摘 要

聚焦智能化、无人化、数据化技术赋能多平台无人协同作战领域需求，探索无人机集群任务自协同技术发展思路。梳理了无人机集群协同作战发展现状，分析了未来无人集群任务协同需求；挖掘了宏观任务自主分解与微观要素能力聚合的无人机集群任务自协同机理，提出了多无人机协同自主搜索、协同目标跟踪、协同态势生成、协同火力规划和协同组网通信等核心关键技术，并深入剖析了各项技术研究现状、存在问题和改进思路；总结了无人集群协同作战领域未来发展所面临的多项挑战和技术突破点，为下一步技术攻关提供借鉴和参考。

关键词

无人机集群；自协同；任务规划；协同跟踪；协同搜索；协同态势生成；协同火力规划

1 引 言

近年来，无人机及其应用已经遍布陆、海、空、天各领域。数据化、智能化技术极大改变了军事领域的现状，智能与无人技术相辅相成，相互推动发展，将成为未来战争的主要特征及发展趋势。随着作战对象能力不断提升、对抗强度逐渐增大、作战任务日趋多样化，无人机装备的使用方式将由单平台为主向多平台集群协同样式演进。

无人机集群一般采用几十架中小型无人机编组，在中低空以Ma=0.6~0.8的速度飞行，利用自身搭载的传感器自主感知战场环境信息，采用数据传输设备实现集群间的信息交互和态势共享，按照预先或在线规划的行动方案执行侦察、目指、干扰/欺骗、自杀攻击等任务。美军联合部队司令部的“阿尔法计划”实验室针对无人机集群作战效能进行了模拟实验，将一支现役可部署部队的作战能力，与100架配备武器和传感器的无人机组成的集群的作战能力进行了对比。作战部队歼灭了11个目标，发现敌军部队占比不足33%［1］，而无人机集群摧毁了63个目标，探测到的模拟敌军部队占比高达91%，证明了无人机集群作战具有较高效能优势和扩大战果潜力。

传统采用战前规划、遥测控制的技术手段仅能满足少量同类无人平台的简单任务协同，且存在易受敌方干扰攻击、战场实时反应能力弱等缺点，难以充分发挥多无人机在数量、类型、能力互补方面的优势，整体作战效能受限。本文针对无人机集群任务自协同技术开展探讨，通过分析未来无人集群任务协同需求，提出宏观作战任务分解，可用资源（传感器/武器）能力界定，任务需求与可用资源匹配规划的无人机集群任务自协同思路，并提炼出实现任务自协同的多项关键技术。最后，总结出了无人集群协同作战领域面临的难点和未来发展的思考。

2 无人机集群协同作战

无人机集群协同作战是指为了克服单架无人机的局限性，采用大量（>10数量级）无人机平台，以机间通信为基础，多架同构/异构无人机以集群的方式相互协作，以满足任务的时间、空间与指标优化等要求，通过分布式决策和自主协同达到资源和功能互补的作战效果，提高任务执行效率。

目前，常见的无人机集群，其体积跨度从厘米级到米级，质量范围涵盖数十克到数十千克，飞行速度和航程形成梯次配置，功能组合形式多样，可适应不同类型的任务需求，如“小精灵”［2］、“郊狼”［3］、“V-BAT团队”（V-BAT Teams）和“刻耳柏洛斯”等。“V-BAT团队”是美国国防技术公司Shield AI推出的新型无人机集群技术，如图1所示。2024年8月，V-BAT无人机成功协助乌军锁定并摧毁了俄军的SA-11 Buk-M1型机动防空导弹系统。该集群能够自主进行威胁检测、路线规划和任务协调。“刻耳柏洛斯”集群中无人机可相互通信、协同和角色互换，执行侦察监视、投弹攻击、引导飞机瞄准目标、发射热诱饵等多种作战任务。

▲ 图1 “V-BAT团队”系统概念图

▲ Fig.1 V-BAT Teams system concept diagram

无人机集群协同作战可以承担危险性高、难度大、持续时间长的作战任务，适当减小作战人员参与军事行动的风险，同时降低作战成本［4］。应用场景从最初的预警探测、监视，到现在的抵近侦察、电子对抗，乃至饱和攻击和协同打击，作战场景充满了激烈对抗性和不确定性。作战范围逐渐迈向全域攻防作战格局，无数的“鱼群”、“狼群”、“蜂群”、“星群”等形态各异的无人集群将出现在海、陆、空、天各领域。灵活地、近距离地进行情报侦察监视，自主地、动态地制定打击决策方案，对大范围内大量可疑目标详细地、动态地实施“发现即打击”，是未来战场作战模式的趋势。

