Volume 16 Issue 1
Feb.  2021
Turn off MathJax
Article Contents

XIE W, TAO H, GONG J B, et al. Research advances in the development status and key technology of unmanned marine vehicle swarm operation[J]. Chinese Journal of Ship Research, 2021, 16(1): 7–17, 31 doi:  10.19693/j.issn.1673-3185.02225
Citation: XIE W, TAO H, GONG J B, et al. Research advances in the development status and key technology of unmanned marine vehicle swarm operation[J]. Chinese Journal of Ship Research, 2021, 16(1): 7–17, 31 doi:  10.19693/j.issn.1673-3185.02225

Research advances in the development status and key technology of unmanned marine vehicle swarm operation

doi: 10.19693/j.issn.1673-3185.02225
  • Received Date: 2020-12-16
  • Rev Recd Date: 2021-01-07
  • Available Online: 2021-02-05
  • Publish Date: 2021-02-28
  • The swarm operation of unmanned marine vehicle (UMV) has been developed and evolved from concept to practical application. In view of the mission requirements of UMV swarms, this paper summarizes the development of the UMV swarm concepts of unmanned aerial vehicle (UAV), unmanned surface vehicle (USV) and unmanned underwater vehicle (UUV), and cross-domain swarm operations of UMV in naval warfare. It then analyzes the key technologies of UMV swarm cooperative engagement, including self-organizing communication, collaborative situational awareness, tasking, path planning, formation control and virtual testing. Finally, the main research ideas, representative algorithms and development trends of the related algorithms are summarized systematically. This study can provide valuable references for research on UMV swarm operation technology.
  • [1] 邹立岩, 张明智, 荣明. 智能无人机集群概念及主要发展趋势分析[J]. 战术导弹技术, 2019(5): 1–11, 43.

    ZOU L Y, ZHANG M Z, RONG M. Analysis of intelligent unmanned aircraft systems swarm concept and main development trend[J]. Tactical Missile Technology, 2019(5): 1–11, 43 (in Chinese).
    [2] 董晓明. 海上无人装备体系概览[M]. 哈尔滨: 哈尔滨工程大学出版社, 2020.

    DONG X M. Introduction to martime unmanned systems[M]. Harbin: Harbin Engineering University Press, 2020 (in Chinese).
    [3] 张伟, 王乃新, 魏世琳, 等. 水下无人潜航器集群发展现状及关键技术综述[J]. 哈尔滨工程大学学报, 2020, 41(2): 289–297.

    ZHANG W, WANG N X, WEI S L, et al. Overview of unmanned underwater vehicle swarm development status and key technologies[J]. Journal of Harbin Engineering University, 2020, 41(2): 289–297 (in Chinese).
    [4] 王宇, 郭兴旺. 无人系统集群海上作战应用研究[J]. 舰船电子工程, 2019, 39(12): 21–25.

    WANG Y, GUO X W. Research on the application of unmanned system cluster in marine combat applications[J]. Ship Electronic Engineering, 2019, 39(12): 21–25 (in Chinese).
    [5] SHANEN SHAH A F M, ILHAN H, TURELI U. CB-MAC: a novel cluster-based MAC protocol for VANETs[J]. IET Intelligent Transport Systems, 2019, 13(4): 587–595. doi:  10.1049/iet-its.2018.5267
    [6] JAVADI M, MOSTAFAEI H, CHOWDHURRY M U, et al. Learning automaton based topology control protocol for extending wireless sensor networks lifetime[J/OL]. Journal of Network and Computer Applications, 2018, 122: 128–136.
    [7] XU W, DANESHMAND, LIU W. A data privacy protective mechanism for WBAN[J/OL]. Wireless Communications and Mobile Computing, 2015: 421–430. https://doi.org/10.1002/wcm.
    [8] GUI J S, ZHOU K. Flexible adjustments between energy and capacity for topology control in heterogeneous wireless multi-hop networks[J]. Journal of Network and Systems Management, 2016, 24(4): 789–812. doi:  10.1007/s10922-016-9367-y
    [9] WAQAS A, MAHMOOD H, ZARIFZADEH S. A data privacy protective mechanism for WBAN[J]. Computer Networks, 2019, 3819(4): 24–30.
    [10] HAYAT S, YANMAZ E, MUZAFFAR R. Survey on unmanned aerial vehicle networks for civil applications: A communications viewpoint[J]. IEEE Communications Surveys & Tutorials, 2016, 18(4): 2624–2661.
    [11] 何友, 姚力波. 天基海洋目标信息感知与融合技术研究[J]. 武汉大学学报·信息科学版, 2017, 42(11): 1530–1536.

    HE Y, YAO L B. Space-based sea target information awareness and fusion[J]. Geomatics and Information Science of Wuhan University, 2017, 42(11): 1530–1536 (in Chinese).
    [12] 高杨, 李东生, 程泽新. 无人机分布式集群态势感知模型研究[J]. 电子与信息学报, 2018, 40(6): 1271–1278. doi:  10.11999/JEIT170877

    GAO Y, LI D S, CHENG Z X. UAV distributed swarm situation awareness model[J]. Journal of Electronics & Information Technology, 2018, 40(6): 1271–1278 (in Chinese). doi:  10.11999/JEIT170877
    [13] 崔玮. 改进的D-S证据理论在海上目标融合识别模型中的应用[J]. 舰船科学技术, 2017, 39(8): 109–111.

    CUI W. The application of improved D-S proof theory in the model of sea target fusion recognition[J]. Ship Science and Technology, 2017, 39(8): 109–111 (in Chinese).
    [14] 张悦. 多USV协同定位数据融合技术研究[D]. 哈尔滨: 哈尔滨工业大学, 2018.

    ZHANG Y. Research on multi USV cooperative positioning data fusion technology[D]. Harbin: Harbin University of Technology, 2018 (in Chinese).
    [15] WANG Q Y, CUI X F, LI Y B, et al. Performance enhancement of a USV INS/CNS/DVL integration navigation system based on an adaptive information sharing factor federated filter[J]. Sensors, 2017, 17(2): 239. doi:  10.3390/s17020239
    [16] XIAO F Y. Multi-sensor data fusion based on the belief divergence measure of evidences and the belief entropy[J]. Information Fusion, 2019, 46: 23–32. doi:  10.1016/j.inffus.2018.04.003
    [17] 荣健, 乔文钊. 基于模糊神经系统的多传感器数据融合算法[J]. 电子科技大学学报, 2010, 39(3): 376–378, 424. doi:  10.3969/j.issn.1001-0548.2010.03.011

    RONG J, QIAO W Z. Neural-fuzzy-based multisensor data fusion architecture[J]. Journal of University of Electronic Science and Technology of China, 2010, 39(3): 376–378, 424 (in Chinese). doi:  10.3969/j.issn.1001-0548.2010.03.011
    [18] 张雨浓, 杨逸文, 肖秀春, 等. 样条神经网络的权值直接确定法[J]. 系统工程与电子技术, 2009, 31(11): 2685–2688.

