学号：22021110314   姓名：李诗瑶

【嵌牛导读】：随着无人机技术的不断发展，人们对于无人机不再只追求单体性能，而逐渐转向群体智能。本文从技术及应用两方面对无人机蜂群进行了综述。首先，我 们从智能决策、路径规划、通信、集群控制和集群模型几个方面对一些关键技术 进行了介绍。然后我们对无人机蜂群的应用发展与现在进行了总结。最后，还涵 盖了无人机蜂群技术的难点与挑战。通过这篇文献综述，我们为无人机蜂群提供 了一些见解。

【嵌牛鼻子】：无人机蜂群；自主控制；智能集群

【嵌牛提问】：什么是无人机蜂群？怎么进行无人机的智能集群？

【嵌牛正文】：

近年来，随着通信网络、人工智能、自主系统、大数据的前沿技术的发展， 无人机蜂群作战也正在由概念变成现实，从理论走向实践。航迹规划，多机协作， 集群控制等问题成为当下研究热点。在军事作战中派遣多无人机协同作战相比于 单无人机能够在穿透敌方防御系统，探测目标以及执行攻击任务等方面更具优势 [1]，采用大规模、低成本的无人机蜂群进行低空突防,实施饱和攻击已成为一种全 新的"非对称"对抗战术[2]。在各种民事应用中，无人机蜂群已经被广泛用于环境 和自然灾害监测、边境监视、突发事件援助、搜索和救援、货物传递和建筑等任务。随着航空技术与人工智能的迅速发展，无人机以其操作灵活，成本低廉等特 点，在民用及军事领域都有广阔的应用前景。

1.无人机蜂群

基于无人机(Unmanned Aerial Vehicle, UAV)的各种应用是一个近年来得到飞速发展的高技术领域[1]。由于单架 UAV 存在能力受限、可靠性弱等缺点，由多 UAV 协作构成多 UAV 蜂群可以更高效、更可靠、更低代价地支持完成各种任务。

无人机蜂群是由若干配备多种任务载荷的低成本小型无人机组成，参照蜜蜂 等昆虫的集体行动模式，以智能化无人控制技术和网络信息系统为支撑，在人类指挥或监督下共同完成特定作战任务。无人机蜂群可以是同构的,也可以是异构 的，其以数量众多、群体智能为典型特征,可实现协同任务分配、协同探测和协同 攻击，能够极大增强无人机的通信能力和抗毁伤能力，扩展无人机对战场信息的 感知获取能力，提高无人机协同执行任务的能力。

在2016 年美国空军提出的《小型无人机系统飞行规划 2016~2036》中，集群 无人机被分为蜂群，编组，忠诚僚机，诱饵四个概念。

其中编组指人对人，忠诚僚机指人对机，蜂群指机对机。即蜂群无人机为无人机自主编队协同飞行，这要求无人机在自身控制器稳定的基础上，还需要有高 度的自主能力[3],[4]。基于机群自主能力，对无人机群提出了如下要求：

（1） 可有效解决有限空间内多无人机之间的冲突；

（2） 可以低成本、高度分散的形式满足功能需求；

（3） 可形成动态自愈合网络，通过去中心化自组网实现信息高速共享、抗 故障与自愈；

（4） 具有分布式集群智慧，可通过分布式投票解决问题，且往往该种方式 正确率更高；

（5） 可采用分布式探测方式，提高自动与被动探测的精度。

无人机蜂群主要具有以下特点：

（1）体积小成本低但载荷有限。

已公开无人机可按十克级（蝉无人机）、百克 级（山鹑无人机）、千克级 （郊狼无人机）、十千克级、百千克级（小精灵无人机）形成量级层次；整体来看，无人机蜂群以微小型无人机为主，大多体积小、重量轻，便于大规模 空中投放；可探测性低，便于隐蔽作战、突防使用；组成集群的单无人机平 台价格低廉，可大量装备，使用时即使有损失，也不会过于惨重。 虽然具有体积小成本低的优点，但这些无人机可携带载荷重量有限，通 常飞行具有受限、 工作时长受限。如郊狼无人机为机翼和螺旋桨可折叠，长 0.79 米，高度 0.3 米，翼展 1.47 米，重 5.4 到 6.4 千克、荷载 1.8 到 2.7 千克； 山鹑 （Perdix）无人机为全复合材料、 锂电池推进一次性微型无人机，长约 16.5厘米，翼展30厘米，重0.3千克；"近战隐蔽一次性自主无人机"（CICADA, 蝉）为一次性微型无人机，机身 3D 打印，自身无动力，单机 65 克甚至更轻。

（2） 数量多体系化生存

无人机蜂群无人机数量多，蜂群整体体系化生存，不依赖单机个体存在， 不依赖个别节点运行；作战使用中部分无人机被摧毁或功能丧失，蜂群整体 功能减弱有限，个别无人机损伤蜂群整体仍能保持功能完备，较多无人机损 伤时蜂群整体功能可能遭到削弱，但仍可保持相对完备。如蝉无人机可携带 天气、温度、湿 度、气压传感器或声学探测、生化探测等微型电子设备， 由 空中平台"布撒"投放，降落地面后通过数据链互连成自组织网络，在指定区 域形成稳定的"无人探测蜂群"，部分蝉无人机毁伤，蜂群仍能开展区域探测 功能。

（3） 多功能组合搭配

无人机蜂群借助数量优势组合多种载荷，可以实现但不限于预警探测、 广域监视、前沿侦察、电子对抗、饱和攻击、战术诱饵、主动防御、网络战 等多种功能；无人机蜂群数量多、任务载荷多样性，组合搭配灵活性，战术 应用具有很大创新空间。如可参照小精灵无人机空中平台防区外发射，快速 渗透进入敌防区，携带侦察、监视或电子战载荷，分布式协同遂行任务；若 在任务载荷中配备目标特征模拟装置可以模拟假目标实施诱骗干扰，配备电 磁干扰装置或定向能武器就 可具备拦截能力，已有公开报道美军特种作战 司令部计划借助蜂群无人机开展心理战。

