隨著人工智能、微機電、衛星通信、5G等技術的發展，具有抗毀性強、成本低、作戰效費比高等優勢的無人機集群，可實施廣域分布式多點多向突擊，日益成為空天戰場的“生力軍”、精兵作戰的“急先鋒”、出奇制勝的“撒手锏”，對傳統防御系統提出了極大的挑戰，應對無人機集群作戰的威脅亟需拿出有效對策。美國集群式無人機研究計劃。盡管早在2000年，DARPA就曾借鑒螞蟻信息素交互行為，開展無人機集群的空戰仿真研究，但美軍真正開展系統層實物研究還是最近幾年。 ?

郊狼集群

2014年4月，美國海軍研究辦公室發起“低成本無人機集群技術”（LOCUST）項目。該項目采用雷聲公司的“郊狼”（Coyote）電動旋翼無人機作為演示樣機，可以每秒一架的速度發射上百架。這些小型無人機利用近距離射頻網絡共享態勢信息，協同執行進攻或防御性任務，以數量優勢壓制敵人。“郊狼”無人機的作戰半徑為37千米，航時達1小時，飛行高度為61~1524米。2015年至今，海軍研究局使用“郊狼”無人機進行了兩次路基試射試驗和一次海基試射試驗，分別完成了9架自主機動飛行、31架在40秒內發射并編隊飛行以及30架30秒內發射并形成不同的排列陣型。 ?

小精靈集群

2015年9月，DARPA發布“小精靈”（Gremlins）項目跨部門公告，旨在開發具備組網與協同功能的可回收無人機系統。這種無人機可攜帶模塊化偵察盒/或電子戰載荷，由大型運輸機或轟炸機運送至防區外發射。無人機集群通過三角定位、時頻差等無源精確定位與瞄準技術探知目標，通過切斷敵方通信甚至向敵數據網絡中注入惡意代碼實時電子和網絡攻擊，并最終引導精確火力完成摧毀。“小精靈”無人機作戰半徑超過600千米，巡航時間不小于1小時，最低飛行速度為馬赫數0.7.任務完成后，C-130運輸機負責對幸存“小精靈”無人機進行回收，每架預計可重復使用20次。該項目研究周期為4年，計劃在2020年完成演示驗證試驗，試驗成功后DARPA預備生產1000架“小精靈”無人機和25套機載設備。 ? ?

山鶉集群

“微型無人機告訴發射演示”項目由美國國防部戰略能力辦公室與空軍聯合開展，旨在通過F-16等有人機平臺釋放名為“山鶉”（Perdix）的微型無人機集群以執行態勢感知任務。“山鶉”的機身尺寸同可樂瓶一般大小，配備鋰聚合物電池，質量僅0.45千克，它采用螺旋槳推進，可折疊機翼裝在MJU-10/B標準飛機誘餌發射筒內。發射后，無人機被喚醒并被引導找到“集群”的其他無人機，利用武器或傳感器系統，執行區域地毯式搜索和干擾壓制地方雷達任務。2016年10月，戰略能力辦公室利用3架F/A-18F戰斗機在馬赫數0.6速度下連續投放了103架無人機，并在地面站指揮下，通過機間通信與協同，完成4項預定任務。 ?

無人機集群的配套支撐項目

DARPA“拒止環境下協同作戰”（CODE）項目致力于發展一套包含協同算法的軟件系統，這套系統可適應寬帶限制和通信干擾，減少指揮官認知負擔，并通過經濟可承受方式集成到現有平臺。CODE模塊化、開放式的軟件架構允許多架無人機開展導航任務，并根據已經建立的交戰規則發現、跟蹤、確認和作戰。擁有CODE系統的無人機也可召喚臨近友軍的CODE無人機以增強作戰能力。 DARPA“集群挑戰”（SwarmChallenge）計劃將無人系統開發自主集群作戰算法，在無需生成大量認知數據情況下，提高集群在復雜環境中的作戰能力。項目的主要挑戰包括無人系統密切協同、區域快速搜索、態勢感知、決策制定以及障礙清楚都能相關難題。 DARPA“分布式作戰管理”（DBM）項目致力于開發分布式作戰管理系統架構、協議和算法、發展決策助手，幫助操作員在對抗環境中數據鏈遭到干擾的情況下，仍能有序地駕馭有人和無人平臺，控制機上的傳感器、電子戰系統和武器系統。DBM包括自主性、態勢理解和操作員工具三種功能算法，以支持在最小寬帶下融合和共享態勢圖像，在通信保障環境下進行自適應規劃和控制。 ?

無人機集群作戰能力分析與評價

集群需要引入人工智能和自主決策方法，需要強大的計算能力、感知能力和存儲能力。其高效能來源于無差異的機器—機器之間形成的高彈性整體：當內部某個無人機消失時，對整個任務的執行影響很小，當集群中出現局部擾動或增加一個新個體時也可彈性吸納。群間網絡是集群的核心，它可能基于互聯網協議或其他形式的通信架構，使每一個體都能共享實時數據，從而保持對周圍環境的普遍感知。這種感知能力一方面保證了無人機集群可在既定任務規劃和指揮員指令下執行任務，另一方面也支撐起其在未知環境下有條不紊地完成復雜任務或在面對意外事件時重新規劃任務的能力。 ? 集群式無人機的突出特點是以自主協同網絡為依托，在局部戰場上創造出壓倒性的數量優勢，一方面有效提升己方的感知、通信、指控、打擊能力，另一方面全方位、多角度阻塞和壓制對方的通信網絡和防空系統，提高對抗難度與成本，短時間內毀傷對手。利用集群戰法，精確選擇目標，快速機動，多維攻擊，融合相關作戰要素，打通 “偵察—控制—打擊—評估”鏈路，形成敏捷、高效、精確的新型無人化作戰體系。通過無人機間信息實時交互、動態自主組合、集群協同突防等方式，最終完成高效飽和攻擊。 ?

