《无人机蜂群的运动规划： 最新挑战与方法》万字长文

与单个无人飞行器相比，无人飞行器蜂群具有巨大的意义，因此越来越受到研究人员的关注。许多研究仅关注这一复杂的多学科群体所面临的少数挑战。其中大多数都存在一定的局限性。本文旨在从控制、路径规划、架构、通信、监控和跟踪以及安全问题的角度，认识和安排相关研究，以评估蜂群的运动规划技术和模型。然后，本文介绍了对无人机蜂群的最新理解以及蜂群智能（SI）概述。研究考虑了多种挑战，并介绍了一些方法。研究结果表明，蜂群智能在这个时代处于领先地位，是无人机蜂群最重要的方法，可在不同环境中做出独特贡献。这些研究的整合将成为有关蜂群知识的基础，为运动规划问题提供指导，并加强对现有方法的支持。此外，本文还能提出新的策略，为今后的工作奠定基础。

1 引言

无人机因其潜在的应用而在我们的生活中具有重要意义。单个无人机的功率、能力、传感和飞行时间都受到限制。这就提出了采用无人机蜂群系统的要求。无人机蜂群克服了单个无人机的缺陷和限制，并协助更大规模的团队合作，成功完成空中任务。无人机蜂群的优势在于数量众多，因此能带来多种可能性。其中许多好处包括在更短时间内完成任务、冗余和协作执行任务。

1.1 背景

蜂群并不是一个现代概念。它存在于自然界中，是由生物种群的合作和相互交流所激发的[1]。通过研究鸟群、蚁群的运动、蜜蜂的合作、鱼群和狼的捕食，无人机群的概念应运而生。动物界的团结使我们有可能实现一个共同的具有挑战性的复杂目标。

然而，蜂群并不局限于自然现象。它还受到一种军事战术的启发，在这种战术中，来自多个轴心的许多单位以协调和刻意组织的形式攻击一个共同目标[2]。自公元四世纪以来，蜂群战术就在军事史上出现过。然而，如今蜂群作战已将传统的指挥和控制概念转变为创新概念。此外，一个人能够同时指挥和控制多架无人机。

1.2 相关工作

由于无人机蜂群具有远距离作业、增强鲁棒性和灵活性等重要能力，因此正在不断发展[3]。蜂群智能对技术、科学、社会等许多领域以及检测、跟踪、运输等各种系统都有很大影响 [4]。对于无人机蜂群的运动规划，不同的研究考虑了控制设计、路径规划算法、通信结构、监控和跟踪架构以及安全飞行协议等方面的许多改进[5]。

研究人员在文献[6]中将计算技术与数学模型相结合，研究了通信效果。这种方法简化了建模过程，但建模速度较慢且内存不足。文献[7]提出了一种基于分散、领导者-追随者策略的控制器，以及基于树状网络的几何结构。这项研究实现了多架无人飞行器在保持同步的情况下到达一个共同点。此外，建议的设计显示出灵活性和稳健的性能。不过，这项研究仅限于有限数量的无人机。在 [8] 中，研究人员为无人机群的新型路径规划开发了一个框架。所提出的算法实现了高效的路径规划，减少了能量和检查时间。此外，它还为确定各种参数提供了指导。

在[9]中，研究提出了一种计算蜂群控制和模拟其分布式行为的算法。研究和模拟显示了不同场景下的通信延迟效应。文献[10]在考虑有限通信距离影响的同时，提出了一种带有弹性指标的改进算法。这一策略在一次监视任务中得到了实施，结果表明它是一种能有效面对外部干扰和威胁的更现实的方法。最近的一项研究[11]将 PIO 算法、比例积分控制器和比例积分微分控制器的概念用于无人机集群的编队控制。这一策略优于传统方法，并提供了安全的飞行协议。相关调查部分对这一技术的发展进行了进一步的广泛思考。

1.3 动机与贡献

本文的动机是在单一平台上收集可能阻碍无人机群性能的多种挑战。此外，还要提供适当的方法作为解决方案，以实现最佳运动规划。这项研究可以帮助研究人员探索多种运动规划策略及其贡献和局限性。选择适当的运动规划技术和模型可以快速完成复杂的任务，同时还能实现应用的点对点目标。本文的主要贡献如下

• 解释蜂群智能及其面临的挑战。
• 从过去十多年的几篇研究文章中详细分析运动规划技术及其贡献和局限性。
• 提出未来发展方向，为研究人员提供指导。

1.4 本文组织

本文分为多个部分。第 2 节介绍了无人机蜂群的现状。第 3 节评估了蜂群智能的概念。第 4 节介绍无人机蜂群面临的挑战。第 5 节对用于应对无人机蜂群诸多挑战的技术和模型进行了广泛调查。第 6 节讨论了主要发现和局限性。第 7 节给出结论，第 8 节就今后的进一步研究和开发工作提出建议。

2 现状

由于采用了人工智能（AI）技术和边缘计算，蜂群可以集体做出决策，并使用相对简单的指令完成空中任务[12]。Veronte 自动驾驶仪已经开发了跟随领导者、执行任务、路径规划、感应和避让等功能。这些功能的进步使团队合作成为可能，并确保了任务的成功。监视和攻击诱导是全球蜂群的一个里程碑事件。无人机群这一改变游戏规则的能力既有利于大国，也有利于小国。蜂群的其他重要方面包括联合决策、自我修复和自适应编队飞行。无人机群仍处于进展阶段，正在开展进一步研究，以进一步增强系统。进一步的重点包括扩大人工蜂群智能的能力，提高蜂群代理的自主状态，以及商品化以降低成本影响。

