企业官网建设流程全解析

简介：《无人机集群通信技术：最新进展及发展动向》是发表于《无线电工程》的网络首发综述论文，作者为成都理工大学李苗等，面向电子通信、无人机系统与网络方向的研究人员及高年级学生，系统梳理该领域的研究脉络与尚待解决的关键问题。全文先阐释无人机集群的概念与优势，继而分析当前研究现状，并围绕信号增强、移动边缘计算、联邦学习、物理层安全等典型应用场景，深入剖析其中亟需攻克的技术难点，最后对发展趋势作出前瞻判断，可为选题调研、方案论证与技术选型提供参考。资源包共1个PDF文件，约924KB，篇幅精简而信息密度较高，目录与关键词体系清晰，适合快速建立领域认知。目前已有113人学习，读者可借助关键词索引与基金项目背景延伸阅读，也适合作为组会汇报、开题准备或论文写作的文献素材。

1. 一架无人机的通信半径，为什么不能靠“多飞几架”来延伸

把 10 架无人机摆成一个集群，通信能力并不是单机的 10 倍。如果这 10 架都直接向地面站回传，回程链路会先被打满，端到端吞吐甚至掉到比只飞一架还低。这是无人机集群通信里最反直觉的一条经验，也是电子通信方向近年综述反复讨论的起点：稀缺的从来不是发射功率，而是“谁跟谁说话、在哪个资源块上说、说多久”这套调度秩序。搞清楚这套秩序怎么被拆成簇结构、多址接入、波束成形和航迹规划四层，才能明白为什么很多方案在仿真里漂亮、一上机就失灵。

2. 簇头与回程链路：大规模集群为什么必须先分层再组网

单机受限的地方很具体：机载能量有限、发射功率有限、覆盖范围有限。多机协同本来是为了补这几块短板，但补法不对就会引入新短板——回程链路的争抢。分簇是这套系统里第一个必须做对的决策。

2.1 簇从哪来：把 O(N) 条回程链路压成 O(N/K)

设想一个百架规模的集群，全部直连地面站或卫星。回程链路资源是固定的，N 架同时申请，要么排队、要么碰撞重传，调度开销随 N 增长。更麻烦的是，每架无人机离地面站的距离和遮挡条件都不同，远端那几架的链路质量会拖垮整个接入周期的效率。

分簇把这个 O(N) 的问题降成 O(N/K)。K 架无人机组成一个簇，簇内先在本地汇聚，簇头再代表整个簇向上一级回传。N=100、K=10 时，需要占用回程资源的节点从 100 个变成 10 个，链路预算和调度表都好算得多。簇内可以采用单跳星形（成员直连簇头）也可以多跳，取决于簇的几何尺度和簇内干扰水平。

代价同样明确：簇头成了流量漏斗和能耗热点，簇内成员共享同一片频谱会带来共道干扰，簇的边界还会随机动性漂移。K 的取值本质上是一道取舍题——K 大，回程省得多，但簇头负载重、簇内竞争强、单点失效影响面大；K 小，簇内干净，但回程压力回来了。常见的做法是按任务阶段动态调 K，比如搜索阶段用大簇压缩回程，抵近阶段拆小簇换灵活性。

2.2 簇头选举与轨迹优化：两个互相牵制的变量

簇头不能靠 ID 最小或者谁先起飞来定。它要同时满足几件互相冲突的事：剩余能量够多、与上级链路够好、离簇的几何中心够近、自己别乱动。这几个指标可以用一个加权打分统一起来，下面是这类选举逻辑的常见骨架。

# 簇头选举打分（简化示意，非原文代码） def head_score(uav, t, w=(0.35, 0.30, 0.20, 0.15)): e = uav.energy_ratio(t) # 剩余能量 / 初始能量，越大越耐扛 q = uav.link_quality(t) # 到上级节点或地面站的信道质量，归一化到 [0,1] d = uav.dist_to_centroid(t) # 到簇几何中心的距离，按簇半径归一化 m = uav.mobility(t) # 近期位移方差，衡量“稳不稳” return w[0]*e + w[1]*q - w[2]*d - w[3]*m

前两项是收益项，能量越足、链路越好，越适合当簇头；后两项带负号，是因为离中心越远，簇内成员到它的平均跳距越长、路径损耗越大，而机动性越强，簇结构就越容易在下一轮被打散。机动性这一项经常被忽略，但它是拓扑震荡的主要来源：一个飞得飞快的簇头，会把整个簇的成员不停地“甩掉再重连”。

