无人机蜂群建模与仿真方法

Cesar Sosa系统工程部，美国陆军皮卡廷尼兵工厂，新泽西州，美国 cesar.e.sosa.civ@army.mil 摘要 无人机系统（UAS）群攻对防御系统构成重大且不断变化的威胁，因其压倒性、多功能性以及利用脆弱性的潜力所致。随着防御能力试图跟上日益发展的无人机群技术，有效评估方法的需求变得至关重要。本文探讨了为评估防御系统对抗无人机群攻能效而量身定制建模与仿真（M&S）方法的发展，旨在识别对战胜这一复杂威胁贡献最大的因素。所提出的M&S框架整合了多种要素，包括无人机群特性、防御系统参数和杀伤力，以助力针对该威胁战术、技巧和程序（TTPs）的开发与完善。通过深入研究与分析，根据其在反制无人机群威胁方面的有效性，识别并优先排序了关键能力因素。这些因素包括传感器能力、拦截方法、决策与威胁优先排序算法以及资源分配策略。该方法运用先进仿真和统计分析技术，在当今可能实现的范围内复制群攻场景，并在未来，实现对防御系统在不同条件下的性能进行综合评估。通过战略性的M&S设计考量，仿真模型能够轻易适应各种防御解决方案。通过识别并优先排序反制无人机群的关键能力因素，所提出的M&S方法为国防决策者提供了宝贵见解，使其能够在无人机技术不断发展的时代开发更稳健和有效的防御策略。 KEYWORDS 无人机系统、无人机群、自主系统、多智能体系统、仿真框架、集群协调、协同行为、性能分析、集群控制、分布式协调、无人机集群行为、无人机集群算法、无人机集群动力学 1.0 引言 无人机系统（UAS）技术的快速演进不仅对国防部[1]构成重大挑战，也对全球负责空域安全的所有机构构成挑战。任务类型和执行方法的多样性，加上UAS的普及性和相对经济性，在战场上引入了前所未有的挑战。由于后勤限制和技术进步加速，传统的物理原型设计和测试以评估新系统性能的方法正变得不再可行。[17]显然，需要随时可用且适应性强的框架和方法来评估不仅包括有效性，还包括针对这种波动威胁的效率。尤其是考虑到“没有单一的解决方案可以击败这种威胁；它需要开发各种物资系统，实施侧重新兴技术的新培训，以及更新指导联合部队的作战条令。”[5]为应对这些挑战，开发稳健的建模与仿真（M&S）方法，用于模拟和评估系统在有UAS群环境下的性能，已成为关键。M&S提供了一种实用且... 一种高效的替代方案，允许在虚拟环境中预测和分析系统行为与交互，其中可生成数百万种场景。该方法不仅减少了对外部大量物理测试的依赖，还促进了各种假设场景和系统配置的探索。然而，整合一定程度的物理测试对于验证和改进仿真与训练（M&S）工具的准确性至关重要，以确保其可靠地反映现实世界动态并提升系统开发流程。 开发一项有效的M&S方法论来评估防御系统与UAS集群的性能涉及几个关键要素。首先，它要求全面理解UAS集群的特性与行为，包括其飞行动力学以及潜在的攻防机动策略和用于对抗集群威胁所采用系统的特性。它还需要一种建模方案，该方案能够借助面向对象编程实现各类系统的无缝集成，并确保功能模块松散耦合且高度内聚。[14]将这些要素整合到仿真模型中，可确保虚拟环境设计不僵化，并易于适配大多数希望通过M&S进行表征的系统。 接下来，M&S框架应允许场景轻松地扩展或缩减，并集成低保真度算法或能够处理不同复杂度的高级计算算法。这可以包括利用人工智能（AI）和机器学习（ML）技术，以对群体的自适应行为和决策过程进行建模。在没有复杂模块的情况下，应使用标准的应用程序编程接口（API）轻松地用更简单的低保真度模块进行替代。 M&S促进了对反无人机蜂群创新战术和策略的探索，从而有助于开发更有效和适应性更强的防御系统。实施稳健模型需要从多个学科（包括空气动力学、传感器、算法、火力控制和杀伤力）收集专业知识。当在特定学科缺乏专业知识的案例中，统计或低保真模型可以作为替代品来近似系统性能，直到更高保真模型可用。鉴于研发（R&D）的快速发展，模拟中涉及的模型经常发生变化。