摘 要

随着科技的迅速发展，智能无人系统逐渐融入现代战争，并与现有作战体系相结合，成为联合作战中的关键力量。这些系统在陆地与空中战场上执行多种军事任务，改变了传统作战模式，显著提高了战争效率。近年来，北京航空航天大学研究团队聚焦于地面与空中无人系统的核心技术，深入开展了包括定位、感知、决策、规划、控制、通信网络、信息安全等多领域在内的研究工作，研究方向经历了从单平台自主向智能集群自主系统转型、从平面空间向三维立体空间拓展，以及从简单场景下多车协同向空地场景下车机协同执行任务的逐步演进。基于此，首先介绍了车机协同无人系统关键技术；随后，介绍了团队已有装置以及系统平台；最后，总结了车机协同智能无人系统当前面临的挑战与未来的研究方向。系列研究成果为复杂战场环境下无人系统高效协同、高度自主化提供了基础理论与关键技术支撑。

1 引 言

随着科技的不断进步，无人系统已经成为改变军事无人作战和道路交通无人运输的关键推动力［1-2］。随着无人系统从单一平台向智能集群的演变，它们的应用方式也从二维平面逐步扩展到三维立体空间，进一步增强了其多样化和适应性。在这一过程中，车机协同无人系统尤为引人注目，它通过集成空中、地面和网络领域的资源，构建了一个高度灵活且高效的协作平台，为各类作业任务提供了前所未有的支持与解决方案。正如图1所示，这种一体化系统不仅能够在复杂和动态的环境中执行多种任务，如监控、目标识别与追踪、智能调度与运输等，而且能够在高精度和高效能的要求下协调各个系统间的协作，大大提升了整体作业能力。这种集成化的协作模式，不仅为军事作战、灾难救援、环境监测等领域提供了强有力的技术支撑，还在现代交通管理、智慧物流等方面展现出巨大的应用潜力，特别是在提升作业效率、优化资源配置、加速决策响应等方面具有革命性影响［3］。未来，这种车机协同无人系统将进一步发展，推动智能城市、智能交通和智能战术作战的深度融合，成为提升现代社会运作效率和应急响应能力的关键技术之一［4］。

图1 车机协同无人系统

Fig.1 The UGV-UAV cooperative unmanned system

本文旨在深入探讨车机协同无人系统在军事无人作战和道路交通无人运输的应用及其背后的关键技术。通过对其在多维环境中运作方式和战略价值的分析，得以更全面地了解这些系统在现代应用中的作用，并揭示它们如何推动技术的进步。车机协同无人系统的研究对于理解未来技术的发展方向至关重要，这些系统不仅在提高效能方面具有显著潜力，而且将极大地影响决策的制定和执行。通过深刻分析这些关键技术的应用，能够洞悉未来技术的演变，为各领域的建设提供科技支持［5］。

2 车机协同无人系统关键技术

在本文中，车机协同无人系统的本质是利用无人机与无人车两大主体的各自优势，使两者协同合作，形成一个综合性强、互补性高的智能无人系统。无人车能够在地面进行自主行驶，具备较强的环境适应性，而无人机则能够在空中飞行，具有较大的覆盖范围和灵活性［6］。通过协同工作，车机协同系统能够在不同场景下发挥各自优势，从而提高系统的整体效能和适应性［7］。相比于已存在的文献，本文的重点在于对车机协同无人系统的关键技术和技术体系架构进行整体分析，尤其是对无人机和无人车跨域协同技术进行深入探讨，本文并不局限于无人车与无人机单体的技术，重点分析车机结合的定位感知、智能决策、协同规划、跨域通信等方面的核心技术。结合以上分析，本文的整体架构如图2所示。

图2 车机协同技术体系框架

Fig.2 The UGV-UAV cooperative technology framework

2.1　定位感知技术

开展车机协同关键技术的研究涉及到多个维度的空间全域场景的综合考虑，其中感知定位模块在无人系统中起着至关重要的作用。该模块通过集成多源感知信息，并结合先进的定位技术和智能算法，能够为无人系统提供精确的全局定位、环境感知以及目标识别等关键信息。感知定位模块不仅为无人系统的自主导航和决策提供基础支持，还直接影响系统在复杂环境下的任务执行效果。

无人系统的环境感知与定位技术通过融合多个跨域无人平台上搭载的不同类型传感器（例如高精度定位系统、激光雷达、可见光相机、红外传感器等），实现对系统目标及其周围环境的全面测量、建模与精准定位。这些传感器的多样化能够提供多角度、多维度的信息，有效弥补单一传感器在复杂环境中可能存在的局限性［8］。通过运用特征匹配、图像配准等先进技术，系统能够在具有大视差和多尺度感知特征的环境中高效地进行目标检测与识别，进而提升在动态、复杂环境下的感知能力。这一过程不仅能够为无人系统提供必要的外部环境信息，还能在不同条件下保持高精度的目标定位和环境理解。此外，跨域协同感知与定位技术作为提高系统感知与定位能力的重要手段，通过多源信息的融合进一步增强了目标检测与定位的精度，尤其是在多传感器协作与信息共享的过程中，系统能够有效地提升其适应复杂动态环境的能力。通过信息的实时交换与协同处理，跨域协同技术能够显著提高系统的稳定性与可靠性，确保无人平台在动态变化的环境中能够保持高度准确性，避免因单一传感器的失效或误差影响任务执行［9］。经过优化的感知与定位信息在被精确处理后，将被传输至系统的决策规划层，为后续任务的整体部署与决策提供强有力的技术支撑。

