无人机集群关键技术与作战模式浅析（一）

郭忠诚

中航贵州飞机有限责任公司

无人机集群技术与应用已成为无人机领域的重要发展方向，正在催生新的作战模式形成。本文参考国外先进无人机集群项目，对智能无人机集群关键技术进行初步分析。

智能无人系统集群化运用，将颠覆性地改变未来作战“杀伤链”设计，催生新型作战样式形成，突破层级结构、线性积累等规律。无人机集群是由若干同构或者异构智能无人机通过自组织网络连接而构成的一种智能群体，具有分布式感知、目标识别、自主决策、协同任务规划与攻击能力，具备分布式学习、智能涌现等群体智能行为特征。无人机集群作战对人工智能、自主决策与规划、集群控制、自适应组网通信等技术提出了更高要求。美国在2000年将无人机自主性分为10个等级，其中全自主集群为最高等级，它要求无人机集群系统在复杂环境下，实现无人多任务目标全自主规划，集群自主控制技术是智能控制技术与平台控制技术的高度综合，是无人机集群协同作战的技术基础。为更全面描述无人机自主性，将人机交互、协同感知、协同分析、协同决策以及协同控制能力纳入自主性等级划分，无人机系统自主性等级，无人机逐步从简单遥控、程控方式升级到人机智能融合的交互控制，未来将具备集群协同作战能力。研究如何通过有效的协同控制策略支持战场环境下无人机集群协同攻击多目标，在时空约束下以最大成功率和最低风险命中目标，实现无人机集群整体作战效能大于各单架无人机作战效能的总和，极具理论价值和实战意义。

图1 无人机集群技术与应用将改变传统作战样式。

本文面向协同作战的无人机集群，参考国外先进无人机集群项目，提出无人机集群关键技术。在无人机集群技术发展的推动，战争制胜机理、作战力量构成、创新作战理论已悄然发生改变。对无人机集群作战模式进行研究，不断探索我国无人机集群的发展思路，为深入开展无人机集群作战研究提供理论参考。

国外无人机集群项目研究现状

美国军方很早就已布局无人机集群相关研究，自2014年起美国国防部战略能力办公室（SCO）、美国海军研究办公室（ONR）、美国国防预研局（DARPA）先后启动“无人机蜂群”、“低成本无人机蜂群技术”和“小精灵”项目。

“无人机蜂群”项目以“灰山鹑”一次性微型无人机为试验平台，在2017年对3架F/A-18F“超级大黄蜂”战斗机投放103架“灰山鹑”进行测试，展示了空中投放和自适应分组编队协同飞行能力；

“低成本无人机蜂群技术”项目以“郊狼”小型无人机为平台，2016年美国雷神公司在地面开展30架“郊狼”无人机蜂群飞行试验，验证了无人机蜂群编队飞行、队形变换能力；

“小精灵”项目重点研究空中投放和回收小型无人机蜂群等关键技术，2020年实施“小精灵”项目第三次飞行试验，利用C-130运输机在空中投放和回收3架X-61A无人机，验证了自主编队飞行保障安全技术，9次尝试空中回收无人机均未对接成功，并计划2021年在第四次飞行试验中开展更多的飞行和回收测试。

除围绕低成本微小型无人机集群开展试验，美国国防预研局还通过“体系集成技术”、“分布式作战管理”、“进攻性蜂群使能战术”、“拒止环境协同作战”等项目，发展无人机集群体系架构、作战管理、集群战术、自主协同控制和小型多功能传感器等多项关键技术。2020年7月，美国空军已与波音、通用原子、克拉托斯和洛克希德-马丁4家公司签订“天空堡”（Skyborg）无人机项目，据悉“天空堡”是一种基于人工智能的无人机，由美国空军根据“忠诚僚机”计划提出，一架或多架“天空堡”无人机由有人机控制与管理，在一次作战任务中执行监视、支援和打击等任务，该项目核心任务是自主决策控制系统研究，以验证下一代无人机多层级自主性，计划2023年实现初始协同作战能力。

2016年9月，英国国防部发起无人机集群竞赛，以期快速突破相关关键技术。同年11月，欧洲防务局正式启动“欧洲蜂群”项目，发展任务自主决策、协同控制等关键技术。

图2 美军无人机蜂群试验。

2016年，俄罗斯也开始对集群无人机协同作战模式进行研究；韩国陆军则在2017年宣布将大力发展无人机蜂群技术，用于侦察打击等任务；2019年10月，芬兰提出“防空压制无人机蜂群”（SEAD Swarm）项目，作为防务研究备战行动的一部分，该项目将加强欧盟成员国之间的合作。