（4） 自组织智能协同

无人机蜂群通过有限智能个体的协同合作体现为集体智能，可实现自主 编队，甚至分组避障，部分毁伤条件下重构编队，如山鹑无人机可集体决策、 自修正和自适应编队飞行。无人机自主集群有很强的智能涌现的共识自主性， 具有一定的环境适应及事件应变能力，可针对威胁等突发状况进行复杂协作、 动态调整以及自愈组合 3。目前蜂群无人机多采用链路控制飞行或 GPS 导航 飞行，随着图像导航、自主重构等技术成熟应用，无人机蜂群将会更加智能 化，抗摧毁、抗干扰性更强。

2. 无人机蜂群相关技术

对集群的研究源于科学家 Grasse 在 1953 年对昆虫集群的行为研究，他发现 单个昆虫行为简单、能力有限，但由它们构成的集群却表现出明显的群体智能行 为，能够完成远远超出个体能力的复杂任务，例如蚂蚁、蜜蜂等。无人机集群作 战概念就是在这个基础上发展而来。

一些经典算法包括粒子群优化算法[5],[6]，蚁群算法[7]，这些算法经常被使用， 包括路径规划和任务分配等协同控制场景。新兴的算法，如狼群算法[8]，蜂群算 法[9],[10]，萤火虫算法[11]在分布式无人机群协同控制中得到了广泛的应用。

A. Kushleyev 等人[12]结合群合作观察定向决定行动(OODA)回路，首次实现 了 10 余架无人机的编队飞行。G. Vasarhelyi 等人[13]通过群体智能行为机制，实 现了 10 架四旋翼飞行器在户外环境下的自主集群飞行。G. Vasarhelyi 和 C. Virágh 等人 13,[14]介绍了群体智能如何应用于一组自主无人机的战略部署。

W. J. Cook 等人[15]认为无人机蜂群任务规划问题属于复杂问题的组合优化， 拟从运筹学的角度采用分层控制方法解决此类问题。J. Boskovic 等人[16]提出了无 人机集群的六层层次结构，有效地结合了任务规划、动态配准、反应运动规划和 突发生物激发的群体行为。Sanchez-Lopezetal 等人[17],[18]提出了一个多无人机系 统的混合反应/商议开放源码架构 AeroStack，包括五个维度即自由行为、执行、 深思、反思和社会。Tsourdos A 等人[19]从多无人机协调的方向将多无人机系统的 任务分配划分为任务规划层、协同路径规划层和控制层三个层面。

国内在无人机蜂群研究方面起步较晚，但经过多年的钻研探讨和学术积累， 也取得了一些成果。在理论研究方面，西北工业大学、国防科技大学、北京航空 航天大学、哈尔滨工业大学、华中科技大学和空军工程大学等高校围绕无人机蜂 群的任务分配、编队控制和航迹规划等关键技术取得了实质性突破，

王强等人[20]针对多无人机（UAV）协同多目标多任务分配问题,提出一种改进 离散粒子群算法。该算法能够有效地解决多 UAV 协同任务分配问题。

叶媛媛等人[21]利用满意解集合，降低计算复杂度，解决无人机协同任务分配 问题；

宋绍梅等人[22]采用层次分解策略建立了多 UAV 航迹规划系统结构，并将多 UAV 的协同航迹进行了分解；

曹菊红等人[23]设计了一种指挥系统，实现对多智能体系统进行协同控制；

2013 年国防科技大学出版《多无人机自主协同控制理论与方法》，对多无人 机任务分配、航迹规划、协同控制等课题进行了归纳与研究等等。

2.1. 智能决策

2.1.1. 多任务分配问题

ZHANGJIE FU 等人[24]针对多无人机协同任务分配问题，提出了一种新的系 统框架。其将该问题转化为一个组合优化问题，并用改进的聚类算法进行求解， 目的是使多无人机以低能耗完成任务。随着无人机数量的增加，无人机之间的碰 撞等飞行安全问题也随之出现，其提出了一种基于改进人工势场的多无人机抗碰 撞改进方法。为了进一步提高任务分配的准确性，其提出了一种改进的方法。此 外，其提出了一种在线实时路径规划和任务重新分配方法，以增强多无人机的鲁 棒性，特别是在任务中增加一个紧急目标等突发问题的响应。

数值仿真和真实的物理飞行实验表明，该方法为多无人机任务分配提供了一 种可行的解决方案，与其他任务分配方法相比，该方法具有良好的性能。

2.1.2. 无人机蜂群网络非合作博弈的功率控制

无人机蜂群网络是一种由大量节点组成的分层、多簇结构的无线通信网络。 卿利[25 ]重点研究了多信道条件下功率优化控制问题及措施，提出了一种基于非 合作博弈的分布式功率控制方法。

该博弈问题的价格因子设计考虑了网络节点重要度因子的影响，从而影响不 同类型节点的功率分配，每个节点根据连接关系评估得到全网节点的重要度因子。 核心节点可以分配更高的功率，保证更好的通信性能，是一种考虑服务质量保证 的功率分配方法。给出了分布式价格功率控制算法。

对所提出的算法进行典型场景下的仿真分析，结果表明该算法能够快速收敛， 保证簇首、核心节点等高重要度节点的干扰容限，提高网络的可靠性，达到每个 节点效用及系统总效用最优化。研究工作可为微小型无人机高频谱效率的无线通 信网络设计提供参考。进一步研究将重点考虑效用函数优化及服务质量保证的精 细化设计。

