来源：无人机
作者：周兴社，武文亮
(西北工业大学 计算机学院，陕西 西安 710129)
摘 要：群体智能是人工智能的重要发展方向之一.无人系统群体智能作为人工群体智能的主要形态之一，在许多军用和民用领域都具有广阔且重要的应用前景，同时在基础理论方法、核心技术与系统构建等方面也面临诸多研究挑战.本文在在阐述群体智能的基本概念并对其进行合理分类基础上，分析无人群体智能的自组织、自适应、自学习和自涌现特征，从仿生群体智能机理和典型无人群体智能系统实例两方面论述当前无人系统群体智能研究现状，并从仿生机理、驱动模式、研发方式和系统实践四方面全面地总结无人系统群体智能研究特点.在此基础上，从理论方法、核心技术与系统构建三方面循序渐进、系统地梳理和凝练无人系统群体智能及其系统需要持续深化的主要研究方向，期望对相关研究者有所借鉴.
关键词：无人系统；群体智能；理论方法；核心技术；系统构建
1 引言
群体智能研究起源于对蚁群、蜂群等简单社会性生物群体行为的观察与模拟[1]. 该概念自20世纪80年代一经提出，便引起了各相关领域研究人员的高度关注. 近年来，人们在模拟、延伸和扩展简单社会性生物群体智能的同时，也有研究者从人类社会的群体智能等其它视角探索着集体的伟大力量. 经过在不同应用领域的不断拓广，使得群体智能有了更丰富的内涵与外延[2].
鉴于生物和人类群体智能所体现的集群优势和广泛的应用前景，2017年7月，在国务院发布的《新一代人工智能发展规划》中明确指出“群体智能”是人工智能领域的一个新的研究方向. 随后，由科技部启动的《科技创新2030“新一代人工智能”重大项目指南》中，将“群体智能”列为人工智能领域的五大持续攻关方向之一. 2020年1月，由中国科学院印发的《人工智能发展白皮书》中，又将“群体智能技术”列为人工智能领域的八大关键技术之一.
无人系统群体智能作为群体智能的一种重要形态，伴随着无人系统集群化、智能化得以快速发展. 为持续开展相关研究，需要在总结已有无人系统群体智能相关研究基础上，进一步梳理无人系统群体智能的理论方法、核心技术以及系统构建问题，以推进我国此类群体智能研究及其系统研发，服务我国新一代人工智能发展目标.
2 群体智能的基本概念与分类
群体智能(Swarm Intelligence)概念最早于1989年由Beni和Wang[3]在研究细胞机器人的自组织现象提出，用以刻画群居性生物通过协作而涌现出的集体智能行为，以及受自然界中群体协作行为启发来解决问题或构建人工集群系统的方法. 一般认为，群体智能是指由一定规模的个体通过相互协作在整个群体系统宏观层面表现出来的一种分散、去中心化的自组织行为. 尽管群体智能系统中个体的智能都极其有限，但却能够通过相互协作与分工，整体涌现出高度的集体智能，以完成复杂任务，并为各种复杂问题的求解提供新的思路. 历经30余年研究与发展，群体智能研究由最初的蚁群优化算法、粒子群优化算法等群体优化算法开始发展到集群机器人、自重构机器人、无人集群等分布式群体智能系统，再由基于互联网的群体智能理论、系统与应用发展到人机物融合的群体智能计算，概括而言，目前主要形成以下三种形态.
(1)互联网群体智能
互联网群体智能，是指在广泛深度交互的互联网组织结构下，规模化人群为了特定目标在线共同作用，从宏观上产生超越个体智能局限性的智能状态，使群体具有完成复杂任务的能力[4]. 在互联网新技术和大数据技术高速发展背景下，人工智能2.0中的“群体智能”则更多体现的是基于互联网的群体智能涌现.基于群体化编辑的维基百科、基于群体化开发的开源软件、基于众问众答的知识共享、基于众智众享的APP商店等为此类群体智能的实例展现[5]. 互联网群体智能理论与方法是人工智能2.0的核心研究领域之一，为人工智能在其他领域的研究起着基础性和支撑性作用. 通过特定的组织结构和大数据驱动的人工智能系统吸引、汇聚和管理大规模参与者，以竞争和合作等多种自主协同方式共同应对挑战性任务，将会成为互联网科技创新生态系统的智力内核.
