本文介绍了一项由南京航空航天大学自动化学院马子元、龚华军、王新华等研究人员于2024年发表的研究。该研究以论文形式收录于《Lecture Notes in Mechanical Engineering》系列丛书中，具体是“第六届中国航空科学技术会议（CASTC 2023）”的会议论文集，并于2024年由Springer出版社正式出版。论文题为《基于模糊图卷积神经网络的多无人机轨迹跟踪优化方法》。这是一篇典型的原创性研究论文，报告了一种针对多无人机协同轨迹跟踪问题的新型优化算法。
一、 研究背景与目标
本研究隶属于航空航天工程、自动控制与人工智能交叉领域，具体聚焦于多无人机系统的协同控制与轨迹优化问题。随着无人机技术的飞速发展，单无人机执行任务已难以满足复杂场景（如大面积搜索、协同侦察、编队飞行、集群攻击等）的需求，多无人机协同作业成为当前的研究热点与前沿。其中，多无人机协同轨迹跟踪是多机协同的核心基础问题之一，其目标是在动态环境中，实时优化和调整多架无人机的联合航向与运动轨迹，持续追求多无人机与多个目标之间的动态最优配置，从而提升并稳定整个系统的定位与跟踪精度。
然而，传统的多无人机协同优化方法（尤其是集中式优化方法）面临显著挑战。集中式方法通常需要一个中央处理单元收集所有无人机的状态信息并进行全局计算，这会导致通信带宽需求高、计算负担集中、系统可扩展性差，且一旦中心节点故障，整个系统将面临瘫痪风险。此外，无人机与目标之间构成的网络拓扑结构通常是动态、不规则且非欧几里得空间的，传统的基于规则或简单线性模型的优化方法在处理此类复杂空间关系时能力有限。
因此，本研究旨在克服传统集中式方法的缺点，探索一种能够高效处理非欧几里得空间关系、具备更强自适应能力的分布式或半分布式优化框架。具体研究目标是：提出一种新颖的智能算法模型，该模型能够快速、准确地优化多无人机对多目标的协同跟踪轨迹，在提升跟踪精度的同时，增强系统的稳定性和收敛速度。
二、 研究方法与详细工作流程
本研究核心是提出并验证一种名为“模糊图卷积神经网络”的先进模型，论文中简称为FGTT模型。整个研究工作流程可以概括为以下几个关键步骤：
第一步：问题建模与图结构构建。 研究首先将多无人机协同轨迹跟踪问题抽象为一个图论问题。在这个图中，节点代表实体，包括所有无人机和需要跟踪的多个目标。边代表实体之间的关系或交互，例如无人机之间的通信链路、无人机对目标的观测关系等。由于目标和无人机的空间分布是动态变化的，且可能并非均匀网格状，因此这个图是一个典型的非欧几里得空间图，其几何结构是不规则的。图卷积神经网络正是为处理这类图结构数据而设计的深度学习模型，它能够通过聚合邻居节点的信息来更新节点自身的特征表示，从而天然适合对多智能体系统中的交互关系进行建模。
第二步：模糊逻辑与图神经网络的融合设计。 这是本研究的核心创新点。研究人员设计了一种“模糊图卷积”操作。传统的图卷积操作在聚合邻居信息时，使用的权重通常是基于图结构预先定义或通过训练学习的确定值。但在动态、不确定的真实环境中，无人机感知信息可能存在噪声，节点间关系的重要性也可能随时间模糊变化。为此，本研究引入了模糊逻辑。具体而言，在模型的信息传播层，并非使用固定的、确定的邻接矩阵或注意力权重，而是引入了一个模糊推理模块。该模块根据节点当前的状态特征（如相对位置、速度、置信度等），动态计算节点之间连接关系的“隶属度”或“强度”，即一个模糊权重。这个权重不是一个非0即1的二元值，而是一个在[0,1]区间内的连续值，表示关系的紧密或可靠程度。然后，这个模糊权重被用于调制图卷积过程中的信息聚合。例如，对于可靠性高的观测关系，赋予更高的聚合权重；对于可能受干扰或距离过远的关系，则降低其权重。这样，模型就具备了处理不确定性和动态调整关系关注度的能力。
第三步：FGTT模型架构与训练流程。 论文提出的FGTT模型是一个端到端的神经网络架构。其输入是t时刻所有无人机和目标的观测状态（可能包括位置、速度、传感器读数等构成的特征向量）以及它们之间构成的图结构信息。模型内部包含多个堆叠的“模糊图卷积层”。每一层执行的操作是：首先通过一个轻量级的模糊推理子网络，基于当前层输入的特征，计算图中每条边的模糊权重矩阵；然后，使用这个动态生成的模糊权重矩阵进行图卷积运算，更新每个节点的特征表示。通过多层这样的处理，每个节点的特征最终包含了来自多跳邻居的、经过模糊加权的全局协同信息。模型的输出是每个无人机在下一时刻的最优控制指令或轨迹增量。模型的训练采用监督学习或强化学习范式，使用大量仿真生成的轨迹跟踪场景数据。损失函数设计为跟踪误差（如无人机与目标期望位置之间的偏差）的函数，通过反向传播算法优化模型中的所有参数，包括图卷积层的权重和模糊推理子网络的参数。
