无人机整机
无人机配件
无人机服务
设备与工具编队控制
编队队形设计与调整
队形设计。在实际任务执行中，多无人机以不同的队形形成编队，如楔队、梯队、横队、纵队和V形等，可以实现协同侦察、防御和进攻等复杂任务。合理有效的队形设计可以延长无人机编队飞行距离、节省燃料消耗、增加编队灵活性，这大大提高其安全性与任务完成率。2011年，英国机械工程师协会的报告指出V字队形最高可节省12%的燃料，这种编队模式用于跨洋飞行或长途飞行的客机编队，大大延长了飞行距离并节省燃料消耗。从任务需求的角度出发，新加坡南洋理工大学的朱森强等，针对多无人机固定区域的资源探测问题，设计了一种圆形编队队形，这种队形不仅能扩大探测半径，还能有效提高探测资源区域的效率，有效地完成了多无人机协同探测任务。从编队灵活性出发，2015年，英国贝尔法斯特女王大学Lau等，针对多无人机任意队形设计问题，通过提出基于张拉整体结构队形建模方法，得到多种稳定队形，这种队形构造方法实现了队形的灵活调整，并使多无人机适应了外界环境的变化。
2009年，复旦大学研究团队，指出实际空战中，编队战术通常是以基本的两机编队为单元，按照层级的概念建立起大规模的飞机编队。僚机在长机的前15°到后20°区域形成一字编队队形时，具有良好的攻击性和防御性，适合于高空；僚机在长机后30°到60°的区域时，整体操纵性良好，适合于低空。
编队飞行控制方法
在多无人机编队执行侦察和防御等任务时，需要多无人机保持一定队形编队飞行到任务执行区域。编队保持的控制方法主要有leader-follower方法、基于行为法、虚拟结构法、图论法和基于一致性方法，每种编队方法适应不同环境，各有优缺点。
leader-follower法。Leader-follower方法是目前多无人机编队控制中最常用的方法之一。leader跟踪一个预先给定的轨迹，follower和leader轨迹保持一定构型，并速度达到一致。leader可以看成是目标追踪的对象，或是整个多智能体的共同利益。宾西法尼亚大学的Desai团队对该方法做了大量理论和实验上的研究工作。2012年，该团队Turpin等研究了改进的leader-follower编队方法，其中每架无人机从与之通信的其他无人机中间接获取跟踪的leader的状态。2015年，该团队Saska等，基于机载视觉感知设备和leader-follower方法实现了非GPS定位密集编队飞行。目前，该团队研究还包括多智能体协作规划、避障、协作抓取和运输等理论工作。
基于行为法。基于行为的编队方法是定义无人机的几种基本控制行为，如跟随、避障和队形构成等，对定义的几种行为进行加权得到编队控制方法。这使系统中的每个单体都具备依据自身决策来协同其他单体完成目标或任务的能力。
受生物群体社会行为的启发，越来越多团队通过分析生物系统的行为规律研究多无人机编队飞行。1999年，美国杜克大学Reif等，针对编队中个别成员因故障而失效使得传感器获得的信息传输不完整的问题，提出了一种类似于行为的电势场方法，实现了存在个别成员故障失效情况下的编队。2003年，美国Jadbabaie等，对基于行为法进行了深入的分析，提出了最近邻协调思想。2009年，Kim等，提出了一种基于反馈线性化方法设计的分布式行为控制器。2015年，北京航空航天大学研究团队，提出了一种基于鸽群特性的编队控制方法，该方法利用图论和势场函数理论对编队中的拓扑结构和群体中的主从关系进行定义，实现了对无人机紧密编队飞行的仿真。
在传感器数据错误或缺乏的情况下，基于行为法的多无人机编队能够综合考虑多无人机协同编队飞行中的多个行为，有效整合各种行为，从而使整个编队仍然可以保持。该方法根据预设信息和触发条件来形成控制指令，因此降低了编队的适应性和灵活性。
虚拟结构法。虚拟结构法是一种集中式控制方法，由美国加利福尼亚大学Lewis等，在1997年首次提出。将编队作为一个虚拟刚体，在编队中设定一个虚拟长机或虚拟几何中心，队中所有无人机都参照虚拟长机或虚拟几何中心运动。
2001年，美国杨百翰大学Beard等，针对航天器的编队问题，综合利用虚拟结构、“长机-僚机”及行为方法的合成，实现了航天器在深度空间的编队飞行。2002年，美国加州理工学院Saber等，针对编队队形快速定位及队形稳定问题，提出了基于二维空间的虚拟长机和几何中心的编队结构。
虚拟结构法避免了，领航跟随者方法中领航无人机出现故障或毁机时编队无法保持的缺点。而且该方法通过把编队误差反馈加到控制器，得到了较高的编队控制精度。然而，合成虚拟长机和获取邻机位置，需要较高的通信质量和强计算能力，这使得编队可靠性较差。而且此方法要求编队飞行必须刚性运动，限制了实际飞行的应用范围。
