现代战争模式催生了无人机蜂群新型作战样式。系统分析了无人机蜂群利用功能简单的个体,应用自然界蜂群组织算法模型形成高级群体智能行为的概念,介绍无人蜂群的分类和特点,凝练总结无人机蜂群协同组网、协同感知、协同决策、协同控制等关键领域技术及发展现状,针对复杂对抗环境下的实际需求提出集光电探测、通信组网、协同控制、任务规划等多学科于一体的无人机蜂群技术发展的重点和难点,给出无人机蜂群技术发展的途径和举措建议,期望达到牵引无人机蜂群技术发展方向、推动无人机蜂群从技术走向实用的目的。

未来智能化战争无人集群作战中,计算力的云边端供给成为重要模式,其边缘计算技术作为关键使能技术,能解决作战边缘任务执行实时性差、带宽受限、数据安全等问题。阐明无人集群背景下边缘计算的概念和技术内涵,给出一个面向战术边缘的云-边-端分布式系统框架,以实现无人集群作战的信息互联互通、战场局部和全局态势感知、群智能决策和协同控制;对该框架涉及的关键技术,包括边缘计算框架、边云协同、计算卸载、边缘指挥控制等关键技术展开综述;展望和总结了无人集群作战下的边缘计算技术,为未来智能化战争边缘战术提供了参考。

人类探索陆域、天域、空域、海域等空间的脚步从未停止,该过程蕴含了多域-多介质环境的复杂科学问题。移动机器人是实现跨域跃质环境下运动能力的典型代表,未来将走向更广的陆面、更高的蓝天、更远的深空、更深的海底,对移动机器人能够在多域-多介质环境中始终保持高性能提出了挑战。介绍了移动机器人在能量域-时空域-信息域的科学融合,及其在探索新域新质道路上所发挥的越来越重要的作用。归纳了移动机器人在支撑与牵引技术、速度与稳定技术、交互与协同技术等方面的基础理论研究应用及国内外发展现状。对移动机器人学科重点解决的多域-多介质机器人既有机动性和作业智能性问题提出建议,以期能够完成人类所不可及的任务,真正实现机器人装备体系在多域-多介质环境下的广泛应用。

足式机器人作为典型的地面移动机器人之一,其越野能力和智能水平不断提升,将足式越野技术与集群技术深入融合,是未来无人化装备发展的重要趋势之一。首先分析了群体仿生学机理、单体足式越野机器人、集群感知与协作和集成演示与应用等方面的研究现状,提出了足式越野机器人集群系统面临的技术挑战和科学问题,从足式越野机器人高机动越野、群体自组织机理与集群协作决策控制、群体协同态势感知和通讯自组网与应用验证四个方面深入剖析了亟待解决的核心关键技术,最后对足式越野机器人集群在军民领域的发展前景提出了设想和建议。

为解决机动目标干扰下协同制导系统模型部分未知以及一致误差约束限制导致协同一致性差的问题,建立前馈补偿+反馈优化的复合协同制导架构,提出分布式自适应最优协同拦截制导方法。在前馈补偿部分,设计障碍Lyapunov函数非线性映射机制,补偿误差约束影响。设计权值自适应的神经网络观测器,实现对目标未知机动干扰的在线估计;在反馈优化部分,采用自适应动态规划技术设计虚拟控制量和实际控制量,将每一步中控制量设计转化为非线性耦合哈密顿-雅可比-贝尔曼(HJB)方程的求解问题。构建分布式自适应评价网络,设计残余误差驱动的评价网络权值自适应更新律,实现对HJB方程中最优代价函数的在线迭代求解。基于Lyapunov稳定性理论证明了非线性协同制导闭环系统的稳定性,确保了协同一致性误差的收敛性。数值仿真结果表明:新方法能够在保证拦截制导精度的同时将协同一致性误差降低至0.01s。

