面向無人集群的邊緣計算技術綜述

薛建強, 史彥軍, 李波

(1.中兵智能創新研究院有限公司, 北京 100072; 2.群體協同與自主實驗室, 北京 100072;3.大連理工大學 機械工程學院, 遼寧 大連 116024)

0 引言

無人集群作戰是指通過多無人平臺的傳感設備獲取戰場實時數據,并通過可靠通信網絡實現信息交換,充分發揮自身作戰能力,以最大化作戰效益的一種作戰模式。該模式具有分布式決策、體系魯棒性高、效費交換比高等優勢,目前已成為未來無人作戰發展的主要趨勢之一。

現代作戰中高效信息流通是保障作戰效率的關鍵因素。由于作戰環境充滿電磁輻射干擾,向云服務中心的請求通常會受限于較高的傳輸成本和時延。另外,對于傳統的中心式作戰決策模式,由于由局部態勢信息向中心的共享存在滯后和不一致問題,無法將決策中心、戰地指揮所與信息流末端的作戰平臺形成統一的調度和管理。通常高層決策中心決策時所依賴的信息已經過逐級處理,這勢必會把部分對態勢評估有價值的信息忽略掉。同時隨著越來越多的智能化作戰平臺投入戰場,終端會產生大量的數據而得不到及時的利用,龐大的信息整合與處理對指揮決策而言是一大挑戰。

根據《解放軍報》2021年11月30日的作戰專論“智能化戰爭:強者勝的三個維度”,未來智能化戰爭中,連接力、計算力、認知力等新的戰斗力因子成為左右戰爭勝負的新變量,其中計算力強者勝理念推動了算力的云邊端供給模式。特別是近年來,美軍大力發展類似F-22戰機充當“戰斗云”(云+邊+端計算模式),提高無人系統的人工智能技術含量,以推動自主作戰平臺的自協同能力提升等。

基于當前無人集群作戰的背景下,戰場決策與控制權逐漸從云上向戰術邊緣下沉,從平臺的角度來看,旨在充分開發邊緣平臺數據獲取、自主決策的能力。從作戰任務環境來看,決策與控制的下沉彌補了單平臺資源緊缺、信息受限、能力不足等缺點,能夠針對日益復雜的任務和動態變化的作戰邊界做出及時響應。

云邊端模式下的邊緣計算具備低延遲、高安全性、低流量等優勢,能夠提供作戰平臺高可靠和隱私保護的本地計算服務,在軍事領域具有廣泛的應用需求和前景[1]。為此本文擬面向未來智能化戰爭的無人集群作戰技術,研究“云+邊+端”計算模式下邊緣計算的發展現狀和未來趨勢。

本文對無人集群、邊緣計算的發展簡史以及整體過程進行縱向簡述,提出面向戰術邊緣的云-邊-端分布式系統框架,引出目前無人集群作戰背景下邊緣計算的關鍵技術;綜述了該框架涉及的邊緣計算框架、邊云協同、計算卸載、邊緣指揮控制等關鍵技術;闡明了無人集群邊緣計算發展趨勢并對全文進行了總結。

1 無人集群與邊緣計算

無人集群作戰一般是指由大量具有一定自主能力的單功能或多功能的無人作戰單元,通過依托去中心化自組織網絡和分布式智能決策,形成一種高效打擊、跨平臺協同、信息流貫通的先進作戰模式[2]。目前該領域已經成為研究熱點,有著較多的研究成果。在無人集群作戰架構方面,王勇等[3]提出一種以岸基/艦載指揮中心為中心云,以無人平臺為邊緣云的“云邊一體”海上有人/無人集群協同控制架構,以實現集群協同控制,提升任務規劃速度和執行效果。在無人集群信息共享方面,臧義華等[4]提出了一種基于區塊鏈和內容尋址的集群信息共享構架,以解決多類型信息存儲與高效安全共識機制問題。

此外,針對無人集群作戰面臨戰場環境復雜多變、算力資源稀缺、超低延遲回路、海量數據處理等挑戰,陸曉安[5]構建了設計基于仿生學狼群行為下的集群運動模型,基于任務改進狼群算法的尋優機制匹配集群運動策略。

