无人飞行器集群协同行为建模技术综述

刘 钢, 汤 俊, 刘 陈, 李 武,*

(1.湖南理工学院信息科学与工程学院, 湖南 岳阳 414000; 2.国防科技大学系统工程学院,湖南 长沙 410073; 3.中国航天科工集团有限公司, 北京 100048)

0 引 言

随着需求范围的日益扩大以及任务难度的不断增加,单个无人飞行器可能受到主体性能和观察角度的限制而遗漏信息,不能够全方位完成侦察任务;同时,受作战广度和精度、杀伤半径和能力的限制,单架无人飞行器越来越难以单独执行攻击任务。近年来,通过对鱼、羊、蜜蜂、蚂蚁等生物的群体性现象进行研究发现:许多生物群体的协作行为具有规避风险更好、觅得食物更快、保存能量更多、生存能力更强等优势。通过把这种群体智能的思想应用到无人飞行器集群任务中,可以实现对无人飞行器编队控制、决策和管理的智能协同优化,大幅度地提高无人飞行器的作战使用效能和完成任务效率,从而安全、可靠地执行各种指派的任务。据美国五角大楼透露,自2016起,美国正积极研发可快速与美空军交互的“蜂群”无人机技术,即“山鹑”无人机集群系统。美国国防部副部长也表示,从作战飞机一次性放飞数十架无人飞行器,组成集群网络,可以执行以往无法完成的任务。

1 集群协同特点及其关键问题

当前,以蜂群为代表的无人飞行器集群具有如下主要特点:首先,集群个体是分散式的,没有中心控制,不会因为单一个体或者若干个体出现不确定的状况而影响全局;其次,集群个体不能直接得到整体全部信息,仅能感知部分信息,个体遵循自治规则;再次,集群个体之间基于相互通信进行协作,包含个体越多,通信消耗量就越大;最后,集群个体具有良好的自组织能力,能够协同执行较为复杂的任务。

上述这些特点给无人飞行器集群优化、调度和决策带来了挑战,亟待突破无人飞行器集群协同行为建模技术,实现不同环境下自组织集群多编队协同、队形重构以及决策控制,为有效发挥无人飞行器自身优势和提高多无人飞行器系统的作战效能提供理论基础和技术支撑。从以上特点分析可以得到,无人飞行器集群协同行为建模关键要解决以下几个方面的问题:

(1)无人飞行器集群协同行为组件化建模问题,采用灵活的链接组装方式将无人飞行器实体图形化集成为自组织集群协同模型,极大提高了系统开发效率;

(2)以防撞机制为核心的集群多编队协同问题,形成以局部空域建模、连锁冲突检测、协同防撞避碰以及协同任务分配为主体的方法技术体系;

(3)面向效率最优的队形变换问题,在不同协同编队队形下,研究能力有限的个体在局部交互机制下合作完成复杂任务,从而使群体具有高度协同能力和更强的抗扰动能力;

(4)分布式自组织集群协同决策控制问题,完成有效地分布式状态预测与最优化选择,能够考虑不确定因素影响下的状态分析预测,确保系统具备更好的深度认知与动态扩展能力。

可以说,以上4个关键问题既是迫切需要解决的问题,又是未来相关领域的研究方向。总体来说,究其本质是一个集群队形多组合、协同个体交互紧耦合的多目标强约束复杂优化问题,适合采用智能技术优化求解。本文将组件化建模与分析技术、集群协同行为建模技术相结合,紧贴多无人飞行器协同任务迫切需求,开展无人飞行器集群协同行为建模与关键技术研究综述。将为实现无人飞行器协同编队飞行控制、决策和管理,拓宽无人飞行器使用范围与提高集群完成任务的效率提供参考与依据;此外,这项技术的不断发展和完善将使其在指挥控制决策、冲突风险分析、飞行航路规划以及系统工程设计等领域发挥越来越大的作用。

