多无人系统协同态势感知方法

魏明珠 秦国旭 卢博

随着科技的迅猛发展，无人机在军事领域的应用日益广泛。在俄乌冲突中，无人系统特别是多无人机系统的角色变得至关重要。无人机通过高清摄像头和其他传感器收集情报，并将实时数据传输给指挥部，为作战决策提供关键情报。无人机武装化后具备打击敌方目标的能力，如空中打击、精确打击和雷达干扰等，大大提高了本方的火力优势。多无人机系统在该战争中的应用，以及它们在提高作战效率、改变战场格局等方面的积极影响。

多无人机系统应用

俄乌双方在冲突中使用了大量无人机作战。例如，2023年8月俄军从多个方向发射了“见证者”系列无人机逼近基辅，乌军击落23架来袭目标，但仍有一些无人机突破拦截，命中敖德萨的地面目标。俄发射的无人机损坏了敖德萨地区的港口和工业基础设施。2022年10月以来，俄军大量发射远程导弹和无人机袭击乌克兰基础设施，俄军通过廉价的无人机消耗取得制空权。面对俄军更先进、数量更多的无人机，乌克兰只能通过分散和机动的防空系统——开火后迅速转移到新位置——以避免被摧毁。虽然当前俄军没有能力及时找到并摧毁足够多的乌克兰机动防空系统，但是通过大规模发射无人机和导弹攻击，让乌军防空系统过度消耗宝贵的地对空导弹，也可以达到同样的效果。乌军防空系统因无弹可用而哑火。虽然西方向乌克兰援助了大量防空系统，仍远远无法满足战场消耗。

在自杀式无人机方面，俄方的“天竺葵”-2无人机，要比乌克兰的“海狸”无人机更接近制式装备。它使用的三角翼体积较小，而且可使用发射车以比较大的规模发射。同时，“天竺葵”-2无人机的最大航程达1000km，以民用摩托发动机为动力，配备简单的导航系统，最低造价只有几千美元，而用于拦截它的乌军防空导弹造价高达数十万甚至上百万美元。俄军大量使用的还有“见证者”-136自杀式无人机。在包括“见证者-136”在内的各型武器攻击下，乌克兰30%-40%的国家电力基础设施遭到袭击，其中一半以上的火力发电设施遭到打击，造成乌克兰方面数十亿美元的损失。自杀式无人机硬件虽然简陋，但用这种自杀式无人机集群对变电站这类固定目标进行反复攻击，威胁非常大。更高端的攻击模式可以进一步增加机载数据链并与其他无人机进行配合，更进一步就是采用更高级别的算法与模块实现对移动目标的打击。美国向乌克兰提供的“弹簧刀”系列巡飞弹本质上也是一种消耗性的自杀式无人机，它升空后可在指定目标区域上空150m高度盘旋，后方的操作员通过无人机上的摄像头，可以远程了解战场情况；如果发现高价值目标，它还可以直接化身为导弹实施攻击。

多无人系统协同感知研究进展

针对多无人系统协同感知，国内外也有一些相关研究。某仿生自主飞行系统研究组10余年来，通过借鉴雁群、鸽群、椋鸟群、狼群、蜂群、蚁群等生物群体的共识自主性集群智慧，采用分布式策略设计了无人机集群自主控制方法和感知技术，并结合这些生物群体智能进行了无人机集群编队、目标分配、目标跟踪、集群围捕等任务的飞行试验验证，下一步将开展基于群体智能的有人/无人跨域异构集群自主控制方面的研究。2018年美軍提出分布式集群作战样式，无人系统由“单平台遥控作战”向“智能集群作战”发展。DARPA在2003年就曾尝试组建一个由120个军事机器人组成的部队，装上蜂群智能软件，模仿昆虫的组织和行为，机器人形成蜂群结构使整个系统具有较高的智能。

