无人机集群数据链技术研究

陈卫卫 迟凯

1.军事科学院系统工程研究院北京100141 2.中国电子科技集团公司数据链技术重点实验室陕西西安710068

无人机近年来在军事及民用领域得到了长足的发展.集群化应用被认为是小型化无人机未来重要的应用模式,如大规模协同测绘,协同感知等.在军事应用方面采用有人无人协同技术,通过快速部署的无人机集群能够进行抵近协同侦查和干扰,以及利用体积小、成本低的优势进行饱和攻击,具有极大的对抗优势.

然而,目前单架无人机的操控需要1 至3 名人员在后方控制,采用现有有人无人协同技术进行大规模的集群协作需要数量庞大的操控人员,这对无人机集群应用而言是一个很大的挑战,传统的无人机组网及测控技术也无法满足大规模集群在复杂动态环境中的高适应性要求,5G 技术提出的面向高可靠超低时延的URLLC 场景,主要侧重于短符号周期的新空口标准,无法直接支撑集群协同策略.

1 无人机集群的特点

随着无人机的发展,其使用方式已逐步从单平台应用向多平台“集群”(Swarm)应用方向发展.目前单架无人机所能执行的任务非常有限,同时复杂任务也对单平台的功能性能提出很高要求[1],功能复杂的无人平台不但导致过高的使用成本,其稳定性和可靠性也受到很大影响.而多架无人机协同,通过灵活可靠的网络将各个无人机载荷以“任务要素”的形式统一协调,平台之间能力互补,在网络统一调度下,能够实现单架无人机无法完成的复杂任务,如大规模协同测绘、分布式协同侦查等.然而多无人机协同是一个典型的在复杂环境中的复杂问题[2],复杂性来自于环境及执行任务过程中的诸多复杂因素,真正实现集群的完全自主控制需要解决集群网络化环境感知与认识、多机协同规划决策[3].单一策略很难达到可用的效果.

2016年5月,美国发布《小型无人机系统飞行规划2016—2036》,对“蜂群”、“编组”、“忠诚僚机”3种集群协同概念进行了阐述,其中“编组”是人对人,“忠诚僚机”是人对机,“蜂群”是机对机.其中网络规模从小规模到中等规模再到大规模,作战要素是人对机和机对机的结合,能够将有人无人协同的决策优势与无人集群的数量规模优势相互融合,极大地提升体系对抗能力.

我国无人机技术起步较晚,但发展迅速,以智能集群技术尤为突出.中国电子科技集团有限公司(CETC)曾分别在2016年和2017年完成了67 架和119 架固定翼无人机集群飞行试验,刷新了无人机集群飞行数量的新纪录.试验成功地演示了编队起飞、自主集群飞行、分布式广域监视、感知与规避等智能无人机集群技术.

研究表明无人机集群技术需要首先构建无中心、自主智能、高动态的集群网络,在集群网络的框架基础上进一步构建各种协同策略.

2 无人机集群组网技术

2.1 面向任务集群组网架构

对于传统的网络而言,当节点数量到达一定数量级时,网络开销会急剧增大,同时网络性能会迅速恶化.依托于传统的通信架构构建无人机集群网络无法保障实时性与可靠性.近年随着数据链技术的发展,采用基于数据链控制策略构建大规模节点协同模型的方法不断得到重视.

无人机集群在指定空间范围执行任务时,密集组网,存在着较严重的信道干扰,同时信道质量随着空间环境的变化时变剧烈.物理层需要采集信道信息,对信道拥塞等级进行合理分类,同时应用层对当前业务要进行合理的消息分级策略,通过网络分级保障能够在信道资源良好时对全部业务消息进行发送,而在信道资源变差时,优先发送关键消息,同时兼顾低优先级业务一定程度的发送量,如图1所示.

无人机集群的自组织路由策略采用基于发现的路由配置及重构策略,同时基于任务需求及节点可信信息对路由进行灵活管理,即对节点在一段时间消息处理行为进行记录和评估,基于信息论原则进行可信度量,对于信任值较低的节点采取减轻负载的策略,对于可能被干扰或被控制的节点采取告警绕行策略,避免出现中继失败多次重发.多跳组网情况下,能够有效提升可靠性和灵活性,保证消息准确可达.