图论法。图论法利用拓扑图上的顶点来描述单个无人机，两点之间的边用来表述无人机间的关联/约束拓扑关系，例如感知、通信或控制连接等，将控制理论引入图中，可以构建编队控制策略。
刚性图论在编队中应用取得了比较大的进展。一般来讲，刚性图处理的对象是无向图，即无人机之间的联系是双向的。在很多实际情况中，为了简洁通信量，多无人机系统常常利用有向图表示。2007年，比利时鲁汶大学Hendrickx等，等提出了有向刚性的概念，给出了有向刚性的定义并给出了生成有向刚性图的策略。该团队在2D刚性图的基础上延伸到3D甚至更高维数，给出高维空间上的刚性图与有向图持久性的充分必要条件。2013年，澳大利亚莫纳什大学Barca等，引入图论到多机器人编队中，完善领航者-追随者的多机器人控制机制，使多机器人形成二维编队而不需要彼此通信。
2016年，美国路易斯安那州立大学Ramazani等，针对不同平面运动个体间的协同控制问题，利用刚性图论分别对单积分和双积分模型进行了协同仿真实验。燕山大学罗小元等，针对多智能体最优刚性编队问题，设计了最优持久编队自动生成算法，生成了最优持久编队。
利用刚性图可以表示任意队形，且图论有成熟的理论作为研究基础，但是仿真研究实现较难。
一致概念最早出现在计算机分布式计算网络化的动态系统中。2004年，美国加利福尼亚大学Saber等，得到多智能体系统一致收敛的充要条件是拓扑图是连通的。2005年，任伟等，证明了有向网络拓扑只要存在生成树结构，则所智能体可实现全局一致收敛。任伟等和Jadbabaie等研究得到动态网络拓扑下多智能体实现一致性收敛的充要条件：在任意时间段的网络拓扑都有一个生成树结构，则多智能体可实现一致性收敛任伟等，进而将一致性控制引入到多智能体编队控制系统中。2009年，韩国首尔大学Seo等，针对多无人机时变编队问题，采用基于一致性反馈线性化方法，保证了多无人机按照给定时变队形进行编队飞行。2013年，东南大学研究团队等通过有限时间一致性算法处理了有领航者和无领航者的编队控制问题。
基于一致性进行分布式大规模编队具有良好的灵活性和适应性，同时编队鲁棒性也不会因某架无人机损伤或毁机而降低。同时改变的是不依赖某一控制单元，并且某架无人机发生故障对整体队形不会有太大影响。但是分布式控制算法比较复杂，对通信信道容量及通信时延的要求较高，目前的所设计的编队控制器不能长时间保障所有无人机收敛到一致状态。
为了避免几种方法缺点，人们提出了很多综合多种方法优点的改进方法。2016年，波兰比亚韦斯托克科技大学Kownacki针对多无人机编队过程中机间通信问题，提出一种结合虚拟结构、leader-follower方法及基于行为的编队方法，提高了无人机编队飞行过程中机间信息共享的可靠性和吞吐量。其他编队控制方法还有模型预测控制、模糊逻辑、神经网络技术、信息感知视觉传感器等方法，可以实现机群间通信不完整情况下编队飞行。
编队重构及避撞
多无人机编队重构包括队形切换及缺少一架或多架无人机时新编队队形的重构，在队形重构过程中必须考虑机间避撞。例如，多无人机编队飞行执行任务时，需要规避雷达、电磁干扰、敌机和较大障碍物，变换合适的队形可以增加任务完成率。实现无人机编队重构的方法有：1)势能域函数方法;2)滚动时域法;3)模型预测法;4)生物算法;5)最优控制法。
2010年，新加坡南洋理工大学Lie等，针对固定翼无人机编队重构控制问题，给出最终的编队位置和重构时间，设计了带有防撞机制的滑模跟踪控制器，最终实现了安全队形重构。2015年，印度特里凡得琅工程学院Rajasree等，针对无障碍物多无人机编队重构问题，通过合适地选择时变编队向量形成任意期望编队，实现了环形编队中一架出现故障时编队的重构情况。2016年，加拿大女王大学Hafez等，针对无人机协同编队重构问题，采用基于学习的模型预测控制方法，实现了无人机形成紧密编队安全绕过静止障碍物。2016年，新加坡国立大学廖峰团队，应用势能域函数方法对垂直起降无人机系统外环设计了编队及重构控制器，又对内环设计鲁棒跟踪控制器，实现了垂直起降无人机编队飞行与重构问题。
