吳浩煒，張川

（1.中國電子科技南湖研究院，浙江 嘉興 314001；2.中國科學(xué)技術(shù)大學(xué)先進(jìn)技術(shù)研究院，安徽 合肥 230000）

0 引言

無人駕駛飛機(jī)（Unmanned Aerial Vehicle，UAV）簡(jiǎn)稱“無人機(jī)”，因其價(jià)格低、維護(hù)成本小、高機(jī)動(dòng)性等優(yōu)點(diǎn)，已廣泛應(yīng)用于軍事和民用領(lǐng)域[1]。無人機(jī)避障技術(shù)和路徑規(guī)劃是無人機(jī)自主飛行、保障無人機(jī)安全和完成任務(wù)的關(guān)鍵技術(shù)。提高無人機(jī)的路徑規(guī)劃能力對(duì)無人機(jī)智能化、自主化是不可或缺的。

無人機(jī)的路徑規(guī)劃任務(wù)是綜合考慮無人機(jī)自身的動(dòng)力學(xué)約束和環(huán)境約束，結(jié)合飛行路徑長(zhǎng)度、最優(yōu)性、安全性、飛行能耗、飛行時(shí)長(zhǎng)等因素，規(guī)劃出一條從出發(fā)點(diǎn)到目的地的最優(yōu)路徑。飛行路徑的求解是一個(gè)NP-Hard（非確定性多項(xiàng)式時(shí)間）問題，并且往往是非凸問題，因此最優(yōu)路徑求解的計(jì)算量極大。而對(duì)無人機(jī)系統(tǒng)這類時(shí)變非線性動(dòng)態(tài)系統(tǒng)而言，高計(jì)算效率的路徑規(guī)劃能力至關(guān)重要。

總體而言，無人機(jī)的路徑規(guī)劃應(yīng)滿足以下四點(diǎn)原則：（1）路徑規(guī)劃應(yīng)能得到從起始節(jié)點(diǎn)到目標(biāo)節(jié)點(diǎn)的路徑；（2）無人機(jī)在飛行路徑上不會(huì)與障礙物碰撞；（3）生成的路徑需要滿足無人機(jī)自身的機(jī)動(dòng)約束；（4）生成的路徑應(yīng)該盡可能優(yōu)化。為了更全面細(xì)致地了解無人機(jī)的各種路徑規(guī)劃技術(shù)，本文將對(duì)現(xiàn)有文獻(xiàn)進(jìn)行全面綜述，如圖1所示為無人機(jī)路徑規(guī)劃技術(shù)圖示。

圖1 無人機(jī)路徑規(guī)劃技術(shù)Figure 1 UAV path planning technology

1 基于采樣的路徑規(guī)劃

在基于采樣的路徑規(guī)劃方法中，無人機(jī)的路徑規(guī)劃問題轉(zhuǎn)化為一個(gè)連續(xù)的狀態(tài)空間中從有限的候選路徑中選擇一條可行的路徑。在進(jìn)行路徑規(guī)劃前，需要預(yù)先定義三維空間環(huán)境的空間配置信息，將整體的狀態(tài)空間離散成有限的點(diǎn)集，然后使用路徑規(guī)劃方法將節(jié)點(diǎn)映射到空間配置上，在有限點(diǎn)集中通過數(shù)值方法搜索最優(yōu)路徑。基于采樣的路徑規(guī)劃具有以下優(yōu)點(diǎn)：（1）能夠在較短的時(shí)間內(nèi)尋找到一條可行的飛行路徑，能很好地滿足實(shí)時(shí)性要求，且可以理論推導(dǎo)出路徑具備的概率完備性；（2）能夠適用于不同的動(dòng)態(tài)環(huán)境；（3）不需要顯式地枚舉約束條件，可以進(jìn)行路徑軌跡檢查?；诓蓸拥穆窂揭?guī)劃方法有風(fēng)險(xiǎn)地圖、單元分解、路線圖、勢(shì)場(chǎng)法等。

