基于行为树编辑器的无人作战可视化任务编排技术研究

武晓红; 张振华; 李瑞; 边疆; 王洪涛; 张扬捷

doi:10.12404/j.issn.1671-1815.2502241

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (8) :3418-3426 DOI: 10.12404/j.issn.1671-1815.2502241

自动化技术、计算机技术

基于行为树编辑器的无人作战可视化任务编排技术研究

作者信息 +

Visual Task Orchestration Technology for Unmanned Combat Using Behavior Tree Editor

Author information +

文章历史 +

摘要

为解决无人作战任务复杂多变、传统任务规划效率低的问题,通过行为树可视化任务编排技术,研究基于模板库动态组合的智能任务规划方法。结果表明:该技术将无人机(unmanned aerial vehicle,UAV)集群任务预规划时间缩短至传统方法的25%;基于数据分发系统(data distribution system,DDS)中间件的指令传输延迟控制在10 ms以内。可见,该方案有效突破了传统静态规划的响应瓶颈,为无人系统智能化协同作战提供了技术支撑。未来可进一步探索与智能决策算法的深度融合及多域协同编排机制。

Abstract

To address the problems of complex and variable unmanned combat missions and low efficiency of traditional mission planning, an intelligent mission planning method based on dynamic combination of template libraries was studied through behavior tree-based visual mission orchestration technology. The results show that this technology reduces the pre-planning time of unmanned aerial vehicle (UAV) swarm missions to 25% of that of traditional methods. The command transmission delay based on the data distribution system (DDS) middleware is controlled within 10 ms. It is evident that this solution effectively breaks through the response bottleneck of traditional static planning and provides technical support for the intelligent collaborative combat of unmanned systems. In the future, further exploration can be made on the in-depth integration with intelligent decision-making algorithms and the multi-domain collaborative orchestration mechanism.

Graphical abstract

关键词

无人作战系统 / 行为树 / 任务规划 / 可视化编排 / 数据分发系统(DDS)中间件

Key words

unmanned combat systems / behavior tree / task planning / visual orchestration / data distribution system (DDS) middleware

引用本文

引用格式 ▾

武晓红, 张振华, 李瑞, 边疆, 王洪涛, 张扬捷. 基于行为树编辑器的无人作战可视化任务编排技术研究[J]. 科学技术与工程, 2026, 26(8): 3418-3426 DOI:10.12404/j.issn.1671-1815.2502241

WU Xiao-hong, ZHANG Zhen-hua, LI Rui, BIAN Jiang, WANG Hong-tao, ZHANG Yang-jie. Visual Task Orchestration Technology for Unmanned Combat Using Behavior Tree Editor[J]. Science Technology and Engineering, 2026, 26(8): 3418-3426 DOI:10.12404/j.issn.1671-1815.2502241

登录浏览全文

4963

注册一个新账户忘记密码

无人作战系统凭借高机动性、低风险等显著优势,已逐步成为现代战争的核心力量。但战场环境瞬息万变,任务目标复杂多样,这对任务规划技术提出了严峻挑战。传统代码驱动方案依赖专业编程,调整周期长达数小时,难以适应战场突发态势;静态任务流程缺乏灵活性,面对目标突变、环境干扰等不确定性因素时束手无策;现有通信协议如传输控制协议(transmission control protocol,TCP)迟过高,严重制约大规模集群实时协同。

在行为树基础理论与军事应用方面,Brooks^[1]提出的分层决策框架奠定了模块化任务规划基础,却未解决动态战场适配问题。袁博文等^[2]设计的无人作战行为树模型虽通过条件节点优化决策逻辑,但动态任务调整仍需人工干预。刘瑞峰等^[3]构建的指挥控制行为树框架虽提升了流程可解释性,却缺乏可视化编辑与实时重构能力。

任务规划与集群协同领域,邵士凯等^[4]采用改进DPSO(discrete particle swarm optimization)算法提升了无人机非退出故障下的资源分配效率,却因算法复杂度导致实时性不足。宋育武等^[5]提出的异构无人机并行任务分配算法实现负载均衡,却未考虑战场突发威胁的重构需求。李腾等^[6]对机器人履约系统的联合优化降低了任务延迟,但仅适用于结构化环境。

