|
动态的不确定环境和复杂的任务决定了无人机系统必将向集群化、自主化和智能化方向发展。在本文中，我们从层次框架的角度对无人机群体智能进行了全面调查。首先，我们回顾了无人机群智能技术的基础知识和进展。然后，通过将无人机群体智能研究分为决策层、路径规划层、控制层、通信层和应用层5个层次，对研究工作进行深入研究。此外，明确说明了各层次之间的关系，并给出了各层次的研究趋势。最后，还介绍了群体智能的局限性和可能的技术趋势，以实现进一步的研究兴趣。通过这篇深入的文献综述，我们打算为无人机群体智能的最新技术提供新的见解。
第一节 介绍在自然界中，为了弥补单个个体的不足，许多生物种群通过个体之间的相互交流与合作，形成协调震撼的集群运动场景，如狼的捕食、鸟类的聚集和迁徙，以及蜜蜂、蜂蜜的聚集、蚁群的移动[1]等。通过研究潜在的个体行为，可以通过数学建模的方法获得生物群落系统的工作机制，即通过系统内部信息的交换，实现外部规则和有序合作行为的工作机制[2]，[3]。经典算法包括粒子群优化算法[4]、[5]、蚁群算法[6]，常用于路径规划、任务分配等聚类协同控制场景。对于一些新兴算法，狼群算法[7]、蜂群算法[8]、[9]和萤火虫算法[10]在分布式无人机群协同控制中得到了广泛的应用。 针对算法在实际场景中的应用，三个受白蚁启发的机器人可以基于简单的规则和局部感知构建金字塔和其他形状[11]。参考文献[12]开发了用于教学的电子冰球机器人，实现了20台机器人的采集、觅食等协同行为。参考文献[13]设计了低成本的Kilobot机器人，并设计了觅食、编队等协同功能，并进行了数千次集群演示，实现了机器人群突破千单的规模。参考文献[14]结合群协同观察定向决定行动（OODA）循环，首次实现了10架以上无人机的编队飞行[15]。通过群体智能行为机制，实现了10架四旋翼在户外环境中的自主集群飞行。介绍了如何将群体智能应用于一组自主无人机的战略部署[15]，[16]。通过采用精灵组织地图方法，可以自动、自适应地协调大量自主无人机阵列，以适应不同的地形和复杂的环境[17]。全面介绍了各种群体智能相关技术，并给出了相应的数学证明[18]。 然而，随着无人机集群规模的扩大，无论是在理论上还是在系统实施上，集群的难度指数都在增加，架构设计也变得更具挑战性。研究表明，分层控制可以降低无人机集群中任务分配的复杂性，提高集群任务的效率。Coo W J等人认为，无人机群任务规划问题属于复杂问题的组合优化，计划从运筹学的角度采用分层控制方法解决此类问题[19]。参考文献[20]提出了一种基于无人机群的六层分层结构CoMPACT，它有效地结合了任务规划、动态配准、反应性运动规划和突发的生物启发群体行为。 Sanchez-Lopez等人提出了一种用于多无人机系统的混合反应/审议开源架构AeroStack，包括反应、执行、深思熟虑、反思和社会五层[21]，[22]。Grabe等人提出了异构无人机集群的端到端控制框架，其高级任务集中在地面[23]。Tsourdos A从多无人机协同方向出发，将多无人机系统的任务分配分为任务规划层、协同路径规划层和控制层3个方面[24]。表1给出了群体智能框架相关工作的比较。 表1 群体智能框架相关研究的比较
本文将借鉴Boskovic JD[25]的思想，将无人机群体智能的研究问题分解为五层。图 1 所示的各层之间的关系。决策层负责任务的评估、规划和分配[21]、[22]、[26]–[55]，并将决策数据生成到路径规划层。路径规划层管理子任务，并根据决策数据生成相应的子任务规划路径[56]–[73]。控制层根据路径信息进行集群间任务协调，实现自动避障和编队控制[74]–[95]。通信层根据控制层产生的交互信息进行网络通信，实现个体之间的信息共享[97]–[123]。应用层会根据不同的应用场景，将相应的环境信息反馈给决策层[124]–[142]。通过分层优化，无人平台可以针对复杂的任务场景和不同的应用领域，实现分层协同，快速完成任务。
图 1. 层之间的关系。 显示全部 在此框架的基础上，分析了各层的研究趋势和未来感悟。讨论了群体智能的局限性，并展望了无人机群体智能的未来发展。 本文的其余部分组织如下。第二部分基于层次，描述了无人机群体智能的研究现状和趋势分析。第三部分讨论了局限性和最新的技术趋势。第四部分给出了结论。图 2 提供了调查的详细结构。
图2. 调查的详细结构。 显示全部 第二节. 无人机群智能研究现状及趋势分析A. 决策层决策层负责无人机集群任务中的任务规划，是群智能系统的核心部分。目前的研究方向主要有群体架构[21]、[22]、[26]–[30]、群体战斗效能与任务评估[31]–[35]、复杂任务调度与管理技术[36]–[51]、智能决策与博弈技术[42]、[52]–[55]。 1） Swarm 架构采用何种结构将多个无人平台组合起来，以发挥更高的效率，是集群实现中首先要解决的问题。在过去的几年里，在无人机集群领域进行了更多的与架构相关的研究。如图3所示，Sanchez-Lopez等人提出了一种自主多无人机系统的航空航天架构，该系统集成了智能、认知和社交机器人等高级概念，包括反应、执行、思考、反思和社会化五个方面[21]，[22]。执行控制是机器人架构中的一项关键任务，对最终系统的质量有着深远的影响。