分布式探測與攻擊的能力

無人機集群可充當分布式傳感器和武器角色，當其廣泛分布時，可相互協作提升目標的探測或打擊精度。在探測感知方面，平臺間可采取頻率、波段不同的探測設備進行全頻譜探測；在電子干擾方面，無人機之間可協作確定相對位置，制定最佳攻擊時機，使各平臺發出的電磁干擾攻擊波盡可能同時到達目標；在打擊摧毀方面，無人機集群可實現 “兵力分散、火力集中”的分布式殺傷，在高效打擊的同時兼顧自我防護。 ? ?

高抗毀性和多次打擊本領

無人機集群執行任務時，如集群中其中一架被擊毀，其他無人機可重新配置，快速填補空缺，推動任務繼續執行。系統整體的抗毀性極大提高了任務的成功概率。為驗證集群戰法效果，美國海軍研究生院的LocVPham針對無人機集群突防 “宙斯盾”系統做了上百次模擬試驗，結果表明：在8架小型無人機的攻擊下平均有 2.8架突防，即便是升級版 “宙斯盾”系統，至少也有1架能突防。如果無人機數量超過 10架，則 “宙斯盾”系統只能攔截最先到達的7架。 ? ? ?

作戰成本的非對稱效益

“小精靈”無人機的期望成本為70萬美元， “郊狼”無人機成本只有1.5萬美元，而一枚 “魚叉”導彈的價格高達120萬美元。憑借集群戰術，無人機系統可快速消耗敵方對空導彈等高價值武器裝備，以其規模優勢給對方造成慘重損失。 ? ?

有人—無人編隊協同的重要一環

無人機集群可以作為有人—無人編隊作戰的重要一環。在載荷配置上，無人機攜帶傳感器、電子戰系統、通信、定位／導航／授時、彈藥等，有人機攜帶通信系統、信息融合系統、指揮控制系統、武器系統等。作戰時，無人機前置，有人機后置，無人機集群用預先確定的路徑飛襲到敵方的防空系統位置，在敵防區內負責目標探測跟蹤、電子對抗，并通過數據鏈將目標數據傳送至后方有人機平臺作融合處理。確認目標后，即可由后方大型作戰平臺投射武器進行防區外打擊，或由無人機攜帶的打擊武器進行時敏目標打擊。當敵方的防空系統部分失效時，后方的高價值、隱身機載平臺也可實施第二波打擊。 ?

反無人機集群的預警探測手段

與飛機、導彈等傳統空中威脅一樣，有效防御集群式無人機的第一步是盡早感知威脅并及時預警。由于無人機集群需要在指定平臺發射，且普遍存在飛行高度低 （隱蔽性強）、發動機散熱量低 （難以被紅外探測器發現）等特點，因此宜采用下列雷達預警方案。 ? ?

多層次、分布式的預警防御體系

遠—中—近程雷達分層配置。與 “全球鷹”“捕食者”等大型長航時無人機不同，小型無人機的續航能力和作戰半徑有限，需要運輸機等載機平臺送至防區外發射。載機平臺既是無人機集群出現的標志，也是向后者傳遞指控命令的神經中樞。鑒于“小精靈”無人機最大作戰半徑可達900千米，采用C－130、C－17運輸機或者B－52轟炸機遠程投放，因此可針對這些載機平臺建立雷達目標特征數據庫，使用遠程警戒雷達 （500～1000千米）探測、分類和識別，待確認后引導導彈和戰機進行攻擊。 遠程雷達的掠地角大，分辨能力低，不易探測和跟蹤小雷達截面和低飛行高度的集群式無人機，因此在無人機進入500千米、300千米、100千米之后，可分別采用中、近程三坐標警戒雷達和低空補盲雷達對無人機群進行監視和跟蹤。薩博公司拓展了中、近程 “長頸鹿”捷變多波束雷達對“低慢小”無人機目標的探測、跟蹤性能，并驗證了在復雜環境下應對 6架無人機的能力。該雷達可發現 100個雷達截面積僅為0.001米2的空中目標，將無人機從地面雜波中識別出來，并可與多種武器系統相連，執行打擊無人機的任務。 ? ?

雷達組網與雙／多基地部署

集群式無人機通過協同組網和分布式感知提升作戰能力，地面雷達也可以借助這一思想，采用雷達組網和分布部署來提高預警能力。組網雷達通過一個中心站執行統一管理和調配，利用通信鏈路將多部不同體制、不同頻段和不同工作模式的地面雷達系統連接起來，最終依靠融合處理技術將網內各傳感器的信息整合成最全面可靠的情報。組網雷達具有三大作戰優勢：首先，憑借廣域覆蓋實現無縫監視，憑借多角度觀察實現去偽存真、去粗取精，從而降低虛警概率；其次，當網內一部或幾部雷達因受到攻擊而失效時，其他雷達系統依舊能擔負起警戒的重任，避免預警體系整體癱瘓；最后，組網雷達既可以靈活調整工作狀態，充分發揮每部雷達的探測優勢，又可以通過交替開機、輪番機動等方式給無人機集群造成電磁閃耀干擾，使之混淆跟蹤的方向、頻率和波形。 ? 相比于常見的單基地雷達，雙／多基地雷達能夠有效應對無人機集群的偵察、干擾和打擊威脅。首先，雙／多基地雷達的發射機可部署到戰區后方甚至是空中平臺上，靈活機動，處于相對安全位置；其次，高價值的接收機作為無源裝備，具有很好的電磁隱蔽性，可放置于戰線前方，取得最佳探測視角；再次，和組網雷達一樣，分散式部署的多基地雷達能大范圍、多角度地探測無人機群，提高發現概率和識別能力；然后，多基地雷達中的一部發射機可供多部接收機使用，一部接收機也可接收多部發射機的信號，增強了體系的魯棒性和抗毀性；最后，憑借著空間分集、體制分集、頻率分集、極化分集和信息融合等優勢，雙／多基地雷達幾乎能抗擊所有的有源和無源干擾。 ? ?

