跨域异构无人集群智能协同技术发展研究

黄瑞怡 ,  贺宏伟 ,  华和安 ,  邓堡元 ,  井安言 ,  王耀南

中国工程科学 ›› 2026, Vol. 28 ›› Issue (4) : 132 -151.

PDF (11781KB)
中国工程科学 ›› 2026, Vol. 28 ›› Issue (4) : 132 -151. DOI: 10.15302/J-SSCAE-2026.01.037
低空经济关键技术发展战略研究

跨域异构无人集群智能协同技术发展研究

作者信息 +

Development of Intelligent Collaborative Technologies for Cross-Domain Heterogeneous Unmanned Swarms

Author information +
文章历史 +
PDF (12063K)

摘要

无人集群在“空天地海潜”多维空间加速应用，跨域异构无人集群智能协同技术成为未来无人系统技术发展的制高点。本文梳理了空中、地面、水域、跨域异构等无人集群的典型应用场景及国内外发展布局情况，凝练出跨域异构无人集群智能协同关键技术体系，涉及跨域通信与网络架构（含跨域集群有线与无线通信、集群动态自组网架构），跨域协同感知与信息融合（含异构数据处理与时空配准、分布式信息融合架构），跨域协同决策与任务规划（含任务分解与模型化表示、异构资源分配与动态重规划、博弈决策对抗），跨域协同控制与编队（含协同控制律设计与异构动力学、跨域编队保持与队形切换、群体一致性与稳定性分析），群体智能与涌现行为（含行为规则建模与局部交互机制，集群认知、学习和高级涌现）。进一步辨识了跨域通信资源受限、统一态势认知融合难、协同决策可解释性差、异构动力学控制稳定性不足、涌现行为动态调控难等核心挑战。面向未来，可沿着个体智能增强、集群体系进化两条发展主线，重点突破高可靠、自适应的跨域通信网络技术，增强集群边缘智能，深化集群任务驱动的自组织与涌现机制研究，构建具备学习和演化能力的自主协同与集群智能决策体系。相关内容为构建高自主性、标准化的跨域智能协同体系提供了基础方案，有助于未来无人系统领域的理论发展、技术突破和工程实践。

Abstract

With the accelerated application of unmanned swarms to multidimensional domains such as space, air, ground, sea, and underwater, intelligent collaborative technologies for cross-domain heterogeneous unmanned swarms have emerged as a focal point for future unmanned systems. This study analyzes the research status as well as domestic and international development trends of typical application scenarios, including aerial, ground, aquatic, and cross-domain heterogeneous unmanned swarms. Subsequently, it summarizes core technologies of cross-domain heterogeneous unmanned swarms. These technologies involve cross-domain communication and network architectures (including cross-domain swarms wired and wireless communication, and dynamic ad-hoc network architecture), cross-domain collaborative perception and information fusion (including heterogeneous data processing and spatiotemporal registration, and distributed information fusion architecture), cross-domain collaborative decision-making and task planning (including task decomposition and model-based representation, heterogeneous resource allocation and dynamic re-planning, and game-theoretic decision-making and confrontation), cross-domain collaborative control and formation (including cooperative control law design and heterogeneous dynamics, cross-domain formation keeping and formation switching, and swarm consensus and stability analysis), as well as swarm intelligence and emergent behaviors (including behavioral rule modeling and local interaction mechanisms, and swarm cognition, learning, and higher-level emergence). Moreover, major technical bottlenecks are identified, namely constrained cross-domain communication resources, difficulties in information fusion for situational awareness, weak interpretability of cooperative decisions, insufficient stability of heterogeneous dynamic control, and challenges in dynamic regulation of emergent behaviors. Additionally, from the perspectives of individual intelligence enhancement and swarm system evolution, this study highlights the importance of breakthroughs in highly reliable and adaptive cross-domain communication networks, improvement in swarm edge intelligence, in-depth research on task-driven self-organization and emergence mechanisms of swarms, as well as construction of autonomous collaboration and swarm intelligent decision-making systems with learning and evolutionary capabilities. This study aims to provide solutions for building a highly autonomous and standardized cross-domain intelligent collaborative system, and contribute to the theoretical development, technological breakthroughs, and engineering implementation in future unmanned systems.

Graphical abstract

关键词

无人集群 / 跨域异构 / 跨域通信组网 / 协同感知 / 协同决策 / 群体智能

Key words

unmanned swarms / cross-domain heterogeneity / cross-domain communication networking / collaborative perception / collaborative decision-making / swarm intelligence

引用本文

引用格式 ▾
黄瑞怡,贺宏伟,华和安,邓堡元,井安言,王耀南. 跨域异构无人集群智能协同技术发展研究[J]. 中国工程科学, 2026, 28(4): 132-151 DOI:10.15302/J-SSCAE-2026.01.037

登录浏览全文

4963

注册一个新账户 忘记密码

一、 前言

无人系统综合了机械、自动控制、通信、人工智能（AI）等学科技术，成为提升工作效率、降低人力成本、突破人类能力边界的重要工具。随着AI、通信、物联网等信息技术的快速发展，也与社会需求的改变密切相关，无人系统正在从单平台、单域作业朝着多平台、跨域协作的集群化和智能化方向发展[1]。传统的单域或同构集群受限于物理域特性与功能同质化，难以应对更为复杂的多维任务需求。跨域异构无人集群作为一种新型作战和生产方式，整合陆地、海洋、空中、太空等物理域的无人平台，依靠协同感知、信息融合、任务分配、协同控制形成优势互补、能力倍增的有机整体，在军事、民生两大领域取得效能突破[2]。

跨域异构无人集群智能协同是AI与无人系统交叉融合的前沿领域，近年来吸引了学术界和工业界的广泛关注。世界科技强国均在跨域协同领域开展了战略布局，跨域异构无人集群产业呈现军事应用驱动、民用场景跟进的发展特点。① 在军事领域，战场环境趋向高动态、强对抗、全域渗透，单域或同构集群难以满足未来战场环境下对全域感知、协同决策、灵活响应的迫切需求。空中无人机集群虽然具有良好的机动性能，但自身的续航能力、计算能力有限，对地打击的精准度受天气影响较大；地面无人车集群适宜开展近距离突击，但受到复杂地貌的牵制，难以机动灵活地实施调度；水域无人艇集群用来执行水面封锁任务，但对空、对潜的感知与打击能力不足[3]。对应地，跨域异构无人集群在整合陆、海、空、天等多域异构平台的基础上，能够弥补单域平台在环境适应性、任务持续性、功能完备性方面的不足，支持多域协同作战的体系联动，成为体系效能全面提升的关键突破口。② 在民用领域，单域或同构集群因功能单一、环境适应性不佳而难以拓展市场规模。对应地，跨域异构集群可将多域资源进行融合，成为破解诸多民生痛点的有力依托。在应急救援方面，单域无人机能完成灾情侦察和物资调运，但无法实施人员搜救；地面救援机器人受限于机动性和探测能力，难以快速深入到核心灾区；将无人机、地面机器人进行协同[4]，可实施空地一体化救援。在水域环境监测方面，单域卫星可实现大范围覆盖，但分辨率偏低而致精准定位污染源困难；无人机监测精度高，但难以开展定点采样与长期连续监测；无人艇可长时间地执行水体动态监测任务，但探测效率不高；采用卫星、无人机、无人艇等组成跨域异构集群，构建包括天基扫描、空基探测、水面追踪在内的多维立体能力，支持水域污染全生命周期管理。

异构平台之间的互补性成为集群跨域协同的逻辑基础。目前，研究焦点已从作为单域集群基础的形状控制转向更为复杂的跨域通信、分布式感知融合、高韧性群体智能演化等。然而，跨域异构集群的规模化、实战化应用仍存在诸多瓶颈，不同域平台在动力学特性、通信链路、感知维度、任务周期上具有显著的差异性，加剧了环境高度复杂、信息交互受阻、协同决策控制困难等一系列应用难题。本文以跨域无人集群的异构特性差异为研究切入点，梳理智能协同技术在军民领域的典型应用场景和发展现状，凝练跨域通信、感知、决策、控制等核心技术与关键瓶颈问题；从个体智能增强、集群体系进化的角度展望智能协同技术发展方向，为构建高自主性、标准化的跨域智能协同体系提供基础方案。

二、 跨域异构无人集群智能协同技术的应用场景与发展布局

面向军事和民生需求，无人系统衍生至“空天地海潜”多维空间，支持构建了种类繁多、功能各异的无人平台（见图1）。随着无人系统应用规模的爆发式增长，发展重心正在由单体平台转向集群化协同。鉴于卫星集群应用尚处于起步阶段，文中讨论聚焦空中、地面、水域以及跨域无人集群4类典型应用场景。

（一） 典型应用场景

1. 空中无人集群

空域中的无人系统主要为无人机，具有高的机动性、部署灵活性，不受地形限制且探测范围广。在民用领域，无人机多用于物流配送、农林植保、基础设施建设及巡检[5]、测绘遥感[6]、飞行表演等。近年来，无人机集群技术发展迅速，相关应用已实战化、产业化。在军事领域，无人机主要用于侦察监视、打击支援、电子对抗等。美国部署了“灰山鹑”“郊狼”“小精灵”等无人机集群项目，用于分布式空中作战。在现代战争实例中，自杀式无人机集群（117架）用于协同攻击，造成对方空中资产的不对称损失；无人机集群（百余架）配合弹道导弹实施饱和攻击，以大量消耗对方防空弹药，进而大幅提升己方导弹突破率。在民用领域，由于应用环境简单、通信稳定可靠，无人机集群规模更为庞大，目前单台电脑控制无人机数量的最高纪录是15 947架（无人机编队飞行表演）。

