoT)等技术手段也都体现了类似的思路.然而,理论上而言,这些方法只是实现虚实互动平行系统的特殊手段,而且仅停留在建立人工系统的初级阶段,而真正意义上的平行无人机应当为构建实际无人机的“描述”、“预测”、“引导”对应体,形成完整的数字四胞胎结构,如图4所示.平行无人机的数字四胞胎体系包括物理无人机、描述无人机、预测无人机、引导无人机4部分,其中后3部分共同构成软件定义的无人机系统.物理无人机与软件定义的无人机在实践中平行互动,其中物理无人机将自身输入、输出和状态不断发送给软件定义的无人机,3部分不断学习、滚动优化,将输出传递给物理无人机,以此调整其控制参数.

“描述无人机”负责学习实际无人机的行为特征,构建相对应的虚拟无人机系统,包括无人机本身及其工作的动态环境.其构建过程使用了知识自动化获取无人机基本物理模型,同时运用机器学习方法依据真实运行数据修正模型.总体而言,描述无人机实现了从物理无人机到虚拟无人机的映射过程,为无人机与环境的行为模拟奠定基础.

“预测无人机”利用计算实验对描述无人机系统进行模拟实验,以实现两个主要功能.首先,通过对描述无人机及其所处虚拟环境进行类似沙盘推演仿真,测试现有解决方案的性能并检测异常情景;其次,使用机器学习方法对当前解决方案进行优化求解,或舍弃当前解决方案并利用知识自动化工具获取其他解决方案并继续测试.

“引导无人机”在预测无人机的演算基础上,利用无人机在实际环境中运行与虚拟模拟实验中所表现出来的差异引导描述无人机修正模型,并引导预测无人机进一步优化解决方案.为了转移本地繁重的计算任务,引导无人机将解决方案抽象给实际无人机的控制系统,将大规模决策优化任务在远程维护,根据不同的战场环境制定有效的战术策略,引导实际无人机做出最优的攻防动作.

总而言之,平行无人机的数字四胞胎体系,可以通过虚实互动,使每部在滚动优化中不断优化,从而实现战场复杂环境中的策略优化与控制执行.

2.3 平行多无人机基本框架

基于平行智能理论和ACP方法的平行多无人机系统,是一个物理和虚拟交互的智能联网系统,其基本框架如图5所示,在其中集成多智能体建模、专家系统、虚拟增强现实(Vitual Augmented Reality,VAR)交互手段,将指挥人员、有经验的无人机驾驶员、无人机研发与设计人员及制造单位统一在同一个框架内.该系统在远程超级计算平台上建立数字化的无人机集群,贯穿整个武器装备的生命周期,包括立项、设计、研制、试验、评审、生产、采购、服役、保障、报废等[37],在战时则扩展战斗准备、战术部署、战斗调度、任务执行、毁伤评估等环节[5].

概括而言,平行无人机的基本框架由实际无人机集群与软件定义的虚拟无人机集群所支撑,通过二者平行互动实现管理与控制、演练与评估、学习与培训3个重要操作模式.其中,对大规模的无人机集群以及所处复杂战场环境的描述与建模体现了多无人机系统的描述智能(Descriptive Intelligence);基于虚拟模型实现无人机集群编队、重组、分散避障、协同打击、掩护突防等任务展开具备可控性、可观性、可重复性的计算实验,分析并优化无人机集群的性能表现,这对应于无人机集群的预测智能(Predictive Intelligence).通过实际无人机集群与虚拟无人机集群间的平行执行,通过虚拟无人机集群模拟出优化的编队运动策略或协同打击策略,引导实际无人机沿着该方案运行,使各无人机达到期望状态,提高编队的稳定性、执行任务的同步性以及遇到紧急状况时的机动能力,从而以一种科学计算的方式达到对无人机集群管理与控制的目的,这对应于无人机集群的引导智能(Prescriptive Intelligence).

以上3个智能便是平行多无人机基本框架为无人机集群赋予的智能化含义.