空—地一體協同探測

相比于地基雷達，空基預警平臺能突破地球曲度和地形遮擋限制，實現更好的低空探測。空中預警系統包括預警機和浮空器，其中預警機不僅能靈活機動地執行大空域360°無縫探測，還可以作為空中指揮控制中心指揮我方戰機與敵機交戰，并利用機內電子戰設備展開電子偵察和電子干擾浮空器平臺具備360°全覆蓋、全天候、全天時監視能力，且運行成本很低（400美元／小時）。盡管如此，這兩種空基平臺還需要地面雷達輔助：預警機的運行費用高，續航能力有限，即使是空中加油，也無法滿足全天時作戰需求；浮空器體積龐大、行動遲緩，極易成為攻擊目標；另外，一般預警機和浮空器的最大作用距離都在500千米左右，難以捕獲900千米外的“小精靈”載機平臺。因此，空—地協同探測才能將雷達體系的大威力、全覆蓋、全天候／全天時、低成本等優勢結合起來。 ? ?

低／零功率輻射技術與系統

鑒于無人機集群的首要作戰對象是輻射電磁信號的雷達等電子設備，因此可以采用低功率甚至零功率的雷達輻射技術和裝備來達到隱蔽探測和自我保護的目的。低截獲概率（LPI）雷達采用寬帶自適應頻率捷變、高增益天線、擴譜波形、脈沖壓縮、相干積累、參數隨機化等方法，提高主瓣增益系數與接收機信噪比，從而以極低峰值功率捕獲遠距離小目標。無源防空雷達自身不發射電磁波，它通過接收空中目標自身電磁輻射或外輻射源照射目標的反射信號，完成對目標的定位和跟蹤。由于徹底失去引導媒介，無人機集群難以發現無源雷達。此外，近幾次局部戰爭證明，制定機動靈活的雷達靜默戰術，能很大程度地減少電磁波泄漏，防止雷達信號情報被偵察。 ? ?

具有顛覆性潛力的新體制雷達技術

多基分布式協同探測體系可全面感知戰場態勢，具備強大的抗干擾性和抗毀性，但體系越大意味運行費用和維護成本越昂貴，也意味著越容易暴露目標、受到打擊。無源雷達盡管有好的電磁隱蔽性，但卻缺少發射機合作而丟失了探測的主動性和精確性。為了在不損失預警效能的前提下降低作戰成本，除了統籌規劃雷達開機策略外，還可以將目光瞄準具備顛覆性潛力的新體制雷達技術上，如微波光子雷達。 微波光子技術將光子／光電器件的高頻率、大帶寬、低損耗、結構小型緊湊等優勢與傳統微波雷達相結合，從而提高遠程探測和寬角覆蓋能力、目標成像和識別能力、低空探測能力、抗有源干擾能力和快速可重構能力，并且有助于實現雷達系統的軟件化和多功能，降低系統尺寸、重量和功耗。世界上首部微波光子雷達樣機已經問世，實現了對非合作客機的跟蹤與測量。之后，該雷達架構成功推廣至雙波段和多波段，并演示驗證了一體化光子雷達／通信系統和光子雷達／激光雷達系統的可行性。 ? ?

對抗無人機集群攻擊的手段

鑒于集群式無人機的低紅外、低成本和高抗毀性等特點，使用地空導彈、空空導彈等高價值武器無異于大炮打蚊子，容易丟失目標且經濟成本太大；使用高炮和便攜式導彈盡管對單個近距離、低空、慢速目標攔截效果較好，但也不適合分布式作戰的無人機集群。因此，干擾和打擊方法必須具備低成本、大覆蓋、高效能等優勢。 ? ? ?

實施多途徑電子干擾，全面抑制無人機集群的作戰威力

無人機本身體積小、容量有限、抗干擾功能相對缺乏，其導航系統、電子偵察系統、通信系統和組網協同系統在受到強烈電磁干擾時很可能會部分失靈甚至徹底失效。 定位、導航系統是無人機按預定路線飛行的保證。一般地，無人機在飛行時須依賴全球定位系統（GPS）和捷聯慣性導航系統（SINS）實施定位和導航。但 GPS存在著信號強度弱、接收機響應能力不強等缺點。若GPS信號接收機被干擾，無人機只能依賴SINS導航，而SINS的累積誤差往往會隨著航程增加而迅速擴大，導致定位精度下降，甚至會使無人機偏離預定航線。 無人機攜帶的任務載荷多為光電傳感器和輕型合成孔徑雷達。對光電傳感器的干擾手段包括制導欺騙式干擾、測距欺騙干擾、致盲壓制式干擾以及煙霧干擾等；對合成孔徑雷達的干擾手段包括瞄準式噪聲干擾和欺騙式干擾等。 無人機集群同后方控制平臺的通信通常有無人機與平臺距離在視距之內的視距通信和在視距外的衛星中繼通信兩種方式。對于視距通信，可以使用多目標干擾、頻率跟蹤式干擾和全頻段攔阻式干擾；對于衛星中繼通信，只要破壞無人機發射端—上行鏈路—衛星轉發器—下行鏈路—平臺接收端的任一環節即可。 無人機集群間通過一種子網絡語言相互溝通、協調行動。通過發射合適的干擾信號可以擾亂這種內部通信，使其自亂陣腳，集群中的個體只能各自為戰，集群戰就退化為混戰，作戰效能也將大大折損。這種干擾甚至能在集群內部引起大規模碰撞毀傷等連鎖反應，最終徹底摧毀整個集群。由于集群大都呈密集型分布，這種子網絡語言可能會對甚高頻（VHF）信號敏感。 ? ?

