导编者按：海上无人系统集群作战正在从概念走向实装应用。着眼于海上无人系统集群作战任务的需要，总结无人机集群、水面无人艇集群、无人水下机器人集群和跨域无人系统集群的国内外发展现状，分析海上无人系统集群协同作战所需的关键技术，包括通信自组网、协同态势感知、任务分配、航迹规划、集群编队控制和虚拟测试等。系统性归纳海上无人系统集群所需各项技术的主要研究思路、代表性算法及相关算法的研究趋势，期望能够为海上无人系统集群技术研究提供有益的参考和借鉴。
近年来，随着电子信息、智能控制等技术的快速发展以及在军事上的不断应用，军用无人系统的性能得到跃升，但仍受限于单体能力而难以形成规模化作战能力。无人系统集群、协同作战是解决此问题的重要途径，也是无人系统装备技术发展的重点。美、英、法等主要军事强国正将其作为提升装备体系整体作战效能的重要抓手之一，通过不断增加经费投入，加快新概念、新技术的演示验证工作来推进实战化应用 ，并已初见成效。
无人系统集群大致可以分为无人机 (UAV) 集群，水面无人艇 (USV) 集群和无人水下机器人(UUV) 集群
。其中，无人机集群技术发展得最迅速，在发展思路、技术途径等方面呈现出百花齐放的态势。1980 年代，美、俄等国就已重视水下无人装备的运用。近 10 年来，这些国家加快了水下无人系统集群技术的验证，以及小规模应用。
目前，美国海军已完成了执行反潜探测任务的无人水下机器人集群技术的演示验证，已实现在深海、浅海的大范围反潜探测。不仅如此，在水面无人系统方面，美国海军也已开始探索集群作战，以突破执行使命任务的技术瓶颈，最终于2016 年实现了水面无人艇集群自主执行目标探测与识别、跟踪、巡逻等任务。
跨域异构无人系统集群
指的是无人机、水面无人艇、无人水下机器人等不同类型的无人系统在空中、水面、水下等不同作战域之间的协同控制。截至目前，美、英、法等国重点验证了无人系统间跨域协同通信和指控能力，并均已取得一定的进展。
目前，虽然尚无法全面准确地判断无人系统集群在未来海战、空战中的定位，但随着技术的不断进步，无人系统集群将逐步由概念走向实装应用，其所呈现出的应用场景也将越来越来清晰。因此，加快我国在无人系统集群及其协同作战方面的研究，对于探索未来战争模式、装备应用落地以及推动海军武器装备创新发展都具有重要意义。
首先，本文将
系统回顾国内外无人机集群、水面无人艇集群、无人水下机器人集群和跨域无人系统集群的发展现状
；然后，全面论述无人系统集群的共性关键技术研究进展，并着重分析各项关键技术的主要研究思路、代表性算法及其研究趋势，期望能够为海上无人系统集群技术研究提供有益的参考和借鉴。
无人机集群是由一定数量的单一功能或者多功能无人驾驶飞行器组成的空中移动系统，其以交感网络为基础，具有整体作战能力涌现和行为可测、可控、可用的特点。在无人系统集群类型方面，无人机集群研究得最多，理念也最成熟。
无人机集群概念最早于 1990 年代末由美国率先提出。在美国国防部国防先期研究计划局（DARPA）和海军研究办公室（ONR）等单位的支持下，开展了无人机集群作战概念的探索和原理技术验证。2016 年 5 月，美国空军发布了《2016~2036 年小型无人机系统飞行规划》，在规划中，阐述了 4 种集群作战概念：“蜂群”（亦即“集群”）、“编组”、“忠诚僚机”和“诱饵”。根据发展战略，实施了大量研究项目，其中包括如下几个典型的项目：
1）
“小精灵”（Gremlin）低成本无人机项目
。
2015 年 8 月项目启动，根据研究目标，无人机可快速换装情报、监视和侦察（ISR）等传感器模块 ， 并 可 选 用 非 动 能 有 效 载 荷 。无 人 机 通 过C130 运输机搭载至敌方前沿阵地，发射后实施穿插渗透，执行 ISR 任务，任务完成后可回收和重复使用。
2）
“低成本无人机集群技术”(low-cost UAV swarming technology, LOCUST) 项目。
