下载掌阅APP，畅读海量书库
立即打开
多无人机协同编队作战是未来无人机发展的一个重要方向，多无人机协同控制理论和其应用价值已经成为国内外研究的热点。在研究多无人机协同控制结构和仿真系统时，不可避免地要参考单无人机控制结构和仿真系统的相关研究。而多无人机巡航编队飞行控制的研究与传统意义上的多无人机固定距离编队飞行控制的研究具有一致性，这两项研究互相具有参考价值。同时，研究多无人机目标跟踪编队协同控制的前提是研究单无人机目标跟踪飞行控制。本节将从多无人机协同控制结构、多无人机固定距离编队飞行控制、多无人机目标跟踪编队协同控制、多无人机航迹规划技术、多无人机协同控制仿真测试技术5个方面对国内外研究现状进行阐述和分析。
多架无人机作为整体协作的时候，一般可以把每一架无人机看成一个智能体或者一个空中机器人，所以对无人机协同控制结构的研究一般是基于多智能体系统（Multi-Agent System，MAS）的协调控制结构或者多机器人控制结构的。国内外的研究主要集中在两个方面，一方面是协同一致性相关理论的研究，另一方面是具体的控制结构的设计。
一致性是分布式算法中的一个重要内容。在无人机协作系统中，一致性是指随着时间的变化，系统中所有无人机的状态趋于一致或者就某个决策做出相同的判断。关于多无人机系统协同控制结构方面的研究主要包括以下内容。
（1）针对多移动机器人系统中存在的有限距离通信和有限传感器问题，设计了四层协同构架，采用固定编队的方法导航到目标位置，提出了一种基于图论的协调控制算法，利用自适应控制器来处理机器人协同中的不可预见的动态特性。
（2）将协同控制系统看成由图表示的动态系统，将其控制问题转换成有约束的最优控制问题，提出面向RHC（Receding Horizon Control，滚动时域控制）的协调控制框架。基本思路是将集中式RHC控制器分解成不同的小型RHC控制器，每一个RHC控制器将关联到不同的节点，并基于自己节点和相邻节点计算局部的控制输入，其分布式控制将由严谨的数学框架组成，这样既能满足控制约束，又能保证协同的稳定性。
（3）提出了面向多无人机系统的混合主动控制构架，实现了危险模式下的自主导航控制，将无人机控制问题划分成有等级的、有标准任务组件的层级：协同管理层、单机管理层、信息处理层。其中协同管理层主要是处理无人机之间的协同问题，比如任务分配等；单机管理层主要是接受上层的命令，进行自主飞行控制；信息处理层主要是接收各架无人机的传感器信息和通信信息并进行相应的处理。通过这些层级的相互配合，实现无人机协同的一致性。
（4）在扩展了一阶动态系统协同一致性的基础上，提出了面向二阶动态系统的多机协同的一致性方法。这种算法可以合理选择信息状态应用于固定编队中，并且将基于行为、领航跟随、虚拟结构等方法统一到一个基于一致性的框架内。这种一致性框架只需相邻两架无人机进行信息交换即可实现编队保持。
控制结构的设计方法主要有跟随领航法、虚拟结构法、行为分解法。
（1）跟随领航法是最为常见和直观的方法。其基本思想是：在由多架无人机组成的无人机编队或者集群中，存在一架整个团队的领航无人机，而其他无人机都会对应这一个领航者，但同时也可以充当领航者的角色。基于该控制结构，领航无人机起着位置导航作用，跟随无人机则通过计算与其对应的领航无人机的相对距离来确定控制量。采用该设计方法的文献较多，均是根据这种控制思路来设计控制结构，然后通过相应的控制率设计来实现无人机固定距离编队。
（2）虚拟结构法即在多架无人机对象之间形成一个刚性结构，无人机则为这个刚性结构上的节点，并以刚性结构上的坐标系作为参考坐标系。当刚性结构运动时，无人机在参考坐标系下的坐标不变，每架无人机的相对位置也保持不变，即无人机之间可以保持一定的几何形状，这种结构就称为虚拟结构。多无人机在运动时，以虚拟结构上不同的节点作为各自的跟踪目标，就可以形成一定的队形，并且可以通过改变虚拟结构的框架来进行相应的队形变换。
（3）行为分解法是采用行为模式来描述无人机之间的运动。其基本思想是：首先为无人机规定一些期望的基本行为，一般情况下，无人机的行为包括聚集、跟踪目标、回避碰撞和队形保持。当无人机的传感器接收到外界环境刺激时，会根据传感器的输入信息做出反应，并输出反应向量作为该行为的期望反应。行为选择模块通过一定的机制来综合各行为的输出，并将综合结果作为无人机对环境刺激的反应来输出。