针对多无人机协同任务分配问题，提出了一种新的系统框架。将其转化为一个组合优化问题，并用改进的聚类算法进行求解。目的是使多无人机以低能耗完 成任务。

随着无人机数量的增加，无人机之间的碰撞等飞行安全问题也随之出现，提出了一种基于改进人工势场的多无人机抗碰撞改进方法。

针对联网无人机易受到各种网络攻击的问题，提出了一种基于入侵检测系统 (IDS)的多无人机执行任务时抵抗网络攻击的方法。为了进一步提高任务分配的 准确性，提出了一种改进的方法。此外，提出了一种在线实时路径规划和任务重 新分配方法，以增强多无人机的鲁棒性，特别是在任务中增加一个紧急目标等突 发问题的响应。最后，数值仿真和真实的物理飞行实验表明，该方法为多无人机 任务分配提供了一种可行的解决方案，与其他任务分配方法相比，该方法具有良好的性能。

2.2. 路径规划

2.2.1. 三维路径规划

无人机自主航迹规划中算法是核心部分。王平等人[26]提出了一种混合算法进 行三维航迹规划，其中蜂群部分采用较少的种群数量，迭代次数和预设路径点数 目，减小了计算复杂度，运行时间较短。经过与 A*算法的仿真对比，混合算法 减小了航迹威胁代价，能够得到较好的航迹。在多机协同方面，建议了一种自适 应时间协同方法，对时序到达时间差迭代以增加时序到达的可能性；应用任务分 配实现了栅格化固定攻击角度的时间协同，这些措施都能增加多机协同打击效力。

图 2 混合算法航迹规划流程图

2.3. 无人机群通信

2.3.1. 低能耗、安全通信技术

针对复杂战场环境下无人机(UAV)蜂群的渗透侦察任务，考虑无人机间信息 传输时能量消耗的不均匀性，影响侦察任务的高效实施，赵太飞等人[27]提出一种 基于无线紫外光隐秘通信的侦察 UAV 蜂群分簇算法。该算法结合无线紫外光通 信的优势，通过蜂群中无人机的能量感知，以分簇的方式优化能量分配，减少各 架无人机的平均能量消耗，以达到平衡能耗，节约能量的目的。仿真结果表明， 与现有算法相比，所提算法能够有效均衡网络能量消耗，提高网络的传输效率， 并且选取合适的数据包长度及节点密度可延长 UAV 蜂群的生存周期。

ZHANGJIE FU 等人 24 针对联网无人机易受到各种网络攻击的问题，提出了 一种基于入侵检测系统(IDS)的多无人机执行任务时抵抗网络攻击的方法，有助 于解决安全通信问题。

2.3.2. 高效率通信协议

刘炜伦等人[28]从通信协议方向出手，针对蜂群无人机自组网多优先级业务并 行传输，以及高优先级业务低时延、高可靠的服务质量(QoS)需求，提出一种支 持混合业务传输的多路访问控制(MAC)协议，其协议原理图如下图所示。

协议采用两种信道接入策略: 1) 最高优先级业务具有严格的时效性与可靠性 需求，采用多信道随机接入策略快速接入网络; 2) 其余优先级业务采用多信道忙 闲接入策略，根据信道占用度和阈值对未超时分组的接入权限实时控制。对接入 失败的分组采用基于信道忙闲感知的多优先级退避算法，并根据优先级类别和信 道忙闲程度自适应调整各自的竞争窗口长度，为多优先业务提供了 QoS 保障。 综合运用排队理论、Markov 建模、离散 Laplace 变换推导出了系统各项性能的 数学表达式和各优先级业务信道接入阈值。

仿真结果表明，该协议在重负载下能够有效保障高优先级业务低时延(＜2 ms)、高可靠(＞99%)的 QoS 需求及稳定的系统容量(＞10Mbit/s)，性能优于区分 优先级自适应抖动的多信道 MAC 协议和基于传输时隙分配和即时访问的混合 MAC 协议。

图 3 MPS-MAC 协议原理图

2.4. 无人机蜂群控制

2.4.1. 基于航电云的无人机蜂群控制方法

在航空作战体系中，基于航电云的无人机（UAV）蜂群作战是提高未来无人 机综合作战能力的一种新模式。针对无人机蜂群作战的航电云架构，如何将云端 作战任务派发到无人机且保证作战任务完成时间是其中关键。

（航空电子云系统架构，简称航电云，来源于互联网云计算思想，通过虚拟 化航电系统资源（例如通信设备，各种传感器）为资源池，以进行资源的统一管 理和按需服务。）

王荣巍等人[29 ]在无人机蜂群分层分簇网络结构和模块级资源虚拟化的基础 上，对传统单层平台级任务调度模型进行改进，提出了一种细化到模块级的多层 任务调度模型，将作战任务从云端逐层调度到无人机功能模块上执行。利用 OMNeT++对无人机蜂群多层任务调度模型以及传统的单层任务调度模型分别进 行仿真，云端以攻击使命组为例构建使命组集进行分配，并对任务吞吐量、消息 平均端到端延时和任务完成时间进行性能对比。

图 4 面向无人机蜂群的航空电子云任务调度示意图 29

仿真结果表明：与平台级单层任务调度相比，在执行任务方面，模块级多层任务 调度模型将单个任务平均完成时间降低了 46.2%，将使命组完成时间降低了 52.1%，在保证任务吞吐量的基础上具有对复杂任务更稳定的调度能力；在网络 性能方面，模块级多层任务调度模型消息端到端延时更低，延时分布更集中，提 高了网络消息传输的实时性。

该方法有两个特点：

基于资源需求的细粒度４层无人机任务模型具有通用性强、算法部署简单 的优点，可用于大规模无人机蜂群复杂任务模型描述。

模块级多层任务调度和传统单层任务调度相比：在网络拓扑上，多层任务 调度模型采用的分层分簇网络拓扑任务吞吐量高于单层任务调度模型所 采用的单层网络拓扑，且网络实时性以及稳定性优于单层网络拓扑；在执 行作战任务上，模块级多层任务调度模型单个任务执行时间短且分布集中、 使命组完成时间低于非模块级单层任务调度模型。

