《基于无人机蜂群在复杂环境中的监视模型》

本文研究了利用同时探测原理的无人飞行器群进行自主监控的模型。该模型可指定探测感兴趣区域内感兴趣物体所需的传感器数量；只有指定数量的传感器同时扫描，才能探测到物体。该模型计划在监控行动期间部署蜂群中的单个车辆，以保证监控的最高质量；质量以行动期间所覆盖的感兴趣区域的百分比来衡量。此外，假设监控是在复杂的行动区域（包括城市环境、建筑密集区或地形非常不平坦的山区环境）进行的，在这些区域可能会经常出现由障碍物或地形造成的遮挡。为解决问题，提出了基于模拟退火的元启发式算法。该算法部署了一定数量的航点，从这些航点进行监控，最大限度地提高监控质量，并考虑到同步检测原则。该算法通过一组基于典型监控场景的实验进行了验证。

当代武装冲突不同于二十多年前的武装冲突。当代武装冲突的最大特点之一是战场局势多变，来自不同来源的信息不计其数，可靠性也各不相同。此外，当代大多数行动都是在特定环境下进行的，如城市和集结区（西伯利亚、乌克兰）等，这大大限制了普通的侦察和监视方式。这种环境需要新的方法来收集和处理所有必要信息，以支持军事决策过程（营级及以上）或部队领导程序（连级及以下）。

指挥官决策的关键步骤之一是监视。可以说，监视是一个持续的过程，始于计划和决策过程。它为指挥官的决策提供关键信息。通常，侦察工作由部署在敌区纵深的特别小组进行。显然，部署这样一个或多个小组对他们的训练和准备要求很高。此外，来自这些小组的信息流是延迟的，而且不必精确，这可能会对任务产生巨大影响。在当代行动中，无人驾驶飞行器（UAV）等新技术被用于收集几乎在线的信息，为指挥官的决策提供支持。无人飞行器的使用对决策的速度和质量产生了巨大影响。此外，这种信息收集方式还能节省人力资源。有关这一问题的更多信息可参见文献 [1-7]。

本文提出了使用小型无人机群（sUAV）进行自主监控的模型。目标是通过无人机群中的传感器覆盖尽可能大的感兴趣区域。每架无人机都部署在行动区的准确位置（航点），监控感兴趣区域的一部分。该模型还允许在需要多个传感器检测某些感兴趣物体的情况下使用（进一步称为同步检测）。此外，假设监控是在复杂的行动区（包括城市环境、建筑密集区或地形非常不平坦的山区环境）中进行，障碍物或地形造成的遮挡可能会经常发生。

无数科学著作都在关注如何将无人机群用于多种目的。要解决无人机群进行侦察或监视等复杂问题，有几个课题非常重要。此类任务的路径规划是关键问题之一。Yao 等人[8]提出了一种基于 Lyapunov 导向矢量场（LGVF）和改进干扰流体动力学系统（IIFDS）的混合方法，以解决多架无人机三维合作路径规划中的目标跟踪和避障问题。Lamont 等人[9]设计并实现了无人机群的综合任务规划系统。该系统集成了多个问题领域，包括路径规划、飞行器路由和基于分层架构的蜂群行为。Shanmugavel 等人[10] 研究了同时到达目标的路径规划问题。

与无人飞行器有关的另一个关键问题是其可靠性和故障保护。军事指挥官必须做好在任何意外情况下完成任务的准备。使用无人机群执行监视任务是一个非常重要的问题，关系到关键信息的精确收集。目前还没有专门针对这一主题的科学著作，但有几篇有趣的论文值得考虑。Triharminto 等人[11] 开发了一种三维移动目标拦截避障算法。该算法被称为 L+Dumo 算法，整合了改进的杜宾斯算法和线性算法。可以对这种方法进行修改，以减少无人机无法完成监视任务的影响。Sampedro 等人[12]重点研究了可扩展的灵活架构，用于无人机群的实时任务规划和智能体到任务的动态分配。所提出的任务规划架构包括一个全局任务规划器（GMP），负责通过一个智能体任务规划器（AMP）分配和监控不同的高级任务，而智能体任务规划器则负责向蜂群中的每个无人机提供和监控任务中的每个任务。Sujit 等人[13] 解决了在由静态、弹出式和移动式障碍物组成的障碍物丰富环境中运行的多架无人机从给定起始位置到目标配置生成可行路径的问题。弹出式和移动式障碍物环境中的路径规划系统为解决无人机群在复杂环境（包括建筑密集区或山区地形）中执行监视任务时出现的故障提供了灵感。