学报：一种无人集群系统仿真平台设计（下）无人集群仿真平台设计与系统验证

论文链接：【深度】学报：一种无人集群系统仿真平台设计（上）无人集群及其仿真技术要素分析

3　无人集群仿真平台设计

3.1　基于消息中间件的系统架构

无人集群仿真平台的意义在于，可以在付出较小成本代价情况下，验证集群系统的整体运行流程和关键技术能力，降低大数量无人平台的制造成本、空域使用成本和试验验证成本，是开展无人集群系统研究的必经之路。要取得良好的仿真试验效果，高效的系统架构和精确的模型设计是开展集群仿真工作的基本前提。

以上一章提到的无人机集群系统为例剖析如下。

首先明确无人机集群仿真平台的主要目标。本文所述的集群仿真平台，聚焦于验证无人集群系统在典型任务场景中的任务执行能力和集群控制能力。按照集群要素分解定位，其主要验证对象是机载任务子系统和集群控制子系统。具体验证内容包括任务动态分配算法、集群路径规划算法等集群核心算法。在服务于这一目标前提下，其他子系统功能尽可能简化实现。

基于此，无人机集群仿真平台设计思路如下：

（1）将集群系统的基础性功能虚拟化，包括通信、导航、机电、能源等。

（2）将与集群控制紧密相关的功能实物化，比如飞控子系统，因为飞行控制性能严重影响着集群控制参数。

（3）将与任务分配和路径规划非紧密相关的功能模拟化，比如集群任务载荷，包括传感器和攻击武器，此类实物载荷不宜在仿真环境中直接应用，应采用软件模拟，涉及功能包括情报探测、目标识别、侦察干扰、火力攻击等。此类功能与任务分配和路径规划功能分别处于集群系统信息处理流程的不同阶段，并非紧密依赖关系。

（4）尽可能逼真模拟无人集群系统的实际运行环境，包括地理环境、气象环境、电磁环境等。

按照上述思路，设计无人机集群仿真平台，见图 4、图 5。其中，灰色填充模块采用仿真实现，其他部分可以与实物系统保持一致或者移植实现。

图 4 无人机集群仿真平台（机上）组成图

图 5 无人机集群仿真平台（地面）组成图

仿真平台中的模型及数据采用面向对象设计规范，遵从开放式体系架构，其中情报探测模型、目标识别模型、侦察干扰模型、火力攻击模型、通信模型均可根据具体任务需要，按照具体平台型号和载荷型号进行参数化定制。平台内模型对象间的消息通信采用订阅/发布机制，基于DDS消息中间件实现。无人机系统和地面站系统的远程通信采用以太网模拟实现。仿真平台逻辑架构见图 6。其中，灰色填充模块采用模拟软件实现，是仿真主体部分，其他模块采用与实物系统一致或移植后的软件实现。

图 6 集群仿真平台逻辑架构

3.2　基于时空一致性的对象交互

本仿真平台的设计重点是验证集群任务动态分配、路径协同规划等功能。其难点是，对集群传感器和武器载荷的仿真模拟，以及对集群运行场景中地理、气象、电磁等环境的仿真模拟，这些约束条件的准确性将直接影响集群的仿真效果。

对于待验证功能，包括机载任务子系统和集群控制子系统功能，可以直接采用实物软硬件实现，或者采用与实物硬件近似的硬件和移植后的实物软件组合实现。地面站系统除通信子系统外，均可以采用实物设备构建。

对于仿真功能实现，主要工作包含如下四个方面工作：

（1）平台模拟：通过加入各类模型，模拟无人机平台上的导航、机电、能源等子系统功能以及任务载荷功能，其中，任务载荷包括传感器（光电、红外、雷达、侦察等）和干扰攻击武器等，见图 7。

（2）网络模拟：设计自组网通信模型和远程通信模型，模拟无人机与无人机、无人机与地面站间的通信网络拓扑、信息交互关系和信息传输过程，该部分模拟可以通过消息中间件（如DDS）结合以太网来实现。

