多无人机协同侦察任务规划方法研究综述 *
庞强伟，胡永江 **，李文广，赵月飞，褚丽娜
(陆军工程大学石家庄校区 无人机工程系，石家庄 050003)
摘 要： 由于军事侦察任务的复杂性不断提高，且侦察方式逐渐向多无人机协同的方向发展，而任务规划是无人机执行侦察任务的关键技术，因此研究多无人机协同侦察任务规划方法具有重要意义。根据侦察对象的不同将其分为“点对点”协同侦察和“点对面”协同侦察两种任务模式。对于“点对点”协同侦察，对其目标分配算法与航迹规划算法的原理、优势与不足及改进方法进行了分析，介绍了航迹平滑的常用方法。对于“点对面”协同侦察，从环境信息是否可知的角度对当前的侦察方法进行了分析并总结。最后指出了未来多无人机协同侦察的发展趋势为多无人机携带多种载荷对环境未知的区域进行多角度覆盖侦察。
关键词： 多无人机；协同侦察；目标分配；航迹规划；覆盖侦察
1 引 言
现代战争中，无人机已逐渐成为进行战场侦察的主要工具。但由于侦察任务的复杂多变以及对侦察效率的要求，单架无人机执行侦察任务已无法满足任务需求[1]。这促使广大学者去寻找更佳的解决方案，因此多无人机协同的运用模式凭借其互相协同和优势互补的特点逐渐受到了国内外学者的关注。而且相比于单无人机系统，多无人机协同运用不仅能够满足更多的侦察任务需求，还可以显著提高侦察效能。
对于多无人机协同执行侦察任务，任务规划是无人机之间自主协同配合完成任务的关键技术，决定了无人机执行任务时的相互协同和任务的合理分配以及航迹规划的实用性[2]。
（5）团队与沟通:有在多学科背景下的团队中承担多种不同角色的意识和能力；会撰写学科报告、能够清晰陈述自己观点，有效的和业界同行、社会公众沟通和交流。
目前，国内外学者对多无人机协同侦察任务规划方法的研究按照其侦察对象的不同主要分两个方向：“点对点”的协同侦察[3]和“点对面”的协同侦察[4]。“点对点”的协同侦察即针对特定的一个或多个目标点，设计一种控制方法，能够将目标点按某种需求(如航迹最短、收益最高等)分配给各无人机并生成侦察序列，然后根据无人机的性能再对其局部航迹进行优化，使得规划的结果实用性更强。“点对面”的协同侦察即针对特定的大面积任务区域设计一种控制方式，使得多无人机能够以最小的代价快速高效地覆盖整个已知环境的任务区域；或者搜索任务区域，发现未知环境里价值较高的目标，降低环境的不确定性。
本文将对多无人机协同侦察的两种侦察模式进行分析，并介绍其算法原理、优势与不足以及改进方法。
2 点对点协同侦察
“点对点”的协同侦察任务规划根据其实施步骤可分为上层的目标分配和下层的航迹规划。目标分配即考虑各种约束，以某种任务效能为牵引，将具体目标分配给每架无人机。航迹规划即为无人机分配到的目标点规划最佳访问序列，然后结合无人机的性能和外界环境影响，对生成的航迹进行平滑处理，方便侦察任务的执行。
2.1 目标分配
多无人机协同侦察目标分配是指在战场环境(如地理环境、威胁环境等)、任务需求(如光电侦察、红外侦察和合成孔径雷达侦察，任务执行的先后顺序等)和无人机性能的条件下，为每架无人机分配一个或一组目标点，使得所有的点目标都能被侦察且其整体效能可达到最佳。其数学模型[5]可建立为
(1)
(2)
(3)
(4)
式(1)～(4)中：
表示将目标点j 分配给无人机i ，共有m 架无人机和n 个目标点；τ ij 表示将目标点j 分配给无人机i 所产生的整体效能。式(1)为目标函数，表示搜索能够使整体效能最大的分配方案；式(2)表示将将目标点j 分配给无人机i 时，为1，否则为0；式(3)表示每个目标点最多被分配给一架无人机；式(4)保证所有的目标点都有无人机去侦察。
目前对于区域分割的研究大致集中在以下三方面：
2.1.1 数学规划法
群智能算法凭借对初始值和对寻优函数要求较低的特点，具有全局寻优的能力和较好的适应性。但由于初始值设置的随机性，导致在解的空间搜寻过程中容易错失最优解进而陷入局部最优，与数学规划法相比，其精度大大降低。
(1)算法原理
从检修这件事情可以看出，如果工作中出现了沟通难题会对我们的工作以及工作团队带来很大的麻烦，从我所总结的三个层级的沟通难题也可以看出，这就分别对应了产生问题的三个主要因素：与上级的沟通难题是由于生活经历和文化背景的差异所造成的，与同事的沟通难题是由于观念、动机和工作方式的不一样造成的，而与下级的沟通难题就是由于立场利益的冲突所造成。
其原理与枚举法和指派问题类似，即列出问题的所有解决方案，去搜索整个解的空间而获得问题最优解。该方法可以得到问题的唯一最优解。由于其搜索整个解空间，这也是其计算量大且运算效率低的主要原因，不适应于解决规模较大的问题。
采用合同网的机制，使无人机不停扮演发布者与竞标者的角色，将整个目标分配视为一个市场交易，通过“招标-投标-中标”的市场拍卖机制来实现目标点的分配[14]。如文献[15]在合同网的基础上，提出了多agent分布协同拍卖的动态目标分配算法，可在规定的约束下给出较为接近最优分配的方案。
