无人机集群协同编队控制技术研究

任建新，耿荣妹*，梁昌智

（1.中国消防救援学院应急通信与信息工程系，北京 102202；2.中国消防救援学院学员管理部学员六队，北京 102202）

无人机具有体积小、起降条件低、安全性高等优势，所以成本低。相比于单架无人机，无人机集群可以提升载荷信息收集能力和信息处理能力，还能提高无人机任务效率和防止执行任务过程中单架无人机出现故障。

世界军事强国高度关注无人机集群装备发展，美军在率先开展探究无人机集群作战概念的同时，大力推进集群关键技术攻关和集成验证，并面向不同任务开展了体系集成和试验验证[1]。以色列无人机在速度方面有很大的优势，绿龙的速度甚至达到370 km/h，末端的突防性是以色列重点关注的方面，美国注重研究无人机小体化，从而能使成本降低而带来集群化打击[2]。

无人机集群技术在国内的发展起步较晚，但也取得了诸多成果。西北工业大学采用分布式的编队控制，设计无人机编队成员之间的导航定位方式[3]。浙江大学的周鑫科研团队[4]攻破了在复杂环境中，单架无人机与无人机集群攻破了自动导航和快速自动避障关键技术难题，研发出了一套全自动避障的集群协同控制系统。

本文以解决森林消防面临的实际问题为导向开展集群协同编队控制技术研究，并基于半实物仿真平台开展航迹规划与智能避障仿真验证，从而得出适应森林火灾场景的协同编队控制策略，为无人机集群灭森林火提供了参考，具有重要意义。

1 无人机集群协同控制算法

1.1 指挥控制结构

无人机集群工作时需要一套统一协调的指挥控制结构，无人机集群的指挥控制结构可以分为三大类：集中式控制、分布式控制和混合式控制[5]。

集中式控制来源于“单架无人机-多架无人机-无人机集群”的发展方式。随着无人机的发展，对单架无人机的指挥控制已经不能满足人们的发展要求。各领域更加注重对多无人机控制的发展，执行多种任务的无人机集群指挥控制结构更是未来发展的一个大方向[6]。集中式控制是当前最成熟、最直接的集群控制结构。集中式控制采用一个或多个控制中心对无人机集群进行控制。

分布式控制模仿大自然生物集群，每个个体之间相互关联，彼此地位平等，通过彼此信息交流来共同完成工作[7]。分布式控制是最流行的，通过专门的设计冗余和诊断方式，从而提高集群的控制性和可靠性。给分布式集群和操作站带来了更大的灵活性。该控制结构是一种完全自主的任务结构，需要无人机之间有较高的协同能力。

混合式控制结合了集中式控制和分布式控制的优点，利用集中式相互协作和分布式自治相结合的方式，来解决整个无人机集群的全面指挥问题。该体系适用于无人机集群发展现状。在无人机集群灭火中一般采用混合式指挥控制。优点是更适合以组为单位进行灭火，单架无人机加入和退出时更加方便。但缺点是机组需要更强的协同指挥结构能力。

1.2 任务规划

在复杂的环境中，单无人机的任务规划已经不能满足无人机集群的要求。效率更高的协同控制任务规划系统越来越得到人们的关注。根据无人机的载荷和作业目标，可以将无人机分为：①巡查任务类，根据无人机集群的载荷和能量情况合理地分配任务，完成目标搜索，对目标建模等任务，使其效率最高化的过程。②打击任务类，在获取目标的大小、速度、位置、属性等情况下，满足自身的约束条件下对目标进行精准打击。③察打一体化任务类，是一种结合访问目标和打击目标，对战前目标进行搜索定位，战时对目标精准打击，战后对打击目标的破坏情况进行全面侦查的过程[8]。

无人机进行任务规划时会存在许多约束条件，主要有以下几种约束：①续航的油量或电量、侦查的装备水平、通信频道的容量（数量）的资源约束。②油耗或电耗、飞行路程、任务完成率、任务权重和出动架次的收益约束。③有时间、任务序列、任务时效性的时序约束。④飞行高度、飞行动力学、编队与协同、传感器距离（角度）、地形与障碍的几何与动力学约束[9]。无人机集群要最大限度克服这些约束条件，将集群的资源利用最大化。既要在软件上提高地基和无人机计算能力，也要在硬件上提高无人机的续航能力等装备水平。

