把固定翼无人机集群撒到一片完全未知的区域里去找目标这件事听起来像是多画几条搜索路径就行但真正在Matlab里把一整套方法跑通之后我会告诉你这套系统涉及的运动学约束、决策分配、避障协同每一个模块单拎出来都够喝一壶的。这篇复现笔记针对的是复杂环境下自适应决策和避障的异构固定翼无人机集群协同搜索方法我来拆解一下这套代码背后的设计逻辑、实现思路以及我在搭建和调试过程中踩过的坑。这篇文章适合正在做无人机集群、协同搜索、路径规划方向课题的研究生也适合想从单机控制跨到多机协同的工程师。你会看到这套方法到底解决了什么问题为什么异构固定翼集群比同构多旋翼集群要复杂一个量级以及Matlab复现时最容易出错、最容易被忽视的几个细节。1. 异构固定翼集群协同搜索难点到底在哪1.1 先搞清楚异构这两个字的分量很多刚接触这个方向的人对异构的理解就是飞得快的和飞得慢的搭配一下。真正建模的时候异构带来的麻烦远超这个直觉。所谓异构固定翼无人机集群通常指机群中不同无人机在运动学性能、传感器探测能力、载荷类型、通信带宽甚至计算能力上存在显著差异。常见的异构方式至少包括速度性能异构一架最大巡航速度40m/s另一架仅20m/s两者覆盖同一搜索区域时单位时间扫过的面积完全不同。转弯性能异构翼展、翼载荷、机动过载不同最小转弯半径可能从几十米到上百米不等直接影响避障路径的可飞性。探测能力异构有的挂光电载荷视场角窄但探测距离远有的挂雷达探测范围大但分辨率相对低。这会导致同一个区域在不同无人机看来信息价值完全不同。这个表格可以直观说明问题异构维度常见差异表现对协同搜索的影响运动学性能最大速度、最小转弯半径、最大爬升角路径可飞域不同编队保持困难传感探测能力探测半径、视场角、探测置信度信息图更新权重不同搜索收益计算需差异化计算/通信能力机载计算能力、通信带宽上限在线决策粒度不同分布式协同协议受限在Matlab代码里异构不是一个参数而是一组结构体数组每架飞机有自己的动力学参数、传感器参数和通信参数。这比把所有飞机当成完全相同的智能体做仿真要复杂很多。1.2 为什么固定翼比多旋翼难做难在不可悬停和不可原地转向多旋翼无人机做协同搜索路径规划通常可以直接用栅格A*或者RRT生成了轨迹之后飞机可以悬停等待、原地掉头很多问题被放宽了。固定翼的优势是速度快、航程远但这带来两个几乎致命的约束第一固定翼不能悬停。它必须在飞行过程中完成所有决策一旦搜索路径规划失败或者航向调整不及时飞机就会飞出搜索区域甚至偏离预定航线越来越远。第二固定翼转弯必须付出航向和多维空间代价。一个最小转弯半径可能达到50米甚至更大这意味着路径规划生成的每个航路点之间的连接必须满足固定翼动力学约束。如果你直接拿直线段相连的规划结果去指挥固定翼飞机根本飞不出这条路径。所以在复现协同搜索算法时固定翼运动学建模是整个系统最底层、也最不能出错的部分。很多复现失败的情况最后定位到的问题根本不是决策算法本身而是运动学模型写错了。1.3 复杂环境下自适应决策到底自适应什么复杂环境不是一句修饰语。它具体包含以下几层含义目标位置完全未知搜索区域内有若干目标但你不知道在哪只能通过传感器逐步探测、积累信息。环境存在先验不确定信息可能有一张不精确的任务地图某些区域标了可能有目标但置信度很低需要机群在飞行中不断更新。障碍物动态变化有些障碍是已知的静态障碍有些则是突然出现的动态威胁比如突发危险区。算法必须在线调整。通信条件受限机群之间不是无限带宽、无缝通信而是存在通信范围限制、数据融合延迟。所谓自适应决策就是机群不能预先离线规划好全部航迹而必须在飞行过程中根据实时的信息图变化、各机状态变化、障碍分布动态调整后续航迹和任务分配。体现在代码里就是一个感知-更新-决策-执行的闭环主循环每一帧都在重新计算。