实时通信技术方面,王建宁等^[7]基于数据分发系统(data distribution system,DDS) 优化分布式通信将延迟降至20 ms,却未结合任务编排框架。赵刚等^[8]设计的模糊集群控制系统虽解决资源协同问题,但在军事场景下实时性欠佳。张健等^[9]提出的物流无人机冲突解脱机制依赖中心化调度,抗干扰能力较弱。而可视化编排工具中,现有商业软件如UnrealEngine行为树编辑器虽支持图形化设计,却缺乏针对无人作战的专用模板库与军事逻辑适配^[10]。

现有研究主要存在三大瓶颈:行为树模型难以实时响应战场突变,通用算法未建立军事专用节点库,中心化调度与高延迟协议制约集群协同^[11]。为此,提出创新性解决方案:构建军事化动态行为树引擎,包含侦察、攻击、防御等专用模板库,并设计图论驱动的动态调整算法实现子任务秒级插入;搭建数据分发服务统一可扩展标记语言语法(DDS consolidated XML syntax,DDS-XML)指令分发体系,集成DDS中间件实现XML任务文件毫秒级下发,延迟控制在10 ms以内,并通过服务质量(quality of service,QoS)策略保障复杂电磁环境下的传输可靠性;开发全流程可视化平台,以行为树编辑器支持拖拽式编排,并闭环验证规划、下发、执行全流程。旨在构建“行为树可视化编辑-动态编排-DDS分发”一体化平台,预期实现效率、实时性与可靠性的全面提升:任务规划时间较传统方案缩短;动态调整响应时间控制在30 s内,指令传输延迟≤10 ms;提升集群任务成功率。

1 行为树原理与军事化适配

1.1 行为树节点设计与作战逻辑映射

如表1所示,基础映射关系将军事化节点类型与行为树通用节点进行对应,实现战场任务逻辑的结构化建模。如表2所示,复合扩展实现通过行为树节点的组合与增强机制,满足军事场景的复杂需求。如表3所示,分类总结从行为树节点的军事应用维度,将任务逻辑划分为五大类别,揭示其通用适配性与军事场景特性的对应关系。

1.2 行为树运行机制

行为树从根节点开始深度优先遍历,通过节点状态(Success/Failure/Running)驱动任务流程。以无人机侦察-攻击任务为例,具体如下。

(1)侦察阶段。顺序节点依次执行航线规划、传感器启动、数据回传。

(2)目标识别。条件节点判断目标价值,若满足阈值,触发攻击子任务。

(3)攻击阶段。并行节点同步执行武器锁定与规避机动,确保打击成功率。

2 可视化任务编排技术实现

2.1 系统架构设计

系统采用分层架构,如图1所示包含以下核心模块。表4为系统分层架构核心模块的技术实现和核心功能。

2.2 核心功能实现细节

2.2.1 军事化节点适配(QT实现)

面向无人作战的行为树节点,在分类与军事化适配方面有清晰的设计。从节点分类看,自定义军事节点类型(继承QGraphicsItem)的MilitaryNode,包含ACTION_CONDITION、CONTROL、DECORATOR、SUBTREE等节点类型,通过军事语义标签(如“侦察”“火力支援”)标识其军事语义。

语义映射借助JSON配置文件,绑定逻辑与军事术语,明确节点类型、军事语义及参数。在行为树节点设计与作战逻辑映射上,基础映射关系将军事化节点类型与行为树通用节点对应,如战术评估等对应条件节点、任务优先级对应选择节点等,实现战场任务逻辑结构化建模。复合扩展实现通过行为树节点的组合增强,满足军事复杂需求,像通信协调用动作节点加事件监听装饰器。从分类总结维度,任务逻辑分为战术决策、协同作战、环境适应、资源管理、应急响应五大类,分别对应不同的通用适配性、核心实现方式及军事场景特性,与图2中的节点管理(含动作、条件、控制节点等操作)、连线管理、参数设置、验证、保存加载等模块共同服务于无人作战行为树的构建与运行。

2.2.2 DDS通信模块(QT集成)

主要包含通信线程、QoS配置及DDS集成三方面内容。在通信线程上,于QT中创建DDSThread类继承QThread,重写run函数,在其中初始化DDS订阅,通过循环接收状态数据,并以信号触发UI更新,实现消息处理。QoS配置环节,针对作战场景,设置QoSProfile对象,将可靠性设为高可靠,同时设定历史数据缓存深度为10,优化通信策略。集成方式上,嵌入DDS库,借助QThread实现异步通信,使模块能高效、稳定地在QT环境下处理DDS消息,满足作战场景通信需求。

