基于自适应模糊情感学习的多无人机群协同目标实时追踪系统研究

本研究针对复杂环境中无人机群动态目标追踪的实时性和适应性难题，提出基于双向模糊脑情感学习预测模型(BFBEL-P)的分布式控制框架。通过融合模糊推理、神经情感学习与群体协同机制，实现了82.2%的短期预测精度提升和100%追踪成功率，为搜救、军事侦察等任务提供了无需预训练的轻量化AI解决方案。

　　

在无人机技术迅猛发展的今天，多智能体协同作业已成为环境监测、灾害救援和军事侦察等领域的关键技术。然而，复杂环境中动态目标的实时追踪始终面临三大挑战：传统集中式控制架构响应迟缓，深度学习模型依赖海量训练数据，而常规预测方法在目标行为突变时表现欠佳。这些问题严重制约了无人机群在真实场景中的应用效能。

为此，Lucas William Page、Vu Phi Tran和Duy Luan Nguyen团队在《Engineering Applications of Artificial Intelligence》发表创新研究，首次将生物启发的情感学习机制引入无人机群控制领域。研究团队开发的BFBEL-P模型通过模拟大脑杏仁核-眶额皮层的情感调节回路，构建了兼具快速适应能力和分布式决策优势的新型预测框架。该系统的核心突破在于：摆脱了对预训练数据的依赖，采用在线学习方式实时调整预测策略，同时通过多线程计算实现群体级信息融合。

关键技术方法包括：1）基于高斯隶属函数的模糊预处理模块，将传感器输入转化为神经情感网络的激活信号；2）双向脑情感学习架构，通过杏仁核权重v_ij和眶额皮层权重w_ij的差分计算生成控制输出；3）雷诺兹群集算法实现避障与队形保持；4）滚动平均融合策略提升群体预测鲁棒性。实验采用四旋翼无人机仿真平台，设置60×60米含障碍场景评估性能。

研究结果部分显示：

1. 1.

   预测性能比较：BFBEL-P在x轴方向实现2.50米预测误差，较LSTM(0.16米)略逊但计算耗时降低35%，且无需离线训练。四机协同模式下预测时间缩短至0.2989秒，证实分布式架构的扩展优势。

2. 2.

   群体协同指标：组内平均间距λ维持在1-2.5米，角速度一致性Ψ<0.275 rad/s，验证了基于R_C(凝聚力)、R_S(分离度)、R_A(对齐度)参数的三维协同有效性。

3. 3.

   避障测试：在t=70秒遭遇双球体障碍时，无人机群通过人工势场(U_rep)实现零碰撞分流，且在部分视觉遮挡情况下仍保持追踪连续性。

讨论部分强调，该研究首次将神经情感学习与群体智能相结合，其创新性体现在三方面：1）生物启发的O(n)计算复杂度架构，适合资源受限的嵌入式部署；2）通过φ₁(平方误差)、φ₂(斜率偏差)、φ₃(曲率失配)三重校验机制保障预测可靠性；3）动态权重更新公式Δv_ij=α·p_ij·(R-a_i)实现了类似强化学习的在线优化。相比传统方法，BFBEL-P在保持83.2%预测精度的同时，将能耗控制在3.2W以下，为未来自主无人系统的认知计算提供了新范式。

这项研究的工程价值在于：为城市峡谷、森林火灾等GPS拒止环境中的无人机群作业提供了即插即用的解决方案，其模块化设计支持与现有PID控制器兼容。未来通过集成元启发式算法，可进一步扩展至大规模异构无人机协同应用场景。