一文讲解无人机集群与反无人机集群技术

随着人工智能、微机电、卫星通信、5G等技术的发展，具有抗毁性强、成本低、作战效费比高等优势的无人机集群，可实施广域分布式多点多向突击，日益成为空天战场的“生力军”、精兵作战的“急先锋”、出奇制胜的“撒手锏”，对传统防御系统提出了极大的挑战，应对无人机集群作战的威胁亟需拿出有效对策。美国集群式无人机研究计划。尽管早在2000年，DARPA就曾借鉴蚂蚁信息素交互行为，开展无人机集群的空战仿真研究，但美军真正开展系统层实物研究还是最近几年。  

郊狼集群

2014年4月，美国海军研究办公室发起“低成本无人机集群技术”（LOCUST）项目。该项目采用雷声公司的“郊狼”（Coyote）电动旋翼无人机作为演示样机，可以每秒一架的速度发射上百架。这些小型无人机利用近距离射频网络共享态势信息，协同执行进攻或防御性任务，以数量优势压制敌人。“郊狼”无人机的作战半径为37千米，航时达1小时，飞行高度为61~1524米。2015年至今，海军研究局使用“郊狼”无人机进行了两次路基试射试验和一次海基试射试验，分别完成了9架自主机动飞行、31架在40秒内发射并编队飞行以及30架30秒内发射并形成不同的排列阵型。  

小精灵集群

2015年9月，DARPA发布“小精灵”（Gremlins）项目跨部门公告，旨在开发具备组网与协同功能的可回收无人机系统。这种无人机可携带模块化侦察盒/或电子战载荷，由大型运输机或轰炸机运送至防区外发射。无人机集群通过三角定位、时频差等无源精确定位与瞄准技术探知目标，通过切断敌方通信甚至向敌数据网络中注入恶意代码实时电子和网络攻击，并最终引导精确火力完成摧毁。“小精灵”无人机作战半径超过600千米，巡航时间不小于1小时，最低飞行速度为马赫数0.7.任务完成后，C-130运输机负责对幸存“小精灵”无人机进行回收，每架预计可重复使用20次。该项目研究周期为4年，计划在2020年完成演示验证试验，试验成功后DARPA预备生产1000架“小精灵”无人机和25套机载设备。    

山鹑集群

“微型无人机告诉发射演示”项目由美国国防部战略能力办公室与空军联合开展，旨在通过F-16等有人机平台释放名为“山鹑”（Perdix）的微型无人机集群以执行态势感知任务。“山鹑”的机身尺寸同可乐瓶一般大小，配备锂聚合物电池，质量仅0.45千克，它采用螺旋桨推进，可折叠机翼装在MJU-10/B标准飞机诱饵发射筒内。发射后，无人机被唤醒并被引导找到“集群”的其他无人机，利用武器或传感器系统，执行区域地毯式搜索和干扰压制地方雷达任务。2016年10月，战略能力办公室利用3架F/A-18F战斗机在马赫数0.6速度下连续投放了103架无人机，并在地面站指挥下，通过机间通信与协同，完成4项预定任务。  

无人机集群的配套支撑项目

DARPA“拒止环境下协同作战”（CODE）项目致力于发展一套包含协同算法的软件系统，这套系统可适应宽带限制和通信干扰，减少指挥官认知负担，并通过经济可承受方式集成到现有平台。CODE模块化、开放式的软件架构允许多架无人机开展导航任务，并根据已经建立的交战规则发现、跟踪、确认和作战。拥有CODE系统的无人机也可召唤临近友军的CODE无人机以增强作战能力。 DARPA“集群挑战”（SwarmChallenge）计划将无人系统开发自主集群作战算法，在无需生成大量认知数据情况下，提高集群在复杂环境中的作战能力。项目的主要挑战包括无人系统密切协同、区域快速搜索、态势感知、决策制定以及障碍清楚都能相关难题。 DARPA“分布式作战管理”（DBM）项目致力于开发分布式作战管理系统架构、协议和算法、发展决策助手，帮助操作员在对抗环境中数据链遭到干扰的情况下，仍能有序地驾驭有人和无人平台，控制机上的传感器、电子战系统和武器系统。DBM包括自主性、态势理解和操作员工具三种功能算法，以支持在最小宽带下融合和共享态势图像，在通信保障环境下进行自适应规划和控制。  

无人机集群作战能力分析与评价

集群需要引入人工智能和自主决策方法，需要强大的计算能力、感知能力和存储能力。其高效能来源于无差异的机器—机器之间形成的高弹性整体：当内部某个无人机消失时，对整个任务的执行影响很小，当集群中出现局部扰动或增加一个新个体时也可弹性吸纳。群间网络是集群的核心，它可能基于互联网协议或其他形式的通信架构，使每一个体都能共享实时数据，从而保持对周围环境的普遍感知。这种感知能力一方面保证了无人机集群可在既定任务规划和指挥员指令下执行任务，另一方面也支撑起其在未知环境下有条不紊地完成复杂任务或在面对意外事件时重新规划任务的能力。   集群式无人机的突出特点是以自主协同网络为依托，在局部战场上创造出压倒性的数量优势，一方面有效提升己方的感知、通信、指控、打击能力，另一方面全方位、多角度阻塞和压制对方的通信网络和防空系统，提高对抗难度与成本，短时间内毁伤对手。利用集群战法，精确选择目标，快速机动，多维攻击，融合相关作战要素，打通 “侦察—控制—打击—评估”链路，形成敏捷、高效、精确的新型无人化作战体系。通过无人机间信息实时交互、动态自主组合、集群协同突防等方式，最终完成高效饱和攻击。  

