AAV 集群如何在复杂环境中自适应围捕多个目标？

摘要

当多个目标同时移动、环境中存在障碍物、无人机之间又无法依赖显式实时通信时，传统围捕方法很难兼顾灵活性和可扩展性。国防科技大学周晗团队提出密度概率图模型（DB-PGM），让每架 AAV 根据局部感知到的邻居、目标和障碍物信息，在线估计概率参数并选择动作，研究已发表于IEEE Robotics and Automation Letters。在该研究中，DB-PGM 负责根据局部信息自适应决策，NOKOV 度量动作捕捉以 90 Hz 获取 Crazyflie 无人机位姿数据并支持真实闭环验证。论文的仿真与真实飞行实验表明，该方法可以形成自适应围捕形态，并在部分个体失效后继续完成任务。

一、多目标围捕为什么比单目标追踪更难？

单个目标的追踪主要关注跟随和距离控制，而多目标围捕还要处理围捕资源如何分配、不同目标之间的空间关系以及障碍物造成的路径变化。人工势场（APF）容易受限于直线、圆和环等基础几何构型；模式形成方法通常依赖预定义模式或复杂模式函数；强化学习虽然能通过训练获得策略，但在大规模集群中会遇到训练成本和维度扩展问题。

二、DB-PGM 如何让集群自主改变围捕形态？

DB-PGM 使用一个感知-决策图结构。每架 AAV 根据局部空间密度建立与邻居、目标和环境的概率关系，再通过最大后验推理从离散动作空间中选择加速度和方向。由于决策基于局部信息，集群不必先加载固定编队模板，也不需要围捕 AAV 之间持续交换显式控制消息。目标编队改变时，AAV 可以重新分配空间位置，形成新的围捕边界。在真实实验中，NOKOV度量动作捕捉系统以 90 Hz 输出 Crazyflie 四旋翼无人机位姿数据，将算法状态与物理运动连接到闭环控制。

 图 1：DB-PGM 的感知-决策流程与动作捕捉支持的真实实验架构。

三、真实实验:如何把算法放进物理闭环？

研究使用最多 10 架 Crazyflie 四旋翼，在 5.5 m × 10 m 区域内布置 6 个杂乱障碍物。NOKOV 度量动作捕捉系统以 90 Hz 实时跟踪 Crazyflie 无人机的位姿，数据进入 ROS-Simulink 框架，闭环控制指令通过 Crazyradio 模块下发。在该研究中，动作捕捉将算法状态、无人机实际位姿和控制动作放在同一时间链路中，支持对轨迹和任务状态的连续验证。

四、个体故障后，集群是否还能完成任务？

真实实验设置了部分个体失效场景。R7 在 t = 43.8 s 发生故障并坠机后，其余 AAV 没有停止任务，而是继续调整空间分布，最终在 t = 68.9 s 成功围捕两个目标。这个过程提供了一个清晰的容错证据：系统受到个体损失后，整体围捕能力仍然保持。（该结果的适用范围仍由论文实验条件限定，不能直接等同于所有户外环境下的稳定性保证。）

 图 2：真实围捕实验三个阶段：初始位置、R7 在 43.8 s 故障、68.9 s 完成双目标围捕。

五、仿真结果覆盖了哪些变化？

仿真阶段主要验证 DB-PGM 的算法适应性与鲁棒性; DB-PGM方法在不同环境、目标编队和噪声条件下的算法表现；进入真实飞行实验后，NOKOV 度量动作捕捉为 Crazyflie 提供实时位姿，支撑物理闭环验证。结果显示，R7 故障后，其余 AAV 仍继续执行围捕，并在 68.9 s 成功围捕两个目标。这个结果说明方法具备一定容错能力。论文还通过五类仿真测试考察了杂乱环境、无预定义构型、动态目标编队、噪声影响以及感知半径和速度比变化。

六、这项研究对AAV集群无人系统研究有什么参考价值？

多智能体算法从仿真走向真实飞行时，测量系统承担着“共同参考”的作用。持续获得每架无人机的位姿，研究者可通过位姿真值判断局部概率决策是否转化为实际轨迹，识别故障发生的时间点，并比较故障前后的集群状态。该研究结果表明DB-PGM 密度概率图模型为无预定义编队的多目标围捕提供了一种分布式决策路径；NOKOV度量动作捕捉系统对于无人机的位姿跟踪为算法、控制器和实体飞行之间建立了可验证的数据连接。论文指出，后续研究将进一步关注主动探索与围捕融合、非结构化障碍物、感知中继机制和端到端感知验证。

七、AAV 集群复杂环境中自适应围捕研究FAQ

Q1：DB-PGM 是否需要预定义编队？

A1：不需要，围捕形态由局部密度和概率推理在线调整。

Q2：DB-PGM方法是否依赖显式实时通信？

A2：论文提出的围捕决策基于局部感知，不要求围捕 AAV 之间的显式实时通信。

Q3：为什么AAV集群研究要使用动作捕捉系统？

A3：为了向闭环控制持续提供无人机高精度位姿状态，并验证算法决策和真实飞行轨迹是否一致，研究采用NOKOV度量动作捕捉追踪 Crazyflie 四旋翼无人机位姿数据，参与闭环控制。

Q4：NOKOV 度量动作捕捉系统在这项实验中具体测量什么？

A4：NOKOV 度量动作捕捉系统在该研究中，以 90 Hz 实时跟踪 Crazyflie 四旋翼无人机的位姿，并参与 ROS-Simulink 闭环控制。

Q5：该论文如何证明DB-PGM 方法可实现一定程度的容错性？

A5：研究实验结果显示，R7 在 43.8 s 故障后，剩余无人机在 68.9 s 成功围捕两个目标，部分个体失效后继续完成任务。

论文信息

Huang, Yixin, et al. "Density-Based Probabilistic Graphical Models for Adaptive Multi-Target Encirclement of AAV Swarm." IEEE Robotics and Automation Letters 10.8 (2025): 8228-8235.