该项目设想在陆地或舰船上释放大量小型无人机，通过自适应组网、自治与协同，执行侦察、监视或者对陆及对海攻击任务。2016 年 4 月，在陆上演示了 30 s 内连续发射 30 架“郊狼”(Coyote)无人机和编组飞行的试验。
3）
“山鹑”(Perdix) 微型无人机机载高速发射演示项目。
2017 年 1 月 ， 美 国 海 军 公 布 了 3 架 F/A-18F“超级大黄蜂”战斗机以 0.6 Mach 速度投放103 架“山鹑”无人机的演示结果。
4）
“进攻性蜂群使能战术”（offensive swarmenabled tactics, OFFSET）项目。
该项目于 2017 年 1 月启动，旨在开发和测试用于无人系统集群的体系架构、博弈软件以及用于分布式机器人的系统与算法，发展可以控制集群的原型系统。
根据国内有关报道，在无人机集群技术研究领域，国防科大、空军工程大学等军内院校开展了基础理论研究、作战仿真实验和无人机编队飞行演示验证。复旦大学、南京航空航天大学等高校开展了无人机集群编队、协同规划技术的研究，并取得了一定的研究成果。
在原型系统研发方面，航天三院开展了一定数量的无人机半实物仿真实验，验证了集群技术原理；中国电科集团电 科 院 、 清 华 大 学 和 泊 松 科 技 公 司 合 作，于2016 年 11 月在珠海航展上公布了 67 架规模的无人机集群编队飞行原理验证测试结果，2017 年6 月，该团队还进行了 119 架固定翼无人机集群的飞行试验，演示了密集弹射起飞、空中集结、多目 标 分 组 、 编 队 合 围 、 集 群 行 动 等 动 作 概 念 ，2018 年 5 月，完成了 200 架无人机集群飞行演示验证。
1980 年代，美国率先提出了海上无人系统集群的概念。海上无人系统集群是指通过智能化的指挥、协同控制和信息交互，将水面无人艇集群、无人水下机器人集群进行有机集成。水面无人艇集群作为重要一环 ，现已得到高度重视及广泛研究。
近 10 年内，国内外对水面无人艇集群作战进行了一些试验验证。例如，在 2014 年 8 月，美国海军研究办公室在弗吉尼亚州詹姆斯河开展了13 艘水面无人艇集群协同搜索、围捕的试验，验证了“分散与数据自动融合系统”（decentralized and autonomous data fusion service, DADFS）和“机器人智能感知系统控制体系架构”（control architecturefor robotic agent command and sensing，CARACaS）这两个软件在实现水面无人艇集群协同完成任务分解和自主决策方面的有效性。由于上述系统在目标识别、拦截等方面还需要人工辅助 ， 所 以 仅 实 现 了 半 自 主 的 无 人 协 同 作 战 。
2016 年 10 月，美国海军研究办公室还开展了 4 艇协同对海面目标自主察打跟踪的试验，并取得了成功，这标志着美国成为了首个实现水面无人艇集群自主作战的国家；2018 年 1 月，中国华中科技大学实现了 4 艘水面无人艇组网，并进行了协同勘探、巡逻缉私、物资投送、污染清理等试验；同年 5 月，云洲智能公司使用 56 艘水面无人艇，验证了航迹规划、编队控制、集群内部冲突解脱算法的有效性。综上所述，在水面无人艇集群方面，
我国相关研究的起步较晚，目前实现的水面无人艇集群协同控制与智能化程度距国际先进水平尚有一定的差距
。
无 人 水 下 机 器 人 从 1960 年 代 开 始 逐 步 发展。
近些年，大型化、综合化和多任务作战能力成为了美、俄两国无人水下机器人发展的主要方向
。在无人水下机器人集群领域，其他国家也竞相投入力量开展相应研究，在军用和民用方面得到了初步应用到了初步应用[3]。
