群體智能的案例
無人系統群體智能及其研究進展
無人系統群體智能及其研究進展
關鍵詞：無人系統；群體智能；理論方法；核心技術；系統構建
群體智能研究起源于對蟻群、蜂群等簡單社會性生物群體行為的觀察與模擬. 該概念自20世紀80年代一經提出，便引起了各相關領域研究人員的高度關注。
近年來，人們在模擬、延伸和擴展簡單社會性生物群體智能的同時，也有研究者從人類社會的群體智能等其它視角探索著集體的偉大力量。經過在不同應用領域的不斷拓廣，使得群體智能有了更豐富的內涵與外延.
鑒于生物和人類群體智能所體現的集群優勢和廣泛的應用前景，2017年7月，在國務院發布的《新一代人工智能發展規劃》中明確指出“群體智能”是人工智能領域的一個新的研究方向。
隨后，由科技部啟動的《科技創新2030“新一代人工智能”重大項目指南》中，將“群體智能”列為人工智能領域的五大持續攻關方向之一。2020年1月，由中國科學院印發的《人工智能發展白皮書》中，又將“群體智能技術”列為人工智能領域的八大關鍵技術之一。
無人系統群體智能作為群體智能的一種重要形態，伴隨著無人系統集群化、智能化得以快速發展。
為持續開展相關研究，需要在總結已有無人系統群體智能相關研究基礎上，進一步梳理無人系統群體智能的理論方法、核心技術以及系統構建問題，以推進我國此類群體智能研究及其系統研發，服務我國新一代人工智能發展目標。
2、群體智能的基本概念與分類
群體智能(Swarm Intelligence)概念最早于1989年由Beni和Wang在研究細胞機器人的自組織現象提出，用以刻畫群居性生物通過協作而涌現出的集體智能行為，以及受自然界中群體協作行為啟發來解決問題或構建人工集群系統的方法。
一般認為，群體智能是指由一定規模的個體通過相互協作在整個群體系統宏觀層面表現出來的一種分散、去中心化的自組織行為.
展開 群體智能專欄｜基于聯盟的無人機集群避障方法
基于聯盟的無人機集群避障方法
符小衛，張嘉平，魏 可
（西北工業大學電子信息學院，西安 710129）
摘 要: 無人機集群的避障行為作為群體行為的一種，在國內外得到了廣泛的研究和應用。針對切換拓撲結構下的集群避障控制問題，設計了僅需個別無人機獲取虛擬長機信息的集群避障方法。通過對無人機集群劃分聯盟，選出集群子網中的導航信息無人機來獲取虛擬長機的信息，在避障時可保證集群的連通性。在此基礎上，通過對集群中各導航信息無人機施加一個垂直于虛擬長機運動軌跡的額外排斥力，并將虛擬長機對導航信息無人機的引導力權值因子進行設計，使其成為與虛擬長機和導航信息無人機距離相關的自適應因子。不但保證集群在面對較大障礙物時能有效地進行避障，而且解決了傳統人工勢場避障方法中存在的局部極小值問題。仿真結果表明了所建模型的合理性和求解方法的有效性。
關鍵詞: 無人機集群；拓撲切換；信息濃度；聯盟；改進BFS；避障控制
1 引 言
近年來，無人機集群在軍事和民用領域具有廣泛的應用[1]，得到了科研和工程領域的重點關注。無人機集群指通過自組織機制，使具備有限自主能力的多架無人機在沒有集中指揮控制的情況下，通過相互間信息通信產生整體效應，實現較高程度的自主協作，從而在盡量少的人員干預下完成預期的任務目標。本文重點研究無人機集群避障控制方法。針對無人機集群避障問題，國內外學者進行了大量研究，常用的防碰撞控制方法包括人工勢場、神經網絡、最優化理論等。其中人工勢場原理簡單、易于理解、計算量小，在避障控制策略中成為首選方法[2]。
文獻[3]用勢能場方法模擬了群聚行為和凝聚力，并使用結構勢函數來實現集群間的防碰撞，當兩機之間的距離偏小時，排斥因子起主要作用，兩機分離，避免碰撞，該方法并不能保證相對距離大于最小安全距離。
展開 粒子群優化 （PSO） ￥2
<div contenteditable="false" width="100%">
<br>