图3. 多用途系统架构。 显示全部 Molina M 等人描述了一种执行控制的通用方法，将分布式行为控制方法（如状态检查和性能监控）和集中协调相结合。这种方法确保了并发执行的一致原始设计，并且可以有效地处理不同类型的空中任务[26]。为有效降低编队问题规模，如图4所示，载人飞行器（MAV）/无人机任务联盟分为任务集群阶段、无人机分配阶段和MAV分配阶段3个阶段，该方法可根据战场情况给出合理的任务规划方案[27]。
图4. MAV无人机任务联盟形成的三个阶段。 显示全部 受救援现场影响，无人机之间的通信受到很大限制。针对无人机群在有限条件下的救援任务规划问题，[28]构建了基于任务序列的任务规划模型。该模型将任务优先级执行顺序作为输入来生成任务规划策略。针对任务分配算法的实时性要求和无人机组动态环境中单个资源的局限性，该文提出一种基于任务序列的无人机组动态任务和资源分配算法。每个请求序列都严格区分必要的任务时间和同步等待时间[29]。考虑到无人机的类型，资源对于多架无人机的协调控制至关重要。在资源约束下，该文介绍了一种基于交叉熵的多类型无人机协同任务分配方法，该方法能够高效、准确地将任务分配给不同类型的集体无人机[30]。 2）蜂群战斗力和任务评估对无人机战斗力和作用的评价对其未来发展具有重要意义。然而，目前的大部分研究仍处于定性分析阶段。文献[31]建立了基于系统动力学（SD）的无人机集束作战系统战斗效能评价模型。针对作战过程中的武器系统，结合无人机集群的特点，建立了相应的9个树模型，并以无人机的存活率和任务完成率为评价指标，建立了SD模型。地震发生后，立即对地震灾民进行快速评估对于后续救援工作至关重要。由于无人机可以快速到达灾区并获取图像，因此在震后快速评估中得到了广泛的应用。然而，传感器噪声和其他不可避免的误差会影响无人机传感器获取的图像质量，进而降低评估质量。利用快速评估任务分配问题（RATAP），可以结合目标重量、无人机续航能力和传感器误差，建立多无人机的快速评估任务分配方案[32]。移动无人机的飞行自组织网络（FANET）具有动态拓扑结构。由于无人机电池资源和机动性的限制，FANET的路由不稳定。图5显示了一种受生物学启发的FANETs聚类算法，通过利用灰狼优化和基于蚁群优化的聚类算法，从聚类构建时间、能耗、聚类生命周期和交付成功概率等方面对系统的性能进行了评估[33]。
图5. 拟议的BICSF的工作框架。 显示全部 先进的多无人机控制技术需要资源约束下的通用任务分配算法。通过采用基于交叉熵的多类型无人机协同任务分配方法，在有限的资源条件下，实现了不同类型合作无人机的高效、准确的任务分配[34]。为了能够在整个飞行过程中使群内所有无人机完全同步，基于任务的无人机群协调协议（MUSCOP）可以有效保持不同无人机编队的群凝聚力，并且在不同的实验条件下，对信道损耗具有很高的灵活性。它可以无缝扩展到大量无人机，而不会造成明显的性能损失[35]。 3） 复杂任务的调度和管理技术a：复杂的任务规划问题无人机编队任务规划是针对特定目标制定飞行计划的过程，通常需要在一段时间内完成。对于已知目标位置的复杂任务分配问题，可以看作是背包问题[36]和旅行问题[37]的结合，系统的目标是最大化一些分数，以完成受时间和其他资源限制的任务[38]。为了解决这些问题，Ramirez-Atencia C使用改进的多目标遗传算法来处理任务规划问题[39]。阿米拉·蒂布博图瓦瓦（Amila Thibbotuwawa）研究了一种声明性方法来应对任务执行过程中的天气不确定性[40]。基于组合优化模式，利用基于方向图和一种新的元启发式优化算法的方法，即改进的两部分狼群搜索算法（MTWPS）来解决问题，可以减少大量无人机目标的仿真时间[41]。对于基于智能自组织算法（ISOA）的多无人机搜索攻击任务规划，Ziyang Z等采用分布式蚁群优化算法，以最大限度地提高监视覆盖范围和攻击效益[42]。 b： 动态环境下的复杂任务规划针对动态环境中多异构系统的实时复杂任务规划问题。Yaozhong Zhang等人在任务时间限制、无人机资源受控、任务动态加法和即时需求（CBBA）的限制下，有效地调整了基于共识的波束算法，提出了一种新方法[43]。Yimeng Lu 为不稳定环境中的多种任务构建了安全规划框架。针对计算的可追溯性问题，[44]设计了一个基于安全跃迁概率的新概念，将环境动态演化的计算与机器人的轨迹解耦，求解规划问题。Zhen Z等利用混合人工势场和蚁群优化（HAPF-ACO）相结合的方法，提出了一种在不确定动态环境中搜索和攻击时间敏感运动目标的无人机群智能协同任务规划方案[45]。Wilhelm等人提出了使用固定翼和四旋翼无人机，使用遗传算法（GA）方法演示自适应任务规划，包括模拟评估总飞行时间[46]。