3 从描述、预测、引导到平行机群的工作逻辑

如上文所述,平行多无人机系统的数字四胞胎结构通过描述、预测、引导三阶段滚动优化为无人机集群赋予了灵捷性、聚焦性和收敛性.本节对以上三阶段进行更详细的概述,从而描绘出平行多机系统的工作流程.

3.1 描述

对于描述多无人机集群这样一个复杂系统,传统的在多无人机协同控制、无人机编队或无人机博弈的数学模型和仿真方法难以取得很好的效果.例如,由于军用无人机集群往往分工明确,需携带不同侦查、打击或干扰设备,存在很强的异构性,难以进行统一数学建模.此外,为了保证系统在苛刻通信条件下能顺利完成作战,多无人机系统一般不能使用集中式控制,而改为分布式控制,这也为无人机编队整体行为的建模增加了进一步的挑战.

因而,针对多无人机的描述过程,可采用人工系统的方法进行建模.具体而言,强调综合与合成在行为产生中的作用,考虑到复杂系统的不可分与不可知性,通过多智能体建模元件组成系统,以整体的角度构造复杂行为模式.其次,将人工系统融入硬件在环(HITL)、软件在环(SITL)的仿真过程,通过涌现方法进行观测、总结、了解、分析和理解复杂系统行为.

在此过程中,多智能体的最小单元并不是某无人机,而是组成无人机的重要功能部件,包括飞行控制器、传感器、执行机构、作战设备等有机组合.在无人机系统测试与运行的过程中,由于参数漂移、未建模动态因素或者传感误差的影响,对无人机系统的描述可能出现偏差.这时我们需要利用产生的大量数据,包括传感数据、状态观测、通信数据、环境信息等,基于此进行机器学习过程,进一步完善和优化描述各智能体行为的模块.这种系统自我进化学习的过程,体现了描述无人机数据驱动[38]的本质.

除了对无人机进行建模,还需对环境以及敌我双方武器装备,以及敌我双方作战人员进行一定精度上的智能体建模.现阶段,无人机或无人机集群仍很少用于单独执行全天候监视或目标搜索等任务,往往需要其他装备配合,或作为廉价消耗品配合其他武器装备作战.因而,在对其运行环境进行描述的过程中有必要对其他战术参与单位进行建模,从而形成更完备的虚拟战场环境.由此,平行无人机集群被纳入平行军事[39−40]大系统,与平行指挥与控制系统[3]、平行武器装备保障系统[5]、平行自主防御系统系统[41]相结合.

3.2 预测

对于预测多无人机集群在复杂环境中的行为与未来状态,通常使用前述所得描述无人机集群,利用计算实验方法进行“加速试验”、“加压测试”、“极限测试”、“突发测试”等,对其解决方案、决策策略、控制方法进行预测和分析,并对其通常状况下的性能指标以及异常情况下的鲁棒性进行评估,从而优化系统参数或调整解决方案.

对于无人机集群的“加速试验”主要体现在针对作战任务,如协同打击、协作突围等情景中,基于一定的初始条件与随机性,通过快速演算不断测试某种作战策略,从而得到对于该条件下作战结果的可能性分布,反馈给作战指挥系统.另一种主要应用场景在于使用遗传算法,通过不断快速计算得到一种优化的解决方案.

另一种预测方法为使用最优控制方法或微分博弈.多无人机决策可以建模成一类动态博弈问题,微分博弈则是对这类问题的一宗快速求解方法.简言之,微分博弈方法利用微分方程组刻画各自最优目标,紧密结合现代控制理论和博弈论,求解一类双方或多方的最优控制问题.1954年,R.Isaacs[42]开启了对于微分博弈的研究,最初是重组了动态规划方法并应用于最优控制问题.随后,Berkowitz等在其中引入微积分和变分方法,正式拉开微分博弈的序幕.Ho等[43]则在1965年展开了微分博弈在追逃问题中研究,其中微分博弈问题的数学描述可以简单概括为:

其中,J为回报函数,x为状态向量,u和v为分段连续的策略或控制向量,受到允许控制的约束.系统的求解目标在于寻找鞍点(u0,v0)满足条件:

所得u0,v0即为最优纯策略,J(u0,v0)为博弈的值.对于无人机集群的“加压测试”、“极限测试”和“突发测试”则是用于对已有解决方案进行稳定性与鲁棒性验证,评估情报失误、通讯不畅、单位故障等在战场中可能的突发状况对于达成作战目标的不利影响.