无人机蜂群最令人惊叹的地方在于其利用蜂群智能技术在民用和军用方面的应用[13]。民用机构正在利用蜂群技术实施更大的计划。美国国家航空航天局（NASA）也在利用这种基于人工智能的蜂群技术进行气候变化分析[14]。这样做的结果是完成了所需的工作，而这些工作在使用一个人时是不可能完成的。此外，许多发达国家已通过相关法规，普及无人机群的商业应用。无人机群在电力线和结构检查、精准农业、测量、搜索和救援行动等方面表现出巨大的性能。

然而，无人机蜂群因其在军事用途上的潜力和效率而备受瞩目。如果在战斗中，无人机蜂群中的一些无人机被击落，那么剩下的无人机仍能以类似的战术、威力和灵活性完成任务。雷神公司（Raytheon）在美国国防部高级研究计划局（DARPA）项目的一次实战演习中使用了蜂群操作，证明了这一点[15]。雷神公司的蜂群具有通信和协调能力。此外，所有个体都有传感器、摄像头和战术突击套件（TAK）集成能力，可用于环境探索。

蜂群技术正在增强军队执行复杂环境任务的能力。许多国家的军队，如美国和中国军队，在最高级别的蜂群行动模拟测试和观察方面处于领先地位[16]。一些国家的军队，如英国军队，正在将这项技术用于实时作战。英国还试验过莱昂纳多公司的 "光辉云"（Brite Cloud）蜂群，其中包含电子战干扰器。同样，俄罗斯很快也将大型无人机蜂群诱导技术 "Flock 93 "作为其军队的目标。此外，它还试图在 2025 年之前填补这一空白。伊朗、土耳其和印度也在尝试利用分布式智能和边缘计算，使这项技术更加成熟和普及。无人机群是空战的未来，而未来就是现在[17]。

3 蜂群智能(SI)初探

在这个世界上，我们观察到，所有个体都希望放大自己的智慧。为了实现这个目标，他们认为并更喜欢一起工作，就像蜂群、鱼群和鸟群一样。这是因为他们相信，他们在群体中比单独行动更聪明。由于具有反馈回路的实际系统的深度相互联系而形成的一种新智能，被称为蜂群智能[18]。简单地说，蜂群是一个由所有比单个更聪明的大脑组成的大脑。蜂群智能是生物启发人工智能的一个不断发展的领域 [19]。

此外，利用蜂群智能，许多脑袋会遵循一个单一的思维。所有个体都遵循明确的规则，不仅彼此互动，还与环境互动。这种自适应策略需要大量的个体。它能够对相似个体的集群进行调度、聚类、优化和路由选择。蜂群智能强调任务在日程表中的相对位置。它遵循求和评估规则进行调度。蜂群中所有相似个体的协作称为聚类。例如，蜂群中的无人机不同于其他群组的无人机。它能够通过优化从所有可行结果中提供最佳和低成本的解决方案。此外，它还具有潜在的路由能力。它模仿蚂蚁的原理，前向蚂蚁收集信息，后向蚂蚁利用这些信息[20]。

3.1 蜂群智能元素

蜂群智能的主要方面包括分布、聚合、合作、自组织、涌现和模仿自然行为[21]。分布是蜂群智能的首要特征，因为所有个体都能选择并执行自己的行动。个体通过间接改变环境进行互动的现象被称为 "静能"（stigmergy）。这种现象使它们能够感知周围环境，并切断个体间的互动。另一个重要行为是蜂群中所有无人机的合作[22]。无人机通过合作解决复杂的任务，并利用蜂群智能展示其集体行为。蜂群智能的另一个方面是自组织。这种行为基于正反馈、负反馈、波动放大和不同的社会互动。正反馈是通过分配更多的无人飞行器来放大，从而获得更好的结果。负反馈是为了稳定，避免所有无人飞行器都趋于相似的状态。自组织现象通常观察到两种反馈之间的紧张关系，如复杂网络、市场、蜂窝自动机等。自组织现象的另一个特点是突现性，突现性可以是弱的，也可以是强的。如果个体行为可追溯到自发特性，则称自发为弱自发。如果个体行为无法从涌现属性中追溯，则称涌现为强涌现。此外，无人机群是通过从自然蜂群行为中获取灵感来建模的。一般来说，蜂群行为包括觅食、筑巢和在环境中一起移动。因此，模仿这些自然蜂群行为是蜂群智能的另一个关键方面[23]。

3.2 蜂群智能级别

蜂群智能有两个层次。第一个层次是利用正反馈信息素来标记较短的路径，并向其他人发出进入信号。而第二级蜂群智能则使用负信息素来标记不愉快的路线，并且不向其他蜂群发出进入信号。

