地空无人平台协同作战效率优化研究.pdf

2023 年 8 月第 19 卷 第 3 期系统仿真技术System Simulation TechnologyAug.，2023Vol.19，No.3地空无人平台协同作战效率优化研究陈泉林1，贾珺1*，孙婷1，江丹阳2（1.军事科学院，北京 100091；2.中国人民解放军63677部队，新疆 乌鲁木齐 830000）摘要：由于现代战争战场环境更加复杂、单一种类无人装备受诸多因素限制导致难以满足复杂作战任务需求，地空无人平台协同作战成为必然选择。针对地空无人平台协同作战问题，本研究建立地空无人平台协同作战模型，并定义作战效率的计算公式。以作战效率为求解作战方案的优化目标，提出了基于遗传算法的地空无人平台协同作战的作战效率优化方法。实验结果表明，在任务载荷总毁伤度保持相同大小的条件下，作战时长优化约30%，为参谋人员制定作战方案提供辅助方法。关键词:无人作战；协同作战；任务载荷；遗传算法；作战方案；作战效率Research on Efficiency Optimization of Ground-Air Unmanned Platform Cooperative OperationCHEN Quanlin1，JIA Jun1*，SUN Ting1，JIANG Danyang2（1.Academy of Military Sciences，Beijing 100091，China；2.Unit 63677 of the Chinese People s Liberation Army，Urumqi 830000，China）Abstract：Facing the problem that the battlefield environment of modern war is more complex and a single type of unmanned equipment is limited by many factors，it is difficult to meet the requirements of current complex combat tasks.The cooperative operation of ground-air unmanned platform has become an inevitable choice.Aiming at the problem of cooperative operation of ground-air unmanned platform，the cooperative operation model of ground-air unmanned platform is established，and the calculation formula of operation efficiency is defined.Taking the operational efficiency as the optimization objective of solving the operational scheme，the operational efficiency optimization method of ground-air unmanned platform cooperative operation based on genetic algorithm is proposed.The experimental results show that under the condition that the total damage degree of mission load remains the same，the operation duration is optimized by about 30%，which provides an auxiliary method for staff to formulate the operation plan.Key words：unmanned operation；coordinated operation；mission load；genetic algorithm；operational plan；operational efficiency目前以无人车、无人机为代表的智能化装备已经应用于战场，面对复杂的战场环境，单一种类无人装备因工作方式、工作空间、搭载传感器等因素限制，无法完成多样化复杂的作战任务1。因此利用地空无人平台各自优势，广泛开展地空无人平台协同作战应用研究，对地空无人平台协同作战效率进行优化成为必然选择。近年来，随着多无人系统的发展，相关研究也越来越多。