郭继峰，郑红星，贾 涛，颜 鹏

(1. 哈尔滨工业大学航天学院，哈尔滨150001；2. 中国空气动力研究与发展中心，绵阳621000)

0 引 言

近年来随着以人工智能、芯片等技术为代表的科技革新与技术进步，无人系统在远程、限制性环境中的自主行动能力得到了较大的提升[1]。无人系统的自主性提升直接降低了无人系统协同的整体系统复杂度与作战人员操作负担，因此无人系统协同受到了广泛的关注，无人系统的应用向“自主化、协同化”发展的趋势突出。

异构无人系统通常在功能或性能上可互相补充，从而高效的完成任务[2-3]。例如无人水面航行器与多个小型无人机进行协同信息采集任务[4]，无人水面航行器为小型无人机提供了远距离的航程，同时也作为通信基站与信息收集终端，为异构系统提供了远距离、分布式的通信支持以及信息存储空间。小型无人机则使异构无人系统具备了快速、灵活的信息收集方式。异构无人系统因其在执行复杂任务中的突出优势，目前已受到广泛关注。

2017年1月，美国国防高级研究计划局(Defense advanced research projects agency，DARPA)提出了进攻性蜂群使能战术(Offensive swarm-enabled tactics，OFFSET)项目[5]，项目计划实现一个步兵部队控制250多个无人机与无人地面系统组成的异构无人系统在存在着高大建筑、机动、通信受限的城市作战环境中进行协同作战。

2017年12月DARPA发布了地下挑战赛(Subterranean Challenge)[6]，又被称为“Sub-T”挑战赛，挑战赛设置了隧道、地下设施与网络化洞穴三条赛道，参赛团队需要在赛道内执行搜索、检测等一系列任务。参赛队伍大多通过异构无人系统的协同作为比赛的解决方案。内华达大学、加州大学伯克利分校构建的CERBERUS系统[7]由四足无人系统、轮式无人系统与多架微小型无人机组成，该系统配备了多模态感知系统、以及自组织网络通信，能够在地下环境中实现可靠的导航、地图绘制和目标搜索。CoSTAR团队的成员包括美国宇航局喷气推进实验室、麻省理工学院等机构，团队提出的“异构协作式弹性地下自主无人系统”[8]涵盖飞行、滚动、弹跳的多模态移动方式，用于极端复杂地形下的有效机动。其同样在分布式协同规划、抗干扰网状通信、鲁棒定位等方面进行了重点探索。

我国目前也在积极开展无人系统自主协同技术的相关研究工作，空军装备部主办的“无人争锋”挑战赛以无人机集群的智能自主协同为考察重点，包括据止环境下的编队穿越、无人系统协同感知与分布式融合等科目，目的是牵引该领域的发展方向与成果转化应用。中国电子科技集团完成了200架固定翼无人机的编队飞行试验，成功测试包括无人机编队密集起飞、空中编队等多种关键技术。现目前关于无人系统自主协同的研究大多针对同构无人系统，对于异构系统协同的研究较少。

本文首先将基于异构无人系统的规模与异构性强弱对异构无人系统进行分类，并以异构无人系统班组在城市环境中的作战任务为牵引，梳理异构无人系统协同作战中面临的挑战，随后将从异构无人系统协同控制架构设计、异构无人系统协同任务规划与决策等方面阐述异构无人系统协同作战中的主要关键技术，最后总结异构无人系统协同作战的进展与挑战。

1 异构无人系统协同作战问题的牵引与分析

1.1 异构无人系统的分类

异构无人系统协同的难度与其数量以及种类密切相关，异构无人系统协同按照规模可以分为大规模异构无人系统与中小规模异构无人系统。

大规模异构无人系统中异构无人系统的数量范围在数十乃至成百上千之间，大规模异构无人系统中，异构无人系统种类的提升将造成系统的指挥操作、控制、通信的难度呈现指数级别的上升，因此其系统内的无人系统种类较少，其本质上更趋向于同构的无人系统。中小规模异构无人系统中的无人系统数量较少，数量上的降低使更多种类的异构无人系统协同成为可能。在战场环境中可以通过较多种类异构无人系统组成班组、联队等形态出现，侧重能力上的互补以执行高度复杂的任务，其异构性较强。鉴于大规模异构无人系统在本质上更趋近于同构无人系统协同，因此从中小规模异构无人系统的协同角度进行问题的牵引与分析。

