網站地圖 原創論文網,覆蓋經濟,法律,醫學,建筑,藝術等800余專業,提供60萬篇論文資料免費參考
主要服務:論文發表、論文修改服務,覆蓋專業有:經濟、法律、體育、建筑、土木、管理、英語、藝術、計算機、生物、通訊、社會、文學、農業、企業

無人機集群的典型作戰模式及關鍵技術

來源:原創論文網 添加時間:2019-12-30

  摘    要: 集群行為是一種常見于自然界中魚群、鳥群、蜂群等低等群居生物的集體行為,生物群中的個體僅依靠局部感知作用和簡單的通信規則自主決定其運動狀態, 并且從簡單的局部規則涌現出協同的整體行為。受此啟發,提出了無人機集群作戰的概念。無人機集群作戰是指依靠大量低成本、速度快、適應能力強、易于攜帶和投射的無人機形成規模優勢,從而取得戰爭的主動權。由于無人機集群技術的重要戰略地位,中美俄等軍事大國均開始重視無人機集群技術的持續發展。本文介紹了無人機集群的研究動機,從模型、協議和平臺三個角度總結了研究方法,重點分析了幾種典型作戰模式以及涉及的若干關鍵技術。集群技術在軍事方面具有潛在的應用價值,必將引領全新的作戰模式。

  關鍵詞: 無人機; 集群技術; 大規模系統; 人機協同; 分布式控制;

  Abstract: Swarm as a typical collective behavior is omnipresent in animal kingdom, such as fish schooling, bird flocking, and bee swarming. In a colony, large-scale synchronous behavior emerge by virtue of local sensing and very simple rules. The swarm of unmanned aerial vehicles, as a new combat pattern, is proposed according to the inspiration from these collective performances, which rely on quantitative superiority to win the war. These unmanned aerial vehicles are characterized by low cost, high speed, well adaptability, and convenient carried/launched mechanism. In recent years, many military communities, such as China, Russia, United States, have made great effort to the continuous development of swarm-related technology of unmanned aerial vehicles. To resolve the swarming problem of unmanned aerial vehicles, research motivation has been proposed in this paper. Research approaches are summarized from the point view of modeling, control protocol, and execution platform. Besides, several classical combat modes and involved key technologies are discussed in detail. Swarm-related technology will lead to a totally new combat pattern, due to its bright application potential in the military area.

  Keyword: Unmanned Aerial Vehicles(UAVs); swarming technology; large-scale system; man/unmanned cooperative control; distributed control;

  無人機集群作戰,是近年來提出的一種全新作戰模式。在不降低作戰效能的前提下,集群作戰被認為是縮減軍費開支的有效手段之一[1,2]。所謂集群作戰,靈感源自于蜂群、魚群、鳥群等具有較低智能的生物在遷徙、巡游或是躲避敵害過程中呈現出來的集群行為。依靠簡單的規則和局部通信,呈現出整體的行為,并借助數量優勢在與具有較高智能的生物對抗中占據主動權。在現代戰爭中,制空權往往是決定戰爭勝負的關鍵因素。無人機在空中的高度優勢,使得無人機系統成為實現集群作戰的首選無人驗證平臺。

  2017年11月在日內瓦舉辦的聯合國特定常規武器公約會議上,當手掌大小的無人機以集群的方式通過面部識別同時射殺多名鎖定對象的視頻一經發布,就引發了巨大轟動。也標志著無人機集群作為一種新的作戰形態已經進入了全世界軍方的視線。

  實際上,國內外諸多研究團隊一直不斷積累無人機集群飛行相關理論[3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22]。隨著近年來無人機技術的發展與成熟,集群無人機的實現也成為了可能。
 

無人機集群的典型作戰模式及關鍵技術
 

  美國軍方最早開始無人機集群相關研究的布局。自2014年起,美國國防部戰略能力辦公室、美國海軍、國防高級研究計劃局(DARPA)先后啟動“無人機蜂群”項目、“低成本無人機技術蜂群”項目和“小精靈”項目。“無人機蜂群”項目以“灰山鶉”一次性微型無人機為試驗平臺,于2016年測試了由3 架F/A-18 戰斗機釋放103架“灰山鶉”,展示了空中投放和自適應分組編隊的協同飛行能力。“低成本無人機技術蜂群”項目是以“郊狼”小型無人機為平臺,于2016年驗證了30秒投放30架無人機的能力。“小精靈”項目重點研究由C-130運輸機空中投放和回收小型無人機蜂群等關鍵技術。除了圍繞低成本設計的微小型無人機集群飛行,DARPA還通過“體系集成技術”、“分布式作戰管理”、“進攻蜂群戰術”、“拒止環境協同”等項目,發展無人機蜂群體系架構、作戰管理、蜂群戰術、自主協同和小型多功能傳感器等多項關鍵技術。2018年11月19日,美國空軍公開了36架F-35A隱身戰斗機的集群飛行演習(見圖1),在短時間內連續放飛了數十架F-35A戰斗機,展示了F-35A密集編隊起飛能力。

  2016年9月,英國國防部發起了無人機蜂群競賽,以期快速突破相關關鍵技術。同年11月,歐洲防務局正式啟動“歐洲蜂群”項目,發展任務自主決策、協同導航等關鍵技術。同一年,俄羅斯也開始開展蜂群無人機協同作戰模式研究。韓國陸軍則在2017年宣布將大力發展無人機蜂群技術,用于偵察、打擊等任務。2019年10月23日,芬蘭提出“壓制防空無人機蜂群”(SEAD Swarm)項目,將作為加強歐盟成員國之間合作而進行的防務研究備戰行動的一部分。

