無人機集群通信的應(yīng)用現(xiàn)狀及展望

付振江，羅俊松，寧 進，多 濱

(成都理工大學(xué) 計算機與網(wǎng)絡(luò)安全學(xué)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(shù)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(jīng)常無法滿足復(fù)雜的任務(wù)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(shè)計較為簡單，但通信質(zhì)量過分依賴UAV的軌跡，無法對空中環(huán)境進行智能響應(yīng)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(wù)可展現(xiàn)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?fàn)顩r；賈高偉等[2]介紹了集群的任務(wù)分配模型；谷旭平等[3]總結(jié)了UAV集群的關(guān)鍵技術(shù)；趙林等[4]針對UAV集群協(xié)同技術(shù)，介紹了在路徑規(guī)劃、態(tài)勢感知和任務(wù)協(xié)作方面的應(yīng)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(yīng)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(nèi)外集群在通信中的應(yīng)用現(xiàn)狀研究，總結(jié)了各集群通信場景所面臨的挑戰(zhàn)，分析集群通信架構(gòu)設(shè)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(shù)前所未有的進步使得在通信應(yīng)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(fù)載和能耗等方面受到限制，已無法適應(yīng)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(guān)注[5]。多UAV系統(tǒng)通常由地面進行統(tǒng)一調(diào)控，例如多UAV燈光秀、編隊飛行等，UAV之間彼此獨立，導(dǎo)致任務(wù)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(gòu)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(shè)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(dǎo)節(jié)點，所以集群在保持通信過程中出現(xiàn)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(yīng)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(xiàn)的負(fù)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(shù)量和速度的變化，將導(dǎo)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(zhì)量。另外，UAV集群因為數(shù)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(xiàn)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(shè)計表現(xiàn)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(yīng)用場景

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

圖1 UAV集群通信應(yīng)用Fig.1 UAV swarm communication applications

2.1 UAV集群輔助蜂窩網(wǎng)絡(luò)

隨著智能手機、終端和物聯(lián)網(wǎng)設(shè)備等高效移動設(shè)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(wù)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(xiàn)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(wǎng)絡(luò)，以形成良好的A2A和A2G通信。文獻[9]通過多跳中繼實現(xiàn)源節(jié)點到目標(biāo)節(jié)點的信息轉(zhuǎn)發(fā)，聯(lián)合優(yōu)化了中繼通信的軌跡與功率分配，實現(xiàn)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(wǎng)絡(luò)相連，實現(xiàn)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(wǎng)絡(luò)，尋求在空中形成穩(wěn)定的多跳回程網(wǎng)絡(luò)，每架UAV可以單獨選擇連接到回程網(wǎng)關(guān)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(xiàn)遠距離的信息傳輸，而在多蜂窩網(wǎng)絡(luò)基站場景下，利用UAV集群可以實現(xiàn)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(dǎo)出信噪比覆蓋概率，實現(xiàn)為多用戶提供更好的通信質(zhì)量。文獻[13]基于UAV的能耗、緩存及負(fù)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(zhuǎn)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(wǎng)絡(luò)穩(wěn)定方案，通過設(shè)計一個或多個中繼UAV的位置，彌補在動態(tài)群拓?fù)湎轮袛嗟臒o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(wù)的基站會對集群產(chǎn)生強烈干擾，所以文獻[15]提出了UAV集群在延遲限制下實現(xiàn)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(chǎn)生“友好”的干擾信號來干擾竊聽者，實現(xiàn)最大保密率。

使用UAV集群進行中繼需要進行軌跡設(shè)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(wǎng)絡(luò)系統(tǒng)時，集群的架構(gòu)和航向角等問題對于最大吞吐量和能源效率都至關(guān)重要。

2.2 UAV集群輔助無線傳感網(wǎng)絡(luò)

無線傳感網(wǎng)絡(luò)(Wireless Sensor Network,WSN)具有廣泛的應(yīng)用前景，包括城市的監(jiān)控和救援、自然災(zāi)害的預(yù)防等。UAV集群因其高機動性、分布廣，LoS主導(dǎo)的鏈路可作為WSN中的數(shù)據(jù)采集器和傳播者。

目標(biāo)檢測是UAV集群輔助WSN中常見的應(yīng)用之一。UAV集群可以在飛行過程中感知目標(biāo)信號強度，并通過互相通信以避開重復(fù)搜索區(qū)域，實現(xiàn)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(biāo)搜索問題，通過考慮UAV的運動特性結(jié)合多階段搜索機制和調(diào)度控制策略，提高了目標(biāo)的搜索率。文獻[18]探討了UAV集群群體特征間的關(guān)系，通過將UAV劃分為不同的角色以在重大自然災(zāi)害下協(xié)同收集態(tài)勢感知數(shù)據(jù)，實現(xiàn)廣泛的面積覆蓋和最快速的救援響應(yīng)。但是上述研究均未考慮UAV集群的能耗問題，更關(guān)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(xiàn)。文獻[19]使用異構(gòu)的UAV集群進行大規(guī)模區(qū)域的自動檢查，并將檢查數(shù)據(jù)發(fā)給地面基礎(chǔ)設(shè)施，提出一個能耗模型聯(lián)合設(shè)計UAV飛行、懸停、能耗和數(shù)據(jù)傳輸，以最小化UAV集群的總體能量消耗。