主要解决方法有多旅行商模型[6]、车辆路径问题[7]、混合整数线性规划模型[8]等。常用的matlab工具箱有clpex、lpsolve和yalmip等。
(2)改进方案
藏族同事给他起了个别名——钟大胆，因为不管山多高、水多凉，不管多么危险、多么困难，只要对研究有帮助，他就一往无前。他说：“有些事情是难，但再难，总要有人去做。只要国家需要、人类需要，再艰苦的科研也要去做。”
一是限制问题规模，将搜索空间控制在个体最优解的周围，约束不可行和效率低的分配结果，进而减少计算量。如文献[9]采用了满意决策理论，限制了解的搜索范围，成功解决了多无人机目标分配运算效率低的问题，但是该方法仅适用于无人机规模较小的情况。文献[10]在满意决策理论基础上了，运用拍卖理论提出递阶分配框架，能适应更大规模的多无人机协同目标分配问题。二是减少算法运行空间，提高求解效率。文献[11]提出了一种基于马尔科夫生成任务流的方法，减少了算法运行的空间，可以快速地解决目标分配问题，但是该方法仅适用于目标数大于无人机数的情况，且由于马尔科夫的无后效性，过度简化了无人机彼此之间的联系，其最终结果说服力较弱。
2.1.2 协商法
协商法为解决分布式问题的经典算法，与集中式任务分配相比，分布式任务分配问题控制系统使得巨大的计算量分散到每个无人机，提高了运算效率，使得系统的鲁棒性增强，但是对无人机的要求更高，需要无人机具备独立计算、分析与决策等能力[12]。
(1)算法原理
将多无人机协同目标分配问题划分为多个子问题进行并行高速处理，再将各子问题的解整合为整个问题的解。该方法易实现，且适用于解决规模较大的多无人机目标分配问题[13]。但是该方法将无人机性能过度抽象，且要求较高，如良好的通信等，其最终结果与最优解相比误差较大。
(2)改进方案
系统代谢“废物”发生强度体现了系统代谢效率水平，系统中未利用的代谢“废物”总量为2 213.1 t，其中，废水产生量为2 155 t，废气产生量为53.6 t、固废量为4.5 t，每生产1台风电齿轮箱将产生0.8倍的代谢“废物”积存或排放。可见，除了蒸发损失，新鲜投入水的80%均转化成了废水，100%的清洗剂（溶剂型）及77%的油漆成分转化为废气，考虑喷涂企业均采用了废气末端综合处理处置措施，处理方式主要以活性炭吸附+催化燃烧为主，有机废气净化效率一般可达到90%以上，废气中绝大部分最终可被分解为CO2和H2O或以固废的形式进入环境。
2.1.3 群智能算法
随着近年来人工智能的发展，群智能算法也逐渐被用来解决多无人机任务分配问题，其具有灵活、自适应、易实现和计算复杂度低等优点[16]。
(1)算法原理
群智能算法类似与随机式搜索算法，通过在解的空间里不断的进行迭代，进而找到一个近似最优解的解。其实质是模拟各种群体动物的自组织行为，其每个个体的行为都将影响整个群体的发展趋势，每个个体之间既相互独立又彼此影响，推动整个群体的发展，直至找到一个近似全局最优的解，但是易早熟。
传统的汽车金融服务采取的是线下收集客户资料，审核客户信用状况，过程繁琐，再加上人工审批和放款，业务耗时较长。在互联网金融背景下，与汽车消费相关的贷款申请、审核以及放款等流程都在线上完成，不受时间地点的限制，极大地节约了人力、物力、财力，提高了办事效率，时效性得到了增强。汽车金融的业务周期由以往的平均3.7天，缩短到现在的2.4天，极大地节省了时间，用户体验感得到加强。
数学规划法也可称之为精确算法，是集中式任务分配问题的经典解决方法，具有结构简单、易实现的优点，可以进行全局寻优，但是其计算量巨大，运算速度较慢。
营造技艺的“变”实则是探讨建筑本体在“源”、“流”之间的变化关系。如图1所示，一是以营造“圈”为核心，经过不同营造“流”的路径，发展出相应的演变结果；二是营造之“圈”相互交流时部分区域发生的“变化”。这种营造“变”包含了共时性和历时性两个层面。
(2)主要模型
最常用的有人工鱼群算法、遗传算法、粒子群算法和蚁群算法等[17]。人工鱼群算法是一种通过模拟个体鱼的觅食、聚群和追尾等行为去寻找水域中富含营养物质最多的地方来进行全局寻优的算法[18]。遗传算法是一种模仿了查尔斯·达尔文提出的自然法则的启发式随机搜索算法，通过模拟选择、交叉、变异等操作，达到全局搜索的目的，进而求得问题最优解[19]。粒子群算法是模拟鸟群觅食行为的一种算法，其个体之间通过共享信息来不断更新自己的位置和速度以及全局最优解，其具有易实现、计算复杂度低和收敛速度快等优点[20]。蚁群算法模拟了蚂蚁觅食的过程，每只蚂蚁在经过的路上都会留下某种激素(信息素)，随着激素的不断积累，整个蚁群的觅食路径就会向着激素浓度高的路径转移，最终找到全局最优解[21]。
综上所述,应用集束化护理措施,能够显著降低呼吸机相关性肺炎患者的机械通气时间、呼吸机相性肺炎发生率,并有助于提高护理质量与患者满意度,值得临床广泛推行。
(3)改进方案