3 无人机集群任务自协同机理

无人集群任务自协同是指集群内的多无人平台不依赖地面操控站人工干预或指挥节点集中式指挥控制，针对区域搜索、目标跟踪、火力规划等任务，分布式对等地通过智能化决策计算，实现跨平台感知/决策/打击要素的协同分配和调度。未来战场环境的复杂性和动态性越来越强，传统计划型作战组织模式已无法及时响应战场态势与作战任务的突变。因其快速的任务响应能力和灵活的动态可重构能力，无中心分布式的集群任务自协同技术应运而生。本文以动态灵活构建集群对抗任务自组织为目标，遵循“宏观任务分解，微观要素聚合”的原理，提出“上层作战任务集分解至作战行动集，底层作战资源池聚合至作战要素编组，中间作战要素编组与作战行动集互匹配”的集群自协同机理，如图2所示。

▲ 图2 无人机集群任务自协同机理

▲ Fig.2 Autonomous task coordination mechanism for unmanned swarms

图2中自上而下通过宏观任务分解，将多样化的作战任务需求分解成可执行的作战行动，明确其对应的作战能力要求。自下而上进行作战资源的功能选配和动态组合，为上层的作战能力要求提供具体实施路线。根据作战任务需求，组织不同空域分布的感知、决策、打击节点资源形成任务编组，决策节点间通过分布式自协同形成传感器感知策略、武器打击策略，逐步实现异类信息融合、态势分析和攻击决策等，驱动各平台按照指令开展和实施作战行动，进而遂行完成作战任务。

通过分布式自协同可以降低对中心节点的依赖，迅速完成资源整合和重组。以往，集中化控制需要依靠大量的信息交互和集中计算实现编队飞行、任务分配和航迹规划。态势变化或通信受限易引起决策延迟或失误，作战能力大打折扣。分布式自协同通过简单的规则、局部的交互形成自适应高、鲁棒性强的整体行为。借鉴生物群集行为协作机制实现全局的分布式自协同行为［5-7］，设计基于共识信息素［6，8］的任务自协同机制。采用无中心的分布式体系结构，每个决策中心建立本地信息素，且仅对自身所维护的信息素进行更新。任务初始时，各决策中心共享初始的节点状态，包括节点位置、速度、航向、作战能力等信息；当发现任务时，计算本节点与该任务间的信息素浓度作为本节点自身信息素；各节点进行信息素交互，形成本节点全局信息素，根据信息素浓度大小进行自主任务决策；若本节点领受任务，则更新全局信息素并通知其他节点；直至本节点资源用尽或任务结束，自动退出自协同机制。该机制可以通过较少的信息交流量和交互次数，制定任务选择策略，实现多决策节点自主完成任务选择，减少通信依赖。局部态势突变时，集群也可在任务自协同机制上，增加局部微调快速实现任务的重新调度。

在集群任务自协同架构中，作战网络的节点由感知、决策、打击等核心作战要素构成，要素间信息交互、协同规则为连接边，形成的复杂作战网络具备层级嵌套、维度交叉、属性多元和目标复合等复杂特征，其自协同过程［9］可以通过超图或多层网络模型进行数学表征。设定OM代表作战任务集合，OE为作战要素池（含感知、决策、打击要素），可演化形成多条“感知-决策-打击”闭环杀伤链。作战任务与作战要素的适配关系可通过匹配算子match进行映射，图片，其中K是编组集合，边集N代表杀伤链成员间依赖关系，W是协同要素数量，U代表边属性集合。由此构成了具有耦合约束的多阶段任务分配模型，求解该模型的过程就是遍历搜索由各节点可能组成的“发现-识别-决策-打击”动态行动策略。从流程维度看，杀伤链构建涵盖协同搜索、协同感知、协同决策、协同打击若干关键环节，其求解与目标模型、边界条件、决策变量空间和状态转移概率等核心参数设计相关。

