面向空地协同的有/无人系统自主传输技术

刘典雄 徐煜华 汪李峰 赵丹

1.军事科学院系统工程研究院北京100141 2.陆军工程大学通信工程学院江苏南京210000

随着智能化技术的迅速发展, 无人化设备在战场上发挥的作用日益突显[1].在近期发生的多次局部战争中, 无人设备代替人类承担了多项危险且复杂的攻击任务, 达到“兵不血刃” 的效果.2020年1月3日, 美军利用无人机执行了刺杀伊朗“圣城旅”指挥官苏莱曼尼行动.纳戈尔诺-卡拉巴赫(纳卡)地区冲突过程中, 阿塞拜疆军队施放无人机对亚美尼亚军队坦克进行攻击爆破,使其毫无招架之力.2020年11月27日,伊朗首席核科学家法赫里扎德被远程遥控机枪刺杀身亡.这些爆发的局部冲突,已经向世人宣告了未来战争远程化、无人化和智能化的发展趋势.

现阶段, 无人机作战样式仍以少量施放和远程集中控制为主,尚不成规模执行任务.基于群体智能的无人集群自主控制方法的研究已成为世界各国、各领域研究的重点, 更被视为未来智能化战争的突破口[2].然而,受限于当前无人机智能水平,全自主的无人机集群协同作战实现难度较大[3].有人和无人机混合作战系统作为有人系统至无人系统的过渡阶段,可同时发挥二者作战优势,受到国内外研究机构高度重视.2018年8月30日,美国国防部在其公开的《无人系统综合路线图(2017–2042)》中,将人机协同列为4 个关键主题之一,且在2020年开始正式应用成熟且带有战术意义的有/无人编队技术[4].

在有/无人协同系统中, 无人机具备战术实现灵活、感知能力强和决策周期短、全寿命成本低的优点, 可以作为攻击机与有人指挥设备构成协同作战编队,实现协同感知、决策和攻击等作战环节,共同完成作战任务.在有人设备的实时指挥下,无人机能更加快速和准确地部署和应对复杂战场态势变化.有/无人混合编队不再简单地由不同类型作战平台相互协作, 而是更系统级的协同和融合.针对无人和有/无人协同作战系统指挥与控制的研究受到广泛关注, 现阶段研究主要聚焦于系统控制层面[4−8],分析蜂群、蚁群和鱼群等群体智能行为, 讨论其分布式群体决策机理, 从而类比研究无人机系统的控制问题[5].

当有人与无人设备大规模联合执行多目标任务时,为发挥有/无人系统的优势[4],需建立协同网络以保证不同设备间的指挥控制、信息交互和数据共享.无线自组网为群体感知、协同控制和群智激发汇聚提供必需的信息传输通道,被认为是无人集群的“神经系统”.脱离了可靠的自组网通信系统,指挥人员将无法调用和组合无人设备, 再强大的控制系统也无济于事.有/无人协同作战与传统的有人或无人系统不同,将主要以有人设备指令下达、无人机保障有人设备和无人机间数据融合为主.为此,应设计有效的有/无人通信传输系统,保证无人机的信息反馈和共享,有人设备的指令信息分发、数据获取以及对无人机的任务指挥和控制.

1 研究现状

现代战争的发展需要跨域、跨军兵种的组织和规划.为提升作战系统的分布式、多域联合、快速部署能力, 美国国防高级研究计划局(Defense Advanced Research Projects Agency, DARPA) 战略技术办公室2017年提出“马赛克战”概念[9].其中,有/无人集群系统能对作战态势作出更准确和迅速应对,形成不对称作战优势, 被作为“马赛克战” 中灵活和多域指挥控制的关键环节, 是未来智能化战争的重要颠覆性技术.基于马赛克战概念, 美军已展开包括体系集成技术及试验(System of Systems Intergration Technology and Experimentation,SoSITE)、对抗环境强韧同步规划和评估(Resilient Synchronized Planning and Assessment for the Contested Environment,RSPACE)和进攻蜂群战术(OFFensive Swarm-Enabled Tactics,OFFSET)等在内的多项有无人系统研究.

