《Drones》：Intelligent Maintenance and Routing Decision Making for UAV Clusters in Harsh Environments
编辑推荐：
在恶劣环境中运行的无人机集群（UAV clusters）必须在突然的节点故障和动态流量需求下维持连通性。现有研究通常将维护和路由分开处理，这导致了不必要的重组开销和网关节点周围的转发瓶颈。为克服这些限制，研究人员提出了一个统一的无人机集群维护与路由系统（UAV
在恶劣环境中运行的无人机集群（UAV clusters）必须在突然的节点故障和动态流量需求下维持连通性。现有研究通常将维护和路由分开处理，这导致了不必要的重组开销和网关节点周围的转发瓶颈。为克服这些限制，研究人员提出了一个统一的无人机集群维护与路由系统（UAV Cluster Maintenance and Routing System, UCMR），该系统结合了一种萤火虫启发的聚类方法、一种基于DQN–GCN的中等干扰恢复策略（DGMR）以及一种基于负载感知的转发邻居路由策略。维护组件通过整合全局拓扑特征与局部观察来改善骨干网修复，而路由组件则利用边和节点特征，将转发压力分散到网关节点之外。大量实验表明，UCMR在平均端到端延迟和数据包交付率方面优于具有代表性的基准方法。
论文解读文章
研究背景与问题：随着网络化与智能计算技术的快速发展，无人机集群在环境监测、搜索救援、物流和灾难响应等领域日益广泛使用。然而，在恶劣网络环境中，无人机集群执行关键任务时极易受到环境干扰和硬件故障的影响，导致部分节点突然失效，进而引发严重的链路中断和路由故障。现有研究通常将集群维护与路由优化视为独立问题，采用固定的重组规则或基于备份节点的局部修复策略，这导致不必要的全局重组开销，并在网关节点周围形成转发瓶颈。此外，传统路由方法依赖以网关为中心的路径发现，未能充分利用普通集群成员的通信负载能力。因此，如何在任意节点可能突然失效的恶劣环境下，快速有效地恢复集群内通信，并实现负载均衡的路由决策，成为亟待解决的关键问题。
研究内容与意义：研究人员提出了一种统一的无人机集群维护与路由系统（UCMR），该系统将集群构建、骨干网恢复和路由优化整合在一个工作流中。具体包括：一种萤火虫启发的聚类算法，用于构建鲁棒的初始拓扑；一种基于深度Q网络（DQN）和图卷积网络（GCN）的中等干扰恢复策略（DGMR），用于在节点部分失效时通过全局–局部拓扑特征进行智能骨干修复；以及一种基于负载感知的集群路由策略，通过提取邻居节点的边特征和节点特征，使普通成员分担转发任务，缓解网关瓶颈。通过在《Drones》期刊上发表的实验验证，UCMR在平均端到端延迟和数据包交付率方面显著优于多种基准方法，为智能多无人机组网在任务关键场景下的设计提供了实用方向。
关键技术方法（不超过250字）：研究人员主要采用了以下关键方法：（1）萤火虫启发的聚类算法，利用萤火虫的趋光性使无人机自主分簇，基于荧光素值动态更新节点角色（簇头CH、网关、备份节点、普通成员）。（2）DGMR维护模块，结合深度Q网络（DQN）与图卷积网络（GCN）：GCN从全局邻接矩阵和特征矩阵中提取簇级拓扑嵌入，DQN基于全局–局部拼接状态选择最优恢复动作；训练采用ε-贪心策略、经验回放和双网络结构。（3）基于深度强化学习的路由策略，将环境建模为MDP，状态由候选邻居的节点特征（距离、速度相似性）和边特征（链路误差率、负载、可用带宽、链路保持时间）构成，动作选择下一跳邻居，奖励函数综合考虑延迟、距离进展和传输失败惩罚；同时采用访问节点掩码和最大跳数限制防止路由环路。所有仿真在Python 3.14环境中进行，实验场景包含100至600个无人机节点，节点部署于2km×2km区域，移动模型为Gauss-Markov模型，路径损耗采用WINNER II模型和瑞利衰落。
研究结果：
1. 集群比较（Cluster Comparison）：通过将萤火虫聚类与K-means和谱聚类对比，在骨干网端到端延迟方面，随着节点数增加（100至500），所有方法的延迟均下降，但萤火虫聚类方法始终优于两种基线，因其能在网络规模扩大时保持全局拓扑稳定性。
2. 鲁棒性实验（Robustness Experiments）：在10%、20%、30%失效概率下，对100至500节点网络施加连续严重破坏。结果表明：（1）平均端到端延迟：与CRSF、PROPR、Q-learning、AC等基线相比，DGMR在延迟增长率和绝对延迟值上均显著更低，这归功于GCN提取全局拓扑特征以及快速调用补充节点进行高效链路修复。（2）能量消耗：DGMR的平均簇能耗在所有节点规模和失效概率下最低，因其全局视角使节点在修复时智能平衡延迟与能耗。（3）网络抗干扰韧性：DGMR能承受更多连续失效次数（例如500节点、20%概率下可承受4次连续失效），优于所有基线；拓扑退化可视化表明该策略能通过全局状态感知维护宏观簇间连通性。
3. DGMR消融研究（Ablation Study of DGMR）：将DGMR与DQN-only、GCN-only和GAT-DQN三种变体在固定失效概率（10%）和固定节点数（300）下对比，结果表明去除全局编码器或强化学习决策模块均导致性能下降，DGMR在延迟、能耗和韧性方面表现最优，且优势随网络规模扩大或失效概率升高而保持稳定。
4. 路由策略评估（Evaluation of the Routing Strategy）：在骨架网络成功恢复后，评估UCMR路由性能。对比MPMR、QTAR、TARRAQ、MDGLT等基线，在20%、40%、60%拥塞水平和100至600节点规模下：（1）平均端到端延迟：UCMR在所有拥塞水平和节点规模下延迟最低，尤其在大规模网络中有效抑制延迟快速增长，因其集成了链路拥塞、误差率、速度相似性等指标，并基于维护后的鲁棒拓扑进行决策。（2）数据包交付率（PDR）：UCMR的PDR始终最高，随着节点增加所有方法PDR上升，但UCMR提升更为显著，在40%和60%高拥塞下仍保持领先，表明其利用了更丰富候选路径和负载分配机制。
总结与讨论：研究人员在讨论部分指出，所提框架通过联合优化集群维护与路由，在节点失效、干扰和拥塞共存的环境中实现了更可靠和自适应的通信。结论部分翻译如下：本文提出了一种面向恶劣环境的综合无人机集群维护与智能路由框架，包含动态图基维护与恢复机制（DGMR）和无人机集群维护与路由算法（UCMR）。首先引入萤火虫启发的聚类策略构建弹性基线拓扑；然后，DGMR利用深度Q网络和图卷积网络协调补充式无人机代理快速恢复骨干链路；最后，UCMR通过动态提取并聚合邻居的边和节点特征，将局部决策与簇级结构信息结合，缓解因过度依赖网关节点导致的路由瓶颈。广泛仿真验证了所提框架在不同网络规模和严重拥塞场景下的有效性，在平均端到端延迟和数据包交付率方面表现显著优于基准方法。存在的局限是，目前面向无人机系统的图感知强化学习方法多评估于轨迹规划、部署或覆盖任务，缺乏针对随机节点故障下基于图的骨干网维护的统一开放基准，构建此类基准并与代表性图强化学习方法进行直接跨框架对比是重要的未来工作。
