无人系统集群与生成式人工智能： 挑战、应用和机遇

随着近年来人工智能（AI）和机器人技术的发展，无人系统集群因其提供人类难以完成且危险的服务的潜力而受到学术界和工业界的极大关注。然而，在复杂多变的环境中学习和协调大量无人系统的动作和行动，给传统的人工智能方法带来了巨大的挑战。生成式人工智能（GAI）具有复杂数据特征提取、转换和增强的能力，为解决无人系统集群的这些难题提供了巨大的潜力。为此，本文旨在全面考察 GAI 在无人系统集群中的应用、挑战和机遇。具体来说，我们首先概述了无人系统和无人系统集群及其使用案例和现有问题。然后，深入介绍各种 GAI 技术的背景及其在增强无人系统集群方面的能力。然后，我们全面回顾了 GAI 在无人系统集群中的应用和挑战，并提出了各种见解和讨论。最后，我们强调了无人系统集群中 GAI 的开放性问题，并讨论了潜在的研究方向。

图1:本文的总体结构。

近年来，无人系统（UVs）已成为一种颠覆性技术，为日常生活的各个领域带来了革命性的变化，其应用范围从包裹递送、民用物联网（IoT）到军事用途[1, 2]。具体来说，无人车指的是可以在有限或无人干预的情况下运行的车辆、设备或机器，例如，车上没有人类驾驶员或机组人员。得益于这一特殊属性，UV 可用于在具有挑战性或危险的环境中执行任务。一般来说，无人系统可分为无人飞行器（UAV）、无人地面车辆（UGV）、无人水面航行器（USV）和无人水下航行器（UUV）。正如其名称所示，每种无人系统都是为特定任务和环境而设计的。例如，UAV 被广泛用于航拍、环境和野生动物监测以及监视 [3, 4]，而 UGV 则可用于运输和炸弹探测等任务。不同的是，USV 和 UUV 分别用于水面和水下作业，包括海洋学数据收集、水下勘探和潜艇监视 [5，6]。

随着近年来人工智能（AI）和机器人技术的发展，无人潜航器的概念已经发展到了一个全新的层次，即无人系统集群。从本质上讲，无人系统集群是通过协调一组无人飞行器（如机器人、无人机和其他自主飞行器）来实现一个共同目标而设计的[7, 8]。实际上，无人集群中的每个系统都可以配备自己的传感器、处理器和通信能力。为了让它们高效地协同工作，人们采用了人工智能和机器人学的先进技术来协调它们的行为，并执行自主导航、自组织和故障管理等复杂任务 [7，9]。因此，与传统的无人系统相比，无人系统集群拥有各种优势。特别是，它们可以根据具体任务和要求动态调整车辆数量，从而提供可扩展性和操作灵活性。此外，如果无人系统群中有几个无人系统无法运行，剩余的无人系统仍然可以协同工作，确保任务成功。这对于需要高弹性和鲁棒性的任务尤其有用。最后，通过允许无人系统集群相互学习和协作，无人系统集群可以实现集群智能，即所谓的集体智能[10, 11]，从而大大提高运行效率和可靠性。

虽然在无人系统集群中发挥着重要作用，但传统的人工智能技术仍面临诸多挑战。特别是，这些技术需要大量标注的训练数据，而且只能在特定环境下才能获得良好的性能。因此，它们极易受到环境的动态性和不确定性的影响，而环境的动态性和不确定性正是无人系统集群的特点，例如无人系统之间的动态连接、风和洋流的影响以及物联网应用中传感器的不确定性和多样性。此外，传统的人工智能方法在具有大量 UV 的复杂场景以及水下、偏远地区和受灾地区等具有挑战性的环境中可能表现不佳。为了克服传统人工智能技术面临的这些挑战，生成式人工智能（GAI）在理解、捕捉和生成复杂的高维数据分布方面具有开创性的能力，因此最近在文献中被广泛采用。鉴于 GAI 在 UV 集群中的潜力，本文旨在从不同角度全面探讨 GAI 在实现群体智能方面的挑战、应用和机遇。