  中國軍方也開始密切關注并大力推動無人機集群相關技術的進展。2016年11月17日,中國電子科技集團(以下簡稱中電科)公布了67架彈射固定翼無人機的室外集群飛行試驗(見圖2)。2017年6月,中電科再次組織了一項由119架小型固定翼無人機構成的集群飛行試驗,演示了密集彈射起飛、空中集結、多目標分組、編隊合圍、集群行動等動作。2018年5月,中電科又一次成功完成了200架固定翼無人機集群飛行,同時還成功實現了國內首次小型折疊翼無人機雙機低空投放和模態轉換試驗。但與美軍的一系列公布的軍方成果相比,差距還是比較明顯。為推動集群相關技術的發展,2018年6月,中國空軍在中國淶水主辦了第一屆“無人爭鋒”智能無人機集群系統挑戰賽,標志著集群技術已經正式進入中國軍方視線,探索未來智能無人集群技術的發展與應用正式提上日程。然而,此次比賽中,多個科目獲獎隊伍空缺,表明無人機集群技術依然有諸多難點亟待攻克,相關研究仍然處于起步階段。

  圖1 36架美軍F-35A戰斗機在跑道上“大象漫步”
圖1 36架美軍F-35A戰斗機在跑道上“大象漫步”

  Fig.1 Thirty-six F-35A fighter aircrafts doing the elephant walk on the runway

  圖2 中國電子科技集團67架固定翼無人機集群試驗
圖2 中國電子科技集團67架固定翼無人機集群試驗

  Fig.2 Experiment of sixty-seven fixed-wing Unmanned Aerial Vehicles

  本文組織結構如下:第1部分概述集群的研究動機,第2部分則重點闡述無人機集群的研究方法,第3部分討論了無人機集群的典型作戰模式及關鍵技術。

  1、 研究動機

  一方面,雖然美國現在的無人機數量和技術成熟度全球領先,但隨著俄羅斯、中國等國家加大了無人機方面的投入,與美國之間的差距也在不斷縮短。同時,為應對復雜多變的戰場環境,對無人機的隱身性能、機動性能、任務載荷等提出來更高的要求,使得大型戰略威懾型無人機的成本持續攀高。而連年作戰使得美國軍費吃緊。因此,美軍方在考慮提高軍隊作戰能力的同時,特別關注成本優勢。試圖尋找在現有技術基礎之上,通過適當的改造,就可以大幅提高作戰效能和靈活性的系統方案。

  另一方面,在戰場中,各種武器平臺都有各自的優點和局限性。大型高價值無人機的成本通常非常昂貴,一旦被擊落,損失巨大,且有泄密的可能。遺留下的殘骸更有可能被敵方利用,從而在短時間內復制出同樣高性能的無人機。而小型無人機系統就沒有這些顧慮。小型無人機通常成本低廉、功能單一,在現有成熟技術的基礎之上通過適當改造而得到。作戰時,可依靠數量規模和速度優勢,取得局部戰爭的勝利。同時,系統的魯棒性非常強,即使擊落部分無人機,系統依然可以重新配置繼續執行作戰任務[23]。

  無人機集群作戰就是在這樣的條件下應運而生的一種顛覆式的低成本作戰模式。無人機集群的靈感源自于自然界中魚群、鳥群、蜂群等低等群居生物的集群行為(Swarm behavior)。集群行為是指生物群中的個體僅依靠局部感知作用和簡單的通信規則自主決定其運動狀態,并且從簡單的局部規則涌現出協同的整體行為[24]。無人機集群作戰是指依靠大量低成本、速度快、適應能力強、易于攜帶和投射的無人機形成規模優勢,從而取得戰爭的主動權。

  綜上可以看出,小型無人機集群系統的作戰效能高、作戰靈活性強、作戰成本可控且不易泄密,因此受到了國內外軍方的高度關注。2016年8月,在中國計算機學會主辦的CCF-GAIR峰會上,來自美國賓夕法尼亞大學的Vijay Kumar教授提出無人機技術的5S趨勢理論:小型(Small),安全(Safe),智能(Smart),敏捷(Speed)和集群(Swarm)[25]。首次明確將集群智能(Swarm Intelligence)作為一種顛覆性技術。

  為了使無人機性能夠滿足軍事需求,美國軍方先后研制了上百種無人機系統,先后提出了四十余種無人機技術發展路線圖。在路線圖中,美軍將無人機的自主控制能力進行了分級,大致從遙控、自適應、協調、分布式到群控共分為十級(見圖3)?梢哉f,無人機的集群控制就是美軍目前定義的無人機自主控制能力的最高等級。美軍預計在2036年全面實現無人機系統集群作戰[26]。

  圖3 無人機自主控制能力分級[27]
圖3 無人機自主控制能力分級[27]

  Fig.3 Autonomous Control level of Unmanned Aerial Vehicles[27]

  2、 研究方法介紹

  近年來,集群技術因軍事領域的需求而成為研究熱點。實際上,集群方面的相關研究由來已久。來自生物[28,29,30,31,32,33]、物理[34,35,36]、 計算機[37,38,39,40]、控制[41,42,43,44,45,46,47]、數學[48,49]和機器人[50,51,52,53,54,55,56,57]等領域的學者一直對自然界中鳥群、魚群、蜂群、斑馬群等群居動物的集群行為保持濃厚的研究興趣,分別從相應領域去探索集群現象產生的原因及工程應用。

  描述集群行為有兩種最為常見的模型,分別是Boid模型[3]和Vicsek模型[4]。Boid模型是1986年由美國人Craig W. Reynolds提出的一種計算機模型,用于模擬鳥類等動物的群體運動。假設每只鳥只能觀察到它周圍固定范圍內的個體,那么基于靠近、對齊和避碰三條規則就可以在計算機中復現出自然界中鳥類的集群現象。Vicsek模型則由匈牙利物理學家T.Vicsek及其合作者于1995年從統計力學的角度提出的,通過改變群體密度以及噪聲強度,對集群行為進行定量分析。Boid模型與Vicsek模型共同構成了集群行為理論研究的基石,為后續的集群研究提供了重要的理論架構、分析工具和方法支撐。

