無人機集群協同編隊控制技術研究

任建新，耿榮妹*，梁昌智

（1.中國消防救援學院應急通信與信息工程系，北京 102202；2.中國消防救援學院學員管理部學員六隊，北京 102202）

無人機具有體積小、起降條件低、安全性高等優勢，所以成本低。相比于單架無人機，無人機集群可以提升載荷信息收集能力和信息處理能力，還能提高無人機任務效率和防止執行任務過程中單架無人機出現故障。

世界軍事強國高度關注無人機集群裝備發展，美軍在率先開展探究無人機集群作戰概念的同時，大力推進集群關鍵技術攻關和集成驗證，并面向不同任務開展了體系集成和試驗驗證[1]。以色列無人機在速度方面有很大的優勢，綠龍的速度甚至達到370 km/h，末端的突防性是以色列重點關注的方面，美國注重研究無人機小體化，從而能使成本降低而帶來集群化打擊[2]。

無人機集群技術在國內的發展起步較晚，但也取得了諸多成果。西北工業大學采用分布式的編隊控制，設計無人機編隊成員之間的導航定位方式[3]。浙江大學的周鑫科研團隊[4]攻破了在復雜環境中，單架無人機與無人機集群攻破了自動導航和快速自動避障關鍵技術難題，研發出了一套全自動避障的集群協同控制系統。

本文以解決森林消防面臨的實際問題為導向開展集群協同編隊控制技術研究，并基于半實物仿真平臺開展航跡規劃與智能避障仿真驗證，從而得出適應森林火災場景的協同編隊控制策略，為無人機集群滅森林火提供了參考，具有重要意義。

1 無人機集群協同控制算法

1.1 指揮控制結構

無人機集群工作時需要一套統一協調的指揮控制結構，無人機集群的指揮控制結構可以分為三大類：集中式控制、分布式控制和混合式控制[5]。

集中式控制來源于“單架無人機-多架無人機-無人機集群”的發展方式。隨著無人機的發展，對單架無人機的指揮控制已經不能滿足人們的發展要求。各領域更加注重對多無人機控制的發展，執行多種任務的無人機集群指揮控制結構更是未來發展的一個大方向[6]。集中式控制是當前最成熟、最直接的集群控制結構。集中式控制采用一個或多個控制中心對無人機集群進行控制。

分布式控制模仿大自然生物集群，每個個體之間相互關聯，彼此地位平等，通過彼此信息交流來共同完成工作[7]。分布式控制是最流行的，通過專門的設計冗余和診斷方式，從而提高集群的控制性和可靠性。給分布式集群和操作站帶來了更大的靈活性。該控制結構是一種完全自主的任務結構，需要無人機之間有較高的協同能力。

混合式控制結合了集中式控制和分布式控制的優點，利用集中式相互協作和分布式自治相結合的方式，來解決整個無人機集群的全面指揮問題。該體系適用于無人機集群發展現狀。在無人機集群滅火中一般采用混合式指揮控制。優點是更適合以組為單位進行滅火，單架無人機加入和退出時更加方便。但缺點是機組需要更強的協同指揮結構能力。

1.2 任務規劃

在復雜的環境中，單無人機的任務規劃已經不能滿足無人機集群的要求。效率更高的協同控制任務規劃系統越來越得到人們的關注。根據無人機的載荷和作業目標，可以將無人機分為：①巡查任務類，根據無人機集群的載荷和能量情況合理地分配任務，完成目標搜索，對目標建模等任務，使其效率最高化的過程。②打擊任務類，在獲取目標的大小、速度、位置、屬性等情況下，滿足自身的約束條件下對目標進行精準打擊。③察打一體化任務類，是一種結合訪問目標和打擊目標，對戰前目標進行搜索定位，戰時對目標精準打擊，戰后對打擊目標的破壞情況進行全面偵查的過程[8]。

無人機進行任務規劃時會存在許多約束條件，主要有以下幾種約束：①續航的油量或電量、偵查的裝備水平、通信頻道的容量（數量）的資源約束。②油耗或電耗、飛行路程、任務完成率、任務權重和出動架次的收益約束。③有時間、任務序列、任務時效性的時序約束。④飛行高度、飛行動力學、編隊與協同、傳感器距離（角度）、地形與障礙的幾何與動力學約束[9]。無人機集群要最大限度克服這些約束條件，將集群的資源利用最大化。既要在軟件上提高地基和無人機計算能力，也要在硬件上提高無人機的續航能力等裝備水平。