考慮到無人機(jī)飛行時(shí)的靜態(tài)和動(dòng)態(tài)威脅，Mujumdar和Padhi[2]提出將無人機(jī)路徑規(guī)劃分成全局路徑規(guī)劃和局部路徑規(guī)劃兩階段。Primatesta等[3]提出了風(fēng)險(xiǎn)地圖這一概念。風(fēng)險(xiǎn)地圖是一種基于位置風(fēng)險(xiǎn)的動(dòng)態(tài)地圖，地圖中的每一個(gè)位置點(diǎn)都與無人機(jī)飛過該點(diǎn)的風(fēng)險(xiǎn)相關(guān)，風(fēng)險(xiǎn)成本量化了無人機(jī)飛過該點(diǎn)的風(fēng)險(xiǎn)。他們提出了在基于風(fēng)險(xiǎn)地圖的基礎(chǔ)上，對(duì)無人機(jī)進(jìn)行全局離線路徑規(guī)劃和局部在線路徑規(guī)劃兩個(gè)階段。全局離線路徑規(guī)劃在給定風(fēng)險(xiǎn)地圖、起始節(jié)點(diǎn)和目標(biāo)節(jié)點(diǎn)的情況下，避開靜態(tài)障礙物和禁飛區(qū)，在計(jì)算最小風(fēng)險(xiǎn)成本的情況下搜索一條最優(yōu)飛行路徑，全局離線路徑規(guī)劃是在無人機(jī)開始執(zhí)行任務(wù)前計(jì)算的。局部在線路徑規(guī)劃是根據(jù)不斷變化的動(dòng)態(tài)風(fēng)險(xiǎn)地圖，對(duì)已經(jīng)生成的全局離線規(guī)劃路徑進(jìn)行調(diào)整。當(dāng)預(yù)先生成的路徑中出現(xiàn)未預(yù)料到的障礙物和其他風(fēng)險(xiǎn)因素時(shí)，風(fēng)險(xiǎn)地圖會(huì)發(fā)生變化，局部在線路徑規(guī)劃會(huì)根據(jù)變化的風(fēng)險(xiǎn)地圖重新進(jìn)行路徑規(guī)劃，確保無人機(jī)不會(huì)與障礙物發(fā)生碰撞。Primatesta等[3]首先在靜態(tài)風(fēng)險(xiǎn)地圖上使用改進(jìn)A*算法的risk A*算法計(jì)算全局路徑，然后在動(dòng)態(tài)風(fēng)險(xiǎn)地圖上提出了一種Borderland算法。該算法基于應(yīng)用于網(wǎng)格圖的Bug算法，在在線路徑規(guī)劃中檢查不斷變化的動(dòng)態(tài)風(fēng)險(xiǎn)圖并對(duì)規(guī)劃的路徑進(jìn)行實(shí)時(shí)調(diào)整。實(shí)驗(yàn)結(jié)果表明，Borderland算法能夠在短時(shí)間、多種場(chǎng)景下調(diào)整路徑，最大程度地降低風(fēng)險(xiǎn)成本，且Borderland算法并不從頭開始計(jì)算新路徑，而是僅在必要情況下對(duì)現(xiàn)有路徑進(jìn)行調(diào)整。尤其在高維地圖中，該方法具有明顯優(yōu)勢(shì)。

在單元分解法中，首先將構(gòu)形空間C-space（configuration space）劃分為不同的單元或者區(qū)域的集合，然后計(jì)算出同一單元或相鄰單元的安全路徑。當(dāng)計(jì)算出C-space的單元分解后，按順序連接單元后即可得到飛行路徑[4]。

路線圖方法通過定義三維空間環(huán)境中的曲線來計(jì)算自由C-space的連通性。當(dāng)路線圖構(gòu)建完成后，在搜索階段，根據(jù)給定的初始節(jié)點(diǎn)和目標(biāo)節(jié)點(diǎn)通過拼接曲線來搜索飛行路徑。路線圖方法常適用于靜態(tài)環(huán)境，路徑規(guī)劃的時(shí)間較短，通常可以完成實(shí)時(shí)求解。目前使用最廣泛的路線圖方法有A*算法、快速擴(kuò)展隨機(jī)樹（Rapidly-Exploring Random Tree，RRT）等。