（3）环境模拟：通过设计地理环境、气象环境、电磁环境等仿真模型，实现无人集群模拟运行环境，设定无人集群在典型任务场景中的环境约束条件，见图 8。

（4）任务模拟：构建适用于集群运行的典型任务想定，建立任务目标和完成准则，设定态势运行过程，为任务分配、任务跟踪、任务协同提供数据支持，为任务评估提供依据，见图 8。

图 7 无人机平台任务载荷仿真设计

图 8 地面站任务想定、环境仿真设计

基于上述思路，设计集群仿真模型对象，并定义各对象元素之间的信息交互协议。其中，最为关键的是如何保证仿真对象在时间上的同步和空间上的一致性。见图 9所示，任务模拟和环境模拟两个模块用于构建仿真平台的时间基准和空间基准，通过消息中间件保障时空信息传递的实时同步，确保所有仿真对象能够工作于统一时空基准之下。图 9概略描绘了集群仿真平台对象间的数据交互流程。

图 9 集群仿真平台数据流示意图

下面，以集群避撞和路径规划为例，简要描述无人机集群仿真系统的运行流程。避撞解算是集群控制模块的主要工作内容，其目的是在路径规划之前，综合考虑机间避撞、障碍物避撞、敌方防御设施避撞等因素，为本飞机平台提供一条安全可行的飞行路径。其中机间避撞解算是集群控制的核心功能。避撞解算需要收集如下信息：本机的位置、姿态、速度信息，集群邻近友机的位置、姿态、速度信息，障碍物的位置、形状信息，敌方防御设施的位置、形状信息。在仿真平台中，以上信息分别由导航模拟模块、自组网通信模拟模块、传感模拟模块提供。其中，本机、邻近友机和敌方防御设施信息由任务导调模块产生，障碍物信息由环境模拟模块产生。集群控制模块将以上信息进行综合处理，结合避撞算法和路径规划算法，计算出本机的飞行路径，然后将路径信息发送给飞行控制模块，由其进行飞行解算。

基于上述设计，构建无人集群系统仿真平台，模拟无人集群的任务执行过程。例如图 10所示，展示了无人机集群系统执行多目标跟踪监视任务时，通过仿真地面站系统显示的集群控制算法仿真推演画面。

图 10 集群控制算法仿真推演示意图

图 10所示的集群任务为，120架固定翼无人机协同跟踪监视8个目标。该任务执行效果可通过如下两个量化指标来描述。第一，无人机平均盘旋半径偏差，表征无人机编队相对于待追踪目标的距离偏差；第二，无人机间平均角距偏差，表征无人机间相对于待追踪目标的角距偏差。

对于大数量成员组成的无人集群系统仿真，为节约硬件成本，可以借助于虚拟机来实现，将机载软件运行于虚拟机中，维持现有逻辑架构和数据流程不变，通过调整通信模拟功能，实现比较理想的仿真效果。另外，该仿真平台可采用与实物系统一致的中间件架构，使其很容易扩展支持虚实结合的运行方式。

4　无人集群系统验证评估

无论是实物系统还是仿真系统，针对于无人集群的能力评估和关键技术评估是无人集群系统研究的重点。在仿真平台评估子系统中，构建基于仿真环境约束条件下的集群能力评估模型，通过仿真评估和迭代优化，可持续提升集群系统能力。

4.1　集群任务能力评估

无人集群任务执行能力，包括任务执行时间、毁伤率、覆盖率等因素，可以是针对单目标的任务协同能力，比如多无人机协同监视、反辐射攻击等，也可以是针对多目标的动态分配能力，比如多目标协同打击、广域协同搜索等。针对上述考核指标构建评估模型，验证集群的任务执行能力。

无人集群任务能力主要取决于以下几个方面：

（1）任务控制算法的执行效率；

（2）传感器的感知能力；

（3）集群系统的协同控制能力；

（4）集群通信组网能力和通信保障能力；

（5）导航精度及飞行控制能力；

（6）平台机械控制能力和能源保障能力。

从硬件上说，无人集群系统任务执行能力取决于计算模块的处理速度、机电系统的控制效率、能源系统的保障能力。从软件上说，无人集群系统任务执行能力受任务分配算法、路径规划算法、飞行控制算法、情报感知算法和武器攻击策略等功能模块的效率约束。

