文章总结： 浙江工业大学网安院联合多单位提出基于脉冲神经网络的无人机协同决策方法，解决编队保持与避障冲突，论文被IEEESystemsJournal录用。方法融合鸽群启发避障、虚拟领航者编队控制及双输出SNN决策模型，仿真与真实飞行实验验证了有效性，优于规则基线方法。
综合评分： 72
文章分类： 其他
浙江工业大学网安院多无人机 SNN 决策论文获 IEEE Systems Journal 录用
信息网络安全杂志
2026年9月20日 18:00
上海
在小说阅读器读本章
去阅读
在公众号小说中沉浸阅读
浙江工业大学网安院联合多单位针对多无人机协同飞行场景下的编队维持与避障难题，开展基于脉冲神经网络的智能决策算法研究，相关成果论文《A Novel SNN-Based Decision-Making Method for Coordination of UAV Formation Maintenance and Obstacle Avoidance》现已被 IEEE Systems Journal 正式录用。
会议介绍
IEEE Systems Journal 是 IEEE Systems Council 旗下的国际学术期刊，主要关注复杂系统、系统工程以及系统-of-systems 等方向的应用导向研究，为系统层面的理论方法与工程实践成果提供发表平台。
论文信息
1.题目
A Novel SNN-Based Decision-Making Method for Coordination of UAV Formation Maintenance and Obstacle Avoidance
2.作者
Jun-Wei Zhu、Xiang Zhang、Jin-Peng Liu、Xin Wang
3.单位
浙江工业大学网络空间安全研究院、杭州市滨江区浙工大人工智能创新研究院、黑龙江大学数学科学学院、黑龙江省复杂系统理论与计算重点实验室等
研究背景
随着无人机自主控制和环境感知能力的发展，无人机在军事行动、灾害救援、物流运输等领域得到应用。相比单无人机系统，多无人机协同任务在效率、覆盖范围和任务鲁棒性方面具有优势。
然而，在未知环境中，多无人机系统需要同时面对两个目标：一方面要保持稳定的队形，另一方面要在遇到障碍物时及时避障。这两个目标之间存在天然冲突。如果过度强调避障，可能导致编队结构被破坏；如果过度强调编队保持，又可能增加碰撞风险。
现有优化类方法通常将编队保持和避障约束统一到优化问题中求解，虽然可以获得较高质量的轨迹，但反复在线优化会增加计算负担，影响实时应用。现有基于 SNN 的方法则多集中于单任务避障或简单离散动作选择，较少涉及多无人机系统中编队保持与避障之间的协同切换问题。
因此，论文提出了一种基于脑启发 SNN 的决策框架，用于协调多无人机编队保持和障碍物避让任务。
方法框架
图1 方法框架示意图
论文提出的整体框架由鸽群启发避障规划模块、虚拟领航者编队控制模块和脑启发 SNN 决策模块组成。
其中，鸽群启发避障规划模块根据无人机、障碍物和目标点之间的空间关系选择安全飞行方向，用于实现局部避障；虚拟领航者编队控制模块根据虚拟领航者位置和各无人机的期望偏移量生成编队参考速度。
BrainInspiredSNN决策模型是本文的核心。该模型根据障碍风险、编队误差及历史状态信息，判断无人机当前应执行编队保持还是障碍物避让。同时，模型还输出连续速度缩放系数，对编队控制器或避障规划器生成的参考速度进行调节，从而实现更加细粒度的运动控制。
仿真实验
图2 不同方法下的多无人机轨迹对比（此处留空，后续插入图片）
为验证方法有效性，论文构建了基于 PX4、ROS 和 Gazebo 的仿真平台。仿真环境为包含多个圆柱形静态障碍物的三维场景，使用 Iris 四旋翼无人机模型，并配备 Intel RealSense D435i 深度相机。
设置了三种对比配置：
• BrainSNN + Pigeon + Formation：论文提出的完整方法，由 SNN 决策模块、鸽群启发避障规划模块和虚拟领航者编队控制模块组成。
• Rule-Based + Pigeon + Formation：将 SNN 决策模块替换为固定阈值规则，用于对比 SNN 决策机制的效果。
• BrainSNN + EGO + Formation：将相同的 SNN 决策机制与 EGO-Planner-Swarm 结合，用于与局部重规划方法进行比较。
实验结果
论文通过 20 次重复仿真实验获得平均结果。结果显示，本文提出的 BrainSNN + Pigeon + Formation 方法在编队保持比例、编队重构时间和避障成功率方面取得了较好的综合表现。
此外，论文进行了十无人机补充仿真实验。在该实验中，所提 BrainSNN + Pigeon + Formation 配置未修改或重新训练 SNN。每架无人机基于自身局部障碍风险状态和编队误差独立执行决策。实验结果显示，受障碍影响的无人机进行局部横向避障，并逐渐回到相应编队层；未受障碍影响的无人机基本保持接近原始的轨迹。
核心贡献
1. 提出了一种基于脑启发 SNN 的多无人机协同决策框架
该框架用于在未知障碍环境下协调多无人机的编队保持和障碍物避让任务，减少对反复在线优化的依赖，并提高系统的实时适应能力。
2. 设计了双输出 SNN 决策模型
模型同时输出离散行为决策和连续速度缩放系数。离散动作分支负责选择编队保持或避障模式，速度分支负责对参考速度进行调节。
3. 融合鸽群启发避障规划与虚拟领航者编队控制
论文将鸽群启发的局部避障规划方法、虚拟领航者编队控制方法和 SNN 决策模块整合到统一的多无人机协同框架中。
4. 通过仿真和真实飞行实验进行验证
论文通过三无人机仿真、十无人机补充仿真和三无人机真实飞行实验，对所提方法进行了验证。实验结果表明，该方法在编队保持、编队重构和避障成功率方面优于规则基线方法。
总 结
本文面向多无人机系统中编队保持与障碍物避让之间的冲突问题，提出了一种基于脑启发 SNN 的协同决策方法。该方法通过 SNN 同时输出行为模式和速度缩放系数，使无人机能够根据障碍风险和编队状态在编队保持与避障之间进行切换，并对飞行速度进行连续调节。
仿真结果表明，所提方法相比规则基线方法具有更高的编队保持比例、更短的编队重构时间和更高的避障成功率。真实飞行实验进一步验证了该方法在物理无人机平台上的可行性。
·END·
来源：浙工大SCK微信公众号
信息网络安全
《信息网络安全》创刊于2001年，是由公安部主管，公安部第三研究所、中国计算机学会主办，面向国内外公开发行的国内首批信息安全类期刊之一，于2015年成为中国科技核心期刊，2017年成为中国科学引文数据库来源期刊，2018年成为中文核心期刊，2022年入选CCF计算领域高质量科技期刊分级目录。
中文核心期刊
中国科技核心期刊
中国科学引文数据库来源期刊
CCF计算领域高质量科技期刊
我们在不断努力和完善中，期待您的关注和支持！
免责声明：
本文所载程序、技术方法仅面向合法合规的安全研究与教学场景，旨在提升网络安全防护能力，具有明确的技术研究属性。
任何单位或个人未经授权，将本文内容用于攻击、破坏等非法用途的，由此引发的全部法律责任、民事赔偿及连带责任，均由行为人独立承担，本站不承担任何连带责任。
本站内容均为技术交流与知识分享目的发布，若存在版权侵权或其他异议，请通过邮件联系处理，具体联系方式可点击页面上方的联系我。
本文转载自：信息网络安全杂志 《浙江工业大学网安院多无人机 SNN 决策论文获 IEEE Systems Journal 录用》