MICA項(xiàng)目對(duì)多UAV協(xié)同作戰(zhàn)的多項(xiàng)關(guān)鍵技術(shù)進(jìn)行研究，其研究目標(biāo)是探索新的監(jiān)視和控制手段（即自主協(xié)同控制方法）以使人能更好地參與到戰(zhàn)場(chǎng)管理過(guò)程中，實(shí)現(xiàn)相對(duì)較少的操作人員對(duì)大規(guī)模無(wú)人作戰(zhàn)平臺(tái)編隊(duì)的控制。其研究課題包括協(xié)同任務(wù)分配、無(wú)人機(jī)路徑規(guī)劃、多機(jī)協(xié)同跟蹤、編隊(duì)控制等多個(gè)方面，參與團(tuán)隊(duì)主要來(lái)自麻省理工學(xué)院、加州伯克利大學(xué)等。WASM項(xiàng)目則多以UAV廣域搜索與打擊任務(wù)為背景，采用分層控制與優(yōu)化的手段對(duì)多機(jī)協(xié)同控制進(jìn)行研究，并在研究過(guò)程中建立一個(gè)MultiUAV協(xié)同控制仿真平臺(tái)。

       從這些研究項(xiàng)目可以看出，多無(wú)人機(jī)系統(tǒng)控制涉及軟硬件機(jī)器整合等多個(gè)方面，其中一個(gè)核心課題就是多無(wú)人機(jī)協(xié)同任務(wù)規(guī)劃問(wèn)題，它直接決定在各個(gè)UAV個(gè)體間進(jìn)行工作任務(wù)分配和如何執(zhí)行，以在多種復(fù)雜因素影響下最大化系統(tǒng)效率。目前國(guó)內(nèi)外已經(jīng)有大量多個(gè)UAV協(xié)同任務(wù)規(guī)劃問(wèn)題為主題的學(xué)術(shù)論文。

       在任何對(duì)多無(wú)人機(jī)協(xié)同任務(wù)規(guī)劃的研究中，首先必須明確其研究的任務(wù)背景是什么，再根據(jù)該任務(wù)背景要求進(jìn)行進(jìn)一步的分解和細(xì)化，形成無(wú)人機(jī)可以完成的工作，進(jìn)而根據(jù)任務(wù)指標(biāo)并考慮某些因素進(jìn)行問(wèn)題建模與求解。協(xié)同任務(wù)規(guī)劃問(wèn)題以多UAV系統(tǒng)總體性能最大化或代價(jià)最小化為指標(biāo)，其一般形式為將若干工作指派給多個(gè)UAV執(zhí)行。因?yàn)楝F(xiàn)實(shí)中存在著極其多樣化的任務(wù)背景以及復(fù)雜的影響因素，目前存在的任務(wù)規(guī)劃方法無(wú)不是針對(duì)特定的任務(wù)背景進(jìn)行研究。

 

       由于多無(wú)人機(jī)協(xié)同任務(wù)規(guī)劃問(wèn)題的復(fù)雜性，一般采用分層控制（Hierarchical control）的方式將其分解成為決策層、協(xié)調(diào)層、執(zhí)行層等若干個(gè)子問(wèn)題，再對(duì)這些子問(wèn)題進(jìn)行求解，從而降低解決這個(gè)復(fù)雜問(wèn)題的難度。如Boskovic，J.D.等人提出將任務(wù)規(guī)劃問(wèn)題分解成決策層（decision making layer）、路徑規(guī)劃層（path planning layer）、軌跡生成層（trajectory generation layer）、內(nèi)環(huán)控制層(inner-loop control layer)等4個(gè)層次，其中：決策層負(fù)責(zé)多UAV系統(tǒng)頂層的任務(wù)決策、避障、沖突消解、任務(wù)分配和指標(biāo)評(píng)估等；路徑負(fù)責(zé)任務(wù)執(zhí)行中的運(yùn)動(dòng)規(guī)劃，生成航路點(diǎn)，以引導(dǎo)UAV規(guī)避威脅、障礙等；軌跡層則負(fù)責(zé)根據(jù)UAV的狀態(tài)、輸入和初始條件等，為UAV生成通過(guò)航路點(diǎn)的可飛路徑；控制層則保證UAV準(zhǔn)確的沿著生成的軌跡飛行，并進(jìn)行一定的冗余管理以降低干擾等因素的影響。Tsourdos，A.等人則從UAV協(xié)同路徑規(guī)劃的角度講任務(wù)規(guī)劃的層次結(jié)構(gòu)分為機(jī)群協(xié)同任務(wù)規(guī)劃與分配層、機(jī)群協(xié)同路徑規(guī)劃層、單機(jī)控制層等三個(gè)層次。這些研究表明，這類分層控制的思路可以很好的梳理和降低多UAV協(xié)同決策與控制中的復(fù)雜性，是解決該問(wèn)題的有效手段。