1.2 异构无人系统班组与协同作战关键问题分析

1.2.1异构无人系统班组的概念与城市作战应用设想

异构无人系统班组是由多种异构无人系统组成的中小规模协同编组，系统通过异构资源的互补应对复杂不确定环境，实现对抗环境下的灵活战术运用。城市作战是异构无人系统协同作战的一个重要的典型场景[9]，城市地形复杂存在高大建筑、地下管网、隧道等特殊环境，常规装备应用困难，远距离、大规模火力会造成非战斗人员大量伤亡，不适合在城市地区使用，大范围侦察系统受到对抗性环境、建筑物遮挡等不利因素影响，功能及效用不易发挥。通过异构无人系统班组进行城市作战是解决上述问题的有效手段。以城市作战环境中的异构无人系统班组为例，其可由若干个操作人员、四足无人系统、小型旋翼机、小型爬行无人系统以及微小型无人系统组成。其中

1)四足无人系统：具备较大的负载，装备有视觉、激光雷达、声音等传感器，具备较为完备的感知系统，可搭载其他无人系统在复杂地形快速移动，并且通信能力强，可作为通信网络的维持节点；

2)小型爬行无人系统装备有红外热成像仪、超声波传感器，具备一定距离的通信与中继能力，可以用于管道等狭小区域的探测以及潜入侦察；

3)小型旋翼机装载有视觉、激光雷达、超声波传感器，具备一定距离的通信与中继能力，用于环境的感知、快速侦察与监视；

4)微小型无人系统不具备移动能力，搭载振动与声音传感器，可以担任通信中继节点并对环境中的异常信号进行监测，执行固定区域的值守任务。

如图1所示楼宇搜索与值守任务是异构无人系统班组在城市作战中的典型应用场景，小型旋翼无人机负责建筑外部环境的监视，微小型爬行无人系统执行上楼与目标检测任务，四足无人系统提供近距离的火力支持，在确认楼宇安全后，在隐蔽位置布置微小型无人系统实现对楼宇环境的值守监视。

图1 楼宇搜索与值守任务Fig.1 Building search and duty tasks

1.2.2城市环境中异构无人系统协同作战面临的挑战及解决思路

城市环境中异构无人系统协同作战同样面临许多挑战，异构无人系统异构性在带来系统能力提升的同时同样对异构无人系统协同控制架构设计、异构协同规划决策等技术上带来了挑战，异构无人系统关键技术与问题的关联矩阵如图2所示，作为典型作战场景的城市作战因其环境因素、对抗条件对异构无人系统的设计提出了具有实际意义的约束。因此，在解决异构无人系统协同作战问题时应充分考虑其对于技术层面的影响，针对异构无人系统协同作战的主要技术问题，提出如下解决思路：

图2 异构无人系统关键技术与问题的关联矩阵Fig.2 Correlation matrix of key technologies and problems in heterogeneous unmanned system

1)构建以兼顾“异构性、对抗性、自组织性”为中心的异构无人系统协同控制架构。异构无人系统的能力差异，以及对对抗环境的适应性与自组织性直接影响整体系统的稳定性与有效性，因此，架构设计以异构性、对抗性以及动态自组织性为中心；

2)攻关以异构资源协调以及不确定环境推理为重点的协同规划与决策技术。异构无人系统间的计算负载不均衡、计算速度差异性较大，使得系统一致性行为获取难度增大。同时战场环境中的不确定因素较多，导致异构无人系统对于环境的判断可能存在较大差异，不利于一致行为的达成。应合理协调人与无人系统之间的协同关系。因此应以异构资源协调以及不确定环境推理为重点；

3)重点研究以自组织通信链路与无链路的自然交互手段相结合的智能交互技术。异构无人系统受到高大建筑、封闭室内环境的遮挡以及电磁干扰等方面的影响，通信链路的稳定性容易受到影响，在提高通信链路带宽、距离、稳定性、自组织性的同时，应考虑通过特殊动作、行为等间接的自然交互方式，实现无人系统之间以及人与无人系统之间的高效通信交互；

