無人機自主通信和組網能力評估方法

趙海濤，高士順，王海軍，雍婷，魏急波

（1.國防科技大學電子科學學院，湖南 長沙 410073；2.信息系統安全技術國家重點實驗室，北京 100191）

1 引言

無人機作為一種可裝載多種傳感器的移動智能體，已廣泛應用于各個領域[1]，例如安保防護、搜救行動、風力預測、災難管理、農作物管理、土地邊防監控以及通信。在通信應用中，無人機可作為地面用戶的臨時基站。尤其是在臨時熱點區域或緊急情況下，無人機不僅能擴大無線網絡的覆蓋面積，更能提升網絡的傳輸性能。移動的無人機之間可以構建自組織網絡，而無人機和地面用戶也可構建高效的通信鏈路，于是地面上無法直接通信的用戶節點可通過無人機網絡實現多跳通信。一方面，無人機的飛行高度使其能夠盡可能地與地面用戶建立視距傳輸鏈路；另一方面，無人機移動的靈活性也能夠實現快速和按需部署。

無人機系統發展方向由傳統的單個無人機向高智能、大規模集群的形態發展。特別是在臨時通信或者軍事通信領域，無人機將是未來網絡的重要組成部分，不僅可作為實時、主動、全天候地探測和收集各類情報的重要手段，更能協助人們完成戰略支援、信息對抗和火力攻擊等高難度任務。無人機往往工作在復雜而難以預測的環境，因此，為了提升無人機系統的智能化作戰水平，適應瞬息萬變的對抗態勢和復雜環境，無人機系統必須具備自主性[2]。而自主通信與組網能力則是無人機系統自主性的重要體現，同時也是無人機系統獲得自主性的基本保證。

無人機系統自主通信與組網能力的重要性已經被人們所公認，特別是隨著近幾年國內人工智能技術的爆發，將人工智能技術與無人機相結合從而提高無人機系統的自主通信能力，是無人機系統未來發展的重要方向。目前，大量提升無人機系統自主性的關鍵技術已經或正在突破，但如何評價無人機系統的自主通信與組網能力，特別是定量地分析無人機系統的自主通信與組網能力仍然是一個開放的問題，至今沒有很好的解決。

基于這一現狀，本文嘗試分析無人機系統自主或智能化通信和組網方面的能力評估方法，主要探討的問題歸納如下。

1) 構建信息物理融合的無人機系統自主能力模型。該模型解決以往主要依靠定性分析來確定無人機系統自主能力和無法反映各相互關聯因素對無人機性能的影響等問題。

2) 基于進化的思想，提出可評估無人機系統學習能力的評估方法?；跓o人機多次運行性能之間的差異性，可評估無人機的自我學習和調節的能力，從而定量化地反映其職能化程度。

3) 構建3 種典型評估場景。貼近無人機系統實際可能面臨的環境，本文構建了友好、干擾和對抗這3 種典型場景，從而使無人機系統自主性能的評估結果更全面、更客觀。

2 相關工作

近年來，無人機系統的通信和組網技術吸引了大量學者進行研究。針對不同的應用場景和設計目標，各類文獻從不同的角度進行了研究，其中具有代表性的工作如文獻[3-6]所示。筆者也對無人機網絡的按需覆蓋與接入[7-9]、拓撲構建[10]和群體移動[11]等進行了研究。近年來，無人機網絡研究的一個重要趨勢就是智能化，比如基于認知無線電的思想[12-13]，使無人系統具備動態頻譜認知和接入的能力，從而大大增強其靈活性和抗干擾能力。盡管通信組網的智能化已經成為大勢所趨，也越來越被專家學者所重視[14-16]，但已有的文章主要通過智能算法使網絡中吞吐量、時延、網絡覆蓋等性能優化，這些典型文獻都是對智能協議或算法進行研究，極少對智能自主能力本身的評價方法進行深入研究。文獻[17-18]對無人機總體的自主性評估進行了研究，但忽略了通信與組網方面在其中的重要性。