 

       有了分層控制的思路之后，需要對(duì)多機(jī)系統(tǒng)任務(wù)規(guī)劃問(wèn)題進(jìn)行建模與求解。從數(shù)學(xué)角度（運(yùn)籌學(xué)，Operationgs research）看，該問(wèn)題屬于一類復(fù)雜的組合優(yōu)化問(wèn)題，需要對(duì)多UAV集群內(nèi)各個(gè)成員進(jìn)行任務(wù)指派和資源分配。對(duì)該優(yōu)化問(wèn)題進(jìn)行建模與求解的方法有很多種，大致可以分為集中式和分布式兩類，兩者各有千秋。從發(fā)展的時(shí)間早晚來(lái)說(shuō)，集中式的發(fā)展要早于分布式，但由于分布式相對(duì)而言在動(dòng)態(tài)、不確定的場(chǎng)景下和實(shí)時(shí)性要求等方面的適用性更廣泛，對(duì)它的研究熱情有大漲之勢(shì)。

 

       （1）集中式任務(wù)規(guī)劃方法（Centrilized control）

特點(diǎn)是在系統(tǒng)中存在著一個(gè)中心節(jié)點(diǎn)，由這個(gè)中心節(jié)點(diǎn)完成整個(gè)系統(tǒng)的任務(wù)指派和調(diào)度、協(xié)調(diào)等工作，無(wú)人機(jī)僅充當(dāng)任務(wù)執(zhí)行者的角色。在集中式的處理過(guò)程中，問(wèn)題建模和求解這兩個(gè)方面有著較為清晰的界限。

 

       將多UAV協(xié)同任務(wù)規(guī)劃問(wèn)題抽象成組合優(yōu)化問(wèn)題的形式，需要借助圖論（graph theory），把問(wèn)題參與者，包括無(wú)人機(jī)和任務(wù)對(duì)象（如地面目標(biāo)）等，抽象成圖（graph）的節(jié)點(diǎn)（vertex），而一個(gè)UAV以某種狀態(tài)對(duì)一個(gè)對(duì)象執(zhí)行任務(wù)的過(guò)程則抽象成圖的邊（edge），再引入二元決策變量，把這個(gè)復(fù)雜的規(guī)劃問(wèn)題刻畫成一個(gè)有向圖（directed graph）的形式。實(shí)際上不管集中式還是分布式方法都存在著這樣一個(gè)問(wèn)題抽象的過(guò)程。

 

       然后，可以采用現(xiàn)有的方法對(duì)該問(wèn)題進(jìn)行建模，并使用某種合適的搜索算法（search algorithm）對(duì)這個(gè)有向圖搜索以確定最優(yōu)解。

 

       現(xiàn)在已經(jīng)存在多種集中式任務(wù)規(guī)劃建模方法，包括多旅行商問(wèn)題（Multiple Travelling Salesman problem，mTSP）、車輛路由問(wèn)題（Vehicle Routing Problem，VRP）、網(wǎng)絡(luò)流（Network Flow Optimization，NFO）模型、混合整數(shù)線性規(guī)劃（Mixed-Integer Linear Programming，MILP）等。前兩種模型一般用于處理單一任務(wù)的多UAV協(xié)同，如協(xié)同搜索任務(wù)等，在建模過(guò)程中可以考慮問(wèn)題的時(shí)間相關(guān)約束，如時(shí)間窗約束等。在處理多任務(wù)時(shí)，如確認(rèn)/攻擊/毀傷評(píng)估一體化任務(wù)，設(shè)定為只對(duì)目標(biāo)位置訪問(wèn)一次的mTSP和VRP模型則變得不太好用。此時(shí)，NFO和MILP模型相對(duì)更適用些。

