無人機集群對抗技術新進展

無人機集群

對抗

[1-2]

[3]

文獻[3]已對無人機集群作戰概念、發展及關鍵技術，包括大規模無人機管理與控制、自主編隊飛行、集群感知與態勢共享、集群突防與攻擊、集群作戰任務控制站等，作了較為詳細的論述。本文針對近年來無人機集群對抗方面的研究進展進行綜述，總結和闡述了無人機集群對抗研究的關鍵問題，並對無人機集群對抗的研究思路與方法進行探討。

無人機集群對抗研究進展

無人機集群概念是建立在仿生學基礎上的，如蟻群、蜂群，鴿群、魚群、狼群等在群體運動過程能夠避免相互碰撞，協同地完成覓食、遷徙、攻擊防禦等任務，或模擬有人駕駛戰鬥機群之間的空戰對抗過程，充分體現出群體協作的優勢，例如英倫空戰中數百架戰鬥機在空中的相互廝殺就是有人戰鬥機集群對抗的例子。無人機集群技術研究目標就是模擬群聚生物的協作行為與信息交互方式，作為一個自主化和智能化的整體協同完成任務。在未來戰爭中，利用大量具有自主作戰能力且成本低廉的無人機組成無人機集群突破敵方防禦體系，對目標實施飽和打擊以及對入侵機群進行空中攔截是無人機集群作戰的重要手段。無人機集群是集群智能技術在空中無人化作戰中的具體應用和軍用人工智慧

的核心，其特點是自主控制、分散式、自適應、自組織及湧現。要實現無人機集群之間的自主對抗，首先要解決無人機集群的自主控制問題。

2015年4月，美國海軍公布了「蝗蟲」（LOCUST）項目，該項目研究可從艦艇、飛機等發射平台上利用發射管發射具有自主能力的無人機集群，通過集群對敵方火力進行壓制和攻擊，該項目已利用「郊狼」（Coyote drone）無人機進行了集群發射試驗。2016年4月成功完成30架「郊狼」（Coyote drone）無人機的連續發射及編隊飛行試驗，圖1顯示了無人機發射和無人機發射后機翼的展開過程。

圖1 「郊狼」無人機發射過程

2015

5

Cicada

10

30 min

17.5 km

5000 km2

2

圖2 「蟬」微型無人機投放過程構想

2015

9

DARPA

Gremlins

C-130

3

2016

3

[4]

圖3 「小精靈」無人機集群發射概念圖

2016年5月，美國空軍針對小型無人系統發布了《2016—2036 年小型無人機系統飛行規劃》，提出了美空軍近期、中期和遠期小型無人機發展目標，其中包括運用微小無人機組成蜂群的作戰概念及作戰規劃，用於執行壓制或摧毀敵方防空、協同攻擊與偵察、對抗敵方無人系統等作戰任務。圖4為該規劃中無人機「蜂群」的作戰構想圖。

圖4 無人機「蜂群」作戰構想

無人機集群除了在軍事領域的用途外，在民用方面也可用於遙感遙測、地質勘探、應急救援、氣象探測、空中分層網路、精確農業和商業娛樂等方面，圖5為2016年6月新加坡國立大學陳本美教授的無人機團隊在福州閩江江邊舉辦大型燈光秀表演場景，16架無人機從起飛到降落整個飛行編隊表演過程按程序自動完成。2017年2月億航無人機公司在廣州海心沙廣場成功上演了1000架無人機的編隊燈光秀表演，展示了無人機集群技術在商業領域的應用前景。

圖5 無人機集群的燈光秀表演

此外，無人機集群協作還可以被設想用於建築領域，文獻[5]介紹了瑞士蘇黎世聯邦理工大學Raffaello 的無人機團隊採用多架四旋翼無人機自主協同建造由1500塊泡沫磚塊組成的高達6 m的塔式建築的系統設計與開發過程，無人機能像蜜蜂一樣盤旋舞動，從磚堆逐一抓取磚塊，進行精準定位，將磚塊依次堆放，層層疊疊地堆砌出一個曲線形狀的稱為「垂直村落」的龐大構建築，如圖6所示。