經典的用于無人機系統自主能力評估的方法分為等級法[19-20]（如圖1(a)所示）、雙坐標軸法、三坐標軸法、查表法、蛛網模型（如圖1(b)所示）以及公式法[21]等。這些方法絕大部分都可完成對無人機系統自主能力的粗粒度定性分析，但仍存在3 個比較大的問題：1) 只能進行定性或者粗粒度的定量分析，無法完成細化的定量分析；2) 難以考察各因素之間的邏輯關系和相互影響，在評估時存在重疊，因而難以給出準確的、具有直接參考意義的定量評價結果；3) 這些方法的核心是基于單次評估或者多次評估的平均結果，無法反映無人機系統的學習能力。學習能力是高端無人機系統自主能力的一個重要體現，特別是隨著人工智能技術的發展，其重要性越來越突出。具備強學習能力的高端無人機系統，即使應對相同的場景，其學習前后的表現也會有較大的差異，因為它可以從先前的經驗中進行學習，進而改善其性能和表現。為了解決這3 個方面的問題，本文需要研究考慮多維因素、適用范圍較廣的定量自主能力分析方法，通過迭代評估體系來確定無人機系統的學習能力。

本文針對無人機系統自主通信和組網方面的能力評估，提出一種多維度、多場景的迭代評估模型。該模型綜合性地考慮了無人機系統的自適應能力、自主決策能力、指令理解能力、計算及信息物理融合能力以及學習能力等典型的高端無人機特征，并全面地結合無人機在不同應用場景下的性能，提出一種無人機系統綜合量化評估方法。

圖1 現有典型的定量分析方法

3 自主通信和組網能力構成模型

自主或自主性是一個應用很廣泛的詞，很多領域都有關于其的不同描述。一般而言，無人機系統的自主性是其擁有感知和分析、交流和協同、分析和決策以及指令理解能力的綜合體現。它以完成人類布置的任務為首要目標，可以根據任務的復雜性與環境的變化進行動態自適應，甚至是自我修正和學習，而這些都建立在無人機系統自主通信和組網能力的基礎上，因而無人機系統的自主通信和組網能力也將由上述行為能力的多個關鍵技術綜合評定來確定。

3.1 環境自適應能力

環境自適應能力是指無人機系統對動態環境做出反應并達到該環境下系統通信性能最優的能力。無人機系統的環境自適應能力提高了系統的生存能力和任務完成能力，無疑是無人機系統自主能力的一個重要體現。無人機系統的環境自適應能力可從3 個方面進行評估：物理環境自適應、電磁環境自適應和系統環境自適應，如圖2 所示。

圖2 無人機系統環境自適應能力需要應對的3 種環境

環境自適應能力體現在無人機系統與環境交互和系統內交互的方方面面，逐一地進行自適應行為評估顯然不符合實際。不僅如此，不同的無人機系統所體現的自適應方式也可能不盡相同。因此，無人機系統的環境自適應能力評估需要建立一套完善獨立的評估準則，且能夠適用于不同的無人機系統。

評價自適應能力的一般性思路是：當環境發生了變化，性能在一定時間內能夠很快恢復。相應地，有2 個關鍵的指標參數：1) 恢復時間（因為這一過程往往是通過迭代或不斷嘗試最終收斂完成的，可稱其為收斂時間）；2) 收斂后的性能相較于之前性能是否有損失。這樣，在某一次環境變化后，其自適應能力可以表示為

其中，TI表示收斂時間；表示性能的損失；fI表示第一類性能函數，它是減函數。

3.2 指令理解能力

在無人機系統執行任務過程中，最理想的狀態是一旦放飛后就不需要人的參與，其完全按照人的意圖來執行整個任務。但要達到這個理想狀態還有很長的路要走，在很長一段時間內，無人機執行任務過程中的人機交互是必須的，而且該過程也體現了無人機系統自主通信與組網能力的大小。

人機交互的目的是讓無人機系統理解人的要求并按照人的指令行動。對無人機通信網絡而言，由于其無線資源受限，需要占用盡可能少的無線資源完成信息的交互。因此，無人機指令理解能力可以從指令數據量和信息熵2 個方面來衡量，具體如下。