针对传统兵力编配方法规划粒度粗放、动态调节能力差、临机调整过程复杂等问题,以班组层级的兵力编配为研究背景,分析人工智能技术在解决上述问题方面的潜力,并给出“人在回路”的人机协作关系路径选择。在此基础上,以实现班组编配动态规划及面向任务灵活适变为目标,提出一种基于人机混合智能的兵力编配系统架构,设计其基于军事元宇宙进行平行推演和优化推荐的作用方式,以及在平行环境下通过混合智能的方式进行临机兵力编配规划的作用流程,并对其预期能力进行分析。仿真结果表明,新方法对班组作战场景下的任务匹配、功能组合与映射等决策过程具有有效性。相关研究成果可为面向班组层级的智能化兵力编配策略、指挥决策系统研究和工程化构建提供理论支撑和技术基础。

针对复杂场景下初始锚框难以匹配目标及多尺度检测能力不强的问题,提出一种基于YOLOv5的增强多尺度目标检测(EM-YOLOv5)方法。通过Kmeans++聚类算法,获得适应当前检测场景下的多尺度初始化锚框,使得网络更容易捕捉到不同尺度目标;在Bottleneck结构中增加多条不同尺度的并行卷积支路,在保留原有特征信息的同时融合多尺度的特征信息,增强模型的全局感知能力。在VisDrone2019、COCO2017和PASCAL VOC2012数据集上对提出的EM-YOLOv5s模型进行测试。实验结果表明,与YOLOv5s模型相比,mAP@0.5∶0.95、mAP@0.5等关键指标均有一定提升,在PASCAL VOC2012上,mAP@0.5∶0.95提升5.2%,而检测时间仅增加1.9ms,说明EM-YOLOv5模型能够有效地提升通用复杂场景下的目标检测精度。

轻量化神经网络模型的设计及其在边缘端的部署是实现无人装备智能化的关键技术。从构造轻量级深度神经网络的角度出发,研究面向无人装备嵌入式平台应用的智能边缘计算软技术,重点分析模型剪枝、知识蒸馏和参数量化等方法,并以目标识别为例进行各类智能边缘计算技术性能分析,结合各类轻量化模型设计方法的优缺点,提出一种边缘计算的处理框架,即通过模型压缩方法来设计轻量化的神经网络模型,通过引入知识蒸馏的方法对轻量化模型进行有效训练,通过参数量化来加速模型推理时间。随着参数量化和知识蒸馏算法的成熟,该框架正逐渐变得有效可行,为智能边缘计算技术在无人化装备上的应用提供了技术参考。

多光谱行人检测在智能安防、自动驾驶等领域得到广泛应用。在光照较弱或存在遮挡的情况下,行人检测的准确性和鲁棒性仍然面临挑战。为解决这个问题,提出一种新的光照感知跨光谱融合行人检测网络。该网络利用交叉注意力和光照感知机制来充分利用多光谱特异性特征,以提高行人检测的鲁棒性和准确性。为增强两光谱之间特征表达,引入交叉注意力模块。此外提出一个光照感知子网络,它能够根据可见光和红外光谱的光照强度变化自适应地选择有效的光谱特征信息,从而提高检测系统的鲁棒性。在两个主流的多光谱行人数据集上进行了实验。实验结果显示,新方法在检测精度和检测速度方面都优于现有方法,所得成果对于提高行人检测模型的鲁棒性和泛用性具有重要意义,并在实际应用中具有广泛的潜力。

跨模态行人重识别技术旨在可见光、红外等不同模态图像中识别出同一个人,其在人机协同、万物互联、跨界融合、万物智能的智能系统与装备中具有重要应用。提出一种数据增强的跨模态行人重识别方法,在波长域进行数据增强的同时保留可见图像的结构信息,以弥合不同模态之间的差距。在此基础上,基于瑞芯微的RK3588芯片设计实现了一套边缘智能终端,并部署了跨模态行人重识别算法。在边缘计算部署的硬件设计、软件开发中,通过模块化的设计、层级配置的方案,实现了系统弹性可扩展,降低了数据集中处理的计算压力。实验结果表明,新方法在两个基准数据集SYSU-MM01和RegDB上取得了较好的性能,并能够在实际场景中进行应用部署。