4)聚焦适应复杂背景、欺骗式伪装、遮挡等不利因素的目标感知技术。城市战场环境中存在大量、多样的复杂背景、光学特征以及遮挡造成的特征缺失，使得无人系统对目标的检测与稳定跟踪比较困难，应针对遮挡、复杂背景分割、动态目标跟踪等难点问题进行重点考虑；

5)着眼于黑暗、烟尘等传感退化环境下的鲁棒感知技术。城市战场环境，尤其是地下环境中存在着黑暗、烟尘、潮湿等诸多不利因素，容易造成传感器的失效与传感器的退化，导致无人系统丧失有效的环境感知能力，因此应考虑多模传感器协同的复合感知手段，提升退化环境下的感知鲁棒性。

2 关键技术

2.1 异构无人系统的协同控制架构设计

异构无人系统的协同控制架构是设计异构无人系统的最基本问题，集中式控制架构、分布式控制架构、有限集中式控制架构是三种最为典型的架构[10]。设计合理的协同控制架构是解决异构无人系统中计算负载分配不均衡[11]、通信链路稳定以及无人系统行为控制等问题的关键。

集中式控制架构中存在中央控制单元，异构无人系统的感知、状态等信息向上汇集到中央控制单元，中央控制单元依据全局化的信息进行统一的行为规划[12]。集中式控制架构的优点在于：1)协同控制依据的信息完整;2)行为完全预测与受控。其缺点也较为明显：1)对中央控制单元的状态敏感;2)节点数量的增加会造成整体系统协调的性能下降;3)对通信的依赖性强;4)中央控制单元的计算负担较重;5)节点对于环境变化的反应速度较慢。

分布式控制架构采用分散的通信与控制形式，系统中并不存在中央控制单元，节点依据相互间的信息交互进行行为的控制[13]。分布式控制架构的优点在于:1)其降低了系统对于某一单个节点存续的依赖;2)充分地利用了各节点计算能力;3)对通信的依赖性较弱;4)节点对于环境的反应速度较快;5)节点数量的增加不会造成整体系统性能的明显下降。分布式控制架构的缺点在于：1)难以获得周围环境的完整信息;2)异构无人系统的个体行为受控性弱、难以预测;3)可能由于信息的不一致造成节点冲突。

有限集中式控制架构并不是一种严格的集中式或者分布式协同控制架构[14]，系统中央控制单元可能存在多个，异构无人系统节点并不将所有信息反馈给中央控制节点，而是反馈重要的或者中央控制单元订制的有限信息。中央控制单元更多的作用是监督与协调，而非全局式的控制，其是集中式控制架构与分布式控制架构的一种平衡，意图在较为全面的协调无人系统的同时，来降低通信、计算等负担。

2.2 异构无人系统协同任务规划与决策

异构无人系统的协同任务规划与决策问题要在优化总体目标、满足任务相关约束与异构无人系统能力以及功能等方面约束的前提下，实现人与异构无人系统间任务的合理分配以及异构无人系统的行为规划，获得高效可靠实现任务的解决方案。其本质上可以视作最优决策或动态决策问题。对应于异构无人系统的协同控制架构其也可以分为集中式与分布式协同任务规划与决策两种类型。

2.2.1集中式任务规划与决策

最优的集中式解决方案很难获得，因为它们需要评估大量候选解决方案以保证最优化。目前解决集中式任务规划问题的主要方法集中在精确式与启发式方法[15]。精确式方法在处理较小规模问题时可以获得最优的解，但是其计算复杂度受问题规模的影响较为严重。启发式方法目的是在可接受的计算时间内获得问题的次优解。

1)精确式求解方法

文献[16]提出一种有界的最优规划方法以解决存在优先级、同步等时序约束情况下的多无人系统任务规划问题。文献[17]提出了一种同时选择异构无人机装载的传感器与路线的问题模型，并通过列生成方法有效的解决了此问题。文献[18]针对团队定向问题提出了一种分支定界算法，算法允许解决100个任务目标的实例。文献[19]提出一种分支-定价-切割算法用于解决具有时间窗约束的异构车辆路线规划问题。文献[20]提出了一种基于凸优化理论的有人/无人机协同系统的航迹规划方法，分别基于有人机与无人机的任务特点设计了航迹规划器与编队规划器，对两规划器模型进行近似与凸化，并利用凸优化算法进行求解。