文献中有一些调查侧重于人工智能在 UV 中的应用[12, 13, 14, 15]。例如，文献[12]的作者研究了深度学习、深度强化学习和联邦学习等传统人工智能技术在基于无人机的网络中的应用，而文献[13]的作者则对机器学习（ML）在无人机操作和通信中的应用进行了更全面的调查。不同的是，在文献[15]中，作者综述了物联网网络中人工智能无人机优化方法，重点关注人工智能在无人机通信、群体路由和联网以及避免碰撞方面的应用。同样，文献[7]也讨论了 AI/ML 在无人机群体智能中的应用。值得注意的是，上述调查和其他文献主要关注无人机和传统人工智能方法。据我们所知，目前还没有任何文献对无人机群的 GAI 发展进行全面的调查。本文的主要贡献可归纳如下。

• 介绍了 UV 集群的基本原理，包括其在空中、地面、水面和水下领域的设计和运行以及实际应用案例。
• 深入概述了常见的 GAI 技术，包括生成对抗网络 (GAN)、变异自动编码器 (VAE)、生成扩散模型、变换器和归一化流。我们还详细介绍了每种技术在 UV 群体中的主要优势和挑战。
• 全面回顾了 GAI 在 UV 集群各种问题中的应用，如状态估计、环境感知、任务/资源分配、网络覆盖和点对点通信以及安全和隐私。通过回顾这些 GAI 应用，我们深入了解了如何将 GAI 应用于解决 UV 集群中新出现的问题。
• 介绍了 UV 集群中 GAI 的基本开放问题和未来研究方向，包括可扩展性、自适应 GAI、可解释群体智能、安全/隐私和异构群体智能。

本文的整体结构如图 1 所示。第二节介绍了 UV 集群的基本原理。第三节深入概述了不同的 GAI 技术及其优势。然后，第四节深入探讨了 GAI 在 UV 集群新问题中的应用。第五节强调了 GAI 在UV集群中的未决问题和未来研究方向。此外，表 I 列出了本文中使用的所有缩写。

图2:UV系统的基础结构及其应用。

图 5：探索创新范围：本图展示了 12 个突破性的模型结构，每个方面都有两种不同的方法，以展示 GAI 在提高性能和应对UV集群挑战方面的各种应用。每个模型都包含独特的策略和解决方案，全面展示了该领域的技术进步。

状态估计

状态估计对 UVs 集群的应用至关重要，尤其是在自动驾驶和交通估计等领域。在导航或轨迹规划过程中，位置、速度和方向等状态变量对横向决策起着至关重要的作用 [128]。然而，系统测量和机器人动态的随机性会导致实际状态的不确定性。因此，状态估计的主要目标是根据现有的时间观测结果推导出状态变量的分布 [127]。

将 GAI 集成到 UV 的状态估计中提供了广泛的创新方法，每种方法都是针对特定挑战和操作环境量身定制的。例如，在应对 UGV 交通状态估计中数据不足的挑战时，[121] 中的作者利用图嵌入 GAN，通过捕捉道路网络中的空间互连，为代表性不足的路段生成真实的交通数据。在这一提议的框架中，生成器使用类似路段的嵌入向量来模拟真实交通数据。同时，判别器会区分合成数据和实际数据，并对生成器进行迭代训练，以优化这两个部分，直到生成的数据在统计上与真实数据无异。与 Deeptrend2.0 等传统模型[129]相比，这种方法不仅填补了数据空白，还大大提高了估计精度，平均绝对误差的减少就是明证。交通状态估计的这种进步凸显了 GAI 在复杂交通场景中改善 UGV 导航和决策的潜力 [121]。

