无人机蜂群关键技术发展综述

李军, 陈士超

(1.中国兵器科学研究院, 北京 100089; 2.西安现代控制技术研究所, 陕西 西安 710065)

0 引言

伴随着人工智能、自主系统、网络通信等技术的发展,无人机装备任务谱系日益完善,发展出的低成本可消耗无人机逐步衍生出“无人机蜂群”概念,无人机蜂群由成本较低的小型无人机平台组成,机动性高、鲁棒性好,且具有抗毁性好的特点[1-2]。

相对简单、单体能力有限的无人机构成的蜂群,通过个体平台之间的局部协作,可实现全局行为的能力“涌现”,完成动态任务规划、高效快速突防、集群协同组网、长时巡飞监视、持续时空封控、电子侦察对抗、持久跟踪监视、精准火力引导、即时精确打击、自主协同攻击、实时效果评估等作战能力,实施对严密设防目标、时敏集群目标,以及灰色拒止区域的侦察、干扰、诱骗、打击、评估等一体化作战任务,可形成“侦-控-抗-突-打-评”于一体的智能化火力打击武器和网络化协同攻击系统,实现灵活高效的智能化集群对抗、网络化协同攻击和分布式协同封控等作战任务,提高任务完成的效率和成功率。由于无人机蜂群作战不需要在发射前即确定攻击目标,即便没有详细的目标情报也可以进行发射,可以根据战场态势灵活选择目标进行打击,也可以在任务执行过程中改变飞行任务或飞行航迹,具有强机动飞行能力,战术灵活性更强。无人蜂群使得无人机蜂群实战化和主战化趋势日益明显,为谋求构筑高强度作战环境下的规模化优势提供了新型作战模式[3-4]。

对集群的最初研究源于科学家对昆虫行为的观察和研究,虽然单个昆虫行为相对简单,且完成特定任务的能力相对有限,然而当多个单体聚集到一起形成集群后,通过集体协同分工与合作,即可响应复杂的任务需求,例如蜂群、狼群、蚁群、鸟群等,如图1所示。事实上,集群作战的方式由来已久,冷兵器时代的人海战术、骑兵时代的马群战术、二战时期的狼群战术都是集群作战的典型运用形式,其核心要义在于创造出局部空间的以量取胜、协同取胜,通过成体系对抗和低成本作战获胜[5-6]。

图1 典型生物集群

无人机蜂群的节点平台类型丰富、研制周期短、新技术迭代快,具备遂行侦察监视、诱饵欺骗、电子对抗、饱和攻击等能力,可以大幅度提升作战效能,而且部分节点的损耗不会显著影响整体的系统功能。

美军先后启动了“小精灵”、“灰山鹑”、“蝗虫”等项目,验证了无人机蜂群多样化作战任务执行能力[7-9]。美军曾在2014年启动了拒止环境中的协同作战“CODE”项目,实现弱连通、强干扰条件下无人集群的自主协同作业,美国国防高级研究计划局(DARPA)通过一系列试验进行了验证。美军的“小精灵”项目通过大型空中运输平台,从空中发射无人机集群实施侦察、干扰等任务,未被打击的无人机具有再回收能力,可大幅度节约成本。之后,DARPA于2017年启动了进攻性蜂群使能战术“OFFSET”项目,通过组建无人机蜂群作战系统来支援城市环境下的地面作战部队,并针对该项目开展了多次场地试验。国外典型集群作战系统如图2所示。

图2 国外典型集群作战系统

近年来,无人装备在实战中的应用愈加频繁,作用日益突出。2020年9月,阿塞拜疆与亚美尼亚两国在纳卡地区爆发激烈冲突[10],无人机在此次冲突中发挥了重要作用,被认为是一场无人机的战争。以色列国防军在攻击加沙地带时,第一次使用了人工智能引导巡飞弹集群投入战斗,这是世界上无人机集群第一次被投入实战中。被无人机集群、精确武器和C4I综合电子信息系统赋能的单个连队完成了30多项任务,摧毁了边界外数公里的几十个敌方目标。无人机集群可在几分钟内在复杂地区确定敌方位置、指示目标,并让指挥所评估目标、打击选定的目标、进行战斗损伤评估。2022年2月开始的俄乌冲突中,俄乌双方均投入并持续加强了对无人机作战的使用频率和力度。无人机的长时间制空监视、压制、时敏打击的优势,增强了战场态势感知和高效打击能力。同时,长时间消耗作战亦考验着双方国家的低成本武器研制和生产能力。

总之,无人机蜂群利用大量功能简单的无人飞行器模拟自然界蜂群行为,通过信息共享、自组织编队、自适应飞行、智能决策和协同合作,形成高级群体智能涌现现象和完成多样化任务的能力,以应对瞬息万变的复杂战场环境,具有高抗毁性、低成本、智能化和功能分布的新质特点。本文针对现实需求,剖析无人机蜂群的决策体制、协同机理、涌现效应等,探索研究无人机蜂群技术发展现状和瓶颈难点,以期达到推动无人机蜂群技术进步和走向实用的目的。