每个无人机平台在执行任务过程中,根据当前任务需要,不一定需要收发所有类型的消息,而是只需处理特定类型的消息.并且不同业务的消息对网络传输时延、传输带宽以及参与此业务的平台数量要求有着极大的差异.如协同控制类的消息要求最低传输时延在毫秒级,而传感器协同则要求时延秒级即可.考虑到不同任务类型消息所需网络保障能力的差异化,在网络设计中把消息按照功能进行分组,这些分组称为任务–网络参与组.将消息分类归属于不同的任务–网络参与组,并为各个任务的特定需求分配网络资源,例如不同类型的任务–网络参与组采用不同的服务等级、组播地址分配、消息交互协议.这样能够实现基于任务功能对网上传输的数据作选择管理,在大规模组网时当前时刻只有任务需要的用户才能接入这个任务–网络参与组,从而才能够接收相应的消息,再将消息发送到需要的地方.这样设计实现了任务驱动网络的组织,反过来网络的组织策略更自适应集群任务对网络传输的需求.

图1 任务驱动的组网模型

2.2 面向任务的网络智能管控

无人机集群网络管理的关键在于面向任务的快速网络规划与资源配置.子协同测控及协同传输等场景下,要能够快速更新维护网络拓扑.同时根据任务变化自主进行路由切换.

面向任务的辅助决策能够针对任务为集群中的各无人机平台完成带宽分配、优先级配置、路由配置方案等网络功能,在任务变更或者网络态势变化时能够及时调整网络管控方案,保证集群内各无人机之间控制信息、业务消息等可靠分发.

集群网络智能管理通过收集无人协同网络运行信息,网络监视节点的信息,传感器上报的信息等,对网络拓扑和流量进行分析,支撑做出网络调整决策.

网络输入信息有:

1)应用层的业务消息对网络服务能力的需求.

2)物理层感知的信道状态、接收到的各类业务消息、路由消息及网络感知消息反应的信道状态.

3)链路层和网络层的拥塞状态,包括节点转发拥塞、排队处理拥塞等.

感知模型的输出信息有:

1)网络当前性能状态:网络拓扑、网络链路负载.

2)网络发展趋势:网络拓扑变化趋势、网络重要节点职责变更、网络链路负载趋势等.

通过网络态势感知,能够在指定空间的复杂环境里对集群网络的变化作出预判,从而快速分配资源,保障当前网络关键节点性能,在动态环境里支撑任务遂行.

3 无人机集群路径临机规划技术

无人机集群协同过程中,为每一个平台单独设定精确航路是不现实的,需要集群能够自主进行航路临机规划.集群内无人机平台间通过彼此的感知交互,信息传递,进行简单的逻辑处理从而完成本地航路规划,在少量简洁的控制指令下,完成多样性的复杂任务.

3.1 环境建模

对于动态航迹规划问题而言,进行精细的、实时的环境建模是非常耗费计算资源的,不仅要占用较多的存储资源,同时进行航迹碰撞检测也非常复杂,这势必会影响算法的计算实效性.通常工程上的做法是,提取障碍物的特征参数构建进行近似的几何包络模型,如图2所示.

通过构建一个“ρ 范数”形式的通用化函数模型,调整模型参数,通过组合多个简单的几何图形,得到任意复杂的障碍物的近似模型,基本可以满足实际业务需求.函数表达式如下:

图2 障碍物特征几何包络模型

通过参数k1、k2、k3、k4、ρ 能够拟长方体、椭球、圆球、菱柱等多种基本几何图形,在得到障碍物边界的近似的解析表达式后,就能很方便地将其表达为如式(2)路径回避约束,集成到动态航迹规划问题形式中:

式中,NObs表示攻击机当前感知到的所有障碍物数目;hi表示第i个障碍物对应路径回避约束.

3.2 集群路径自主规划

信息及控制理论研究认为,群居生物间的协作和控制模式在实际工程中具有很大的应用前景[4].通过对生物智能集群行为的探索涌现了诸多优化算法[5],如蚁群算法(Ant Colony System,ACS)[6]和粒子群优化算法(Particle Swarm Optimization,PSO)[7].传统优化算法一般是在解空间建模完成后,针对目标函数给出较优解.然而无人机集群协同的场景中,信息获取是局部逐步逼近全局并且时变的过程,意味着无法快速构建全局模型,同时当前模型的参数和状态也是时变的,优化算法在搜索过程中,很容易陷入局部最优解中,从而得出的路径信息往往不能满足无人机集群的需求.

