Cooperative Detection and Tracking of UAV Swarms Based on Clonal Immune Decision-Making

doi:10.3969/j.issn.1009-086x.2022.05.013

Abstract

Abstract:

Aiming at the problem of low efficiency of multi-target detection and tracking of unmanned aerial vehicle （UAV） swarms under the restricted sensing range， a detection and tracking method of UAV swarms based on the clonal selection-infection immunity model is proposed. The virus infection process is introduced into the information transmission of the UAV swarm， and the UAV decision-making activation mechanism is constructed to ensure the effective scheduling of cluster resources； the UAV strategy decision-making mechanism is constructed by introducing the clone selection process to ensure the reasonable operation of the UAV. At the same time， the "overheating" strategy judgment mechanism is introduced to prevent the same strategy from being executed by multiple drones， and to reduce the probability of missing targets. The simulation results show that the proposed method can effectively improve the detection coverage area of the cluster area and realize the tracking of more targets.

Key words: unmanned aerial vehicle （UAV） swarm, clone selection, infection mechanism, target detection, target tracking, collaborative decision-making

摘要：

针对感知范围受限情况下无人机集群对多目标探测跟踪效率低的问题，提出了一种基于克隆选择-传染免疫模型的无人机集群探测与跟踪方法。将病毒传染过程引入无人机集群信息传输中，构建无人机决策激活机制，确保集群资源的有效调度；通过引入克隆选择过程，构建无人机策略决策机制，保证无人机进行合理的策略选择；引入“过热”策略判断机制，避免同一策略被多架无人机执行，以降低遗漏目标情况的发生概率。仿真结果表明：所提方法能够有效提高集群区域探测覆盖面积，实现对更多目标的跟踪。

关键词: 无人机集群, 克隆选择, 传染机制, 目标探测, 目标跟踪, 协同决策

CLC Number:

V249

Fang-yu ZHOU, Jie ZHOU, Chao-bo CHEN, Song GAO. Cooperative Detection and Tracking of UAV Swarms Based on Clonal Immune Decision-Making[J]. Modern Defense Technology, 2022, 50(5): 93-105.

周方宇, 周洁, 陈超波, 高嵩. 基于克隆免疫决策的无人机集群协同探测跟踪[J]. 现代防御技术, 2022, 50(5): 93-105.

Figures/Tables 14

Fig. 1 Unit time individual detection and tracking target situation diagram

Table 1 Figure 1 individual policy pool policy situation

类别	个体编号	策略池
未探测和接收到目标信息	个体1	${R}$
	个体3	${R}$
	个体7	${R}$
	个体9	${R}$
探测到目标信息	个体4	${R, T 1}$
	个体5	${R, T 3}$
	个体6	${R, T 4, T 5}$
	个体8	${R, T 2}$
	个体10	${R, T 1}$
接收到通信范围内其他个体探测到目标的信息	个体2	${R, T 2}$

Table 1 Figure 1 individual policy pool policy situation

类别	个体编号	策略池
未探测和接收到目标信息	个体1	${R}$
	个体3	${R}$
	个体7	${R}$
	个体9	${R}$
探测到目标信息	个体4	${R, T 1}$
	个体5	${R, T 3}$
	个体6	${R, T 4, T 5}$
	个体8	${R, T 2}$
	个体10	${R, T 1}$
接收到通信范围内其他个体探测到目标的信息	个体2	${R, T 2}$

Table 2 Analogy relationship between UCCS and IIS

无人机集群作战系统	传染免疫系统
目标（敌方无人机）	0号感染者
个体（我方无人机）	未感染个体
个体 $i$ 探测半径内出现目标	个体 $i$ 被0号感染者传播一定病毒量（存在直接感染风险）
个体 $i$ 通信半径内出现跟踪目标的个体 $j$	个体 $i$ 被个体 $j$ 传播一定病毒量（存在交叉感染风险）
个体 $i$ 探测半径内无目标	个体 $i$ 直接感染免疫
个体 $i$ 通信半径内无跟踪目标的个体	个体 $i$ 交叉感染免疫

