无人机智能测控技术研究综述

柴兴华，胡 炎，雷耀麟，刘 厦

(1.中国电子科技集团公司 航天信息应用技术重点实验室，河北 石家庄 050081； 2.中国电子科技集团公司第五十四研究所，河北 石家庄 050081)

0 引言

无人机(Unmanned Aerial Vehicle，UAV)是集众多先进技术于一体的现代工业产品，融合了电子信息技术、机械制造技术、传感技术、计算技术及数据通信技术等。在侦察打击、航拍搜索、救援运输和安保监控等领域受到越来越多的重视，给现代战争、生产劳动以及生活日常带来深刻影响。在军事察打领域，无人机有着不可替代的作用，大量机载航电设备为地面操控人员提供丰富平台信息的同时，也令操控人员单位时间内需要执行的控制指令不断增加，直接造成地面操控人员和保障人员的负担过重，从而影响无人机的飞行安全和效能发挥。同时，机上无人、任务复杂以及动态环境更是成为无人机测控的不确定因素，给无人机测控技术带来极大挑战。

近年来，随着人工智能技术的迅速发展，为减少人在复杂任务环境中的操控负担、降低决策失误率、提高无人机的自主性与适应能力提供了新的技术途径。然而，从目前的无人机测控技术水平来看，近期依然无法实现非结构化场景下的无人机自主控制，世界范围内对该技术的研究基本遵循3个原则：由单机自主向多机协同发展；由半自主向完全自主发展；由部件智能向系统智能发展。为逐步实现具有强自主能力的无人机测控技术，需要理解和细分不同的自主能力等级，制定并研究每层等级所需要的关键技术，最终实现非结构化场景下无人机的完全自主控制。

美国海军研究办公室和空军研究实验室在“机载战场管理系统”和“自主作战无人机”2个国防计划项目中，率先提出了自主作战概念，明确将自主性作为评价无人机能力的重要指标，并指出了提升无人机自主性的关键技术：态势感知、人工智能以及多平台网络化/通信/作战。为此，美国国防部在2000-2005年连续发布了3个无人机发展规划[1-3]，足见其对无人机智能测控技术发展的重视程度。为尽早实现无人机自主，以美国为首的各军事强国对此展开了全方位研究工作，并将研究成果应用于X-47B，“全球鹰”等无人机中。

1 无人机智能测控技术

1.1 智能方法在无人机测控技术中的应用

随着硬件计算性能的高速发展，人工智能技术也随之广泛应用，众多的自主决策方式及算法呈现在无人机测控领域，且各有优势。然而，无人机自主控制问题并不能靠某一单独的方法解决，因此结合多种方法的复合测控技术获得了众多研究者的青睐。针对无人机平台各子系统、部件、传感器和载荷等参数信息，结合环境、态势和平台性能等约束条件，建立符合各种方法的计算模型，自主进行任务规划、故障预测和飞行控制等决策。总结起来，常见的功能输出包括任务规划、决策支持、故障诊断、风险评估、数据分析、状态监控、优化、解释、分类、系统控制、预测告警及设计等[4]；常用的方法包括人工神经网络[5]、模糊逻辑[6]、遗传算法[7]、强化学习[8]、时序逻辑[9]、专家系统[10]、规则系统[11]、实例推理[12]、约束满足[13]以及模型推理[14]等。

如表1所示，为了更清晰地表述各方法在无人机智能测控技术中的应用情况，总结了各算法的应用分布，※为常用分布，◎为潜在应用分布，空格表示无应用分布。可以看出，在无人机智能测控技术中应用最多的4类方法包括神经网络、强化学习、约束满足以及专家系统，其中约束满足几乎在各个无人机智能测控的分领域均有应用，而无人机任务规划及决策支持，也可以用绝大多数算法实现，这增加了功能及算法实现上的多样性及复杂性，也为无人机智能测控技术的发展提供了全方位的模型支持。

表1 无人机智能测控领域各算法应用分布

神经网络模糊逻辑遗传算法强化学习时序逻辑专家系统规则系统实例推理约束满足模型推理任务规划※※※※※※※※※决策支持※※※※※※※※※※故障诊断◎※◎※◎※※※※※风险评估◎※◎※◎◎◎※数据分析◎※※◎※※状态监控※◎◎※◎※※◎优化◎※◎◎◎※解释※◎※※◎※※※分类※◎※※◎※系统控制※※※◎◎◎◎※◎预测告警※◎※※※◎◎※※设计◎◎◎◎※◎※※

1.2 无人机智能测控系统

无人机智能测控系统的决策过程是从通过有效载荷、传感器数据、目标及任务信息，结合实时反馈的环境及态势信息，建立原始数据与决策结果的数学映射模型，依据专家经验或规则逻辑做出对当前任务执行[15]、平台健康[16]和飞行控制[17]等问题的解释，再结合目标、优先级限制和约束条件等做出评估，在此基础上做出决策，并根据授权执行决策指令。整个过程可以用“原始数据—信息—知识—理解—评估—决策—执行”来表述。

