无人机集群任务规划方法研究

李俊霖 袭祥云

（中共西南计算机有限责任公司 重庆市 400060）

在当下进行无人机集群的任务规划过程中，是一种基于综合性调度下构建出无人机与任务之间的合理映射，以此保障在飞行的过程中，能够保持无人机之间的协同配合关系。因此，只有基于逻辑与规则的角度出发，形成自上而下的任务规划，才可以有效的符合当下无人机集群飞行的实际需求，实现科学合理的无人机规划操作。

1 任务规划

在社会当中几乎所有的活动开展，都需要首先明确出具体的任务，同时明确出具体的工作人员，这样才可以顺利高效的完成任务。无人机任务规划是指根据无人机需要完成的任务、无人机的数量以及携带任务载荷的类型，为无人机制定飞行路线，并进行任务分配及管理。其主要目标是依据地形、环境条件等信息，综合考虑无人机的性能、耗能、威胁以及飞行区域等约束条件，为无人机规划出一条或多条自发射点到目标点的最优或次优航迹，并确定载荷配置、数据链的工作计划，保证其无人机高效、圆满地完成飞行任务，并安全返回。任务规划与无人机集群运行之间有着重要关联，无人机集群任务规划就是一种在任务执行的过程中，对于集群中的个体工作状态，以及对使用的方法甚至具体的步骤细节，进行科学合理的安排和规划。任务规划是无人机使用过程中的必要和关键环节。在当下的任务规划理论当中，是一种多类型下的特殊任务，以此对其进行科学有效的规划分析。

2 基于逻辑与规则下的无人机任务规划典型方法

经人们长期的研究现已形成了较为丰富的成果，在学术界已经建立出了一定的逻辑与规则。从任务规划的理论发展来看，在上个世纪六十年代，提出了线性规划问题、指派问题以及匈牙利法等诸多的任务分配理论。任务规划的过程中，是一种基于一类多约束条件下的优化问题。因此在分层递阶的思想影响下，从顶层规划到分层逐步实施的过程中，进一步的控制了问题的复杂程度，成为了当下多无人机任务规划的重要途径。对于这种思路的发展，十分符合人类社会管理的内在规律性，并为人们理解与掌握，因此在一些典型的任务规划方法构建中，也受到了这一思想的深远影响。对于当下无人机集群任务规划研究内容而言，其内容较为的丰富，基本上包含着任务目标分配、航迹规划、任务载荷规划、数据链路规划以及应急处置规划等多方面的内容。一般情况下，在任务载荷规划、数据链路规划以及应急处置规划的过程中，都呈现出独立的效果。同时，对于无人机集群的属性依赖性不高。例如，在一些专用的传感器使用的规划，以及在一些链路配置规划的系统当中。常见的做法，就是对无人机集群任务进行科学合理的分配，充分的保障航迹规划过程中，将其任务载荷、链路设计以及安全飞行，当做规划的重要的约束条件。

3 基于集群智能涌现机理下的任务规划难点以及方式

在集群技术的分析中，这种自上而下的研究思路，成为了当下众多研究学者的重要研究方向。在使用这种技术的过程中，可以很好的让无人机集群展示出一种自上而下的集群技术。但是，从生物、数学、计算机、控制以及机器人的领域出发，当下集群的课题已经得到了较长时间的研究与分析，并在集群当中的关注点，包含着自然界当中的各种生物。在不断的分析中，对集群现象开展了较为详细的分析，以此明确出集群现象的一些产生原因，以及在衍生工程当中的实际应用。研究发现，在动物的集群当中，通常具有交互性、群体稳定性以及环境适应性。而动物的行为学上发现，可以很好的基于个体间的一些简单行为规则，利用合作的方式，产生较为复杂的集体性行为。而无人机集群技术的研究与运用，正是一种对于生物群体行为的一种模仿，并逐渐向着群体决策与认知理论方向发展下去。

3.1 无人机集群航迹规划的难点

从宏观的角度进行分析，有时间约束下的路径规划问题，以及多机间的冲突消解方式问题，目前其具体的消解技术并不能够完全的满足无人机集群的需求。这是由于无人机集群数量较大，其编队较密集，这些约束因素就会导致对于当下连续性4D 航迹规划的精确度以及实时性受到严重的影响。其次，在无人机集群面临较大数量的时候，就会基于满足安全距离的要求对其约束实现分割，但是这样的行为会给集群的密集程度带来影响。在概率冲突检测处理的过程中，也会面临着较大的计算压力。再次，从时间维度方面进行分析，无人机集群航迹上可能存在着一定的交叠，因此在任务类型或者协同要求十分复杂的时候，就会需要基于局部的方式进行调整冲突，但这种消解行为又十分容易进入到全新的冲突当中。

3.2 生物集群行为的描述与建模

从生物集群行为的建模的角度开看，可以使用诸多的模型，关于Boid 模型，其是一种基于靠近、对齐等假设下，使得设定每一个对象，都仅仅能观察到周围一些固定的个体，之后的分析中，可以利用计算机的方式，对各种测定对象的集群现象进行分析，并模仿其群体的动作。而在Vicsek 模型的构建，则是一种基于统计学的角度出发，对其群体密度以及噪声强度进行改变，同时对集群行为进行定量分析。而最后的Couzin 模型而言，则是一种基于个体的感知区域，从内至外的形成排斥区域、对齐区域以及吸引区域。对于这三个不同的区域而言，并不会发生重叠的效果。另外，对于这种群体而言，需要从其中分离、并保持速度的一致性。