</div><div contenteditable="false" width="100%">
群體智能算法
</div><div contenteditable="false" width="100%">
群體智能算法模擬這樣的系統主要是因為以下原因：群體智能源自現存不同生物體的分布式行為;影響群體智能去中心化的有組織系統包括鳥群、魚群和昆蟲群落。這些算法可以應用由所有實體共享的簡單規則，并能夠利用個人之間的交互（稱為代理）在相互合作的基礎上解決優化問題。
</div><div contenteditable="false" width="100%">
在眾多的群體智能算法中，最常用的兩種算法是粒子群優化器 （PSO） 和蟻群優化器 （ACO）。在這里，我們將詳細解釋這兩者：
</div><div contenteditable="false" width="100%">
粒子群優化 （PSO）
</div><div contenteditable="false" width="100%">
粒子群優化 （PSO） 是一種優化技術，其中一組潛在解決方案使用鳥類成群或魚群的社會行為來解決問題。在集群內部，每個片段都被稱為一個粒子，它有可能提供解決方案。粒子成群地在搜索空間中徘徊，并根據自己的知識以及附近所有其他粒子的知識在這些步驟上移動它們的位置。
展開 無人機集群協同技術發展與展望
通過以上3種類型協同任務的相關研究工作可以看出，無人機集群的分布式協同方式雖然充分考慮了“分布式”特點，能夠根據任務目標和集群特征，設置有效的目標函數和優化方法去尋求最優或者較優的結果，但是其任務執行環境和求解目標需要在任務執行之前進行優化計算，然后分配執行，不能適應實際中動態的任務目標和環境變化，缺乏“智能性”的感知和適應性行為。隨著人們對“蜂群”“鳥群”等生物群體智能研究的深入，群體智能協同被進一步引入到無人機的協同中。
3 群體智能協同
“鳥群”“蟻群”等生物群體，雖然其中的個體智能有限，但是群體卻展現出高度的自組織性，這一特點與無人機集群自主協同的需求相符，因而群體智能在無人機協同應用領域也得到了廣泛研究，使無人機集群協同具有了初步的智能性。具備群體智能的無人機集群系統在任務拆解和執行過程中引入了群體反饋和適變能力，可執行較復雜的動態任務，其過程如圖3所示。
圖3 群體智能協同階段的任務執行方式
Fig.3 Execution mode of tasks in swarm intelligent collaboration phase
3.1 協同路徑規劃
山區路徑規劃任務受到地形特征的強烈影響，難以預先確定性分配執行，簡單的分布式協同無法勝任。例如，為了執行山區應急物資運輸的路徑規劃任務，一種考慮路徑安全度的改進蟻群算法可快速收斂并生成更短路徑[8]。蟻群算法也被用于無人機協同飛抵空戰場的航跡規劃任務中[9]；一種基于改進混沌蟻群算法更能克服傳統蟻群智能算法中易出現局部極值、收斂效率低的缺陷，提升算法的全局尋優能力和搜索效率[10]。針對協同攻擊移動目標場景的航跡規劃，另一種改進的蟻群算法建立了結合任務分配的無人機群協同航跡規劃模型，可以快速地對地面多個移動目標規劃出有效的航跡[11]。
展開 
粒子群優化 （PSO）
群體智能算法
群體智能算法模擬這樣的系統主要是因為以下原因：群體智能源自現存不同生物體的分布式行為;影響群體智能去中心化的有組織系統包括鳥群、魚群和昆蟲群落。這些算法可以應用由所有實體共享的簡單規則，并能夠利用個人之間的交互（稱為代理）在相互合作的基礎上解決優化問題。
在眾多的群體智能算法中，最常用的兩種算法是粒子群優化器 （PSO） 和蟻群優化器 （ACO）。在這里，我們將詳細解釋這兩者：
粒子群優化 （PSO）
