隨著人工智能,、微機(jī)電,、衛(wèi)星通信,、5G等技術(shù)的發(fā)展,，具有抗毀性強(qiáng),、成本低,、作戰(zhàn)效費(fèi)比高等優(yōu)勢(shì)的無(wú)人機(jī)集群,，可實(shí)施廣域分布式多點(diǎn)多向突擊,，日益成為空天戰(zhàn)場(chǎng)的“生力軍”,、精兵作戰(zhàn)的“急先鋒”、出奇制勝的“撒手锏”,，對(duì)傳統(tǒng)防御系統(tǒng)提出了極大的挑戰(zhàn),，應(yīng)對(duì)無(wú)人機(jī)集群作戰(zhàn)的威脅亟需拿出有效對(duì)策。美國(guó)集群式無(wú)人機(jī)研究計(jì)劃,。盡管早在2000年,，DARPA就曾借鑒螞蟻信息素交互行為，開展無(wú)人機(jī)集群的空戰(zhàn)仿真研究,，但美軍真正開展系統(tǒng)層實(shí)物研究還是最近幾年,。

　　郊狼集群

　　2014年4月，美國(guó)海軍研究辦公室發(fā)起“低成本無(wú)人機(jī)集群技術(shù)”（LOCUST）項(xiàng)目,。該項(xiàng)目采用雷聲公司的“郊狼”（Coyote）電動(dòng)旋翼無(wú)人機(jī)作為演示樣機(jī),，可以每秒一架的速度發(fā)射上百架。這些小型無(wú)人機(jī)利用近距離射頻網(wǎng)絡(luò)共享態(tài)勢(shì)信息,，協(xié)同執(zhí)行進(jìn)攻或防御性任務(wù),，以數(shù)量?jī)?yōu)勢(shì)壓制敵人?！敖祭恰睙o(wú)人機(jī)的作戰(zhàn)半徑為37千米,，航時(shí)達(dá)1小時(shí)，飛行高度為61~1524米,。2015年至今,，海軍研究局使用“郊狼”無(wú)人機(jī)進(jìn)行了兩次路基試射試驗(yàn)和一次海基試射試驗(yàn),，分別完成了9架自主機(jī)動(dòng)飛行,、31架在40秒內(nèi)發(fā)射并編隊(duì)飛行以及30架30秒內(nèi)發(fā)射并形成不同的排列陣型。

　　小精靈集群

　　2015年9月,，DARPA發(fā)布“小精靈”（Gremlins）項(xiàng)目跨部門公告,，旨在開發(fā)具備組網(wǎng)與協(xié)同功能的可回收無(wú)人機(jī)系統(tǒng)。這種無(wú)人機(jī)可攜帶模塊化偵察盒/或電子戰(zhàn)載荷,，由大型運(yùn)輸機(jī)或轟炸機(jī)運(yùn)送至防區(qū)外發(fā)射,。無(wú)人機(jī)集群通過(guò)三角定位、時(shí)頻差等無(wú)源精確定位與瞄準(zhǔn)技術(shù)探知目標(biāo),，通過(guò)切斷敵方通信甚至向敵數(shù)據(jù)網(wǎng)絡(luò)中注入惡意代碼實(shí)時(shí)電子和網(wǎng)絡(luò)攻擊，并最終引導(dǎo)精確火力完成摧毀?！靶【`”無(wú)人機(jī)作戰(zhàn)半徑超過(guò)600千米,，巡航時(shí)間不小于1小時(shí)，最低飛行速度為馬赫數(shù)0.7.任務(wù)完成后,，C-130運(yùn)輸機(jī)負(fù)責(zé)對(duì)幸存“小精靈”無(wú)人機(jī)進(jìn)行回收,，每架預(yù)計(jì)可重復(fù)使用20次。該項(xiàng)目研究周期為4年,，計(jì)劃在2020年完成演示驗(yàn)證試驗(yàn),，試驗(yàn)成功后DARPA預(yù)備生產(chǎn)1000架“小精靈”無(wú)人機(jī)和25套機(jī)載設(shè)備。

　　山鶉集群

　　“微型無(wú)人機(jī)告訴發(fā)射演示”項(xiàng)目由美國(guó)國(guó)防部戰(zhàn)略能力辦公室與空軍聯(lián)合開展,，旨在通過(guò)F-16等有人機(jī)平臺(tái)釋放名為“山鶉”（Perdix）的微型無(wú)人機(jī)集群以執(zhí)行態(tài)勢(shì)感知任務(wù),。“山鶉”的機(jī)身尺寸同可樂(lè)瓶一般大小,，配備鋰聚合物電池,，質(zhì)量?jī)H0.45千克，它采用螺旋槳推進(jìn),，可折疊機(jī)翼裝在MJU-10/B標(biāo)準(zhǔn)飛機(jī)誘餌發(fā)射筒內(nèi),。發(fā)射后，無(wú)人機(jī)被喚醒并被引導(dǎo)找到“集群”的其他無(wú)人機(jī),，利用武器或傳感器系統(tǒng),，執(zhí)行區(qū)域地毯式搜索和干擾壓制地方雷達(dá)任務(wù)。2016年10月,，戰(zhàn)略能力辦公室利用3架F/A-18F戰(zhàn)斗機(jī)在馬赫數(shù)0.6速度下連續(xù)投放了103架無(wú)人機(jī),，并在地面站指揮下，通過(guò)機(jī)間通信與協(xié)同,，完成4項(xiàng)預(yù)定任務(wù),。

　　無(wú)人機(jī)集群的配套支撐項(xiàng)目

　　DARPA“拒止環(huán)境下協(xié)同作戰(zhàn)”（CODE）項(xiàng)目致力于發(fā)展一套包含協(xié)同算法的軟件系統(tǒng)，這套系統(tǒng)可適應(yīng)寬帶限制和通信干擾,，減少指揮官認(rèn)知負(fù)擔(dān),，并通過(guò)經(jīng)濟(jì)可承受方式集成到現(xiàn)有平臺(tái)。CODE模塊化,、開放式的軟件架構(gòu)允許多架無(wú)人機(jī)開展導(dǎo)航任務(wù),，并根據(jù)已經(jīng)建立的交戰(zhàn)規(guī)則發(fā)現(xiàn)、跟蹤,、確認(rèn)和作戰(zhàn),。擁有CODE系統(tǒng)的無(wú)人機(jī)也可召喚臨近友軍的CODE無(wú)人機(jī)以增強(qiáng)作戰(zhàn)能力。 DARPA“集群挑戰(zhàn)”（SwarmChallenge）計(jì)劃將無(wú)人系統(tǒng)開發(fā)自主集群作戰(zhàn)算法,，在無(wú)需生成大量認(rèn)知數(shù)據(jù)情況下,，提高集群在復(fù)雜環(huán)境中的作戰(zhàn)能力,。項(xiàng)目的主要挑戰(zhàn)包括無(wú)人系統(tǒng)密切協(xié)同、區(qū)域快速搜索,、態(tài)勢(shì)感知,、決策制定以及障礙清楚都能相關(guān)難題。 DARPA“分布式作戰(zhàn)管理”（DBM）項(xiàng)目致力于開發(fā)分布式作戰(zhàn)管理系統(tǒng)架構(gòu),、協(xié)議和算法,、發(fā)展決策助手，幫助操作員在對(duì)抗環(huán)境中數(shù)據(jù)鏈遭到干擾的情況下,，仍能有序地駕馭有人和無(wú)人平臺(tái),，控制機(jī)上的傳感器、電子戰(zhàn)系統(tǒng)和武器系統(tǒng),。DBM包括自主性,、態(tài)勢(shì)理解和操作員工具三種功能算法，以支持在最小寬帶下融合和共享態(tài)勢(shì)圖像,，在通信保障環(huán)境下進(jìn)行自適應(yīng)規(guī)劃和控制,。

　　無(wú)人機(jī)集群作戰(zhàn)能力分析與評(píng)價(jià)

　　集群需要引入人工智能和自主決策方法，需要強(qiáng)大的計(jì)算能力,、感知能力和存儲(chǔ)能力,。其高效能來(lái)源于無(wú)差異的機(jī)器—機(jī)器之間形成的高彈性整體：當(dāng)內(nèi)部某個(gè)無(wú)人機(jī)消失時(shí)，對(duì)整個(gè)任務(wù)的執(zhí)行影響很小,，當(dāng)集群中出現(xiàn)局部擾動(dòng)或增加一個(gè)新個(gè)體時(shí)也可彈性吸納,。群間網(wǎng)絡(luò)是集群的核心，它可能基于互聯(lián)網(wǎng)協(xié)議或其他形式的通信架構(gòu),，使每一個(gè)體都能共享實(shí)時(shí)數(shù)據(jù),，從而保持對(duì)周圍環(huán)境的普遍感知。這種感知能力一方面保證了無(wú)人機(jī)集群可在既定任務(wù)規(guī)劃和指揮員指令下執(zhí)行任務(wù),，另一方面也支撐起其在未知環(huán)境下有條不紊地完成復(fù)雜任務(wù)或在面對(duì)意外事件時(shí)重新規(guī)劃任務(wù)的能力,。   集群式無(wú)人機(jī)的突出特點(diǎn)是以自主協(xié)同網(wǎng)絡(luò)為依托，在局部戰(zhàn)場(chǎng)上創(chuàng)造出壓倒性的數(shù)量?jī)?yōu)勢(shì),，一方面有效提升己方的感知,、通信、指控,、打擊能力,，另一方面全方位、多角度阻塞和壓制對(duì)方的通信網(wǎng)絡(luò)和防空系統(tǒng),，提高對(duì)抗難度與成本,，短時(shí)間內(nèi)毀傷對(duì)手。利用集群戰(zhàn)法,，精確選擇目標(biāo),，快速機(jī)動(dòng),，多維攻擊，融合相關(guān)作戰(zhàn)要素,，打通 “偵察—控制—打擊—評(píng)估”鏈路,，形成敏捷,、高效,、精確的新型無(wú)人化作戰(zhàn)體系。通過(guò)無(wú)人機(jī)間信息實(shí)時(shí)交互,、動(dòng)態(tài)自主組合,、集群協(xié)同突防等方式，最終完成高效飽和攻擊,。