    ZHANG Y N, YANG Y W, XIAO X C, et al. Weights direct determination of a spline neural network[J]. Systems Engineering and Electronics, 2009, 31(11): 2685–2688 (in Chinese).
    [19] 郭继峰, 郑红星, 贾涛, 等. 异构无人系统协同作战关键技术综述[J]. 宇航学报, 2020, 41(6): 686–696.

    GUO J F, ZHENG H X, JIA T, et al. Summary of key technologies for heterogeneous unmanned system cooperative operations[J]. Journal of Astronautics, 2020, 41(6): 686–696 (in Chinese).
    [20] AN S, KIM H J. Simultaneous task assignment and path planning using mixed-integer linear programming and potential field method[C]//2013 13th International Conference on Control, Automation and Systems (ICCAS 2013). Gwangju, South Korea: IEEE, 2014.
    [21] ZHU D Q, HUANG H, YANG S X. Dynamic task assignment and path planning of multi-AUV system based on an improved self-organizing map and velocity synthesis method in three-dimensional underwater workspace[J]. IEEE Transactions on Cybernetics, 2013, 43(2): 504–514. doi:  10.1109/TSMCB.2012.2210212
    [22] LEVCHUK G M, LEVCHUK Y N, MEIRINA C, et al. Normative design of project-based organizations-part III: modeling congruent, robust, and adaptive organizations[J]. IEEE Transactions on Systems, Man, and Cybernetics-Part A: Systems and Humans, 2004, 34(3): 337–350. doi:  10.1109/TSMCA.2003.822268
    [23] HOANG P D, RABAEY J M. Scheduling of DSP programs onto multiprocessors for maximum throughput[J]. IEEE Transactions on Signal Processing, 1993, 41(6): 2225–2235. doi:  10.1109/78.218149
    [24] 刘华罡, 方浩, 毛昱天, 等. 多智能体系统分布式群集运动与避障控制[C]//第二十九届中国控制会议论文集. 北京: 中国自动化学会, 2010: 4536-4541.

    LIU H G, FANG H, MAO Y T, et al. Distributed flocking control and obstacle avoidance for multi-agent systems[C]//Proceedings of the 29th Chinese Control Conference. Beijing: Chinese Association of Automation, 2010: 4536-4541 (in Chinese).
    [25] 王训, 王兆魁, 张育林. 基于合作博弈的智能集群自主聚集策略[J]. 国防科技大学学报, 2017, 39(2): 146–151. doi:  10.11887/j.cn.201702022

    WANG X, WANG Z K, ZHANG Y L. Strategy about autonomous aggregation of intelligent swarm based on cooperative game[J]. Journal of national university of defense technology, 2017, 39(2): 146–151 (in Chinese). doi:  10.11887/j.cn.201702022
    [26] HAKSAR R N, SCHWAGER M. Distributed deep reinforcement learning for fighting forest fires with a network of aerial robots[C]//2018 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). Madrid, Spain: IEEE, 2018.
    [27] HU J, XIE L, LUM K Y, et al. Multiagent information fusion and cooperative control in target search[J]. IEEE Transactions on Control Systems Technology, 2013, 21(4): 1223–1235. doi:  10.1109/TCST.2012.2198650
    [28] JIN Y N, WU Y X, FAN N J. Research on distributed cooperative control of swarm UAVs for persistent coverage[C]//Proceedings of the 33rd Chinese Control Conference. Nanjing, China: IEEE, 2014.
    [29] SMITH R G. The contract net protocol: high-level communication and control in a distributed problem solver[J]. IEEE Transactions on Computers, 1980, C-29(12): 1104–1113. doi:  10.1109/TC.1980.1675516
    [30] FU X W, FENG P, GAO X G. Swarm UAVs task and resource dynamic assignment algorithm based on task sequence mechanism[J]. IEEE Access, 2019, 7: 41090–41100. doi:  10.1109/ACCESS.2019.2907544
    [31] HUNT S, MENG Q, HINDE C J. An extension of the consensus-based bundle algorithm for multi-agent tasks with task based requirements[C]//2012 11th International Conference on Machine Learning and Applications. Boca Raton, FL, USA: IEEE, 2013.
    [32] SHANMUGAVEL M, TSOURDOS A, WHITE B, et al. Co-operative path planning of multiple UAVs using Dubins paths with clothoid arcs[J]. Control Engineering Practice, 2010, 18(9): 1084–1092. doi:  10.1016/j.conengprac.2009.02.010
    [33] LIU J, HE Y F, ZHANG A P. An improved mutli-ACS algorithm for the waste collection vehicle arc routing problem with turn constraints[C]//2014 Tenth International Conference on Computational Intelligence and Security. Kunming, China: IEEE, 2015.
    [34] ARI I, AKSAKALLI V, AYDOĞDU V, et al. Optimal ship navigation with safety distance and realistic turn constraints[J]. European Journal of Operational Research, 2013, 229(3): 707–717. doi:  10.1016/j.ejor.2013.03.022
    [35] KHATIB O. Real-time obstacle avoidance for manipulators and mobile robots[J]. International Journal of Robotics Research, 1986, 5(1): 90–98. doi:  10.1177/027836498600500106
    [36] EDISON E, SHIMA T. Integrated task assignment and path optimization for cooperating uninhabited aerial vehicles using genetic algorithms[J]. Computers & Operations Research, 2011, 38(1): 340–356.
    [37] NIKOLOS I K, VALAVANIS K P, TSOURVELOUDIS N C, et al. Evolutionary algorithm based offline/online path planner for UAV navigation[J]. IEEE Transactions on Systems, Man, and Cybernetics, Part B: Cybernetics, 2003, 33(6): 898–912. doi:  10.1109/TSMCB.2002.804370
    [38] BRINTAKI A N, NIKOLOS I K. Coordinated UAV path planning using differential evolution[J]. Operational Research, 2005, 5(3): 487–502. doi:  10.1007/BF02941133
    [39] MITTAL S, DEB K. Three-dimensional offline path planning for UAVs using multiobjective evolutionary algorithms[C]//2007 IEEE Congress on Evolutionary Computation. Singapore: IEEE, 2007.
    [40] ÖZALP N, SAHINGOZ O K. Optimal UAV path planning in a 3D threat environment by using parallel evolutionary algorithms[C]//2013 International Conference on Unmanned Aircraft Systems (ICUAS). Atlanta, GA, USA: IEEE, 2013: 49-57.
    [41] SHEN X N. A quantum evolutionary algorithm for robot path planning in dynamic environment[C]//Proceedings of the 32nd Chinese Control Conference. Xi'an, China: IEEE, 2013.
    [42] CHENG Z, SUN Y, LIU Y L. Path planning based on immune genetic algorithm for UAV[C]//2011 International Conference on Electric Information and Control Engineering. Wuhan, China: IEEE, 2011.
    [43] HASIRCIOGLU I, TOPCUOGLU H R, ERMIS M. 3-D path planning for the navigation of unmanned aerial vehicles by using evolutionary algorithms[C]//Proceedings of the 10th Annual Conference on Genetic and Evolutionary Computation. Atlanta, GA, USA: ACM, 2008.
    [44] AL-SABBAN W H, GONZALEZ L F, SMITH R N. Wind-energy based path planning for unmanned aerial vehicles using Markov decision processes[C]//2013 IEEE International Conference on Robotics and Automation. Karlsruhe, Germany: IEEE, 2013.
    [45] RAGI S, CHONG E K P. UAV path planning in a dynamic environment via partially observable Markov decision process[J]. IEEE Transactions on Aerospace and Electronic Systems, 2013, 49(4): 2397–2412. doi:  10.1109/TAES.2013.6621824
    [46] FEYZABADI S, CARPIN S. Risk-aware path planning using hirerachical constrained markov decision processes[C]//2014 IEEE International Conference on Automation Science and Engineering (CASE). Taipei, Taiwan, China: IEEE, 2014.
    [47] ZHANG B C, MAO Z L, LIU W Q, et al. Geometric reinforcement learning for path planning of UAVs[J]. Journal of Intelligent & Robotic Systems, 2015, 77(2): 391–409.
    [48] YANG H Y, GUO Q, XU X, et al. Self-learning PD algorithms based on approximate dynamic programming for robot motion planning[C]//2014 International Joint Conference on Neural Networks (IJCNN). Beijing, China: IEEE, 2014.
    [49] KONAR A, CHAKRABORTY I G, SINGH S J, et al. A deterministic improved Q-learning for path planning of a mobile robot[J]. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2013, 43(5): 1141–1153. doi:  10.1109/TSMCA.2012.2227719
    [50] ASL S V, DAVARZANI Z, STAJI S. Planning flying robot navigation in a three-dimensional space by optimaztion combining Q-learning and Monte Carlo algorithms[J]. International Journal of Hybrid Information Technology, 2015, 8(11): 297–306. doi:  10.14257/ijhit.2015.8.11.25
    [51] JI Z J, WANG Z D, LIN H, et al. Interconnection topologies for multi-agent coordination under leader-follower framework[J]. Automatica, 2009, 45(12): 2857–2863. doi:  10.1016/j.automatica.2009.09.002
    [52] XIAO H Z, CHEN C L P. Leader-follower consensus multi-robot formation control using neurodynamic-optimization-based nonlinear model predictive control[J]. IEEE Access, 2019, 7: 43581–43590. doi:  10.1109/ACCESS.2019.2907960
    [53] LAWTON J R T, BEARD R W, YOUNG B J. A decentralized approach to formation maneuvers[J]. IEEE Transactions on Robotics & Automation, 2004, 19(6): 933–941.
    [54] 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. doi:  10.1109/TAC.2003.812781
    [55] 刘鸿福, 苏炯铭, 付雅晶. 无人系统集群及其对抗技术研究综述[J]. 飞航导弹, 2018(11): 35–40, 91.