国外关于固定编队的研究相对较早，最初是从有人机的自主编队开始的，然后拓展到无人机编队。对于无人机固定距离编队控制的研究，主要是围绕多输入、多输出非线性系统的控制率设计进行的。
国外关于固定编队的研究主要包括以下内容。
（1）在三维无人机编队控制模型的基础上，提出了基于PID控制的无人机编队控制方法。
（2）针对传统无人机编队使用线性模型的方法，提出了基于正交变换的鲁棒式自适应多无人机近距离编队控制方法，并针对无人机编队的动态特性和涡流影响提出了相应的控制策略，最后提出了一种在动态环境下无须重新编程和设计的无人机编队控制器设计方法。
（3）针对无人机编队提出了非线性鲁棒控制器设计方法，该控制器可以直接用于一般无人机自动驾驶仪上层，可以针对获取到的不同信息选择不同的子控制器，并且采用扰动极值搜索控制方法减少对通信的依赖。
（4）把编队飞机模拟为点集，提出了分级最优控制结构。第一级表明飞机怎样调整距离以形成编队，第二级则相应调整轨迹以跟踪第一级的方法形成编队。
（5）提出了无人机编队飞行的建模方法，将气动干扰作为非线性反馈，设计出了具有良好鲁棒性的自动驾驶仪，形成了稳定的编队飞行结构。
（6）由于无人机近距离编队中的跟随无人机会受相邻无人机涡流的影响，因此将该涡流作为一个未知的函数。为了使设计控制器时更方便，假定无人机是一个具有良好的位置姿态控制能力的内环控制器，并在此基础上提出了反推自适应的方法进行控制器的设计。
（7）在给定初始和最终编队结构的情况下，针对规避和防碰撞问题，提出了相关的避让规则、飞行法规，并应用最优控制、线性规划等理论，实现了自由编队飞行。
（8）提出了基于RHC结构的分散控制算法，并通过计算速度和加速度的限制来保证无人机的紧急机动，实现了碰撞规避。
（9）提出了基于图论的无人机自由编队飞行概念，通过集群的三原则，结合最简单的运动方程，实现了自由编队飞行的聚集、避让和重构。
（10）利用传感器估计领航无人机的位置，采用输入、输出线性化的方法对运动模型进行线性化，然后采用滑模控制方法进行控制器设计，减少了无人机编队控制对内环通信的依赖。
（11）提出了基于行为的分布式控制方法，其采用航迹跟随控制器进行参考航迹的跟随，采用位置跟随控制器进行编队形状的保持，两个控制器均基于李亚普诺夫稳定性理论进行控制率的设计。最后采用加权的方法对两个控制器的输入进行组合，得到最后的控制输入，其中加权因子根据相对距离误差而定。
（12）建立了无人机编队模型，并提出了编队稳定性分析。考虑到通信约束的影响，针对无人机编队的形成、重构、机动、航线跟踪、危险规避提出了相应的控制方法。
（13）提出了基于视觉的无人机编队控制结构，采用卡尔曼滤波估计领航无人机位置，最后通过自适应控制进行编队控制器的设计。
与国外相比，国内在无人机编队控制方面起步较晚，但也取得了很多成果。国内的许多科研院所已经开始了这方面的研究，主要包括以下内容。
（1）提出了一种根据局部阵形状态制定的阵形保持策略，该保持策略从非一致性的冗余状态中判断阵形的保持状态，并采取相应的保持机制，从而实现无人机编队控制。
（2）针对自由编队飞行制定了相关的避让规则，对补偿模糊神经网络进行训练，实现自由编队飞行的补偿模糊神经网络控制。
（3）分析了多无人机编队飞行中飞行耦合气流的估计范围，针对个体无人机的轨迹控制模型，讨论了其飞行控制器需求，结合逆控制的解耦性能和PIDA控制器的优点，设计了一种PIDA+逆飞行控制器。该控制器能够有效地抑制模型参数的不确定性带来的影响，并且在控制器输出约束条件的情况下仍保持较好的动态性、准确性和鲁棒性。
（4）采用长-僚机（Leader-Wingman）编队模式，针对前向、侧向和垂直方向3个通道分别设计了僚机编队控制律，从而实现了多架小型无人机在大机动飞行时的队形保持与队形变换。
（5）提出了一种基于MAS的编队飞行技术的智能优化控制策略和实现算法。利用多Agent之间的交互作用，以灵活便捷的方式进行各单机之间的协同优化，从而实现多架无人机的自主编队飞行。
（6）研究了同一水平面内的无人机编队飞行的队形控制器的设计，根据领航无人机尾涡对僚机的影响，分别用自适应控制、鲁棒控制和模糊控制这三种方式实现了队形控制。为了提高编队队形的鲁棒性，还提出了队形的容错控制。
（7）针对飞机特有的运动规律，将飞机的状态变量按时间尺度的不同分成慢变量和快变量，并给出了对应的双环控制器的设计方法：外环采用变结构滑模控制器，内环则采用基于神经网络消除逆误差的动态逆控制器。
