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》是一份面向电子通信与无人机集群研究方向的高校师生、科研人员及工程技术人员的综述型PDF文档，适合用于快速建立领域知识框架、开展选题调研或梳理技术路线。文档围绕无人机集群通信的概念与优势、研究现状、典型应用场景及关键技术问题展开，重点涉及信号增强、移动边缘计算、联邦学习与物理层安全等方向，并对未来发展趋势作出展望，可帮助读者把握从协同能力、感知决策到系统鲁棒性与安全性的整体研究脉络。资源包共1个PDF文件，大小约924KB，篇幅紧凑，便于检索和引用。目前已有113人学习，适合作为无人机集群通信入门综述与相关论文写作的参考材料。

1. 单机够用为什么还要集群：无人机集群通信到底在解决什么

无人机集群通信最反直觉的一点是：把十架无人机编成队，通信难度不是单机的十倍，而是换了一个问题。单机时代最头疼的是机载能量和发射功率——功率不够、覆盖不远、续航短。可一旦变成集群，物理层那点事反而退居二线，真正卡住系统的是链路在高机动下频繁断开，以及几十上百个节点同时往地面站或卫星回传时挤爆有限的回程资源。这也是电子通信领域近两年把集群通信单独拿出来做综述的原因：它不再是“给无人机配个电台”，而是一套要在自组织、分层、抗毁之间反复取舍的网络架构。这份综述把簇结构、NOMA、RIS、协同波束形成、航迹规划这几块拆开讲，顺着机制往下读，能看到每条技术路线各自的成立前提和失效边界。

2. 簇头与回程瓶颈：为什么大规模集群一定要先分层

2.1 扁平网格的死结：回程链路是有限资源

单机时代，一架无人机直连地面站，链路只有一条，带宽怎么分都够。N 架无人机各自直连，表面上看是 N 条独立链路，问题在于地面站或卫星的回程带宽、频谱和接入时隙并不会随节点数线性增长。综述里点得很直白：如果所有无人机都同时与地面节点或卫星通信，通信成本会非常昂贵，因为回程链路资源是有限的。这句话其实是整套架构的出发点，后面所有的簇、中继、分层的设计动机，都能回溯到这一句。

紧接着是第二个约束：无人机高度机动，通信链路会频繁变化。扁平的 mesh 网络要让每个节点掌握全局拓扑才能路由，拓扑每秒都在变，控制开销随节点数增长，路由收敛速度却跟不上几何变化。这两条约束叠在一起，结论就是大规模集群不能靠“人人直连”硬扛。

把两种结构的账摊开对比，差异一目了然：

假设每架无人机维持 R bps 的感知数据上行，扁平结构对回程的总需求约是 N·R；划分成 K 个簇、由簇头汇聚后上行，回程需求降到 K·R 量级。N 远大于 K 时，这个差值就是分层换来的全部收益。簇头的职责也因此被定义得很清楚：转发从自己成员无人机处收集的信息，它既是数据汇聚点，也是回程链路的复用器。

2.2 簇头怎么选：评分函数里的四个变量

簇头不是随便挑一架就行。它要长期承担转发任务，能耗远高于普通成员；它到成员的平均链路质量，直接决定簇内汇聚率；它到回程节点的距离，决定上行成本；它的机动性，决定这个簇能稳定多久。把这四项写成一个评分函数，是工程上最常见的做法：

def cluster_head_score(uav, neighbors, base_station): # 剩余能量归一化：簇头长期转发，能量是第一硬约束 e = uav.energy / uav.energy_full # 到簇内成员的平均链路质量，由 SNR 映射到 0~1 q = sum(link_quality(uav, n) for n in neighbors) / max(len(neighbors), 1) # 到回程节点的几何距离，越近越好，按最大通信距离归一化后取补 d = 1.0 - min(dist(uav, base_station) / MAX_RANGE, 1.0) # 机动惩罚：速度越大，作为簇头越不稳定，越容易触发重选举 m = 1.0 - min(uav.speed / uav.speed_max, 1.0) return 0.4 * e + 0.3 * q + 0.2 * d + 0.1 * m