分布式探测与攻击的能力

无人机集群可充当分布式传感器和武器角色，当其广泛分布时，可相互协作提升目标的探测或打击精度。在探测感知方面，平台间可采取频率、波段不同的探测设备进行全频谱探测；在电子干扰方面，无人机之间可协作确定相对位置，制定最佳攻击时机，使各平台发出的电磁干扰攻击波尽可能同时到达目标；在打击摧毁方面，无人机集群可实现 “兵力分散、火力集中”的分布式杀伤，在高效打击的同时兼顾自我防护。    

高抗毁性和多次打击本领

无人机集群执行任务时，如集群中其中一架被击毁，其他无人机可重新配置，快速填补空缺，推动任务继续执行。系统整体的抗毁性极大提高了任务的成功概率。为验证集群战法效果，美国海军研究生院的LocVPham针对无人机集群突防 “宙斯盾”系统做了上百次模拟试验，结果表明：在8架小型无人机的攻击下平均有 2.8架突防，即便是升级版 “宙斯盾”系统，至少也有1架能突防。如果无人机数量超过 10架，则 “宙斯盾”系统只能拦截最先到达的7架。      

作战成本的非对称效益

“小精灵”无人机的期望成本为70万美元， “郊狼”无人机成本只有1.5万美元，而一枚 “鱼叉”导弹的价格高达120万美元。凭借集群战术，无人机系统可快速消耗敌方对空导弹等高价值武器装备，以其规模优势给对方造成惨重损失。    

有人—无人编队协同的重要一环

无人机集群可以作为有人—无人编队作战的重要一环。在载荷配置上，无人机携带传感器、电子战系统、通信、定位／导航／授时、弹药等，有人机携带通信系统、信息融合系统、指挥控制系统、武器系统等。作战时，无人机前置，有人机后置，无人机集群用预先确定的路径飞袭到敌方的防空系统位置，在敌防区内负责目标探测跟踪、电子对抗，并通过数据链将目标数据传送至后方有人机平台作融合处理。确认目标后，即可由后方大型作战平台投射武器进行防区外打击，或由无人机携带的打击武器进行时敏目标打击。当敌方的防空系统部分失效时，后方的高价值、隐身机载平台也可实施第二波打击。  

反无人机集群的预警探测手段

与飞机、导弹等传统空中威胁一样，有效防御集群式无人机的第一步是尽早感知威胁并及时预警。由于无人机集群需要在指定平台发射，且普遍存在飞行高度低 （隐蔽性强）、发动机散热量低 （难以被红外探测器发现）等特点，因此宜采用下列雷达预警方案。    

多层次、分布式的预警防御体系

远—中—近程雷达分层配置。与 “全球鹰”“捕食者”等大型长航时无人机不同，小型无人机的续航能力和作战半径有限，需要运输机等载机平台送至防区外发射。载机平台既是无人机集群出现的标志，也是向后者传递指控命令的神经中枢。鉴于“小精灵”无人机最大作战半径可达900千米，采用C－130、C－17运输机或者B－52轰炸机远程投放，因此可针对这些载机平台建立雷达目标特征数据库，使用远程警戒雷达 （500～1000千米）探测、分类和识别，待确认后引导导弹和战机进行攻击。 远程雷达的掠地角大，分辨能力低，不易探测和跟踪小雷达截面和低飞行高度的集群式无人机，因此在无人机进入500千米、300千米、100千米之后，可分别采用中、近程三坐标警戒雷达和低空补盲雷达对无人机群进行监视和跟踪。萨博公司拓展了中、近程 “长颈鹿”捷变多波束雷达对“低慢小”无人机目标的探测、跟踪性能，并验证了在复杂环境下应对 6架无人机的能力。该雷达可发现 100个雷达截面积仅为0.001米²的空中目标，将无人机从地面杂波中识别出来，并可与多种武器系统相连，执行打击无人机的任务。    

雷达组网与双／多基地部署

集群式无人机通过协同组网和分布式感知提升作战能力，地面雷达也可以借助这一思想，采用雷达组网和分布部署来提高预警能力。组网雷达通过一个中心站执行统一管理和调配，利用通信链路将多部不同体制、不同频段和不同工作模式的地面雷达系统连接起来，最终依靠融合处理技术将网内各传感器的信息整合成最全面可靠的情报。组网雷达具有三大作战优势：首先，凭借广域覆盖实现无缝监视，凭借多角度观察实现去伪存真、去粗取精，从而降低虚警概率；其次，当网内一部或几部雷达因受到攻击而失效时，其他雷达系统依旧能担负起警戒的重任，避免预警体系整体瘫痪；最后，组网雷达既可以灵活调整工作状态，充分发挥每部雷达的探测优势，又可以通过交替开机、轮番机动等方式给无人机集群造成电磁闪耀干扰，使之混淆跟踪的方向、频率和波形。   相比于常见的单基地雷达，双／多基地雷达能够有效应对无人机集群的侦察、干扰和打击威胁。首先，双／多基地雷达的发射机可部署到战区后方甚至是空中平台上，灵活机动，处于相对安全位置；其次，高价值的接收机作为无源装备，具有很好的电磁隐蔽性，可放置于战线前方，取得最佳探测视角；再次，和组网雷达一样，分散式部署的多基地雷达能大范围、多角度地探测无人机群，提高发现概率和识别能力；然后，多基地雷达中的一部发射机可供多部接收机使用，一部接收机也可接收多部发射机的信号，增强了体系的鲁棒性和抗毁性；最后，凭借着空间分集、体制分集、频率分集、极化分集和信息融合等优势，双／多基地雷达几乎能抗击所有的有源和无源干扰。    