2 集群协同行为建模研究现状

2.1 复杂系统图形化建模方面

可视化建模技术因其对离散事件仿真的基础支撑作用,始终得到美国等发达国家的高度重视,取得了丰富的研究成果[1],典型的包括基于事件图的可视化建模环境、基于Petri网的可视化建模环境、基于并行离散事件系统建模规范理论的可视化建模环境等。事件图(event graph,EG)[2]是一种针对离散事件仿真的可视化开发方法,其主要特点是利用事件及事件两两之间的连线来描述整个离散系统的动态特性。为了提高EG的可组合性,美国海军研究生院Buss等人在EG建模范式中引入面向对象的建模思想,提出了监听EG对象(listener EG objects, LEGO),并实现了基于LEGO的可视化建模环境VisKit[3]。Petri网[4]主要针对并发性、随机性、分布式、异步式的离散系统,利用库所、变迁和令牌等基本元素构建图模型对系统组成结构进行分析。着色Petri网[5]的提出为令牌增加了谓词逻辑,提高了Petri网的描述能力,但通过数学形式对仿真系统进行分析的能力有待提高。亚利桑那州立大学Zeigler教授等人[6]在2000年提出了层次式的并行离散事件系统建模规范PDEVS,包含原子模型和耦合模型两类范式,前者主要针对特定逻辑功能,而后者主要用于构建复杂模型。但原子/耦合模型之间的通信只能通过模型之间发送端口消息实现,模型之间数据交互能力弱。此外,还有一些其他应用相对广泛的图形化组合式建模技术,如加州大学伯克利分校开发的Vergil[7],基于块图方式将各种异构并发Ptolemy模型可视化组装出各种实际应用系统,但主要用于嵌入式应用系统的开发;YetiSim[8]是加拿大多伦多大学提出的一种基于C++的离散事件仿真库,采用执行图作为并行离散事件仿真应用可视化描述规范,主要用于解决协同执行路径的并发问题;加州大学洛杉矶分校提出的秒差距视觉环境[9]用于构建面向Parsec平台的并行仿真应用,在通用控制流图的基础上增加了辅助标识用以表示消息的传递方向,但只提供采用进程交互仿真策略;美国MathWorks公司推出的SimEvents[10]为用户提供动态系统模型构建环境,以拖放的方式将模型进行组装并设置相应的参数,但难以满足智能体数量大、交互多的特定需求。

国内学者也开展了对离散事件仿真可视化建模技术的研究,有学者采用了一种可重写微分Petri网[11],为大规模分布式动态系统的形式化验证提供有效途径。文献[12]在领域仿真实体要素进行分析和归纳的基础上,提出仿真实体图形化建模的设计方法、采用“方案-单元-实体-组件”方式的实体管理机制以及采用事件驱动、事件订购和分发方式的实体交互机制。文献[13]提出了支持LVC互操作的分布式联合仿真支撑平台的技术需求,并从体系架构、公共对象模型的定义、中间件设计等方面介绍了实现分布式联合仿真支撑平台Josim的关键技术及其解决途径。文献[14]提出利用交互式动态影响图对未知对手进行建模,将对手的候选模型保存在模型节点并随时间更新其信度,从而制定对特定实体自身有利的策略。文献[15]提出了面向装备剩余寿命预测的平行仿真技术,探讨了装备退化状态在线感知、装备退化状态空间模型构建、装备退化状态空间模型演化等主要建模技术。文献[16]结合无人机作战仿真具体应用背景,提出平台设计总体框架,主要支持全数字、半实物和综合研讨等3种仿真应用形式,用于分布式作战仿真活动,但缺乏具体设计细节且执行任务的无人机数量较少。这些研究推动了并行离散事件仿真图形化建模技术的发展,但基本不支持分布式集群建模,也没有考虑多智能体协同决策需求,缺少对模型组合语义的描述与推理机制。