(2)无人系统群体智能
无人系统群体智能是指由众多相对自主、人工研发的无人自主运动体通过相互协作与分工涌现出复杂智能行为的特性. 无人机集群、无人艇集群、无人坦克集群和工业智能机器人集群等是其目前阶段的典型实例，多颗不同能力的卫星也可组成卫星集群的群体智能，跨域异构无人集群进一步呈现出更为复杂的无人系统群体智能形态. 这些无人集群以低成本、分散化形式满足复杂任务功能需求，并针对复杂环境自主协同规划、多域协同合作以及动态自适应调整，可涌现出单个无人自主运动体难以实现的智能水平. 无人系统群体智能不仅在协同侦察、联合作战、战场评估等军事领域，而且在区域物流、城市安防、抢险救援等民用领域具有广阔应用前景[6].
(3)人机物融合群体智能
人机物融合群体智能是通过人、机、物异构群智能体的有机融合，利用其感知能力的差异性、计算资源的互补性、节点间的协作性和竞争性，构建具有自组织、自学习、自适应、持续演化等能力的智能感知计算空间，实现智能体个体技能和群体认知能力的提升[7]. 其中“人”主要体现为社会空间广大普通用户及其所携带的移动或可穿戴设备，“物”主要体现为信息空间丰富的互联网应用及云端和边缘服务，“物”则主要体现为具有感知、计算、通信、决策和移动等能力的物理实体. 在万物智联驱动下、人机物融合已是21世纪上半叶信息技术的发展趋势，使得人机物融合群体智能成为面向未来的新型智能形态. 处于发展之中的智慧城市、智能制造、智能战场是人机物融合群体智能的典型实例.
本文从关键要素、实现方式和典型应用三方面对三种群体智能形态进行了综合比较，具体如表1所示. 尽管三类群体智能形态不同，在关键要素的组成、实现方式和应用方面均存在一些明显差异，但其本质内涵一致，即通过多个个体间的相互通信与协作具备单个个体无法完成的任务能力.
表1 三种形态的群体智能比较
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.
5 无人系统群体智能研究方向
基于国内外无人系统群体智能已有研究与实践，我们认为开展无人系统群体智能持续化研究和规模化实践，需要将我国“新一代人工智能发展规划”中的“群体智能”与“自主无人系统”融合在一起组织研究，涉及群体智能基础理论方法、无人系统群体智能核心技术以及无人群体智能系统设计与评估技术等方面.
5.1 无人系统群体智能基础理论方法
如前所述，不同类型群体智能，其基础理论方法既有共性，也有个性，无人机系统群体智能理论方法研究也应在一般群体智能理论研究基础上，注重自有特征的理论方法创新研究.
(1)群体智能结构理论与组织方法. 深化生物与人类群体智能的社会性结构理论与自适应组织方法研究基础上，进一步研究适应自主无人系统群体智能的群体化OODA(Observe, Orient, Decide, Act)行为模型以及多样化时空结构与多形态组织方法.
(2)群体智能涌现机理与协同方法. 深化群体聚集、群体避险等不同形态生物群体智能涌现机理，研究生物群体智能到人工群体智能的群体动力学、启发式规则等映射机理，研究适应无人系统群体智能的群体化OODA协同机理.
(3)群体智能学习理论与与优化方法. 在深入研究通用群体智能的群体强化学习、分布式学习、联盟学习等学习方法创新与优化基础上，面向无人系统群智能时空约束、任务驱动、场景关联等特征，进一步研究与其相适应的实时可信群体学习方法.
5.2 无人系统群体智能核心技术
无人系统群体智能核心技术研究，不仅需要考虑其自组织、自适应、自学习等特征，而且需要面向多数无人系统所具备的自主运动、时空约束、行为健壮等特点，开展核心技术自主创新研究.