　　分布式探測(cè)與攻擊的能力

　　無(wú)人機(jī)集群可充當(dāng)分布式傳感器和武器角色,，當(dāng)其廣泛分布時(shí)，可相互協(xié)作提升目標(biāo)的探測(cè)或打擊精度,。在探測(cè)感知方面,，平臺(tái)間可采取頻率、波段不同的探測(cè)設(shè)備進(jìn)行全頻譜探測(cè),；在電子干擾方面,，無(wú)人機(jī)之間可協(xié)作確定相對(duì)位置，制定最佳攻擊時(shí)機(jī),，使各平臺(tái)發(fā)出的電磁干擾攻擊波盡可能同時(shí)到達(dá)目標(biāo),；在打擊摧毀方面，無(wú)人機(jī)集群可實(shí)現(xiàn) “兵力分散,、火力集中”的分布式殺傷,，在高效打擊的同時(shí)兼顧自我防護(hù)。

　　高抗毀性和多次打擊本領(lǐng)

　　無(wú)人機(jī)集群執(zhí)行任務(wù)時(shí),，如集群中其中一架被擊毀,，其他無(wú)人機(jī)可重新配置，快速填補(bǔ)空缺,，推動(dòng)任務(wù)繼續(xù)執(zhí)行,。系統(tǒng)整體的抗毀性極大提高了任務(wù)的成功概率。為驗(yàn)證集群戰(zhàn)法效果,，美國(guó)海軍研究生院的LocVPham針對(duì)無(wú)人機(jī)集群突防 “宙斯盾”系統(tǒng)做了上百次模擬試驗(yàn),，結(jié)果表明：在8架小型無(wú)人機(jī)的攻擊下平均有 2.8架突防，即便是升級(jí)版 “宙斯盾”系統(tǒng),，至少也有1架能突防,。如果無(wú)人機(jī)數(shù)量超過(guò) 10架，則 “宙斯盾”系統(tǒng)只能攔截最先到達(dá)的7架,。

　　作戰(zhàn)成本的非對(duì)稱效益

　　“小精靈”無(wú)人機(jī)的期望成本為70萬(wàn)美元,， “郊狼”無(wú)人機(jī)成本只有1.5萬(wàn)美元,，而一枚 “魚叉”導(dǎo)彈的價(jià)格高達(dá)120萬(wàn)美元。憑借集群戰(zhàn)術(shù),，無(wú)人機(jī)系統(tǒng)可快速消耗敵方對(duì)空導(dǎo)彈等高價(jià)值武器裝備,，以其規(guī)模優(yōu)勢(shì)給對(duì)方造成慘重?fù)p失。

　　有人—無(wú)人編隊(duì)協(xié)同的重要一環(huán)

　　無(wú)人機(jī)集群可以作為有人—無(wú)人編隊(duì)作戰(zhàn)的重要一環(huán),。在載荷配置上,，無(wú)人機(jī)攜帶傳感器、電子戰(zhàn)系統(tǒng),、通信,、定位／導(dǎo)航／授時(shí)、彈藥等,，有人機(jī)攜帶通信系統(tǒng),、信息融合系統(tǒng)、指揮控制系統(tǒng),、武器系統(tǒng)等,。作戰(zhàn)時(shí)，無(wú)人機(jī)前置,，有人機(jī)后置,，無(wú)人機(jī)集群用預(yù)先確定的路徑飛襲到敵方的防空系統(tǒng)位置，在敵防區(qū)內(nèi)負(fù)責(zé)目標(biāo)探測(cè)跟蹤,、電子對(duì)抗,，并通過(guò)數(shù)據(jù)鏈將目標(biāo)數(shù)據(jù)傳送至后方有人機(jī)平臺(tái)作融合處理。確認(rèn)目標(biāo)后,，即可由后方大型作戰(zhàn)平臺(tái)投射武器進(jìn)行防區(qū)外打擊,，或由無(wú)人機(jī)攜帶的打擊武器進(jìn)行時(shí)敏目標(biāo)打擊。當(dāng)敵方的防空系統(tǒng)部分失效時(shí),，后方的高價(jià)值,、隱身機(jī)載平臺(tái)也可實(shí)施第二波打擊。

　　反無(wú)人機(jī)集群的預(yù)警探測(cè)手段

　　與飛機(jī),、導(dǎo)彈等傳統(tǒng)空中威脅一樣,，有效防御集群式無(wú)人機(jī)的第一步是盡早感知威脅并及時(shí)預(yù)警。由于無(wú)人機(jī)集群需要在指定平臺(tái)發(fā)射,，且普遍存在飛行高度低 （隱蔽性強(qiáng)）,、發(fā)動(dòng)機(jī)散熱量低 （難以被紅外探測(cè)器發(fā)現(xiàn)）等特點(diǎn)，因此宜采用下列雷達(dá)預(yù)警方案,。

　　多層次,、分布式的預(yù)警防御體系

　　遠(yuǎn)—中—近程雷達(dá)分層配置。與 “全球鷹”“捕食者”等大型長(zhǎng)航時(shí)無(wú)人機(jī)不同,，小型無(wú)人機(jī)的續(xù)航能力和作戰(zhàn)半徑有限,，需要運(yùn)輸機(jī)等載機(jī)平臺(tái)送至防區(qū)外發(fā)射,。載機(jī)平臺(tái)既是無(wú)人機(jī)集群出現(xiàn)的標(biāo)志，也是向后者傳遞指控命令的神經(jīng)中樞,。鑒于“小精靈”無(wú)人機(jī)最大作戰(zhàn)半徑可達(dá)900千米,，采用C－130、C－17運(yùn)輸機(jī)或者B－52轟炸機(jī)遠(yuǎn)程投放,，因此可針對(duì)這些載機(jī)平臺(tái)建立雷達(dá)目標(biāo)特征數(shù)據(jù)庫(kù),，使用遠(yuǎn)程警戒雷達(dá) （500～1000千米）探測(cè)、分類和識(shí)別,，待確認(rèn)后引導(dǎo)導(dǎo)彈和戰(zhàn)機(jī)進(jìn)行攻擊,。 遠(yuǎn)程雷達(dá)的掠地角大,，分辨能力低,，不易探測(cè)和跟蹤小雷達(dá)截面和低飛行高度的集群式無(wú)人機(jī)，因此在無(wú)人機(jī)進(jìn)入500千米,、300千米,、100千米之后，可分別采用中,、近程三坐標(biāo)警戒雷達(dá)和低空補(bǔ)盲雷達(dá)對(duì)無(wú)人機(jī)群進(jìn)行監(jiān)視和跟蹤,。薩博公司拓展了中、近程 “長(zhǎng)頸鹿”捷變多波束雷達(dá)對(duì)“低慢小”無(wú)人機(jī)目標(biāo)的探測(cè),、跟蹤性能,，并驗(yàn)證了在復(fù)雜環(huán)境下應(yīng)對(duì) 6架無(wú)人機(jī)的能力。該雷達(dá)可發(fā)現(xiàn) 100個(gè)雷達(dá)截面積僅為0.001米,？的空中目標(biāo),，將無(wú)人機(jī)從地面雜波中識(shí)別出來(lái)，并可與多種武器系統(tǒng)相連,，執(zhí)行打擊無(wú)人機(jī)的任務(wù),。

　　雷達(dá)組網(wǎng)與雙／多基地部署

　　集群式無(wú)人機(jī)通過(guò)協(xié)同組網(wǎng)和分布式感知提升作戰(zhàn)能力，地面雷達(dá)也可以借助這一思想,，采用雷達(dá)組網(wǎng)和分布部署來(lái)提高預(yù)警能力,。組網(wǎng)雷達(dá)通過(guò)一個(gè)中心站執(zhí)行統(tǒng)一管理和調(diào)配，利用通信鏈路將多部不同體制,、不同頻段和不同工作模式的地面雷達(dá)系統(tǒng)連接起來(lái),，最終依靠融合處理技術(shù)將網(wǎng)內(nèi)各傳感器的信息整合成最全面可靠的情報(bào)。組網(wǎng)雷達(dá)具有三大作戰(zhàn)優(yōu)勢(shì)：首先,，憑借廣域覆蓋實(shí)現(xiàn)無(wú)縫監(jiān)視,，憑借多角度觀察實(shí)現(xiàn)去偽存真、去粗取精,，從而降低虛警概率,；其次,，當(dāng)網(wǎng)內(nèi)一部或幾部雷達(dá)因受到攻擊而失效時(shí)，其他雷達(dá)系統(tǒng)依舊能擔(dān)負(fù)起警戒的重任,，避免預(yù)警體系整體癱瘓,；最后，組網(wǎng)雷達(dá)既可以靈活調(diào)整工作狀態(tài),，充分發(fā)揮每部雷達(dá)的探測(cè)優(yōu)勢(shì),，又可以通過(guò)交替開機(jī)、輪番機(jī)動(dòng)等方式給無(wú)人機(jī)集群造成電磁閃耀干擾,，使之混淆跟蹤的方向,、頻率和波形。   相比于常見的單基地雷達(dá),，雙／多基地雷達(dá)能夠有效應(yīng)對(duì)無(wú)人機(jī)集群的偵察,、干擾和打擊威脅。首先,，雙／多基地雷達(dá)的發(fā)射機(jī)可部署到戰(zhàn)區(qū)后方甚至是空中平臺(tái)上,，靈活機(jī)動(dòng)，處于相對(duì)安全位置,；其次,，高價(jià)值的接收機(jī)作為無(wú)源裝備，具有很好的電磁隱蔽性,，可放置于戰(zhàn)線前方,，取得最佳探測(cè)視角；再次,，和組網(wǎng)雷達(dá)一樣,，分散式部署的多基地雷達(dá)能大范圍、多角度地探測(cè)無(wú)人機(jī)群,，提高發(fā)現(xiàn)概率和識(shí)別能力,；然后，多基地雷達(dá)中的一部發(fā)射機(jī)可供多部接收機(jī)使用,，一部接收機(jī)也可接收多部發(fā)射機(jī)的信號(hào),，增強(qiáng)了體系的魯棒性和抗毀性；最后,，憑借著空間分集,、體制分集、頻率分集,、極化分集和信息融合等優(yōu)勢(shì),，雙／多基地雷達(dá)幾乎能抗擊所有的有源和無(wú)源干擾。