目標(biāo)檢測應(yīng)用需要實現(xiàn)快速訪問目標(biāo)點，而在災(zāi)害等情況下，利用UAV集群搭載傳感器收集地面信息，實現(xiàn)盡可能的覆蓋也是主要應(yīng)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(jù)彼此通信鏈路選取簇頭，實現(xiàn)地面監(jiān)視和數(shù)據(jù)收集，并且指定一架渡輪UAV來收集收據(jù)。文獻[20]考慮數(shù)據(jù)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(jù)鏈路質(zhì)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(shù)據(jù)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(quán)二維斑塊的幾何方法，并設(shè)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(dāng)作粒子更新位置和速度用于UAV集群的軌跡設(shè)計，并將地面目標(biāo)進行聚類，以應(yīng)對不同的戰(zhàn)術(shù)需求，實現(xiàn)精準(zhǔn)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(yīng)對以上挑戰(zhàn)，有必要設(shè)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(quán)衡。

2.3 UAV集群應(yīng)急通信

由于不受高度和昂貴的基礎(chǔ)設(shè)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(shè)施受損的情況下，如2021年因暴雨災(zāi)害而采用的翼龍UAV應(yīng)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(nèi)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(shè)備使用關(guān)聯(lián)策略，選擇其中一個UAV作為服務(wù)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(zāi)害場景，UAV集群作為應(yīng)急通信，配置大規(guī)模的通信網(wǎng)絡(luò)進行覆蓋，提出了基于群智能的UAV通信網(wǎng)絡(luò)定位和聚類方案。

與現(xiàn)有的單UAV解決方案相比，部署UAV集群作為基站實現(xiàn)應(yīng)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(zhì)量。

3 UAV集群架構(gòu)設(shè)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(xiàn)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(guān)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(gòu)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(gòu)

UAV集群體系架構(gòu)是將UAV集群的特性，結(jié)合UAV集群通信場景按照一定的邏輯關(guān)系將UAV有組織地結(jié)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(gòu)設(shè)計通常是解決集群通信問題的基礎(chǔ)和前提。近年來，針對UAV集群通信場景主要有2種架構(gòu)：集中式和分布式架構(gòu)[27]。集中式架構(gòu)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(xiàn)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(gòu)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(wù)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(gòu)設(shè)計。集中式與分布式架構(gòu)的區(qū)別如表2所示。

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

對于分布式架構(gòu)設(shè)計，通常有2種方式：一種為大、小型UAV協(xié)同，即領(lǐng)導(dǎo)者-跟隨者(Leader-Follower)模式，其中存在顯式的領(lǐng)導(dǎo)者[30-31]，數(shù)據(jù)由下層跟隨者進行反饋，并由領(lǐng)導(dǎo)者進行全局收斂統(tǒng)一調(diào)控，這種架構(gòu)多用于UAV集群輔助WSN場景；另一種UAV集群架構(gòu)通過在集群中挑選簇頭，使集群分簇，簇的數(shù)量和簇頭可以根據(jù)條件改變，更適用于大規(guī)模集群，并且具有很高的自適應(yīng)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(jù)位置、鏈路狀態(tài)、距離等條件及任務(wù)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(gòu)和分布式架構(gòu)如圖2所示。

圖2 UAV集群架構(gòu)Fig.2 UAV swarm architecture

3.2 架構(gòu)與航跡聯(lián)合設(shè)計算法

對于UAV集群通信，在實現(xiàn)架構(gòu)的同時，需要進一步考慮與單UAV通信類似的性能指標(biāo)，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(biāo)，對UAV集群通信的架構(gòu)和軌跡設(shè)計算法進行比較。近幾年，UAV集群關(guān)于架構(gòu)與軌跡協(xié)同設(shè)計的解決算法可分為3種：經(jīng)典算法、智能體算法和人工智能算法。