    LIU H F, SU J M, FU Y J. A summary of the research on unmanned system clusters and their adversity techniques[J]. Aerodynamic Missile Journal, 2018(11): 35–40, 91 (in Chinese).
    [56] 安梅岩, 王兆魁, 张育林. 人工智能集群控制演示验证系统[J]. 机器人, 2016, 38(3): 265–275.

    AN M Y, WANG Z K, ZHANG Y L. Demonstration and verification system for artificial intelligent swarm control[J]. Robot, 2016, 38(3): 265–275 (in Chinese).
    [57] DO K D, PAN J. Nonlinear formation control of unicycle-type mobile robots[J]. Robotics and Autonomous Systems, 2007, 55(3): 191–204. doi:  10.1016/j.robot.2006.09.001
    [58] RAMAZANI S, SELMIC R, DE QUEIROZ M. Rigidity-based multiagent layered formation control[J]. IEEE Transactions on Cybernetics, 2017, 47(8): 1902–1913. doi:  10.1109/TCYB.2016.2568164
    [59] ZHOU D J, WANG Z J, SCHWAGER M. Agile coordination and assistive collision avoidance for quadrotor swarms using virtual structures[J]. IEEE Transactions on Robotics, 2018, 34(4): 916–923. doi:  10.1109/TRO.2018.2857477
    [60] 相晓嘉, 闫超, 王菖, 等. 基于深度强化学习的固定翼无人机编队协调控制方法[J/OL]. 航空学报, 2019: 40(X): 1–14. http://hkxb.buaa.edu.cn/CN/10.7527/S1000-6893.2020.24009.

    XIANG X J, YAN C, WANG C, et al. Towards coordination control for fixed-wing UAV formation through deep reinforcement learning[J/OL]. Acta Aeronautica et Astronautica Sinica (in Chinese). http://hkxb.buaa.edu.cn/CN/10.7527/S1000-6893.2020.24009.
    [61] LIU H, MENG Q Y, PENG F C, et al. Heterogeneous formation control of multiple UAVs with limited-input leader via reinforcement learning[J]. Neurocomputing, 2020, 412: 63–71. doi:  10.1016/j.neucom.2020.06.040
    [62] LA H M, SHENG W H. Distributed sensor fusion for scalar field mapping using mobile sensor networks[J]. IEEE Transactions on Cybernetics, 2013, 43(2): 766–778. doi:  10.1109/TSMCB.2012.2215919
    [63] 王飞跃, 刘德荣, 熊刚, 等. 复杂系统的平行控制理论及应用[J]. 复杂系统与复杂性科学, 2012, 9(3): 1–12. doi:  10.3969/j.issn.1672-3813.2012.03.001

    WANG F Y, LIU D R, XIONG G, et al. Parallel control theory of complex systems and applications[J]. Complex Systems and Complexity Science, 2012, 9(3): 1–12 (in Chinese). doi:  10.3969/j.issn.1672-3813.2012.03.001
    [64] LI L, WANG X, WANG K F, et al. Parallel testing of vehicle intelligence via virtual-real interaction[J]. Science Robotics, 2019, 4(28): eaaw4106. doi:  10.1126/scirobotics.aaw4106
    [65] 朱冰, 张培兴, 赵健, 等. 基于场景的自动驾驶汽车虚拟测试研究进展[J]. 中国公路学报, 2019, 32(6): 1–19.

    ZHU B, ZHANG P X, ZHAO J, et al. Advances in virtual testing of self-driving cars based on scenarios[J]. China Journal of Highway Science, 2019, 32(6): 1–19 (in Chinese).
    [66] KANG Y, YIN H, BERGER C. Test your self-driving algorithm: an overview of publicly available driving datasets and virtual testing environments[J]. IEEE Transactions on Intelligent Vehicles, 2019, 4(2): 171–185. doi:  10.1109/TIV.2018.2886678
    [67] 范云生, 苏辉, 王国峰. 无人水面艇自主航行能力测试技术与应用[J]. 大连海事大学学报, 2020, 46(3): 38–49.

    FAN Y S, SU H, WANG G F. Testing technology and its application of autonomous navigation ability for unmanned surface vehicle[J]. Journal of Dalian Maritime University, 2020, 46(3): 38–49 (in Chinese).
  • 加载中
通讯作者: 陈斌, bchen63@163.com
  • 1. 