在空域场景下，无人机集群化的核心依托是采用分布式对等协同模式并辅以主从“领航 ‒ 跟随”协同模式。对于常态空中巡航场景，集群按预设网格队形进行分布式广域覆盖，个体之间通过低时延自组网共享位置及感知数据，自主完成队形保持与任务区域划分。对于空中目标识别、设备故障、环境干扰等突发场景，采用事件触发式响应机制，由率先发现目标的节点作为临时领航节点，向集群广播触发指令，集群在毫秒级时延内开展任务重分配、队形重构、协同动作响应；如单节点失效，剩余节点自动补位以保障任务连续性。

2. 地面无人集群

陆域无人系统主要包括轮式、履带式、足式地面无人车以及仿生机器人等，机动性较好、通信可靠、可装备较多载荷，但易受地形条件制约。地面无人集群在民用领域广泛应用于物流配送、城市服务、工农业生产、应急响应等，在军事领域主要用于协同作战、巡逻反恐、后勤保障等。近年来，地面无人集群应用稳步推进。在天津港C段的智能化集装箱码头，多台无人搬运车高效协同作业，支持复杂场景下的灵活调度并自主驾驶，提升了港口集装箱的搬运效率。广州小马智行科技有限公司采用“领导 ‒ 跟随”编队模式形成卡车编队，在高速公路上测试了跨省份货运服务。菜鸟网络科技有限公司研制的无人快递车队（>30台）可协同执行快递末端配送工作，配送范围覆盖了目标片区的绝大部分线路。国外研发了由5台机器人组成的战斗机器人分队方案（包含指挥车、战斗车、运输车），可协同执行城市巷战、火力支援任务。国内相关企业研发了由4只机器狼组成的作战分队方案，可协同执行高危险性的侦察打击任务。

在陆域场景下，地面无人集群的核心依托是采用分簇分层协同模式，按照功能分为侦察簇、执行簇、保障簇3类。簇内采用近距离、高可靠通信以实施精细化协同，簇间通过网关节点保持任务联动。针对民用物流、港口作业等结构化场景，多采用预设流程、动态微调的周期响应机制，按照任务时序完成固定流程的协同作业；如遇到障碍物、路径拥堵，则自动触发局部路径重规划。针对军事巷战、应急救援等非结构化场景，多采用人在回路的混合式响应机制，先由集群自主完成环境感知、目标识别、初步方案规划，再由操作人员完成关键决策核准；如遭遇突发威胁，自主触发紧急避险、火力支援等协同动作。

3. 水域无人集群

水域无人系统主要包括无人船／艇、无人潜航器，操控难度相对大，运动易受环境扰动，航行速度慢，通信困难。在民用领域，无人艇集群逐步迈向实际应用，主要承担海洋测绘与调查、风电场和油气田运维、水面救生、环境监测等任务。在军事领域，无人艇集群因高的效费比、部署灵活、完全自主的特点，极有可能颠覆现有的海战规则，成为各国重点发展的海上作战力量[7]，应用场景有侦察监视、反水雷作战、反潜护航、海上安全、非对称作战及防御；正在从科研试验、演示验证逐步转向常态化的海洋作业、潜在的军事部署，在需要大范围、高效率、长时间执行任务的场景中展现出突出潜力[8]。2018年，珠海云洲智能科技股份有限公司演示了较大规模无人艇集群的队形保持、自主变换、协同避障、容错控制等技术。自然资源部南海调查中心使用多条无人艇对近海海底进行了协同海上测绘，将调查测绘效率提升了数倍。此外，在现代冲突中由低成本无人艇构成的海上集群用于向高价值舰艇目标发起突袭和围攻，获得了完全不对称的战损比。

水域无人集群的核心依托是采用水面 ‒ 水下分层主从协同模式形成协同架构，以水面无人艇作为集群的通信中继与指挥枢纽、水下无人潜航器作为集群的前端执行节点。针对海洋测绘、环境监测等常态化任务，集群采用网格化分区协同模式，按水域特征自主划分作业分区，水面、水下节点同步开展面状覆盖测量；结合应用周期同步响应机制，以固定时间间隔实施数据回传与作业进度校准。针对反水雷、反潜等军事任务，集群采用主从联动的事件触发响应机制，水下潜航器发现疑似目标后通过水声链路向水面艇上报，水面艇同步调度周边集群节点抵近确认、协同识别，同步开展目标定位、数据上报、处置方案规划。

4. 跨域异构无人集群

跨域异构无人集群指由不同空间域、不同功能类型的无人平台组成，通过协同感知、决策与控制实现“1+1>2”效果的群体智能系统，与单域／同构集群的差别如表1所示。在融入单域／同构无人集群特性的基础上，跨域异构无人集群具有良好的发展前景，相应的协同范式、典型应用场景如表2所示。跨域异构无人集群作为未来无人系统发展的重要趋势，通过多域平台功能互补、智能协同来突破单域／同构集群的能力边界，在军事场景中能够发挥体系应用优势，在民用场景中能够提升服务质量和效率。

典型的跨域协同方式有“陆空”“海空”“海潜”“海空潜”“陆海空”“陆海空潜”。其中，空域节点主要执行快速机动、广域感知任务，水面／地面节点主要执行灵活机动、精细作业任务，水下节点主要执行隐蔽行动、抵近观察任务。通过优势互补，跨域异构无人集群在民用、军事领域展现出独特的应用价值。在民用领域，执行跨域一体化救援、跨域物流网络建设、多域环境监测与生态治理、立体化城市基础设施巡检等任务，推动海洋经济高效开发、低空经济快速发展、智慧城市高效建设。在军事领域，执行立体态势感知、多域协同打击、反介入／区域拒止、联合侦察等任务，体现低成本、高弹性、强突防的分布式体系优势，推动无人装备智能化发展、新域新质作战力量形成。2018年，在央视春晚珠海分会场的“陆海空”无人集群灯光秀上，无人船、无人车、无人机集群灵活协同变换队形，无人船编队的规模更达到81艘。2025年，南方科技大学研究团队建立了由无人机、无人艇、无人潜器构成的跨域异构集群，完成海洋环境监测试验，推动了无人化、立体化、智能化的海洋环境动态监测技术发展。

针对不同的跨域组合场景和任务需求，形成了差异化的跨域异构无人集群协同模式与响应机制。① “陆空”跨域场景，采用空中广域感知，地面精准执行的主从协同模式，以无人机为全局感知节点、地面无人平台为前端执行节点；在常态下，应用周期同步响应机制，无人机按固定周期开展全域侦察，向地面平台同步环境地图与路径规划信息；遭遇突发险情、目标识别等事件时，触发空地联动应急响应机制，无人机实时回传目标画面与定位信息，地面平台同步调整行进路线，协同执行目标处置、人员救援等任务。② “海空”跨域场景，采用空中广域搜索、水面抵近核查的分层协同模式，固定翼无人机开展大范围海域扫描，无人艇执行重点区域抵近探测与作业；在常态下，应用分区异步响应机制，无人机和无人艇按预设分区实施作业、按固定时间节点开展数据同步；发现疑似目标、污染区域等事件时，触发空海协同聚焦响应机制，无人机持续跟踪目标并向无人艇广播实时位置，无人艇快速抵近开展精细化探测、采样与处置。③ “海空潜”跨域场景，采用空中全局监视、水面中继管控、水下抵近执行的三级分簇协同模式，以无人机为广域感知层、无人艇为通信枢纽与管控层、无人潜器为水下执行层，成为跨域协同复杂度最高、应用最广泛的场景；在常态下，应用层级化周期响应机制，各层级按自身作业周期执行任务，通过水面中继节点开展数据交互与任务校准；针对反潜、海洋立体观测等核心任务，应用跨域联动事件触发响应机制，水下潜航器发现疑似目标或异常水文数据后通过水声链路向水面艇上报，水面艇同步调度无人机开展空中大范围警戒、周边潜航器执行协同抵近探测，实施跨水空介质的多节点协同响应以及目标精准识别、定位与持续跟踪。

（二） 国内外发展布局

世界科技强国将发展跨域异构无人集群视为抢占竞争制高点的战略举措，发布了相应的发展战略与技术路线图。跨域异构无人集群是AI技术、无人技术高度融合的产物，代表着未来作战样式的发展趋势，也将极大改变战争形态和军事理论。国内外无人集群的发展布局情况如表3所示。

在国际上，跨域融合、全域联动逐步成为无人系统的核心演进方向。在战略层面，美国提出了联合全域指挥与控制概念，以全作战域优势力量融合的方式，形成数据全域共享、AI决策优势、跨域协同、开放系统架构、去中心化网络。在技术验证层面，进攻性蜂群使能战术项目推动了小型无人机、无人车异构蜂群在城市内与小规模部队的协同作业，“沉默蜂群”系列测试进一步验证了无人艇、无人机跨域异构集群在电磁环境下的任务执行能力。在近年的地缘冲突中，各种无人系统及其组成的跨域异构无人集群得到频繁应用，形成的非对称优势受到高度关注；相关国家组建了无人系统部队，在扩大无人系统军事应用、持续创新协同范式方面取得显著进展，标志着无人集群已进入体系化、规模化的应用阶段。

我国也从领域顶层设计、项目实践层面出发，积极推动跨域异构无人集群智能协同技术的融合发展。《新一代人工智能发展规划》（2017年）将自主无人系统的协同感知、决策、控制、群体智能等跨域异构无人集群关键技术列为重点突破方向，在促进无人自主系统发展方面进行了系统布局。2022年，“智能敏捷海洋立体观测仪”重大科研项目以智慧母船为载体，集成了无人船群、无人机群、无人潜器群、智能浮标群，构建了“海空潜”跨域异构无人集群；以多域协同、智能组网的方式，高效机动地获取了高分辨率的海洋环境信息，促进了海洋观测技术从“点”“线”监测向智能立体感知的跨越式升级。