多无人机的协同问题研究方法主要有混沌自适应萤火虫算法2、区块链技术3、多蜂群技术4、粒子群、模拟退火、乌鸦搜索5等算法。而多无人车协同问题则主要采用A*算法与RL算法结合6、遗传算法和生成树覆盖算法7以及改进人工势场法8来进行研究。通信作者：贾 珺，E-mail：中图分类号:E91 文献标志码:A DOI:10.16812/31-1945.2023.03.002陈泉林，等：地空无人平台协同作战效率优化问题研究同时无人机与无人车协同的研究也日臻成熟，文献 9通过蚁群算法对多任务、多无人机和无人车进行路径规划，设计了两段式启发式算法，解决了“最后一公里”的物流运输问题。文献 10 通过多特征融合识别提高户外环境下空地协同目标定位能力，提出的算法包括多层决策，以确保每个无人平台都能处于定位目标的最佳位置。文献 11 提出了一种带目标检测的无人车和无人机鲁棒协同定位算法，突破了全球导航卫星系统在城市中的定位精度限制。文献 12 建立了空地协作巡逻路径规划模型，设计了适用模型的遗传算法与蚁群算法相融合的方法。文献 13 设计了一种空地协同环境下的全局路径规划算法，提出了一种改进的A*路径规划算法，通过在启发函数上增加偏移量，解决了传统的A*路径规划算法在搜索过程中扩展无用节点的问题。文献 14 提出了无人机和无人车的协作模型，通过从不同的有利位置提供操作区域的信息来建立和更新障碍地图，为多无人机和无人车自主协同奠定了良好的基础。上述文献对多无人机和无人车的作战场景应用较少，且对实战模型的构建分辨率较高，不能全面刻画战场环境。因此本研究面向复杂战场军事需求，从分析问题定义入手，建立数学模型将问题抽象化，并对该问题进行智能算法设计，最后将得到的可行作战方案进行分析优化，为参谋人员提供辅助谋划方法。1 问题描述 本研究探讨的是多无人机和无人车协同毁伤多种类目标的作战效率优化问题，研究目标是在不超过无人平台负载能力的基础上，从给定的无人平台待选任务载荷中，选择任务所规定的无人平台任务载荷种类，对作战目标进行先后打击，使作战任务中的实际使用载荷总毁伤度和作战时长达到最优水平。主要涉及的实体如下1。（1）目标：存在多个固定的目标，且存在多个种类，需要不同无人平台毁伤；目标没有优先级限制。（2）路网：无人车只能在路网上行驶，无人机不受路网限制；路网连接全部作战区域，确保全部作战区域都可达。（3）无人车：无人车有负重上限，任意时刻任务载荷不能超过负重上限；无人车遵循路网规则行动。（4）无人机：无人机有负重上限，任意时刻任务载荷不能超过负重上限。（5）任务载荷：无人机和无人车有不同的任务载荷供其选择。2 基于遗传算法的地空无人平台协同作战效率优化 本研究为了规划地空无人平台协同作战的作战方案，以作战效率为优化目标，建立了地空无人平台协同作战模型。2.1模型建立2.1.1任务载荷选择将任务载荷选择模型抽象为多重背包问题，即有N种任务载荷和一个负重上限为V的无人平台。第i种任务载荷最多有ni件可用，每件重量是ci，毁伤效果是wi。目标是选择哪些任务载荷装入无人平台，使得任务载荷的重量总和不超过无人平台的负重上限，且毁伤效果总和最大。其数学模型如下。Max W=i=1Nnumberiwi i=1Ncinumberi Vnumberi ni（1）其中numberi为无人平台实际选择第i种任务载荷的数量，W为毁伤效果总和。2.1.2作战目标打击假设作战目标共有M个，第m个作战目标的抗毁伤度为dm，无人平台共有O个，第o个无人平台负载任务载荷为Qo个，第q个任务载荷对作战目标毁伤效果为woq，其中无人平台负载任务载荷中包含不同种类且多数量的任务载荷。本研究对作战目标进行随机排序，将无人平台出动毁伤目标顺序进行固定，降低算法复杂度。多无人平台对目标协同作战时，当第m个作战目标遭受无人平台打击后，可以将其抽象为背包问题，求解选择哪些任务载荷去打击作战目标，可使这些任务载荷的毁伤效果总和D不小于作战目标抗毁伤度，这里可以不考虑收益，但尽可能考虑毁伤目标。当进行过一次打击目标的背包问题后，如果第m个作战目标的剩余抗毁伤度dm 0，则再进行一次过量打击，即可能出现第o个无人平台的第q个任务载荷的毁伤效果woq dm，此时进行打击，规定dm=0；如果第o个无人平台任务载荷为0，则使用第o+1个无人平台的任务载荷去打击目标。直到所有作战目标的抗毁伤度为0。此时计算无人平台打击目标实际任务载荷毁伤度的总和，使其达到最小。作战目标打击数学模型如下。213系统仿真技术第 19 卷 第 3 期Min spend=o=1Oq=1Qonoqwoqs.t.m=1Mdm=0（2）其中noq为第o个无人平台第q个任务载荷实际使用数量，spend为无人平台打击目标实际使用任务载荷毁伤度的总和。