　　空—地一體協(xié)同探測(cè)

　　相比于地基雷達(dá)，空基預(yù)警平臺(tái)能突破地球曲度和地形遮擋限制,，實(shí)現(xiàn)更好的低空探測(cè),。空中預(yù)警系統(tǒng)包括預(yù)警機(jī)和浮空器,，其中預(yù)警機(jī)不僅能靈活機(jī)動(dòng)地執(zhí)行大空域360°無(wú)縫探測(cè),，還可以作為空中指揮控制中心指揮我方戰(zhàn)機(jī)與敵機(jī)交戰(zhàn)，并利用機(jī)內(nèi)電子戰(zhàn)設(shè)備展開電子偵察和電子干擾浮空器平臺(tái)具備360°全覆蓋,、全天候,、全天時(shí)監(jiān)視能力，且運(yùn)行成本很低（400美元／小時(shí)）,。盡管如此,，這兩種空基平臺(tái)還需要地面雷達(dá)輔助：預(yù)警機(jī)的運(yùn)行費(fèi)用高，續(xù)航能力有限,，即使是空中加油,，也無(wú)法滿足全天時(shí)作戰(zhàn)需求；浮空器體積龐大,、行動(dòng)遲緩,，極易成為攻擊目標(biāo)；另外,，一般預(yù)警機(jī)和浮空器的最大作用距離都在500千米左右，難以捕獲900千米外的“小精靈”載機(jī)平臺(tái),。因此,，空—地協(xié)同探測(cè)才能將雷達(dá)體系的大威力、全覆蓋,、全天候／全天時(shí),、低成本等優(yōu)勢(shì)結(jié)合起來(lái)。

　　低／零功率輻射技術(shù)與系統(tǒng)

　　鑒于無(wú)人機(jī)集群的首要作戰(zhàn)對(duì)象是輻射電磁信號(hào)的雷達(dá)等電子設(shè)備,，因此可以采用低功率甚至零功率的雷達(dá)輻射技術(shù)和裝備來(lái)達(dá)到隱蔽探測(cè)和自我保護(hù)的目的,。低截獲概率（LPI）雷達(dá)采用寬帶自適應(yīng)頻率捷變、高增益天線,、擴(kuò)譜波形,、脈沖壓縮、相干積累,、參數(shù)隨機(jī)化等方法,，提高主瓣增益系數(shù)與接收機(jī)信噪比，從而以極低峰值功率捕獲遠(yuǎn)距離小目標(biāo),。無(wú)源防空雷達(dá)自身不發(fā)射電磁波,，它通過(guò)接收空中目標(biāo)自身電磁輻射或外輻射源照射目標(biāo)的反射信號(hào)，完成對(duì)目標(biāo)的定位和跟蹤。由于徹底失去引導(dǎo)媒介,，無(wú)人機(jī)集群難以發(fā)現(xiàn)無(wú)源雷達(dá),。此外，近幾次局部戰(zhàn)爭(zhēng)證明,，制定機(jī)動(dòng)靈活的雷達(dá)靜默戰(zhàn)術(shù),，能很大程度地減少電磁波泄漏，防止雷達(dá)信號(hào)情報(bào)被偵察,。

　　具有顛覆性潛力的新體制雷達(dá)技術(shù)

　　多基分布式協(xié)同探測(cè)體系可全面感知戰(zhàn)場(chǎng)態(tài)勢(shì),，具備強(qiáng)大的抗干擾性和抗毀性，但體系越大意味運(yùn)行費(fèi)用和維護(hù)成本越昂貴,，也意味著越容易暴露目標(biāo),、受到打擊。無(wú)源雷達(dá)盡管有好的電磁隱蔽性,，但卻缺少發(fā)射機(jī)合作而丟失了探測(cè)的主動(dòng)性和精確性,。為了在不損失預(yù)警效能的前提下降低作戰(zhàn)成本，除了統(tǒng)籌規(guī)劃雷達(dá)開機(jī)策略外,，還可以將目光瞄準(zhǔn)具備顛覆性潛力的新體制雷達(dá)技術(shù)上,，如微波光子雷達(dá)。 微波光子技術(shù)將光子／光電器件的高頻率,、大帶寬,、低損耗、結(jié)構(gòu)小型緊湊等優(yōu)勢(shì)與傳統(tǒng)微波雷達(dá)相結(jié)合,，從而提高遠(yuǎn)程探測(cè)和寬角覆蓋能力,、目標(biāo)成像和識(shí)別能力、低空探測(cè)能力,、抗有源干擾能力和快速可重構(gòu)能力,，并且有助于實(shí)現(xiàn)雷達(dá)系統(tǒng)的軟件化和多功能，降低系統(tǒng)尺寸,、重量和功耗,。世界上首部微波光子雷達(dá)樣機(jī)已經(jīng)問(wèn)世，實(shí)現(xiàn)了對(duì)非合作客機(jī)的跟蹤與測(cè)量,。之后,，該雷達(dá)架構(gòu)成功推廣至雙波段和多波段，并演示驗(yàn)證了一體化光子雷達(dá)／通信系統(tǒng)和光子雷達(dá)／激光雷達(dá)系統(tǒng)的可行性,。

　　對(duì)抗無(wú)人機(jī)集群攻擊的手段

　　鑒于集群式無(wú)人機(jī)的低紅外,、低成本和高抗毀性等特點(diǎn)，使用地空導(dǎo)彈,、空空導(dǎo)彈等高價(jià)值武器無(wú)異于大炮打蚊子,，容易丟失目標(biāo)且經(jīng)濟(jì)成本太大,；使用高炮和便攜式導(dǎo)彈盡管對(duì)單個(gè)近距離、低空,、慢速目標(biāo)攔截效果較好,，但也不適合分布式作戰(zhàn)的無(wú)人機(jī)集群。因此,，干擾和打擊方法必須具備低成本,、大覆蓋、高效能等優(yōu)勢(shì),。

　　實(shí)施多途徑電子干擾,，全面抑制無(wú)人機(jī)集群的作戰(zhàn)威力

　　無(wú)人機(jī)本身體積小、容量有限,、抗干擾功能相對(duì)缺乏,，其導(dǎo)航系統(tǒng)、電子偵察系統(tǒng),、通信系統(tǒng)和組網(wǎng)協(xié)同系統(tǒng)在受到強(qiáng)烈電磁干擾時(shí)很可能會(huì)部分失靈甚至徹底失效,。 定位、導(dǎo)航系統(tǒng)是無(wú)人機(jī)按預(yù)定路線飛行的保證,。一般地,，無(wú)人機(jī)在飛行時(shí)須依賴全球定位系統(tǒng)（GPS）和捷聯(lián)慣性導(dǎo)航系統(tǒng)（SINS）實(shí)施定位和導(dǎo)航。但 GPS存在著信號(hào)強(qiáng)度弱,、接收機(jī)響應(yīng)能力不強(qiáng)等缺點(diǎn),。若GPS信號(hào)接收機(jī)被干擾，無(wú)人機(jī)只能依賴SINS導(dǎo)航,，而SINS的累積誤差往往會(huì)隨著航程增加而迅速擴(kuò)大,，導(dǎo)致定位精度下降，甚至?xí)篃o(wú)人機(jī)偏離預(yù)定航線,。 無(wú)人機(jī)攜帶的任務(wù)載荷多為光電傳感器和輕型合成孔徑雷達(dá)。對(duì)光電傳感器的干擾手段包括制導(dǎo)欺騙式干擾,、測(cè)距欺騙干擾,、致盲壓制式干擾以及煙霧干擾等；對(duì)合成孔徑雷達(dá)的干擾手段包括瞄準(zhǔn)式噪聲干擾和欺騙式干擾等,。 無(wú)人機(jī)集群同后方控制平臺(tái)的通信通常有無(wú)人機(jī)與平臺(tái)距離在視距之內(nèi)的視距通信和在視距外的衛(wèi)星中繼通信兩種方式,。對(duì)于視距通信，可以使用多目標(biāo)干擾,、頻率跟蹤式干擾和全頻段攔阻式干擾,；對(duì)于衛(wèi)星中繼通信，只要破壞無(wú)人機(jī)發(fā)射端—上行鏈路—衛(wèi)星轉(zhuǎn)發(fā)器—下行鏈路—平臺(tái)接收端的任一環(huán)節(jié)即可,。 無(wú)人機(jī)集群間通過(guò)一種子網(wǎng)絡(luò)語(yǔ)言相互溝通,、協(xié)調(diào)行動(dòng)。通過(guò)發(fā)射合適的干擾信號(hào)可以擾亂這種內(nèi)部通信，使其自亂陣腳,，集群中的個(gè)體只能各自為戰(zhàn),，集群戰(zhàn)就退化為混戰(zhàn)，作戰(zhàn)效能也將大大折損,。這種干擾甚至能在集群內(nèi)部引起大規(guī)模碰撞毀傷等連鎖反應(yīng),，最終徹底摧毀整個(gè)集群。由于集群大都呈密集型分布,，這種子網(wǎng)絡(luò)語(yǔ)言可能會(huì)對(duì)甚高頻（VHF）信號(hào)敏感,。

