无人机集群任务规划研究热点与发展趋势分析

吴启武,刘嘉琪,吴虎胜

(1.武警工程大学 装备管理与保障学院, 西安 100097;2.武警工程大学 研究生大队, 西安 100097)

0 引言

随着现代战争智能化、无人化水平的提高,无人系统将对未来战争形态产生深远影响。无人机集群因其能够形成单一作战平台所不具有的独特作战优势而被广泛研究[1]。无人机集群的任务规划是一个面向任务需求的顶层设计问题,涉及无人机集群规划执行任务的方式、目标、时序及航迹等方面,其方案的优劣决定着无人机的飞行性能、生存能力和整体作战效能等重要因素[2],受到学界的广泛关注。

无人机集群的任务规划问题研究起步于20世纪中叶,有关无人机集群任务规划的研究集中于2个方面[3]:任务分配和航迹规划。任务分配问题研究的是如何建立无人机与任务之间的映射关系,是多约束条件下的优化问题,它又分为集中式[4]和分布式[5]任务分配。其中,任务分配中的集中式任务分配算法包括从基于数学模型的贝塞尔曲线模型、杜宾算法、遍历性算法、马尔可夫决策过程、图论法、动态规划算法到基于群体智能的蚁群算法、鸽群算法、狼群算法等,分布式的算法包括类似市场机制的合同网方法、拍卖算法,应用于机器人领域的多Agent算法等;航迹规划是指在任务条件约束下的路径寻优问题,其又分为单机航迹规划和多机航迹规划,其中单机航迹规划包括基于最优控制的伪谱法,路标图形法的Voronoi图形法、快速搜索随机树法,基于栅格的A*算法、人工势场法等,多机协同航迹规划包括基于人工智能技术的贪婪算法、遗传算法、深度优先算法、人工神经网络等,还有基于有限制或威胁条件实际情况的,包括K-means算法、均场博弈理论控制方法和平滑航迹类的算法等。

目前,已有众多文章从不同角度针对本领域的相关研究情况进行综述,包括从逻辑与规则的角度对无人机集群任务规划技术进行总结[6],从各个实际应用角度对无人机集群任务规划进行归纳[7],从应用群体智能算法的方向对无人机集群任务规划进行总结[8],从智慧城市的应用角度对无人机路径规划问题进行总结[9],从任务规划和管理系统的无人机集群进行分析综述[10],从路径规划技术的角度对进行分析等[11]。也有从文献计量的角度对无人机相关领域进行的分析总结,从无人机集群和集群机器人相关研究进行了文献计量分析[12],利用CiteSpace对“低慢小”无人机拒止技术进行分析[13],基于民用无人机领域应用CiteSpace进行研究[14],A Rejeb应用文献计量技术分析有关农业无人机的文献[15]等。

综合国内外对无人机集群任务规划领域的综述与总结发现,目前针对本领域的综述研究大多从某一具体角度切入分析,垂直将本领域细分为多种算法和模型,局限于方法层面,且均为定性分析,缺少数据支撑。基于此,从无人机集群任务规划分析研究现状全局出发,从文献计量学的角度通过科学知识图谱(MKD)分析方法[16]进行较为宏观的研究。CiteSpace软件在文献计量学领域应用广泛,对数据的共现、聚类、突现等分析较为透彻,Tableau软件则在数据可视化领域效率较高。两种软件的科学知识图谱联合分析,旨在对本领域演化过程、研究成果和热点问题进行定量和定性的分析梳理,分析其发展方向,促进无人机集群任务规划领域发展。

1 研究方法及数据获取

应用CiteSpace和Tableau引文信息可视化分析平台,挖掘引文空间的知识聚类和分布以及机构、国家地区的合作共现分析,聚焦于无人机集群的任务规划问题的研究热点、研究前沿、文献关键词及文献共被引方面,并对未来可能的研究聚焦方向作以预测分析。