  集群行為的核心是解決群體內個體之間的協同問題,一般從通信網絡[58,59,60,61,62]、協同算法[63,64,65]、仿真和實驗驗證[66,67,68]、任務執行[69,70,71,72]等方面展開研究。其中,通信網絡主要用于個體間信息的傳遞。包括有向圖和無向圖兩類。圖又分為有權重圖和無權重圖兩種。針對復雜系統的通信網絡又誕生了一個新的分支——復雜網絡控制科學[73]。協同算法通常是根據個體間的相對位置和相對姿態信息結合一致性算法和人工勢場法來實現。一致性算法用于個體之間的速度匹配,人工勢場法則是主要用于調節個體之間的距離,包括個體間避障、隊形控制和通信網絡的連通性保持[5,7,74]。更重要的一點是,模型內部的不確定性和外部擾動(如風的影響等)會導致控制方法失效。Q學習算法[49]和自適應魯棒控制[75]是目前解決集群控制中涉及的模型不確定性和外部環境干擾問題的有效方法之一。

  除了基于一般的人工勢場法來協調集群問題中的個體間距,Sahu等人提出了模糊人工勢場法,并將其應用于集群控制中,與一般的人工勢場法相比,具有更高的執行效率[76]。Yazdani等人則是通過設計基于采樣周期的時變約束條件,來保證多智能體集群系統的連通性和個體間的避碰[77]。此外,基于位置度量的模型預測控制方法已經被用于多智能體的集群控制研究中,但個體間的避碰和通信網絡的連通性保持問題并未涉及[78];诰性的模型預測控制方法也被用于執行多智能體的集群控制仿真和實驗,但并未做詳細的理論分析[79]。在考慮輸入有界的前提下,華中科技大學的研究團隊分別研究了基于二階積分器模型[80]和基于Cucker-Smale模型[81]的多智能體集群控制問題,設計了模型預測控制協議,給出了完整的證明,也考慮了避障的情況。在有向拓撲條件下,基于Cucker-Smale模型的多智能體集群控制問題也已經被進一步討論,并考慮了多領航者的情況[82];た刂品椒ㄒ脖挥糜诮鉀Q多智能體的集群控制問題,但只涉及了無人機的高度控制和方向角對準[83]。因此,圍繞集群控制的相關理論研究也亟待提升。

  目前無人機集群技術的驗證平臺主要集中在旋翼無人機(圖4)和固定翼無人機(圖5)兩種。旋翼機的集群技術主要應用于各種無人機燈光秀,利用群體的優勢達到震撼的視覺效果。2016年,在國際消費類電子產品展覽會上,英特爾公司首次公開展示了室外無人機燈光秀與現場音樂會結合的視頻,創造了同時操控100架無人機集群編隊的世界紀錄,開創了無人機集群技術用于燈光秀表演的先河。2018年5月,國內某知名無人機公司(億航)攜1374架無人機在西安成功打破最多無人機同時飛行的世界吉尼斯記錄。然而在當晚的正式表演中,1374架無人機并沒有成功組成預定的完整圖案,故障出現的原因亦引發了眾多猜想與討論。燈光秀的背后所要依靠的正是大規模無人系統的集群技術,此次西安燈光秀故障也預示著無人機集群技術的不成熟,仍有待進一步完善。

  軍事上,則更傾向于固定翼無人機集群。較之旋翼機集群,固定翼無人機的集群更為復雜,難度更大。主要體現在以下兩點:固定翼無人機需要一定的速度來保持飛行狀態,而旋翼機則可以懸停在空中;較之于旋翼機,固定翼無人機的飛行高度更高,飛行速度更快,如何實現固定翼無人機集群隊形和避碰面臨更大的挑戰。

  此外,科學家們已經不滿足于集群行為的簡單復現,如何提升大規模集群的效率,已經成為集群領域的另一研究熱點。如何從通信網絡、控制協議、模型優化等方面提升集群收斂的速度以及集群的穩定性,已經受到了研究學者的廣泛關注。Boid模型和Vicsek模型都是基于個體平等的假設,即動力學模型、協同策略、通信規則都是相同的。而Couzin等人提出領導者的概念,指出基于領導與被領導關系可以提升集群的效率[27]。Jia等人首次提出一種研究集群行為的框架模型,可普遍用于定量分析各種集群現象。她們通過仿真的方法,對比分析了諸多現實和工程中存在的集群模型,指出存在層級化集群模型在系統穩定性方面優于常見的平等集群模型[84]。

  圖4 旋翼無人機集群
圖4 旋翼無人機集群

  Fig.4 Quadrotor Unmanned Aerial Vehicles flocking

  圖5 固定翼無人機集群(小精靈項目)
圖5 固定翼無人機集群(小精靈項目)

  Fig.5 Fixed-wing Unmanned Aerial Vehicles flocking(Gremlins Aerial Vechicle)

  3 、作戰模式和關鍵技術分析

  小型無人機集群作戰是美軍能夠快速突破敵空防一體化系統、迅速展開打擊作戰的殺手锏。小型無人機系統集群作戰完全就是響應美軍提倡的閃電戰、全球快速打擊等作戰模式的產物,再加上其作戰成本低廉、戰斗敏捷性好、沒有人員傷亡的顧慮,同時大量平臺僅需少量的人力資源操控。因此,未來小型無人機集群系統必然成為全球作戰不可或缺的武器裝備之一。

