多無人機的組群飛行特性與控制分析

高祖宇 陳俊超

摘要：多無人機的組群飛行可以實現復雜狀況下的作業，提升工作效率，但由于無人機自身的特殊性，這一工作方式也存在一些弊端。基于此，文章以多無人機的組群飛行特性作為切入點，簡述通信干擾、航道重疊等問題。再以此為基礎，重點論述多無人機的組群飛行的控制，并通過模擬實驗證明控制策略的可行性，以期通過分析明晰問題、優化理論，為后續多無人機聯合作業提供參考。

關鍵詞：無人機；組群飛行；多址共道；跟蹤算法；機器學習

無人駕駛飛機（Unmanned Aerial Vehicle，UAV），簡稱無人機，是利用無線電遙控設備和自備的程序控制裝置操縱的不載人飛機，也可由車載計算機完全、間歇地自主操作。無人機在一些特殊工作領域的應用價值突出，多無人機組群飛行則能夠避免單架無人機效率比較低、工作空間小、視角有限等不足，可以充分采集一些重要的目標和信息，分析多無人機的組群飛行特性與控制有突出的現實意義。

1 多無人機的組群飛行特性

1.1 通信干擾

無人機往往通過無線通信的方式進行操作、傳輸信息，這種通信方式便捷有效，在單無人機的通信活動中可用性較高，但在多無人機組群飛行時，所有無人機是同步進行通信工作的，而且往往只有一個接收端，信號干擾的情況較為嚴重。在此前德國學者的研究中，當4架以上無人機同步傳輸信號時，失真率往往超過5.3%，如果存在干擾，失真率會飆升至25%以上，相應的，單無人機的通信即便面臨干擾（同等級別），失真率也一般不會超過10%，應對通信干擾是多無人機組群飛行需要考慮的首要問題。

1.2 航道重疊

航道重疊問題在多無人機組群飛行中較為多見，大部分無人機屬于感應式，在組群飛行時存在相互干擾的問題，設計人員針對無人機特點進行了默認程序改造，可以保證多無人機避免嚴重的不協調飛行，但航道重疊問題依然沒有完全解決，當組群的無人機數目超過3架時，就可能導致碰撞，如果組群飛行的無人機超過4架，平均每飛行495 m、垂直爬升247 m，就有可能出現一次碰撞，甚至導致無人機損壞。

1.3 反應滯后

反應滯后并不是簡單的通信延遲問題，多無人機的組群飛行需要面臨較單無人機更復雜的周邊環境，這種復雜變化與通信有關，也與周邊其他無人機有關。如某類無人機長期執行航拍作業，在此前的工作中鎖定對象為固定目標，集中4架無人機進行組群飛行，在飛行過程中，無人機面臨動態目標（其他無人機）的影響，如果其默認程序中缺乏可以與動態目標相匹配的模型，或者匹配度不高，無人機可能不會發生規避動作，導致碰撞，這一問題是目前無人機組群飛行的主要負面特征之一。

2 多無人機的組群飛行控制

2.1 應用多址共道通信技術

為應對多無人機組群飛行中的通信干擾，提出多址共道通信技術，該技術的核心原理是將群組中無人機的通信活動分為不同地址，應用相同頻段的一個或者幾個信道進行傳輸，當接收端完成信號的接受后，對信號進行分離，再進行提純和放大，甄別信號中的信息內容，避免多無人機組群飛行的通信干擾。如在進行探測時，派出了4架無人機組群飛行，飛行過程中，以每秒為間隔不斷傳輸偵測所獲內容，將不同傳輸地址融入2個固定信道中，1號信道比特率為16 kbps，2號信道比特率為17 kbps，通信活動同步進行4架無人機的信號頻率分別為 1 000 Hz，1200 Hz， 1 400 Hz，1 500 Hz。接收端完成信號接收后，直接應用信號分離器和信號放大器對兩個信道內的信號進行分離、提純，獲取信息后再進行核對，綜合獲取最佳通信結果。

2.2 應用動態模型跟蹤算法

多無人機組群飛行的負面特征之一是存在航道重疊問題，對該問題進行分析，可以發現其根本原因是對跟蹤算法的敏感性不強。我國無人機發展的早期跟蹤算法就得到了重視，但當時的跟蹤算法只能針對勻速目標進行，而且目標的外形也必須是近似規則的，這在現實工作中幾乎沒有價值。后續研究中，針對非勻速和不規則目標的追蹤漸漸得到重視，其在無人機中具體應用的方式為多尺度核相關濾波跟蹤算法，多尺度算法將不同速度、不同外觀的跟蹤融合在一起，使無人機的辨識能力大大增加[1]。

假定2架無人機處于飛行工作中，以A無人機的訓練為例，目標對象為B無人機，B無人機速度帶有變化性，外觀也處于非規格狀態。訓練過程中，將A的速度變化設為一個數集，數集中含有B無人機可能出現的速度變化類型，該數集可以表達為：

[S1，S2，S3，S4，S5，……Sn]

數集中每—個數字都表達—個可能出現的速度。再將B無人機的外觀特點制作為一個數集，該數集可以表達為：

[O1，O2，O3，O4，O5，……On]