3.3 引导

所谓对平行机群的引导过程,即在解决方案的执行过程中,引导或控制各种资源情况下使系统能够达到期望的状态.可视为一种在控制系统中对个状态镇定的过程,也是实现滚动优化的大闭环系统控制的关键一步.

由于建模的不完备性,描述无人机势必会与实际无人机产生一定的模型偏差,此偏差反映在预测过程中即为得到对运动状态与运动结果的有偏估计,从而导致战术判断与战术决策的错误.如果此误差累积,则会对系统的作战结果产生难以估量的影响,因而我们需要像控制理论中一样对虚实系统进行引导,对虚拟系统进行参数修正,以使其更好地反映实际系统,同时使实际系统采取一定的保守策略,避免放大执行误差,最终使得虚实多无人机系统自我更新、平行优化.

在平行多无人机系统的引导过程中,人工智能方法,如启发式搜索、遗传算法、机器学习方法在其中扮演重要角色.整个引导过程可视为对一个存在随机性、有约束的多目标优化问题求解的过程.由于问题的规模性,往往难以有效通过解析方法直接求取最优解,所以我们诉诸人工智能方法寻求一种次优解或者可行解,并辅以大量计算实验以验证其有效性和鲁棒性.为加速迭代优化流程,并行计算[44]、云计算[45]方法在其中起到重要作用.在复杂战场环境中,我们往往只能依赖于这种可行解,从而确保战术指挥具有连续一致性.

3.4 平行无人机群系统流程

综上3步,平行机群的系统流程在平行机器人基本流程上发展而来,拥有实际、虚拟系统两个主要循环,并通过平行执行形成整个系统的闭环控制.

如图6所示,平行多无人机系统包括实际系统、软件定义的系统以及知识服务系统.知识服务系统伴随无人机研发、设计、生成制造全过程,在数据库中维护对应无人机的数字模型,用于快速生成计算实验场景.战场环境情报由平行军事系统提供,既包括无人机实时传感数据,又包括平行情报系统传入的信息.通过在虚拟环境中进行描述、预测、引导滚动优化,得到该任务的优化可行解,并将行为策略以及控制算法下载到实际无人机中.由此,在实际无人机中执行观测、状态估计、问题建模、预测、规划、底层控制、观测的循环,控制无人机完成既定任务;在虚拟无人机系统中执行状态估计、描述、计算实验预测、引导、执行的循环,其中内循环描述、计算试验预测、引导共同完成决策与控制参数调优.可以看出,整个虚实系统与知识系统紧密结合,接受其数据服务以及计算服务等.

指挥人员与飞行员也在整个过程中起到重要作用.其中指挥人员扮演监督者与决策者的角色,尽管人工智能已经能够在一定程度上感知战场形式并做出战术决策,但将战争决策全权交与计算机系统仍不可能,而且也不是一种负责任的方式.因而,指挥人员必须被纳入系统循环中,基于描述、预测、引导的结论制定作战计划,并通过系统的可视化展示模块对执行过程进行监督.飞行员则负责应急处理以及示教工作.

如图6所示,虚实系统之间每个环节均有大量的数据流入流出,其过程由平行系统的几个关键技术所驱动,这也是平行系统与自适应控制或模型预测控制的区别所在.

4 平行机群关键技术

4.1 平行协同感知

《孙子谋攻篇》说到“知己知彼,百战不殆;不知彼而知己,一胜一负;不知彼,不知己,每战必殆”,凸显出获取情报以及自身状态对于军事对抗的重要性,前者是无人机集群的强项,而后者则是无人机集群面临的主要技术挑战之一.