4 无人机集群任务自协同关键技术

无人机集群任务自协同面临着动态环境适应、任务分配优化、通信约束、编队控制等多方面的挑战。随着人工智能、分布式计算、群体智能等技术的突破，无人集群自协同正朝着高度自主化、智能化和规模化的方向发展。本文系统梳理了5项无人机集群任务自协同关键技术，包括多无人机协同自主搜索、多无人机协同目标跟踪、多无人机协同态势生成、多无人机协同火力规划和多无人机协同组网通信等，为相关研究提供参考。

4.1　多无人机协同自主搜索

多无人机协同自主搜索技术是依托机载多源传感器实时获取的空间定位数据与局部环境特征，集群在预设任务区域边界的约束下，通过自主决策确定每个无人机的搜索路径，利用各自携带的探测设备对任务进行侦察，实现对任务区域的最大化覆盖搜索，为指战员提供相对全面和准确的战场态势信息［10-11］。

当在未知区域环境中自主搜索目标时，任务完成度评价指标主要是覆盖率和效率。针对搜索覆盖率优先原则，文献［12-13］采用了基于边界的自主搜索方法，基于实时获取的局部环境信息，动态生成对应区域的边界轮廓；根据边界特征，构建一系列的观测点位，通过智能化策略决定下一观测点后，利用精准路径规划导航至该点位。当抵达该点位后，系统基于新采集的数据更新边界信息，进而迭代生成新的观测序列，直至完成全域环境的搜索任务。该类方法的局限性是边界生成效率低、策略不够完善。文献［14］针对覆盖搜索任务，采用多智能体强化学习方法，以覆盖率、可知度为评价标准完成模型训练，验证了该方法在解决无人集群覆盖搜索任务方面的可行性，相比传统方法更适应于无人机损耗或任务突变的动态环境。针对搜索效率优先原则，文献［15］对每架无人机的搜索区域、搜索路径进行合理划分和规划，用来实现对任务区域的分布式搜索与覆盖，在一定程度上降低了区域搜索的时间成本。

当在已知区域中持续搜索目标信息时，为避免目标区域的重复搜索，需要对任务进行合理分配，同时高效规划搜索路径，使得各无人机同步探索不同区域，获取特定目标的信息，最大限度地发挥多机协同优势。在构建无人机目标搜索性能模型时，环境搜索收益、目标探测与网格回访收益、机间碰撞规避代价、连通性保持代价、任务执行代价等都是必须考虑的关键要素。相邻无人机图片、图片必须限制在圆域图片范围内运动才能保持二者之间的连通性，满足通信距离约束图片，其中，图片是每架无人机通信距离范围，图片和图片分别是无人机图片和图片的坐标位置。为了使图片与任意邻居图片（图片是无人机图片所有邻居的集合）均保持连通，则图片在下一时刻的连通性可行域是若干个圆域图片组成的交集。为了维护网络的连通性，各架无人机需要保持相互聚集；然而为了提高多机协同搜索的效率，又需要各架无人机分散搜索。为了平衡这一矛盾，可引入最小生成树算法对无人机通信网络的拓扑结构进行优化［16］。每架无人机将其在最小生成树中可直接通信的节点设为邻居节点，并仅维持与邻居节点间通信链路的连通性。以此减少对网络中“冗余”链路的不必要维持，进而在保障协同搜索效率的同时实现资源的优化配置。常见的模型有基于多旅行商模型［17］的任务分配，以距离或时间为衡量指标实现总成本最小化；基于拍卖模型的任务分配［18］，待分配任务是“拍卖标的”，竞价需要综合“收益”和“成本”。当目标处于高速移动状态时，预先规划难以适用，依托作战过程中实时探测数据与环境信息进行动态决策［19］，构建反映目标和环境信息的二维离散地图，利用实时探测数据在搜索图上完成求解过程［20-22］。

上述研究分别从未知区域环境中自主搜索目标和已知区域中持续搜索目标信息两个方面进行了论述。当未知区域信息时，采用的搜索策略是提高覆盖率的暴力搜索，一般出现在协同搜索任务的初始阶段。当获取部分目标信息后，则转入已知区域中持续搜索目标信息的过程，采用的搜索策略是高效规划搜索路径，并根据实时探测更新搜索路径。其中针对多个运动目标的协同搜索问题最为复杂，其过程存在着多重不确定性。当前研究中，传感器探测概率、虚警概率以及目标的随机运动特性是主要的不确定性因素。然而，真实场景下不确定性的表现形式远不止于此，还可能涉及环境动态变化、设备临时故障、通信链路干扰等多重维度，这些因素共同加剧了任务的复杂性与挑战性。下一步可考虑在问题建模中加入异构无人机能力度量、机间通信距离和丢包率约束、有明确作战意图且更加智能的目标运动模型，使得多无人机协同自主搜索更加贴近战场实际环境。