  3.1 、作戰模式分析

  圍繞無人機系統集群作戰,從狼群和蜂群的群體智慧出發,提出了蜂群作戰、忠誠的僚機、組隊協作、狼群作戰等多種靈活多樣的全新作戰概念。

  (1)蜂群作戰

  自然界中的蜜蜂,一旦遭到外敵入侵,就會傾巢出動,依靠數量優勢、飛行靈活等特點群起而攻之,往往可以達到讓獵物落荒而逃的效果。

  在未來戰場上,急需組建這樣一支由大規模、低成本的小型無人機構成的“蜜蜂”戰隊,依靠攜帶的大量攻擊性武器載荷圍攻目標,或靠攜帶的電子偵察設備為指揮控制系統提供實時的戰場態勢信息,或靠攜帶的電子干擾設備破壞敵防空系統。

  蜂群作戰的典型特點是依靠數量的絕對優勢取得戰爭的勝利。群體中的個體功能簡單、智能性較低,通過分布式的協同控制策略,得以保持整體行為,形成較高的威脅力和戰斗力。蜂群是一個典型的分布式系統,依靠分布式系統的魯棒性、自組織性等特點,即使系統中的部分個體遭受損傷,依然可以自動重新構建分布式網絡,保證任務的順利完成。由于對個體的智能性要求不高,故相應的無人機成本較低?梢暼蝿招枰,采用微小型旋翼無人機或是固定翼無人機。此外,蜂群作戰系統魯棒性好,個體損失不影響整體任務的執行,故也進一步降低了系統的整體成本。

 。2)忠誠的僚機

  蜂群中的角色分工非常普遍,比如有蜂王、工蜂。蜂王,又稱母蜂或是蜂后,是蜂群的主要繁殖者,壽命長,能產卵,能分泌蜂王物質維持蜂群次序。而工蜂壽命短,像侍者一樣照應蜂王的需求,比如提供食物、清理垃圾等。

  在未來戰場中,有人機作為“蜂王”,無人機作為“工蜂”,無人機忠誠地圍繞在有人機的周圍,為有人機的作戰需求提供必要的偵察、打擊、誘騙等功能,無人機群被稱之為忠誠的僚機。美空軍已經開展“忠誠的僚機”項目,目前已經開展了兩次演示驗證試驗,代號為“Have Raider II”。美空軍于2018年開始試飛“蜂王”飛機,以期能夠完全控制“忠誠僚機”無人機編隊,試驗將持續到2022年。

  “忠誠的僚機”的本質就是有人機/無人機協同作戰,這也是目前空戰系統的重要研究方向之一。為了保證系統的可靠性和穩定性,降低系統的智能成本,“人在回路”的設計十分必要。領導者-跟隨者機制是解決有人機/無人機協同的有效手段之一[24]。與蜂群作戰群起而攻之相比,忠誠的僚機作戰方案更強調主次分明。有人機是僚機(無人機)的保護對象,是系統中的高價值設備。僚機主要是作為有人機的“保護殼”,幫有人機抵擋炮火的攻擊,甚至作為誘餌迷惑敵方,使之無法確定有人機的準確位置。

 。3)組隊協作

  蜂群在尋找食物源的時候,可分為引領蜂、偵察蜂和跟隨蜂。引領蜂儲存有某一個食物源的相關信息,并且將這些信息以一定的概率與其他蜜蜂分享。偵察蜂是搜索蜂巢附近的新食物源,跟隨蜂則是在蜂巢里面通過與引領蜂分享相關信息找到食物源。

  圍繞“食物源”這一搜索目標,有人機看作引領蜂,無人機系統被分為偵察、跟隨等多個功能子群。每個子群中的無人機個體攜帶同樣的傳感器/有效載荷,執行同樣的任務。不同無人機子群之間、以及無人機和有人機之間協同配合,共同完成協作任務。

  在這種作戰模式下,系統的層級化思想進一步得到體現,作戰效能得到進一步的提升[84]。不同功能子群(無人機群)有一個共同的領導者(有人機或人在回路的無人機),而功能子群內可以根據任務需要執行蜂群作戰策略(即完全的分布式系統)或是忠誠的僚機策略(即領導者-跟隨者系統)。有人機是系統的大腦,負責指揮決策,是系統最核心的部分,無人機功能子群可以作為有人機功能的延伸,攜帶光電設備、武器彈藥等在有人機的指示下前出執行具體任務。

 。4)狼群作戰

  狼群作戰的思想是頭狼依靠速度優勢負責偵察,摸清敵方分布之后,帶領群狼選定目標集中火力攻擊,以局部多打少的優勢一舉殲滅敵人。取得成果后,集體撤退再次隱蔽,頭狼佯攻,偵察并分散敵人注意力,以備發動第二次狼群突襲。

  狼群戰術是層級化結構和時序邏輯思維相結合的產物。頭狼無人機通常為高價值無人機或是有人機,依靠速度快、機動靈活、隱身性能好等特點,獲得敵方有效態勢信息,并據此做出戰術決策,指揮其他無人機(群狼)在合適的戰機時蜂擁而上,迅速取得勝利之后立即集體撤退,等待頭狼無人機的下次作戰指令。狼群作戰的前提是頭狼無人機已經摸清地方信息并且確認敵方人數少的時候,才會發動攻擊指令給群狼無人機。

  狼群作戰的優勢是機動靈活、見好就收、眾狼一心。在特定作戰場景下,可以起到奇襲的效果。狼群作戰強調角色分配以及任務執行的邏輯性,更適合于情況較為復雜的集群作戰任務。

  3.2 、共性關鍵技術

  總結來說,從蜂群作戰、忠誠的僚機、組隊協同到狼群作戰,實際上是從簡單到復雜的策略演化過程。但無論何種作戰模式,要實現集群實用化,需要解決的共性關鍵技術主要包括以下幾點。