鉴于海洋的立体空间优势最为突出，目前海域与其他域的融合最为密集。“海空（潜）”跨域异构无人集群成为研究热点，海洋观测与资源开发、海上无人装备部署分别是各国经济和军事领域的发展重点。无人集群正在向多域化、智能化演进，也从简单的预设编队转向有人／无人智能协同。当然，跨域异构无人集群的群体智能优势仍待充分开发，集群规模也有显著的提升空间。

三、 跨域异构无人集群智能协同的关键技术体系

不同于单域／同构无人集群，跨域异构无人集群具有以下特征：多域通信的跨介质性，不同介质中链路的带宽、时延、可靠性存在数量级差异，导致跨介质链路面临通信中断、长时延、低带宽等极端约束；物理环境异质性，集群跨越不同物理域空间与介质，并非单纯的平台类型异构；任务目标的全域性，集群服务多域覆盖的复杂任务（而非多个单域任务的简单叠加），需围绕全局任务目标进行多域资源的协同调度（而非单域性能的局部最优）；平台能力差异性，不同域平台的动力学特性、时空基准、感知方法、通信能力、算力资源存在显著差异，远超单域平台的异构程度。为了实现跨域异构无人集群的多域平台功能互补与体系联动，构建“感知　‒　决策　‒　控制”闭环成为发展亟需，主要涉及跨域通信与网络架构、跨域协同感知与信息融合、跨域协同决策与任务规划、跨域协同控制与编队、群体智能与涌现行为5类关键技术（见图2）。

（一） 跨域通信与网络架构技术

跨域异构无人集群通信与网络架构是实现多域多类型无人平台协作的使能技术，核心目标为构建具备动态自组织、强抗干扰、低延迟、高带宽保障能力的弹性网络，支持开展各种集群任务。为满足跨域协同任务对通信网络的核心需求，针对“海空潜”协同反潜、全域应急救援等任务，应实现跨水空、跨陆空介质的全链路双向通信，保障态势数据和控制指令的低时延、高可靠传输，同时适配大规模集群节点的动态组网需求，应对强对抗、复杂环境下的通信干扰与节点失效问题。

1. 跨域集群有线与无线通信

跨域异构无人集群的通信手段主要分为有线、无线两类。有线通信（如使用电缆、光纤）具有带宽高、损耗低、稳定性强的特点，常用于深海有缆潜器与水面无人艇通信、光纤无人机与地面站通信等场景，适配水下有缆潜器与水面母船定点作业、固定翼无人机系留驻空等对通信稳定性要求极高的任务场景；但受到线缆约束，不能随意移动，无法灵活部署。无线通信更加多样化，包括卫星、地面移动通信、电台、水声、可见光、无线局域网等，适配集群大范围机动、动态协同作业等移动任务场景。

水下平台主要依赖水声通信，信息传输距离为数百米至数十千米，但可用带宽极窄（仅能传输压缩图像等数据）、传输时延大，也易受水文环境、多径效应、多普勒频移的严重干扰[19]。水面和空中平台主要依赖射频电磁波通信，带宽高且速率快，但射频电磁波在水中急剧衰减而致入水穿透能力极弱；虽然传统的超低频／极低频电磁波能够穿透数十米至数百米深的水体，但传输速率极低，仅能单向传输简单指令。跨域异构集群在执行协同反潜、水下目标侦察等任务时，需要进行实时态势共享、编队控制指令下发、海量传感器数据（如高分辨率声呐图像和光学视频）交互。为此，跨水空介质的通信网络必须突破现有的带宽与时延瓶颈，才能适应高带宽、低时延、高鲁棒性、自适应组网的严苛需求。

为了打通水域与空域、陆域的通信壁垒，潜在的解决途径与前沿技术方案主要有3类。① 基于异构平台中继的跨介质组网。以无人艇或水面浮标作为跨域通信网关（中继节点）并部署在水面，水下平台将探测数据通过水声链路发送给水面中继，水面中继开展协议转换后通过射频或卫星链路将数据高速转发给空中平台、岸基指挥中心，由此构建跨介质的间接互联网络，适配广域海洋观测、常态化巡逻等大覆盖范围的任务场景。② 基于蓝绿激光的高速跨介质通信。利用海水对蓝绿色光频段吸收系数较小、具有透射窗口的光学特性[20]，开展水下与水面／空中的直接跨介质光学通信。具有高带宽、低能耗、抗电磁干扰的优势，支持高速率数据传输，可解决声学通信带宽不足的问题，适配水下高清图像回传、实时协同探测等对带宽要求高的任务场景。面临水体复杂性（如海水浑浊、悬浮颗粒物、浮游生物散射）、移动平台收发端动态对准的物理难题，尚未见到公开报道的实装产品[21]。③ 激光致声等无中继前沿技术。利用空中发射的激光脉冲在水 ‒ 气界面引起局部水体热膨胀进而产生定向声波，可将携带信息的光信号转换为声波信号并传递至水下。精确控制的激光脉冲可产生高度集中的定向声波，使激光致声通信具有极强的方向性和隐蔽性而难以被截获，适配军事隐蔽侦察、特种作战等对保密性要求极高的任务场景。

2. 集群动态自组网架构

为实现无人节点高效协同，应借助有效的组网技术，保障状态、任务、指控数据的可靠传播，适配跨域任务中节点高动态移动、通信链路非对称、节点规模动态变化的核心需求。集群网络架构主要分为中心式、分布式（即自组网）两类，其中后者进一步细分为对等自组织网络、分簇自组织网络（见图3和表4）[22]。中心式网络依赖中心节点，中心节点一旦失效易致全网瘫痪。分布式网络具有去中心化、灵活、动态、自愈等特点，节点可自由加入或退出而不影响网络运行。分簇网络将节点划分为多个簇，簇内直接通信、簇间通过簇头转发，可显著降低路由开销，有利于负载均衡、可扩展性与稳定性提升。

分簇自组织网络的关键技术点有分簇算法、拓扑结构、路由协议。分簇算法针对网络节点进行优化划分，支持整个网络的智能组织与高效管理，典型的有低功耗自适应分簇层次结构（偏向能耗均衡）[23]、混合式能量高效分布式分簇（偏向综合能量、节点度、地理位置等选举簇头）[24]、基于移动性优化簇头选择（适用高动态场景）[25]。拓扑结构主要指网络中各节点之间通过通信链路进行互相连通的空间排列方式，是网络设计的主要骨架；按照连接与组织形式进行划分，常见的有星型拓扑、环状拓扑、总线型拓扑、网状拓扑、树型拓扑、混合拓扑等。路由协议是数据包从源头到目的地的传输路径选择机制，正在从确定性规则向自适应学习演进[26]，主要通过智能算法适配跨域任务中通信链路动态变化、任务优先级动态调整等需求。近年来，基于深度学习、强化学习等智能算法的路由协议成为研究前沿，通过AI技术提升路由决策的智能化水平，更好适应复杂和动态环境，满足跨域协同任务对路由自适应调整、高可靠传输的核心需求。

面向跨域异构集群组网，可优先采用分层分域设计方案，即在各物理域内独立分簇并适配拓扑，在域间通过专用网关进行互联，基于骨干网进行跨域协调[27]；需支持动态自适应拓扑，可根据任务、环境、节点状态进行实时调整，形成按需最优的连接能力。例如，在代表性的“海空潜”跨域异构无人集群协同探潜自组网中（见图4），按照“海空潜”域进行分簇组网、开展跨域通信与联动，适配协同反潜任务的分层协同、跨域联动需求。

（二） 跨域协同感知与信息融合技术

跨域协同感知与信息融合是无人集群具有高效性、鲁棒性任务执行能力的关键核心技术（见图5），也为后期的自主决策、控制优化提供直接支撑。跨域协同感知应满足跨域协同任务对环境态势感知的核心需求，面向跨域目标跟踪、全域态势构建、灾害应急侦察等任务，突破单域、单平台的感知局限，通过多域异构传感器的协同探测与信息融合，实施特定目标或环境的全域、高精度、高可靠感知，适配跨域物理条件异质性的约束条件。利用集群异构异质传感器的冗余性和互补性，克服单一平台、单个传感器视场受限、易受环境干扰、存在感知盲区等问题，获得全局化、高精度、高可靠的环境态势图，促进集群理解环境信息[28]。

当前的协同感知与信息融合面临两方面挑战：异构平台搭载的不同传感器数据表示不一致且平台本身并无时空上下文，无法准确界定数据的同物同像关联性；不同域信息获取手段相对固定且属于不同任务，感知语义性较弱。因此，有必要将异构平台之间不同的信息空间进行转换，如针对光学、雷达、声纳、红外等异构传感器数据，建立高精度的统一时空框架，进行不同坐标系、不同时标下数据的配准关联。鉴于无人集群通常规模庞大、通信受限、任务动态，集中式的融合架构效率低下、鲁棒性差，较多采用分布式信息融合架构，构建一致、实时的全局或局部态势图，开展跨域环境下的全天候、高精度协同感知。