2.2 集群多编队协同方面

关于多编队协同的相关研究最初是由Marks[17]和Reich[18]于上世纪60年代开展的,特别是Reich模型主要可用于评估多条平行航迹间的碰撞风险,预测安全间隔标准和详述航行各类需求,重点关注飞行过程中发生的操作失误。Sahawneh等[19]尝试通过故障树对外环系统故障或事件进行建模,并反过来定义基于快速蒙特卡罗内环的多编队协同态势。Fasano等[20]提出一个安全分析流程用来评估传统和非传统飞机混合协同的作用效果。Netjasov等[21]提出的多机协同模型包括技术、人员以及相关安全系统子模块,用于验证有助于分析协调任务分配的关键因素以及确保任务顺利执行的核心措施。Belkacem等[22]提出了一种多编队分布式共识算法,将平滑的输入信号提供给代理的控制通道,再将平滑分布的共识控制协议集成到几何图案模型中来开发新的编队控制方案,用于解决二阶非线性多智能体系统的协同控制问题,实现了三维编队跟踪。也有一些研究主要考虑飞行员的不同反应对飞行编队的影响,如Lee等[23]结合贝叶斯网络和博弈论来分析涉及人员和自动化组件的混合系统,并进一步预测存在冲突风险情况下的飞行员行为。Cetin等[24]对单个无人机操作失误带给整个飞行编队的影响进行了分析。Spyridis等[25]提出了一种移动射频目标跟踪中无人机集群协同新算法,在该模型中,装备有接收信号强度传感器的多旋翼无人机被组织成一个群体,并协同接近和跟踪移动目标,能够在大规模环境中实施自主跟踪。Gassara等[26]基于图转换系统提出了一种应用于反恐场景的无人机集群协同架构及其重构解决方案,如果所对应的图可以由一系列规则生成,那么就认为其体系结构实例是正确的描述。

国内也有多编队协同的相关研究,其中较有代表性的是研究分析工程实际应用中的修正模型,特别是生成刻画协同防撞的主要参数即两机飞行到最接近点的时间的修正公式[27]。有学者针对无人机编队在复杂机动情形下的协同轨迹规划问题,考虑路径和速度的协同耦合,提出了一种基于解耦的预瞄自适应轨迹规划方法[28]。文献[29]基于群体智能开发了一种混沌灰狼优化算法,采用分布式模型预测控制实现了具有无飞行区约束的多无人机编队的协同控制和轨迹跟踪。文献[30-31]都针对未知地面运动目标跟踪问题,利用卡尔曼滤波算法对未知目标状态进行预测,前者采用包含指令速度和航向速率的双输入无人机运动学模型,提出了一种多无人机编队协同航迹规划方法;而后者基于机载光电传感器提出了一种多无人机编队协同探测的地面目标定位跟踪算法。文献[32-33]则都针对动态运动目标进行搜索或攻击的问题,前者考虑编队中各无人机所拥有的环境信息不一致,采用改进的最小二乘法对丢失的信息进行补偿,将目标定位模型纳入拟合函数,提高数据拟合精度;而后者改进0～1规划方法和贝叶斯概率统计公式,提出一种多无人机编队协同攻击的分层强化学习算法。文献[34]针对火灾监测任务中存在执行机构故障的多无人机集群协同森林火灾监测问题,提出了一种容错时变椭圆编队控制方案,证明了所有固定翼无人机均可转向椭圆监测森林火灾,且协同跟踪误差一致最终有界。相关研究在深入分析编队协同技术特点的基础上,建立了系统防护失效故障树模型,并提出了单个无人机未能及时响应概率和操作失误概率的计算方法[35]。此外,相关实验室对多编队协同进行了半物理仿真测试,包括数字样机开发测试、物理样机开发测试、虚拟试飞以及数据统计分析等,并讨论了多编队协同主要风险及在设计、测试、操作方面需要完善的地方[36]。