RRT算法由于其對(duì)動(dòng)態(tài)環(huán)境良好的適應(yīng)性，已被廣泛應(yīng)用于無人機(jī)路徑規(guī)劃中，如圖2所示為RRT算法示意圖。Zhang等[5]提出了一種RRT Connect方法，該方法將RRT與人工勢(shì)場(chǎng)法相結(jié)合，對(duì)無人機(jī)飛行路徑進(jìn)行規(guī)劃，仿真結(jié)果表明RRT Connect相比RRT得到了更短的飛行路徑長(zhǎng)度。Lin和Saripalli[6]提出了一種基于閉環(huán)RRT的路徑規(guī)劃生成樹，并在該方法的基礎(chǔ)上提出了三種改進(jìn)模型：（1）簡(jiǎn)化節(jié)點(diǎn)連接策略，用以減少路徑規(guī)劃的時(shí)間；（2）利用中間節(jié)點(diǎn)，通過無碰撞軌跡的中間節(jié)點(diǎn)以提高路徑規(guī)劃過程的效率；（3）可達(dá)集的碰撞預(yù)測(cè)，通過利用可達(dá)集節(jié)點(diǎn)對(duì)障礙物的運(yùn)動(dòng)進(jìn)行預(yù)測(cè)，提出了候選軌跡法，使得無人機(jī)網(wǎng)絡(luò)對(duì)意外障礙物具有更強(qiáng)的健壯性。同時(shí)他們?cè)诶碚撋贤茖?dǎo)出了算法具有概率完備性，若存在解，則在足夠的采樣點(diǎn)上尋找到解的概率收斂于1。實(shí)驗(yàn)結(jié)果表明，該路徑規(guī)劃算法能夠讓無人機(jī)避開不同數(shù)量、不同飛行方向的移動(dòng)障礙物，并且能夠在不同的無人機(jī)平臺(tái)上工作。Yang等[7]提出了一種基于環(huán)境勢(shì)場(chǎng)的RRT算法以解決無人機(jī)路徑規(guī)劃問題，實(shí)驗(yàn)結(jié)果表明，該算法具有較高的收斂效率。

圖2 快速擴(kuò)展隨機(jī)樹（RRT）Figure 2 Rapidly expanding random tree

人工勢(shì)場(chǎng)法（Artificial Potential Field，APF）最早是由Khatib[8]提出的，該算法簡(jiǎn)單有效，計(jì)算量小且路徑平滑，但存在局部極小現(xiàn)象。如圖3所示為人工勢(shì)場(chǎng)法中目標(biāo)產(chǎn)生的引力場(chǎng)和障礙物產(chǎn)生的斥力場(chǎng)。毛晨悅等[9]提出了一種基于APF的無人機(jī)路徑規(guī)劃避障算法，在給定出發(fā)點(diǎn)和目標(biāo)點(diǎn)的情況下預(yù)先生成一條路徑，以提高路徑連貫性，將安全性、平滑性和飛行能耗作為調(diào)節(jié)因子來計(jì)算代價(jià)函數(shù)，最終在候選路徑中選取代價(jià)最小的飛行路徑。丁家如等[10]提出了改進(jìn)APF的無人機(jī)路徑規(guī)劃算法，該算法在路徑規(guī)劃前對(duì)全局地圖信息進(jìn)行了威脅建模和連通性分析，縮小了搜索范圍，同時(shí)通過曲率檢查對(duì)軌跡平滑化，提高了算法的效率和適應(yīng)性。Dai等[11]提出了一種分層PFM（Potential Field Method）來解決無人機(jī)飛行中目的節(jié)點(diǎn)不可達(dá)的問題，Bai等[12]向PFM中加入了縱向因素以解決無人機(jī)之間的局部極小陷阱。Chen等[13]在PFM中加入了協(xié)調(diào)力以解決無人機(jī)飛行過程中的局部極小問題。仿真結(jié)果表明，該方法避免碰撞的概率為98%，可以得到一條安全無碰撞的最優(yōu)路徑。

圖3 人工勢(shì)場(chǎng)法中目標(biāo)產(chǎn)生的引力場(chǎng)和障礙物產(chǎn)生的斥力場(chǎng)Figure 3 The gravitational field generated by the target and the repulsive field generated by the obstacle in the artificial potential field method a）gravitational field b）repulsive field

