关键词：无人系统；群体智能；理论方法；核心技术；系统构建
群体智能研究起源于对蚁群、蜂群等简单社会性生物群体行为的观察与模拟. 该概念自20世纪80年代一经提出，便引起了各相关领域研究人员的高度关注。
近年来，人们在模拟、延伸和扩展简单社会性生物群体智能的同时，也有研究者从人类社会的群体智能等其它视角探索着集体的伟大力量。经过在不同应用领域的不断拓广，使得群体智能有了更丰富的内涵与外延.
鉴于生物和人类群体智能所体现的集群优势和广泛的应用前景，2017年7月，在国务院发布的《新一代人工智能发展规划》中明确指出“群体智能”是人工智能领域的一个新的研究方向。
随后，由科技部启动的《科技创新2030“新一代人工智能”重大项目指南》中，将“群体智能”列为人工智能领域的五大持续攻关方向之一。2020年1月，由中国科学院印发的《人工智能发展白皮书》中，又将“群体智能技术”列为人工智能领域的八大关键技术之一。
无人系统群体智能作为群体智能的一种重要形态，伴随着无人系统集群化、智能化得以快速发展。
为持续开展相关研究，需要在总结已有无人系统群体智能相关研究基础上，进一步梳理无人系统群体智能的理论方法、核心技术以及系统构建问题，以推进我国此类群体智能研究及其系统研发，服务我国新一代人工智能发展目标。

2、群体智能的基本概念与分类
群体智能(Swarm Intelligence)概念最早于1989年由Beni和Wang在研究细胞机器人的自组织现象提出，用以刻画群居性生物通过协作而涌现出的集体智能行为，以及受自然界中群体协作行为启发来解决问题或构建人工集群系统的方法。
一般认为，群体智能是指由一定规模的个体通过相互协作在整个群体系统宏观层面表现出来的一种分散、去中心化的自组织行为. 尽管群体智能系统中个体的智能都极其有限，但却能够通过相互协作与分工，整体涌现出高度的集体智能，以完成复杂任务，并为各种复杂问题的求解提供新的思路。
历经30余年研究与发展，群体智能研究由最初的蚁群优化算法、粒子群优化算法等群体优化算法开始发展到集群机器人、自重构机器人、无人集群等分布式群体智能系统，再由基于互联网的群体智能理论、系统与应用发展到人机物融合的群体智能计算，概括而言，目前主要形成以下三种形态.
(1)互联网群体智能
互联网群体智能，是指在广泛深度交互的互联网组织结构下，规模化人群为了特定目标在线共同作用，从宏观上产生超越个体智能局限性的智能状态，使群体具有完成复杂任务的能力. 在互联网新技术和大数据技术高速发展背景下，人工智能2.0中的“群体智能”则更多体现的是基于互联网的群体智能涌现。
基于群体化编辑的维基百科、基于群体化开发的开源软件、基于众问众答的知识共享、基于众智众享的APP商店等为此类群体智能的实例展现. 互联网群体智能理论与方法是人工智能2.0的核心研究领域之一，为人工智能在其他领域的研究起着基础性和支撑性作用。
通过特定的组织结构和大数据驱动的人工智能系统吸引、汇聚和管理大规模参与者，以竞争和合作等多种自主协同方式共同应对挑战性任务，将会成为互联网科技创新生态系统的智力内核.
(2)无人系统群体智能
无人系统群体智能是指由众多相对自主、人工研发的无人自主运动体通过相互协作与分工涌现出复杂智能行为的特性. 无人机集群、无人艇集群、无人坦克集群和工业智能机器人集群等是其目前阶段的典型实例，多颗不同能力的卫星也可组成卫星集群的群体智能，跨域异构无人集群进一步呈现出更为复杂的无人系统群体智能形态。
这些无人集群以低成本、分散化形式满足复杂任务功能需求，并针对复杂环境自主协同规划、多域协同合作以及动态自适应调整，可涌现出单个无人自主运动体难以实现的智能水平. 无人系统群体智能不仅在协同侦察、联合作战、战场评估等军事领域，而且在区域物流、城市安防、抢险救援等民用领域具有广阔应用前景.
(3)人机物融合群体智能
人机物融合群体智能是通过人、机、物异构群智能体的有机融合，利用其感知能力的差异性、计算资源的互补性、节点间的协作性和竞争性，构建具有自组织、自学习、自适应、持续演化等能力的智能感知计算空间，实现智能体个体技能和群体认知能力的提升。
其中“人”主要体现为社会空间广大普通用户及其所携带的移动或可穿戴设备，“物”主要体现为信息空间丰富的互联网应用及云端和边缘服务，“物”则主要体现为具有感知、计算、通信、决策和移动等能力的物理实体。
在万物智联驱动下、人机物融合已是21世纪上半叶信息技术的发展趋势，使得人机物融合群体智能成为面向未来的新型智能形态. 处于发展之中的智慧城市、智能制造、智能战场是人机物融合群体智能的典型实例.
本文从关键要素、实现方式和典型应用三方面对三种群体智能形态进行了综合比较，具体如表1所示. 尽管三类群体智能形态不同，在关键要素的组成、实现方式和应用方面均存在一些明显差异，但其本质内涵一致，即通过多个个体间的相互通信与协作具备单个个体无法完成的任务能力.