2.2.3 动态模板组合算法

动态模板组合算法由A算法优化任务链和动态调整算法构成。A算法优化任务链通过 a_star_combine函数实现,利用优先队open_set存放模板,从初始模板开始,不断取出当前模板,判断是否为目标状态,若不是则生成候选模板组合,计算其代价(涉及时间、资源、风险等)并放入队列,直至找到目标模板。动态调整算法包含两方面,一是借助Boost.Graph库进行逻辑验证,检查行为树有向无环图(DAG)的合法性;二是利用QTimer触发实时规则引擎Drools实现动态插桩,可进行任务阶段冲突检测,还能在应急情况(如遇袭)时动态插入应急任务(如切换撤退路径),以此实现行为树在运行中的动态修改。

2.3 技术创新点

(1)军事化行为树节点的分类与适配。提出面向无人作战场景的行为树节点分类与军事逻辑映射方法,将通用行为树节点(如条件节点、选择节点)与军事行动(如战术评估、编队控制)深度结合,并通过扩展复合节点(如通信协调、应急协议)满足战场动态需求。

(2)动态模板化任务编排技术。构建覆盖侦察、攻击、防御等场景的模板库,支持模板的动态插入、删除与跨模板组合(如“侦察+打击”任务链),解决了传统静态任务规划灵活性不足的问题。

(3)DDS驱动的实时通信。首次将DDS中间件深度集成至无人作战系统,利用其低延迟(<10 ms)、高可靠特性实现任务指令的秒级下发与状态实时反馈。

(4)可视化闭环编辑器设计。开发基于QT框架的可视化编辑器,支持拖拽式行为树设计、军事术语语义化配置与逻辑实时验证,降低了对专业编程的依赖,任务规划效率提升80%。

通过行为树军事化适配+动态模板组合+DDS实时通信的技术融合,首次实现了无人作战任务编排的高效性、灵活性与强实时性,为复杂战场环境下的自主协同与动态响应提供了系统性解决方案。

3 案例分析:无人机集群协同作战验证试验

3.1 试验目的

随着无人机技术的飞速发展,基于无人机集群的协同作战系统已成为现代军事创新的重要方向。本试验聚焦于验证融合DDS通信技术与行为树动态模板的无人机集群协同框架在实战场景中的运行效能,探索新型指控体系在复杂战场环境下的适应性。试验在丹棱靶场构建了包含3处禁飞区、5个模拟目标点的复杂场景,采用7架具备动态重规划能力的固定翼无人机作为试验对象^[6-9]。通过集成DDS通信模块的地面控制车,验证基于模板的任务生成系统在10 ms级延迟下的实时性表现,重点考核:①多任务模板组合生成标准化XML文件的工程化能力;②DDS中间件在任务下发、状态监控及动态调整中的性能指标。

3.2 试验设置

如表5所示,从场地,被试品、测试工具、通信协议等描述试验配置表。

3.3 任务编排与DDS下发流程

如表6所示,实现流程从需求分析、模板选择与组合、xml生成与下发、执行与动态调整4个方面总结实现流程。实现软件如图3所示,在任务设计阶段,用户通过左侧军事节点库(任务节点1、任务节点2、任务节点3)拖拽节点至编辑区^[11-14],连线形成串行任务链(如“任务节点1→任务节点2→任务节点3”),并双击节点设置坐标(如103.453 188,30.047 718,700)、编队样式(人字形/弓字形)等军事属性;点击”样例”按钮保存样例至右侧典型配置样例,任务下发时,点击“任务下发”按钮生成封装编队参数、时间触发条件、应急策略的标准化XML文件,通过DDS高优先级通道将任务文件发送至无人机集群(端到端延迟<10 ms)。图3为图2中典型配置样例行为树的全屏显示,图4为整个行为树流程图全屏显示。操作流程结合图5~图7完整实现了所提出的模板化动态组合技术与DDS实时通信核心功能,将任务规划时间缩短至25%,验证了无人作战任务编排的高效性与鲁棒性。

3.4 试验效果和效能对比

3.4.1 所提技术方案部分任务监控效果图

图5为试验过程中,在任务监控软件中看到的7架无人机在完成任务节点1时候的信息显示。图6为在任务节点1在下发禁飞区报文时,无人机实时避障图,可以看出,7架无人机呈一字型编队,并可以到任务进入坐标,任务开始坐标,任务终点坐标,任务结束坐标,从图6可以看出,下发的任务节点1信息是一字型编队。图7为进行任务节点3,7架无人机进行分区侦察,可以看出,呈弓字形侦察,每架无人机有对应得侦察区域。