2.1.3作战时长作战时长是指开始任务的时间到完成任务的时间。本研究将其简化抽象为无人平台从集结地域出发到执行完任务返回集结地域的时间。在该问题中，存在2种无人平台，即无人机和无人车，有着不同的行动方式。无人机的行动范围是空域，本研究规定空域是自由的，即从A点到B点直线最短，建立空域网距离矩阵dis1。作战中共有O1个无人机，第o1个无人机的行动轨迹为Ato1，共有Po1个行动轨迹点，其中包含起点、终点以及Mo1个作战目标，则有行动路段Po1-1个。在第p1个行动轨迹点上使用任务载荷共有Qo1p1个种类，第q1个任务载荷对打击目标的使用距离为w_disp1q1，v1为无人机的平均速度，计算第o1个无人机的作战时长UAVtimeo1，即w_do1p1=min w_disp11，w_disp1q1，w_disp1Qo1p1UAVtimeo1=p1=1Po1-1(dis1(Ato1p1，Ato1p1+1)-w_do1p1+1)v1（3）其中dis1(Ato1p1，Ato1p1+1)代表第o1个无人机在行动轨迹 点p1和 点p1+1间 的 空 域 网 距 离，w_do1p1代 表第o1个无人机在第p1个行动轨迹点上使用任务载荷对打击目标的最短使用距离。无人车的行动范围是地面，地面存在路网限制，即从A点到B点存在最短路径，但其不是直线，建立地面网距离矩阵dis2。作战中共有O2个无人车，第o2个无人车的行动轨迹为Gto2，共有Po2个行动轨迹点，其中包含起点、终点以及Mo2个作战目标，则有行动路段Po2-1个。在第p2个行动轨迹点上使用任务载荷共有Qo2p2个种类，第q2个任务载荷对打击目标的使用距离为w_disp2q2，v2为无人车的平均速度，计算第o2个无人车的作战时长UVtimeo2，即w_do2p2=min w_disp21，w_disp2q2，w_disp2Qo2p2UVtimeo2=p2=1Po2-1(dis2(Gto2p2，Gto2p2+1)-w_do2p2+1)v2（4）其中dis2(Gto2p2，Gto2p2+1)代表第o2个无人车在行动轨迹 点p2和 点p2+1间 的 空 域 网 距 离，w_do2p2代 表第o2个无人车在第p2个行动轨迹点上使用任务载荷对打击目标的最短使用距离。计算作战任务总时长time，即UAVtime=max UAVtime1，UAVtimeo1，UAVtimeO1UVtime=max UVtime1，UVtimeo2，UVtimeO2time=max UAVtime，UVtime（5）其中UAVtime代表作战任务中无人机作战时长，UVtime代表作战任务中无人车作战时长。2.2优化指标构建本研究的优化指标定义为作战效率，影响作战效率的因素有打击目标实际使用任务载荷总毁伤度spend和作战时长time，由于两者量纲不同，所以需要为其选定初始打击目标实际使用任务载荷总毁伤度origin_spend和作战时长origin_time，计算作战效率公式如下。=k1spendorigin_spend+k2timeorigin_time（6）其中k1，k2为权重因子，当小于1时则表示作战效率有所提升。2.3算法设计考虑2.1模型建立以及2.2优化指标构建，本节设计了以作战效率为优化目标的遗传算法。遗传算法作为一种迭代优化算法，具有搜索灵活的特点，其适应度函数的设计会影响遗传算法的性能，并且针对不同问题其适应度函数的设定不一样，利用概率规则来指导搜索最优解的方向。当种群数量设置过小，遗传算法会迅速收敛，导致求解并不是最优；而种群数量过大，则又会使解空间庞大，陷入复杂度的时间陷阱。步骤1：明确作战目标的种类、数量、抗毁伤度及其所在作战区域，给定无人平台数量及种类，加载全部任务载荷。步骤2：根据经验算例确定遗传算法中各基本参数取值，创建初始种群。当作战任务中共有无人机O1个、无人车O2个，第o1个无人机选择无人机任务载荷共有M个，第o2个无人车选择无人车任务载荷共有N个，其中染色体结构如下。，jo11，jo1m，jo1M，UAV，-1，jo21，jo2n，jo2N，UV，-1，其中-1是染色体中的标记，用来划分染色体。UAV和UV代表无人平台种类。jo1m代表第o1个无人机选214陈泉林，等：地空无人平台协同作战效率优化问题研究择的第m个无人机任务载荷的种类，jo2n代表第o2个无人车选择的第n个无人车任务载荷的种类。染色体结构示例如下所示。6，1，4，UAV，-1，5，1，UV，-1，5，2，3，UAV，-1，4，5，UV，-1上述染色体所代表的是无人平台编组为 2 组，一号无人机选择无人机任务载荷中的第6种、第1种和第4种；一号无人车选择无人车任务载荷中的第5种、第1种；二号无人机选择无人机任务载荷中的第5种、第2种和第3种；二号无人车选择无人车任务载荷中的第4种、第5种。