无人机蜂群建模与仿真方法

1.0 简介摘要组动力学 31 - 1 31 - 22.0 群体挑战STO-MP-SAS-192本文介绍了一种用于构建虚拟环境的方法，该方法适用于执行集群和防御系统的性能分析。该方法开发以满足高度动态和快速原型化环境的需求。截至本文撰写时，该方法已被用于评估多种防御系统在面对集群威胁时的性能。本文首先将讨论UAS集群对国家安全的挑战。接下来将深入探讨仿真框架和方法的设计，强调模块化和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改进以及未来的发展方向。随着技术进步的不断加速，对建模与仿真的依赖将只会增长，这突显了其在未来防御系统发展中的关键作用。M&S促进对反无人机集群的创新战术和策略的探索，从而助力开发更高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收集专业知识，包括空气动力学、传感器、算法、火力控制和杀伤力。当在特定学科缺乏专业知识时，可使用统计或低保真模型作为替代品来近似系统性能，直至更高保真模型可用。鉴于研发（R&D）步伐迅速，模拟中涉及的模型经常发生变化。因此，一个具有严格接口控制框架对于管理不同保真度的模型至关重要，确保无缝集成并维护模拟环境的一致性。开发用于评估防御系统与无人机集群性能的有效建模与仿真（M&S）方法涉及若干关键要素。首先，它要求全面理解无人机集群的特性与行为，包括其飞行动力学、攻防机动策略以及用于应对集群威胁的系统特性。此外，它还需采用面向对象编程的对象建模方案，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，便于大多数希望通过M&S方法表征的系统进行适配。接下来，M&S框架应允许场景轻松地进行扩展或缩减，并能够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）技术来模拟群体内的自适应行为和决策过程。在缺乏复杂模块的情况下，应能通过标准化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。一个蜂群构成了一个独特的问题，与其他问题不同，其中“……没有灵丹妙药能够阻止所有无人机。UAS技术正在以一个难以预测所有将需要用来干扰它们的反制措施的速度发展。”（Parsons，2020，第10页）。由于很多干扰似乎来源于图1中描述的商用第一组和第二组UAS，甚至“CENTCOM指挥官麦克肯齐将军在向众议院武装服务委员会表示时强调了这些UAS类型的威胁时”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。这种方法不仅减少了对外部大量物理测试的依赖，而且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仍然是必要的，以验证和改进M&S（建模与仿真）工具的准确性，确保它们可靠地反映现实世界动态，并提升系统开发流程。 31 - 3STO-MP-SAS-192图1：UAS集团分类。改编自UAS任务部队空域整合集成产品团队 (15)图2：示例信息交换群架构。改编自Parsons。(2020)这种威胁在运动方式、形成机制、目标指向和有效载荷方面的不可定义性与不可预测性，使得其产生成本成为一项前所未有的挑战。成本上的不对称性导致针对该威胁的解决方案开发过程极为复杂，足以压倒多个系统。最重要的是，“一个由恐怖组织掌握的廉价、基础型无人机群可能造成的破坏，足以与一个精密武器系统相媲美，但其成本却只是后者的几分之一。”（Thyberg, 2019,第3页）。图2展示了几种无人机应用架构类型，每种类型在生成针对该威胁的解决方案时都面临着不同的挑战，尤其是在非受控环境中，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多种蜂群威胁场景下的有效性是具有挑战性的，这主要源于测试设施的约束和局限性。[10]此外，由于尚未观察到大规模协调无人机(UAS)攻击，因此定义用于评估性能的威胁也是困难的。鉴于蜂群控制策略的多样性，如图3所示，涉及大规模协调无人机攻击的场景必须覆盖广泛的范围。此外，需要测试的虚拟无限蜂群场景进一步增加了复杂性。仅通过物理实验评估针对可配置威胁的对策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。这凸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]，以实现对此类威胁的系统有效性快速原型设计和评估。：那个委员会表示，“我们积极追求任何能提升能力的东西，特别是针对那些一级和二级无人机……这是每天在战场上让我最担心的事情之一。我们部队对这些小型无人机的易受攻击性。” [5]。一级和二级无人机可以配备多种有效载荷，具有小型外形、高机动性、难以探测、廉价的特点，并且集体行动足以压倒大多数系统或操作员。 31 - 43.1 第一步：定义分析目标3.0 M&S 方法论第二步：定义场景。步骤五：执行模拟并分析结果。第一步：定义分析目标。步骤 3：场景的功能分解步骤4：获取或开发模拟模型。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、理解集群行为、评估系统敏感性或评估任务效能。此外，需要确定成功标准，以评估模拟是否满足预期结果。定义分析目标将决定系统关键方面或功能领域所需的保真度级别，以确保有效的评估。例如，如果分析目标是评估特定条件下UAS之间碰撞的可能性，准确模拟单个实体的几何形状变得至关重要。而如果分析目标是评估集群内的通信鲁棒性，重点则转向模拟网络协议和数据交换机制。这种方法聚焦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和分析关键系统参数。它还能测试各种火力控制方案，旨在优化武器-目标匹配、优先级排序和射击策略。由于威胁的压倒性[3]，该领域至关重要。随着集群威胁复杂性的提高，依赖算法处理传入威胁、刻画和优先级排序目标的程度将增加。