除标准 GAN 外，cGAN 也可用于根据原始测量结果生成相应的系统状态估计变量 [123]。cGAN 框架采用传感器的原始测量值作为条件约束，解决了在动态环境中准确估计多个无人机运动的难题。文献[124]中的作者将 Social LSTM 网络[130]的单个运动预测与 Siamese 网络[131]的全局运动洞察相结合，实现了综合运动状态预测。这种方法在准确预测无人飞行器轨迹方面表现出色，这对有效的集群导航至关重要。通过有效地分离和融合单个运动和全局运动，基于 cGAN 的框架表现出色，与原始的 Social LSTM 相比，提高了多目标跟踪的性能。

此外，VAE 在捕捉无人机无线信道中的时间相关性方面的应用凸显了 GAI 在通信系统中的重要性，它通过生成真实、多样的信道样本，改善了信道状态估计和信号清晰度[125]。这种探索延伸到了基于扩散的分数模型和深度归一化流，用于生成复杂的状态变量分布，展示了 GAI 以更灵活的方式建模和估计状态的能力，从状态变量（即位置、速度和方向）到这些分布的复杂高维梯度[126, 127]。

GAI 在 UV 集群状态估计方面的多功能性体现在两个方面：通过对抗机制生成缺失信息的能力和融合各种数据源进行综合状态分析的能力。这些能力可以在复杂的运行场景中实现更精确的状态估计。

环境感知

UV 的环境感知通常是指飞行器实时感知和了解周围环境的能力 [142]。这是 UV 集群实现自主导航和完成任务的关键技术。这种技术通常涉及使用激光雷达、摄像头和毫米波雷达等传感器与外部环境进行交互 [143]。GAI 的各种创新应用明显推进了 UV 的环境感知领域，详见表 III。例如，由于运动造成的运动模糊、不利的天气条件和不同的飞行高度等内在限制，无人机经常捕捉到低分辨率的图像。为解决这一问题，作者在 [132] 中介绍了一种名为 Latent Encoder Coupled Generative Adversarial Network（LE-GAN）的框架，旨在实现高效的高光谱图像（HSI）超分辨率。LE-GAN 中的生成器使用短期光谱空间关系窗口机制来利用局部-全局特征并增强信息带特征。判别器采用真实图像和生成图像的概率分布之间基于瓦瑟斯坦距离的损失。这种框架不仅提高了 SR 质量和鲁棒性，而且通过学习潜空间中高分辨率 HSI 的特征分布，缓解了模式坍缩问题造成的光谱空间失真[132]。

除了通过提高遥感分辨率来改善 UV 的精度外，GAI 更常见的应用是生成合成数据集，这表明了数据不足导致模型精度降低的难题[138]。例如，一个名为轨迹 GAN（Trajectory GAN，TraGAN）的框架用于从高速公路交通数据中生成逼真的变道轨迹[133]。另一个基于 GAN 的框架名为 DeepRoad，用于自动驾驶系统的测试和输入验证 [134]，通过生成不同天气条件下的驾驶场景来提高测试的可靠性。VAE 也被用于生成更真实、更多样的碰撞数据，以解决传统数据增强方法的局限性 [136]。此外，结合 VAE 和 GANs 的图像转换框架可用于将模拟图像转换为真实的合成图像，以训练和测试变化检测模型 [135，137]，不过它们仍需要真实图像作为参考。此外，[139] 中的作者介绍了一种利用文本到图像扩散模型的方法，用于生成逼真、多样的无人机图像，这些图像以不同的背景和姿势为背景。通过合并背景描述和基于地面实况边界框的二进制掩码生成的 20,000 多张合成图像，检测器在真实世界数据上的平均精度提高了 12%。

GAI 的另一个应用领域是场景理解或字幕制作。这种方法包括使用 CLIP 前缀进行图像字幕处理，将 UV 捕捉到的图像的视觉内容转化为准确的文本描述，以便在 UV 中进行决策[140]。另一种方法是部署生成知识支持变换器（GKST），通过融合来自不同车辆视角的图像信息来增强特征表示和检索性能。[141]. 这些技术的一个有趣方面是，它们能够处理和解释复杂的视觉输入，提供与人类感知非常相似的上下文理解水平。这种能力在动态环境中尤为有益，因为在动态环境中，快速准确地解读视觉数据对有效决策至关重要。