在集群的行为模拟以及具体的验证过程中，研发的一些系统，可以很好的作用于一些对机器人学习、群体行为等诸多的方面，因此在进行无人机集群系统的构建过程中，一些相关部门就开展了专项的研究。

3.3 基于集群智能涌现的规划决策

在生物群体当中，一种去中心化、临近个体信息交互以及整体自组织的诸多特征优势，可以很好的成为无人机集群任务规划的重要要素。在对无人机的仿生规划中，这些特征逐渐成为无人机集群任务规划的重要研究方向。基于集群智能的无人机集群任务规划，首先在研究的内容上，不仅仅包含着对于威胁的判断，同时包含着目标优先权、任务动态分配与调度等内容。另外，还要在分析的过程中，能够针对多机逻辑以及行为，进行针对性的冲突消解。

因此，对于这种集群智能涌现的无人机集群任务规划工作，基本上都是一种将无人机个体收集并处理外界信息，之后对个体进行知识方面的更新，以此可以及时的顺应的飞行环境。同时，无人机个体还要与其他的个体保持着互动，这样就可以完成经验交互与社会学习，可以很好的实现同步进化，从而顺利执行并完成一些复杂的集体行为。而在智能涌现的任务规划过程中，其具体的变化特征，主要体现在三个不同的方面，分别为单机、集群以及任务。因此，要充分的保障无人机在任务执行中，可以对环境保持着较高的学习以及适应程度，这样就在规划出一些较为复杂的任务的时候，保证顺利高效的完成。

在这方面的研究中，一些学者提出，可以基于多个变速度的虚拟领导者，实施多智能体蜂拥控制算法。对于这种算法而言，理论上可以实现较为精确的跟踪对应。例如，在我国的一些学者研究过程中，就对大雁的群体行为进行了分析，以此提出了多无人机紧密编排控制与编队的方式，以此形成拓扑重构法。

不仅仅基于对群体性为的模仿，所构建出映射决策模型，其研究学者的另一种思路在于，这是一种试图提出通用自组织群体模型的一种架构类型，以此可以很好的面向复杂环境当中的一些集群任务，实现动态性的分析与计算。

4 无人机集群任务规划技术的未来发展

在无人机集群任务规划的过程中，其方法多种多样，因此其未来发展方向呈现出多样性的特征，并且在理论等方面，都各自存在着一定的优势性，但是也面临着一定重复化、复杂化的问题。因此就需要在无人机集群实际能力的建设过程中，能够明确出未来的发展方向。

4.1 多约束下的集群系统群智慧涌现式的规划

在无人机集群任务的规划过程中，往往需要对单个无人机的动力学与运动学进行全面的分析以及考量，并且需要对输入饱和、状态有界与约束、模型非线性，以及不确定性约束进行全面的分析。同时，在多无人机可以顺利的达到目的地之外，还要充分的对无人机到达目的的时间以及空间进行协调，并通过对数据链系统的连通性实现网络拓扑的约束作用。基于逻辑与规则的任务连通性方面，其呈现出网络拓扑的约束性。另外，在逻辑与规则的任务策划模型当中，在集群数量不断增加的情况下，已经无法实现低复杂度的高准确性的描述。因此，就需要在未来的研究过程中，需要基于多约束条件，对其集群智能涌现系统进行建模，同时实现分布式协同控制。

4.2 深度学习与分布式优化

无人机集群的协同规划与决策，一直以来都是无人机任务规划的重难点。需要在不确定性以及动态的环境下，首先保证任务规划的科学合理，就是要进行科学合理的推理判断，同时还要最优化求解，这样就可以很好实现飞行任务。因此，就可以基于的深度学习与分布式优化相结合的方式，进一步的提升无人机集群任务的协同分配能力。另外，这种研究方向下，也可以最大程度上挖掘无人机飞行的潜力。

4.3 自组织航迹协同技术

在无人机集群航迹规划以及调整的过程中，在充分保障既定分配任务之后，可以很好的避免自主防碰撞的效果。另外，对于控制模式下的集群个体，仅仅在一些局部临界点，进行可信息交换之后，就可以很好的完成信息之间的反馈，同时也可以相应的完成各种飞行任务。因此，在未来的发展中，就需要基于这样的局部信息传输技术方案，进行针对性的技术研究，以此充分的保障该技术的科学性和合理性。这样就可以很好的在应用的过程中，可以针对一些突发的威胁，使得具备着较强的容错与自愈的能力。

4.4 集群行为结合

这种基于逻辑规则与集群智能涌现相结合的规划方式，可以很好的提升无人机集群在受到通信环境影响的条件下，具备着较高的适应能力，并在群体当中，自行组织通信，既能够基于逻辑与规则的方式进行动态规划方案的调整，又能够充分的保障不会受到电磁干扰、通讯畅通，还能对集群个体间的底层进行协调处理，并充分保持队形以及功能方面的稳定性。

5 总结

综上所述，无人机具备着较高的灵活性，因此未来为了能够完成各种复杂的任务，就需要对无人机集群任务规划方法进行更加深入的研究，以此避免一些飞行问题的出现。例如采用深度学习与分布式优化、通信受限时逻辑集群行为结合，以及局部信息反馈条件下的自行组织航迹协同技术等方式，提升无人机的飞行可靠性。