4.2　多无人机协同目标跟踪

目标跟踪是在发现目标之后，其目的是连续提供目标精确的状态信息［23］。受平台自身运动、探测设备观测视野、气象环境的约束，无人机难以单独对目标进行精准跟踪。为获得更高的目标定位精度和跟踪任务鲁棒性，常采用多架无人机协作来实现多无人机协同目标跟踪。多无人机协同目标跟踪大概分为两类：一是协调各无人平台观测位置和跟踪轨迹，达到最优跟踪性能；二是协调不同平台跟踪任务交接，确保跟踪连续性。

为实现多无人机协同跟踪性能最优，需设计其观测运动轨迹，使多架无人机在时空上均保持相对较优观测位置，实现航迹融合的状态估计误差小于期望误差的稳定跟踪要求，如图3所示。首先，有效的跟踪性能度量方法可以指导观测轨迹的规划工作［24］。跟踪性能度量可以采用目标预测的误差协方差矩阵［25］、信息熵［26］、Rényi距离［27］、Kullback-Leibler距离［27］、估计误差克拉美罗界［28］。其基本思想是选择前后时刻跟踪性能最大增益的观测位置，计算其近似最优控制输入得到近似最优观测轨迹［23］。当面对具有一定的侦察和反侦察能力的“智能”目标［29］时，协同跟踪的需求是使“智能”目标尽可能持续处于无人机探测范围之内。采用模型预测控制（Model Predictive Control，MPC）策略或滚动时域控制（Receding Horizon Control，RHC）［30］策略，文献［23］采用了进化算法对滚动时域控制策略轨迹优化模型进行求解。针对异构信息融合跟踪，一般将融合航迹预测状态配准至红外坐标系下，利用滤波算法进行红外量测预测与目标状态更新后融合红外雷达航迹。融合航迹在俯仰和方位精度方面有了较大提升，位置误差和速度误差均优于单雷达精度［31］。

▲ 图3 无人机观测位置与观测误差关系

▲ Fig.3 The relationship between UAV observation position and measurement error

为实现连续跟踪，进行多无人机跟踪任务协同引导，在突发状况下协调跟踪任务的交接班，确保跟踪连续性。针对静态目标，无人机任务级协同跟踪策略可归结为定点引导问题。为降低暴露风险，在保证目标跟踪性能满足要求的前提下，采用被动红外传感器全时间跟踪目标，识别为高危险目标后再引导雷达进行精确跟踪。文献［32-33］将深度确定性策略梯度（Deep Deterministic Policy Gradient，DDPG）算法用于无人机对确定目标的引导，实现了无人机在任意位置、姿态的初始条件下，向航路目标点的自主飞行。为让多旋翼无人机不间断地完成对地面动态目标侦察，文献［34］把无人机的侦察活动拆成两部分，一是将无人机引导至目标周边的引导环节，二是对目标展开近距离持续追踪的跟踪环节，并借助马尔可夫决策过程（Markov Decision Process，MDP），构建了自主引导模型和自主跟踪模型，产生相应的最优机动策略，实现无人机自主引导与跟踪方法。

上述研究分别从面向跟踪性能最优和面向目标连续跟踪的多无人机协同跟踪方法进行了论述，核心是对跟踪精确性和跟踪连续性的衡量标准、以及对不同传感器跟踪能力的预估。此时，传感器跟踪能力预估与无人机的飞行路径紧密耦合。在多无人机协同跟踪过程中，若个别平台出现临时退出或加入的情况，基于前述方法构建的协同跟踪策略稳定性欠佳。因此，深入研究无人机的入群与退群机制，成为提升多机协同性与灵活性的核心所在。此外，在实际高强度对抗场景中，“智能”反跟踪目标的行为更具自主性，其特性难以通过确定性模型刻画。需探索敌我对抗过程中的博弈性，更精准地描述这类目标的状态与轨迹，并通过数学建模提升算法的实际应用价值。