在多维空间全域场景下，构建高效的无人系统协同体系是一个高度复杂且充满挑战的任务，尤其是当系统需要在复杂的环境中执行多任务时，感知与定位模块在整个协同体系中发挥着至关重要的作用。感知模块作为系统的“眼睛”，通过对环境进行精确的数字化建模与识别，能够获取并传递实时的外部环境数据，从而为系统内其他模块提供必要的环境感知支持［10］。与此同时，定位模块作为无人系统的“导航核心”，负责为系统内的其他算法模块提供精准的位置信息。这些信息包括平台的具体坐标、方位角、航向角等，都是系统进行自主导航、路径规划以及决策的基础。尤其在复杂的多维空间场景下，精准的定位不仅是确保系统自主行动和规避障碍的关键，同时也是实现跨域协同任务的基础［11］。感知与定位模块之间通过数据融合与信息传递相互配合，形成一个紧密协同的系统架构，确保无人系统在多维环境中能够持续高效运作。图3展示了感知与定位模块的技术框架。

图3 车机协同感知定位框架

Fig.3 The UGV-UAV cooperative perception and localization framework

在环境感知方面，针对复杂多变环境下的跨域无人系统装备，各种未知且复杂的环境需求不断涌现，如路面构造多变、障碍物类型繁多、气象条件变化等因素，使得传统感知方式难以满足全局环境理解的要求。因此，用于执行多种任务的无人平台系统需要具备高度智能化的环境感知能力，包括快速识别各类障碍物、适应复杂路况，以及精确识别可通行区域，以确保系统在动态环境中的稳定运行。为了实现上述目标，需要在不确定性环境中引入跨域协同感知机制。在本研究中，利用无人机搭载高清相机进行实时数据采集，并结合机载全球导航卫星系统（Global Navigation Satellite System，GNSS）信息，将获取的航拍影像拼接生成数字高程地图及二维正射影像，以提升对侦测目标及周围环境的精确识别能力。基于目标识别结果和道路信息，可进一步利用优化算法实现无人机与无人车等多平台协同的自主路径规划，以提高全局导航效率。与此同时，无人车能够加载无人机传输的全局路径信息，并结合自身的多模态传感数据，通过特征解耦与融合方法，建立基于局部特征的点云时空配准模型及自注意力驱动的融合感知框架［12］。通过上述感知技术的协同融合，车机协同无人系统能够在复杂多变的环境条件下具备更加精准、高效的感知定位能力，从而为智能无人系统的任务执行和决策规划提供有力支撑［13］，如图4所示。

图4 空地协同感知

Fig.4 Air-ground cooperative perception

在无人平台的定位领域，定位模块获取的位置信息是跨域无人系统成功执行任务的基础性支撑。对于单一无人车而言，若完全依赖传统的绝对定位信息，如全球定位系统或北斗定位系统等，尽管其在开放环境中表现良好，但仍面临定位漂移、信号中断以及多路径效应等不可控风险［14］。这些因素可能导致系统定位精度的严重下降，影响任务的顺利执行。因此，在跨域无人系统中，单一平台的依赖性被分散，通过多传感器信息融合与协同定位机制来克服单一定位方式的局限性。跨域无人平台系统通常集成了全球卫星定位系统、惯性测量单元、电子罗盘、毫米波雷达、激光雷达等多种传感器，这些传感器不仅能够独立提供平台的位置信息，还通过相对测量获得周围其他无人平台的运动状态信息，包括位置、速度、加速度、偏航角和转向角等动态参数［15］。通过信息交互，这些位置信息与运动状态能够实时共享给临近的无人平台，形成协同感知的基础数据。借助于克拉美罗下界（Cramér-Rao Lower Bound， CRLB）计算公式，可以实现跨域系统中定位精度的量化与测算，进而分析多无人平台在协作过程中能够达到的最低定位误差，从而为系统的精度优化提供理论依据。通过精确计算传感器精度对协同定位的影响，跨域无人平台能够优化其定位系统架构，设计合理的传感器搭载方案。在执行定位任务之前，平台会根据任务需求和传感器精度分析结果，合理选择协作节点，以确保所选节点具备更高的协同定位精度。每个平台通过内嵌的计算单元处理协作节点传输的状态信息，并将处理后的数据用于协同定位的计算与优化。最终，通过跨域协作，多个平台能够获取高精度的定位信息，并为后续的决策规划、协同控制、目标区域侦察等任务提供精准的基础定位支持。