2 基于數(shù)學(xué)模型的路徑規(guī)劃

基于數(shù)學(xué)模型的路徑規(guī)劃方法將無人機(jī)的路徑規(guī)劃問題轉(zhuǎn)化為數(shù)值優(yōu)化問題，旨在解析意義上得到一條最優(yōu)路徑。該類方法主要包括線性規(guī)劃（Linear Programming，LP）、混 合 整 數(shù) 線 性 規(guī) 劃（Mixed Integer Linear Programming，MILP）、非線性規(guī)劃（Nonlinear Programming，NP）、動(dòng)態(tài)規(guī)劃（Dynamic Programming，DP）、貝塞爾曲線、Dubins曲線等。這類算法的時(shí)間復(fù)雜度通常是用多項(xiàng)式方程來描述的，計(jì)算時(shí)長(zhǎng)很長(zhǎng)，故大多數(shù)基于數(shù)學(xué)模型的算法通常被用于無人機(jī)的離線路徑規(guī)劃中。將LP應(yīng)用于無人機(jī)的路徑規(guī)劃時(shí)，可以將非線性復(fù)雜問題轉(zhuǎn)化為線性規(guī)劃模型。MILP已經(jīng)在數(shù)學(xué)建模中得到了廣泛的使用，被認(rèn)為是能夠提出最優(yōu)解和接近最優(yōu)解的強(qiáng)大數(shù)學(xué)工具，因此De Waen等[14]利用MILP計(jì)算得到了無人機(jī)飛行路徑。DP可以將問題分解為多個(gè)相關(guān)的子問題。在無人機(jī)的路徑規(guī)劃問題中，DP的目標(biāo)是計(jì)算圖中所有節(jié)點(diǎn)到目的節(jié)點(diǎn)的距離，子問題是計(jì)算到相鄰點(diǎn)的距離。在這些解中，DP首先考慮最小子問題的解，然后向高一級(jí)的問題推進(jìn)，最終以迭代的方式找到最優(yōu)解。Liu等[15]提出了一種基于橢圓切線模型的路徑規(guī)劃方法，該方法可以在不構(gòu)建周圍環(huán)境地圖的情況下快速進(jìn)行路徑規(guī)劃，實(shí)驗(yàn)結(jié)果表明，該方法可以有效地完成無人機(jī)實(shí)時(shí)目標(biāo)跟蹤任務(wù)。貝塞爾曲線通常用于對(duì)生成軌跡進(jìn)行平滑處理。B樣條曲線（B-spline Curves）是貝塞爾曲線的一種一般化，在繼承了貝塞爾曲線的幾何不變性、保凸性的同時(shí)，B樣條曲線在點(diǎn)無論增加多少的情況下，多項(xiàng)式的次數(shù)都不會(huì)增加。因此，B樣條曲線在無人機(jī)的路徑規(guī)劃中對(duì)生成的路徑軌跡進(jìn)行平滑處理時(shí)特別有效。Primatesta等[4]對(duì)路徑軌跡使用了Dubins曲線進(jìn)行平滑處理，Qu等[16]使用B樣條曲線對(duì)路徑軌跡進(jìn)行平滑處理，結(jié)果表明它們都很好地滿足了無人機(jī)飛行時(shí)的動(dòng)力學(xué)約束。

3 基于啟發(fā)式搜索的路徑規(guī)劃

在實(shí)際規(guī)劃無人機(jī)路徑時(shí)，可以采用啟發(fā)式搜索算法將問題的時(shí)間復(fù)雜性降低到多項(xiàng)式時(shí)間問題的水平。啟發(fā)式搜索算法是受自然啟發(fā)所創(chuàng)造出的一套算法，它起源于模仿生物的交互行為或物理現(xiàn)象。在實(shí)際問題中，用傳統(tǒng)的方法無法解決的高復(fù)雜度優(yōu)化問題，可以考慮使用啟發(fā)式搜索算法進(jìn)行解決[17]。啟發(fā)式搜索方法用于解決無人機(jī)的路徑規(guī)劃時(shí)，即是在無人機(jī)的自身動(dòng)力學(xué)、周圍環(huán)境和實(shí)時(shí)性等條件的約束下，將路徑規(guī)劃問題轉(zhuǎn)變?yōu)閺?fù)雜優(yōu)化問題。