无人自主协同系统同样受到我国高度重视.国务院发布的《新一代人工智能发展规划》中,就多次提到了“自主无人系统”,强调了“群体认知”、“群体集成智能”等前沿智能化作战概念.在科技发展浪潮引领下,军事科学院、国防科技大学和中国电子科学研究院等科研机构, 开展了包括无人机集群自主集结编队飞行与侦察、无人机集群飞行等实验;国家自然科学基金也资助了大批无人系统关键技术研究的项目,旨在突破无人系统网络协同、无人机集群智能组网等关键技术.现阶段研究主要从空中维度的组网技术展开探索,取得有益进展.而针对大规模有/无人集群系统, 特别是空地跨域联合的系统传输技术研究仍处于发展阶段.

2 关键优化问题

本文着眼于空地联合的有/无人协同系统自主传输技术, 不同于空中[10]或水下环境[9], 空地有/无人协同系统中的无人机将配合地面部队进行多场景、多目标驱动的任务,包括清剿嫌疑位置、攻入危险区域、部队驻守、机动作战、围剿行动、伏击行动要点夺控、地下行动、基地防御、据点防御等[11].在进行战场搜索、清剿时,受限的观测范围和敌方埋伏进攻会使队伍处于极度危险状态.复杂多变的地理环境和频谱态势对系统的信息共享和数据传输带来极大挑战.

表1 列举了空地有/无人协同系统的典型场景.在城市场景中,无人机感知探测时将遭受高楼遮挡、道路狭小等影响, 且行进路线将受道路建设规划限制.无人机飞行调度需要与城市建设契合.在山地场景中, 高山耸立制约了无人机的飞行路径和悬停位置.无人机需要根据山地地形灵活调整飞行轨迹.丛林场景中, 树林遮挡将会阻碍空地节点间的正常链路维持,地面设备可能接收不到卫星信号,且无人机与地面的通信链路也较不稳定.

表1 不同部署环境下的空地链路传输挑战Table 1 Air-to-ground transmission challenges in different environments

复杂环境对有/无人协同系统的指挥与控制提出巨大挑战,当网络中设备数量众多、任务数据需求量激增时,为保证指挥控制链路畅通,需设计合理的数据传输方案.因此, 结合不同的应用场景和任务, 从联合部署建链、联盟指挥控制架构、频谱协调共享、数据多模传输问题出发, 对空地协同的有/无人系统自主传输进行讨论.

2.1 联合部署建链

对任务区域的部署覆盖能力是有/无人系统实现感知、侦察、攻击等任务的基础保障.任务区域覆盖包括无人机任务覆盖和通信覆盖.单架无人机的感知和通信能力受限于俯仰角范围和传输功率, 为实现大面积的区域覆盖, 多无人机联合部署技术被认为是解决系统覆盖和数据反馈问题的有效方案.

传统联合部署覆盖一般基于移动自组网来提供无间隙、多维度的无线覆盖.在以无人机为例的移动节点部署中, 现有工作主要围绕分布式均匀覆盖问题展开研究,根据空–地信道建模推导得到覆盖概率函数,进而计算完成区域覆盖所需的无人机数量[12].而在通信约束条件下, 除无人机部署密度、地形视距因素外,还需要考虑实时拓扑变化造成路径损失、通信能耗和移动能耗问题,需联合移动能耗、功率控制、频谱接入和部署位置作进一步优化[13].

与传统无人机通信平台以提供无死角的地域覆盖为目标不同,有/无人系统的部署问题以地面和空中节点任务驱动下的无线链路建立为目标, 具有明显的区域异构和动态特性.不同区域、不同时刻的地面、空中任务数据量, 对无人机的部署优化提出不同需求,如图1 所示,无人机需要根据任务的轻重缓急和任务生成量,对自身的部署位置进行调整,根据不同区域的生成数据量和作战重要性部署和调度无人机[14].