步骤3：对作战目标进行编码，将其抽象为所在作战区域的编号，以此形成作战目标列表，当作战区域存在L个时，列表结构如下。area1，areal，areaL其中，areal代表第l个作战区域的编号。作战目标列表示例如下所示。53，21，39，27，60步骤4：将作战目标列表打乱。步骤5：建立适应度函数，计算每代种群中每条染色体的适应度，式（6）为选取的适应度函数，计算过程如图1所示。步骤6：记录本代最优个体，同时记录最优个体对应作战目标列表。步骤7：对种群进行选择、交叉、变异和检测操作，迭代产生新一代种群。步骤8：重复执行步骤4-7，直到满足迭代次数，进化过程中适应度最小的个体作为最优解输出，同时输出最优作战目标列表。将得到的结果按照图 1 流程进行译码计算，记录任务载荷选择情况、无人平台行动轨迹、打击过程、作战任务总时长，形成作战方案。3 仿真实验 本研究所选实验平台是 Intel（R）Core（TM）i5-8265U CPU 1.60GHz 1.80 GHz、NVIDIA GeForce MX250计算机和Python3.7软件进行实验仿真。3.1数据准备本研究所选数据是通过查阅文献、搜集资料所获得15。不同种类目标抗毁伤度、不同无人平台任务载荷如表1-3所示。图1适应度函数计算流程Fig.1Fitness function calculation process表1目标抗毁伤度Tab.1Target survivability目标名称指挥所导弹车雷达单兵工事装甲车抗毁伤度300150120100150200表2无人机任务载荷Tab.2UAV mission load任务载荷名称空地导弹航空制导炸弹航空火箭弹轻型子弹散机载布撒器微型导弹滑翔弹重量/kg10060552550820毁伤度6040352030315数量/个24168488使用距离/km100806050403060215系统仿真技术第 19 卷 第 3 期本研究所用作战地图以及目标分布情况如图2所示，其中相邻格子之间距离为20 km，作战集结地域与1号作战区域相距30 km，给定打击目标9个，即导弹车1个、雷达1个、指挥所1个、单兵2个、工事3个、装甲车1个。实验建立在无人机和无人车数量相等的理想条件下，当无人机和无人车的数量不相等时，需进行模拟攻击，测算满足作战需求的无人机和无人车各自实际数量以及所负载的任务载荷，以此来确定初始打击目标实际使用任务载荷总毁伤度origin_spend和作战时长origin_time。实验给定无人机和无人车的种类属性，无人机可搭载任务载荷为3种，无人车可搭载任务载荷为2种，无人机和无人车的载重上限均为250 kg，设定无人车速度为60 km/h，无人机速度为120 km/h。3.2实验结果分析根据图2给定的作战目标，先进行几次模拟攻击，测算得到无人平台编组数量为4组时，可满足作战需求。进行一次模拟攻击，通过地空无人平台协同作战模型依次得到表4-6所示结果。其中表6的作战行动轨迹是根据无人平台打击作战目标的先后顺序确定的。根据表4计算出执行任务所消耗的各任务载荷数量，再根据表2-3中各任务载荷的毁伤度综合计算出实际使用任务载荷总毁伤度为1 456，从表6得出作战时间是5.809 h。表3无人车任务载荷Tab.3Unmanned vehicle mission load任务载荷名称自行火炮7.62毫米机枪反坦克导弹12.7毫米机枪40毫米榴弹发射器重量/kg2023045毁伤度1011525数量/个169684832使用距离/km20530510图2作战地图以及目标分布Fig.2Operational map and targets distribution表4模拟攻击无人平台任务载荷选择Tab.4Task load selection of unmanned platform during simulated attack无人平台编号UAV 1UV 1UAV 2UV 2UAV 3UV 3UAV 4UV 4任务载荷名称航空制导炸弹微型导弹12.7毫米机枪40毫米榴弹发射器滑翔弹轻型子弹散40毫米榴弹发射器反坦克导弹滑翔弹轻型子弹散自行火炮12.7毫米机枪轻型子弹散滑翔弹12.7毫米机枪40毫米榴弹发射器执行任务前任务载荷数量/个4122325632356122652232执行任务后任务载荷数量/个0000000000000025表5模拟攻击作战进程Tab.5Simulated attack operation progress目标/区域导弹车 39单兵 51雷达 62工事 14工事 42指挥所 55装甲车 38单兵 15工事 45攻击过程航空制导炸弹 4 微型导弹 1 