    沈阳化工大学材料科学与工程学院 沈阳 110142

  1. 本站搜索
  2. 百度学术搜索
  3. 万方数据库搜索
  4. CNKI搜索

Figures(1)  / Tables(1)

Article Metrics

Article views(99) PDF downloads(42) Cited by()

Proportional views
Related

Research advances in the development status and key technology of unmanned marine vehicle swarm operation

doi: 10.19693/j.issn.1673-3185.02225

Abstract: The swarm operation of unmanned marine vehicle (UMV) has been developed and evolved from concept to practical application. In view of the mission requirements of UMV swarms, this paper summarizes the development of the UMV swarm concepts of unmanned aerial vehicle (UAV), unmanned surface vehicle (USV) and unmanned underwater vehicle (UUV), and cross-domain swarm operations of UMV in naval warfare. It then analyzes the key technologies of UMV swarm cooperative engagement, including self-organizing communication, collaborative situational awareness, tasking, path planning, formation control and virtual testing. Finally, the main research ideas, representative algorithms and development trends of the related algorithms are summarized systematically. This study can provide valuable references for research on UMV swarm operation technology.

XIE W, TAO H, GONG J B, et al. Research advances in the development status and key technology of unmanned marine vehicle swarm operation[J]. Chinese Journal of Ship Research, 2021, 16(1): 7–17, 31 doi:  10.19693/j.issn.1673-3185.02225
Citation: XIE W, TAO H, GONG J B, et al. Research advances in the development status and key technology of unmanned marine vehicle swarm operation[J]. Chinese Journal of Ship Research, 2021, 16(1): 7–17, 31 doi:  10.19693/j.issn.1673-3185.02225
    • 近年来,随着电子信息、智能控制等技术的快速发展以及在军事上的不断应用,军用无人系统的性能得到跃升,但仍受限于单体能力而难以形成规模化作战能力。无人系统集群、协同作战是解决此问题的重要途径,也是无人系统装备技术发展的重点。美、英、法等主要军事强国正将其作为提升装备体系整体作战效能的重要抓手之一,通过不断增加经费投入,加快新概念、新技术的演示验证工作来推进实战化应用,并已初见成效。

      无人系统集群大致可以分为无人机 (UAV)集群,水面无人艇 (USV) 集群和无人水下机器人(UUV)集群。其中,无人机集群技术发展得最迅速,在发展思路、技术途径等方面呈现出百花齐放的态势。1980年代,美、俄等国就已重视水下无人装备的运用。近10年来,这些国家加快了水下无人系统集群技术的验证,以及小规模应用。目前,美国海军已完成了执行反潜探测任务的无人水下机器人集群技术的演示验证,已实现在深海、浅海的大范围反潜探测。不仅如此,在水面无人系统方面,美国海军也已开始探索集群作战,以突破执行使命任务的技术瓶颈,最终于2016年实现了水面无人艇集群自主执行目标探测与识别、跟踪、巡逻等任务。

      跨域异构无人系统集群指的是无人机、水面无人艇、无人水下机器人等不同类型的无人系统在空中、水面、水下等不同作战域之间的协同控制。截至目前,美、英、法等国重点验证了无人系统间跨域协同通信和指控能力,并均已取得一定的进展。

      目前,虽然尚无法全面准确地判断无人系统集群在未来海战、空战中的定位,但随着技术的不断进步,无人系统集群将逐步由概念走向实装应用,其所呈现出的应用场景也将越来越来清晰。因此,加快我国在无人系统集群及其协同作战方面的研究,对于探索未来战争模式、装备应用落地以及推动海军武器装备创新发展都具有重要意义。

      首先,本文将系统回顾国内外无人机集群、水面无人艇集群、无人水下机器人集群和跨域无人系统集群的发展现状;然后,全面论述无人系统集群的共性关键技术研究进展,并着重分析各项关键技术的主要研究思路、代表性算法及其研究趋势,期望能够为海上无人系统集群技术研究提供有益的参考和借鉴。

    • 无人机集群是由一定数量的单一功能或者多功能无人驾驶飞行器组成的空中移动系统,其以交感网络为基础,具有整体作战能力涌现和行为可测、可控、可用的特点。在无人系统集群类型方面,无人机集群研究得最多,理念也最成熟[1]

      无人机集群概念最早于1990年代末由美国率先提出。在美国国防部国防先期研究计划局(DARPA)和海军研究办公室(ONR)等单位的支持下,开展了无人机集群作战概念的探索和原理技术验证。2016年5月,美国空军发布了《2016~2036年小型无人机系统飞行规划》,在规划中,阐述了4种集群作战概念:“蜂群”(亦即“集群”)、“编组”、“忠诚僚机”和“诱饵”。根据发展战略,实施了大量研究项目,其中包括如下几个典型的项目:

      1) “小精灵”(Gremlin)低成本无人机项目。

      2015年8月项目启动,根据研究目标,无人机可快速换装情报、监视和侦察(ISR)等传感器模块,并可选用非动能有效载荷。无人机通过C130运输机搭载至敌方前沿阵地,发射后实施穿插渗透,执行ISR任务,任务完成后可回收和重复使用。

      2) “低成本无人机集群技术”(low-cost UAV swarming technology, LOCUST) 项目。

      该项目设想在陆地或舰船上释放大量小型无人机,通过自适应组网、自治与协同,执行侦察、监视或者对陆及对海攻击任务。2016年4月,在陆上演示了30 s内连续发射30架“郊狼”(Coyote)无人机和编组飞行的试验。

      3) “山鹑”(Perdix)微型无人机机载高速发射演示项目。

      2017年1月,美国海军公布了3架F/A-18F“超级大黄蜂”战斗机以0.6 Mach速度投放103架“山鹑”无人机的演示结果。

      4) “进攻性蜂群使能战术”(offensive swarm-enabled tactics, OFFSET)项目。

      该项目于2017年1月启动,旨在开发和测试用于无人系统集群的体系架构、博弈软件以及用于分布式机器人的系统与算法,发展可以控制集群的原型系统。

      根据国内有关报道,在无人机集群技术研究领域,国防科大、空军工程大学等军内院校开展了基础理论研究、作战仿真实验和无人机编队飞行演示验证。复旦大学、南京航空航天大学等高校开展了无人机集群编队、协同规划技术的研究,并取得了一定的研究成果。在原型系统研发方面,航天三院开展了一定数量的无人机半实物仿真实验,验证了集群技术原理; 中国电科集团电科院、清华大学和泊松科技公司合作,于2016年11月在珠海航展上公布了67架规模的无人机集群编队飞行原理验证测试结果,2017年6月,该团队还进行了119架固定翼无人机集群的飞行试验,演示了密集弹射起飞、空中集结、多目标分组、编队合围、集群行动等动作概念,2018年5月,完成了200架无人机集群飞行演示验证[2]

    • 1980年代,美国率先提出了海上无人系统集群的概念。海上无人系统集群是指通过智能化的指挥、协同控制和信息交互,将水面无人艇集群、无人水下机器人集群进行有机集成。水面无人艇集群作为重要一环,现已得到高度重视及广泛研究。