2.3 集群队形变换方面

Kim[37]将多无人机队形变换问题构建成一个多属性决策模型,把队形位置的控制输入序列作为决策变量,把队形变换所需要的时间作为代价函数,把控制约束和碰撞约束同时作为约束条件,为了降低问题复杂度,在较长时间内才改变一次控制输入序列,这种方法虽然可以减少搜索空间,但它和现实中的队形变换有较大的出入,使得该模型的应用性不强。模型预测控制(model predictive control, MPC)主要用于求解强约束多目标优化问题,既可以将高层耦合任务放在代价函数中进行描述,又可以同步处理输入和输出两种约束条件,并且滚动时域优化策略还能够有效应对任务环境不确定性。Hafez等[38]在无人飞行器编队队形控制中使用了MPC方法,取得较好的编队飞行效果,但他并未在模型中考虑编队中两两碰撞问题,使得可操作性不强;Radmanesh等[39]提出了一个队形控制MPC模型,利用了混合整数线性规划思想,大幅提高了编队的稳定性,但由于时间不同步,使得模型的时效性不强;Thomas等[40]提出了一种分布式MPC算法,适用于在凸有界多边形区域内考虑多个外向Agent时的编队部署和重构,算法在多个Agent离开编队时依然有效;Kabiri等[41]基于“长机-僚机”结构提出了一种队形变换MPC模型,它的特点是长机在每一个时间间隔中必须给僚机传输自己的预测轨迹,必然给模型的时效性带来很大影响。文献[42]结合无人机系统有限范围感知的特点提出一种基于规则的队形控制方法,可生成任意队形且对突发威胁能主动有效地规避。文献[43]利用无人机与目标的速度关系,将二维阿波罗尼奥斯圆扩展为三维阿波罗尼奥斯球,通过阿波罗尼奥斯球设计了无人机编队围捕队形,并基于一致性算法引入二跳网络加快围捕队形收敛。Duan等[44]受仿生学启发,提出了一种新型仿生智能计算方法——鸟群优化[45],该算法在许多优化问题中求解性能全局性良好。在群体机制方面,Khatib[46]通过卫星全球定位系统观测鸟群飞行,发现其内部等级森严,这不仅存在于飞行队形保持与变换中的跟随与协同行为,也体现在进食过程中的先后顺序。Azam等[47]将无人机群队形变换问题设定为一个分散的马尔可夫决策过程,采用一种叫做信念状态优化的快速近似动态规划方法来近似求解编队队形控制问题,提出了一种基于决策理论的分散无人机群编队队形控制方法。

编队飞行任务不同,所采用的队形变换方法也就不同,国内学者们也针对各自的任务研究发展了多种实现方法。如文献[48]提出了面向时间协同的多无人机队形变换效率计算方法;文献[49]研究了以路径跟踪为主、速度调节为辅的编队队形变换策略;文献[50]研究了适应飞行速度的无人机编队弹性队形控制技术;文献[51]基于角度和射程测量,研究了无人机编队对目标的最优观测队形配置;文献[52]提出了一种由4个步骤组成的算法来设计无人机群时变编队跟踪协议,解决了具有切换拓扑和有向交互拓扑结构的无人机编队时变编队跟踪控制问题;文献[53]基于自适应学习的鸽子启发优化算法,提出了一种面向多无人机编队恢复力的新型优化方法,实现了随机攻击下编队队形的快速准确重构;文献[54]提出了一种基于协同进化算法的编队队形重构方法,基于自适应分组策略,将多无人机的变量分为几个子组,以更好地处理其紧密耦合;以上研究都针对各自的专业领域和任务需求提出了无人飞行器编队队形变换模型及方法,但大都没有从顶层设计的高度对集群协同进行队形部署,而这恰恰是决定集群协同效果的关键所在,是实现集群协同整体性能最优必须考虑的关键因素。此外,也有学者提出了两种非线性控制算法来解决相应的队形变换控制器设计问题[55],相关研究机构利用退火递归神经网络极值搜索算法解决了紧密编队中僚机所需动力最小化问题[56],此外利用非线性双模滚动时域控制器来解决复杂环境下的编队问题[57]。

2.4 集群决策控制方面

麻省理工学院林肯实验室对集群决策控制进行了长期的研究[58]。早在1974年,当时美国联邦航空局要求他们参加一种机载安全保障系统的研发,在1970年代中期该实验室开发出原型传感器Mode S;且从2000年开始,林肯实验室对提出的各种改进多机控制逻辑算法进行安全性评估,并将相关风险模型分为传统集群冲突和非传统集群冲突两大类[59]。Kuchar[60]概述了如何对可装备在无人机编队上的控制模块进行设计的问题,重点突出系统响应的灵敏度。Kochenderfer等[61]提出一种关联决策模型可随机生成相互协作的飞行器近距离态势,并通过快速蒙特卡罗模拟以评估集群决策控制的概念。Smith[62]构建数据驱动的报错模型用以处理在较短时间段内连续出现的多个集群决策建议,从而尽量减少控制人员因为在同时处理连续出现的建议而引发的过失。此外,林肯实验室重点考虑相关机载决策控制系统设计以实现更高的安全性能而不干扰常规操作[63];并侧重于协作、互操作性和多冲突的决策支持研究,提出的方法技术优化了混杂机载装备环境中的系统性能[64]。Mehmood等[65]则将多无人机的编队和轨迹分别由两个单独的控制器控制,采用基于Lyapunov函数的自适应扰动估计器来补偿外部扰动和参数不确定性的影响,利用Lyapunov定理保证控制器的稳定性。