4.3　多无人机协同态势生成

在复杂、高动态、强对抗的任务环境下，多机协同态势生成技术是集群自主协同决策与规划的基础。多无人机协同态势生成可分解为多无人机状态融合、多无人机航迹融合、多无人机协同态势一致性处理和多无人机态势威胁评估。

多无人机状态融合是融合来自不同无人机对目标的观测点迹信息，以获得最优目标状态估计。通常需要建立无人机运动模型、传感器观测模型、目标模型、通信拓扑模型和任务环境的飞行空域模型［35-36］，在满足飞行器平稳飞行、导航定位等基本飞行功能需求的前提下，实现最优状态估计。状态估计方法有无迹卡尔曼滤波器（Unscented Kalman Filter，UKF）、信息滤波器（Information Filter，IF）、粒子滤波器（Particle Filter，PF）。在实际应用中，很难通过单个滤波模型来准确描述复杂的大机动目标非线性系统。文献［37］采用切换多模型无迹信息滤波框架解决多传感器对大机动目标状态融合估计难题。文献［23］结合交互式多模型（Interacting Multiple Model，IMM）、无迹信息滤波（Unscented Information Filter，UIF）提出了分布式IMM-UIF融合估计方法。

多无人机航迹融合是将多平台形成的目标航迹进行关联融合，生成更加精确的目标位置和属性特征信息。为了确定来自不同平台的目标航迹是否属于同一目标，文献［38］利用不可模糊化的航迹信息剔除明显不关联的航迹，计算灰色关联度获取最相似的航迹，提高了关联结果精确度。采用航迹质量动态权值与传感器性能固定权值结合的航迹融合方法进行航迹融合，提高了航迹融合结果的可靠性。

多无人机协同态势生成中一个重要问题是如何进行多无人机协同态势一致性处理。受通信拓扑结构制约，各节点接收信息存在异质性，造成目标状态估计及航迹的偏差。文献［23］提出了一种自适应一致性分布式融合估计算法，采用自适应一致性算法以保证节点之间目标状态估计的平均一致性，适应网络拓扑变化，加快了一致性收敛速度。文献［39］根据集群协同作战需求和航迹质量评估结果，构建集群协同态势觉察一致、态势理解一致性和态势预测一致性模型，提出了态势感知一致性模型的评估方法。文献［40］梳理了个体、团体及系统的态势感知模型，通过集群偏好和一致性程度计算对偏离集群较远的无人机进行一致性调整，使无人集群态势感知的一致性满足战术需求，系统达到相对一致的状态。

多无人机态势威胁评估是利用态势信息对目标的威胁程度及等级进行量化评估的过程。威胁评估过程涉及许多不确定性因素，如目标类型的不确定性、战场环境、气象的不确定性等。文献［41］综合变权思想和逼近理想解的方法，提出了基于惩罚与激励变权的逼近理想解排序（Technique for Order Preference by Similarity to Ideal Solution，TOPSIS）方法的空中目标威胁评估，得出了较常权更可靠的评估结果。针对无人机对地作战过程中地面威胁评估面临的信息不确定性和实时性等问题，文献［42］在多属性决策模型的基础上引入灰色关联分析法对决策矩阵进行优化处理，有效降低了不确定信息对决策结果的影响程度。文献［43］将云模型理论与威胁评估相结合，通过将定性、定量以及模糊描述的威胁要素信息统一表征为概率域知识，实现不确定威胁要素的量化表征。

上述研究分别从多无人机状态/航迹融合、多无人机协同态势一致性处理、多无人机态势威胁评估等多无人机协同态势生成的几个关键步骤进行了分析。通过多无人机状态/航迹融合和态势一致性处理融合多个平台的跟踪信息形成精确的目标位置，通过威胁评估对目标的作战意图和威胁程度进行评估，二者结合则可形成待攻击的目标排序。集群节点数量的不断増加是无人机编队发展的一个可预见方向，因此可进一步开展面向更大规模、更广覆盖的无人机集群多模态动态融合架构研究，对无人集群获得的红外、可见光图像进行无监督跨模态配准［44］融合，保留目标结构和纹理信息，提升融合后的目标识别率，进一步提升威胁排序的可信度。

