无人机（UAV）集群技术正日益成为智能交通、精准农业、灾害管理与环境监测，以及下一代无线通信等关键应用的核心赋能方案。然而，无人机集群在三维空间内的多维机动性引发了频繁拓扑变更、通信链路不稳、路由开销过大及能量资源受限等诸多组网难题。现有面向传统飞行自组织网络（FANET）的路由协议及聚类方法多基于能耗中心或静态决策机制，难以灵活支撑大规模集群环境下的可靠通信。

为克服上述缺陷，本文提出一种面向可扩展高韧性无人机集群的速度感知分层通信框架（VAHCF）。该框架将无人机动态划分为自适应簇群，并设计了一种融合剩余能量、移动稳定性与局部连通性的速度感知簇首选举策略，以构建安全通信骨干网。框架结合预测性移动感知与分层多跳通信机制，最大限度减少非必要控制信令，增强路由稳定性，并为动态集群作业提供平滑的簇管理机制。为贴近实际空基组网环境，研究引入了三维移动模型与真实无线传播特性。通过在NS-3仿真环境中开展大规模实验，在节点密度与移动场景多变的条件下，以分组投递率、端到端时延、通信开销、可扩展性及能效等多项性能指标为基准，与代表性路由架构进行对比验证。

结果表明，该速度感知分层策略能显著提升通信可靠性与网络韧性，并在高密度、快时变空中集群中实现资源高效利用。本框架可为未来自主空中网络提供实用支撑，并展现出与边缘智能、5G/6G非地面网络（NTN）及人工智能协同集群应用无缝集成的潜力。

关键词：无人机集群网络，飞行自组织网络（FANET），分层通信，速度感知聚类，多跳路由，网络韧性，NS-3，可扩展空中网络，5G/6G通信

图：支撑所提无人机集群通信框架的研究支柱。

近年来，无人机网络已发展为下一代自主系统的关键范式，支撑着分布式感知、协同决策与大规模空中作业。单一无人机配置适用于单机即可完成的任务，而多机协同的紧密集群则可执行更复杂的任务，如灾害响应、精准农业、边境监视、环境监测单元巡查、军事侦察及智能交通系统任务。新型传感器技术、轻量化紧凑平台、人工智能算法与无线通信系统的进步，极大地推动了无人机集群在民用及国防任务等场景中的应用¹⁻²。与任何迈向全自主化的军事通信系统一样，高效、可靠且具备生存能力的通信是保障集群任务成功的关键。

A. 无人机集群网络的演进

如图1所示，无人机通信架构经历了多次技术迭代。早期无人机系统采用直接遥操作模式，即每架飞行器配备独立的地面控制站。集中式架构在孤立任务中行之有效，但在可扩展性与通信效率上存在局限。随着移动自组织网络（MANET）及后续的飞行自组织网络（FANET）³⁻⁴的出现，自组织路由成为可能，使无人机即使在无地面节点支持时也能构建自组织路由路径。然而，无人机集群高度动态的三维机动性暴露了传统地面路由机制的局限性。

为提升可扩展性，研究者提出了分层路由与聚类策略，即由簇首协调群组内无人机通信。此类架构通过将任务本地化，降低了路由数据复杂度与网络管理开销。但在空气动力学环境快速变化的场景下，静态簇形成与传统簇首选择机制仍显不足。近期研究趋势表明，应推广采用移动感知与自适应通信框架，融合预测组网技术与群体智能，以提升作战鲁棒性⁵⁻⁶。为顺应这一发展趋势，本文提出一种速度感知分层通信方法，可灵活应对集群机动动态，保障网络稳定性。

由图1可见，通信技术正从集中式操作系统向智能、自组织、移动感知的集群通信系统演进。

B. 无人机集群通信面临的挑战

尽管已取得显著进展，移动无人机集群间的通信仍是亟待解决的难题。与地面自组织网络不同，空中节点在三维空间内持续变速运动，轨迹多变，导致拓扑频繁变更。这种现象被称为“拓扑流动性”，会显著缩短链路生存期，增加路由维护难度¹⁻⁷。

另一关键问题是“广播风暴”。传统反应式路由协议在通信路径中断时会全网广播路由发现报文。在高密度网络中，大量控制流量与关键任务数据争抢信道，导致时延增加、吞吐量下降。同样，高速机动引发的链路频繁中断会触发持续的路径重建过程，降低网络可靠性并加剧通信开销⁸。

为应对上述问题，分层通信架构应运而生，通过为每个簇设立领导者来协调本地事务及簇间通信。然而，领导结构不稳定是重大隐患。若仅依据电池剩余电量选择簇首，其可能迅速移出通信范围，导致簇分裂并产生额外的重配置开销。因此，如何在能效、移动适应性与可靠通信之间取得平衡，仍是开放的科研课题。

C. 研究空白

学界已提出多种提升无人机通信性能的路由方法。反应式协议如AODV仅在需要时建立路由，减少了更新频率（但以路由发现时的高时延为代价）。主动式协议通过周期性交换路由表维护完整路由信息，虽能加快转发速度，却带来了更高的控制报文开销。地理位置路由技术（如GPSR）利用节点定位信息进行数据包转发，虽对定位误差具有一定鲁棒性⁹⁻¹⁰，但仍依赖较高精度的位置信息。