一方面，可以通過檢測無人機系統和人控終端的數據信息和指令數據的傳輸量來衡量無人機系統與人工交互的深度。一般而言，用戶輸入無人機系統的指令越多表明無人機的自主能力越差。

另一方面，可以通過綜合計算指令數據所包含的信息熵來衡量無人機系統的理解能力。信息熵是指數據信息中所包含的信息量。簡單來說，越具體的指令（其可能的變化越少）包含的信息量越少，越具體的指令也表明無人機系統的自主性越低。

綜上所述，指令理解能力可以通過單位指令包含的信息熵來描述，即

3.3 信息物理融合能力

“智能”很大程度反映在對資源的利用能力上。無人機系統可利用的資源主要包括計算資源、通信資源和移動控制資源。其中，計算主要側重于在消耗最少資源條件下如何通過計算迅速、可靠地解決問題，一般通過各種優化算法實現；通信主要側重于在消耗最少資源條件下如何快速、可靠地傳遞信息，一般通過恰當的傳輸機制實現，它是各種無人機系統進行協同的基礎；移動控制則側重于為了完成特定任務對無人機系統個體和群體的移動行為進行高效控制。通信和計算可看作信息域操作，而移動控制直接應對物理環境產生影響，可看作物理域操作，因此無人機系統本質上是一個信息物理融合系統（CPS,cyber-physic system）。這三者之間的耦合作用在無人機系統的協同中尤其明顯，移動控制可以為通信網絡維持最佳的聯通性和拓撲，通信可以為計算提供必須的外界信息，反過來，計算可以支持更準確的移動控制、更高效的通信。三者之間計算資源和能力將起到核心作用，而它們的緊密耦合將決定無人機系統效能（或者理解為性能），如圖3 所示。

圖3 從CPS 的角度來看無人機系統效能

為了反映三者之間的耦合效應，本文通過信息物理融合“效能函數”來反映計算、通信和移動控制3 個方面對無人機系統能力的貢獻程度[22]。效能函數的一般性表示為

其中，x、y和z分別表示通信能力、計算能力和移動控制能力；fIII表示第三類性能函數，它為增函數；B為用于有效數據通信和移動控制信令通信的總帶寬；k1、k2、k3和α、β、γ、δ分別為線性和指數效應參數，它們都可以根據應用場景和需求進行調整。在式(3)的第三行，本文給出了一種近似的形式[22]。

在效能函數的基礎上，緊密結合無人機系統通信組網場景和任務，可探索計算、通信和移動控制3 個方面能力與效能的轉換規律，為全面評估無人機系統的自主通信和組網能力提供支撐。如圖4 所示，三者之間存在一個最佳性能點（即best performance point，圖中圓點處），這個融合點可以通過人工調整獲得，也可以通過無人機系統自主調整獲得。圖4 中畫出了2 個曲面，其中上面的曲面是在更高計算能力的情況下畫出的，表示更高的計算能力，可以支持更高的整體性能。

3.4 學習和進化能力

學習與進化能力是指無人機系統能夠從經驗數據中學習并且改善性能的能力。學習能力是高端無人機系統自主性的主要體現，尤其是隨著人工智能技術的發展，其重要性越來越突出。具有強學習能力的無人機系統即使面對相同的應用場景，其前后性能表現也會有很大差異，因為無人機系統可以從累計的經驗數據中進行學習，進而改善其性能。

直觀來講，無人機的學習能力主要體現在對某一固定場景前后兩次的差異上。因為針對不同場景的適應能力，可以通過前面的自適應性能力進行評估。無人機系統學習能力的評估準則應該包括2 個方面：1) 在特定場景下無人機系統學習算法穩定后的系統性能；2) 無人機系統在該場景下的學習速率。其中前者代表無人機系統能夠達到的最佳性能，后者代表達到最佳性能所需要的時間。因而，學習能力可表示為

其中，TIV表示學習時間，單位為s；表示第二次綜合性能相較于第一次綜合性能的提升，可用百分數表示；fIV表示第四類性能函數，顯然它對TIV和而言分別是減函數和增函數。