在集群决策控制方面,国内相关研究对飞行器状态的基本数据编组(如位置、速度和航向)进行了有效的融合,并利用Kalman滤波器对数据进行处理[66]。文献[67]详细介绍了嵌入系统在高密度空域下的辅助决策功能,给出了嵌入系统的总体结构和功能模块的设计,尤其对高密度空域下电磁干扰控制问题进行了重点研究。有学者采用滑模控制理论设计了编队控制器,并利用李雅普诺夫函数证明了控制器的稳定性态势,针对多无人机形成期望队形后无法成功避开威胁的情况,采用人工势场法对多无人机编队的飞行路径进行实时规划[68]。相关实验室将现有的通用三维空中交通控制模型划分为水平和垂直两个方向上的二维控制模型,简化了系统模型的分析,且设计了无人机编队保持的自适应控制器,使多机控制模型分析有了一定突破[69]。文献[70]提出采用基于拟态物理法研究多无人机系统的集群构型生成及重构控制问题,在改进传统的拟态物理法基础上定义新的引力和斥力,使质点模型多无人机系统能够生成均匀分布的标准构型,并借助LaSalle不变集理论分析了集群控制律的稳定性。文献[71]基于人机合作机制,设计了有人/无人机编队协同的任务规划层、协调控制层和功能实现层三层递阶式指挥控制结构,并给出了辅助决策模块、人机交互系统、编队控制管理系统和航迹规划路径跟踪系统等关键模块的设计内容。文献[72-73]都基于领航-跟随框架构建期望集群编队,前者设计了一种保证集群连通性的编队控制算法,优势是以距离为原则对集群进行联盟划分,只需信息浓度最大的无人机获取虚拟长机信息,其联盟成员通过与该无人机通讯间接获取虚拟长机信息,解决了切换拓扑结构下的集群编队控制问题;而后者通过设计合适的扰动观测器,提出了一种触发阈值动态可调的动态事件触发机制,针对无人机编队制定分布式事件触发控制方案,解决了时变干扰下无人机动态事件触发协同编队控制问题。相对于领航-跟随框架,文献[74]将所有无人飞行器分解为几个不同且不重叠的组,建立了基于组的分层体系结构,所提出的编队控制律可以保证在控制输入约束下,整个无人机闭环群系统的全局渐近稳定性。还有学者[75]基于一致性理论研究集群控制问题,提出了对无人机机动性的约束,将算法中无人机的三自由度转换为与描述无人机间相对位置的自由度一致,使得在标准一致性算法中加入编队信息成为可能。

2.5 存在问题与难点

基于以上研究现状分类梳理分析可见,目前尚缺乏针对无人飞行器集群协同行为的有效、可重用建模方法,主要问题和难点总结如下:

(1)传统“堆砌代码”式的建模方法普遍存在着开发门槛高、开发效率低、不支持无人飞行器个体模型的快速组装及重用、系统升级维护困难等问题,难以快速适应无人飞行器集群协同行为动态变化的紧急任务需求;以Petri网为代表的现有可视化建模环境虽具有一定通用性,但是缺少语义描述与推理机制,难以支持集群协同行为描述,且缺少对集群中单个智能体行为决策结果的考虑,无法完成以不同组合形式选取和装配智能体模型构建不同自组织集群系统模型;

(2)无人飞行器集群并非由多个无人飞行器构成的简单集合,其功能也并非多个无人飞行器功能的线性组合,因此它是一个复杂非线性协同系统,能够适应动态环境并执行复杂的任务,因而需要从冲突检测、协同防撞、协同任务分配等方面建模形成完整的理论技术体系;