基于可控中心性牵制的无人机蜂群控制方法

基于虚拟方式的集群控制方法，张洁等人[30]研究了对牵制策略下无人机蜂群 的控制，并对度中心性牵制算法进行改进，利用网络的可控中心性选择网络的最 佳驱动节点。算法只需要进行特征值分解，具有计算简便、收敛快、计算代价少 等优点。

现有无人机间通信水平、传感器发展水平，可以使无人机只依据通信范围内的无人机信息以及牵制节点所知的虚拟领航者的信息反馈达到自适应蜂拥运动 的目的。无人机蜂群应用的最高等级是在复杂环境下实现多任务目标全自主规划。

无人机集群的蜂拥运动可以看作是：集群整体从出发点到目标点的运动，集 群个体间保持相对位置和姿态，避障，集群的分裂和重组。本文通过构建蜂群内 部成员的空间位置、速度、加速度模型，运用具有虚拟领航者的牵制策略，构建 蜂群中无人机蜂群势函数、加速度控制函数，实现无人机集群内部成员的群聚运 动和牵制运动。

在牵制策略的控制下，蜂群内无人机的速度会逐渐趋于一致，无人机机间距 离也将趋于一个定值，蜂群系统最终能够跟踪到虚拟领航者，达到稳定状态。 每次拓扑结构切换时，在每一个子网络中选择可控中心性最大的无人机作为牵制 节点，算法将整个网络划分为若干个子网络，在每个子网络当中选择度最大的节 点作为牵制节点。这样牵制节点和虚拟领导者之间就会产生虚拟连接，所有节点 都能够直接或间接地收到虚拟领导者的信息。随时间演变,蜂群最终成为一个连 通网络，只牵制一个节点。采用这种动态拓扑牵制的方法，既充分考虑了网络的 连通性，又特定地选出了对每个子网络影响相对较大的节点，控制效果有较大提升。

无人机蜂群网络

蜂群无人机能够协同的必要条件之一是无人机间能有效通信，选择合适的网 络拓扑能保证协同的安全性与稳定性，同时也能保证集群控制算法的正常运行。 如文献[31 ]提出的虚拟领航者框架为目前常用框架之一，但其网络拓扑被严格限 制，导致实际应用困难。文献[32]也因通信距离限制，从机械角度研究了固定翼飞 行器集群的最小转弯半径以解决通信问题。而文献[33]提出的鸽群模型中，模仿鸽 子间的交流也需要基于稳定的网络连接来交换彼此位置。为保证蜂群无人机间通 信稳定，动态可变，同时保证通信网络运行在可承受压力下，生成逻辑树算法在 这之中发挥了很大优势[34]。

储含露等人[35 ]给出了一种无人机网络的组织结构，将无人机网络分为基于 4G 技术的地空网络和基于 Ad Hoc 的宽带空空网络两部分。为了支持复杂的系 统功能，提出了一种支持蜂群应用的无人机网络体系结构，该体系结构自底向上 具有飞行层、智能层和应用层三个层次。该系统包括 1 个地面控制站（GCS）和 多个无人机节点。位于地面的 GCS 可以与蜂群采用 WiFi 或 4G 网络进行通信， 使无人机蜂群即可受地面人员的遥控，也可用系统程序控制。其中包括三种网络 通信方式：（1）空地通信：GCS 与空中无人机网络中的某无人机通过 4G 技术进 行点到点通信。例如，UAV1 具有 4G LTE 通信功能，它能够与地面 GCS 进行实 时通信。（2）空空通信：无人机蜂群基于 WiFi Ad Hoc 模式通信，为蜂群应用提 供宽带、短时延。（3）中转通信：某节点同时具有 4G LTE 和 WiFi 功能，CGS 能 够通过该节点与蜂群其他节点进行通信。实验结果表明该无人机网络体系结构和组织结构具有可行性和有效性。

图 5 一种支持蜂群应用的无人机网络的组织结构 35

仿生集群模型

（1）鸽群模型 鸽群模型[36],[37]主要用于集群个体的避撞，分散与聚集，在已知所有无人机位 置的情况下，通过使用李雅普诺夫函数构建势场，并构建的引领-跟随网络对个 体进行决策能力、控制量分级与连接拓扑优化，自动协调各无人机的运动状态， 达到群体协调运动的目的。

（2）雁群模型 雁群模型[38]主要用于长航时，远距离的固定翼无人机群，其构成的 V 字型编 队能使得前方无人机为后方提供上洗气流，而达到节省能源的目的。只需在相邻 无人机间构建连接，并在调整编队后更新连接即可，对网络连接与个体控制要求 不高。

（3）鹰群模型 鹰群模型[39]主要用于群体进攻目标，通过模拟鹰群的捕猎行为，在已知猎物 与其他无人机位置的基础上，猎物和无人机单体上构建不同的向量场，实现围绕 猎物飞行与机间避撞。

（4）狼群模型 狼群模型[40]是一个复杂的智能体模型，狼群在捕猎过程中的协同分工，群体交互 等使得其对环境的适应能力极强。而狼群模型对于无人机有很大的相似性，其模 型与无人机的映射关系如图 6 所示。因其复杂度较高，目前尚无完善的可应用的 模型。

图 6 狼群模型到无人机模型的映射

无人机蜂群应用的发展现状

3.1. 军事领域

多架无人机共同使用时，可以用无人机编队、无人机集群、无人机蜂群等 概念描述，三者概念相近，涵义有一定区别。

无人机编队是指两架以上无人机在空中按规定的间隔、距离和高度差组成 的编队。无人机编队成员间的间隔、距离与高度差通常较有人机编队成员 要求宽松、灵活，无人机也可与有人战斗机、有人直升机等飞行器组成混 合编队。