2008~2009 年 ，欧盟的 GREX 项目验证了在有限通信条件下的编队航行。2010 年，美国国防先期研究计划局开始研发“分布式敏捷反潜系统”（distributed agile submarine hunting, DASH），探索利用无人系统集群实施反潜探测 ，并于 2015年 7 月在菲律宾海域由 40 艘无人水下机器组成的“海底星座”网络成功实施了大范围反潜探测演示验证。
2006 年，美国海军研究办公室提出了“近海水下持续监视网”（persistent littoral undersea surveillance network，PLUSNet）项目，旨在利用“俄亥俄”级战略核潜艇搭载无人水下机器集群以加强 潜 艇 对 近 海 环 境 的 反 潜 探 测 能 力 。2013 年9 月，项目完成了 5 个节点的水下网络初步测试，2015 年，成功完成各项海上测试，目前已小规模部署进行作战评估。
2016 年，英国在“无人战士”（unmanned warrior）军演中进行了无人水下机器集群作战演示。此外，美海军在“分布式侦察与探 测 的 协 作 自 主 性 ” （ cooperative autonomy for distributed reconnaissance and exploration， CADRE）系统研究项目的协同框架下开展并验证了无人水下机器集群扫雷任务。
目前，我国在无人水下机器集群研究方面仍处于编队航行、协同作战概念探索及水下组网通信等关键技术研究阶段
，例如，哈尔滨工程大学进行了 6~9 艘小型无人水下机器群组的中继通信、动态组网、航行控制、群组指控、相对导航等试验。
无人机、水面无人艇和无人水下机器人集群技术的进步为跨域海上无人系统集群的发展奠定了基础，这些技术可用于无人系统的协同侦察、快速强力突击、全域集群濒海对抗、精准高效保障等任务[4]。目前，在跨域海上无人系统集群作战方面，主要有美、英、法几个国家通过演习进行了作战概念验证 ，重点验证跨域通信和指控能力，并在近几年不断取得突破。具体验证项目如表 1 所示。
表 1 国外海上跨域无人系统集群典型项目
由表 1 可见，国外美、英、法这几个国家已在跨域无人系统集群协同作战领域开展了卓有成效的研究工作，从多个角度验证了集群协同作战概念的可行性，
初步解决了与无人系统集群、协同作战密切相关的集群发射回收、编队机动、自主控制与任务管理、信息共享、跨域通信指控等关键技术问题
，有望在未来十年内加速发展并形成规模化作战能力。
目前，无人系统集群正朝着自主化、协同化、多样化的方向发展。未来，无人系统集群必须能够与有人系统无缝集成，且拥有很强的自主行为能力及自主控制能力，以便在瞬息万变的环境下能够独立或协同完成复杂任务。结合国内外研究现状，分析得到未来海上无人系统集群技术将呈现如下发展趋势：
1）
作战任务由执行相对简单的侦察监视任务向主流作战任务方向发展。
当前，无人系统集群执行的主要任务基本上还是以传统的 ISR 任务为主，随着技术日渐成熟，未来将逐渐向需要更强决策控制能力、可压制敌防空系统及纵深突防攻击等复杂任务方面扩展。
2）
集群控制由简单遥控、程控方式向人机智能融合的交互控制方式转变，并逐步向全自主控制方式发展。
有别于有人装备，无人系统的控制水平是实现无人操控和执行各种任务的关键。当前，无人系统集群智能化水平还较低，各平台控制方式主要以简单的遥控和预编程控制为主。随着无人系统智能化水平的提高，未来其控制方式将向更先进的人机交互和全自主控制方向发展，以适应复杂、动态、对抗、不确定的真实作战环境下的作战任务要求。
3）
体系结构由专用化、单一化向通用化、标准化、互操作方向发展。
互操作技术可提高无人系统集群执行作战任务时的协同作战能力。美军已着手研究通用控制技术，使无人系统能够在控制、通信、数据、数据链等方面达到更高的互操作性。通用化将使无人系统集群的可维护性和集成性更便捷，快速融入现有的有人作战体系，从而提高体系作战能力。
无人系统集群是以集群智能控制算法和协同感知、协同任务规划及高效低成本平台技术为基础，围绕任务目标，形成以无中心、群控制、高涌现等为特征的整体作战群组。
