3 无人系统群体智能的主要特征体现

本文重点关注的是无人系统群体智能，此类群体智能在具有明显的自组织、自适应、自学习和自涌现等特征体现.

(1)自组织. 无人系统群体智能体现出来的自组织是指其内部众多无人单体基于实时状态与动态环境交互及认知，形成时空、逻辑等群体自主协作，完成复杂任务的特性，体现的是群体从无序到有序的演化过程，是群体自身固有而并非外部影响施加给群体的一种性质。自组织意味着无人群体智能系统中没有一个中心控制模块，也不存在一部分控制另一部分的情况. 自然界的生物群体均是通过其自组织来解决问题，理解了大自然如何使生物系统自组织，就可以模仿这种策略使人工的无人群体智能系统自组织。自组织是无人系统群体智能的重要特征体现，该特性可极大地提高无人群体智能系统在完成任务过程中的适应性与健壮性.

(2)自适应. 无人系统群体智能体现出来的自适应是指其不仅能够动态适应外界环境动态变化与使命任务人为更新，而且能够从群体内部状态与行为突变(如局部个体故障)中尽快恢复原有行为的特性，即外界环境变化以及单个个体异常状态均不会对整个群体执行任务成效产生较大影响。因此，无人系统群体智能所体现的自适应特征更具体体现在群体自重构和群体自恢复上. 自重构是指群体为了适应诸如阴雨或晴天、城市或山区等环境动态变化，搜索或跟踪、运输或救援等不同任务更新，而对其群体构型(如编队)自主变更的能力；而自恢复是指群体能够自动发现群体内个体故障、局部异常等，并据之自主调整群体行为，而不影响群体完成目标任务的能力.

(3)自学习. 无人系统群体智能体现出来的自学习是指在整体群体层面根据来自任务环境的性能反馈而修正并归纳其自身行为的特性. 学习的目的在于适应与优化，适应是为了生存，而优化是为了更好地发展. 自学习是无人系统群体智能重要的特征之一，同时又有其独特之处. 通过自学习，群体将不再局限于预定行为，从而能够适应动态变化的环境和新的任务要求。强化学习、合作式学习和进化学习普遍存在于生物群体系统中，是实现无人群体智能系统自学习的可借鉴方式. 其中，进化学习是群体智能一种特别的学习方法，它先以其数量占据优势，然后随着环境变化，淘汰不能适应的个体，在这一过程中，每一个体并没有发生任何学习行为，但其群体具有更强的适应能力[8]。通过自主且持续学习，使得无人群体智能系统具备了成长性，不仅能够适应环境的动态变化以及任务的需求变更，而且群体行为能够自主演化，功能与性能得以持续提升.

(4)自涌现. 自涌现是群体智能的本质特征，其是自下而上自主出现的群智涌现，意为群体可以涌现出个体不具有的新属性，而这种新属性正是个体之间综合作用的结果，形成群体宏观有序的系统智能行为的特性。无人系统群体智能体现出来的自涌现也是如此. 群体智能中的涌现现象与系统论和复杂系统中阐述的涌现本质上是相同的，其是基于主体实现的涌现，群体中的个体结构和功能相对简单，通过在群体活动过程的交互与协调，适应环境并学习进化，涌现出一些新的整体行为和系统能力，实现了“1+1>2”的境界[9]。人们从自然界群体行为研究中得到启发，发现微观个体之间相互作用多是复杂非线性动态过程的迭代，并呈现出难以预测和行为有效的涌现特性. 例如，蚁群觅食、大雁迁徙、羊群效应的群智涌现对无人系统群体智能优化设计均有参考价值.

4 无人系统群体智能研究现状

4.1 仿生群体智能机理研究

群体智能起源于生物学、生态学等领域. 诸如鱼、鸟、蚂蚁、蜜蜂等群体，其个体是能力有限的生命体，但通过共识的简单行动规则，群体合作能够产生复杂的群体运动行为，实现超越个性行为的集体智慧. 研究者将各类生物群体智能行为归纳为集体行进、群体聚集、群体避险、协作筑巢、分工捕食等形态，深入研究不同形态集群行为中的群智协同机理，并探讨其应用在无人群体智能系统优化设计之中。例如，集体行进是诸如鸟群等大规模生物个体以某种或多变形式同时行进的一种自然现象. 研究者从大雁群体迁徙过程，由强壮且有经验的头雁带队，其余紧随其后列队为“人”字或“一”字整齐飞行的现象中，发现头雁后面跟随者所受升力会大大增加，可有效节约飞行体力，将其命名为“领航-跟随模式”[10]。生物群体所呈现出的各种协调有序的群体运动模式，启发了无人群体智能系统协同方式设计. 例如，研究者从鸟类群体行为中总结出凝聚、分离与对齐等行为规则，进而从统计力学角度提出集群中个性运动方向达成一致的条件，并为个体运动建立了动力学方程[11-12].

