无人机集群定位与编队方式研究总结（最详细的鸟群模型分析）

个人总结：

  无人机个体模型需要考虑惯性，内部噪声、传感器更新延迟、数据处理时延、通讯局域性以及一般环境噪声;

  其速度控制分量大致可分为四项：趋于期望速度的控制分量，避撞控制分量，对齐控制分量以及边界限制控制分量;

  当个体在规定区域内时，边界对个体存在斥力，在区域外时，边界限制控制分量使得群体中心趋向区域中心。

存在的问题：

1. 随着生物群体系统观测手段的不断革新，鸽群内部飞行领导等级层级网络结构等之类的研究成果验证了前任的推断，但也出现了与以往研究相悖的结论，Turner关于鸟群群集形成的新假说-通过保持边缘不透明状态形成群集；

2. 现有鸟群群集运动模型的建模思想依然停留在Reynolds在Boid模型中引入的三条基本原则，缺乏更加真实的反映鸟群群集运动规律的模型研究，在鸟群群体协作决策建模方面的研究工作相对较少；

3. 存在了很多待研究的问题

   （1）快速、经济和高质量的个体位置，速度和姿态观测技术，大规模群体行为观测的需求和必要程度日益剧增，现在的无人机集群表演多采用RTK定位方案，无法做到完善的个体之间的通信定位；

   （2）异构群体运动模型的研究，目前绝大多数鸟群系统群集运动以及多智能协同方面的研究均假设被研究群体是由结构和功能相近的个体组成;但事实上，群体内不同物种，以及同物种内年龄、性别和健康状态等特性的不同使得不同个体在群体中的表现有所区别,对无人机集群来说，固定翼与旋翼机相结合的，不同固定翼机型相结合的异构编队运动模型；

   （3）将个体学习行为引入群集运动模型的研究-个体通过学习行为对群体行为形成的反馈机制，是使得群集行为表现出自适应和累积性的关键，，比如鸽群内部的飞行领导层级网络就是领导、学习以及个人能力综合作用的结果，这块是否可以将有人与无人集群相结合，提高无人集群的决策等；

鸟群集群模型分析：

  欧椋鸟以傍晚回巢时的大规模“特技飞行”，欧椋鸟是分布于欧洲、亚洲、非洲和澳大利亚西北部的一种小型鸟类，这种数量庞大的空中飞行可能具有多种作用，包括提供保护、保持温度和交换觅食信息等：

     

  鸟群中所有的成员真能同时转向吗，还是中间的先转向，然后带动周围的一起转向？

  鸟群是否能同时转向这与鸟群中是否存在头领有关。

  如果鸟群不是同时转向这说明（但并不一定能够证明）鸟群中可能有一个头领，它先转向，经过一个短暂的延迟期之后它周围的鸟会跟着转向，进而带动整个鸟群中的鸟都发生转向，但谁是最后一个转向的呢？

  Pomeroy和Heppner曾经在1977在实验室中对椋鸟进行过实验，他们发现这段延迟期不会超过100ms。

  在这种群体中视觉信号肯定是最不方便的一种信息交流方式，因为紧挨在一起的鸟会互相遮挡彼此的视线。

  不过如果所有的鸟都同时（至少是我们目前无法检测出每只鸟转向之间的时间差）转向;

  在这种情况下如果鸟群中真的有一只领头鸟，那么它就必须能够同时将转向命令传递给所有成员，而这在大规模的鸟群中似乎是视觉信号和听觉信号（叫声）都很难做到的。

  或者鸟群中没有领导者，但是会有一套机制保证所有的鸟都能同时行动。

  Davis在1980年用每秒拍摄72帧的慢动作电影照相机（slow-motioncinecamera）记录了黑腹滨（dunlin,Cal