对于投资风险的防范主要通过事前的风险评估和事中的风险防控两部分组成，事前风险评估主要通过经营杠杠系数和投资收益率进行衡量，其中经营杠杠系数反映的是项目投资风险与项目收益之间的正比关系，投资收益率反映的是项目所带来的收益与其所投资的成本之间的关系。
一是设置搜寻导向策略，主导群智能算法的搜寻方向，降低其随机性。文献[22]在人工鱼群算法的基础上引入了加权平均距离策略、步长的对数移动因子策略和个体的高斯变异策略，有效提高了算法的收敛速度和全局搜索能力。文献[23]基于遗传算法，改进了其粒子群位置和速度的更新过程，然后利用贪婪策略的局部最优搜索能力与其进行混合搜索，显著提高了搜索能力，能够快速解决多机协同作战的目标分配问题。文献[24]提出了一种加入时间窗约束和目标侦察分辨率的改进粒子群算法，在避免其陷入局部极值的同时也加快了其收敛速度。二是算法优势融合，提高其优速度。文献[25]凭借遗传算法其较强的容错性、鲁棒性以及较高的精确度等优点，提出了一种采用矩阵编码方式的改进遗传算法先进行全局寻优，而后利用模拟退火算法后期的快速收敛性对其结果进行局部优化，明显提高了其寻优精度和收敛速度。三是对算法进行恰当的改造，提高寻优准确率。文献[26]根据蚁群算法的分工机制，在充分考虑任务之间的约束和无人机性能差别之后，构造了基于任务代价的状态转移规则，成功提高了算法的精确度与运算速度，有效解决了无人机协同多任务分配问题。文献[27]为了保证遗传算法种群的多样性，利用了启发式信息和变异操作构造初始种群，有效避免了早熟问题。
如图2所示，当k=0，NS=0时，进行第一次扫描。若由于接收端RX不在波束所覆盖区域内等原因导致发射端的监测传感器未能监测到接收端，则扫描环节失败。将进行下一次扫描，即NS+1。若成功扫描到接收端，则进行两端间的连接、读写数据并开始充电。当设备RX达到其充满电的额定电压值时，此时充电完成判断成功，即充电成功。但此期间接收端发生相对移动或其他情况，两端可能会产生通信失败或误判充电完成等结果。因此，在这4个环节中任意一个环节的失败将进行一次新的充电过程，即k+1。当k＞3或NS＞NSmax，则充电失败。
2.2 航迹规划
通过目标分配，即可将目标点群具体分配到每架无人机，当每架无人机分配到的目标点数超过两个时，不同的访问顺序会导致不同的航迹代价，而在实际战场环境中，障碍物、防空导弹等威胁的复杂外界环境也会对无人机的航迹代价产生影响，所以必须为每架无人机规划出满足飞行安全要求和任务要求的最佳侦察序列，使无人机群以最小的代价完成任务。航迹规划可分环境建模、航迹搜索和路径平滑等三步。
2.2.1 环境建模
环境建模就是将外界复杂的物理环境空间转换为依托算法并易于求解的空间。为了方便求解，一般将无人机速度较高、任务范围较大的三维空间航迹规划问题简化为二维平面航迹规划问题。对于地形比较复杂、无人机速度较低、任务范围较小的航迹规划，则在三维空间进行航迹规划。
(1)主要方法
何西何北一看这架势赶紧凑到权头跟前，何北说：“叔叔对不起，何东说了，权筝要有个三长两短，他，他也不活了，您就放心吧！”
主要有Voronoi图法和栅格法。Voronoi图是由连接两相邻点直线的垂直平分线组成的连续多边形网格图，可依靠环境中的威胁源和障碍物为Voronoi图的特征元素，对空间进行分解简化[28]。Voronoi图具有数量级低、构造时间快、距离威胁和障碍最远等优点，因而基于Voronoi图规划出的无人机航迹最安全，但是该方法仅适应于二维空间环境建模。栅格法是可以根据环境特点和任务需要用大小相等的方块将环境建模，所以该方法容易实现，并且能够克服Voronoi图二维建模的局限，扩展到三维环境。栅格分得越小，则描述空间的能力越强，越接近与真实环境，则航迹规划得越准确，但同时其存储的信息量也会增加，其计算速度将会减慢。目前的建模方法在面对大范围的复杂环境，无论是用栅格法表示还是Voronoi图表示，都异常复杂。
本研究针对矩形LED阵列和三角形LED阵列的布局进行优化研究。光源面与目标面之间的距离为20 cm，使用100个LED光源，视角为0时的发光强度为25 cd，并假设m=81。根据LED光源的相关参数，分别采用斯派罗法则、粒子群算法、模拟退火粒子群算法计算不同形状阵列的最优坐标。
(2)改进方案
对于微弱信号检测系统来说，虽然采用低噪声前置放大器，但在实际应用中在放大待检测信号的同时依旧无可避免将噪声的幅值提高。为进一步降低噪声幅度，提取有用信号，在一级放大电路中引入模拟滤波电路。设计以一阶低通滤波器与二阶压控电压源型低通滤波器（VCVS型低通滤波）组成模拟低通滤波器。VCVS型低通滤波电路又称萨伦-基（Sallen-Key）电路。该类型滤波器拓扑结构具有正反馈，增益可通过外加电位器调节，实现大增益输出。而且因其元器件较少，不存在积分运算，输入输出阻抗性好的特点，它对运算放大器特性要求小[5-6]。VCVS型低通滤波器电路结构如图3所示。
人脸匹配技术能够对各个交通路口进出学校的行人进行检测，并通过人脸对身份进行识别，通常用于检测某个人在哪里出现，用于考勤或者是定位嫌疑人的移动轨迹。