空—地一体协同探测

相比于地基雷达，空基预警平台能突破地球曲度和地形遮挡限制，实现更好的低空探测。空中预警系统包括预警机和浮空器，其中预警机不仅能灵活机动地执行大空域360°无缝探测，还可以作为空中指挥控制中心指挥我方战机与敌机交战，并利用机内电子战设备展开电子侦察和电子干扰浮空器平台具备360°全覆盖、全天候、全天时监视能力，且运行成本很低（400美元／小时）。尽管如此，这两种空基平台还需要地面雷达辅助：预警机的运行费用高，续航能力有限，即使是空中加油，也无法满足全天时作战需求；浮空器体积庞大、行动迟缓，极易成为攻击目标；另外，一般预警机和浮空器的最大作用距离都在500千米左右，难以捕获900千米外的“小精灵”载机平台。因此，空—地协同探测才能将雷达体系的大威力、全覆盖、全天候／全天时、低成本等优势结合起来。    

低／零功率辐射技术与系统

鉴于无人机集群的首要作战对象是辐射电磁信号的雷达等电子设备，因此可以采用低功率甚至零功率的雷达辐射技术和装备来达到隐蔽探测和自我保护的目的。低截获概率（LPI）雷达采用宽带自适应频率捷变、高增益天线、扩谱波形、脉冲压缩、相干积累、参数随机化等方法，提高主瓣增益系数与接收机信噪比，从而以极低峰值功率捕获远距离小目标。无源防空雷达自身不发射电磁波，它通过接收空中目标自身电磁辐射或外辐射源照射目标的反射信号，完成对目标的定位和跟踪。由于彻底失去引导媒介，无人机集群难以发现无源雷达。此外，近几次局部战争证明，制定机动灵活的雷达静默战术，能很大程度地减少电磁波泄漏，防止雷达信号情报被侦察。    

具有颠覆性潜力的新体制雷达技术

多基分布式协同探测体系可全面感知战场态势，具备强大的抗干扰性和抗毁性，但体系越大意味运行费用和维护成本越昂贵，也意味着越容易暴露目标、受到打击。无源雷达尽管有好的电磁隐蔽性，但却缺少发射机合作而丢失了探测的主动性和精确性。为了在不损失预警效能的前提下降低作战成本，除了统筹规划雷达开机策略外，还可以将目光瞄准具备颠覆性潜力的新体制雷达技术上，如微波光子雷达。 微波光子技术将光子／光电器件的高频率、大带宽、低损耗、结构小型紧凑等优势与传统微波雷达相结合，从而提高远程探测和宽角覆盖能力、目标成像和识别能力、低空探测能力、抗有源干扰能力和快速可重构能力，并且有助于实现雷达系统的软件化和多功能，降低系统尺寸、重量和功耗。世界上首部微波光子雷达样机已经问世，实现了对非合作客机的跟踪与测量。之后，该雷达架构成功推广至双波段和多波段，并演示验证了一体化光子雷达／通信系统和光子雷达／激光雷达系统的可行性。    

对抗无人机集群攻击的手段

鉴于集群式无人机的低红外、低成本和高抗毁性等特点，使用地空导弹、空空导弹等高价值武器无异于大炮打蚊子，容易丢失目标且经济成本太大；使用高炮和便携式导弹尽管对单个近距离、低空、慢速目标拦截效果较好，但也不适合分布式作战的无人机集群。因此，干扰和打击方法必须具备低成本、大覆盖、高效能等优势。      

实施多途径电子干扰，全面抑制无人机集群的作战威力

无人机本身体积小、容量有限、抗干扰功能相对缺乏，其导航系统、电子侦察系统、通信系统和组网协同系统在受到强烈电磁干扰时很可能会部分失灵甚至彻底失效。 定位、导航系统是无人机按预定路线飞行的保证。一般地，无人机在飞行时须依赖全球定位系统（GPS）和捷联惯性导航系统（SINS）实施定位和导航。但 GPS存在着信号强度弱、接收机响应能力不强等缺点。若GPS信号接收机被干扰，无人机只能依赖SINS导航，而SINS的累积误差往往会随着航程增加而迅速扩大，导致定位精度下降，甚至会使无人机偏离预定航线。 无人机携带的任务载荷多为光电传感器和轻型合成孔径雷达。对光电传感器的干扰手段包括制导欺骗式干扰、测距欺骗干扰、致盲压制式干扰以及烟雾干扰等；对合成孔径雷达的干扰手段包括瞄准式噪声干扰和欺骗式干扰等。 无人机集群同后方控制平台的通信通常有无人机与平台距离在视距之内的视距通信和在视距外的卫星中继通信两种方式。对于视距通信，可以使用多目标干扰、频率跟踪式干扰和全频段拦阻式干扰；对于卫星中继通信，只要破坏无人机发射端—上行链路—卫星转发器—下行链路—平台接收端的任一环节即可。 无人机集群间通过一种子网络语言相互沟通、协调行动。通过发射合适的干扰信号可以扰乱这种内部通信，使其自乱阵脚，集群中的个体只能各自为战，集群战就退化为混战，作战效能也将大大折损。这种干扰甚至能在集群内部引起大规模碰撞毁伤等连锁反应，最终彻底摧毁整个集群。由于集群大都呈密集型分布，这种子网络语言可能会对甚高频（VHF）信号敏感。    