总之，GAI 的生成能力在 UV 的环境感知领域证明是非常宝贵的。从提高图像分辨率到生成合成数据集、创建多样化的测试环境以及推进场景理解，GAI 是推动 UV 演进和提高其理解周围环境并与之互动的效率的基石技术。

自主程度

自主性是指系统在没有人类干预的情况下执行任务或决策的能力[152]。自主水平代表了 UV 在完全依赖机载传感器、算法和计算资源的情况下独立运行的能力。在 UV 蜂群中，自主水平取决于各种因素，如任务的类型和复杂程度、规划和执行路线的能力等 [153]。表 IV 说明了 GAI 的集成在推进这些自主能力方面的关键作用。

在 UV 集群合作战略领域，GAI 的应用体现在生成对抗模仿学习（GAIL）与多智能体 DRL 的集成上。例如，作者在 [144] 中介绍了一种基于多智能体 PPO 的生成式对抗仿真学习（MAPPO-GAIL）算法，该算法采用多智能体近似策略优化来同时采样轨迹，完善策略和价值模型。与传统的 DRL 搜索算法相比，该算法将网格概率用于环境目标表示，将平均目标发现概率提高了 73.33%，而平均损坏概率仅降低了 1.11%。此外，GAIL 还可用于在虚拟环境中训练无人机执行导航任务，从而适应复杂多变的场景 [146]。

此外，还提出了一种基于 VAE 的模型，名为 BézierVAE，用于车辆轨迹建模，特别是安全验证。BézierVAE 将轨迹编码到潜在空间，并使用贝塞尔曲线对其进行解码，从而生成多样化的轨迹。与传统模型 TrajVAE 相比，BézierVAE 显著减少了 91.3% 的重构误差和 83.4% 的不平滑度[133]，大大提高了自动驾驶车辆的安全性验证[147]。在自主机器人调度方面，COIL 利用 VAE 生成优化的定时调度，大大提高了运行效率 [148]。最后，在多智能体轨迹预测中，考虑到意图和社会关系的复杂性，采用了受条件 VAE 启发的 GRIN 模型来预测智能体轨迹。虽然复杂系统面临挑战，如遵守物理定律等上下文规则，但可以通过使用特定解码器或代理模型来近似这些限制，从而应对挑战[149]。

在 UV 的路由规划中，变压器架构与 DRL 相结合，用于优化多个合作无人机的路由。与传统算法相比，该方法性能优越，并行处理效率高，可持续获得高回报 [150]。

增强 UV 的自主性对其独立和合作的集群行动至关重要。GAI 的生成能力应用于多个方面，从生成新轨迹到完善路由策略，以及在不同场景中模仿智能体的路由行为。这些多样化的应用展示了动态和适应性强的解决方案，对于 UV 在复杂多变的环境中高效、独立地导航和运行至关重要。

任务/资源分配

在多智能体 UV 群的任务和资源分配领域，GAI 引入了有效的方法，提高了这些系统的效率和适应性。传统方法通常依赖于固定算法和启发式方法，但这些方法并不总能满足动态和复杂环境的要求 [159]。如表 V 所示，GAI 为这些具有挑战性的场景提供了必要的灵活性。

有人提出了一种基于 GAIL 的算法，用于为 DRL 重建虚拟环境，其中生成器生成专家轨迹，判别器将专家轨迹与生成的轨迹区分开来 [154]。这种方法可以创建一个接近真实世界条件的虚拟边缘计算环境。它为计算资源分配多智能体 DRL 方法提供了探索和推断奖励函数的场所，同时避免了任意探索造成的对用户体验的损害。此外，一种基于自动编码器的方法被应用到匈牙利算法中，以减轻数据速率矩阵中出现的相同权重造成的信息模糊问题，尤其是在蜂窝用户（CU）和设备到设备用户（D2DU）之间的带宽和功率资源分配中[155]。该方法利用潜空间作为超参数，提供了一个最佳的重构成本矩阵，以协助资源分配决策。