邊緣計算作為中心式云計算的延伸,是一種將遠端云計算能力拓展至數據源產生的邊緣側,實現大規模應用數據從原來要上傳至云端計算轉變為通過一定的調度規劃實現數據直接在邊緣側完成計算的計算范式或計算技術,以達到業務的快速處理和及時響應。美軍根據計算設備部署的位置給出了云計算分類,如圖1所示。從分類上看,邊緣計算更靠近戰術云和邊緣云一側。依托該技術可以把云計算服務下沉到戰術邊緣,從而實現向邊緣作戰單元提供低時延、高可靠的計算、存儲、數據共享服務。

圖1 美軍云計算分類[5]

智能化戰場的無人集群作戰需要強大的連接力、計算力、認知力,出現了算力的云邊端供給模式、馬賽克戰和邊緣作戰模式[6],其邊緣指揮與控制需要新的計算模式。邊緣計算作為一種先進計算范式,可應對上述挑戰,有著較多的研究成果。此外,美軍正從以云計算為核心的技術體系向戰術級能力方向演進,開展了戰術薄云、戰術微云、聯合信息環境等研究(見圖1),核心是把云計算能力下沉到邊緣側的戰術級服務[7]。對于戰術邊緣云,嚴紅等[7]通過分析邊緣云部署環境需求,給出了邊緣云使用模式、戰術邊緣服務網格系統架構,提出了邊緣服務相關關鍵技術,以服務于多樣化軍事任務需求。為匹配機動作戰過程中任務處理的實時性和信息互通流轉的需求,陳霄等[8]以美軍的機動邊緣信息服務發展現狀為切入點,歸納總結了其信息服務能力。張洪瑞等[9]基于邊緣計算的裝備感知同步系統構想,對裝備感知同步系統進行需求分析,提出設計方案并對相關技術進行了研究?？梢?邊緣計算已經成為戰術邊緣指控的重要技術,值得深入研究。

無人集群背景下的邊緣計算,目前有如下相關工作。針對邊緣側資源分配問題,Huang等[10]根據無人機集群處理能耗以及多跳傳輸時延問題,研究并提出了一種無人機群體邊緣計算的分組和角色劃分算法,最大限度地利用了通信和計算資源。Chen等[11]針對無人機集群存在通信和計算限制的情況,提出一種服務驅動的協同移動邊緣計算模型,用來降低無人機集群的計算密集型和延遲關鍵型服務延遲。Yu等[12]面向戰場環境,提出了一種基于移動邊緣計算的飛行自組織網絡(FAN-MEC),如圖2 所示。代興宇等[13]為實現邊緣計算支撐我國軍事應用時的端到端安全保障,融合區塊鏈和人工智能技術強化邊緣防護的應變能力和可信能力。針對無人集群的邊緣計算中總體任務處理時延問題,Wang等[14]提出一種最優協同計算卸載方法,該方法將任務卸載看作一個整數線性規劃問題,并采用一種低復雜度的最優協同計算卸載算法來求解。

圖2 FAN-MEC的整體架構[10]

在以上工作基礎上,結合邊緣計算在無人集群作戰中的優勢,本文重點針對無人集群作戰中高可靠、高實時、高可用等服務需求,給出了一種面向無人集群的云-邊-端分布式協同系統框架,如圖3所示。

圖3 面向戰術邊緣的云-邊-端分布式系統框架

以下對系統中的邊端協同、云邊協同和云邊端協同模塊進行介紹。

1)邊端協同。端節點為具有一定自主能力的無人作戰單元,如感知、導航能力等。不同負載的節點通過自組織網絡,形成具有不同打擊能力的作戰集群。邊緣節點通過容器技術部署了邊緣服務。端側節點通過MQTT訂閱/發布機制與邊側節點進行信息交互。邊側節點對上傳后的數據進行數據持久化操作,形成具有分布式邊緣自治能力的戰術數據庫,通過設備管理組件對無人作戰集群進行協同控制。

2)云邊協同。邊緣側有限的交互信息無法支持全局態勢感知、目標的推理與預測,因此需要云邊協同技術。邊側的EdgeHub和云側的CloudHub通過WebSocket協議實現信息交互。云側的設備管理組件實現邊緣節點的管理和云側計算、存儲、網絡資源的調度控制?？紤]到通常的作戰都為拒止環境,同時惡劣的戰場環境帶寬資源有限,因此以上信息交互無需時刻保持,每當一次小規模戰斗結束后,進行云到邊的指令下發,邊數據到云的上傳,完成云邊協同控制。

