无人机系统自主控制技术研究现状及发展趋势

引言：随着科学技术的进步 ， 要求无人机系统应当在智能化方面加以改进 ， 促使智能系统进一步提高和完善 ， 不但降低操作人员的劳动负荷， 而且提高作战的效能。但是，随着无人机性能的提高，其操纵控制也趋于复杂化。从而导致飞行操纵员以及指挥员的压力剧增 ， 并严重影响了无人机系统的安全性。因此，对无人机系统自主控制技术的研究现状和发展趋势进行研究，对于了解技术发展方向，促进无人机产业升级发展具有现实意义。

一、无人机系统自主控制技术研究现状

（一）基于强化学习的自主决策架构演进

目前无人机自主控制的领域，强化学习技术从单个任务的提升发展到复杂的环境自主决策，主要以创建分层的强化学习结构为目标，将任务分解为一系列小目标，解决了之前长时间任务中奖励很少的问题。多智能体强化学习是自主操控的主要发展方向，在操控中每个不同的无人机之间，采用本地的通讯方式，完成互相交换价值函数的参数。最新的发展包含注意力机制，让无人机将注意力放在重要的环境特点上，在有动态妨碍物体的时候加快做决定的速度，一部分研究试着把强化学习和符号推理结合起来。这种架构上的改变使无人机在新地方自我适应的能力提高很多，但如何协调模型的复杂度与及时反应依然是个问题。

（二）多模态感知融合的自主避障技术深化

多模态感知融合技术从简单的拼接数据发展成深入的语义相关性，当前研究主要聚焦于在跨模态的特征提取网络上进行改善，并采用共享编码器的方法对视觉、激光雷达、红外数据做特征级融合。时空同步使用光流估计、IMU 预积分等技术使得各个传感器采集到的数据的时间上能同步起来，精确到毫秒级别。动态障碍物的识别利用图神经网络的轨迹预测模型成为主流，在障碍物之间建立关系图进行群集交互行为预测。部分研究正将事件相机作为帧相机，事件相机具有的非常高的时间分辨率让无人机对那些快速移动的障碍物有更大的感知能力，感知融合也变得越来越轻量，借助于模型修剪、量化之类的手段，繁复的融合算法能在无人机所携带的边缘计算设备上立即运行。

（三）数字孪生技术在控制验证中的普及应用

数字孪生技术的应用已经从对单台设备仿真发展到了全系统级的验证。就当下而言，针对平台搭建，大多数是以多物理场建模为主，将气动性能、电机性能学、传感器噪声全都纳入虚拟环境之中。实时数据接口技术又取得了进步，采用 5G/6G 网络，实现虚拟模型同真实无人机毫秒级的数据同步。某些平台引入了数字线程的概念，结合设计、检测、改善这些环节里的所有数据，于是形成一个闭环验证系统。协同控制部分，数字孪生可以做到大量无人机群进行并行的仿真模拟，采用分布式计算的方式，去对千机级场景实时渲染。近几年的研究也开始尝试着将数字孪生和数字足迹进行结合，通过各个阶段无人机数据来进行预测性维护模型的搭建，这种新技术的推广和使用可以让自主控制算法在实地测试时风险大大降低。

二、无人机系统自主控制技术发展趋势

（一）人工智能与自主控制深度融合：开启智能新时代

人工智能技术的发展趋势，未来人工智能技术一定会与无人机自主控制技术结合起来发展。人工智能技术中深度学习、强化学习等算法在无人机的感知、决策、控制等各个方面发挥着越来越大的作用。在无人机的感知方面，深度学习算法可以更好地对目标及环境进行感知，深度学习算法可以从大量的图像数据以及各种传感器的数据中自动学习到图像的特征，从而自动地识别出环境中出现了哪些不同类型的物体。在决策方面则是强化学习算法可以让无人机能够进行自主地学习，并做出对应的决策。无人机可以和外界环境互动不停尝试错误，学到最适合的解决办法应对不一样的任务情况和周围变化。在控制上，人工智能算法也可以跟传统的控制方法一起使用，如基于神经网络改动 PID 控制里头的调节参数，在线改动PID 控制里的参数。

