🌀 nonlinear sciences

Flocking phase transition and threat responses in bio-inspired autonomous drone swarms

本文表明，一种基于生物启发、依赖极简局部交互规则的自主无人机集群三维集群算法，展现出了在集群（swarming）与成群（schooling）之间的剧烈相变，而当该算法被调优至临界点附近时，能显著增强集群对诸如入侵者等外部威胁的响应能力与韧性。

原作者： Matthieu Verdoucq, Dari Trendafilov, Clément Sire, Ramón Escobedo, Guy Theraulaz, Gautier Hattenberger

发布于 2026-07-07

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Matthieu Verdoucq, Dari Trendafilov, Clément Sire, Ramón Escobedo, Guy Theraulaz, Gautier Hattenberger

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下一群鸟儿。它们没有发号施令的队长，没有告诉它们该去哪里的中央计算机，也不需要与天空中每一只鸟进行交流。相反，每只鸟只需要关注离它最近的两三只邻居。如果邻居向左转，这只鸟也向左转。如果靠得太近，它就会稍微退后一点。

这篇论文讲述的是如何教一群由十架微型无人机组成的集群实现这一点。研究人员想要看看，他们是否能让这些无人机像鱼群或鸟群一样协同移动，更重要的是，如何让这个集群对威胁（如捕食者或入侵者）做出瞬时反应。

以下是他们发现的研究成果，用简单的语言进行了解释：

控制的两个“旋钮”

研究人员构建了一个系统，其中每架无人机仅根据其邻居遵循两条简单的规则：

对齐（Alignment）： “转向与我的邻居相同的方向。”
吸引（Attraction）： “与我的邻居保持靠近，但不要撞到它们。”

他们并没有编写复杂的策略。相反，他们只是通过调高或调低两个“旋钮”（增益）来观察会发生什么。一个旋钮控制它们试图转向一致的方向有多用力，另一个旋钮控制它们试图聚拢在一起有多用力。

三种“飞行模式”

通过调节这些旋钮，无人机进入了三个不同的群体，或称之为“相位”，就像水可以变成冰、液体或蒸汽一样：

“集群”（松散的人群）： 当“对齐”旋钮较低时，无人机并不太在意是否朝向一致。它们像一群在派对上围成圈聊天的人一样聚集在一起。它们保持着聚集，但彼此的朝向各不相同。这显得有些混乱。
“鱼群”（紧密的编队）： 当他们把“对齐”旋钮调得非常高时，无人机会迅速进入完美的紧密编队。它们都朝着完全相同的方向飞行，就像仪仗队或鱼群同步游泳一样。这种状态非常稳定且有序。
“临界区”（黄金平衡点）： 这是最令人兴奋的部分。在松散人群和紧密编队之间，存在着一个狭窄的中间地带。在这个区域，无人机处于混沌与秩序的边缘。它们并非完美对齐，但它们非常敏感。

为什么“临界区”如此特别

研究人员发现，让无人机在这一中间“临界区”运行，能让它们对变化做出极其快速的反应。

想象一下，这就像是在拥挤的房间里玩“传声筒”游戏。

在**“紧密编队”**中，每个人都如此专注于整齐划一地行进，以至于如果有人推了你，你可能只是踉跄一下，但仍会继续前进。这很稳定，但改变方向的速度较慢。
在**“松散人群”**中，大家都在聊天。如果有人推了你，你可能会走开，但整个群体并不会产生整体性的反应。
在**“临界区”**，这个群体就像一座“几乎屹立不倒的纸牌屋”。如果你吹出一口微弱的气流（一个小威胁），整个结构就会立即产生涟漪并发生位移。

论文显示，当一个“坏人”无人机（入侵者）飞向集群时，处于“临界区”的无人机反应最快。它们不仅仅是惊慌失措；它们完成了一次协调且快速的转向以躲避入侵者，扩大了编队以创造空间，然后在几秒钟内重新恢复成紧密的群体。它们对威胁最为“敏感”，从而能够几乎立即重新组织。

“单向门”效应

研究人员还注意到关于这些模式如何切换的一些有趣现象。

如果你突然调高“对齐”旋钮（试图让它们变成紧密的鱼群），它们会在大约 5 秒钟内迅速进入编队。这就像拨动了一个开关。
如果你调低旋钮（试图让它们变成松散的人群），它们需要 15 秒钟才能散开并放松下来。

让一群人站成一条直线，比让他们停止聊天重新开始闲聊要容易得多。一旦他们步调一致，他们往往会保持那样一段时间。

现实世界测试

为了证明这不仅仅是计算机模拟，团队将十架真实的无人机带到了户外。他们在有风且有真实环境噪音的大型田野中驾驶它们。他们甚至派出了第二架无人机充当“入侵者”来惊吓这群无人机。

真实的无人机表现得与模拟实验完全一致。当入侵者靠近时，处于“临界区”的集群进行了一次戏剧性的集体闪避。它们在垂直方向上展开（上下分裂）并急转弯，然后在几秒钟内完美地重新组合。

核心启示

这篇论文的主要教训是，你不需要一个聪明的领导者或复杂的通信机制来让机器人集群变得聪明。你只需要简单的规则和正确的“调优”。

通过让无人机保持在那个“临界区”（混沌与秩序之间的中间地带），你可以获得两者的优点：它们既足够稳定以保持共同飞行，又足够敏感以对危险做出瞬时反应。这是一种让机器人集群既坚韧又灵活的方法，就像野生中的鸟群一样。