由于无人系统集群可执行的任务复杂多样，自适应环境，对抗交换成本低，抗毁性高，直接通信量小，具有颠覆未来战争样式的潜力，所以美军将其列为实现第 3 次抵消战略的颠覆性技术之一。然而，
若要形成作战能力，无人系统集群需要具备通信自组网、协同态势感知、任务分配、航迹规划、编队控制和虚拟测试这些关键技术。
灵活、高速和可靠的通信网络是实现无人系统集群实时信息交互传输的基础，而
网络分簇和拓扑结构优化是现有研究的主要方面。
网络分簇
通过网络结构分层来提高网络通信效率，算法一般包括最低 ID、最高节点度、基于权重的分簇等。在传统方法的基础上，有学者提出了可避免将能量低的无人机选为簇首的基于能量的权重分簇算法。文献 [5] 提出了 CB-MAC 协议，该协议对簇的形成过程进行了定义，更适用于集群通信。
网络拓扑结构优化
主要解决通信网络连通性的问题。在此基础上，优化通信功率，降低内部干扰，提高网络抗毁伤能力，分别包括基于位置、方向、邻居节点和最短路径的拓扑控制算法等。
文献 [6] 给出了一种基于学习自动机的拓扑控制协 议 （ learning based topology control mechanism，LBLATC），该协议的特点是，每个传感器节点的学习自动机利用相邻传感器节点的学习自动机产生的增强信号来选择合适的节点传输范围。文献 [7] 给出了 2 种基于位置辅助的网格拓扑控制算法, 也称贪婪基跟踪（greedy basis pursuit, GBP）算法，该算法的设计目标旨在有效减少保持全局网络连通性所需的活动节点数。
为了解决传统网络拓扑控制忽略网络容量的问题，文献 [8] 给出了综合平衡网络容量和网络传输能耗的网络拓扑控制算法。文献 [9] 给出了节能拓扑控制算法（energy efficient topology control algorithm, EETCA），该算法可以移除具有高丢包率的链路，求解得到符合网络传输能耗约束的最优拓扑，以降低节点的能量消耗。
与传统的无人机集群通信相比，跨域无人系统集群自组网有其自身特点
：
1） 不同域的信道容量和延迟存在差异。信号传递介质不同，传递信息的距离、速率、带宽、容量和延迟也会有较大的不同，而空中通信网络在上述各方面都比水下通信网络表现优异。采用水声通信技术的水下通信网络虽然传输距离可达到数十公里，但其传输的可用带宽被限制在 20 Hz的低频范围内，传输速率有限（约每秒几十千比特），带宽和速率远远低于空中射频通信。
2） 不同域的节点移动速度差异使拓扑结构呈现高频动态变化。移动速度由高到低分别为无人机、水面无人艇和无人水下机器人，由于这3 种平台的移动速度不匹配，集群之间和集群内部通信拓扑的变化会更频繁。
3） 跨域无人系统的状态多样性。同一时刻，跨域无人系统内可能会同时执行搜索、干扰、跟踪和攻击任务，这也就需要通信网络能够智能调配资源以支持低延时和高并发需求的任务，例如实时决策、协同感知等。
综
上所述，面对基于海上跨域无人系统集群作战的新场景，
未来通信网络拓扑可以从如下方面展开研究：通信拓扑构建、跨域通信时中继节点选择、同域中继节点选择、通信拓扑随平台运动自适应变化、随任务变化的通信资源智能分配、通信拓扑抗毁伤评估等。
无人系统集群感知信息具有的多源性、异构性、多维和动态性特点
，使各类传感器的数据适配和分布式多平台感知信息的融合过程变得异常复杂[11-12]。有鉴于无人系统航行过程中多传感器之间存在信息冲突的问题，文献 [13] 改进了传统的 D-S 证据理论，使用加权方法来调整不同证据的可信度，利用 Dempster 证据组合规则实现了目标信息的融合。
在多水面无人艇集群的协同数据关联方面，文献 [14] 基于卡尔曼滤波分析设计了有效数据的融合算法，减小了通信时延；在水面无人艇多传感器协同导航方面，文献 [15] 采用自适应信息共享因子联合滤波器（AISFF）实现数据融合；在分布式多平台数据融合方面，文献 [16] 利用Dempster 证据组合规则衡量多源信息分析，证明了该方法可以有效处理信息融合过程中不同信息源置信度冲突的问题。