(1)复杂动态场景智能感知与理解技术. 无人系统群体智能面临环境自然、复杂多变的应用场景以及能力互补、多类综合的感知方式，需要深入研究复杂动态场景的智能感知与理解技术，具体包括主动感知、群智感知、状态认知、行为理解等算法及其自主硬/软件结合的实现技术.
(2)无人群体实时学习与决策优化技术. 在群体智能学习理论与方法研究基础上，依据无人系统群体智能特点与应用共性需求，深化研究基于数据与知识驱动结合的学习以及群体智能行为决策的实时性优化、鲁棒性保障等具体技术.
(3)无人群体自主导航与任务执行技术. 研究复杂环境下基于计算机视觉的精准定位、自主导航、快速识别、主动避障等群体智能导航技术，适应特定类型(如无人机、无人车、无人艇、空间飞行器)无人集群的主动控制、智能控制技术以及跨域无人集群任务智能分配与协同技术等.
5.3 无人群体智能系统构建
(1)特定类型无人群体智能系统综合优化设计. 面向不同应用领域或跨域的无人群体智能系统，其虽有共性，也有个性，在共性理论方法指导下，需从体系结构、资源配置、运行管控、行为智能、应用服务等方面深化研究适应个性的无人群体智能系统综合优化设计.
(2)无人群体智能操作系统及应用支撑. 为了简化研发、高效运行无人群体智能应用系统， 需要研发与之适应群体智能操作系统及其应用支撑技术. 群体智能操作系统不仅高效管理、实时认知多维感知、异构计算、无线通讯以及控制执行等多样化资源，而且有效支撑、实时服务群体化OODA行为的智能实现与智能算法及其软件开发.
(3)无人群体智能系统综合验证与评估. 无人群体智能系统具有应用场景密切关联、系统行为变化复杂、智能特性持续增长等特点，使得其研发与试验过程更为复杂，需要相应综合验证与评估技术有力支持. 为此，需要研究基于数字孪生的综合验证、场景驱动与数据驱动结合的智能评估等技术.
6 结束语
无人系统群体智能作为群体智能的主要形态之一，不仅在我国军事与民用领域具有重要的应用前景，而且必将推进群体智能理论与技术的持续发展. 我们不仅应注重创新研究群体智能基础理论方法与无人系统群体智能核心技术，而且需加强自主研发不同形态的无人群体智能系统，开展典型领域应用，服务我国国防、社会、经济领域进步.
参考文献：
[1] KENNEDY J, EBERHART R C. Swarm intelligence[M]. Morgan Kaufmann: Academic Press, 2001.
[2] 孙佳琛, 王金龙, 陈瑾, 等. 群体智能协同通信: 愿景、模型和关键技术[J]. 中国科学: 信息科学, 2020, 50(3): 307-317. DOI: 10.1360/SSI-2019-0186.
SUN J C, WANG J L, CHEN J, et al. Cooperative communication based on swarm intelligence: vision, model, and key technology[J]. Scientia Sinica Informationis, 2020, 50(3): 307-317. DOI: 10.1360/SSI-2019-0186.
[3] BENI G, WANG J. Swarm intelligence[C]//Proceedings for the 7th Annual Meeting of the Robotics Society of Japan.1989: 425-428.
[4] 王华, 赵东杰, 杨海涛, 等. 大数据时代下网络群体智能研究方法[J]. 计算机与现代化, 2015(2): 1-6. DOI: 10.3969/j.issn.1006-2475.2015.02.001.
WANG H, ZHAO D J, YANG H T, et al. Research method of web collective intelligence in era of big data[J]. Computer and Modernization, 2015(2): 1-6. DOI: 10.3969/j.issn.1006-2475.2015.02.001.
[5] LI W, WU W J, WANG H M, et al. Crowd intelligence in AI 2.0 era[J]. Frontiers of Information Technology & Electronic Engineering, 2017, 18(1): 15-43. DOI: 10.1631/FITEE.1601859.
[6] 梁晓龙, 张佳强, 吕娜. 无人机集群[M]. 西安: 西北工业大学出版社, 2018.