圖4 無人機系統中信息物理耦合效應示意

對于無人機系統來說，系統學習穩定后的最佳性能可以從環境自適應、指令理解、自主決策和計算及信息物理融合能力4 個方面進行衡量，學習速率可以通過單位時間內性能的提升來計算。

3.5 自主通信與組網能力

在研究對無人機系統自主通信與組網能力有關鍵貢獻的各項因素基礎上，本文需要進一步將這些因素進行整合，來計算無人機系統整體的自主通信與組網能力。

因為各分項因素之間相互影響和耦合，整體自主通信與組網能力不能簡單地通過求和獲得。這與無人機系統的信息物理耦合現象非常相似，但更復雜。在無人機系統自主通信與組網能力的構成模型中，信息物理融合也僅是其中一環，它與其他因素如環境自適應、指令理解和自主決策等環環相扣、互相影響。更重要的是本文要建立可用于定量分析的自主通信與組網能力構成模型。盡管蛛網模型可以用于各分項因素的定性或定量分析，但不能反映各因素之間的相互關系。整體而言，在給定條件下某一次（假設為第j次）無人機系統自主通信與組網能力（用Aj來表示）將是各因素的函數

其中，Ψ{.}表示映射函數。

無人機系統各方面屬性間相互影響，在一定條件下可以互相轉換（比如信息物理融合能力的提高可以降低對環境自適應能力的要求），但要準確、定性地分析相互間的關系卻并非易事?，F有的一些工作中利用馬爾可夫模型來分析各因素間的聯系，但馬爾可夫模型只能反映狀態的轉移，而無人機系統的自主過程并不僅僅是狀態的轉移，還存在各功能模塊的并行或串行操作。針對這一問題，本文可以基于無人機系統的信息流轉過程分析3.1 節～3.4節所介紹的多維能力間的關系和影響?；谛畔⒌牧鬓D過程進行分析的好處是可以方便地把握自主通信和組網能力在各部分功能中起的作用，同時可清楚地理解各部分功能輸入和輸出間的關系，因此便于分析它們間的相互影響和關系，如圖5 所示。圖5 中的箭頭表示各部分的影響關系，單箭頭表示指向的一方對被指向的一方有影響（前者的輸出將作為后者的輸入），雙箭頭表示其所連接的雙方相互有影響。虛線框（感知和動作）表示無人機系統與外界的交互接口，不在本文討論的范圍內，故不進行討論。

圖5 各功能模塊間的相互影響和關系

3.6 關于性能函數的選擇

上述評估架構中采用了多個性能函數，本文只是給出了這些函數的變化特性，并沒明確具體函數形式。本節依據無人機系統不同能力在各個典型場景的具體情況，設計出一組函數簇，以提供一種解決方案。該函數簇共包含F1(x)、F2(x)、F3(x)、F4(x)這4 個減函數，其計算式分別為

若需要對增函數進行擬合，只需要將x替換為1?x，則可將上述函數轉化成增函數簇。上述函數的曲線如圖6 所示。

圖6 性能函數簇實例

觀察圖6 可知，函數簇包含各個曲率的函數，能夠對各個典型環境下的無人機系統的不同能力進行較好的擬合。例如，針對指令理解能力在對抗環境中的建模，由于在對抗場景中無人機系統遠離控制基站，因此需要減少交互以提高隱蔽性。而以上要求體現在擬合函數上則要求該性能能夠隨著指令數量的增多而迅速下降，因此F4(x) 是適合的擬合函數。

關于各能力要素到整體自主通信與組網能力的映射函數，可根據評估過程中更重視的方面來確定，因而并不唯一，也不應該唯一，因為不同的應用場景對無人機系統不同能力的要求不同，比如一些場景特別強調其可應對不同環境的自適應性，而另一些場景更強調其在固定環境下的最佳性能（信息物理融合能力）。一般來說，學習和進化能力的提升可以對其他各方面能力（包括環境自適應、指令理解和自主決策能力）有一個極大的促進，因此，本文認為學習進化能力對自主通信和組網能力有一個綜合加權的貢獻。此外，信息物理融合能力涵蓋了信息域和物理域的資源，以及通信、計算和控制等各方面的能力，其從一定程度上可以單獨來反映無人機的自主通信和組網能力?；谝陨戏治?，本文建立如下的一般性表達式來定性反映上述各方面能力對自主通信和組網能力指標的貢獻，即