粒子群優化 （PSO） 是一種優化技術，其中一組潛在解決方案使用鳥類成群或魚群的社會行為來解決問題。在集群內部，每個片段都被稱為一個粒子，它有可能提供解決方案。粒子成群地在搜索空間中徘徊，并根據自己的知識以及附近所有其他粒子的知識在這些步驟上移動它們的位置。
以下是 Python 中 PSO 的簡單實現，用于最小化 Rastrigin 函數：
Code
展開 無人集群系統自主協同技術綜述
2.4 群體智能理論與技術
群體智能（Swarm Intelligence，SI）一直被認為是無人化作戰的突破口，作為一種Game-Changing的顛覆性技術，已在學術界和國防領域受到廣泛關注。群體智能源于對以螞蟻、蜜蜂等的群體行為的研究，群體沒有中心控制節點，具有自組織性，采用分布式控制，利用集體學習機制，使單體低級智能聚合成高智能的群體智能。因此，仿生學原理越來越多的應用于群體智能的研究。多機器人系統利用仿真生學機理構建群體仿生系統，提高系統整體工作效率，減少局部故障對整體的影響。倫敦大學學院計算機科學系教授汪軍教授及其團隊一直從事多智能體協作的研究。汪軍認為，目前通用人工智能研究有兩個大方向，一是大家熟知的AlphaGo，這是單智體，其背后的經典算法是深度強化學習；另一個就是多智體（Multi-agent），也可以理解為群體智能，這是人工智能的下一個大方向。
文獻[49]認為在很多生物系統中，大規模的復雜行為可以通過眾多簡單個體的隨機移動和協調來實現，開發了單自由度（展開和收縮）的機器“粒子”，聚集形成一個“粒子機器人”系統，使其實現了自組織、自適應、高魯棒性的集群行為。文獻[50-51]通過對多機器人行為聚集研究，分析多機器人系統分布式合作及智能形成機理。文獻[52]認為模擬狼群在合作狩獵中的行為機制，有助于無人機集群對抗決策體系的優化設計，并提出了狼群智能與無人機集群協同決策相融合的若干思路和建議。文獻[53-54]把動物預測機制引入到了無人艇群集動力學中，提出基于生物集群動力學相變調控的自主無人艇集群協同關鍵技術，以提升群集陣列的效率和魯棒性。
目前群體智能協同優化算法包括蟻群優化、粒子群優化、蜜蜂啟發算法、細菌覓食優化，螢火蟲算法、魚群優化等，已被證明是解決靜止環境下協同優化問題的有效方法。
展開 無人集群系統自主協同技術綜述
2.4 群體智能理論與技術
群體智能（Swarm Intelligence，SI）一直被認為是無人化作戰的突破口，作為一種Game-Changing的顛覆性技術，已在學術界和國防領域受到廣泛關注。群體智能源于對以螞蟻、蜜蜂等的群體行為的研究，群體沒有中心控制節點，具有自組織性，采用分布式控制，利用集體學習機制，使單體低級智能聚合成高智能的群體智能。因此，仿生學原理越來越多的應用于群體智能的研究。多機器人系統利用仿真生學機理構建群體仿生系統，提高系統整體工作效率，減少局部故障對整體的影響。倫敦大學學院計算機科學系教授汪軍教授及其團隊一直從事多智能體協作的研究。汪軍認為，目前通用人工智能研究有兩個大方向，一是大家熟知的AlphaGo，這是單智體，其背后的經典算法是深度強化學習；另一個就是多智體（Multi-agent），也可以理解為群體智能，這是人工智能的下一個大方向。
文獻[49]認為在很多生物系統中，大規模的復雜行為可以通過眾多簡單個體的隨機移動和協調來實現，開發了單自由度（展開和收縮）的機器“粒子”，聚集形成一個“粒子機器人”系統，使其實現了自組織、自適應、高魯棒性的集群行為。文獻[50-51]通過對多機器人行為聚集研究，分析多機器人系統分布式合作及智能形成機理。文獻[52]認為模擬狼群在合作狩獵中的行為機制，有助于無人機集群對抗決策體系的優化設計，并提出了狼群智能與無人機集群協同決策相融合的若干思路和建議。文獻[53-54]把動物預測機制引入到了無人艇群集動力學中，提出基于生物集群動力學相變調控的自主無人艇集群協同關鍵技術，以提升群集陣列的效率和魯棒性。