Table 2 Analogy relationship between UCCS and IIS

无人机集群作战系统	传染免疫系统
目标（敌方无人机）	0号感染者
个体（我方无人机）	未感染个体
个体 $i$ 探测半径内出现目标	个体 $i$ 被0号感染者传播一定病毒量（存在直接感染风险）
个体 $i$ 通信半径内出现跟踪目标的个体 $j$	个体 $i$ 被个体 $j$ 传播一定病毒量（存在交叉感染风险）
个体 $i$ 探测半径内无目标	个体 $i$ 直接感染免疫
个体 $i$ 通信半径内无跟踪目标的个体	个体 $i$ 交叉感染免疫

Table 3 Analogy relationship between UCCS and IS

无人机集群作战系统	免疫系统
目标	抗原
个体	B细胞容器（含有多个B细胞）
策略	抗体
策略增强	抗体刺激
策略减弱	抗体抑制

Fig. 2 Algorithm flowchart

Table 4 CS-II AIS parameter settings

描述	符号	值
0号感染者出现在个体探测半径内时个体的直接感染概率	P_d	0.95
个体由于某种未知因素直接感染概率	P_f	0.05
直接感染病毒量	K_d	20
最小病毒量	S_min	2
最大病毒量（感染病毒阈值）	S_max	20
当个体自身所含病毒量大于病毒阈值时，个体交叉感染概率	P_c	1
当个体自身所含病毒量处于最小病毒量和病毒阈值之间时，个体交叉感染概率	P_e	0
交叉感染程度因子随时间单调递增时，交叉感染系数	c₁	9
交叉感染程度因子随时间不单调变化时，交叉感染系数	c₂	4.5
交叉感染程度因子随时间单调递减时，交叉感染系数	c₃	0
病毒量衰减系数	K_v	0.6
个体之间相互刺激系数	M_sti	10
个体之间相互抑制系数	M_inh	10
个体与目标之间的相互影响系数	M_aff	20
策略强度衰减系数	l	0.3

Fig. 3 Changes in strategy strength scores of 10 individuals in 120 s simulation time

Fig. 4 Schematic diagram of the calculation method of regional coverage area

Fig. 5 Initial location distribution of individuals

Fig. 6 Area coverage of UAV swarms using two types of methods when tracking different numbers of targets

Fig. 7 Comparison of the performance of UAV swarms using two methods in tracking different numbers of targets

Fig. 8 Situation where the UAV swarm using two types of methods tracks targets in 117~120 s（take 25 individuals tracking 5 targets as an example）

Fig. 9 Area coverage of UAV swarms using two types of methods when tracking different numbers of targets

Fig. 10 Comparison of the performance of UAV swarms using two methods in tracking different numbers of targets

