付振江，羅俊松，寧 進，多 濱

(成都理工大學 計算機與網絡安全學院，四川 成都 610059)

0 引言

無人機(Unmanned Aerial Vehicle，UAV)因其高機動性在各種域都有巨大的潛力。單UAV的技術比較完備與成熟，具有較高的可控性，但是單UAV傳輸距離相對較短，經常無法滿足復雜的任務需求，可靠性不足。在通信方面，單UAV只需要連接到地面站進行端到端的通信，這種方法雖然設計較為簡單，但通信質量過分依賴UAV的軌跡，無法對空中環(huán)境進行智能響應與反饋。因此，為了更加廣泛地發(fā)揮UAV的優(yōu)勢，UAV集群通過協(xié)作執(zhí)行任務可展現更有效、高魯棒性的能力。近年來，孫海文等[1]介紹了國外UAV蜂群發(fā)展狀況；賈高偉等[2]介紹了集群的任務分配模型；谷旭平等[3]總結了UAV集群的關鍵技術；趙林等[4]針對UAV集群協(xié)同技術，介紹了在路徑規(guī)劃、態(tài)勢感知和任務協(xié)作方面的應用研究。

上述文獻中鮮有考慮UAV集群信息傳輸中的約束限制，以至于在實際場景中的應用存在局限性，因此研究UAV集群通信可以為各種場景提供可靠和有效的無線通信解決方案。本文從國內外集群在通信中的應用現狀研究，總結了各集群通信場景所面臨的挑戰(zhàn)，分析集群通信架構設計及智能解決方案，針對實際存在的問題提出進一步的研究建議。

1 UAV集群

近年來，UAV技術前所未有的進步使得在通信應用中廣泛部署UAV成為可能，由于單UAV在輔助通信時飛行能力、負載和能耗等方面受到限制，已無法適應動態(tài)變化的環(huán)境，所以多UAV由于覆蓋范圍較廣、飛行更加靈活，受到了大量的關注[5]。多UAV系統(tǒng)通常由地面進行統(tǒng)一調控，例如多UAV燈光秀、編隊飛行等，UAV之間彼此獨立，導致任務能力較為單一、機間協(xié)同水平低，使得多UAV系統(tǒng)向更高階的集群、自主和智能化方向發(fā)展，近些年提出了UAV集群概念[6]。值得注意的是，在大規(guī)模UAV集群中，通常將集群劃分為小群體，稱為UAV簇[7]。表1比較了近年來容易混淆的概念：多UAV，UAV簇和UAV集群。

表1 多種UAV系統(tǒng)比較Tab.1 Comparison of various UAV systems

UAV集群通常由大量低成本的小型UAV構成，通過與多UAV系統(tǒng)的對比，UAV集群有以下優(yōu)點：

① 高能源效率。集群中通常利用體積更小、成本更低的UAV，因此能耗較低。此外，通過軌跡設計和功率分配方案，可將整體功耗降到最小值。

② 方便的可拓展性。在UAV集群系統(tǒng)中，由于集群間通常沒有固定的主導節(jié)點，所以集群在保持通信過程中出現節(jié)點加入或者離開的情況不會影響整體的穩(wěn)定性，使得集群具有更好的拓展性和適用性。

③ 豐富的通信場景。UAV集群可以理解為多UAV的更高階形式，近年來的研究拓寬了UAV集群在通信中的應用范圍。通過有效的空對地(Air-to-Ground，A2G)通信與空對空(Air-to-Air，A2A)通信，集群系統(tǒng)提高了可實現的負載能力和飛行能力，并且采用不同的傳感器和不同的通信策略使其功能更加多樣。

UAV集群通信同樣面臨挑戰(zhàn)，與單UAV不同，集群中的UAV節(jié)點數量和速度的變化，將導致A2A鏈路間歇性地建立，需要在飛行過程中考慮集群節(jié)點間的通信質量。另外，UAV集群因為數量龐大、覆蓋范圍更廣，更容易受到來自地面或者機間的通信干擾，如何進行干擾消除使UAV集群表現出更高的能力也是需要考慮的問題。雖然UAV集群可以通過設計表現出高能源效率，但是能耗問題依然具有挑戰(zhàn)性。