利用定向能武器，实施瞬时高能打击。激光武器

激光武器利用激光固有的单色性、方向性和高能量密度等特点，具有直线攻击、瞬时打击、抗干扰能力强、作战效费比高等优势。高能激光照射到无人机上可以使机体升温、熔化或汽化，破坏机械结构或电子元件，从而毁伤无人机。2015年8月，波音公司在 “黑色标枪” （BlackDart）反无人机演习中，演示了 “紧凑型激光武器系统”的反无人机能力。该系统可通过中波红外传感器在 40千米的范围内识别、追踪地面和空中目标，激光波束可在37千米范围内聚焦。   尽管如此，激光武器打击无人机集群还需克服很多困难：首先，激光能量转化效率低、光束功率密度小，未能实现 “即打即毁”杀伤能力；二是激光在大气传输中衰减较强，受天气影响较大，不具备全天候作战能力；三是目前激光武器的体积和重量大，机动性不强，难以跟得上灵活机动的机群；四是激光武器的波束太窄，一次只能攻击一个无人机目标。    

高功率微波武器

高功率微波武器是一种具备软、硬多种杀伤效应的定向能武器，它可发射峰值功率在100兆瓦以上、频率在1～300吉赫之间的电磁脉冲，通过天线进入目标系统内部击穿和烧毁电子元器件，从而毁伤目标。与激光武器相比，微波武器的作用距离更远，受气候影响更小，攻击时只需确定大概指向，不必精确瞄准，易于火力控制。微波武器辐射出的大功率宽角度（多呈扇形或圆锥形）电磁波脉冲有大面积杀伤能力，可以充当盾牌防御整个集群。另外，由于发射波束具备一定的方向性，可避免对己方电子设备造成毁伤。雷声公司近年来持续为美国陆军开展陆基高功率微波（HPM）武器的演示验证，其演示样机安装在6米的容器内，它以高功率磁控管为基础，配备了用于目标跟踪与引导提示的火控雷达，可实现空中全覆盖。2013年，该系统在美国陆军火力卓越中心成功验证对抗多架无人机的能力。    

发展 “幕”型拦截武器，提升无人机捕杀效能

“幕”型武器发射之后在较大空间分散成幕状结构组织，可由地基或空基平台发射，是拦截和毁伤高密度、轻质量无人机集群的高性价比武器。几年前，DARPA曾评估一种称为 “快速捕获无人机或使无人机失能”的小型空中防御概念武器，这种武器采用携带红外近距离传感器的管型发射装置，可喷射出泡沫或网罩，而网罩的导电碳纤维能够使无人机的通信系统失灵。开放工厂公司研制生产的SkyWall100小型无人机拦截系统也属于这一类武器，该系统作用范围为100米，由肩扛式发射筒和拦截网弹组成，发射筒配有光学智能瞄准仪，拦截网发射后在空中形成大覆盖面，包裹目标无人机并使其失去动力。    

依托制空优势，有人战机空中摧毁无人机集群

尽管近年来无人机技术取得了长足进步，无人机装备也从单纯地监视侦察发展到携带 “地狱火”导弹执行地面攻击，甚至诞生了可执行多种任务的无人作战飞机，但制空能力弱还是所有无人机的通病。凭借高机动性和灵活性，有人战斗机可利用机炮等机载武器肆意猎杀无人机集群。此外，有人战机还可以利用机上电子对抗设备对无人机集群进行干扰，用 “幕”型武器取代空空导弹来提高拦截概率和效费比。      

