摘要：无人机（UAV）协同控制是指一组UAV 以机间通信为基础、群体智能为核心，合作分工完成某一共同任务的控制方式。UAV 集群是拥有一定自主能力的大量UAV 基于局部规则执行各项任务的多智能体系统，与单架UAV相比，UAV 集群有着高效率、高灵活性和高可靠性等优点。针对近几年UAV 协同控制技术的最新发展动态，首先，从民用和军事两个角度举例说明多UAV技术的应用前景；接着，对比分析一致性控制、蜂拥控制和编队控制这三种主流协同控制方式的区别与发展现状；最后，对协同控制面临的时延、避障和续航等问题提出几点建议，为未来UAV 协同控制研究发展提供一定帮助。
0 引言
自然界中许多生物群系都是由大量个体组成。虽然个体功能简单，并且获取信息的方式单一，但它们成功凭借局部交互构成了复杂的群体行为，完成躲避捕食者［1］、寻找猎物［2］和长途迁移［3］等任务。集群行为的研究方法共经历3 个发展阶段：1）生物集群行为的发现阶段，许多生物研究者通过长时间观察发现生物群体特有的行为［4］；2）群集行为的仿真阶段，研究人员用计算机模拟并完成了生物群集行为的测试；3）严格的建模和集群行为的分析，这是目前正在进行的研究［5-6］。集群作为一种集体行为，它最重要的特点便是从简单的局部规则演化为协调的全局行为。从系统学的角度看，群体行为具有自适应性、鲁棒性、分散性和自组织性等特点［7］。无人机集群作为一种新型的集群系统，无论在民事还是在军事领域都有着广泛的应用场景。
随着技术发展，无人机（Unmanned Aerial Vehicle，UAV）逐渐代替危险环境中的工人，执行未知领域探索和危险环境监测等D3 类任务（Dull，Dirty and/or Dangerous missions，D3 missions）。科技的进步推动了无人机自动化水平的提高，让操作者可以下达抽象式指令，而非进行详细地控制，例如手动操作避开障碍等。在战场环境中，人工控制的减少将使决策中心从传统的后方转移至战场中心，相较于远程控制，直接参与作战的单位对战场有着更强的理解，能够更快地做出决策。但单无人机能力始终有一定的限度，存在搜索范围小、环境敏感度低和运行时间短等问题，同时单无人机在遇到硬件损坏或软件故障等情况时很难顺利完成任务，因而多无人机协作应运而生。无人机协同系统是一组无人机通过与其他无人机和周围环境相互作用来完成特定任务，作战成本低、自适应能力强和可扩展性强等优点［8］使得无人机集群协同作战越来越受到各个国家的重视。无人机集群技术发展至今，日益广泛地应用于国土资源遥感、警事维稳、电力巡线、环境监测和城市规划等民用领域［9-12］，同时在军事领域的火力打击、电子对抗、雷达诱骗和侦察搜索等特殊任务［13-15］中也扮演着重要角色。
协同控制算法根据控制方式和目标的不同主要分为三类，包括一致性控制、蜂拥控制和编队控制。其中一致性问题是学者关注最多的一个问题，Ren 等［16］对一致性问题研究做出系统性解释，但未包括近几年获得的一些重要成果；Sun等［17］和Wiandt 等［18］对蜂拥控制进行回顾，但没有讨论其他的相关协同技术和蜂拥控制算法的具体应用；Senanayake 等［19］研究了用于搜索和跟踪的协同算法，但缺少对协同系统的其他应用和算法的介绍。本文主要介绍近几年协同控制算法在无人机领域的具体应用和相关算法的研究进展，回顾学者在解决一些难题时做出的努力和总结目前仍存在的问题。
1 无人机应用
随着社会发展，无人机技术在越来越多的行业中扮演着重要角色。研究人员也在研究通过多架无人机合作来拓展和改进它们的应用。多无人机技术已在搜索救援、城市规划和军事需求等领域投入使用。本章将介绍多无人机协同控制的应用现状和发展潜力。
1.1 民事应用
搜索救援 相较于传统的地面或直升机搜索救援，无人机成本更低且效率更高。在危险环境中搜索时间是救援能否成功的关键因素，相较于救援车，无人机可更快到达救援地点；相较于直升机，无人机装载的人脸识别系统和鸟类视觉比人眼更为灵敏和耐心。无人机部署时间短，针对大范围的搜索救援工作多无人机协同合作有着更直接的优势。在2006年的卡特里娜飓风灾后，美国使用多架自主无人机为救援行动抢下许多宝贵时间。Maza 等［20］在模拟火灾场景中使用两架无人机协作实时监控消防员的行动和安全情况。Goodrich等［21］合作研发出一套用于荒野搜索和救援的微型无人机，通过技术手段收集和分析失踪人员的可能迹象来建立模拟失踪人员行为的随机模型。如果该模型与某一受害者相匹配，那么就可以定位失踪者目前的可能位置。该系统解决了载人直升机的局限性，也为无人机协同控制方法提供新的思路。