圖6 「垂直村落」的建造

由於飛行速度和續航時間的要求，固定翼無人機一直是集群對抗的主要成員。2015年8月美國海軍研究所院Timothy H. Chung 領導的無人機團隊完成50架固定翼無人機的集群自主對抗競賽。2016 年10 月美軍在加州的「湖靶場」上空進行了無人機拋灑實驗，三架海軍F/A-18F「超級大黃蜂」戰鬥機成功拋灑出103 架「灰山鶉」（Perdix）微型無人機。無人機在脫離發射箱后的短時間內能相互發現隊友並組成集群隊形，展示了美軍的集群自組網技術達到了實用性階段。在無人機集群自主控制研究方面也取得了突破性進展，2016年11月在珠海航展上，電子科技集團公司公布了67架規模的無人機集群編隊飛行原理驗證測試，標誌著無人機集群控制技術進入世界先進行列。

從報道看，當前無人機集群自主控制已經進入實驗驗證階段，但是無人機集群之間的對抗仍然處於理論研究階段，成果並不多見。文獻[6]提出了一種基於規則的無人機集群系統飛行與規避自主協同控制方法。文獻[7]對機群協同空戰指揮控制系統進行了分析，運用隨機Petri 網技術分別建立了機群協同空戰指揮控制系統模型。文獻[7]採用多agent理論對集群對抗建模，將每個無人機視為一個agent，並對每個agent賦予一個行為規則集，無人機集群雙方對抗的結果就是在單個無人機決策和相互作用下湧現出的整體行為。並利用雙層馬爾可夫過程來對空戰過程進行建模，第1層描述一對一的對抗，第2層在第1層基礎上建立多對多的空戰對抗模型，模擬驗證了50架對50架無人機集群的對抗。文獻[9]採用影響圖方法研究了多對多無人機之間的對抗，將多對多無人機之間的對抗分時段轉化為一對一的空戰對抗。文獻[10]在參考文獻[7]的基礎上，利用多agent理論方法，引入態勢評估和威脅規避、友機協作、火力支援和巡航中尋找有利目標等行為規則，建立了無人機對抗模型，提高大規模無人機集群對抗模型的實用性和作戰效率。文獻[11]利用動態對策理論、捕食與被捕食者粒子群優化方法對多無人機的空戰模型問題進行了研究。文獻[12]綜合考慮多智能體排斥、一致、吸引和意願4種因素，建立了一種集群運動的變係數控制器模型，實現了全部和部分個體掌握航跡信息條件下的無人機集群自組織飛行控制。文獻[13]結合了模糊結構元方法和粒子群演算法，給出了模糊信息下動態博弈的空戰納什均衡求解方法，為研究複雜環境下多無人機攻防對抗空戰決策提供了參考。

目前對無人機集群技術研究主要集中在多無人機協同任務與目標分配優化，集群飛行控制，航跡規劃等方面。對於無人機集群對抗問題，由於該問題非常複雜，目前主要是將多對多的協同空戰分解為單個無人機之間的對抗，或者給出一些簡單的決策方法這與無人機空戰動態過程的實際情況存在較大的差距，還缺少有效的描述針對大規模無人機集群協同體系對抗的非線性動態模型。

無人機集群對抗研究的關鍵問題

1）無人機集群協同對抗演化過程機理及其表述。由於集群對抗中信息的多元化和不完全、不確定性，對抗系統是一個複雜的動態隨機過程，空戰對抗態勢隨著時空不斷演化，每個無人機作為一個智能體必須依據不斷變化的態勢並依據一定的準則調整自己的策略，進行己方個體之間的合作、與對方的博弈。因此，在充分分析無人機集群對抗演化過程特點及其內涵的基礎上，理解無人機集群對抗的非線性動態過程演化機制，利用系統動力學和複雜系統理論建立各種因素的相互作用和信息的傳遞關係的網路拓撲架構，有利於對無人機集群對抗過程的定量和定性分析。

2）無人機自適應自主決策對抗行為。集群對抗中，無人機個體是直接動作發出和執行者，無人機個體不斷與環境進行交互並相互作用，促使對抗過程不斷演化。因此，集群對抗最終是要依賴於無人機的對抗規則，即無人機依據敵方態勢、友機態勢及自身飛行狀態、武器狀況、健康

情況等因素，採取某種機動和攻擊策略，如攻擊敵機、威脅迴避、支援友機、戰術協同，使在最大化對敵殺傷、對敵態勢、瓦解敵方意圖和最小化自身損失等方面的綜合效益取得最大化。