因此在军事应用时，当无人机集群飞行时，不仅面临外部环境威胁，也面临内部集群变化的干扰，飞行环境恶劣。无人集群系统在灾害救援、区域物流等重大应急事件和经济民生中能够发挥不可替代作用。集群分布式感知与认知领域是无人集群实现任务的前提条件，因此实现分布式态势感知信息一致性至关重要。对于无人机集群来说，集群系统中的单机既是通信的网络节点，又是信息感知与处理的节点。不同单机可搭载不同的传感器获取不同范围、不同维度的信息，无人机通过相互间的密切协同，可以将不同无人机的信息进行融合、共享，为集群系统决策提供信息支持。无人机集群信息共享利用其集群飞行的通信系统，不仅能够应对强电磁干扰下的通信延迟、丢包等情况，还能将感知到的信息传递给其他个体，从而避免因单机感知能力、信息处理能力的限制导致集群系统功能的低下。基于无人机机载传感器，实现集群战场态势感知，能够获得更广的观测范围、更高的定位精度以及更高的鲁棒性。基于机间链，实现态势信息共享，形成统一的通用作战视图（Common Operational Picture，COP），为集群作战奠定基础。针对现有的传统型多无人系统协调能力弱，集群感知效率低等问题，研究如何实现合理高效的集群感知，设计满足无人机集群应用要求的新算法。

难点与挑战

（1）当前，国内外关于无人集群态势感知尚未开展基于分布式多源传感器信息融合的感知与认知方面的研究，无人集群在实际应用中无法适应复杂不确定的环境，亟需将高维态势感知与认知作为无人集群导航研究的重要探索方向。

（2）在面向高动态、不确定、资源受限等复杂环境，协同区域搜索、集群优化调度等多任务应用需求，需考虑不确定和资源受限条件下高质量异构异质传感数据处理、具备条件触发机制的融合框架及动态场景下的自适应切换拓扑技术，提升无人集群系统的分布式态势感知与认知能力。

（3）为满足多无人系统协同信息交互的需求，需要考虑分布式自组织通信网络架构，低通量无中心化的通信拓扑结构的实现，通信系统层级设计等方面，提高多无人系统传输能力。

多无人系统态势感知关键技术

围绕应用需求与存在的技术挑战，主要从通信拓扑设计、多无人系统协同区域部署、单机数据融合、多机数据交互与态势感知四个方面展开论述。

多无人系统分布式交互通信网络构建

针对大规模分布式无人系统信息交互高通量，实时性等要求，研究能量优化的低功耗传感器网络技术，基于频谱感知的动态时隙组网技术，高鲁棒性的自适应动态组网技术，大规模节点多层自组织网络体系架构，基于软件定义网络的多层网络通信链路及路由自适应技术，微系统智能感知网络安全技术。

集群协同区域目标搜索覆盖策略设计

针对现有无人机区域覆盖侦察航迹规划中对任务区域分解算法复杂、任务规划效率低的问题，提出一种改进的多无人机覆盖航迹规划方法，将多无人机广域协同搜索问题划分为无人机工作区间划分和全区域覆盖搜索路径规划两个方面分别进行研究，实现路径代价低、规划效率高的区域覆盖算法。

单机多源数据融合

针对机载平台使用单一传感器进行目标场景观测时，易受恶劣天气、烟雾、光照等多种外界干扰的影响，难以保证全天候、全天时的数据获取与信息感知的问题，构建多源传感器观测系统，并获取多源数据进行融合处理能实现多源信息互补，克服单一传感器在恶劣气象条件下性能下降甚至失效的问题，开展机载平台多源融合目标智能检测技术研究。

集群数据交互与态势感知一致性设计

无人机集群的态势感知与信息共享是无人机集群自主控制与决策的基础。但分布式的系统会带来个体间态势信息不确定、模糊、缺失等问题。针对此问题，以态势理解的一致性作为无人系统集群的协同方法，根据态势一致性指标实现集群内部的态势统一，建立基于无人系统集群的分布式态势感知模型。

技术途径的实时策略

集群自组织通信网络构建方法

（1）大规模节点多层自组织网络体系架构

集群组网采用多层分簇组网方式，每组包含一定数量的传感器，向不同方向抛射多组。一组无人机形成一个簇，簇内节点自主选择一个节点作为簇头节点，维护管理簇内节点。接入设备进入网络后，进行监听，然后指定需要接收消息的簇。被指定的簇内的节点通过各自的簇头节点将数据上报给接入设备。其网络特点具有大规模、自组织、坐标随机等特点。对于网络的物理层，采用宽带扩频通信方式，有效解决传感器地表布设链路不稳定、多径衰减严重、信号干扰和被截获等传输问题，显著提高网络的抗干扰、抗截获和传输性能，保证了网络的安全性和稳定性，组网方案分为簇内系统组网和接入系统组网。