LIANG X L, ZHANG J Q, LV N. UAVswarms[M]. Xi'an: Northwestern Polytechnical University Press, 2018.
[7] 郭斌. 论智能物联与未来制造--拥抱人机物融合群智计算时代[J]. 人民论坛·学术前沿, 2020(13): 32-42. DOI: 10.16619/j.cnki.rmltxsqy.2020.13.004.
GUO B. On intelligent IOT and future manufacturing embracing the era of human-computer-things swarm intelligence computing[J]. Frontiers, 2020(13): 32-42. DOI: 10.16619/j.cnki.rmltxsqy.2020.13.004.
[8] 唐贤伦. 群体智能与多Agent系统交叉结合--理论、方法与应用[M]. 北京: 科学出版社, 2014.
TANG X L. Cross combination of swarm intelligence and multi-Agent system[J]. Beijing: Science Press, 2014.
[9] 何小贤, 朱云龙, 王玫. 群体智能中的知识涌现与复杂适应性问题综述研究[J]. 信息与控制, 2005, 34(5): 560-566. DOI: 10.3969/j.issn.1002-0411.2005.05.011.
HE X X, ZHU Y L, WANG M. Knowledge emergence and complex adaptability in swarm intelligence[J]. Information and Control, 2005, 34(5): 560-566. DOI: 10.3969/j.issn.1002-0411.2005.05.011.
[10] YU W W, CHEN G R, CAO M. Distributed leader-follower flocking control for multi-agent dynamical systems with time-varying velocities[J]. Systems& Control Letters, 2010, 59(9): 543-552. DOI: 10.1016/j.sysconle.2010.06.014.
[11] REYNOLDS C W. Flocks, herds and schools: A distributed behavioral model[J]. ACM SIGGRAPH Computer Graphics, 1987, 21(4): 25-34. DOI: 10.1145/37402.37406.
[12] VICSEK T, CZIR?K A, BEN-JACOB E, et al. Novel type of phase transition in a system of self-driven particles[J]. Physical Review Letters, 1995, 75(6): 1226-1229. DOI: 10.1103/PhysRevLett.75.1226.
[13] DNAIEL P. Gremlins[EB/OL]. http://www.darpa.mil/program/gremlins.
[14] 李晗, 苏京昭, 闫咏. 智能无人机集群技术概述[J]. 科技视界, 2017(26): 5-7. DOI: 10.3969/j.issn.2095-2457.2017.26.002.
LI H, SU J Z, YAN Y. Summary of the technology about swarm intelligence of UAV[J]. Science & Technology Vision, 2017(26): 5-7. DOI: 10.3969/j.issn.2095-2457.2017.26.002.
[15] 贾永楠, 田似营, 李擎. 无人机集群研究进展综述[J]. 航空学报, 2020, 41(S1): 723738. DOI: 10.7527/S1000-6893.2019.23738.
JIA Y N, TIAN S Y, LI Q. Recent development of unmanned aerial vehicle swarms[J]. Acta Aeronautica et Astronautica Sinica, 2020, 41(S1): 723738. DOI: 10.7527/S1000-6893.2019.23738.
[16] DARPA Public Affairs. OFFSET envision swarm capabilities for small urban ground units[EB/OL]. (2016-12-07). http://www.darpa.mil/news-events/2016-12-07.
[17] Office of Naval Research. LOCUST: autonomous, swarming UAVs fly into the future[EB/OL]. http://www.onr.navy.mil/en/Media-Center/Press-Releases/2015/LOCUST-low-cost-UAV-swarm-ONR.aspx.
[18] 段海滨, 邱华鑫, 范彦铭. 基于捕食逃逸鸽群优化的无人机紧密编队协同控制[J]. 中国科学: 技术科学, 2015, 45(6): 559-572. DOI: 10.1360/N092015-00125.
DUAN H B, QIU H X,FAN Y M. Unmanned aerial vehicle close formation cooperative control based on predatory escaping pigeon-inspired optimization[J]. Scientia SinicaTechnological, 2015, 45(6): 559-572. DOI: 10.1360/N092015-00125.