3)云邊端協同。每當一次戰役結束后,云端匯聚來自端側和邊側的海量的真實戰場數據,基于集成了AI算法庫的智能底座對模型進行學習和訓練,對全局態勢進行融合。同時,在作戰間隙或通信良好的狀態下,云把訓練好的模型推送到分布式邊側節點上,完成新模型的快速部署,實現云邊平行學習的智能閉環。

本文框架通過對邊緣側海量數據的在線學習構建真實戰場情境的經驗庫,每當需要臨機決策時能快速根據即時的戰場狀態信息,利用部署在邊緣側的模型生成下一步的細粒度作戰指令,做到對局部戰場的邊緣自治管理。同時,基于已打通的云-邊-端通信鏈路網,指揮云節點能直接跨級對端節點的直接控制,利用全域的狀態信息在戰術上實現精準微調,實現云邊端一體化作戰的思想。

為實現上述框架中的核心目標,即快速決策,需要在邊緣側為作戰業務提供算力、存儲、應用等能力,同時在云側需要滿足任務協調、云邊管理的能力。需求牽引技術發展方向,因此分布式系統框架的關鍵技術包括邊緣計算框架技術、邊云協同技術、計算卸載技術、邊緣指揮控制技術等,下面展開綜述。

2 邊緣計算框架與關鍵技術

自從邊緣計算概念被定義以來,許多組織已經研究了標準規則和技術。早在2016年,由IEEE和ACM正式成立了IEEE/ACM Symposium on Edge Computing學術論壇,對邊緣計算的應用價值和研究方向展開討論。ISO/IEC JTC1 SC41成立了邊緣計算研究小組,以推動邊緣計算的標準化工作。

2.1 邊緣計算框架技術

邊緣計算的核心是快速決策,需賦予該范式基于業務的算力、網絡、存儲、安全等能力。為此,需考慮各分布式能力在云邊端中的配比,以及如何讓這些能力有效聯結以實現快速、高效決策。當前通用的計算架構已趨于穩定,但針對垂直應用的架構仍處于演進階段,以下對相關工作進行闡述。

邊緣計算產業聯盟(ECC)在2018年提出了邊緣計算參考架構[15](見圖4),該架構實現了物理域和數字域的協作,將物理世界的全生命周期數據與過程數據建立同步。該架構將整個系統分為云、邊緣和現場三層,邊緣計算位于云和現場層中間,邊緣層向下支持各種現場設備的接入,向上可以與云端對接。

圖4 邊緣架構參考框架[15]

邊緣層包括邊緣節點和邊緣管理器兩個主要部分。邊緣節點是硬件實體,承載邊緣計算的核心業務。邊緣計算節點根據業務側重點和硬件特點不同,包括以網絡協議處理和轉換為重點邊緣網關、以支持實施閉環控制業務為重點的邊緣控制器、以大規模數據處理為重點的邊緣云、以低功耗信息采集和處理為重點的邊緣傳感器。邊緣管理器呈現的核心是軟件,主要功能是對邊緣節點進行統一的管理。

邊緣計算節點一般具有計算、網絡和存儲資源的功能,邊緣計算系統對資源的使用有兩種方式:1)直接將計算、網絡和存儲資源進行封裝、提供調用接口;2)通過模型驅動實現業務的編排組合調用等功能,實現業務的開發和敏捷部署。

邊緣計算的參考架構從計算實現的角度為后續具體場景的應用提供了參考。如Rahbari等[16]為了實現無人機在集群層面進行有效合作,提出了一種新的邊緣到霧協作計算框架。趙航等[17]詳細研究了KubeEdge邊緣計算系統,并在雙臂協作機器人零部件裝配的場景下實現應用,為面向無人集群的邊緣計算技術提供了思路。Yang等[18]設計了一種基于電力物聯網的可信邊緣計算框架——Edge Keeper,并給出安全可信、實時性QoS保障、應用管理以及云邊協同實現的關鍵技術方法。Asim等[19]提出了一種支持多無人機的自主移動邊緣計算系統,通過設計多架無人機的最佳軌跡來減少自主系統的整體能耗。

2.2 邊云協同技術

邊云協同是指在邊緣計算中更好地發揮云計算與邊緣計算的優勢,進而使得作戰資源集成增效。面向無人集群作戰的云邊協同,本質上是各自承載的核心業務協同和跨域異構數據的協同,相關工作如下。