      近10年内,国内外对水面无人艇集群作战进行了一些试验验证。例如,在2014年8月,美国海军研究办公室在弗吉尼亚州詹姆斯河开展了13艘水面无人艇集群协同搜索、围捕的试验,验证了“分散与数据自动融合系统”(decentralized and autonomous data fusion service, DADFS)和“机器人智能感知系统控制体系架构”(control architecturefor robotic agent command and sensing, CARACaS)这两个软件在实现水面无人艇集群协同完成任务分解和自主决策方面的有效性。由于上述系统在目标识别、拦截等方面还需要人工辅助,所以仅实现了半自主的无人协同作战。 2016年10月,美国海军研究办公室还开展了4艇协同对海面目标自主察打跟踪的试验,并取得了成功,这标志着美国成为了首个实现水面无人艇集群自主作战的国家; 2018年1月,中国华中科技大学实现了4艘水面无人艇组网,并进行了协同勘探、巡逻缉私、物资投送、污染清理等试验; 同年5月,云洲智能公司使用56艘水面无人艇,验证了航迹规划、编队控制、集群内部冲突解脱算法的有效性。综上所述,在水面无人艇集群方面,我国相关研究的起步较晚,目前实现的水面无人艇集群协同控制与智能化程度距国际先进水平尚有一定的差距。

    • 无人水下机器人从1960年代开始逐步发展。近些年,大型化、综合化和多任务作战能力成为了美、俄两国无人水下机器人发展的主要方向。在无人水下机器人集群领域,其他国家也竞相投入力量开展相应研究,在军用和民用方面得到了初步应用到了初步应用[3]

      2008~2009年,欧盟的GREX项目验证了在有限通信条件下的编队航行。2010年,美国国防先期研究计划局开始研发“分布式敏捷反潜系统”(distributed agile submarine hunting, DASH),探索利用无人系统集群实施反潜探测,并于2015年7月在菲律宾海域由40艘无人水下机器组成的“海底星座”网络成功实施了大范围反潜探测演示验证。2006年,美国海军研究办公室提出了“近海水下持续监视网”(persistent littoral undersea surveillance network,PLUSNet)项目,旨在利用“俄亥俄”级战略核潜艇搭载无人水下机器集群以加强潜艇对近海环境的反潜探测能力,2013年9月,项目完成了5个节点的水下网络初步测试,2015年,成功完成各项海上测试,目前已小规模部署进行作战评估。2016年,英国在“无人战士”(unmanned warrior)军演中进行了无人水下机器集群作战演示。此外,美海军在“分布式侦察与探测的协作自主性”(cooperative autonomy for distributed reconnaissance and exploration,CADRE)系统研究项目的协同框架下开展并验证了无人水下机器集群扫雷任务。目前,我国在无人水下机器集群研究方面仍处于编队航行、协同作战概念探索及水下组网通信等关键技术研究阶段,例如,哈尔滨工程大学进行了6~9艘小型无人水下机器群组的中继通信、动态组网、航行控制、群组指控、相对导航等试验。

    • 无人机、水面无人艇和无人水下机器人集群技术的进步为跨域海上无人系统集群的发展奠定了基础,这些技术可用于无人系统的协同侦察、快速强力突击、全域集群濒海对抗、精准高效保障等任务[4]。目前,在跨域海上无人系统集群作战方面,主要有美、英、法几个国家通过演习进行了作战概念验证,重点验证跨域通信和指控能力,并在近几年不断取得突破。具体验证项目如表1所示。

      项目主题承担机构开展时间/年演示验证内容平台类型及数量
      异构无人系统
      跨域通信
      美国通用动力公司 2016 UUV,UAV,核潜艇间的跨域通信 1艘UUV、1架UAV、1艘核潜艇
      2017 在2016年实现跨域通信的基础上,验证由UUV发射UAV 1艘“金枪鱼-21”UUV、1架“黑翼”UAV
      2019 USV,UUV,濒海战斗舰(LCS)以及核潜艇等有人无人作战平台跨域协同通信、探测信息传输验证 “金枪鱼-9”UUV,通用USV,LCS和核潜艇
      美国航空环境公司 2016 UAV由核潜艇发射,作为核潜艇,UUV,USV间的通信中继 1架“黑翼”UAV、1艘核潜艇、1艘UUV、1艘有人水面舰艇
      美国洛克希德·马丁公司 2016 UUV发射UAV,“矢量鹰”固定翼UAV、“金枪鱼”UUV、核潜艇跨域通信 1艘USV、1艘UUV
      美国波音公司 2017 UUV与USV间的跨域协同通信 1艘USV、1艘UUV
      美国海德罗伊公司 2017 UUV与UAV协同执行ISR任务 1架“黑翼”UAV、1艘REMUS 600 UUV
      协同指挥 美国诺斯罗普·格鲁曼公司 2016 开发全新的跨域异构无人系统协同作战控制架构“先进任务管理与控制系统”(AMMCS) 1艘REMUS 600 UUV、2艘“波浪滑翔者”USV和1架有人直升机
      2017 开发“自主控制、发展和认知”(ACER)系统,实现了单系统对多个UAV,USV和UUV的指挥控制 1艘“普罗特斯”大型UUV、1艘REMUS 100 UUV、1艘IVER UUV、2艘“激流”UUV,2艘“波浪滑翔者”USV和1架UAV
      英国奎奈蒂克公司 2016 开发ACER系统,实现单系统对多个UAV,USV和UUV的指挥控制 25种无人系统:UAV,USV和UUV
      法国舰艇建造局 2017 利用I4®Drones任务系统成功实现3种无人系统协同探测、识别、拦截和摧毁敌小艇的指控作战演示 IT180小型旋翼UAV,REMORINA USV和UUV

      Table 1.  Typical demonstration projects of cross-domain swarm operations of marine unmanned vehicle

      由表1可见,国外美、英、法这几个国家已在跨域无人系统集群协同作战领域开展了卓有成效的研究工作,从多个角度验证了集群协同作战概念的可行性,初步解决了与无人系统集群、协同作战密切相关的集群发射回收、编队机动、自主控制与任务管理、信息共享、跨域通信指控等关键技术问题,有望在未来十年内加速发展并形成规模化作战能力。

    • 目前,无人系统集群正朝着自主化、协同化、多样化的方向发展。未来,无人系统集群必须能够与有人系统无缝集成,且拥有很强的自主行为能力及自主控制能力,以便在瞬息万变的环境下能够独立或协同完成复杂任务。结合国内外研究现状,分析得到未来海上无人系统集群技术将呈现如下发展趋势:

      1) 作战任务由执行相对简单的侦察监视任务向主流作战任务方向发展。

      当前,无人系统集群执行的主要任务基本上还是以传统的ISR任务为主,随着技术日渐成熟,未来将逐渐向需要更强决策控制能力、可压制敌防空系统及纵深突防攻击等复杂任务方面扩展。

      2) 集群控制由简单遥控、程控方式向人机智能融合的交互控制方式转变,并逐步向全自主控制方式发展。

      有别于有人装备,无人系统的控制水平是实现无人操控和执行各种任务的关键。当前,无人系统集群智能化水平还较低,各平台控制方式主要以简单的遥控和预编程控制为主。随着无人系统智能化水平的提高,未来其控制方式将向更先进的人机交互和全自主控制方向发展,以适应复杂、动态、对抗、不确定的真实作战环境下的作战任务要求。

