对蜂群机器人的研究已经产生了一个强大的蜂群行为库,它们擅长确定的任务,如集群和区域搜索,其中许多有可能应用于广泛的军事问题。然而,为了成功地应用于作战环境,蜂群必须足够灵活,以实现广泛的特定目标,并且可以由非专业人员配置和使用。这项研究探索了使用基于任务的蜂群可组合性结构(MASC)来开发特定任务的战术,作为更普遍的、可重复使用的规则组合,供高级机器人系统工程实验室(ARSENL)蜂群系统使用。开发了三种战术,用于对一个地理区域进行自主搜索。这些战术在现场飞行和虚拟环境实验中进行了测试,并与预先存在的完成相同任务的单体行为实现进行了比较。对性能的衡量标准进行了定义和观察,验证了解决方案的有效性,并确认了组合在可重用性和快速开发日益复杂的行为方面所提供的优势。

1.1 动机

美国军方对无人驾驶飞行器(UAV)的研究和利用有很长的历史,早在第二次世界大战之前就有了。最近,"捕食者 "无人机的推出,首先作为侦察平台,后来作为武装战斗成员,彻底改变了现代战争。使用 "捕食者 "型无人机的优势很多,而且有据可查,但是这类系统并不能为每一类任务提供通用的解决方案。系统的可用性、便携性、后勤和维护要求、人力专业化和道德问题只是限制无人机向各级作战部队传播的部分因素。一些人认为,战争的下一次革命将来自于蜂群技术:大量低成本的自主系统采用合作行为和分散控制来实现任务目标[1]-[3]。

在过去的十年中,已经进行了大量的工作来扩展无人机群的行为、能力以及指挥和控制(C2)。海军研究生院先进机器人系统工程实验室(ARSENL)小组以前的研究推动了以任务为中心的C2方法的发展[4],并通过分散的动态任务分配实现了蜂群自主[5]。然而,在描述高层行为和目标以及在机器人代理的强大分布式系统中实现这些目标方面,设计蜂群系统仍然存在独特的挑战。目前的行为实现往往是单一的,而有效的设计需要专家编程。这项研究探索了在一个面向任务的分层框架内组成原始蜂群行为的方法,以自主实现复杂的任务目标。在面向任务的框架内应用行为组合技术,可以促进简化行为开发和重用,并有可能加速创建复杂的以任务为重点的蜂群行为,用于军事应用。

1.1.1 蜂群案例

蜂群飞行器并没有提供将完全取代目前无人驾驶航空系统(UAS)的好处和能力,但它们确实有可能吞并许多目前的能力。然而,更有趣的是,蜂群有可能迫使战争行为的技术转变。在[1]中,Arquilla提出蜂群是一种建立在高度连接和机动能力的小型单位上的战争形式,这些小型单位可以快速分散和聚集在一起。Scharre[2]和Hurst[3]通过分析机器人群的属性及其对现代战场的潜在影响,阐述了群战的概念。与目前的无人机系统相比,蜂群通过飞行器的异质性使自己与众不同,这种异质性提供了单一无人机所不具备的广泛能力。特别是,合作行为和分散控制所带来的决策和执行速度,可能再加上人工智能(AI),使蜂群系统具有潜在的决定性作战优势。或者正如[2]中指出的,"拥有最智能的算法可能比拥有最好的硬件更重要"。

美国防部已经认识到蜂群技术的内在可能性,并将蜂群行为列为具有 "推动无人系统的巨大潜力 "的人工智能技术之一[6]。这种认识进一步体现在国防高级研究计划局(DARPA)的项目中,如进攻型蜂群战术(OFFSET)[7]。各军种也在各自探索蜂群技术[8],成功的概念验证包括海军研究办公室(ONR)的低成本无人机蜂群技术(LOCUST)[9],海军航空系统司令部(NAVAIR)的Perdix系统[10],以及NAVAIR对DARPA的CODE计划的收购[11]。这些计划不仅探讨了自主协作系统的发展,而且还探讨了与这些系统相关的C2和人机界面(HSI)要求。蜂群C2和HSI已被确定为建议研究的核心,以使该技术进入军事应用范围[2]、[6]、[8]。

1.1.2 蜂群特征

蜂群机器人的研究源于早期的元胞自动机领域的研究。元胞自动机通常可以被描述为一组细胞的数学模型,其中单个细胞的状态由其邻居的状态随时间变化的某些函数决定[12]。细胞本身的效用是有限的,但一组细胞可以有效地模拟自然和生物模式,而且一些细胞自动机已被证明能够模拟任何计算机器[12]。