2)启发式方法

启发式方法不能提供理论上的保证，但是通过大量的实验证明了其有效性。文献[21]通过对异构无人机协同任务规划问题的分析，将权重策略与多目标进化算法相结合，引导初始解的分布以解决大规模问题难以收敛的问题。文献[22]利用遗传算法对异构无人机的侦察、打击、验证一体化任务问题进行了算法设计，并基于两阶段随机规划模型解决了随机速度扰动时解的稳定性问题。文献[23]提出了一种启发式任务分配与全排列序列规划方法，实验结果表明，该算法能有效地解决规模较大的问题。文献[24]重点研究了城市环境下异构无人系统协同运输的任务调度与路径规划问题。

2.2.2分布式任务规划与决策

分布式规划方法通过分别部署于各异构无人系统中，团队中的节点全部参与计算，通过信息的交互，实现一个统一的目标。分布式规划方法中分布式约束优化和基于市场协商的方法是两种主流方法。

1)基于分布式约束的方法

异构无人系统的协同任务规划问题可以被建模为分布式约束优化问题[25]，精确求解分布式约束优化问题是NP-hard的[26]，因此max-sum等近似求解方法得到了广泛的关注。文献[27]将无人机分队协同收集灾难现场实时航空图像问题构建成分布式约束优化问题，并使用完全异步和分散的max-sum算法进行求解。文献[28]重点关注在重大灾害时，来自多个机构的多个异构人系统组成团队来协同处理灾害任务问题，其将它作为分布式约束最优化问题来进行建模并通过max-sum算法来解决。文献[29]针对任务及无人系统存续状态动态变化的问题，提出了一种结合分支定界的快速max-sum方法以加快规划的速度。

2)基于市场协商的方法

在分布式任务规划算法中，基于市场协商的方法相较于其他方法更为受到关注。基于市场协商的方法需要通信来共享出价和结果，一致性捆绑算法可有效减少通信需求。文献[30]基于扩展的一致性捆绑算法(CBBA)来求解动态环境中异构无人系统协同问题，扩展算法在保持原算法鲁棒收敛性的同时，对任务的有效时间窗、燃料成本和无人系统能力的异质性都做出了适当的处理。文献[31]提出了一种集群自组织的方法，该方法既不依赖于全局知识，甚至它不需要无人系统进行通信。

2.3 智能交互技术

2.3.1无人系统之间的交互技术

异构无人系统之间的团队成员可以基于两种方式进行交互。一种是通过通信链路进行直接的信息交互[32]，第二种则是通过线索来进行间接的信息交互[33]。也就是说一个无人系统通过观察另一个无人系统的线索来进行交互，线索可以通过约定特殊的动作、标记或者推断而获得。在无法保持稳定、频繁的通信时，基于线索的交互方式是一种有效的补充方式，可提升交互的鲁棒性。

文献[34]在无先验的环境信息以及通信链路的条件下，通过基于线索的交互方式实现了多无人系统的区域覆盖任务，并验证了算法的鲁棒性。文献[35]提出了一种基于生物的协同策略，无人系统可以通过在重要位置上进行标记以缩短路径长度。文献[36]研究了类似于飞行动作、蜜蜂的摇摆等运动信号作为传递信息的手段，在确定性协议框架下，实现了无人系统间的高效交互。文献[37]研究了由两个子群组成的异构无人系统群在室内环境下自组织协同导航的问题，实现仅基于线索的指令交互与导航。文献[38]研究了基于线索的交互方式在极端简单化的无人系统中的应用，其使用多个ePuck机器人以及一个带有1500个嵌入式射频识别标签的地板作为线索介质，成功的完成了全局最优的导航地图的建立。