更麻烦的是，簇头选举和轨迹优化是耦合的。轨迹一变，信道变、簇的几何中心变、簇结构跟着变；簇结构一变，最优轨迹又要重算。原文里提到的做法是通过优化无人机轨迹并结合聚类约束，最大化簇头处的信息汇聚率。工程上一般不会去解这个联合优化，而是交替迭代：固定簇结构解轨迹，再固定轨迹重选举，几轮之后收敛到一个局部解。这种做法不保证全局最优，但每一轮的计算量都可控，适合在线跑。

2.3 自愈能力从哪来：链路断了之后谁接手

集群被反复强调的一个优势是自愈和鲁棒。这个词很容易被当成宣传语，其实它有具体的实现支撑：冗余路径、簇头重选、拓扑重构，三件事缺一不可。

冗余路径解决的是“绕得过去”。当某条簇间链路因为遮挡或干扰断掉，如果存在经由相邻簇的两跳路径，数据可以先横向绕行再上行，代价是时延增加。簇头重选解决的是“换个人扛”。原簇头能量耗尽或被击落，簇内按 2.2 的打分重新选一个，簇内成员只需要更新一条上行链路。拓扑重构解决的是“重新划线”。当机动导致簇的划分本身不合理时，触发分裂或合并。

这三件事都要靠周期性的状态同步来驱动——心跳、位置广播、能量上报。而同步开销本身随 N 增长，N 大的时候光心跳就能吃掉可观的带宽。所以自愈不是免费的，鲁棒性的价格就是这些控制面流量。实践中常见的做法是分级同步：簇内高频、簇间中频、全局低频，用一致性换开销。

3. 四类应用场景，其实是同一套资源账本

综述把应用分成信号增强、移动边缘计算、联邦学习、物理层安全四类。表面看是四个领域，底层其实是同一本账：有限的机载能量、有限的频谱、有限的回程带宽，怎么在“覆盖、时延、精度、保密”这几个目标之间分配。

3.1 信号增强：把分布式接收当成一个大天线

场景很直白：通信基础设施受损、或者偏远区域覆盖差，集群飞过去当空中中继。成员无人机分布在不同空间位置接收信号，汇聚到簇头，簇头再转发给远端基站。分布在不同位置的接收带来的是空间分集——同一份信号经过多条独立衰落的路径，合并之后的信噪比要比单点接收稳得多。

这里的优化变量有两个：轨迹和簇头选举。轨迹决定成员在空间上怎么铺开，铺得越开分集增益越好，但链路距离变长、路径损耗变大；簇头选举决定汇聚点在哪，直接影响汇聚率和回传效率。两者都要在“分集增益”和“链路预算”之间找平衡。

往上一层还有两种增强手段。协同波束形成让多架无人机组成虚拟天线阵列，把能量在空间上聚焦到特定方向；可重构智能表面则是调整无源反射单元的幅度或相位，把原本被遮挡的路径“反射”回来。前者是主动发射端的空间能量整形，后者是被动传播环境的改造，解决的是同一个问题的两端。

3.2 移动边缘计算：算力上天的能耗悖论

把边缘服务器挂到无人机上，逻辑上很顺：用户设备因为遮挡或拥塞没法把计算任务直接卸载到地面基站，那就先卸载给空中的无人机，或者经无人机中继再转给基站更强的服务器。典型架构是用户设备—无人机—地面基站三层。

但这里埋着一个反直觉的坑：在无人机上装边缘服务器，增加了载荷和能耗；而把用户的计算任务卸载上来，计算相关的能耗通常比通信能耗还大。也就是说，你以为是在省电，实际上可能是在加速耗电。这个结论对做续航估算的人很重要——只算飞行功耗和通信功耗，会把服务时长估高一大截。

所以这类系统的设计目标往往不是“算得最快”，而是“在能量约束下算得最久”。手段是联合优化通信资源分配和飞行轨迹：什么任务在本地算、什么任务卸载、卸载给谁、无人机在哪个位置悬停最省，这一组变量必须一起解。原文提到的非正交多址和可重构智能表面在这里都是配角，作用是把单位能量能传输的比特数做高。

3.3 联邦学习：无人机当的是“通信补丁”