其中，a1、a2、a3、a4和τ、ω、ξ、ψ分別為線性和指數效應系數，它們都可以根據應用場景和需求進行調整；Ψ函數為增函數，表示各單方面的能力都對自主通信和組網能力有一個綜合貢獻提升。

另外一個有益的思路是：不明確具體的函數形式，而將該模型看作一個黑盒子，通過機器學習的方法（比如神經網絡）來訓練，最終反映各因素對最終能力的影響。

4 評估方法

第3 節已經詳細分析了無人機系統自主通信與組網能力的各評估因素，并且對其能力構成進行了建模。接下來，本節將要從總體思路、典型應用場景出發，構建出具體普適性的多維因素、多場景的迭代評估方法。

4.1 總體思路

對于無人機系統的自主通信與組網能力評估，除了上述各方面的具體評估以外，各項之間的關聯性也需要進行研究確定，指令理解能力、環境自適應能力、自主決策能力和信息物理融合能力四者之間的評估維度并不是完全正交的。環境自適應能力強調無人機系統所需要的人機交互較少，其信息物理融合程度也可能較高。因此需要剔除重復成分的評估，減少對整體自主能力評估的客觀影響。為了進行全面的評估，需要構建典型的應用場景，這些場景將從實際無人機系統的應用環境中抽象出來，分為友好、障礙和對抗3 種，具體將在4.2 節進行介紹。

更重要的是，為了適應具有學習能力的智能無人機系統自主通信與組網能力的評估，需要采用迭代式評估方法進行多次評估。因為學習能力會使無人機系統的通信組網性能越來越優，這只有在相同場景下進行多次迭代評估才能體現，最終形成一整套完善綜合的評估思路，如圖7 所示。當然，該方法對不具備學習能力的無人機系統自主能力評價也同樣適用，此時只需完成一次迭代即可。

圖7 多維迭代式自主通信與組網能力評估

無人機系統的學習能力將對其自主通信和組網能力起到非常關鍵的作用，學習能力相對于其他的能力也將具有更高的權重，在迭代評估過程中需要考慮這一點。本文進行迭代評估的初步思路可表示為

其中，B k表示無人機系統最終在某個場景k下自主能力評估結果，Aj表示第j次評估獲得的自主能力結果，λj表示學習增益。例如，如果λj隨著j的遞增而增大，則表示更注重無人機系統的學習能力；如果λj為一個固定值，則不能反映出學習能力的差異，因為這樣統計出的實際是各次評估的平均值。

4.2 典型應用場景

針對無人機系統所面對的實際應用場景，本文研究友好、障礙和對抗3種典型評估場景的構建和模擬。

友好場景的主要特點與無人機預先設想的場景基本一致，并且當無人機系統接受命令出發后該場景不會發生變化，該場景適用于無人機系統在己方執行簡單的巡航探測或者貨物運輸等任務場景，或者無人機群剛剛起飛，在飛往敵對區域的途中。

障礙場景的主要特點是無人機系統任務場景中存在靜態或動態的障礙物，這些障礙物的狀態和運動模式是確定的，不隨著無人機系統的出現而改變，該場景對應于未知的但不存在對抗的前線場景，比如無人機群在陌生地域執行任務或到達敵我戰場交接地域。

對抗場景的主要特點是動態變化，且能對抗無人機系統做出的應急決策，該場景更復雜也更貼近實戰，比如無人機群執行任務被敵發現或戰爭開始被敵攻擊。這些場景的構建將有利于更全面地評估無人機系統的自主能力，如圖8 所示。文獻[23]針對無人機網絡的路由協議評估構建了幾個具體的典型場景，可供有興趣的讀者進一步參考。