Mirjalili等[18]提出了一種灰狼優(yōu)化算法（Grey Wolf Optimizer，GWO），將無人機(jī)路徑求解模擬成狼群捕食，該算法具有良好的靈活性和實(shí)時(shí)性。Radmanesh等[19]提出了一種基于灰狼優(yōu)化算法的無人機(jī)感知避障和路徑規(guī)劃算法，用以解決在未知環(huán)境下的多無人機(jī)路徑規(guī)劃問題。Qu等[16]認(rèn)為灰狼優(yōu)化算法存在兩個(gè)缺陷：一是在搜索過程中，所有的狼都執(zhí)行相同的行為，而不考慮個(gè)體的特征，對(duì)整個(gè)群體進(jìn)行統(tǒng)一的開發(fā)行為；二是當(dāng)所需要優(yōu)化的問題維度增加時(shí)，算法的性能下降明顯。無人機(jī)的路徑規(guī)劃問題在復(fù)雜的三維環(huán)境中通常具有很高的維度，因此當(dāng)灰狼優(yōu)化算法應(yīng)用于無人機(jī)路徑規(guī)劃時(shí)算法性能會(huì)顯著下降。因此他們提出了一種新的基于強(qiáng)化學(xué)習(xí)的灰狼優(yōu)化算法來離線計(jì)算無人機(jī)的最優(yōu)飛行路徑，并進(jìn)行幾何調(diào)整和優(yōu)化調(diào)整，確保了飛行路徑的可行性、平滑性和局部最優(yōu)性。

Wu等[20]提出了一種避障天牛須搜索（Obstacle Avoidance Beetle Antennae Search，OABAS）算法，該算法考慮了更短的飛行路徑長(zhǎng)度，并結(jié)合無人機(jī)自身最大轉(zhuǎn)彎角的動(dòng)力學(xué)約束和實(shí)時(shí)避障的要求與最小威脅面（Minimum Threat Surface，MTS）對(duì)飛行路徑進(jìn)行規(guī)劃，仿真結(jié)果表明了該算法的有效性。Tian等[21]提出了一種改進(jìn)人工蜂群算法，改進(jìn)后的算法需要的參數(shù)少、收斂速度快、計(jì)算時(shí)間短，適用于多無人機(jī)在實(shí)時(shí)環(huán)境下的避障。Cheng等[22]將遺傳算法和模擬退火算法相結(jié)合，提出了一種新的算法，該算法具有收斂速度快、成本最小等優(yōu)點(diǎn)。Yang和Yoo[23]將遺傳算法和蟻群算法相結(jié)合，根據(jù)傳感、能耗、時(shí)間和風(fēng)險(xiǎn)選擇無人機(jī)最優(yōu)路徑。

通常來說，啟發(fā)式搜索算法由于計(jì)算耗時(shí)較長(zhǎng)，難以應(yīng)對(duì)動(dòng)態(tài)實(shí)時(shí)的路徑規(guī)劃場(chǎng)景，因此常被用于無人機(jī)全局離線路徑規(guī)劃中。

4 基于深度學(xué)習(xí)的路徑規(guī)劃

近年來，隨著深度學(xué)習(xí)（Deep Learning，DL）技術(shù)的發(fā)展，已有越來越多的學(xué)者提出將深度學(xué)習(xí)技術(shù)應(yīng)用于無人機(jī)上，引入了深度學(xué)習(xí)-無人機(jī)（DLUAVs）的概念。深度學(xué)習(xí)技術(shù)用于智能化自主機(jī)器人是未來機(jī)器人發(fā)展的一個(gè)趨勢(shì)。近年來，越來越多的研究人員提出了各種不同的神經(jīng)網(wǎng)絡(luò)模型和目標(biāo)檢測(cè)算法，給無人機(jī)的路徑規(guī)劃提供了新的解決方案。Loquercio等[24]提出了一個(gè)基于卷積神經(jīng)網(wǎng)絡(luò)的DroNet框架模型，該模型通過學(xué)習(xí)城市街道上正常行駛的汽車和自行車來學(xué)習(xí)導(dǎo)航；實(shí)驗(yàn)結(jié)果表明，無人機(jī)基于該模型可以對(duì)未預(yù)料的事件和障礙物迅速做出反應(yīng)，具備在城市中安全飛行的能力。Palossi等[25]實(shí)際制作出了DroNet納米無人機(jī)，實(shí)現(xiàn)了納米無人機(jī)的自主導(dǎo)航，結(jié)果表明無人機(jī)可以以4m/s的速度安全飛行。Wang等[26]利用基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法和深度攝像機(jī)，得到了無人機(jī)最優(yōu)避障策略和最短飛行路徑的路徑規(guī)劃方法；實(shí)驗(yàn)結(jié)果表明，該方法能夠顯著地提高無人機(jī)對(duì)環(huán)境的感知能力、避障能力和自主飛行能力。如圖4所示為用于無人機(jī)的一個(gè)卷積神經(jīng)網(wǎng)絡(luò)模型示例。

