大规模无人机蜂群编队重构：基于动态分组任务分配与集成分层控制的创新方法

《Electronics》：Large-Scale UAV Formation Reconstruction Method Based on Dynamic Grouping Chenjie Liu, Yi Jiang and Dawei Gong

本研究聚焦大规模无人机（UAV）蜂群在编队重构中面临的计算复杂度高、高密度环境下安全导航困难的瓶颈问题。为解决传统指派算法O(N3)的计算瓶颈，研究人员提出了基于分层排序策略的动态分组任务分配（DGTA）方法，并构建了集成模糊逻辑速度调节、线性轨迹预测与改进人工势场（APF）的集成分层控制（IHC）框架。数值仿真表明，DGTA使600架无人机编队的任务分配时间比非分组方法缩短90%以上，IHC框架在拥堵场景下将危险事件减少超过27%。该DGTA-IHC结构为超大规模蜂群的自主协调提供了兼顾全局最优性与实时安全性的可扩展解决方案，对军事侦察、城市空中交通等领域具有重要应用价值。

　　

天空中的无人机表演，从几十架到几百上千架，场面愈发壮观，但背后的技术挑战也呈指数级增长。想象一下，数百架无人机需要从一种队形快速变换为另一种队形，这不仅仅是让它们飞到新位置那么简单。这背后是“编队重构”这一核心难题，它涉及两个关键环节：一是“任务分配”，即高效地为每架无人机匹配一个新的目标位置；二是“路径规划”，即在飞行途中避免与其他无人机相撞。随着无人机数量（N）的增加，传统的任务分配算法（如匈牙利算法）计算时间会急剧增加（可达O(N³)量级），难以满足大规模编队的实时性要求。而在密集的空中，传统的单机路径规划方法（如人工势场法，APF）在面对数百架无人机时，避碰效果有限，容易产生路径振荡，引发安全事故。现有的方法，无论是基于群体智能的优化算法，还是深度强化学习，虽然在小规模蜂群中表现优异，但在超大规模（如数百架）的动态环境中，要么计算开销巨大，要么难以处理高密度重构任务中的路径抖动问题。因此，如何平衡全局任务分配效率与个体实时飞行安全，成为制约超大规模无人机蜂群应用的关键瓶颈。为此，陈杰刘、易江和大卫龚等研究者在《Electronics》上发表论文，对此展开了深入研究。

研究人员为开展此项研究，主要采用了以下关键技术方法：首先是动态分组任务分配（DGTA）方法，该方法基于几何空间分散性进行分层排序，将全局匹配问题分解为局部组内匹配，并结合匈牙利算法的特性显著提升效率。其次是集成分层控制（IHC）框架，该框架将模糊逻辑速度调节、线性轨迹预测与改进的人工势场（APF）方法相结合，形成多层安全逻辑。此外，研究建立了N架同质四旋翼无人机的三维点质量运动模型，对每架无人机在离散时间k的状态（位置q_i(k)、速度v_i(k)、加速度a_i(k)）进行建模，并将编队重构问题明确定义为三维欧几里得空间中的一对一目标匹配与路径规划问题。

2.1 UAV运动模型

研究将无人机群视为三维空间中的点质量，定义了每架无人机在任意离散时刻的状态向量，包含位置、速度和加速度分量，明确了初始位置与目标位置，并将问题场景限定在三维笛卡尔坐标系（x, y, z轴）中，为后续的任务分配和路径规划提供了精确的数学描述基础。

2.2 问题定义

研究明确了大规模同质无人机蜂群的一对一编队重构问题。核心目标是实现高效的“任务分配”（为每架无人机分配唯一目标位置）和安全的“路径规划”（确保所有无人机在飞行中不发生碰撞），这构成了后续DGTA和IHC方法所要解决的核心问题。

3.1 基于分层排序的动态分组策略

该方法通过计算无人机当前位置的协方差矩阵特征值，对无人机进行主成分分析（PCA），并依据其在第一主成分方向上的坐标值进行排序和动态分组。其核心思想是利用无人机群体的空间分布特性，将大规模的全局匹配问题分解为多个小规模的组内匹配问题，从而大幅降低计算复杂度。