因此，需要一个具有严格接口控制的框架来管理不同保真度的异构模型，确保无缝集成，并维护模拟环境的完整性。 本文提出了一种用于构建虚拟环境的 methodology，该环境适用于执行群蜂与防御系统的性能分析。该方法论的开发旨在满足高度动态和快速原型化环境的需求。截至本文撰写时，该 M&S 方法论已被寻求并用于评估多种防御系统在群蜂威胁下的性能。本文首先将讨论 UAS 群蜂对国家安全的挑战。随后，将深入探讨仿真框架和方法的设计，强调模块化与互操作性以确保灵活性和适应性。最后，将探讨框架在其他应用中的潜在适应性及未来发展。随着技术进步的不断加速，对M&S 的依赖将只会增强，凸显其在未来防御系统发展中的关键作用。 2.0 群体挑战 一群无人机构成了一个独特的问题，与其他问题不同，其中“…没有万灵药能够阻止所有无人机。无人机系统（UAS）技术正在以使其难以预测所有需要用来干扰它们的反制措施的速度发展。”（Parsons，2020，第10页）。由于干扰似乎主要来自图1中描述的商用第一类和第二类无人机系统，因此即使“CENTCOM指挥官麦克肯尼将军在向众议院武装服务委员会表示时也强调了这些类别的无人机带来的威胁” ：委员会表示：“我们积极追求任何能够提升能力的事物，特别是针对那些第一类和第二类无人机……这是我在战场上每天最担心的一个问题。我们部队在面对这些小型无人机时的脆弱性。” [5]。第一类和第二类无人机可以携带多种有效载荷，具有小的外形尺寸，高度机动，难以探测，价格低廉，并且数量上足以压倒大多数系统或操作员。 这种威胁在运动、形成、目标和有效载荷方面的不确定性与不可预测性，以及其产生成本，使得这一威胁成为前所未有的挑战。在成本上的不对称性是驱动解决这一威胁方案复杂性的主要因素，该方案需要能够压倒许多系统。最重要的是，“一个成本极低、简陋的无人机群若落入恐怖组织手中，可能造成的破坏将可与一个复杂的武器系统相媲美，而其成本仅为后者的几分之一。”（Thyberg, 2019, p.3）。如图2所示，是几种用于部署无人机的架构类型，每种类型在生成针对这一威胁类型的解决方案时都提出了不同的挑战，尤其是在无法控制的环境中，基础设施很可能未知的情况下。 通过物理实验评估当前防御系统在各种集群威胁场景下的有效性具有挑战性，这是由于测试设施的约束和局限性所致[10]。此外，由于尚未观察到大规模协调无人机攻击，确定用于评估性能的威胁也具有难度。鉴于图3所示的各种集群控制策略，涉及大规模协调无人机攻击的场景必须涵盖广泛范围。此外，需要测试的虚拟无限集群场景进一步复杂化了评估过程。仅通过物理实验评估针对可配置威胁的防御措施的有效性是不切实际的，尤其是在场景复杂性增加的情况下。这突显了需要一种如同威胁本身一样可扩展和适应性强的M&S（建模与仿真）方法[10]的必要性，该方法能够实现对系统对这类威胁有效性的快速原型设计和评估。 3.0 市场与销售方法论 本节所述的方法旨在为评估防御系统抵御无人机集群或反之的性能提供结构化和系统化的方法。 这种方法侧重于识别为建立适用于模拟可扩展系统的模型框架所采取的步骤，目的是执行性能分析并分析关键系统参数。它还支持对各种火力控制方案进行测试，旨在优化武器-目标匹配、优先级排序和射击策略。鉴于威胁的极端性，这一领域至关重要[3]。随着集群威胁复杂性的提高，依赖算法处理来威胁、特征化并优先排序目标将日益增加。该方法包括五个主要步骤： 第二步：定义场景。步骤5：执行模拟并分析结果。第一步：定义分析目标。第三步：场景的功能分解步骤4：获取或开发模拟模型。 3.1 第一步：定义分析目标 第一步是明确分析目标和要从模拟中捕获的指标。这包括确定模拟的主要目的，这可能包括测试防御策略、理解群集行为、评估系统敏感性或评估任务效能。此外，需要确定成功标准，以评估模拟是否达到预期结果。定义分析目标将决定系统关键方面或功能区域所需的真实度级别，以确保有效评估。