四个权重不是随手拍的。能量占 0.4，因为簇头失效的代价远大于链路质量的一点波动；链路质量占 0.3，它直接对应簇内汇聚率这个指标；距离占 0.2，反映的是回程成本；机动性占 0.1，是稳定性惩罚。权重可以按任务类型调整，但“能量 > 链路 > 距离 > 机动”这个排序在多数续航受限的场景里是成立的。注意link_quality的映射方式会显著影响结果，用瞬时 SNR 还是滑动平均 SNR，选出来的簇头往往是两架不同的飞机。

真正需要强调的是：簇头选举不能和轨迹优化分开做。轨迹决定几何位置，几何位置决定信道质量，信道质量又反过来决定谁能当簇头。综述里提到的做法是把轨迹优化和聚类约束放在一起，最大化簇头无人机的汇聚率。分开做的后果是陷入循环——先按当前位置选完簇头，轨迹一优化，几何全变了，刚选出的簇头立刻不再最优，于是又要重选，系统在选举和规划之间来回抖动。这不是理论洁癖，是实打实的翻车点。

2.3 分层的代价：簇头就是自愈性的天花板

集群通信被反复提及的一个优点是可靠性高，因为可以实现多路径传输和多节点冗余。这话没错，但要看清冗余发生在哪一层。簇内成员到簇头这一段，确实可以通过多路径和多节点备份获得冗余；簇头到回程这一段，在任一时刻通常只有一条主链路，簇头本身就是那个单点。

所以分层的自愈能力有一个明确上限：簇头失效时，簇内数据要么在成员侧缓存等待，要么直接丢弃，而重选举需要邻居发现、状态同步、评分重算，这段时间是真实的中断窗口。这也解释了为什么簇的规模不能太大，也不能太小——太大，簇头汇聚压力和重选举成本都上去了；太小，回程复用的收益被多跳时延吃掉。工程上这个平衡点通常由汇聚率和切换时延两个指标共同约束，而不是拍一个固定数字。

提示：评估一套集群方案时，先问“簇头挂了之后多久能恢复”，比问“支持多少节点”更能看出架构的真实成熟度。

3. 四大关键技术：NOMA、RIS、协同波束、航迹规划各自的底层把戏

3.1 NOMA：为什么“故意制造干扰”反而提升容量

非正交多址接入的核心思路有点反常识：传统多址追求用户之间正交、互不干扰，NOMA 反过来，主动把多个用户塞进同一个正交资源块，靠功率域区分。发射端用叠加编码把多个信号按不同功率叠在一起发出去，接收端用连续干扰消除逐层剥离。频谱效率的提升不是来自“消除了干扰”，而是来自“把干扰结构化成了可剥离的层次”。

下行链路的机制值得拆细：基站在同一资源块上叠加传输，功率分配上让信道条件差的弱用户分到大功率，强用户分到小功率。弱用户收到信号后，把强用户的信号直接当噪声，解自己的那一层；强用户则先解弱用户信号，重构后从接收信号里减掉，再解自己。上行链路方向相反，各用户在同一资源块同时发射，基站按接收功率从强到弱依次做干扰消除。

def sic_decode(received_signal, users): # 按等效信道增益从强到弱排序，必须先解强的 order = sorted(users, key=lambda u: u.channel_gain, reverse=True) residual = received_signal decoded = {} for u in order: # 把尚未解出的其他用户信号一律当干扰，先硬判当前这层 s = residual / u.channel_gain decoded[u.id] = hard_slice(s) # 重构该用户的贡献并从残差中减去，留给下一层使用 residual = residual - u.channel_gain * decoded[u.id] return decoded

解码顺序绝对不能反。如果先解弱用户，它面对的是全部强用户干扰，误码率极高；而干扰消除一旦某一层判错，误差会沿着残差传递给后面所有层，这就是误差传播，也是 NOMA 从仿真走进实测后最常见的翻车原因。所以真正决定性能的不是 NOMA 这个名头，而是用户配对和功率分配——信道增益差异越大，干扰消除的分离度就越高，增益才成立。