Ziyang ZHEN等人提出了一种分布式智能自组织任务规划（DISOMP）算法和ACO算法以及用于搜索和攻击的并行方法（PA），该算法采用Dubin曲线设计的威胁规避模块在动态目标搜索和攻击问题中具有良好的灵活性、可扩展性和适应性[47].在已知环境中，采用混合组件方法进行多旋翼无人机即时任务编程，使用度量时间逻辑（MTL）指定任务，并利用混合模型捕获无人机操作的各种模式，可以大大降低问题的计算复杂性，从而可以实时实现问题，同时确保无人机的安全性和及时性[48]。 c：多任务分配问题考虑分布式计算的需求，[49]提出了一种新的分布式任务分配理论，用于搜索和救援场景中的多任务分配，利用局部成本的概念来衡量每个子任务，并最终实现总体目标优化。战场瞬息万变，构建了基于模拟退火算法和禁忌搜索算法的两级任务规划模型，解决了多目标、多机器任务分配的问题。同时，结合五态马尔可夫链模型，通过判断飞行平台的生存概率来确定最优任务规划方案[50]。在军事应用中，必须尽量减少无人机组暴露于敌方威胁或避免实施计划。参考文献[51]在战术层面研究了集成无人机系统的任务计划，使用特定的传感器来识别目标。表2总结了复杂任务的调度和管理技术。 表2 复杂任务的调度和管理技术
4）智能决策和博弈技术当多架无人机执行任务时，指挥官获得的信息隐藏了一些可变性。如何根据不确定性信息选择策略，将直接影响无人机任务的成败。参考文献[52]引入态势矩阵模拟战争信息的不确定性，建立了基于不确定信息的多无人机对抗模型。一种基于分布式控制结构的智能自组织算法（ISOA）将全局优化问题分解为多个局部优化问题。每架无人机都可以求解其局部优化问题，然后通过无人机信息交换，为多个无人机系统做出最优决策[42]。针对无人机在执行定时任务和选择偏离指定路径时的决策逻辑，推导出一个可解释的智能模型。智能模型是从可视化平台上的Sugeno型模糊推理模型派生的if-then规则[53]。对于编队无人机在通信被拒绝的区域飞行的自主路由问题，该区域不允许无人机之间交换信息。在博弈论的框架下对问题进行建模，无人机可以选择多种策略来采取下一步行动[54]。参考文献[55]提出了一种多无人机仿生优化领导者选举（BOLE）方法，被选中的领导者充当决策者，并将任务分配给其他无人机。 5） 研究趋势和未来洞察从上面的研究中，我们可以看出，目前积累的架构研究还存在一些挑战。
B. 路径规划层路径规划层负责将决策数据转换为航路点，并利用无人机姿态信息和环境感知信息生成无人机通过航点的飞行路径。无人机路径规划是研究如何确定起点和终点之间的最可行路径。这个问题是一个NP困难问题，所以可以把它建模为一个优化问题。为了更好地解决路径规划问题，许多学者提出了各种确定性和元启发式算法。图6显示了主流的路径规划算法，它可以分为两类。一种是需要提前加载环境信息的经典算法，如人工势场（APF）方法，
图6. 主流路径规划算法。 显示全部 根据不同的研究方向，本文将无人机集群路径规划技术的研究工作分为三维路径规划[56]–[60]、动态路径规划[61]–[64]、最优道路强度规划[65]–[67]和区域覆盖路径规划技术[68]–[73]四个方面。路径规划层的分类如表3所示。 表3 路径规划层的分类
1） 3D路径规划技术3D多无人机路径规划非常困难，因为无人机需要在起点和终点之间找到一条可行且最不复杂的路径。Dewangan R K等利用改进的GWO方法处理了三维路径规划问题，在避开障碍物的同时实现了可行的飞行轨迹[56]。 提出了一种基于三维概率路线图（PRM）的无人机集群多轨迹规划方案。无人机群可以在不同情况下到达不同的地方（有标记和无标记），并支持城市环境中的紧急情况[57]。针对无人机在威胁对抗区域的路径规划是一个具有多重静态和动态约束的非线性优化问题，通过三维崎岖地形多群果蝇优化算法（MSFOA）上的多无人机协同路径规划方法，解决了原算法全局收敛速度太慢和局部优化的缺点[58].在无人机进行三维油田探测的场景下，采用鸽子启发优化（PIO）算法对初始路径进行优化，采用果蝇优化算法（FOA）进行局部优化，在找到最佳路径的同时避开障碍物[59]。在静态崎岖地形环境中，需要考虑路径长度、高度和调整角度。路径规划问题被描述为一个三目标优化问题，并采用改进的粒子群优化（PSO）算法进行求解[60]。 2）动态规划技术无人机在复杂环境中执行任务时，需要不断避开静态和移动的障碍物，同时必须应对周围突发的威胁。因此，有必要设计相应的动态路径规划算法。针对上述问题，在静态突发威胁条件下，利用三次样条二阶连续性原理生成一系列候选路径，最后建立总成本函数，选择最优避障路径。该方法具有耗时短、实时性强等特点[61]。当面对不断变化的未知条件时，需要使用互补传感器进行自适应路线规划。壁跟随法（WFM）和人工势场（APF）方法为WFM的非循环问题和APF的局部最小问题提供了另一种解[62]。基于抽象视觉的轨迹检测和自动场景理解是无人机在复杂户外环境（如孤立的灾难现场）下工作的关键。