表1 三种形态的群体智能比较

3、无人系统群体智能的主要特征体现
本文重点关注的是无人系统群体智能，此类群体智能在具有明显的自组织、自适应、自学习和自涌现等特征体现.
(1)自组织. 无人系统群体智能体现出来的自组织是指其内部众多无人单体基于实时状态与动态环境交互及认知，形成时空、逻辑等群体自主协作，完成复杂任务的特性，体现的是群体从无序到有序的演化过程，是群体自身固有而并非外部影响施加给群体的一种性质。
自组织意味着无人群体智能系统中没有一个中心控制模块，也不存在一部分控制另一部分的情况. 自然界的生物群体均是通过其自组织来解决问题，理解了大自然如何使生物系统自组织，就可以模仿这种策略使人工的无人群体智能系统自组织。
自组织是无人系统群体智能的重要特征体现，该特性可极大地提高无人群体智能系统在完成任务过程中的适应性与健壮性.
(2)自适应. 无人系统群体智能体现出来的自适应是指其不仅能够动态适应外界环境动态变化与使命任务人为更新，而且能够从群体内部状态与行为突变(如局部个体故障)中尽快恢复原有行为的特性，即外界环境变化以及单个个体异常状态均不会对整个群体执行任务成效产生较大影响。
因此，无人系统群体智能所体现的自适应特征更具体体现在群体自重构和群体自恢复上. 自重构是指群体为了适应诸如阴雨或晴天、城市或山区等环境动态变化，搜索或跟踪、运输或救援等不同任务更新，而对其群体构型(如编队)自主变更的能力；而自恢复是指群体能够自动发现群体内个体故障、局部异常等，并据之自主调整群体行为，而不影响群体完成目标任务的能力.
(3)自学习. 无人系统群体智能体现出来的自学习是指在整体群体层面根据来自任务环境的性能反馈而修正并归纳其自身行为的特性. 学习的目的在于适应与优化，适应是为了生存，而优化是为了更好地发展. 自学习是无人系统群体智能重要的特征之一，同时又有其独特之处. 通过自学习，群体将不再局限于预定行为，从而能够适应动态变化的环境和新的任务要求。
强化学习、合作式学习和进化学习普遍存在于生物群体系统中，是实现无人群体智能系统自学习的可借鉴方式. 其中，进化学习是群体智能一种特别的学习方法，它先以其数量占据优势，然后随着环境变化，淘汰不能适应的个体，在这一过程中，每一个体并没有发生任何学习行为，但其群体具有更强的适应能力。
通过自主且持续学习，使得无人群体智能系统具备了成长性，不仅能够适应环境的动态变化以及任务的需求变更，而且群体行为能够自主演化，功能与性能得以持续提升.
(4)自涌现. 自涌现是群体智能的本质特征，其是自下而上自主出现的群智涌现，意为群体可以涌现出个体不具有的新属性，而这种新属性正是个体之间综合作用的结果，形成群体宏观有序的系统智能行为的特性。
无人系统群体智能体现出来的自涌现也是如此. 群体智能中的涌现现象与系统论和复杂系统中阐述的涌现本质上是相同的，其是基于主体实现的涌现，群体中的个体结构和功能相对简单，通过在群体活动过程的交互与协调，适应环境并学习进化，涌现出一些新的整体行为和系统能力，实现了“1+1>2”的境界。
人们从自然界群体行为研究中得到启发，发现微观个体之间相互作用多是复杂非线性动态过程的迭代，并呈现出难以预测和行为有效的涌现特性. 例如，蚁群觅食、大雁迁徙、羊群效应的群智涌现对无人系统群体智能优化设计均有参考价值.