基于不同智能優(yōu)化算法的無人機集群路徑規(guī)劃研究及展望

前 言

隨著人工智能技術的迅猛發(fā)展， 無人機（unmanned aerial vehicle， UAV）逐步朝著小型化、智能化方向發(fā)展， 因其成本低、靈活性高、隱蔽性強， 被廣泛應用于戰(zhàn)場偵察、聯(lián)合攻擊、應急救援等行動， 已成為未來智能化、無人化作戰(zhàn)的重要手段之一。 鑒于單架無人機在續(xù)航能力、廣域偵察搜索等方面的局限性， 多架無人機協(xié)同組成無人機集群（unmanned aerial vehicle swarm）執(zhí)行任務成為當前無人機作戰(zhàn)應用的重要模式。 較之于單架無人機， 無人機集群具有明顯的規(guī)模優(yōu)勢、協(xié)同優(yōu)勢等， 可有效提高任務完成的可靠性。 然而， 實現(xiàn)無人機集群高效協(xié)同的首要問題， 即是如何科學合理地為無人機集群進行路徑規(guī)劃。如圖1所示， 當前關于單架無人機路徑規(guī)劃的研究較多， 然而面向無人機集群的路徑規(guī)劃研究則相對較少。 不同于單無人機路徑規(guī)劃， 無人機集群的路徑規(guī)劃除了考慮單機的可控飛行， 各種威脅之外， 還需考慮集群規(guī)模、功能結構、協(xié)同方式等帶來的挑戰(zhàn)， 其本質上是一個復雜的大規(guī)模約束多目標優(yōu)化問題。 智能優(yōu)化算法因其對優(yōu)化問題的性質要求低、魯棒性高，而被廣泛應用于求解路徑規(guī)劃問題。鑒于此， 本文綜述了近些年面向無人機集群路徑規(guī)劃的智能優(yōu)化算法研究， 首先介紹了無人機集群路徑規(guī)劃的基本模型， 包括規(guī)劃空間表示、優(yōu)化目標函數及約束條件等， 其次闡述了基于不同智能優(yōu)化算法的無人機集群路徑規(guī)劃研究現(xiàn)狀、詳細對比分析了不同類型算法的優(yōu)勢與不足， 最后對無人機集群路徑規(guī)劃研究進行了展望。

無人機集群路徑規(guī)劃模型

路徑規(guī)劃是智能體自主完成任務的重要組成部分，要求在規(guī)劃空間中快速找到由多個線段或多個路徑點依次連接而成的最優(yōu)路徑。 路徑表示常用兩種方式：一是由航速和航向構成的時間序列（基于動力學）; 二是由空間位置坐標構成的時間序列（基于幾何學）。 無人機集群路徑規(guī)劃需要在一般路徑規(guī)劃模型的基礎上， 進一步綜合考慮無人機集群的環(huán)境約束、自身約束和集群內約束。

無人機集群路徑規(guī)劃模型

常用的路徑規(guī)劃算法可大致分為精確方法、啟發(fā)式算法和智能優(yōu)化算法3類。 相對于智能優(yōu)化算法， 我們稱精確方法和啟發(fā)式算法為傳統(tǒng)方法， 如混合整數線性規(guī)劃法、窮舉法、動態(tài)規(guī)劃、Voronoi圖法、人工勢場法、A算法等。 傳統(tǒng)方法在解決路徑規(guī)劃問題時存在很多局限， 如精確法只適用于小規(guī)模路徑規(guī)劃問題， 當目標函數和約束條件較為復雜時， 精確方法很難給出有效解。 啟發(fā)式算法易陷入局部最優(yōu)， 同樣也不適用于規(guī)模較大的問題。具體的， Voronoi圖法可選擇的路徑有限; 人工勢場法解的質量取決于勢場的建立， 特別是在吸引力和排斥力相等位置較多時很難找到最優(yōu)路徑， 而且當目標點距離較遠且附近存在威脅時， 也很難找到可行路徑;A算法的效率隨著搜索空間的增加而不斷下降并且多應用于單無人機路徑規(guī)劃。

總 結

綜上所述， 盡管針對無人機集群路徑規(guī)劃的智能優(yōu)化研究已有不少， 但現(xiàn)有研究還存在如下問題：

首先， 現(xiàn)有研究多關注靜態(tài)全局路徑規(guī)劃， 即假設在環(huán)境信息已知條件下對路徑進行預先規(guī)劃， 對未知、不確定性、強對抗環(huán)境下的路徑規(guī)劃和飛行過程中突發(fā)狀況的路徑動態(tài)調整規(guī)避等相關研究較少。 已有的方法也大多采用快速搜索隨機樹法、人工勢場法或滾動窗口法進行動態(tài)避障， 如文獻［88］利用集合點規(guī)劃狀態(tài)圖對突發(fā)威脅進行實時路徑規(guī)劃; 文獻［89］基于投影矩陣和虛擬力原理設計了兩種動態(tài)避障策略并通過啟發(fā)式快速搜索隨機樹法進行路徑重規(guī)劃。因此針對不確定、強對抗環(huán)境下無人集群的動態(tài)路徑規(guī)劃亟需更高效的算法支撐。

其次， 現(xiàn)有無人機集群路徑規(guī)劃的模型存在局限性。 現(xiàn)有研究將無人機集群路徑規(guī)劃分為兩階段： 生成路徑、協(xié)同規(guī)劃， 大多數研究僅構建了第1階段生成路徑的模型， 如何在模型中綜合考慮集群的任務、時間協(xié)同約束、航跡的平滑， 從而提高路徑規(guī)劃的精確性， 值得進一步深入研究。

第三， 應用智能優(yōu)化算法求解路徑規(guī)劃模型時， 多采用蟻群算法、粒子群算法、遺傳算法或相關混合算法。 近年來， 深度學習和強化學習等人工智能方法在序貫決策優(yōu)化問題（如TSP， VRP等）上顯示出了較好的性能， 能夠實現(xiàn)路徑的快速規(guī)劃。 文獻［86–87， 90］已將強化學習用于多智能體路徑規(guī)劃中， 且獲得了良好的效果。 因此， 如何基于深度學習和強化學習等方法進行無人機集群路徑規(guī)劃是未來重要的研究方向，有望實現(xiàn)動態(tài)、在線路徑規(guī)劃。

第四， 現(xiàn)有研究對集群間的協(xié)同表述還不夠完善，有的未考慮協(xié)同， 只是簡單地規(guī)劃出多條路徑; 有的只對時間和空間上的協(xié)同進行了約束， 總體而言， 對深層次協(xié)同的研究較少。 未來智能體集群更像一個生命系統(tǒng)， 具備整體性、層次性和相關性， 智能體通過完成各自的任務， 在宏觀上， 則可以完成高級復雜的任務。 因此， 如何規(guī)劃好集群整體和局部的關系、局部間的關系， 如何提高協(xié)同性， 最大化集群效益有待進一步研究。

無人機集群協(xié)同完成各種遂行作戰(zhàn)任務是未來智能化、無人化聯(lián)合作戰(zhàn)的重要應用之一， 路徑規(guī)劃作為無人機集群執(zhí)行各類任務的基礎技術， 在無人機集群應用中發(fā)揮著重要的作用。 本文綜述了無人機集群路徑規(guī)劃的模型及方法， 重點分析了基于不同類型智能優(yōu)化算法的無人機集群路徑規(guī)劃研究， 闡述了不同類型智能算法的優(yōu)勢及不足， 展望了無人機集群路徑規(guī)劃的未來研究方向， 可為開展相關研究的學者提供良好的參考和借鑒

責任編輯：gt