高光谱显著性目标检测技术在伪装识别、异常检测等领域展现了惊人的潜力,并得到了广泛的关注。基于深度学习技术的神经网络模型克服了传统算法检测精度低、鲁棒性弱的缺点,但是数据标注成本限制了其进一步发展。为此提出了一种超像素注意力孪生半监督算法,使用少量全监督数据和大量弱监督数据进行训练,有效降低了标注成本。该算法由孪生预测模块和注意力辅助模块组成,其中孪生预测模块捕获弱标签隐式约束并生成显著性结果图,注意力辅助模块利用超像素级通道注意力机制优化预测结果。新提出的超像素注意力孪生半监督算法在高光谱数据集上实现了87%的检测精度,优于其他流行算法,在有效降低标注成本的同时具有优异的显著性检测性能。

针对液晶光学相控阵单光束扫描周期长、捕获效率低的问题,提出基于贪心遗传算法的液晶光学相控阵多光束扫描方法。利用多个液晶光学相控阵实现互相独立扫描的多个光束,在用多光束对多个动态目标进行扫描时,根据目标已知的大小、位置以及速度信息,设计基于贪心遗传算法的多光束扫描方法,使用目标捕获效率作为目标函数,对每个光束分配待扫描的目标,并确定多个目标的扫描顺序;搭建液晶光学相控阵多光束扫描平台,在不同的目标数量、目标移动速度以及不同的光斑半径等条件下,对所提的扫描方法进行仿真以及实验验证。研究结果表明:相较于传统扫描方法,基于贪心遗传算法的多光束扫描方法不仅有效地缩短了扫描周期,而且提高了动态目标的捕获效率。

针对无人机蜂群中自主协同行为涌现机理难以解释的问题,提出一种多Agent系统中的自主协同行为涌现的分析方法,对系统的微观个体层、中观结构层和宏观网络层三个层面展开分析,自底向上地量化分析系统动态演化过程,揭示系统从微观到宏观的内在逻辑以及系统演变中的一些问题。通过计算实验方法构建无人机蜂群的计算实验模型,根据蜂群作战的关键特征设计无人机蜂群社团信息网络,引入公共物品博弈机制构建蜂群合作演化模型,并给出社团网络上蜂群的演化动力学过程。通过数值模拟,从无人机蜂群系统的不同层面量化分析蜂群协同行为的涌现现象,从而认识蜂群自主协同行为的涌现机理,并为无人机蜂群协同机制的优化提供决策支持。

针对现有无人机集群任务分配算法在进行较大规模的任务分配时求解效率降低、求解时间大幅增加的问题,提出一种基于序列生成对抗网络的任务分配方法。通过构建包含战场信息特征提取网络和序列生成网络的序列生成模型,解决战场信息到任务分配序列的生成问题;构建基于多核多层卷积网络的判别模型,提出收益-评价双指导式策略梯度更新对模型进行训练,解决任务分配序列离散的问题,保证任务分配序列的质量。仿真结果表明,新方法在保证分配序列质量的情况下,能够高效地生成与战场信息对应的任务分配序列。

针对多无人机在密集障碍环境中协同执行地面目标跟踪任务时存在避障能力不足的问题,提出一种基于零空间方法的多无人机目标跟踪与避障联合航迹规划算法。利用Lyapunov导引向量场得到协同对地面目标进行Standoff跟踪时的无人机目标跟踪速度指令,构建障碍物模型和避障人工势场函数,利用人工势场方法得到无人机避障速度指令;基于零空间方法,将避障任务设定为高优先级任务,通过将目标跟踪速度指令向避障任务零空间投影后再与避障速度指令相加的联合航迹规划方法,获取综合后的无人机速度指令。通过仿真分析验证联合航迹规划方法的有效性。仿真结果表明,联合航迹规划方法能够在密集障碍物存在的复杂环境中实时规划有效航迹,保证多无人机避开密集障碍物,持续跟踪目标,并且多无人机具有良好的协同性。