技术摘要：仿生自主无人机集群的集群相变与威胁响应

问题陈述
虽然动物群体（如鱼群、鸟群）中的集体运动为自主飞行集群提供了鲁棒的设计原则，但在理论集群模型与物理机器人集群的性能之间仍存在显著差距。现实世界的无人驾驶飞行器（UAV）集群在运行中受到感知噪声、通信延迟和气动扰动等约束，这些因素往往会导致理想化模型所预测的连贯性发生崩溃。一个核心的未解问题是：局部交互规则强度的变化如何影响无人机集群的全局集体状态，以及在特定转换机制（临界性）附近运行是否能在不损害稳定性的前提下增强对外部威胁的响应能力。以往的研究尚未在真实的 3D 飞行环境中，针对相变或临界现象系统地分析这些效应。

方法论
作者开发了一种仿生 3D 集群算法，并通过数值模拟与使用十架经过改装的 Parrot Bebop 2 四旋翼无人机进行的室外自由飞行实验相结合的方式对其进行了验证。

交互模型： 控制框架非常精简，仅依赖于与两个最具影响力的邻居进行局部交互。每架无人机根据两个主要的控制增益来调整其运动：
- 对齐增益 ( $\gamma_{Ali}$ )：量化与邻居保持航向一致的倾向。
- 吸引增益 ( $\gamma_{Att}$ )：调节个体间距与群体凝聚力。
- 控制律通过调制水平速度、爬升率和航向，将社会交互与导航目标及避障行为结合起来。
实验设置： 室外实验在法国塞拉斯特（Cestas）的一个测试设施内进行，环境风速在 18–22 km/h 之间。集群在直径 50 米的虚拟区域内运行，高度在 5 至 15 米之间。
场景： 测试了三种场景：
1. 基准测试： 通过系统性改变 $\gamma_{Ali}$ 来绘制相图。
2. 切换测试： 在低（集群/Swarming）和高（成群/Schooling）对齐增益之间进行重复转换，以分析转换动力学和不对称性。
3. 入侵者测试： 引入一架非合作的“入侵者”无人机向集群质心靠近，以测试威胁响应。
分析： 研究采用了标准的集体运动指标：极化度（对齐度）、离散度（空间紧凑度）以及最小个体间距。易感性通过极化度波动的方差进行量化。模拟使用了经过校准的一阶飞行动力学模型，以复制现实世界中的延迟和噪声。

主要贡献

相图绘制： 本研究成功绘制了 3 维无人机集群的相图，识别出不同的机制：
- 集群 (Swarming)： 松散聚合，具有低极化度和高离散度。
- 成群 (Schooling)： 高度协调的运动，具有高极化度和低离散度。
- 临界区域 (Critical Region)： 集群与成群之间的中间地带，此处极化度波动和易感性达到峰值。
空中集群中的临界性： 作者证明了在现实的感知和动力学条件下，自主无人机集群在不同集体状态之间表现出清晰且可重复的转换。他们发现，临界区域的特征是序参数（极化度）的波动达到最大。
不对称转换动力学： 研究揭示了状态间的转换具有内在的不对称性。从集群向成群转换（增加对齐度）发生得很快（约 5 秒），而反向转换（降低对齐度）则需要更长时间（约 15 秒）。
威胁响应机制： 研究量化了集群在相图中的位置如何决定其对入侵者的响应。结果表明，在临界区域附近运行可使集群在面对扰动时实现最大程度的快速重组。

结果

相变： 通过系统地调节交互增益，研究发现了集群与成群之间的清晰边界。在临界区域，极化度波动达到最大。将集群规模从 10 架增加到 20 架使这种转换变得更加剧烈。
易感性与响应能力： 在临界区域运行的集群对外部扰动表现出最高的易感性。当面临入侵者时，这些集群表现出快速的集体转向和瞬态扩张，并在 5–6 秒内恢复高度对齐。
入侵者响应动力学：
- 集群机制 (Swarming Regime)： 主要通过空间重组（扩张）进行响应，同时保持稳定的集体速度。
- 成群机制 (Schooling Regime)： 保持高极化度和凝聚力，通过修改集体速度和方向来规避入侵者。
- 临界机制 (Critical Regime)： 表现出混合响应，结合了强烈的瞬态空间开启（类似于集群模式）与显著的集体转向（类似于成群模式）。该机制允许集群在无需整个群体进行大规模加速的情况下实现快速重组。
模拟与现实对比： 虽然模拟和实地实验显示出一致的趋势，但实测的临界区域相对于模拟而言，向更高的对齐增益方向偏移。这一差异归因于通信延迟、传输错误以及简化的一阶飞行模型未能完全捕捉到的风力扰动。

意义
本文声称，简单的仿生局部交互规则足以产生多种集体相位，并且通过调节交互增益可以成为一种高效机制，用以调整无人机集群的稳定性、灵活性和韧性。其核心意义在于证明了在临界转换点附近运行可以增强集群对外部扰动（如入侵者）的响应能力，同时保持快速恢复连贯性的能力。这表明，“集群行为”不应仅仅被视为一种需要复制的行为，而应被视为一种可控的集体状态。通过调节交互增益，操作员可以自主地在高效、稳定的巡航模式与适用于探索或防御机动的、高响应性的配置之间进行切换。这种方法为在动态、不可预测且可能存在敌对环境下的无人机集体管理提供了一种可扩展的去中心化解决方案，而无需复杂的层级结构或广泛的通信。