1. 异构数据处理与时空配准

异构数据处理与时空配准技术是无人集群跨域协同感知和信息融合的基础，应满足跨域任务对感知数据时空一致性的基本要求，支撑任务的精准执行。跨域协同意味着平台和传感器类型高度异构，开展有效融合的前提是将传感器信息在不同模态、坐标系、时间戳下的数据进行时空配准与精确融合处理。在传感器数据融合模型中，不同模态的分支独立执行相同或不同程度的特征编码，再通过特定策略对生成的数据进行融合。各模态数据在融合过程中的应用层级决定了具体采用的融合策略[29]，而融合层级的选择取决于任务对感知精度、通信开销、处理时延的综合需求。近年来，随着AI技术尤其是机器学习的迅速发展，信息融合从传统的统计分析方法向数据驱动的智能学习方法演进。端到端学习模式能够直接从原始数据中自动挖掘和学习潜在特征，基于融合任务的整体目标进行优化，显著降低对人工规则与经验的依赖；支持协同感知系统从海量数据中自动识别复杂模式、异常状态、发展趋势，更快更准地发现新型威胁、识别关键事件、预测未来态势[30]。

此外，异构传感器在不同介质（空气、水、地面）中的噪声、误差、失效模式截然不同，需要进行传感器数据不确定性建模（如采用高斯概率模型[31]来显式地建模每种传感器数据的置信度和协方差），提升复杂环境下跨域任务感知结果的鲁棒性。

2. 分布式信息融合架构

跨域异构集群执行的任务类型多样，不同任务对信息融合的层级、时机、内容等要求各异。从融合层级看，面向目标识别的任务（如海上目标分类）适宜采用特征级融合，在特征空间整合多源信息以提升判别能力；面向全局态势感知的任务（如协同反潜搜索）依赖决策级融合，可在各平台独立完成局部判断后再进行一致性融合，以增强系统鲁棒性[32]。从融合时机看，在高动态对抗场景中需采用实时连续融合以支撑快速决策，而在环境监测等准静态任务中可采用周期性融合或事件触发融合以降低通信与计算开销。从融合内容看，协同定位任务要求融合原始位置观测或状态估计，协同侦察任务则关注融合后的语义信息（如目标类型、威胁等级）。

多传感器信息融合可分为集中式、分布式、混合式3种架构。大部分研究使用分布式信息融合架构[33]，核心环节是任务分解，利用不同传感器的数据形成局部判决，在进行融合后形成全局判决；适配跨域任务中通信带宽受限、节点分布范围广的约束条件，具有更强的抗毁性，适应军事任务高可靠性的需求。为了降低通信负荷，可采用边缘计算与局部特征提取方法，同步进行节点信息的预处理和压缩、提取高层级的语义特征、只传输特征向量而非原始数据流[34]。多传感器信息融合通常采用一致和协同的方法得到可靠且确定的描述，最终使所有节点对全局态势达成一致的估计，主要涉及概率统计[35]、滤波估计[36-37]、深度学习3类方法。使用神经网络进行信息融合也是有效的做法，通过数据驱动和自动学习进行多源信息的自适应深度整合[38-39]，极大提升系统对复杂环境的感知能力与决策精度，适配集群在非结构化、未知环境下的跨域探索、应急救援等任务需求。融合效果也需进行多维度评估，核心指标有精度、一致性、时效性等，应在任务约束下平衡各类指标；常采用多目标优化方法，将各类指标纳入统一框架，通过调整参数实现自适应融合。

（三） 跨域协同决策与任务规划技术

跨域协同决策与任务规划是无人集群由环境感知递进到执行任务的重要环节。为了满足跨域协同任务对全局任务优化、动态响应处置的核心需求，针对大规模跨域协同作业、多目标协同打击、全域应急救援等复杂任务，将高层级任务目标拆解为可执行的子任务，确保跨域异构平台资源的全局最优分配；应对环境动态变化、节点失效、目标突发等场景开展实时动态重规划，保障任务的连续执行。结合集群任务规划要求，在复杂、动态的跨域环境中快速、鲁棒地将高层任务分解并分配给异构平台，实时调整每个无人节点的角色和任务[40]。

跨域集群的决策规划多采用分层式架构。在宏观决策层，针对无人机、无人车、无人船等异构平台在动力性能、载荷能力、续航里程方面的显著差异，将顶层任务向行为级指令的映射建模为多目标优化问题，再利用启发式算法、数学规划求解全局最优配置。在微观执行层，引入分布式智能决策机制，依托多智能体强化学习或群体智能算法，在去中心化条件下通过集群的自主协商进行任务实时指派，使集群在去中心化条件下开展自主协商与动态任务重分配（见图6）。这种分层与分布式相结合的规划体系，不仅保证任务执行的全局最优性，也显著增强通信受阻或单点失效情况下的系统鲁棒性。

1. 任务分解与模型化表示

任务规划的核心是将用户输入的高层任务目标转化为集群可执行的子任务集合，进而建立高效的表示模型。从同构节点简单独立任务的瞬时分配，到异构节点复杂关联多步骤任务的长时间调度，多机器人任务分配的复杂度差异极大，因而不同任务之间的逻辑约束和时序依赖成为决定任务规划难度的重要因素[41]。通常建立分层规划框架，采用分层任务网络将复杂的跨域任务分解为子任务，通过跨智能体的交互来明确子任务之间的逻辑约束和时序依赖，进而降低跨域任务的维数，适配大规模、多阶段复杂跨域任务的规划需求。为了便于集群中的异构智能体进行分布式计算，可将抽象的无人系统任务拆解成离散的逻辑符号组合，对任务目标、资源约束、高动态化的任务进行建模；相应的研究方法有经典符号范式、神经 ‒ 符号增强范式、任务 ‒ 运动集成范式、跨模态语义融合规划范式等[42]，具体选择取决于任务的复杂度、动态性、可解释性要求。

2. 异构资源分配与动态重规划

跨域集群的优势在于平台续航、载荷、速度、感知范围等的异构化，但集群的规模对规划系统解决任务与资源适配提出了需求。例如，在进行多目标任务分配时，协同规划应权衡多个冲突的目标（如最小化任务完成时间、最小化能源消耗、最大化感知覆盖率、最小化通信风险），以找到满足不同性能需求的折衷方案[43-44]；针对“空海潜”跨域集群的平台差异大、时空同步约束严苛难题，构建了单阶段协同规划框架，精准量化异构平台的协同等待成本，结合智能优化算法进行高效求解，获得了有效的跨域时空协同任务规划[45]。另外，针对大规模跨域集群任务对规划实时性的需求，可采用分布式智能算法来降低计算复杂度。例如，应用基于两层优化机制的动态任务规划方法，将全局任务分配建模为动态车辆路径问题并采用深度强化学习方法进行求解，再结合局部路径规划实现通信受限场景下的快速资源分配与重规划[46]。

3. 博弈决策对抗

跨域环境的动态性极强，任务执行过程中极易发生突发通信中断、目标移动、环境突变等情况，因而集群需有实时在线重规划能力。在进行博弈决策时，可采用知识驱动、数据驱动的方法[47]：前者基于规则与逻辑模型，确保决策的可解释性与安全性；后者（如深度强化学习）从交互数据中自主学习复杂策略，可适应动态环境。为促进知识驱动、数据驱动方法的融合，可采用知识引导的强化学习、神经符号推理等混合框架，以知识驱动的方式提供约束与引导，规范搜索空间与行为边界；以数据驱动的方式进行大规模优化与自适应，建立面向复杂博弈场景并兼有可靠性、智能性、可扩展性的决策系统。多智能体强化学习是支撑任务规划与决策的关键方法[48-49]、未来开展任务策略自适应的依托，许可集群与环境交互来学习最优的协同策略，适应复杂且非线性的跨域决策场景。

（四） 跨域协同控制与编队技术

跨域协同控制与编队是集群从决策到行动的关键环节，涉及底层的动力学、群体行为协调等技术难题。为了满足跨域协同任务对集群行动精准执行的核心需求，针对跨域编队航行、协同目标跟踪、队形协同变换等任务，应克服不同域平台动力学特性的强异质性，实施异构平台的协同运动控制，保障集群精准且稳定地执行规划出的任务轨迹与队形；有效应对跨域环境中的复杂扰动与外部干扰，确保任务的可靠执行。相关控制算法的设计需围绕任务对控制精度、稳定性、响应速度等核心要求展开[50]。

1. 协同控制律设计与异构动力学

跨域集群包含空中、地面、水面、水下等平台，各自的运动学和动力学模型差异显著，对设计统一的控制方法构成直接挑战。为了实现不同平台控制指令的统一生成与精准适配，满足协同编队、同步行动等任务的核心需求，应建立异构动力学统一控制框架[51]。跨域环境中的风浪流、水下密度变化等未知外部干扰常态化存在。为此，根据仿生学设计了多无人机的运动模型，可根据环境调整集群的区域覆盖率和连通性[52]；针对集群分组编队控制问题，设计了自适应分组编队“跟踪 ‒ 包含”控制律，以实时调整控制参数的方式抵消外部干扰和内部参数不确定性，保证控制系统的稳定性和精度，适配高扰动环境下的跨域任务[53]。

2. 跨域编队保持与队形切换

集群需要维持特定的队形（如三角形、直线、分散网格）以优化感知覆盖或适应战术需要，也应在跨域转换时平滑地进行队形重构[54]。对于广域搜索任务，一般采用分散网格队形获得最大化的区域覆盖；对于协同探测任务，多采用三角形、梯形队形开展多视角协同观测；对于护航和警戒任务，多采用环形、扇形队形提供全方位防护。编队保持控制是关键技术，在定义期望的相对距离和角度的基础上，设计出基于误差反馈或人工势场法的控制律[55]，引导无人平台在满足自身动力学约束的前提下朝着期望队形收敛。其中，基于一致性的编队控制是分布式编队的基础，通过相邻节点之间的信息交互（如位置、速度信息）使所有个体对期望的队形误差达成一致。例如，针对复杂受限环境下的集群导航问题，提出了时空联合优化轨迹规划方法，在满足避障、防撞、动力学可行约束的条件下实现无外部设施支持的微型无人机集群自主协同飞行[56]。在从一种域（如空中）进入另一种域（如地面）时，平台能力、最优队形都会发生变化，因而跨域队形切换与重构技术也是关键。可采用混合系统控制方法，将离散的切换逻辑与连续的控制律进行综合；设计出满足驻留时间条件的时变编队协议，确保队形切换过程中的过渡是安全且无抖振的[57]。