2.3.2人与异构无人系统之间的交互技术

人在与异构无人系统之间的交互中承担着监督与控制的任务，并扮演着不同的角色，主要包括：任务计划、教学、监控、干预和学习。文献[39]将这些角色按顺序描述为:1)在任务开始之前对任务计划的制定;2)以特定的方式指导计算机执行特定的任务;3)监视无人系统以确保任务的正确执行;4)必要时干预调整无人系统的自主运行;5)从观察与交互中学习，以改善交互手段或计划的制定。

文献[40]考虑了在军事行动中人与无人车辆之间的接口类型与交互方案，以增强操作员监督多个无人车辆的能力。文献[41]提出一种称作“Flying Frustum”的三维空间接口，它可以在地形的物理模型上使用笔交互来控制半自主无人飞行器，并将信息流定位到物理模型上。文献[42]在无人机飞行路径生成中使用手势与语音两种自然语言交互接口，并与鼠标等传统交互方式进行了对比，分析表明自然语言接口是传统接口的良好替代品。文献[43]利用加速度计和陀螺仪对手势指令进行感知，然后利用logistic回归模型对手势指令进行分类。结果表明，该系统可以作为一个自然界面，帮助操作者指导无人飞行器的行为。

2.4 目标感知技术

目标感知技术是异构无人系统协同作战的关键环节，是异构无人系统理解环境并对目标进行控制与影响的前提，目标感知技术涵盖目标检测、目标跟踪、目标识别、目标行为理解与分析等内容，其中目标检测与跟踪是进行识别、行为理解与分析的基础，并且在有人参与且计算资源限制的情况下，异构无人系统可以通过数据的压缩传输将目标识别、行为理解与分析等中高层任务交由人来完成。因此重点从目标检测与目标跟踪两部分进行展开。

2.4.1目标检测

目标检测的目标是将复杂背景进行分割，去除无关的信息，提取任务相关的前景目标，实现准确的目标分类与定位，按照处理手段的不同其可以被分为基于背景建模与前景建模的目标检测方法。

1)基于背景建模的目标检测方法

基于背景建模的目标检测方法通过同一无人系统采集的不同时间的背景信息或来自其他无人系统采集的同一时间段的背景信息，通过对比差分，提取前景信息。文献[44]针对复杂环境下前景目标检测的背景建模问题。提出了一种结合光谱、空间和时间特征来描述背景外观的贝叶斯框架与基于学习的方法来适应渐变和突变的背景变化。文献[45]针对动态背景、光照变化、伪装等复杂场景中的运动目标检测问题，提出了一种具备鲁棒性的背景减法技术，减少了动态背景、光照变化以及伪装等因素对结果的影响。

2)基于前景目标建模的目标检测方法

基于前景目标建模的目标检测方法，其可以分为两个阶段，即离线训练与在线检测。相较于基于背景建模的目标检测方法对环境的适应能力更强，通过合理的特征选取以及分类器设计，可以取得较好的目标检测效果。文献[46]提出了空间失配核方法，使其可以捕获图像中视觉关键字之间的空间依赖关系。文献[47]提出了一种基于卷积神经网络的三维点云目标检测方法，其在KITTI基准上证明了方法的有效性，并且表明在基于激光和视觉的方法中，三层以下的Vote3Deep模型的性能突出。文献[48]提出了一种基于域适应Faster RCNN的复杂背景目标检测方法，实验结果表明与经典的Faster RCNN相比，模型的检测精度得到整体性的提升，并且提升了对小样本数据集与低质量图像的检测精度。

2.4.2目标跟踪

目标跟踪是基于初始时间序列中的目标的大小、颜色、纹理、位置、速度等信息，对后续时间序列中该目标的特征进行匹配，实现目标大小、位置等特征的预测。其主要难点在于解决环境的变化、遮挡、快速运动、尺度变化等因素对于目标跟踪的影响。按照处理过程的不同，可以分为生成式跟踪方法与判别式跟踪方法两种。

1)生成式目标跟踪方法

生成式目标跟踪方法基于当前图像与目标的相似度匹配划定跟踪区域，不对背景信息与目标信息进行分类，在目标被遮挡或发生变化的情况或目标运动较快的情况中容易产生目标的丢失。文献[49]提出了一种结合纹理和颜色特征的自适应mean shift算法，克服被跟踪对象对杂波干扰、光照变化以及背景的影响敏感的问题。文献[50]在跟踪算法中加入加权背景信息以增强方法的鲁棒性。