数据来源于CNKI数据库《中国学术期刊(网络版)》和WOS核心合集数据库。CNKI选择高级检索,选取期刊选项。WOS数据库选择高级搜索,选取WOS核心合集。

由于“无人机集群”和“任务规划”两关键词在中英文学术研究中有多种写法,因此为了不遗漏,使用CNKI学术翻译系统将上述两关键词译为英文,选取提供的学术词典中来源于期刊论文、博硕论文、会议论文、图书等各类文献资源中使用的多种同义词写法,去除极不常用的表达方式,选取关键词如表1所示用以搜集和检索。由于无人机集群可认为是多无人机的进阶发展[10],为了研究的全面性,这里也涵盖多无人机等关键词。

用表1公式进行检索,CNKI数据库共获得文献219篇,选择中文文献,剔除无作者、无关键词、与主题相关度不高等无效数据,得到有效文献数量共124篇。WOS数据库共获得文献2 585篇,选定文献发表时间为2000—2022年,选择英文文献,选取期刊文献和期刊综述文献,剔除无效数据得到有效文献数量共1 321篇,检索日期截止2022年10月3日。

使用CiteSpace 6.1.R2版本,首先对CNKI数据进行分析,再分析WOS数据。将筛选后的文献数据经过CiteSpace数据格式转换器进行预处理,再导入到CiteSpace中进行科学知识图谱生成。CiteSpace的参数设置如下:时间段为2000—2022年,时间切片为1年,节点类型分别为:机构(Institute)、国家(Country)、关键词(Keyword)、文献共被引(Reference),Links参数选择网络节点关联强度的Cosine算法,这里选取Cosine算法,cij为i和j的共现次数,si、sj为i和j分别出现的频次[16]:

接着输入提取每个时间切片中前N%的对象TopN%等Selection Criteria栏中参数选项,选择是否采用裁剪方法,最终生成相应的科学知识图谱。

表1 两数据库检索公式和获取数据量Table 1 Two database retrieval formulas and data acquisition volume

2 国内研究情况——基于CNKI数据库

2.1 国内关注情况分析

本节通过发文量和机构发刊合作情况分析国内对无人机集群任务规划领域关注情况。从图1年度发文量看出无人机集群的任务规划问题研究在国内总体是呈上升趋势的,发文量主要集中在近3年,均在10篇以上。

图1 国内年度发文量

相关领域提出一种多机协同侦察规划分层求解方法和基于贪心策略的启发式路径规划算法[17],能够在规避障碍物的同时获得尽可能短的可行路径;有研究提出了一种周期性快速搜索遗传算法,比传统遗传算法效率快且精度高[18];国内大学与多个研究机构合作交流,文章提出改进A*算法和改进K-means算法解决任务分配问题[19]。文章关注对算法的改进与优化,同时注重这些改进的算法在实际应用场景中的使用问题并加以修正。

2.2 国内研究热点与发展趋势分析

本节基于关键词的共现与聚类手段分析国内本领域的研究热点。基于知识图谱的关键词分析最能体现该领域的研究热点,但一个研究领域的关键词众多,呈现分散的状态,不利于从宏观把握方向,聚类分析是高效利用海量信息并挖掘特征的科学分析方法[20],因此本节使用聚类手段得到重要集群聚类标签,能更好地提示研究热点方向,并通过时间轴的形式分析本领域发展趋势。

图2以时间轴的形式呈现,仅选取前8个最大的聚类,节点数为217,节点间存在390条连线。一般当模块性Q>0.3就可以说此网络图结构显著,该网络的Q值为0.786 3,表明该关键词聚类结构较为清晰。用于衡量网络平均同质性的值WMS为0.932 4,得分越接近1,网络的同质性越高,即可认为此聚类图合理。可以看出“多无人机”、“任务规划”、“关键技术”、“粒子群算法”等9个节点为本领域的热点研究方向。而关键词网络中频次较高的词有“任务规划”[21]、“无人机”[22]、“任务分配”[23]等,集中在2010年。为了更明确地显示现阶段无人机集群任务规划的热点,在热点聚类中取最新、频次最高的热点关键词进行分析。

图2 国内本领域关键词聚类时间轴图

1) 任务规划,热点关键词包括“博弈”和最新关键词“分布式决策”等,研究的热点经历从类似模型的借鉴到创新的分布式规划方式。任务规划聚类现阶段最新热点在于分布式模型[24],此模型在计算机、通信等多个领域均有应用,是当下群体智能的热点研究模型。将分布式模型应用于无人机集群的任务规划问题,有助于让少量无人机群体逐步向上千台无人机的集群自主控制过渡,提升整体无人机集群完成任务能力。