3. 群体一致性与稳定性分析

在分布式控制系统中，一致性是获得协同行为的数学基础。在集群的通信拓扑发生动态变化时，所有个体需在有限时间内对某一个共同变量（如速度、航向、位置）达成共识信息。一致性分析的重要准则之一是拓扑连通性，可应用代数图论来分析集群通信拓扑的连通性，确保在通信链路断开或拓扑改变时系统仍能维持一致性[58]。相应的控制律需要对通信延迟、丢包具有容忍度。在进行群体稳定性分析时，需要确保集群在执行协同任务时不会发散且能收敛到期望的状态；可基于李雅普诺夫稳定性理论，构造适当的李雅普诺夫函数，证明闭环控制系统的渐近稳定性或“输入 ‒ 状态”稳定性[59]。此外，集群在保持编队、执行任务的同时，需要自主避免与同伴或障碍物的碰撞。可采用多目标优化与分布式模型预测控制相结合的方法[60]，或将反应式避障融入协同控制律，确保个体在遵循编队指令的同时能够动态调整轨迹以满足安全距离约束。

（五） 群体智能与涌现行为技术

通过个体之间大量的局部交互和简单规则，可使跨域集群在宏观上展现出超越个体能力的涌现行为，形成自组织、自适应、自修复能力并汇聚成群体智能，契合复杂且高度自适应的任务目标[61]。跨域集群智能的研究重点在于设计底层的行为规则，在面对未知环境干扰时集群无需全局指令即可自发形成有序的运动模式，也在个体受损时自动重构功能网络，体现出超越个体能力总和的群体智慧。

1. 行为规则建模与局部交互机制

群体智能的基础是无人单体遵循的简单行为规则、无人单体之间的局部信息交互，相应规则的设计应以任务目标为核心导向，确保无人单体的局部交互能够收敛到服务于任务的宏观协同行为。受自然生物自组织现象的启发，可将群体行为规则抽象为分布式规则，如Boids模型[62]、Vicsek模型[63]等经典模型，适配集群编队、区域覆盖等基础任务需求。集群行为的性质很大程度上取决于无人单体之间的通信拓扑，可采用蚁群模型对群体之间的通信路由进行建模，进行路径选择并建立最合适的通信拓扑[64]；也可进行动态拓扑设计，使集群根据任务需求和通信环境自适应调整通信邻居[65]。在跨域场景中，集群的行为规则需适应异构平台、不同物理域的约束，且规则在跨域边界处应能平滑切换，如水下平台需要额外的浮力与深度以保持规则，空中平台应考虑气流影响和三维空间的碰撞规避。

2. 集群认知、学习与高级涌现

从简单的行为模仿到高级的集群认知和决策，需要引入学习机制。在进行群体认知学习时，可深入借鉴生物学机制，如欧椋鸟飞行[66]的无标度相关性、蚁群的信息素搜索、鱼群的规避机制、狼群的围捕策略[67]，通过仿生算法将生物集群的局部感知与交互原理映射到跨域无人系统[68]，是有应用潜力的做法（见图7）。集群之间个体的交互会产生复杂的有组织行为，从而构成涌现现象[69]。通过集群规则的分布式执行，系统能自组织地涌现出期望的全局能力，如自适应编队、弹性重组、分布式搜索覆盖。这种涌现智能的核心优势在于无需中央控制、抗毁性强，能动态适应复杂任务环境。多智能体强化学习也是实现集群自适应决策、复杂涌现行为的主要途径[70-71]。整个过程采用集中式训练、分布式执行的方式：在训练阶段通过中心化的调控来协调学习过程，在执行阶段个体仅依赖局部观测和通信进行决策。多智能体强化学习能够获得非直观的涌现协同策略，如在跨域协同侦察中空中无人机自发为地面无人车提供通信中继或视觉掩护，集群根据任务需求自适应地形成职能结构。基于个体的状态、能量、能力动态分配个体的任务角色，如在“空地”协同中能量充足、视野最佳的无人机可涌现为临时的领航者，提升集群的整体效率和鲁棒性。

四、 跨域异构无人集群智能协同面临的核心挑战与未来研究方向

（一） 面临的核心挑战

跨域异构无人集群虽在军事、民生领域展现出显著的应用价值与前景，也在相关理论研究、技术验证上取得了较为明显的进展，但相较规模化、高自主、实战化应用的长期目标而言仍面临诸多系统性、基础性、前沿性挑战，需要在技术、安全、规范等维度深化研究并取得突破。

1. 跨域可靠通信与动态组网难题

跨域异构无人集群的跨介质通信存在信道异构性（如水下 ‒ 空中通信依赖水面中继进行水声和射频信号的转换），通信方式的异构又引入了带宽、时延方面的差异。异构集群的不同类型节点具有很大的动态特性偏差，导致网络拓扑结构高动态变化，增加了架构的不稳定性，也易引发连接频繁断开等问题。大规模集群的协同感知和控制需要传输大量的感知与命令数据，但跨域特性通常导致通信资源受限、网络拓扑节点负载过高，进而降低集群的协同能力。通信网络的抗毁性与安全性仍显不足，易受电子信号干扰，或因部分节点失效而致大面积的通信故障；统一的通信协议依然缺失，不利于异构节点的快速接入和互操作。就大规模、高动态性、跨介质的节点而言，自组网依然存在路由效率、拓扑稳定、负载平衡、能耗等方面的问题。尤其是在远海、高空等资源受限或强对抗环境下，传统的网络架构难以支撑大规模集群的实时协同需求。为了构建“感、传、算、控”一体化功能并保持融合，亟待研发智能自适应跨域自组织网络。

2. 多源信息融合与统一态势认知瓶颈

不同域平台搭载的传感器，在模态、精度、视场、数据格式等方面迥异，且观测的时空基准不一致。在海量异步、异构、多源、多模态甚至冲突的数据流中开展精准的时空配准、完成特征级或决策级融合，进而建立实时、一致、高置信度的全局态势图，是跨域异构集群协同感知的关键挑战。当前的认知算法鲁棒性与泛化能力不够，难以经受多域对抗环境中强电磁干扰、复杂气象、欺骗性目标的考验。跨模态数据之间的语义存在着较大断层，很难形成统一的环境认知。此外，边缘计算、语义编码等前沿感知技术可以缓解网络传输带宽压力，但在有限的通信与计算资源条件下开展高精度、低延时的语义级融合仍是难题。

3. 协同决策最优性与可解释性难题

集群节点功能的异构性、协作任务的多目标性、交互环境的高动态性等因素引发了决策空间的高维度、强约束性、强非线性，传统的集中式或预编程规划不能快速响应集群节点的实时变化。现有的任务分配算法在超大规模异构集群上很难取得最优解，合作或对抗博弈决策难以实时且平滑地开展应用。分布式智能决策（如多智能体强化学习）应用前景良好，但在获得大量的优质样本、快速收敛至正确解、显著提升陌生场景下的泛化性等方面存在着制约因素。在军事或关键民用任务中，智能机器学习的“黑箱”特性难以满足对无人集群决策行为中的可预测性、可干预性、可审计性要求。同步开展人在回路的高效干预监管、集群高度自主决策，仍是集群决策研究的难点和挑战。

4. 异构动力学统一控制与稳定性风险

在跨域异构场景中，开展统一控制的底层技术瓶颈在于各类无人平台的运动维度、驱动能力、扰动机理存在强的异质性。在运动维度、驱动能力上，无人机具有三维空间内六自由度的高机动能力，无人艇受限于水面二维平面的三自由度而存在明显的欠驱动特性；无人潜航器虽具备六自由度运动能力，但受制于水介质的流体特性而致机动能力较差。在系统动力学与环境扰动机理上，无人机主要受气动力和外部风场的影响，而无人艇、无人潜航器受复杂的水动力学、风浪流等非线性海洋扰动的支配。这种时间尺度、动力学模型、物理约束上的显著差异，导致传统上基于理想化同构假定的协同控制框架在真实跨域环境中极易出现控制失配甚至系统失效。另外，集群中异构节点的机动性能、不同域中的子群架构稳定性不一致，导致跨域异构集群的编队切换过程容易出现队形不稳和突变。设计可兼容各类异构平台动力学特性、维持跨域协同运动的整体编队稳定、具有高效且安全避碰避障能力的分布式协同控制律极具挑战性。外部复杂扰动（如风浪流扰动、个体之间相互干扰）的建模与控制补偿、个体故障或通信中断条件下的集群鲁棒控制等，也是控制方向的关键挑战。

5. 群体智能任务驱动与自适应演进挑战

跨域异构无人集群由具有不同载体、功能、能力的无人平台组成，平台之间通信受限且感知与决策逻辑存在差异，通过分布式协同自发地演化出“整体大于部分之和”的智能行为是核心挑战。将跨域异构平台基于局部交互的简单规则转化为稳定、可控、可解释、紧密服务于全局任务的协同智能是研究难点。目前的群体智能模型可以产生一定的自组织行为，但缺乏对高层级任务目标的指引驱动。集群缺乏长期记忆和经验迁移能力，在新的环境下或面对新任务时难以利用过往经验。集群内节点的角色划分多是预设且非动态，难以针对具体任务需求、集群状态、环境动态来自适应重构个体的角色和职能。在带宽有限、时延不定的局部交互中，群体策略容易陷入局部次优解而难以高效收敛。群体智能涌现行为存在不可预测性、不可控风险，如在去中心化的局部交互网络中，微小的通信延迟、节点故障、局部环境突变，都极易通过节点之间的交互被不断放大，进而引发集群结构涣散、死锁、级联失效等非预期的崩溃行为。对于此类灾难性的涌现行为，当前的集群自组织过程难以实施有效的动态调控与干预。