目前群體智能協同優化算法包括蟻群優化、粒子群優化、蜜蜂啟發算法、細菌覓食優化，螢火蟲算法、魚群優化等，已被證明是解決靜止環境下協同優化問題的有效方法。
展開 美國地下領域無人系統發展現狀及啟示
圖6 基于生物仿生學的一體化機器人
Fig.6 Integrated robot based on biomimicry
圖7 基于多模運動的一體化機器人
Fig.7 Integrated robot with multi-modality
2)群體智能控制技術
群體智能控制技術是指采用合理的多機器人協調和規劃組成的最優機器人系統來執行任務，多機智能控制包括：智能協同編隊控制技術、地下空間自主探索技術和地下無人系統協調技術[15]。美國在群體智能控制技術方面做了大量的理論研究，并將部分研究成果成功應用于群體智能系統，在機器人技術、導航及通信技術的協助下實現了地下等惡劣場景的搜索探查[16]。
美國在群體智能控制技術方面處于領先地位，賓夕法尼亞大學的Vijay Kumar提出了編隊控制概念，并將設計的編隊控制算法應用于機器人編隊，引入到美國DARPA的諸多項目中，包括OFFSET和SubT等。編隊控制方法主要包括：領航-跟隨者法、基于行為法、人工勢場法、虛擬結構法和圖論法等[17-18]。地下空間自主探索技術方面，科羅拉多大學博爾德分校的Michael T. Ohradzansky等基于生物啟發式反應控制和度量拓撲規劃，提出了一種簡單而可靠的自主探索未知環境的方法，能夠實現群體在未知環境下的協同探索。SubT是地下無人系統多機器協調問題中最具有代表性的，各參賽隊伍需要協調由無人機、無人車以及機器人等構建的群體對地下空間進行探測、搜救等任務。佐治亞理工學院的CSIRO團隊提出了一種基于在線3D邊界的無人車和無人機地下環境協調技術，并成功應用于多個機器人探索大型環境的任務[19]。俄勒岡州立大學的Explorer團隊基于風險感知圖，設計了多機器人協調規劃方法，通過定期彼此共享子地圖的列表完成信息共享，提高了群體協作執行任務的效率。
展開 無人機蜂群攔截系統作戰構想與關鍵技術
,蜂群和地面指控系統?雷達探測系統之間等)通過數據鏈路傳遞和共享目標信息?平臺信息?情報指令等,進而獲得任務區域內準確?完整的全局信息,通常要求有可靠的通信中繼衛星?無線接入網和信息處理傳輸網絡?比如當無人機蜂群在預定任務區域待命預警時,地面雷達可提前將來襲目標的類別?數量?編隊形式?速度?方位?高度等基本信息共享傳輸給無人機蜂群?待來襲目標進入無人機蜂群探測范圍后,蜂群進一步協同測算和精確化其飛行信息,并將信息傳遞到控制終端,通過計算確定攔截無人機排列結構及引爆時間,最終完成任務?
4)集群控制與群體智能
集群控制與群體智能是無人機蜂群攔截系統成功運行的核心?無人機個體能力通常較弱,但通過借助蟻群算法(ACA/ ACO)?粒子群算法(PSO)等集群控制算法 ,無人機蜂群可集有限智能個體的協同合作為集體智能,實現自主編隊?分組避障,部分毀傷條件下重構編隊等功能?攔截系統中的無人機應遵循“精準?立體?快速?有序”的原則,在空襲目標來襲的路徑上按照某種排列方法展開形成空中攔截網,使攔截無人機的攔截效能最優化;當空襲目標變化飛行軌道時,攔截無人機蜂群通過自身探測系統?地面雷達和其他無人機群測算其空中實時軌跡,自主修正并快速編隊機動到相應位置;部分毀傷條件下,無人機群自主重構修補空中攔截網?
5)任務規劃
無人機蜂群攔截系統任務規劃是完成攔截任務的關鍵,主要指根據無人機性能?攔截任務和戰場環境等因素約束,為蜂群中的無人機進行任務規劃和組合優化,以避免資源沖突,實現整體協同和全局最優[12?13] ?如攔截無人機群應如何進行排列組合,實現攔截面積和攔截縱深的最大化;無人機蜂群根據偵察結果,如何進行任務的動態分配,實施干擾?誘導?攔截等;當來襲目標數量較多,如何進行任務規劃,實現攔截效果最大化等?