3）無人機集群智能控制方法。實際對抗過程中，大規模的無人集群必須迅速並準確地分佈於各個作戰區域，進行有效的作戰編隊。大規模無人機集群，從其特徵上看，是一類非線性複雜系統，具有群體智能湧現固有的複雜性和隨機性的特性，其控制方法跟傳統方法有很大的區別。集群系統可以視為大量弱耦合子系統的集成，每個個體均具有一定的自主能力，但其能力具有局限性，而且集群中每個個體必須相互配合與協調才能完成複雜任務，因而，集群無人機具有分散式控制的本質特徵。單一方法控制無人機集群往往不夠理想，可以採用一些外部干預，並進行控制規則深度化和廣度化對集群效果進行量化研究，使得不同對抗階段的無人機集群能夠進行精準的單機或多機協同，達到所預期的對抗要求。

4）無人機集群探測與識別。複雜而多變的集群對抗環境具有極大的狀態不確定性和極強的時間約束，對於敵我雙方大規模無人機個體和集群進行精確地探測和識別是對抗行為成功與否的先決條件。在不確定和部分確定條件下，實時在線進行主動感知和目標區分，對於集群對抗任務的上層決策具有指導意義。對抗過程中，實時採集到的圖像等各類感測器信號，可以結合信息融合理論與部分可觀馬可夫等規劃理論，推測並優化最佳的個體機動和集群行為，協同感應、定時並協同攻擊，實現無人機集群對抗效果的最優化。

5）無人機集群對抗態勢評估。態勢評估是對抗決策的依據，由於集群對抗威脅可以來自任意方向，數量多，友機與敵方飛機相互纏繞，信息量大，且存在不完全、不確定性，態勢評估比單機對抗情況複雜的多。這就需要集群中每個無人機利用其對周圍環境的感知信息和接收到的鄰近友機傳來的信息，根據所獲得的綜合數據信息進行數據挖掘，分析理解敵方的作戰意圖、戰術戰法。例如，目標移動軌跡數據蘊含著豐富的信息，採用機器學習、深度學習等方法對其進行知識挖掘和模式分類，進行敵方戰術意圖推斷，對於態勢評估和對抗決策有著重要意義。

6）無人機集群通信技術。集群對抗環境對通信鏈路的要求也十分嚴苛，既要滿足地面站與無人機、無人機與無人機、無人機編隊與無人機編隊之間必須存在一定冗餘的信息交互，同時應減少通信的延遲，保證信息交互的實時性。空戰過程中，無人機存在受傷、擊落、增援等多個狀態，其動態加入和退出也使得通信鏈路必須滿足在正常通信需求的條件下，支持無人機數量的變化，完成集群的重構，而且在無人機與地面站失去聯繫時，無人機群應具有通信鏈路的自組織能力。其次，在某些關鍵操作上，通信鏈路還必須保證地面操作員能夠對無人機任務進行授權和確認。

研究思路與方法探討

軍事作戰理論中，集群對抗模型研究的理論基礎是蘭切斯特方程，它利用應用數學方法描述了戰鬥過程中雙方武器、兵力消耗的過程。然而該理論一般只適用於早期的作戰模式，如壕溝戰和陣地戰，而難以適用於現代集群對抗作戰的情形。現代集群對抗特點是依賴於高度訓練、裝備精良且具有自主能力的作戰單元之間的相互協同，各作戰單元對外部條件和環境的變化具有自適應能力。雖然蘭切斯特方程也出現不少改進形式，如加入隨機微分方程和偏微分方程以克服應用上的缺陷，但其應用還是受到很大限制。而隨著非線性動態理論、複雜系統理論、人工智慧理論的完善和發展，為無人機集群對抗的動態建模研究提供了有效的途徑。文獻[14]介紹了利用多agent理論研發的EINSTein戰爭對抗模型，該模型中，每個作戰個體被視為一個具有自主能力的智能體，並賦予個體行為能力和個性和思維等屬性，在作戰過程中依據態勢判斷進行行為決策，並與環境相互作用，該系統採用遺傳演算法對作戰目標進行綜合優化。EINSTein作戰系統開發的思想為無人機集群對抗研究提供了很好的借鑒作用。此外，文獻[15]提出了基於思維屬性的空戰指揮控制自主決策建模方法，分析了思維屬性的要點，為無人機集群對抗的擬人對抗模型建立提供了參考。在相關參考文獻的基礎上，本文給出圖7所示的關於無人機集群對抗建模研究的總體框架。