第四步：仿真验证与对比实验设计。 为了验证FGTT模型的有效性，研究进行了多组仿真实验。实验在模拟的多无人机多目标动态场景中进行。研究设定了不同的场景复杂度，例如目标数量、运动模式（匀速、机动）、环境干扰水平等。研究对象的“样本”即多次独立运行的仿真实验。在每一组实验中，研究人员将提出的FGTT方法与几种传统的多无人机轨迹跟踪优化方法进行对比。这些传统方法可能包括基于确定性优化算法（如模型预测控制MPC）的集中式或分散式方法，以及一些早期的基于神经网络的协同控制方法。对比的指标（即结果数据）主要包括：1. 跟踪精度： 通常用均方根误差或最终定位误差来衡量无人机群整体对目标轨迹的跟踪能力。2. 收敛速度： 算法从初始状态达到稳定、高精度跟踪所需的时间或迭代步数。3. 稳定性： 在长时间运行或存在扰动时，跟踪误差的波动情况。
第五步：数据分析与结果提取。 对仿真实验产生的数据进行收集和分析。对于每一次实验运行，记录下上述性能指标随时间的变化曲线。通过统计多次实验的平均指标，并进行显著性分析（论文中虽未明确提及统计检验，但此类研究通常会对不同方法的结果进行定量比较），来客观评估FGTT模型相对于传统方法的性能提升。分析的重点在于观察FGTT模型是否能在更短的时间内达到更低的稳态跟踪误差，并且在面对目标机动或感知不确定性时是否表现出更强的鲁棒性。
三、 主要研究结果
仿真实验的结果有力地支持了FGTT模型的有效性和优越性。
在跟踪精度方面，多组对比实验的数据显示，采用FGTT模型的无人机系统，其最终达到的轨迹跟踪定位误差显著低于采用传统优化方法的系统。这意味着无人机群能够更紧密地贴合目标的真实运动轨迹。论文指出，这得益于模糊图卷积机制能够更精细地刻画和处理无人机-目标网络中复杂、不确定的空间关系，从而做出更精准的协同决策。
在收敛速度方面，结果尤为突出。实验数据表明，FGTT模型能够“更快地”达到高跟踪精度。与传统方法往往需要多次迭代计算才能收敛不同，训练好的FGTT模型作为一个前向神经网络，在在线执行时计算速度极快，几乎可以实时生成控制指令。这使得系统能够更快地响应目标和环境的变化，实现了对“动态最优配置”的快速逼近。这一结果直接验证了将深度学习模型应用于实时优化控制的可行性优势。
在稳定性方面，实验结果显示，基于FGTT的系统在跟踪过程中误差波动更小。特别是在目标突然机动或模拟传感器噪声增大的测试场景下，传统方法的跟踪曲线可能出现较大抖动或暂时失跟，而FGTT模型则能保持相对平滑和稳定的跟踪性能。这证明了模糊逻辑处理不确定性的能力增强了系统的鲁棒性。模糊权重的引入使得模型不会过度依赖某一时刻可能不可靠的观测信息，而是能够自适应地调整信息融合策略。
这些结果之间存在紧密的逻辑关系：首先， FGTT模型在精度和速度上的优势，共同证明了其核心算法——融合模糊逻辑的图卷积神经网络——在处理非欧几里得空间多智能体协同问题上的有效性。其次， 稳定性的结果进一步补充说明了该模型不仅在理想条件下表现优异，在存在不确定性的实际条件下也具备实用价值。最终， 所有这些定量结果共同支撑了研究的核心结论：所提出的方法优于传统方法。
四、 研究结论与价值
本研究得出明确结论：针对多无人机协同轨迹跟踪这一复杂问题，基于模糊图卷积神经网络（FGTT）的优化方法是一种高效且可靠的解决方案。它成功克服了传统集中式方法在可扩展性和计算效率上的不足，并通过结合图神经网络的空间关系建模能力和模糊逻辑的不确定性处理能力，显著提升了跟踪任务的精度、速度和稳定性。
该研究的价值体现在科学价值与应用价值两个方面：
科学价值： 本研究为多智能体协同控制领域提供了一种新颖的算法框架。它将模糊系统与图神经网络这两个强有力的工具进行了创造性地融合，为解决动态、不确定环境下的分布式决策问题开辟了新思路。这种“模糊图卷积”的操作范式，可以被推广到其他需要处理图结构数据且伴随不确定性的领域，如交通网络调度、社交网络分析、生物分子相互作用预测等。
应用价值： 直接面向无人机集群这一国家战略前沿技术。所提出的FGTT模型为实际无人机集群的应用（如协同侦察、编队表演、物流配送、灾害搜救等）提供了潜在的算法核心。其快速收敛和强鲁棒性的特点，使其更适合在计算资源有限、通信条件不完美、环境动态变化的真实场景中部署，有助于推动无人机集群技术从实验室演示走向实际工程应用。
五、 研究亮点与创新点
本研究的亮点与创新之处集中体现在以下几点：
六、 其他说明
需要指出的是，根据提供的文献记录，该论文的“参考文献数量”一项显示为0，这在正式的学术论文中较为罕见，可能是数据库提取时的信息缺失或论文本身为较短的会议摘要。在实际完整的论文中，必然包含对相关领域前人工作的引用和评述，例如经典的协同控制算法、图神经网络在控制中的应用、模糊逻辑与神经网络的结合研究等。此外，研究目前处于仿真验证阶段，未来的工作自然包括在更逼真的仿真平台（如硬件在环）以及最终的实际飞行试验中进行验证，并进一步优化模型的计算效率和轻量化以适应机载计算单元的限制。