贝尼[13]的早期工作将自动机的概念应用于机器人学。他和Wang[14]的工作创造了"蜂群智能 "一词,即 "非智能机器人系统表现出集体的智能行为,表现为在外部环境中不可预测地产生特定的有序物质模式的能力。" 该定义后来被完善,指出智能蜂群是 "一群能够进行普遍物质计算的非智能机器人" [15]。这种蜂群智能的概念是蜂群的一个基本属性。对于这项研究来说,这个概念可以简化为:蜂群是一个无人机的集合,这些无人机单独只能够进行简单的行为,但当它们聚集成一个集体系统时,能够产生特定的额外和更复杂的行为。

确保蜂群中的集体行为产生最终的预期行为是蜂群工程的一个基础概念[16]。蜂群行为通常依赖于涌现,被定义为由单个智能体构成集体行为,进而产生全系统行为[17]。虽然涌现是蜂群的一个理想和基本特征,但它并不容易预测。意外的涌现行为会表现出潜在的负面后果,降低对系统的信任度[16], [17]。涌现行为不仅在蜂群智能方面得到了广泛的研究,而且在多Agent系统的背景下也得到了更广泛的研究,包括经济、物流和工程等广泛的应用。因此,有大量的行为问题的涌现算法解决方案,已经成为该领域的基础。直接适用于机器人群领域的是基于生物的行为集合,如成群结队[18],蚂蚁和蜜蜂群优化[19],以及粒子群优化[20],[21]。在这些问题中的每一个,单个智能体,即本研究中的单个无人机,根据本地知识和对蜂群其他部分的有限知识决定自己的最佳行动。

分散控制和集体行为使关键蜂群属性成为可能:适应性(灵活性)、稳健性和可扩展性[22]。适用于蜂群机器人和蜂群智能的这些属性的精确定义在[22]-[24]中提供。一般来说,适应性是突发行为的结果,是蜂群在动态环境中实现一系列任务的能力。稳健性源于分散控制,即无论其他智能体是否失败,单个蜂群智能体仍然可以做出适当的决定;也就是说,即使单个智能体失败,蜂群仍然可以集体完成行为。可扩展性与此类似,即蜂群的规模应根据需要进行调整,以便在约束条件下完成特定目标。

1.1.3 机器人群

在过去的十年里,随着低成本机器人和通信组件的普及,蜂群的实现已经取得了快速进展。像Kilobot[25]这样的开源机器人很容易获得,而像海军研究生院(NPS)ARSENL的Zephyr II固定翼和Mosquito Hawk四旋翼无人机这样更先进的平台也很容易制造[26]。仿真环境,如Autonomous Robots Go Swarming(ARGoS)[27]、Open Robotics的Gazebo模拟器[28]和ArduPilot的软件在环(SITL)环境[29],可免费用于测试与物理系统相结合的行为,以加快开发速度。

物理机器人群的C2系统并不像模拟器那样发达,而且很少有管理机器人群的总体框架。值得注意的框架包括用于无人机的Aerostack[30]和ARSENL的基于任务的蜂群可组合性结构(MASC)[4]框架。此外,C2要求与蜂群的HSI研究密切相关。鉴于蜂群的潜在规模和相对于人的认知能力而言的行为复杂性,蜂群对人类互动提出了独特的挑战[31]。由于集体行为的突发性质与军事环境中固有的严格的操作控制结构相匹配,HSI对军事应用具有特别的意义[32]。在进攻性机动中使用无人驾驶车辆已经引起了伦理方面的争论,而蜂群的自主性质只会使这个问题更加复杂[33]。

1.1.4 技术现状

目前对多机器人系统和多机器人任务分配(MRTA)的重要研究工作集中在实现机器人群中复杂行为的规划和执行。多机器人系统通常依靠任务分配技术和高层规划来确定实现整体蜂群目标所需的单个平台行动。有任务的机器人可以利用蜂群智能和涌现来实现子任务目标,但也有可能采用更多慎重的方法。Khaldi[23]和Arnold等人[34]对多机器人系统和蜂群机器人技术进行了比较和分析,重点是蜂群智能的应用。

MRTA的进展通过考虑时间和任务优先级限制的综合能力匹配,使越来越复杂的任务领域成为可能[35], [36]。例如,NPS的ARSENL小组以前的研究推动了分散的、基于市场的任务分配的发展[5],[37],并在复杂的多域蜂群行动中成功地进行了演示[26]。ARSENL已经成功地采用大型蜂群来合作执行定义明确的复杂任务。对这些系统的有效控制仍然需要操作员的实时监督。

最近的论文如[38]将机器学习和人工智能技术应用于蜂群系统以实现行为发展。在这一领域的工作相对较少,实现先进的蜂群自治的目标,即通过 "提供指挥官的意图,系统能够从该指挥官的意图中找出系统能够做什么"[11],仍然是相当遥远的。