验证无人集群系统的任务执行能力，需要精确的仿真模型作保障，尤其是传感器模型和武器模型。这些载荷模型在数据层面应该趋近于实际功能、性能。除此之外，集群控制能力是制约集群任务能力的重要因素。

4.2　集群控制能力评估

除传感器感知能力、武器攻击能力和平台机动能力外，通信组网能力和集群控制能力等具备典型群体属性的集群特有能力，是集群系统高效运行的核心基础。其中，集群自组织协同控制能力是无人集群独特的、起关键作用的核心能力。

集群控制受集群任务分配模式和集群任务执行流程牵引。在集群任务目标需求下，配置相应的集群控制模式。比如，在集群机动任务中，需要加强集群针对固定区域（门洞、走廊）的协同避撞穿越能力，在多目标攻击任务中，需要加强集群针对多目标的协同跟踪能力等。

通过归纳分析集群典型任务可知，集群控制能力可以分解为如下能力：针对固定障碍物和敌方防御设施的避撞检测能力、针对集群成员的避撞检测能力、集群整体编队控制能力和集群成员路径规划能力等。

集群控制能力制约集群任务能力，也受制于集群平台的传感器能力、通信组网能力、飞行控制能力、机电控制能力和能源供应能力，是集群系统中承上启下、处于核心地位的关键技术能力。验证该能力，需要从集群任务模拟、平台模型设计、运行环境仿真等方面进行综合考虑。

结 语

无人集群系统仿真平台是验证无人集群系统的任务执行能力和集群控制能力等关键技术能力的基本手段。本文所述的设计方法，可以支撑构建无人集群系统仿真验证平台，对于集群典型任务模拟、集群算法评估具有重要意义。在平台构建初期，可根据研究目标适当简化各类仿真模型，以达到快速构建的目的，后续可根据需要有针对性地细化改进具体模型。开放式、规范化的设计方法使得仿真平台具备灵活扩展能力，随着模型准确度、任务场景逼真度等方面的持续优化，其仿真评估效能会持续提升。

【参考文献】

[1]Craig W. Reynolds. Flocks, Herds, and Schools: a distributed behavioral

Model[J]. Computer Graphics, 1987, 21(4):25-34．

[2]赵健. 基于群体智能的群体机器人研究[J]. 中国新技术新产品. 2009, (7):8-8.

[3]G Beni,J Wang. Swarm intelligence in cellular robotic systems[M]. Berlin:Springer, 1993.

[4]Kennedy J, Eberhart R. Swarm intelligence[M].

San Francisco: Morgan Kaufmann Publishings, 2001.

[5]E. Bonabeau, M. Dorigo, and G. Theraulaz. Swarm intelligence: from natural to artificial systems[M]. New York: Oxford University Press, 1999.

[6]梁晓龙, 孙强, 尹忠海, 王亚利, 刘苹妮. 大规模无人系统集群智能控制方法综述[J]. 计算机应用研究, 2015, 32(1):11-16.

[7]李涛, 柳林, 吴小勇. 分布式集群并行仿真技术研究[J]. 微计算机信息, 2010, 26(25):162-163.

[8]方美琪, 张树人. 复杂系统建模与仿真[M]. 北京：中国人民大学出版社[M], 2005.

[9]V. Gazi, K. M. Passino. Stability Analysis of Swarms[J]. IEEE Transactions on Automatic Control, 2003, 48(4):692-697.

[10]薛志斌. 智能群体系统集群行为的动力学建模与分析及其仿真研究[D]. 兰州:兰州理工大学, 2012。

[11]楚天广, 杨正东, 邓魁英等. 群体动力学与协调控制研究中的若干问题[J]. 控制理论与应用, 2010, 27(1):86-93.

 

 

声明：版权归《中国电子科学研究院学报》所有