前 言

隨著人工智能技術(shù)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(yīng)用于戰(zhàn)場偵察、聯(lián)合攻擊、應(yīng)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(wù)成為當(dāng)前無人機作戰(zhàn)應(yīng)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(wù)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(xué)合理地為無人機集群進行路徑規(guī)劃。如圖1所示， 當(dāng)前關(guān)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(jié)構(gòu)、協(xié)同方式等帶來的挑戰(zhàn)， 其本質(zhì)上是一個復(fù)雜的大規(guī)模約束多目標(biāo)優(yōu)化問題。 智能優(yōu)化算法因其對優(yōu)化問題的性質(zhì)要求低、魯棒性高，而被廣泛應(yīng)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(biāo)函數(shù)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(wù)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(gòu)成的時間序列（基于動力學(xué)）; 二是由空間位置坐標(biāo)構(gòu)成的時間序列（基于幾何學(xué)）。 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(chǔ)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(nèi)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(shù)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(dāng)目標(biāo)函數(shù)和約束條件較為復(fù)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(zhì)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(dāng)目標(biāo)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(yīng)用于單無人機路徑規(guī)劃。

總 結(jié)

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(guān)注靜態(tài)全局路徑規(guī)劃， 即假設(shè)在環(huán)境信息已知條件下對路徑進行預(yù)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(diào)整規(guī)避等相關(guān)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(shè)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(shù)研究僅構(gòu)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(wù)、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(yīng)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(guān)混合算法。 近年來， 深度學(xué)習(xí)和強化學(xué)習(xí)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?qū)崿F(xiàn)路徑的快速規(guī)劃。 文獻［86–87， 90］已將強化學(xué)習(xí)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(xué)習(xí)和強化學(xué)習(xí)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(guān)性， 智能體通過完成各自的任務(wù)， 在宏觀上， 則可以完成高級復(fù)雜的任務(wù)。 因此， 如何規(guī)劃好集群整體和局部的關(guān)系、局部間的關(guān)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(wù)是未來智能化、無人化聯(lián)合作戰(zhàn)的重要應(yīng)用之一， 路徑規(guī)劃作為無人機集群執(zhí)行各類任務(wù)的基礎(chǔ)技術(shù)， 在無人機集群應(yīng)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(guān)研究的學(xué)者提供良好的參考和借鑒

責(zé)任編輯：gt