3.3 蜂群智能应遵循的原则

蜂群一般遵循五个原则。接近原则、质量原则、多样化响应原则、稳定性原则和适应性原则 [24]。根据就近原则，蜂群的基本个体可以很容易地对环境变化做出反应，而环境变化是由它们之间的相互作用引起的。质量原则允许蜂群只对位置安全等质量因素做出反应。多样化响应原则使设计分布的方式能够最大限度地保护所有个体不受环境波动的影响。稳定性原则限制蜂群在环境变化时表现出稳定的行为。适应性原则显示了蜂群的敏感性，因为蜂群的行为会随着环境的变化而变化。最广泛使用的原则是所有个体之间的吸引、避免碰撞和自组织。在遵循吸引原则时，它们会靠得更近，并集中在一个相似的方向上。在遵循避免碰撞原则时，它们会保持一定的距离以避免碰撞。而在自组织规则中，它们会与邻居互动，但不会信任所有邻居。

3.4 蜂群智能的机制

蜂群智能的机制涉及蜂群中个体的环境、互动和活动。蜂群中的个体之间没有直接的交流[25]。它们是通过环境变化来相互影响的。因此，环境变化可以作为外部记忆。这种模拟工作是通过应用蜂群所有成员的滞后行为来完成的。此外，个体在感知-反应模型和任何随机模型之间的平衡中选择自己的行动。然后，它们根据感知-反应模型做出反应和移动，同时感知和影响当地的环境属性。

3.5 蜂群智能使用的语言

原蜂群语言、蜂群语言、Star-Logo 语言和增长点语言是用于蜂群智能的编程语言。原初蜂群语言使用非定常介质抽象来为蜂群编程[26]。这种无定形介质抽象是通过利用一种来自 Proto 连续时空模型的语言和一种在所提供的硬件上估算该模型的运行库而获得的。蜂群智能的另一种语言是一种称为蜂群的分布式编程语言。它的基本概念是移动计算而不是数据。蜂群类似于 Java 字节码解释器的原始版本。现在，它作为 Scala 库得到了应用。Star-Logo 不仅是一种编程语言，也是分散系统的可编程建模环境。利用这种编程语言，可以模拟不同的现实场景，如市场经济、鸟群、交通堵塞等。而要对非定域性计算介质进行编程，生长点语言是必不可少的。这种编程语言能够生成预先指定的复杂模式，如任意电路的互连形式。

3.6 蜂群智能的意义

蜂群智能有许多重要意义，这里将讨论其中一些。它能使蜂群灵活应对外部挑战和内部干扰。即使某些代理出现故障，它也能以稳健的性能完成任务 [27]。它使蜂群的可扩展性从几个个体到一百万个个体不等。蜂群中没有中央机构或控制。它具有完全的适应性，只能提供自组织解决方案。变化在网络中的传播速度非常快。所有这些都有利于个体集群。

4 蜂群挑战

4.1 蜂群控制

无人机蜂群的基础是在规划的路径上控制所有单个无人机。为了解决蜂群编队中的重建、防碰撞、搜索和跟踪问题，需要开发适当的控制系统框架和控制器 [28]。集中式和分布式是自动化集群的两大控制平台。集中式平台的主要优点是输出质量更高，但可扩展性有限。而分散式平台的主要优点是可扩展性更强，复杂性更低。无人机群网络保证了节点的连接性，简化了应用设计。传感器输入与环境和目标的先验知识是传统模型的基本要素。

各种研究利用多层分布式控制框架克服了这些问题。控制器的设计在无人飞行器的流程设计中至关重要。许多研究建议使用 ANFIS 控制器来减少学习误差和提高控制器的质量。在无人机按照特定路径运动的过程中，机载万向节系统的控制会直接影响目标跟踪性能。一些研究提出了用于万向节系统建模的非线性哈默斯坦块结构，以提高模型预测控制器（MPC）的效率。这也提高了在外部干扰下实时跟踪目标的性能。其他编队控制方法包括领导者-追随者策略、共识理论、虚拟结构法、行为法等。图 1 表示 [29] 中给出的使用领导者-跟随者控制器的分布式制导模型概念。图中第一列给出了领导者引导算法，其他两列则代表跟随者。该模型中的预分配拓扑结构不可更改。

图 1. 使用领导者-追随者控制器的分布式制导模型。

4.2 蜂群路径规划

无人机蜂群的路径规划具有相当大的挑战性 [30]。为了解决这个 NP 难问题，许多研究都提出了路径规划算法。这些算法分为经典算法和元启发式算法，如图 2 所示。经典算法需要环境信息，而元启发式算法则需要实时位置和测量的环境要素信息。如图 2 所示，路线图算法（RMA）、A* 算法和人工势场法（APF）就是经典算法的一些例子。如图 2 所示，粒子群优化算法（PSO）、鸽子启发优化算法（PIO）、果蝇优化算法（FOA）和灰狼优化算法（GWO）是元启发式算法的一些例子。

图 2：无人机群的路径规划算法

蜂群路径规划可分为动态路径规划、三维路径规划、区域覆盖路径规划和最优路径规划 [31]。动态路径规划对于无人机群在复杂环境中执行任务至关重要。为确保动态路径规划，许多研究人员建议使用卡尔曼滤波器的碰撞概率、人工势场（APF）与墙跟法（WFM）、轨迹检测、场景理解框架等方法。所有这些方法都能提供更好的方向估计、更好的性能并避免路径冲突。三维路径规划比较复杂，但许多研究都采用元启发式算法来处理。如 GWO 算法实现可行的飞行轨迹，FOA 算法进行局部优化，PIO 优化初始路径。