3.2 动态分组任务分配（DGTA）

在完成动态分组后，研究采用匈牙利算法分别在每个组内进行最优任务分配。通过利用匈牙利算法时间复杂度与任务规模的关系，将原本O(N³)的全局计算复杂度，降低为多个O(n_g³)的组内计算复杂度之和（n_g为组内无人机数量），从而在保持分配质量的同时，极大提升了计算效率。

4.1 改进的人工势场（APF）方法

研究对传统APF方法进行了改进，通过引入速度障碍物（Velocity Obstacle）概念和动态调整斥力场函数，增强了无人机在高密度环境下的避碰能力。改进后的APF方法能够更好地处理多机近距离交互，减少路径振荡。

4.2 模糊逻辑速度调节

为了解决固定速度参数在动态环境中适应性差的问题，研究引入了模糊逻辑控制器。该控制器根据无人机与最近邻居的距离及其相对速度，实时动态调整无人机的期望速度，使无人机能够更平滑、更安全地适应周围环境的拥挤程度变化。

4.3 线性轨迹预测

为了提高避碰的主动性和前瞻性，研究为每架无人机集成了线性轨迹预测模块。该模块基于无人机当前的运动状态，对其未来短时间内的位置进行预测，并将预测的轨迹作为虚拟障碍物引入改进的APF斥力场计算中，从而实现了提前避让，减少了紧急机动。

4.4 集成分层控制（IHC）框架

研究将上述改进的APF、模糊逻辑速度调节和线性轨迹预测三个模块集成为一个分层的控制框架。在此框架中，高层（轨迹预测、速度调节）为底层（改进APF）提供前瞻性信息和适应性参数，底层则负责生成实时的避碰加速度指令。这种分层结构将个体导航从被动的、反应式的调整，转变为主动的、协调式的过程。

5. 数值仿真与结果分析

通过大量的数值仿真实验，研究验证了所提方法的有效性。在任务分配方面，仿真结果表明，DGTA方法能显著提升效率。例如，对于一个600架无人机的蜂群，当将其划分为三个完整小组时，任务分配时间相比非分组方法减少了90%以上。在路径规划与安全方面，IHC框架在拥堵场景下表现出色，能够将碰撞等危险事件的发生减少27%以上。与传统的APF、PSO（粒子群优化）等方法相比，IHC框架在路径平滑度、安全性指标上均有显著提升，成功平衡了全局任务最优性与个体实时安全性。

本研究得出以下核心结论：首先，针对大规模无人机蜂群编队重构中的计算瓶颈，所提出的动态分组任务分配（DGTA）方法，通过基于空间几何分散性的分层排序策略，将全局匹配转化为局部组匹配，成功利用了匈牙利算法的计算特性，在保证分配质量的前提下，将超大规模（如600架）蜂群的任务分配时间降低了超过90%，极大地提升了可扩展性和实时性。其次，针对高密度环境下的安全导航挑战，所构建的集成分层控制（IHC）框架，通过耦合模糊逻辑速度调节、线性轨迹预测与改进的人工势场（APF）方法，形成了一套协同的安全逻辑体系。该框架将无人机的个体导航从被动的、反应式的避碰，提升为主动的、适应性的协调过程，有效缓解了路径振荡，在拥堵场景下将危险事件发生率降低了27%以上。

这项研究的重要意义在于，它提出的DGTA-IHC复合结构，为超大规模同质无人机蜂群的自主协调提供了一种创新的、可扩展的解决方案。该方案成功地将任务分配的全局效率与路径规划的实时安全性这两个通常相互制约的目标进行了有效平衡。这不仅解决了当前大规模蜂群在动态复杂环境中面临的核心技术难题，也为未来在军事侦察、灾害救援、精准农业、城市空中交通（UAM）等需要成百上千架无人机协同作业的领域提供了坚实的理论基础和可行的技术路径。该工作标志着无人机蜂群控制从针对中小规模的理论方法，向面向实际超大规模应用的系统工程框架迈出了关键一步。