2.2　决策技术

在车机协同无人系统中，各部分智能体需要跨域执行任务，并且根据实时情境形成合理的策略，同时根据演化的情况实时地调整决策来完成任务分配［16-17］。决策系统通过整合多域信息以进行协同决策，并通过强化学习算法来进行分布式决策以完成任务，如图5所示。具体地，决策通过协同整合来自不同领域的信息，包括无人机和地面装备等多源数据，使得无人系统能够在复杂多变的环境中获得更为全面、综合的状态信息，为决策系统提供更为详尽和准确的信息支持，并有助于降低决策的不确定性。随后智能决策在车机协同体系中可以推动智能自主决策的发展，各类平台能够根据实时情境做出自主决策，减轻对中央指挥的依赖，提高系统的反应速度，并且结合强化学习技术，从大量的历史数据中通过与环境进行交互，利用神经网络进行学习和推演，形成对于各种战术和战术决策的模型，整体框架如图6所示。

图5 车机协同决策系统

Fig.5 The UGV-UAV cooperative decision-making system

图6 强化学习决策框架

Fig.6 Reinforcement learning decision-making framework

在车机协同环境中，智能体根据当前环境的实时状态做出决策，并选择在该时刻最优的行动，以便完成任务。每个智能体通过执行这些决策行为，与环境进行交互，并在执行后获得反馈，更新环境的状态信息并计算奖励函数。该奖励函数用于指导智能体在未来选择能够最大化预期（折扣）奖励的行动，进而选择最优的决策序列来完成任务［18］。这一决策过程通常依赖于强化学习算法。强化学习通过与环境的不断交互，使智能体能够通过试错机制逐步学习到如何在复杂环境中获得最大回报［19］。每个智能体在多次尝试中积累经验，并通过更新决策策略来提高任务执行的效率和准确性。在车机协同系统中，这种基于奖励反馈的自我优化机制为智能体提供了极大的灵活性，使其能够在复杂且动态变化的环境中应对不确定性，确保决策始终朝向最优的目标推进。

这种技术的关键在于如何设计有效的奖励函数和选择适当的学习策略，使智能体能够在有限的时间和资源下迅速适应环境的变化并实现任务目标［20］。强化学习和决策优化不仅提高了系统的自主性和适应性，还为车机协同系统中多个智能体之间的协调与合作提供了技术支持，确保各个智能体能够在相互作用中共同完成复杂的任务目标。

在本研究中，决策系统采用势场理论来构建各智能体的风险势场，从而对潜在风险进行精确评估。势场理论本质上将风险视为一种力场作用，通过模拟力的强度和方向，为智能体提供关于未来风险的即时反馈［21］。每个智能体基于这些反馈做出决策，从而确保在复杂和动态的环境中能够有效应对潜在威胁。通过这种方法，系统不仅可以实时评估和预测环境中的风险变化，还能依据当前的风险势场调整智能体的行为，确保其在不断变化的情境下保持高效、准确的决策能力［22］。

基于势场理论的风险评估方法具有多方面的优势。首先，风险势场能够整合来自多个数据源的数据，提供一个全面的风险视图，这种整合有助于决策者在复杂环境中做出更加合理的判断。其次，通过实时更新风险势场，智能体能够灵活应对各种不确定性因素，增强系统在面对动态变化时的适应性和稳定性。这种方法为智能决策提供了深度支持，使得各个智能体能够更加准确地感知和预测环境中的潜在威胁，从而提升整体系统的决策水平。此外，通过智能体间风险势场的构建，系统能够有效地综合考虑多种风险因素。这种多维度的风险认知框架不仅有助于提高系统对复杂环境的响应能力，还能在多任务、多目标的情况下，提供一个清晰的决策依据。智能体在面对不同环境条件和任务需求时，能够根据风险势场的动态调整，优化决策过程，为决策者提供更明智、可靠的决策，从而提高任务执行效率［23］。

在车机协同体系中，决策系统起着至关重要的作用，通过优化、协同等方法，它能够在多维空间中有效地执行任务，并实现对各个领域的信息与资源的最优管理［24］。这种决策系统为整个车机协同体系提供了必要的认知和决策支持，确保系统能够高效、准确地应对复杂环境中的挑战。特别是基于强化学习的决策系统，通过实时评估当前环境状态，采取最优的决策行为。这一数据驱动的学习过程使得系统能够灵活地根据环境的变化调整决策策略，并且在面对未知或动态环境时，能够做出迅速且精准的决策。通过这种机制，系统不仅能够最大化任务执行的效能和资源的利用效率，还能在不确定和复杂的情境中提高适应性，从而增强整个体系的自主性并且提高整个系统在未知环境下的适应性［25-27］。强化学习的核心技术使得车机协同系统在实时环境中能够不断优化决策策略，推动整个系统向更加智能和高效的方向发展［28］。