　　利用定向能武器，實(shí)施瞬時(shí)高能打擊,。

激光武器

　　激光武器利用激光固有的單色性,、方向性和高能量密度等特點(diǎn)，具有直線攻擊,、瞬時(shí)打擊,、抗干擾能力強(qiáng)、作戰(zhàn)效費(fèi)比高等優(yōu)勢(shì),。高能激光照射到無(wú)人機(jī)上可以使機(jī)體升溫,、熔化或汽化，破壞機(jī)械結(jié)構(gòu)或電子元件,，從而毀傷無(wú)人機(jī),。2015年8月，波音公司在 “黑色標(biāo)槍” （BlackDart）反無(wú)人機(jī)演習(xí)中,，演示了 “緊湊型激光武器系統(tǒng)”的反無(wú)人機(jī)能力,。該系統(tǒng)可通過(guò)中波紅外傳感器在 40千米的范圍內(nèi)識(shí)別、追蹤地面和空中目標(biāo),，激光波束可在37千米范圍內(nèi)聚焦,。   盡管如此，激光武器打擊無(wú)人機(jī)集群還需克服很多困難：首先,，激光能量轉(zhuǎn)化效率低,、光束功率密度小，未能實(shí)現(xiàn) “即打即毀”殺傷能力,；二是激光在大氣傳輸中衰減較強(qiáng),，受天氣影響較大，不具備全天候作戰(zhàn)能力,；三是目前激光武器的體積和重量大,，機(jī)動(dòng)性不強(qiáng)，難以跟得上靈活機(jī)動(dòng)的機(jī)群,；四是激光武器的波束太窄,，一次只能攻擊一個(gè)無(wú)人機(jī)目標(biāo),。

　　高功率微波武器

　　高功率微波武器是一種具備軟、硬多種殺傷效應(yīng)的定向能武器,，它可發(fā)射峰值功率在100兆瓦以上,、頻率在1～300吉赫之間的電磁脈沖，通過(guò)天線進(jìn)入目標(biāo)系統(tǒng)內(nèi)部擊穿和燒毀電子元器件,，從而毀傷目標(biāo),。與激光武器相比，微波武器的作用距離更遠(yuǎn),，受氣候影響更小,，攻擊時(shí)只需確定大概指向，不必精確瞄準(zhǔn),，易于火力控制,。微波武器輻射出的大功率寬角度（多呈扇形或圓錐形）電磁波脈沖有大面積殺傷能力，可以充當(dāng)盾牌防御整個(gè)集群,。另外,，由于發(fā)射波束具備一定的方向性，可避免對(duì)己方電子設(shè)備造成毀傷,。雷聲公司近年來(lái)持續(xù)為美國(guó)陸軍開展陸基高功率微波（HPM）武器的演示驗(yàn)證,，其演示樣機(jī)安裝在6米的容器內(nèi)，它以高功率磁控管為基礎(chǔ),，配備了用于目標(biāo)跟蹤與引導(dǎo)提示的火控雷達(dá),，可實(shí)現(xiàn)空中全覆蓋。2013年,，該系統(tǒng)在美國(guó)陸軍火力卓越中心成功驗(yàn)證對(duì)抗多架無(wú)人機(jī)的能力,。

　　發(fā)展 “幕”型攔截武器，提升無(wú)人機(jī)捕殺效能

　　“幕”型武器發(fā)射之后在較大空間分散成幕狀結(jié)構(gòu)組織,，可由地基或空基平臺(tái)發(fā)射,，是攔截和毀傷高密度、輕質(zhì)量無(wú)人機(jī)集群的高性價(jià)比武器,。幾年前,，DARPA曾評(píng)估一種稱為 “快速捕獲無(wú)人機(jī)或使無(wú)人機(jī)失能”的小型空中防御概念武器，這種武器采用攜帶紅外近距離傳感器的管型發(fā)射裝置,，可噴射出泡沫或網(wǎng)罩，而網(wǎng)罩的導(dǎo)電碳纖維能夠使無(wú)人機(jī)的通信系統(tǒng)失靈,。開放工廠公司研制生產(chǎn)的SkyWall100小型無(wú)人機(jī)攔截系統(tǒng)也屬于這一類武器,，該系統(tǒng)作用范圍為100米，由肩扛式發(fā)射筒和攔截網(wǎng)彈組成,，發(fā)射筒配有光學(xué)智能瞄準(zhǔn)儀,，攔截網(wǎng)發(fā)射后在空中形成大覆蓋面,，包裹目標(biāo)無(wú)人機(jī)并使其失去動(dòng)力。

　　依托制空優(yōu)勢(shì),，有人戰(zhàn)機(jī)空中摧毀無(wú)人機(jī)集群

　　盡管近年來(lái)無(wú)人機(jī)技術(shù)取得了長(zhǎng)足進(jìn)步,，無(wú)人機(jī)裝備也從單純地監(jiān)視偵察發(fā)展到攜帶 “地獄火”導(dǎo)彈執(zhí)行地面攻擊，甚至誕生了可執(zhí)行多種任務(wù)的無(wú)人作戰(zhàn)飛機(jī),，但制空能力弱還是所有無(wú)人機(jī)的通病,。憑借高機(jī)動(dòng)性和靈活性，有人戰(zhàn)斗機(jī)可利用機(jī)炮等機(jī)載武器肆意獵殺無(wú)人機(jī)集群,。此外,，有人戰(zhàn)機(jī)還可以利用機(jī)上電子對(duì)抗設(shè)備對(duì)無(wú)人機(jī)集群進(jìn)行干擾，用 “幕”型武器取代空空導(dǎo)彈來(lái)提高攔截概率和效費(fèi)比,。