以雷达诱饵实施诱骗，抵消无人机集群威胁

由于无人机集群的打击对象主要是以雷达为主的一体化防空系统，因此可采用雷达诱饵抵消威胁。雷达诱饵主要有制式干扰诱饵、废旧雷达诱饵以及同频接力诱饵三种。制式诱饵是指在雷达附近分置一个或多个与雷达发射信号特性相同的制式干扰源，当无人集群来袭时，雷达指挥控制中心可统一控制，利用闪烁、两点源相参干扰诱骗和多点源非相参干扰诱骗等方式，使集群无法精确跟踪雷达信号；利用废旧雷达诱饵，是指使用置于假阵地的废旧雷达模拟作战雷达的电磁辐射特征，用假信号引诱敌无人机集群偏离正确目标；同频接力诱饵即利用多部雷达接力交替工作，使集群难以持续跟踪某一部确定雷达，从而抵消其探测、干扰和打击能力。 集群式无人机作战将动物界的集群行为与小型无人机系统相结合，集数量多、灵活弹性、分布式打击、抗毁伤和低成本优势于一体，是一种改变游戏规则的新型作战威胁。为及时发现这种威胁，可通过远程—中程—近程分层放置、双—多基地分布式部署、空—地组网协同等方案建立起完备的雷达预警体系，并开发微波光子雷达等具备颠覆性潜力的雷达探测技术和装备；为有效反制这种威胁，应对无人机集群开展广泛的电子软杀伤攻击，借助组网雷达或废旧雷达实施诱骗，使用有人战机空中拦截和摧毁，并开发 “幕”型武器和定向能武器 （特别是高功率微波武器）等具有大覆盖、宽角度、定向攻击能力的武器系统。 随着智能集群与分布式协同技术的快速发展，低成本无人机集群对抗成为了未来战争形态的一种突出体现，反无人机集群技术也成为了军事研究领域中的一个重要内容，其呈现螺旋上升的状态。反无人机集群技术包含三个方面：探测、决策与反制。其中在无人机集群检测方面，现有的探测技术面临了诸多挑战，最直观的挑战就是利用现有技术有效地解决小型无人机难以准确检测的困难，而更核心的挑战是如何精确地描述无人机集群，能为无人机集群反制方案提供更高性价比的信息。 无人机集群目前主要由中小型无人机组成，未来则可能是大型隐身无人机组成，也有可能是传统飞机改造而来。中小型无人机组成的无人机集群飞行高度低、机动速度慢、雷达反射截面积较小。大型隐身无人机集群飞行高度高、机动速度快、雷达反射截面积也不大，两者都具有侦测难和处置难的特点，对传统的探测和防御手段提出了极大挑战。 另外，还要通过网络实现无人机集群探测预警信息的高度共享，融合、集成战场环境信息和敌我态势信息以及规划命令等多个数据源获取的信息，在地理信息基础上叠加敌、我、友及中立部队的位置和运动轨迹，以及反无人机集群的设施或武器装备的有效控制区域等信息，形成无人机集群探测的综合态势图，为优先打击最有价值的无人机集群目标提供支撑。   现阶段反无人机集群技术对探测阶段的研究较少，大多数系统仍采用雷达进行探测，如美国洛克希德·马丁公司的反无人机集群方案，采用了Q-53型号雷达进行探测，同时仍需要人工识别。针对无人机这一类低小慢目标，雷达图像中目标容易与背景杂波混淆，不容易取得满意的效果，因此在反无人机集群技术领域，需要研究高效的小型无人机集群识别技术。在进行无人机集群目标识别时，需要在有限的计算力条件下满足实时性检测跟踪的需求，并且需要具有适应各种复杂环境的能力，这是针对无人机集群目标进行检测识别的现实需求，也是当前在这一领域面临的主要障碍。 虽然无人机集群作战具有诸多优势，但需要依赖集群间实时信息交互实现协同指挥控制，其“阿喀琉斯之踵”是通信链路和控制系统。如美军曾用3架F/A-18F“超级大黄蜂”战斗机投放103架“灰山鹑”微型无人机，展示了集体决策、自适应编队飞行等无人机集群协同作战能力，其核心支撑就是共享一个分布式大脑，同时与多个地面站通信，一旦其通信链路被干扰或控制系统被入侵反控制，无人机集群极可能全军覆没。 2011年12月4日，伊朗捕获了一架美国RQ-170“哨兵”无人机，就是先进行通信压制，使其失去与美军地面控制中心之间的联系后进入自动飞行状态，而后利用GPS导航系统的漏洞改变预设飞行坐标，最终成功诱导这架无人机降落在伊朗境内。虽然伊朗只是捕获了一架无人机，但其作战原理同样适用于对付无人机集群。 俄罗斯反无人机作战也有实战经验。2018年1月6日凌晨，俄罗斯驻叙利亚赫梅米姆空军基地和塔尔图斯海军基地遭到50公里外远程操控的13架无人机攻击，在其驻叙防空部队和电子战部队的共同努力下，部分无人机被火力摧毁，部分无人机被电子战部队干扰后俘获。另外，目前的无人机集群防护能力和机动能力不强，一般作战半径有限，需要利用运载平台输送到其打击范围内才可以释放，否则无法发动攻击。 目前，反无人机集群可采用电子干扰或网络攻击等“软杀伤”方式，破坏无人机集群和遥控者之间的信号连接，让无人机集群直接失控坠毁或者自动返回。不过，如果无人机集群采用自主方式实施攻击，脱离远程信息交互，加强集群内部信息交互防护，“软杀伤”方式可能难以奏效。 所以，反无人机集群采用“硬杀伤”方式也是很有必要的，比如可以采用弹炮拦截、激光拦截、无人机“自杀式”拦截、捕捉网拦截、空中设障等方式。无人机集群一般具有数量众多的无人机，采用单一手段抗击可能效果有限，反无人机集群应着眼整个无人机集群系统，软硬结合，从体系对抗角度整体抗击，综合使用多种手段层层拦截。特别是要大力发展高功率微波武器等高效低成本的新型防御手段，并且要注意发展无人机集群对抗无人机集群的手段。   近年来，深度学习在计算机视觉各项任务上的良好性能表现，伴随着高分辨率相机的普及，使得基于视觉的集群目标识别成为可能。面对检测小型目标的困难，深度学习技术给出了可能的解决思路：当深度神经网络达到足够的深度时，在理论上可以对非常小的目标作出有效的特征提取与检测，但同时会带来难以满足实时检测的计算量。另外，传统的检测方法受特征工程中需要人工选择和提取特征的限制，可能会忽略目标所具有的深层特征，进一步影响了检测的有效性和稳定性，而深度学习借助其在数据与信息挖掘领域具有的突出优势，克服了特征工程中人工选择提取特征的局限性，通过数据训练拟合的方式自行提取有效特征，使得这一问题得到解决。  