利用定向能武器，實施瞬時高能打擊。激光武器

激光武器利用激光固有的單色性、方向性和高能量密度等特點，具有直線攻擊、瞬時打擊、抗干擾能力強、作戰效費比高等優勢。高能激光照射到無人機上可以使機體升溫、熔化或汽化，破壞機械結構或電子元件，從而毀傷無人機。2015年8月，波音公司在 “黑色標槍” （BlackDart）反無人機演習中，演示了 “緊湊型激光武器系統”的反無人機能力。該系統可通過中波紅外傳感器在 40千米的范圍內識別、追蹤地面和空中目標，激光波束可在37千米范圍內聚焦。 ? 盡管如此，激光武器打擊無人機集群還需克服很多困難：首先，激光能量轉化效率低、光束功率密度小，未能實現 “即打即毀”殺傷能力；二是激光在大氣傳輸中衰減較強，受天氣影響較大，不具備全天候作戰能力；三是目前激光武器的體積和重量大，機動性不強，難以跟得上靈活機動的機群；四是激光武器的波束太窄，一次只能攻擊一個無人機目標。 ? ?

高功率微波武器

高功率微波武器是一種具備軟、硬多種殺傷效應的定向能武器，它可發射峰值功率在100兆瓦以上、頻率在1～300吉赫之間的電磁脈沖，通過天線進入目標系統內部擊穿和燒毀電子元器件，從而毀傷目標。與激光武器相比，微波武器的作用距離更遠，受氣候影響更小，攻擊時只需確定大概指向，不必精確瞄準，易于火力控制。微波武器輻射出的大功率寬角度（多呈扇形或圓錐形）電磁波脈沖有大面積殺傷能力，可以充當盾牌防御整個集群。另外，由于發射波束具備一定的方向性，可避免對己方電子設備造成毀傷。雷聲公司近年來持續為美國陸軍開展陸基高功率微波（HPM）武器的演示驗證，其演示樣機安裝在6米的容器內，它以高功率磁控管為基礎，配備了用于目標跟蹤與引導提示的火控雷達，可實現空中全覆蓋。2013年，該系統在美國陸軍火力卓越中心成功驗證對抗多架無人機的能力。 ? ?

發展 “幕”型攔截武器，提升無人機捕殺效能

“幕”型武器發射之后在較大空間分散成幕狀結構組織，可由地基或空基平臺發射，是攔截和毀傷高密度、輕質量無人機集群的高性價比武器。幾年前，DARPA曾評估一種稱為 “快速捕獲無人機或使無人機失能”的小型空中防御概念武器，這種武器采用攜帶紅外近距離傳感器的管型發射裝置，可噴射出泡沫或網罩，而網罩的導電碳纖維能夠使無人機的通信系統失靈。開放工廠公司研制生產的SkyWall100小型無人機攔截系統也屬于這一類武器，該系統作用范圍為100米，由肩扛式發射筒和攔截網彈組成，發射筒配有光學智能瞄準儀，攔截網發射后在空中形成大覆蓋面，包裹目標無人機并使其失去動力。 ? ?

依托制空優勢，有人戰機空中摧毀無人機集群

盡管近年來無人機技術取得了長足進步，無人機裝備也從單純地監視偵察發展到攜帶 “地獄火”導彈執行地面攻擊，甚至誕生了可執行多種任務的無人作戰飛機，但制空能力弱還是所有無人機的通病。憑借高機動性和靈活性，有人戰斗機可利用機炮等機載武器肆意獵殺無人機集群。此外，有人戰機還可以利用機上電子對抗設備對無人機集群進行干擾，用 “幕”型武器取代空空導彈來提高攔截概率和效費比。 ? ? ?

