Large-Scale UAV Swarm Coordination for Sensing and Communication: A Spatiotemporal Perspective

Large-Scale UAV Swarm Coordination for Sensing and Communication: A Spatiotemporal Perspective｜Jirong Zha, Jiyuan Ren, Yuhan Cheng 等（通讯作者 Xinlei Chen）· 清华大学深圳国际研究生院等 · ACM Computing Surveys 58(13), pp.1–38 · 2026 · 原文

这篇综述在回答什么问题

无人机集群已经被推向灾害响应、环境监测、物流与通信网络等大规模场景。在这些场景里，任务成败取决于集群的调度（scheduling）与协同（coordination），而真正让问题变难的是一类被长期分散处理的约束——时空约束（spatiotemporal constraints）：某个点必须在某个时间窗内被某架无人机覆盖；链路必须在飞行全程保持连通；能量预算把「去哪」和「什么时候去」绑死在一起。作者的问题意识是：机器人社区（轨迹规划、避障、编队）与无人机网络社区（覆盖、卸载、AoI）各自积累了大量方法，却缺一个能把两边放在同一坐标系里比较的框架。这篇 38 页、约 175 篇引文的综述就是要提供这个框架。

分类框架

文章的主轴是把大规模无人机集群的调度与规划算法系统性地划为四族，并在时空约束下逐一评估：

• 采样类（sampling-based）：以随机采样探索高维构型空间，求解快、对复杂环境鲁棒，但难以给出时间维度上的最优性保证。
• 图搜索类（graph-based）：把时空离散化为图，再做搜索与冲突消解，天然适合任务级分配与多机路径协调，代价是规模扩大时状态空间迅速膨胀。
• 数学优化类（mathematical optimization-based）：混合整数规划、凸优化以及时空联合优化，解的质量最高，但实时性与集群规模是主要瓶颈。
• 学习类（learning-based）：深度强化学习与多智能体强化学习，用离线训练换取在线推理的速度，代价是泛化性与安全性缺乏保证。

在算法轴之外，文章另设两个代表性应用域作为验证面：感知（sensing）——覆盖、数据采集、灾害与城市监测；通信（communication）——空中基站部署、多跳应急网络、边缘计算卸载。作者用这两域说明时空约束如何反向塑造算法设计与性能表现，而不是把应用当成算法的附属章节。

关键结论

• 时空约束应当被显式建模，而不是拆成「空间规划 + 时间分配」两步：两者高度耦合，先后处理会系统性地牺牲解的质量。
• 没有一族算法通吃：优化类给质量、学习类给速度、图搜索类给任务级结构、采样类给复杂环境下的可行性；实际大规模系统往往需要分层混合。
• 可扩展性是共同的天花板：四族方法在集群规模上升时都会遇到各自形式的爆炸（迭代次数、状态空间、训练样本），这是全文反复出现的判据。
• 感知与通信正在融合：从引用结构可以看到，该文刻意把机器人规划文献（如 Science Robotics 的野外微型集群、ARGoS 仿真器、Kumar 组的微型飞行器工作）与无人机通信文献（Proceedings of the IEEE 的 UAV 通信教程、IEEE COMST 系列综述）并置——这正是它区别于其他 UAV 综述的地方。

它指出的开放问题

• 真正的大规模：多数方法验证规模远小于「大规模」一词所暗示的量级，缺乏在数百至上千架尺度上的实证。
• 实时性与最优性的边界：如何在机载算力约束下逼近时空最优解，仍无系统性答案。
• 学习方法的可信度：泛化到未见环境、以及给出安全保证，是学习类方法进入实际部署的前置条件。
• 跨域统一评测缺失：感知任务与通信任务各用各的指标，缺少可以横向比较的基准。

为什么值得读

如果你只读一篇 UAV 集群的方法学综述，这篇是当下最合适的选择：venue 是计算机领域最权威的综述期刊 ACM Computing Surveys，时间是 2026 年，主题正对大规模集群协同。它的独特位置在于横跨两个社区——做轨迹规划的人往往不读 UAV 通信文献，做空地网络的人也很少读运动规划，而这篇用「时空约束」这一把尺子把两边量到了一起。适合准备入场做无人机集群调度的研究者用来建立文献地图，也适合做具体算法的人用来定位自己方法在四族分类中的位置与已知瓶颈。需要注意：它偏算法与系统层，不讨论 swarm 的行为学与自组织理论，那部分应去读 IRIDIA 系的综述。

原文链接

• ACM Digital Library 页面