王睿等[20]針對邊緣協同推理、邊緣協同推理核心智能化方法與架構、邊緣協同推理在動態場景下的挑戰與展望進行了詳細的文獻調研,對不同關鍵技術進行了橫向比較以及適用場景分析,并給出了值得研究的若干發展方向。Yu等[21]提出了一種基于無人機支持的邊緣云協作物聯網系統架構。劉子杰等[22]通過計算差分文件,提出了一種邊云協同數據同步方案。張凱歌等[23]針對無人裝備邊緣智能終端平臺,提出了一種邊緣云計算處理框架,利用知識蒸餾對訓練模型輕量化,加速了模型推理時間。韓鑫鑫[24]針對邊緣云協同系統中的數據緩存問題,提出一種基于半定松弛的求解計算卸載問題的算法。肖遷等[25]以區域能源互聯網(REI)為分布式邊緣控制單元,建立了含云服務層、邊緣服務層、設備層的REI邊云協同架構?？梢娺呍茀f同對于邊緣計算性能具有重要作用。

2.3 計算卸載技術

計算任務卸載是邊緣計算的核心業務,核心是對計算任務進行合理高效分配,解決數據“在哪算,如何算”的問題,對于解決邊緣節點資源受限的問題具有重要作用。該技術以分布式計算為基本思想,進行算力在云邊的規劃與調度,整合云邊端眾多算力資源,實現算力的高效調度、分配和遷移。該技術目前是研究熱點,針對卸載模型和算法的相關工作如下。

在計算卸載系統與模型方面,Chen等[26]為提高邊緣計算中計算卸載的計算性能,提出一種無人機輔助移動邊緣計算系統。該系統利用無人機為地面移動邊緣計算系統提供補充計算資源,將用戶之間的非合作交互進行隨機博弈建模,并提出一種基于深度強化學習技術的算法來求近似納什均衡解,顯著提高了計算性能。Li等[27]為針對邊緣計算中的計算卸載過程終端設備能耗問題,建立了非線性工作流模型,并基于圖的劃分技術,提出了Graph4 Edge-Nonlinear策略,較好地降低了終端設備能耗。Wang等[28]根據災后救援和戰場監測等實際場景下使用終端設備本身作為邊緣服務器時移動性和功率的限制,提出了一種能夠容忍多個服務器故障的魯棒任務卸載的動態邊緣計算模型和一種在線的即時卸載的原對偶算法,并對比驗證了其動態性。王萬斌[29]通過對戰術智能終端(TST)及其任務的顯著特點進行研究,對面向TST任務的移動邊緣計算卸載決策研究不足進行補充,通過制定合適的卸載策略來最大化滿足軍事用戶需求。

在計算卸載策略與算法方面,NG Wei等[30]提出了一種編碼分布式計算方法,以減少邊緣服務器的分散、能量和計算的限制以及天氣的不確定性等原因引起的無人機計算任務卸載失敗問題。同時為最大限度地降低網絡成本和無人機的能量消耗,設計了一種兩階段隨機編碼卸載方案。采用多階段隨機整數規劃優化計算子任務,具有較好的降低能耗作用。Kobari等[31]提出一種基于Q-learning算法的負載平衡方法,該方法結合了邊緣計算的低通信延遲和云計算的高處理能力,使用Q-learning來平衡邊緣服務器和云服務器之間的網絡負載,在減少平均服務時間的同時降低了任務失敗率。Chuang等[32]面向物聯網環境數據卸載到邊緣節點或云服務器的場景,提出了一種動態多資源管理,應用多資源二元粒子群優化(MR-BPSO)算法來分配動態物聯網環境下的多個資源,最終實驗結果表明提出的MR-BPSO算法具有更好的性能。Wang等[33]針對當前系統面臨的包括終端丟失、消息處理延遲和高開銷成本等問題,提出了基于馬爾可夫決策的邊緣計算卸載機制,并使用了人工魚群方法,對原算法進行了優化。

2.4 邊緣指揮控制技術

邊緣指揮控制技術的核心在于快速決策,發揮云邊協同、邊邊協同、邊端協同的能效優勢,為指揮控制提供了一種“自上而下任務式”與“自下而上事件式”有機結合的新范式。這樣的范式不僅能加快信息流在指揮系統內的傳播,打破局部觀測的信息壁壘,同時利用邊側信息形成局部邊緣自治。