2 UAV集群通信應用場景

UAV集群在公共領域和民用領域有著巨大的潛力，隨著集群技術的逐步成熟，大多數應用場景可以從單UAV轉向UAV集群，因為UAV集群可以更好地用來提高現有地面無線網絡的覆蓋范圍、容量和整體服務質量(Quality of Service,QoS)，所以被認為是5G蜂窩網絡之外不可分割的一部分。利用UAV集群可以輔助地面蜂窩網絡實現信息的超遠距離與安全傳輸，輔助傳感器網絡實現信息的快速收集和目標檢測。另外，集群也可以作為基站為緊急場景提供應急通信。UAV集群通信應用場景如圖1所示。

圖1 UAV集群通信應用Fig.1 UAV swarm communication applications

2.1 UAV集群輔助蜂窩網絡

隨著智能手機、終端和物聯(lián)網設備等高效移動設備的快速普及，推動了通信需求的不斷增長。在城市公共安全服務中，UAV集群可以作為移動中繼[8]向遠距離節(jié)點提供視距(Line of Sight，LoS)鏈路和額外的容量以實現輔助通信。利用UAV集群可以更好地進行流量卸載，達到低延遲的目的。

UAV集群中繼過程中，集群需要連接到蜂窩網絡，以形成良好的A2A和A2G通信。文獻[9]通過多跳中繼實現源節(jié)點到目標節(jié)點的信息轉發(fā)，聯(lián)合優(yōu)化了中繼通信的軌跡與功率分配，實現端到端吞吐量的最大化。文獻[10]將無線信道建模為獨立的瑞利衰落信道，考慮了集群UAV間的協(xié)作與通信干擾，其中一架UAV與地面蜂窩網絡相連，實現集群通信與三角編隊飛行穩(wěn)定性優(yōu)化。文獻[11]使用UAV集群作為超小型基站的臨時空中回程網絡，尋求在空中形成穩(wěn)定的多跳回程網絡，每架UAV可以單獨選擇連接到回程網關節(jié)點的路徑，在通信速率和延遲方面得到顯著提高。

上述場景均考慮單一基站或者單一用戶，以實現遠距離的信息傳輸，而在多蜂窩網絡基站場景下，利用UAV集群可以實現流量卸載，提高用戶的通信覆蓋率。文獻[12]提出了一個分析框架，通過分析地面與UAV路徑損失推導出信噪比覆蓋概率，實現為多用戶提供更好的通信質量。文獻[13]基于UAV的能耗、緩存及負載，提出了一種新的協(xié)同UAV聚類方案，將流量從地面蜂窩基站轉移到UAV集群，提高了整體的覆蓋性能。文獻[14]提出了空中UAV整體通信網絡穩(wěn)定方案，通過設計一個或多個中繼UAV的位置，彌補在動態(tài)群拓撲下中斷的無線鏈路。通常，中繼節(jié)點的位置由流量QoS要求和鏈路條件決定，由于UAV集群的工作高度和強大的空地通信，它通常暴露在多個地面基站中，為地面服務的基站會對集群產生強烈干擾，所以文獻[15]提出了UAV集群在延遲限制下實現公共控制信息的可靠接收，通過D2D(Device-to-Device)通信，將控制信息中繼到其余UAV。文獻[16]考慮了懸停的UAV集群將信息從地面?zhèn)鬟f到遙遠的目的地，并同時由部分UAV產生“友好”的干擾信號來干擾竊聽者，實現最大保密率。

使用UAV集群進行中繼需要進行軌跡設計，以充分提高整體吞吐量、可靠性和通信范圍并且滿足用戶的移動性需求。此外，在部署UAV集群輔助蜂窩網絡系統(tǒng)時，集群的架構和航向角等問題對于最大吞吐量和能源效率都至關重要。