6)蜂群投放及回收補充
展開 JACS: 單層TiC3用于高比容量的鈉離子電池
【成果簡介】
近日，東北師范大學物理學院楊國春教授團隊通過第一性原理的群體智能結構計算發現理想的陽極材料，即金屬TiC3單層，不僅具有1278 mA h g-1的高存儲容量，而且具有低勢壘能量和開路電壓。TiC3吸附兩層Na原子后仍保持金屬性質，使電池循環過程中具有良好的導電性。此外，高熔點和優越的動力學穩定性有利于實際應用。其優異的性能主要歸因于TiC3單層中存在n-聯苯單元。多鍵共存（例如共價鍵，離子鍵和金屬鍵）使得TiC3單層顯示出高內聚能，這為實驗合成提供可行性。與TiC3相比，官能化的TiC3O顯示更高的存儲容量; 同時，它保持幾乎相同的勢壘。這與富含金屬的MXenes形成鮮明對比。TiC3不僅顯示出優異的熱和動態穩定性，而且顯示出高電子和離子電導率。因此，TiC3單層是SIBs的較好的陽極材料，等待進一步實驗驗證。相關研究成果“TiC3 Monolayer with High Specific Capacity for Sodium-Ion Batteries”為題發表在JACS上。
展開 物流仿真的價值點與痛點分析
“調度優化”是隨著人工智能技術在物流領域發展而出現的一個價值點，其應用領域是倉儲中的AMR、立體庫、穿梭車等群體智能裝備，也是當前科學研究的重要領域之一。通過IoT技術實時獲取設備群狀態，通過物流仿真技術對設備群未來狀態進行推演，由于每臺設備都有大量不同的控制參數，當設備數量較多時，由于存在群體的交互性和動態性，其未來的群體狀態就形成非常龐大的參數優化空間。這一點很像打敗人類棋手的谷歌AlphaGo，其優化過程如圖3所示，每一個點為仿真搜索的解，黑色加粗線條為最終選擇的解。類似谷歌AlphaGo，在群體智能物流設備的調度優化中，也需要借助物流仿真技術來完成圖3中的群體狀態推演，最終實現群體智能物流設備的協同優化。類似谷歌AlphaGo戰勝人類棋手，未來一個智能倉庫里的群體智能物流裝備可以互相推演對方狀態并進行溝通，將會獲得超越人類認知的調度優化方法，在工作效率、設備利用率、工作成本等方面達到新高度。隨著智能物流的高速發展，“調度優化”也是未來倉儲物流仿真項目的核心價值點。顯然，這一過程對物流仿真的“真”和“快”都有極高的要求。
4
物流仿真的痛點
任何一項技術都不可能十全十美，物流仿真也不例外。隨著物流仿真的需求越來越多，了解物流仿真技術的痛點，相對其價值點更為重要。整體而言，物流仿真技術當前面臨如下痛點：
① 物流仿真無法完全與現實物流系統一致。
現實中的智能物流系統是機械、材料、控制、電氣、管理、計算機、人工智能等多學科綜合體，而物流仿真只是從流程邏輯上盡可能接近現實物流系統，難以做到與現實物流系統完全一致的仿真系統。
展開 
群體智慧：3Dfindit利用AI技術創造60億次模型數據下載
3Dfindit利用群體智能來簡化設計流程
CADENAS公司通過新的“群體智慧”功能簡化了3Dfindit用戶的設計流程。3Dfindit提供超過6000個經認證的制造商產品目錄。該平臺擁有一個大數據云，累計超過60億次制造商組件數據下載，這些數據將在未來作為群體知識提供給用戶和其他相關需求者。
工程設計的時代變遷
在過去的幾十年里，工程設計行業發生了巨大的改變。不僅使用的工具發生了變化，例如計算機輔助創建產品或設備; 組件的使用也發生了變化。例如，90年代經常使用蝶形螺母，它可以在沒有任何工具的情況下手動擰松和擰緊，當時工廠車間里只有幾輛工具車，所以，這種螺母很實用。然而，今天情況不同了，蝶形螺母幾乎完全從車間消失了。上述這些變化可以在人工智能的幫助下輕松分析，從而加快工程規劃流程。
從他人的知識中受益
有本書中曾提及：群體比個人更聰明。基于這一現象，3Dfindit利用數據科學和人工智能（AI）來分析大數據云中的交互數據，從而得出有關用戶購買和下載行為的精準信息。其目的是預測未來用戶在工程設計規劃過程中需要哪些組件。