无人机集群关键技术

信息感知与融合技术

信息感知与融合是无人机集群协同作战的前提。信息感知是指各集群无人机基于机载传感器，在复杂战场环境下，面对地理、电磁、威胁、气象等因素，实时自主感知需求，通过集群无人机之间的密切协同获得更广的监测范围、更准确的目标定位精度，对战场环境进行多维、全域、实时、精确感知，主要包括外部环境协同探测和集群内部互感能力。信息融合是指集群无人机之间通过机间数据链共享目标、平台状态、情报和指挥控制等信息，借助配准、关联、滤波、身份识别、态势估计、威胁估计等信息融合手段，获取完整、准确的作战区域全局信息。

信息感知与融合必须解决集群无人机之间在时变情况下，海量信息如何交互以及异质异构传感器多源信息如何融合处理。集群系统中的单机既是通信网络节点，又是信息感知与处理节点，无人机的空间分布决定了网络拓扑结构，而不同网络拓扑结构具有不同的通信性能。无人机集群通信网络拓扑结构变化迅速，集群无人机之间的通信有时不稳定甚至随时可能中断，要保证各集群无人机通信网络稳定，可以从网络架构、硬件、算法和通信协议等方面入手，解决这一难题。在信息融合方面，已有大量成熟理论和方法。与一般多传感器信息融合相比，无人机集群信息融合比一般传感器信息融合难度更大，主要体现在信息表现形式多样化、信息数量巨大、信息关系的复杂性、信息处理的及时性等方面。因此处理方法不同于一般的信息融合方法，可参考人脑信息融合认知机制，研究特征提取、知识表达和推理、认知机理等方法，将其应用于集群信息融合处理。

表1 美国国防预研局主要无人机蜂群研究项目。

实现信息感知与融合，需重点解决密集编队感知与规避，多源异质传感器分布式信息融合，集群态势共享与通用作战视图，目标协同检测、识别与跟踪，突发威胁协同探测与定位等技术。由此建立信息优势，有利于无人机集群系统整体作战效能提升。

协同控制技术

协同控制技术是实现无人机集群协同作战的核心。美国《2005～2030无人系统路线图》明确提出，发展无人机协同控制技术，使多架具备自主控制能力的无人机能通过组织规则和信息交互，实现较高等级的自主协同作战，通过高效协同组织形式和动态功能分配方法，提高系统作战效能。协同控制是指大量集群无人机在无集中控制情况下，通过个体局部感知和反应行为，聚集形成预定几何形态，同时又能适应环境约束，例如避开障碍、队形切换。

借鉴生物群体智能理论，是一种解决无人机集群协同控制问题的有效途径。基于生物群体智能理论的协同控制方法主要有基于行为法、领航法、人工势场法等。

基于行为法是预先定义无人机的若干种行为，如跟随、避撞、回避等，然后在控制过程中根据每架无人机信息，将这些行为按照某种策略进行加权综合，并将其作为依据来控制每架无人机的具体行为；

领航法的基本思想是，在集群系统中设立领导者或者虚拟领导者，通过领导者的领导作用，实现群体系统控制；

人工势场法将物理学中势能场的概念引入集群系统，用势函数模拟无人机所受内外作用的影响，每架无人机在势函数作用下行动，从而实现集群控制。

总之，三种方法各有优劣。基于行为法与集群智能最为契合，能够实现完全分布式集群协同控制，研究重点在于集群内部个体行为的设计与描述，然而个体局部行为对群体行为的影响是未知的，导致群体智能的涌现结果不可控，故该方法实现难度很大；人工势场法通过势函数来描述集群内个体之间的局部作用以及环境对个体的作用，依靠势函数对集群起控制作用，思路简单，然而战场环境复杂多变，势函数设计困难。领航法是目前最成熟的集群协同控制方法，通过对领导者进行控制实现集群协同控制，实现简单，易于控制，但领导者很可能成为集群的弱点，领导者的失效甚至微小故障都可能导致整个集群失控。

多机协同任务规划技术

多机协同任务规划是完成无人机集群协同作战任务的关键。无人机集群任务规划是指根据作战任务需要、战场环境以及无人机性能，为集群中的无人机规划一个或一组有序任务，并且要避免资源冲突，实现整体协同和全局最优。近年来，随着无人机自主性不断提升，无人机逐渐具备自主规划，甚至自主协同规划能力。规划的实质就是实施一种大规模协同控制。随着战场环境的复杂性日益提升，对无人机性能和任务要求不断提高，无人机集群协同控制难度和协同控制效果之间的矛盾更加突出。在无人机集群协同作战时，无人机需要根据其它无人机提供探测信息进行态势感知，实时动态规划、修改系统任务路径，有效规避威胁并完成作战任务。因此，无人机集群自主协同任务规划技术是未来亟待解决的问题。