联邦学习的原始动机是不共享原始数据的前提下协作训练模型。它自身的软肋是通信：每轮都要交换模型参数，链路一断、节点一掉，整个训练轮次就废掉。无人机集群在这个场景里的角色不是算力提供者，而是通信中继——快速部署到指定区域，把地面设备和云端参数服务器之间的链路补上。

一轮完整的流程是这样的：云端服务器把训练任务下发给集群中的无人机；具备数据处理能力的无人机基于采集到的信息做本地训练，或者把信息回传给地面设备由设备训练；本地模型参数经无人机上传到云端聚合，得到全局模型；服务器再把新的全局参数广播下去，进入下一轮，直到达到预设迭代次数。

这里的技术点集中在两处。一是多址方式：让簇内成员在同一资源块上并行上传本地模型，簇头用连续干扰消除把叠加的信号分开，能显著压缩每轮的上行时间。二是资源与精度的权衡：本地训练轮数越多、上传越频繁，模型越准，但通信和计算开销也越大；反过来压缩通信量，精度就掉。原文特别点出了两组权衡——计算与通信延迟对模型精度的影响，以及本地训练的计算能耗对客户端能量的影响。这两组权衡没有通用解，只能按任务给权重。

3.4 物理层安全：用干扰和波束形状代替密钥

物理层安全的思路和加密完全不同：不靠计算复杂度，而是靠信道特性让非授权接收者根本解不出足够的信息。典型的协作友好干扰框架里，一部分无人机当中继，把地面基站的消息转给合法用户；另一部分无人机专门发射人工噪声，干扰地面窃听者的接收。同时，集群的轨迹可以被优化，让中继更靠近合法用户、干扰机更贴近窃听者。

协同波束形成在这里有第二种用法：多架无人机组成虚拟天线阵列，精心设计位置和激励权值，让主瓣精确指向目的地、旁瓣压到最低。合法接收者落在主瓣里，窃听者落在零陷或低增益区，收到的信噪比不足以解调。这种“空间上的选择性”不需要额外频谱，是它相对诱人的地方。

需要清醒看待的是这类研究的边界。现有工作大多停留在非动态场景，并且默认窃听者的位置已知、信道模型确定。真实场景里窃听者会动、位置未知、信道有随机性，这些假设一撤，保密率的结论就要打折。原文也把这一点列为未来方向：结合群智能和深度强化学习，在窃听者位置不确定、信道模型多样的条件下重新设计协同方案。读这类结论时，重点不是看它报了多少保密率，而是看它在哪个假设集下成立。

4. 关键技术拆解：NOMA、RIS、协同波束、航迹规划各补哪块短板

上一章的四类场景，落到实现层都要依赖具体的技术手段。这四项技术不是并列关系，它们各自修的是不同的洞：多址解决“同时说话”，反射面解决“看不见”，波束成形解决“打得远打得准”，航迹规划解决“站在哪”。

4.1 NOMA：用功率域换并发数

正交多址的分配逻辑是“一人一块资源”，用户数一多，资源块不够分。非正交多址换了思路：同一个正交资源块上叠加多个用户的信号，靠功率差异区分。发射端做叠加编码，接收端做连续干扰消除。

下行链路的处理顺序是有讲究的。弱用户（信道差、分配功率高）把强用户的信号直接当噪声，先解自己的；强用户则先解出弱用户的信号并减掉，再解自己的。上行反过来，基站统一做连续干扰消除，按接收功率从强到弱依次剥离。这套流程能成立的前提是用户之间信道增益存在足够差异——差异越大，剥离越干净。

这也正是它的软肋。如果两个用户的信道增益很接近，干扰消除后的残余干扰就很可观，增益迅速退化。原文提到的补救方向是把非正交多址和可重构智能表面结合：用反射面主动调整用户的信道条件，人为制造增益差异，等于给系统增加了一个新的自由度。这个思路很典型——当一种技术的增益受限于某个物理量时，就引入另一种技术去改造那个物理量。

在集群场景里，这套机制最自然的落点是联邦学习的模型上传：簇内成员在同一资源块上并行发本地模型，簇头用连续干扰消除分离，一轮的上行时间被压到接近单机水平。

4.2 RIS：把非视距“掰”成视距

无人机集群在城市或复杂地形里飞，最怕的是遮挡导致的非视距传播。链路一旦进非视距，路径损耗陡增、多径抖动剧烈。可重构智能表面提供的解法是：在传播路径中间放一面由低成本元表面构成的反射板，通过调整每个无源反射单元的幅度或相位，把入射波重新聚焦到接收端。