3.4.2 效能对比

经过试验数据表7显示,整个任务执行在两种方案下的对比情况如下^[12-13]。

3.4.3 结果分析

传统方案在任务规划、通信效率等核心指标上显著落后于DDS+行为树方案,主要原因可从技术架构、实现方式和系统设计两个维度进行分析,具体如下。

(1)任务规划机制的结构性缺陷。传统方案采用手动代码编写任务逻辑,需针对每个任务场景重新开发代码,即使是特别专业的软件人员任务规划周期也要长达1.5 h。而DDS+行为树方案通过模板化设计(如侦察、攻击模板库)和参数化配置,将重复性工作转化为节点拖拽与参数调整,使规划时间缩短至18 min。

(2)通信协议的效能瓶颈。TCP/IP协议基于三次握手建立连接,延迟通常在1~3 s,且在高负载下易丢包。而DDS采用发布-订阅机制,通过QoS策略(如高优先级传输、数据持久化)实现指令传输延迟<10 ms,可靠性达99.9%,满足大规模集群实时协同^[10]需求;传统方案依赖人工监控与指令下发,无法实时回传状态数据。DDS支持双向高频通信(状态回传频率10 Hz),结合异步通信线程(如QT框架中的DDSThread),实现任务执行状态的闭环反馈与动态调整^[15-16]。

4 结论

综合上述研究与试验验证,得出以下主要结论。

(1)任务规划效率显著提升。通过模板化设计与动态组合算法,将无人机集群任务预规划时间缩短至传统方法的25%,验证了动态模板库的实用性。

(2)动态响应能力突破:引入行为树动态插桩机制,实现任务逻辑的秒级调整,响应时间低于30 s,有效应对战场突发态势。

(3)通信性能全面优化。基于DDS中间件的指令传输延迟控制在10 ms以内,状态回传频率达10 Hz,保障了大规模集群实时协同需求。

(4)军事适配性验证。提出的军事化行为树节点分类与跨域协同框架在无人机集群试验中得到有效验证,为无人系统智能化协同作战提供了技术范式。

未来可从以下方向深入探索:一是智能决策融合,开发深度强化学习与行为树结合的在线优化框架,突破实时奖励函数设计与状态空间降维技术,提升边缘计算节点的动态资源分配能力;二是跨域协同编排,构建空-地-海数字孪生架构,设计统一任务描述语言(UTDL),突破异构网络协议转换与多域冲突消解技术,探索5G边缘计算支持下的跨域协同搜救应用;三是DDS扩展应用,研发自适应数据分发策略与星链网络集成方案,构建无人机-无人艇协同控制原型系统,验证复杂电磁环境下的通信可靠性;四是标准化推进,制定行为树节点分类标准与DDS主题映射规范,开发开源验证平台,推动与Mavlink、ROS(robot operating system)等标准的兼容适配,促进技术在军事与民用领域的推广。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Brooks R A. Intelligence without representation[J]. Artificial Intelligence, 1991, 47(1/3): 139-159.

[2]	袁博文, 李志强, 张伟. 基于行为树的无人作战任务动态规划方法研究[J]. 自动化学报, 2020, 46(5): 921-930.

[3]	Yuan Bowen, Li Zhiqiang, Zhang Wei. Research on dynamic mission planning method for unmanned combat based on behavior tree[J]. Acta Automatica Sinica, 2020, 46(5): 921-930.

[4]	刘瑞峰, 王家胜, 张灏龙, 等. 基于行为树的指挥控制流程建模框架[J]. 科学技术与工程, 2020, 20(34): 14146-14151.

[5]	Liu Ruifeng, Wang Jiasheng, Zhang Haolong, et al. Research on command and control process modeling framework based on behavior tree[J]. Science Technology and Engineering, 2020, 20(34): 14146-14151.

[6]	邵士凯, 李厚振, 赵渊洁. 基于改进DPSO非退出故障下多无人机任务规划[J]. 科学技术与工程, 2023, 23(32): 14030-14040.