圖8 3 種典型場景下評估自主能力示意

將這些場景下分別得到的性能再根據對無人機在不同場景下的性能期望比值進行融合，就可得到最終的無人機整體性能評估，即

其中，Bk(k∈{1,2,3})為3 種場景下的性能評估結果；πk為不同場景的融合比重參數，它由具體應用對無人機在不同場景下的性能期望決定。

4.3 評估算法

對于最終評估函數的構造，根據前面的分析，本文可以從單場景自主能力建模開始，擴展到迭代式評估建模，最終再到多維度多典型場景綜合評估建模，即如圖9 所示計算無人機系統的自主通信和組網能力。具體算法流程如算法1 所示。

圖9 評估過程示意

算法1無人機系統自主通信和組網能力評估方法

5 評估范例

本節針對在態勢偵查過程中的群體移動、地面用戶的按需覆蓋和特殊場景的拓撲構建3 個方面提出的算法進行評估，雖然3 種算法的應用場景各不相同，但其中都涉及通信組網的功能，因此本文對它們進行抽象，然后在本文提出的架構下進行自主通信組網能力的評估和比較。值得說明的是，此實驗設置的主要目的是為了檢驗不同算法在本文所提評估模型中的通用性，并不是將這些算法進行對比。

5.1 被評估的算法描述

在文獻[8,10-11]中，筆者分別提出了針對無人機集群在態勢偵查中的群體移動[11]、地面用戶提供通信服務的按需覆蓋[8]和一些特殊應用（比如飛行表演、目標搜索等）中的規則拓撲構建算法[10]，如圖10～圖12 所示。其中，算法1 為群體移動算法，在該算法下無人機集群能從初始點（方形位置）群體移動到目的地（五角星位置），在這個過程中保持通信網絡的鏈接性，圖10 顯示的是群體移動的動態過程；算法2 為按需覆蓋算法，該算法下無人機能根據地面用戶的分布完成按需分布，圖11 顯示2 種不同地面用戶分布情況下的部署結果；算法3 為拓撲構建算法，該算法下無人機可通過相互通信分布式完成4 種拓撲的構建（如圖12 所示），圖中圓點為初始（最終）位置，線為軌跡。

整體而言，算法1 和算法2 能適應有障礙物的場景，而算法3 不能；算法1 能根據之前的經驗記憶和調節參數，因而有一定的學習能力，而其他2 種算法不能；另外，它們對信息物理融合能力也不相同，具體描述如表1 所示（這3 種算法都是分布式完成的，在執行過程中都不需要指揮員的參與，因而具有相同的指令理解能力，故在表1 中不再比較）。

5.2 評估結果

1) 整體性能評估

圖10 群體移動算法

圖11 按需覆蓋算法

圖12 拓撲構建算法

根據前文的描述（如圖9 所示），本文對3 種算法進行評估。為了便于說明過程，不區分無人機在各方面能力的比重，即各方面能力對無人機整體性能的影響是相同的，但為了體現學習能力，同樣的場景做了兩次評估并且第二次的性能是第一次性能權重的兩倍，即式(11)中λ2=2λ1。假設每一種場景下的性能都一樣重要，因此在計算C時，本文用的權重值相同，即π1=π2=π3。同時，為了能對整體進行比較，評估的結果也做了歸一化處理（1 表示最高的能力）。評估的過程和結果如表2 所示。

從評估過程可以得到以下3個結論。1)該評估過程給出的結果跟傳統的蛛網法一致，可以大體比較不同算法的性能優劣（比如算法1 最優），但更重要的是，本文提出的方法給出的是定量結果而不是定性結果；2) 整體而言，在本文評估過程中，由于算法1 考慮了多種環境的適應能力和學習能力，在自主通信和組網方面性能更優，如果更加注重對抗場景下的性能，該算法的性能將更加明顯；3) 評估過程體現出了對學習能力重要性的考慮，以友好環境下的評估為例，算法1 的(A1+A2)=算法2 的(A1+A2)＜算法3 的(A1+A2)，但再進一步計算B時可以得到，算法1 的B1卻成為了三者中的最大值。這也說明該架構可以非常靈活地根據實際應用場景進行調整，接下來將對其進行進一步的分析。