针对通信丢包导致的多机分布式任务分配方法收敛速度慢、通信负载高等问题,提出信息重传与丢包补偿的分布式任务分配方法。设计机间信息重传机制,各机依据通信状态调整任务信息重传次数,有效降低数据丢包概率。给出考虑信息重传下分配算法收敛迭代规律,证明了重传机制对分配算法收敛的增速效果。为进一步降低通信冗余,提出丢包估计分布式任务分配(LE-DTA)算法,利用估计信息补偿丢包数据参与分布式任务分配过程,降低了机间通信传输需求,并证明了LE-DTA算法的收敛性。仿真对比结果表明:信息重传机制改进的一致性束算法(CBBA)能够有效提升算法收敛速度,但机间通信负载较高;LE-DTA算法在高丢包率、低网络拓扑连通度场景下具有明显的性能优势。

针对无人机技术研究中对其数据链路干扰攻击效果进行仿真模拟的需求,基于QualNet仿真软件提出一种无人机信息攻击半实物测试架构。该半实物测试架构通过设计和集成通信网络仿真模块、想定规划模块、干扰攻击模拟加载模块、三维态势展示模块、动态控制模块和数据传输接口,来模拟实现对无人机的动态控制、状态信息显示及干扰攻击加载等。测试结果表明,该架构能够有效实现对无人机干扰攻击效果的模拟,且所设计的数据传输接口能够保证半实物测试中信息交互的准确性与实时性,为实物设备接入测试奠定了基础。

舰船辐射噪声信号是感知目标舰船的重要方式之一。诱饵信号通过模仿目标舰船辐射噪声,混淆感知系统以掩护目标舰船完成战略目标。如果可以通过对舰船辐射噪声与诱饵信号识别方式实现抗干扰,将大大提高战时敌方舰船识别效率,从而提高战术行动的效率和成功率。将抗诱饵干扰问题转化为单类分类问题,尝试采用深度学习范式给出解决方法。以此为背景,提出无监督时频信息结合的舰船辐射噪声信号抗诱饵干扰方法。构建针对舰船辐射噪声信号时域、时频域数据的对抗生成网络结构。采用对抗训练策略捕捉舰船辐射噪声信号的时域、时频域联合分布,提高模型针对舰船辐射噪声信号的表示学习能力,最终实现端到端的舰船辐射噪声信号单类分类任务。实验数据由外场实验模拟产生诱饵信号采集而来。研究结果表明:在无监督条件下的AUC值为0.84,相对于单类分类基线模型高出0.17,可以实现对舰船辐射噪声信号抗诱饵干扰。

复杂地面战场环境下的自主目标识别是未来无人车实现智能化作战的关键技术。如何将基于深度学习的自主目标识别算法进行资源受限情况下的嵌入式计算平台部署应用,已成为目前无人车智能化赋能亟待解决的核心问题。以用于地面自主目标识别的YOLOv5深度神经网络结构为基础,提出一种基于改进型注意力模块和BatchNorm层的多正则项自适应网络裁剪算法,在裁剪与训练的协同过程中实现网络结构的最优化裁剪;设计一种对权重实施不饱和映射以及对激活值实施饱和映射的组合式训练后INT8量化算法。将压缩优化后的YOLOv5x网络在基于Zynq UltraScale+MPSoC架构的嵌入式计算平台上进行应用部署及验证。验证结果表明:YOLOv5x网络在通道裁剪40%和INT8量化时,红外目标识别精度仅减少0.374%,可见光目标识别精度提升0.065%,目标识别帧频均可达到25帧/s,能够满足无人车复杂战场环境下自主目标识别的准确度及实时性要求;自主目标识别神经网络压缩优化算法可扩展应用于无人机、精确制导武器等其他作战平台。

针对射表解算激光末制导炮弹射击诸元存在较大的截断误差及无法快速精确解算的缺陷,提出一种基于多模型网络的射击诸元快速精确求解方法。建立制导炮弹6自由度弹道模型,分析初始条件中表尺、程装等对射程的影响。考虑气温、气压和风干扰等因素对求解结果的影响,应用最小二乘法对气温、气压进行拟合,采取层权的方式求取精确弹道风,作为网络模型的部分输入。利用数学仿真手段批量化生成样本,对深度神经网络中的每个模型进行离线训练。对新方法进行数学仿真和飞行试验验证。仿真和试验结果表明,相对于传统的射表,新方法求解精度高,误差率小于0.2%。