随着人工智能技术和计算机硬件性能的提高，
国内有学者将神经网络和模糊理论应用到数据融合技术中
。例如，文献 [17] 提出将自适应模糊神经网络和卡尔曼滤波器应用到目标跟踪系统的融合算法中，通过自适应调整跟踪参数，较好地解决了目标丢失的问题; 文献 [18] 提出了一种结合样条逼近理论和神经网络原理的融合算法，通过权值修正迭代及快速确定权值，达到了增加运算速度和计算精度的目的。
海上无人系统集群的任务分配是指在满足环境和作战单元约束的条件下，为各作战单元分配任务并确定任务时序。
任务分配按照协同控制架构可以分为 2 种类型——集中式和分布式
。
2.3.1 集中式任务分配
经典的集中式任务分配模型包括：多旅行商问题 （multiple traveling salesman problem, MTSP）、车辆路径问题（vehicle routing problem, VRP）、多选 择 背 包 问 题 （ multiple choice knapsack problem, MCKP）、混合线性整数规划 （mixed integer linear programming, MILP）[20]、动态网络流优化（dynamic network flow optimization, DNFO）[21]、处理器资源分配（multiple processors resource allocation
, CMTAP）等。
海上无人系统集群平台数量多、异构特性突出、任务类型丰富，这些特点使描述分配问题变得更复杂，增加了求解空间。
在求解集中式分配模型方面，典型的求解算法包括最优方法和启发式方法。
而最优方法还有图论法、约束规划法、整数规划法、穷举法，这其中的整数规划法又发展出了矩阵作业法、单纯性法、匈牙利法、分支定界法、混合整数规划算法等。虽然最优方法可对模型精确求解，且求得的解是全局最优解，但缺点是用时长，实时性不高。
启发式求解方法分为 3 大类：列表算法、聚类算法、智能算法。其中，列表算法是基于优先权函数对任务处理次序进行排列，然后分发给各成员[22]；聚类算法是将任务作为一个簇聚类，通过满足任务簇与系统成员的数量达到一致[23] 来实现分配，这两种算法有一定的应用。相比聚类算法，智能类算法的应用较为普遍，尤其以遗传算法、粒子群算法、蚁群算法的应用居多。
智能类算法通常健壮性较强，既适合于分布式计算机制，也可与多类其他算法相结合，但其缺乏严谨的数学基础，没有对应和深刻的且具有普遍意义的理论分析，对其机理的数学解释也薄弱，缺乏规范化和针对算法优化性能的评价准则。尽管如此，这些方法及其改进算法依然被广泛应用到了无人系统集群任务的分配中。
2.3.2 分布式任务分配
分布式任务分配的典型模型主要包括多智能体决策理论、市场机制（合同网/竞拍）、分布式马尔科夫、分布式约束等
。其中，多 Agent 理论 被广泛应用于机器人领域。随着应用样式的多样化，多 Agent 理论还衍生出了很多分支，如图 1 所示。
针对智能体与不确定因素之间的矛盾，已有的常用算法包括博弈论方法[25]、分布式马尔科夫法[26]、分布式贝叶斯方法[27] 等。分布式约束可以形式化为一个约束网，网中变量有各自的离散值域，且各自的约束相互联系，求解过程是求出变量的某个组合，使所有约束值相加获得极值[28]。分布式约束也可以被视为多 Agent 理论的分支应用。
类市场机制方法
是多无人机任务分配中被广泛应用的一种分布式方法，其核心功能是防止冲突 ，而对每个问题的求解则采用通信协商的方式合同网算法[29] 由发布者和竞标者两个角色，由“招标—投标—中标—确认”4 个交互阶段组成。而
拍卖算法