通过构建基于支持向量机的跟踪检测和跟踪器组合框架，可以以更低的计算和输入实现跟踪方向估计和跟踪[63]。针对动态环境下多架无人机通信状态信息不一致的问题，通过计算无人机的碰撞概率，然后利用卡尔曼滤波进行状态预测，可以避免无人机编队在飞行过程中的路径冲突[64]。 3）最优路径规划技术随着物联网（IoT）的普及，无人机因其快速部署和可控的移动性而被广泛使用。然而，无人机的电池容量限制了它们的续航性和性能，因此有必要规划无人机执行任务的最佳路径。在拓宽移动人群感知（MCS）领域，以固定翼无人机辅助MCS系统为研究对象，从能效角度研究相应的联合路径规划和任务分配问题，将原有的NP-硬关节优化问题转化为双边两阶段匹配问题，该方法在能耗方面取得了良好的效果， 整体利润和匹配绩效[65]。实现无人机和传感器的功耗最大化以及终端合规性，以确保以最小的能耗有效地收集所有数据 [66]。当一组异构固定翼无人机穿越多个目标并执行连续任务时，为了确定最佳飞行轨迹，该文提出一种任务分配与轨迹生成相结合的耦合分布式规划方法。在条件和宽松的杜宾路径下，重构了合作任务计划问题。这种方法显著提高了系统的运行速率，并有可能应用于实际任务[67]。 4） Aera覆盖路径规划技术覆盖路径规划 （CPP） 的任务是设计一条轨迹，以便无人机可以在感兴趣区域的每个点移动。控制携带摄像头的无人机在目标区域的随机位置起飞并降落在终端区域。利用类图输入信道，通过卷积网络层将空间信息反馈给无人机，然后训练双深度Q网络（DDQN）为无人机做出控制决策，以平衡有限的功率预算和覆盖目标[68]。在目标区域的覆盖搜索中，通常将问题建模为潜在博弈，并研究改进的二元对数线性学习（BLLL）算法和潜在博弈论来协调多无人机的覆盖范围和协同控制问题[69]。为了减少无人机轨迹的振荡，考虑了相邻无人机之间的互惠方法。交互式决策方法是自组织、分布式和自主的。在保证任务规划最优的前提下，可以有效提高无人机的生存能力。同时加载网络摄像机等设备，可以实现该区域内移动目标的定位和定向[70]。无人机机载相机存在覆盖、定位和定向问题。通过提出目标聚类方法，可以解决飞行机器人跟踪移动目标的低复杂度问题。同时，它利用目标移动性的部分知识来提高算法的效率[71]。为了提高无人机在指定区域内的探测能力，[72]将简化灰狼优化器（SGWO）与改进的共生生物搜索相结合，提出了一种新的混合算法。该算法有效结合了探索和开发能力，简化了GWO算法的阶段，加速了算法的收敛，保留了人口的检测能力。当无人机在障碍物环境中跟踪地面目标时，由于视线和其他因素，目标会丢失。 通过采用改进的深度确定性策略梯度算法（GA），然后构建基于视线和人工势场（APF）的奖励函数，引导无人机实现目标跟踪，最终利用惩罚平滑轨迹。同时，为了提高检测能力，在每个级别使用多架无人机执行任务，并使用长短内存网络对环境状态进行近似，从而提高了近似的精度和数据利用效率[73]。 5） 研究趋势和未来洞察无人机集群路径规划不仅要保证最优的全局路径和最短时间完成任务，还要保证无人机集群在完成任务过程中能够避开障碍物，避免单机之间的碰撞。在路径规划过程中，大多数研究将无人机作为质量点，而不考虑无人机的大小和负载，这使得建模过程更加采样和理想。在未来的建模过程中，需要考虑相应的约束条件，使仿真更接近现实，增强实际控制的鲁棒性。此外，现有的大多数任务规划方法都针对单一或特定的冲突场景，缺乏针对集成任务环境的整体系统解决方案。 C. 控制层控制层控制无人机按照规划的路径飞行，这是无人机集群研究的基础。通过建立控制系统框架[74]–[77]并设计相应的控制器[78]–[80]，可以解决集群编队[81]–[86]中不同类型无人机的重构、集群搜索和跟踪[90]–[92]以及集群防撞等[93]–[95]。表4给出了控制层分类的总体摘要。 表4 群控技术的分类
1） 系统控制平台自动化设备集群越来越受欢迎，规模越来越大。通常，他们的控制有两个主要思想：集中式控制和分布式控制。集中式平台可以实现更高的输出质量，但会导致更好的网络流量和有限的可扩展性，而去中心化系统更具可扩展性，但复杂性较低。Justin 胡提出了HiveMind平台的概念，这是一个用于无人机集群的可扩展和高性能集中协调控制平台[74]。无人机集群网络保证了高速无人机节点之间的连通性，简化了各种集群应用的设计。通过为无人机群网络建立新的分布式集群模型，确保集群网络中所有节点之间的连通性。与传统的飞行自组网相比，网络吞吐量提高了1.4倍[75]。针对群控制问题，基于群智能体出现的概念，[76]建立了受群智能启发的多层群控制方案，然后研究了一种综合的感知和通信方法，调整无人机如何计算与邻居的距离和偏转角，最后在基于OMNeT++的模拟器和集群样机上进行了一系列实验，以评估该计划。传统的无人机动态模型通常依赖于传感器输入以及对环境和目标的先验知识。为了克服这些局限性，图8显示了基于城市街区模拟的两层准分布式控制框架，该框架用于在两个指定的监测阶段实现对无人机组的连续控制[77]。
图7. 集中式平台中第一个场景的高级操作 [74]。 显示全部