军事无人机的感知技术多样,包括从小微型传感器到大规模侦查装备,涉及可见光、红外、综合孔径雷达(SAR)、多光谱、敌/我识别器等[46],需要解决包括侦查数据快速处理、数据质量评估、多源信息融合等关键问题.由于实际战场环境的复杂性,传统的数据处理方式,如手动设计的信号特征由于模型规模的限制,难以覆盖复杂环境对应的特征空间.而近年来兴起的深度学习方法依赖大量标定样本,能够覆盖更大的特征空间,但是其需要大量样本累积,特别是其标定阶段依赖大量人力物力.因而,为了建立可以有效应对复杂环境中的多机协同感知模型,需要建立规模足够大且具有足够多样性的数据集,所以我们可以诉诸于平行感知方法.

平行感知旨在通过建立人工场景,模拟和替代复杂环境中的真实场景,利用虚拟传感方法渲染生成宏大、多样的人工数据集,从而为机器学习方法提供数据支撑.如图6所示,实际系统与虚拟系统的状态估计过程均由平行感知驱动.而平行协同感知则是多个无人机相互协同对自身以及其他无人机状态估计的支撑技术.以平行视觉[47]为例,通过构建色彩逼真的人工场景,模拟实际场景中可能出现的环境条件,并且自动得到精确的标注信息.结合大规模的人工场景数据集和适当规模的实际场景数据集,能够训练出更有效的机器学习和视觉计算模型.利用人工场景,能够进行各种计算实验,全面评价视觉算法在复杂环境下的有效性,或者优化设置模型的自由参数.如果将视觉模型在实际场景与人工场景中平行执行,使模型训练和评估在线化、长期化,则能够持续优化视觉系统,提高其在复杂环境下的运行效果.2017年,王坤峰等人建立了Parallel Eye数据集[48],如图7所示,通过实验验证了平行视觉方法对于产生海量有标注学习样本的可行性,及其对于一定程度上提升现有计算机视觉模型的有效性.

4.2 平行学习

长久以来,对于无人机、机器人或武器装备的控制往往仍停留在简单控制方法,如PID、线性反馈、线性二次型控制等.然而随着人们对于自主武器的需求日渐迫切,简单控制方法往往难以满足复杂战场环境中智能决策的需要.近年来,随着机器学习取得了长足发展,特别是深度强化学习在机器人控制、围棋、游戏、交通等诸多领域中得到成功应用,一些机器学习方法开始应用于无人机或地面无人车的控制.然而,机器学习仍然受到两方面限制,使得其难以在复杂系统中真正得到应用.首先,机器人在状态与行为空间的探索受到诸多限制,使其难以创造一些数据驱动算法所需的大数据;其次,对于如何在复杂系统中应用机器学习方法仍缺少理论指引.

对于解决第一个问题,大多数强化学习研究中将探索空间从实际空间转移到仿真空间,并在仿真空间通过大量试错学习或模仿学习等方法得到控制策略,最终迁移到实际机器人上.如Pfeiffer等[49]使用Stage/ROS环境,利用MoveIt路径规划器作为专家数进行模仿学习.Long等[50]在Stage环境中中通过TRPO强化学习方法训练基于雷达的多车辆的分布式避障策略,并展示了其方法对于100辆车辆会车避让情景的有效性.文献[51]则在ROS/Gazebo环境中通过监督学习得到基于雷达的避障策略.然而以上策略仍存在现实偏差(Reality-Gap)问题,虽然在迁移过程中必须经过领域适应(Domain Adaptation)处理,仍难以保证虚拟与现实的无偏性或一致性.

为解决以上问题,文献[52]提出了平行学习理论框架.概括而言,平行学习理论使用预测学习解决如何随时间发展对数据进行探索;使用集成学习解决如何在空间分布上对数据进行探索;使用指示学习解决如何探索数据生成的方向.文章通过基于小样本数据学习的无人车停车问题展示了其有效性.

4.3 平行网络

在多无人机协同作战的过程中,网络通信是支撑其编队、数据互传、远程操控的支撑技术.稳定的网络通信是在复杂环境中作业时,无人机与无人机、无人机与地面站之间的互联互通的保证.虽然平行无人机系统在实际无人机本地也保留一套控制循环,可以在通信质量较差、甚至失去通信能力的情况下按照已下载控制策略与算法继续执行任务,但同时也失去了虚实互动能力,从而失去了由虚实互动带来的智能性与适应性.因而平行无人机系统仍需要尽可能稳定可靠的通信环境.

