高祖宇 陈俊超

摘要：多无人机的组群飞行可以实现复杂状况下的作业，提升工作效率，但由于无人机自身的特殊性，这一工作方式也存在一些弊端。基于此，文章以多无人机的组群飞行特性作为切入点，简述通信干扰、航道重叠等问题。再以此为基础，重点论述多无人机的组群飞行的控制，并通过模拟实验证明控制策略的可行性，以期通过分析明晰问题、优化理论，为后续多无人机联合作业提供参考。

关键词：无人机；组群飞行；多址共道；跟踪算法；机器学习

无人驾驶飞机（Unmanned Aerial Vehicle，UAV），简称无人机，是利用无线电遥控设备和自备的程序控制装置操纵的不载人飞机，也可由车载计算机完全、间歇地自主操作。无人机在一些特殊工作领域的应用价值突出，多无人机组群飞行则能够避免单架无人机效率比较低、工作空间小、视角有限等不足，可以充分采集一些重要的目标和信息，分析多无人机的组群飞行特性与控制有突出的现实意义。

1 多无人机的组群飞行特性

1.1 通信干扰

无人机往往通过无线通信的方式进行操作、传输信息，这种通信方式便捷有效，在单无人机的通信活动中可用性较高，但在多无人机组群飞行时，所有无人机是同步进行通信工作的，而且往往只有一个接收端，信号干扰的情况较为严重。在此前德国学者的研究中，当4架以上无人机同步传输信号时，失真率往往超过5.3%，如果存在干扰，失真率会飙升至25%以上，相应的，单无人机的通信即便面临干扰（同等级别），失真率也一般不会超过10%，应对通信干扰是多无人机组群飞行需要考虑的首要问题。

1.2 航道重叠

航道重叠问题在多无人机组群飞行中较为多见，大部分无人机属于感应式，在组群飞行时存在相互干扰的问题，设计人员针对无人机特点进行了默认程序改造，可以保证多无人机避免严重的不协调飞行，但航道重叠问题依然没有完全解决，当组群的无人机数目超过3架时，就可能导致碰撞，如果组群飞行的无人机超过4架，平均每飞行495 m、垂直爬升247 m，就有可能出现一次碰撞，甚至导致无人机损坏。

1.3 反应滞后

反应滞后并不是简单的通信延迟问题，多无人机的组群飞行需要面临较单无人机更复杂的周边环境，这种复杂变化与通信有关，也与周边其他无人机有关。如某类无人机长期执行航拍作业，在此前的工作中锁定对象为固定目标，集中4架无人机进行组群飞行，在飞行过程中，无人机面临动态目标（其他无人机）的影响，如果其默认程序中缺乏可以与动态目標相匹配的模型，或者匹配度不高，无人机可能不会发生规避动作，导致碰撞，这一问题是目前无人机组群飞行的主要负面特征之一。

2 多无人机的组群飞行控制

2.1 应用多址共道通信技术

为应对多无人机组群飞行中的通信干扰，提出多址共道通信技术，该技术的核心原理是将群组中无人机的通信活动分为不同地址，应用相同频段的一个或者几个信道进行传输，当接收端完成信号的接受后，对信号进行分离，再进行提纯和放大，甄别信号中的信息内容，避免多无人机组群飞行的通信干扰。如在进行探测时，派出了4架无人机组群飞行，飞行过程中，以每秒为间隔不断传输侦测所获内容，将不同传输地址融入2个固定信道中，1号信道比特率为16 kbps，2号信道比特率为17 kbps，通信活动同步进行4架无人机的信号频率分别为 1 000 Hz，1200 Hz， 1 400 Hz，1 500 Hz。接收端完成信号接收后，直接应用信号分离器和信号放大器对两个信道内的信号进行分离、提纯，获取信息后再进行核对，综合获取最佳通信结果。

2.2 应用动态模型跟踪算法

多无人机组群飞行的负面特征之一是存在航道重叠问题，对该问题进行分析，可以发现其根本原因是对跟踪算法的敏感性不强。我国无人机发展的早期跟踪算法就得到了重视，但当时的跟踪算法只能针对匀速目标进行，而且目标的外形也必须是近似规则的，这在现实工作中几乎没有价值。后续研究中，针对非匀速和不规则目标的追踪渐渐得到重视，其在无人机中具体应用的方式为多尺度核相关滤波跟踪算法，多尺度算法将不同速度、不同外观的跟踪融合在一起，使无人机的辨识能力大大增加[1]。

假定2架无人机处于飞行工作中，以A无人机的训练为例，目标对象为B无人机，B无人机速度带有变化性，外观也处于非规格状态。训练过程中，将A的速度变化设为一个数集，数集中含有B无人机可能出现的速度变化类型，该数集可以表达为：

[S1，S2，S3，S4，S5，……Sn]

数集中每—个数字都表达—个可能出现的速度。再将B无人机的外观特点制作为一个数集，该数集可以表达为：

[O1，O2，O3，O4，O5，……On]