图1 异构分布网络中的多无人机部署方案Fig.1 Multi-UAV deployment results in heterogeneous distribution networks

所执行的任务需求决定了无人机的部署范围,而空–地传输链路则决定有/无人设备的具体部署位置.无人机在部署时需在保证与地面节点和其他无人机数据交互的前提下执行各项任务.无人机在执行空中探测任务时, 为保证与地面有人设备的信息交互和数据共享, 需在空地链路畅通的位置部署中继无人机.由于并非所有地面节点都能保持与空中无人机的链路传输, 地面节点间也需相互连接, 以保证各节点都能接收到无人机反馈的态势感知数据.如图2 所示, 丛林环境中, 在密集树木遮挡导致空–地链路不稳定时,需要在树林稀疏区域部署中继节点,在空–空和地面之间各建立传输链路; 在城市环境中的高楼遮挡容易导致地面存在覆盖盲区, 除调整空中无人机的部署位置消除盲区外, 也需在地面节点处于盲区时建立地面节点间的中继链路; 山地环境中, 当高山阻隔导致无人机之间传输链路受阻时, 则需在地面设备和无人机之间交替进行数据传输.

图2 不同环境下的空地无人系统组网方案Fig.2 Air-ground collaborative system networking scheme in different environments

2.2 联盟指挥控制架构

有/无人协同系统的通信和组网方式决定了指挥与控制的实施流程, 组网能力决定了网络能支撑的系统规模大小和灵活性.现阶段研究主要将有/无人系统的指挥控制结构分为集中式、分布式和集散式3 种[3],其中集中式结构由有人单元作为控制单元指挥无人设备,系统灵活性和扩展性较差.分布式结构中有无人设备关系平等, 但对于无人设备的自主可控能力要求较高.集散式结构通过构建上层指挥下层、同层分布式共享的分层架构,发挥了有人机指挥控制和无人机自主决策的优势[3].类似地, 文献[9]将水下有无人集群的控制结构划分为星形结构、网状结构、融合式结构.文献[9]进一步设计了集群主节点不固定的分簇自组织结构, 有效提升了集群结构的抗毁性能.基于现有研究,针对空地协同的有/无人传输系统特点,对其不同的组网架构进行讨论.

集中式控制模型.无人设备由其施放的有人任务单元控制, 多架无人机围绕地面有人设备的指令进行任务部署, 大规模的无人机部署将使控制难度陡增.另外,集中式控制模型难以兼容和扩展至存在多有人设备的情况.

扁平化自组织模式.无人设备通过感知频谱环境并与其他设备交互决策信息来协调位置部署、频谱接入和任务执行.该组网模式下有人设备与无人设备关系平等,网络的抗毁性能好,但对任务驱动的任务适配能力较弱, 且在大规模节点部署条件下组网难度较大.

分簇自组织模式.在分簇模型中,由有人设备承担簇头任务, 簇头之间以分布式方式与其他簇头共享频谱资源, 而簇内成员的通信资源可以由簇头分配.分簇模型能有效减轻大规模节点组网的复杂度,也便于有/无人系统对复杂网络进行分解.

传统以指定有人设备为簇头的单簇头组网结构灵活性不足,抗打击能力弱,难以适用于多无人设备和有人设备共存的有/无人系统.基于此,面向任务驱动的联盟组网架构设计能更灵活地应对不同环境带来的挑战.

与分簇架构中每个簇由指定的有人设备承担簇头任务不同, 联盟架构中的单个联盟可能同时包含多个有人设备.如图3 所示,当空–地链路被遮挡或地面部队形成若干作战分队时, 多个地面节点可与多无人机形成同一联盟.联盟头可由通信效果最好或指挥权限最高的地面节点负责, 包括任务的下达和无人机态势感知信息的广播共享.联盟组网提升了系统的重组性和抗毁能力.有人设备间可以切换联盟头角色.且设备间可根据指令任务引导、作战任务需求引导完成联盟的分裂和融合.

图3 任务驱动的空地协同有人–无人联盟组网架构Fig.3 Mission-driven air-ground collaborative manned-unmanned coalition networking architecture

指挥引导.任务的汇合和拆分将导致无人机联盟的合并与分解.如果任务间具有交叉或者较相似,任务指挥者之间通过交互信息, 作出联盟间合并和分解的决策.联盟头达成协议之后,联盟成员选择是否加入或者离开联盟.

任务引导.联盟头得到无人机在任务执行过程中反馈的实时情报或数据后, 可对无人机联盟进行任务的重新规划,以此导致联盟的重新组合,以保障与指挥系统的可靠连接.

应急情况.当有/无人系统遭受环境恶劣变化或者部分任务通信中断时, 无人设备将向周围发送安全信息, 确保其与周围无人和有人设备的安全距离与飞行轨迹,并组成临时性网络,保证其与有人设备之间的基本通信.