4.4　多无人机协同火力规划

多无人机协同火力规划是根据火力任务规划的优先级评估结果，为待打击目标分配合适的武器进行打击，对察打无人机的路径进行规划和修正，确保以最小的代价实现最大的收益。多无人机协同火力规划隶属于无人机任务规划领域，是强耦合特性显著的复杂多目标优化与决策问题。其中，耦合是指两个问题的求解过程存在公共的变量，或受制于公共的约束条件，如目标分配问题优化指标中武器能力与无人机位置强相关，而航迹规划问题则是以目标分配结果为输入条件，二者互为输入互相约束。多无人机协同火力规划中存在诸多耦合问题，如任务间、约束间、平台间耦合［45］，影响协同火力规划优化结果。图4给出了目标分配与航迹规划子问题的求解思路，集中式求解如（a）、（b）所示，分布式求解如（c）、（d）所示。

▲ 图4 火力规划问题分解

▲ Fig.4 The decomposition of fire mission planning problems

集中式是以紧耦合的方式求解，（a）是将航迹规划转化为目标分配的子问题求解，采用顺序解耦模式，首先完成目标分配，依据分配结果生成初始航迹方案，最后通过冲突检测与动态避障机制进行航迹修正，即“目标分配-航迹生成-动态调整”。（b）是将目标分配转化为航迹规划的子问题求解，采用预测反馈模式，构建“航迹预测-目标分配-路径优化-协同修正”的闭环架构。通过预先生成参考航迹建立目标分配的时空约束，执行时当航迹偏离度超过阈值时触发全局重规划。

分布式是以松耦合的方式求解，（c）是两个问题并列求解，对无人机航向角进行离散化处理，构建多无人机目标分配与航迹规划一体化模型，运用深度优先算法完成死锁检测，依托分布式遗传算法实现模型求解［46］。（d）是采用分层解耦思路，通过对目标分配和航迹规划进行拆分、弱化或忽略彼此间的耦合关联，以松耦合逻辑开展求解运算，有效降低了问题复杂度。上层进行目标分配，利用分配结果，在动态限制和避障要求下进行航迹规划生成飞行路径。

任务约束耦合是指无人机运动学与动力学约束、飞行环境约束、武器打击范围约束等之间存在强耦合性，对这些耦合求解可在航迹规划环节预设最小安全飞行阈值，在目标分配模型中植入时序关联约束模块，依托一致性算法或图论分析方法［46］完成求解过程。采用分层控制架构的无人机集群，往往伴随着层级间的交互耦合与层级内的关联耦合，通过双层级迭代机制实现解耦。根据单机层规划获取精确的航迹信息对编队层规划结果进行评估，适时进行编队层任务重规划。上层迭代是协调无人机编队间的任务分配；下层迭代是协调编队内各无人机的目标分配结果和航迹规划结果，规避航迹冲突的发生。

（1）多无人机协同火力分配技术

在高对抗战场环境下，无人机集群如何发挥集群协同效能，高效调度火力资源完成多平台协同打击。在最大限度降低作战单元损耗的前提下追求作战效能的最大化，是无人机集群遂行作战任务时亟待破解的核心问题。

多无人机目标火力分配问题与多旅行商问题、车辆路径问题类似，传统求解算法是合同网、遗传算法、混合整数线性规划，以及博弈论和分布式改进算法。智能优化算法包括集群智能和人工智能方法。文献［47］构建了毁伤、收益、损耗约束的无人机集群火力分配模型，将信息素启发狼群算法用于无人机集群进攻火力分配，提高了算法求解寻优能力，实现了无人机集群作战火力规划。文献［48-49］采用深度强化学习技术对该问题进行建模求解，设置智能体从环境获得的累计回报，通过不断反馈学习搜索完成任务的最优策略，提出了无人机集群对抗动态策略规划的研究思路。

（2）多无人机协同航迹规划技术

多无人机航迹规划包括路径规划和航迹修正两大组成部分。路径规划需遵循威胁规避、自身特性适配和路径最优等原则。建模方法有栅格地图、快速搜索随机树和概率路标图等。航迹修正作为无人机路径规划后的动态优化手段，主要用于改善路径平顺性、空间安全性及集群行动协调性，常用方法是分布式模型预测控制、局部路径重构、航点调整和多机协同优化处理。多无人机协同航迹规划是在单机航迹规划约束前提下，多机通过协同机制相互配合，保障任务执行的安全性与高效性。空间协同约束是无人机间距应小于最远协同距离而大于安全距离，在航迹规划求解模型中嵌入空间协同约束条件，确保无人机间安全距离［50］。时间协同约束包括同时到达约束和顺序到达约束，可采用速度调整和航程调整方法实现时间协同［51］。