图8. 两层准分布式控制框架[77]。 显示全部 2） 控制器设计技术在无人机的设计过程中，控制器的设计至关重要。Selma B等人提出了一种基于自适应网络模糊推理系统（ANFIS）和改进蚁群优化（IACO）的鲁棒智能控制器，用于控制三自由度四旋翼飞机的行为。利用ANFIS控制器在二维垂直平面上再现四旋翼飞行器所需的轨迹，该方法减少了学习误差，提高了控制器的质量[78]。对于不确定条件下多架无人机悬挂载荷的全姿态机动控制，使用能够处理起重机系统不确定参数的控制器，并给出使用计划轨迹的评估极限[79]。当无人机沿着特定路径移动时，机载云台系统的有效控制直接影响跟踪地面移动目标的性能。文献[80]基于非线性Hammerstein块结构对云台系统进行了建模，有效地利用模型预测控制器（MPC）进行控制，提高了外界干扰下的实时目标跟踪性能。 3） 飞行和编队控制技术多无人机编队控制的常用方法包括共识理论、领导者-追随者策略、行为方法、虚拟结构方法、微分博弈、有限时间控制理论等。针对多智能体系统一致性的无人机编队维护控制问题，基于Routh-Hurwit稳定准则，得到系统平衡点和Hopf分岔条件的稳定性准则。同时，跟随者的模型预测控制器可以预测领导者的运动状态，使无人机编队保持稳定[81]。针对具有切换拓扑结构的奇异多智能体系统时变编队控制问题，[82]设计了一种基于输出因子的分布式编队控制器，通过奇异多智能体系统的无脉冲等效交换，设计了一种求解分布式控制器的算法，并通过数值仿真验证了该方法的有效性。张J提出了一种基于后退法的协同制导控制方法，以快速形成所需编队，实现多无人机稳态。与模型预测方法和拉普拉斯方法相比，所提方法不仅使无人机编队能够快速形成所需编队，而且在跟踪虚拟领导者时提供了快速的动态响应和较小的跟踪误差[83]。近距离旋转飞行将扩大无人机组的飞行范围，但由于一些复杂的条件，如燃料配置不均匀、编队不规则等，将对常规旋转方式构成巨大挑战[84]。在构建前后往复模型的基础上，提出一种分布式编队旋转算法，该算法协调无人机群以紧凑的直线编队飞行，增加了上述复杂条件下的编队范围。参考文献[85]提出了一种多旋翼无人机分布式编队控制算法，该算法允许无人机同时在预定形状上实现2D或3D形状的平衡配置。基于在线MPC方法和扰动观测器，将形式化算法与飞行控制结构相结合，在低功耗计算单元上实现了一个完整的框架。[86]在传统MPC方法的基础上，提出了一种事件触发模型预测控制（MPC）方案，该方案考虑了预测状态误差和成本函数的收敛性，同时针对每个局部层面的最优控制问题，建立了基于安全距离的禁飞区策略，并将其集成到局部成本函数中，使其计算效率更高。 4）协同搜索和跟踪技术在无人机集群协同控制理论方面，由于无人机的自主特性，无人驾驶集群协同方法逐渐映射到多智能体系统进行研究。板研究了无人机集群的协同问题，与集中控制相比，分布式控制可以充分发挥无人机的自主能力[87]。Jakob Foerster等人突破了集中计划和分布式决策的问题，有效地改善了单智能体观察的局限性[88]。基于规则驱动智能体驱动的实时分布式控制系统的重构方法，讨论了分布式智能系统的任务协调问题[89]。 在未知环境中对无人机进行目标搜索，需要考虑其局限性和有效策略和控制方法的特点。受种群进化模型的启发，[90]研究了一种基于改进豆类优化算法（BOA）的协作无人机协同目标搜索方法，该方法具有有效的搜索能力、分布式协作交互和新兴的群体智能。当目标具有搜索者的位置意识和机动性时，会增加搜索的难度。利用检测信息和目标运动预测，建立了多无人机搜索路径规划优化模型，并利用高效的HPSO算法求解该模型，使目标发现概率最大化[91]。为了跟踪多个目标，[92]为传感能力有限的协作无人机（UAV）构建了一个分散的多目标跟踪系统。该系统结合了聚类算法，优化传感器管理器和最优路径规划器，以实现预期的跟踪效果。 5） 避障技术在高海拔密度和日益复杂的飞行条件下，避免无人机与无人机之间的碰撞非常重要。然而，这个问题还没有完全解决，特别是在自组织的飞行集群中。参考文献[93]介绍了一种新型的自组织无人机群飞行碰撞方法，基于雷诺规则，建立了无人机群的自组织飞行规则模型，推导了新的无人机群间避碰规则。该方法提高了无人机集群之间的防撞效率，获得了平滑的防撞轨迹，其防撞行为更符合实际飞行要求。当少数群体遇到障碍时，很容易陷入局部最低状态，使群体状态变得更糟。将聚类避障算法与障碍物信息局部交互使用，可以改善局部避障算法的劣势共识性差，在克服障碍的同时促进无人机群的共识[94]。然而，现有的防撞方法还存在一些理论和实践问题。传统的人工势场法局限于单无人机轨迹规划，不能保证碰撞。文献[95]研究了一种优化的多无人机在三维动态空间中工作的人工势场算法，引入距离因子和跳跃策略方法，实现无人机系统的轨迹规划和防撞。 6） 研究趋势和未来洞察无人机控制系统为无人机提供了准确飞行和适应复杂环境的能力，但目前的研究仍然存在一些不足。