无人机集群通常是由遂行同一任务、受统一指挥并保持视距联系或战术联 系的若干无人机编队、或无人机编队与无人机组成的无人机编组。

无人机蜂群通常指由较多数量无人机组成、遂行同一任务、具 较高自主和 协同能力的无人机编队，多采用微小型无人机。

大中型无人机功能相对完备，即使编队方式使用，同时出动数量也有限，少 见几十架共同执行任务；单架微小型无人机性能相对单一，采用编队方式使用可 以利用数量或组合弥补性能单一的短板，更重要的是可以利用低探测性和数量多 等特点获得非对称优势。因此，编队协同多以大中型无人机研究为主，无人机蜂 群则是数量较多的微小型无人机组成的无人机集群，以较大数量规模集体行动，为具有较高智能的无人机集群。

微小型无人机初级编队门槛比较低，具有一定无人机技术能力和制作能力的 组织或个人，利用消费级无人机就可组织一定规模的无人机蜂群，出于恶意方式 使用越来越容易；但面向军事用途的高自主、高协同、高智能特征无人机蜂群研 发，仍以各国军方为主。

鉴于无人机蜂群作战的巨大潜力，目前美国的战略能力办公室(SC0)、国防部 预先研究计划局 (DARPA)、空军研究实验室(AFRL)、海军研究局(ONR)四家单 位都在开发无人机蜂群作战技术[41]。

2016 年 11 月,欧洲防务局启动了"欧洲蜂群"项目,开展了无人机蜂群的自主 决策、协同飞行等关键技术研究。2016 年 9 月,英国国防部发起无人机蜂群竞赛, 参赛的多个团队控制无人机蜂群实现了通信中继、协同干扰、目标跟踪定位和区 域测绘等任务。

俄、韩等国披露了无人机蜂群作战概念。2017 年,俄无线电电子技术集团对 外发表研究计划称,在战斗机上装载多架蜂群无人机可实现协同侦察和攻击的新型作战样式。韩国陆军也在 2017 年透露,正在开展无人机蜂群技术的研究工作,以用于协同侦察和协同攻击。

国内在无人机蜂群研究方面起步较晚，但经过多年的钻研探讨和学术积累， 也取得了一些成果[42]。2017 年 6 月，中国电子科技集团公司成功完成了 119 架 固定翼无人机蜂群飞行试验，演示了密集弹射起飞、空中集结、多目标分组、编 队合围、蜂群行动等动作，刷新了 2016 年珠海航展上 67 架固定翼无人机蜂群飞 行记录，但此次实验无人机预先设置了飞行程序，距离实现无人机蜂群自主协同、 智能作战还有很大的差距[43]。

3.2. 环境监测领域

Zhangjie Fu 等人[46]针对化工厂有害气体泄漏事故，应用无人机寻找气味源。与 传统机器人相比，无人机更灵活、更安全。因此，利用多架无人机解决污染源跟 踪问题是一项有意义的研究。提出了一种基于人工势场和粒子群优化的空气污染 源跟踪算法。采用粒子群优化算法结合人工势场法指导无人机跟踪羽流，避免羽 流之间的碰撞。同时，采用自适应惯性权值来提高粒子的收敛性和可搜索性。我 们不仅在仿真实验中对该算法进行了评估，而且还设计了一个用于实际实验的多 无人机污染源跟踪平台。实验结果表明，该算法能在较短时间内准确地找到污染 源。

3.3. 应急救援领域

Ebtehal Turki Alotaibi 等人[47 ]考虑使用多架无人机(UAV)在尽可能少的时间 内完成搜索和救援(SAR)任务，同时节省最大的人数。

提出了一种新的 SAR 算法，即分层搜索与救援算法。LSAR 的新奇之处在于 模拟真实的灾难，在无人机之间分配 SAR 任务。比较了 LSAR 与多无人机任务 分配(LIAM)方案和机会任务分配(OTA)方案在获救生还者百分比、救援和执行次 数等方面的性能。仿真结果表明，运行 LSAR 算法的无人机平均救援约 74%的幸 存者，比次优算法(LIAM)高出 8%。而且，这个百分比随着无人机数量的增加而 增加，几乎是线性的，斜率最小，这意味着与其他算法相比获得了更大的可扩展 性和覆盖范围。

此外，LSAR 结果的经验累积分布函数显示，在指数曲线下，获救幸存者的 百分比聚集在[78%-100%]范围内，即大多数结果在 50%以上。相比之下，所有其 他算法的获救幸存者结果的百分比分布几乎是均等的。而且，由于 LSAR 算法关 注的是灾难的中心，它比其他算法找到的幸存者更多，救援速度更快，平均为 55%~77%。此外，在一个月的任务时间内，LSAR 对幸存者的大多数登记时间都 限定在 04:50:02，有 95%的可信度。

3.4. 通信领域

Qingqing Wu 等人[48]运用无人机，从物理层安全视角保护无线网络。将无人 机(UAV)集成到未来的无线系统中，如第五代蜂窝网络，预计将为无人机和电信 行业带来显著的好处。一般来说，无人机可以作为蜂窝网络中的新的空中平台， 为地面用户提供通信服务，也可以成为地面基站服务的蜂窝网络的新的空中用户。 由于无人机高度较高，通常具有地面节点的主导视距信道，但这对无人机的广泛 部署对未来的无线网络构成了新的安全挑战。一方面，无人机地面通信比地面通 信更容易受到地面恶意节点的窃听和干扰攻击。另一方面，与恶意地面节点相比， 恶意无人机可以对地面通信进行更有效的窃听和干扰攻击。基于上述原因，在本 文中，我们的目标是从物理层安全的角度识别这些新问题，并提出新的解决方案 来有效地处理它们。数值结果验证了它们的有效性，并对未来的研究方向进行了讨论。

Qixun Zhang 等人[49]指出，无人机可以有效部署，为物联网提供高质量的服 务。大群无人机利用协同通信和中继技术，通过多个中继节点扩大物联网服务的 有效覆盖范围。然而，无人机网络的低延迟服务需求和动态拓扑结构给无人机路 由的有效优化带来了新的挑战。提出了一种分层的无人机群网络结构，分析了无 人机群的最优数量。在此基础上，设计了一种基于局部位置信息和网络结构连接 性的低时延路由算法。最后，通过数值结果验证了该算法的性能，与传统的无分 层结构路由算法相比，该算法可以降低链路平均时延，提高分组分发率。