装在地面建筑上的是地面反射面，装在无人机上的是空中反射面。空中版本的优势很实在：部署灵活、空对地链路更容易建立可靠的视距、反射角度覆盖更全。但约束也同样实在——单架无人机的载荷、电池和飞行灵活性限制了它能携带的反射单元数量，而反射面的孔径增益和单元数正相关，单元数上不去，增益就上不去。

集群化的意义就在这里。多架各自携带一部分反射单元，在空间上协同形成更大的等效孔径，既保留了无人机的机动性，又补上了单机孔径不足的短板。代价是相位同步的难度：多个反射面要协同，就得知道彼此的相对位置和相位关系，位置误差直接转化成相位误差，相位误差直接吃掉波束增益。原文把多反射面、均匀平面阵列、三维轨迹下的资源分配列为待研究方向，说的其实就是这个同步与优化的组合难题。

4.3 协同波束形成：虚拟天线阵列的增益与它的脆弱性

协同波束形成的核心动作是让空间上分散的多架无人机同时发送相同的数据，通过调整各自的激励权值，让电磁波在目标方向相干叠加、在其他方向相互抵消，形成一个虚拟的大孔径天线阵列。它的收益来自两个方向：主瓣方向的阵列增益，以及低旁瓣带来的干扰抑制。

阵列增益的量级值得算一下。N 个单元相干叠加，主瓣方向幅度是单单元的 N 倍，功率是 N² 倍——这就是为什么几架小无人机组成的虚拟阵列能顶得上一台大功率发射机。旁瓣水平则取决于单元的几何分布，位置越随机，平均旁瓣越低，但单次实现的旁瓣会有起伏。

import numpy as np def array_factor(pos, w, direction, lam): """ pos: (N, 3) 各无人机的三维位置，单位米 w: (N,) 复激励权值，|w| 控制幅度，angle(w) 控制相位补偿 direction: (3,) 目标方向的单位向量 lam: 载波波长，单位米 返回：该方向上的归一化阵列增益 """ phase = 2.0 * np.pi / lam * (pos @ direction) # 各单元到波前的投影差 af = np.abs(np.sum(w * np.exp(1j * phase))) # 相干叠加后的合成幅度 return af / np.sum(np.abs(w)) # 归一化，理想对齐时为 1

这段代码把脆弱性的来源暴露得很清楚：每个单元的贡献都在指数上的相位项里，而相位项直接由位置pos决定。无人机被风吹偏半米，在厘米级波长下就是几个整周期的相位误差，相干叠加立刻退化成随机叠加，主瓣增益塌掉。这解释了为什么这类方案在仿真里增益漂亮、外场试验里性能波动大。

补救有两条路。一条是调权值：位置漂移之后，重新计算w做相位补偿，把波束“拉回来”。另一条是调轨迹：让无人机回到设计位置，重建阵列几何。前者响应快但补偿能力有限（大幅漂移下权值补偿会引入额外损耗），后者效果好但慢。实际系统一般是先调权值兜底，再规划轨迹回归。

4.4 航迹规划：从最短路到强化学习的分水岭

航迹规划要解决的是“每架飞机走哪条路”，约束是任务需求、环境感知、机间安全距离和协同性。算法谱系大致分三代。

第一代是最短路类，Dijkstra、A*，单机路径规划上表现很好，成熟稳定。但集群问题是高维、非线性、强耦合的，状态空间随无人机数量指数膨胀，这类算法很快就撞上维度墙。

第二代是集中式智能优化，遗传算法、粒子群之类。它们能把各种约束和目标塞进一个目标函数里搜全局或近似全局最优，代价是计算复杂度高，规模一大就跑不动，而且动态环境下每次变化都要重跑。

第三代是混合智能方法，把智能优化和机器学习结合，用强化学习、深度学习去学策略而不是每次重解。优势是推理阶段快、能适应动态环境，代价是需要大量训练、泛化性存疑、行为可解释性差。

选哪一代，取决于你的重规划频率。任务节奏慢、环境静态，第一代和第二代够用且可信；机群规模大、环境快速变化、要求秒级重规划，才值得上第三代。很多团队在这里翻车，是因为拿第三代的仿真曲线去论证一个静态场景的方案，收益全在训练分布里。