通常无人机智能测控系统的目的是要实现信息融合、态势感知、决策规划、执行管理及人机交互等功能，以满足无人机地面操作员认知、决策和辅助操作的需求[18]。图1表示了无人机智能测控系统的模型结构，并对各功能模块常用的实现方法进行了总结。模型中的故障诊断及定位功能，建立了机载传感器与智能决策系的告警链接，并将结果反馈到任务重规划过程；任务规划功能包括环境态势评估和任务执行代价评估，并结合平台作战能力，最终实现任务优先级调度及路径规划；模型中的健康管理是测控系统所必需的一个模块，它是平台性能评估的关键，主要功能是估计各设备、部件、传感器的维护需求及使用寿命等。

图1 无人机智能测控系统结构及常用方法

1.3 任务规划技术

在无人机执行任务前或执行任务中遇到突发事件，需要进行无人机任务规划及任务重规划，主要是在环境信息、无人机性能、荷载性能等条件的约束下，进行合理的任务分配及航线规划，使得无人机完成任务的时间最短或代价最低[19-21]。无人机的任务规划问题，是多约束条件下的策略求解问题。需要考虑多方面的影响因素，包括任务需求、环境信息、气候状况、平台性能和载荷属性等，在这些条件的制约下设计航线、配置无人机架次、进行任务调度、载荷配备以及起降机场选择等。典型的任务规划流程如图2所示。

图2 无人机自主任务规划结构图

单机任务规划内容主要针对荷载[22]、数据链[23]和航线[24]进行。其中，荷载规划是针对无人机执行多属性任务时，对荷载资源进行有效分配，高效率、低代价地完成计划任务；数据链规划是针对无人机与控制站之间的通信有效性，对数据链信道的工作频率进行合理分配，避免电磁兼容等问题对无人机通信造成破坏与干扰；航线规划是针对已知环境信息、任务需求以及各类约束，制定一条符合时间最短、代价最小或覆盖率最高等任务要求的飞行路线。任务规划中常见的算法有：① 动态规划算法[25]，算法模型简单且易于实现，但算法的路径状态随问题规模呈指数增长，不适合规模较大的任务求解问题；② 遗遗传算法[26]，不需要固定的模型进行运算，但算法编码复杂度较高，时间代价较大；③ 蚁群算法[27]，具有分布计算、信息正反馈和启发式搜索的特征，对最优路径的选择具有极大的可能性和适应性，然而搜索速度慢、易陷入局部最优解；④ A*算法[28]，传统的优化算法的代表，高效且易于工程实现，但在求解大规模组合优化问题时效率较低，需要进行改进。

多机协同任务规划从功能上包括多机任务分配和协同路径规划2项主要内容。其中，任务分配指为多个无人机根据任务需求进行任务指派，如对多无人机分配任务目标、确定载荷类型、进行武器配置和编队配置、确定武器的投放区及目标的打击点/方向等，多机协同任务分配中采用优化算法通常包含：进化算法[29]、禁忌搜索法[30]和模拟退火法[31]等。多机协同路径规划是有单机路径规划进化而来，将多无人机互相协同纳入到路径规划约束条件，再结合任务需求、平台性能以及环境信息等约束，为机群每架各无人机制定飞行路径，并满足机群在时空上的协调一致关系。规划算法与单机路径规划机理相似，是一个多约束条件下的目标优化与决策问题，需要采用各类优化算法降低问题复杂度及解空间。

1.4 故障预测与健康管理

除了无人机平台本身，测试性、维修性、保障性已经被提升到和设备性能同等重要的位置，健康管理技术正是针对无人机的可维护性设计的保障决策机制，是无人机智能测控系统的重要组成部分，通常利用先进的传感器采集设备的各项关键参数，在分析算法和智能模型驱动下预测、监控和管理无人机的重要状态参数。对无人机系统、设备以及关键部件进行状态监测、故障预测及剩余寿命评估，并形成对无人机的保障及维修决策。

上世纪90年代末，美国为实现无人机保障维修信息一体化及增强设备自诊断能力，率先提出了故障预测与健康管理(Prognostic and Health Management，PHM)系统[32]，利用先进的传感器(如涡流传感器[33]、小功率无线综合微型传感器[34]和无线微机电系统[35])的集成，并借助各种算法(如Gabor变换[36]、快速傅里叶变换[37]和离散傅里叶变换[38])和智能模型(如专家系统[39]、神经网络[40]和模糊逻辑[41]等)来预测、监控和管理飞机状态，从而减少系统维护费用，提高飞机生存能力。现阶段，故障预测与健康管理技术已经得到美英等军事强国的深度研究与推广应用，并正在成为新一代武器装备研制阶段与使用阶段的重要组成部分。代表性的无人机故障预测与健康管理系统包括：X34超高速飞行器、X37空天飞机、“全球鹰”无人机、无人作战飞机(UCAV)以及RQ-7A/B“影子”200战术无人机系统等。

