【多无人机协同】《非许可通信的分布式分类与协调》美国空军39页技术报告

本报告介绍了在三个主要议题方面取得的成果：

对小型无人机系统（SUAS）的分布式团队进行实验验证，以协调执行复杂的行为。
开发了一个现实的多架无人机模拟器，以应用强化学习技术来协调一组小型无人机系统以达到特定目的。
设计并验证了安装在无人机上的带有主动多输入多输出（MIMO）毫米波雷达传感器的融合光学相机。

与验证SUAS团队有关的工作提出并实验测试了我们的态势感知、分布式SUAS团队所使用的框架，该团队能够以自主方式实时运行，并在受限的通信条件下运行。我们的框架依赖于三层方法：（1）操作层，在这里做出快速的时间和狭窄的空间决定；（2）战术层，在这里为智能体团队做出时间和空间决定；以及（3）战略层，在这里为智能体团队做出缓慢的时间和广泛的空间决定。这三层由一个临时的、软件定义的通信网络协调，即使在通信受限的情况下，也能确保各层的智能体小组和团队之间的信息传递稀少而及时。实验结果显示，一个由10个小型无人机系统组成的团队负责在一个开放区域搜索和监测一个人。在操作层，我们的用例介绍了一个智能体自主地进行搜索、探测、定位、分类、识别、跟踪和跟踪该人，同时避免恶意碰撞。在战术层，我们的实验用例介绍了一组多个智能体的合作互动，使其能够在更广泛的空间和时间区域内监测目标人物。在战略层，我们的用例涉及复杂行为的检测--即被跟踪的人进入汽车并逃跑，或者被跟踪的人离开汽车并逃跑--这需要战略反应以成功完成任务。

目标搜索和检测包括各种决策问题，如覆盖、监视、搜索、观察和追逐-逃避以及其他问题。我们开发了一种多智能体深度强化学习（MADRL）方法来协调一组飞行器（无人机），以定位未知区域内的一组静态目标。为此，我们设计了一个现实的无人机模拟器，它复制了真实实验的动态和扰动，包括从实验数据中提取的统计推断，用于其建模。我们的强化学习方法，利用这个模拟器进行训练，能够为无人机找到接近最优的政策。与其他最先进的MADRL方法相比，我们的方法在学习和执行过程中都是完全分布式的，可以处理高维和连续的观察空间，并且不需要调整额外的超参数。

为了给在受限通信条件下运行的SUAS开发一个分布式的分类和协调框架，我们的第一个目标是在无人驾驶飞行器（UAV）上建立一个多传感器系统，以获得高探测性能。众所周知，安装在无人机上的光学和热传感器已被成功用于对难以进入的区域进行成像。然而，这些传感器都不提供关于场景的范围信息；因此，它们与高分辨率毫米波雷达的融合有可能改善成像系统的性能。我们提出了一个配备了无源光学摄像机和有源多输入多输出（MIMO）毫米波雷达传感器的下视无人机系统的初步实验结果。毫米波雷达的三维成像是通过收集通过运动线的数据来实现的，从而产生一个合成孔径，并使用垂直于运动轨迹的结线MIMO阵列。我们的初步结果显示，融合的光学和毫米波图像提供了形状和范围信息，最终导致无人机系统的成像能力增强。