上述研究首先介绍了多无人机协同火力规划概念和解耦合研究思路，然后分别介绍了多无人机协同火力分配技术和多无人机协同航迹规划技术的研究现状。目前，针对复杂环境、任务的多无人机协同火力规划多数研究仍停留在理论研究层面，后续还需投入更多的实验测试以应用到实际环境中。

4.5　多无人机协同组网通信技术

无人机集群组网通信是实现集群各无人机之间实时信息交互的通信手段，无人机间通信既要确保信息交互的实时性又要最大限度降低通信延迟，集群组网通信技术可有效提高无人机通信的可靠性［52］。

无人机集群自组网通信主要有以下2种组网模式。一是分布式网状自组网［53-54］，各节点均集成同等规格的设备功能、终端模块及路由能力，且借助多跳路由机制实现地面与空中所有节点的联通。此模式适合任务复杂度较高、作战半径大、集群间通信频率高且需要自协同完成任务等场景。网状网络较为复杂，路由时延要求很小，通过动态路由协议构建自适应传输路径，采用Q学习（Q-learning）路由优化算法，降低多跳传输的累积时延，有效提高网络的鲁棒性。二是分层融合组网，搭建“星型骨干网+自组织子网”的混合拓扑架构。集群内无人机之间具备自组网交互能力，地面控制枢纽兼具网络管理功能。此组网模式适合更大规模作战任务、庞大的无人机数量且集群间通信频率更高等场景。地面站可对无人机进行集中管理与控制，保证网络的可靠性，当部分节点故障或通信链路中断时，集群自组网功能可以通过其他节点进行信息交互和路由重构，提高网络的抗毁性和复杂环境下的适应能力。

无人机单机飞行的点对点通信领域已形成多年研究积淀，而无人机集群通信网络的探索尚处于初始阶段，目前已成为该领域的研究焦点，未来将朝着安全化、小型化、低功耗、通用化、标准化和智能化等趋势发展。

5 未来发展思考

在未来全域作战复杂环境下，面对海量信息源的异构性、跨域电磁效应的扩散性、攻防对抗作战的博弈性等多重挑战，无人集群的发展可从以下维度展开探索。

（1）多源异构大差异数据融合

无人机可搭载可见光、红外、雷达等差异化载荷，同步采集目标位置数据、高清影像数据、电磁频谱数据等多模态数据。多源数据的时空异步性和数据结构差异性增加了数据融合的复杂性，数据融合面临大差异信息条件下难以对多模态数据进行合理的统一表征、多证据高冲突性导致态势推理难以合理展开等诸多问题，现有数据融合方法难以快速准确地完成目标特征数据统一表征，在主观信息表示分析和人机交互仍存在局限，通过智能特征稀疏学习方法将认知信息从最初的繁多、杂乱无章，向着精炼、有序进行转换和统一表示，使得海量跨域信息都可借助字典的自主进化，通过典型词例进行准确表征，从而满足战场信息快速提炼的认知需求。研究信息冲突性和互补性度量估计方法，依托目标历史数据对其行为模式开展深度挖掘，进而完成目标行为模式的在线辨识，最终达成对目标行为意图的实时预测。建立开放式自适应动态融合机制，最优化利用互补信息实现目标警戒跟踪和干扰源识别。

（2）软硬武器战术协同

在现代战争中，性能先进的硬武器往往会受到电磁干扰的影响而无法发挥作用。在战斗中加入电子对抗手段，能使硬武器性能得到最大收益，从而获得对整个战争的制信权和制空权。目前的一种研究思路是在建模时将软武器使用条件、作战效果加入硬武器目标分配的目标函数和约束条件，但优化出的分配策略仅仅是单边、孤立、理想化的结果，存在缺乏软硬武器两者的协作性与联动性，缺乏与敌方策略变化的动态博弈性的问题。最近的一种研究思路［55］是采用改进多智能体双延迟深度确定性策略梯度算法设计软硬武器协同使用奖励函数和状态空间，在训练智能体时使用课程学习算法和基于迁移学习的预训练策略，解决了软硬武器协同打击策略训练困难的问题，得到的打击策略具有高效的打击和生存能力，能够指导未来软硬武器协同打击作战的实际应用。未来，当目标行为模式未知时，如何依据多个目标的干扰、打击需求，开展动态化的资源协同调度，达成体系级的作战效果优化，始终是亟待深入探索的关键课题。