1 无人机蜂群的分类

无人机蜂群按照使命任务、节点特征、投放方式、节点质量等,可以分成不同的类型:

1) 按照无人机蜂群的使命任务,可分为干扰型无人机蜂群、诱饵型无人机蜂群、侦察型无人机蜂群、打击型无人机蜂群等作战形态。

携带干扰载荷的无人机蜂群可对敌防空系统产生巨大震慑,迫使敌防空资源饱和崩溃;携带诱饵载荷的无人机蜂群可成梯队对防空阵地进行欺骗干扰;携带不同类型侦察载荷的无人机蜂群可以进行广域全方位的战场敌情侦察感知;携带毁伤载荷的无人机蜂群可以对敌目标进行精确打击或饱和攻击,还可以辅助有人装备,显著增强我方作战力量,完成复杂作战任务。

2) 按照无人机蜂群的本体特征,可以分成旋翼式无人机蜂群、固定翼无人机蜂群、混合翼无人机蜂群和仿生扑翼无人机蜂群等。

多旋翼无人机蜂群具有体型小、打击精准以及行动突然的特点,造价相对低廉,可以定点悬停,携带不同的任务载荷,分工协作,组成诱、侦、扰、打多功能异构蜂群作战体系,完成复杂作战任务。旋翼无人机垂直升降对起飞场地要求低,但速度相对较慢,续航时间相对短,适用于城市作战等场景。固定翼无人机在飞行原理上与飞机类似,具有续航时间长、飞行速度快、运载能力大的特点,适用于精确打击和饱和攻击等作战场景。混合翼无人机采用固定翼与旋翼结合的混合翼布局形式,可兼具旋翼无人机的垂直起降功能和固定翼无人机的航时长、速度快、距离远的优点[11]。扑翼无人机(仿生鸟)由于外形、飞行方式等与自然生物非常类似,用于作战场景时具有很强的欺骗性,在抵近侦察、突然袭击等方面具有重要的应用前景[12]。

3) 按照无人机蜂群的搭载和释放方式(蜂巢形式),可以分为机载空投型无人机蜂群(包括战斗机抛洒、直升机抛洒)、陆基运载/发射无人机蜂群、水中运载/发射无人机蜂群等。

机载平台投放无人机蜂群后,载机可在无人机蜂群的掩护下执行突防、打击等特定任务,载机平台可以进行有人/无人协同指挥控制和火力分配。为使得无人机蜂群能够快速到达预定区域,可将无人机蜂群置于大型导弹、火箭等运载平台内部,依靠运载平台本身的速度特性快速到达威胁区域,释放无人机蜂群执行侦察、干扰和打击等任务。

4) 按照节点的质量(参考国外典型无人机蜂群作战系统),可分为十克级、百克级、千克级、百千克级的无人机蜂群序列[13],图3给出了多型不同质量的无人机。

图3 多型不同质量无人机

依据不同的作战任务使命,无人机蜂群所需的节点平台类型不一,节点质量差别很大。近战隐蔽自主的CICADA无人机质量约为35 g,组成的编队可实现大区域监测覆盖,由于价格便宜,CICADA无人机在释放后不需要回收[14]。“灰山鹑”无人机质量290 g,可以在低空侦察敌情,也可干扰敌人的防空系统,掩护我方战机和导弹。“郊狼”无人机质量6 kg,具备一定杀伤能力,可对地面人员、普通建筑和装甲目标实施攻击。“小精灵”无人机加满油后质量超过700 kg,通过机载平台发射并可重复回收使用。不同质量的典型无人机如图3所示。

5) 按照无人机蜂群系统的节点数量,可分为大规模无人机蜂群系统与中小规模无人机蜂群系统。中小规模无人机蜂群系统中的平台节点数量较少。大规模无人机蜂群系统中的平台节点数量通常在数十个,直至数百、上千个,节点数量的提升将显著提升无人机蜂群作战系统的复杂度,其指挥操作、控制、通信的难度将呈现出指数级别的上升。典型无人机蜂群的分类方式如图4所示。

图4 典型无人机蜂群的分类方式

2 无人机蜂群的特点

无人机蜂群由多个低成本无人机节点单元组成,节点之间协同配合完成特定的作战任务,作战方式灵活,战场适应性强。不同的作战任务需求决定了平台类型、载荷形式、组网规模等无人机蜂群形态,无人机蜂群的各个节点既可以是同构型无人机,也可以是异构型无人机。无人机蜂群的人员低伤亡、非接触、杀伤效果好、容错性强和抗毁伤等特点强力支撑了其执行多样化作战任务能力,其通常以数量优势对目标区域进行高密度侦察、干扰与饱和式打击。下面分别从成本优势、高密度作战任务执行和强突防能力3个角度出发,介绍无人机蜂群系统的特点。图5给出了无人机蜂群的典型工作样式。