　　以雷達(dá)誘餌實(shí)施誘騙,，抵消無(wú)人機(jī)集群威脅

　　由于無(wú)人機(jī)集群的打擊對(duì)象主要是以雷達(dá)為主的一體化防空系統(tǒng)，因此可采用雷達(dá)誘餌抵消威脅,。雷達(dá)誘餌主要有制式干擾誘餌,、廢舊雷達(dá)誘餌以及同頻接力誘餌三種。制式誘餌是指在雷達(dá)附近分置一個(gè)或多個(gè)與雷達(dá)發(fā)射信號(hào)特性相同的制式干擾源,，當(dāng)無(wú)人集群來(lái)襲時(shí),，雷達(dá)指揮控制中心可統(tǒng)一控制，利用閃爍,、兩點(diǎn)源相參干擾誘騙和多點(diǎn)源非相參干擾誘騙等方式,，使集群無(wú)法精確跟蹤雷達(dá)信號(hào)；利用廢舊雷達(dá)誘餌,，是指使用置于假陣地的廢舊雷達(dá)模擬作戰(zhàn)雷達(dá)的電磁輻射特征,，用假信號(hào)引誘敵無(wú)人機(jī)集群偏離正確目標(biāo)；同頻接力誘餌即利用多部雷達(dá)接力交替工作,，使集群難以持續(xù)跟蹤某一部確定雷達(dá),，從而抵消其探測(cè)、干擾和打擊能力,。 集群式無(wú)人機(jī)作戰(zhàn)將動(dòng)物界的集群行為與小型無(wú)人機(jī)系統(tǒng)相結(jié)合,，集數(shù)量多、靈活彈性,、分布式打擊,、抗毀傷和低成本優(yōu)勢(shì)于一體，是一種改變游戲規(guī)則的新型作戰(zhàn)威脅,。為及時(shí)發(fā)現(xiàn)這種威脅,，可通過(guò)遠(yuǎn)程—中程—近程分層放置、雙—多基地分布式部署,、空—地組網(wǎng)協(xié)同等方案建立起完備的雷達(dá)預(yù)警體系,，并開發(fā)微波光子雷達(dá)等具備顛覆性潛力的雷達(dá)探測(cè)技術(shù)和裝備,；為有效反制這種威脅，應(yīng)對(duì)無(wú)人機(jī)集群開展廣泛的電子軟殺傷攻擊,，借助組網(wǎng)雷達(dá)或廢舊雷達(dá)實(shí)施誘騙,，使用有人戰(zhàn)機(jī)空中攔截和摧毀，并開發(fā) “幕”型武器和定向能武器 （特別是高功率微波武器）等具有大覆蓋,、寬角度,、定向攻擊能力的武器系統(tǒng)。 隨著智能集群與分布式協(xié)同技術(shù)的快速發(fā)展,，低成本無(wú)人機(jī)集群對(duì)抗成為了未來(lái)戰(zhàn)爭(zhēng)形態(tài)的一種突出體現(xiàn),，反無(wú)人機(jī)集群技術(shù)也成為了軍事研究領(lǐng)域中的一個(gè)重要內(nèi)容，其呈現(xiàn)螺旋上升的狀態(tài),。反無(wú)人機(jī)集群技術(shù)包含三個(gè)方面：探測(cè),、決策與反制。其中在無(wú)人機(jī)集群檢測(cè)方面,，現(xiàn)有的探測(cè)技術(shù)面臨了諸多挑戰(zhàn),，最直觀的挑戰(zhàn)就是利用現(xiàn)有技術(shù)有效地解決小型無(wú)人機(jī)難以準(zhǔn)確檢測(cè)的困難，而更核心的挑戰(zhàn)是如何精確地描述無(wú)人機(jī)集群,，能為無(wú)人機(jī)集群反制方案提供更高性價(jià)比的信息,。 無(wú)人機(jī)集群目前主要由中小型無(wú)人機(jī)組成，未來(lái)則可能是大型隱身無(wú)人機(jī)組成,，也有可能是傳統(tǒng)飛機(jī)改造而來(lái),。中小型無(wú)人機(jī)組成的無(wú)人機(jī)集群飛行高度低、機(jī)動(dòng)速度慢,、雷達(dá)反射截面積較小,。大型隱身無(wú)人機(jī)集群飛行高度高、機(jī)動(dòng)速度快,、雷達(dá)反射截面積也不大,，兩者都具有偵測(cè)難和處置難的特點(diǎn)，對(duì)傳統(tǒng)的探測(cè)和防御手段提出了極大挑戰(zhàn),。 另外,，還要通過(guò)網(wǎng)絡(luò)實(shí)現(xiàn)無(wú)人機(jī)集群探測(cè)預(yù)警信息的高度共享，融合,、集成戰(zhàn)場(chǎng)環(huán)境信息和敵我態(tài)勢(shì)信息以及規(guī)劃命令等多個(gè)數(shù)據(jù)源獲取的信息,，在地理信息基礎(chǔ)上疊加敵、我,、友及中立部隊(duì)的位置和運(yùn)動(dòng)軌跡,，以及反無(wú)人機(jī)集群的設(shè)施或武器裝備的有效控制區(qū)域等信息，形成無(wú)人機(jī)集群探測(cè)的綜合態(tài)勢(shì)圖，為優(yōu)先打擊最有價(jià)值的無(wú)人機(jī)集群目標(biāo)提供支撐,。   現(xiàn)階段反無(wú)人機(jī)集群技術(shù)對(duì)探測(cè)階段的研究較少，大多數(shù)系統(tǒng)仍采用雷達(dá)進(jìn)行探測(cè),，如美國(guó)洛克希德·馬丁公司的反無(wú)人機(jī)集群方案,，采用了Q-53型號(hào)雷達(dá)進(jìn)行探測(cè)，同時(shí)仍需要人工識(shí)別,。針對(duì)無(wú)人機(jī)這一類低小慢目標(biāo),，雷達(dá)圖像中目標(biāo)容易與背景雜波混淆，不容易取得滿意的效果,，因此在反無(wú)人機(jī)集群技術(shù)領(lǐng)域,，需要研究高效的小型無(wú)人機(jī)集群識(shí)別技術(shù)。在進(jìn)行無(wú)人機(jī)集群目標(biāo)識(shí)別時(shí),，需要在有限的計(jì)算力條件下滿足實(shí)時(shí)性檢測(cè)跟蹤的需求,，并且需要具有適應(yīng)各種復(fù)雜環(huán)境的能力，這是針對(duì)無(wú)人機(jī)集群目標(biāo)進(jìn)行檢測(cè)識(shí)別的現(xiàn)實(shí)需求,，也是當(dāng)前在這一領(lǐng)域面臨的主要障礙,。 雖然無(wú)人機(jī)集群作戰(zhàn)具有諸多優(yōu)勢(shì)，但需要依賴集群間實(shí)時(shí)信息交互實(shí)現(xiàn)協(xié)同指揮控制,，其“阿喀琉斯之踵”是通信鏈路和控制系統(tǒng),。如美軍曾用3架F/A-18F“超級(jí)大黃蜂”戰(zhàn)斗機(jī)投放103架“灰山鶉”微型無(wú)人機(jī)，展示了集體決策,、自適應(yīng)編隊(duì)飛行等無(wú)人機(jī)集群協(xié)同作戰(zhàn)能力,，其核心支撐就是共享一個(gè)分布式大腦，同時(shí)與多個(gè)地面站通信,，一旦其通信鏈路被干擾或控制系統(tǒng)被入侵反控制,，無(wú)人機(jī)集群極可能全軍覆沒(méi)。 2011年12月4日,，伊朗捕獲了一架美國(guó)RQ-170“哨兵”無(wú)人機(jī),，就是先進(jìn)行通信壓制，使其失去與美軍地面控制中心之間的聯(lián)系后進(jìn)入自動(dòng)飛行狀態(tài),，而后利用GPS導(dǎo)航系統(tǒng)的漏洞改變預(yù)設(shè)飛行坐標(biāo),，最終成功誘導(dǎo)這架無(wú)人機(jī)降落在伊朗境內(nèi)。雖然伊朗只是捕獲了一架無(wú)人機(jī),，但其作戰(zhàn)原理同樣適用于對(duì)付無(wú)人機(jī)集群,。 俄羅斯反無(wú)人機(jī)作戰(zhàn)也有實(shí)戰(zhàn)經(jīng)驗(yàn)。2018年1月6日凌晨,，俄羅斯駐敘利亞赫梅米姆空軍基地和塔爾圖斯海軍基地遭到50公里外遠(yuǎn)程操控的13架無(wú)人機(jī)攻擊,，在其駐敘防空部隊(duì)和電子戰(zhàn)部隊(duì)的共同努力下，部分無(wú)人機(jī)被火力摧毀，部分無(wú)人機(jī)被電子戰(zhàn)部隊(duì)干擾后俘獲,。另外,，目前的無(wú)人機(jī)集群防護(hù)能力和機(jī)動(dòng)能力不強(qiáng)，一般作戰(zhàn)半徑有限,，需要利用運(yùn)載平臺(tái)輸送到其打擊范圍內(nèi)才可以釋放,，否則無(wú)法發(fā)動(dòng)攻擊。 目前,，反無(wú)人機(jī)集群可采用電子干擾或網(wǎng)絡(luò)攻擊等“軟殺傷”方式,，破壞無(wú)人機(jī)集群和遙控者之間的信號(hào)連接，讓無(wú)人機(jī)集群直接失控墜毀或者自動(dòng)返回,。不過(guò),，如果無(wú)人機(jī)集群采用自主方式實(shí)施攻擊，脫離遠(yuǎn)程信息交互,，加強(qiáng)集群內(nèi)部信息交互防護(hù),，“軟殺傷”方式可能難以奏效。 所以,，反無(wú)人機(jī)集群采用“硬殺傷”方式也是很有必要的,，比如可以采用彈炮攔截、激光攔截,、無(wú)人機(jī)“自殺式”攔截,、捕捉網(wǎng)攔截、空中設(shè)障等方式,。無(wú)人機(jī)集群一般具有數(shù)量眾多的無(wú)人機(jī),，采用單一手段抗擊可能效果有限，反無(wú)人機(jī)集群應(yīng)著眼整個(gè)無(wú)人機(jī)集群系統(tǒng),，軟硬結(jié)合,，從體系對(duì)抗角度整體抗擊，綜合使用多種手段層層攔截,。特別是要大力發(fā)展高功率微波武器等高效低成本的新型防御手段,，并且要注意發(fā)展無(wú)人機(jī)集群對(duì)抗無(wú)人機(jī)集群的手段。   近年來(lái),，深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)各項(xiàng)任務(wù)上的良好性能表現(xiàn),，伴隨著高分辨率相機(jī)的普及，使得基于視覺(jué)的集群目標(biāo)識(shí)別成為可能,。面對(duì)檢測(cè)小型目標(biāo)的困難,，深度學(xué)習(xí)技術(shù)給出了可能的解決思路：當(dāng)深度神經(jīng)網(wǎng)絡(luò)達(dá)到足夠的深度時(shí)，在理論上可以對(duì)非常小的目標(biāo)作出有效的特征提取與檢測(cè),，但同時(shí)會(huì)帶來(lái)難以滿足實(shí)時(shí)檢測(cè)的計(jì)算量,。另外，傳統(tǒng)的檢測(cè)方法受特征工程中需要人工選擇和提取特征的限制，可能會(huì)忽略目標(biāo)所具有的深層特征,，進(jìn)一步影響了檢測(cè)的有效性和穩(wěn)定性,，而深度學(xué)習(xí)借助其在數(shù)據(jù)與信息挖掘領(lǐng)域具有的突出優(yōu)勢(shì)，克服了特征工程中人工選擇提取特征的局限性,，通過(guò)數(shù)據(jù)訓(xùn)練擬合的方式自行提取有效特征,，使得這一問(wèn)題得到解決。