无人机集群的网络架构中,对于网络服务的要求逐渐改变,具体体现在数据由单薄变换为丰富,使用要求由静态变化为动态,连接由固定转变为移动,甚至基站都需要成为移动基站.此外,由于无人机集群在战场中的定位主要为消耗品,用以提供战场支援、掩护、突防等任务,因而其网络设备也应保持成本低廉、工艺简单、装备调试容易的特点[15].考虑到网络侵入已作为反无人机的主要手段之一,我们还需要无人机网络具有一定的保密性和安全性.由此,我们需要平行网络技术作为平行多无人机系统的技术支撑.

目前,网络通信业界的注意力集中在如何从传统以太网软件定义的网络(SDN)以及网络功能虚拟化(NFV)的方向发展,这可以理解为平行网络的一种特殊手段.文献[53]提出了平行网络的概念,其架构[54]如图8所示.平行网络由人工网络、计算实验和平行执行3部分组成,通过人工网络与实际网络平行互动实现对网络设备的自动化配置,从而提高网络资源实时调度,提高网络的速度、安全性和稳定性,可以有效应对多无人机网络系统难管理、易变化、难预测的特性.

4.4 平行区块链

区块链技术起源于2008年,作为新兴数字加密货币比特币的底层支撑技术,并随着比特币的热潮引起众多专家学者的兴趣,成为近年来金融科技与互联网领域的热点问题[55].区块链的根本特征是去中心化,采用P2P对等网络,通过分布式共识机制实现相互协调协作[56].

区块链技术的去中心化特征,使其对于多无人机集群系统具有重要应用价值.首先,多无人机集群,特别是微小型无人机蜂群,因其成本及载荷等问题,往往作为战争消耗品使用且自身不具备维护大量数据的能力.因此,使用区块链技术,可实现侦查情报的分布式储存,提升因为损毁、失联造成的侦测数据缺失等问题.其次,使用电子战欺骗手段已成为反无人机集群的重要技术之一,因而需要使用区块链技术采用分布式共识机制及时识别并驱逐编队中的恶意无人机,保持编队可靠性和稳定性.

然而,区块链相关理论研究仍处于起步阶段,对于共识算法、网络结构、激励机制问题等核心要素尚处于探索阶段.因此,文献[57]提出平行区块链技术,为区块链技术提供一套可计算、可实现与可比较的描述、预测、引导决策方法.形成的物联区块链技术(Blockchains of Things)可以以安全可信的方式监控实际无人机及其设备的整个生命周期.

5 平行机群的未来应用

5.1 协同侦查

情报侦查、战场监视和地形测绘是目前军用无人机的主要作战方式之一.无人机可以通过飞抵敌军目标上空进行侦查,将目标实时的图像等信息传送回指挥部,用于制定作战计划.无人机集群可以通过多架无人机相互配合,实现单无人机侦查所不具备的能力或大幅度提升侦查效果.具体表现为,多无人机可同时侦查的范围更广,传感数据类型更丰富,可同时捕获大量目标,对关键区域或关键目标实行不间断全天候监视,可以施行对目标多角度监控,避免出现遮挡导致丢失以及对于单架无人机故障表现出一定的鲁棒性[46].传统无人机协同控制管理方法难以应对编队中无人机数量上升造成的计算规模呈指数增长的问题,难以满足多维协同动态规划的需求,因而通过引入平行机群,将计算资源转移至云端,实现海量侦查数据在云端处理,以及对多机协同侦查在线任务分配与航迹规划问题.