隨著無人機任務規劃能力的提升，許多行業已經將任務規劃技術應用在無人機集群中。在消防滅火方面，無人機集群滅火是一個集巡查、打擊和評估任務于一體的察打一體化任務，其任務規劃主要包括巡查搜索、任務分配、航線規劃3 個階段[10]。巡查搜索是指偵察無人機巡查火場周圍，并識別和定位起火點。任務分配是指控制中心給每一個無人機（組）分配相應滅火點。航線規劃是指任務分配完成后，各無人機（組）規劃最優航線前往任務點投彈滅火以及完成任務返航。

1.3 智能避障與路徑規劃

適合滅火場景的智能避障方案有領航者-跟隨者算法、碰撞回避算法（VO）、障礙物規避算法（Reciprocal Velocity Obstacle，RVO）等。領航者-跟隨者算法的基本思想是選擇一個領航機器人并設定好它的運動軌跡，跟隨機器人實時跟蹤領航者機器人的運動軌跡。由于碰撞回避算法容易出現抖動，從而提出了RVO 算法及其優化算法分布式底層避障算法（RVO2）。

RVO2 碰撞回避算法（圖1），其思路在于：只要在未來有可能會發生碰撞的速度，都排除在外。該算法通過將動態避障問題，建模到速度域中的靜態范圍，然后在選擇速度時避開速度障礙物來實現。其特點是：去中心化，每個機器人都有自己的決策，而不是被中央控制器控制；獨立性，決策完全基于每個機器人對其他機器人位置和速度的觀察。

圖1 RVO2 碰撞回避算法

RVO2 算法原理簡單，性能較好，不需要有一個中心指揮，也不需要在決策階段互相溝通，只要每個機器都按照RVO2 運行，就不會碰撞。相較于VO 和RVO，RVO2 在效果上考慮了速度的大小，使得篩選粒度更細，而不僅只考慮了速度方向；在效率上，求解過程基本只用到了線性規劃，比較高效。

1.4 通信技術與鏈路原理

高可靠性、高效能的通信在無人機集群的任務規劃、協調與合作策略、控制機制方面發揮著巨大的作用。無人機集群通信方式有無人機對無人機、無人機對基礎設施。無人機對無人機通信是指集群內所有無人機之間互相通信，然后通過雷達或機載傳感器交換或獲取信息。無人機與無人機之間既可以直接進行通信，也可以通過多跳路徑和其他無人機間接通信。無人機對基礎設施通信是指無人機與地面站等固定的中央控制中心進行通信，獲取實時任務信息。兩者通過一個通信體系結構結合起來，作為無人機集群智能控制和自主協作中極為重要的一部分，分為集中式和分布式通信體系結構。

集中式通信結構是由單無人機系統演化而來，相對穩定，路由算法簡單。這種架構適合規模較小、任務覆蓋面積較小、任務相對簡單的無人機集群[11]。但面對通信傳輸范圍較大時就會產生較大的時延，造成系統的可靠性差。而分布式通信體系結構則可以避免對基礎設施的依賴以及通信距離的限制，無人機能夠以自適應方式進行實時的交互通信，在任務區域范圍大、無人機飛行速度快的情況下導致經常連接和斷開網絡時，使用分布式通信體系結構可以很好地避免信息丟失或傳輸延遲的問題。分布式通信體系結構又分為單組群自組織網絡、多組群自組織網絡和多層群自組織網絡。

無人機集群主要包括3 種方式：簡單集群、群體智能集群、單體智能集群。簡單集群是指預先計算優化，分配到無人機集群執行，調整反饋在任務執行之后，不具備智能。群體智能集群是指節點間有交互，具備群體智能，無人機在任務執行過程中可根據應用環境適當調整任務目標，具備初級智能。單體智能集群是指節點智能增加，有獨立認知處理能力，對任務和環境有充分理解，具備高級智能，能夠自主學習和決策。3 種集群對比表見表1。

表1 3 種集群對比表

本文針對森林火災場景，提出了群體智能集群與單體智能集群相結合的集群算法，該集群算法可以實現邊飛行邊建模的目標，具體可分為以下2 種情況：在環境已知的情況下，無人機集群可以利用規劃好的航線執行任務，具備一定的群體智能集群的特點。當環境發生突變，如遇到意外障礙等情況，無人機集群中的個體可以獨立進行認知處理，同步進行建模與規劃的任務，能夠實現自主學習和決策，具備一定的單體智能集群的特點。