表2 美军基于平台的蜂群能力验证项目。

无人机集群协同任务规划本质是一个约束因素众多且复杂的组合优化问题，因而可以借鉴组合优化问题的求解方法，解决无人机集群协同任务规划。然而，无人机集群由许多各具特点、不同类型和不同用途的无人机组成，而且受各种战场环境制约，导致无人机集群协同任务规划建模的难度急剧增加；其次，无人机集群协同任务规划属于多参数、多约束的非确定多项式求解，在多输入条件下问题求解难度很大；另外，作战任务通常相互关联、彼此制约，即存在复杂的约束关系和不同任务需求，如时间、空间、任务载荷匹配关系和任务优先级要求等因素都会给无人机集群协同任务规划造成诸多困难。因此，应重点解决无人机集群协同任务规划建模、基于实时传感器信息的任务规划时效性、任务规划算法、任务调度综合性能提升等几方面问题。

无人机集群通信技术

无人机集群通信是协同作战的保障。无人机集群作战环境对通信链路的要求十分严苛，既要保证地面控制站与集群无人机、集群无人机之间、无人机编队与无人机编队之间的冗余信息交互，同时应减少通信时延，保证信息交互的实时性。作战过程中，集群无人机存在受伤、被击落、增援等多种状态，其动态加入和退出也要求通信链路在正常通信需求条件下，必须支持无人机数量的变化，完成集群重构，而且在集群无人机与地面控制站失去联系时，无人机集群应具有自组织通信能力。其次，针对某些关键操控，通信链路还必须保证地面操控员能够对无人机任务进行授权和确认。

使用网络化手段对无人机集群通信能力进行集成，是提高无人机集群组织性、机动性与协同性的关键，将提升陆海空战争的效费比。为有效对抗敌方无人机反制手段，通信网络需具备智能化、高鲁棒、低探测、低截获、抗干扰等能力。目前美国战术目标瞄准网络技术（Tactical Targeting Network Technology，TTNT）具有动态组网、高吞吐量、低通信时延、低截获等特点，已集成于各种飞机、舰船和地面平台，同时正在研究将其应用于小型无人机/导弹武器协同作战的可能性。实现网络智能化、高鲁棒性的手段包括简单网络规划、自组织无中心灵活入网/建网、时间同步不依赖性、业务自适应、智能管理维护、功率/速率自适应、频谱智能感知等。实现低探测、低截获的手段主要有扩跳频、功率/速率控制、分集接收、模拟/数字混合跳频等；采用频谱智能感知设计，利用全频段接收通道进行频谱干扰检测、干扰模式分析，实现基于认知的抗干扰能力，可识别随机和连续干扰，以保证一定频带被干扰下不影响节点间最大通信速率。

图3 无人机自主性与操控员工作量占比图，蓝色粗线代表人员操控量。

无人机自主控制与人机融合交互技术

无人机自主性提升可有效感知战场态势，在复杂环境中通过感知信息的交互共享与自主控制，极大降低操控员工作强度，以快速适应新环境、合理规划航线、高效完成战场任务。当前无人机系统自主性不足，表现在作战效能和安全性依赖于操控员经验，任务载荷数据共享不足，任务规划及决策主要针对预定任务或战场环境，对突发威胁反应不及时等。提升无人机集群作战自主性，首先要构建单机系统自主能力，解决信息融合、自动感知与规避、编队保持、在线任务规划等技术。无人机集群作战离不开人员授权及引导，无人机自主性与操控员工作量的关系详见图5。为了以最少量的人员操控，实现无人机集群精准控制，并完成复杂多样化战术任务，需开发简明高效的人机交互技术，使作战系统具备分布式、智能化、人机一体化协同作战能力。

无人机系统典型特征是“平台无人，系统有人”，随着单机系统自主性等级和智能化水平不断提高，通过人机系统智能化交互和集群自适应学习，可以实现智能无人机集群与有人系统高效协同作战，极大增强作战能力。人机融合交互关键技术包括人机功能动态分配，无人机自主学习推理能力，无人机平台状态、战术态势和任务协同综合显示控制等技术。

（未完待续）