3.5. 物流领域

在物流系统中部署无人机蜂群在技术、安全、航空法规等方面仍处于起步 阶段。

要想在动态环境中使用 UAVs，在许多方面都需要注意，例如提高效能，尽 量减少航线从而使通行环境更安全，这需要基于无人机集群的新技术和稳健方 法。

Kaya Kuru[50]等人提出并分析了一种技术，以指导一种动态混合物流方案。

1)针对不同的配送方案提出了几种路由方法;

2)首次成功应用交叉熵蒙特卡 罗技术在无人机配送方案中寻找最优路由;

3)利用一种新的动态任务分配方法， 将路径规划和任务分配与多种混合方法结合在一起，以管理问题空间的复杂 性，实现类似的动态方法来克服动态变化环境中的挑战;

4)建立了一种新的方 案，将很多技术进行混合。

该文分析了一个平台内的几种方案，如使用和不使用空中高速公路的方案，以及使用混合方案(即优化、优质和先进先出的混合），以探索将无人机群 作为物流操作的一部分。在该平台中，将降维技术、"多维空间动态多重分配" 等新技术与匈牙利和交叉熵蒙特卡洛技术结合在一起，实现了任务的动态分配 和三维路径规划。在给定配送方案、方法和约束条件的情况下，该方法使无人 机在多个仓库中进行最优部署。

分别利用小数据集和大数据集在模拟器上测试了几种场景。结果表明，数据集的 分布特征和约束条件对选择最优交付方案和方法的决策有一定的影响。这些调查 结果将指导航空当局制定有关有效、高效和安全使用无人机的规章制度。此外， 生产无人机的公司可以借助演示结果考虑到无人机功能设计。

4. 无人机蜂群技术的挑战与难点

4.1. 环境感知与认识

无人机蜂群的感知与认识能力是其控制与决策的依据。作战过程中，无人机 蜂群所面临的是动态的、对抗的战场环境，任务、威胁及自身状态均处于不断变 化中，任何感知偏差都可能产生灾难性后果，因此精准的态势感知与认识至关重 要。目前集群感知手段主要有：一是基于机载传感器，主动获取战场环境的态势 感知；二是基于数据链，接收蜂群其他个体的态势共享信息，形成统一的通用操 作视图。相关技术主要包括协同目标探测、协同目标状态融合估计、协同态势理 解与共享等。

目前无人机任务的复杂度，再加上外界环境存在的不确定性，在处于未知环 境条件下，无人机实时行迹规划相关研究也成为了当前急需解决的重难点问题。

4.2. 多机协同任务规划与决策

无人机蜂群的规划与决策能力是其作战过程的核心能力。不同的任务在作战 目标、时序约束、任务要求等方面存在显著的差异性，并且任务之间可能存在约 束关系，因此如何规划最优作战策略显得尤为关键。针对预知的低威胁任务，通 过分析集群任务过程和特点，建立任务规划数学模型，生成高效合理的任务计划， 以达到最佳的作战费效比。针对对抗、不确定的高威胁任务，需要实时评估战场 环境和无人机蜂群的整体状态，及时进行任务再分配和重规划，快速响应动态的 战场态势，提高完成任务的概率。

4.3. 信息交互与自主编队控制

无人机蜂群的信息交互与自主控制能力是完成作战任务的前提。信息交互要 考虑在受单机性能、通信带宽、电磁干扰等影响，通信次数和通信量受限的情况 下，如何确保系统的可靠性和鲁棒性。自主编队控制是指在执行任务过程中，如 何形成并保持一定的几何构型，以适应平台性能、任务环境等要求，主动解决编 队生成、编队保持、智能避障和不同环境下编队重组等问题。目前，无人机蜂群编队控制方法主要有领航－跟随法、虚拟领航法和行为控制法。

"蜂群"无人机工作在对抗环境下，其通讯链路会受到干扰、节点可能会损失， 因此需要具备在节点和链路受损的条件下，完成其作战目标的能力。也就是说， "蜂群"无人机的鲁棒性不仅要求系统具备对于破坏的抵御能力，而且要在系统遭 受破坏后，即节点或链路损失后，具备结构和功能的恢复能力。

4.4. 人机智能融合与自适应学习

目前大部分无人机是遥控的或半自主的，并且每个操作员只能实时控制单架 无人机，这样的能力显然不能满足无人机蜂群的需要。随着无人机集群规模的增 大，无论在理论上还是在系统实现上，集群的难度指数都在增加，架构设计也变 得更具挑战性。集群内部的自组织机制越复杂，需要的人机融合能力越高，因此 无人机蜂群的指控关系必须被重新定义与设计。根据《美国空军无人机系统飞行 计划 2009—2047》的描述，随着技术的发展，一名操作员将监督或操作多架多任 务无人机实施"更加集中、更加持续、更具规模"的集群任务，到 2047 年，使 集群完成"观察—判断—决策—行动"（OODA）回路的时间缩短为微秒，甚至纳 秒级，真正实现人机融合和自适应学习的职能作战模式 43。

4.5. UAV 网络系统复杂

UAV 网络是一种发展中的新兴网络，人们对其技术特征莫衷一是，例如它是 一种空中飞行网络，可以根据需求在指定地点迅速部署并提供服务；它是一种面 向任务的网络，可能根据任务目标配置资源和优化设置；它是一种节点间通常采 用无线自组织技术的网络，网络性能不够稳定；它是一种既受地面控制系统指挥， 又可受 UAV 自身自主决策控制的网络；它是一种时而连通，时而分裂的动态网 络等。

显然，UAV 网络是涉及到航空、无线通信、传感、人工智能等多个学科领域 的复杂系统，技术错综复杂，研发 UAV 网络技术难度极高 29。需要针对 UAV 网 络的核心功能设计适合的体系结构，以协调处理好各种主要功能之间的关系。并 且不同的应用场景通常对 UAV 网络有某些特定的需求，它们对无人机蜂群通常 也具有核心的需求和一些共性的需求。是否能够设计无人机网络所具有特定的组 织结构也是一大难点。