2.3　规划技术

2.3.1　协同规划

无人机和地面无人车辆作为集精准感知、决策规划和控制执行于一体的自主设备，在车机协同无人系统中发挥了重要作用。这些装备依托联网通信、云平台、大数据以及信息安全等先进技术，实现了天空与地面的实时通信和信息共享，为完成多无人装备集群协同运动提供了坚实的基础［29］。图7为通信保障下的空地协同集群规划场景：地面无人平台根据空中无人机共享信息和控制中心下发任务进行自主集群运动示意。

图7 通信保障下的空地协同集群规划场景

Fig.7 Air-ground cooperative cluster planning combat scenarios under communication assurance

无人地面平台集群的机动协同规划技术作为集群作业中的核心技术，贯穿整个任务周期，并在不同环境、任务类型和运行条件下面临着多种挑战。在复杂和动态的环境中，集群设备之间的任务分配、时间安排和空间布局等方面可能出现大量冲突，这些冲突主要源于环境的不确定性以及任务要求的复杂性［30］。具体而言，复杂环境中的动态变化和任务目标的多样性，使得集群设备之间的协作变得更加困难，尤其是在实时任务调度和资源优化方面。与此同时，任务目标和约束条件的不断变化，加之集群成员的多样性和互联互通性，使得系统在协调决策过程中面临高维度、大规模决策空间的问题，导致解决方案在计算上具有极高的复杂性。因此，亟需一种能够有效应对这些挑战的协同运动规划方法，该方法不仅具备较强的场景通用性，还能在不同任务和环境条件下保持高效性和稳定性。基于冲突检测的集群协同规划技术，特别是在大规模复杂环境下，能够有效解决集群任务的轨迹规划问题。通过精确的冲突检测和实时反馈机制，该技术能够优化集群成员之间的协调策略，确保任务执行的高效性和安全性，如图8所示。

图8 基于冲突检测的大规模环境下集群协同规划框架

Fig.8 The conflict detection based collaborative planning framework for clusters in large-scale environments

在无人地面车辆集群的协同运动过程中，确保系统在整个运动时域T内的安全性至关重要。各运动主体之间、以及与任务场景中的静态障碍物之间，均可能存在潜在的碰撞风险。因此，需构建解析形式的避碰约束，以保证多车协同运动的安全性。针对无人车自身的避碰约束建模，其精度依赖于对车体几何轮廓的描述能力。当运动范围受限、速度较低时，应采用更精细的几何轮廓描述方式，以提高碰撞检测的准确性。而在大规模场景下，由于集群内部各无人车间距相对紧凑，而与集群外部车辆的间距相对较大，因此需合理预留动态安全裕度，以有效降低潜在碰撞风险。为应对位置不确定性对协同运动的影响，引入基于高斯分布的不确定度椭圆模型。无人车i的运动足迹以大于概率图片的可能性落在长轴与无人车车体中心线近似重合的带有不确定度系数的椭圆区域内，将双圆近似几何轮廓模型与不确定度椭圆模型所覆盖区域的交集定义为描述无人车运动范围的鲁棒裕度，如图9所示。基于此，原始的多无人车避碰问题可转化为带有不确定性约束的椭圆相交问题。通过将不确定性因素以参数化形式引入解析避碰约束条件，能够有效提升避碰策略的适应性与鲁棒性，确保无人车集群在复杂环境中的高效、安全协同运动［31］。该方法不仅能够提升协同运动系统的整体鲁棒性和安全性，还能有效应对不同环境和任务场景的变化，从而为无人系统在复杂和动态环境中的高效自主规划提供了技术保障［32］。

图9 无人车运动范围的鲁棒裕度示意图

Fig.9 Schematic of robust margins for range of motion of UGV

上述过程充分剖析了在复杂环境当中，地面无人设备可通过考虑不确定性因素的最优控制模型，来生成新的最优协同轨迹，为不确定性位置估计条件下的无人装备编队机动研究提供理论与实践依据。

2.3.2　冲突检测与消解

在复杂多变环境中，跨域协同系统的作用日益凸显。车机协同无人系统，通过融合地面、空中多维度的能力，显著提升了效率并增强了适应性。在去中心化环境下，跨域协同系统要求各单元能够独立操作，同时保持高度协同，这对系统的协同作战能力提出了更高的要求。在指挥权扁平化的背景下，冲突检测与消解技术已成为实现车机协同无人系统跨域作战优势的关键。

在跨域无人系统中，空间冲突定义为系统中的两个元素图片与图片在局部区域内的直线距离图片小于设定的安全半径图片。当图片时，表明两个元素发生了空间冲突。冲突会降低系统元素间的协同能力，导致效率降低甚至失败。因此，需要构建系统性的方法来处理禁行区域建模、任务时空执行冲突、单元航迹优化等问题，确保跨域无人系统的安全性与稳定性［33］。