2.2 UAV集群輔助無線傳感網絡

無線傳感網絡(Wireless Sensor Network,WSN)具有廣泛的應用前景，包括城市的監(jiān)控和救援、自然災害的預防等。UAV集群因其高機動性、分布廣，LoS主導的鏈路可作為WSN中的數據采集器和傳播者。

目標檢測是UAV集群輔助WSN中常見的應用之一。UAV集群可以在飛行過程中感知目標信號強度，并通過互相通信以避開重復搜索區(qū)域，實現快速偵察檢測。文獻[17]研究了集群UAV在未知環(huán)境下的目標搜索問題，通過考慮UAV的運動特性結合多階段搜索機制和調度控制策略，提高了目標的搜索率。文獻[18]探討了UAV集群群體特征間的關系，通過將UAV劃分為不同的角色以在重大自然災害下協(xié)同收集態(tài)勢感知數據，實現廣泛的面積覆蓋和最快速的救援響應。但是上述研究均未考慮UAV集群的能耗問題，更關注于UAV集群的路徑規(guī)劃，通信機制僅通過UAV之間距離實現。文獻[19]使用異構的UAV集群進行大規(guī)模區(qū)域的自動檢查，并將檢查數據發(fā)給地面基礎設施，提出一個能耗模型聯(lián)合設計UAV飛行、懸停、能耗和數據傳輸，以最小化UAV集群的總體能量消耗。

目標檢測應用需要實現快速訪問目標點，而在災害等情況下，利用UAV集群搭載傳感器收集地面信息，實現盡可能的覆蓋也是主要應用之一。文獻[7]研究了分層的大規(guī)模UAV集群場景，下層UAV根據彼此通信鏈路選取簇頭，實現地面監(jiān)視和數據收集，并且指定一架渡輪UAV來收集收據。文獻[20]考慮數據收集過程中惡意干擾下的集群通信，集群在飛行過程中可以根據鏈路質量進行聚類并且通過優(yōu)化UAV的軌跡以最大限度提高簇頭的和速率。在數據收集過程中，地面通常被建模為平坦地面，不具備很好的實用性，文獻[21]利用分層UAV集群研究三維不規(guī)則地形覆蓋問題，提出了一種將三維地形表面投影成多個加權二維斑塊的幾何方法，并設計了一種分層式的覆蓋軌跡算法。在文獻[22]中，UAV集群配備了傳感器，將集群當作粒子更新位置和速度用于UAV集群的軌跡設計，并將地面目標進行聚類，以應對不同的戰(zhàn)術需求，實現精準檢測及快速覆蓋。

針對UAV集群輔助WSN問題，仍有其他挑戰(zhàn)有待解決。例如，UAV集群的最佳速度、感知信號強度的閾值以及傳感器干擾等。為了應對以上挑戰(zhàn)，有必要設計UAV的飛行軌跡，以在集群覆蓋范圍和飛行時間中達到一種權衡。

2.3 UAV集群應急通信

由于不受高度和昂貴的基礎設施的限制，UAV集群可以輕松改變位置，并在緊急情況下為地面用戶提供按需通信，尤其是在地面設施受損的情況下，如2021年因暴雨災害而采用的翼龍UAV應急通信系統(tǒng)[23]。集群基站通信系統(tǒng)不僅有助于改善連接，而且可以在最短時間內持續(xù)移動到給定區(qū)域進行全覆蓋，具有抗毀性，可極大提高救援效率[24]。文獻[25]考慮了地面用戶設備使用關聯(lián)策略，選擇其中一個UAV作為服務基站，其余的為干擾基站，通過計算UAV和用戶間的信噪比，比較集群的通信覆蓋能力。文獻[26]考慮災害場景，UAV集群作為應急通信，配置大規(guī)模的通信網絡進行覆蓋，提出了基于群智能的UAV通信網絡定位和聚類方案。

與現有的單UAV解決方案相比，部署UAV集群作為基站實現應急通信可以在范圍和用戶體驗方面提供更好的效能。有待解決的挑戰(zhàn)是在三維空間中找到最佳的位置和移動性，以獲得最大的覆蓋范圍，避免機間和地面干擾以保證用戶的體驗質量。