2) 关键技术,热点关键词有“可扩展建模语言”、“实现途径”等,关注点从局限在建模语言到整个智能域的技术。本领域关键技术的当下热点问题在于无人机集群的任务规划领域在智能化方面的应用问题[25],同时也从智能化角度提出了实际任务需求。

3) 粒子群算法,热点关键词涵盖“混合整数线性规划”、“烟花算法”和“智能优化算法”等,对算法的关注是从基于数学模型的线性规划算法到智能算法的过渡。从整体上讲,无人机集群任务规划领域中对算法的更新与改进是亘古不变的话题。当下热门的基于生物的群体智能算法因为与无人机集群有着极大的相似之处而获得大量学者对其进行探索与尝试[26]。对群体智能算法的改进与完善也能使无人机集群任务规划的自主性协同性提升。

3 国际研究情况——基于WOS数据库

3.1 国际关注情况分析

将时间跨度设置为2000—2022年,时间切片为1年,其余为默认参数。在国际上的热点文章提出了一种无人机路径规划的深度强化学习方法[27];还有热点文章提出基于混合整数线性规划的精确方程和基于聚类的算法[28]。可见国际上本领域最受关注的还是针对现有算法做更新和升级。

将CiteSpace中的文献数据导入Tableau软件中如图3所示,将表2中的本领域各国发文量数据在CiteSpace软件中通过绘制科学知识图谱得到各国发期刊数量排序网络图如图4所示。

图 3 国际各国发期刊量情况

表2 国际发文章量前五国家

图4 国际各国发期刊量排序网络图

可看出世界范围对本领域研究较为广泛,中美两国对此领域研究情况较为突出,分别发文585次和250次,紧跟的是英国(81次)、韩国(76次)和西班牙(72次)。中国在本领域引用次数最多的文献[29]被引用280次,提出了一种联合资源分配和任务调度方法和基于深度强化学习的计算卸载方法即时学习最佳卸载策略。美国引用次数最多的文献被引用438次[30],概述现有运动规划算法,机器人学和动力学做出的贡献。综合看出美国的重心在于路径规划以及和机械动力的实际结合。从表2中心性值比较得出中国虽研究本领域起步较晚,但近年来发展迅速,文章数量较多。

3.2 国际研究热点与发展趋势分析

本节基于关键词的共现、聚类与突变手段分析国内本领域的研究热点和发展,基于引文的共被引知识图谱网络的聚合与突变分析本领域的演进趋势。突变(Burst)是指特定类型事件的频率激增[16],某个关键词,某篇文章的突现,代表这个节点在一定时间段内突然被大量提及引用,常代表新技术手段的出现,可看作某时间段内的里程碑节点。文献共被引是指多篇论文被后来的论文引用,最开始的多篇文章之间构成共被引关系。文献共被引的聚类则反映了文献研究内容的相似性,聚类中共被引次数越多的文章联系越紧密。对文献共被引网络图的分析可探究某领域的发展和演进动态。

首先对关键词进行分析。取规模因子k为10,选择Pathfinder算法剪切,聚类算法为对数似然性算法(log-likelihood ratio , LLR),生成本领域关键词聚类网络图如图7所示,共309个节点,428条连线,网络密度为0.009。关键词聚类按照聚类规模大小进行排序,即#0是最大的,以此类推。3个最大的连接组件内有273个节点,占整个网络的88%。