所有这些算法都能有效地用于无人机群在威胁和紧急情况下的三维路径规划。无人机可在所有兴趣点区域移动的路径规划是区域覆盖路径规划。许多研究建议采用五态马尔可夫链模型、改进的势能博弈论和网络-物理系统。为了实现最佳路径规划，无人机的电池容量、匹配性能和能耗都是需要认真考虑的问题。研究建议采用耦合和分布式规划策略、移动人群感知系统（MCS）和节能数据收集框架来实现最佳路径规划。

4.3 蜂群架构

对于蜂群实施来说，无人飞行器的结构非常重要 [32]。架构是设计、管理和优化技术的结合。蜂群架构可以基于通信、任务条令、控制等。基于通信的蜂群架构有两种形式。基于 Ad-hoc 网络的架构和基于基础设施的蜂群架构。这两种架构都很有前途，在复杂环境下表现良好。

在设计蜂群架构时，考虑作战任务也很重要。研究认为，如果不考虑任务条令，则是不谨慎的。目前设计蜂群系统的方法包括自下而上的建模方法和自上而下的设计方法。同样，基于控制的架构也有利于蜂群。图 3 给出了 [33] 中提出的基于任务的蜂群可组合性架构（MASC）。该框架侧重于阶段、战术、战术和算法。根据该图，任务解释了整个任务，阶段评估了特定时期，战术是个体在执行任务时按特定顺序使用的方法，游戏描述了蜂群的行为，算法是程序。此外，将分布式行为控制方法与集中式协调联系起来，可以有效地执行蜂群航空任务。航空航天架构可以高效地完成思考任务、执行任务、反应任务和社交任务。此外，物联网（IoT）也支持蜂群架构并促进互动。

4.4 蜂群监控与跟踪

蜂群面临的另一个主要挑战是监控和跟踪。在蜂群运行期间，所有无人飞行器的位置、状态和外部环境都会随时间发生变化。此外，蜂群还要适应这些变化并相应地调整自己的行为。为此，持续监控和跟踪至关重要。许多研究人员提出了不同的控制模型、仿真模型和仿真工具，以解决监控和跟踪难题。动态数据驱动应用系统（DDDAS）是一种解决方案，可协助环境和任务的适应[34]。

图 3. MASC 框架。

目标搜索需要考虑有效的方法和控制策略。如果目标知道搜索者的移动性和位置，那么搜索的复杂性就会增加。分布式战略还为自动目标识别（ATR）问题提供了解决方案。许多研究人员建议采用分层探测解决方案、学习型尖端软件和最佳技术来跟踪蜂群中的无人机。图 4 展示了使用改进型豆类优化算法（BOA）的空间分布情况，该算法基于 [35] 中开发的种群进化模型。在该图中，蜂群空间分布为三层，即临时调度层、个体层和父层。BOA 展示了有效的目标搜索能力、新兴的群体智能和分布式协作互动。使用 BOA 的个体分布可表示为

图 4. 单个无人飞行器的空间分布。

4.5 蜂群通信

通信是无人机蜂群面临的主要挑战之一[36]。在嘈杂复杂的环境下，无人机群需要准确高效的数据通信来执行任务。数据通信取决于适当的结构化网络。图 5 显示，无线 ad-hoc 网络能够提供高效通信，如文献 [37] 所述。图中一个基站与两架无人机相连。这两架无人机又与另一组无人机相连。无人机的内部连接是独立的，但相互连接则依赖于基站。有三种形式的网络，包括 Flying Ad-hoc Network (FANET)、Mobile Adhoc Network (MANET) 和 Vehicle Adhoc Network (VANET)。FANET 网络为少数无人机与 GCS 之间的通信提供了一个网络，而其余无人机则相互通信。FANET 增强了通信范围以及在蜂窝基础设施有限和存在障碍的地区的连通性。MANET 和 VANET 与 FANET 相互连接。因此，除了移动性、更好的连接性、能源限制等少数几个特点外，FANET 具有与其他两种形式相似的特点。MANET 不需要互联网基础设施的任何支持，只需一定数量的移动设备即可组成。而 VANET 由地面车辆组成。

为了快速部署，无人机蜂群充当空中基站，为通信基础设施提供支持。这种无线网络在无人机与物联网（UAV-IoT）、无人机与蜂窝卸载（UAV-CO）、无人机与应急通信（UAV-EC）等之间成功实现。这些都提高了传输效率，减少了响应延迟。此外，高效通信还能解决合作、控制和路径规划等其他挑战。因此，有效通信是无人机群的基础。

图 5. 用于多组无人机的 Ad-hoc 网络

4.6 蜂群安全距离协议

在无人机蜂群协作中，自组织行为对每个无人机都至关重要。在自组织蜂群飞行过程中，所有无人机之间都要进行数据传输和通信，以便做出适当的决策。但在复杂的飞行条件下，无人机之间存在碰撞的风险。因此，关键挑战之一是为安全飞行提供避免碰撞协议[38]。由于无人机的持续移动性、有限的资源和空中链路的不稳定性，这些协议是必要的。蜂群中的所有无人机成员必须通过多跳连接了解彼此的位置。其中大多数都需要全球定位系统（GPS），而在没有 GPS 的情况下，无人机的位置可以通过三个已知位置节点的欧氏距离公式来估算。有几种研究利用鹅群算法、雷诺法则和鸽群算法提供了安全飞行协议。除此之外，许多优化算法也能促进无人机群达成共识。雷诺协议使用了三种成群行为规则。首先是分离规则，即无人机试图远离蜂群中的相邻无人机。其次是对齐规则，无人机试图与相邻无人机的速度保持一致，以避免碰撞。第三种是凝聚规则，即无人机试图靠近相邻的无人机以形成集群，从而分享相同的位置。使用雷诺规则的自组织飞行模型是根据 [39] 的想法给出的。所有这些规则可归纳为以下公式