      3) 体系结构由专用化、单一化向通用化、标准化、互操作方向发展。

      互操作技术可提高无人系统集群执行作战任务时的协同作战能力。美军已着手研究通用控制技术,使无人系统能够在控制、通信、数据、数据链等方面达到更高的互操作性。通用化将使无人系统集群的可维护性和集成性更便捷,快速融入现有的有人作战体系,从而提高体系作战能力。

    • 无人系统集群是以集群智能控制算法和协同感知、协同任务规划及高效低成本平台技术为基础,围绕任务目标,形成以无中心、群控制、高涌现等为特征的整体作战群组。由于无人系统集群可执行的任务复杂多样,自适应环境,对抗交换成本低,抗毁性高,直接通信量小,具有颠覆未来战争样式的潜力,所以美军将其列为实现第3次抵消战略的颠覆性技术之一。然而,若要形成作战能力,无人系统集群需要具备通信自组网、协同态势感知、任务分配、航迹规划、编队控制和虚拟测试这些关键技术。

    • 灵活、高速和可靠的通信网络是实现无人系统集群实时信息交互传输的基础,而网络分簇和拓扑结构优化是现有研究的主要方面。

      网络分簇通过网络结构分层来提高网络通信效率,算法一般包括最低ID、最高节点度、基于权重的分簇等。在传统方法的基础上,有学者提出了可避免将能量低的无人机选为簇首的基于能量的权重分簇算法。文献[5]提出了CB-MAC协议,该协议对簇的形成过程进行了定义,更适用于集群通信。

      网络拓扑结构优化主要解决通信网络连通性的问题。在此基础上,优化通信功率,降低内部干扰,提高网络抗毁伤能力,分别包括基于位置、方向、邻居节点和最短路径的拓扑控制算法等。文献[6]给出了一种基于学习自动机的拓扑控制协议(learning based topology control mechanism,LBLATC),该协议的特点是,每个传感器节点的学习自动机利用相邻传感器节点的学习自动机产生的增强信号来选择合适的节点传输范围。文献[7]给出了2种基于位置辅助的网格拓扑控制算法, 也称贪婪基跟踪(greedy basis pursuit, GBP)算法,该算法的设计目标旨在有效减少保持全局网络连通性所需的活动节点数。为了解决传统网络拓扑控制忽略网络容量的问题,文献[8]给出了综合平衡网络容量和网络传输能耗的网络拓扑控制算法。文献[9]给出了节能拓扑控制算法(energy efficient topology control algorithm, EETCA),该算法可以移除具有高丢包率的链路,求解得到符合网络传输能耗约束的最优拓扑,以降低节点的能量消耗。

      与传统的无人机集群通信相比,跨域无人系统集群自组网有其自身特点:

      1) 不同域的信道容量和延迟存在差异。信号传递介质不同,传递信息的距离、速率、带宽、容量和延迟也会有较大的不同,而空中通信网络在上述各方面都比水下通信网络表现优异。采用水声通信技术的水下通信网络虽然传输距离可达到数十公里,但其传输的可用带宽被限制在20 Hz的低频范围内,传输速率有限(约每秒几十千比特),带宽和速率远远低于空中射频通信。

      2) 不同域的节点移动速度差异使拓扑结构呈现高频动态变化。移动速度由高到低分别为无人机、水面无人艇和无人水下机器人,由于这3种平台的移动速度不匹配,集群之间和集群内部通信拓扑的变化会更频繁。

      3) 跨域无人系统的状态多样性[10]。同一时刻,跨域无人系统内可能会同时执行搜索、干扰、跟踪和攻击任务,这也就需要通信网络能够智能调配资源以支持低延时和高并发需求的任务,例如实时决策、协同感知等。

      综上所述,面对基于海上跨域无人系统集群作战的新场景,未来通信网络拓扑可以从如下方面展开研究:通信拓扑构建、跨域通信时中继节点选择、同域中继节点选择、通信拓扑随平台运动自适应变化、随任务变化的通信资源智能分配、通信拓扑抗毁伤评估等。

    • 无人系统集群感知信息具有的多源性、异构性、多维和动态性特点,使各类传感器的数据适配和分布式多平台感知信息的融合过程变得异常复杂[11-12]。有鉴于无人系统航行过程中多传感器之间存在信息冲突的问题,文献[13]改进了传统的D-S证据理论,使用加权方法来调整不同证据的可信度,利用Dempster证据组合规则实现了目标信息的融合。在多水面无人艇集群的协同数据关联方面,文献[14]基于卡尔曼滤波分析设计了有效数据的融合算法,减小了通信时延;在水面无人艇多传感器协同导航方面,文献[15]采用自适应信息共享因子联合滤波器(AISFF)实现数据融合;在分布式多平台数据融合方面,文献[16]利用Dempster证据组合规则衡量多源信息分析,证明了该方法可以有效处理信息融合过程中不同信息源置信度冲突的问题。

      随着人工智能技术和计算机硬件性能的提高,国内有学者将神经网络和模糊理论应用到数据融合技术中。例如,文献[17]提出将自适应模糊神经网络和卡尔曼滤波器应用到目标跟踪系统的融合算法中,通过自适应调整跟踪参数,较好地解决了目标丢失的问题; 文献[18]提出了一种结合样条逼近理论和神经网络原理的融合算法,通过权值修正迭代及快速确定权值,达到了增加运算速度和计算精度的目的。

    • 海上无人系统集群的任务分配是指在满足环境和作战单元约束的条件下,为各作战单元分配任务并确定任务时序。任务分配按照协同控制架构可以分为2种类型——集中式和分布式[19]

    • 经典的集中式任务分配模型包括:多旅行商问题(multiple traveling salesman problem, MTSP)、车辆路径问题(vehicle routing problem, VRP)、多选择背包问题(multiple choice knapsack problem, MCKP)、混合线性整数规划(mixed integer linear programming, MILP)[20]、动态网络流优化(dynamic network flow optimization, DNFO)[21]、处理器资源分配(multiple processors resource allocation, CMTAP)等。海上无人系统集群平台数量多、异构特性突出、任务类型丰富,这些特点使描述分配问题变得更复杂,增加了求解空间。在求解集中式分配模型方面,典型的求解算法包括最优方法和启发式方法。而最优方法还有图论法、约束规划法、整数规划法、穷举法,这其中的整数规划法又发展出了矩阵作业法、单纯性法、匈牙利法、分支定界法、混合整数规划算法等。虽然最优方法可对模型精确求解,且求得的解是全局最优解,但缺点是用时长,实时性不高。