 

       NFO模型在早期對(duì)廣域搜索彈藥（WASM）問(wèn)題的研究中使用較多。該方法以無(wú)人機(jī)為網(wǎng)絡(luò)中的供貨商，需要執(zhí)行的任務(wù)（可能是對(duì)地面目標(biāo)的確認(rèn)、打擊、毀傷評(píng)估等任務(wù)）為物流，而把對(duì)無(wú)人機(jī)執(zhí)行某項(xiàng)任務(wù)的指派決策當(dāng)做雪球，無(wú)人機(jī)對(duì)應(yīng)決策的執(zhí)行代價(jià)或收益則作為貨物在網(wǎng)絡(luò)中流動(dòng)的成本，基于圖論建立網(wǎng)絡(luò)流模型。優(yōu)化目標(biāo)則是網(wǎng)絡(luò)流量總代價(jià)最小。

 

       MILP模型應(yīng)該是目前使用較廣泛的集中式任務(wù)規(guī)劃方法，在WASM、SEAD（Suppression of Enemy Air Defense，敵方防控火力壓制）等問(wèn)題中均能建立較合適的模型。該方法屬于網(wǎng)絡(luò)流模型的自然拓展，其在建模過(guò)程中引入了兩種類型的決策變量：二元決策變量和連續(xù)決策變量。這兩類變量的使用，讓MILP方法能處理更管飯的任務(wù)規(guī)劃與調(diào)度問(wèn)題，可以考慮更復(fù)雜的約束，如時(shí)間、資源等，本質(zhì)上講就是使任務(wù)規(guī)劃模型與一般意義上的組合優(yōu)化問(wèn)題更接近了。

 

       在NFO和MILP模型的基礎(chǔ)上，Shima，T.等人總結(jié)并建立了被稱為“協(xié)同多任務(wù)分配問(wèn)題”（Cooperative Multiple Task Assignment Problem，CMTAP）的組合優(yōu)化模型。CMTAP模型采用圖論描述方法，以多UAV系統(tǒng)對(duì)多個(gè)地面目標(biāo)協(xié)同執(zhí)行受時(shí)序優(yōu)先級(jí)的約束的確認(rèn)（classify）、攻擊（attack）和毀傷評(píng)估（verify）等三種任務(wù)為任務(wù)場(chǎng)景，考慮了時(shí)間、資源、可飛路徑馮多想約束。該模型能較好的描述多UAV協(xié)同任務(wù)規(guī)劃問(wèn)題，基于它稍作改動(dòng)即可適用于廣泛的應(yīng)用場(chǎng)景。

 

       理論上講，在建立任務(wù)規(guī)劃模型后，可以選擇很多種搜索算法進(jìn)行求解，如廣度優(yōu)先搜索（breadth-first search）、深度優(yōu)先搜索（depth-first search）、Dijktra算法、Bellman-Ford算法等確定性的圖搜索算法，分支定界（branch and bound）、動(dòng)態(tài)規(guī)劃（dynamic programming）等優(yōu)化算法，以及遺傳算法（genetic algorithm，GA）、粒子群優(yōu)化算法（particle swarm optimization，PSO）、禁忌搜索（tabu search）、模擬退火（Simulated Annealing）等啟發(fā)模式隨機(jī)搜索算法。

 

       采用前兩類算法的好處是可以保證能夠找到問(wèn)題的最優(yōu)解，而且由于已經(jīng)存在大量成熟的商業(yè)軟件如CPLEX等，可以直接使用它們而大大減少研究人員的工作量。在處理簡(jiǎn)化問(wèn)題時(shí)，它們因窮遍整個(gè)解空間而能獲得問(wèn)題的最優(yōu)解，但隨著問(wèn)題規(guī)模的增長(zhǎng)，解空間的尺寸也指數(shù)級(jí)膨脹，遍歷所搜的計(jì)算量迅速增大，要窮遍整個(gè)解空間可能變得不顯示。這就是多UAV協(xié)同任務(wù)規(guī)劃問(wèn)題的NP-hard特性。