圖4 用于無人機(jī)的一個(gè)卷積神經(jīng)網(wǎng)絡(luò)模型示例Figure 4 An example of a convolutional neural network model for drones

強(qiáng)化學(xué)習(xí)的本質(zhì)如圖5所示，是智能體通過與環(huán)境交互來得到最優(yōu)策略，以期能得到最大化的長(zhǎng)期回報(bào)。目前，無模型強(qiáng)化學(xué)習(xí)已成為無人機(jī)路徑規(guī)劃領(lǐng)域的流行方法之一。Q-Learning算法即是一種強(qiáng)化學(xué)習(xí)下的路徑規(guī)劃算法。QLearning可以視為一種用隨機(jī)近似方法求解Bellman方程的方法，它將所有的狀態(tài)-動(dòng)作都存儲(chǔ)在一張Q-Table中，且由于迭代學(xué)習(xí)不斷產(chǎn)生的狀態(tài)-動(dòng)作Q值需要維護(hù)和更新，因此在處理高維狀態(tài)時(shí)存在局限性。為了解決這個(gè)問題，Mnihet等[27]提出了深度Q網(wǎng)絡(luò)（Deep Q Network，DQN），將原始圖像的高維狀態(tài)作為深度Q網(wǎng)絡(luò)的輸入。深度強(qiáng)化學(xué)習(xí)是深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)的結(jié)合，對(duì)自主智能體問題研究有很強(qiáng)的適用性。Singla等[28]設(shè)計(jì)了一個(gè)基于記憶的DQN網(wǎng)絡(luò)，用以在未知環(huán)境中實(shí)現(xiàn)無人機(jī)的有效避障，通過在長(zhǎng)觀測(cè)序列中保留關(guān)鍵信息，解決了無人機(jī)避障中的部分可觀察性問題，實(shí)驗(yàn)結(jié)果表明該方法的有效性相比DQN有著顯著的提升。Yan等[29]提出了一種深度強(qiáng)化學(xué)習(xí)方法，用于動(dòng)態(tài)威脅環(huán)境下的無人機(jī)路徑規(guī)劃，實(shí)驗(yàn)結(jié)果表明該方法在靜態(tài)和動(dòng)態(tài)的導(dǎo)航任務(wù)中具有良好的泛化能力和實(shí)時(shí)性。Wang等[30]開發(fā)了深度強(qiáng)化學(xué)習(xí)框架用于無人機(jī)在復(fù)雜環(huán)境下的路徑規(guī)劃和自主導(dǎo)航。在該框架下，無人機(jī)的路徑規(guī)劃問題轉(zhuǎn)化為部分可觀察馬爾可夫決策過程（Partially Observable Markov Decision Process，POMDP），他們提出了通用的深度強(qiáng)化學(xué)習(xí)算法來解決問題。該方法在沒有重建地圖和路徑規(guī)劃的情況下，能夠使無人機(jī)在復(fù)雜環(huán)境中從初始位置飛行到目的地，并且可以推廣到更大規(guī)模、更為復(fù)雜的三維環(huán)境中，且方法的性能下降很小。

圖5 強(qiáng)化學(xué)習(xí)的結(jié)構(gòu)Figure 5 Structure of reinforcement learning

5 結(jié)語

無人機(jī)的智能化和自主化是無人機(jī)在軍事和民用領(lǐng)域上發(fā)展的關(guān)鍵技術(shù)。無人機(jī)系統(tǒng)平臺(tái)限制了無人機(jī)的尺寸、重量、有效載荷和飛行時(shí)長(zhǎng)等因素，這些因素又主要受限于當(dāng)前的傳感器和電池技術(shù)。此外，機(jī)載處理也是無人機(jī)研究的重點(diǎn)，尤其是當(dāng)通信能力會(huì)極大影響無人機(jī)性能時(shí)，如在有限的帶寬下傳輸大量數(shù)據(jù)。對(duì)于多無人機(jī)協(xié)同飛行，如何防御可能的網(wǎng)絡(luò)攻擊是一個(gè)挑戰(zhàn)。為了保證多無人機(jī)協(xié)同飛行時(shí)的安全，需要考慮網(wǎng)絡(luò)干擾、數(shù)據(jù)協(xié)同傳輸?shù)?。Challita等[31]總結(jié)了主要的無線網(wǎng)絡(luò)和安全問題，并介紹了不同的基于人工智能的方法和通過深度學(xué)習(xí)方法來對(duì)安全事件和警報(bào)進(jìn)行分類。Xin等[32]介紹了基于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)方法對(duì)入侵檢測(cè)進(jìn)行網(wǎng)絡(luò)分析的方法。Xiao等[33]提出了一種基于循環(huán)神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)-無人機(jī)系統(tǒng)網(wǎng)絡(luò)安全異常行為檢測(cè)方案。Al-Emadi等[34]提出的算法利用無人機(jī)獨(dú)特的聲紋進(jìn)行安全檢測(cè)和識(shí)別。