这里，N 表示蜂群中无人机的数量，sij是两个无人机 i 和 j 在时间 t 中的位置，𝑗 ∈ N𝑖 (𝑡) 与 𝑉 表示具有局部最小值的吸引力-反斥势函数。这些规则为无人机蜂群提供了适当的安全飞行协议，但仍有局限性，应加以改进，以实现更安全的轨迹规划。

5 相关综述

无人机蜂群的成功运动规划需要重要的优化算法和相关基础设施或模型。表 1 提供了对应用于无人机群运动规划的技术和模型的全面探讨。本综述将提供对以往和当前研究中使用的无人机群所面临挑战的适当技术的详细和更好的理解。

Kim 等人[40]考虑使用卡尔曼滤波器与协方差交集（CI）算法和平滑法，以及字符串匹配法来观察使用无人机群进行空中监测的情况。研究人员采用隐马尔可夫模型（HMM）进行路径规划，实现了跟踪精度的提高和跟踪误差的降低。Oh 等人[41]提出了一种矢量场制导方法来跟踪移动物体。该研究还为此引入了一种两阶段方法：带有费舍尔信息矩阵（FIM）的 K-means 聚类和合作对峙跟踪法。结果表明，对峙群跟踪成功，允许局部重新规划，并将所有感兴趣的目标保持在传感器的视场（FOV）范围内。Sampedro 等人[42]提出了无人机群的全局任务规划器（GMP）和代理任务规划器（AMP）。他们的建议提供了一个完整的操作性强、稳健、可扩展且灵活的框架，可自动执行许多高级任务。

Yang等人[43]分析了11种用于无人机群的群智能（SI）算法。该研究解释了这些算法的特点和原理，并分析了不同的算法组合和多架无人机的任务分配。Hocraffer 和 Nam [44] 对与人的因素有关的人-系统界面进行了元分析。该分析为开始研究提供了基础，增强了态势感知（SA），并取得了高效成果。Lee 和 Kim [45] 利用线性和非线性控制器研究了多旋翼动态模型，用于多无人机的轨迹跟踪控制。研究结果表明，线性控制器易于应用、鲁棒性好并能提供最优性，一些非线性控制器也易于应用、直观并能提供全局稳定性。Yang 等人[46] 将正交多群合作粒子群优化算法与知识库模型（MCPSO-K）联系起来。该技术收敛速度更快，避免了过早收敛，降低了计算成本，并确保了粒子的均匀分布。

表 1. 应用各种技术和模型进行无人机群运动规划的综合综述。

Guastella 等人[47] 将运行空间视为三维网格，并将修改后的 A* 算法用于多无人机的路径规划。研究人员发现，该算法减少了计算时间，改善了规划轨迹，并能自动重新分配目标。Duan 等人[48]通过将记忆算法（MA）与可变邻域下降算法（VND）相结合，给出了一种新颖的混合元启发式方法，用于多无人机的路径规划。结果优化了路径，给出了高效的结果，并高效地解决了容量车辆路由问题（CVRP），甚至是非确定性多项式时间难（NP-hard）问题。Koohifar 等人[49]将带有递归贝叶斯估计器的扩展卡尔曼滤波器（EKF）和克拉默-拉奥下界（CRLB）用于无人机群的路径规划。分析表明，所提出的方法成功地规划了未来的跟踪轨迹。此外，CRLB 的性能也优于其他方法并有所提高。

Shao 等人[50] 将鲁棒性误差符号积分（RISE）反馈控制器与扩展状态观测器（ESO）相结合，并使用了残余估计误差。这一策略解决了整块干扰问题，实现了跟踪精度、有效性和优越性。Campion 等人[51]研究了用于无人机群的蜂窝移动基础设施、机器学习和分布式控制算法、机器-机器（M2M）通信和第五代（5G）网络。该研究表明，所应用的技术缓解了以往研究的限制因素，提高了无人机群的效率和商业用途。Shao 等人[52]提出了基于扩展状态观测器（ESO）的鲁棒控制器，并采用了动态表面控制（DSC）设计和基于扰动观测器（DOB）的控制技术。该建议在提高抗干扰能力的同时，在跟踪方面也显示出了有效和卓越的效果。Mammarella 等人[53] 将基于样本的随机模型预测控制（SMPC）和制导算法应用于无人机群的跟踪控制。所应用的算法有效地处理了噪声和参数不确定性，保证了实时跟踪和良好的稳定性能。

Huang 和 Fie [54]介绍了粒子群优化（GBPSO）的全局最佳路径竞争法。该策略提高了搜索能力，避免了局部最小值，并提供了质量和速度更优的可行最优路径。Ghazzai 等人[55]提出了带宽饥渴和延迟容忍的应用，并利用典型的微波（μ-Wave）和高速率毫米波波段（mm-Wave）进行轨迹优化。此外，研究还采用了分层迭代方法。双波段增加了多无人机的停靠位置，并最大限度地减少了服务时间。Liu 等人[56] 利用快速模型预测控制方法和扰动估计方法实现了分布式编队控制算法。该策略适用于任意的、随时间变化的规定形状编队，并在规定的二维（2D）或三维形状上实现了平衡配置。