5. 排查清单：集群通信方案落地时最容易翻车的五处

仿真里跑通和上机跑通之间，隔着一堆假设。下面这五条是按“现象—原因—解决”整理的常见故障，大部分不是算法错，而是参数和假设没对齐。

5.1 拓扑与链路类

第一坑：簇头过载，整簇时延抖动。现象是簇头的吞吐早早饱和，簇内成员的端到端时延出现规律性抖动，重传率上升，而其他簇一切正常。原因通常是簇规模 K 取得太大，或者簇头长期不轮换，能量和队列双超载。解决办法是给簇规模设上限并按能量加权轮换簇头，规模压不住时引入二级簇，把回程流量再分一层。

第二坑：拓扑震荡，控制开销吃掉业务带宽。现象是簇头选举日志刷得飞快，心跳和位置广播占总流量的比例一路攀升，业务吞吐反而下降。原因是选举打分里没有对机动性施加惩罚，或者心跳周期设得太短。解决办法是给选举加滞回阈值和冷却期——新簇头的分数要超过现任一个门限才切换，切换后一段时间内不再重选。

第三坑：城市峡谷里丢包，链路莫名断。现象是开阔地一切正常，一进楼群或低空区域就大面积丢包，重连频繁。原因是链路进入非视距，路径损耗和多径衰落同时恶化。解决办法有三条，按代价排序：抬高飞行高度换视距、部署反射面把遮挡路径反射回来、增加空中中继节点做两跳绕行。

5.2 资源与算法类

第四坑：非正交多址的增益不如预期。现象是仿真里频谱效率提升明显，实测只有个位数百分比，干扰消除后的残余干扰比预想大。原因是配对的用户信道增益太接近，剥离不干净。解决办法是改用户配对策略，刻意选增益差异大的用户配对；或者在链路里引入反射面，主动拉开信道条件；再不行就退回正交多址，别硬上。

第五坑：续航在任务中途崩掉。现象是起飞时电量估算充裕，飞到中段电量曲线突然变陡，来不及返航。原因是能耗模型只算了飞行功耗和通信功耗，漏掉了机载边缘计算的计算功耗——而计算功耗往往比通信功耗更大。解决办法是把计算能耗纳入轨迹与卸载的联合优化，控制卸载比例而不是能卸尽卸，同时考虑无线信息和功率同时传输这类能量补充手段。

注意：这五条的共同点是“假设失效”，不是“算法失效”。排查时先对一遍方案依赖的假设，比调参更快。

6. 设计取舍：为什么不存在“通吃”的集群通信方案

把这四项技术摆在一起看，会发现它们各自的有效性都绑定在一组前提上。非正交多址依赖用户信道增益存在足够差异，差异小则增益消失；可重构智能表面依赖信道状态信息准确，相位误差一大增益就被吃掉；协同波束形成依赖位置精度和相位同步，无人机一漂移波束就散；航迹规划依赖环境模型，模型不准规划出来的路径就是纸上谈兵。这些前提不是工程细节，而是技术的适用边界。

所以看到一类方案声称“显著提升”时，我一般的判断顺序是：先找它的假设集，再看这些假设在我的场景里成不成立，最后才看它报的数字。假设集里最容易被悄悄省略的三项是——位置误差有没有建模、窃听者或干扰源的位置是否假定已知、计算能耗是否计入了总能耗。这三项只要缺一项，结论的适用范围就要打折扣。

如果要做验证，我建议的顺序是：先用高保真仿真把位置误差和信道随机性加进去，看性能退化曲线是缓降还是断崖；断崖说明方案对假设过度敏感，不值得投入实机；缓降再上外场，用小规模集群（3 到 5 架）验证同步和波束稳定性，这一步最能暴露纸面上看不到的问题。

这份综述真正的价值不在于罗列了多少场景，而在于它把每条技术路线的假设和未解问题摆在了明面上——哪些还停在静态场景、哪些默认窃听者位置已知、哪些把计算能耗排除在外，读的人可以自己判断距离可用还有多远。想深挖原始论述和文献脉络的，可以顺着这份材料的章节结构一路读下去。

有一次我按某份材料的增益曲线做了一版链路预算，实机一飞，波束增益比预期低了近一个数量级，查到最后是位置广播的更新率跟不上机体机动，相位补偿用的是过期坐标。从那以后我每次评估这类方案，都强制先把“假设集”那一栏填完，缺一项就不往下算。希望帮到你。

本文还有配套的精品资源，点击获取