由于多无人机目标跟踪编队协同控制可以提高目标跟踪的成功率和精度，因此越来越受到研究者的重视。
最早关于多无人机目标跟踪飞行控制的研究是从单无人机目标跟踪飞行控制开始的，其控制目标均是使无人机与目标保持固定的距离，提高对目标的可见度，以及提高跟踪的成功率和精度。
关于单无人机目标跟踪飞行控制的主要研究包括以下内容。
（1）首先预测目标的最佳逃逸位置，然后采用基于分层迭代的方法来优化跟踪控制策略，使单个固定翼无人机能够规避危险，并能实现对跟踪目标保持最大可见度。
（2）提出了通过实时航线规划来实现无人机和目标保持固定距离，然后通过无人机导航模块进行航线跟踪，实现对不同速度的目标的跟踪。首先将无人机目标跟踪简化到二维平面上，然后建立相应的非线性模型，用线性化的方法得出相应的控制率，接着利用Lyapunov稳定性证明方法进行稳定性分析，最后通过数值仿真论证了该控制方法的有效性。
（3）提出了基于虚拟目标的无人机目标跟踪方法，通过模型预测控制实现对虚拟目标跟踪的飞行控制率设计，保证了飞行控制过程中的时间约束。
（4）提出了在未知风速的情况下，单架无人机目标跟踪的飞行控制方法。这种方法采用自适应可变的估计方法，估计未知的风速和目标的运动方式，并基于李亚普诺夫向量场导航的方法实现飞行控制；同时也是基于二维的横侧向飞行控制，以保证无人机在二维平面上保持与目标的固定距离。
随着对单无人机目标跟踪飞行控制的研究的不断深入，为了提高跟踪控制率，关于多无人机目标跟踪控制的文献也越来越多，其控制目标是使多架无人机与目标保持相同的距离，并且任意两架无人机与目标的夹角保持一致。
关于多无人机目标跟踪编队协同控制的主要研究包括以下内容。
（1）采用自适应逆控制进行多无人机协同目标跟踪飞行控制。首先建立非线性相对运动方程，然后采用反馈线性化方法进行线性化，最后通过自适应控制进行线性化后的误差补偿，从而实现多无人机协同目标跟踪飞行控制。
（2）假定无人机获取的目标信息是离散的，分别控制每架无人机与目标的跟踪距离，然后建立各架无人机和领航无人机的相对运动方程，对无人机与目标之间的夹角进行控制，实现无人机协同目标跟踪。
（3）通过动态分配跟踪任务，实时计算能同时满足对运动目标持续跟踪、危险最小、风速影响最小的最优路径，从而得到无人机的航线。再通过无人机导航模块进行航线跟踪，从而实现对目标的持续有效的跟踪。
（4）通过对危险区域进行数学建模，以危险区域作为约束，采用最优方法来求得丢失目标的概率最小的路径，将路径传给自动驾驶仪，以实现多无人机协同目标跟踪的飞行控制，最后采用蒙特卡罗方法对该控制方法进行数值仿真验证。
关于多无人机航迹规划技术的研究主要集中在航迹规划算法方面，目前的研究成果主要包括以下内容。
（1）提出了Voronoi图在航迹规划中的应用，在Voronoi图的基础上，利用Dijkstra算法在图中搜索路径，构成最短路径，该方法的优点在于方便、快捷。
（2）提出了A-Star算法的航迹规划算法，该算法作为一种启发式的图搜索算法，能够较好地满足航迹规划问题中的各种约束条件和要求。
（3）采用遗传算法进行航迹规划研究，该算法借助复制、杂交、变异等遗传操作，使问题的解决方案从初始解一步步逼近最优解。
（4）采用蚁群算法进行航迹规划研究，蚁群算法的搜索具有良好的动态特性，因而在航迹规划的研究中应用较多。
（5）提出基于粒子群优化（Particle Swarm Optimization）的航迹规划算法，粒子群优化算法是近年来提出的一种新的基于随机搜索策略的优化计算方法，源于对鸟群寻觅食物过程的模拟。该算法由一组粒子组成，每个粒子都在设计空间中进行搜索，根据粒子群中适应度最好的个体位置和本个体位置，找到适应度最好位置的速度大小和方向，搜寻个体下一个适应度最好的位置。
对于多无人机协同控制技术的测试和验证来说，仿真系统十分重要，因为协同飞行涉及多架无人机，所以真机试飞的费用更多且风险更大。因此很多国内外的大学在这方面进行了大量的研究，提出了具体的系统设计方法，甚至有的已经完成了系统的构建。
在设计方法上的研究主要是针对具体应用的，包括以下内容。
（1）针对基于分布式黑板系统（Distributed Blackboard System）体系结构的多无人机系统设计了相应的测试平台，为在不同的处理器上实现分布式智能体仿真提出了一个较好的解决方案。