（二） 未来研究方向

为了应对上述挑战，未来的跨域异构无人集群技术将主要沿着个体智能增强、集群体系进化两条主线发展（见图8）。

1. 个体智能增强

集群中的个体需要朝着具身智能、仿生融合方向发展，从根本上提升集群的边缘感知精度和决策效率，以解决跨域通信的资源受限难题。未来的单体无人平台将不再是被动执行单元，而是集环境感知、逻辑推理、自主决策、动态自适应于一体的独立智能体。应集成专用多模态传感器、高算力低功耗AI处理核心单元、多波段异构通信模块，发展“感知 ‒ 计算 ‒ 通信”一体化芯片，支持端侧无人平台执行实时建图定位、多目标协同识别、轨迹控制等复杂工作；以边缘智能的充分实现来缓解通信和中心计算的压力，进而降低对远端指挥中心、大带宽通信链路的依赖。在弱连接或强干扰的极端环境下，将边缘智能优势转化为更快的响应速度、更高的任务可靠性，同步开展本地化的敏感数据处理，协同提升作业过程的隐私安全性与系统抗毁性。

也应重点发展新型仿生系统、具备结构重构能力的变体平台。仿生机器人可充分利用自然界长期演化出的运动优势以增强环境适应性，在复杂且隐蔽的特殊环境中表现出远超传统刚性结构的机动性与生存率，起到利用形态智能优势化解异构集群稳定性风险的作用。更具前瞻性的工作是研发具有跨域变形能力的无人平台（如“陆海空潜”多栖航行器），通过物理形态的实时转换，在物理本质上降低跨域协同的逻辑复杂度。设计形态和运动模式可调的平台，允许平台根据任务需求动态调整运动模式与物理轮廓，也可根据任务变化来进行跨域变形，如水陆两栖航行器在空中高速巡航、水下隐蔽渗透之间无缝切换。研究具有形态感知与自适应重构功能的智能材料和作动机构，赋予平台随环境演变而自主优化几何参数的能力，成为下一代跨域无人系统突破环境约束、确保全域到达的核心驱动力。

此外，构建单个无人系统平台的高保真数字孪生体与虚拟世界，是加速个体智能进化、破解多源信息融合与统一态势认知瓶颈的关键路径。应用虚实映射、半物理仿真等技术，在虚拟世界中开展海量的训练和测试，加快感知、决策、控制算法的迭代速度，检验极端条件下的个体能力边界。在物理实体、数字孪生模型之间建立持续的实时数据流与统一时空基准，开展虚实平行世界交互，促进个体智能在执行任务的同时不断获得反馈并自我修正。这种虚实共生、在线进化的模式，将推动无人系统的感知、决策、控制算法随着任务经验的积累进行跨越式迭代，最终实现个体智能在全生命周期内的持续完善与自我优化。

2. 集群体系进化

集群体系朝着高度自主化和生态化方向迈进，核心在于构建标准化、开放式的软硬件底座。应制定统一且完善的同构与异构通信协议，定义标准化的模块化载荷接口与物理连接规范，支持无人平台节点乃至底层节点模块的快速接入、即插即用，提升集群在复杂任务中的可拓展性；也应允许不同厂家、不同领域的无人系统在统一框架下进行深度的资源整合。在软件定义功能、硬件通用化深度结合的基础上，集群可根据应用态势或作业需求，灵活调整任务配比，推动形成具有自我修复与快速重构能力的动态技术生态，显著降低系统维护成本并缩短新技术的应用转化周期。

针对跨域集群协同决策优化难题，应深化群体智能博弈决策研究，驱动集群架构由扁平化转向层次化、动态化。在实际部署中，可构建分工明确的“战略层 ‒ 枢纽层 ‒ 执行层”协同体系。基于数量众多、低成本、功能单一的节点构建靠近任务前沿的执行层，承担探测、感知、干扰等基础任务，以数量优势抵消单体损失，利用群体规模效应形成的感知网格为整体决策提供前沿支撑。由数量较少、长航时、高载荷能力的平台（如母船、高空长航时无人机）组成中间的枢纽层，担任跨介质通信的中继节点以打破“海陆空”链路的物理隔离，负责对前沿异构数据进行初步的融合与局部指挥，显著降低决策时延并提升任务连贯性。位于后方的战略层（如云端指挥中心）开展垂直大模型的持续训练与在线推理，实施全局态势深度认知、多方博弈决策、人在环路干预等，确保在宏观战略引导下集群具有应对极端不确定性环境的任务弹性和认知博弈能力。最终通过执行层、枢纽层、战略层之间的动态响应与协同演化，获得跨域空间内的全域最优效能。

在具体决策算法层面，针对集群智能决策的“黑箱”特性、可解释性难题，应发展知识和数据驱动的可解释AI技术。将专家先验知识、作业规则与深度学习网络相结合，构建可解释的决策模型。针对跨域协同控制方面的挑战，应逐步转向基于数据驱动的多智能体深度强化学习，以海量虚拟交互试错的方式直接学习出最优策略，绕开跨域物理建模机理不明晰、动力学强异质等困境。还可应用“云 ‒ 边 ‒ 端”协同控制架构，在云端进行大规模预测与强化学习训练，在边缘侧（如母船）、端侧（单一平台）进行分布式执行，解决异构平台算力不均导致控制不同步的问题。

进一步，针对群体智能任务驱动与自适应演进方面的挑战，应研究任务驱动下的自主组织和涌现智能，支持集群构建可应对极端不确定性环境的进化能力。根据高层任务指令，集群自主分解任务，开展功能簇头选举、资源优化分配。在执行过程中，集群敏锐感知外部态势变化（如遭遇通信强干扰、突发高价值目标或友邻节点损耗），实时触发队形调整、策略变换、任务逻辑重构。推动群体智能行为从人为预设的设计协同向自主产生的涌现协同转变，即通过底层简单规则的相互作用而在宏观上产生复杂智能行为，进而赋予跨域异构集群在极端环境下的卓越适应力与任务创造力。为了有效调控群体涌现伴生的风险，可引入仿生群体行为相变控制与演化博弈理论[72]。例如，借鉴自然界鸟群的相变现象，在系统位于失控临界点时主动诱导集群形态的安全切换（如从无序切换为聚集、盘旋等稳定形态）。通过有限理性节点的局部博弈与妥协，促使系统自动收敛至宏观稳态，应对未来集群面临的更加复杂挑战并实现真正的安全涌现。

未来的跨域异构集群系统将迈向人机协同共生模式，由人类智能、AI相互融合形成人机混合智能体系。人类可从繁琐的底层控制中解脱出来，专注于战略意图的全局设定、伦理规则的实时监督、关键临界点的决策与准许。同时，依托AI大模型强大的并行处理与海量数据挖掘能力，集群将自主完成宏观层面的优化模拟、复杂任务指令的精细化分解、实时任务路径规划。人机协同共生模式允许无人集群在人类的引导下自主开展面向复杂环境的编队协同、目标搜索等任务，既保证任务执行的自动化速率，又确保复杂决策的合规性与可靠性。

五、 结语

跨域异构无人集群是未来无人系统的主导发展方向，具有多域覆盖、能力互补的突出优势，将显著提高无人系统的任务执行效能和抗毁水平。本文聚焦跨域异构无人集群智能协同技术，立足多维空间复杂任务需求，深入分析了典型应用场景与国内外发展布局，凝练出由跨域通信与网络架构技术、协同感知与信息融合技术、跨域协同决策与任务规划技术、跨域协同控制与编队技术、群体智能与涌现行为技术构成的关键技术体系。在总结当前面临的核心挑战的基础上，提出了个体智能增强、集群体系进化两条发展主线，以持续提升异构无人集群在跨域协同场景下的自主性、智能性、鲁棒性，精准推动我国无人系统关键技术走向成熟。

着眼未来，跨域异构无人集群智能协同技术正处于从概念突破迈向工程应用的攻坚期，在客观上具有通信难、感知难、决策难、控制难、系统集成难的发展特征。在个体层面，可提升单体无人平台的边缘计算与环境自适应能力，依托数字孪生与虚实交互技术进步驱动个体智能的迭代更新。在集群层面，可深化群体博弈与集群架构探索，研究任务驱动下的自主组织以及涌现智能，构建具备自主演化能力的跨域集群智能协同决策体系。通过持续攻关核心技术、建立健全标准与测试体系、前瞻规划法规及伦理框架，将跨域异构无人集群锻造为革新社会生产模式、增强国防体系实力的强大支撑。

参考文献

原文顺序 | 出版日期 | 本文引用
[1]

彭周华，吴文涛，王丹， 多无人艇集群协同控制研究进展与未来趋势［J］. 中国舰船研究，2021，16（1）：51-64，82.
[2]

Peng Z H，Wu W T，Wang D，et al. Coordinated control of multiple unmanned surface vehicles：Recent advances and future trends［J］. Chinese Journal of Ship Research，2021，16（1）：51-64，82.
[3]

徐小斌，段海滨，曾志刚， 无人机／无人艇协同控制研究进展［J］. 航空兵器，2020，27（6）：1-6.
[4]