图5 无人机蜂群的典型工作样式

2.1 成本优势

单体高技术装备系统集诸多先进技术于一身,性能优越,但往往成本较高。无人机蜂群由于不追求单体卓越性能,其单一节点的开发成本远低于单体复杂系统,无人机蜂群的节点平台成本通常在几百美元至几千美元,10 000架“蝗虫”无人机的价格和1架F22相当,1架“全球鹰”无人机的单价超过了1亿美元,而1架“小精灵”大型无人机的价格大约只有100万美元左右。实战表明,无人机蜂群的成本优势使其可以与敌方进行火力交换,具有很高的效费比,实现以小博大、以量取胜的作战意图。

2.2 高密度、多样化作战任务执行

无人机蜂群个体之间可以协调工作,具有高度的自组织和自适应性,通常采用“无中心”分布式作战方式,通过机动多变的构型,表现出聚集涌现性系统特征,避免了系统对单一节点的过分依赖,节点之间协同工作,完成高密度、多样化复杂作战任务。例如,通过节点平台的信息共享与融合,可对威胁区域进行广域侦察;搭载不同毁伤载荷的无人机蜂群(携带战斗部的无人机蜂群此时即变身为自杀式无人机,或称之为巡飞攻击弹药),可对敌方目标实施精确打击和饱和攻击,如俄乌冲突中使用广泛的“弹簧刀”-300和“弹簧刀”-600自杀式无人机(见图6)。“弹簧刀”-300的作战距离为10 km,续航时间为15 min,自杀式无人机/巡飞弹质量为2.5 kg。“弹簧刀”-300配装彩色相机和红外摄像机,用来识别、跟踪感兴趣目标,配装全球定位系统(GPS)用来确定平台自身位置。“弹簧刀”-300除了打击地面目标外,还能够拦截敌方无人机。“弹簧刀”-600巡飞弹质量23 kg,作战半径40 km,续航时间40 min,战斗部威力相当于“标枪”反坦克导弹,可以打击主战坦克等装甲目标。

图6 “弹簧刀”-300和“弹簧刀”-600自杀式无人机

无人机小巧轻便,附带损伤小,便于单兵便携使用。当无人机蜂群的规模超出对方防御系统拦截能力时,可完成对敌方感兴趣多种类目标的高效毁伤。无人机蜂群协同工作可为侦察监视、饱和攻击、电子对抗、精确打击等作战任务提供保障。

2.3 强突防能力

无人机蜂群多由小型、微型、微纳型无人机组成,体积小、数量多,可采用多种手段灵活协同工作。可搭载雷达、光电、声音等多种类传感器进行信息感知。目前国内外无人机实时感知环境的手段包括激光雷达、超声波、红外线、深度相机、双目摄像头等传感器,可在短时间内在作战区域形成大量部署,达到高效突防效果,极大地提升突防成功率。结合无人机蜂群特点,图7给出了无人机蜂群协同突防作战(图中为侦察)的典型工作模式。

图7 无人机蜂群的典型工作样式

蜂巢(图7中为大型飞机)装载多架无人机蜂群子机,根据作战任务和目标区域,蜂巢在设定位置释放无人机蜂群,无人机蜂群子机按照事先规划好的航迹编队飞行,多机协同组网形成蜂群,抵近突防,完成侦察、诱骗、打击等多样化任务,集群作战效果可通过远程测控链路回传目标指示信息和打击效果等信息。结合图7,以蜂群侦察任务为例进行说明,典型的无人机蜂群工作流程可分为4个阶段:蜂群准备、蜂群释放、蜂群出动和蜂群侦察。

1) 蜂群准备。在执行集群作战任务之前,确定无人机蜂群的组合配置方式,明确无人机蜂群的节点数量、类型、任务载荷种类及配置等;通过地面控制站完成对蜂巢和无人机蜂群子机的任务航线、任务编队的初步预规划,完成对无人机蜂群子机的任务预分配。

2) 蜂群释放。蜂巢飞行至设定的投放区域后,保持或根据实际环境动态制定蜂群子机投放策略,完成蜂群子机投放;地面控制站监控无人机蜂群子机的飞行状态、通信状态和载荷状态等。

3) 蜂群出动。无人机蜂群子机开始工作后,进行姿态和位置稳定控制;在组网通信下,无人机蜂群子机彼此交互状态信息,触发编队控制逻辑,调整高度和航迹,蜂群编队完成态势感知、防撞检测、队形集结,突防抵近;在前往目标区域的过程中,根据任务区域情报信息、外界环境态势、危险源分析,以及蜂群自身状态变化,蜂群自主动态地任务分配、航路规划和队形生成。