城市规划 灵活性高、视野广阔和无障碍进入多数环境等优势使得无人机成为绘制地图和城市规划的流行工具，无人机如何协助研究人员绘制地图已有很多研究［22-24］。Remondino 等［22］成功使用多无人机进行空间测绘和三维建模，对无人机的编队和分布方式提出具体要求。Lin等［23］利用无人机激光探测技术绘制芬兰部分地区的精细地图。在对违章建筑监测［25］过程中，多无人机协同配合，可快速完成区域内重点建筑的调查取证工作。不仅如此，无人机定位在危险环境或未知环境起着重要作用［26］。Han等［27］提出多无人机遥感进行核辐射场景下的测绘，降低危险环境下多无人机的工作成本并提高原子辐射探测的工作效率。
1.2 军事应用
无人机协同控制在军事领域中有着许多现实和潜在的应用。从侦查搜索到对地精准打击等任务已经证明一组低成本、组织性强的无人机群比单一的高成本无人机有着更强的作战能力。通常协同作战需要无人机以固定结构飞行，编队飞行的优势之一便是通过定位跟随可减少无人机的飞行阻力，显著降低油耗［28］。图1 展示了四种无人机集群参与的军事任务。
图1 无人机集群军事应用
Fig.1 Multi-UAV military missions
火力打击 相较于传统的火力打击，无人机作战距离更远、打击精度更高、人员伤亡更低。无人机集群式作战可提供更大范围的火力覆盖和更高的成功率。主动释放的诱饵无人机在受到攻击时，可收集敌方雷达和战车等重要设施的位置信息，为后方精准打击提供先机。面对敌方火力防线，无人机集群中部分无人机将作为“僚机”，负责护送携带高杀伤武器的无人机进入其有效攻击范围。不仅如此，导弹控制系统也可仿照无人机协同控制，面对敌方多层次防御体系，一组导弹协同作战更能实现对关键目标的精准打击。
电子对抗 通过电子对抗进行隐藏通常被称为干扰，一般是依靠噪声形成雷达干扰以达到欺骗的作用，电子对抗使得我方单位从敌方雷达中隐去，是战场获胜的重要先机。一般而言，干扰可分为自干扰和支援干扰。自干扰是无人机采用雷达干扰以实现自我保护，支援干扰则是多架无人机协同干扰以掩护其他单位。Kim 等［29］针对无人机的护航任务，提出一种紧密编队和协同合作来欺骗对空导弹的跟踪雷达。
侦察监视 无人机凭借空中优势可以有效完成侦察任务，如派往敌方空域收集重要设施的位置信息，在科索沃战争中，美军就利用侦察无人机精准轰炸了南联盟70%的军火库和30%的指挥所［30］。同时无人机可用于搜索渗透至我方范围内的敌人，在森林场景中，其特点是许多小的障碍（树或灌木丛）和一个个独立的目标单元（敌人），相应策略是增加单独行动的无人机数量，并提供一定攻击能力（如果包含火力打击任务）；而视野开阔的平原，其特点是障碍物少、目标单元密集，相应策略则是出动分布广而稀疏的无人机群，保证大范围的侦查视野。
战术格斗 在正面战场上，无人机带来的“战斗零伤亡”是指挥官们一直追求的目标，通过操作员实现远程作战可有效完成各种高危险任务［31］。但在大规模对抗中，“一人一机”模式下操作员数量的增加会对控制中心和通信造成很大的负担。“有人机+无人机”模式由此提出，操作员控制单个或部分无人机，无人机群依靠协同系统共同完成操作员下达的指令。无人机群转变成作战小组，组内成员合作完成任务，同时小组间也可分工合作实现某些战术。美军曾实验5 架协同无人机与8 架配有预警机的F-22 对抗，最终战损比为8∶0［32］，由此可见，无人机集群协同控制使得战术能融入无人化作战当中，对未来战争将产生很大影响。
2 协同控制方法
根据方法的不同协同控制算法主要分为三类，包括一致性控制算法、蜂拥控制算法和编队控制算法。下面将具体介绍三种算法的一般定义与研究现状。
2.1 一致性控制
2.1.1 一致性算法
为实现无人机集群分布式控制，许多学者已提出多种不同方法，其中基于图论的一致性控制算法越来越受到关注。该算法将无人机抽象为图中的节点，无人机之间的通信则用边表示，其优点是可用图表示任意队形，理论较为成熟。Jamshidi 等［40］为无人机的协同控制设计了一个实验台和共识技术；Rezaee 等［41］提出一种针对高阶多智能体系统的一致性协议，展示了智能体如何利用周围邻居共享的相对位置信息实现一致性；Shoja等［42］针对非线性非完全动态系统设计一种基于估计的一致性控制方案，并成功跟随多个领导者；Gallehdari 等［43］提出一种实时分布控制重构法，该算法利用智能体的最近邻信息和内部故障检测与识别功能，保证智能体出现故障时仍可以保持一致性。算法中智能体采用一阶动力模型，在最小化维持故障智能体运行成本的基础上设计控制器，从而优化了集群的性能指标。
其中：xi(t)表示无人机i 在t 时刻的状态信息，A=[aij]为邻接矩阵，如果无人机i 和j 之间存在通信，则aij=1。式（1）可以重写为：
其中：L= D - A 表示拉普拉斯矩阵，根据拉普拉斯矩阵的性质，系统达到一致性的条件为：
当无人机之间的通信质量低时，一般可采用间歇性通信方式，通过差分方程更新无人机的信息状态。一般性离散时间差分方程［33］如下：