2)判别式目标跟踪方法

判别式目标跟踪方法将目标跟踪视作一个二分类问题，基于目标与背景环境的特征对图像进行分类，以深度学习等方法进行分类器的训练，由于其同时考虑了背景与目标的双重信息，其效果一般较好。文献[51]提出了一种适合于有效地进行广义Hough变换的随机森林方法，提高了广义Hough变换在目标检测中的跟踪性能。文献[52]等通过使用完全概率相关向量机生成满足高斯分布的观测值来直接估计目标区域的位移。文献[53]提出了一种用于飞机跟踪的快速深度学习跟踪网络，并通过迁移学习来弥补飞机目标跟踪中的样本量较小的问题。

2.5 环境感知技术

环境感知技术是无人系统与外界环境进行自主交互的关键，其内涵是指无人系统依靠自身装载的传感器实现对周围环境与自身状态的感知。重点讨论地形感知、语义建图两个关键环节。

2.5.1地形感知

无人系统基于视觉、激光雷达、超声波等外部传感单元提取周围环境的特征信息，可以为无人系统提供环境中障碍距离、角度、尺度等直观感知信息，同时可基于IMU、气压计等内部传感单元实现对自身状态的感知，进而获取较为全面的直观环境信息。然而在城市、地外行星等复杂环境中仅仅依靠障碍距离、角度、尺度等直观信息无法保证无人系统的安全导航，例如外观平整的地面，可能由于松软、泥泞等因素导致无人系统无法通信，因此有必要对地形进行精确的感知，地形感知可主要分为地形分类与地形重构两方面。

1)地形分类

哈尔滨工业大学航天学院针对基于视觉或激光雷达的环境感知技术无法完全的预测地形的可穿越性及缺少对地形的软硬程度等物理特性的判断的问题，提出了一种基于轮地相互作用引起的车辆结构三维振动的地形分类方法[54]:首先通过无人车的惯性测量单元获取不同地形下无人车测得的加速度信息。然后，学习已知地形的振动特征，移动实验平台与传感器布置方式如图3所示,利用快速傅里叶变换将标记的三轴振动矢量变换为频域，然后通过归一化得到训练特征向量，采用改进的BP神经网络，得到振动与地形类型之间的映射关系。最后，对混凝土、草地、砂、砾石和混合料五种环境进行了分类试验。经过20次随机测试实验，分类精度在88.99%～100%范围内，实现了无人车行进过程中对地形的分类及软硬程度的判断。

图3 Jackal移动实验平台与传感器布置Fig.3 Jackal mobile experiment platform and sensor layout

2)地形重构

地形重构问题在无人系统领域被广泛关注。文献[55]提出了一种利用低空立体视觉图像序列建立高分辨率地形高程图的方法。文献[56]针对行星漫游器地形相关导航中的地形匹配问题，提出一套三维地形特征提取匹配方法，仿真结果表明，对于激光雷达获取的三维地形数据，方法在特征重复检出率和正确匹配率方面性能较好。文献[57]提出了一种利用移动机器人和激光测距仪生成城市环境紧凑三维地图的方法。

哈尔滨工业大学航天学院针对基于视觉和激光雷达的地形测量受到强烈光照和沙尘暴等环境影响的问题，提出了一种振动/陀螺耦合地形估计方法[58]，通过对测量不确定度和运动不确定度的分析，推导出地形更新模型，并进行了仿真与实物测试，室外地形重构结果如图4所示，表明基于振动/陀螺耦合的地形估计方法可以有效的重构地形纹理。

图4 室外地形重构结果Fig.4 Results of outdoor terrain construction

2.5.2语义建图

同步定位与建图技术也被称为SLAM技术，实现了传感信息向物理环境空间模型的转换，并通过环境特征实现了自身位姿的同步估计，语义建图是在几何与外形地图的基础上进行语义的分割，获得环境中障碍类别等更为高层的环境信息，实现更为丰富的环境理解。