 。1)面向復雜作戰任務的調度與管理技術

  該關鍵技術旨在發展先進的算法和軟件,提高任務規劃和態勢感知能力。面對復雜作戰任務,能夠幫助相關人員快速做出合理的決策。通過構建開放式的體系架構和任務分配系統,根據具體需求合理規劃和配置無人機、有人機的種類、數量、性能、載荷等。同時地面站與空中管理系統配合,對集群狀態進行監控和實時調整。此外,基于上述架構和現有設備,實現各類機載設備接口的標準化,做到即插即用,提升作戰靈活性。

  調度與管理技術是組隊協作和狼群作戰兩種策略最頂層、最關鍵的技術難點之一,決定作戰的靈活性和作戰效率。其中涉及的關鍵技術包括任務分解、資源管理、調度算法、網絡結構、機群劃分和任務分配等等。在有限的裝備和物資條件下,如何以較低的配置,高效、快速地完成指定任務是面向復雜作戰任務的調度與管理技術的最終目標。

  (2)小型無人機平臺技術

  該關鍵技術包含以下幾個方面:第一,平臺低成本化。需要搭建一次性或是有限壽命的作戰平臺,在滿足作戰需要的前提下,盡量采用低成本的材料、制造工藝(如3D打。┑葋斫档统杀。如美海軍主導的“低成本無人機蜂群(LOCUST)”項目。第二,空中的攜帶、投放和回收。目前的方案大多是由大型運輸機或是轟炸機攜帶大量小型無人機,飛抵指定的位置投放,大量小型無人機前出執行偵察、攻擊或是干擾任務,任務完成后或是電量不足時再由大型運輸機回收。小型無人機可在大型運輸機上通過充電的方式反復使用。投放的方式可以是彈射或是布撒。美海軍于2019年3月19日利用4架HIVES多旋翼無人機以空中拋灑的方式釋放百架的近距離隱蔽自主一次性無人機(CICADA)。而“灰山鶉”無人機則是由F/A-18戰斗機攜帶,從用于發射照明彈的發射器中彈射的方式釋放。小精靈項目則是由C-130運輸機攜帶,利用導彈通用發射管發射“郊狼”無人機。C-130運輸機有兩種回收方案:一是通過尾艙門回收,從尾艙門向下伸出頂端有回收裝置的機械臂,無人機掛到回收裝置上完成回收。二是通過機翼掛架回收,掛架可通過金屬纜繩與飛機分離,在飛機下方與無人機結合后,再由纜繩拉回并與飛機固定完成回收。按照項目計劃,擬在30分鐘的時間內回收4架無人機。

 。3)小型無人機間的通信鏈路技術

  通過數據鏈實現蜂群之間、蜂群內無人機之間的互聯互通,是實現集群協同的基礎。設計合適的通信拓撲、通信協議等,保障信息的高效、遠距離傳輸,從而為任務的順利完成奠定基礎。

  在強對抗環境中,敵方會通過電磁干擾、網電攻擊等手段中斷或降級我方的數據鏈路,使得GPS信號丟失、情報信息無法及時獲得。為此美國DARPA開展了多個項目,探索強對抗環境下的通信、組網、導航、雷達對抗等技術。例如,美軍開展的“滿足任務最優化的動態適應網絡”(DyNAMO)項目,旨在發展網絡動態適應技術,在面對主動電子干擾時,仍可安全、及時的實現高速通信。

  由于受帶寬和傳輸距離的影響,針對大規模的無人機系統,無法實現所有個體的點到點通信。因此,在保證集群行為實現的前提下,如何設計出高效、可靠的通信協議是當前尤為關鍵的技術難點之一。此外,由于成本所限,無人機的硬件配置決定了系統的采樣頻率,鄰居信息是否可以及時、可靠地傳遞,也是通信協議設計時需要考慮的因素之一。

  目前最新的室外集群飛行實驗,主要還是基于固定拓撲的情況[50]。而自然界中的鳥群、鴿群等顯然并非固定拓撲,即每個個體的鄰居關系隨時間發生變化。因此,在時變拓撲下,如何優化集群行為,也是需要解決的難點之一。

  (4)分布式協同控制技術

  分布式協同控制技術是集群作戰的核心技術之一,旨在發展先進的算法,使無人機集群在一名操作人員的管理下合作完成搜索、跟蹤、打擊等任務。協同控制技術決定了單個無人機在集群作戰中的軌跡以及無人機系統在飛行過程中的整體行為。該關鍵技術包括集群組網、自主編隊、態勢感知、協同規劃等方面的功能。

  集中式控制方法雖然效率較高,但核心無人機一旦被擊落,系統就會崩潰,無法繼續執行任務。而采用分布式的控制方法,可以有效降低系統成本、提高系統機動性和魯棒性。

  為了完成集群作戰任務中的分布式協同控制,涉及到的基本技術很多,包括搜索與感知、目標識別與定位、路徑規劃等等,這些技術是普通智能裝備所必需的。因此,這里重點分析基于這些技術所提供的有效信息(如個體自身的位姿信息、個體與鄰居間的相對位置、鄰居相對個體的方位信息等),如何高效復現集群行為,從而保證系統順利完成集群作戰任務?刂频哪繕擞腥齻:個體行為的一致性(速率、方向一致)、個體間避免碰撞以及個體相互靠近形成一個較為密集的隊形?刂频慕Y果有兩種:一種是直線型集群運動[85],另一種是旋轉型集群運動[86]。

  4 、結 論

  綜上所述,無人機集群作戰是受蜂群、魚群、鳥群等低等群居動物的大規模集群現象啟發所產生的一種新型作戰模式。本文介紹了無人機集群的研究動機,從模型、協議和平臺三個角度總結了研究方法,重點分析了幾種典型作戰模式以及涉及的若干關鍵技術。大規模、低成本的小型無人機系統可利用機間的通信網絡實現協同偵察、協同打擊、協同干擾等功能,未來可有效應用于反恐維穩、遠程突防、戰機護航等作戰任務。