LEACH、HEED等分层聚类协议通过簇首机制降低了通信复杂度。然而，多数现有方案要么采用固定的聚类策略，要么仅基于电池电量进行簇首选举，未能纳入无人机集群的动态移动特性。此外，当前的聚类方法大多无法将预测性速度信息融入簇首选举过程，导致在高密度部署条件下骨干网不稳定。表I从定性角度对比了代表性路由架构及其主要局限。

如表I所示，现有协议或侧重路由效率，或关注拓扑感知，亦或致力于节能，但均未能同时兼顾高机动性、簇首稳定性与大规模集群这三大核心问题。这一局限性促使本研究设计一种兼具韧性与可扩展性的速度感知分层通信架构，以作为网络骨干。

表I：现有路由架构对比

协议	移动适应性	复杂度	缺陷
AODV	高	O(N²)	路由泛洪
OLSR	中等	O(N)	控制开销大
GPSR	高	O(1)	依赖GPS
LEACH	中等	O(k)	静态聚类
HEED	中等	O(k)	仅基于能量的簇首选举
本文方案	高	O(k)	自适应速度管理

D. 研究贡献

本研究旨在通过引入一种考虑集群内各无人机速度的层次化通信方案，解决上述挑战。主要贡献总结如下：

• 设计了一种可扩展的分层通信架构，以降低控制开销，提升高密度无人机集群的可扩展性。
• 通过纳入邻近节点负载与簇的移动稳定性，改进了能效，并提出一种速度感知簇首选举机制，以提升簇首可靠性。
• 引入了一种预测性多跳通信机制，以辅助快速变化网络环境中的稳定簇间通信与自适应拓扑管理。
• 在NS-3仿真环境中，针对不同移动模型与节点数（Mob,N）配置进行了模拟，并以分组投递率、时延、通信开销、可扩展性及能耗为指标进行了综合评估。

本文后续结构安排如下：第二节综述无人机集群通信与聚类机制的现有文献；第三节详述所提速度感知分层通信方案及其数学模型；第四节描述仿真设置与方法论；第五节讨论所得结果与性能对比；第六节总结全文并指出未来研究方向。

---

相关文献综述

随着无人机集群技术的迅猛发展，大量研究聚焦于支撑分布式空中作业的通信架构。传统无线网络与无人机集群的运作存在显著差异：后者在高度动态的三维网络中执行任务，拓扑变化频繁，连接间歇性中断，且能量极度受限。现有研究可归纳为四类：基于MANET的路由、分层聚类机制、位置感知路由策略及基于人工智能（AI）的网络解决方案。图2总结了这些不同研究方向的发展脉络及其与速度感知分层通信框架的关联。 然而，如图2所示，当前的无人机网络解决方案往往是多种通信范式的混合体。如何融合移动感知算法、自适应聚类框架与可扩展通信路由，仍是一个新兴的研究课题。

A. 基于MANET的路由

早期的无人机通信系统多基于MANET协议。反应式路由协议如AODV和动态源路由（DSR）按需建立路径，虽减少了周期性控制开销，但路由发现耗时长¹¹⁻¹²。在高度动态的无人机集群环境中，拓扑频繁演变会导致持续的路由重建，造成通信中断与高信令负荷。

优化链路状态路由（OLSR）和目的序列距离矢量路由（DSDV）属于主动式路由方法，依赖周期性拓扑信息交换¹³。此类协议虽降低了转发时延，但持续发送的控制报文会大量消耗带宽与电池资源。在大规模空中部署中，随着集群规模扩大，全局路由信息难以有效维护。

因此，现有MANET协议提供了有价值的构建模块，但难以适配无人机集群特有的移动特性与交互模式。

B. 分层聚类

分层聚类是应对密集无线网络的有效途径，能显著降低通信复杂度。基于簇的协议将节点逻辑分组，由簇首负责本地协调与簇间通信。Benedetti和Proakis¹⁴提出了随机轮换簇首的概念，以均衡传感器节点的能耗。随后，HEED协议在簇首选举中纳入剩余能量与通信成本因素，增强了聚类能力¹⁵。

尽管分层架构能显著降低控制开销，但直接将其应用于无人机网络仍面临挑战。现有聚类方法多假定节点移动性相对固定，或过度依赖剩余电池电量进行簇首选择。高速机动可能导致簇分裂，触发新的网络配置与簇首失效。此外，静态簇维护策略难以高效管理伴随协同集群机动产生的动态任务场景。

尽管近期已有关于无人机聚类的实践研究，但通过无人机预测移动信息并将其深度嵌入簇首选举机制的工作仍显不足。

C. 位置感知路由

位置感知路由算法利用地理信息进行更优的数据包转发决策。贪婪周边无状态路由（GPSR）即为一例，它尝试将数据包转发至地理位置上最接近目的节点的邻节点，旨在降低路由复杂度，无需全局拓扑知识¹⁶。其他类似ILR的移动感知路由协议在轻度移动场景中表现更佳。