      启发式求解方法分为3大类:列表算法、聚类算法、智能算法。其中,列表算法是基于优先权函数对任务处理次序进行排列,然后分发给各成员[22];聚类算法是将任务作为一个簇聚类,通过满足任务簇与系统成员的数量达到一致[23]来实现分配,这两种算法有一定的应用。相比聚类算法,智能类算法的应用较为普遍,尤其以遗传算法、粒子群算法、蚁群算法的应用居多。智能类算法通常健壮性较强,既适合于分布式计算机制,也可与多类其他算法相结合,但其缺乏严谨的数学基础,没有对应和深刻的且具有普遍意义的理论分析,对其机理的数学解释也薄弱,缺乏规范化和针对算法优化性能的评价准则。尽管如此,这些方法及其改进算法依然被广泛应用到了无人系统集群任务的分配中。

    • 分布式任务分配的典型模型主要包括多智能体决策理论、市场机制(合同网/竞拍)、分布式马尔科夫、分布式约束等。其中,多Agent理论[24]被广泛应用于机器人领域。随着应用样式的多样化,多Agent理论还衍生出了很多分支,如图1所示。

      Figure 1.  Distributed tasking model and method

      针对智能体与不确定因素之间的矛盾,已有的常用算法包括博弈论方法[25]、分布式马尔科夫法[26]、分布式贝叶斯方法[27]等。分布式约束可以形式化为一个约束网,网中变量有各自的离散值域,且各自的约束相互联系,求解过程是求出变量的某个组合,使所有约束值相加获得极值[28]。分布式约束也可以被视为多Agent理论的分支应用。类市场机制方法是多无人机任务分配中被广泛应用的一种分布式方法,其核心功能是防止冲突,而对每个问题的求解则采用通信协商的方式。合同网算法[29]由发布者和竞标者两个角色,由“招标—投标—中标—确认”4个交互阶段组成。而拍卖算法[30]则是将要拍卖的物品用公开竞价的方式转卖给应价最高者,一次拍卖过程主要由参与方、拍卖品、收益函数和应价策略等要素组成。此外,拍卖算法的演化算法也逐渐受到广泛重视,例如,一致性包算法(consensus-based bundle algorithm, CBBA)[31]

    • 航迹规划是完成作战任务的关键步骤。从出发点到任务开始执行点的航迹、巡逻航迹以及跟踪围捕的航迹均属航迹规划的范畴。根据作战任务规划,协同无人机、水面无人艇、无人水下机器人的航迹需要考虑诸多约束和状态变化,例如,平台的机动性能、保持平台间的通信拓扑、速度匹配、环境威胁、航程、航迹冲突、成员的动态进入退出、由巡逻转入跟踪时的状态切换等。

      为此,国内外学者积极展开研究,取得了大量的不同任务场景下无人系统集群航迹规划的研究成果,涉及的主要问题如下:

      1) 环境模型:建立无人系统集群规划空间的数学模型;

      2) 航迹表达:表示规划后出现的航迹的方法;

      3) 航迹优化:最短和最安全的航迹和航程规划及其规划所需的最短时间,也即路径搜索算法优化问题;

      4) 时间和空间的精准协同:一些任务需要无人平台在指定时间内以特定方位−俯仰角到达目标点的附近,也即航速和航迹精准控制问题;

      5) 规划空间内的航迹冲突消解:由于无人平台数量多,预先规划的航迹有一定概率会发生冲突,需要局部调整航迹或者航速,也即冲突解脱问题;

      6) 航迹规划动态调整:在实际海域有可能出现无法航行的区域,需要随时调整,目标点的位置也可能发生新的变化,因此需要根据新出现的情况迅速重新规划以调整航迹,也即在线航迹快速规划问题。

      文献[32]设计了层次化的多无人机协同模型,通过Dubins曲线航迹规划、碰撞回避和路迹长度协调这3个阶段来实现多无人机时空协同。文献[33-34]采用有约束的网络图环境模型,该模型可将航向约束转化为特定网络节点的连通性约束,可以解决网络图中的空间协同规划问题。此外,文献[35]提出的人工势场算法也是一种有效的无人系统集群协同航迹规划方法。该算法规划速度快、安全性高,适合于协同规划,但由于存在斥力和引力相等的静止点,故会导致算法停滞,规划失败。

      A*算法是一种经典的算法,但并行性差、实时性不高,对于无人系统集群的航迹规划并不适合,而规划速度快、并行性佳、易协同、可收敛到最优的智能算法则适合用于求解无人系统集群协同的航迹规划,故得到了广泛研究。此外,利用群智能算法还可将无人系统集群的协同目标分配和航迹规划通过类似算法结构进行统一处理[36]。然而,智能算法也存在缺点,它没有明确的基因表示的定义,求得的最优解不是唯一的,存在冲突和违背约束,因而也可能导致规划和协同失败。

      文献[37-38]提出采用遗传算法和差分进化算法规划单机和多机的协同飞行航迹,此后大量航迹规划的研究都是围绕改进差分进化算法来展开的。例如,多种群小生境进化算法[39]、平行进化算法[40]、量子遗传算法[41],以及将免疫机制与遗传算法相结合的算法[42]等。这些算法证明了利用物种进化机制和并行寻优可以较快地搜索到解空间的最优位置,获得多条可行的协同航迹。此外,进化理论不受空间结构的限制,适合处理三维甚至多维空间中的航迹规划问题[39-40, 43]

      从在线规划的角度来看,实时动态的航迹规划思想已获广泛认同。例如,有效扩展的马尔科夫决策方法(Markov decision process,MDP)[44-46]和增强学习方法(reinforcement learning, RL)[47-50]已被广泛应用于航迹在线规划应用中,该方法利用状态转移逐步进行区域探索和预测,通过学习提高平台处理复杂、未知和不确定环境的能力,它不仅要考虑当前阶段航迹扩展的即时效应,还要考虑对后续继续决策产生的影响,故适合于实时航迹的重新规划求解。然而,该方法要处理的状态转移模型复杂,可能导致“维数灾难”、规划性能严重下降,故仅限于单平台的在线规划,难以有效处理集群协同的问题。

    • 海上无人系统集群是通过自组织网络连接构成的分布式智能群体,由若干同构或者异构的智能无人平台(智能体)组成。在协同执行某项任务时,需要编队构型保持相对稳定,以实现不同平台间的协调运动(例如固定队形、协同跟踪、协同围捕等)和稳定的通信连接。为此,使用的主要方法如下:领航者−跟随者法、基于行为法、人工势场法、虚拟结构法和基于强化学习的编队控制方法等。

      领导者−跟随者法是采用指定编队系统中的某个智能体作为编队的领航者,而其他智能体为跟随者,并以一定的相对位置或者姿态跟踪编队的领航者。该方法实质上是将编队控制问题直接转化为跟随者跟踪领航者的方向与位置的问题[51-52]

      基于行为法的基本思想是定义一组无人系统集群的期望行为(例如驶向与驶离目标、障碍检测与避碰、队形保持与变换等),并将每个智能体的运动视为一系列行为的加权组合。在使用该编队控制法时,智能体的行为控制器通过接收控制指令和艇载或机载传感器检测到的周边环境信息来输出相应的行为,从而实现集群整体的协同控制。在基于行为的智能控制方法的应用研究方面,文献[53]详尽地研究了多空间飞行器编队的飞行问题,并分析了编队收敛性与误差的影响;文献[54]对此控制方法进行了深入分析和形式化表达研究,提出了最近邻协调思想。总体上,该方法对于解决具体问题通常极为有效,但也存在缺陷,例如,它很难对行为进行数学分析,且编队队形难以保持。