2.2.2 航迹搜索
航迹搜索即在上述环境建模的基础上，选取合适算法规划出满足飞行安全要求和任务要求的最佳侦察序列。
(1)主要方法
主要有启发式A*算法、人工势场法和群智能算法。启发式A*算法是一种静态路网中求解最短路径最有效的直接搜索方法，但是该算法对环境依赖性较强，计算量较大，且并行能力差[2]。人工势场法是一种模拟空间力场的航迹规划方法，通过目标点对无人机产生的“引力”和障碍物(威胁物)对无人机产生的“斥力”共同作用下来控制无人机运动形成航迹，该方法规划速度快且避障能力强，规划出的航迹比较平滑且安全，但是容易陷入局部最优，且动态规划能力较差[32]。群智能算法同样也可运用于多无人机协同航迹规划，具有规划速度快、并行性好、可收敛至最优等特点，但由于智能算法属于随机搜索算法，其容易出现停滞现象，且参数选取难以控制[16]。
(2)改进方法
针对A*算法计算量大的缺点，文献[33]基于栅格法，利用A*算法进行正向和反向同步搜索，极大地提高了航迹规划效率。针对人工势场法动态规划弱的缺点，文献[34]将相对速度和相对加速度引入人工势场模型，实现了基于人工势场的动态航迹规划。对群智能算法进行恰当的改造，可以提高全局寻优能力。如：文献[35]改进了蜂群算法中的雇佣蜂阶段和守望蜂阶段，克服了蜂群算法易陷入局部最优和后期收敛速度慢等缺点，提高了航迹规划速度；文献[36]基于栅格地图采用了改进的人工鱼群算法来解决机器人的航迹规划问题，最终结果稳定性强、计算时间快且更接近最优路径；文献[37]利用栅格法将环境空间进行两次区域划分，形成局部节点集合和全局离散点集合，然后利用改进的蚁群算法进行搜索，先在节点集合中搜索局部路径，再在离散点集合中搜索出最优路径，有效解决了空间复杂度高和搜索效率低等问题。
2.2.3 航迹平滑
环境未知情况下的区域覆盖侦察即区域航迹搜索问题，目的是获取任务区域的信息，降低环境的不确定性，与一般的“点对点”航迹规划有所类似，但有所不同[44]。一般的航迹规划问题是指在一定的约束条件，为无人机寻找从起始点到目标点并满足无人机性能和环境约束的飞行航迹。而区域航迹搜索没有确定的目标点，而是通过自身携带的传感器以最小的代价去最大程度地获取任务区域的信息，并尽可能发现隐藏在环境中的特定目标。
(1)基于曲线的航迹平滑
常用的曲线平滑有B样条曲线、Beizer曲线、Dubins曲线[39]等。文献[40]采用B样条控制点作为遗传基因，通过遗传算法优化B样条曲线，提高了航迹的平滑性。文献[41]基于人工势场法生成的航迹，然后用邻域内的平均值代替邻域的中心点值来平滑航迹，也能够规划出满足飞机性能约束条件的最佳航迹。
(2)基于航线转弯方式的航迹平滑
基于航线转弯方式的航迹平滑可分为压点平滑、向点平滑和绕点平滑三种。
压点平滑是一种直接飞向原规划航路点、到达该点后再进行转弯飞向下一个航路点的航迹平滑方式。如图1所示，压点平滑时，航路点N 为转弯圆弧的最前端，圆弧所在圆周半径为无人机的最小或有效转弯半径，切入角ψN 为平滑处理后无人机经过航路点时的实际航向。该平滑方式考虑了无人机的最小或有效转弯半径，以及飞过航路点时的航向，确保了平滑后的航迹满足无人机的机动性能。
图1 压点平滑示意图
向点平滑与压点平滑相似，也是一种经过原规划的航路点的平滑方式，但是该平滑方式需要指定到达该航路点的切入角ψN 。如图2所示，图中虚线代表原航路，实线则是按向点平滑方式得到的新航路，其中航路点N 为转弯圆弧的末端，圆弧所在圆周半径为无人机的最小或有效转弯半径，切入角ψN 为无人机的经过航路点时的应飞航向。
图2 向点平滑示意图
绕点平滑是一种不经过原规划航路点的平滑方式，如图3所示，平滑时，无人机不需要飞过航路点N ，只需沿着以航路点N 为圆心的圆弧飞行即可，一般适用于需要在目标点区域进行盘旋侦察的场合，或者飞行航路中需要快速调转方向的区域。
图3 绕点平滑示意图
3 点对面协同侦察
“点对面”协同侦察即要求无人机在一定约束条件下能够将待搜索区域无遗漏进行覆盖侦察。相比于单无人机区域覆盖，多无人机区域覆盖可以显著提高其覆盖效率和可靠性[42]。覆盖效率的提高是因为多无人机工作时，可以减少整个侦察任务的执行时间。可靠性就是当多无人机执行任务中某架无人机失效或毁坏时，可以对剩下的任务区以及剩下的无人机进行重新规划，仍然可以完成区域覆盖任务。
目前，关于区域覆盖侦察任务规划问题的研究较多，主要集中在机器人领域[43]，但是针对多无人机区域覆盖领域有待进一步研究。多无人机协同区域覆盖侦察根据环境的已知情况可以分为环境已知的覆盖侦察和环境未知的覆盖侦察[44]。
3.1 已知环境
在环境已知条件下，无人机可以基于环境地图信息根据规划好的覆盖路径遍历目标区域。对于多无人机协同区域覆盖侦察，一般都是采取将整个任务区按照某种规则(无人机性能、最小宽度和)进行分割，然后再将分割好的子区域分配给每架无人机，这样整个问题就简化为多个子区域内的单机区域覆盖，最后在对每架无人机规划出能够遍历整个任务区域的航迹即可[45]。