Xuan-Mung 等人[57] 使用了鲁棒饱和跟踪反步态控制器 (RAS-BSC) 和 Lyapunov 理论。研究人员发现，所提出的机制提供了闭环系统的稳定性，并限制了跟踪误差和扩展状态观测器（ESO）误差。此外，它在不确定性条件下具有快速和鲁棒性，性能优越。Fabra 等人[58]为无人机群提出了一种基于任务的无人机群协调协议（MUSCOP）。该研究在多种条件下实现了高度的蜂群凝聚力，并在位置偏移误差较小的情况下实现了最少的同步延迟。Causa 等人[59]采用多全球导航卫星系统（multi-GNSS）星座方法和边缘成本估算方法对多个无人机进行路径规划。这些方法减少了计算时间和整个任务时间，为离线和近实时场景下的任务分配问题和规划提供了快速解决方案。

Brown 和 Anderson [60] 应用昆式多项式轨迹生成方法、多目标粒子群优化（OMOPSO）和区域搜索雷达模型来优化无人机群的轨迹。这种组合可获得最大数量的较佳轨迹，减少重访时间和燃料消耗，并提高探测概率。Mehiar 等人[61] 为无人机群开发了量子机器人达尔文粒子群优化算法（QRDPSO）。该优化算法提供了更稳定、高效和快速的最优解，避开了障碍物，克服了通信限制。此外，该算法在搜救行动中达到了全局最优。Wang 等人[62]为多架无人机提出了领导者跟随模型、Routh-Hurwitz 准则、共识协议和模型预测控制器。所应用的方法预测了领导者状态的变化，减少了达成共识的时间，并保持了编队的形状。

Altan [63] 针对无人机群提出了元启发式优化算法、Harris Hawks 优化（HHO）和粒子群优化（PSO）。他建议的方法在多几何路径上表现最佳，并能快速确定控制器参数。HHO 性能更优，克服了稳定问题，并给出了最少的沉降、峰值时间和过冲。Wang 等人[64]开发了神经关系推理（NRI）模型以及无人机群和弹簧颗粒之间的映射表。所开发方法的结果能够提高位置检测性能。此外，它还将三维空间中的运动投射到二维平面上，设计的算法预测了运动轨迹，并给出了较高的精度。Rubí 等人[65]针对无人机群采用了四种 PF 算法，即反步法（BS）和反馈线性化（FL）算法、非线性制导法（NLGL）算法和胡萝卜追逐（CC）几何算法。比较结果表明，路径跟踪 BS 算法在偏航误差和路径距离方面表现更优，而 CC 算法需要的数据更少，并且证明易于适用于任何路径类型。Selma 等人[66]使用混合控制器、自适应神经模糊推理系统（ANFIS）和 PSO 算法对多个无人机进行轨迹跟踪。结果表明，PSO 算法能自动调整 ANFIS 参数，通过提高控制器质量最大限度地减小跟踪误差，并且性能优越。

Xuan-Mung 等人[57] 使用了鲁棒饱和跟踪反步态控制器 (RAS-BSC) 和 Lyapunov 理论。研究人员发现，所提出的机制提供了闭环系统的稳定性，并限制了跟踪误差和扩展状态观测器（ESO）误差。此外，它在不确定性条件下具有快速和鲁棒性，性能优越。Fabra 等人[58]为无人机群提出了一种基于任务的无人机群协调协议（MUSCOP）。该研究在多种条件下实现了高度的蜂群凝聚力，并在位置偏移误差较小的情况下实现了最少的同步延迟。Causa 等人[59]采用多全球导航卫星系统（multi-GNSS）星座方法和边缘成本估算方法对多个无人机进行路径规划。这些方法减少了计算时间和整个任务时间，为离线和近实时场景下的任务分配问题和规划提供了快速解决方案。

Brown 和 Anderson [60] 应用昆式多项式轨迹生成方法、多目标粒子群优化（OMOPSO）和区域搜索雷达模型来优化无人机群的轨迹。这种组合可获得最大数量的较佳轨迹，减少重访时间和燃料消耗，并提高探测概率。Mehiar 等人[61] 为无人机群开发了量子机器人达尔文粒子群优化算法（QRDPSO）。该优化算法提供了更稳定、高效和快速的最优解，避开了障碍物，克服了通信限制。此外，该算法在搜救行动中达到了全局最优。Wang 等人[62]为多架无人机提出了领导者跟随模型、Routh-Hurwitz 准则、共识协议和模型预测控制器。所应用的方法预测了领导者状态的变化，减少了达成共识的时间，并保持了编队的形状。