UAV 112.7毫米机枪 20 40毫米榴弹发射器 12 UV 112.7毫米机枪 2 40毫米榴弹发射器 20 UV 1滑翔弹 2 UAV 2滑翔弹 2 轻型子弹散 6 UAV 2滑翔弹 1 UAV 240毫米榴弹发射器 27 UV 240毫米榴弹发射器 5 反坦克导弹 3 UV 2滑翔弹 5 轻型子弹散 6 UAV 3自行火炮 4 12.7毫米机枪 2 UV 3自行火炮 8 UV 3轻型子弹散 6 UAV 4滑翔弹 5 UAV 412.7毫米机枪 10 40毫米榴弹发射器 1 UV 412.7毫米机枪 10 40毫米榴弹发射器 26 UV 4216陈泉林，等：地空无人平台协同作战效率优化问题研究设置种群数量为100，交叉概率为0.9，变异概率为 0.01，迭代次数为 100 次。考虑作战中以毁伤目标、完成任务为优先条件，故设定遗传算法适应度函数权重因子分别为 0.9和 0.1，确定好所有问题参数和算法参数后，经算法多次迭代，给出的优化作战方案如表7-9所示，算法迭代曲线如图3所示。从表 7 得出执行任务所消耗的各任务载荷数量后，结合表2-3综合计算得出上述作战方案实际使用任务载荷总毁伤度为 1 420，从表 9 得出作战时间是5.414 h。相较于算法迭代前的模拟攻击，实际使用任务载荷总毁伤度优化了 2.47%，作战时间优化了6.80%。继续任意给定19组作战目标数据，模拟无人平台协同作战，经本研究所提算法优化后得到的数据如表10所示。由表10可见，在满足作战需求的同时，实际使用任务载荷总毁伤变化不大的情况下，算法得到的作战时长幅度约降低至30%，有效地提升了作战效率。图3遗传算法迭代曲线Fig.3Iterative curve of genetic algorithm表6模拟攻击无人平台行动轨迹及作战时长Tab.6Action track and operation duration of unmanned platform during simulated attack无人平台编号UAV 1UV 1UAV 2UV 2UAV 3UV 3UAV 4UV 4作战行动轨迹3951,6262,14,4242,555555,3838,1515,45作战时长/h3.5835.6244.4165.5734.0835.2382.9175.809表7遗传算法优化后无人平台任务载荷选择Tab.7Selection of task load in unmanned platform by genetic algorithm optimization无人平台编号UAV 1UV 1UAV 2UV 2UAV 3UV 3UAV 4UV 4任务载荷名称滑翔弹空地导弹自行火炮40毫米榴弹发射器轻型子弹散滑翔弹40毫米榴弹发射器反坦克导弹滑翔弹轻型子弹散7.62毫米机枪反坦克导弹轻型子弹散空地导弹40毫米榴弹发射器12.7毫米机枪执行任务前任务载荷数量/个715306532356952613222执行任务后任务载荷数量/个00000000000000122表 8遗传算法优化后作战进程Tab.8Combat process by genetic algorithm Optimization目标/区域导弹车 39雷达 62工事 42指挥所 55单兵 51单兵 15工事 14装甲车 38工事 45攻击过程滑翔弹 6 空地导弹 1 UAV 1滑翔弹 1 UAV 1自行火炮 5 40毫米榴弹发射器 11 UV 140毫米榴弹发射器 19 UV 1轻型子弹散 2 滑翔弹 1 UAV 2轻型子弹散 4 滑翔弹 4 UAV 240毫米榴弹发射器 32 UV 2反坦克导弹 3 UV 2滑翔弹 1 轻型子弹散 2 UAV 3滑翔弹 4 轻型子弹散 2 UAV 3轻型子弹散 2 UAV 37.62毫米机枪 95 反坦克导弹 1 UV 3反坦克导弹 1 UV 3轻型子弹散 6 空地导弹 1 UAV 440毫米榴弹发射器 1 UV 440毫米榴弹发射器 30 UV 4217系统仿真技术第 19 卷 第 3 期4 结 论 本研究从无人作战入手，对多无人平台协同作战问题进行研究。研究结果表明，多无人平台协同作战时，要严格规划好无人平台的任务载荷选择以及作战目标的打击分配，将有限的任务载荷发挥最大毁伤效果。本研究所提算法经案例验证，可以满足作战需求，同时一定程度上减少任务载荷的使用数量，大幅度缩短作战时长。本研究所提算法及模型可以给定出合理的作战方案供参谋人员进行作战谋划，缩短战前准备时间，提升作战打击效果。下一步重点对大量模拟作战方案训练机器学习模型进行研究。