D. 通信层无人机集群能否达到预定的战斗力，关键在于信息的获取和传递。无人机通信的高效运行是获得战场所有权的关键。从无人机通信和网络的角度，总结了相关任务参数、网络数据需求以及现有支持天线网络技术的适用性[96]。目前通信层研究的主要问题包括通信架构[97]–[99]、通信、网络技术[100]–[107]、空基站技术[108]–[114]和安全通信技术[115]–[123]。 1） 通信架构通信架构是无人机组网设计的核心之一。合适的网络结构可以提高通信数据的效率和可靠性以及上层任务的执行。通过协同通信和中继技术，无人机集群可以通过多个中继节点扩大物联网业务的有效覆盖范围。图9显示了[97]中提到的无人机的分层网络结构。
图 9. 用于森林防火和检查的典型分层无人机网络场景[97]。 显示全部 通过闭合覆盖边界从理论上证明了上层无人机最小数量，并通过数值模拟验证了平均时延和平均链路时延。它在数据包分发速率方面具有更好的性能。在未来的智能交通系统中，以ICT为中心的移动仿真框架示意图如图10所示。将移动性和通信仿真集成到系统流程中，可以充分利用其无人机独特的移动潜力来提高服务性能[98]。
图 10. 以ICT为中心的移动仿真框架[98]。 显示全部 此外，由于无人机在网络中的任务不同，需要考虑每架无人机的通信需求。如图11所示，从博弈论的角度，将多无人机网络中的联合信道时隙选择问题描述为加权干扰缓解博弈，然后应用分布式对数线性算法实现所需的优化，克服了各无人机动态通信需求的约束[99]。
图 11. 多无人机网络的图示，显示了每个无人机的选择[99]。 2） 通信和网络技术无人机能否达到预期的战斗力，关键在于信息的获取和传递。无人机通信网络的性能是获得战场信息权的关键。同时，由于视距（LOS）链路概率高，按需部署，无人机可以提高地面通信系统的整体性能。Chen Q等人研究了一种中继系统，其中多架无人机通过正交频分多址（OFDMA）建立无人机中继网络，以帮助一些发射机与相应的接收机进行通信[100]。在由无人机组成的蜂窝网络中，每架无人机都可以感知数据并将其传输到基站。通过引入信息时代来量化基站数据的“新鲜度”，并使用任务调度算法来优化无人机的感知时间、传输时间、轨迹来完成特定任务[101]。然而，无人机节点通常面临设计问题和功率限制，进而影响路由机制。Lasari H N等人提出了跨层设计和高效功率算法的概念，以提高无人机网络的性能[102]。基于改进的Louvain方法的模块化动态聚类方法可用于高效的无人机辅助移动通信，在解决无人机能耗和降低移动设备传输功率方面具有广阔的前景[103]。 联网多智能体系统（NMDS）基于附近环境和相邻智能体的空间信息，利用局部控制速率表现出突然的蜂群行为，但目前还没有操作者与大量智能体交互的方法。参考文献[104]研究了一种鲁棒和估计的方法，供操作员间接配置系统状态的传播和观察，以帮助操作员在适当的时间向NMDS提供最佳输入。基于集群优势部署大型无人机集群，将导致竞争激烈，频谱资源过度拥堵，造成相互干扰。不同网络拓扑结构下的多集群飞行自组网（FANET）存在干扰感知在线频谱接入问题。基于最优响应（IOCPCBR）算法的在线分布式算法可以有效降低无人机集群的干扰，降低单位时隙的信道切换成本[105]。Albu-Salih AT等人提出了一个新框架，以提高无线传感器网络和多无人机的数据采集效率，并最大限度地减少无人机的总飞行距离、飞行时间和网络能耗。该框架可以有效地收集传感器数据，同时满足无人机能量和持续时间的约束[106]。为了解决无人机定位、时隙分配和计算任务分配的联合优化问题，[107]提出了一种基于无人机（UAV）的移动边缘计算（MEC）服务器。用户提供MEC服务。 3）空军基地技术无人机具有建立视线无线连接的灵活性和能力。在需要快速部署的场景（例如，在自然灾害、突发事件和体育赛事的情况下），无人机被用作空中基站，以补充和支持现有的地面通信基础设施。目前，无人机无线网络（UAWN）已成功应用于无人机蜂窝卸载（UAV-CO）、无人机应急通信（UAV-EC）、无人机物联网（UAV-IoT）等。 表5 无人机无线网络的应用
a： UAV-蜂窝卸载在UAV-CO领域，[108]建立了分析集群用户设备（UE）无人机辅助蜂窝网络信噪比覆盖概率的分析框架。地面基站的定位建模是一个毒点过程，验证了无人机高度和路径损耗函数对系统性能的影响。参考文献[109]分析了无人机辅助地面蜂窝的覆盖性能，并介绍了一种以用户为中心的协同无人机聚类方案。在合适的协作圆柱体条件下，通过优化缓存大小和无人机密度，最大限度地扩大了系统的覆盖范围。同时，由于无人机网络的快速移动性和高动态拓扑结构，有必要设计一种集群分层路由协议来提供可扩展性[110]。 b：无人机-应急通信在UAV-EC领域，无人机可以作为消防、救灾等应急场景的辅助应急通信。信息被传输到控制中心。Zhang Q等提出了一种基于移动边缘计算技术（MEC）的无人机群场景的联合通信和计算优化解决方案。在通信和计算约束下，传输效率提高，响应时延减小[111]。 