故障预测与健康管理系统可以根据监测及维护的对象分为系统级、设备级和关键部件级，结合历史数据，实现平台状态监测、故障预测及剩余寿命估计，如图3所示。

图3 无人机故障预测与健康管理流程

状态监测模块主要通过接收来自传感器、遥测数据以及对象本身的状态参数，采用数据分析算法与正常参数范围进行比较，从而判断对象的状态，并且通过设置各类状态参数指标阈值形成故障告警能力；故障预测模块主要综合利用序列数据信息，评估预测被监测对象未来的故障发生概率，包括故障预测和趋势追踪等；剩余寿命估计模块主要是基于各种状态参数的历史数据、当前工作状态以及维修数据等构建退化模型，评估被监测对象的健康状态，产生健康状态监测记录并评估对象剩余使用寿命。

国内方面，无人机健康管理工程应用几乎一片空白。自十一五《国家中长期科学技术和技术发展规划纲要》把“重大产品和重大设施的寿命预测技术”列为亟待发展的前沿技术，至十三五“重大产品和重大设施的寿命预测技术”仍然是亟待发展的前沿技术。虽然近年来在状态监测、故障预测和诊断方面进行了大量的方法性研究，然而尚无成功工程案例可供参考。

2 无人机智能测控技术发展趋势

2.1 整机智能化发展趋势

根据美国空军研究实验室无人机发展计划路线中的定义[1]，无人机自主能力分为10个等级：1级-远程控制；2级-实时故障诊断；3级-故障自修复和飞行环境自适应；4级-自主航线规划；5级-机群协同；6级-机群战术任务重规划；7级-机群攻击战术目标；8级-分布式控制；9级-机群攻击战略目标；10级-机群协同全自主。美国无人机自主控制等级发展路线图如图4所示。

图4 美国军用研究实验室的无人机自主控制层级划分

分析无人机自主能力的10个等级，可将其总结为3类：① 单机自主：1级、2级、3级和4级；② 多机协同自主：5级、6级和7级；③ 机群网络化自主：8级、9级和10级。此外，NASA飞行器系统计划高空长航时部在美国空军研究实验室分级的基础上，制定了高空长航时无人机自主能力的评价方法。该方法的评价标准和意义更加明晰，具有更好的可操作性，其等级划分如表2所示。

表2 NASA飞行器系统计划高空长航时部定义的无人机自主等级

等级名称描述特征0完全遥控操作完全人在回路的遥控飞行(100%时间由人掌控)遥控无人机1简单自动操作依靠自控设备辅助,在操作员监视下执行任务(80%时间由操作员掌控)自动驾驶仪2远程程序操作执行操作员预编程序任务(50%时间由操作员掌控)无人机综合管理预设航路点飞行3半自主自动执行复杂任务,部分态势感知能力,常规决策能力(20%时间由操作员掌控)自动起降,通信拒止后可继续任务4完全自主广泛的态势感知能力,全面决策能的力和权限(<5%时间由操作员掌控)自主任务重规划5协同操作多架无人机可团队协作,自主任务能力多机自主和协同飞行

2.2 无人机智能测控技术研究趋势

无人机智能测控技术在国内目前还处于起步阶段。要实现无人机在动态不确定复杂环境和时间敏感态势下的智能控制，实现对信息快速有效获取、传输和处理，目前还缺乏有效的技术手段。针对无人机系统自主控制技术需要进一步研究的内容有：

(1)飞行控制方向

面临不确定战场环境和复杂的通信条件，完成基本的避障、威胁规避和自主起降等控制任务，实现无人机基本任务剖面的自动控制；不确定环境下多无人机协调控制技术，无人机系统的作战模式由单平台逐步向更灵活的单站控制多无人机协同作战方式及有人/无人机协同控制方式发展。

(2)任务规划方向

由单机任务调度、路径规划向无人机群自组织任务执行方向发展。无人机自组织技术主要探索具有低成本优势的无人机群在高度对抗的战场环境中面对动态变化的任务，如何自组网完成多目标搜索、跟踪和打击等任务，实现较高程度的自主协作，从而能在尽量少的人工干预下完成预期任务。

(3)故障预测及健康管理方向

综合健康管理技术是提高无人机安全性、可靠性及可维护性并有效地降低风险及维护成本的重要技术途径，目前，监测与诊断技术相对比较成熟，而预测特别是使用寿命预测还具有很大的挑战性；在健康管理能力试验验证方面，国外已开展了大量研究工作，国内也开展了初步研究工作，但目前还没有成熟的健康管理体系。

(4)其他方向

面向环境感知的图像信息融合技术，包括单平台机载传感器的图像融合，以及多平台多源传感器的图像融合；开展无人机系统学习机制研究，针对无人机复杂环境下的深度认知问题，力争在学习机理和模型算法研究方面着手，提高无人机的环境自适应能力、自学习能力和逻辑推理能力。

3 结束语

无人机智能测控作为现代飞机的全新技术，未来具有广泛的应用空间并发挥重要作用。然而，我国对于无人机智能测控系统研究还处于初级的阶段，相比欧美发达国家存在很大的差距，应当加强研究力度。针对智能测控系统各模块，在多机协同自主技术、故障预测和健康管理技术以及具有学习能力的测控技术架构等方向，将会是无人机智能测控领域的重点研究内容。