摘要
无人机集群正朝着小型化、智能化、集群化的趋势发展，被应用在各类任务场景中，尤其是在作战场景中得到了广泛的研究、论证和应用。但随着无人机集群的数量不断增加、作战空间不断拓展、任务逐渐复杂多样、信息条件受限，如何应对复杂约束条件下的无人机集群分布式协同成为无人机集群系统面临的关键问题。群体智能正成为一种新兴的协同模式，其基本思想是仿照生物群体高度的自组织性，解决无人机集群分布式协同的问题。基本方法是充分利用无人机本地信息交互，在任务分工和执行过程中引入群体反馈和适应能力，使群体协同不受数量、空间和任务的限制。在此模式中，如何通过简单交互规则实现群体智能的涌现并提升无人机集群任务处理效能是其中的核心问题。传统研究主要面向城市应用场景，假设无人平台可以从系统中获得全局信息或者无人平台的通信范围可以覆盖整个集群所在空间，但这种假设并不适用于战场等恶劣环境下的应用场景。此外，既有协同研究大多限于某种简单任务协同场景，未能覆盖无人机集群作战全过程涉及到的协同任务。基于此，本文以无人机集群作战概念为牵引，研究了无人机集群作战流程及其关键活动节点，着重分析和解决了协同导航、协同围捕打击、协同分散打击等任务中无人机集群的分布式协同问题，包括无人机集群自主导航、协同围捕、简单多任务协同和复杂多任务协同。论文的主要内容和创新点包括以下几个方面： 首先，总结了围绕无人机集群作战概念，分析了无人机集群的作战任务、作战场景和作战特点。然后以不确定环境为切入口，以现有常规无人机作战系统和未来可能配备的小型无人机集群为对象，以海上突防打击作战为背景，重点分析不确定环境对无人机集群作战效能的影响，详细阐述了无人机集群作战流程，利用模糊UML形式化建模分析方法对无人机集群作战流程进行建模分析，并将其模糊活动图映射到模糊Petri网，结合实例和专家评价数据，对模型的各类性能指标进行分析，指出无人机集群协同执行作战任务是影响无人机集群作战效能发挥的关键节点。最后，分析了无人机集群分布式协同的关键问题。 其次，提出了基于改进Flocking模型的无人机集群协同导航方法。一方面，创新性设计了综合考虑近距离排斥、中距离保持、远距离吸引、避开障碍和目标区域导航等五项运动控制规则的Flocking模型（C-flocking）；另一方面，以C-flocking模型为基础，通过遗传算法和Flocking模型相结合的GOF优化框架得到改进的Flocking模型（O-flocking）。通过仿真实验，验证了O-Flocking模型在完成集群自主导航任务过程中的可靠性、适应性、可扩展性和优越性。在V-rep仿真平台中，通过无人机集群自主导航仿真实验，验证了该方法的可行性。 再者，提出了基于浓度扩散模型的无人机集群协同围捕方法。传统围捕模型需要无人机之间形成小组，并实时交流围捕位置分配、路径规划等信息，本文提出基于浓度扩散模型的无人机集群协同围捕方法，仅需要依靠浓度信息的交互，无人机独立决策，即可完成协同围捕行为，大大减少了无人机协同控制的难度和复杂度。在V-rep仿真平台中，通过无人机集群仿真实验，验证了该方法的可行性、鲁棒性和可扩展性。在多无人机对地面无人车实机围捕实验中验证了本文所提方法的可行性。此外，在通信、感知、定位、运动等能力都受限的kilobots机器人集群实验平台中，实现了100台机器人对10多个目标的围捕行为。实验结果表明所提算法能够很好的实施无人机集群协同围捕任务，且该方法具有较好的泛化性。 再次，提出了基于阈值行为树的无人机集群多任务协同决策方法。以无人机集群协同分散打击不同类型目标为背景，设计了一种改进的自适应任务分配方法（PINAO）。该方法能够使集群中各无人机通过传感器和本地通信，获取并分析感知范围内的任务需求信息和任务状态信息，推断出全局任务分配比例的期望值，独立决策任务类型和运动方向，最终使无人机群达到预期任务分配比例。在固定目标比例、动态目标比例、动态无人机数量等不同条件下，进行了实验验证。通过与估计任务转移率方法、自适应方法和PIANO的一种变体方法的比较，验证了PIANO在实现无人机群的预期任务分配比例方面表现最佳。此外，在V-rep仿真平台中，通过无人机集群多任务协同仿真实验，验证了该方法的可行性。 最后，提出了基于多级可变基因调控网络的无人机集群多任务协同方法。以无人机集群搜索、集群围捕、集群运输等多任务场景为背景，提出了一种新的结构模型MLV-GRN，使无人机群能够在受限环境中协同完成多个任务。MLV-GRN由三个主要模块和相应的方法组成。在决策模块中，我们使用基于阈值的群体行为树方法TSBT，根据感知的环境信息来决定应该生成哪种形态。在形态生成器中，我们基于多基因调控网络方法生成名为RAGE的特定形态。在行为驱动模块中，我们使用基于蛋白质浓度的自组织运动方法CSGO来控制动作，从而根据形态将无人机驱动到适当的状态。实验结果表明，MLV-GRN的可行性、适应性和可扩展性均优于对比方法，特别是在围捕成功率、围捕强度和综合性能方面。
NETL