　　目標(biāo)檢測(cè)技術(shù)的發(fā)展與現(xiàn)狀

　　從上世紀(jì)50年代開始,，研究人員就開始了對(duì)圖像的識(shí)別技術(shù)研究，在傳統(tǒng)機(jī)器視覺(jué)領(lǐng)域中,，判定圖像中是否存在特定物體的問(wèn)題是一個(gè)非常經(jīng)典的研究方向,。從上世紀(jì)70年代機(jī)器視覺(jué)技術(shù)領(lǐng)域逐漸興起以來(lái)，物體檢測(cè)一直受到落后的技術(shù)條件和有限應(yīng)用場(chǎng)景的限制,，直到上個(gè)世紀(jì)90年代才逐漸走入正軌,。對(duì)人的視覺(jué)系統(tǒng)而言，物體檢測(cè)并不困難,，通過(guò)對(duì)圖片中不同顏色,、紋理、邊緣模塊的感知很容易定位出目標(biāo)物體,，但對(duì)于計(jì)算機(jī)來(lái)說(shuō),，圖像實(shí)際上只是像素矩陣，想要從圖像中直接得到目標(biāo)物體的抽象概念并確定物體所處的區(qū)域比較困難,，再加上物體姿態(tài),、光照和復(fù)雜背景復(fù)雜混雜在一起，使得物體參見更加困難,。物體檢測(cè)技術(shù)通常由三部分組成：選擇檢測(cè)窗口,，設(shè)計(jì)物體特征，設(shè)計(jì)分類器,。在21世紀(jì)初Viola Jones提出基于Adabost的人臉檢測(cè)方法以來(lái),，物體檢測(cè)算法確立了傳統(tǒng)的人工設(shè)計(jì)特征+千層分類器的框架，2012年之后,，基于大數(shù)據(jù)和深度神經(jīng)網(wǎng)絡(luò)的End-To-End的檢測(cè)框架不斷發(fā)展完善,，物體檢測(cè)技術(shù)愈加成熟。 Viola Jones檢測(cè)器雖然是當(dāng)時(shí)的技術(shù)條件下,，實(shí)現(xiàn)了實(shí)時(shí)人臉檢測(cè),，但是其準(zhǔn)確率仍不能滿足現(xiàn)階段的需求。2002年,，Rainer Lienhart和Jochen Maydt對(duì)V-J檢測(cè)器進(jìn)行了擴(kuò)展,，即為如今的Haar分類器。 2012年AlexNet在當(dāng)年的ImageNet視覺(jué)目標(biāo)識(shí)別競(jìng)賽中使用的深度卷積網(wǎng)絡(luò)大幅提高了檢測(cè)分類的準(zhǔn)確率，深度學(xué)習(xí)從此成為計(jì)算機(jī)視覺(jué)處理目標(biāo)檢測(cè)識(shí)別任務(wù)的熱門研究方向,。而將深層神經(jīng)網(wǎng)絡(luò)應(yīng)用時(shí)也面臨諸多的挑戰(zhàn),，如網(wǎng)絡(luò)容易過(guò)擬合、網(wǎng)絡(luò)退化等,。 由Ross B.Girshick等人分別在2014年和2015年提出的R-CNN,、Fast R-CNN算法，分別將ILSVRC 2013數(shù)據(jù)集上的準(zhǔn)確率提升到至31.4%和70%以上,，但仍未解決region proposal速度過(guò)慢的問(wèn)題,。Shaoqing Ren于2-15年提出的Faster R-CNN運(yùn)用RPN（Region Proposal Network）實(shí)現(xiàn)了端到端的訓(xùn)練，在Fast R-CNN的基礎(chǔ)上進(jìn)一步提升了檢測(cè)準(zhǔn)確率和檢測(cè)速度,，但仍存在小型目標(biāo)檢測(cè)效果差的問(wèn)題,。 微軟搜索的Jifeng Dai等人和來(lái)自Facebook人工智能團(tuán)隊(duì)的Kaiming He等人分別與2016年和2017年提出R-FCN和Mask R-CNN算法，雖然進(jìn)一步提升了檢測(cè)平均準(zhǔn)確率,，但犧牲了大量的計(jì)算資源,，算法耗時(shí)較為嚴(yán)重。 Ian Goodfellow提出的GAN（GeneraTIve Adversarial Network）算法,，提升了神經(jīng)網(wǎng)絡(luò)對(duì)遮擋等問(wèn)題的魯棒性,，然而GAN模型采用二元零和博弈的思想，其優(yōu)化中沒(méi)有使用損失函數(shù),，導(dǎo)致網(wǎng)絡(luò)在訓(xùn)練中網(wǎng)絡(luò)的優(yōu)化方向無(wú)法確定,。 上述基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法均屬于基于分類的技術(shù)路線，始終沒(méi)有解決的問(wèn)題是region proposal與分類兩個(gè)步驟分離造成的計(jì)算速度慢的問(wèn)題,。在此基礎(chǔ)上,，Joseph Redmon等人在2016年提出了基于回歸的檢測(cè)方法YOLO，解決了region proposal與分類兩個(gè)步驟分離的問(wèn)題,，用one-stage的檢測(cè)形式將檢測(cè)速度大幅提升,，足以滿足實(shí)時(shí)性檢測(cè)的要求，但存在對(duì)小型目標(biāo)檢測(cè)效果不好的問(wèn)題,。 在此基礎(chǔ)上2017年Joseph Redmon又提出了YOLOv2和YOLO9000算法,，兩個(gè)算法的結(jié)構(gòu)基本一致，在保持了YOLO速度的同時(shí)將平均檢測(cè)追蹤率提升了2.4%,。2018年Joseph Redmon再次對(duì)模型進(jìn)行改進(jìn),，提出了YOLOv3，通過(guò)改變損失函數(shù),，增加網(wǎng)絡(luò)層數(shù)等方式,，如DSOD、R-SSD等算法,，達(dá)到了較高的檢測(cè)準(zhǔn)確率,，但存在計(jì)算速度難以滿足實(shí)時(shí)檢測(cè)的問(wèn)題,。基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法中,，YOLO算法比較適用于進(jìn)行實(shí)時(shí)檢測(cè)任務(wù),，但同時(shí)還需解決小目標(biāo)檢測(cè)不穩(wěn)定的問(wèn)題，以及進(jìn)一步提升小目標(biāo)檢測(cè)性能的目標(biāo),。2017年,，Tsung-YiLin等人提出了FPN算法，有效生成對(duì)圖像的多維度特征表達(dá),，F(xiàn)PN同時(shí)參考了SSD和2016年Tao Kong等人提出的HyperNet的機(jī)構(gòu),，大幅提升了深層特征圖的語(yǔ)義提取，在于多種模型結(jié)合實(shí)驗(yàn),，結(jié)果對(duì)小目標(biāo)的檢測(cè)性能提升較大,。