圖7中將無人機集群對抗指揮控制系統分為層次結構組成，最底層為任務層，不同任務由不同組的無人機機群完成，各組之間可以共享信息。底層的每個無人機被視為一個具有自適應行為能力的智能體，它具有明確任務，並被賦予個性，思維等認知屬性，具有利用先驗知識和規則進行自主決策和在線學習的能力，並能和團隊的臨近友機進行信息交換，對態勢進行分析判斷，採取決策行動，改變環境。通過底層的個體和環境的交互在系統上層激發出特定的性質和系統動態特性，即湧現行為。表現出對抗的效果，雙方損傷情況和總體態勢。再由上層全局指揮層和局部指揮層下達作戰指令和作戰步驟。

圖7 無人機集群對抗建模總體框架

對於小規模多無人機機群之間的對抗，可以利用動態貝葉斯網路、多智能體動態影響圖方法，建立空戰對抗模型，其結構如圖8所示。網路結構設計應能有效的描述無人機結點之間的影響、協作與對抗關係，並且具備靈活的網路結點生長和退出機制。對於大規模無人機集群之間的對抗，因計算維數過大而難以應用。

圖8 多機空戰決策影響圖結構

無人機集群對抗是一個複雜的非線性動態過程，它是由眾多的無人機個體通過與環境的相互作用而不斷演化的一個過程。研究包括逆向問題和前向問題。逆向問題採用自底向上的研究方法，首先研究出一套無人機行為規則，它用於描述無人機在局部環境下進行環境感知，作用環境，適應環境的行為方式。採用人工智慧和仿生學方法研究並分析基於此行為規則作用下，系統演化所湧現出的空戰對抗整體特性。前向問題的研究採用採用自頂向下研究方法，首先對空戰結果數據進行分析，採用機器學習方法提煉出隱含在數據中的關鍵屬性和特徵，通過研究分析，定性找出其與底層規則之間的關聯，作為啟發知識，指導調整底層作戰規則。無人機作為具有自適應自主行為的個體，賦予其個性和行為等屬性，反應在無人機個體在決策上具有的不同偏好。個性包括：膽量、勇氣、健康狀態、武器性能等。行為屬性包括：1）與環境的交互，包括對環境的感知，做出反應。2）目標驅動的動機，如滿足局部狀態、收益最大。3）智能思維，具有信息處理和決策能力，能利用局部信息進行行動決策。4）規則動態調整，能夠通過學習行為與環境的關聯及通過對未來事態發生可能性的預測，對規則進行自適應調整。

無人機集群對抗是一個非常複雜的系統，具有強烈非線性、複雜性、混沌、自組織、湧現特徵，應用非線性動態系統和複雜系統理論、決策理論、人工智慧與仿生智能、機器學習、深度學習等方法可以從大量空戰數據背後挖掘出潛在的對抗規律與模式，揭示集群空戰的動態演化機制。因此，這些方法為無人機集群對抗研究提供了有效手段。

結論

隨著無人機智能化水平的提高和集群控制技術的發展，無人機集群對抗將成為未來無人機空戰的關鍵技術。集群對抗作為一個複雜系統，對抗個體數量龐大，環境複雜，態勢瞬息萬變，由於計算維度過大，採用圖論等方法難以用於大規模集群對抗問題的求解，分散式人工智慧

技術為大規模集群對抗研究提供了有效的手段，包括採用多智能體系統方法和基於仿生智能的集群控制方法，通過對無人機個體的行為和控制策略的設計，可使得大量的能力有限的無人機聚集在一起相互作用，完成複雜的集群對抗任務。無人機集群對抗是未來空戰的重要方式，由於該問題研究的重要性和複雜性而受到廣泛關注。本文對無人機集群對抗技術的最新研究進展和關鍵問題進行了總結和分析，並對未來無人機集群對抗的研究方法進行了探討，以期為從事該領域的研究者提供參考。

參考文獻（References）

[1] 沈林成, 牛軼峰, 朱華勇. 多無人機自主協同控制理論與方法[M]. 北京: 國防工業出版社, 2013: 5-9.Shen Lincheng, Niu Yifeng, Zhu Huayong. Theories and methods of autonomous cooperative control for multiple UAVs[M]. Beijing: National Defense

Industry Press, 2013: 5-9.