此外，作者在 [156] 中提出了一种基于扩散模型的人工智能生成最优决策（AGOD）算法。该算法可根据实时环境变化和用户需求进行自适应和响应式任务分配。正如深度扩散软行为者批判（D2SAC）算法所展示的那样，该算法通过整合 DRL 进一步提高了功效。与传统的 SAC 方法相比，D2SAC 算法在任务完成率方面提高了约 2.3%，在效用收益方面提高了 5.15%[156]。传统的任务分配方法假定所有任务及其相应的效用值都是事先已知的，而 D2SAC 则不同，它可以解决选择最合适服务提供商的问题，因为任务是实时动态到达的。与传统方法相比，D2SAC 在完成率和效用方面都有显著的性能提升。

在联合计算和通信资源分配领域，由于 UV 的独立性质和电池限制，有效管理的重要性在 UV 中更加突出。文献[157]中提出的基于扩散的模型提供了一种先进的方法，用于设计语义信息传输的最佳能源分配策略。该模型的一个主要优势是能够迭代改进功率分配，确保在 UV 群动态环境造成的不同条件下优化传输质量。在传输距离为 20 米、传输功率为 4 千瓦的条件下，这种基于扩散模型的人工智能生成方案超过了其他传统的传输功率分配方法，如平均分配（名为 Avg-SemCom）和基于置信度的语义通信（Confidence-SemCom）[157]，迭代次数约为 500 次，传输质量提高了 0.25。

另一方面，作者在论文[158]中提出结合 LLM 探索提升 GAI 在多智能体 UV 群任务和资源分配方面的能力。利用 LLM 先进的决策和分析能力，为每个用户创建了独立的 LLM 实例，以实现 "通过以下方式减少网络能耗 "的初衷Δp=0.85W"转化为一系列细节任务，如调整发射功率和信道测量。然后将结果提示给 LLM，由 LLM 添加后续任务并指示相关执行器采取行动。通过在 LLM 上的集成，无人机智能体成功地在 2 个回合内实现了省电目标。尽管进一步的仿真结果表明，当智能体数量增加时，当前的 GPT-4 在维持多个目标方面会遇到一些困难。这种整合标志着 UV 蜂群在自主性和功能性方面的显著进步。

总之，GAI 大大推进了多智能体 UV 群的任务和资源分配领域。从创建生动的仿真环境供分配算法探索，到迭代调整分配策略和打破粗略的任务细节意图，GAI 展示了处理动态环境和各种挑战的强大能力。

网络覆盖和点对点通信

如第二节所述，UV 的一个关键应用是作为移动基站重建通信网络[46, 47, 48, 49, 164]。在这种情况下，有效的定位策略至关重要，它能以有限的 UV 实现最大的用户覆盖范围，从而确保无缝接入。此外，当 UV 蜂群以分层结构部署时，领导 UV 充当指挥中心，确保子 UV 之间的有效通信覆盖对于任务分配和协作至关重要。如表 VI 所示，各种 GAI 可满足高效网络覆盖和车对车（V2V）通信的需求。

虽然利用无人机作为移动站来提供动态无线通信中的临时网络链接正变得越来越流行，但由于无人机高度、移动模式、空间域干扰分布和外部环境条件等因素的不同，优化网络可能非常复杂，这带来了独特的挑战。为解决有限无人机的网络覆盖优化问题，作者在 [160] 中提出使用 cGAN。该框架包括一个用于建模和预测最佳网络配置的生成器、一个用于评估这些配置在真实世界场景中的效率的判别器，以及一个用于适应性和可扩展性的编码机制。基于 cGAN 的方法不仅保证了无人机的最佳定位，还简化了计算复杂度。作者在文献 [163] 中提出的另一种解决方案利用基于自我注意的变压器来预测用户的移动性，并改进空中基站的布置。变压器模型能够捕捉时空相关性并处理长输入和输出序列。与常规部署方案相比，基于变压器的方案在覆盖率方面取得了显著提高，比常规方案提高了 31% 以上[167]，比基于 LSTM 的方案提高了 9% 以上。