为有效解决冲突问题，首先需要通过精确的冲突检测机制进行全面识别，并输出关键冲突信息，包括冲突单元对、冲突发生区域以及冲突时间等，以便为后续的冲突消解提供基础［34］。冲突消解问题可以建模为一个复杂的非线性优化问题，其中目标函数需综合考虑多个优化目标，如速度调整成本、方向修正代价等。此外，优化问题中还需引入初始状态约束、机动性能限制和安全距离约束等因素，以确保轨迹优化的物理可行性，并保证解的有效性和实际可操作性。由于该问题涉及高维度和非凸性特征，求解过程的计算复杂度较高，因此可以结合随机并行梯度算法等全局优化方法，利用其较强的全局搜索能力，有效避免局部极值，并在较短的时间内获得高效、稳定的冲突规避策略。这种方法不仅能够提高计算效率，还能保证解决方案在实际应用中的鲁棒性和可靠性，尤其在面对复杂的冲突规避情境时，能够提供较为优越的表现。

综上所述，依托先进的冲突检测与消解技术，跨域无人系统在多智能体环境下能够实现高效协同，确保系统各组成单元在不同维度间的无缝协作，从而提升整体任务执行的稳定性与效率。该技术范式的引入不仅显著增强了系统在高动态、非结构化环境下的决策与规划能力，还为去中心化任务架构下的分布式协同提供了坚实的理论支撑和技术保障。通过优化冲突规避策略和强化全局规划能力，该方法能够有效提升多智能体系统在复杂环境中的鲁棒性和任务适应性，使其在面对动态变化、不确定性因素较强的应用场景时仍能保持稳定、高效的运行状态［35］。

2.4　通信计算技术

在无人系统的发展中，车机协同无人系统的通信计算模块起到了至关重要的作用。该模块具备分层的通信网络架构，能够确保在多维空间下实现高效、稳定的通信，同时无缝连接和转换不同的通信模式，以适应复杂的应用场景。此外，该模块集成了高性能计算平台，能够满足来自不同平台的数据计算需求，包括图像、声音和环境感知等信息处理，确保在复杂任务环境下实现资源的最优分配，提高整体计算效率和任务执行能力［36］，该通信计算模块的整体框架如图10所示。

图10 通信计算整体框架

Fig.10 Overall framework of the communications computing

在地面环境中，无人车、机器人等地面设备协同工作，需要实时处理高分辨率地图数据，以支持任务单位进行地图标记、路径规划、协同感知等操作，实现高效的数据共享和通信保障。这种能力对于任务的执行至关重要，特别是在动态环境下，数据的实时更新尤为关键。然而，地面环境复杂多变，通信过程中可能受到电磁噪声干扰、信号衰减和多路径效应等因素的影响，导致通信链路的不稳定性。在移动边缘计算的背景下，任务卸载在减少延迟和能耗方面起着至关重要的作用［37］。针对这些挑战，该模块设计了一种多场景空地协同通信与计算资源优化调度方法，建立了二维车辆编队联合空地组网移动性模型，并结合无线通信和边缘计算卸载技术，有效提升了通信稳定性和计算效率。具体而言，通过对发射功率和各节点传输时间进行优化调度，能够有效降低组网延迟，提高系统抗干扰能力，并确保移动网络拓扑切换时的数据传输稳定性。此外，该模块针对数据链中断、传输容量受限以及数据可靠性问题提出了改进方案，使得在复杂环境下仍能保证高效、稳定的数据传输［38］。为了进一步提高能效，引入了先进的调度算法优化了高性能边缘计算系统中的实时任务执行［39］。

在空中，无人机不仅承担精准定位和目标追踪的任务，还在低空域中作为通信中继节点，提供数据处理与转发服务，以实现地面与空中单位之间的高效协调与协作。这种多维度的协作模式能够确保信息的高效共享，从而显著提高任务执行的整体效率。然而，随着任务数据量的激增，如何在保证系统性能的同时提升计算效率，已成为无人机系统面临的关键问题。为此，通信计算模块在设计时充分考虑了系统的整体能量效率，并针对不同任务单元中的通信节点，提出了基于用户能耗偏好的优化模型。具体来说，该模块结合了序列二次规划算法和内点法，以解决系统中的非凸优化问题，从而实现计算资源的合理分配，进而提升系统的能量利用率和数据处理能力。在任务执行过程中，模块能够根据各节点的计算需求和网络负载情况，动态调整计算资源分配策略。这种自适应调整机制不仅能够保证计算精度，同时有效降低系统整体的功耗，从而在确保系统可靠性的前提下，提升系统的整体效能和能效表现［40］。

该模块的实现不仅提升了无人系统在多维空间中的适应性和任务执行能力，还在信息融合、通信抗干扰、快速决策支持和环境适应性等方面表现出了显著的技术优势。通过优化通信计算资源的调度方式，该模块有效解决了多维空间通信中的核心问题，提高了系统的稳定性和效率，成为无人系统中不可或缺的关键技术［41］。未来，随着人工智能和边缘计算技术的进一步发展，该模块还将持续优化，以适应更复杂、更高效的无人系统应用场景。