　　多目標(biāo)跟蹤技術(shù)的發(fā)展與現(xiàn)狀

　　多目標(biāo)跟蹤問(wèn)題相比單一目標(biāo)的跟蹤更加復(fù)雜，除了單一目標(biāo)跟蹤中出現(xiàn)的形變,、背景干擾等問(wèn)題以外，還面臨場(chǎng)景中目標(biāo)自動(dòng)初始化與終止,、目標(biāo)相似度匹配,、目標(biāo)間交互與遮擋以及再識(shí)別等挑戰(zhàn)。 最初研究人員針對(duì)雷達(dá)任務(wù)中多個(gè)運(yùn)動(dòng)目標(biāo)的軌跡跟蹤問(wèn)題研究出許多算法,，后被移植到計(jì)算機(jī)視覺(jué)領(lǐng)域,，用于視覺(jué)多目標(biāo)跟蹤任務(wù)。其中比較經(jīng)典的算法有Donald B.Reid在1978年提出的多假設(shè)跟蹤算法（MHT）,，本質(zhì)上MHT是對(duì)Kalan濾波的擴(kuò)展,，雖然存在如概率模型選取這類問(wèn)題，MHT仍然在現(xiàn)階段的多目標(biāo)跟蹤算法中引用并取得了不錯(cuò)的效果,。 除Kalman濾波在多目標(biāo)跟蹤任務(wù)中得到應(yīng)用,，粒子濾波算法也在多目標(biāo)跟蹤場(chǎng)景中進(jìn)行了擴(kuò)展。2009年Michael D.Breitenstein等人提出基于檢測(cè)可信度的粒子濾波算法,，舍棄了簡(jiǎn)單使用高斯分布作為概率模型的方法,，但是算法仍需要大量樣本，且存在權(quán)值退化的問(wèn)題,。 2008年由L.Zhang等人提出一種基于最小代價(jià)流優(yōu)化的多目標(biāo)跟蹤算法,，采用最小代價(jià)流優(yōu)化的多目標(biāo)跟蹤算法是基于確定性優(yōu)化的離線多目標(biāo)跟蹤算法。這種算法將數(shù)據(jù)關(guān)聯(lián)問(wèn)題映射到具有不重疊約束的成本流網(wǎng)絡(luò)中,。利用網(wǎng)絡(luò)中的最小成本流算法,，找到了最優(yōu)的數(shù)據(jù)關(guān)聯(lián)。在此算法基礎(chǔ)上,，H.Pirsiavash和P.Lenz等人分別與2011年和2015年進(jìn)行了優(yōu)化,，在一定程度上解決了低效率的問(wèn)題,，然而這種基于圖的算法模型仍不適用于在線跟蹤任務(wù)。 Y.Xiang等人在2015年提出基于馬爾科夫決策的多目標(biāo)跟蹤算法（MDP跟蹤算法）,，MDP跟蹤算法利用馬爾科夫過(guò)程計(jì)算軌跡,，是一種基于機(jī)器學(xué)習(xí)的確定性目標(biāo)跟蹤算法，相比前集中方法,，MDP跟蹤算法具有更高的計(jì)算速度,，可以實(shí)現(xiàn)在線的檢測(cè)，然而需要離線訓(xùn)練,，且在一些場(chǎng)景下平均準(zhǔn)確率略低于上述幾種算法,。 W.Choi于同年提出一種局部流的多目標(biāo)跟蹤算法NOMT，算法通過(guò)在連續(xù)多幀圖像上提取信息的方式,，獲得了更多的特征,，同時(shí)具有了一定的修正能力，然而由于算法需要連續(xù)多幀圖像,，因此會(huì)造成算法具有一定時(shí)間延遲,，是一種近似實(shí)時(shí)的跟蹤算法。 以上算法均基于Kalman濾波或機(jī)器學(xué)習(xí)等傳統(tǒng)算法構(gòu)建,，在進(jìn)行目標(biāo)跟蹤與軌跡匹配時(shí),，深度學(xué)習(xí)對(duì)目標(biāo)特征的高效提取能夠提升算法的匹配準(zhǔn)確率。 L.Lealtaixe和Q.Chu等人分別于2016年提出基于孿生卷積網(wǎng)絡(luò)的多目標(biāo)跟蹤算法和基于最小多割圖的多目標(biāo)跟蹤算法,，通過(guò)引入深度學(xué)習(xí),，提取檢測(cè)到的目標(biāo)表觀特征，根據(jù)表觀相似度對(duì)同一目標(biāo)進(jìn)行匹配,，其結(jié)果在匹配準(zhǔn)確度上獲得了較為顯著的提升,，但是由于引入深度神經(jīng)網(wǎng)絡(luò)，算法具有比較嚴(yán)重的耗時(shí)問(wèn)題,。 針對(duì)多目標(biāo)跟蹤中容易出現(xiàn)的遮擋問(wèn)題,，Q.Chu等人在2017年提出一種基于時(shí)空關(guān)注機(jī)制的多目標(biāo)跟蹤算法，其思想為通過(guò)建立時(shí)空關(guān)注模型對(duì)遮擋的目標(biāo)特征進(jìn)行加權(quán),，在對(duì)加權(quán)后的目標(biāo)進(jìn)行匹配,，一定程度上解決了目標(biāo)出現(xiàn)遮擋的情況。 除以上幾種利用卷積網(wǎng)絡(luò)進(jìn)行特征提取的方法以外,，由于視覺(jué)多目標(biāo)跟蹤其數(shù)據(jù)的序列性,，在多目標(biāo)跟蹤算法中引入循環(huán)網(wǎng)絡(luò)也成為了比較流行的方法。 2017年Amir Sadeghian等人提出基于RNN的多目標(biāo)跟蹤算法,，算法通過(guò)設(shè)計(jì)長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（LSTM）,，綜合目標(biāo)的運(yùn)動(dòng)特征、表觀特征與交互特征來(lái)學(xué)習(xí)已產(chǎn)生的軌跡與當(dāng)前檢測(cè)匹配,。 2018年Kuan Fang和Chanho Kim等人分別提出基于遞歸自收斂網(wǎng)絡(luò)的在線跟蹤算法與基于雙線性長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的多目標(biāo)跟蹤算法,，算法在傳統(tǒng)的循環(huán)網(wǎng)絡(luò)進(jìn)行特征提取的基礎(chǔ)上設(shè)計(jì)了更復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu),，以提取更深層的表觀特征，提升了匹配準(zhǔn)確性,。然而利用RNN思想進(jìn)行多目標(biāo)跟蹤對(duì)系統(tǒng)的計(jì)算能力要求較高,。 2016年由AlexBewley等人提出SORT算法（Simple Online And RealTIme Tracking），通過(guò)Kalman濾波提取目標(biāo)的運(yùn)動(dòng)特征,，再利用匈牙利算法進(jìn)行匹配,，這樣只利用bounding box的大小與位置信息進(jìn)行目標(biāo)運(yùn)動(dòng)特征匹配的犯法大大提升了跟蹤的速度，但是算法全權(quán)利用運(yùn)動(dòng)特征也導(dǎo)致了無(wú)法重新匹配,，對(duì)軌跡匹配出現(xiàn)中斷的目標(biāo)效果不佳,。 2017年Nicolai Wojke等人在SORT的基礎(chǔ)上提出了DeepSORT算法，加入卷積網(wǎng)絡(luò)對(duì)目標(biāo)表觀特征進(jìn)行提取,，增強(qiáng)了網(wǎng)絡(luò)對(duì)遺失和障礙的魯棒性,。對(duì)于多目標(biāo)跟蹤技術(shù)，Kalman濾波算法具有較快的速度,，可以達(dá)到實(shí)時(shí)跟蹤的需求,。多目標(biāo)跟蹤技術(shù)需要解決以上提到的問(wèn)題，并結(jié)合檢測(cè)算法設(shè)計(jì)出適用于實(shí)時(shí)檢測(cè)跟蹤的多目標(biāo)實(shí)時(shí)檢測(cè)跟蹤算法,。

　　高/低動(dòng)態(tài)范圍圖像處理技術(shù)發(fā)展與現(xiàn)狀

　　近年來(lái),，高/低動(dòng)態(tài)范圍圖像技術(shù)（HDR/LDR）得到了越來(lái)越多的普及。高動(dòng)態(tài)范圍圖像對(duì)場(chǎng)景的描述更加真實(shí),，包含了更加完整的場(chǎng)景信息，可以提供更多的圖像細(xì)節(jié),。然而受到大多數(shù)顯示設(shè)備的限制,，能夠顯示的動(dòng)態(tài)范圍很小，導(dǎo)致圖像出現(xiàn)亮度失真,、信息丟失等問(wèn)題,，影響目標(biāo)檢測(cè)與跟蹤算法的性能。因此,，以色調(diào)映射算法為主的針對(duì)高/低動(dòng)態(tài)范圍圖像的圖像處理技術(shù)也得到了更多的關(guān)注,，能夠?qū)DR圖像進(jìn)行處理，調(diào)整圖像的亮度或灰度值與對(duì)比度,，使圖像能夠在盡量不丟失細(xì)節(jié)信息的條件下,，顯示在動(dòng)態(tài)范圍的顯示設(shè)備上。 2002年,，Erik Reinhard收到攝影中曝光過(guò)渡與不足的啟發(fā),，提出了一種基于局部平均對(duì)數(shù)算子和高斯濾波的多尺度映射算法，對(duì)過(guò)暗和過(guò)亮的圖像區(qū)域進(jìn)行了亮度修正,。Jiang Duan等人2004年提出一種全局直方圖均衡的色調(diào)映射算法,，并在2010年增加了利用局部直方圖進(jìn)行自適應(yīng)調(diào)整的優(yōu)化方案,。 2008年，Radoslaw ManTIuk等人將色調(diào)映射問(wèn)題轉(zhuǎn)化為優(yōu)化問(wèn)題,，并于2009年提出一種色調(diào)校正算子,，將輸出設(shè)備的對(duì)比度失真最小化，以獲得最佳的對(duì)比度可見性,。 2011年,，Zicong Mai等人提出了基于統(tǒng)計(jì)模型的色調(diào)映射算法，對(duì)色調(diào)映射和圖像壓縮過(guò)程中產(chǎn)生的失真進(jìn)行估計(jì)并優(yōu)化,，在圖像MSE上具有較為顯著的提升,。 Tom Mertens、Neil D.B.Bruce及Zhengguo Li等 人分別在2007年,。2014年和2017年提出不同的多尺度曝光融合算法,，用不同的方法對(duì)曝光程度的LDR圖像進(jìn)行融合，以保留HDR場(chǎng)景中最亮和最暗區(qū)域的信息,。 以上的集中圖像處理算法采用了比較傳統(tǒng)的技術(shù)手段,，另外還有一些色調(diào)映射算法借助卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展，受到人類視覺(jué)系統(tǒng)（HVS）的啟發(fā),，通過(guò)模擬人類視覺(jué)神經(jīng)細(xì)胞的方式,，實(shí)現(xiàn)對(duì)圖像中過(guò)亮和過(guò)暗區(qū)域的同步調(diào)節(jié)。 Michael Ashikhmin在2002年提出的模擬HVS的圖像處理算法,，通過(guò)建立絕對(duì)亮度與對(duì)比度方程,，將圖像色調(diào)映射過(guò)程壓縮到單一變量控制。2005年Grzegorz Krawczyk等人參考錨定理論,，將HDR圖像劃分為多個(gè)亮度一致的區(qū)域,，分別估計(jì)亮度值。 2011年Sira Ferradans等人建立一種基于視錐細(xì)胞的色調(diào)映射算法,，從兩個(gè)階段模擬了視網(wǎng)膜對(duì)亮度和對(duì)比度的自適應(yīng)調(diào)節(jié),。2017年Nima Khademi Kalantri等人通過(guò)CNN網(wǎng)絡(luò)，對(duì)一組不同曝光程度的圖像進(jìn)行配準(zhǔn)合并生產(chǎn)HDR圖像,，也取得了較好的效果,。 相較于傳統(tǒng)的圖像處理算法，基于生物機(jī)理的處理算法可以將在低動(dòng)態(tài)顯示設(shè)備上顯示的高動(dòng)態(tài)圖像的更多細(xì)節(jié)展現(xiàn)出來(lái),，此外相關(guān)算法還可以處理夜間較暗的圖像,，使其亮度得到一定的增強(qiáng)，實(shí)現(xiàn)亮處與暗處的同步調(diào)節(jié),。