2 半實物仿真實驗

2.1 無人機集群仿真平臺

無人機集群應急救援實際應用具有較高的復雜性，基于仿真平臺開展無人機集群的仿真實驗能夠模擬實際工作環境，為實戰提供理論支撐，有重要的現實意義。本項目無人機集群仿真系統使用半實物仿真框架，如圖2 所示，依托于Gazebo 平臺，模擬復雜地形（山地）下的起飛、巡查、滅火與降落。此仿真系統有如下特點：具有獨立的物理引擎；支持全國范圍3D 地圖生成；支持風力和風向設置；支持用戶多視角切換；支持多機型切換等。

圖2 仿真系統實體

在Gazebo 軟件中進行場景搭建，還原出飛行環境及條件。起降場位于地形較為復雜的山谷中，距離火點約0.5 km，前往火點途中需翻越一座連續的山。無人機仿真全場景示意圖及起降場示意圖分別如圖3 和圖4所示。

圖3 全場景示意圖

圖4 起降場示意圖

2.2 航跡規劃與避障策略

無人機集群滅火航線規劃算法有蟻群算法和粒子群算法。蟻群算法對于解決旅行商問題（Traveling Salesman Problem）等最優路徑問題非常成熟，但對于無人機集群滅火應用中的多執行體、多任務且單體只執行單任務的航線規劃問題不適用。

粒子群算法模擬鳥群覓食場景，其中的粒子移動并非漫無目的，而會向群體分享知識，并參考種群中最好的經驗和自己記憶中最好的地點，綜合決定下一步覓食位置，2 個參考因素是種群最優（gbest）和個體最優（pbest），粒子根據這2 個因素來更新自己的移動速度向量。

無人機避障策略可分為靜態避障、動態避障和動靜結合避障三大類。靜態避障策略比較簡單，是基于地形數據規劃生成安全路線。動態避障策略使用分布式的RVO 3D 算法，添加了擾動以解決一些死鎖場景，同時每臺飛機廣播和接收位置/速度。動靜結合避障的策略是在動態避障算法中加入地形等靜態障礙物。

2.2.1 靜態避障

靜態避障即基于地形數據規劃生成安全路線，仿真如圖5 所示。

圖5 靜態避障仿真

2.2.2 動態避障

動態避障使用分布式的RVO 3D 算法，分別考慮多隊、多機、多目標，對相遇、躲避、繞開等多個場景進行測試，如圖6 所示。

圖6 動態避障仿真

2.2.3 動靜結合避障

動靜結合避障的仿真示意圖如圖7 所示。

圖7 動靜結合避障仿真

3 實驗結果與分析

靜態避障仿真實驗結果顯示單架無人機能夠在安全距離情況下準確預判到前方的一座山，并規劃出一條新的避障路徑，通過爬升高度成功的繞過起伏較大的山。避障全過程飛行路徑絲滑，沒有出現抖動現象，能夠與障礙物始終保持一定的安全距離。

動態避障仿真實驗結果顯示單架無人機進行避障時，2 架向對而行的無人機進入設置的安全距離時，無人機能感受到即將會發生相遇的風險，并做出了預判，改變行進速度的方向，2 架無人機分別向自身左側做出避讓，由原來有重合的路線避開成有一定安全距離的路徑。在相遇時2 架無人機的距離在設置的范圍內，完成相遇后進入繞開階段，無人機分別在左側完成了繞開。整個動態避障完成后無人機速度方向改為目標方向。

動靜結合避障仿真實驗結果顯示無人機集群進行避障時，在面對復雜環境中，無人機集群不僅能夠實現對復雜山區地勢的靜態避障，還能實現集群內的動態避障，多架無人機都能夠較好地完成編隊控制任務，并能夠實現編隊的協同移動。

綜上所述，群體智能集群與單體智能集群相結合的集群算法在集群避障中具有很好的效果。該算法可以有效地控制集群中的每個無人機，使其保持統一的運動狀態，并且能夠在高度不確定的環境中有效地完成多機避障操作。從實驗結果來看，系統控制策略可以有效控制無人機集群在運動中的編隊精度和穩定性，滿足編隊任務的需求。

4 結束語

本文針對適應于森林火災場景的無人機集群協同編隊控制技術開展了研究，通過對比無人機集群常用的避障算法優缺點進行分析，確定RVO2 算法相較于其他算法，在集群避障效果和安全性上有明顯優勢。通過指揮控制結構、任務規劃、智能避障和路徑規劃、通信技術和鏈路原理等關鍵技術的研究，制定了集群協同控制策略，并基于Gazebo 搭建半實物仿真平臺進行仿真實驗，結果表明群體智能集群與單體智能集群相結合的集群算法在復雜環境中的避障效果，能滿足無人機集群編隊飛行路徑規劃要求。為消防滅火中巡查火場、尋找火點、多火點下的智能分配、滅火航線規劃等應用場景提供了有價值的參考。