  (責任編輯: 蘇磊)

  參考文獻

  [1] 宋怡然,申超,李東兵. 美國分布式低成本無人機集群研究進展[J]. 飛航導彈,2016,(8):17-22.
  [2] 陳晶. 解析美海軍低成本無人機蜂群技術[J]. 無人機,2016,(1):24-26.
  [3] REYNOLDS C W. Flocks, herds, and schools: a distributed behavioral model[J]. ACM SIGGRAPH Computer Graphics, 1987, 21(4): 25-34.
  [4] VICSEK T, CZIROK A, JACOB E B, et al. Novel type of phase transitions in a system of self-driven particles[J]. Physical Review Letters, 1995, 75(6): 1226.
  [5] VICSEK T. A question of scale[J]. Nature, 2001, 411(6836): 421.
  [6] JADBABAIE A, LIN J, MORSE A S. Coordination of groups of mobile autonomous agents using nearest neighbor rules[J]. IEEE Transactions on Automatic Control, 2003, 48(6): 988-1001.
  [7] GAZI V, PASSINO K M. Stability analysis of swarms[J]. IEEE Transactions on Automatic Control, 2003, 48(4): 692-697.
  [8] OLFATI-SABER R. Flocking for multi-agent dynamic systems: algorithms and theory[J]. IEEE Transactions on Automatic Control, 2006, 51(3): 401-420.
  [9] CUCKER F, SMALE S. Emergent behavior in flocks [J]. IEEE Transactions on Automatic Control, 2007, 52(5): 852-862.
  [10] 呂娜,劉創,陳柯帆,等. 一種面向航空集群的集中控制式網絡部署方法[J]. 航空學報, 2018, 39(7): 321961-321961.
  [11] JING G, ZHENG Y, WANG L. Group flocking of multiple mobile agents[C]. 33rd Chinese Control Conference. 2014: 1156-1161.
  [12] CHEN Y, CHANG S. An agent-based simulation for multi-UAVs coordinative sensing[J]. International Journal of Intelligent Computing and Cybernetics, 2008, 1: 269-284.
  [13] CUCKER F, DONG J. Avoiding collisions in flocks[J]. IEEE Transactions on Automatic Control, 2010, 55(5): 1238-1243.
  [14] BAYEZIT I, FIDAN B. Distributed cohesive motion control of flight vehicle formations[J]. IEEE Transactions on Industrial Electronics, 2013, 60(12): 5763-5772.
  [15] RAHIMI R, ABDOLLAHI F, NAQSHI K. Time-varying formation control of a collaborative heterogeneous multi agent system[J]. Robotics and Autonomous Systems, 2014, 62(12): 1799-1805.
  [16] DONG X, YU B, SHI Z, et al. Time-varying formation control for unmanned aerial vehicles: theories and applications[J]. IEEE Transactions on Control Systems Technology, 2015, 23(1): 340-348.
  [17] 周紹磊,祁亞輝,張雷,等. 切換拓撲下無人機集群系統時變編隊控制[J]. 航空學報, 2017, 38(4): 320452-320452.
  [18] OYEKAN J. Bio-Inspired vision-based leader-follower formation flying in the presence of delays[J]. Robotics, 2016, 5(3):18.
  [19] KOWNACKI C. Multi-UAV flight using virtual structure combined with behavioral approach[J]. Acta Mechanica et Automatica, 2016.
  [20] QIU H, DUAN H. Multiple UAV distributed close formation control based on in-flight leadership hierarchies of pigeon flocks[J]. Aerospace Science and Technology, 2017, 70: 471-486.
  [21] ALFEO A L, CIMINO M G C A, DE F N, et al. Design and simulation of the emergent behavior of small drones swarming for distributed target localization[J]. Journal of Computational Science, 2018, 29: 19-33.
  [22] JIA Y N, LI Q, ZHANG W C. A distributed cooperative approach for unmanned aerial vehicle flocking[J]. Chaos, 2019, 29(4): 043118.
  [23] JIAY N, YANG Y H, LI Q, et al. Aerial Escort Task Using Networked Miniature Unmanned Aerial Vehicles[J/OL]. International Journal of Control, (2019-08-30)[2019-09-11]. https://www_tandfonline.xilesou.top/doi/abs/10.1080/00207179.2019.1661522.
  [24] BONABEAU E, DORIGO M, THERAULAZ G. Swarm Intelligence-From Natural to Artificial Systems[M]. Oxford: Oxford University Press, 1999.
  [25] KUMAR V. The 5S’s of aerial robotics: small, smart, safe, speedy and swarming. CCF-GAIR 2016. Shenzhen, China.
  [26] HEADQUARTERS. United States Air force unmanned aircraft systems flight plan 2016-2036[R]. Washington DC: USAF, 2009.
  [27] Unmanned aircraft systems roadmap 2005-2030[R]. Washington DC: Office of the Secretary of Defense, 2005.
  [28] BALLERINI M, CABIBBO N, CANDELIER R, et al. Interaction ruling animal collective behavior depends on topological rather than metric distance: Evidence from a field study[J]. Proceedings of the National Academy of Sciences of the United States of America (PNAS), 2008, 105(4): 1232-1237.
  [29] COUZIN I D, KRAUSE J, FRANKS N R, et al. Effective leadership and decision-making in animal groups on the move[J]. Nature, 2005, 433: 513-516.
  [30] MEHES E, VICSEK T. Collective motion of cells: from experiments to models[J]. Integrative Biology, 2014, 6(9): 831-854.
  [31] JIANG L, GIUGGIOLI L, PERNA A, et al. Identifying influential neighbors in animal flocking[J]. PloS Computational Biology, 2017, 13(11): e1005822.
  [32] ALFEO A L, CIMINO M G C A, DE F, et al. Swarm coordination of mini-UAVs for target search using imperfect sensors[J]. Intelligent Decision Technologies, 2018, 12(2): 149-162.