以雷達誘餌實施誘騙，抵消無人機集群威脅

由于無人機集群的打擊對象主要是以雷達為主的一體化防空系統，因此可采用雷達誘餌抵消威脅。雷達誘餌主要有制式干擾誘餌、廢舊雷達誘餌以及同頻接力誘餌三種。制式誘餌是指在雷達附近分置一個或多個與雷達發射信號特性相同的制式干擾源，當無人集群來襲時，雷達指揮控制中心可統一控制，利用閃爍、兩點源相參干擾誘騙和多點源非相參干擾誘騙等方式，使集群無法精確跟蹤雷達信號；利用廢舊雷達誘餌，是指使用置于假陣地的廢舊雷達模擬作戰雷達的電磁輻射特征，用假信號引誘敵無人機集群偏離正確目標；同頻接力誘餌即利用多部雷達接力交替工作，使集群難以持續跟蹤某一部確定雷達，從而抵消其探測、干擾和打擊能力。 集群式無人機作戰將動物界的集群行為與小型無人機系統相結合，集數量多、靈活彈性、分布式打擊、抗毀傷和低成本優勢于一體，是一種改變游戲規則的新型作戰威脅。為及時發現這種威脅，可通過遠程—中程—近程分層放置、雙—多基地分布式部署、空—地組網協同等方案建立起完備的雷達預警體系，并開發微波光子雷達等具備顛覆性潛力的雷達探測技術和裝備；為有效反制這種威脅，應對無人機集群開展廣泛的電子軟殺傷攻擊，借助組網雷達或廢舊雷達實施誘騙，使用有人戰機空中攔截和摧毀，并開發 “幕”型武器和定向能武器 （特別是高功率微波武器）等具有大覆蓋、寬角度、定向攻擊能力的武器系統。 隨著智能集群與分布式協同技術的快速發展，低成本無人機集群對抗成為了未來戰爭形態的一種突出體現，反無人機集群技術也成為了軍事研究領域中的一個重要內容，其呈現螺旋上升的狀態。反無人機集群技術包含三個方面：探測、決策與反制。其中在無人機集群檢測方面，現有的探測技術面臨了諸多挑戰，最直觀的挑戰就是利用現有技術有效地解決小型無人機難以準確檢測的困難，而更核心的挑戰是如何精確地描述無人機集群，能為無人機集群反制方案提供更高性價比的信息。 無人機集群目前主要由中小型無人機組成，未來則可能是大型隱身無人機組成，也有可能是傳統飛機改造而來。中小型無人機組成的無人機集群飛行高度低、機動速度慢、雷達反射截面積較小。大型隱身無人機集群飛行高度高、機動速度快、雷達反射截面積也不大，兩者都具有偵測難和處置難的特點，對傳統的探測和防御手段提出了極大挑戰。 另外，還要通過網絡實現無人機集群探測預警信息的高度共享，融合、集成戰場環境信息和敵我態勢信息以及規劃命令等多個數據源獲取的信息，在地理信息基礎上疊加敵、我、友及中立部隊的位置和運動軌跡，以及反無人機集群的設施或武器裝備的有效控制區域等信息，形成無人機集群探測的綜合態勢圖，為優先打擊最有價值的無人機集群目標提供支撐。 ? 現階段反無人機集群技術對探測階段的研究較少，大多數系統仍采用雷達進行探測，如美國洛克希德·馬丁公司的反無人機集群方案，采用了Q-53型號雷達進行探測，同時仍需要人工識別。針對無人機這一類低小慢目標，雷達圖像中目標容易與背景雜波混淆，不容易取得滿意的效果，因此在反無人機集群技術領域，需要研究高效的小型無人機集群識別技術。在進行無人機集群目標識別時，需要在有限的計算力條件下滿足實時性檢測跟蹤的需求，并且需要具有適應各種復雜環境的能力，這是針對無人機集群目標進行檢測識別的現實需求，也是當前在這一領域面臨的主要障礙。 雖然無人機集群作戰具有諸多優勢，但需要依賴集群間實時信息交互實現協同指揮控制，其“阿喀琉斯之踵”是通信鏈路和控制系統。如美軍曾用3架F/A-18F“超級大黃蜂”戰斗機投放103架“灰山鶉”微型無人機，展示了集體決策、自適應編隊飛行等無人機集群協同作戰能力，其核心支撐就是共享一個分布式大腦，同時與多個地面站通信，一旦其通信鏈路被干擾或控制系統被入侵反控制，無人機集群極可能全軍覆沒。 2011年12月4日，伊朗捕獲了一架美國RQ-170“哨兵”無人機，就是先進行通信壓制，使其失去與美軍地面控制中心之間的聯系后進入自動飛行狀態，而后利用GPS導航系統的漏洞改變預設飛行坐標，最終成功誘導這架無人機降落在伊朗境內。雖然伊朗只是捕獲了一架無人機，但其作戰原理同樣適用于對付無人機集群。 俄羅斯反無人機作戰也有實戰經驗。2018年1月6日凌晨，俄羅斯駐敘利亞赫梅米姆空軍基地和塔爾圖斯海軍基地遭到50公里外遠程操控的13架無人機攻擊，在其駐敘防空部隊和電子戰部隊的共同努力下，部分無人機被火力摧毀，部分無人機被電子戰部隊干擾后俘獲。另外，目前的無人機集群防護能力和機動能力不強，一般作戰半徑有限，需要利用運載平臺輸送到其打擊范圍內才可以釋放，否則無法發動攻擊。 目前，反無人機集群可采用電子干擾或網絡攻擊等“軟殺傷”方式，破壞無人機集群和遙控者之間的信號連接，讓無人機集群直接失控墜毀或者自動返回。不過，如果無人機集群采用自主方式實施攻擊，脫離遠程信息交互，加強集群內部信息交互防護，“軟殺傷”方式可能難以奏效。 所以，反無人機集群采用“硬殺傷”方式也是很有必要的，比如可以采用彈炮攔截、激光攔截、無人機“自殺式”攔截、捕捉網攔截、空中設障等方式。無人機集群一般具有數量眾多的無人機，采用單一手段抗擊可能效果有限，反無人機集群應著眼整個無人機集群系統，軟硬結合，從體系對抗角度整體抗擊，綜合使用多種手段層層攔截。特別是要大力發展高功率微波武器等高效低成本的新型防御手段，并且要注意發展無人機集群對抗無人機集群的手段。 ? 近年來，深度學習在計算機視覺各項任務上的良好性能表現，伴隨著高分辨率相機的普及，使得基于視覺的集群目標識別成為可能。面對檢測小型目標的困難，深度學習技術給出了可能的解決思路：當深度神經網絡達到足夠的深度時，在理論上可以對非常小的目標作出有效的特征提取與檢測，但同時會帶來難以滿足實時檢測的計算量。另外，傳統的檢測方法受特征工程中需要人工選擇和提取特征的限制，可能會忽略目標所具有的深層特征，進一步影響了檢測的有效性和穩定性，而深度學習借助其在數據與信息挖掘領域具有的突出優勢，克服了特征工程中人工選擇提取特征的局限性，通過數據訓練擬合的方式自行提取有效特征，使得這一問題得到解決。 ?

