用于 GPS 被剥夺和拥挤环境下 UAV 导航的元认知群智能框架
计算工程、金融与科学
2025-11-04 v1
摘要
在感知退化的环境中进行 UAV 集群的自主导航，这类环境 GPS 不可用且地形密集拥挤，构为实际部署的关键瓶颈。现有的基于优化的规划器缺乏鲁棒性，难以在此类不确定性下避免灾难性收敛到局部最优。灵感来源于计算元认知原理，本文引入一种新型群智能框架，使 UAV 集群能够在实时内自主感知、适应并从规划失败中恢复。其核心是自学习黏蘑膓算法 (SLSMA)，该算法集成了三个元认知层次：一种情况感知的搜索策略，可根据感知到的搜索停滞动态选择探索与开发；一个集体记忆机制，使集群能够从之前失败的轨迹中学习并加以避免；以及一种自适应恢复行为，在被困时触发全局重新探索。我们将多 UAV 轨迹问题形式化为鲁棒规划挑战，其成本函数惩罚路径长度、碰撞以及导航不确定性和靠近失败状态的距离。广泛的在合成复杂三维世界中的仿真测试以及针对 CEC 2017 基准套件的测试，都表明该框架性能卓越。SLSMA 不仅优化路径；它生成鲁棒轨迹，实现了 99.5% 的任务成功率，并在恢复速度和解决方案可靠性方面显著优于最先进的元启发式方法。该工作为 truly autonomous 能够在被剥夺和动态环境中持续运行的 swarm 铺平了基础。
引用
@article{arxiv.2511.00884,
title = {A Meta-Cognitive Swarm Intelligence Framework for Resilient UAV Navigation in GPS-Denied and Cluttered Environments},
author = {Mathias Mankoe and Fuqiang Lu and Hualing Bi and Abdulsalam Sibidoo Mubashiru},
journal= {arXiv preprint arXiv:2511.00884},
year = {2025}
}