基于信念规则库的多无人机系统分布式容错控制：传感器故障下的协同重构与稳定性保持

本文针对多无人机系统(Multi-UAV)在传感器故障下的容错控制(FTC)难题，提出了一种基于信念规则库(BRB)与通信融合(BRB-CF)的分布式框架。研究团队通过构建分布式故障诊断(FD)模块和智能信号重构模型，解决了单点故障与重叠故障导致的联合不可观测性问题。仿真验证表明，该框架能有效维持无人机编队稳定性，为异构多机系统在复杂环境中的可靠性提供了创新解决方案。

　　

在无人机集群日益应用于灾害救援、军事侦察等关键领域的背景下，多无人机系统(Multi-UAV)的可靠性面临严峻挑战。特别是当传感器发生故障时，传统集中式容错控制(Fault-Tolerant Control, FTC)方法难以应对分布式场景下的复杂故障模式，如多个无人机同时发生传感器故障导致的"联合不可观测性"问题。现有基于精确动力学模型的方法在非线性、异构系统中表现不佳，而被动容错策略又无法适应动态故障环境。这些瓶颈严重制约了无人机集群在真实场景中的大规模部署。

中国的研究团队在《Engineering Applications of Artificial Intelligence》发表的研究中，创新性地将信念规则库(Belief Rule Base, BRB)这一人工智能技术引入多无人机系统容错控制领域。通过开发BRB-CF（通信融合）框架，实现了仅依赖局部数据和邻居通信的分布式故障管理。该研究首次解决了重叠故障情况下的信号重构难题，使无人机编队能在80%传感器故障率下保持稳定飞行，为复杂环境中的自主系统可靠性提供了突破性解决方案。

关键技术包括：1）基于BRB的分布式故障诊断模块，利用局部数据识别故障传感器位置；2）双层重构机制，对非重叠故障采用邻居数据融合补偿，对重叠故障则结合历史数据与BRB-CF模型重建信号；3）针对四机编队系统的仿真验证，设置单点和并发传感器故障等极端场景。

主要研究结果

1. 分布式FD模块设计：通过构建包含20条专家规则的BRB模型，实现了对加速度计、陀螺仪等关键传感器故障的实时诊断，准确率达92.3%。
2. BRB-CF重构模型：创新性地将通信拓扑结构G={V,E,A}信息融入信号重建，在3个无人机同时发生同类传感器故障时，仍能保持85%的原始信号保真度。
3. 非线性系统验证：在存在外部扰动和模型不确定性的条件下，四机编队能在2秒内恢复稳定队形，位置误差小于0.15m。

结论与意义
该研究突破了传统FTC方法对全局信息的依赖，首次实现完全分布式的多无人机容错控制。提出的BRB-CF框架具有三大优势：1）通过"诊断-重构"分离架构降低模型依赖性，适用于异构系统；2）采用历史数据滑动窗口与邻居信息加权融合，解决了重叠故障下的信号重建难题；3）模块化设计便于扩展，为未来百架级无人机集群的可靠性管理奠定基础。这项成果不仅推动了人工智能在自主系统中的应用边界，其"轻量化专家系统+分布式通信"的技术路线，也为机器人集群、智能电网等需要高鲁棒性的分布式系统提供了新范式。