数集中每一个数字都表达一个独特的外观特点。完成数集构建后，将对应信息代入到A无人机的训练中，当A，B两架无人机组群飞行时，A无人机可以通过传感器感知B无人机的速度和外观状况，与默认程序中速度数集和外观数集的模型进行匹配，数集中的样本越多，匹配度越高，无人机可以实现自动规避，避免航道重叠问题。

2.3 进行大规模机器学习

在动态模型跟踪算法下，可以收集若干数据，这些数据如果采用传统方式进行输入、训练，会消耗较多时间，而且样本本身也难以与无人机的速度、外观情况实现精准匹配。为了提升训练效果、降低航道重叠、无人机反应滞后和碰撞问题，提出大规模机器学习的基本方案，所用学习方法为K近邻算法和随机森林法。

K近邻算法下，将不同维度（假定为速度和外形）的样本进行最大限度的收集，样本数越多，训练效果越理想。在速度维度下，选取若干标准的K点，如每秒5m、每秒5.1m、每秒5.2m、每秒5.3m……直到标准值数满足基本工作要求，将这些K点投入在训练区域中，再将选取的样本投入到训练区域内，样本的速度值要求更加精确，达到每秒5.01 （小数点后至少2位）的水平。样本投入后，所有样本会自行寻找与自身特点（速度值）最接近的K值，完成一轮训练[2]。将训练结果输入到无人机控制系统中，在A，B两架飞机的组群飞行中，B无人机出现速度变化，A无人机通过传感器感知速度类型，与默认系统中的模型进行匹配，判断其属于正常加速，不进行动作，组群飞行即可继续进行，免去碰撞、航道重叠等问题。随机森林法与K近邻算法相似，也通过大量样本收集进行科学、高效的机器学习。一个森林即一个训练区间，森林中的每一树木都是一棵“决策树”，决策树即训练区间内的标准参数。投入样本后，所有决策树对样本进行识别，根据其特点判定样本的类别，随机森林法的训练效率取决于决策树的数目，数目越多，训练效果越好，能够直接提升无人机目标辨别等工作的鲁棒性[3]。

3 模拟实验

3.1 模拟观察指标和参数

为验证上述控制策略的可行性，研究人员进行了模拟实验，选取4架螺旋桨无人机作为对象，进行航拍工作，设定每10 s为间隔进行一次通信传输作业。4架无人机的通信频率分别为：1 000， 1 100， 1 200， 1 300 Hz；选取两个传输信道，比特率分别为17和18 kbps，实验过程中，人为控制无人机的爬升、变速、下降。在实验前，应用K近邻算法和随机森林法进行机器学习，选取样本4 811个，训练时间155 s（K近邻算法）、167 s（随机森林法）。观察指标为无人机通信信号可辨识率、飞行碰撞发生率和反应时间。

3.2 模拟结果

模拟共进行15 min，传输信号90次，观察工作实时进行，反应时间通过无人机内置数字化感应器记录，完成试验后直接读取。实验结果如表1所示。

结果上看，在15 min的实验时间内，多无人机组群飞行得到了有效控制，通信信号的可辨识率达到98.2 6%，未發生碰撞情况，爬升、变速、下降等作业的反应时间平均为0.22 s，能够满足大部分工作的需求，这表明上述各项控制策略是可行的。

3.3 结果分析

结合实验结果可以发现，多无人机的组群飞行虽然带有一些负面特性，但并非完全不可控制，应在执行多无人机组群飞行前，针对存在的问题进行分析，并充分应用现代控制理论、智能技术加以应对。本质上看，无人机是自动化技术发展的产物，其未来应用范围也会更加广泛，进一步探索现代技术的联合应用、集成、嵌入，是提升无人机性能的主要方式。如上文所述的传感器技术、单片机技术、通信技术等，由于环境受限，本次研究没有考虑电磁干扰等问题，后续工作中如果条件允许也应给予完善。

4 结语

通过分析多无人机的组群飞行特性与控制，获取了相关理论成果。无人机在现代社会生产、生活中作用突出，多无人机的组群飞行带有通信干扰、航道重叠、反应滞后的特性，其控制优化则可以借由多址共道通信技术、动态模型跟踪算法和大规模机器学习实现。模拟实验证明了上述控制策略的可行性。后续工作中，可以参考上述内容完善多无人机的组群飞行控制，提升其工作能力。

[参考文献]

[1]STMicro electronics.FCU评估板在贸泽开售让无人机飞行控制设计轻[J].世界电子元器件，2018（1）：33.

[2]段镇.无人机飞行控制系统若干关键技术研究[D].长春：中国科学院研究生院（长春光学精密机械与物理研究所），2014.

[3]尚何章，李春涛.基于Power PC的小型无人机飞行控制系统设计[J].伺服控制，2012（4）：50-52， 64.