4) 蜂群侦察。蜂群子机可搭载多种不同类型的任务载荷,相互协作实现协同侦察。可利用电子侦察载荷开始远距离目标侦察和协同定位,利用合成孔径雷达载荷对目标进行中距离目标侦察识别,利用光电侦察载荷对目标进行近距离侦察、识别和截获,获取目标实时精确情报信息,并通过组网链路、中继链路、卫星链路等传输至地面控制站和指挥中心。

3 无人机蜂群关键技术分析

3.1 无人机蜂群协同组网技术

无人机蜂群实现自组网的目的在于提高无人机蜂群的作战效能。实际作战中,单个无人机往往只能根据作战使命任务来配装特定的任务载荷,以完成特定的作战任务,作战效能较低。而无人机蜂群可配装多类型任务载荷,利用自组网络协同工作,形成可同时响应多样化任务的有机系统,大幅度提高蜂群的作战效能。同时,自组网可实现系统的可控性。无人机蜂群的自组网由蜂群中的全部无人机节点联网组成,地面任务管控系统可实现对每个网络节点的控制。除此之外,通过自组网可以提高无人机系统的抗干扰能力。自组网络下的无人机蜂群间系统不是简单的链式结构,当其中一个节点出现故障时,整个系统也不会瘫痪。无人机蜂群组网的关键技术主要包含:

1) 网络分簇技术。网络分簇算法包括最低ID、最高节点度、基于权重的分簇等。面对不同场景、不同任务以及不同环境,可选择基于移动性的、基于链的、基于能耗的、基于任务的不同分簇算法。针对高动态大规模自组织无人机网络中传统分簇算法难以应对高速移动节点的问题,文献[15]提出了一种基于综合移动预测的分簇算法。文献[16]提供了一种任务驱动的无人飞行器自组网簇首选择方案,旨在确保无人机编队与地面控制站无中断连接的时间能够满足任务和通信时长的需求。

近年来,基于联盟的无人机蜂群自组网分层架构作为一种新的方法,在军事作战领域、多智能以及空中管制领域得到了广泛应用。在无人机蜂群自组网中,无人机通常根据任务进行结盟,形成针对任务需求的一个联盟。执行完任务后,特定的联盟即可解散,当再次有新任务时,再重新聚合成新联盟,共同执行全新的任务。

2) 拓扑优化技术。网络拓扑结构优化的主要目的是提高网络的稳定性和可靠性,通过优化网络节点的通信功率、连接方式、距离来减少拥塞、降低内部干扰、提高容错性、增强抗毁伤能力等,从而优化网络通信效率和质量。现有研究成果中常见的4种针对网络的拓扑优化方法有功率调节、休眠模式调节、分簇调节及混合调节。

功率调节可以通过调节增加或减少某些节点的发射功率以及中继节点转发时的功率等,来改变信号传输的距离和路径,进而改变网络拓扑结构。此外,调节节点功率可以降低节点之间的干扰、提高通信质量,同时也能减小网络中存在的瓶颈区域及链路拥塞,最大限度地提高网络带宽利用率。统一功率分配(COMPOW)[17]为一种简单的将功率分配与路由协议联合考虑的算法框架。该算法特点为在保证网络连通的前提下,所有传感器节点采用一致且最小的发射功率,即发射功率恰好满足信道最差节点的网络不中断要求。然而,由于各节点采用相同的发射功率,当节点分布不均时会出现能效降低、网络寿命减少。局部最小生成树(LMST)算法[18]可用于单独调整每个节点的发射功率,该算法通过构造连接所有节点的最小生成树,得到每条路径的信道信息,以调整每个节点的传输功率,使其满足最远邻居的传输需求,从而降低设备功耗。LMST的不足在于每个节点能耗不等、网络寿命有限等。最低能耗通信网络(MECN)以及改进的小型最低能耗通信网络(SMECN)算法是利用节点定位信息,构建最小能量子图的路由协议,该算法可降低数据传输的能耗,从而满足无线传感器网络对于节能和网络寿命的需求[19-21]。

网络休眠通过调节网络中节点的休眠/唤醒机制,可以使得节点在不用时进入休眠状态,降低功耗,进而延长网络寿命,并在需要时迅速唤醒以响应网络服务请求。合理的休眠调度策略能够更加高效地利用网络资源,在减少能量消耗的同时尽可能地保持网络整体的连接性和稳定性。CCP算法针对K覆盖与K连通的场景,分析了如何最大化睡眠传感器数量。地形自适应高保真度(GAF)算法[22]是一种基于位置和能量信息的路由协议,其分为发现阶段、睡眠阶段和活动阶段3个阶段。该算法将网络监控区域划分成多个虚拟单元格,通过相邻节点之间的协调来保持较少数量的节点处于激活状态,同时让大多数节点进入休眠状态,以降低不必要的能耗并延长无线传感器网络整体的使用寿命。与其他类似的算法相比,GAF算法需要每个节点精确地知道自己的位置信息,这限制了其在某些应用场合的实际使用。此外,GAF算法还存在一些缺点,例如网络的分割容易产生对决策灵敏的边界问题,节点之间相互协作的开销较大,且难以适应网络的动态变化等。