这也直接点出了 NOMA 的软肋：性能增益从根本上受信号传播环境限制，尤其是信道增益差异较小的用户。解决办法是把 NOMA 和 RIS 结合，通过调整 RIS 相位灵活改变用户的信道条件，人为制造出可分离的信道差异，等于给系统增加了一个新的自由度。

3.2 RIS：把反射变成可编程的相移矩阵

可重构智能表面由大量低成本无源反射单元构成，每个单元能独立调整反射信号的振幅和相位。它没有射频链路、没有功率放大器，只有相移器，功耗极低——这是它能被装到无人机上的根本原因。接收端的信号可以写成：

y = (h_ru^T · Φ · h_ur) · x + n，其中 Φ = diag(β₁e^{jθ₁}, …, β_Me^{jθ_M})

h_ur 是发射端到表面的信道，h_ru 是表面到接收端的信道，Φ 是相移矩阵。调 Φ 的本质，是让所有反射路径在接收端同相叠加，把原本散乱的反射能量聚成一个可控的波束，顺便把非视距链路掰回可用状态。

部署形态上有两条路。装在建筑物上构成地面 RIS，用来恢复视距通信；装在无人机上构成空中 RIS，借助无人机本身的敏捷性和机动性实现三维信号反射。相比地面方案，空中 RIS 的部署灵活性更高，空对地链路更可靠，反射角度也更全。但单架无人机的载荷、电池容量和飞行灵活性都有限，能带的反射单元数量受限，单机 RIS 很难凑出足够大的孔径增益。这正是 RIS 和集群结合的直接动机：把反射面拆到多架无人机上，用集群的规模换孔径。

RIS 真正的工程难点不在相移设计，在信道状态信息的获取。RIS 是无源器件，不能主动发导频，反射链路的信道只能间接估计；而无人机一直在动，估计出来的 CSI 很快就过期，按过期 CSI 配出来的相移矩阵不但没有增益，还可能把能量反相抵消掉。

3.3 协同波束形成：相位对齐就是全部

协同波束形成的基本思想是把独立分布的元素协同起来，构建一个虚拟天线阵列。关键在于所有协作发射器必须在同一时刻发送相同的数据，这样电磁波才能在远场相干叠加。无人机集群天然适合干这件事——每架无人机是一个阵元，位置由飞行控制决定，等于一个可以自由重构几何的分布式阵列。

理想情况下，N 个阵元相干合成的功率增益正比于 N²，也就是 20log₁₀(N) dB。这个数字很有诱惑力：8 架飞机拼出 18 dB，32 架能到 30 dB，相当于把单机的通信距离拉长一个数量级。但相位对齐极其脆弱，位置偏差引起的相位误差是 2πΔ/λ，偏差达到四分之一波长就是 90 度，从同相变成近似正交。工程上常用 exp(−σ²) 这个损失因子估算相位误差 σ（弧度）带来的增益衰减：

表里的数说明一个容易被忽视的事实：小阵列对相位误差的容忍度看起来更高（绝对损失一样，但占比不同），真正让外场表现崩掉的是大阵列——孔径越大，同样的位置抖动造成的相位不一致越严重。综述里专门提到风或者意外情况会让无人机偏离指定位置，从而削弱协同波束形成的有效性。补偿手段有两条：能立刻调整的，改激励电流权值，用相位加权把误差抵消一部分；不能立刻调整的，重新规划轨迹把位置飞回来。前者的响应快但补偿能力有限，后者彻底但慢，实际系统通常两级都用。

低副瓣电平是协同波束形成的另一个隐性收益。尖锐主瓣指向目标，副瓣压低意味着其他方向上的能量被抑制，这既降低了干扰，也顺带提供了物理层安全的物理基础——窃听者如果落在低增益侧瓣方向，根本解调不出有效信息。