在通过复杂路面障碍时,轮腿式机动平台的轮端负载较大,且地面对轮胎的外力会突然变化,会显著降低机身姿态的控制精度,并容易导致轮胎脱离地面失稳等问题。为提高平台的地形适应能力和稳定性,提出一种基于前馈补偿的平台姿态自适应控制策略。构建平台的逆运动学模型和动力学模型,考虑轮-地接触点垂向支撑力和纵向驱动力实现轮-地接触状态的实时估计,结合腿部高度观测器和轮-地接触状态估计器获得腿部垂向补偿高度,兼顾平台车轮运动稳定性和姿态自适应控制精度。考虑平台机身动量和角动量,利用二次规划算法优化的轮端虚拟驱动力求解前馈补偿力矩,以实现平台的运动精确控制。仿真结果表明,该方法可以有效提高轮腿式机动平台在崎岖路面环境下的姿态自适应控制精度和轮胎驱动稳定性,为在复杂工况下轮腿式机动平台执行侦察等任务奠定基础。

点云去噪技术是智能驾驶汽车感知周边环境信息的关键一步。针对激光雷达点云去噪算法去噪精度高、运行速率低的问题,提出一种适用于复杂场景和多种尺度噪声下的自适应双半径滤波算法。三维点云经最少点数约束条件下的体素滤波精简处理,并初步滤除离群噪声。用KD-tree建立索引计算点云的平均密度。根据点云密度构建自适应大、小半径模型,以滤除漂移噪声体素。为验证算法的有效性,在多噪声类型的简单场景和复杂场景下,与各算法对比去噪精度与运行速率。对比结果表明,在去噪精度略微降低的情况下,在简单场景中的运行时间低于0.6s,在复杂场景中低于2s,新算法具有较高的去噪精度和运行速率及较广的适用范围。

面向三维场景下的多导弹协同攻击机动目标问题,基于固定时间稳定理论和自适应滑模控制理论,设计考虑时间及空间约束的分布式协同制导律。在弹目视线方向上,基于固定时间一致性理论提出一种改进型自适应鲁棒协同制导律,驱动弹群以期望的攻击时刻协同拦截机动目标,并避免滑模固有的抖振问题;考虑视线法向的空间约束,基于固定时间非奇异终端滑模控制理论设计一种鲁棒自适应滑模制导律,在实现终端碰撞角约束的同时避免弹群间碰撞。通过Lyapunov稳定性理论证明闭环系统的固定时间稳定性。仿真结果表明:所设计三维协同制导律可以有效控制多发导弹在期望攻击时刻同时打击机动目标,并以期望的终端角度攻击目标。

面对迅猛发展的智能无人车辆及其多任务载荷用电和复杂行驶工况的大功率充放电性能要求,需要新型的储能系统方案来解决现有单一类型储能系统难以适应的问题。基于无人车辆动力性、静音里程等功率与能量性能约束,提出一种以轻量化为目标的混合储能系统(HESS)参数匹配优化方法,以实现储能系统输入输出能力与系统质量的平衡。根据无人车辆对储能系统的基本要求与不同拓扑结构特点,选配最优构型方案;基于车辆性能指标要求进行储能系统匹配计算,优化系统参数,以充分发挥HESS优势。研究结果表明:HESS能够有效减小动力电池大电流的冲击,延长电池使用寿命;新的优化方法可以有效降低能源系统的质量,提升车辆综合性能。

针对系统模型动态不确定和受外部干扰的四旋翼无人机位置轨迹跟踪控制问题,提出一种新的基于积分强化学习的鲁棒轨迹跟踪控制方法。建立四旋翼无人机原系统与参考轨迹的增广系统,将四旋翼无人机的鲁棒轨迹跟踪问题转化为镇定问题。通过使用带有折扣因子的价值函数,将无人机增广系统的鲁棒镇定问题转化为四旋翼无人机的最优控制问题,从而兼顾到四旋翼无人机的跟踪误差和整体性能。基于积分强化学习方法,构建了单网络演员-评论家结构对最优价值函数进行估计,进而实现对四旋翼无人机控制器的在线求解。对四旋翼无人机系统跟踪误差的稳定性及单网络结构权值的收敛性进行了严格的数学证明,仿真结果验证了所设计控制方案的优越性和鲁棒性。