2.3 频谱协调共享

在任务联盟形成条件下, 不同联盟的有/无人设备需根据联盟所需执行任务灵活进行资源分配.频谱资源的有效利用是保证分布式无线节点大规模组网的基础, 随着系统节点数量和数据传输需求的增加, 紧缺的频谱资源和大容量传输需求将形成矛盾状态.有/无人系统在遂行特殊任务时,复杂电磁环境中的严重噪声和干扰使有/无人系统通信组网性能难以保证.在可用频谱资源受限条件下,有/无人协同系统内需进行有效的频率复用, 并基于认知无线电中动态频谱接入理论方法, 提高系统频谱利用率与组网通信成功率.

因此,需设计合理的资源分配方案,解决有/无人系统频谱资源竞争和协调问题, 包括联盟间的频谱共享和联盟内的频谱接入.联盟间频谱共享包括网间集中式和分布式频谱共享, 在复杂环境以分布式共享方式为主.相关的无人集群频谱资源分配问题中, 部分文献通过建立博弈框架和混合整数规划模型,研究了信道干扰、功率分配和时频资源调度等问题[15−17];对于联盟内频谱接入问题,可实行类似簇头集中控制的方式[18], 对联盟内传输设备所需资源统筹划分, 然而考虑无人机动态和任务异构需求特性,如何设计合理的动态接入协议, 实现频谱接入与任务需求的适配更具意义[19].联盟间频谱共享和联盟内频谱接入的研究应具备以下突破.

联盟间频谱共享.有/无人协同系统由任务驱动进行设备间的联盟组网, 不同规模的联盟将承担不同的信息反馈和数据共享任务.需针对联盟承担任务的异构性、联盟飞行环境和队形结构的高速动态性, 对不同任务下无人机联盟间有限的频谱资源进行合理分配.考虑到有/无人系统的分布式特性[15],资源分配过程中涉及到不同联盟头之间的信息交互.而由于任务和环境的动态特性, 系统频繁地切换信道会造成的吞吐量下降以及能量开销, 需设计相应的无人机联盟频谱动态分配算法, 优化业务信息共享.

图4 基于联盟架构的频谱资源共享Fig.4 Coalition-based spectrum resource sharing

联盟内频谱接入.有/无人系统在执行任务过程中由于个体性能差异、分工差异、优先级差异,会导致用频需求的异构特性, 应考虑有限资源与任务指标的匹配,设计分布式动态接入协议.针对联盟内部通信样式、通信结构与联盟成员个体效能存在的耦合关系,分析节点数目与密度、流量分布等与接入性能的对应关系,需研究相对稳定的MAC 接入协议、自主参数调整与协议切换条件, 避免数据传输发生碰撞,实现联盟内无人机节点的自主信道接入控制.

2.4 数据多模传输

无人设备除需执行多项任务, 也需为有人设备提供可靠的态势信息, 协助有人设备间进行数据共享.由于空中无人机有别于地面通信系统的动态特性,有/无人系统的协同数据传输呈现多种方式,包括数据中继、数据运载、多跳路由和数据汇聚等[20].

图5 多种数据协同传输模式Fig.5 Multiple data cooperative transmission modes

实时中继.当传输链路的发射机与接收机距离较远导致传输质量不稳定时, 处于链路中间的节点可以提供实时的中继转发服务, 相关技术与现有的地面中继技术类似[21], 包括放大转发和编码转发等的半双工模式和多天线下的全双工模式等.而多节点的有人–无人设备组网,给中继传输研究带来了包括多无人机中继选择、多跳中继选择和移动中继调整等新问题.

延时运载.针对广域作战、节点间距离较远导致的实时传输效率低下问题, 无人机可以利用其移动和数据存储的优势, 通过数据携带的方式从发射端将数据运载到接收机.运载传输过程中涉及到数据上传和卸载的时间分配、无人机轨迹调整等问题,相关研究可应用于对传输时延不敏感的需求场景, 如阶段性的数据反馈和数据采集等.