3 车机协同无人系统已有装置及成果

目前，所研制系统已具备在复杂天候条件下遂行编队机动、搜索侦察等典型任务的能力，在相关领域已取得多项成果，并逐步形成完整的体系，以下成果及装备为针对本体系框架所取得的部分成果。

在定位感知技术方面，针对复杂物理场景，引入选择交叉因子的粒子群算法优化深度神经网络定位误差预测算法，通过利用车辆历史运动状态与定位信息对定位误差预测进行训练，实现车辆的定位精度增强，同时结合区块链技术实现在可信机制支撑下异质定位能力车辆之间的协作定位［42］，并基于多源异构传感数据，构建跨模态语义增强与融合感知模型，提出点云语义增强模块和逐点特征融合方法，促进多模态数据融合感知能力，并显著增强了算法鲁棒性［43-44］。

在协同规划技术方面，围绕交叉路口、路段多车道、匝道等场景，采用计算最优控制方法数值求解包含复杂约束条件的最优控制运动规划模型，提出了一套具备完整性和通用性的最优控制框架。采用相邻车辆间安全距离和偏航角三角函数建立编队相关约束模型，以最小化协同运动时间和运动能量为加权目标建立统一形式的描述不同任务的最优控制模型。考虑随机因素影响，引入服从高斯分布的不确定度椭圆模型刻画车辆位置不确定性，构建了纳入不确定性的多车协同场景的最优控制模型，并提出了一种通用的基于梯形法则的直接配点法与梯度优化算法相结合的数值求解方案，实现了最优协同轨迹的快速求解［31］。

在通信计算技术方面，围绕多车道、山区弯道、无信号交叉口等多场景下的计算密集型、延迟敏感型数据计算与通信交互任务，引入边缘计算节点（路侧/空基计算单元），提出空地跨域协同的多场景通信与计算资源优化调度方法，建立无人机-无人车编队移动性模型与空地无线通信及边缘计算卸载模型，基于一体化架构的内生安全机制，提出了不确定通信环境下的空地协同通信与计算优化方法，解决了无线环境电磁噪声干扰、移动网络拓扑切换、局部异常节点恶意攻击等因素导致路车联网数据链容易中断、传输容量受限、传输数据失信等问题，使编队协同组网可以在山区弯道、城市交叉路口等恶劣通信场景提供低时延、高稳定的传输服务［36］。

在装置设备方面，围绕各部分典型的应用场景，已开发出一套核心成套装备，旨在支持集成研发与测试验证，以满足多样化的需求，并完善展示所取得的研究成果。如图11所示，这一套装备的研发考虑了行业的实际应用需求，从而确保在不同环境和场景中能够稳定、高效地运行。同时，本套装置设备涵盖了先进的传感技术、通信模块以及强大的集成研发与测试验证平台，支持软硬件的全面集成开发，以及对系统性能的全面测试验证。通过不断优化和创新，促进装置设备在车机协同场景中的广泛应用。

图11 实体验证平台及装置

Fig.11 Physical verification platforms and devices

4 当前面临的挑战与未来的研究方向

虽然，目前的研究在车机协同无人系统中已经取得了一定的成果，然而，系统在协同感知、决策、规划、通信网络、信息安全等关键技术仍然存在问题。

（1）在定位感知方面，基于Transformer的深度神经网络凭借其强大的时空特征提取与序列建模能力，已成为车机协同无人系统中的重要技术。然而，现有系统应用于复杂高动态环境时仍面临诸多挑战。例如，如何高效地提取并融合空地异构感知数据，实现精准的目标检测与定位，同时确保感知信息的时空一致性，是当前亟待解决的关键问题。首先，多源异构感知数据的提取与融合面临极大的挑战。由于车机在传感器类型、视角范围和数据模态上的差异，感知数据不仅具有异构性，且动态环境高度变化，使得数据的时空对齐与精准融合变得尤为复杂。为了应对这一问题，基于Transformer的深度神经网络逐渐成为空地协同感知的核心技术之一，通过自注意力机制捕捉长距离依赖关系，提高多模态数据的融合能力，从而提升目标检测与定位的精度。然而，目前大多数方法仅关注数据级别的融合［45-46］，而忽略了时空信息对齐的重要性，如何结合高度信息与图视角编码等技术，实现跨平台、多视角感知信息的高效匹配与融合，将是未来研究的重要方向；其次，如何通过融合后的空地感知信息实现目标未来轨迹预测并确保预测结果的准确性与实时性，也是当前面临的主要挑战。传统的轨迹预测方法往往依赖单一视角数据［47-48］，难以充分利用空地多智能体的协同信息，导致预测结果在复杂动态环境中存在较大偏差或时延，进而影响整体系统的行为决策能力。在实际应用中，既需要确保轨迹预测的高精度与稳定性，也要兼顾计算效率，以满足车机协同系统对实时性的需求。因此，需构建基于Transformer的车机协同定位感知框架，以实现复杂环境中车机多智能体的实时一致性感知。综上所述，在如图12所示，研究基于高度一致性的车机协同视觉特征融合方案，对多源感知信息实现高效精准整合；构建基于Transformer的无人机视角数据时空同步与协同感知模型，使用共享表征学习提取多视角特征，并结合预测图的分步生成算法构建全局聚合鸟瞰特征图，实现时空一致性协同感知；研究基于可解释图特征融合方法的多智能体运动轨迹表征及协同关联预测方法，构建更具鲁棒性的全局感知表征，实现车机协同感知的高效性与智能化。