[19] 段海滨, 张岱峰, 范彦铭, 等. 从狼群智能到无人机集群协同决策[J]. 中国科学: 信息科学, 2019, 49(1): 112-118. DOI: 10.1360/N112018-00168.
DUAN H B, ZHANG D F, FAN Y M, et al. From wolf pack intelligence to UAV swarm cooperative decision-making[J]. Scientia SinicaInformationis, 2019, 49(1): 112-118. DOI: 10.1360/N112018-00168.
[20] 易明. 中国电子科技集团成功完成无人机集群飞行试验[J]. 机器人技术与应用, 2017, 1(4): 11.
YI M. China electronics technology group successfully completed the UAV swarm flight test[J]. Robot Technique and Application, 2017, 1(4): 11.
[21] 刘琨. 多无人艇协同搜索与围捕方法研究[D]. 哈尔滨: 哈尔滨工程大学, 2019.
LIU K. Research on cooperative search and huntingmethod formultiple unmanned surface vechicles[D]. Harbin:Harbin Engineering University, 2019.
[22] 安梅岩, 王兆魁,张育林.人工智能集群控制演示验证系统[J]. 机器人, 2016, 38(3): 265-275. DOI: 10.13973/j.cnki.robot.2016.0265.
AN M Y, WANG Z K, ZHANG Y L. Demonstration and verification system for artificial intelligent swarm control[J]. Robot, 2016, 38(3): 265-275. DOI: 10.13973/j.cnki.robot.2016.0265.
Unmanned system swarm intelligence and its research progresses
ZHOU Xingshe, WU Wenliang
(School of Computer Science and Engineering, Northwestern Polytechnical University, Xi′an 710129， Shaanxi, China)
Abstract：Swarm intelligence is one of the important development directions of artificial intelligence. As one of the main forms of artificial swarm intelligence, unmanned system swarm intelligence has wide and important application prospects in many military and civilian fields. At the same time, it faces many challenges of basic theories and methods, core technologies and system construction. This paper firstly expounds the basic concept of swarm intelligence and presents a reasonable classification, and then analyzes its several main characteristics including self-organization, self-adaption, self-learning as well as self-emergence, discusses its current research status from two aspects including bionic swarm intelligence mechanism and classical unmanned swarm intelligence system instances, and fully summarizes its research characteristics according to four aspects including bionic mechanism, driving mode, research and development mode as well as system practice. Furthermore, this paper gradually and systematically combs and condenses the main research directions worthy of continuous deepening from three aspects including theories and methods, core technologies and system construction for unmanned system swarm intelligence and its systems, which hopes to be used for reference to relevant researchers.
Key words：unmanned system；swarm intelligence；theories and methods；core technologies；system construction
收稿日期：2021-10-15；
修回日期：2021-10-19
基金项目：国家重点研发计划项目(2017YFB1001900)
引用格式：周兴社,武文亮.无人系统群体智能及其研究进展[J].微电子学与计算机,2021,38(12):1-7. [ZHOU X S, WU W L. Unmanned system swarm intelligence and its research progresses[J]. Microelectronics & Computer,2021,38(12):1-7.]
DOI：10.19304/J.ISSN1000-7180.2021.1171
中图分类号：TP3
文献标识码：A
文章编号：1000-7180(2021)12-0001-07
作者简介：
周兴社 男，(1955-)，博士生导师，教授. 研究方向为嵌入式计算与信息物理融合系统.
E-mail:zhouxs@nwpu.edu.cn
武文亮 男，(1989-)，博士研究生. 研究方向为智能无人集群及其评估技术.
未来智能实验室的主要工作包括：建立AI智能系统智商评测体系，开展世界人工智能智商评测；开展互联网（城市）大脑研究计划，构建互联网（城市）大脑技术和企业图谱，为提升企业，行业与城市的智能水平服务。每日推荐范围未来科技发展趋势的学习型文章。目前线上平台已收藏上千篇精华前沿科技文章和报告。
如果您对实验室的研究感兴趣，欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”