(3)传统优化方法在面对队形变换这类复杂问题时,需要大量的求解梯度计算而难以满足紧急任务效率的需求,因此需要找到新的优化方法来求解无人飞行器自主队形变换问题;

(4)无人飞行器集群协同作为一种全新的任务执行形态,正逐渐成为生成体系作战能力的有效途径,而自组织集群行为建模技术是实现集群高效率协同的关键所在,需要针对不同任务构建模型用以提高自组织集群协同整体效能。

3 基本框架与关键技术

自由飞行概念的提出、多编队协同执行作战任务、现有决策控制系统性能的不足以及无人飞行器编队的大量使用触发了集群协同行为建模的相关研究,主要包括无人飞行器集群协同行为图形化建模分析平台、以防撞机制为核心的多编队协同、面向效率最优的无人飞行器队形变换以及分布式自组织无人飞行器集群决策控制4个方面,无人飞行器集群协同行为建模基本框架如图1所示。

图1 集群协同行为建模基本框架

3.1 集群协同行为组件化建模分析平台

传统基于仿真平台手动编程的建模开发方式需要建模人员深入学习系统建模相关的基础理论知识,熟练掌握对应的仿真平台技术,导致自组织集群协同行为模型开发门槛高、开发周期长、系统升级和维护成本大,难以满足无人飞行器集群系统频繁更新、高效集成的实际要求,已成为制约无人飞行器集群协同行为模型仿真分析普及发展的重要因素。无人飞行器集群协同行为模型图形化建模技术的实现建立在分层组装的思想理念上,其强调对构成无人飞行器集群协同行为模型的各实体进行独立的图形化建模,并采用灵活的链接组装方式将这些无人飞行器实体模型图形化组装为无人飞行器集群协同行为系统。因此,无人飞行器集群协同行为模型图形化建模开发流程可以分解为两个基本的子阶段:① 支持无人飞行器实体模型的图形化开发;② 将无人飞行器实体模型进行图形化链接组装。无人飞行器集群协同行为图形化建模平台既可以实现自顶向下由无人飞行器集群协同行为模型逐步细化到底层的无人飞行器实体,也可以实现自底向上由无人飞行器实体层次式组装构造复杂的自组织集群协同行为模型。

集群协同行为图形化建模分析平台的组成结构如图2所示,其中无人飞行器实体图形化建模模块,用以支持无人飞行器实体模型的图形化建模开发;集群协同行为模型集成模块,用以支持自组织集群协同行为模型的集成链接;基于状态空间的分析模块,用于生成集群协同行为模型各个阶段的状态数据形成状态空间,以支持对集群协同行为模型进行分析。仿真实体组装区主要用以支持对无人飞行器实体模型图元及无人飞行器实体模型交互关系图元的加载及连线,支持实体模型开发人员对无人飞行器实体模型相关信息的配置;模型编辑区为无人飞行器实体图形化建模提供交互界面,建模人员通过鼠标拖拽的方式将无人飞行器实体模型组成图元拖拽到无人飞行器实体模型图形化编辑区,并双击无人飞行器实体模型组成图元弹出对话框可以对相关数据进行配置。

图2 集群协同行为图形化建模分析平台组成结构

3.2 以防撞机制为核心的多编队协同

自组织无人飞行器集群通过局部空域信息共享来实现共同的目标,是典型的复杂非线性协同系统,而并非是多个无人飞行器功能的线性组合,能够适应动态环境并执行复杂的任务。以防撞机制为核心的多编队协同相关研究包括局部空域建模,不考虑地球曲率,大大简化计算,并建立时空混合的无人飞行器冲突区域概念;离散化飞行轨迹用经纬度和高度进行标识,添上时间信息描述飞机四维状态,构建局部空域内基于复杂网络的协同防撞机制,从而确保飞行安全这个前提;无人飞行器形成编队执行任务时,既要考虑防撞问题,又要实现机群整体目标任务高效快速地完成,利用簇化信息单元对自组织集群任务进行有效管理描述之后,考虑目标收益与集群损耗两个方面对自组织集群任务进行协同分配。