表1 3 種被評估算法在各方面能力上的區別

表2 自主通信與組網評估結果

2) 關于評估參數的使用

上面的評估結果中，本文沒有特意強調不同應用場景對無人機能力在不同方面的要求差異。實際上這些差異可以很方便地在評估公式中體現，也就是說人們可以很方便地通過調節公式中的評估參數來強調不同應用場景下對無人機各方面能力的不同要求。下面，本文以信息物理融合能力的評估（即式(3)）為例來進行說明。

圖13 所示為無人機信息物理融合能力隨著移動控制性能增強的變化曲線?？梢钥吹剑菏紫?，在給定資源情況下，過多地強調移動控制會造成通信和計算資源的下降，系統的總體性能也會下降，因此有一個最佳值；其次，通過調節指數或者線性效應參數都能引起整體融合能力曲線的變化，也即能反映計算、通信、移動控制對整體性能的不同貢獻。

因此，根據實際情況，通過分別（或聯合）調整線性效應參數和指數效應參數，可以方便地獲得效能函數的變化趨勢，進而來區分對計算、通信、移動控制3 個方面能力有不同要求的場景。

圖13 信息物理融合能力隨參數的變化曲線

無人機系統由于需要電池供電，其能耗往往是需要重點考慮的關鍵因素。而通過信息物理的融合可以顯著達到節能的效果。本文設置了一個仿真場景：2 個距離1 000 m 的無人機，中間有障礙物遮擋。在這樣的陰影衰落信道場景下，數據分組會有大量的發送錯誤，因而需要增大發送功率重傳。反之，如果無人機系統能在允許的范圍內移動一下位置，可能會顯著降低衰落的影響（當然無人機的移動也會帶來額外的能量消耗）。圖14 為無人機系統在不同數據幀長度下的仿真對比結果，它顯示了3種情況：只調整發送功率而不移動、只進行位置調整而不增加發送功率、聯合進行發送功率與飛行位置的優化?？梢园l現，通過移動控制比單純調整發射功率更節能，而聯合進行移動和通信功率的控制效果最好。

圖14 聯合利用通信功率和移動控制可顯著降低無人系統能耗

5.3 關于能力權重的討論

另外一個值得討論的問題是環境自適應能力（FAdpt）、指令理解能力（FUI）、信息物理融合能力（FCPS）和學習進化能力（FLearn）在性能評估中映射函數的設置及其影響問題。在上面的評估結果中，為了突出重點對其進行了簡化，即假設它們的線性系數是相同的。

關于映射函數中系數設置的原則。各部分能力的系數設置一定是依據具體的應用和用戶的期望/需求進行設置的。比如，根據應用需求，用戶更期望無人機系統有更強的環境適應能力，則將FAdpt的系數設置的更高；如果用戶更希望保護控制站不被泄露，無人機系統能自主完成任務而減少與控制站的交互，則可將FUI的系數設置更高；如果更注重無人機系統的智能化水平，即自主學習的能力，則可將FLearn的系數設置在較高的水平。

關于系數設置的方法。系數的設計既有針對具體應用場景的客觀性，也有用戶期望的主觀性，其具體設置時有2 種思路：1) 基于專家系統，依賴于以往的數據和專家的評估經驗；2) 基于神經網絡，將得到的評估數據和期望結果作為輸入，將系數設置及其相關性作為輸出，通過不斷訓練得到恰當的系數結果。

6 結束語

目前，大量無人機系統自主性的關鍵技術已取得突破，但關于定量分析無人機系統的自主通信和組網能力至今沒有得到很好解決。本文面向實際需求，針對面向復雜和對抗環境的無人機系統，從多個要素方面分析了無人機系統的自主通信和組網能力及其相互關系，嘗試建立無人機系統自主通信和組網能力構成模型，解決以往主要依靠定性分析來確定無人機系統自主能力的問題。本文提出基于多次迭代的評估方法，在評估無人機系統自主決策、指令理解、信息物理融合、自適應能力的基礎上，進一步量化了其學習和進化能力。最后通過友好、障礙、對抗3 種典型場景的構建和性能，提出一套具有普適意義的無人機系統自主通信和組網能力的定量評估方法，希望能對讀者在智能無人機系統性能評估和智能算法設計上有所啟發，更希望能得到同仁的批評。