Xu X B，Duan H B，Zeng Z G，et al. Progresses in UAV/USV cooperative control［J］. Aero Weaponry，2020，27（6）：1-6.
[5]

Wu G X，Li D B，Ding H，et al. An overview of developments and challenges for unmanned surface vehicle autonomous berthing［J］. Complex & Intelligent Systems，2024，10（1）：981-1003.
[6]

Wang X Y，Wang H M，Sun Q Q，et al. Air-ground coordinated unmanned swarm systems：A multitasking framework for control design［J］. ISA Transactions，2024，145：315-329.
[7]

Cui L N，Zhou K H，Wang J H，et al. Research on UAV swarm inspection path and defect identification based on LLM multi-agent collaborative optimization［J］. Microchemical Journal，2025，219：115838.
[8]

Tang L，Jin H Q，Zhou Y，et al. DOMapping：Multi-UAV real-time DOM mapping with local-to-global optimization［J］. ISPRS Journal of Photogrammetry and Remote Sensing，2026，235：565-583.
[9]

闫敬，关新平. 海上无人系统跨域集群发展现状及其关键技术［J］. 自动化学报，2025，51（4）：744-761.
[10]

Yan J，Guan X P. Development status and key techniques for cross-domain swarm of maritime unmanned systems［J］. Acta Automatica Sinica，2025，51（4）：744-761.
[11]

Zhou J，Guo S C，Zhang Z，et al. Cross-domain heterogeneous unmanned system：Development status and key technologies［J］. International Journal of Naval Architecture and Ocean Engineering，2026，18：100733.
[12]

左大发，朱德龙，朱娜娜. 低空经济下车辆与无人机协同配送路径优化研究综述［J］. 包装工程，2025，46（19）：298-310.
[13]

Zuo D F，Zhu D L，Zhu N N. Review of research on the optimization of collaborative distribution routes between vehicles and UAVs in low-altitude economy［J］. Packaging Engineering，2025，46（19）：298-310.
[14]

Zhang H T，Hu B B，Liu B，et al. Aerial-marine cross-domain uncrewed systems：An overview of cyberphysical coordination frameworks for marine applications［J］. IEEE Control Systems，2025，45（4）：28-45.
[15]

李凌昊，张晓晨，王浩， 海上异构无人装备一体化协同作战架构［J］. 舰船科学技术，2019，41（12）：50-53.
[16]

Li L H，Zhang X C，Wang H，et al. Research on cooperative operational architecture of integrated heterogeneous unmanned marine equipment［J］. Ship Science and Technology，2019，41（12）：50-53.
[17]

Chen C，Liang X，Zhang Z，et al. Cooperative target allocation for air-sea heterogeneous unmanned vehicles against saturation attacks［J］. Journal of the Franklin Institute，2024，361（3）：1386-1402.
[18]

Li W Z，Ge Y，Guan Z H，et al. NMPC-based UAV-USV cooperative tracking and landing［J］. Journal of the Franklin Institute，2023，360（11）：7481-7500.
[19]

Yuan S Y，Li Y，Bao F W，et al. Marine environmental monitoring with unmanned vehicle platforms：Present applications and future prospects［J］. Science of the Total Environment，2023，858：159741.
[20]

王宁，梁晓龙，张佳强， 跨域无人集群协同反潜搜索方法研究［J］. 系统仿真学报，2024，36（4）：817-824.
[21]

Wang N，Liang X L，Zhang J Q，et al. Research on cross-domain unmanned swarm cooperative anti-submarine search method［J］. Journal of System Simulation，2024，36（4）：817-824.
[22]

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）：1-11.
[23]

Jia Y N，Tian S Y，Li Q. Recent development of unmanned aerial vehicle swarms［J］. Acta Aeronautica et Astronautica Sinica，2020，41（S1）：1-11.
[24]

张旭东，李少波，李传江， 无人机集群综述：技术、挑战与未来［J］. 无线电工程，2023，53（7）：1487-1501.
[25]

Zhang X D，Li S B，Li C J，et al. A review of UAV swarm：Technology，challenges and future［J］. Radio Engineering，2023，53（7）：1487-1501.
[26]

Dong C，Chen D K，Wang D X，et al. Intelligent swift ocean observing system［J］. Ocean-Land-Atmosphere Research，2023，2：22.
[27]

曾凤娇，杨康建，晏旭， 水下激光通信系统研究进展［J］. 激光与光电子学进展，2021，58（3）：0300002.
[28]

Zeng F J，Yang K J，Yan X，et al. Research progress on underwater laser communication systems［J］. Laser & Optoelectronics Progress，2021，58（3）：0300002.
[29]

张志成，李龙基，肖垚， 面向水下激光通信的486 nm半导体碟片激光器［J］. 中国激光，2025，52（16）：329-336.
[30]

Zhang Z C，Li L J，Xiao Y，et al. 486 nm semiconductor disk lasers for underwater laser communication［J］. Chinese Journal of Lasers，2025，52（16）：329-336.
[31]

徐同乐，肖玉杰，何翼， 海洋自主无人系统跨域通信组网技术发展［J］. 指挥与控制学报，2023，9（6）：683-691.
[32]

Xu T L，Xiao Y J，He Y，et al. Development of cross-domain communication networking technologies for marine autonomous unmanned system［J］. Journal of Command and Control，2023，9（6）：683-691.
[33]

中国电子技术标准化研究院. 智能无人集群系统发展白皮书［R］. 北京：中国电子技术标准化研究院，2021：34-37.
[34]

China Electronics Standardization Institute. White paper on the development of intelligent unmanned swarm systems［R］. Beijing：China Electronics Standardization Institute，2021：34-37.
[35]

Nigam G K，Dabas C. ESO-LEACH：PSO based energy efficient clustering in LEACH［J］. Journal of King Saud University Computer and Information Sciences，2021，33（8）：947-954.
[36]

Ullah Z. A survey on hybrid，energy efficient and distributed （HEED） based energy efficient clustering protocols for wireless sensor networks［J］. Wireless Personal Communications，2020，112（4）：2685-2713.
[37]

Ren M Y，Khoukhi L，Labiod H，et al. A mobility-based scheme for dynamic clustering in vehicular ad-hoc networks （VANETs）［J］. Vehicular Communications，2017，9：233-241.
[38]

姜来为，陈正，杨宏宇. 高动态复杂场景下航空自组网路由协议研究［J］. 西安电子科技大学学报（自然科学版），2024，51（1）：72-85.
[39]

Jiang L W，Chen Z，Yang H Y. Research on aviation ad hoc network routing protocols in highly dynamic and complex scenarios［J］. Journal of Xidian University （Natural Science），2024，51（1）：72-85.
[40]

Tang X，Chen Q，Weng W J，et al. Task assignment and exploration optimization for low altitude UAV rescue via generative AI enhanced multi-agent reinforcement learning［J］. IEEE Transactions on Mobile Computing，2026，25（1）：627-643.
[41]

王秉路，靳杨，张磊， 基于多传感器融合的协同感知方法［J］. 雷达学报，2024，13（1）：87-96.
[42]

Wang B L，Jin Y，Zhang L，et al. Collaborative perception method based on multisensor fusion［J］. Journal of Radars，2024，13（1）：87-96.
[43]

Xiang C，Feng C，Xie X P，et al. Multi-sensor fusion and cooperative perception for autonomous driving：A review［J］. IEEE Intelligent Transportation Systems Magazine，2023，15（5）：36-58.
[44]

何友，刘瑜，李耀文， 多源信息融合发展及展望［J］. 航空学报，2025，46（6）：531672.
[45]

He Y，Liu Y，Li Y W，et al. Development and prospects of multisource information fusion［J］. Acta Aeronautica et Astronautica Sinica，2025，46（6）：531672.
[46]

Li J Q，Cheng Y Y，Zhou J，et al. Energy-efficient ground traversability mapping based on UAV-UGV collaborative system［J］. IEEE Transactions on Green Communications and Networking，2022，6（1）：69-78.
[47]

Zhang H X，He H，Rong S W，et al. Enhanced unscented Kalman filter with time-varying attenuation factor for cross-domain unmanned surface vehicle/autonomous underwater vehicle tracking using time-direction of arrival measurements［J］. Journal of Field Robotics，2026：rob.70202.
[48]

Wang Z G，Zhan J，Duan C G，et al. A review of vehicle detection techniques for intelligent vehicles［J］. IEEE Transactions on Neural Networks and Learning Systems，2023，34（8）：3811-3831.
[49]

於志文，孙卓，程岳， 智能无人机集群协同感知计算研究综述［J］. 航空学报，2024，45（20）：630912.
[50]

Yu Z W，Sun Z，Cheng Y，et al. A review of intelligent UAV swarm collaborative perception and computation［J］. Acta Aeronautica et Astronautica Sinica，2024，45（20）：630912.
[51]

戴海发，卞鸿巍，王荣颖， 一种改进的多传感器数据自适应融合方法［J］. 武汉大学学报（信息科学版），2020，45（10）：1602-1609.
[52]

Dai H F，Bian H W，Wang R Y，et al. An improved multi-sensor data adaptive fusion method［J］. Geomatics and Information Science of Wuhan University，2020，45（10）：1602-1609.
[53]

Shi H Z，Tang C K，Zhang L L，et al. Distributed UAV cluster fusion positioning method with heterogeneous navigation information［J］. Measurement，2026，258：119420.
[54]

Shen H，Wen G H. Robust collaborative dynamic parameter estimation for multirobot systems：A distributed variational inference-based approach［J］. IEEE/ASME Transactions on Mechatronics，2026，31（2）：2209-2220.
[55]