當前指揮控制技術一般分為中心化和無中心兩種指控模式[34]。中心化指控模式[35]設計的科學原理通?；谶^去的經驗和對未來的假設設計組織的使命任務,對使命任務進行分解、建立最佳程序或過程,設置程序或過程處理需要的決策單元,并建立決策單元間的層級關聯,形成決策中心。中心化指控模式[36]基本程序示意如圖5所示。聯合作戰指揮中心下達行動指令,指令分發到各類作戰平臺,各平臺將指令分解為具有依賴關系的任務鏈(T1～T7),最后分布式執行細粒度任務。但隨著戰爭形態的改變、不確定環境的顯現和去中心化趨勢的加強,中心化的指控在應對突發、大量事件型驅動的任務時,難以做到“發現即打擊”的作戰需求。與傳統指控相比,去中心化的邊緣指控強調任務自發現、資源自尋找、行動自決定、效果自評估的作戰理念。美軍提出的馬賽克戰也正是小單元和邊緣地位提升的反映,是網絡信息時代典型的邊緣作戰。

圖5 中心化指控模式基本程序示意圖[36]

邊緣指揮控制技術是目前作戰模式的研究熱點,有著較多研究成果。張維明等[36]指出邊緣作戰將更加適用于未來小范圍作戰,具有自主搜尋任務、尋找資源、指揮行為、調整評估效果等多種特征的新范式,是自上而下任務式指揮與自下而上事件式指揮的結合,提升邊緣指揮控制能力可從多方面實施。許鶯等[37]對基于邊緣計算的指揮控制系統中的偵察監視功能進行了優化與設計,通過改進K-Medoids算法快速給出聚合方案,降低了系統網絡的帶寬消耗。孫立健等[6]認為邊緣指揮與控制(C2)是有效利用馬賽克戰兵力設計原則和實現邊緣作戰概念的必然選擇。馬賽克戰通過利用先進網絡的能力無縫地跨作戰域共享信息,基于設計的兵力生成高度彈性的冗余節點網絡和多條殺傷鏈。通過分析C2信息傳遞流程,提出決策融合的新理念。Chen等[38]提出智能化戰爭的特點是聯合作戰,需要分散的C2獲得決策優勢,前線指揮員可以根據上級的意圖獨立行動,并探討了信息化邊緣C2在信息獲取、傳輸、處理和應用方面的決策指揮優勢及其運行機制,預測了智能化作戰的發展趨勢。

2.5 其他技術

除了2.1～2.4節中提到的關鍵技術,邊緣計算還包括安全、邊緣自治等技術。安全和數據隱私防護通過加密或脫敏等措施,防止我方戰爭信息受泄露威脅,是戰場上必須考慮的問題;邊緣自治能力保障了無人作戰集群單節點處于離線時的自我控制與決策的能力。以下簡要闡述。

在安全方面,郭凱陽等[39]針對廣泛存在的軍事場景下智能設備使用時存在的數據安全泄露問題,提出一種基于邊緣計算的訪問控制方案,減少了解密開銷,訪問控制結構圖如圖6所示。Xu等[40]面向無人駕駛飛行器的邊緣計算問題,提出了一種基于Stackelberg動態博弈的資源定價和交易方案,該方案將區塊鏈融入資源交易過程,確保安全和隱私。此外,Li等[41]提出了一種基于區塊鏈的安全成本感知數據緩存方案,以優化緩存數據的放置,防止緩存數據被篡改。Ibrahim[42]也提出了一種允許任何用戶設備使用霧區中的任何霧節點進行身份驗證的雙向認證方案分層霧框架。Gawas等[43]面向車輛邊緣計算和網絡問題,提出了一種雙層認證的聯盟區塊鏈協議,用于車輛邊緣計算和網絡中的安全信息共享。Ni等[44]研究了移動邊緣計算數據處理中的安全、隱私和效率挑戰,并討論了借助邊緣計算增強數據安全性和提高計算效率的場景,包括安全的數據聚合、安全的數據重復刪除和安全的計算卸載。

圖6 訪問控制方案結構圖[36]