（3）集群自主组网策略

无人集群中每个节点不仅需要传输战场的实时数据，还需不断广播自身的位置信息，同时还要转发其它节点的位置信息。集群中各节点处于高速移动状态，其节点位置变化较快，集群自组网内很容易产生洪泛，造成网络拥塞，使得集群网络瘫痪，难以实现低延时高带宽信息的实时传递。采用数字广播与优化链路状态路由协议相结合的无人集群路由方法，数字广播用于单向广播本地地址，数据传输系统用于传输战场信息。两套系统同时工作，协同处理，互不干扰，极大地降低了网络拥塞和冲突发生的概率。在未来复杂多变的战场环境中，电磁域的高强度对抗、空间域的长距离和高动态等因素会造成无人集群通信误码率增大、信噪比降低、通信距离减小甚至无法通信等问题，集群自组网难度大幅增加。如何设计有效的集群自主组网策略，使无人集群能够自主形成稳定的集群结构，当任一单体平台因功能失效脱离群体时，新的集群构型可快速实现自主重组并维持稳定状态，是未来研究的难点。

（4）杀伤链要素动态重构管理

无人机载荷的多样性与灵活性也给其集群化应用带来了显著的异构特征。集群效能的发挥，一方面依赖相同功能无人机的规模化优势，在探测或打击能力上取得主动地位；另一方面也取决于不同功能无人机针对同一任务目标在类型、数量、时空等维度上的合理编配程度，即是将无人机抽象为各类作战要素后，如何快速寻找最优组合模式来响应杀伤链各环节动态变化的功能和能力要求。具体有两方面难点，一是如何针对集群协同作战在闭合精度、闭合速度等维度上的特点，设计能够精确反映要素协同一致性以及杀伤链韧性、效率的评估方法，牵引集群协同模式持续优化；二是如何在拒止环境、有限资源条件下保证各类作战要素在时间、空间、频谱上的协调，以及如何建立覆盖多种探测、打击、通信手段的要素协同控制模型来达成该目标。针对上述难点，未来需要借助大模型人工智能技术优势，从实际数据、仿真数据中学习要素编组的基本范式，实现协同控制指令在集群内、集群间快速流转与一致认知；同时利用混合增强智能提升要素协同效能评估的合理性与准确性，基于评估结果立即组织其余功能相似的模块进行替换，构成新的杀伤链对目标进行打击。

（5）人工智能驱动集群涌现

作为新一代军事变革的核心驱动力，人工智能技术正深刻重构现代战争范式，推动作战体系向认知对抗、群体智能方向转型升级。群体智能的“自组织-自适应-自涌现”过程，缺乏强干扰环境下的经验数据支持以及量化的性能评价指标体系，导致诸多算法训练、优化设计缺乏有效的反馈指导。面对上述难题，构建“模型-数据”双驱动的分层智能决策架构，设计“决策层”和“执行层”，通过规则约束平衡个体自主性和全局协同性，通过深度强化学习和进化算法使群体在动态环境中进化，提升对未知场景的适应性。重点解决分布式多平台协同自主搜索与跟踪一体化控制、多无人机协同任务规划与软硬武器战术协同、动态博弈条件下集群自主组网策略问题，赋能“观察-判断-决策-行动”（Observe-Orient-Decide-Act，OODA）环节，形成具备弹性重构能力的智能无人集群系统，基于复杂系统理论实现群体智能涌现，提升感知的实时响应能力、判断的精准识别水平、决策的稳定可靠程度及执行的高效达成效能，达成作战效能的非线性倍增。

6 结 论

现代化战争逐步走向智能化、无人化的新阶段，新型装备形态加快步入战场，无人集群作战已经在数次冲突中充分验证了自身实战效能，突出显示了其新型作战力量的角色地位，甚至可能成为未来战争规则的改变者。针对无人协同作战领域攻防博弈新挑战，本文开展无人机集群任务自协同技术研究，分析了无人机集群协同作战研究现状和技术需求，构建了宏观作战任务自主智能分解和微观作战要素能力快速聚合的无人集群多任务自协同策略机制，提出了五项核心关键技术及其现状、问题和改进方向，给出了无人集群协同作战领域未来发展所面临的多项挑战和技术突破点，以期支撑无人机集群作战技术的快速发展。