从图5中得出task assignment、task allocation(任务分配#0和#1)、computation off loading(计算卸载#2)、task analysis(任务分析#3)、path planning(路径规划#4)、machinelearning(机器学习#5)等聚类为本领域的关注重点。从图中聚类重叠关系可看出task assignment、wireless communication、unmanned aerial vehicles聚类关系紧密,多组关键词重叠出现,这指出无线通信在无人机集群任务分配方面是必不可缺的,无线通信技术决定着无人机集群的生存能力和执行任务效率,所有的智能化自主控制都离不开无线通信的应用,在本领域中无线通信是一个重要的热点研究方向。task allocation、machine learning、multi-agent systems、mission planning聚类也大量重叠,说明多Agent系统和机器学习的方法在无人机集群的任务规划领域是目前的热点。多Agent系统将复杂庞大的无人机集群分解成多个小的、易于管理的系统[31]。而机器学习的本质是将多种特征概念提取出来并进行按层级简化,直至小而简单的特征[32],机器学习,尤其是其中的深度学习由于其算法规则与工艺优势,在计算机图像处理识别等领域应用广泛。这2种方式都有其与无人机集群相似的特点,即将大的无人机集群分解成多个有联系的小的个体,每个小的无人机系统都自成一体并嵌套在更大的整体当中,这样的方式能够提升无人机集群整体的处理计算速度,使无人机系统更加集群化、智能化。

图5 国际本领域关键词聚类图

将所有聚类进一步归纳为三大类:任务路径的规划与分配(#0、#1、#3、#4、#6)、体系架构的建立(#7、#8、#9、#12、#13)和算法与某种资源消耗计算(#2、#5、#10、#11)。这三大类相辅相承,通过搭建的无人机集群体系架构之下,利用多种算法和考虑资源消耗等实际问题的优化,来执行各类实际任务,这3部分奠定了无人机集群任务规划领域的基础,也是本领域整体在关注研究的热点方向。

将本领域关键词以时区图的形式呈现如图6所示,数据前中后3个时间段的最低被引次数、共被引次数和共被引率的值设置为(7,7,20);(4,3,20);(4,3,20)。从中可得知其21世纪以来的发展历程,经历了从2000年到2010年前,单无人机任务规划算法——2010年到2018年,多无人机任务规划框架结构的算法优化——2018年至2022年,无人机集群新兴技术和算法与新需求结合的过程。2010年以前是本领域打基础的阶段,2000年开始对单无人机任务规划算法进行研究,关键词包括mission planning(任务规划)、unmanned aerial vehicle(无人机)、system[33](系统)、algorithm[34-35](算法)等,这些关键词在今后的研究中被大量提及,使用频次多。2010—2018年在multiple uav(多无人机)的基础上对基本的框架模型和算法进行更新改进(framework框架),同时在任务方面提出了新的要求(tracking追踪、surveillance[36]监测等)。对近5年的研究热点为新兴技术(internetofthings[37]物联网、cloud[38]云计算和blockchain[39]区块链等)、新算法(mobile edge computing[40]移动边缘计算和differential evolution[41]差异进化算法等)和与resource allocation[42]资源分配、energy[43]能量等新需求结合的近期研究热点趋势。

图6 国际本领域关键词时区图

在突变分析中,选择时间跨度为2000—2022年,突变监测灵敏度值为0.25,(此参数范围为0～1,值越小突变节点越多)选择突变前12个关键词,生成关键词突变表格并统计如图7所示,此表格顺序选择关键词突变开始年份顺序。红色部分为该关键词突变的时间范围,其中strength值代表着本关键词在一定时间内的热门程度。突变持续时间最长的constraint[44](约束)关键词突变时间持续了12年,这反映在无人机集群任务规划领域,有约束条件限制的问题是最受关注的;中期突变值较高的是search[45](搜索)关键词等,在这个阶段多种任务需求出现亟需研究;后期最近的无人机集群任务规划领域对基于实际应用的resource management(资源管理)和新兴算法edge computing[46](边缘计算)关注度高。

图7 前12个关键词突变情况

接下来对文献共被引情况进行分析。取k值为25,选取时间为2012—2022年近10年,将国际本领域文献共被引聚类通过时间轴网络图的形式呈现如图8所示,将突变爆发的节点用红色标出。其中聚类#0卸载策略是该领域的最大聚类,包含的文献数量最多且大多集中在2019年之后,说明卸载策略在2019年之后成为热点。#1避障、#5支持无人机的移动边缘计算、#6嵌套车辆的突变节点较多,是主要的热点聚类。