3.1.1 最佳覆盖路线的确定
在进行区域覆盖侦察时，目前采用的方法主要有平行线式[46-47]和内螺旋式[48]两种方式。由于无人机性能的约束，文献[49]从能量、路程、时间角度证明了转弯过程比直线飞行过程的效率要低，而内螺旋式侦察大部分时间都是在做机动转弯，所以目前大部分的研究都是基于平行线式的侦察。即使利用平行线式侦察，但在遇到任务区边界时，也避免不了要进行转弯，如图4(a)和(b)所示，直线路程都为56个单位，但是明显图(a)的覆盖方式比图(b)多了3次转弯，所以为了提高侦察效率，应选择转弯次数少的侦察路线，即让无人机沿垂直任务区宽度的方向用平行线式侦察进行区域覆盖，如图4(b)所示。
图4 搜索方向示意图
3.1.2 区域分割方式
该数学模型由于随无人机数量和目标点数量的增加，其复杂度呈指数级增加，是一个典型的多约束和多目标的最优化非确定性多项式难题，目前常用的解决方法大致可分为三种：数学规划法、协商法和群智能算法[2]。
一是对于二维平面内大范围的环境建模,可以将Voronoi图和栅格法结合起来[29-30]，这样能够节省计算资源、提高计算速度。二是提取大范围复杂环境的重要特征来简化环境建模。文献[31]通过从复杂图中提取缩略图的方式来简化环境，进而提高了航迹规划的速度。
第一，以寻求最少转弯次数和为导向，进而转化为求解子区域最小宽度和问题进行区域分割。如文献[50]为了获得每个子区域中的最小转弯次数，将凹多边形区域根据最小宽度和的原理分解为凸子区域来进行区域覆盖。虽然该方法比较有效，但是由于要不断求解最小宽度和，且分割的情况较多，因此计算量较大，运行速度较慢。文献[51]对任务区域采用多边形宽度和最小面积外接矩形的方法进行了整理和离散化处理，然后采取一种基于生成树构建的方算法来解决区域覆盖侦察问题，最终结果表明该方法也可以以较少的转弯次数完成任务。
第二，结合无人机能力进行区域划分割。文献[52]充分考虑了无人机性能的限制，基于性能评价比值，提出了一种基于无人机性能和子区域宽度的任务区域划分算法来解决多无人机区域覆盖侦察问题。文献[53]采用模糊推理对无人机性能进行了评估，然后根据性能评估指数采用基于面积的区域分割方法将任务区进行分割，当某架无人机发生故障时，还可以采用该方法进行重新分割，具有良好的容错性，但是计算比较复杂。
第三，基于图论的区域分割。文献[54]和[55]均采用Voronoi图对任务区域进行分割，文献[56]通过聚类分析和质心Voronoi图划分等方法对目标区域进行分区，然后结合子区域特点将分割后的子区域分配给各无人机进行单机侦察。但是这种分割方式没有合理的分割依据，且对无人机的自主性要求较高，最终结果的可靠性较差。
3.2 未知环境
由于无人机性能的局限性，必须对规划出的航迹进行平滑处理，使得最终的航迹能够满足飞机的机动性，提高其可操性。目前，航迹平滑方式可分为基于曲线的航迹平滑[2]和基于航线转弯方式的航迹平滑[38]。
文献[57]针对区域的不确定性，提出了基于改进最大生成树的覆盖搜索路径算法，从区域形状的不规则性出发，通过子生成树和分支最少原则生成树进行搜索航迹规划，最后证实该方法可有效协调无人机行为，并高效运用于覆盖搜索任务。文献[58]针对不确定环境下的多无人机侦察问题，提出了基于最大可知度的控制算法，能够有效实现多无人机之间的协同搜索，同时还可以保证搜索区域覆盖性和时间优越性。
文献[59]将模型预测控制理论和遗传算法相结合，通过六边形网格建立了多无人机协同搜索的预测模型，并使用贝叶斯准则不断更新，有效降低了环境的不确定性，但计算过程比较繁琐，运算效率较低。文献[60]提出了一种基于协同进化算法的多无人机协同区域搜索的路径规划算法，可在线生成多无人机协同搜索路径，有效提高了运算速度，比遗传算法具有更高的搜索效能。文献[4]提出了针对通信约束影响的基于预测控制的多无人机协同区域搜索算法，在执行搜索任务同时并充分考虑当前搜索代价和长期搜索代价，有效降低了通信约束的影响，并提高了多无人机的协同搜索效能。
4 总结与展望
现阶段对于多无人机协同侦察任务规划技术的研究已有了许多理论，但是在求解方法上还面临许多问题，主要集中在以下三方面：
(1)模型建立。在环境建模时大都是将战场环境简化为二维环境来处理，对三维空间环境模型的建立还有待加深，导致在进行求解时没有统一的模型，模型的普适性较差。
(2)运算效率。目前的算法大致可分为精确求解法和随机搜索法。精确求解可以找到最优解，但其运算效率较低；随机搜索跟其搜索的方向与迭代次数有关，较精确求解算法来说其求解速度较快，但是其不容易收敛到最优。
(3)算法鲁棒性。目前的任务规划大都是预规划，没有考虑实际的突发情况，使得整个多无人机系统鲁棒性与可靠性较差，一旦出现突发情况，就会影响任务执行的效率，严重时还会导致整个任务的中止。