[30] 则是将要拍卖的物品用公开竞价的方式转卖给应价最高者，一次拍卖过程主要由参与方、拍卖品、收益函数和应价策略等要素组成。此外，拍卖算法的演化算法也逐渐受到广泛重视，例如，一致性包算法（consensus-based bundle algorithm, CBBA）。
航迹规划是完成作战任务的关键步骤。从出发点到任务开始执行点的航迹、巡逻航迹以及跟踪围捕的航迹均属航迹规划的范畴。
根据作战任务规划，协同无人机、水面无人艇、无人水下机器人的航迹需要考虑诸多约束和状态变化
，例如，平台的机动性能、保持平台间的通信拓扑、速度匹配、环境威胁、航程、航迹冲突、成员的动态进入退出、由巡逻转入跟踪时的状态切换等。
为此，国内外学者积极展开研究，取得了大量的不同任务场景下无人系统集群航迹规划的研究成果，涉及的主要问题如下：
1）
环境模型
：建立无人系统集群规划空间的数学模型；
2）
航迹表达
：表示规划后出现的航迹的方法；
3）
航迹优化
：最短和最
安全的航迹和航程规划及其规划所需的最短时间，也即路径搜索算法优化问题；
4）
时间和空间的精准协同
：一些任务
需要无人平台在指定时间内以特定方位-俯
仰角到达目标点的附近，也即航速和航迹精准控制问题；
5）
规划空间内的航迹冲突消解
：由于无人平台数量多，预先规划的航迹有一定概率会发生冲突，需要局部调整航迹或者航速，也即冲突解脱问题；
6）
航迹规划动态调整
：在实际海域有可能出现无法航行的区域，需要随时调整，目标点的位置也可能发生新的变化，因此需要根据新出现的情况迅速重新规划以调整航迹，也即在线航迹快速规划问题。
文献设计了层次化的多无人机协同模型，通过 Dubins 曲线航迹规划、碰撞回避和路迹长度协调这3个阶段来实现多无人机时空协同。文献采用有约束的网络图环境模型，该模型可将航向约束转化为特定网络节点的连通性约束，可以解决网络图中的空间协同规划问题。此外，文献提出的人工势场算法也是一种有效的无人系统集群协同航迹规划方法。该算法规划速度快、安全性高，适合于协同规划，但由于存在斥力和引力相等的静止点，故会导致算法停滞，规划失败。
A*算法是一种经典的算法，但并行性差、实时性不高，对于无人系统集群的航迹规划并不适合，而规划速度快、并行性佳、易协同、可收敛到最优的智能算法则适合用于求解无人系统集群协同的航迹规划，故得到了广泛研究。此外，利用群智能算法还可将无人系统集群的协同目标分配和航迹规划通过类似算法结构进行统一处理。然而，智能算法也存在缺点，它没有明确的基因表示的定义，求得的最优解不是唯一的，存在冲突和违背约束，因而也可能导致规划和协同失败。
文献 提出采用遗传算法和差分进化算法规划单机和多机的协同飞行航迹，此后大量航迹规划的研究都是围绕改进差分进化算法来展开的。例如，多种群小生境进化算法、平行进化算法、量子遗传算法，以及将免疫机制与遗传算法相结合的算法等。这些算法证明了利用物种进化机制和并行寻优可以较快地搜索到解空间的最优位置，获得多条可行的协同航迹。此外，进化理论不受空间结构的限制，适合处理三维甚至多维空间中的航迹规划问题。
从在线规划的角度来看，
实时动态的航迹规划思想
已获广泛认同。例如，有效扩展的马尔科夫决策方法 (Markov decision process，MDP)和增强学习方法 (reinforcement learning, RL)[47-50] 已被广泛应用于航迹在线规划应用中，该方法利用状态转移逐步进行区域探索和预测，通过学习提高平台处理复杂、未知和不确定环境的能力，它不仅要考虑当前阶段航迹扩展的即时效应，还要考虑对后续继续决策产生的影响，故适合于实时航迹的重新规划求解。然而，该方法要处理的状态转移模型复杂，可能导致“维数灾难”、规划性能严重下降，故仅限于单平台的在线规划，难以有效处理集群协同的问题。
海上无人系统集群是通过自组织网络连接构成的分布式智能群体，由若干同构或者异构的智能无人平台（智能体）组成。在协同执行某项任务时，需要编队构型保持相对稳定，以实现不同平台间的协调运动（例如固定队形、协同跟踪、协同围捕等）和稳定的通信连接。为此，使用的主要方法如下：领航者-跟随者法、基于行为法、人工势场法、虚拟结构法和基于强化学习的编队控制方法等。