为实现动态障碍物环境下飞行器对目标的打击以提高其工程适用性,建立飞行器与障碍物以及飞行器与目标的运动学模型。在控制障碍函数的基础上进行拓展,结合速度障碍法对飞行器速度施加约束,与现有的比例制导律构建二次优化问题,得到闭式解形式的避障制导律。数值仿真并分析轨迹和过载曲线的特性。研究结果表明:所提出的避障制导律可以实时地避开运动障碍物并打击目标,有较好的全局特性;与已有避障制导律相比,过载曲线更加平缓且饱和过载占比小。

对敌方多目标实施分布式打击是无人机蜂群的重要作战样式,无人机个体如何选择打击目标是其中的关键问题之一。现有目标分配算法大多针对信息全局可知的集中式目标分配问题,无法适应局部感知交互的战场环境。基于就近原则以及目标价值原则,参考目标距离、目标方位角、目标价值、无人机速度等要素,在匈牙利算法(HA)的基础上考虑了无人机身份和目标身份信息,提出了身份HA,实现了无人机蜂群的分布式目标分配。算例分析结果表明,身份HA可以避免无人机蜂群遗漏目标或冗余攻击,提升无人机蜂群的整体作战效能,为实现鱼贯依次打击的作战策略奠定算法基础。

无人机视觉导航仿真实验能够验证算法的鲁棒性和精确度,加快算法的迭代优化。传统的基于计算机仿真模型的硬件在环仿真实验平台难以复现真实的视觉导航飞行过程,需要设计一种高精度的用于无人机视觉导航试验的半物理仿真平台。根据四旋翼无人机的特性和仿真模型,提出一种新型的由三轴转台和三轴桁架组成的6自由度机械结构,该机械结构可以在4.0m×2.0m×1.4m的三维空间范围内真实地模拟四旋翼无人机的飞行姿态;根据设计的机械结构及其动力学特性,设计基于EtherCAT通讯的控制系统,同时实现真实物理环境飞行姿态模拟与虚拟动画空间同步飞行姿态仿真。测试结果表明:三轴转台的重复定位精度达到0.006 °,三轴桁架的重复定位精度达到0.033mm,动态误差精度达到0.04 °和0.4mm;通过室内外对比试验验证了仿真平台的有效性,表明仿真平台可满足高精度无人机视觉导航模拟的需求。

针对现代空战中的无人机自主决策问题,将注意力机制(AM)与深度强化学习中的非确定性策略算法Soft Actor Critic(SAC)相结合,提出一种基于AM-SAC算法的机动决策算法。在1V1的作战背景下建立无人机3自由度运动模型和无人机近距空战模型,并利用敌我之间相对距离和相对方位角构建导弹攻击区模型。将AM引入SAC算法,构造权重网络,从而实现训练过程中奖励权重的动态调整并设计仿真实验。通过与SAC算法的对比以及在多个不同初始态势环境下的测试,验证了基于AM-SAC算法的机动决策算法具有更高的收敛速度和机动稳定性,在空战中有更好的表现,且适用于多种不同的作战场景。

密集城市地区作战普遍存在区域监视问题,为使我方撤出最高危险区域以减轻损伤或减少人力消耗,采用无人系统执行侦察监视任务极具军事意义和应用价值。面向环境复杂多变且多无人平台初始位置邻近情况下的协同监控任务,针对现有的控制策略在遍历目标空间时多无人平台容易发生冲突的不足且缺少对多无人平台初始位置邻近情况的研究,在半启发式控制策略和栅格法的基础上通过引入信息素改进目标函数并制定冲突消解规则,构建出信息素正向激励栅格法。试验结果表明,信息素正向激励栅格法在冲突消解方面的表现优于现有控制策略,综合性能表现较好,特别在障碍物数量较多时全局平均空闲时间的表现更好,所提方法的有效性和合理性得到了验证。