图12 协同感知框架

Fig.12 Collaborative perception framework

（2）在协同导航领域，尽管已有多种技术被提出和应用，包括协作定位与地图共享、路径规划与不确定性传播以及动态任务分配与调度等，但依然面临许多技术挑战。首先，无人车的感知能力受限，尤其是在面对未知区域时，由于感知不充分，往往需要做出保守假设，从而影响路径规划的效率。其次，在复杂动态环境中，无人机生成的地图与无人车的局部感知信息如何高效融合，依旧是一个亟待解决的问题。除此之外，目前大多数协同框架通常只支持单个无人机为多个无人车提供服务，而在多无人机支持多无人车的任务场景中，任务分配与通信协调仍然存在显著的瓶颈。同时，现有方法在处理动态环境中的不确定性传播时表现不足，扩展卡尔曼滤波模型在复杂场景下的精度也面临下降的风险。当前的技术进展表明，尽管已有研究为解决这些问题提出了一些方案［49］，但大部分方法仍局限于较为简单的环境中，未能有效应对更复杂和动态的任务场景。此外，随着智能算法的不断发展，如何将深度学习与传统的路径规划和任务调度方法结合，成为当前研究的一个重要方向。基于深度学习的感知和预测模型［50-51］在不确定性传播中的潜力被越来越多的研究所认可，尤其在处理复杂环境的路径预测时，具有显著优势。基于以上研究，未来的协同导航框架应当更加强调无人机与无人车之间的高效协作，尤其是在复杂动态环境中。为了应对这些问题，未来研究将专注以下技术方案，如图13所示。首先，基于时间窗约束和优化工具（如OR-Tools），提升多任务场景下的路径协调效率，确保在动态环境中能够快速响应和调整路径；其次，开发多无人机与多无人车之间的动态任务协同与调度策略，确保在不同的任务场景下能够优化资源分配；再者，利用拓扑轨迹预测和动态轨迹调整技术，解决路径冲突问题，确保无人系统的安全性与效率；最后，结合深度学习方法，提升对未知复杂环境的感知能力，并结合物理模型对感知数据进行融合与优化，以增强路径预测与任务调度的精确性。

图13 协同导航框架

Fig.13 Collaborative navigating framework

（3）在决策方面，深度强化学习凭借其强大的处理复杂决策问题的能力，已在车机协同无人系统中得到了广泛应用。然而，在实际的自主决策应用中，系统仍面临许多挑战，例如，在多智能体环境下，如何高效地预测智能体的意图和行为轨迹并整合周围智能体的意图和行为，将这些信息准确地输入到决策模型中，兼顾车机协同的求解性与安全性是急需解决的关键问题。首先，智能体之间的意图识别与轨迹预测面临着极大的难度。每个智能体的行为不仅受自身状态、目标和外部环境的影响，还会受到其他智能体行为的干扰。因此，如何在动态环境中实时准确地获取和理解智能体的意图，是当前研究中的一大难点。为了应对这一问题，基于深度学习的预测模型也逐渐成为智能体行为预测的重要手段，通过对数据的训练，预测不同智能体在特定情境下的可能行为和决策，但是目前大多数方法［52-54］只是采用深度学习的方法进行预测，如何将深度学习技术结合物理风险模型将成为解决智能体决策安全的一种重要手段［55］。其次，如何高效地将多个智能体的信息融合并输入到决策模型中，保证智能体的安全同时兼顾车机协同决策的高效求解也是当前面临的主要挑战。传统的强化学习决策模型通常无法同时兼顾安全性和求解性，但在实际应用中，即要保证安全的行驶，也要兼顾求解效率。因此，在这种背景下，将侧重于开发能够有效处理多智能体分层协作的强化学习框架，以实现多个智能体在复杂环境中的安全性和高效性［56］。综述所示，在未来的研究中，如图14所示，将在风险模型中考虑周围智能体的意图预测，并考虑分层强化学习框架，有效共享状态信息，整合来自不同来源的决策输入，并在大规模状态空间中实现实时协同决策，以提高其在复杂环境中的安全性和实时性。