图8 国际文献共被引聚类突变时间轴图

#1 obstacleavoidance避障,聚类规模值为53,聚类中文章[47]关于民用无人机应用优化方法的文献综述;文章[48]提供了一个关于无人机路由和轨迹优化问题的正式定义和未来研究展望;共被引文献数量最多的节点文章[49]由Murray, ChaseC.撰写,提出基于无人机送货问题的混合整数线性规划公式,F. Nex的文章[50]综述了无人机在测绘领域的应用现状。本节点施引量最多的文献大多是综述类型的文章,研究较早,时间跨度从2012年开始至2019年,且受到广泛关注。共被引文献反映了国际上的关注点在于民用、商用领域的实际应用上。

#5 uav-enabled mobile edge computing支持无人机的移动边缘计算,聚类规模为44,聚类中文章[51]对U-MEC(支持无人机的移动边缘计算)网络进行了简要综述,是此聚类的总结性文献。在算法方面,提出了2个交替优化次优解[52]、分块坐标下降和逐次凸优化[53]等方法解决实际问题。此节点的文章大多在解决算法问题,对较新出现的需求问题通过移动边缘计算方法的基础进行进一步优化。

#6 nested vehicle嵌套车辆,聚类规模为39,施引文献量最高(16篇)的文章[54]提出了一种新的混合遗传算法支持一辆车和多架无人机的协作。共被引文献数量最多的节点文章[47]由Alena Otto撰写,是民用无人机应用优化方法的文献综述;文章[55]介绍了包裹递送的无人机车辆路径问题。本节点针对和车辆结合应用的无人机模型进行算法优化以解决实际问题。从共被引文献数量角度分析,可以看出数量较多的节点文章大多是解决无人机方面的实际应用问题,从无人机送货问题、测绘领域的关注到商用无人机的快递投送路径问题,都体现国际上对实际需求的关注和投入。

总结来看,前期主要集中于理论算法的研究,从中期开始,国际上更加重视无人机集群任务规划领域的研究,投入了项目和资金,使得前期的理论基础架构可以逐步应用于实际需求领域。后期再在实际应用领域出现的需求和问题之上,进行具体的改进优化等等。

4 结论

使用CiteSpace等科学图谱软件,应用机构、关键词、共被引文献共现的聚类与突变情况分析等文献计量学手段对无人机集群任务规划领域的团体关注情况、研究热点、演化趋势进行了基于数据支撑的梳理与剖析,总结如下:

1) 关注情况方面,国内本领域研究起步较晚,但近年来合作交流愈发广泛;国际上看,中国在本领域开始研究的时间较晚,重要程度不高,但由于中国近几年更加重视无人机集群任务规划领域,发文量达世界榜首。美国对本领域研究起步较早,为本领域奠基国家,在2015年之后发表的文章重要程度基本与中国等持平,各国都意识到了本领域的重要性并开展研究。要尽快开展深层次的研究,进一步提高我国在本领域的影响力。

2) 研究热点方面,国内为无人机集群任务规划中因实际要素(城市巷道、高速公路、多障碍条件等)导致需要算法更新的问题,对现有算法模型进行改进和完善(分布式模型、多种群体智能算法等)以更贴近实际的问题。国际研究热点从路径规划方法和算法优化过渡到新兴技术应用(物联网环境下、云计算技术和区块链技术等)、新算法(微分博弈、移动边缘计算和灰狼算法优化等)和与新需求(送货问题、测绘监测领域、商用无人机的快递投送路径问题以及无人机和车辆结合的路径问题)相结合,以及整体资源的管理和调度。整体来讲,国际上更多地将无人机集群任务规划研究应用于民用和商业领域。

3) 未来研究趋势方面,国内基于无人机集群任务规划更加灵活、迅速、准确的需求导向,未来关注的关键词趋势可能为智能群体算法优化、无人体系、无人机智能平台或区域的实际应用。国际上整体来看,未来还可能会在商用、民用领域有更多的研究与应用,并把分布式计算、区块链技术、博弈算法等新兴模型与实际应用结合,发展为成体系、模块化、分布式的无人机集群任务规划方式,并在实物应用中有更广泛的实验、应用与构想。

4) 目的旨在提供一种宏观的、定量的分析本领域的可视化方式,通过数据支撑更加清晰明了地展示本领域的研究热点与趋势,为今后研究无人机集群任务规划问题提供一种分析梳理问题的方式。