References 20

1	韩亮，任章，董希旺，等. 多无人机协同控制方法及应用研究［J］. 导航定位与授时， 2018， 5（4）： 1-7.
	HAN Liang， REN Zhang， DONG Xi-wang， et al. Research on Cooperative Control Method and Application of Multi-UAV［J］. Navigation Positioning and Timing， 2018， 5（4）： 1-7.
2	范彬，杨书奎. 小型无人机集群作战的关键技术分析［J］. 无线互联科技， 2019， 16（17）： 132-133，138.
	FAN Bin， YANG Shu-kui. Analysis of Key Technologies in Cluster Operations of Small UAV ［J］. Wireless Internet Technology， 2019， 16（17）： 132-133，138.
3	牛轶峰，肖湘江，柯冠岩. 无人机集群作战概念及关键技术分析［J］. 国防科技， 2013， 34（5）： 37-43.
	NIU Yi-feng， XIAO Xiang-jiang， KE Guan-yan. Analysis of the Concept and Key Technology of UAV Group Operation［J］. National Defense Technology， 2013， 34（5）： 37-43.
4	周宣吉，王薇，王磊，等. 基于分布式人工势场算法的无人机集群系统机间规避控制［J］. 科技与创新， 2018， 120（24）： 25-27.
	ZHOU Xuan-ji， WANG Wei， WANG Lei， et al. Inter-machine Evasion Control of UAV Cluster System Based on Distributed Artificial Potential Field Algorithm［J］. Science and Technology & Innovation， 2018， 120（24）： 25-27.
5	MAHMOOD A， KIM Y. Leader-following Formation Control of Quadcopters with Heading Synchronization［J］. Aerospace Science & Technology， 2015， 47： 68-74.
6	DEHGHANI M A， MENHAJ M B. Communication Free Leader-follower Formation Control of Unmanned Aircraft Systems［J］. Robotics & Autonomous Systems， 2016， 80： 69-75.
7	JIA Y， LI Q， QIU S. Distributed Leader-follower Flight Control for Large-scale Clusters of Small Unmanned Aerial Vehicles［J］. IEEE Access， 2018， 6： 32790-32799.
8	ASKARI A， MORTAZAVI M， TALEBI H A. UAV Formation Control Via the Virtual Structure Approach［J］. Journal of Aerospace Engineering， 2015， 28（1）： 04014047.
9	邵壮，祝小平，周洲，等. 三维动态环境下多无人机编队分布式保持控制［J］. 控制与决策， 2016， 31（6）： 1065-1072.
	SHAO Zhuang， ZHU Xiao-ping， ZHOU Zhou， et al. Distributed Maintenance Control of Multi-UAV Formation in Three-dimensional Dynamic Environment［J］. Control and Decision， 2016， 31（6）： 1065-1072.
10	朱旭，闫茂德，张昌利，等. 基于改进人工势场的无人机编队防碰撞控制方法［J］. 哈尔滨工程大学学报， 2017， 38（6）： 961-968.
	ZHU Xu， YAN Mao-de， ZHANG Chang-li， et al. Anti-Collision Control Method of UAV Formation Based on Improved Artificial Potential Field［J］. Journal of Harbin Engineering University， 2017， 38（6）： 961-968.
11	曲成刚，曹喜滨，张泽旭. 人工势场和虚拟领航者结合的多智能体编队［J］. 哈尔滨工业大学学报， 2014， 46（5）： 1-5.
	QU Cheng-gang， CAO Xi-bin， ZHANG Ze-xu. Multi-agent Formation Combining Artificial Potential Field and Virtual Navigator［J］. Journal of Harbin Institute of Technology， 2014， 46（5）： 1-5.
12	张岱峰，段海滨，范彦铭. 仿狼群狩猎空间交互机制的无人机集群合围控制［J/OL］.中国科学：技术科学，2021：1-16（2021-08-02）［2022-03-02］..
	ZHANG Dai-feng， DUAN Hai-bin， FAN Yan-ming. UAV Swarm Encirclement Control Based on the Interaction Mechanism of Wolf Pack Hunting Space［J/OL］. Scientia Sinica （Technologica）， 2021：1-16.（2021-08-02）［2022-03-02］..
13	周贞文，邵将，徐扬，等.针对逃逸目标的多机协同围捕策略研究［J］. 空军工程大学学报（自然科学版）， 2021， 22（3）： 2-8.
	ZHOU Zhen-wen， SHAO Jiang， XU Yang， et al. Research on Multi-aircraft Cooperative Hunting Strategy Aimed at Escape Targets［J］. Journal of Air Force Engineering University（Natural Science Edition）， 2021， 22（3）： 2-8.
14	霍梦真，段海滨. 基于自适应变异的多目标鸽群优化的无人机目标搜索［J］. 控制理论与应用， 2020， 37（3）： 584-591.
	HUO Meng-zhen， DUAN Hai-bin. UAV Target Search Based on Adaptive Mutation-based Multi-target Pigeon Flock Optimization［J］. Control Theory & Applications， 2020， 37（3）： 584-591.
15	ZHOU J， LIANG Y， SHEN Q， et al. A Novel Energy-Efficient Multi-Sensor Fusion Wake-up Control Strategy Based on a Biomimetic Infectious-Immune Mechanism for Target Tracking［J］. Sensors， 2018， 18（4）： 1255.
16	颜宝苹，周洁，申强，等. 基于传染-免疫机制的无人机集群协同探测与跟踪［J］. 中国测试， 2021， 47（1）： 88-95.
	YAN Bao-ping， ZHOU Jie， SHEN Qiang， et al. Coo-perative Detection and Tracking of UAV Clusters based on Infection-Immune Mechanism［J］. China Measurement & Test， 2021， 47（1）： 88-95.
17	WENG L G， LIU Q S， XIA M， et al. Immune Network-based Swarm Intelligence and Its Application to Unmanned Aerial Vehicle （UAV） Swarm Coordination［J］. Neurocomputing， 2014， 125： 134-141.
18	Stogiannos Marios， Alexandridis Alex， Sarimveis Haralambos. An Enhanced Decentralized Artificial Immune-based Strategy Formulation Algorithm for Swarms of Autonomous Vehicles［J］. Applied Soft Computing Journal， 2020， 89： 106-135.
19	FARMER J D， KAUFFMAN S A， PACKARD N H，et al. Adaptive Dynamic Networks as Models for the Immune System and Autocatalytic Sets［J］. Annals of the New York Academy of Sciences， 1987， 504（1）： 118-131.
20	FARMER J D， PACKARD N H， PERELSON A S. The Immune System， Adaptation， and Machine Learning［J］. Physica D： Nonlinear Phenomena， 1986， 22（1-3）： 187-204.