3.4 航迹规划：轨迹本身就是一种通信资源

航迹规划在集群里常被当成路径问题来讲，实际上它更像资源调度。距离决定路径损耗，飞行高度决定视距概率，相对位置决定到达角和波束指向，速度决定链路的多普勒和稳定性。轨迹一动，整条链路的参数全变。所以综述里航迹规划会在信号增强（簇头汇聚率）、移动边缘计算（能耗）、联邦学习（相对位置变动影响训练）、物理层安全（跟踪窃听者）四个场景里反复出现，不是重复，是同一套手段在不同目标函数下的复用。

算法层面大致分三代。最短路径类算法（Dijkstra、A*）在单机路径规划上表现很好，但面对大规模、高维度、非线性的集群路径问题，状态空间直接爆炸，适用性受到挑战。集中式优化方法引入数学模型和目标函数，用遗传算法、粒子群算法搜索全局或近似最优解，能同时处理多种约束，代价是大规模场景下计算复杂度高、收敛慢。再往前是混合智能方法，把智能算法和强化学习、深度学习结合，通过学习和优化提升规划性能与对动态环境的适应性。

三代算法没有绝对优劣，选型取决于任务的时间尺度：预先规划的离线任务可以承受粒子群的计算开销，实时避障和跟踪则必须用学习型策略换响应速度。

4. 从信号增强到物理层安全：四类场景的链路时序

4.1 信号增强：两跳中继的收益与噪声代价

信号增强的链路结构很清晰：集群中分布在不同空间位置的成员无人机各自接收信号，汇聚到集中的簇头无人机，簇头再把汇总后的信号发给远程基站。这个模型的价值在于空间分集——不同位置的信号经历的是不同的衰落，合并之后可靠性显著提升，而单机无论怎么加大功率都换不来这种分集增益。

收益背后有代价。两跳意味着噪声经过两次累积，汇聚跳本身要占用资源和时隙，簇头成了整条链路的瓶颈。所以这条路线真正的优化点不在接收机，而在轨迹和簇头选举的联合优化：成员摆在哪里能让空间相关性最低，簇头选谁能让汇聚率最高。综述里提到的基于集群的网络架构，就是通过优化无人机轨迹并结合聚类约束，最大限度提高簇头无人机的汇聚率。

应用侧，这类方案面向的是应急无线网络、超 5G 和 6G 系统、智能电网这些场景——共同点是地面基础设施要么损毁、要么覆盖不到。还有研究提出三种集群模式来增强连通性，实现跨区域网络连接；协同波束形成和 RIS 的加入则分别从指向性和非视距两个方向补强了这条链路。

4.2 移动边缘计算：能耗账比时延账更难算

移动边缘计算的三层架构是用户设备—无人机—地面基站。典型触发条件是用户设备因为阻塞或其他原因无法把计算任务直接卸载到地面基站，这时可以把计算密集型任务卸到无人机上，或者经无人机中继再卸到基站里算力更强的服务器。无人机因为移动性和自主性，成了天然的边缘节点候选。

问题出在能量上，而且是两笔账。第一笔：在无人机上装边缘服务器，增加了载荷和相应能耗，直接缩短续航。第二笔更反直觉：把用户任务卸载到无人机上会导致计算相关能耗增加，而计算能耗通常比通信能耗更大。也就是说，无人机一边飞一边算，算力开销可能比通信开销更早把电池耗干。综述里把这一点列为无人机集群辅助边缘计算的关键问题，对应的解法是设计节能系统，通过通信资源分配策略和飞行轨迹优化来延长服务时长。

这也解释了为什么 NOMA 和 RIS 会出现在这个场景里：NOMA 提高同一资源块上的并发接入数，减少任务上传的等待时间；RIS 则改善无人机与地面物联网设备之间的链路，让同样的发射功率覆盖更远。两者都是在压缩“为了传而花掉的能量”，把预算留给计算。

4.3 联邦学习：轮次时序里藏着两个权衡

联邦学习的价值前提是不共享原始数据，多个设备各自在本地训练，只上传模型参数。它的弱点同样明确：性能受通信链路故障和节点缺失影响，尤其是在需要连续交换模型参数的阶段。无人机集群在这里扮演的是无线中继——快速部署到指定区域，把物联网组件和联邦学习服务器之间的链路补上。