例如，如果分析目标是评估UAS在特定条件下碰撞的可能性，精确模拟单个实体的几何形状就至关重要。而如果分析目标是评估群集内的通信鲁棒性，则重点将转向模拟网络协议和数据交换机制。 3.2 第2步：定义场景 下一步是定义模拟场景。应开发真实且详细的场景以反映潜在的运营环境。场景定义应作为模拟环境中所有参与者遵循的蓝图。这可能包括指定环境参数，如地理特征、障碍物、无人机数量、有效载荷、位置等，如图4所示。任务参数需要精确定义以确保其与分析目标保持一致。 3.3 第3步：场景的功能分解 一旦场景被定义，下一步是针对该场景进行功能分解。这涉及识别UAS集群必须执行的关键功能与任务，例如编队飞行和避障。集群与环境的交互以及与外部实体（例如威胁）的交互必须明确指定。开发功能流程图有助于阐明场景中任务与交互的顺序，为3.5节中将讨论的操作动态和依赖关系提供清晰的理解。 3.4 第4步：设计和开发仿真模型 在功能分解之后，开始进行仿真模型的设计与开发。必须选择合适的仿真工具和平台来支持无人机蜂群的建模及其行为。现有框架和算法也可被利用或作为建模蜂群行为的起点[12]。此外，还需要开发防御系统的模型以支持交战场景的仿真。需要为单个无人机开发模型，涵盖其空气动力学、推进系统、传感器、通信模块以及在适用情况下的控制算法。类似地，需要为单个防御系统开发模型，涵盖在虚拟环境中准确表征系统的必要属性。这些模型应针对分析所需的要求进行定制。此外，控制蜂群行为的算法（如协调策略、任务分配、编队控制以及避撞）应具有适应性，使用户能够轻松地设计任意数量的蜂群概念，如图6所示。这些单个模型和蜂群算法随后被集成到一个统一的仿真框架中，以确保所有组件之间的兼容性和无缝交互。 3.5 步骤5：执行模拟和分析结果 最后一步是执行模拟并分析结果。模拟环境必须根据定义的场景进行配置。然后，针对每个场景运行模拟，并执行多次迭代以考虑必要的可变性和随机因素。应使用统计和分析方法来确保无人机集群场景模拟结果的准确性、可靠性和鲁棒性，从而促进明智的决策和系统性能优化。 4.0 高级仿真设置 图7展示了一个简化的建模框架，用于在网络化防御系统与无人机集群之间建立交互场景。高层级示意图演示了该框架如何促进可扩展的仿真，通过根据模型的特定功能或系统表示进行策略性模块化，从而调整复杂性。仿真驱动器作为低开销的集成框架，能够无缝地将不同模型整合到无人机集群场景的统一仿真中。关键系统功能的策略性模块化确保了跨多学科集成产品团队（IPTs）的模型开发与更新效率，而仿真驱动器则为模型间的API和通信设定标准。在此实例中，任务控制模型代表了用于在虚拟环境中实例化用户场景实体的模型。集群生成器模块允许模拟[4]中强调的替代性概念集群类型。这可以表现为由分离的UAS组组成的集群、一个大型群体或单个UAS。它允许集群组之间无缝的数据传输，从而实现高度复杂和协调的场景开发。类似地，UAS生成器模块简化了集群内单个UAS的控制与数据交换。 提升模型间信息交换的整体管理。最后，UAS模块涵盖被模拟的UAS的所有特性和特征，确保在场景中的个体实体层面实现准确的表征和性能。这种结构化方法的优势在于，如果场景中每个功能区域都报告了预期的输入和输出，那么允许每个模型在复杂性上有所不同。在模拟场景内的防御系统时，也采用相同的方法。 5.0 结论 在本文中，我们探讨了不可避免的未来威胁的相关性，以及运用战略仿真设计评估无人机集群和网络化防御系统性能的方法。所描述的方法为构建有效评估编队算法、防御系统、武器目标匹配算法等在计算高效环境中的性能的能力的发展提供了蓝图。该过程强调了在仿真框架内划分信息交换和功能的需求，以确保开发环境保持适应性。因此，这种方法为不断发展的航空防御技术领域铺平了道路，实现了更易更新、集成和适应变化需求，而不会破坏整个仿真环境。该框架将允许在动态环境中灵活、可扩展且高效地表示复杂的交互和行为。 6.0 参考文献 [1] M.帕森斯，“间接火力对抗小型无人机集群的可