3 UAV集群架構設計與優(yōu)化

雖然UAV集群比單UAV機制有一些顯著優(yōu)勢，但是在集群通信系統(tǒng)中仍存在諸多挑戰(zhàn)：一方面，由于高度動態(tài)的集群環(huán)境和靈活的飛行姿態(tài)，如何在飛行過程中使集群系統(tǒng)表現出更高的通用性是需要解決的問題；另一方面，在相對較長的距離，相關的集群與地面基站通信中，需要考慮UAV集群的能耗及功率分配等。本節(jié)從通信架構和軌跡優(yōu)化算法方向解決上述通信場景問題。

3.1 集群架構

UAV集群體系架構是將UAV集群的特性，結合UAV集群通信場景按照一定的邏輯關系將UAV有組織地結合起來，使之成為一個具有協(xié)同交互的群體，所以UAV集群體系架構設計通常是解決集群通信問題的基礎和前提。近年來，針對UAV集群通信場景主要有2種架構：集中式和分布式架構[27]。集中式架構是指每架UAV都與中心節(jié)點通信，并且由中心節(jié)點進行UAV的統(tǒng)一規(guī)劃，搭建相對簡單，集群之間不需要過多信息傳輸，但是對于中心節(jié)點而言計算量大，中心節(jié)點出現故障時整個集群將癱瘓，所以只適用于小規(guī)模集群[28]；分布式架構中沒有控制中心，UAV間可以互相通信，集群具有靈活性和強魯棒性，可以提升任務的執(zhí)行能力，并具有很好的拓展性，適用于大規(guī)模UAV集群，是主流研究方向[29]。本節(jié)重點介紹近年來UAV集群中的分布式架構設計。集中式與分布式架構的區(qū)別如表2所示。

表2 集中式與分布式架構區(qū)別Tab.2 Differences between centralized and distributed architectures

對于分布式架構設計，通常有2種方式：一種為大、小型UAV協(xié)同，即領導者-跟隨者(Leader-Follower)模式，其中存在顯式的領導者[30-31]，數據由下層跟隨者進行反饋，并由領導者進行全局收斂統(tǒng)一調控，這種架構多用于UAV集群輔助WSN場景；另一種UAV集群架構通過在集群中挑選簇頭，使集群分簇，簇的數量和簇頭可以根據條件改變，更適用于大規(guī)模集群，并且具有很高的自適應性[7,20]。文獻[32]綜合研究了UAV集群的分簇算法，簇頭可以根據位置、鏈路狀態(tài)、距離等條件及任務類型靈活選取并對集群中的分簇和聯(lián)盟操作進行了比較。集中式架構和分布式架構如圖2所示。

圖2 UAV集群架構Fig.2 UAV swarm architecture

3.2 架構與航跡聯(lián)合設計算法

對于UAV集群通信，在實現架構的同時，需要進一步考慮與單UAV通信類似的性能指標，比如鏈路信道干擾比(Signal to Interference plus Noise Ratio,SINR)、中斷/覆蓋率、通信吞吐量、延遲和能源效率[33]。針對上述性能指標，對UAV集群通信的架構和軌跡設計算法進行比較。近幾年，UAV集群關于架構與軌跡協(xié)同設計的解決算法可分為3種：經典算法、智能體算法和人工智能算法。

3.2.1 經典算法

經典算法包括人工勢場法、圖論、凸優(yōu)化方法和隨機幾何方法等。在經典算法中，人工勢場法的應用最為廣泛[34]，其基本思想是基于物理中的“勢場”概念實現的，通過智能體在環(huán)境中目標位置與障礙物的距離計算出智能體所受到的合力，進而改變UAV集群的速度與方向，實現UAV集群的軌跡優(yōu)化。實際應用中，難以結合UAV的自身特性調整引力函數與斥力函數，并且容易陷入局部最優(yōu)。