      人工势场法是在集群控制中引入势能场概念,由势函数模拟影响集群中个体行为的内、外作用,个体在势函数的作用下采取行动,通过这种方法实现对集群的控制[55]。在人工势场法的智能控制应用方面,文献[56]在实验室环境下构建了一种低成本的人工智能集群控制演示验证系统,以机动的自组织探测集群为验证对象,对基于此方法的自组织控制策略进行了演示验证。

      虚拟结构法的基本思想是将多智能体的编队视为虚拟的刚性结构,每个智能体又被视为刚性结构上一个相对位置固定的点,当编队移动时,智能体跟踪刚体上的虚拟点运动。与领航者−跟随者方法有所不同,虚拟结构法通常无需真实存在的领航者(可以存在虚拟领航者),编队中各平台形成期望的刚体形状,且一般以跟踪偏差作为反馈来实现期望的队形。在虚拟结构法的智能控制应用方面,文献[57]提出了一种结合此方法的输出反馈协同控制方法,实现了一组具有有限感知范围的独轮式移动机器人完成期望的编队跟踪任务;文献[58]提出利用图刚度求解非平面多智能体编队控制问题的方法,各智能体由分布式控制律协同形成编队队形;文献[59]建立了多无人机虚拟刚体模型,由遥控手柄实时给出无人机编队的飞行轨迹,各无人机则根据事先设计的队形库来保持队形,并可在几种队形间切换。

      综上所述,传统的大部分编队控制方法通常需要平台和扰动的精确模型来进行控制率设计,但模型通常具有复杂、时变、非线性的特点,加之传感器误差、环境扰动等随机因素的影响,通常难以精确建模,因此严重限制了传统分析方法的适用范围。

      强化学习方法作为替代方法正越来越多地受到关注,因为此方法采用无模型方法来解决上文所述矛盾。在强化学习方法方面,文献[60]针对连续状态空间中固定翼无人机编队协同控制问题,提出了基于深度强化学习的协调控制算法;文献[61]使用强化学习方法,解决了异构无人机编队轨迹跟踪问题;文献[62]的研究团队相继发布了多项有关集群协同控制的研究成果,其提出的是一种将强化学习和集群控制相结合的混合系统,并通过仿真和实验验证了系统的可扩展性及有效性。该混合系统由低层集群控制器和高层RL模块组成,这种二者结合的方式,使系统能够在保持网络拓扑和连通性的同时规避集群外部的威胁风险。混合系统中的RL模块采用Q学习算法,并通过共享Q表的方式来实现分布式合作学习。

    • 无人系统集群协同作战可广泛应用于编队护航、搜索巡逻、区域控制和平战结合的信息保障等军民用任务。欧美一些国家正在积极推进无人系统集群演示验证试验,以加快推进技术的实战化应用。由于当前无人系统集群的关键技术尚未成熟,因此需要开展大量的测试验证和优化。但是,海上试验环境复杂,试验成本高,长期利用无人系统集群实装测试并不现实。其中,实装测试面临的一些“痛点”问题包括:

      1) 代价大:需要大量的人力物力保障和针对不同的测试项目搭建的试验场景设施;

      2) 风险高:存在无人装备频繁布放回收风险、碰撞风险、恶劣海况和异常情况下设备损坏倾覆风险;

      3) 周期长:需要合适的天气和环境条件;

      4) 算法优化效率低,试验次数有限。

      同时,无人系统集群实装测试也面临本身难以克服的“难点”问题。

      1) 无法测试算法边界:无人系统装备在交付之前需要摸清平台在各种极限工况下的适应能力,但是对于实装过程中的危险场景和危险操纵行为进行测试的风险太大;

      2) 可重复性差:算法可靠性评估要求对一种场景进行多次重复测试,在实际环境测试过程中,场景不断变化,风浪流的干扰和动态船舶的行为状态每次都会不一样;

      3) 测试场景不够充分:实装测试场景非常有限,无法评估算法的适应性;

      4) 测试数据有限:因为当前无人系统集群算法中应用了许多人工智能技术,需要比真实环境中更多的测试数据以对算法进行训练优化,而真实试验中的样本始终是小数据。

      综合上述问题,可见虚拟测试技术对于加快无人系统集群算法迭代和促进集群作战能力的形成具有重要意义。

      文献[63]在国内最早提出了平行系统理论,这是一种面向复杂系统进行管理和控制的仿真、计算和分析方法。文献[64]提出了一种测试和试验无人车对复杂交通场景的理解和行驶决策能力的方法,使无人车具有在人类专家指导下自动自我升级的认知机制,对构建和测试其他人工智能系统具有重要的启发意义。文献[65]系统归纳总结了自动驾驶汽车测试场景的要素种类、数据处理方法、虚拟测试方法、测试平台和虚拟测试的关键技术要点。文献[66]对测试公开可用的驾驶数据集和虚拟测试环境下的自动驾驶算法做了综述分析。文献[67]提出一种多层次平行交互的水面无人艇自主航行能力测试技术,采用多域融合、混合映射、虚实结合和科学评估的平行交互测试方法,针对水面无人艇的自主感知、自主规划、自主避碰和自主控制这些能力的设计评估模型,从安全性、快速性和准确性方面对水面无人艇各自的自主航行能力进行了测试评估,为水面无人艇自主航行能力测试提供了新思路。

    • 本文分别概述了无人机、水面无人艇、无人水下机器人集群和海上跨域无人系统集群的国内外发展现状,分析了无人系统集群未来发展应用的方向,系统梳理了无人系统集群所需的6大关键技术、相关算法的研究情况及其发展趋势,旨在为海上无人系统集群应用和技术研究提供一定的支撑。

      无人作战装备体系中,无人机具有航程远、滞空时间长,分布式部署、全方位覆盖和成本低、效率高等特点,可以承担诸多任务,例如,可长时间滞空遂行远程警戒、目标指示、中继制导、打击效果评估和热点区域持续监视等;无人水下机器人具有隐蔽性、安静性和使用灵活的特点,是在敌方基地前沿、关键水道、重点海区等区域执行水声探测任务的理想装备之一;无人艇在大型海上编队外围伴随航行,不仅可以作为编队的新型反潜力量,也可以作为水下与空中探测感知网络之间的中继节点,为海、空、潜立体侦察探测提供基础。多个无人装备组成的海上无人系统集群通过利用不同无人装备的特长而优势互补,采用群体协同作战的方式可以克服单个平台载荷能力有限的缺陷,极大地增强无人作战体系的威力,拓展海军体系作战能力边界,为未来海上作战提供更灵活多样的新型作战样式。可以预见,未来海上无人系统集群将在要地防御作战、伴随机动作战、关键区域布控作战和饱和式攻击作战中发挥重要作用。

Reference (67)

Catalog

    /

    DownLoad:  Full-Size Img  PowerPoint
    Return
    Return