c：无人机-物联网在无人机物联网领域，无人机的部署可以促进物联网设备的数据传输。在物联网设备与基站之间传输上行数据的过程中，使用无人机作为通信中继可以增强基站的信号接收强度。使用分布式 UC 算法，物联网设备集成到多个 UC 中。通过求解系统优化模型，得到各UC中继无人机的最优部署和传输功率[112]。当吞吐量优化问题涉及无人机飞行速度和物联网设备上行传输功率的约束时，利用多智能体深度学习（DQL）策略和无序算法可以解决信道资源的三维路径规划和联合优化问题[113]。目前的通信系统都是基于传统的信息论原理来传输长消息，实现短消息的超高可靠性是未来无限通信系统的核心挑战。Ranhja等人依靠多跳无人机中继链路在地面物联网（IoT）设备之间提供超可靠和低延迟（URLLC）命令数据包，以降低整体解码错误率并增强接收短数据包的可靠性[114]。 4） 安全通信技术在实际的无人机通信网络中，虽然强大的LoS链路的性质使无人机通信能够提供无处不在的高数据速率无线服务，但它也使无人机与地面用户之间的通信更容易被拦截[115]。因此，对无人机通信的安全性提出了各种严峻的挑战[116]。在[117]中，讨论了无人机之间的各种通信协议，并提出了一种新的无人机安全通信协议。为了提高安全通信的效率，[118]–[121]系统使用多无人机协同通信。干扰无人机可以靠近潜在的窃听者飞行，然后传输人工噪声信号来干扰窃听者[118]。同时，为了提高系统的安全性能，[119]和[120]提出了一种协同干扰方法，该方法使用人工干扰传输来保护无人机的通信，使其免受单个窃听者的存在，其他相邻的无人机[119]。公平考虑两架无人机的安全通信，调查联合配电和轨迹设计，以最大限度地提高每个用户的最低保密率，一架无人机向地面发送机密信息，另一架合作无人机传输干扰信号[121]。由于在[118]-[121]中，无人机的作用是固定的，因此它只能在整个时间范围内提供通信/干扰功能。针对上述不足，[122]提出了一种多用途无人机，可动态用作通信无人机或干扰无人机，为无人机安全通信提供了高度的灵活性。参考文献[123]研究了利用机会中继的低空无人机群安全通信系统的保密中断性能，验证了回程可靠性、无人机合作和窃听概率对保密中断概率的影响。 5） 研究趋势和未来洞察集束无人机之间的通信主要用于无人机之间的状态和负载信息交换。当无人机集群数量庞大时，任务类型多，飞行速度快，相对时空关系变化频繁，信息传输效果差，使得集群之间的通信组网非常具有挑战性。
E. 应用层目前，无人机已广泛应用于休闲娱乐和快递服务，未来甚至可能扩展到军事侦察、农业、环境监测、应急救援等应用领域。智能无人机是无人机技术的下一次重大革命，有望在降低成本和风险的前提下，在各个领域提供新的机遇。表6列出了无人机群智能的应用情况。 表6 群体智能的应用
1）智能交通领域[124]介绍了无人机的民用应用及其挑战，并讨论了当前的研究趋势，并提出了无人机民用应用面临的挑战：电池寿命、防撞、网络资源拥塞和安全性。在智能交通领域，多旋翼无人机最近被公认为智慧城市使用的先进技术之一。它可以实时监控运输网络、渠道交通和监控事件 [125]。参考文献[126]介绍了一种基于五代（5G）技术的无人机智能交通监控系统，该系统克服了传统系统的静态特性和其他局限性，大大降低了交通事故的发生率。参考文献[127]提出了一种基于无人机的车辆检测和跟踪系统，该系统可以实时生成车辆动态信息。参考文献[128]使用卷积神经网络方法来提高移动车辆检测的准确性和性能。参考文献[129] 将无人机采集的视频数据与交通仿真模型相结合，增强实时交通监控。为了优化无人机电池容量有限的问题，[130]开发了用于智能交通系统（ITS）的无人机通用管理框架，该框架有效地利用了无人机机队。此外，在智能交通配送系统中，无人机的部署仍处于起步阶段。参考文献[131]从通信路由方法、无人机最优路径规划、动态任务分配和混合交付解决方案四个方面提出了一种优化方案，该方案非常适合交付效率和减少空中交通。 2） 环境监测领域在环境监测领域，使用无人机收集传感器数据，实时监测水和空气质量[132]。参考文献[133]介绍了无人机物联网的概念，并给出了其在一些特殊场景中的应用。此外，化工厂污染源的位置也成为研究热点。一种基于人工势场法和粒子群优化算法的大气污染源跟踪算法，可以在短时间内准确找到污染源[134]。为了监测热带雨林的退化情况，[135]研究了一种实时自动检测热带雨林中非森林和侵蚀区域的新方法。通过多个阈值进行连续分割将产生一个二元地图，可以清楚地区分森林和侵蚀区域。 3）电磁频谱监测领域在电磁频谱监测领域，为了监测私人黑色广播，一组携带接收强信号的传感器的无人驾驶飞行器用于定位间歇发射的射频发射器[136]。 4）农业领域参考文献[137]强调了无人机在农业中的重要性，通过使用无人机进行农业监测和观察来提高作物产量。在农植保护方面，无人机喷洒农药具有安全、防控效果好、成本低、地域无限制等优点。