分簇调节通过将网络中的节点分成不同的簇,然后对不同簇之间的连接关系进行调整,从而达到优化网络性能和可靠性的目的。首先,将网络节点按一定规则或算法分为若干个簇。在进行分簇操作后,可以针对每个簇内部的通信特点和网络负载状况进行相应的调整。将不同簇之间的联系调整为跨簇联通,在保证网络正确性和延迟限制的前提下,让数据信息在不同簇之间流动,满足网络的应用需求。通过分簇调节,能够有效控制网络中的广播风暴、拥塞等问题,并提高网络的容错性和鲁棒性。低功耗自适应集簇分层型协议(LEACH)算法[23]是一个经典的无线传感器网络分簇路由协议。该算法将网络周期性地划分为建簇阶段和通信阶段,并通过循环对簇头节点随机选举的方式实现了负载均衡,延长了网络寿命以及降低了能量消耗。LEACH算法提供了一种有效的解决方案,让网络中各个节点平等地成为簇头,从而使得能量消耗更加平衡,进而提高整个网络的性能和生存寿命。混合节能分布式分簇协议(HEED)[24]算法采用概率竞争的方式来选择簇头节点,从而提高了分簇过程的效率。此外,考虑到簇头节点在数据聚合与传输中会消耗更多能量,将节点剩余能量作为簇头选取的依据之一,进而实现让各个节点负载均衡、延长网络生存周期。

3.2 无人机蜂群协同感知技术

复杂场景下的目标精准探测识别一直是制约武器效能发挥的瓶颈技术。通过基于目标位置与参数特征的无人机蜂群多平台、多传感器深度融合关联,可有效克服单体无人机平台侦察感知区域小,侦察动态目标难度大、适应性弱的缺陷,可实现大面积区域和动态目标的实时侦察,提高侦察感知的覆盖率和实时性。无人机蜂群具有分布式探测能力、自愈合能力,与单体感知相比,无人机蜂群中的单体平台功能相对简单,造价低廉,部分个体的牺牲不会对蜂群产生致命影响。由于无人机蜂群的动态网络自愈合能力,使得蜂群可遂行单体飞行折损率高的危险区域的侦察感知。无人蜂群可适用于多种侦察任务。由于蜂群的探测器分布较分散而且蜂群整体具有智慧行为,在控制好蜂群的队形变换的同时可以对点目标、线目标、面目标进行侦察,而且对于部分重点区域还可以进行全面覆盖实时侦察,对于动态目标还可以进行多机联合跟踪侦察。

无人机蜂群具有多源、异构、多维和动态等特点,其态势感知一般包含数据、信息以及特征等多个层面,实现探测感知信息的多源异构融合和精确目标识别。环境感知的任务是利用集群中雷达、光电等任务载荷收集环境信息,从数据中发现规律和挖掘目标,在目标环境中进行目标识别、引导侦察,提高无人机蜂群系统对目标环境态势的认识与理解。另外,采用虚拟中心技术,将态势信息通过组网共享给其他无人机,以增强蜂群任务实现的可靠性。

1) 数据层面。可采用分布式卡尔曼滤波算法,将红外、雷达等异构传感器数据融合,提升对目标的跟踪精度。随着多源传感器网络的快速发展,两种基于多源传感器网络的数据处理框架受到广泛关注。一种是各传感器将数据传输至一个融合中心进行处理的集中式框架,集中式框架的优势在于,当所有观测器稳定工作时,计算获得的目标状态估计结果在某些性能标准下是最优的,然而这种方式需要大量的通信和计算资源,鲁棒性和可靠性较差。另一种是分布式框架,各个观测器根据本地测量数据,计算得出局部的目标估计结果并经由通信链路与邻居共享,通过融合本地与邻居的估计信息,最终获得符合性能标准的全局最优或次优的目标状态估计结果。分布式方法的数据并行处理结构使其具有更优的鲁棒性、可靠性和可扩展性,但通常精确度不如集中式融合。近年来,分布式框架备受关注。