多跳路由.受到频谱环境的影响,物理层的中继传输在多跳情况下容易造成较为严重的数据包丢失.因此,在大规模空地协同组网系统中,不同联盟、不同子网联盟或相距很远的节点间传输数据时, 需在网络层实现多跳路由, 即通过若干节点接收和转发数据.在联盟架构下,可针对资源稀缺与环境动态等特征,根据网络态势与任务需求,自主调整联盟骨干节点的数目并进行选举,实现联盟间的稳定路由.

数据汇聚.由于联盟组网的异构分布特性,处于网络边缘位置的设备, 可将其数据提前转发给优势位置的节点进行存储与转发, 多个节点可形成如前文所述的数据联盟, 由联盟头进行数据的上报与下达.数据汇聚有利于资源的整合与高效传输.

3 研究需求和挑战

3.1 优化需求

上述空地有/无人系统中联合部署建链、联盟指挥控制架构、频谱协调共享、数据多模传输等研究涉及到不同的优化问题.具体而言,联合部署建链需解决空–地和空–空信道建模、基于异构业务部署、通控联合优化等问题; 联盟指挥控制架构需解决系统任务适配、邻域信息交互和指挥控制信令分发等问题;频谱协调共享需解决频谱态势感知、频谱预测、频谱接入、频谱资源分配等问题;数据多模传输需解决节点选择、传输模式切换和传输功率调整等问题.在针对不同问题设计优化方法时, 需有效应对动态和未知的环境带来的影响,满足分布式、鲁棒性、动态适变和可扩展性的优化要求.

分布式.现有传输优化的相关工作大多基于集中式预先规划模型.由于网络的动态特性、无人机传输能力受限以及任务的多样性, 现有的集中式传输优化方法较难应用于自组织传输的优化模型中.若采用集中控制器进行大量数据计算和资源划分将消耗巨大能量.

鲁棒性.如前所述,有/无人系统将具有多重复杂的环境因素和传输约束, 如异构传输任务需求、节点间互扰和拓扑动态变化等.系统在决策过程中所获得的决策信息可能存在不完整或被噪声干扰等情况.因此, 所设计决策方案应具有鲁棒性, 以应对复杂环境通信网络中不完全、不确定和差错信息带来的挑战.

动态适变.系统的拓扑动态变化将对决策优化速度提出更高要求.无人机可能在任务执行过程中改变其飞行路径, 在这种情况下若传输策略无法在既定响应时间内完成,那所得决策结果将无意义.快速决策不仅可以克服动态扰动带来的负面影响, 还可以通过对动态环境、设备移动轨迹的快速预测,对其加以利用以改善传输性能.

可扩展性.与稀疏节点部署系统不同,自主决策优化方案应具备可扩展到无人设备大规模、密集部署网络中的能力.自主传输优化方案应具备算法的可延伸和迁移性.

3.2 优化方法

针对空地协同的有/无人系统面临的任务环境多样性和复杂性, 可设计联合离线知识生成和在线认知决策的知识辅助认知优化方法.在大数据和深度神经网络的支持下, 控制器可基于历史和综合仿真模型学习不同环境下的优化策略.生成不同场景的环境模板和决策参数, 然后将其配置到云端数据库或各个终端中.在实时通信中,无人和有人设备感知周围环境态势并将其用于自身的决策基础.预测动态网络拓扑,并向指挥控制器报告决策数据.指挥控制器将当前环境参数输入离线学习网络中进行模式,学习获得决策方案.有/无人系统从控制器接收到指令后, 将根据离线策略及其自身的感知结果综合进行决策.最终传输结果也将报告数据中心,以补充知识数据库.

在策略更新的过程中,博弈论、机器学习和优化理论可以提供强大的理论和算法设计指导.其中,通过学习环境和过去的经验来提高系统整体的优化性能, 机器学习可以被用来设计和优化大规模场景下的通信系统.博弈论[22]作为分布式资源优化的重要理论工具, 将为有/无人作战系统的分布式建模和优化提供理论保障.

4 结论

针对空地协同的有/无人系统面临的复杂环境和频谱态势, 讨论了任务驱动下的有/无人机通信系统的自主传输技术,分析了城市、山地、丛林等不同的典型任务场景对系统通信组网带来的影响, 研究包络联合部署建链、联盟指挥控制架构、频谱协调共享、数据多模传输在内的关键技术问题.最后探讨了空地协同的有/无人通信系统资源优化趋势和可行的优化方法.