在对 UV 蜂群中的安全导航至关重要的 V2V 通信领域，车辆经常会通过转发图像来交流环境数据。然而，由于传输中断、环境噪声和车辆运动造成的噪声，这些图像可能会被破坏。为解决这一问题，作者在 [162] 中整合了用于图像复原和网络优化的 GDM。GDM 可使车辆通过减少数据传输和通信延迟，将传输的图像恢复到原始质量。基于随机微分方程的 GDM 具有迭代特性，善于完善车联网网络解决方案，特别是在路径规划等领域。例如，GDM 以初步路径启动优化，然后根据关键性能指标逐步改进。该过程利用这些指标梯度来引导路径修改，以实现最优解。与传统的 DQN 方法相比 [168]，所提出的基于 GDM 的方法在 300 个历时[162]的平均累积奖励中实现了 100% 的增长。

总之，对于网络覆盖和可达性，GAI 可以直接生成定位策略，也可以充当编码器，通过捕捉空间信息来增强传统算法。在效率方面，GAI 可作为一个框架，利用语义信息减少数据传输，同时通过引导生成保持通信。然而，尽管这些发展代表了管理 UV 蜂群的飞跃，但仍有一些领域有待进一步探索。例如，[162] 中的作者提出了整合其他模式以提高通信效率的问题。这为未来研究在 UV 网络中整合多模态数据处理提供了机会。这种探索可以大大提高这些技术对不同网络拓扑结构和环境条件的适应性。此外，GAI 有可能促进 UV 蜂群部署中的自主决策，这为推动该领域的发展提供了一条大有可为的途径。通过扩大 GAI 的应用范围，研究人员可以针对各种复杂的现实世界场景进一步优化 UV。

安全/隐私

安全和隐私是 UV 蜂群的重要方面，尤其是在军事和监控应用中。将 GAI 集成到这些领域可为增强系统安全性和确保隐私提供创新解决方案。如图 6 所示，一个有趣的潜在应用是利用 GAI 生成虚假数据或模拟通信活动的能力来充当 "蜜罐"，误导潜在攻击者并加强系统安全性[176]。LLM 生成的 "蜜罐 "可作为额外的保护层，传播虚假信息，迷惑和诱捕攻击者，从而增强蜂群的集体安全性。在蜂群网络中创新性地使用语言处理技术，是保护自动驾驶汽车免受复杂网络威胁的一个新领域。表七详细介绍了 GAI 在 UV 蜂群安全和隐私保护中的应用。

自动驾驶 GAN（ADGAN）[169]是 GAI 在隐私保护领域的一个显著应用。ADGAN 是一种基于 GAN 的图像到图像转换方法，旨在保护车辆摄像头位置数据的隐私。ADGAN 通过移除或修改图像中的背景建筑物来实现这一目标，同时保留了识别交通标志和行人等其他物体的功能。语义通信是增强 UV 群安全性的有效手段，因为它能去除与任务无关的背景图像。此外，ADGAN 引入了多判别器设置，提高了图像合成性能，并提供了更强的隐私保护保障，可抵御更强大的攻击者[169]。另一个类似的应用是基于 GAN 的框架，该框架通过改变可识别的特征来保护街景图像中的身份隐私，例如用逼真的背景替换移动的物体 [172]。