3) 特征层面。目标的精确分类识别是无人机蜂群实现威胁目标精准探测的核心关键,是实现目标定位、精确制导等应用的重要前提[30-31]。多机协同目标识别旨在通过多无人机协同工作提供更丰富的目标关联信息,提升相对于单体探测的高精度目标识别结果。目标识别算法主要包括基于模板的识别算法和基于模型的识别算法[32-34]。目标高精度识别,尤其是陆地背景的高精度识别面临巨大的挑战。一是同一类别内的目标差异较大,同类型内的目标特征也不尽相同。二是属于不同类别的目标,有时却表现出很大的相似性。三是复杂的背景干扰,在实际的目标识别应用场景中往往存在着大量的背景干扰,会对识别精度产生不利影响。近年来,随着深度学习技术在计算机视觉、语音处理、图像处理等领域的广泛应用,图像目标自主识别技术取得了重大突破。采用卷积神经网络作为基本网络结构,研究小型化、轻量化深度模型以用于实用化硬件平台,是实现无人机蜂群快速目标识别的核心关键[35-36]。

3.3 无人机蜂群协同决策技术

无人机蜂群协同决策涵盖的内容十分丰富,是集群系统协同作业/作战的核心与关键。协同决策规划一般包含以下两方面:

1) 协同目标分配。为了解决多对多打击过程中的冲突消解问题,需要进行无人机蜂群系统的协同目标分配。一般针对多目标的分配问题,构建攻击代价与攻击收益函数,建立分配过程中的位置约束、方向约束、能量约束,通过求解混合整数规划问题,获得M武器对N目标的分配结果。单纯利用传统算法,很难适应未来战争中不断动态变化的复杂作战场景。由于实际作战场景中无法知晓敌方全部作战信息,仅依靠初始的任务分配结果很难达到预期的毁伤目标要求。与此同时,武器-目标分配问题是非确定性多项式(NP)完全问题,智能算法的引入十分必要[37-40]。国内外学者提出了基于交叉熵的多无人机协同任务分配方法,用以解决资源约束下多类型无人机的任务分配问题。解决任务分配的另一种思路是将无人机多任务分配问题归结为多约束条件下的组合优化问题,采用遗传算法等进行求解,以降低计算复杂度。

2) 协同航迹规划。航迹规划是无人机蜂群运用的关键环节,由于无人机节点数量多,使得编队飞行器的协同航迹规划极具挑战。无人机蜂群的航迹规划要综合考虑敌方探测跟踪、电子干扰、伪装欺骗与毁伤拦截等威胁,在全方位考虑最优突防策略及蜂群系统生存率的前提下,结合集群游走、召唤及围攻等行为,设计无人机编队构型和飞行航迹。从集群起飞集结、巡航飞行到任务执行的全过程无人机蜂群的飞行航迹均属航迹规划的范畴[41-44]。

3.4 无人机蜂群协同控制技术

多无人机协作过程中,协同控制系统需要具备高可靠性、强鲁棒性、快速响应和快速重组等能力[45]。集群的编队控制方法主要包括基于行为的编队控制方法、基于虚拟结构的编队控制方法、基于领导者-跟随者的编队控制方法、基于一致性的编队控制方法以及基于人工势场法的编队控制方法等[46-51]。基于行为的编队控制方法,将编队控制任务分解成起飞、避障、队形保持等基本行为,并通过加权行为融合实现无人机蜂群的编队控制。基于虚拟结构的编队控制方法,将无人机蜂群视作一个包含多个节点的整体虚拟结构,无人机与虚拟结构节点保持同步运动,完成编队飞行。

基于领导者-跟随者的编队控制方法将无人机蜂群分为领航者和跟随者两种不同的角色类型,领航者沿着预定或者临时设定的路径运动,跟随者根据相对于领航者的距离和方位等信息进行运动,协同工作实现编队控制。

基于一致性的编队控制方法通过图来描述无人机蜂群节点间的关系,通过局部的协同作用使得无人机的状态与编队参考的向量偏差趋于一致。

基于人工势场法的编队控制通过构造目的地引力势场与周边障碍斥力势场特性实现编队。模糊人工势场法应用于无人机蜂群协同控制中时,具有更高的执行效率。人工势场法主要通过构建人工势场函数来实现队形控制,在人工势场法中,当两架无人机之间的距离较远时,相互吸引会使得两架无人机彼此靠近,当两架无人机之间的距离较近时,相互排斥会使得两架无人机彼此分离,即基于人工势场法可实现无人机之间的防碰撞,当无人机之间的距离过近时,相互排斥会使得无人机节点彼此分离,避免碰撞。

4 无人机蜂群技术发展的重点、难点和方向

4.1 无人机蜂群系统的主要技术指标和能力需求

无人机蜂群系统的主要技术指标和能力需求如下:

2005年前签订的农村土地流转合同由于期限长、价格低，没有价格调节机制，且土地流转手续不规范，出现纠纷难以调解，所以签订农村土地流转合同的比例很小。但是随着土地流转合同的签订工作走向规范化，农户的法律意识加强，比例逐年增加。59.92%的农户在农村土地流转时签订了书面合同，只有8.95%的农户依然以口头协议的方式非规范化进行流转。