  [33] ANDREA C, ALESSIO C, IRENE G, et al. Scale-free correlations in starling flocks[J]. Proceedings of the National Academy of Sciences, 2010, 107 (26): 11865-11870.
  [34] CISZAK M, COMPARINI D, MAZZOLAI B, et al. Swarming behavior in plant roots[J]. PloS One, 2012, 7(1): e29759.
  [35] DEUTSCH A, THERAULAZ G, VICSEK T. Collective motion in biological systems[J]. Interface Focus, 2012, 2(6): 689–692.
  [36] LI L, XIAO W B, QIU W, et al. New flocking models apply for UAV formation[J]. Journal of Physics: Conference Series, 2019, 1169: 012025.
  [37] BENEDETTI M, DURSO F, FORTINO G, et al. A fault-tolerant self-organizing flocking approach for UAV aerial survey[J]. Journal of Network and Computer Applications, 2017, 96: 14-30.
  [38] BAHLOUL N E H, BOUDJIT S, ABDENNEBI M, et al. A flocking-based on demand routing protocol for unmanned aerial vehicles[J]. Journal of Computer Science and Technology, 2018, 33: 263-276.
  [39] DUAN H B, LI P. Autonomous control for unmanned aerial vehicle swarms based on biological collective behaviors[J]. Science & Technology Review, 2017, 35(7): 17-25.
  [40] ZHANG T J. Unmanned aerial vehicle formation inspired by bird flocking and foraging behavior[J]. International Journal of Automation and Computing, 2018, 15(4): 402-416.
  [41] QUINTERO S, COLLINS G, HESPANHA J. Flocking with fixed-wing UAVs for distributed sensing: a stochastic optimal control approach[C]. Proceedings of the American Control Conference. Washington DC, USA, 2013: 2025-2031.
  [42] ZENKEVICH S L, GALUSTYAN N K. Decentralized control of a quadrocopter swarm[J]. Mechatronics, Automation and Control, 2016, 17(11): 774-82.
  [43] QIU H X, DUAN H B. Pigeon interaction mode switch-based UAV distributed flocking control under obstacle environments[J]. ISA Transactions, 2017, 71(1): 93-102.
  [44] JIA Y N, LI Q, QIU S Q. Distributed leader-follower flight control for large-scale clusters of small unmanned aerial vehicles[J]. IEEE Access, 2018, 6: 32790-32799.
  [45] MAO X, ZHANG H B, WANG Y H. Flocking of quad-rotor UAVs with fuzzy control[J]. ISA Transactions, 2018, 74: 185-193.
  [46] ZHAO W, CHU H, ZHANG M, et al. Flocking control of fixed-wing UAVs with cooperative obstacle avoidance capability[J]. IEEE Access, 2019, 7: 17798-17808.
  [47] DAI F, CHEN M, WEI X, et al. Swarm intelligence-inspired autonomous flocking control in UAV networks[J]. IEEE Access, 2019, 7: 61786-61796.
  [48] SHEN J. Cucker-smale flocking under hierarchical leadership[J]. Society for Industrial and Applied Mathematics, 2006, 68(3): 694–719.
  [49] LI B, LI J, HUANG K W. Modeling and flocking consensus analysis for large-scale UAV swarms[J]. Mathematical Problems in Engineering, 2013, 2013: 368369.
  [50] VIR?GH C, VASARHELYI G, TARCAI N, et al. Flocking algorithm for autonomous flying robots[J]. Bioinspiration and Biomimetics, 2014, 9(2): 025012.
  [51] HUNG S, GIVIGI S N. A Q-learning approach to flocking With UAVs in a stochastic environment[J]. IEEE Transactions on Cybernetics, 2017, 47(1): 186-197.
  [52] VASARHELYI G, VIRAGH C, SOMORJAI G, et al. Optimized flocking of autonomous drones in confined environments[J]. Science Robotics, 2018, 3(20): eaat3536.
  [53] PARANJAPE A A, CHUNG S, KIM K, et al. Robotic herding of a flock of birds using an unmanned aerial vehicle[J]. IEEE Transactions on Robotics, 2018, 34(4): 901-915.
  [54] GARCIA G, KESHMIRI S. Biologically inspired trajectory generation for swarming UAVs using topological distances[J]. Aerospace Science and Technology, 2016, 54: 312-319.
  [55] KOWNACKI C, OLDZIEJ D. Fixed-wing UAVs flock control through cohesion and repulsion behaviors combined with a leadership[J/OL]. International Journal of Advanced Robotic Systems (2017-05-15).https://doi.org/10.5772/62249.
  [56] HE L L, BAI P, LIANG X L, et al. Feedback formation control of UAV swarm with multiple implicit leaders[J]. Aerospace Science and Technology, 2018, 72: 327-334.
  [57] CHEN M, DAI F, WANG H, et al. DFM: A distributed flocking model for UAV swarm networks[J]. IEEE Access, 2018, 6: 69141-69150.
  [58] BEN-ASHER P G Y, FELDMAN S, FELDMAN M. Distributed decision and control for cooperative uavs using ad hoc communication[J]. IEEE Transactions on Control System Technology, 2008, 16(3): 511-516.
  [59] KHARE V R, WANG F Z, WU S, et al. Ad-hoc network of unmanned aerial vehicle swarms for search and destroy tasks[C]. 4th International IEEE Conference on Intelligent Systems. Varna, 2008: 665-672.
  [60] HAUERT S, LEVEN S, VARGA M, et al. Reynolds flocking in reality with fixed-wing robots: communication range vs maximum turning rate[C]. IEEE/RSJ International Conference on Intelligent Robot System. 2011: 5015-5020.