如表1所示為無人機(jī)路徑規(guī)劃方法的總結(jié)。當(dāng)無人機(jī)在現(xiàn)實(shí)環(huán)境中飛行時(shí)，路徑規(guī)劃通常涉及高維連續(xù)狀態(tài)，以目前的方法還無法有效解決無人機(jī)的路徑規(guī)劃問題，進(jìn)而限制了無人機(jī)平臺(tái)應(yīng)用程序的開發(fā)。在元啟發(fā)式算法中，Wolpert和Macerday提出了沒有免費(fèi)的午餐（No Free Lunch，NFL）定理，他們認(rèn)為不存在獨(dú)立于具體應(yīng)用之外的普遍適用的優(yōu)化算法。如何有效解決無人機(jī)的路徑規(guī)劃問題還是一個(gè)未知的挑戰(zhàn)。深度學(xué)習(xí)技術(shù)應(yīng)用到無人機(jī)上可以很好地滿足高度自主化無人機(jī)的操作需求，然而將深度學(xué)習(xí)技術(shù)和無人機(jī)技術(shù)結(jié)合起來仍然存在著很多挑戰(zhàn)，如深度學(xué)習(xí)技術(shù)自身的理論問題、訓(xùn)練數(shù)據(jù)集的選取問題等。

表1 無人機(jī)路徑規(guī)劃方法簡(jiǎn)述Table 1 Brief introduction of UAV planning method

由于深度學(xué)習(xí)方法的本質(zhì)是從訓(xùn)練過程使用的數(shù)據(jù)中提取更復(fù)雜抽象的高層表示屬性或類別特征，因此使用的數(shù)據(jù)集的數(shù)量和質(zhì)量對(duì)深度學(xué)習(xí)方法的泛化能力和效力有較大影響，多數(shù)深度學(xué)習(xí)模型的不足也在于學(xué)習(xí)過程中所使用的數(shù)據(jù)數(shù)量和質(zhì)量問題。對(duì)于監(jiān)督學(xué)習(xí)方法，在不同的現(xiàn)實(shí)環(huán)境中生成具有泛化能力的模型需要大量的數(shù)據(jù)；自監(jiān)督學(xué)習(xí)方法采用了自動(dòng)化收集數(shù)據(jù)和標(biāo)記數(shù)據(jù)過程，以生成大量的數(shù)據(jù)集，然而這些數(shù)據(jù)集也受到標(biāo)記數(shù)據(jù)生成策略的限制。現(xiàn)實(shí)環(huán)境和虛擬環(huán)境之間的差距限制了仿真方法在現(xiàn)實(shí)世界的適用性，如何開發(fā)更具有現(xiàn)實(shí)特性的虛擬數(shù)據(jù)集仍是一個(gè)問題。同時(shí)，強(qiáng)化學(xué)習(xí)的試錯(cuò)特性也會(huì)引發(fā)安全問題，在現(xiàn)實(shí)環(huán)境中可能遭受崩潰[35]。深度學(xué)習(xí)-無人機(jī)系統(tǒng)分層架構(gòu)的較低層系統(tǒng)，如特征提取系統(tǒng)，需要大量的計(jì)算資源。這些資源需要強(qiáng)大的通信能力和機(jī)外處理能力，因此難以在無人機(jī)平臺(tái)上集成。如何進(jìn)一步開發(fā)深度學(xué)習(xí)-無人機(jī)系統(tǒng)架構(gòu)和提升嵌入式硬件技術(shù)是極其重要的挑戰(zhàn)。