Li T F，Zhao Z B，Sun C，et al. Adaptive channel weighted CNN with multisensor fusion for condition monitoring of helicopter transmission system［J］. IEEE Sensors Journal，2020，20（15）：8364-8373.
[56]

Kim D H，Pak J M，Shi P，et al. Finite-memory CL based on multisensor information fusion using neural networks for multiple humanoid robots［J］. IEEE Transactions on Industrial Electronics，2026，73（1）：1384-1393.
[57]

Hou X W，Wang J J，Du J，et al. Distributed machine learning for autonomous agent swarm：A survey［J］. IEEE Communications Surveys & Tutorials，2026，28：1597-1636.
[58]

Korsah G A，Stentz A，Dias M B. A comprehensive taxonomy for multi-robot task allocation［J］. The International Journal of Robotics Research，2013，32（12）：1495-1512.
[59]

魏语劼，郑凯锋，方浩. 规划领域定义语言描述下的无人系统任务规划方法研究综述［J/OL］. 指挥控制与仿真，2025-10-21. https：//link.cnki.net/urlid/32.1759.TJ.20251020.1522.020.
[60]

Wei Y J，Zheng K F，Fang H. Overview of task planning methods for unmanned systems described by planning domain definition language［J/OL］. Command Control & Simulation，2025-10-21. https：//link.cnki.net/urlid/32.1759.TJ.20251020.1522.020.
[61]

夏元清，谢超，高寒， 天空地一体化网络环境下多运动体系统跨域协同控制与智能决策［J］. 控制与决策，2023，38（5）：1176-1199.
[62]

Xia Y Q，Xie C，Gao H，et al. Cross-domain cooperative control and intelligent decision-making of multi-dynamic agents in space-air-ground integrated network environment［J］. Control and Decision，2023，38（5）：1176-1199.
[63]

Wang N，Liang X L，Li Z，et al. PSE-D model-based cooperative path planning for UAV and USV systems in antisubmarine search missions［J］. IEEE Transactions on Aerospace and Electronic Systems，2024，60（5）：6224-6240.
[64]

Meng Y S，Xu S Y，Liang X L，et al. Spatiotemporal synchronization-aware cross-domain mission planning for air-sea-underwater heterogeneous unmanned swarms［J］. Ocean Engineering，2026，353：124694.
[65]

Liu D Q，Fei B W，Bao W D，et al. DAWN：Dynamic task planning of multi-UAV with two-layer optimization mechanism in uncertain environments［J］. IEEE Internet of Things Journal，2024，11（23）：37813-37830.
[66]

蒲志强，易建强，刘振， 知识和数据协同驱动的群体智能决策方法研究综述［J］. 自动化学报，2022，48（3）：627-643.
[67]

Pu Z Q，Yi J Q，Liu Z，et al. Knowledge-based and data-driven integrating methodologies for collective intelligence decision making：A survey［J］. Acta Automatica Sinica，2022，48（3）：627-643.
[68]

Peng P，Wen Y，Yang Y D，et al. Multiagent bidirectionally-coordinated nets：Emergence of human-level coordination in learning to play StarCraft combat games［PP/OL］. V4. arXiv （2017-09-14）［2026-04-15］. https：//doi.org/10.48550/arXiv.1703.10069.
[69]

Foerster J N，Assael Y M，de Freitas N，et al. Learning to communicate with deep multi-agent reinforcement learning［C］//Proceedings of the 30th International Conference on Neural Information Processing Systems （NIPS 2016），2016：2137-2145.
[70]

郭兴，李擎，姚其家， 异构无人系统协同控制研究进展［J］. 工程科学学报，2025，47（1）：66-78.
[71]

Guo X，Li Q，Yao Q J，et al. Research progress for cooperative control of heterogeneous unmanned systems［J］. Chinese Journal of Engineering，2025，47（1）：66-78.
[72]

Oh K K，Park M C，Ahn H S. A survey of multi-agent formation control［J］. Automatica，2015，53：424-440.
[73]

Amine Riahla M，Boutalbi M C，Ahriche A. Design and performance evaluation of a pseudo-flocking unmanned aerial vehicles mobility model for surveillance applications［J］. Journal of Aerospace Information Systems，2022，19（8）：511-521.
[74]

张毅，于浩，杨秀霞， 无人机集群分组编队自适应跟踪 ‒ 包含控制［J］. 北京航空航天大学学报，2024，50（1）：97-109.
[75]

Zhang Y，Yu H，Yang X X，et al. Adaptive group formation tracking-containment control for UAV swarm［J］. Journal of Beijing University of Aeronautics and Astronautics，2024，50（1）：97-109.
[76]

Yu D X，Li J C，Wang Z，et al. An overview of swarm coordinated control［J］. IEEE Transactions on Artificial Intelligence，2024，5（5）：1918-1938.
[77]

吴杰宏，李丹阳. 无人机集群编队控制方法研究综述［J］. 无线电通信技术，2023，49（4）：589-596.
[78]

Wu J H，Li D Y. A review of UAV cluster formation control methods［J］. Radio Communications Technology，2023，49（4）：589-596.
[79]

Zhou X，Wen X Y，Wang Z P，et al. Swarm of micro flying robots in the wild［J］. Science Robotics，2022，7（66）：eabm5954.
[80]

Dong X W，Hu G Q. Time-varying formation control for general linear multi-agent systems with switching directed topologies［J］. Automatica，2016，73：47-55.
[81]

Zheng A Y，Liang X L，Zhang J Q，et al. Distributed self-organizing control for cross-domain unmanned swarm multi-target tracking under constrained communication［J］. Aerospace Science and Technology，2026，176：112100.
[82]

Dong X W，Zhou Y，Ren Z，et al. Time-varying formation tracking for second-order multi-agent systems subjected to switching topologies with application to quadrotor formation flying［J］. IEEE Transactions on Industrial Electronics，2017，64（6）：5014-5024.
[83]

Tian D J，Zhou L L，Zhang C，et al. Multi-robot cooperative transportation of irregular objects by multi-objective optimization with distributed control［J］. IEEE Robotics and Automation Letters，2025，10（10）：9822-9829.
[84]

潘振华，夏元清，鲍泓， 无人智能集群系统决策与控制研究进展［J］. 中国图象图形学报，2024，29（11）：3195-3215.
[85]

Pan Z H，Xia Y Q，Bao H，et al. Research progress in decision-making for unmanned intelligent swarm system and control［J］. Journal of Image and Graphics，2024，29（11）：3195-3215.
[86]

Tao J Y，Shen T S，Zhao D X，et al. ARBoids：Adaptive residual reinforcement learning with boids model for cooperative multi-USV target defense［J］. IEEE Robotics and Automation Letters，2026，11（3）：3637-3644.
[87]

Gao Z W，Couzin I D. Swarming transitions of self-propelled particles with anisotropic social interactions［J］. Physical Review Research，2025，7（2）：023144.
[88]

Bonabeau E，Dorigo M，Theraulaz G. Inspiration for optimization from social insect behaviour［J］. Nature，2000，406（6791）：39-42.
[89]

Li X D，Yao X. Cooperatively coevolving particle swarms for large scale optimization［J］. IEEE Transactions on Evolutionary Computation，2012，16（2）：210-224.
[90]

梅宇，段海滨，袁洋. 仿欧椋鸟智能行为的无人机集群动态事件触发控制［J/OL］. 机器人，2025-07-10. https：//doi.org/10.13973/j.cnki.robot.250183.
[91]

Mei Y，Duan H B，Yuan Y. Dynamic event-triggered control for UAV swarm inspired by starling intelligent behavior［J］. Robot，2025-07-10. https：//doi.org/10.13973/j.cnki.robot.250183.
[92]

Peng Q，Wu H S，Zhan R J，et al. A flexible task planning method for air-ground cross-domain uncrewed swarm inspired by wolf pack hunting behavior［J］. IEEE Transactions on Aerospace and Electronic Systems，2026，62：7085-7102.
[93]

Peng Q，Wu H S，Zhan R J，et al. A target-guided adaptive path planning method for air-ground cross-domain unmanned swarm［J］. Swarm and Evolutionary Computation，2026，100：102220.
[94]

刘金存，任崟杰，徐战， 从自然灵感角度出发的群体智能集群机器人系统研究综述［J］. 信息与控制，2024，53（2）：154-181.
[95]

Liu J C，Ren Y J，Xu Z，et al. Review of swarm intelligence research in swarm robotic systems：Approaching from the perspective of nature inspiration［J］. Information and Control，2024，53（2）：154-181.
[96]

Schranz M，Di Caro G A，Schmickl T，et al. Swarm Intelligence and cyber-physical systems：Concepts，challenges and future trends［J］. Swarm and Evolutionary Computation，2021，60：100762.
[97]

杨书恒，张栋，任智， 基于多智能体强化学习的无人机集群对抗方法研究［J］. 无人系统技术，2022，5（5）：51-62.
[98]

Yang S H，Zhang D，Ren Z，et al. Research on UAV swarm confrontation method based on multi-agent reinforcement learning［J］. Unmanned Systems Technology，2022，5（5）：51-62.
[99]

段海滨，尤灵辰，范彦铭， 仿鸟群自推进机制的无人机集群相变控制［J］. 自动化学报，2025，51（5）：960-971.
[100]

Duan H B，You L C，Fan Y M，et al. Phase transition control of UAV swarm based on bird-inspired self-propelled mechanism［J］. Acta Automatica Sinica，2025，51（5）：960-971.

基金资助

中国工程院咨询项目“跨域无人集群协同探测系统研讨”(2025-XS-6)

国家资助博士后研究人员计划(GZC20250179)

AI Summary AI Mindmap
PDF (11781KB)

749

访问

0

被引

详细
导航
相关文章

AI思维导图

/

〈 〉