3.2.1 經(jīng)典算法

經(jīng)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(jīng)典算法中，人工勢場法的應(yīng)用最為廣泛[34]，其基本思想是基于物理中的“勢場”概念實現(xiàn)的，通過智能體在環(huán)境中目標(biāo)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(xiàn)UAV集群的軌跡優(yōu)化。實際應(yīng)用中，難以結(jié)合UAV的自身特性調(diào)整引力函數(shù)與斥力函數(shù)，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(nèi)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(jīng)典算法，在UAV軌跡優(yōu)化過程中展現(xiàn)了良好的效果，實現(xiàn)較為簡單，但是由于其在高維空間中搜索時間過長，并對內(nèi)存有嚴(yán)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(yīng)用十分廣泛，在Dijkstra算法基礎(chǔ)上加入了啟發(fā)式搜索思想，通過搜索當(dāng)前位置周圍最小代價的航跡點逐步找到目標(biāo)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(shè)將一些問題轉(zhuǎn)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(shù)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(shè)計，實現(xiàn)全局最優(yōu)。文獻[35]考慮了UAV的轉(zhuǎn)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(jīng)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(shù)量多的場景。受到干擾情況下，UAV集群很難表現(xiàn)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(xiàn)出更好的能力。近年來，在軌跡設(shè)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(nèi)運動，根據(jù)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(biāo)函數(shù)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(yīng)度的軌跡，并對PSO算法進行改進。然而，PSO算法需要經(jīng)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(xiàn)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(jù)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(lǐng)導(dǎo)者，將UAV集群進行聚類，實現(xiàn)分布式架構(gòu)，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(rèn)為是靜止的，在軌跡設(shè)計時自然會傾向于用戶的通信需求[12]，無法應(yīng)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(guān)的歷史信息分布在多架UAV上。由于每個用戶的數(shù)據(jù)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(yīng)用。

人工智能技術(shù)和機器學(xué)習(xí)的發(fā)展，有望在優(yōu)化整體吞吐量、資源分配和調(diào)度、提高用戶和UAV集群的運動預(yù)測以及實現(xiàn)安全通信等各個方面發(fā)揮作用。文獻[38]利用Q-learning算法，驅(qū)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(shù)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(shè)計了深度Q學(xué)習(xí)(Deep Q-learing,DQN)模型來指導(dǎo)UAV中繼節(jié)點的最優(yōu)定位，以實現(xiàn)通信吞吐量最優(yōu)，文獻[21]將深度Q學(xué)習(xí)用于解決領(lǐng)導(dǎo)者UAV覆蓋區(qū)域選擇和通信質(zhì)量問題，并通過對跟隨者軌跡的設(shè)計，使得地面覆蓋時間最短。

傳統(tǒng)的機器學(xué)習(xí)需要將數(shù)據(jù)匯聚到中心后才可以進行模型訓(xùn)練，可能會導(dǎo)致高延遲和顯著的帶寬消耗。而聯(lián)邦學(xué)習(xí)(Federated-Learing，F(xiàn)L)作為一種分布式學(xué)習(xí)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(shù)據(jù)的數(shù)據(jù)源之間進行模型訓(xùn)練，實現(xiàn)數(shù)據(jù)共享，共同建模。在文獻[30]中由跟隨者UAV訓(xùn)練其局部模型，并由上層領(lǐng)導(dǎo)者UAV進行全局收斂，聯(lián)合優(yōu)化上行和下行傳輸?shù)腢AV，以實現(xiàn)最小延遲。文獻[31]考慮了UAV集群的能耗限制，實現(xiàn)了UAV集群的位置部署，UAV領(lǐng)導(dǎo)者和群成員之間采用FL，通過訓(xùn)練UAV的數(shù)量和地面通信質(zhì)量以改進局部學(xué)習(xí)模型，達到全局收斂。

人工智能算法需要進行UAV數(shù)量、通信質(zhì)量和移動性的模型訓(xùn)練，所以常用于不同尺寸UAV的分布式架構(gòu)，其中常規(guī)定大型UAV為更有計算能力或者負(fù)載更高的領(lǐng)導(dǎo)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(jīng)成為無線通信研究的焦點，可以應(yīng)對各種場景遇到的廣泛挑戰(zhàn)，如軌跡設(shè)計、干擾管理及資源分配等。結(jié)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(shù)，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(shè)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(wù)分配。UAV集群通信固然可以解決一些實際問題，然而現(xiàn)有研究通常為多架高度協(xié)同的UAV被指派同一個任務(wù)。在實際生活中，如何根據(jù)任務(wù)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(shù)據(jù)回傳等任務(wù)。所以在UAV集群通信中考慮任務(wù)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(wù)卸載。UAV集群技術(shù)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(shù)據(jù)收集、目標(biāo)檢測等場景下，將面臨數(shù)據(jù)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(wù)卸載，UAV可在自身進行計算或者通過計算卸載將服務(wù)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(yīng)的服務(wù)。

5 結(jié)束語

近年來，隨著人工智能等技術(shù)的高速發(fā)展，UAV集群技術(shù)應(yīng)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(yīng)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(gòu)和軌跡能夠滿足更多實際場景；二是UAV的異構(gòu)創(chuàng)新，使UAV能夠在不同負(fù)載、功能和任務(wù)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(shù)，形成新的技術(shù)體系，減少因計算帶來的能耗?？傊?，加大對UAV集群通信技術(shù)的研究和應(yīng)用規(guī)模，可以激發(fā)UAV在通信中的潛力，促進UAV通信應(yīng)用的蓬勃發(fā)展。