目標檢測技術的發展與現狀

從上世紀50年代開始，研究人員就開始了對圖像的識別技術研究，在傳統機器視覺領域中，判定圖像中是否存在特定物體的問題是一個非常經典的研究方向。從上世紀70年代機器視覺技術領域逐漸興起以來，物體檢測一直受到落后的技術條件和有限應用場景的限制，直到上個世紀90年代才逐漸走入正軌。對人的視覺系統而言，物體檢測并不困難，通過對圖片中不同顏色、紋理、邊緣模塊的感知很容易定位出目標物體，但對于計算機來說，圖像實際上只是像素矩陣，想要從圖像中直接得到目標物體的抽象概念并確定物體所處的區域比較困難，再加上物體姿態、光照和復雜背景復雜混雜在一起，使得物體參見更加困難。物體檢測技術通常由三部分組成：選擇檢測窗口，設計物體特征，設計分類器。在21世紀初Viola Jones提出基于Adabost的人臉檢測方法以來，物體檢測算法確立了傳統的人工設計特征+千層分類器的框架，2012年之后，基于大數據和深度神經網絡的End-To-End的檢測框架不斷發展完善，物體檢測技術愈加成熟。 Viola Jones檢測器雖然是當時的技術條件下，實現了實時人臉檢測，但是其準確率仍不能滿足現階段的需求。2002年，Rainer Lienhart和Jochen Maydt對V-J檢測器進行了擴展，即為如今的Haar分類器。 2012年AlexNet在當年的ImageNet視覺目標識別競賽中使用的深度卷積網絡大幅提高了檢測分類的準確率，深度學習從此成為計算機視覺處理目標檢測識別任務的熱門研究方向。而將深層神經網絡應用時也面臨諸多的挑戰，如網絡容易過擬合、網絡退化等。 由Ross B.Girshick等人分別在2014年和2015年提出的R-CNN、Fast R-CNN算法，分別將ILSVRC 2013數據集上的準確率提升到至31.4%和70%以上，但仍未解決region proposal速度過慢的問題。Shaoqing Ren于2-15年提出的Faster R-CNN運用RPN（Region Proposal Network）實現了端到端的訓練，在Fast R-CNN的基礎上進一步提升了檢測準確率和檢測速度，但仍存在小型目標檢測效果差的問題。 微軟搜索的Jifeng Dai等人和來自Facebook人工智能團隊的Kaiming He等人分別與2016年和2017年提出R-FCN和Mask R-CNN算法，雖然進一步提升了檢測平均準確率，但犧牲了大量的計算資源，算法耗時較為嚴重。 Ian Goodfellow提出的GAN（Generative Adversarial Network）算法，提升了神經網絡對遮擋等問題的魯棒性，然而GAN模型采用二元零和博弈的思想，其優化中沒有使用損失函數，導致網絡在訓練中網絡的優化方向無法確定。 上述基于深度學習的目標檢測算法均屬于基于分類的技術路線，始終沒有解決的問題是region proposal與分類兩個步驟分離造成的計算速度慢的問題。在此基礎上，Joseph Redmon等人在2016年提出了基于回歸的檢測方法YOLO，解決了region proposal與分類兩個步驟分離的問題，用one-stage的檢測形式將檢測速度大幅提升，足以滿足實時性檢測的要求，但存在對小型目標檢測效果不好的問題。 在此基礎上2017年Joseph Redmon又提出了YOLOv2和YOLO9000算法，兩個算法的結構基本一致，在保持了YOLO速度的同時將平均檢測追蹤率提升了2.4%。2018年Joseph Redmon再次對模型進行改進，提出了YOLOv3，通過改變損失函數，增加網絡層數等方式，如DSOD、R-SSD等算法，達到了較高的檢測準確率，但存在計算速度難以滿足實時檢測的問題。基于深度學習的目標檢測方法中，YOLO算法比較適用于進行實時檢測任務，但同時還需解決小目標檢測不穩定的問題，以及進一步提升小目標檢測性能的目標。2017年，Tsung-YiLin等人提出了FPN算法，有效生成對圖像的多維度特征表達，FPN同時參考了SSD和2016年Tao Kong等人提出的HyperNet的機構，大幅提升了深層特征圖的語義提取，在于多種模型結合實驗，結果對小目標的檢測性能提升較大。 ?