目标检测技术的发展与现状

从上世纪50年代开始，研究人员就开始了对图像的识别技术研究，在传统机器视觉领域中，判定图像中是否存在特定物体的问题是一个非常经典的研究方向。从上世纪70年代机器视觉技术领域逐渐兴起以来，物体检测一直受到落后的技术条件和有限应用场景的限制，直到上个世纪90年代才逐渐走入正轨。对人的视觉系统而言，物体检测并不困难，通过对图片中不同颜色、纹理、边缘模块的感知很容易定位出目标物体，但对于计算机来说，图像实际上只是像素矩阵，想要从图像中直接得到目标物体的抽象概念并确定物体所处的区域比较困难，再加上物体姿态、光照和复杂背景复杂混杂在一起，使得物体参见更加困难。物体检测技术通常由三部分组成：选择检测窗口，设计物体特征，设计分类器。在21世纪初Viola Jones提出基于Adabost的人脸检测方法以来，物体检测算法确立了传统的人工设计特征+千层分类器的框架，2012年之后，基于大数据和深度神经网络的End-To-End的检测框架不断发展完善，物体检测技术愈加成熟。 Viola Jones检测器虽然是当时的技术条件下，实现了实时人脸检测，但是其准确率仍不能满足现阶段的需求。2002年，Rainer Lienhart和Jochen Maydt对V-J检测器进行了扩展，即为如今的Haar分类器。 2012年AlexNet在当年的ImageNet视觉目标识别竞赛中使用的深度卷积网络大幅提高了检测分类的准确率，深度学习从此成为计算机视觉处理目标检测识别任务的热门研究方向。而将深层神经网络应用时也面临诸多的挑战，如网络容易过拟合、网络退化等。 由Ross B.Girshick等人分别在2014年和2015年提出的R-CNN、Fast R-CNN算法，分别将ILSVRC 2013数据集上的准确率提升到至31.4%和70%以上，但仍未解决region proposal速度过慢的问题。Shaoqing Ren于2-15年提出的Faster R-CNN运用RPN（Region Proposal Network）实现了端到端的训练，在Fast R-CNN的基础上进一步提升了检测准确率和检测速度，但仍存在小型目标检测效果差的问题。 微软搜索的Jifeng Dai等人和来自Facebook人工智能团队的Kaiming He等人分别与2016年和2017年提出R-FCN和Mask R-CNN算法，虽然进一步提升了检测平均准确率，但牺牲了大量的计算资源，算法耗时较为严重。 Ian Goodfellow提出的GAN（Generative Adversarial Network）算法，提升了神经网络对遮挡等问题的鲁棒性，然而GAN模型采用二元零和博弈的思想，其优化中没有使用损失函数，导致网络在训练中网络的优化方向无法确定。 上述基于深度学习的目标检测算法均属于基于分类的技术路线，始终没有解决的问题是region proposal与分类两个步骤分离造成的计算速度慢的问题。在此基础上，Joseph Redmon等人在2016年提出了基于回归的检测方法YOLO，解决了region proposal与分类两个步骤分离的问题，用one-stage的检测形式将检测速度大幅提升，足以满足实时性检测的要求，但存在对小型目标检测效果不好的问题。 在此基础上2017年Joseph Redmon又提出了YOLOv2和YOLO9000算法，两个算法的结构基本一致，在保持了YOLO速度的同时将平均检测追踪率提升了2.4%。2018年Joseph Redmon再次对模型进行改进，提出了YOLOv3，通过改变损失函数，增加网络层数等方式，如DSOD、R-SSD等算法，达到了较高的检测准确率，但存在计算速度难以满足实时检测的问题。基于深度学习的目标检测方法中，YOLO算法比较适用于进行实时检测任务，但同时还需解决小目标检测不稳定的问题，以及进一步提升小目标检测性能的目标。2017年，Tsung-YiLin等人提出了FPN算法，有效生成对图像的多维度特征表达，FPN同时参考了SSD和2016年Tao Kong等人提出的HyperNet的机构，大幅提升了深层特征图的语义提取，在于多种模型结合实验，结果对小目标的检测性能提升较大。  