圖論法的原理是對整個環(huán)境進行建模，再進行路徑搜索，比較直觀，易求出最短路徑，適用于全局和連續(xù)區(qū)域內的路徑規(guī)劃，包括Dijkstra和A*算法等。Dijkstra算法是求解最短路徑的經典算法，在UAV軌跡優(yōu)化過程中展現了良好的效果，實現較為簡單，但是由于其在高維空間中搜索時間過長，并對內存有嚴格要求，所以該算法常用于二維的靜態(tài)軌跡優(yōu)化問題。A*算法的應用十分廣泛，在Dijkstra算法基礎上加入了啟發(fā)式搜索思想，通過搜索當前位置周圍最小代價的航跡點逐步找到目標位置，最后逆向回溯節(jié)點的父節(jié)點得到最優(yōu)航跡[33]。

在UAV集群通信中，A2G和A2A的連接通常建模為LoS信道，這一假設將一些問題轉化為凸優(yōu)化問題，進而考慮UAV的軌跡優(yōu)化，最大化支持用戶的數量或者覆蓋范圍最大化。文獻[20]采用凸優(yōu)化方法，通過將UAV軌跡和簇頭選取規(guī)則聯(lián)合設計，實現全局最優(yōu)。文獻[35]考慮了UAV的轉彎和爬坡角，通過聯(lián)合優(yōu)化使終端吞吐量最大化，將非凸問題進行分解以獲得次優(yōu)解。

經典算法機制較為簡單，通常用來找尋單UAV的最優(yōu)路徑或位置，但是傳統(tǒng)算法對環(huán)境依賴度高、需要較強的UAV感知能力，容易陷入局部最優(yōu)，不適用于高維空間或者UAV數量多的場景。受到干擾情況下，UAV集群很難表現出良好的能力。

3.2.2 群體智能算法

自然界中，為了彌補個體的不足，許多生物種群通過個體間的相互交流與合作可以表現出更好的能力。近年來，在軌跡設計中常運用生物群體智能行為算法，最常見的是粒子群(Particle Swarm Optimization,PSO)算法。在PSO算法中，一群粒子在一個有限空間內運動，根據自己和群體中其他粒子共享的信息更新自身的速度和位置以找到目標函數的全局最優(yōu)。文獻[22]采用了PSO，每個粒子在通信過程中都獲得自身的位置和速度，以保持其最高適應度的軌跡，并對PSO算法進行改進。然而，PSO算法需要經過長時間的探索來等待信息素的有效反饋，收斂速度較慢。文獻[17]提出了基于種子優(yōu)化(Bean Optimization)算法的搜索協(xié)同方法，增加了自由空間搜索機制，相對于PSO算法可實現更快收斂，更適用于集群輔助WSN。對于一些新興算法，如狼群(Wolf Colony Algorithm,WCA)算法[36]、人工蜂群(Artificial Bee Colony,ABC)算法[37],可以根據局部交互和感知的簡單規(guī)則在集群中挑選出更有能力的領導者，將UAV集群進行聚類，實現分布式架構，并通過軌跡優(yōu)化進行有效、節(jié)能的通信。常見的啟發(fā)式算法對比如表3所示。

表3 啟發(fā)式算法對比Tab.3 Comparison of heuristic algorithms

3.2.3 人工智能算法

為了簡單，在UAV集群輔助地面通信時，地面用戶被認為是靜止的，在軌跡設計時自然會傾向于用戶的通信需求[12]，無法應對實際中隨機移動的多用戶，并且在通信過程中和用戶連接相關的歷史信息分布在多架UAV上。由于每個用戶的數據集規(guī)模大，加上UAV能量有限及隱私問題，UAV之間無法共享所有信息，無法適用于實際應用。

人工智能技術和機器學習的發(fā)展，有望在優(yōu)化整體吞吐量、資源分配和調度、提高用戶和UAV集群的運動預測以及實現安全通信等各個方面發(fā)揮作用。文獻[38]利用Q-learning算法，驅動UAV與環(huán)境信息不斷交互使得集群軌跡可以在更好滿足地面用戶的移動性需求的同時，達到總吞吐量最大。但是隨著UAV和用戶數量的增加，較大的動作空間及狀態(tài)使得Q-learning算法全局收斂速度慢。文獻[14]為了處理集群間實時變化的通信鏈路，設計了深度Q學習(Deep Q-learing,DQN)模型來指導UAV中繼節(jié)點的最優(yōu)定位，以實現通信吞吐量最優(yōu)，文獻[21]將深度Q學習用于解決領導者UAV覆蓋區(qū)域選擇和通信質量問題，并通過對跟隨者軌跡的設計，使得地面覆蓋時間最短。