[1]	Yongzheng YU, Xuehui SHAO, Shibo GAO, Zhiwei PU, Bing XUE. Optimal Configuration Design for Multi-platform Collaborative Target Tracking [J]. Modern Defense Technology, 2023, 51(3): 107-119.
[2]	Ming HE, Zihan ZHU, Xulong ZHAI, Zheng ZHAI, Chengpeng HAO. Air-to-Ground Target Detection Algorithm Based on Multi-branch Context Fusion [J]. Modern Defense Technology, 2023, 51(3): 91-98.
[3]	Xue-zhen JIA, Wu SUN, Qiu-feng XU, Rui-rong CHEN. Range Walk Analysis and Compensation Algorithm of Interrupted Continuous Wave Dechirp System [J]. Modern Defense Technology, 2022, 50(6): 83-89.
[4]	Yan DAI, Dan LIU, Qing-rong HU, Cheng-zeng CHEN, Yue-xun WANG. Phase Compensation Accumulation Method Based for Radar Echo Splitting [J]. Modern Defense Technology, 2022, 50(3): 84-89.
[5]	Hai-han LIU, LU¨ Wei-xiang. A Phase Coherent Accumulation Algorithm of Moving Target Based on Time Reversal Transformation [J]. Modern Defense Technology, 2022, 50(2): 67-75.
[6]	Ke LIU, Guang-yu PAN, Da-guo ZHENG, Jiao-jiao GU, Chun-ying MENG. An Aerial Forensic Target Detection Algorithm Based on RetinaNet and SE Fusion [J]. Modern Defense Technology, 2022, 50(1): 25-32.
[7]	AN Lei, LI Zhao-rui, JI Bing. Sensor Scheduling Method under Radiation Risk and Multitarget Tracking Accuracy Constraints [J]. Modern Defense Technology, 2021, 49(6): 56-67.
[8]	LI Xiao-fei, TANG Yi-dong. Spectral Images Compressive Sampling Detection Based on Prior Sparse Model [J]. Modern Defense Technology, 2021, 49(3): 115-122.
[9]	WANG Wen-qing, PANG Ying, LIU Yang, YANG Dong-fang, ZHANG Meng. Air-to-Ground Target Intelligent Detection Algorithm Based on Dual Attention Mechanism [J]. Modern Defense Technology, 2020, 48(6): 81-88.
[10]	WANG Zhi-hu, SHEN Xiao-qing, GUI Wei-long. Survey of Small Targets Detection Technology in Optical Imaging [J]. Modern Defense Technology, 2020, 48(5): 67-73.
[11]	CHEN Rui-rong, SUN Wu, JIA Xue-zhen, XU Qiu-feng. Space Taget Detection Method Based on Second-Order Keystone Transform [J]. Modern Defense Technology, 2020, 48(4): 93-101.
[12]	ZHAO Kai-li, GAO Huo-tao, CAO Ting. IMMCPF Algorithm for Tracking of Hypersonic Target in Near Space [J]. Modern Defense Technology, 2018, 46(5): 94-101.
[13]	KANG Hong-xia, HUANG Shu-cai, HUANG Wen-long, WU Jian-feng. Detection Algorithm for Small and Weak Target Based on LSSVM Combining Spectral Dimension Information [J]. Modern Defense Technology, 2018, 46(4): 86-91.
[14]	WANG Wan-tian, YUAN Jun-quan, WANG Li-bao, CHEN A-lei. Maneuvering Targets Detection Algorithm Based on MDCFT in Space-Air Based Bistatic Radar [J]. Modern Defense Technology, 2018, 46(3): 191-198.
[15]	WANG Tian-yun, LIU Bing, LING Xiao-dong, LIU Yong, CHEN Wei-dong. Performance Analysis of Passive Radar Using Digital Video Broadcasting-Satellite Signal [J]. Modern Defense Technology, 2018, 46(3): 120-126.