多目标跟踪技术的发展与现状

多目标跟踪问题相比单一目标的跟踪更加复杂，除了单一目标跟踪中出现的形变、背景干扰等问题以外，还面临场景中目标自动初始化与终止、目标相似度匹配、目标间交互与遮挡以及再识别等挑战。 最初研究人员针对雷达任务中多个运动目标的轨迹跟踪问题研究出许多算法，后被移植到计算机视觉领域，用于视觉多目标跟踪任务。其中比较经典的算法有Donald B.Reid在1978年提出的多假设跟踪算法（MHT），本质上MHT是对Kalan滤波的扩展，虽然存在如概率模型选取这类问题，MHT仍然在现阶段的多目标跟踪算法中引用并取得了不错的效果。 除Kalman滤波在多目标跟踪任务中得到应用，粒子滤波算法也在多目标跟踪场景中进行了扩展。2009年Michael D.Breitenstein等人提出基于检测可信度的粒子滤波算法，舍弃了简单使用高斯分布作为概率模型的方法，但是算法仍需要大量样本，且存在权值退化的问题。 2008年由L.Zhang等人提出一种基于最小代价流优化的多目标跟踪算法，采用最小代价流优化的多目标跟踪算法是基于确定性优化的离线多目标跟踪算法。这种算法将数据关联问题映射到具有不重叠约束的成本流网络中。利用网络中的最小成本流算法，找到了最优的数据关联。在此算法基础上，H.Pirsiavash和P.Lenz等人分别与2011年和2015年进行了优化，在一定程度上解决了低效率的问题，然而这种基于图的算法模型仍不适用于在线跟踪任务。 Y.Xiang等人在2015年提出基于马尔科夫决策的多目标跟踪算法（MDP跟踪算法），MDP跟踪算法利用马尔科夫过程计算轨迹，是一种基于机器学习的确定性目标跟踪算法，相比前集中方法，MDP跟踪算法具有更高的计算速度，可以实现在线的检测，然而需要离线训练，且在一些场景下平均准确率略低于上述几种算法。 W.Choi于同年提出一种局部流的多目标跟踪算法NOMT，算法通过在连续多帧图像上提取信息的方式，获得了更多的特征，同时具有了一定的修正能力，然而由于算法需要连续多帧图像，因此会造成算法具有一定时间延迟，是一种近似实时的跟踪算法。 以上算法均基于Kalman滤波或机器学习等传统算法构建，在进行目标跟踪与轨迹匹配时，深度学习对目标特征的高效提取能够提升算法的匹配准确率。 L.Lealtaixe和Q.Chu等人分别于2016年提出基于孪生卷积网络的多目标跟踪算法和基于最小多割图的多目标跟踪算法，通过引入深度学习，提取检测到的目标表观特征，根据表观相似度对同一目标进行匹配，其结果在匹配准确度上获得了较为显著的提升，但是由于引入深度神经网络，算法具有比较严重的耗时问题。 针对多目标跟踪中容易出现的遮挡问题，Q.Chu等人在2017年提出一种基于时空关注机制的多目标跟踪算法，其思想为通过建立时空关注模型对遮挡的目标特征进行加权，在对加权后的目标进行匹配，一定程度上解决了目标出现遮挡的情况。 除以上几种利用卷积网络进行特征提取的方法以外，由于视觉多目标跟踪其数据的序列性，在多目标跟踪算法中引入循环网络也成为了比较流行的方法。 2017年Amir Sadeghian等人提出基于RNN的多目标跟踪算法，算法通过设计长短时记忆网络（LSTM），综合目标的运动特征、表观特征与交互特征来学习已产生的轨迹与当前检测匹配。 2018年Kuan Fang和Chanho Kim等人分别提出基于递归自收敛网络的在线跟踪算法与基于双线性长短时记忆网络的多目标跟踪算法，算法在传统的循环网络进行特征提取的基础上设计了更复杂的网络结构，以提取更深层的表观特征，提升了匹配准确性。然而利用RNN思想进行多目标跟踪对系统的计算能力要求较高。 2016年由AlexBewley等人提出SORT算法（Simple Online And Realtime Tracking），通过Kalman滤波提取目标的运动特征，再利用匈牙利算法进行匹配，这样只利用bounding box的大小与位置信息进行目标运动特征匹配的犯法大大提升了跟踪的速度，但是算法全权利用运动特征也导致了无法重新匹配，对轨迹匹配出现中断的目标效果不佳。 2017年Nicolai Wojke等人在SORT的基础上提出了DeepSORT算法，加入卷积网络对目标表观特征进行提取，增强了网络对遗失和障碍的鲁棒性。对于多目标跟踪技术，Kalman滤波算法具有较快的速度，可以达到实时跟踪的需求。多目标跟踪技术需要解决以上提到的问题，并结合检测算法设计出适用于实时检测跟踪的多目标实时检测跟踪算法。  

高/低动态范围图像处理技术发展与现状

近年来，高/低动态范围图像技术（HDR/LDR）得到了越来越多的普及。高动态范围图像对场景的描述更加真实，包含了更加完整的场景信息，可以提供更多的图像细节。然而受到大多数显示设备的限制，能够显示的动态范围很小，导致图像出现亮度失真、信息丢失等问题，影响目标检测与跟踪算法的性能。因此，以色调映射算法为主的针对高/低动态范围图像的图像处理技术也得到了更多的关注，能够将HDR图像进行处理，调整图像的亮度或灰度值与对比度，使图像能够在尽量不丢失细节信息的条件下，显示在动态范围的显示设备上。 2002年，Erik Reinhard收到摄影中曝光过渡与不足的启发，提出了一种基于局部平均对数算子和高斯滤波的多尺度映射算法，对过暗和过亮的图像区域进行了亮度修正。Jiang Duan等人2004年提出一种全局直方图均衡的色调映射算法，并在2010年增加了利用局部直方图进行自适应调整的优化方案。 2008年，Radoslaw Mantiuk等人将色调映射问题转化为优化问题，并于2009年提出一种色调校正算子，将输出设备的对比度失真最小化，以获得最佳的对比度可见性。 2011年，Zicong Mai等人提出了基于统计模型的色调映射算法，对色调映射和图像压缩过程中产生的失真进行估计并优化，在图像MSE上具有较为显著的提升。 Tom Mertens、Neil D.B.Bruce及Zhengguo Li等 人分别在2007年。2014年和2017年提出不同的多尺度曝光融合算法，用不同的方法对曝光程度的LDR图像进行融合，以保留HDR场景中最亮和最暗区域的信息。 以上的集中图像处理算法采用了比较传统的技术手段，另外还有一些色调映射算法借助卷积神经网络的发展，受到人类视觉系统（HVS）的启发，通过模拟人类视觉神经细胞的方式，实现对图像中过亮和过暗区域的同步调节。 Michael Ashikhmin在2002年提出的模拟HVS的图像处理算法，通过建立绝对亮度与对比度方程，将图像色调映射过程压缩到单一变量控制。2005年Grzegorz Krawczyk等人参考锚定理论，将HDR图像划分为多个亮度一致的区域，分别估计亮度值。 2011年Sira Ferradans等人建立一种基于视锥细胞的色调映射算法，从两个阶段模拟了视网膜对亮度和对比度的自适应调节。2017年Nima Khademi Kalantri等人通过CNN网络，对一组不同曝光程度的图像进行配准合并生产HDR图像，也取得了较好的效果。 相较于传统的图像处理算法，基于生物机理的处理算法可以将在低动态显示设备上显示的高动态图像的更多细节展现出来，此外相关算法还可以处理夜间较暗的图像，使其亮度得到一定的增强，实现亮处与暗处的同步调节。  