表10多次仿真攻击数据Tab.10Multiple simulation attack data目标数量655655107710756789677平均值无人平台编组数量3433326435433345334总毁伤优化前9621 1301 0321 0758176991 9831 2801 0001 7561 1481 0701 0851 1241 3231 6759301 0241 322优化后9261 1441 0211 0458056801 9341 2931 0121 7091 1311 0501 0831 0751 3321 6698981 0251 328优化率/%3.7-1.21.12.81.52.72.5-1.0-1.22.71.51.90.24.4-0.70.43.4-0.1-0.51.3作战时长优化前/h3.065.655.665.636.076.466.456.303.585.886.855.006.276.995.887.709.027.757.56优化后/h2.505.193.363.733.675.025.334.502.674.094.504.433.484.433.885.154.675.445.18优化率/%18.38.140.733.839.622.317.428.625.530.534.311.544.4536.634.133.148.329.831.429.9参考文献：1张宇，张琰，邱绵浩，等.地空无人平台协同作战应用研究 J.火力与指挥控制，2021，46（5）：1-5，11.ZHANG Yu，ZHANG Yan，QIU Mianhao，et al.Research on the ground-air unmanned platform cooperative combat application J.Fire Control&Command Control，2021，46（5）：1-5，11.2宋阿妮，包贤哲，权轶.基于混沌自适应萤火虫算法的 UAVs 分配策略 J.计算机应用与软件，2022，39（2）：300-306.SONG Ani，BAO Xianzhe，QUAN Yi，UAVs scheduling strategy based on chaotic adaptive firefly algorithmJ.Computer Applications and Software，2022，39（2）：表 9遗传算法优化后无人平台行动轨迹及作战时长Tab.9Action trajectory and operation duration of unmanned platform optimized by genetic algorithm optimization无人平台编号UAV 1UV 1UAV 2UV 2UAV 3UV 3UAV 4UV 4作战行动轨迹39,6262,4242,5555,5151,15,1414,383838,45作战时长/h3.8335.4143.6675.3093.6674.6973.0834.539218陈泉林，等：地空无人平台协同作战效率优化问题研究300-306.3牛双诚，晋玉强，寇昆湖.基于区块链的多无人机协同任务分配方法研究J.系统仿真学报，2023，35（5）：949-956.NIU Shuangcheng，JIN Yuqiang，KOU Kunhu.Research on collaborative task allocation method of multiple UAVs based on blockchainJ.Journal of System Simulation，2023，35（5）：949-956.4岳伟，李超凡.基于多蜂群的多无人机协同自适应搜索 J.科学技术与工程，2022，22（5）：2108-2115.YUE Wei，LI Chaofan.Multi-UAV cooperative adaptive search path planning based on multi-bee colonyJ.Science Technology and Engineering，2022，22（5）：2108-2115.5潘楠，张淼寒，韩宇航，等.面向城市巡防的多无人机协同航迹规划 J.信息与控制，2022，51（4）：411-422.PAN Nan，ZHANG Miaohan，HAN Yuhang，et al.Coordinated path planning of multi-UAV for urban patrol J.Information and control，2022，51（4）：411-422.6张国辉，王璇，张雅楠，等.实际环境中多无人车协同路径规划模型研究 J.