多目標跟蹤技術的發展與現狀

多目標跟蹤問題相比單一目標的跟蹤更加復雜，除了單一目標跟蹤中出現的形變、背景干擾等問題以外，還面臨場景中目標自動初始化與終止、目標相似度匹配、目標間交互與遮擋以及再識別等挑戰。 最初研究人員針對雷達任務中多個運動目標的軌跡跟蹤問題研究出許多算法，后被移植到計算機視覺領域，用于視覺多目標跟蹤任務。其中比較經典的算法有Donald B.Reid在1978年提出的多假設跟蹤算法（MHT），本質上MHT是對Kalan濾波的擴展，雖然存在如概率模型選取這類問題，MHT仍然在現階段的多目標跟蹤算法中引用并取得了不錯的效果。 除Kalman濾波在多目標跟蹤任務中得到應用，粒子濾波算法也在多目標跟蹤場景中進行了擴展。2009年Michael D.Breitenstein等人提出基于檢測可信度的粒子濾波算法，舍棄了簡單使用高斯分布作為概率模型的方法，但是算法仍需要大量樣本，且存在權值退化的問題。 2008年由L.Zhang等人提出一種基于最小代價流優化的多目標跟蹤算法，采用最小代價流優化的多目標跟蹤算法是基于確定性優化的離線多目標跟蹤算法。這種算法將數據關聯問題映射到具有不重疊約束的成本流網絡中。利用網絡中的最小成本流算法，找到了最優的數據關聯。在此算法基礎上，H.Pirsiavash和P.Lenz等人分別與2011年和2015年進行了優化，在一定程度上解決了低效率的問題，然而這種基于圖的算法模型仍不適用于在線跟蹤任務。 Y.Xiang等人在2015年提出基于馬爾科夫決策的多目標跟蹤算法（MDP跟蹤算法），MDP跟蹤算法利用馬爾科夫過程計算軌跡，是一種基于機器學習的確定性目標跟蹤算法，相比前集中方法，MDP跟蹤算法具有更高的計算速度，可以實現在線的檢測，然而需要離線訓練，且在一些場景下平均準確率略低于上述幾種算法。 W.Choi于同年提出一種局部流的多目標跟蹤算法NOMT，算法通過在連續多幀圖像上提取信息的方式，獲得了更多的特征，同時具有了一定的修正能力，然而由于算法需要連續多幀圖像，因此會造成算法具有一定時間延遲，是一種近似實時的跟蹤算法。 以上算法均基于Kalman濾波或機器學習等傳統算法構建，在進行目標跟蹤與軌跡匹配時，深度學習對目標特征的高效提取能夠提升算法的匹配準確率。 L.Lealtaixe和Q.Chu等人分別于2016年提出基于孿生卷積網絡的多目標跟蹤算法和基于最小多割圖的多目標跟蹤算法，通過引入深度學習，提取檢測到的目標表觀特征，根據表觀相似度對同一目標進行匹配，其結果在匹配準確度上獲得了較為顯著的提升，但是由于引入深度神經網絡，算法具有比較嚴重的耗時問題。 針對多目標跟蹤中容易出現的遮擋問題，Q.Chu等人在2017年提出一種基于時空關注機制的多目標跟蹤算法，其思想為通過建立時空關注模型對遮擋的目標特征進行加權，在對加權后的目標進行匹配，一定程度上解決了目標出現遮擋的情況。 除以上幾種利用卷積網絡進行特征提取的方法以外，由于視覺多目標跟蹤其數據的序列性，在多目標跟蹤算法中引入循環網絡也成為了比較流行的方法。 2017年Amir Sadeghian等人提出基于RNN的多目標跟蹤算法，算法通過設計長短時記憶網絡（LSTM），綜合目標的運動特征、表觀特征與交互特征來學習已產生的軌跡與當前檢測匹配。 2018年Kuan Fang和Chanho Kim等人分別提出基于遞歸自收斂網絡的在線跟蹤算法與基于雙線性長短時記憶網絡的多目標跟蹤算法，算法在傳統的循環網絡進行特征提取的基礎上設計了更復雜的網絡結構，以提取更深層的表觀特征，提升了匹配準確性。然而利用RNN思想進行多目標跟蹤對系統的計算能力要求較高。 2016年由AlexBewley等人提出SORT算法（Simple Online And Realtime Tracking），通過Kalman濾波提取目標的運動特征，再利用匈牙利算法進行匹配，這樣只利用bounding box的大小與位置信息進行目標運動特征匹配的犯法大大提升了跟蹤的速度，但是算法全權利用運動特征也導致了無法重新匹配，對軌跡匹配出現中斷的目標效果不佳。 2017年Nicolai Wojke等人在SORT的基礎上提出了DeepSORT算法，加入卷積網絡對目標表觀特征進行提取，增強了網絡對遺失和障礙的魯棒性。對于多目標跟蹤技術，Kalman濾波算法具有較快的速度，可以達到實時跟蹤的需求。多目標跟蹤技術需要解決以上提到的問題，并結合檢測算法設計出適用于實時檢測跟蹤的多目標實時檢測跟蹤算法。 ?

高/低動態范圍圖像處理技術發展與現狀

近年來，高/低動態范圍圖像技術（HDR/LDR）得到了越來越多的普及。高動態范圍圖像對場景的描述更加真實，包含了更加完整的場景信息，可以提供更多的圖像細節。然而受到大多數顯示設備的限制，能夠顯示的動態范圍很小，導致圖像出現亮度失真、信息丟失等問題，影響目標檢測與跟蹤算法的性能。因此，以色調映射算法為主的針對高/低動態范圍圖像的圖像處理技術也得到了更多的關注，能夠將HDR圖像進行處理，調整圖像的亮度或灰度值與對比度，使圖像能夠在盡量不丟失細節信息的條件下，顯示在動態范圍的顯示設備上。 2002年，Erik Reinhard收到攝影中曝光過渡與不足的啟發，提出了一種基于局部平均對數算子和高斯濾波的多尺度映射算法，對過暗和過亮的圖像區域進行了亮度修正。Jiang Duan等人2004年提出一種全局直方圖均衡的色調映射算法，并在2010年增加了利用局部直方圖進行自適應調整的優化方案。 2008年，Radoslaw Mantiuk等人將色調映射問題轉化為優化問題，并于2009年提出一種色調校正算子，將輸出設備的對比度失真最小化，以獲得最佳的對比度可見性。 2011年，Zicong Mai等人提出了基于統計模型的色調映射算法，對色調映射和圖像壓縮過程中產生的失真進行估計并優化，在圖像MSE上具有較為顯著的提升。 Tom Mertens、Neil D.B.Bruce及Zhengguo Li等 人分別在2007年。2014年和2017年提出不同的多尺度曝光融合算法，用不同的方法對曝光程度的LDR圖像進行融合，以保留HDR場景中最亮和最暗區域的信息。 以上的集中圖像處理算法采用了比較傳統的技術手段，另外還有一些色調映射算法借助卷積神經網絡的發展，受到人類視覺系統（HVS）的啟發，通過模擬人類視覺神經細胞的方式，實現對圖像中過亮和過暗區域的同步調節。 Michael Ashikhmin在2002年提出的模擬HVS的圖像處理算法，通過建立絕對亮度與對比度方程，將圖像色調映射過程壓縮到單一變量控制。2005年Grzegorz Krawczyk等人參考錨定理論，將HDR圖像劃分為多個亮度一致的區域，分別估計亮度值。 2011年Sira Ferradans等人建立一種基于視錐細胞的色調映射算法，從兩個階段模擬了視網膜對亮度和對比度的自適應調節。2017年Nima Khademi Kalantri等人通過CNN網絡，對一組不同曝光程度的圖像進行配準合并生產HDR圖像，也取得了較好的效果。 相較于傳統的圖像處理算法，基于生物機理的處理算法可以將在低動態顯示設備上顯示的高動態圖像的更多細節展現出來，此外相關算法還可以處理夜間較暗的圖像，使其亮度得到一定的增強，實現亮處與暗處的同步調節。 ?