图14 协同决策框架

Fig.14 Collaborative decision-making framework

（4）在规划方面，当前协同轨迹规划方法在保证高精度的同时，计算求解的时效性仍然是一个亟待解决的挑战。尽管现有数值求解方案能够同时获取多辆车的高质量轨迹，但在计算复杂度、实时性和可扩展性方面仍然存在较大的优化空间。在高动态环境或大规模车队协同的情况下，传统的数值优化方法往往因计算量过大而导致延迟，影响系统的实时性。此外，部分现有方法过于依赖集中式计算架构，在通信受限或计算资源受限的场景下，难以高效应对突发情况。这些问题的存在不仅限制了无人车协同规划的实际应用，也影响了其在高动态、不确定环境中的适应性。为应对上述挑战，未来可以引入无人机作为指挥中心，辅助无人车群体进行高效的路径优化和协同规划，如图15所示。无人机凭借其高机动性、广域感知能力和信息聚合能力，可以充当空中代理，为地面车辆提供全局优化的轨迹规划方案。具体而言，无人机可以利用其全局视角采集环境信息，并结合强化学习、多智能体博弈优化、边缘计算等先进技术，对多车轨迹进行高效求解和分配，从而大幅降低个体车辆的计算负担，提高整体系统的计算效率和规划精准度。此外，无人机还能在通信受限或局部感知不足的情况下，充当信息中继，提升系统的鲁棒性和抗干扰能力。针对计算复杂度与实时性问题，采用混合整数规划融入模型预测控制的“两层”规划架构［57］，上层使用混合整数优化进行全局轨迹规划，下层执行连续模型预测控制（Model Predictive Control，MPC）实时跟踪，以降低复杂交通场景中避障规划的计算负担，实现实时、无碰撞的高效避障规划。在通信不确定性环境下，构建车机协同系统，无人机作为空中中继和传感平台，为车队提供广域环境信息并中继V2X通信［58］。提升节点之间的通信成功率，减小车队规划行进中的速度波动。在协同路径优化方面，采用联邦分布式深度Q网络［59］，促进智能代理之间的协作和知识共享，从而优化车辆路线并减少动态交通环境中的拥堵。

图15 协同规划框架

Fig.15 Collaborative planning framework

（5）在通信计算方面，尽管现有系统已部署基于传统加密协议和入侵检测的网络安全防御架构，但随着新型攻击手段的不断演进，其面临多重严峻挑战：首先，静态防御体系难以应对动态威胁，攻击特征库更新依赖人工规则，导致零日漏洞响应存在显著滞后；其次，极端环境适应性薄弱，在强电磁干扰或高移动性场景下，传统通信协议的数据完整性保障机制易失效，中心化架构的单点故障风险加剧了系统脆弱性；此外，跨域协同场景中异构网络的安全策略碎片化，使得恶意攻击者可利用协议兼容性漏洞发起中间人攻击，威胁关键数据传输链路的可信性。这些问题直接导致数据篡改、指令丢失等核心风险，严重制约无人系统在复杂对抗环境中的可靠运行。针对上述挑战，未来研究将聚焦于分布式安全架构与智能动态防御两大方向，通过引入区块链技术，减少对中心节点的依赖，增强网络的鲁棒性与安全性，从而更高效地存储和传输关键信息。在未来的研究中，如图16所示，在分布式安全架构方面，基于提出的分片区块链动态身份管理框架，设计适用于极端环境的自适应分片重组机制，优化跨域通信效率［60］。同时，结合链上身份验证方案，构建物理层与数据层的双重防护体系，增强抗劫持攻击能力［61］。在智能动态防御方面，融合多智能体协同框架，开发基于深度强化学习的威胁感知模型，利用长短期记忆网络与双向循环神经网络实现攻击模式演化预测，结合联邦学习技术构建跨域防御策略共享平台［62］。此外，研究还将借鉴边缘计算与区块链融合架构，提出时空感知的资源动态分配算法，通过历史数据驱动的环境建模与实时反馈优化，实现复杂场景下的资源弹性伸缩与能效均衡。这些研究方向将推动通信计算模块实现三重能力跃迁：通过动态分片与链上验证，构建去中心化可信数据链路；依托多智能体协同与联邦学习，形成自主演进的防御生态；基于跨域资源调度优化，支撑高动态环境下的高效任务执行。最终为无人系统提供安全-弹性-智能一体化的通信计算基座，赋能全域协同作战能力向自主化层级升级。

图16 通信计算框架

Fig.16 Communication computing framework

5 结束语

本文创新性研制了车机协同无人系统，深入探讨了其中定位、感知、决策、规划、通信网络、信息安全等关键技术和应用领域。该系统的创新在于实现了车机的跨域协同，通过系统化的定位、感知、决策等关键环节的技术突破，实现了更为高效、精准的任务执行。在科技前沿技术快速发展的趋势下，这一系统的研发将在未来军事无人作战和道路交通无人运输场景中发挥关键作用，为陆、空和网络等多维空间提供更为强大的技术支持。

未来，随着车机协同无人系统的进一步成熟和应用，其在各个领域的作用将愈发凸显。通过整合不同的空间环境，这一系统有望提供更全面的信息，加强工作实施的灵活性和高效性。同时，也将推动相关领域的技术创新，为未来科技的发展开辟新的可能性。