无人飞行器（UAV）集群越来越多地应用于关键领域，如航空测绘、环境监测和自主配送。然而，这些系统的可靠性高度依赖于对全球导航卫星系统（GNSS）信号的不间断访问，这些信号在现实场景中可能因干扰、环境条件或对抗性攻击而中断，导致迷失方向、碰撞风险和任务失败。本文提出集群Raft（SwarnRaft），一种受区块链启发的定位与共识框架，用于在GNSS拒止条件下运行的无人机集群中维持协调与数据完整性。集群Raft利用Raft共识算法，使分布式无人机（节点）能在状态更新（如位置和航向）上达成一致，即使一个或多个节点失去GNSS信号。在我们的原型中，每个节点使用GNSS和本地感知，并通过WiFi在模拟集群中进行通信。一旦信号丢失，系统将利用共识机制，基于故障节点最后已知状态和轨迹来重建或验证其位置。我们的系统通过轻量级、可扩展的通信模型，展示了在维持集群一致性和容错性方面的稳健性。这项工作为在不可预测环境中实现去中心化无人机操作提供了实用且安全的基础。

包括无人飞行器（UAV）、地面机器人和海上系统在内的自主集群的快速扩散，已在物流、基础设施监测、农业和灾害响应等领域实现了变革性应用[1, 2, 3]。这些分布式系统严重依赖于精确协调，而这主要由全球导航卫星系统（GNSS）如GPS、GLONASS、伽利略和北斗等提供便利[4]。然而，在现实条件下，如城市峡谷、茂密植被或室内及地下环境中，GNSS信号常常不可靠。为缓解这些限制，系统通常集成惯性导航系统（INS）以提高鲁棒性和连续性。随着集群部署规模扩大和任务复杂性增加，在智能体间实现可靠共识成为一个关键挑战，这与分布式计算和区块链技术中的问题直接相似。在此背景下，集群必须维持准确且同步的状态信息（例如位置、速度、航向），尽管存在部分故障和环境干扰[5, 6]。

若干关键任务场景凸显了对稳健共识机制的需求。在城市包裹配送中，建筑物的GNSS反射会损害高度协调，单个高度计故障可能导致碰撞[7]。在桥梁检测期间，完全的GNSS拒止要求无人机仅通过本地感知和集群协调来维持空间感知。农业喷洒任务则带来额外的复杂性，因为无人机必须在农村地区（通常GNSS信号降级）进行化学药剂喷洒时，针对动态的重量变化进行调整。这些操作约束呼应了分布式系统的经典挑战，但集群机器人技术引入了独特的需求[8, 9]。不同于强调拜占庭容错的传统共识算法（如许可或无许可区块链系统中使用的算法），集群共识必须优先考虑低延迟的协议达成，在严格的资源约束下运行，并解决以崩溃故障为主的故障模型[10, 11, 12]。共识的核心原则保持不变：即使在部分系统故障的情况下，也要确保终止性（所有非故障智能体达成决策）、一致性（决策间保持一致）和完整性（决策基于有效输入）[13]。

无人机集群在独特约束下运行，包括有限的计算和能源资源、间歇性连接以及有界延迟的通信网络。因此，传统的区块链共识协议（如工作量证明和权益证明）因其计算和能源开销而不适用[14, 15]。同样，拜占庭容错（BFT）协议（例如PBFT、Tendermint、Exonum[16, 17, 18]）假设存在对抗行为，对于集群中典型的崩溃故障场景而言引入了不必要的复杂性。这为适配崩溃容错共识协议（如Raft[19]）创造了绝佳机会，这类协议专为节点（即无人机）可能因崩溃而非恶意行为而失效的环境设计。Raft基于领导者的轻量级架构非常适合集群机器人技术的资源受限和实时特性。为应对这些挑战，我们提出集群Raft（SwarmRaft），一个为无人机集群设计的共识驱动的定位与崩溃容错系统。我们的方法利用Raft共识算法，使无人机能够在分布式网络上通信和同步，即使在部分GNSS拒止的环境中也是如此。集群Raft集成GNSS和INS数据，使无人机能够交换关键状态信息（如位置和航向）。在GNSS丢失或传感器故障的情况下，集群利用共识机制，基于共享数据和先前的运动来重建或验证受影响节点的位置和轨迹。这种共识驱动的估计确保了集群保持凝聚力并安全地继续执行任务，即使个别无人机感知能力降级。我们的工作做出了以下关键贡献：

• Raft在集群环境中的适配：我们适配Raft共识协议以支持无人机集群中的实时协调，优先考虑在GNSS受损环境中典型的崩溃故障条件下的低延迟决策和弹性。 • 用于稳健状态估计的传感器融合：集群Raft利用分布式共识框架结合GNSS和INS数据，以产生鲁棒、容错的状态估计。这种融合减轻了信号间歇性、欺骗和传感器漂移的影响，增强了集群的整体态势感知和操作可靠性。 • 在真实场景中的实证验证：我们通过一系列全面的实验和仿真评估集群Raft，证明了其在城市和自然地形中保持集群凝聚力和操作连续性方面的有效性。

这项工作连接了集群机器人技术和分布式共识领域，提升了在GNSS信号降级环境中的弹性。集群Raft建立在成熟的共识算法之上，展示了它们对无人机集群协调的适用性。此方法在保持理论严谨性的同时，优先考虑实际可部署性，在模拟和真实场景中均显示出显著改进。