在轨迹数据隐私方面，TrajGAN 通过生成合成轨迹来保护轨迹数据的隐私[170]。这些轨迹遵循与真实数据相同的分布，同时掩盖了用户的个人位置和身份。它们保留了真实数据的统计属性，并捕捉到了人类的移动模式。不过，TrajGANs 在创建密集的轨迹表示时可能会面临挑战，特别是在时间戳和路段方面，而且可能无法识别数据中的一些罕见或特殊事件。为了进一步加强保护，作者在 [171] 中提出了 LSTM-TrajGAN 框架。该框架由三部分组成：一个生成器，用于生成和预测真实的轨迹配置；一个判别器，用于将这些配置与真实数据进行比较，以验证其真实性和实用性；以及一个专门的编码机制，利用 LSTM [177] 循环神经网络对轨迹数据及其各自的时间戳进行时空嵌入。使用轨迹-用户链接（TUL）算法作为攻击者，对其隐私保护效果进行了评估[178]。在真实世界的语义轨迹数据集上进行评估后发现，与随机扰动（66.8%）和高斯地理掩码（48.6%）等传统地理掩码方法相比，所提出的方法能将攻击者的准确率从 99.8% 降低到 45.9%，从而实现更好的隐私保护[179]。这些结果表明，LSTM-TrajGAN 可以更好地防止用户被重新识别，同时保留真实轨迹数据的基本时空特征。

VAE 也被用于保护 UV 轨迹隐私。文献[173]中的作者利用 VAE 创建合成车辆轨迹，通过在数据中添加噪声来确保不同的隐私。这种方法有助于有效模糊车辆位置，但由于添加了噪声，可能会导致一些数据失真。如文献[174]所述，联合学习中的变形器通过在网络间只共享基本数据特征来提高自动驾驶的隐私性。这种方法提高了隐私性，但面临着通信链路稳定性和外部干扰的挑战。

为了保护车辆网络安全，作者在文献 [175] 中提出了一种基于变压器的入侵检测系统，为车辆网络提供了一种复杂的解决方案。该系统采用自我注意机制分析控制器局域网（CAN）报文，将其准确地分类为各种车内攻击，如拒绝服务、欺骗和重放攻击。作者在 [174] 中提出的另一个基于变压器的模型是将变压器集成到联合学习设置中。这种方法可以在自动驾驶汽车网络中共享关键数据特征而不是原始数据。这种方法能最大限度地减少敏感数据的暴露，同时还能实现协同决策和计算，从而大大提高了隐私保护。

总之，GAI 在 UV 群中的应用彻底改变了安全和隐私措施，特别是在军事和监控等敏感领域。"蜜罐 "和基于 GAN 的框架等技术展示了 GAI 在数据处理方面的能力，从而增强了安全性。此外，在针对轨迹隐私的联合学习中实施 VAE 和转换器，以及先进的入侵检测系统，都凸显了 GAI 在防范复杂网络威胁方面的适应性和有效性。

UV安全和故障检测

UV安全是另一个关键问题，包括系统故障的检测、隔离和解决。与避免碰撞或为 UV 集群制定安全路径规划策略等与这些系统的自主水平更密切相关的其他安全问题不同[184]，UV 安全研究突出了 UV 系统内部漏洞（包括算法和硬件故障）带来的独特挑战。该领域的研究旨在通过开发方法和技术，使这些系统能够在潜在故障影响车辆性能或安全之前有效识别并排除故障，从而提高 UV 运行的整体可靠性和安全性。

监测运行参数以检测 UV 系统故障对于确保其安全性和效率至关重要。有人提出了一种新颖的框架，该框架使用 LSTM 网络与自动编码器相结合，能够从车辆性能数据中持续学习 [181]。这一框架增强了系统精确定位和逐步处理故障的能力。LSTM 在处理时间序列数据方面的能力使这种方法在各种因素都可能影响车辆性能的动态环境中尤为有效。LSTM 自动编码器可以生成代表潜在故障场景的合成数据点，从而增强训练数据集，使模型能够从更广泛的条件中学习，并根据模拟数据在检测不同类型的无人机误操作方面达到 90% 的准确率，在分类方面达到 99% 的准确率。这大大提高了 UV 系统的安全性和运行效率。在随后的发展中[182]，无人机故障检测和分类取得了进展，特别是通过基于 FPGA 的硬件加速，速度提高了四倍，而能耗却降低了一半。这项研究进一步确定了 GAI 的关键考虑因素，表明模型计算可针对实时操作进行优化。在无人机群中的成功部署也表明，类似的策略可以提高 GAI 在动态环境和复杂任务协调中的性能。