文献[59]提出了一种新的基于区域的目标检测器设计方案，它能有效地整合来自扫描窗口局部模型和全局外观提供的信息，对人或其他具备关节动物的语义分割中获得了很好的性能。哈尔滨工业大学航天学院针对退化环境中视觉传感器可能受到功能限制的问题，提出了基于视觉/触觉融合的语义地图构建方法，语义融合实现框架如图5所示，主要由三部分来实现语义的融合，分别为基于视觉的语义建图、基于振动触觉的地形分类以及两者的融合，该方法使无人系统即使在视觉失效的情况下，通过振动触觉依然可以提供有限范围内的地形认知精度。

图5 语义融合实现框架Fig.5 The framework of semantic fusion

3 进展与挑战

异构无人系统通过系统间功能、性能的差异互补，可以执行由单一或同构无人系统难以执行的复杂任务。协同控制架构设计、协同任务规划与决策技术、智能交互技术、目标感知技术、环境感知技术作为异构无人系统协同作战的关键技术，在自主无人系统、多机器人系统、无人机蜂群系统等多个相关技术领域受到了广泛的研究与关注。在此基础之上，异构无人系统协同作战对其提出了新的技术需求。结合异构无人系统协同作战的技术需求与相关关键技术的研究现状，对异构无人系统的相关技术进展与面临的挑战进行如下总结：

1)协同控制架构设计方面，协同控制架构设计是多机器人系统、无人机蜂群系统、异构无人系统等存在多平台协同的复杂系统需要解决的共性问题。虽然集中式控制架构、分布式控制架构、有限集中式控制架构等典型架构已被提出，但研究偏重理论层面，实际应用中涉及的相关问题并未深入结合。异构无人系统协同控制架构的设计在其基础上更应关注系统鲁棒性、计算效率与负载均衡、整体性能优化等更为具体的实际问题。

2)协同任务规划与决策方面，对于异构无人系统协同作战，其面临的环境存在高度的不确定性，传感器噪声、硬件损伤、通信干扰等因素都会对系统的整体性能造成影响，目前相关研究对于不确定、对抗环境下的协同任务规划与决策研究有待深入，通过不确定性推理、智能学习等手段使异构无人系统具备不确定条件下的高度自主性与灵活性将是一个具有挑战性的问题。

3)智能交互方面，人与无人系统以及无人系统之间的交互方式有直接交互与间接交互两种。通过通信设备直接进行系统交互已经得到了诸多学者的广泛的研究与关注。通过约定动作、标记等基于线索推断的间接交互目前研究相对薄弱，目前缺乏基本理论的支撑。间接交互在远距离交互、通信干扰等直接交互受限环境下可以作为系统交互的有效支撑，其基本理论、系统设计等方面存在广阔的研究前景与技术挑战。

4)目标感知方面，目标检测与跟踪是异构无人系统实施对环境与目标干预的前提，目前相关研究往往针对特定场景下、特定目标的检测与跟踪，对于开放式、自然环境下的普适性目标检测与跟踪研究较为薄弱，开展开放式、自然环境下的非特定目标检测与跟踪具有较为突出的实际意义。

5)环境感知方面，基于视觉、激光雷达、GPS等传感器的无人系统环境感知是目前的研究热点，其相关理论与技术受关注度较高。考虑异构无人系统协同作战所处的复杂环境存在烟尘、黑暗、潮湿等退化条件，将严重影响传感器的性能，开展结合非常规传感器的退化环境感知问题研究，可以作为环境感知的有效支撑，有助于提升复杂环境下的感知鲁棒性。

总体来说，异构无人系统协同作战相关技术在取得一定成果的同时也存在着许多问题，需要进一步的研究完善。

4 结 论

本文以异构无人系统班组城市作战为牵引，提出了异构无人系统架构设计、异构无人系统协同规划与决策、通信交互、目标感知、环境感知等关键技术，同时指出应重点考虑异构无人系统的机动方式、机动性能、通信能力、计算能力等异构性，以及其作战环境中的目标遮挡、黑暗、烟尘、通信间断等不确定性、对抗性对异构无人系统的影响。针对上述关键技术的研究现状与特点进行了阐述，最后明确了异构无人系统协同作战的进展与挑战。