[7]	Shao Shikai, Li Houzhen, Zhao Yuanjie. Improved DPSO based mission planning for UAVS with minor fault[J]. Science Technology and Engineering, 2023, 23(32): 14030-14040.

[8]	宋育武, 贾林通, 李娟, 等. 异构型无人机群体并行任务分配算法[J]. 科学技术与工程, 2020, 20(4): 1492-1497.

[9]	Song Yuwu, Jia Lintong, Li Juan, et al. Parallel task assignment algorithm for heterogeneous UAVS[J]. Science Technology and Engineering, 2020, 20(4): 1492-1497.

[10]	李腾, 张茹兰, 丁佩佩. 机器人履约系统任务分配与货架储位再指派联合优化[J]. 科学技术与工程, 2023, 23(26): 11271-11281.

[11]	Li Teng, Zhang Rulan, Ding Peipei. Joint optimization for AGV task assignment and pod repositioning in robotic mobile fulfillment system[J]. Science Technology and Engineering, 2023, 23(26): 11271-11281.

[12]	王建宁, 窦远明, 魏明, 等. 基于DDS的分布式系统实时通信优化[J]. 计算机工程, 2018, 44(12): 67-73.

[13]	Wang Jianning, Dou Yuanming, Wei Ming, et al. Real-time communication optimization for distributed systems based on DDS[J]. Computer Engineering, 2018, 44(12): 67-73.

[14]	赵刚, 张超, 贾宏刚, 等. 基于模糊理论的主动配电网资源集群控制系统设计[J]. 科学技术与工程, 2021, 21(13): 5374-5379.

[15]	Zhao Gang, Zhang Chao, Jia Honggang, et al. Design of active distribution network resource cluster control system based on fuzzy theory[J]. Science Technology and Engineering, 2021, 21(13): 5374-5379.

[16]	张健, 黎宗孝, 罗鑫悦, 等. 冲突探测与解脱机制下城市物流无人机自由飞行间隔研究[J]. 科学技术与工程, 2024, 24(30): 13229-13235.

[17]	Zhang Jian, Li Zongxiao, Luo Xinyue, et al. Research on urban logistics unmanned aerial vehicle free flight separation considering conflict detection and resolution mechanism[J]. Science Technology and Engineering, 2024, 24(30): 13229-13235.

[18]	Schmidt D C, Kuhns F. An overview of the real-time CORBA specification[J]. IEEE Computer, 2000, 33(6): 56-63.

[19]	Elmenreich W, Pitzek S. The time-triggered sensor fusion model[C]// Proceedings of the 5th IEEE International Workshop on Factory Communication Systems. Vienna: IEEE, 2004: 317-324.

[20]	陈永康, 李素循, 李玉林. 高超声速飞行器协同控制算法研究[C]// 第十届全国空气动力学学术会议论文集. 北京: 中国宇航学会, 2019: 45-52.

[21]	Chen Yongkang, Li Suxun, Li Yulin. Research on cooperative control algorithm for hypersonic vehicles[C]// Proceedings of the 10th National Conference on Aerodynamics. Beijing: Chinese Society of Astronautics, 2019: 45-52.

[22]	Pardo-Castellote G. OMG data-distribution service: architectural overview[C]// Proceedings of the 2003 IEEE Conference on Military Communications. Boston: IEEE, 2003: 242-247.

[23]	Ball R E. 飞机生存力分析与设计基础[M]. 林光宇, 宋笔锋, 译. 北京: 航空工业出版社, 1998: 24-27.

[24]	Ball R E. Basis of aircraft survivability analysis and design[M]. Lin Guangyu, Song Bifeng, translated. Beijing: Aviation Industry Press, 1998: 24-27.

[25]	Isla D. Behavior trees for next-gen game AI[C]// Game Developers Conference. San Francisco: UBM Tech Game Network, 2015: 1-30.

[26]	李明. 基于强化学习的多无人机协同任务规划研究[D]. 北京: 清华大学, 2021.

[27]	Li Ming. Research on multi-UAV cooperative mission planning based on reinforcement learning[D]. Beijing: Tsinghua University, 2021.

基金资助

国家自然科学基金(U24A20263)

国家自然科学基金(12272250)

国家自然科学基金(12372310)

国家自然科学基金(82172503)

装备发展部预研项目(50911030801)

PDF (27811KB)

访问

被引

详细

导航

Received	Published	Revised
2025-04-01	2026-03-18	2025-12-11
Online Date
2026-06-26

摘要