目标三维重建技术发展与现状

基于视觉的目标三维重建技术根据传感器的不同类型，可分为主动式与被动式。此处讨论被动式，被动式三维重建技术通过相机等传感器从周围环境中捕获图像，其原理通常为借助视图的几何原理进行空间位置计算得到目标的三维结构。 Olivier Faugeras等人于1995年提出的Realise系统，解决了从图像序列中恢复场景中欧几里得几何形状的问题。Steven M.Seitz等人1999年提出基于体色着色的三维重建算法，通过在以固定的可见性顺序遍历体素的离散场景空间中进行工作，避免了图像匹配的问题，但仍对相机校正有较大的需求。PE Debevec等人在1996年提出一种基于稀疏静态图片进行三维建模的算法，结合了几何原理和图像处理技术，提升了重建效果。 以上工作均为三维重建领域比较经典的方法。除此之外还有基于深度学习的三维重建方法。 David Eigen等人在2014年提出的基于Coarse-Fine网络的深度图估计算法，通过建立两个深层网络分别从全局和局部进行估计，实现了尺度不变的深度图预测。Christopher B.Choy等人在2016年提出3D-R2N2算法，采用LSTM网络实现基于体素的三维重建，同时适用于单视图与多视图，然而算法耗时较为严重，精度不高。同年Haoqiang Fan等人提出基于深度学习生成点云的三维重建算法，利用深度无网络直接从单张图生成点云，解决单视图生成3D信息的困难。 2018年，Nanyang Wang等人提出Pixel2Mesh算法，舍弃了点云、深度图等形式，直接从单张RGB图像生成3D mesh信息。多视图三维重建算法相比单视图需要更多的计算力，但所受到的外界约束条件也更少。在处理在线目标三维重建时，双目视觉技术具有较好的表现，但仍需进一步缩短计算耗时，提升重建的稳定性。 无人机几何特征。 通过对目标的几何特征提取识别是在图像上进行目标检测最直观有效的方案。最初基于图像的目标检测识别任务常用像素级的检测方法，这种方法计算量极大，难以满足当前高分辨率条件下实时检测的要求；随着计算机视觉理论的发展，出现了众多的特征级检测方法，通过图像分割、目标提取与特征分析等手段，极大提升了目标检测的速率与效果。目标检测识别任务重，所提取目标特征的有效与否直接决定了目标检测与识别的结果好坏，因此目标特征的提取是整个任务中最为关键的阶段。    

单目标无人机几何特征

近年来不论基于传统算法还是深度学习的特征提取算法在单目检测上均取得了很好的效果，针对单目标几何特征定义上也比较熟悉。一般来说，单个目标基于图像的特征主要可以定义为：长宽比，即目标bounding box的长宽之比；亮度均值对比度，即目标与北京平均亮度的比值；亮度范围，即目标最大亮度与最小亮度；目标边界等特征等。 在针对无人机的目标图像特征提取任务重，比较难以克服的困难在于，传统方法需要人为定义并量化特征，这一点并非不可实现，但是通过这种方法定义出的特征集合难以保证可以实现检测的最有效，因为无法保证所提取出特征的代表性与有效性，而且人为定义的特征通常局限在目标的表层特征，相比之下深度神经网络通过多层学习与拟合，能够发觉出更深层次的特征，这类特征对尺度变化等特殊情况下坑你具有更高的鲁棒性，这也是传统方法在目标检测上的效果略逊色于深度学习的一个原因。除此之外，检测多轴无人机这类小型目标任务中，距离较远情况下目标在图像的范围可能只有50x50像素大小的区域中，导致目标特征更加难以提取识别，对于目标的有效检测造成了巨大困难。为了解决目标区域过小的困难，仅仅通过改进算法是不够的，根本上需要在更有效的数据集上训练。而现阶段出现了越来越多的高分辨率设备能够有效解决这一问题。    

集群目标无人机几何特征

单目标无人机外观形状固定，几何特征方便定义与提取。相比之下，无人机集群目标的几何特征难以定义，原因在于特征应为通用、固定、可预测的性质，而无人机集群目标结构多变，且通常还涉及节点增减的情况，直接定义集群目标的几何特征具有非常大的困难。 从反无人机集群任务总体角度考虑，对无人机集群进行识别的意义在于描述无人机集群的空间结构，找到集群空间结构的弱点，进而实现对无人机集群目标的有效反制。因此，无人机集群目标的几何特征重在描述，并非无人机集群目标检测任务的过程，而是结果。针对无人机集群目标的检测任务，需要结合对单目标检测与集群节点几何机构构造来实现从点到群的转换。 定义无人机集群目标几何特征是为了实现对目标进行最有效反制。对无人机集群的反制手段主要分为对单一节点反制与对群集点反制，结合反制手段的特点，无人机集群目标的几何特征可以定义为节点数目、集群长宽高比例、节点密度、最大最小截面等。   综合上述特征识别技术思想，结合无人机集群反制任务的具体场景与要求，将集群目标的几何特征定义为： 1.集群中各节点相对密度，反应集群目标的几何特征表现为集群中各个区域节点密度程度，即各节点到其他节点的平均相对距离，按照由密集到稀疏的顺序排列，这样的特征有利于僚机集群哪些区域适合集群反制，哪些区域适合定点反制措施； 2.针对定点反制类型的反制措施，集群目标的几何特征表现为各节点到观察位置的距离向量，向量中各元素按照从小到大顺序进行排列，这样的特征有利于定点反制措施按照由近到远的顺序进行反制； 3.针对集群反制类型的反制措施，集群目标的几何特征表现为各节点到其他节点处于集群反制措施有效范围内的数目向量，向量中各元素按照从大到小顺序进行排列，这样的特征有利于找到集群反制措施最具有威胁的区域。 无人机集群必将飞入战场，无人机集群与反无人机集群技术也必将成螺旋上升态势。

编辑：黄飞