（2）提出了一种针对无人机协同控制方法的多无人机系统测试仿真平台的设计方法，使用购买的无人驾驶仪和相关的硬件就可以进行多无人机系统的仿真，其测试主要是针对小型无人机系统。
（3）介绍了两种由麻省理工学院设计的仿真测试床RoverEllimp Testbed和UAV Testbed，并使用这两种仿真测试平台进行了实时航迹规划和任务规划方面的仿真实验和测试。
（4）针对压制敌方任务防御的算法（Suppression of Enemy Air Defense）提出了多无人机系统的测试床设计方法。
在大量设计方法的支撑下，很多学校已经构建了完整的协同仿真平台，如康奈尔大学建立了无人机仿真平台，如图1-1所示，对多架无人机的编队控制进行验证，并取得了一定成果。
图1-1 康奈尔大学的无人机编队地面试验站
西弗吉尼亚大学以3架WVU YF-22无人机为基础建立了编队仿真试验平台。图1-2（a）和图1-2（b）分别表示无人机在地面滑行时和编队形成后的照片。
图1-2 WVU YF-22无人机编队验证平台
加州大学伯克利分校从2003年开始对无人机的协同技术展开研究，并建立了相应的数字仿真平台，使用C3UV无人机对相关技术进行试飞验证。C3UV无人机编队验证平台如图1-3所示，图1-3（a）和图1-3（b）分别是C3UV无人机和三机编队飞行的视景仿真截图。
图1-3 C3UV无人机编队验证平台
麻省理工学院则建立了以ARF60无人机为基础的室外编队协同测试平台，宾夕法尼亚大学的GRASP实验室也以J3无人机为基础建立了编队协同测试平台，用来验证编队控制器的鲁棒性和编队的实时性。
国内许多单位也进行了无人机协同仿真试验平台的设计和构建，主要研究包括以下内容。
（1）以某新型无人机为应用背景，设计并实现了一种“无人机仿真训练系统”，介绍了该系统的构成及其在计算机上的实现过程，并提出了运用小波分析的方法对飞行数据进行滤波。
（2）采用统一建模语言UML设计无人机系统仿真模型，并遵循软件系统的设计思想，开发出了多功能飞行仿真平台。
（3）在研究高层体系结构（High Level Architecture，HLA）的仿真集成技术的基础上，从实时仿真的角度，在理论和试验上深入分析了HLA的实时性能，针对无人机任务推演系统本身的特点，提出了软实时仿真和硬实时仿真相结合的分层仿真结构，设计了基于HLA的仿真集成结构和系统接口。
许多单位也建立了无人机仿真试验平台，主要研究包括以下内容。
（1）针对无人战斗机的相关技术进行了初步的探讨，建立了合理的无人机系统仿真平台。
（2）利用虚拟现实技术建立了无人机的三维仿真环境。
（3）阐述了某型无人侦察机模拟训练系统的视景仿真系统原理。
（4）建立了无人机地面滑行仿真系统，并对无人机在滑行过程中遇到的一系列实际情况进行了模拟等。但是针对无人机编队飞行的仿真试验平台目前还未有详细报道。
由于多无人机协同控制的各项关键技术具有重要意义，因此受到了国内外科研工作者的广泛研究。但是由于飞行控制的非线性、任务的不确定性和环境的复杂性，对控制技术要求很高，所以多无人机协同控制技术还处于初步研究阶段，离实际应用还有一定距离。研究重点主要在于控制结构的设计、任务执行过程中的无人机协同控制思路、运动模型、控制方法以及测试仿真平台的研究等方面。特别是关于非线性控制率的设计最为困难，由于采用的经典控制系统设计方法不能很好地解决控制模型非线性及模型不确定性所产生的问题，影响了协同控制的控制精度，而目前研究较多的一些现代控制系统设计方法在实际的工程应用上也存在一定的困难，且针对具体系统还要进行相应的改进。因此，有必要系统地梳理无人机飞行控制方法，并研究新的控制策略来进行无人机协同控制系统的设计。
在多无人机协同控制系统的设计过程中，如何区分多架无人机在协同控制中的作用差异、如何建立合适的运动模型、如何处理具体运动模型中的非线性、如何建立性能指标、如何提高滚动优化的效率，针对这些问题，都需要进行相应的研究，特别是控制的实时性问题，已经成为多无人机协同控制技术的一个瓶颈。
只有解决上述问题，才能够提出更具有实用性的多无人机协同控制策略。基于此，本书针对上述问题，面向不同的控制方法和控制模型，结合其控制思想，对多无人机协同控制技术进行了一些尝试性的研究，特别是对不同的控制对象提出了不同的提高实时性的解决方案，在后面的章节中将会展开讲解。