如果選擇螺栓作為接頭，“群體智慧”功能會建議使用開口銷。
如果選擇螺栓作為接頭，“群體智慧”功能會建議使用開口銷。
群體積累的知識可供所有人使用的好處在于，能盡量避免在工程設計過程中產生不必要的錯誤，尤其是因粗心大意而導致的錯誤。3Dfindit中全新的“群體智慧”功能可以防止此類錯誤的發生。如上圖所示，選擇螺栓時，該功能會推薦匹配的螺母和墊圈。
展開 2023人工智能展|廣州人工智能展|廣州智能展
其它
元宇宙、電機馬達、減速器、感應器、導航系統、控制系統、模擬試驗器、電池、充電器、連接線、有/無線通訊、物聯網、3D打印、工業設計、媒體、科研院所、高新園區、協會聯盟、孵化平臺等；
觀眾群體：
1.從事人工智能及物聯網相關領域的從業人員、中高層管理人員、技術主管、創新創業團隊負責人等；
2.智慧城市、智能安防、智慧辦公、智能家居、智慧醫療、智慧養老、智慧零售、智慧社區、智慧政務、智慧教育、智能交通、智能家電、AI芯片、大數據、云計算、5G/6G通信、數據采集、機器視覺、開放平臺等硬件設備提供商、集成商、算法工程師等AIoT產業相關從業人士；
3.相關協會、院校/科研機構專家、分析師及行業媒體。
4.政府相關部門領導及工作人員等。
展開 ?2023廣州國際人工智能展覽會
◆其它
元宇宙、電機馬達、減速器、感應器、導航系統、控制系統、模擬試驗器、電池、充電器、連接線、有/無線通訊、物聯網、3D打印、工業設計、媒體、科研院所、高新園區、協會聯盟、孵化平臺等；
■觀眾群體■
1.從事人工智能及物聯網相關領域的從業人員、中高層管理人員、技術主管、創新創業團隊負責人等；
2.智慧城市、智能安防、智慧辦公、智能家居、智慧醫療、智慧養老、智慧零售、智慧社區、智慧政務、智慧教育、智能交通、智能家電、AI芯片、大數據、云計算、5G/6G通信、數據采集、機器視覺、開放平臺等硬件設備提供商、集成商、算法工程師等AIoT產業相關從業人士；
3.相關協會、院校/科研機構專家、分析師及行業媒體。
4.政府相關部門領導及工作人員等。
■組委會聯絡處■
2023廣州人工智能展-組委會
電 話：021-59856106
QQ：2121006429
聯系人：王楠 13120833680（同微信）
展開 航天科工突破集群智能協同關鍵技術 最新開發智能無人飛行器編隊
復雜光照條件下目標識別與編隊精準穿越 中國航天科工二院二部 供圖
記者29日從中國航天科工集團獲悉，該公司二院二部五室“智能協同控制”研發團隊突破集群智能協同關鍵技術，研發的原型系統已經初步具備高動態無人飛行器間智能協同作業能力，擁有多場景異構無人集群驗證系統自主研發技術水平。智能無人飛行器編隊是其最新創新成果。
據悉，在應急協同搜索任務中，數十架無人飛行器構成的集群編隊接到命令起飛后，自主規劃分解搜索任務，在復雜環境內展開搜索，自主識別搜索目標，并實時將搜索結果傳回地面站，引導地面人員完成對搜索目標的確認和精準定位。
智能協同控制技術相當于無人集群的“大腦”，負責協調整個群體的任務、分工和任務執行。該技術將編隊協同的無人飛行器從慢速的多旋翼擴展到飛行速度數十米每秒的高動態無人機飛行器，相同面積的偵察搜尋速度提升3倍以上，并且能夠根據機載拍攝圖像的智能識別結果，自主規劃下一步行動，對突發情況的臨機處置響應時間從數十秒提高到1秒以內。
該團隊瞄準無人集群群體智能技術，將積累的先進自主控制技術與人工智能相結合，完全自主掌握智能無人集群協同控制核心關鍵技術，成功突破了協同搜索識別定位與目標跟蹤技術、分布式協同智能決策技術、無人集群密集編隊控制技術、高速條件下精確避障技術、低精度導航下精確制導技術等多項關鍵技術。
團隊此前在“無人爭鋒”智能無人集群系統挑戰賽、“暢聯智勝”無人蜂群聯合行動挑戰賽、“智勝空天”無人機挑戰賽和“如影隨形”無人機空中精確對接技術挑戰賽等多項重大賽事中屢折桂冠。
展開 