  [61] KIM S W, SEO S W. Cooperative unmanned autonomous vehicle control for spatially secure group communications[J]. IEEE Journal on Selected Area in Communications, 2012, 30(5): 870-882.
  [62] LUO F, JIANG C, DU J, et al. A distributed gateway selection algorithm for uav networks[J]. IEEE Transactions on Emerging Topics in Computing, 2015, 3(1): 22-33.
  [63] BAYEZIT I, FIDAN B. Distributed cohesive motion control of flight vehicle formations[J]. IEEE Transactions on Industrial Electronics, 2013, 60(12): 5763-5772.
  [64] CAO W, XU W. A new multi-uav cooperation method[C]. 9th International Symposium on Computational Intelligence and Design. Hangzhou, 2016: 231-234.
  [65] JIA Y N. Swarming coordination of multiple unmanned aerial vehicles in three-dimensional space[C]. AIAA Modeling and Simulation Technologies Conference, AIAA AVIATION Forum. 2016.
  [66] CIARLETTA L, GUENARD A, PRESSE Y, et al. Simulation and platform tools to develop safe flock of uavs: a cps application-driven research[C]. International Conference on Unmanned Aircraft Systems. 2014: 95-102.
  [67] CORNER J J, LAMONT G B. Parallel simulation of uav swarm scenarios[C]. Proceedings of the Winter Simulation Conference. 2004: 363-371.
  [68] MENDEZ L, GIVIGI S N, SCHWARTZ H M, et al. Validation of swarms of robots: theory and experimental results[C]. 7th International Conference on System of Systems Engineering. Genoa, 2012: 332-337.
  [69] SASKA M. Mav-swarms: unmanned aerial vehicles stabilized along a given path using onboard relative localization[C]. International Conference on Unmanned Aircraft Systems. 2015: 894-903.
  [70] GIL A E, PASSINO K M, GANAPATHY S. Cooperative task scheduling for networked uninhabited air vehicles[J]. IEEE Transactions on Aerospace and Electronic Systems, 2008, 4(2): 561-581.
  [71] JOELIANTO E, SAGALA A. Swarm tracking control for flocking of a multi-agent system[C]. IEEE Conference on Control, Systems and Industrial Informatics. Bandung, 2012: 75-80.
  [72] V?S?RHELYI G, VIR?GH C, SOMORJAI G, et al. Outdoor flocking and formation flight with autonomous aerial robots[C]. IEEE/RSJ International Conference on Intelligent Robot Systems. 2014: 3866-3873.
  [73] BARABASI A-L, ALBERT R. Emergence of Scaling in Random Networks[J]. Science, 1999, (5439): 509-512.
  [74] FANG H, WEI Y, CHEN J, et al. Flocking of second-order multiagent systems with connectivity preservation based on algebraic connectivity estimation[J]. IEEE Transactions on Cybernetics, 2017, 47(4): 1067-1077.
  [75] SOORKI M N, TAVAZOEI M S. Adaptive robust control of fractional-order swarm systems in the presence of model uncertainties and external disturbances[J]. IET Control Theory & Applications, 2018, 12(7): 961-969.
  [76] SAHU B K, SUBUDHI B. Flocking control of multiple AUVs based on fuzzy potential functions[J]. IEEE Transactions on Fuzzy Systems, 2018, 5: 2539-2551.
  [77] YAZDANI S, HAERI M, SU H. Sampled-data leader–follower algorithm for flocking of multi-agent systems[J]. IET Control Theory and Applications, 2019, 13(5): 609-619.
  [78] ZHAN J, LI X. Flocking of multi-agent systems via model predictive control based on position-only measurements[J]. IEEE Transactions on Industrial Informatics, 2013, 9(1): 377-385.
  [79] ISKANDARANI M, GIVIGI S N, FUSINA G, et al. Unmanned aerial vehicle formation flying using linear model predictive control[C]. 8th Annual IEEE System Conference. 2014: 18-23.
  [80] ZHANG H, LIU B, CHENG Z, et al. Model Predictive flocking control of the cucker-smale multi-agent model with input constraints[J]. IEEE Transactions on Circuits and Systems I, 2016, 63(8): 1265-1275.
  [81] DONG J, QIU L. Flocking of the cucker-smale model on general digraphs[J]. IEEE Transactions on Automatic Control, 2017, 62(10): 5234-5239.
  [82] ZHANG H, CHENG Z, CHEN G, et al. Model predictive flocking control for second-order multi-agent systems with input constraints[J]. IEEE Transactions on Circuits and Systems I, 2015, 62(6): 1599-1606.
  [83] RAO S, GHOSE D. Sliding mode control-based autopilots for leaderless consensus of unmanned aerial vehicles[J]. IEEE Transactions on Control System Technology, 2014, 22(5): 1964-1972.
  [84] JIA Y N, VICSEK T. Modeling hierarchical flocking[J]. New Journal of Physics, 2019, 21: 093048.
  [85] JIA Y N, WANG L. Decentralized formation flocking for multiple non-holonomic agents[C]. 6th IEEE International Conference on Cybernetics and Intelligent Systems. Manila, Philippines, 2013: 100-105.
  [86] BENNO L, DEMIAN L. The rotating vicsek model: pattern formation and enhanced flocking in chiral active matter[J]. Physical Review Letters, 2016, 119(5): 058002.

重要提示:轉載本站信息須注明來源:原創論文網,具體權責及聲明請參閱網站聲明。
閱讀提示:請自行判斷信息的真實性及觀點的正誤,本站概不負責。
天天棋牌下载最新版