在国内，2012年，北京航空航天大学研究团队，采用基于鸽群优化方法，设计了终端状态和控制动作能量约束下的多无人机编队重构控制器，实现了最优的多无人机编队重构。2014年，该团队利用滚动时域方法将多无人机编队全局重构问题转化成几个在线局部最优问题，利用差分进化(DE)算法优化各无人机控制序列，最终使多无人机形成新的队形。2015年，大连理工大学彭会军等，提出了一种新的辛迭代数值算法，以获得最佳的解决方案的非线性滚动时域控制策略，使得多无人机在编队重构过程中更快速形成编队并且对参数具有强鲁棒性。2016年，沈阳航空航天大学研究团队，通过设计编队重构时的安全距离，将编队重构问题转化成带有约束的时间最优控制问题。2016年，景德镇陶瓷学院研究团队等，提出了自主重构的内点算法，将编队重构问题最终转化成标准非线性单目标最优化问题。
其他编队重构的思路还有：2009年，捷克布拉格捷克理工大学Spinka等，设计了一个新的分布式分层结构，实现了故障时遥控自动驾驶多无人机重构；2014年，巴西圣克鲁斯州立大学Giacomin等，提出了一种分段算法，算法重新配置了每架无人机的纬度，并利用导航协助每架无人机完成编队重构。
信息感知与数据融合
无人机通过红外探测仪，摄像机和雷达等机载传感器设备对周围环境进行探测，实现对空地环境的感知，无人机还具有编队内部感知能力，来保持编队构型和实现协同编队飞行，提高多无人机编队安全性和可靠性。无人机将感知信息进行机间共享，通过信息处理与数据融合实现无人机编队协同感知，从而获得更广的探测范围和更加精确全面的环境信息，完成多无人机协同编队侦察等任务。
多无人机编队协同感知必须解决无人机异质传感器多源信息的融合处理问题，实现无人机对环境准确高效的判读。2007年，葡萄牙里斯本技术大学Lima等，针对自主传感器和机器人网络对目标的协同定位问题，采用贝叶斯方法解决多传感器信息融合问题以及广义传感器网络自身状态估计问题，提升了对观测目标协同定位的精确度。2008年，美国蒙特里海军研究生院Lee，针对多传感器信息融合问题，提出了一种新的不确定信息滤波器算法，该算法通过统计线性误差传播方法处理不确定数据，得到了未知信息的不确定性程度。2010年，国防科学技术大学王林等，针对多移动传感器测量的融合估计问题，基于无色变换、交互多模型和信息滤波算法，提出了一种面向多无人机协同感知的分布式融合估计方法，而且无色变换能保证更高的估计精度，可以提高多无人机的融合估计性能。
无人机将感知信息进行机间共享，通过信息处理和数据融合技术实现无人机编队协同感知，从而获得更广的探测范围和更加精确全面的环境信息。2003年，澳大利亚悉尼大学Ridley等，在其专著里面设计了一种实时分布式机载数据融合系统，包括视觉传感器和毫米波雷达，实现了对多个地面目标进行跟踪。2007年，美国康奈尔大学Campbell等，针对多无人机的目标跟踪问题，提出了一种基于平方根的sigma-point信息滤波算法，该算法通过数据融合实现了两架无人机的目标跟踪，并且该算法在数据丢失和出现延时也能提供准确信息，具有高实时性和强鲁棒性。2008年，西安电子科技大学杨百胜等，针对多传感器融合跟踪问题，采用多个被动传感器集中式融合跟踪策略，提出了基于无迹卡尔曼滤波的被动多传感器融合跟踪算法，进行了3个被动站跟踪的仿真研究，验证了其算法比传统EKF方法的跟踪精度更高。
编队通信
目前，多数国家仍采用地面站直接控制无人机，构建一种星型拓扑结构。多无人机通信组网的思想是：无人机不完全依赖地面站或卫星等设施的控制，将所有无人机看作一个整体，在多无人机间建立一个无线通信网络，各无人机间相互配合，相互转发指令、交换信息。该网络打破了无人机之间没有任何联系与合作的传统作战思想，可以提高无人机的综合作战能力，减小作战能耗。
2011年，澳大利亚新南威尔士大学Ahmed等，针对无人机与地面站、无人机与无人机之间的链路特性进行研究，为多无人机通信组网的设计提供了基础。2013年，土耳其空军学院Bekmezci等，从节点移动性、节点密度、拓扑变化频率和功耗等方面，介绍了飞行自组网不同于其他自组织网络，并分层总结了飞行自组网的相关协议。2016年，美国华盛顿大学Gupta等，研究了现有技术应用于航空网络存在的问题，通过调研现有技术对航空网络的可用性，研讨了各种技术的优缺点，并从路由、无缝切换和节能领域进行了详细分析
2024-04-13 09:51
2024-04-13 09:50
2024-04-13 09:47
2024-04-13 09:46
2024-04-13 09:46
2024-04-12 16:00
2024-04-12 13:36
2024-04-12 13:36
2024-04-12 13:36
2024-04-12 13:35