Altan [63] 针对无人机群提出了元启发式优化算法、Harris Hawks 优化（HHO）和粒子群优化（PSO）。他建议的方法在多几何路径上表现最佳，并能快速确定控制器参数。HHO 性能更优，克服了稳定问题，并给出了最少的沉降、峰值时间和过冲。Wang 等人[64]开发了神经关系推理（NRI）模型以及无人机群和弹簧颗粒之间的映射表。所开发方法的结果能够提高位置检测性能。此外，它还将三维空间中的运动投射到二维平面上，设计的算法预测了运动轨迹，并给出了较高的精度。Rubí 等人[65]针对无人机群采用了四种 PF 算法，即反步法（BS）和反馈线性化（FL）算法、非线性制导法（NLGL）算法和胡萝卜追逐（CC）几何算法。比较结果表明，路径跟踪 BS 算法在偏航误差和路径距离方面表现更优，而 CC 算法需要的数据更少，并且证明易于适用于任何路径类型。Selma 等人[66]使用混合控制器、自适应神经模糊推理系统（ANFIS）和 PSO 算法对多个无人机进行轨迹跟踪。结果表明，PSO 算法能自动调整 ANFIS 参数，通过提高控制器质量最大限度地减小跟踪误差，并且性能优越。

Liu 等人[67]提出了一种动力学控制器、基于分布式β角测试（BAT）的拓扑控制算法和飞行 ad-hoc 网络（FANET）用于无人机植群。这种机制可以进行邻居选择，并大大减少通信开销。Madridano 等人[68]应用三维概率路线图（PRM）算法、机器人操作系统（ROS）架构、Mav-Link 协议、Pixhawk 自动驾驶仪和匈牙利方法进行三维轨迹规划。这种组合使用最短的时间生成了最优解，并减少了计算时间和总行程距离。Zhou 等人[69]分析了采用不同 SI 算法的层次控制框架。该分析对主要技术的发展趋势、未来研究和局限性进行了分类。Wubben 等人[70] 采用 MUSCOP 协议和仿真工具 Ardu-Sim，为多个无人机提供恢复能力。该协议有效地处理了失去领导者和后备领导者的问题，并引入了可忽略的飞行时间延迟。

Selma 等人[71]将基于自适应网络的模糊推理系统（ANFIS）和改进的蚁群优化（IACO）用于控制轨迹跟踪任务。事实证明，该策略性能优越，大大降低了均方误差（MSE）和均方根误差（RMSE），使无人机能在最短时间内达到预期轨迹。Altan 和 Hacıoğlu [72] 使用基于牛顿-欧拉法的三轴万向节系统、哈默斯坦模型和模型预测控制（MPC）算法进行目标跟踪。这种机制能稳定地跟踪目标，即使在外部干扰下也表现出鲁棒性。Sanalitro 等人[73]提出了一种飞鹤系统，该系统采用基于优化的调整方法和内环或外环方法。该系统处理了旋转和平移轨迹带来的参数不确定性，保证了稳定性，并提高了 H∞ 的性能。Chen 和 Rho [74] 根据最终用户（EUs）的要求，利用自组织图（SOMs）引入了 SI 技术。该技术可实现无人机阵列的自组织，并将无人机重新配置为枢纽或终端。此外，它还能有效地共享信息。

Qing 等人[75]将改进的蚁群优化（ACO）、最小捕捉算法和归零控制障碍函数（ZCBF）应用于多蜂群。结果表明，所提出的算法为实时决策提供了最佳结果。此外，它还有效地提供了无碰撞和无规避的轨迹。Miao 等人[76]提出了一种多跳移动中继系统、最小保密能效（MSEE）最大化传输方案，并利用块坐标下降法（BCD）、连续凸近似（SCA）技术和 Dinkelbach 方法为多架无人机生成了一种算法。结果保证了收敛性，并在能效和保密率方面有了重大改进。Shao 等人[77] 将无人机群的多分段策略与改进的粒子群优化-高斯伪谱法（IPSO-GPM）相结合。研究结果表明，所应用的机制提高了求解的最优性，生成了高质量的轨迹，并耗费了最少的运行时间。

Gu 等人[78]建议采用网络集成轨迹聚类（NIT）来确定无人机群的子群。这种聚类方法反应迅速，准确性高，在复杂环境中证明是有效、容错和稳定的。Ling 等人[79]提出了一种规划算法；针对无人机群的开箱即用轨迹绘制和多轮蒙特卡罗模拟。该算法可在噪声和不稳定通信条件下工作，并被证明适用于合作蜂群应用。Yao 等人[80] 为无人机群采用了群智能和优化算法。结果表明，所提出的无人机群控制算法有效提高了无人机群的自主性和巡检效率，并最大限度地降低了巡检成本。Xia 等人[81]提出了针对无人机群的多代理强化学习（MARL）与多无人机软行为批判（MUSAC）。所建议的机制允许做出智能飞行决策，降低了功耗，提高了跟踪成功率，并为探测覆盖提供了高性能。

Nnamani 等人[82] 将网格结构方法应用于无人机群。研究结果表明，该方法提高了通信保密率和物理层安全性，并评估了窃听者未知位置的最佳半径。Xu 等人[83] 为无人机群设计了通信感知集中式和分散式控制器。他们提出的控制器实现了较高的航点跟踪精度。在两种控制器之间，分散控制器的性能更优，并能保持稳定。Sharma 等人[84]研究了用于无人机群路径规划的多种 SI 算法。分析表明，PSO 的计算复杂度较低，ACO 具有良好的可扩展性，而 Firefly 则利用单一算子搜索解决方案。Han 等人[85]采用大规模多输入多输出（MIMO）和基于中心极限定理（CLT）的反向散射通信系统来分析性能和优化轨迹。这种组合在检测寄生装置和分离寄生信号方面表现出色。此外，它还降低了能耗并优化了轨迹规划。