1) 任务类型:诱饵、干扰、侦察、制导、打击、通信中继等。

2) 通信带宽:无人机蜂群节点通信带宽越大,支持的节点数量和信息传输容量越大,越能响应更复杂的作战任务。

3) 节点数量(规模):无人机蜂群节点数量越多,作战运用方式越灵活多样,执行任务种类越多,协同工作能力越强。足够的节点数量还可以保障抗毁动态重组能力生成,不会因为部分节点的损毁导致系统丧失作战任务执行能力。

4) 作用距离或威力:无人机蜂群节点载荷的作用距离越远或威力越大,无人机蜂群的任务执行成功率越高。

5) 决策时间:决策时间体现了无人机蜂群系统的智能化程度和实战化能力,决策时间越短,系统智能化程度越高,实战化能力越强。

4.2 无人机蜂群技术的发展重点和难点

无人机蜂群是一种集光电探测、通信组网、协同控制、任务规划等多学科于一体的复杂作战系统形态。对于不同类型的无人机蜂群系统,其研发重点和难点既有相同之处又各具差异:

1) 复杂不确定场景下无人集群自组织行为因果机理不清晰,智能体建模和交互规则难以设计,涌现行为难以调控,缺乏系统性群体智能激发汇聚演化机理,可解释的群体智能行为生成训练方法欠缺,这些因素成为制约蜂群系统在复杂任务中应用的关键瓶颈。

2) 如何充分、协同地运用当前有限的蜂群系统领域知识和数据,在非理想通信、非精确感知等不确定性条件下突破大规模无人机蜂群的协同控制,实现自组织协同作战体系,是群体智能系统走向实用化的关键问题。

3) 缺乏面向实际任务的通用化软硬件集成平台与测试验证手段,亟待构建群体智能验证的开放性标准测试环境,研制与开发具有开放式接口的软硬件平台,对不同的任务、算法进行面向应用的快速集成、测试和验证。

4) 在强对抗、瞬息万变的复杂动态环境下,如何实现兼顾精确性和快速性的动态决策和任务规划,是无人机蜂群智能决策面临的挑战性难题。

5) 实战化复杂作战任务条件下的调度与管理技术仍处于探索阶段,而且可能会受到非技术因素如战争伦理、法律、开火权控制等因素影响。

4.3 无人机蜂群技术的发展方向

近年来,各种类型的无人机蜂群正以前所未有的速度迅猛发展,进入了创新发展的新时期。多样化的智能需求和发展趋势给无人机蜂群技术的发展带来了前所未有的机遇和挑战,催生出一系列新兴技术领域。无人机蜂群的技术体系主要包括单体飞行平台技术、集群协同技术以及总体设计技术等,图8所示为无人机蜂群武器系统涉及的主要技术体系框架。

由图8可见,较之于单体飞行平台,无人蜂群技术的体系框架较为复杂。然而,随着国内外学者和科研人员的努力攻关,部分关键技术已经得到解决,并通过了试验验证。然而,仍有诸多制约无人机蜂群任务执行效能发挥的关键技术亟需突破,笔者结合自身的工作和研究经历,总结了未来无人机蜂群的重点发展方向,将主要体现在:生物集群自组织智能决策技术、无人机蜂群监视侦察技术、无人机蜂群低成本涡喷发动机技术、无人机蜂群任务载荷技术和智能芯片技术等方面。

4.3.1 生物集群自组织智能决策技术

建立生物群体智能与无人机蜂群的映射关系,揭示无人机蜂群“群智涌现”机理,提高无人机蜂群在复杂作战环境条件下的自主决策能力。无人机单体平台通过与集群中其他无人机个体的相互交互进行历史经验学习和进化学习,获得比单体更强的生存能力以及对环境的适应性。

通过对生物群集中的空间聚集性、运动有序性、环境适应性进行深入研究,建立集群运动理论模型,分析个体行为与群体特性之间的关系,通过个体设计使得整个群体产生期望的行为,鲁棒性强、自适应度高、可扩展性好[52]。通过生物群集行为研究,将其映射到无人机集群协调自主控制领域中,提高无人机蜂群复杂环境条件下的自主决策。挖掘生物群集内部的作用机理和协调机制,赋予无人机蜂群自主学习和主动进化能力,解决无人机蜂群智能决策难题,实现全自主的无人机蜂群系统设计。

4.3.2 无人机蜂群监视侦察技术

围绕无人机蜂群在战场监视、情报处理、态势融合等方面的作战运用,综合利用光学、红外、雷达传感器开展基于人工智能的信息处理与融合方法研究,突破多类型多尺度目标检测、目标影像融合、战场态势在线融合等关键技术,大幅度提高战场目标的检测精度和信息融合效率。

无人机蜂群监视侦察克服了单个无人机侦察区域小的缺陷,可实现对大面积区域的实时侦察,提高了侦察的覆盖率和实时准确性。分布式的去中心化无人机集群利用组网技术可实现无人机之间的信息高速共享,提高无人机蜂群探测与侦察的抗故障与自愈能力。