随着无人机任务规划能力的提升，许多行业已经将任务规划技术应用在无人机集群中。在消防灭火方面，无人机集群灭火是一个集巡查、打击和评估任务于一体的察打一体化任务，其任务规划主要包括巡查搜索、任务分配、航线规划3 个阶段[10]。巡查搜索是指侦察无人机巡查火场周围，并识别和定位起火点。任务分配是指控制中心给每一个无人机（组）分配相应灭火点。航线规划是指任务分配完成后，各无人机（组）规划最优航线前往任务点投弹灭火以及完成任务返航。

1.3 智能避障与路径规划

适合灭火场景的智能避障方案有领航者-跟随者算法、碰撞回避算法（VO）、障碍物规避算法（Reciprocal Velocity Obstacle，RVO）等。领航者-跟随者算法的基本思想是选择一个领航机器人并设定好它的运动轨迹，跟随机器人实时跟踪领航者机器人的运动轨迹。由于碰撞回避算法容易出现抖动，从而提出了RVO 算法及其优化算法分布式底层避障算法（RVO2）。

RVO2 碰撞回避算法（图1），其思路在于：只要在未来有可能会发生碰撞的速度，都排除在外。该算法通过将动态避障问题，建模到速度域中的静态范围，然后在选择速度时避开速度障碍物来实现。其特点是：去中心化，每个机器人都有自己的决策，而不是被中央控制器控制；独立性，决策完全基于每个机器人对其他机器人位置和速度的观察。

图1 RVO2 碰撞回避算法

RVO2 算法原理简单，性能较好，不需要有一个中心指挥，也不需要在决策阶段互相沟通，只要每个机器都按照RVO2 运行，就不会碰撞。相较于VO 和RVO，RVO2 在效果上考虑了速度的大小，使得筛选粒度更细，而不仅只考虑了速度方向；在效率上，求解过程基本只用到了线性规划，比较高效。

1.4 通信技术与链路原理

高可靠性、高效能的通信在无人机集群的任务规划、协调与合作策略、控制机制方面发挥着巨大的作用。无人机集群通信方式有无人机对无人机、无人机对基础设施。无人机对无人机通信是指集群内所有无人机之间互相通信，然后通过雷达或机载传感器交换或获取信息。无人机与无人机之间既可以直接进行通信，也可以通过多跳路径和其他无人机间接通信。无人机对基础设施通信是指无人机与地面站等固定的中央控制中心进行通信，获取实时任务信息。两者通过一个通信体系结构结合起来，作为无人机集群智能控制和自主协作中极为重要的一部分，分为集中式和分布式通信体系结构。

集中式通信结构是由单无人机系统演化而来，相对稳定，路由算法简单。这种架构适合规模较小、任务覆盖面积较小、任务相对简单的无人机集群[11]。但面对通信传输范围较大时就会产生较大的时延，造成系统的可靠性差。而分布式通信体系结构则可以避免对基础设施的依赖以及通信距离的限制，无人机能够以自适应方式进行实时的交互通信，在任务区域范围大、无人机飞行速度快的情况下导致经常连接和断开网络时，使用分布式通信体系结构可以很好地避免信息丢失或传输延迟的问题。分布式通信体系结构又分为单组群自组织网络、多组群自组织网络和多层群自组织网络。

无人机集群主要包括3 种方式：简单集群、群体智能集群、单体智能集群。简单集群是指预先计算优化，分配到无人机集群执行，调整反馈在任务执行之后，不具备智能。群体智能集群是指节点间有交互，具备群体智能，无人机在任务执行过程中可根据应用环境适当调整任务目标，具备初级智能。单体智能集群是指节点智能增加，有独立认知处理能力，对任务和环境有充分理解，具备高级智能，能够自主学习和决策。3 种集群对比表见表1。

表1 3 种集群对比表

本文针对森林火灾场景，提出了群体智能集群与单体智能集群相结合的集群算法，该集群算法可以实现边飞行边建模的目标，具体可分为以下2 种情况：在环境已知的情况下，无人机集群可以利用规划好的航线执行任务，具备一定的群体智能集群的特点。当环境发生突变，如遇到意外障碍等情况，无人机集群中的个体可以独立进行认知处理，同步进行建模与规划的任务，能够实现自主学习和决策，具备一定的单体智能集群的特点。