Zhou 等人[86]使用了多目标跟踪（MTT）系统、基于智能无人机蜂群的协同跟踪算法和多目标 Lyapunov 优化模型。结果表明，在提高轨迹预测精度的同时，执行复杂度和能耗也有所降低。Brown 和 Raj [87] 应用反应式跟踪和带有预测性预定位的反应式跟踪来研究初始蜂群形成的影响。跟踪的性能更优越。

Sastre 等人[88]应用无碰撞蜂群起飞启发式（CSTH）的两种改进算法和基于欧氏距离的 CSTH（ED-CSTH）算法来分析轨迹和批次生成。本研究还使用了 ArduSim 模拟器和垂直起降（VTOL）技术，以及用于无人机群的库恩-蒙克雷斯算法（KMA）。所提出的方法优化了计算时间，确保了安全距离，并缩短了起飞所需的时间。而 KMA 被证明是现实条件下最合理的选择。Bansal 等人[89] 针对无人机群提出了一种可扩展的身份验证-证明协议 SHOTS，该协议采用了物理不可克隆函数（PUF）、Mao Boyd 逻辑方法和 Christofides 算法。作者为无人机群提出了一种轻量级认证和证明机制，利用物理不可克隆函数（PUF）以轻量级方式确保物理安全和必要的信任。

6 讨论

多架无人机的重要性正在扩大其在许多领域的合作行动和应用。无人机群被部署在不确定、室内、室外、交通等多种环境中。研究结果表明，决策、控制、路径规划、通信、监控、跟踪、瞄准、碰撞和避障等诸多挑战可能会阻碍无人机群的运动规划。调查显示，针对不同的挑战，所有研究都采用了不同的方法。如任务规划架构提供了一个完整的操作性强、稳健、可扩展和灵活的框架。许多控制器，无论是线性控制器还是非线性控制器，都被证明易于应用、直观、稳健，并能提供最优性和全局稳定性。改进的模型预测控制器可确保对蜂群进行实时监控和跟踪。此外，它们还提高了跟踪的准确性、有效性和优越性。机器学习、5G 网络和其他技术缓解了以往研究的限制因素，提高了蜂群的效率和商业用途。在本章介绍的所有这些不断发展的技术中，蜂群智能技术被认为是可靠、高效地部署蜂群的合适解决方案。此外，它还能实现自我组织、重新配置、控制、有效共享信息、降低检测成本和提高自主性。

除了上文提到的蜂群和技术发展的诸多优势外，还存在许多重要而有趣的限制，可能会阻碍蜂群性能的发挥。其中，大规模蜂群的制造成本仍然很高。现有的负载体积庞大、价格昂贵，大多不适合追求高性能。因此，轻型、低成本的载荷和平台对蜂群的形成至关重要。电池容量对完成空中任务意义重大。持久耐用的电池对于连续执行任务至关重要。然而，电池容量可以通过增加无人机重量来提高。而重量的增加也会要求能量消耗的增加。为了提供合适的电池解决方案，必须有这样的系统，它能方便、快速地用补充电池替换耗尽的电池，并能为其他电池充电。另一个限制因素是隐私保护协议。这对于在敏感地点安全部署蜂群至关重要。否则，可能会导致国家安全问题。

7 结论

介绍了无人机蜂群技术的最新发展，显示了其在不同用途，特别是军事领域的应用前景。本章概述了蜂群智能，解释了其各个方面、层次、机制、遵循的原则和意义。然后，讨论了蜂群面临的挑战和不同研究人员给出的方法。此外，为了分析蜂群的运动规划，我们研究并汇编了多种研究。所有这些研究论文都提供了不同的方法来应对无人机群所面临的挑战。其中许多方法都基于蜂群智能等趋势技术，并优于传统策略。所有研究结果都表明了使用蜂群而非单个无人机的重要性。最后，我们讨论了本文的主要发现和一些局限性，并对未来工作提出了一些建议。

8 未来工作

尽管蜂群智能正处于新兴阶段，但预计在未来几年，这项基于人工智能的技术将取得更大进展。未来的研究可以为蜂群设计更智能的控制器、最佳路径规划算法、稳健的架构、监控、目标搜索策略、高效的通信结构和安全的飞行协议。大规模蜂群的飞行问题和编队维护仍需要未来的探索。在建模过程中，必须考虑无人机的大小和负载，以提高蜂群控制的鲁棒性。在未来的整体系统中，将为综合任务场景提供解决方案。无人机群在曲线上的路径规划需要更高效的算法。此外，能够在任何复杂环境中快速给出优化路径的算法也是未来的工作重点。有必要开发低成本传感器，以解决集体监测和目标跟踪问题，同时还能提供高精度和抗噪声能力。还需要开展更多研究，通过升级频段、合作对抗和信号失真监测，实现无人机群之间通信网络的标准化。为了提高在威胁环境中的反应速度，重点将放在设计动态传感和强大的安全飞行协议上。对于能满足下一代网络的情报辅助计划来说，各种考虑因素至关重要。例如，第六代（6G）网络应被用于蜂群的无线通信服务。这将极大地提高编队、任务协调、人机互动等方面的重要性。在此基础上，应改进系统，使其能够理解和适应环境，并对用户反馈做出快速反应。这可以进一步提高系统的灵活性以及网络的可靠性和性能。