该方法论包含五个主要步骤：本节所述的方法旨在为评估防御系统在应对UAS群或有反之情况下的性能提供结构化和系统化的方法。 STO-MP-SAS-192 3.2 第2步：定义场景图4：武器-目标-交战场景因素说明。改编自[9]。3.3 第3步：场景的功能分解STO-MP-SAS-192一旦场景被定义，下一步是对场景进行功能分解。这涉及识别无人机集群必须执行的关键功能和任务，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说明场景中任务和交互的顺序，为第3.5节中将讨论的操作动态和依赖关系提供清晰的理解。下一步是定义模拟场景。应开发出真实且详细的场景以反映潜在的操作环境。场景定义应作为模拟环境中所有参与者的行动蓝图。这包括指定环境参数，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与分析目标一致。图5：建模防御系统和社会的功能领域高层分解。 31 - 5 31 - 63.4 第4步：设计和开发仿真模型4.0 高级模拟设置3.5 第5步：执行模拟并分析结果图6：示例性SWARM编队。在功能分解之后，仿真模型的设计与开发工作便开始进行。必须选择合适的仿真工具和平台，以支持无人机集群（UAS swarms）及其行为的建模。现有框架和算法亦可被利用或作为建模集群行为的起点[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，涵盖其空气动力学特性、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该系统的必要属性。这些模型应针对开展分析的要求进行定制。此外，控制集群行为的算法，如协调策略、任务分配、编队控制以及避撞，应具有可适应性，使用户能够轻松设计任意数量的集群概念，如图6所示。这些单个模型和集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。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蜂群之间建立交互场景。高层级描述展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战略性模块化，调整复杂性。仿真驱动器作为一个低开销的集成框架，能够无缝地将不同模型整合进无人机蜂群场景的统一仿真中。关键系统功能的战略性模块化确保了跨多学科集成产品团队（IPTs）高效进行模型开发与更新，而仿真驱动器则设定了模型间API和通信的标准。在此实例中，任务控制模型代表了在虚拟环境中实例化用户场景实体的模型。蜂群生成器模块允许模拟[4]中强调的替代性概念蜂群类型。这可以表现为由分离的UAS小组组成的蜂群、一个大型集群或单个UAS。它支持蜂群组之间的无缝数据传输，从而实现高度复杂和协调的场景开发。类似地，UAS生成器模块简化了群内单个UAS的控制与数据交换。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，必要时进行多次迭代以考虑变异性及随机因素。应使用统计和分析方法确保UAS集群场景模拟结果的准确性、可靠性和鲁棒性，从而辅助决策并优化系统性能。 STO-MP-SAS-192 31 - 75.0 结论6.0 参考文献图7：高级模拟设置。STO-MP-SAS-192在本文中，我们探讨了不可避免的未来威胁的相关性，以及采用战略模拟设计来评估无人机集群和网络化防御系统的性能。所描述的方法论为构建一种能够在计算效率高的环境中评估编队算法、防御系统、武器目标配对算法等能力提供了蓝图。该过程强调在模拟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空中防御技术领域开辟了稳健且可扩展解决方案的道路，允许更容易地进行更新、集成和对不断变化的需求进行适应，而不会破坏整个模拟环境。该框架将允许在动态环境中对复杂交互和行为进行灵活、可扩展和高效的表示。提升模型间信息交换的整体管理。最后，UAS模块涵盖了被模拟的UAS的所有特定特征和特性，确保在场景中的单个实体层面上准确表示和性能表现。这种结构化方法的优势在于，它允许每个模型根据场景中每个功能区域报告的预期输入和输出来变化复杂性。当在场景中模拟防御系统时，也采用相同的方法。[1] M.帕森斯，“间接火力对抗小型无人机集群的可行性”，硕士学位论文，美国加利福尼亚州蒙蒂雷海军研究生院，2020年。[在线]可访问：https://www.dtic.mil/document;accessionNumber=AD1114696;type=TRECMS;searchText= swarm;relatedTerms=undefined[2] R. Thyberg, “设计并测试用于对抗无人机蜂群威胁的制导武器多单位有效载荷运输和跟踪系统”, 硕士论文, 海军研究生院, 圣地亚哥, 加利福尼亚州, 美国, 2019. [在线] 可获得:https://www.dtic.mil/document;accessionNumber= AD1080472;type=TR;searchText=swarm;relatedTerms=undefined 31 - 8STO-MP-SAS-192[3] C. Laird, “实时向蜂群威胁分配异构防御性海军武器”, 硕士论文, 海军研究生院, 加利福尼亚州蒙特雷, 美国, 2016年. [在线] 可获得:https://www.dtic.mil/document;accessionNumber=AD1027464;type=TR;searchText=swarm;relatedTe rms=undefined[7] A. N. Golphin III 和 B. D. Offord II, “全球地缘政治环境中的反无人机系统 (C-UAS) 互操作性”,硕士论文, 海军研究生院, 加利福尼亚州蒙特雷, 美国, 2021年. [在线]https://www.dtic.mil/document;accessionNumber=AD1164261;type=TRECMS; searchText=UAS;rela