研究表明,对于大规模集群系统,模拟生物群体的信息分布式搜索机制[8]能在不依赖全局信息的情况下进行集群的自组织.在某些场景下自组织的效能优于传统控制策略[9],在高动态环境下能够优于基于图的静态路径规划算法[10-11].

本文采用了集群分布式信息分发搜索机制,结合多跳网络泛洪策略,在不充分环境建模的条件下,完成分布式动态临机路径规划.

首先集群中的每个节点在1 跳范围内进行感知,判断自己是否到达任务指定的目标区域,并且用“电子信息素”的方式表征.节点在1 跳范围内发送本地电子信息素,周围节点则根据信息素的耗散情况判断当前位置与目标区域的远近关系.信息素具备时间耗散特点,只有相同元素项被接收时,才能进行加成.每个节点按照1 跳范围内接收的信息元素项调节本地节点运动方向.节点感知和存储的信息素强度变化可用式(3)表达:

其中,p={pi}表示节点集合;S(t,p)表示信息元素强度;r(t,p)表示额外输入的信息元素强度;q(t,p)表示在t时刻传播到节点p的信息元素强度;E∈(0,1)为信息元素减弱参数;F∈[0,1)为信息元素传播参数;

式(3)描述了在节点p处信息元素强度的变化情况,第1 项为时间带来的信息素的耗散,这是信息素的自然特点,第2 项为新加入的节点在1 跳范围内发送同类型本地电子信息素所带来的增强效果;第3项为1 跳范围内的邻居节点发送的本地电子信息素带来的增强效果.

邻居节点之间电子信息的传播过程如下:

其中,N表示节点间的邻居关系;式(4)描述了以节点p为邻居的节点,将本地总电子信息强度按照一定比例发送至p,比例取决于发送参数F以及邻居节点数量.

大规模集群网络中,节点通过1 跳范围内的感知判断不同方向上的“信息浓度”从而进行移动,在移动过程中持续判断自己与目标区域的位置关系,形成多跳的信息素分发,在局部区域内,形成信息梯度场,区域内的节点根据强度增强的方向进行移动,

图3 分布式策略寻找可达路径并自主进行路径规划

集群网络中的电子信息能够形成梯度场,集群网络中的每个节点按照电子信息的强度运动,与信息素变化效应耦合,最终在多个区域内形成路径汇聚,如图3 绿色区域所示,此时全局范围内根据汇聚的路径节点形成动态的全局路径信息.通过逐跳扩散,路径周围节点能够迅速靠近路径完成移动.该方法完全摒弃了负责路径解算和规划的某个(或多个)核心节点,因为在场景中,认为没有节点能够获取全局信息,不知道潜在的“安全区域”及“威胁区域”,故部分节点根据不完整信息作出的路径规划不具有可信性; 采用基于多跳网络逐级信息扩展的分布式机制,不需要全局信息,能够充分利用节点数量优势,在探查环境的过程中构建出可靠路径.相较集中式方法,其反应速度较慢,不适用于时敏任务; 然而该方法能够适应场景的动态变化,在动态侦查任务中有较好效能.

4 无人机集群任务分配技术

通常情况下,多无人机执行的任务类型可分为单一类型和多类型任务.现有解决单一类型任务的多无人机任务分配模型包括旅行商模型(Multiple Travelling Salesman Problem,MTSP)[12],车辆路径模型(Vehicle Routing Problem,VRP)[13],这两种模型都只针对目标位置访问一次.处理多类型任务的典型模型包括网络流优化模型(Dynamic Network Flow Optimization,DNFO)[14],以及无人机协同多任务分配模型(Cooperative Multiple Task Allocation Problem,CMTAP)[15].

在实际工程问题中,无人机集群任务分配问题的目标就是确定集群内无人机搭载何种载荷、具备哪些功能,并设计粗略任务流程,使无人机集群协同应用的整体效能最大,代价最小.这是一个多约束条件的多目标优化问题,其优化指标包括:目标价值收益最大、目标覆盖程度最大、飞行距离最小和消耗成本最小.约束条件包括:对目标的协同探测达到一定阈值以上,目标必须在无人机集群的有效半径之内,满足无人机载荷–目标约束,满足各种禁/避飞区约束,对同一子目标探测的无人机数目不应超过一定限制等,如图4所示.