4.6. 通信安全

自无人机应用以来，安全问题就一直伴随而生，传统的无线电通信在实际运 用中的无线电静默、无线电监听、电子干扰等情况将影响无人机间链路的正常通 信，导致产生错误的控制指令，致使无法执行任务。

5.总结

本分主要从无人机蜂群的理论与应用两部分介绍了该技术的研究现状与应 用发展，并且讨论了无人机蜂群技术仍存在的一些挑战与难点。由此可知，无人 机蜂群的应用是一个复杂、长远发展的过程，尽管存在诸多难点，但是随着相关 技术的发展，无人机技术的应用将更加成熟与广泛。

参考文献

[1] 杨中英,王毓龙,赖传龙.无人机蜂群作战发展现状及趋势研究[J].飞航导弹,2019(05):34-38.

[2] 陈镜.无人机蜂群作战特点和对抗体系设想[J].无线电工程,2020,50(07):586-591.

[3] 段海滨,邱华鑫,陈琳,魏晨.无人机自主集群技术研究展望[J].科技导报,2018,36(21):90-98.

[4] 张双雄,李晶晶,尹帅,王思力,王苏.无人机蜂群作战分析[J].现代信息科技,2020,4(12):22- 24.

[5] J. Kennedy, ''Particle swarm optimization,'' in Proc. IEEE Int. Conf. Neural Netw., Perth, WA, Australia, vol. 4, no. 8, Nov./Dec. 2011, pp. 1942–1948.

[6] S. Butenko, R. Murphey, and P. Pardalos, Cooperative Control: Models, Application and Alogorithms. Noida, India: Kuwer Press, 2006.

[7] M. Brand, M. Masuda, N. Wehner, and X.-H. Yu, ''Ant colony optimization algorithm for robot path planning,'' in Proc. Int. Conf. Comput. Design Appl., Jun. 2010, pp. V3-436–V3- 440, doi: 10.1109/ICCDA. 2010.5541300.

[8] H. Wu, F. Zhang, and L. Wu, ''New swarm intelligence algorithm-wolf pack algorithm,'' J. Syst. Eng. Electron., vol. 35, no. 11, pp. 2430–2438, 2013.

[9] P. Bhattacharjee, P. Rakshit, I. Goswami, A. Konar, and A. K. Nagar, ''Multi-robot pathplanning using artificial bee colony optimization algorithm,'' in Proc. 3rd World Congr. Nature Biologically Inspired Comput., Oct. 2011, pp. 219–224.

[10] D. Karaboga and B. Basturk, ''On the performance of artificial bee colony (ABC) algorithm,'' Appl. Soft Comput., vol. 8, no. 1, pp. 687–697, Jan. 2008.

[11] S. Lukasik and S. Żak, ''Firefly algorithm for continuous constrained optimization tasks,'' in Proc. Int. Conf. Comput. Collective Intell. Semantic Web, Oct. 2009, pp. 97–103.

[12] A. Kushleyev, D. Mellinger, C. Powers, and V . Kumar, ''Towards a swarm of agile micro quadrotors,'' Auto. Robots, vol. 35, no. 4, pp. 287–300,Nov. 2013

[13] G. V asarhelyi, C. Viragh, G. Somorjai, N. Tarcai, T. Szorenyi, T. Nepusz,and T. Vicsek, ''Outdoor flocking and formation flight with autonomous aerial robots,'' in Proc. IEEE/RSJ Int. Conf. Intell. Robots Syst.,Sep. 2014, pp. 3866–3873, doi: 10.1109/IROS.2014.6943105.

[14] C. Virágh, G. V ásárhelyi, N. Tarcai, T. Szörényi, G. Somorjai, T. Nepusz,and T. Vicsek, ''Flocking algorithm for autonomous flyingrobots,''Bioin-spiration Biomimetics, vol. 9, no. 2, May 2014, Art. no. 025012.

[15] W. J. Cook, W. H. Cunningham, and W. R. Pulleyblank, Combinatorial Optimization. New York, NY, USA: Wiley, 1997.

[16] J. Boskovic, N. Knoebel, N. Moshtagh, J. Amin, and G. Larson, ''Collaborative mission planning & autonomous control technology (CoMPACT) system employing swarms of UAVs,'' in Proc. Aiaa Guid., Navigat., Control Conf., 2009, p. 5653.

[17] J. L. Sanchez-Lopez, J. Pestana, and D. L. P. Paloma, ''A reliable open-source system architecture for the fast designing and prototyping of autonomous multi-UAV systems: Simulation and experimentation,'' J. Intell. Robotic Syst., vol. 84, nos. 1–4, pp. 1–19, 2016.

[18] J. L. Sanchez-Lopez, R. A. S. Fernandez, H. Bavle, C. Sampedro, M. Molina, J. Pestana, and P. Campoy, ''AEROSTACK: An architecture and open-source software framework for aerial robotics,'' in Proc. Int. Conf. Unmanned Aircr. Syst. (ICUAS), Jun. 2016, pp. 332–341, doi: 10. 1109/ICUAS.2016.7502591.

[19] A. Tsourdos, B. White, and M. Shanmugavel, Cooperative Path Planning of Unmanned Aerial Vehicles. Hoboken, NJ, USA: Wiley, 2010. [20] 王强,张安,宋志蛟.UAV 协同任务分配的改进 DPSO 算法仿真研究[J].系统仿真学 报,2014,26(05):1149-1155.

[21] 叶媛媛. 多 UCAV 协同任务规划方法研究[D].国防科学技术大学,2005.

[22] 宋绍梅,张克,关世义.基于层次分解策略的无人机多机协同航线规划方法研究[J].战术导 弹技术,2004(01):44-48.