數集中每一個數字都表達一個獨特的外觀特點。完成數集構建后，將對應信息代入到A無人機的訓練中，當A，B兩架無人機組群飛行時，A無人機可以通過傳感器感知B無人機的速度和外觀狀況，與默認程序中速度數集和外觀數集的模型進行匹配，數集中的樣本越多，匹配度越高，無人機可以實現自動規避，避免航道重疊問題。

2.3 進行大規模機器學習

在動態模型跟蹤算法下，可以收集若干數據，這些數據如果采用傳統方式進行輸入、訓練，會消耗較多時間，而且樣本本身也難以與無人機的速度、外觀情況實現精準匹配。為了提升訓練效果、降低航道重疊、無人機反應滯后和碰撞問題，提出大規模機器學習的基本方案，所用學習方法為K近鄰算法和隨機森林法。

K近鄰算法下，將不同維度（假定為速度和外形）的樣本進行最大限度的收集，樣本數越多，訓練效果越理想。在速度維度下，選取若干標準的K點，如每秒5m、每秒5.1m、每秒5.2m、每秒5.3m……直到標準值數滿足基本工作要求，將這些K點投入在訓練區域中，再將選取的樣本投入到訓練區域內，樣本的速度值要求更加精確，達到每秒5.01 （小數點后至少2位）的水平。樣本投入后，所有樣本會自行尋找與自身特點（速度值）最接近的K值，完成一輪訓練[2]。將訓練結果輸入到無人機控制系統中，在A，B兩架飛機的組群飛行中，B無人機出現速度變化，A無人機通過傳感器感知速度類型，與默認系統中的模型進行匹配，判斷其屬于正常加速，不進行動作，組群飛行即可繼續進行，免去碰撞、航道重疊等問題。隨機森林法與K近鄰算法相似，也通過大量樣本收集進行科學、高效的機器學習。一個森林即一個訓練區間，森林中的每一樹木都是一棵“決策樹”，決策樹即訓練區間內的標準參數。投入樣本后，所有決策樹對樣本進行識別，根據其特點判定樣本的類別，隨機森林法的訓練效率取決于決策樹的數目，數目越多，訓練效果越好，能夠直接提升無人機目標辨別等工作的魯棒性[3]。

3 模擬實驗

3.1 模擬觀察指標和參數

為驗證上述控制策略的可行性，研究人員進行了模擬實驗，選取4架螺旋槳無人機作為對象，進行航拍工作，設定每10 s為間隔進行一次通信傳輸作業。4架無人機的通信頻率分別為：1 000， 1 100， 1 200， 1 300 Hz；選取兩個傳輸信道，比特率分別為17和18 kbps，實驗過程中，人為控制無人機的爬升、變速、下降。在實驗前，應用K近鄰算法和隨機森林法進行機器學習，選取樣本4 811個，訓練時間155 s（K近鄰算法）、167 s（隨機森林法）。觀察指標為無人機通信信號可辨識率、飛行碰撞發生率和反應時間。

3.2 模擬結果

模擬共進行15 min，傳輸信號90次，觀察工作實時進行，反應時間通過無人機內置數字化感應器記錄，完成試驗后直接讀取。實驗結果如表1所示。

結果上看，在15 min的實驗時間內，多無人機組群飛行得到了有效控制，通信信號的可辨識率達到98.2 6%，未發生碰撞情況，爬升、變速、下降等作業的反應時間平均為0.22 s，能夠滿足大部分工作的需求，這表明上述各項控制策略是可行的。

3.3 結果分析

結合實驗結果可以發現，多無人機的組群飛行雖然帶有一些負面特性，但并非完全不可控制，應在執行多無人機組群飛行前，針對存在的問題進行分析，并充分應用現代控制理論、智能技術加以應對。本質上看，無人機是自動化技術發展的產物，其未來應用范圍也會更加廣泛，進一步探索現代技術的聯合應用、集成、嵌入，是提升無人機性能的主要方式。如上文所述的傳感器技術、單片機技術、通信技術等，由于環境受限，本次研究沒有考慮電磁干擾等問題，后續工作中如果條件允許也應給予完善。

4 結語

通過分析多無人機的組群飛行特性與控制，獲取了相關理論成果。無人機在現代社會生產、生活中作用突出，多無人機的組群飛行帶有通信干擾、航道重疊、反應滯后的特性，其控制優化則可以借由多址共道通信技術、動態模型跟蹤算法和大規模機器學習實現。模擬實驗證明了上述控制策略的可行性。后續工作中，可以參考上述內容完善多無人機的組群飛行控制，提升其工作能力。

[參考文獻]

[1]STMicro electronics.FCU評估板在貿澤開售讓無人機飛行控制設計輕[J].世界電子元器件，2018（1）：33.

[2]段鎮.無人機飛行控制系統若干關鍵技術研究[D].長春：中國科學院研究生院（長春光學精密機械與物理研究所），2014.

[3]尚何章，李春濤.基于Power PC的小型無人機飛行控制系統設計[J].伺服控制，2012（4）：50-52， 64.