1.2 研究目标

这项研究的目的是实施和评估基于MASC的分层解决方案,将能够自主搜索和调查任务的不同规则组合成更强大的战术,在异质蜂群上执行。基于市场的任务分配被调整为向参与战术的平台分配行为角色。本论文假设,以这种方式组成的简单行为可以实现与更多单一行为相媲美的性能特征,并且该方法广泛适用于创建面向任务的一般战术。这一目标为实现MASC的目标提供了一个步骤,即促进简单行为的设计和重用,并为任务应用创建越来越有能力的战术。

对所开发的解决方案进行分析,以验证复合任务分配方法的使用,并为未来实施和研究异构多无人机群的性能和C2提供建议的基础。特别是,本论文讨论了以下研究问题。

  • 使用组合行为的蜂群与使用单体行为的蜂群相比,其性能是否具有可比性?

  • 在有效性和可用性方面,可组合行为比单体行为有哪些好处(如果有的话)?

  • 哪些性能指标适合于比较行为的实现?

  • 如何将建议的行为开发方法扩展到支持适用于任意任务的行为开发?

  • 所开发的方法是否提供了所需的灵活性和接口,以纳入更大的任务控制框架中?

这项研究的范围仅限于利用原始的规则和算法来组成强大的战术。它没有探索或开发在单个平台上执行行为的算法。

1.2.1 方法

开发了三个符合MASC战术理念的蜂群行为,该战术由[4]中描述的更原始的规则组成。这些战术是作为现有ARSENL规则的组合来实现的。每个战术都由一个搜索规则和一个调查规则组成,前者指导平台参与协调的区域搜索,后者指导平台协调调查一个或多个感兴趣的联系体。这两种战术都利用以前开发的拍卖算法进行任务分配[37]。战术动态地将每个平台分配到其中一个规则中,并且在任何给定的时间,只有被分配的规则被用来控制平台。

该战术是为使用由具有独特特征的平台组成的异质群而开发的,这些特征影响了它们执行搜索和调查行为的适宜性。该战术利用基于市场的方法(即拍卖算法)来考虑单个平台的能力,具体描述如下。

  • SearchTacticStatic。一种战术,在行为初始化时,搜索者和调查者的角色被静态地分配给特定平台。分配规定了搜索者的最低数量,并有效地按飞机类型优先分配(例如,更快的固定翼无人机被分配为搜索者)。

  • SearchTacticDynamic。采用这种战术,所有平台开始时都是搜索角色,但随着行为的进展,可以在搜索者和调查者角色之间动态切换。当遇到联系人时,一个单项拍卖被用来重新分配角色。需要改变角色的车辆会推迟执行向新角色的转换,直到当前分配的任务完成之后。

  • SearchTacticImmediate。这个战术实现了与SearchTacticDynamic战术相同的分配方法;但是,搜索者和调查者角色之间的转换会立即发生,而不是在当前分配的任务完成后发生。也就是说,如果平台需要转换角色,一个正在进行的搜索单元或调查任务将被中止。

1.3 论文组织

本论文分为五章。第一章讨论了空中蜂群系统的现状,它们与美国防部的相关性,以及这项研究的动机。第二章对相关的蜂群研究领域及其与本研究的关系进行了更详细的讨论。第三章描述了组成行为的实现,并将其与之前实现的单体行为进行了比较。第四章描述了所利用的实验过程,并讨论了所收集的数据,以提供实施的战术性能和理论上的最佳性能之间的比较。最后,第五章提供了这项工作的结论和对该领域未来工作的建议。

成为VIP会员查看完整内容
117

相关内容

人工智能在军事中可用于多项任务,例如目标识别、大数据处理、作战系统、网络安全、后勤运输、战争医疗、威胁和安全监测以及战斗模拟和训练。
《大规模无人机蜂群交战的权衡分析》2022.12最新67页论文
专知会员服务
121+阅读 · 2023年2月17日
译文 |《无人机战争:历史、演变与未来》2022.12最新论文
专知会员服务
140+阅读 · 2023年2月16日
《军事行动自动化》【译文】2022最新报告
专知
44+阅读 · 2022年11月13日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
3+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
3+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年2月28日
国家自然科学基金
88+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2023年4月6日
Arxiv
0+阅读 · 2023年4月4日
VIP会员
相关VIP内容
相关资讯
《军事行动自动化》【译文】2022最新报告
专知
44+阅读 · 2022年11月13日
相关基金
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
2+阅读 · 2014年12月31日
国家自然科学基金
3+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
3+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2011年2月28日
国家自然科学基金
88+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员