（二）多模态感知与融合：构建全面感知体系

为了提高无人机在复杂环境中的感知能力，未来将采用多模态感知与融合技术，将视觉、激光雷达、红外等多种感知方式结合起来，使各自的优势都能发挥出来，得到更全面、精确的环境信息。视觉感知可以给人们供应大量的图像信息，进行目标识别和场景认识；激光雷达感知可以供应精确的三维距离信息，用来创建环境地图和避开障碍物；红外感知在夜里或者光照条件差时，可以检测到目标发出的热量辐射，增强感知的可靠性。借助先进的融合算法对多模态感知数据实施处理，可增强感知系统的鲁棒性及精准度，采取数据级融合，特征级融合或者决策级融合等融合办法，将不同的感知手段得到的数据予以合并，消除单一种类的感知方式所存有的限制，改善感知系统应对复杂环境的能力。在城市环境下，多模态感知融合技术可让无人机同等地用到视觉和激光雷达来察觉信息，精确辨认建筑、汽车、行人等目标，并规划出一条安全的飞行线路。

（三）群体智能与多机协同：实现高效群体作战

群体智能理念将为多机协同控制提供新的思路和方法。借鉴自然界中生物群体协同活动探究无人机群体的协同办法和算法，利用群体智能达到多架无人机自主协同以及任务分配的目的，提升整个任务的完成度，面对繁杂的任务。在任务分配层面，可以依照市场机制或者模仿群体智能改进后的算法，按照每架无人机的性能以及每架无人机所对应的任务需求，实现每架飞机的任务分配，从而使得整体资源分配更合理。比如模仿生物群体觅食来制定任务分派算法，让无人机更快，更好地找到最好的任务分配方法。编队控制，采用分布式的控制方法，每架无人机都是根据自己的感知到的局部的信息，以及群体的目标去自主地控制自己飞行的姿态，让编队保持稳定的状态。

（四）自主控制与边缘计算结合：提升实时响应能力

边缘计算技术可以将计算任务从云上转移到无人机自身或者附近的地方设备上，从而减少数据传输出迟的几率。改良系统的即刻性质和反应速率，将自主控制同边缘计算结合之后，无人机就能在本地尽快搞清楚看见的数据并且作出决定，缩减对其网络带宽的依靠，提升其在繁杂情况下的自行运作水平。以在无人机即时避开障碍的任务为例，边缘计算装置可以在无人机上对视觉感知信息当场处理，立即辨认出障碍物然后做出躲避决定，大幅缩减了反应时刻，提升了避开的及时性和正确性。

结束语

综上所述，无人机系统自主控制技术在各方面如感知、决策、控制等方面都有了一定的研究成果，使得无人机可以在各个不同领域得到了一定的应用，未来无人机将会在更多的方面发挥作用，成为社会发展的新力量。相信在不久的将来，伴随着科技的发展，无人机系统的自主控制技术将会有一个更加灿烂的明天，为人类创造一个美好的未来。

参考文献

[1] 唐强 ， 张宁 ， 李浩 ， 等 . 无人机自主控制系统简述 [J].测控技术 ，2020，39（10）：114-123.

[2] 雷鸣远 . 无人机系统自主控制技术及应用实践分析 [J].无线互联科技 ，2019，16（20）：11-12.

[3] 马晓 . 浅析无人机系统自主控制技术研究现状及发展趋势[J]. 科技资讯 ，2016，14（17）： 1+3 .

[4] 黄波 ， 詹金棍 ， 谢林峰 ， 等 . 无人机系统自主控制技术及应用实践分析 [J]. 科技资讯 ，2018，16（03）：65-66.