基于神经形态数字孪生的室内多无人机系统部署控制器研究

《IEEE Journal of Indoor and Seamless Positioning and Navigation》：Neuromorphic Digital-Twin-Based Controller for Indoor Multi-UAV Systems Deployment

本研究针对传统多无人机系统在复杂环境中存在的计算效率低、通信依赖性强及局部最优等问题，提出了一种结合神经形态计算与自然启发控制的分布式云-边框架。通过为每架无人机配备独立的脉冲神经网络（SNN），系统能够学习并复现云端控制器生成的最优信号，实现通信中断下的鲁棒操作。仿真结果表明，该框架在15架无人机的室内部署和6架无人机的避障编队控制中，计算负担降低近90%，为动态环境下的自主协同控制提供了高效解决方案。

　　

随着无人机技术的快速发展，多无人机系统在灾害救援、环境监测、物流配送等领域的应用日益广泛。然而，在室内或复杂城市环境中，无人机集群的协同控制面临诸多挑战：传统集中式控制方法依赖持续通信，一旦云端连接中断，系统可能瘫痪；基于人工势场或模型预测的控制策略虽能实现基本避障，但常陷入局部最优，且计算开销巨大；此外，现有方法多需预设环境模型，难以适应动态未知场景。这些问题严重限制了多无人机系统在真实场景中的可靠性和扩展性。

为突破上述瓶颈，Reza Ahmadvand等人提出了一种创新框架，将神经形态计算与自然启发控制相结合，构建分布式云-边架构。该研究发表于《IEEE Journal of Indoor and Seamless Positioning and Navigation》，其核心是为每架无人机部署独立的SNN控制器，通过模拟罗非鱼领地行为等生物机制，实现高效编队与避障。

本研究主要采用以下关键技术：

1. 1.
   脉冲神经网络（SNN）设计：基于漏积分点火（LIF）神经元模型，利用事件驱动的稀疏脉冲特性降低计算能耗；
2. 2.
   自然启发控制器：借鉴罗非鱼行为模型，通过Lloyd算法生成 centroidal Voronoi tessellation（CVT）优化无人机空间分布；
3. 3.
   云-边协同机制：云端负责复杂计算，边缘SNN通过局部监督学习（公式10）复现控制信号，支持断网自主运行；
4. 4.
   多无人机动态建模：将无人机简化为粒子模型，结合相对位置（p_ij）、速度（v_ij）及感知范围（r_d）等参数构建控制律（公式17）。

仿真结果与分析

案例一：室内多无人机部署

通过15架无人机在矩形区域的部署实验，对比虚拟孪生模型与SNN控制器的轨迹显示，边缘设备能精准跟踪云端指令（图6）。

控制信号误差在1秒内趋近于零（图7），且SNN的脉冲活动集中在初始调整阶段（图8），后续资源利用率仅3.8%（表IV），验证了事件驱动的高效性。

案例二：动态编队避障

6架无人机在存在静态障碍物的环境中完成编队行进。SNN控制器成功复现了虚拟孪生的轨迹，并在避障时触发局部脉冲激增（图11），如UAV₂和UAV₄的脉冲数升至9.8%，而其他无人机保持在5%以下（表VI），表明系统能按需分配计算资源。

结论与意义

该研究通过神经形态数字孪生框架，实现了多无人机系统在复杂环境下的高能效、强鲁棒控制。其重要意义在于：

1. 1.
   打破通信依赖：SNN的局部学习能力确保在云端中断时仍能维持控制；
2. 2.
   降低计算开销：脉冲稀疏性使平均计算负担减少90%，优于传统冯·诺依曼架构；
3. 3.
   生物启发适应性：CVT与避障算法的结合，为动态障碍物场景提供了通用解决方案。
   未来，该框架可扩展至更大规模集群或其他自主系统领域，为智能无人系统的实战化部署奠定理论基础。