5.2 协同突防

无人机以其成本低廉,零人员伤亡风险的特点非常适于危险条件下执行任务.无人机集群在攻击敌军重点目标时往往受到歼击机、地空导弹和高射火炮组成的三层防御体系,特别是面临突然探测到敌方搜索雷达的威胁时,需要采取应对策略以保证整个团队的安全性[58],或实现最小牺牲的前提下确保完成任务.在协同突防过程中,涉及多无人机协同航迹规划、协同目标搜索以及协同电子战干扰等技术.协同突防过程中,需要无人机集群进行机动灵活的队形变换[59]、执行主动式或被动式电子干扰,诱骗敌方雷达形成视野盲区,同时释放低价值干扰物吸引敌方高价值防空火力,进而实现编队突防.协同突防中的轨迹规划不仅需要考虑三维空间,还要考虑时间维度,即多无人机能够在同一规定时间到达指定地点形成编队[60].目前集群突防技术主要依赖预先编程的航迹规划以规避已知的敌方雷达,难以适应动态变换的战场形势,对于因为突发状况引起的需要队形拆分、重建、保持、切换的需求也束手无策.平行机群通过海量计算针对突发场景进行评估,可以依据侦测信息预估敌方防空雷达分布,制定导航策略,也可以在突然探测到敌方雷达威胁时即时调整控制策略,以动态灵活的方式调整编队队形与作战方式.

5.3 协同电子战干扰

电子战是指利用电磁能或定向控制电子频谱攻击敌方,包括电子攻击、电子防护和电子支援3种作战方式,其中电子战攻击一般使用电磁能、定向能或反辐射武器攻击敌方设备或装备,以削弱或压制敌方雷达、防空导弹或使用一次性干扰物等对自身进行防护,而电子支援作战则通过搜索、捕获、定位敌方雷达的辐射源从而制定作战行动[61].无人机机体一般较小,载荷能力受限,其火力毁伤能力相较于传统战术武器较弱.但其往往可以作为重要的电子战装备,与传统火力配合,实施电子战.无人机电子战主要面临感知与定位、振荡同步、敌我识别的挑战,平行机群系统可以引入多源情报辅助其进行战场定位,并基于协同控制调节天线同步,以及基于平行区块链技术进行敌我识别.

5.4 反无人机蜂群武器研制

针对无人机蜂群的防御已成为各国棘手的问题,特别是反恐作战中,由于无人机的廉价、简易,仅使用很少的火力就能造成很大恐慌,使得许多传统防空作战方式对其束手无策.目前反无人机武器包括激光武器,弹幕武器,无线电枪等[62],由于缺乏对操作人员的统筹管理,其响应速度往往远低于敌方无人机集群,因而处于被动应对的地位[63].使用平行多无人机系统可以依据战场形势预估敌方无人机的攻击策略,提前制定应对方案并机动调整.多无人机平行系统还可以通过其与平行军事体系的紧密联系,通过平行情报系统预先对敌攻击目标进行预测,将作战评估结果及时反馈给平行指挥系统或调度其他自主装备.

5.5 无人机集群对抗

在众多反无人机技术中,以无人机集群对入侵的无人机集群进行拦截被认为是最有效的[64].无人机集群对抗涉及大规模无人机管理、自主编队飞行、集群感知与态势共享等技术[65].针对无人机集群对抗的研究现在仍处于起步阶段,往往运用博弈论[66]、微分博弈[67]或无人机级别的多智能体建模方法基于对于无人机的简化、抽象数学模型针对特定作战问题求解,缺乏实用性与灵活性.因而我们需要使用平行机群系统,通过对敌我无人机集群及战场环境进行数据驱动的描述,通过计算实验预测对抗效果并依此优化调整策略,最终以平行执行方式引导我方无人机集群以机动灵活优化的方式取得对敌方无人机的优势.

6 结论

平行机群是基于平行理论的ACP方法在多架无人机组成的新一代无人机集群管理与控制系统.本文介绍了平行多无人机系统的理论基础及其数字四胞胎结构,讨论了其以描述、预测、引导三步为核心的滚动优化流程,指出了平行机群系统的多项支撑技术,并展望了系统在未来战场中的应用前景.在不同战场场景中,平行机群有效成为一个整体,将战场环境的多元侦察信息上传到云端,由云端根据计算结果调整作战策略并引导战事发展,极大提升了平行机群系统的管理与控制能力.通过融入平行军事体系,使多无人机集群系统更加智能,能够极大延伸我军的作战体系,将在我国国防建设进程中发挥重要作用.