另一方面，VAE 提出了在 UV 蜂群中进行故障和异常检测的复杂方法。作者在 [180] 中提出了一种新方法，即在代表 UV 正常运行的数据上训练 VAE。这种方法有助于 VAE 理解什么是标准性能。学习过程涉及输入数据的重建，其中模型准确复制原始数据的能力是识别操作一致性的基础。重构误差与标准值的重大偏差预示着潜在的故障或异常。通过对输入数据进行重构并计算所产生的误差，基于 VAE 的方法在检测故障和异常方面的平均准确率达到了 95.6%[180]。利用 VAE 映射关系能力的优势在于，它们能熟练发现训练数据集中不存在或未考虑的新故障或问题。这一特点确保了基于 VAE 的系统能够在各种不可预测的场景中保持高水平的安全性和可靠性。在经常会遇到各种环境条件和操作挑战的 UV 操作中，这一特性显得弥足珍贵。然而，必须承认的是，VAE 的性能会受到各种因素的影响，其中包括 VAE 模型本身的复杂性、用于训练的数据的质量和多样性，以及将重建错误标记为潜在故障的特定阈值。

此外，作者在文献[183]中利用时空变压器网络对电动汽车的电池故障进行诊断和故障预报，因为该网络具有专门的架构，在提取多个时空尺度的关键特征方面表现出色。采用时空变压器网络进行车辆电池故障诊断和故障预报，在识别预警信号和预测不同时空尺度的故障方面表现出色。它利用车载传感器数据分析和预测电池故障演变的能力完全符合 UV 的需求，因为 UV 的运行严重依赖于电池的完整性。通过集成这样一个模型，预测性维护策略得到了极大的增强，可以在 24 小时到一周的精确时间窗口内及早发现异常并预测电池故障。这种方法不仅可以通过优化车辆计划来减少停机时间，从而提高运营效率，而且在防范可能危及车辆安全的潜在电池故障方面也发挥着至关重要的作用。

在 UV 运行中，确保安全性和可靠性不仅包括检测故障，还包括隔离受影响的组件以防止出现更多问题，并实施有针对性的解决方案来解决问题。例如，在传感器故障导致信息丢失等相对较小的问题上，VAE 和 GAN 的使用说明了 GAI 在故障管理中的创新应用[185]。通过优化 VAE-CGAN 结构，这些模型可以重新生成缺失的时间序列数据，从而证明了它们在运行故障损害数据完整性的情况下的有效性。这一功能尤其适用于无人机农业监控等应用，在这些应用中，数据收集的连续性至关重要。

在解决危及 UV 蜂群运行的严重问题时，当前研究中一个引人入胜的方面是为脱颖而出的 "在哪里坠毁 "决策协议制定策略[186]。这一概念针对的是在发生严重故障时，UV 应如何以及在何处终止运行的预定协议需求，以最大限度地减少次生危害。这些协议包括无人机的紧急着陆区、USV 和 UUV 的特定下沉点以及 UGV 的受控停止措施。然而，这些预定义协议可能无法适应所有可能出现的情况。因此，将 GAI 集成到 UV 星群故障管理策略中为提高安全性提供了一种先进的方法。例如，通过分析实时传感器数据和了解蜂群动态的复杂性，变形金刚能够做出情境感知决策，为受损的 UV 准确识别最安全的终止点 [187]。采用这种 GAI 不仅可以改善关键故障的管理，还能降低二次事故的风险。