为解决局部空域内的多无人飞行器相撞和连锁碰撞问题,创新地以复杂网络理论为基础,将无人飞行器集群的飞行冲突解脱分为关键节点选择和防撞方向选择算法两个步骤实施,最大限度地保证无人飞行器集群受威胁时的安全性。构建无人飞行器集群复杂网络的主要原理是:通过“碰撞风险检测-全域数据分析-获取威胁状态”三步法,形成碰撞空间,然后以两两连线的形式构建分析网络,同时用邻接矩阵的记录跟踪威胁状态。图3以两个无人飞行器编队为例,展示分别在两个不同的垂直平面上的无人飞行器编队集群场景,用以说明无人飞行器集群复杂网络的概念。

图3 无人飞行器集群复杂网络概念图

无人飞行器集群复杂网络中确保安全距离的主要机理是:复杂网络中每一个节点为一架无人飞行器,每个节点之间设置一个最小安全距离,规定任意两两无人飞行器之间不能突破这个最小安全距离,集群协同算法采用单机改变飞行方向的形式来确保最小安全距离。在某些时候,由于无人飞行器可能还没有达到预设的避撞高度,使得无人飞行器相对距离较近,网络中显示存在威胁状态,但是在随后的协同过程中,可以保证在计算的碰撞时刻,存在威胁的无人飞行器已经飞行至安全避撞高度,危险接近随之消除,在后续协同过程中能够始终保持安全距离。

3.3 面向效率最优的无人飞行器队形变换

无人飞行器集群一般包含几十架甚至更多数量的无人飞行器,其集群执行任务时,既要按照任务要求保持规定的编队队形,又要同时满足状态约束和环境约束。无人飞行器集群队形变换研究的主要方面是如何突破个体性能限制,通过设计个体交互机制和队形重构算法,协同完成个体难以胜任的复杂任务。本研究针对无人飞行器队形变换效率问题,提出队形变换最优效率求解模型,将能耗最小和队形变换完成时间最短作为最优效率衡量指标,利用轨迹推导的评价指标具有一般性,可适用于多类无人飞行器。本研究同时分析了无指定目标位置的无人飞行器编队集结问题,提出利用运动分解的思想求解编队重构问题,可以有效简化其问题规模。传统优化方法在计算队形变换这类复杂问题时,由于需要大量的求解梯度计算而难以满足在线应用的需求,因此需要找到新的优化方法来求解无人飞行器编队飞行自主队形变换问题。

无人飞行器集群在复杂不明的环境中执行任务时,各种安全威胁将会在任意时空中随机出现,并且还有可能遭到意料之外的情况发生,从而造成重大损失。在以上场景中,就需要及时进行队形变换,重新组织编队队形,最大程度规避损失,在确保生存的前提下完成既定任务。与编队集结不同的是,队形变换有着更多、更强的约束条件。比如,有的个体不可避免无法参与后续任务,就要有其他个体顶替位置,或者全体重新部署后续队形;又比如,遇到山谷等特殊的威胁障碍时,既要保持住性能约束队形,又要考虑每个无人飞行器的位置,使得每一架无人飞行器都能安全通过。如图4所示,6架无人飞行器编队遇到两个狭窄障碍物,需要变换队形从中间通过。可以采用两阶段动作分解方案,将无人飞行器编队的队形变换问题分解为设计通过队形和实施编队集结两个动作。首先,依据前方障碍物具体形态为集群编队设计合适可用的通过队形;然后,基于最小能耗和最短时间模型进行编队集结,考虑到集结后续任务需求,这里采用Dubins航迹,以满足无人飞行器集群协同需要。最后,加上向障碍物移动的运动分量,达到安全通过障碍物的要求。

图4 编队重构

3.4 分布式自组织无人飞行器集群决策控制

无人飞行器集群具备智能化程度高、不确定性因素多以、任务环境复杂等诸多特点,自主决策与控制是实现自组织集群多编队协同的关键,对于提高自组织的整体作战效能起着至关重要的作用。本研究构建时域协同与空域协同的体系结构,采用分布式方式,体系结构呈现扁平分散化的特点,系统具备更好的动态扩展能力。采用基于状态空间的多无人飞行器复杂态势预测模型,支持针对局部空域内的多无人飞行器协同控制问题,只要在同一集群内无人飞行器之间存在有效的通信连接,就能够保证有效的分布式状态预测与最优化选择。为使重建误差最小、模型结构最优,应用智能优化方法使无人飞行器能够对态势信息进行整合理解,并将其融入到深度学习的全过程中。