根据任务分配问题的多约束多目标特点,以多目标优化理论为基础,建立联合任务分配模型.一个任务分配方案必须通过一个三元组〈无人机编队标识,路径编号,载荷型号〉封装,其中探测目标信息封装在路径信息中.任务分配问题本质上转换为建立上述无人机集群集合、路径集合及载荷集合之间的三维映射关系.在实际中三维约束处理较困难,因此,利用虚任务区的概念把载荷信息封装在路径信息中.虚任务区是以任务目标的中心点为目标点,根据载荷性能指标所确定的满足探测条件的区域进行探测.

引入虚任务区后,从无人机集群起飞点到各个虚任务区存在多条路径,无人机集群可根据上文的路径规划技术选择一条航路,同时意味着选择了该航路终端对应的子目标作为其探测目标,并且挂载该航路终端任务区对应型号的载荷.集群无人机联合任务分配问题即可转化为对无人机集群选择飞行航路的二维问题,如图5所示.

图4 无人机集群协同探测任务分配流程图

5 大规模无人机集群隐匿控制策略

对于大规模无人集群,例如数量100 以上的无人集群,通过端到端的多跳路由传递信息网络开销极大,同时收敛也较为缓慢.在对抗环境下,外部卫导信号极易被干扰,同时无人机之间链路不稳定,并且处在干扰及电磁攻击的威胁之下,需尽可能减小通信频次,以降低被侦搜的概率.在此情况下,不依赖全局通信的自主集群稳态算法将成为集群隐匿控制的重要手段.

Gazi V 在集群稳态分析中提出[16],在n维欧式空间内,M个个体的集群系统,对于第i个个体,运动方程为:

其中,g代表个体i与个体j之间相互吸引和排斥的关系,连续可微.

a,b,c是正常数,b＞a.

通过改变参数a,b,c可得到不同密级状态的个体影响函数.如图6所示.

图5 无人机集群虚任务路径选择

图6 不同参数的个体约束函数

集群中的无人节点可采用双目摄像头辅助单跳小功率通信,来确定自己与周围1 跳范围内邻居节点的距离,控制者通过控制命令中附带的控制参数,能够对集群聚集的密度进行控制.一般地,对大规模集群进行隐匿控制的方法如下:

1)测控端计算初始集群中心.

2)通过窄波束向集群中部分节点发送聚集约束参数.

3)无人机采用双目或者其他传感器辅助小功率地频次通信,计算与周围邻居节点位置,并将约束参数发送至1 跳范围内邻居节点.

4)无人机将与邻居节点的距离代入聚集约束函数解算,得出邻居节点约束合力.如果约束合力小于设定值,跳至步骤6.约束合力大于设定值,继续步骤5.

5)无人机按照约束力方向进行移动一个单位距离,开始下一次距离解算.

6)无人机保持位置,不进行移动.

图7 为a=1,b=40,c=0.3 以及a=1,b=150,c=0.02 时的100 节点聚集仿真图.

图7 100 节点规模不同密度的集群自主聚集

该方法本质上利用无人机的计算能力降低了对通信速率和频次的要求,能够避免全局大功率通信带来的侦听问题,同时有效应对链路不稳定.结合前文所述的临机规划技术,能够在拒止环境下,对无人集群进行控制,保障任务遂行.

6 结论

本文针对无人机集群应用的特点,在数据链组网架构的基础上提出一种基于分布式优化方法的集群动态协同策略,能够支撑大规模无人集群的协同控制.随着无人系统载荷的计算能力迅速增强,通过与网络架构耦合设计的智能协同算法,能够有效提升无人集群的自主协同能力,相较于传统优化算法而言,对获取全局信息的要求减小,有助于应用于实际场景.

本文所述策略本质上依然属于基于规则的优化方法,在基础的规则框架上增加了分布式协同.相较于基于规则的优化策略,人工智能技术通过大量的数据训练,能够学习出规则所未设定的优化能力,能力效能依赖于样本数据的覆盖性与精确性.在大规模有人无人协同体系对抗场景中,基于规则的智能算法与人工智能技术有效互补与融合促进,是下一步研究的重点方向.