2 半实物仿真实验

2.1 无人机集群仿真平台

无人机集群应急救援实际应用具有较高的复杂性，基于仿真平台开展无人机集群的仿真实验能够模拟实际工作环境，为实战提供理论支撑，有重要的现实意义。本项目无人机集群仿真系统使用半实物仿真框架，如图2 所示，依托于Gazebo 平台，模拟复杂地形（山地）下的起飞、巡查、灭火与降落。此仿真系统有如下特点：具有独立的物理引擎；支持全国范围3D 地图生成；支持风力和风向设置；支持用户多视角切换；支持多机型切换等。

图2 仿真系统实体

在Gazebo 软件中进行场景搭建，还原出飞行环境及条件。起降场位于地形较为复杂的山谷中，距离火点约0.5 km，前往火点途中需翻越一座连续的山。无人机仿真全场景示意图及起降场示意图分别如图3 和图4所示。

图3 全场景示意图

图4 起降场示意图

2.2 航迹规划与避障策略

无人机集群灭火航线规划算法有蚁群算法和粒子群算法。蚁群算法对于解决旅行商问题（Traveling Salesman Problem）等最优路径问题非常成熟，但对于无人机集群灭火应用中的多执行体、多任务且单体只执行单任务的航线规划问题不适用。

粒子群算法模拟鸟群觅食场景，其中的粒子移动并非漫无目的，而会向群体分享知识，并参考种群中最好的经验和自己记忆中最好的地点，综合决定下一步觅食位置，2 个参考因素是种群最优（gbest）和个体最优（pbest），粒子根据这2 个因素来更新自己的移动速度向量。

无人机避障策略可分为静态避障、动态避障和动静结合避障三大类。静态避障策略比较简单，是基于地形数据规划生成安全路线。动态避障策略使用分布式的RVO 3D 算法，添加了扰动以解决一些死锁场景，同时每台飞机广播和接收位置/速度。动静结合避障的策略是在动态避障算法中加入地形等静态障碍物。

2.2.1 静态避障

静态避障即基于地形数据规划生成安全路线，仿真如图5 所示。

图5 静态避障仿真

2.2.2 动态避障

动态避障使用分布式的RVO 3D 算法，分别考虑多队、多机、多目标，对相遇、躲避、绕开等多个场景进行测试，如图6 所示。

图6 动态避障仿真

2.2.3 动静结合避障

动静结合避障的仿真示意图如图7 所示。

图7 动静结合避障仿真

3 实验结果与分析

静态避障仿真实验结果显示单架无人机能够在安全距离情况下准确预判到前方的一座山，并规划出一条新的避障路径，通过爬升高度成功的绕过起伏较大的山。避障全过程飞行路径丝滑，没有出现抖动现象，能够与障碍物始终保持一定的安全距离。

动态避障仿真实验结果显示单架无人机进行避障时，2 架向对而行的无人机进入设置的安全距离时，无人机能感受到即将会发生相遇的风险，并做出了预判，改变行进速度的方向，2 架无人机分别向自身左侧做出避让，由原来有重合的路线避开成有一定安全距离的路径。在相遇时2 架无人机的距离在设置的范围内，完成相遇后进入绕开阶段，无人机分别在左侧完成了绕开。整个动态避障完成后无人机速度方向改为目标方向。

动静结合避障仿真实验结果显示无人机集群进行避障时，在面对复杂环境中，无人机集群不仅能够实现对复杂山区地势的静态避障，还能实现集群内的动态避障，多架无人机都能够较好地完成编队控制任务，并能够实现编队的协同移动。

综上所述，群体智能集群与单体智能集群相结合的集群算法在集群避障中具有很好的效果。该算法可以有效地控制集群中的每个无人机，使其保持统一的运动状态，并且能够在高度不确定的环境中有效地完成多机避障操作。从实验结果来看，系统控制策略可以有效控制无人机集群在运动中的编队精度和稳定性，满足编队任务的需求。

4 结束语

本文针对适应于森林火灾场景的无人机集群协同编队控制技术开展了研究，通过对比无人机集群常用的避障算法优缺点进行分析，确定RVO2 算法相较于其他算法，在集群避障效果和安全性上有明显优势。通过指挥控制结构、任务规划、智能避障和路径规划、通信技术和链路原理等关键技术的研究，制定了集群协同控制策略，并基于Gazebo 搭建半实物仿真平台进行仿真实验，结果表明群体智能集群与单体智能集群相结合的集群算法在复杂环境中的避障效果，能满足无人机集群编队飞行路径规划要求。为消防灭火中巡查火场、寻找火点、多火点下的智能分配、灭火航线规划等应用场景提供了有价值的参考。