（2）能量优化的低功耗传感器网络技术

在傳感网络中，节点的数据通信占据了大部分的能量消耗，降低数据通信能量消耗，可以从不同网络层次进行。基本可以分为通过网络协议调度、功率控制、低功耗的ASIC、SOC无线通信芯片设计等方面来实现。

（3）基于频谱感知的动态时隙组网技术

频谱感知技术是认知无线电中关键技术，其作用是通过感知周围快速变化的无线环境，搜索授权频段上的有效频谱，并利用相关算法处理所获取频谱空洞的特征参数，同时智能调整系统通信体制和工作参数，以此提高系统频谱利用效率，增强系统抗干扰及抗截获能力。

（4）网络感知入侵与反入侵技术

集群组网是一种没有固定基础设施、网络拓扑不断变化的新型网络，固有的脆弱性使它容易受到攻击，给组网的入侵检测带来更多挑战。异常入侵检测的前提是将入侵活动作为异常活动的子集，理想的情况是入侵活动集与异常活动集相等，这样若能检测出异常活动即可检测出入侵活动，结果不会造成入侵的虚报和漏报。异常入侵检测要解决的问题就是构造异常活动集合，从中提取入侵活动子集，在异常活动和入侵活动之间进行区分判断。

集群协同区域搜素覆盖

采用按无人机来向均衡划分的方法和凹点凸分解的方法，开展未知环境分布式探测区域划分方法研究，将多机协同搜索问题转化为子区域上的单机搜索问题；在此基础上采用“Z”型路径覆盖方法以及Dubins转弯路径，对各个无人机开展覆盖其子区域的搜索路径规划，从而建立一个区域划分和路径规划的整体调用框架，生成无人机在目标区域内快速安全高效的飞行路线。

多源数据融合态势感知方法

通过多源时空关联的决策级融合光电目标检测算法，利用可见光和红外图像目标检测结果的先验信息匹配两幅图像的时空位置，然后选取时空关联的检测结果中较好的结果实现决策级融合，减少图像配准融合的计算时间消耗，实现机载平台的光电目标实时检测；针对多源系统中SAR图像成像分辨率差且受相干斑噪声的影响特征信息缺乏的问题，对特征提取网络进行优化，在目标检测网络中加入注意力机制，提升图像目标特征提取能力。针对机载平台SAR数据量匮乏，少量数据集训练时泛化能力差，检测效果不佳的问题，研究使用迁移学习方法进行优化，提出多频段数据特征迁移的SAR图像目标检测方法。

多机数据交互与态势一致性建模与评估

以静态贝叶斯网络为基础，研究了在此基础上加上了时间维度约束而形成的具有处理时序数据能力的动态贝叶斯网络模型。以次模型为基础，在单源集中式的态势感知系统上进行改进，实现分布式态势感知系统，提出态势感知一致性的评估指标与方法，以数据为驱动学习贝叶斯网络模型并实现目标意图识别的推理。并在原本的单源集中式多源态势感知系统的基础上，实现分布式态势感知系统，完成包括目标分群、目标意图识别等模块设计，并最终在以Django框架的Web开发应用平台下完成整体系统的设计、测试、仿真与展示。

集群协同态势一致性对应于的态势觉察阶段，是信息域层次的态势感知的一致性，表征集群获取的战场态势信息与真实态势信息的一致性，是集群执行协同侦察等任务时获取信息优势乃至决策优势的重要条件。集群可以依据一定时间内的态势感知一致性评估结果，选择相应的作战计划和分析影响作战的关键因素。因此，设计出科学有效的 态势感知一致性评估方法是必要的。

集群协同态势感知一致性评估的评估指标和评估方法需要符合复杂任务环境特点，尤其是由传感器性能、对抗环境、通信时延等引起的态势信息的不确定性。评估指标在信息质量评估的基础上，结合集群协同作战需求建模，不局限于信息质量评估中的完备性、准确性和时效性。从信息不确定性考虑，评估方法在属性值的表示形式、属性权重的确定和信息集结等方面要针对传统方法存在的如属性值表示的静态单一、属性权重不能合理兼顾主客观性、缺乏属性之间的关联性分析等问题。

结论

针对高动态、不确定和复杂环境下多无人系统协同态势感知问题，从通信网络、多无人系统区域覆盖、传感器处理、态势一致性四个方面阐述研究内容和技术方案，从而为多无人系统协同态势感知于认识提供理论基础和技术支撑。