4.3.3 无人机蜂群低成本涡喷发动机技术

动力先行是发展武器装备的重要原则。研制和开发成本可控、耗油率佳、质量受控、可靠性高的涡喷发动机是无人机蜂群需要重点攻关的研究方向。针对无人机蜂群任务使命对动力系统的需求,重点突破低成本加工设计与材料选择、重油燃烧、宽包线制式起动等关键技术,为无人机蜂群实战化发展提供动力基础。

此外,亟需开发发动机健康管理算法,建立发动机健康级别与无人机蜂群任务等级的映射关系,无人机蜂群的飞行控制系统根据发动机的健康信息完成任务优化配对,提高发动机的智能化水平,增强无人机蜂群遂行多样化任务能力。

4.3.4 无人机蜂群任务载荷技术

针对无人机蜂群执行协同感知、对抗等任务,综合蜂群无人机平台对任务载荷的约束,开展轻量化、低功耗、低成本、模块化、型谱化的任务载荷研究,研制中继型、制导型、干扰型无人机蜂群载荷。事实上,3.2节所述无人机蜂群协同侦察也是一种特定的感知型任务载荷。以制导型载荷为例,亟需突破高精度、强鲁棒性、强实时目标检测与跟踪算法,使得制导型载荷在给定指令下具有对典型目标自动识别、截获、跟踪的功能,指引无人机蜂群系统对典型目标进行自主攻击。

强化载荷样机部组件的共用性,尽量采购商用货架产品,减少外部接口和连接件;强化个性化部组件的标准化模块化,形成不同规格的系列化标准化模组;提高集成度,芯片化设计核心模块,降低成本、提高可靠性并减轻质量。

4.3.5 智能芯片

人工智能专用加速芯片通常具有数百个甚至上千个计算核心,相较于传统芯片在计算架构和芯片算力上发生了颠覆性变革,具有海量数据并行计算能力,性能和访存带宽等指标明显优于CPU,可提高无人机平台的整体运算能力和运算效率。IBM公司构建了深度学习框架System ML、类脑芯片TureNorth,以及神经突触计算机芯片SyNAPSE,谷歌开发了第二代深度学习芯片TPU、Intel研制了Xeon-FPGA芯片、NVIDIA的多GPU集群处理和CUDA框架则可用于MapReduce/Hadoop、数据挖掘、数据库搜索方面的加速。智能芯片可为无人机蜂群真正意义上实现群智涌现实战化进程提供坚实的技术支撑。

5 无人机蜂群技术发展的途径和举措

综合上述无人机蜂群分类、组成、特点、研发重点和难点,以及无人机蜂群技术的发展方向,形成无人机蜂群技术发展的途径和举措如下:

1) 着眼未来发展,前瞻性地谋划好制约和影响无人机蜂群革命性发展的新型隐身、自主等前沿技术研究和应用工作,发展覆盖高中低空、大中小型、战略战术战役级的无人机蜂群装备体系。

2) 抓住核心关键,有目的地筹划好制约和影响无人机蜂群创新性发展的智能决策与任务规划、导航拒止环境下的协同控制、干扰环境下的协作规避、强对抗环境下的组网通信等关键技术的研究和应用工作。

3) 重视试验测试,有针对性地开展标准化试验验证与测试接口研究,建立规范化和统一化的交互协议,使得无人机蜂群技术与方法能以模块化方式汇聚形成知识库、模型库、方法库,为蜂群算法训练、测试、评估以及典型蜂群任务的演示验证提供试验床。

4) 大力推进数字工程,从论证分析、总体方案、详细设计到生产制造全面采用数字模型,实现降本增效。

5) 大量使用成熟任务载荷,根据任务需求,使用成熟的货架产品和商用软件降低升级和损耗成本,实现低成本化、轻小型化、功能分解化、型谱系列化、组网协同化、标准化、通用化、开放式软件化的无人机蜂群系统生态环境。

6) 结合和利用自身优势,强化顶层设计,深入研究先进无人机蜂群作战特点,同时紧密关注反蜂群技术发展,组织科研人员加强技术攻关,先于对手形成实战能力。

6 结论

不同于机群的概念,无人机蜂群是以智能化无人控制技术和网络信息系统为支撑的集群式无人作战武器装备,通过单个节点平台的行为自主决策和节点平台间的行为协同实现能力涌现,是形成新质作战能力的核心关键技术之一,以无人机蜂群为代表的智能群体作战将深刻影响战法变革、力量编成,成为未来战场的新形态。当下和未来,谁拥有和突破了无人机蜂群核心关键技术、谁把握了无人机蜂群技术的发展方向,谁就站在了无人机蜂群领域的制高点,就意味着谁将在竞争日趋激烈的未来战场中占据优势地位。