无人飞行器自主实时观测周边的邻近范围,通过应答机搜寻来自邻近范围内其他无人飞行器的回答;当其他无人飞行器处于邻近范围内时,则根据收到的应答获取其相对位置和速度等状态信息,计算相对距离和到达最近点的时间。在实际飞行中,邻近的入侵机可能因为受到自然因素、机械故障以及操作失误等多种不确定因素的影响,造成无人飞行器运动状态突然改变,从而导致本机获取的目标运动状态具有不可确定性。造成无人飞行器运动状态突然变化的因素有很多,但没有必要采取逐一讨论或者有针对性的讨论方式。因为不管是水平方向上的航向角、垂直方向上的俯仰角发生变化,还是速率大小的变化,都体现在无人机速度向量的改变上。因此,本研究直接提取无人机当前最重要的四维状态信息,只在速度上添加一个变量用来综合表示各种不确定性,这样大大简化了计算难度,缩短了计算时间,同时还做到了计算结果不失真。

4 结 论

近年来,人工智能、通信以及传感器等技术的迅速发展为无人飞行器集群协同行为建模技术研究提供了理论支持。无人飞行器集群一般由几十架甚至更多数量的同构简单无人飞行器组成,具有十分鲜明的分布式系统特征。本文基于无人飞行器集群协同特点梳理总结了关键技术问题,从集群协同行为组件化建模、集群多编队协同、集群队形变换、集群决策控制等4个方面,对无人飞行器集群协同行为建模技术现状和存在难点进行了全面总结,同时提出了后续研究基本框架和实现途径,对于全面了解无人飞行器集群协同行为建模技术研究现状具有良好的参考意义。

以无人飞行器集群作战效能涌现为牵引,围绕无人飞行器集群协同应用前景,梳理无人飞行器集群协同行为建模技术的发展方向如下:

(1)研究无人飞行器集群协同行为图形化建模技术,为模型开发人员提供直观高效的集成开发模块,不仅能避免实际飞行测试带来的高风险、高成本,而且可以反复测试,有助于提升无人飞行器自组织集群的可靠性与安全性;

(2)研究以防撞机制为核心的多编队协同技术,离散化飞行轨迹并构建局部空域内基于复杂网络的协同防撞机制,不仅确保飞行安全这个前提,而且考虑了目标收益与集群损耗两个方面对自组织集群任务进行协同分配;

(3)研究面向效率最优的无人飞行器队形变换技术,轨迹推导具有一般性，可适用于不同无人飞行器,且将能耗最小和队形变换完成时间最短作为最优效率衡量标准,从而使集群具有高度协同能力和更强的抗扰动能力;

(4)研究分布式自组织无人飞行器集群决策控制技术,基于状态空间对复杂态势进行全面预测与最优化选择,有效实现自组织集群的分布式决策控制,且应用智能方法整合理解态势信息,确保系统具备更好的深度认知与动态扩展能力。

无人飞行器集群协同行为建模技术研究对当前无人飞行器集群应用的拓展具有显著效益,包括以下几个方面：

(1)显著提高系统性能。以飞行器编队为例,编队飞行的各成员飞行器不受空间结构的限制,执行相关任务时在确保飞行安全的前提下可以实现多目标协同优化,从而极大地提高了系统的作用范围和作用效能；

(2)降低系统任务成本。自组织集群具有较高的自主性,对于地面指挥系统的依赖性较低,从而可以减少系统控制管理成本；

(3)具有更强的适应性。队形的尺寸、形状以及飞行器的数量都可以根据任务的需要,通过队形变换来进行调整；

(4)提高系统的可靠性。自组织集群中某个飞行器的失效并不会导致整个系统的崩溃,可以通过系统的重构降级使用,也可以重新加载新的飞行器。