目前的解决方法种类繁多，但各有优缺点，因此，未来将趋向于将多种方法结合起来，形成优势互补的方法来解决多无人机协同侦察问题。针对以上存在的问题，未来多无人机协同侦察大致可分为两个方向：
(1)图论与算法的结合。由于通过图论可以将战场环境简化为易于求解的空间，简化一些不重要的信息，然后在此基础上再选取合适的算法(数学规划法、协商法和群智能算法)进行求解，可以大大加快求解的效率，提高任务规划的速度。
(2)在线动态规划与提前预先规划的结合。目前，战场环境千变万化，为了提高整个多无人机系统的容错性与可靠性，必须使得多无人机系统具备在线动态规划的功能，保证遇到突发威胁时(如坠机、不明障碍物或导弹威胁)可进行自主任务重分配与航线重规划，进而不影响整个任务的完成，这样能够很好地体现出无人机群的自主性与协同性。
5 结束语
本文对多无人机协同侦察的任务规划方法进行了分析，根据其侦察对象不同分别介绍了两种任务模式。目前多无人机任务规划技术已取得了显著的成果，其自主性、协同性和可靠性越来越强，尤其是在“点对点”协同侦察任务规划方面，从上层的任务分配到下层的航迹规划，其理论研究比较成熟。但在“点对面”协同侦察任务规划方面，国内外的研究相对甚少，大多都是继承机器人覆盖问题的研究成果，尤其是对环境信息未知情况下的区域侦察，研究更少。
所以，未来应该着重研究多无人机对环境未知的面目标进行侦察，而且为了提高获得情报的可信度，不应局限于目前的只对任务区域侦察一次的模式，而是应从各个角度携带多种载荷进行多机多点重复侦察，以此来提高情报信息的可信度。
参考文献：
[1] 胡超芳,杨娜,王娜.多无人机模糊多目标分布式地面目标协同追踪[J].控制理论与应用,2018,35(8):1101-1110.
[2] 赵明,李涛,苏小红,等.三维多无人机系统协同任务规划关键问题综述[J].智能计算与应用,2016,6(1):31-35.
[3] 陈海,王新民,焦裕松,等.一种凸多边形区域的无人机覆盖航迹规划算法[J].航空学报,2010,31(9):1802-1808.
[4] 符小卫,魏广伟,高晓光.不确定环境下多无人机协同区域搜索算法[J].系统工程与电子技术,2016,38(4):821-827.
[5] SAMEERA S,LUKE B,ALBORZ G,et al.Handbook of unmanned aerial vehicles [M].Berlin:Springer,2015.
[6] SATHYAN A,BOONE N.Comparison of approximate pproaches to solving the travelling salesman problem and its application to UAV swarming[J].International Journal of Unmanned System Engineering,2015,3(1):1-16.
[7] WANG X Y,STEFAN P,BRUCE G.The vehicle routing problem with drones:several worst-case results[J].Optimization Letters,2017,11(4):679-697.
[8] AVELLAR G,PEREIRA G,PIMENTA L,et al.Multi-UAV routing for area coverage and remote sensing with minimum time[J].Sensors,2015,15(11):27783-27803.
[9] 黄捷,陈谋,姜长生,等.无人机空对地多目标攻击的满意分配决策技术[J].电光与控制,2014,21(7):10-14.
[10] 廖沫,陈宗基.基于满意决策的多机协同目标分配算法[J].北京航空航天大学学报,2007,33(1):81-85.
[11] JEONG B M,HA J S,CHOI H L.MDP-based mission planning for multi-UAV persistent surveillance[C]//Proceedings of 2014 14th International Conference on Control,Automation and Systems.Seoul:IEEE,2014:831-834.
[12] 尹高扬,周绍磊,贺鹏程，等.国外多无人机协同任务分配研究现状及发展趋势[J].飞航导弹,2016,1(5):54-58.
[13] 陈侠,乔艳芝.无人机任务分配综述[J].沈阳航空航天大学学报,2016,33(6):1-7.
[14] 龙涛,朱华勇,沈林成.多UCAV协同中基于协商的分布式任务分配研究[J].宇航学报,2006,27(3):457-462.
[15] 廖沫,陈宗基.基于多Agent分布协同拍卖的动态目标分配算法[J].北京航空航天大学学报,2007,33(2):180-183.