领导者-跟随者法
是采用指定编队系统中的某个智能体作为编队的领航者，而其他智能体为跟随者，并以一定的相对位置或者姿态跟踪编队的领航者。该方法实质上是将编队控制问题直接转化为跟随者跟踪领航者的方向与位置的问题[51-52]。
基于行为法
的基本思想是定义一组无人系统集群的期望行为（例如驶向与驶离目标、障碍检测与避碰、队形保持与变换等），并将每个智能体的运动视为一系列行为的加权组合。在使用该编队控制法时，智能体的行为控制器通过接收控制指令和艇载或机载传感器检测到的周边环境信息来输出相应的行为，从而实现集群整体的协同控制。
在基于行为的智能控制方法的应用研究方面，文献 [53] 详尽地研究了多空间飞行器编队的飞行问题，并分析了编队收敛性与误差的影响；文献 [54] 对此控制方法进行了深入分析和形式化表达研究，提出了最近邻协调思想。总体上，该方法对于解决具体问题通常极为有效，但也存在缺陷，例如，它很难对行为进行数学分析，且编队队形难以保持。
人工势场法
是在集群控制中引入势能场概念，由势函数模拟影响集群中个体行为的内、外作用，个体在势函数的作用下采取行动，通过这种方法实现对集群的控制[55]。在人工势场法的智能控制应用方面，文献 [56] 在实验室环境下构建了一种低成本的人工智能集群控制演示验证系统，以机动的自组织探测集群为验证对象，对基于此方法的自组织控制策略进行了演示验证。
虚拟结构法
的基本思想是将多智能体的编队视为虚拟的刚性结构，每个智能体又被视为刚性结构上一个相对位置固定的点，当编队移动时，智能体跟踪刚体上的虚拟点运动。与领航者-跟随者方法有所不同，虚拟结构法通常无需真实存在的领航者（可以存在虚拟领航者），编队中各平台形成期望的刚体形状，且一般以跟踪偏差作为反馈来实现期望的队形。
在虚拟结构法的智能控制应用方面，文献 [57] 提出了一种结合此方法的输出反馈协同控制方法，实现了一组具有有限感知范围的独轮式移动机器人完成期望的编队跟踪任务；文献 [58] 提出利用图刚度求解非平面多智能体编队控制问题的方法，各智能体由分布式控制律协同形成编队队形；文献 [59] 建立了多无人机虚拟刚体模型，由遥控手柄实时给出无人机编队的飞行轨迹，各无人机则根据事先设计的队形库来保持队形，并可在几种队形间切换。
综上所述，传统的大部分编队控制方法通常需要平台和扰动的精确模型来进行控制率设计，但模型通常具有复杂、时变、非线性的特点，加之传感器误差、环境扰动等随机因素的影响，通常难以精确建模，因此严重限制了传统分析方法的适用范围。
强化学习方法
作为替代方法正越来越多地受到关注，因为此方法采用无模型方法来解决上文所述矛盾。在强化学习方法方面，文献 [60] 针对连续状态空间中固定翼无人机编队协同控制问题，提出了基于深度强化学习的协调控制算法；文献 [61] 使用强化学习方法，解决了异构无人机编队轨迹跟踪问题；文献 [62] 的研究团队相继发布了多项有关集群协同控制的研究成果，其提出的是一种将强化学习和集群控制相结合的混合系统，并通过仿真和实验验证了系统的可扩展性及有效性。该混合系统由低层集群控制器和高层RL 模块组成，这种二者结合的方式，使系统能够在保持网络拓扑和连通性的同时规避集群外部的威胁风险。混合系统中的 RL 模块采用 Q 学习算法，并通过共享 Q 表的方式来实现分布式合作学习。
无人系统集群协同作战可广泛应用于编队护航、搜索巡逻、区域控制和平战结合的信息保障等军民用任务。欧美一些国家正在积极推进无人系统集群演示验证试验，以加快推进技术的实战化应用。由于
当前无人系统集群的关键技术尚未成熟，因此需要开展大量的测试验证和优化。但是，海上试验环境复杂，试验成本高，长期利用无人系统集群实装测试并不现实。其中，
实装测试面临的一些“痛点”问题包括
：