完整的轮次时序大致是这样：

for r in range(ROUNDS): # 1. 云端服务器作为模型所有者，向集群下发训练任务与当前全局模型 server.broadcast(global_model, round=r) # 2. 有算力的无人机就地训练；其余经无人机中继把数据交给地面设备本地训练 local_models = {node.id: node.train(global_model, node.local_dataset) for node in swarm} # 3. 成员无人机在同一资源块上用 NOMA 上行，簇头执行 SIC 剥离各层 received = cluster_head.uplink_receive(local_models, scheme="NOMA") # 4. 簇头汇聚后回传云端，服务器按样本量加权聚合，得到新的全局模型 global_model = server.aggregate(received, weights="by_sample_count")

ROUNDS是模型所有者宣布的迭代次数，train只用本地数据集、不上传原始样本，aggregate一般按参与方样本量加权。这个循环看起来简单，实际卡点集中在第 3 步：所有成员要在同一资源块上同时上传，共信道干扰必须靠簇头的干扰消除来处理，否则上行会退化成排队。

两个权衡贯穿始终。第一个是计算与通信延迟和模型学习精度之间的权衡——轮次越多精度越高，但每轮都要付通信代价。第二个是本地训练所需计算和客户端能耗之间的权衡——本地多算一点能减少上行数据量，但电池扛不住。围绕这两个权衡，已有的优化方向包括：联合优化计算速率与上下行传输持续时间以最小化每轮延迟；用连接调度和无线资源分配配合同时无线信息与功率传输，保证网络能长时间运行；以及考虑无人机相对位置变动对训练的影响，把训练参数、轨迹、通信和计算资源放在一起优化。

注意：联邦学习里“无人机飞得越近，训练精度越高”这个直觉只在链路预算主导时成立，一旦节点密度上去、共信道干扰成为主因，靠近反而可能因为资源争用把精度拉下来。

4.4 物理层安全：用噪声换保密率

物理层安全和加密是两条完全不同的路。加密是在比特层面做数学难题，物理层安全是利用信道特性在信息论层面隐藏信息，目标是让未经授权的接收者从信号里解不出足够强的信息。它不假设窃听者算力有限，只假设窃听者的信道比合法用户差。

典型的协作友好干扰框架里，地面基站要通过一群无人机联系远处的地面合法用户，同时地面上存在窃听者。集群被分成两组：一部分无人机当中继，负责把基站的消息转发给合法用户；另一部分当友好干扰机，向窃听者方向持续发送人工噪声。这里的设计难点在于人工噪声不能打到合法用户身上，否则等于自己干扰自己。可行的做法是利用合法信道的空间自由度，把噪声投影到合法信道的零空间，或者干脆靠几何位置和波束指向把噪声和信号在空间上分开。

协同波束形成在这条路线上有天然优势。多架无人机组成虚拟天线阵列，精心设计各机的位置和激励电流权重，可以让主波束精确指向目的地，把无效或低强度信号指向窃听者，实现空对地或空对空的物理层安全。窃听者位置已知时，集群甚至可以跟踪其运动并持续干扰，同时最大化主接收者的保密率；位置未知时，则退而求其次，通过网格形成等方式最大化期望保密率。

综述对这块的限制说得比较实在：多数研究仍停留在非动态场景，且假设窃听者位置已知，信道模型也多为确定状态。这三条假设在真实场景里几乎同时不成立，所以后续方向指向考虑动态环境和窃听者不确定性，用群智能方法优化轨迹，并设计基于深度强化学习的协同方案。

5. 避坑与常见问题：这几处最容易踩

5.1 把“集群”当成“编队”

现象：照着编队控制的论文搭拓扑，队形保持得很好，一上协同任务就时延飙升、丢包严重。

原因：编队只约束几何关系，不解决通信角色分工和回程复用。队形再漂亮，如果所有节点还是各自往地面站回传，回程瓶颈一点没变。

解决：先定通信角色（簇头、成员、中继），再谈队形。队形应该服务于链路质量，而不是反过来让通信去迁就几何。这和 2.1 里那笔回程账是同一件事。

5.2 NOMA 在仿真里漂亮、实测拉胯

现象：链路级仿真显示频谱效率提升明显，换到外场或者信道模型更接近实测之后，增益几乎消失。

原因：干扰消除依赖信道增益的排序和分离度。信道增益差异小的用户，前一层解不干净，误差沿着残差一路传播，后面所有层跟着错。仿真里常用的理想功率分配，在真实路损和阴影下很难复现。