　　目標(biāo)三維重建技術(shù)發(fā)展與現(xiàn)狀

　　基于視覺(jué)的目標(biāo)三維重建技術(shù)根據(jù)傳感器的不同類型,，可分為主動(dòng)式與被動(dòng)式。此處討論被動(dòng)式,，被動(dòng)式三維重建技術(shù)通過(guò)相機(jī)等傳感器從周圍環(huán)境中捕獲圖像,，其原理通常為借助視圖的幾何原理進(jìn)行空間位置計(jì)算得到目標(biāo)的三維結(jié)構(gòu),。 Olivier Faugeras等人于1995年提出的Realise系統(tǒng)，解決了從圖像序列中恢復(fù)場(chǎng)景中歐幾里得幾何形狀的問(wèn)題,。Steven M.Seitz等人1999年提出基于體色著色的三維重建算法,，通過(guò)在以固定的可見性順序遍歷體素的離散場(chǎng)景空間中進(jìn)行工作，避免了圖像匹配的問(wèn)題,，但仍對(duì)相機(jī)校正有較大的需求,。PE Debevec等人在1996年提出一種基于稀疏靜態(tài)圖片進(jìn)行三維建模的算法，結(jié)合了幾何原理和圖像處理技術(shù),，提升了重建效果,。 以上工作均為三維重建領(lǐng)域比較經(jīng)典的方法。除此之外還有基于深度學(xué)習(xí)的三維重建方法,。 David Eigen等人在2014年提出的基于Coarse-Fine網(wǎng)絡(luò)的深度圖估計(jì)算法,，通過(guò)建立兩個(gè)深層網(wǎng)絡(luò)分別從全局和局部進(jìn)行估計(jì)，實(shí)現(xiàn)了尺度不變的深度圖預(yù)測(cè),。Christopher B.Choy等人在2016年提出3D-R2N2算法,，采用LSTM網(wǎng)絡(luò)實(shí)現(xiàn)基于體素的三維重建，同時(shí)適用于單視圖與多視圖,，然而算法耗時(shí)較為嚴(yán)重,，精度不高。同年Haoqiang Fan等人提出基于深度學(xué)習(xí)生成點(diǎn)云的三維重建算法,，利用深度無(wú)網(wǎng)絡(luò)直接從單張圖生成點(diǎn)云,，解決單視圖生成3D信息的困難。 2018年,，Nanyang Wang等人提出Pixel2Mesh算法,，舍棄了點(diǎn)云、深度圖等形式,，直接從單張RGB圖像生成3D mesh信息。多視圖三維重建算法相比單視圖需要更多的計(jì)算力,，但所受到的外界約束條件也更少,。在處理在線目標(biāo)三維重建時(shí)，雙目視覺(jué)技術(shù)具有較好的表現(xiàn),，但仍需進(jìn)一步縮短計(jì)算耗時(shí),，提升重建的穩(wěn)定性。 無(wú)人機(jī)幾何特征,。 通過(guò)對(duì)目標(biāo)的幾何特征提取識(shí)別是在圖像上進(jìn)行目標(biāo)檢測(cè)最直觀有效的方案,。最初基于圖像的目標(biāo)檢測(cè)識(shí)別任務(wù)常用像素級(jí)的檢測(cè)方法，這種方法計(jì)算量極大,，難以滿足當(dāng)前高分辨率條件下實(shí)時(shí)檢測(cè)的要求,；隨著計(jì)算機(jī)視覺(jué)理論的發(fā)展,，出現(xiàn)了眾多的特征級(jí)檢測(cè)方法，通過(guò)圖像分割,、目標(biāo)提取與特征分析等手段,，極大提升了目標(biāo)檢測(cè)的速率與效果。目標(biāo)檢測(cè)識(shí)別任務(wù)重,，所提取目標(biāo)特征的有效與否直接決定了目標(biāo)檢測(cè)與識(shí)別的結(jié)果好壞,，因此目標(biāo)特征的提取是整個(gè)任務(wù)中最為關(guān)鍵的階段。

　　單目標(biāo)無(wú)人機(jī)幾何特征

　　近年來(lái)不論基于傳統(tǒng)算法還是深度學(xué)習(xí)的特征提取算法在單目檢測(cè)上均取得了很好的效果,，針對(duì)單目標(biāo)幾何特征定義上也比較熟悉,。一般來(lái)說(shuō)，單個(gè)目標(biāo)基于圖像的特征主要可以定義為：長(zhǎng)寬比,，即目標(biāo)bounding box的長(zhǎng)寬之比,；亮度均值對(duì)比度，即目標(biāo)與北京平均亮度的比值,；亮度范圍,，即目標(biāo)最大亮度與最小亮度；目標(biāo)邊界等特征等,。 在針對(duì)無(wú)人機(jī)的目標(biāo)圖像特征提取任務(wù)重,，比較難以克服的困難在于，傳統(tǒng)方法需要人為定義并量化特征,，這一點(diǎn)并非不可實(shí)現(xiàn),，但是通過(guò)這種方法定義出的特征集合難以保證可以實(shí)現(xiàn)檢測(cè)的最有效，因?yàn)闊o(wú)法保證所提取出特征的代表性與有效性,，而且人為定義的特征通常局限在目標(biāo)的表層特征,，相比之下深度神經(jīng)網(wǎng)絡(luò)通過(guò)多層學(xué)習(xí)與擬合，能夠發(fā)覺(jué)出更深層次的特征,，這類特征對(duì)尺度變化等特殊情況下坑你具有更高的魯棒性,，這也是傳統(tǒng)方法在目標(biāo)檢測(cè)上的效果略遜色于深度學(xué)習(xí)的一個(gè)原因。除此之外,，檢測(cè)多軸無(wú)人機(jī)這類小型目標(biāo)任務(wù)中,，距離較遠(yuǎn)情況下目標(biāo)在圖像的范圍可能只有50x50像素大小的區(qū)域中，導(dǎo)致目標(biāo)特征更加難以提取識(shí)別,，對(duì)于目標(biāo)的有效檢測(cè)造成了巨大困難,。為了解決目標(biāo)區(qū)域過(guò)小的困難，僅僅通過(guò)改進(jìn)算法是不夠的,，根本上需要在更有效的數(shù)據(jù)集上訓(xùn)練,。而現(xiàn)階段出現(xiàn)了越來(lái)越多的高分辨率設(shè)備能夠有效解決這一問(wèn)題。

　　集群目標(biāo)無(wú)人機(jī)幾何特征

　　單目標(biāo)無(wú)人機(jī)外觀形狀固定，幾何特征方便定義與提取,。相比之下,，無(wú)人機(jī)集群目標(biāo)的幾何特征難以定義，原因在于特征應(yīng)為通用,、固定,、可預(yù)測(cè)的性質(zhì)，而無(wú)人機(jī)集群目標(biāo)結(jié)構(gòu)多變,，且通常還涉及節(jié)點(diǎn)增減的情況,，直接定義集群目標(biāo)的幾何特征具有非常大的困難。 從反無(wú)人機(jī)集群任務(wù)總體角度考慮,，對(duì)無(wú)人機(jī)集群進(jìn)行識(shí)別的意義在于描述無(wú)人機(jī)集群的空間結(jié)構(gòu),，找到集群空間結(jié)構(gòu)的弱點(diǎn)，進(jìn)而實(shí)現(xiàn)對(duì)無(wú)人機(jī)集群目標(biāo)的有效反制,。因此,，無(wú)人機(jī)集群目標(biāo)的幾何特征重在描述，并非無(wú)人機(jī)集群目標(biāo)檢測(cè)任務(wù)的過(guò)程,，而是結(jié)果,。針對(duì)無(wú)人機(jī)集群目標(biāo)的檢測(cè)任務(wù)，需要結(jié)合對(duì)單目標(biāo)檢測(cè)與集群節(jié)點(diǎn)幾何機(jī)構(gòu)構(gòu)造來(lái)實(shí)現(xiàn)從點(diǎn)到群的轉(zhuǎn)換,。 定義無(wú)人機(jī)集群目標(biāo)幾何特征是為了實(shí)現(xiàn)對(duì)目標(biāo)進(jìn)行最有效反制,。對(duì)無(wú)人機(jī)集群的反制手段主要分為對(duì)單一節(jié)點(diǎn)反制與對(duì)群集點(diǎn)反制，結(jié)合反制手段的特點(diǎn),，無(wú)人機(jī)集群目標(biāo)的幾何特征可以定義為節(jié)點(diǎn)數(shù)目,、集群長(zhǎng)寬高比例、節(jié)點(diǎn)密度,、最大最小截面等,。   綜合上述特征識(shí)別技術(shù)思想，結(jié)合無(wú)人機(jī)集群反制任務(wù)的具體場(chǎng)景與要求,，將集群目標(biāo)的幾何特征定義為： 1.集群中各節(jié)點(diǎn)相對(duì)密度,，反應(yīng)集群目標(biāo)的幾何特征表現(xiàn)為集群中各個(gè)區(qū)域節(jié)點(diǎn)密度程度，即各節(jié)點(diǎn)到其他節(jié)點(diǎn)的平均相對(duì)距離,，按照由密集到稀疏的順序排列,，這樣的特征有利于僚機(jī)集群哪些區(qū)域適合集群反制，哪些區(qū)域適合定點(diǎn)反制措施,； 2.針對(duì)定點(diǎn)反制類型的反制措施，集群目標(biāo)的幾何特征表現(xiàn)為各節(jié)點(diǎn)到觀察位置的距離向量,，向量中各元素按照從小到大順序進(jìn)行排列,，這樣的特征有利于定點(diǎn)反制措施按照由近到遠(yuǎn)的順序進(jìn)行反制； 3.針對(duì)集群反制類型的反制措施，集群目標(biāo)的幾何特征表現(xiàn)為各節(jié)點(diǎn)到其他節(jié)點(diǎn)處于集群反制措施有效范圍內(nèi)的數(shù)目向量,，向量中各元素按照從大到小順序進(jìn)行排列,，這樣的特征有利于找到集群反制措施最具有威脅的區(qū)域。 無(wú)人機(jī)集群必將飛入戰(zhàn)場(chǎng),，無(wú)人機(jī)集群與反無(wú)人機(jī)集群技術(shù)也必將成螺旋上升態(tài)勢(shì),。

更多信息可以來(lái)這里獲取==>>電子技術(shù)應(yīng)用-AET<<