4.2 典型无人群体智能系统研究实例

无人群体智能系统具体是指以群体智能理论为基础，以无人智能体为节点，通过通信网络协作完成复杂任务的一类群体智能系统. 在群体智能机理研究的基础上，国内外不少研究机构开展了无人群体智能系统的研发.(1)国外典型无人群体智能系统研究实例美国目前在该领域处于国际领先地位，连续资助了多个代表性的无人机集群项目. “小精灵”(Gremlins)项目的旨在以高效、快速替代的方式搭载情报、监视、侦察等任务载荷，同时在载机平台中开发一个可以空中实现无人机集群快速发射和回收装置，使得未来作战飞机可以快速部署廉价、可重复使用的无人机集群[13]。拒止环境中协同作战项目(CODE)旨在搭建一套包含编队协同算法的模块化软件，以适应带宽限制和通信干扰等恶劣电磁环境，降低对地面指挥和操作人员的认知负担，并利用合理方式将各类功能载荷集成在无人机集群编队中，在单一平台受损情况下仍可有序执行任务[14]。“灰山鹑”(Perdix)验证了微型无人机空中相互通信、集体决策并自主组成集群编队能力，可有效躲避防空系统以执行侦察任务[15]. 进攻性蜂群战术(OFFSET)项目[16]基于增强现实、虚拟现实等技术以及手势、触碰和触感装置等发展可控蜂群原型系统，其已将无人系统群体智能扩展人机物融合群体智能。低成本无人集群技术项目(LOCUST)旨在快速发射大量小型无人机，通过自适应组网及自主协同技术，携带各类侦察和攻击载荷，在数量上以绝对压倒性优势赢得战争[17]。这些项目在功能上相互独立、各有侧重，在体系上互为补充、融合发展. 除美国外，英国、日本、新加坡等国家也相继开展了关于无人集群智能协同控制相关领域的研究.(2)国内典型无人群体智能系统研发实例在国内，无人群体智能系统研究虽起步较晚，但发展快速. 北京航空航天大学借鉴生物集群理论对无人机集群编队、目标分配与跟踪等集群任务进行了理论研究与飞行试验验证，并取得了丰硕的成果[18-19]。中国电子科技集团公司以固定翼无人机集群为载体研究无人系统群体智能关键技术，完成119架固定翼无人机集群飞行试验，演示了密集弹射起飞、空中集结、多目标分组、编队合围、集群行动等群体动作，展示了自主飞行、随机应变等能力[20]. 我国在南海万山群岛海域开展大规模水面无人艇“多艇协同”技术测试，56艘无人艇组成的无人艇群进行海上编队，避“岛礁”、穿“桥洞”、快速变换编队造型，协同避障[21]。清华大学提出了一种在实验室环境下低成本的人工智能集群控制演示验证系统，该系统以机动自组织探测集群为验证对象，对基于人工势场的自组织控制策略进行了演示验证[22].从以上无人系统群体智能研究和系统实例可以看出，目前无人系统群体智能研究具有以下特点：(1)仿生群体智能机理研究为基础. 无人系统群体智能研究基于生物群体(包括人类)自然存在的群体智能涌现机理，并可依据需求，模拟或借鉴生物群体智能行为规则与模式，优化无人系统群体智能设计与实现，同时，注重与新一代信息技术融合，是一种有效的创新研究途径.(2)系统载体与应用场景为驱动. 无论国外还是国内，无论何类无人系统群体智能，其群体智能研究均以具体无人集群实体为载体，以特定应用场景为驱动，开展群体智能理论方法、关键技术研究以及任务成效验证，是深化技术研究、推动成果应用的技术.(3)多学科交叉融合为研发方式. 无人系统群体智能研究具有鲜明的多学科交叉与融合特点，其不仅涉及自动控制、嵌入式计算、移动网络、人工智能等信息学科，而且与仿生学、运动学、机电一体化、系统工程等学科或方向密切相关，因此，多学科(或方向)融合团队组建是无人系统群体智能创新研究，并取得成果的重要保障.(4)无人系统群体智能研发处于初期. 目前国外对军用无人系统群体智能核心技术及系统设计研究，虽多为系统研发新闻报道，少见技术研究深层介绍，可以看出处于领先地位，仍在不断深化之中；我国也组织了多项有关研究计划，尚处于初期探索和初步实践阶段；无人系统群体智能研究与实践，处于初期阶段，其是一个不断深化、逐步提升的无止境过程.