解决：把用户配对和功率分配当成一等公民来设计，而不是 NOMA 的附属参数；差异实在造不出来，就结合 RIS 人为改变信道条件，或者干脆退回正交多址。别为了用 NOMA 而用 NOMA。

5.3 RIS 相移按静态信道配，飞起来就失配

现象：相移矩阵在悬停状态下配得很好，一进入巡航，增益不升反降，甚至比不开 RIS 还差。

原因：RIS 是无源器件，不能主动发导频，反射链路信道只能间接估计。无人机一动，估计出来的信道状态信息迅速过期，按过期相位配置的反射单元会把能量反相抵消。

解决：把无人机速度和三维轨迹纳入联合优化，或者做对信道误差鲁棒的相移设计；工程上还要留一条“宁可少增益也别反相”的保守配置作为兜底。

5.4 协同波束形成在外场被风打回原形

现象：实验室里阵列增益接近理论值，外场飞一圈掉一大截，阵元越多掉得越狠。

原因：相位对齐对位置误差极其敏感，四分之一波长的偏差就是 90 度相位差。风扰和飞控抖动让机间相对位置持续漂移，相干叠加变成部分相消。

解决：两条腿走路——实时调整激励电流权值做相位补偿，响应快但补偿能力有限；同时用轨迹规划把位置拉回理想构型，彻底但慢。评估方案时，直接把相位误差标准差作为输入去算增益损失，比看理想增益数字有意义得多。

5.5 联邦学习卡在轮次通信而不是模型本身

现象：模型结构反复调，精度就是上不去，抓包一看每轮上行耗时远超预期。

原因：成员无人机挤在同一资源块上传本地模型，共信道干扰让簇头的干扰消除负担过重；再加上无人机相对位置变动，链路质量不稳定，重传把一轮的时间拉长。

解决：用 NOMA 让成员在同一资源块并发上传、簇头做分层剥离，或者做连接调度错峰上传；同时把训练参数、轨迹、通信和计算资源联合优化。只优化模型不优化轮次时序，是这条路线最常见的踩坑方式。

6. 设计取舍：没有一种技术能包打天下

把四类关键技术摆在一起看，会发现它们各自成立的前提几乎不重叠，这决定了任何一套集群方案都不可能只靠一招。

这张表的读法是：先问自己的场景满足哪个前提，再看那个前提能撑起多大收益。应急通信场景里，地面基础设施损毁、链路以非视距为主，RIS 和协同波束形成的组合价值最大；车辆网或峰值流量场景里，用户密集且并发压力大，NOMA 的并发收益更直接；而对续航敏感的边缘计算任务，能耗账会压过一切，轨迹优化和通信资源分配才是主线。

我一般会用三笔账来验证一套方案是不是真的成立。第一笔是回程账：算出扁平结构和分簇结构下的回程需求差多少，如果差得不多，簇结构带来的复杂度和单点风险就不划算。第二笔是相位预算：把风扰、飞控抖动、定位误差折算成相位误差标准差，代进增益损失公式，看理想增益还剩几成——这一步能过滤掉大量纸面上很美的协同波束方案。第三笔是能耗账：把计算能耗和通信能耗分开列，因为计算能耗通常更大，只优化通信往往抓错了主要矛盾。

这三笔账算下来，很多所谓的“技术组合”会暴露出它们只是在各自的理想假设下成立，拼在一起时假设互相冲突。从那以后我每次评估集群通信方案，都强制先走一遍回程、相位、能耗这三步，再看论文里的性能曲线——顺序反了，就容易被漂亮的仿真图带着走。希望帮到你。

本文还有配套的精品资源，点击获取