系统仿真学报，2023，35（2）：408-422.ZHANG Guohui，WANG Xuan，ZHANG Yanan，et al.Research on cooperative path planning model of multiple unmanned vehicles in real environmentJ.Journal of System Simulation，2023，35（2）：408-422.7王芳姝.多无人车协同路径规划系统的设计与实现D.成都：电子科技大学，2022.WANG Fangshu.Design and implementation of multi unmanned vehicle cooperative path planning system D.Chengdu：University of Electronic Science and Technology of China，2022.8胡秋霞.基于无人机与无人车协同的车辆路径规划D.贵阳：贵州大学，2018.HU Qiuxia.Vehicle path planning based on the collaboration of unmanned aerial vehicles and unmanned vehiclesD.Guiyang：Guizhou University，2018.9马业骥.多无人车多无人机协同运输路径规划算法研究 D.哈尔滨：哈尔滨工业大学，2020.MA Yeji.Research on multi-unmanned vehicle and multi-UAV cooperative transport path planning algorithmD.Harbin：Harbin Institute of Technology，2020.10LIU Daqian，BAO Weidong，ZHU Xiaomin，et al.Vision-aware air-ground cooperative target localization for UAV and UGV J.Aerospace Science and Technology，2022，124.11WANG Dongjia，LIAN Baowang，TANG Chengkai.UGV-UAV robust cooperative positioning algorithm with object detectionJ.IET Intelligent Transport Systems，2021，15（7）：851-86212胡子峰，陈洋，郑秀娟，等.空地异构机器人系统协作巡逻路径规划方法 J.控制理论与应用，2022，39（1）：48-58.HU Zifeng，CHEN Yang，ZHENG Xiujuan，et al.Cooperative patrol path planning method for air-ground heterogeneous robot systemJ.Control Theory and Technology，2022，39（1）：48-58.13邹鹏程.微小型空地无人系统协同导航技术研究 D.哈尔滨：哈尔滨工业大学，2021.ZOU Pengcheng.Research on collaborative navigation technology of Miniature Air-groundunmanned system D.Harbin：Harbin Institute of Technology，2021.14DASKIRAN O，SEVIL H E，DOGAN A，et al.UGV and UAV cooperation for constructing probabilistic threat exposure map（PTEM）C/Aiaa Aviation Technology，Integration，&Operations Conference.2015.DOI：10.2514/6.2015-2740.15王肖飞，李冬，陆巍巍，等.无人机集群战例分析与作战研究 J.舰船电子工程，2020，40（11）：16-19.WANG Xiaofei，LI Dong，LU Weiwei，et al.Analysis of example of unmanned vehicle swarms and research of operation J.Ship Electronic Engineering，2020，40（11）：16-19.陈泉林 男（1998-），山东临清人，硕士研究生，主要研究方向为联合作战运筹分析。贾 珺 男（1981-），陕西西安人，博士，研究员，主要研究方向为作战实验。219