[16] SCHWARZROCK J,ZACARIAS I,BAZZAN A,et al.Solving task allocation problem in multi unmanned aerial vehicles systems using swarm intelligence[J].Engineering Applications of Artificial Intelligence,2018,72:10-20.
[17] 尹高扬,周绍磊,祁亚辉.多无人机协同多任务分配研究[J].电光与控制,2017,24(1):46-50.
[18] 杜太行,赵黎媛,江春冬，等.基于人工鱼群粒子滤波的信号源定位[J].电讯技术,2016,56(12):1370-1375.
[19] CAO Y,WEI W Y,BAI Y,et al.Multi-base multi-UAV cooperative reconnaissance path planning with genetic algorithm[J].Cluster Computing,2017,22(83):1-10.
[20] 方群,徐青.基于改进粒子群算法的无人机三维航迹规划[J].西北工业大学学报,2017,35(1):66-73.
[21] LIU J H,YANG J G,LIU H P,et al.An improved ant colony algorithm for robot path planning[J].Soft Computing,2017,21(19):5829-5839.
[22] 黄宜庆,彭凯,袁梦茹.基于多策略混合人工鱼群算法的移动机器人路径规划[J].信息与控制,2017,46(3):283-288.
[23] 朱德法,单连平,管莹莹.基于改进粒子群算法的多机协同目标分配[J].火力与指挥控制,2015,40(8):38-41.
[24] 孙健,刘慧霞,席庆彪.基于改进粒子群算法的多UAV协同侦察人任务规划[J].现代电子技术,2012,35(7):12-15.
[25] 陈成,邢立成,谭跃进.求解多机协同任务规划的改进遗传算法[J].兵工自动化,2010,29(9):28-31.
[26] 苏菲,陈岩,沈林成.基于蚁群算法的无人机协同多任务分配[J].航空学报,2008,29(S):S185-S191.
[27] 王庆贺,万刚,柴峥.基于改进遗传算法的多机协同多目标分配方法[J].计算机应用研究,2018,35(9):2597-2601.
[28] 史红玉,刘淑芬.基于Voronoi图的无人机航路改进规划[J].吉林大学学报(理学版),2018,56(4):945-952.
[29] MENG X H,DUAN Z X,YANG Q,et al.Local PEBI grid generation method for reverse faults[J].Computers and Geosciences,2018,1(110):73-80.
[30] WANG J,KWAN M P.Hexagon-based adaptive crystal growth Voronoi diagrams based on weighted planes for service area delimitation[J].ISPRS International Journal of Geo-Information,2018,7(7):1-20.
[31] THOAMAC T,COPOT C,DUC T,et al.A hierarchical global path planning approach for mobile robots based on multi-objective particle swarm optimization[J].Applied Soft Computing,2017,59:68-76.
[32] CHEN Y B,LUO G C,MEI Y S,et al.UAV path planning using artificial potential field method updated by optimal control theory[J].International Journal of Systems Science,2016,47(6):1407-1420.
[33] 林娜,李天啸.基于双向A*算法的城市无人机航路规划[J].沈阳航空航天大学学报,2016,33(4):55-60.
[34] 罗强，王海宝，崔小劲，等.动态环境下改进人工势场法的仓储机器人自主导航系统研究[J].计算机应用研究,2018,37(3):1-8.
[35] 王东云,徐艳平,瞿博阳.基于改进蜂群算法的机器人航迹规划[J].计算机系统应用,2017,26(2):145-150.
[36] 张文辉,林子安,刘彤，等.基于改进人工鱼群算法的机器人航迹规划[J].计算机仿真,2016,33(12):374-379.
[37] 张华,史思总,周一廷.一种动态参数更新的无人机三维航迹规划方法[J].宇航学报,2015,36(9):17-21.
[38] 毛红保,田松,晁爱农.无人机任务规划[M].北京:国防工业出版社,2015.
[39] ADIEL I,EMMANUEL T,ANTOINE B.Generating Dubins path for fixed wing UAVs in search missions[C]//Proceedings of International Symposium on Ubiquitous Networking.[S.l.]:Springer,2018：347-358.
[40] JUNG D,TSIOTRAS P.On-line path generation for unmanned aerial vehicles using B-spline path templates[J].Journal of Guidance,Control,and Dynamics,2013,36(6):1642-1653.
[41] 郭忠同,扈宏杰.基于人工势场法的多无人机航迹规划[J].自动化应用,2017,5(9):69-71.
[42] 刘慧霞,马丽娜,李大健,等.无人机多机协同侦察系统关键技术[J].火力指挥与控制,2017,42(12):1-4.
[43] 李冠男,董凌艳,徐红丽.群机器人区域覆盖方法研究[J].机器人,2017,39(5):670-679.
[44] 张耀中,胡波,李寄玮，等.不确定环境下无人机多任务区侦察决策研究[J].西北工业大学学报,2016,34(6):1028-1034.
[45] 于驷男,周锐,夏洁,等.多无人机协同搜索区域分割与覆盖[J].北京航空航天大学学报,2015,41(1):167-173.
[46] CYRILLE B,MARIUSZ W,JONAS K,et al.Area coverage with Heterogeneous UAVs using scan patterns[C]//Proceedings of International Symposium on Safety,Security,and Rescue Robotics.[S.l.]:IEEE，2016：342-349.