傳統(tǒng)的機器學習需要將數據匯聚到中心后才可以進行模型訓練，可能會導致高延遲和顯著的帶寬消耗。而聯(lián)邦學習(Federated-Learing，FL)作為一種分布式學習算法可以有效解決此問題，其核心思想是通過在多個擁有本地數據的數據源之間進行模型訓練，實現數據共享，共同建模。在文獻[30]中由跟隨者UAV訓練其局部模型，并由上層領導者UAV進行全局收斂，聯(lián)合優(yōu)化上行和下行傳輸的UAV，以實現最小延遲。文獻[31]考慮了UAV集群的能耗限制，實現了UAV集群的位置部署，UAV領導者和群成員之間采用FL，通過訓練UAV的數量和地面通信質量以改進局部學習模型，達到全局收斂。

人工智能算法需要進行UAV數量、通信質量和移動性的模型訓練，所以常用于不同尺寸UAV的分布式架構，其中常規(guī)定大型UAV為更有計算能力或者負載更高的領導者進行全局收斂，更適用于UAV集群輔助WSN場景。人工智能算法對比如表4所示。

表4 人工智能算法對比Tab.4 Comparison of artificial intelligence algorithms

4 未來展望

UAV集群已經成為無線通信研究的焦點，可以應對各種場景遇到的廣泛挑戰(zhàn)，如軌跡設計、干擾管理及資源分配等。結合最新的研究提出了UAV集群未來可能的發(fā)展方向：

① 智能反射面(Intelligent Reflecting Surface，IRS)輔助集群通信。IRS是近年來提出用來補充長距離通信路徑損失的技術，可以通過被動反射用戶接收到的信號在UAV和地面用戶間形成虛擬的LoS連接。在UAV集群中可以考慮搭載IRS的UAV，通過聯(lián)合設計軌跡、IRS相位等，提供潛在的SINR增強，進一步提高UAV集群通信的性能。

② 集群任務分配。UAV集群通信固然可以解決一些實際問題，然而現有研究通常為多架高度協(xié)同的UAV被指派同一個任務。在實際生活中，如何根據任務需求或者高度動態(tài)的環(huán)境，形成UAV集群是一個重要的開放問題。尤其是作戰(zhàn)環(huán)境下，UAV集群需要同時完成偵察、輔助通信和數據回傳等任務。所以在UAV集群通信中考慮任務分配或者進一步協(xié)作具有實際意義。

③ 移動邊緣計算和智能任務卸載。UAV集群技術有望在未來通信中發(fā)揮重大作用，然而在通信過程中，尤其在數據收集、目標檢測等場景下，將面臨數據量激增的問題。所以需要進一步研究移動邊緣計算和智能任務卸載，UAV可在自身進行計算或者通過計算卸載將服務下放到相鄰的UAV邊緣節(jié)點，以獲得高速率、低時延和及時響應的服務。

5 結束語

近年來，隨著人工智能等技術的高速發(fā)展，UAV集群技術應對通信問題迎來了新的發(fā)展機遇。在通信需求激增下，采用UAV集群通信可提高通信的整體吞吐量和速率，以有效應對各種實際場景和工作。在未來工作中，要重視3個方面的工作：一是加強智能算法的研發(fā)，使UAV集群的架構和軌跡能夠滿足更多實際場景；二是UAV的異構創(chuàng)新，使UAV能夠在不同負載、功能和任務能力下進行協(xié)作；三是算力水平提升，融合云計算、邊緣計算等多技術，形成新的技術體系，減少因計算帶來的能耗?？傊哟髮AV集群通信技術的研究和應用規(guī)模，可以激發(fā)UAV在通信中的潛力，促進UAV通信應用的蓬勃發(fā)展。