目標三維重建技術發展與現狀

基于視覺的目標三維重建技術根據傳感器的不同類型，可分為主動式與被動式。此處討論被動式，被動式三維重建技術通過相機等傳感器從周圍環境中捕獲圖像，其原理通常為借助視圖的幾何原理進行空間位置計算得到目標的三維結構。 Olivier Faugeras等人于1995年提出的Realise系統，解決了從圖像序列中恢復場景中歐幾里得幾何形狀的問題。Steven M.Seitz等人1999年提出基于體色著色的三維重建算法，通過在以固定的可見性順序遍歷體素的離散場景空間中進行工作，避免了圖像匹配的問題，但仍對相機校正有較大的需求。PE Debevec等人在1996年提出一種基于稀疏靜態圖片進行三維建模的算法，結合了幾何原理和圖像處理技術，提升了重建效果。 以上工作均為三維重建領域比較經典的方法。除此之外還有基于深度學習的三維重建方法。 David Eigen等人在2014年提出的基于Coarse-Fine網絡的深度圖估計算法，通過建立兩個深層網絡分別從全局和局部進行估計，實現了尺度不變的深度圖預測。Christopher B.Choy等人在2016年提出3D-R2N2算法，采用LSTM網絡實現基于體素的三維重建，同時適用于單視圖與多視圖，然而算法耗時較為嚴重，精度不高。同年Haoqiang Fan等人提出基于深度學習生成點云的三維重建算法，利用深度無網絡直接從單張圖生成點云，解決單視圖生成3D信息的困難。 2018年，Nanyang Wang等人提出Pixel2Mesh算法，舍棄了點云、深度圖等形式，直接從單張RGB圖像生成3D mesh信息。多視圖三維重建算法相比單視圖需要更多的計算力，但所受到的外界約束條件也更少。在處理在線目標三維重建時，雙目視覺技術具有較好的表現，但仍需進一步縮短計算耗時，提升重建的穩定性。 無人機幾何特征。 通過對目標的幾何特征提取識別是在圖像上進行目標檢測最直觀有效的方案。最初基于圖像的目標檢測識別任務常用像素級的檢測方法，這種方法計算量極大，難以滿足當前高分辨率條件下實時檢測的要求；隨著計算機視覺理論的發展，出現了眾多的特征級檢測方法，通過圖像分割、目標提取與特征分析等手段，極大提升了目標檢測的速率與效果。目標檢測識別任務重，所提取目標特征的有效與否直接決定了目標檢測與識別的結果好壞，因此目標特征的提取是整個任務中最為關鍵的階段。 ? ?

單目標無人機幾何特征

近年來不論基于傳統算法還是深度學習的特征提取算法在單目檢測上均取得了很好的效果，針對單目標幾何特征定義上也比較熟悉。一般來說，單個目標基于圖像的特征主要可以定義為：長寬比，即目標bounding box的長寬之比；亮度均值對比度，即目標與北京平均亮度的比值；亮度范圍，即目標最大亮度與最小亮度；目標邊界等特征等。 在針對無人機的目標圖像特征提取任務重，比較難以克服的困難在于，傳統方法需要人為定義并量化特征，這一點并非不可實現，但是通過這種方法定義出的特征集合難以保證可以實現檢測的最有效，因為無法保證所提取出特征的代表性與有效性，而且人為定義的特征通常局限在目標的表層特征，相比之下深度神經網絡通過多層學習與擬合，能夠發覺出更深層次的特征，這類特征對尺度變化等特殊情況下坑你具有更高的魯棒性，這也是傳統方法在目標檢測上的效果略遜色于深度學習的一個原因。除此之外，檢測多軸無人機這類小型目標任務中，距離較遠情況下目標在圖像的范圍可能只有50x50像素大小的區域中，導致目標特征更加難以提取識別，對于目標的有效檢測造成了巨大困難。為了解決目標區域過小的困難，僅僅通過改進算法是不夠的，根本上需要在更有效的數據集上訓練。而現階段出現了越來越多的高分辨率設備能夠有效解決這一問題。 ? ?

集群目標無人機幾何特征

單目標無人機外觀形狀固定，幾何特征方便定義與提取。相比之下，無人機集群目標的幾何特征難以定義，原因在于特征應為通用、固定、可預測的性質，而無人機集群目標結構多變，且通常還涉及節點增減的情況，直接定義集群目標的幾何特征具有非常大的困難。 從反無人機集群任務總體角度考慮，對無人機集群進行識別的意義在于描述無人機集群的空間結構，找到集群空間結構的弱點，進而實現對無人機集群目標的有效反制。因此，無人機集群目標的幾何特征重在描述，并非無人機集群目標檢測任務的過程，而是結果。針對無人機集群目標的檢測任務，需要結合對單目標檢測與集群節點幾何機構構造來實現從點到群的轉換。 定義無人機集群目標幾何特征是為了實現對目標進行最有效反制。對無人機集群的反制手段主要分為對單一節點反制與對群集點反制，結合反制手段的特點，無人機集群目標的幾何特征可以定義為節點數目、集群長寬高比例、節點密度、最大最小截面等。 ? 綜合上述特征識別技術思想，結合無人機集群反制任務的具體場景與要求，將集群目標的幾何特征定義為： 1.集群中各節點相對密度，反應集群目標的幾何特征表現為集群中各個區域節點密度程度，即各節點到其他節點的平均相對距離，按照由密集到稀疏的順序排列，這樣的特征有利于僚機集群哪些區域適合集群反制，哪些區域適合定點反制措施； 2.針對定點反制類型的反制措施，集群目標的幾何特征表現為各節點到觀察位置的距離向量，向量中各元素按照從小到大順序進行排列，這樣的特征有利于定點反制措施按照由近到遠的順序進行反制； 3.針對集群反制類型的反制措施，集群目標的幾何特征表現為各節點到其他節點處于集群反制措施有效范圍內的數目向量，向量中各元素按照從大到小順序進行排列，這樣的特征有利于找到集群反制措施最具有威脅的區域。 無人機集群必將飛入戰場，無人機集群與反無人機集群技術也必將成螺旋上升態勢。

編輯：黃飛

?