然而，位置感知协议高度依赖精确的定位数据与全球定位系统（GPS）的稳定性。定位误差是影响路由能力的主要因素：在城市峡谷、山区、恶劣天气及GPS拒止区域，误差将显著增大。此外，基于地理转发的方案无法确保连接稳定性，因其忽视了速度趋势与未来轨迹波动的影响。

因此，位置感知路由虽能显著节省路由开销，但在高度动态无人机集群的预测性拓扑管理方面支撑不足。

D. 人工智能赋能的无人机组网

随着无人机算力的提升，人工智能技术正被整合至航空器组网应用中。多种基于机器学习的自适应路由、移动性预测、资源分配及集群自主协同方法应运而生¹⁷⁻¹⁸。强化学习算法使无人机能通过与环境交互观察，习得最优通信策略；深度学习模型则能轻松实现流量预测与动态网络优化。

近期亦有研究探索基于图神经网络的分布式无人机决策，以及联邦学习与边缘智能¹⁹⁻²⁰。尽管这些策略在性能提升上潜力巨大，但通常依赖大规模数据集、复杂的优化流程与高昂的计算资源。此外，许多基于AI的网络解决方案仅关注路由优化，并未明确解决分层通信的稳定性或自适应簇首领导问题。

因此，在无人机集群实际部署中引入轻量级预测智能与可扩展通信架构，仍是待开拓的研究前沿。

文献调研表明，无人机通信技术虽已取得显著进展，但仍有诸多问题悬而未决：传统MANET协议在拓扑快速变化时路由开销过高；分层聚类方案虽具高可扩展性，却常依赖静态簇或仅基于能量的簇首选举；位置感知路由虽降低了通信复杂度，却因定位误差及无法预测未来移动状态而存在系统性路由偏差；网络中的人工智能虽带来自适应特性，却可能增加计算复杂度与网络部署成本。

表II总结了部分代表性研究的成果与局限。由表可知，现有通信方案或仅能在特定子集目标上取得最优，或忽视了移动稳定性、簇韧性与通信可扩展性的协同影响。鉴于此，为弥补现有空白，所提速度感知分层通信框架构建了一种兼具适应性与动态性的多跳通信骨干网，适用于大规模无人机集群，并在簇首选举中充分考量剩余能量、移动行为与邻域连接度。

接下来，将介绍所提速度感知分层通信架构的数学建模与设计。

表II：代表性无人机通信研究对比分析

作者	方法	优势	局限
Perkins与Royer¹¹	AODV	按需路由	泛洪开销大
Johnson等¹²	DSR	路由缓存	对高机动性敏感
Clausen与Jacquet¹³	OLSR	快速转发	控制流量大
Heinzelman等¹⁴	LEACH	能量均衡	静态聚类
Younis与Fahmy¹⁵	HEED	能量感知的领导选举	仅基于电池的选择
Karp与Kung¹⁶	GPSR	低路由复杂度	依赖GPS
Hayat等¹⁷	AI辅助无人机组网	自适应优化	计算开销大
Mohammadi等¹⁸	机器学习路由	动态适应	训练复杂
Zhang等¹⁹	边缘智能	分布式决策	资源受限
Liu等²⁰	图学习	移动性预测	可扩展性问题
本文工作	速度感知分层通信	移动感知的可扩展聚类	自适应速度管理

---

所提速度感知分层通信框架

在快速演变的任务需求与频繁拓扑变更中维持可靠通信，是提升无人机集群通信效率的关键能力。传统路由的控制开销过高，或在高机动环境下无法维持稳定的通信路径。为此，本研究提出一种融合自适应聚类机制、预测性移动感知策略与分层多跳通信方案的新型组网方案——速度感知分层通信框架（VAHCF）。与传统仅基于剩余能量或静态拓扑信息的方案不同，本框架综合考虑节点移动意图、静态拓扑与剩余能量，以构建稳健的通信骨干网。该总体架构旨在最小化路由开销，增强网络韧性，并支撑可扩展的无人机集群作业。

网络架构

所提VAHCF采用包含五个逻辑层的分层通信结构：地面站（GS）、簇首（CLs）、簇成员（CMs）、簇间通信链路及目的节点。图3展示了通用通信拓扑图。

地面站向各簇首下达任务目标与控制数据。每个簇首负责协调邻近无人机的本地行动，管理资源，并聚合维护其他簇成员的路由信息。簇成员主要与各自簇首通信，避免不必要的全网消息广播。相邻簇首间可相互通信，交换路由数据，通过多跳路径将数据包中继至目的地。

与平面网络架构相比，该分层架构将路由决策聚焦于单一方向，大幅降低了通信复杂度。此外，自适应簇维护机制确保了在无人机频繁机动及动态分区环境下的通信稳定性。

图3以分层形式展示了框架遵循的通信流程。网络通过限制簇内本地通信，并将远程路由职责赋予簇首，减少了广播数量，保障了通信路由的可扩展性。