通过建立植保无人机控制系统的整体框架，并利用Pixhawk开源飞行控制，实现了植保无人机的最优喷雾控制要求[138]。 5） 应急领域参考文献[139]介绍了一种用于山地救援的多用途无人机，该无人机可以适应低温、低空、强风等山地环境进行救援任务。文献[140]提出了一种基于人体监测和地理定位的无人机搜救方案，当无人机扫描目标区域的伤员时，通过地理定位为其运送医疗物资。通过使用无人机模块化架构进行搜索任务，可以实现多架无人机的协同控制，并实时传输视频信息流[141]。此外，在火灾或化学事故场景中，考虑到调查现象固有的空间相关性，卡塔琳娜·格洛克（Katharina Glock）引入了任务规划的概念，将无人机路由通过一组采样点，使用插值方法收集样本以预测危害物质在整个受影响区域的分布[142]。 第三节. 讨论A. 限制1） 魅力挑战无人机的电池容量是实现连续任务的关键因素。但随着电池容量的增加，其重量会增加，这将导致无人机在特定任务中消耗更多的能量。研究人员正在开发优化的混合动力电池解决方案[143]–[145]。 参考文献[146]介绍了一种自主电池维护机电一体化系统，该系统可以快速更换无人机耗尽的电池和补充电池，同时为其他几个电池充电。这使得电池维护系统具有较短的无人机停机时间、可任意扩展的运行时间和紧凑的占地面积。参考文献[147]提出了一种新型的电池充电交换站，该站将废旧电池转换为可充电电池，同时保持微型飞机处于活动状态，以确保任务参数和数据的连续运行。 2） 制造成本挑战集群系统往往以规模优势实现质量优势，单个个体的损坏不会影响系统。因此，大规模集群系统往往严格限制单机系统的成本，包括平台、负载、机载处理器和通信设备。小型无人机对负载重量也有一定的要求。为了追求高性能，现有负载通常昂贵且笨重，不适合在无人机上使用。因此，开发满足集群需求的低成本、轻量级平台和负载，对集群任务能力的形成具有重要意义。 3） 安全质询广泛使用的无人机也可能被恶意使用，甚至威胁国家安全。参考文献[148]设计了一种可追溯的隐私保护协议。该解决方案为无人机在敏感区域的应用提供了一个可行且安全的管理平台。同时，为了保证无人机的安全运行，有必要为航空电子和电信行业的专家建立一个通用术语，以更好地了解这两个领域的需求[149]。未来，无人机行业的安全法规需要进一步完善和补充，以更好地服务于人类。 B. 最新技术趋势除了在无人机集群架构各个层面提出的技术发展趋势外，我们还结合了当今一些最新的发展技术，提出了无人机集群智能的一些未来可能方向。 1）无人机群数字孪生系统数字孪生的概念最早是由美国密歇根大学的迈克尔·格里夫斯（Michael Grieves）定义的。2003年，他提出了“相当于物理产品的虚拟数字表达”[150]。数字孪生以数字形式创建物理对象的虚拟模型，以模拟其行为。虚拟模型可以通过感知数据了解实体的状态，从而预测、估计和分析动态变化。通过建立无人机集群数字孪生系统，可以理解指挥员的复杂指挥，基于自身、伙伴和传输的外部信息的感知进行模糊推理，获得当前形势下的最佳策略和行动，自主执行任务。 2）人工智能推动仿生智能无人机群随着人工智能的发展，未来无人机集群控制将变得更加智能化。设计基于人工智能的无人机集群分布式控制框架，使系统中的无人机只能通过集群数据链技术在局部感知能力下与其他无人机形成自组织的智能交互网络，并在外部环境下触发，实现复杂的行为模式，具备学习能力， 并在集团层面涌现智能。在人工智能辅助无人机网络中，[151]提出了一种针对动态环境的人工智能辅助无人机，以辅助下一代网络。多架无人机被用作空中基站，以收集有关用户和远程交通需求的信息。从环境中学习，根据用户反馈采取行动，然后快速适应动态环境，提高系统的网络性能、可靠性和敏捷性。 3）6G空地一体化网络通信技术空地一体化网络是未来6G网络的关键组成部分，可以支持无缝甚至超链接。为空地综合网络提出了一种称为UaaS（UAV甚至服务）的新型架构[152]。该架构将使用机器学习 （ML） 技术来增强边缘智能的关键驱动力。未来，无人机网络可以智能化地提供无线通信服务、边缘计算服务和边缘缓存服务，充分利用无人机和各种机器学习技术的灵活部署。6G网络化的无人机集群势必将无人机编队与编队重建、任务协同、无人机异构协同、人机协同等优势发挥到极致。 第四节. 结论本文从分层控制框架的角度，将目前研究的无人机集群智能关键技术分为决策、路径规划、控制、通信和应用五个层次。同时，从各个层面对研究趋势和未来见解进行了描述。最后，本文讨论了群体技术的局限性，并从三个可能的角度展望了未来。人机集群智能化技术的发展趋势有望在未来无人机集群系统的发展中发挥一定的作用。 该星球用于分享技术、情报和军事类的技术知识，目前该知识星球已有2500份文档了和各类技术分享，后续每天都会有不同的技术资料分享，如果有需要的可以扫知识星球的码加入，内容很丰富，包含雷达技术文档、智能仿真代码，包括无人机蜂群代码等，及其他雷达技术仿真代码、武器系统技术、技术情报、武器分系统技术等知识. |
|
|
来自： taotao_2016 > 《控制》