在邊緣自治方面,Gao等[45]針對軍用異構網絡經常受到攻擊而出現節點或邊緣故障,導致整個網絡拓撲分段甚至癱瘓問題,提出了一種基于網絡結構熵的軍用異構網絡生存能力評估新方法。陳霄等[46]研究了目前應用最為廣泛的三種邊緣自治策略的原理和研究現狀,基于網絡不可逆性,提出了一種既考慮節點又考慮邊的自治模型。Wang等[47]針對完全去中心化的環境提出了一種基于對抗模仿學習的分散式計算卸載算法,解決了不同邊緣設備之間的自治性問題。Callearo等[48]針對城市無人機的應用場景進行研究,引入了“信息自治”的概念,提出了一個用于邊緣輔助無人機應用程序的自適應框架。Li等[49]提出一種基于邊擴展圖和二元決策圖的方法,來評估指揮控制和控制網絡的基礎指揮所內的連通性和可靠性,解決了傳統方法無法對節點鏈路失效概率進行建模、計算效率低下的問題。Larsson等[50]基于無沖突復制數據類型(CRDT)的共享數據庫,提出了一種保持集群自治、允許集群協同處理錯誤條件,并擴展以支持邊緣云用例的邊緣計算系統。

3 無人集群下邊緣計算發展趨勢

1)作戰模式向數據驅動虛實一體化方向演進

未來無人集群會把海量數據匯聚到云端形成戰場知識樣本數據。在云端會建立虛擬對抗博弈訓練模型,模型通過大量的學習樣本進行訓練,得到樣本積累的途徑有:建立對抗博弈平臺進行兵棋推演、人機對抗、紅藍對抗,積累數據進行建模[34]。目前,美軍已將元宇宙作為一種虛實一體化作戰的潛在方式。未來,利用虛擬現實、增加現實等數字化技術來提升作戰能力,可能將成為一種驗證作戰理念和作戰方式的新舉措。

2)作戰邊緣服務趨向于輕量化容器部署

基于輕量級容器技術能克服傳統虛機部署繁重的流程,構建松耦合的服務交互關系,實現戰場應用從開發、測試、部署的全生命周期的快速迭代?；谌萜骰姆詹渴鹂蓪㈤_發好的應用連同所依賴的環境打包成鏡像推送到云端,邊緣節點通過拉取鏡像就能實現快速部署。同時,容器調度編排模塊分布在不同宿主機上,通過容器網絡接口構建一個通信網絡,從而實現服務的分布式計算和管理[51]。將來,輕量化容器部署這種能夠快速試錯、調整重構、開發新功能并發布的技術,能為復雜多變的戰場需求帶來新的機遇。

3)無人集群協同趨向于分布式邊緣自治

去中心化分布式作戰融合了無人機器高度的自主性、網絡化通信、協同任務規劃等特點,作戰優勢明顯,成本低,效能高,數量多,人員傷亡小,補充快,戰場生存能力強[52]。未來網絡化、智能化戰爭必然對集群在邊緣側的計算資源調度、分布式存儲和即時信息共享提出了更高的要求,尤其是如何在能量受限、資源受限、通信受限以及戰場環境受限的條件下,針對模型未知的多無人集群系統,研究具有自主學習和自主優化能力的邊緣自治集群,實現多集群的快速決策和最優協同控制顯得更加重要。隨著大數據和深度強化學習技術在無人集群作戰場景下的應用,越來越精確的模型和算法將主導無人集群的決策與控制,邊緣側的管理也將更會趨向于分布式的無人集群自治。

4)無人集群邊緣智能向人機共融方向演進

雖然無人集群作戰強調其自身的觀察、判斷、認知、決策的OODA閉環,但現階段針對無人集群的態勢感知、協同控制、智能化決策的應用還處于弱智能階段[53]。美軍2016年發布的《小型無人機系統飛行規劃2016—2036》就提出了新式集群作戰概念,強調有人無人集群編隊作戰的理念[54]。多樣化的偵察與反偵察,還有敵我部署、火力布置、威脅來源等態勢信息的融合,對于現階段集群智能來說依然存在很大考驗[55],依托邊緣計算中信息共享與泛在智能的能力,未來不僅考慮機器的自發性智能,同時也需充分利用人的先驗知識與決策能力,在面對臨機任務、時敏任務時才能更好地發揮無人集群作戰的能效。

4 結論

本文面向未來智能化戰爭中無人集群場景,提出了一個面向戰術邊緣的云-邊-端分布式系統框架,綜述了其中的邊緣計算框架、邊云協同、計算卸載、邊緣指揮控制等關鍵技術,并對無人集群場景下的邊緣計算技術進行了展望,以期推進我國無人集群的智能化作戰進程。