[23] 曹菊红,高晓光.多架无人机协同作战智能指挥控制系统[J].火力与指挥控制,2003(05):22- 24+30.

[24] Z. Fu, Y. Mao, D. He, J. Yu and G. Xie, "Secure Multi-UAV Collaborative Task Allocation," in IEEE Access, vol. 7, pp. 35579-35587, 2019, doi: 10.1109/ACCESS.2019.2902221.

[25] 卿利.无人机蜂群网络非合作博弈的功率控制[J].电讯技术,2019,59(07):786-791.

[26] 王平,白昕,解成超.基于蜂群与 A~*混合算法的三维多无人机协同[J].航天控 制,2019,37(06):29-34+65

[27] 赵太飞,许杉,屈瑶,王晶,张杰.基于无线紫外光隐秘通信的侦察无人机蜂群分簇算法[J]. 电子与信息学报,2019,41(04):967-972.

[28] 刘炜伦,张衡阳,郑博,高维廷.支持混合业务传输的蜂群无人机自组网多路访问控制协议 [J].兵工学报,2019,40(04):820-828.

[29] 王荣巍,何锋,周璇,鲁俊,李二帅.面向无人机蜂群的航电云多层任务调度模型[J].航空学 报,2019,40(11):221-232

[30] 张洁,王勇,于伟伟.基于可控中心性牵制的无人机蜂群控制方法研究[J].机器人技术与应 用,2019(06):44-48.

[31] R. Olfati-Saber, "Flocking for multi-agent dynamic systems: algorithms and theory," in IEEE Transactions on Automatic Control, vol. 51, no. 3, pp. 401-420, March 2006, doi: 10.1109/TAC.2005.864190.

[32] S. Hauert et al., "Reynolds flocking in reality with fixed-wing robots: Communication range vs. maximum turning rate," 2011 IEEE/RSJ International Conference on Intelligent Robots and Systems, San Francisco, CA, 2011, pp. 5015-5020, doi: 10.1109/IROS.2011.6095129.

[33] 罗琪楠,段海滨,范彦铭.鸽群运动模型稳定性及聚集特性分析[J].中国科学:技术科 学,2019,49(06):652-660.

[34] N. Majcherczyk, A. Jayabalan, G. Beltrame and C. Pinciroli, "Decentralized ConnectivityPreserving Deployment of Large-Scale Robot Swarms," 2018 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), Madrid, 2018, pp. 4295-4302, doi: 10.1109/IROS.2018.8594422.

[35] 储含露,陈鸣,金程皓,窦晓磊.支持蜂群应用的无人机网络设计[J].网络空间安 全,2019,10(11):118-125.

[36] 罗琪楠,段海滨,范彦铭.鸽群运动模型稳定性及聚集特性分析[J].中国科学:技术科 学,2019,49(06):652-660. [37] H. Duan and H. Qiu, "Unmanned Aerial Vehicle Distributed Formation Rotation Control Inspired by Leader-Follower Reciprocation of Migrant Birds," in IEEE Access, vol. 6, pp. 23431-23443, 2018, doi: 10.1109/ACCESS.2018.2815664.

[38] 周子为,段海滨,范彦铭.仿雁群行为机制的多无人机紧密编队[J].中国科学:技术科 学,2017,47(03):230-238.

[39] 段海滨,霍梦真,范彦铭.仿鹰群智能的无人机集群协同对抗飞行验证[J].控制理论与应 用,2018,35(12):1812-1819.

[40] 段海滨,张岱峰,范彦铭,邓亦敏.从狼群智能到无人机集群协同决策[J].中国科学:信息科 学,2019,49(01):112-118.

[41] 李五洲,胡雷刚,王峰.美军直升机与无人机蜂群协同作战使用分析[J].军事文 摘,2020(07):29-32.

[42] 李晗,苏京昭,闫咏.智能无人机集群技术概述[J].科技视界,2017(26):5-7.

[43] 焦士俊,王冰切,刘剑豪,刘锐,周栋栋.国内外无人机蜂群研究现状综述[J].航天电子对 抗,2019,35(01):61-64. [44] 李浩,孙合敏,李宏权,王晗中.无人机集群蜂群作战综述及其预警探测应对策略[J].飞航导 弹,2018(11):46-51. [45] 党爱国,左社强,王延密,王勤军.智能化战争条件下的军事设施防护——应对"蜂群"作 战的思考[J].防护工程,2018,40(02):1-6 [46] Z. Fu, Y. Chen, Y. Ding and D. He, "Pollution Source Localization Based on Multi-UAV Cooperative Communication," in IEEE Access, vol. 7, pp. 29304-29312, 2019, doi: 10.1109/ACCESS.2019.2900475.

[47] E. T. Alotaibi, S. S. Alqefari and A. Koubaa, "LSAR: Multi-UAV Collaboration for Search and Rescue Missions," in IEEE Access, vol. 7, pp. 55817-55832, 2019, doi: 10.1109/ACCESS.2019.2912306.

[48] Q. Wu, W. Mei and R. Zhang, "Safeguarding Wireless Network with UAVs: A Physical Layer Security Perspective," in IEEE Wireless Communications, vol. 26, no. 5, pp. 12-18, October 2019, doi: 10.1109/MWC.001.1900050.

[49] Q. Zhang, M. Jiang, Z. Feng, W. Li, W. Zhang and M. Pan, "IoT Enabled UAV: Network Architecture and Routing Algorithm," in IEEE Internet of Things Journal, vol. 6, no. 2, pp. 3727-3742, April 2019, doi: 10.1109/JIOT.2018.2890428.

[50] K. Kuru, D. Ansell, W. Khan and H. Yetgin, "Analysis and Optimization of Unmanned Aerial Vehicle Swarms in Logistics: An Intelligent Delivery Platform," in IEEE Access, vol. 7, pp. 15804-15831, 2019, doi: 10.1109/ACCESS.2019.2892716.

注：文章转自本人博客园博客，博客园账号小艾shea