[47] AZPURUA H,FREITAS G M,MACHARET D G,et al.Multi-robot coverage path planning using hexagonal segmentation for geophysical surveys[J].Robotica,2018,36(8):1144-1166.
[48] WU Y,ZHU J.Path planning for UAV to collect sensors data based on spiral decomposition[J].Procedia Computer Science,2018,131:873-879.
[49] 陈海,王新民,焦裕松，等.一种凸多边形区域的无人机覆盖航迹规划算法[J].航空学报,2010,31(9):1802-1808.
[50] LI Y,CHEN H,MENG J E,et al.Coverage path planning for UAVs based on enhanced exact cellular decomposition method[J].Mechatronics,2011,21(2):876-885.
[51] 吴青坡,周绍磊,闫实.复杂区域多UAV覆盖侦察方法研究[J].战术导弹技术,2016(1):50-55.
[52] 陈海,何开锋,钱炜祺.多无人机协同覆盖航迹规划[J].航空学报,2016,37(3):928-935.
[53] 彭辉,沈林成,霄华.多UAV协同区域覆盖搜索研究[J].系统仿真学报,2007,19(11):2472-2476.
[54] PEHLIVANOGLU Y V.A new vibrational genetic algorithm enhanced with a Voronoi diagram for path planning of autonomous UAV[J].Aerospace science and Technology,2012,16(1):47-55.
[55] GURUPRASAD K R,GHOSE D.Automated mutil-agent search using centroidal voronoi configuration[J].IEEE Transactions on Automation Science and Engineering,2011,8(2):420-423.
[56] 吴青坡,周绍磊,刘伟，等.基于集散式模型预测控制的多无人机协同分区搜索[J].控制理论与应用,2015,32(10):1414-1421.
[57] 关旭宁,廖开俊,刘凯.面向区域覆盖的多UAV协同搜索任务控制方法[C]//第五届中国无人机大会论文集.北京:航空工业出版社,2014：305-309.
[58] 张立鹏,赵建辉,肖永德.基于最大可知度的无人机协同搜索控制方法[J].电光与控制,2014,21(11):33-40.
[59] 田菁,陈岩,沈林成.不确定环境中多无人机协同搜索算法[J].电子与信息学报,2007,29(10):2325-2328.
[60] 张莹莹,周德云,夏欢.不确定环境下多无人机协同搜索算法研究[J].电光与控制,2012,19(2):5-8.
Research on Multi -UAV Cooperative Reconnaissance Mission Planning Methods :an Overview
PANG Qiangwei,HU Yongjiang,LI Wenguang,ZHAO Yuefei,CHU Lina
(Department of Unmanned Aerial Vehicle Engineering,Army Engineering University Shijiazhuang Campus,Shijiazhuang 050003,China)
Abstract ：Due to the increasing complexity of military reconnaissance missions and the reconnaissance method gradually developing in the direction of multi-unmanned aerial vehicle(UAV) cooperation,mission planning is the key technology for UAV to perform reconnaissance missions,so it is of great significance to study the missions planning method of multi-UAV cooperative reconnaissance.According to the different reconnaissance objects,it can be divided into two mission modes,“point-to-point” cooperative reconnaissance and “point-to-surface” cooperative reconnaissance.For the “point-to-point” cooperative reconnaissance,this paper analyzes the principle,advantages,disadvantages and improvement methods of its target allocation algorithm and track planning algorithm,and introduces the common methods of track smoothing.For the “point-to-surface” cooperative reconnaissance,it summarizes the current reconnaissance method from the perspective that the environmental information is known or not.Finally,it points out that the development trend of multi-UAV cooperative reconnaissance in the future is that multi-UAV carries multiple loads to perform multi-angle coverage reconnaissance on areas with unknown environment.
Key words ：multi-unmanned aerial vehicle(UAV);cooperative reconnaissance;target allocation;track planning;coverage reconnaissance
开放科学(资源服务)标识码( OSID)： 
中图分类号： TN971;V279
文献标志码： A
文章编号： 1001-893X( 2019) 06-0741-08
doi: 10.3969/ j.issn.1001-893x.2019.06.020
引用格式： 庞强伟，胡永江，李文广，等.多无人机协同侦察任务规划方法研究综述[J].电讯技术，2019,59(6):741-748.[PANG Qiangwei,HU Yongjiang,LI Wenguang,et al.Research on multi-UAV cooperative reconnaissance mission planning methods:an overview[J].Telecommunication Engineering,2019,59(6):741-748.]
* 收稿日期： 2018-11-01；修回日期： 2019-04-09
基金项目： 国家自然科学基金资助项目(51307183)；军内科研项目(ZS2015070132A12007)
** 通信作者： huyongjiang_jxxy@163.com
作者简介：
庞强伟 男，1995年生于陕西武功，硕士研究生，主要研究方向为多无人机协同任务规划技术。
胡永江 男，1977年生于四川泸州，博士，副教授，主要研究方向为无人机目标识别与跟踪控制。
李文广 男，1994年生于安徽黄山，硕士，助教，主要研究方向为无人机任务规划技术。
赵月飞 男，1975年生于河北安国，博士，讲师，主要研究方向为无人机导航与控制。
褚丽娜 女，1983年生于河北涿州，硕士，讲师，主要研究方向为无人机情报处理技术。
标签：多无人机论文; 协同侦察论文; 目标分配论文; 航迹规划论文; 覆盖侦察论文; 陆军工程大学石家庄校区无人机工程系论文;