[2] 周紹磊, 康宇航, 萬兵, 等. 多無人機協同編隊控制的研究現狀與發展前景[J]. 飛航導彈, 2016(1): 78-83.Zhou Shaolei, Kang Yuhang, Wan Bing, et al. Research status and development prospect of multi UAV cooperative formation control[J]. Aerodynamic

Missile Journal, 2016(1): 78-83.

[3] 牛軼峰, 肖湘江, 柯冠岩. 無人機集群作戰概念及關鍵技術分析[J]. 國防科技, 2013, 34(5): 37-43.Niu Yifeng, Xiao Xiangjiang, Ke Guanyan. operation concept and key techniques of unmanned aerial vehicle swarms[J]. National Defence science and

technology, 2013, 34(5): 37-43.

[4] 宋怡然, 申超, 李東兵. 美國分散式低成本無人機集群研究進展[J]. 飛航導彈, 2016(8): 17-22.Song Yiran, Shen Chao, Li Dongbing. Research progress of distributed low cost unmanned aerial vehicle cluster in USA[J]. Aerodynamic Missile Journal,2016(8): 17-22.

[5] Augugliaro F. The Flight assembled architecture installation[J]. IEEE Control Systems, 2014, 34(4): 46-64.

[6] 周歡, 趙輝, 韓統, 等. 基於規則的無人機集群飛行與規避協同控制[J]. 系統工程與電子技術, 2016, 38(6): 1375-1382.Zhou Huan, Zhao Hui, Han Tong, et al. Cooperative flight and evasion control of UAV swarm based rule[J]. Systems Engineering and Electronics, 2016,38(6): 1375-1382.

[7] 陳軍, 高曉光. 機群協同空戰中的指控系統建模與分析[J]. 計算機工程與應用, 2009, 45(10): 195-198.Chen Jun, Gao Xiaoguang. Modeling and analysis of command and control system in cooperative air combat[J]. Computer Engineering and Applications,

2009, 45 (10): 195-198.

[8] Gaertner U. UAV Swarm Tactics: An agent-based simulation and Markov process analysis[D]. Monterey: Naval Postgraduate School, 2013.

[9] Xie R Z, Li J Y, Luo D L. Research on maneuvering decisions for multi-UAVs Air combat[C]//IEEE International Conference on Control & Automation.New York: IEEE, 2014: 767-772.

[10] 羅德林, 張海洋, 謝榮增, 等. 基於多agent系統的大規模無人機集群對抗[J]. 控制理論與應用, 2015, 32(11): 1498-1504.Luo Delin, Zhang Haiyang, Xie Rongzeng, et al. Unmanned aerial vehicles swarm conflict based on multi- agent system[J]. Control Theory and Applications, 2015, 32(11): 1498-1504.

[11] Duan H B, Li P, Yu Y X. A predator-prey particle swarm optimization approach to multiple UCAV air combat modeled by dynamic game theory[J].IEEE/CAA Journal of Automation, 2015, 2(1): 11-18.

[12] 孫強, 梁曉龍, 尹忠海, 等. UAV集群自組織飛行建模與控制策略研究[J]. 系統工程與電子技術, 2016, 38(7): 1649-1653.Sun Qiang, Liang Xiaolong, Yin Zhonghai, et al.UAV swarm self-organized flight modeling and control strategy[J]. Systems Engineering and Electronics,2016, 38(7): 1649-1653.

[13] 陳俠, 趙明明, 徐光延. 基於模糊動態博弈的多無人機空戰策略研究[J]. 電光與控制, 2014(6): 19-23.Chen Xia, Zhao Mingming, Xu Guangyan. Fuzzy dynamic game based operation strategy[J]. Electronics Optics and Control, 2014(6): 19-23.

[14] Ilachinski A. Artificial war: Multiagent-based simulation of combat[M]. New Jersey: World Scientific Press, 2004.

[15] 劉金星. 空戰指揮控制的自主決策思維屬性[J]. 電光與控制, 2010, 17(6): 1-4.

Liu Jinxing. Mental attributes of autonomous decision-making in air combat command and control[J]. Electronics Optics and Control, 2010, 17(6): 1-4.

作者簡介：羅德林，廈門大學航空航天學院，副教授，研究方向為飛行器制導與控制、無人機指揮控制。

注：本文發表在2017年第7期《科技導報》，歡迎關注。本文部分圖片來自互聯網，版權事宜未及落實，歡迎圖片作者與我們聯繫稿酬事宜。

《科技導報》

科協學術會刊

聯繫電話：010-62194182

歡迎投稿：[email protected]

即刻關注