这一节的核心认知是你复现的不只是一条搜索路径的规划算法而是一套边飞边看边重新规划的在线决策系统。2. 固定翼运动学约束复现之前必须先搞懂这套模型2.1 最小转弯半径与Dubins路径固定翼运动学最核心的约束是转弯性能。固定翼无人机在水平面内做协调转弯时转弯半径 ( R ) 与飞行速度 ( v )、重力加速度 ( g )、滚转角 ( \phi ) 的关系为[ R \frac{v^2}{g \cdot \tan\phi} ]当速度和最大允许滚转角确定时存在一个最小转弯半径 ( R_{min} )这是任何飞行路径都必须满足的几何约束。如果你的飞机速度是25m/s最大滚转角是30度那么最小转弯半径大约是[ R_{min} \frac{25^2}{9.8 \times \tan(30^\circ)} \approx \frac{625}{9.8 \times 0.5774} \approx 110.4m ]这个数字意味着什么飞机要完成一个180度掉头至少需要110米半径的圆弧占用空间非常大。如果搜索区域只是一个500×500米的矩形单架飞机在其中做全覆盖搜索时每转弯一次就损失大块覆盖面积。在路径规划层面固定翼的可飞路径不是任意折线而必须用Dubins路径来描述。简单说Dubins路径是满足最大曲率约束的两个状态点之间的最短路径组合形式包括CSC圆弧-直线-圆弧和CCC圆弧-圆弧-圆弧等。比如经典的右转-直飞-左转就是CSC路径的一种。在Matlab复现时我用的是Dubins曲线生成库的思想不一定要引入复杂工具箱核心就是枚举四种可能的圆弧-直线-圆弧组合挑出满足约束且长度最短的那条。这个环节非常关键因为后续所有搜索航迹分配、避障重规划本质上都是在满足Dubins约束的路径空间里做优化。2.2 速度、航向与高度的连续约束除了转弯半径固定翼还有三个容易被忽略的约束维度速度约束通常有一个最小巡航速度和最大巡航速度范围不能用任意小速度飞行。这意味着减速等待这种多旋翼常用协同策略在固定翼群中不可行。航向变化率约束航向角速率不能超过最大值即 (\dot{\psi} \leq \dot{\psi}_{max})。在Matlab中仿真时这个约束体现为每一步的姿态更新必须削波。高度约束固定翼有最小安全高度和最大升限同时爬升/下降速率有限。如果搜索区域存在起伏地形这又是一个耦合约束。在代码里我建议将运动学模型封装成一个独立的函数输入当前状态 ([x, y, z, \psi, v]) 和控制指令 ([v_c, \psi_c])输出下一时刻状态。这样不仅便于调试后续替换成更精细的六自由度模型或者简化的质点模型都只需要改这个函数。2.3 为什么不能用直线插值简单替代路径生成有的复现者为了图省事直接用直线段连接一系列搜索点然后让飞机沿直线飞转弯处用一个圆弧近似完成。这样做的直接问题是搜索收益计算会失真。想想看如果规划出的一条路径根本不满足固定翼动力学约束那么这条路径的实际覆盖轨迹和理论覆盖轨迹会偏差很大。你用错误的轨迹去评估搜索收益相当于在错误的基础上做决策整个自适应分配环节都会跟着错。我的做法是在生成每个候选航路点之后先做一次Dubins路径可行性检查只有能从当前状态飞到目标状态且不违反转弯半径约束的航路点才进入收益评估环节。这样做虽然增加了一些计算量但仿真结论可靠得多。3. 搜索决策的核心机制信息图与收益评估3.1 搜索区域离散化与信息图初始化协同搜索算法的起点是把连续搜索区域离散成网格单元。常见做法是采用栅格地图模型将搜索区域划分为 (N_x \times N_y) 个单元格每个单元格携带一个信息量数值代表该区域已被搜索的程度或存在目标的概率。以概率图为例初始化时每个单元格存储一个先验概率 (P_0)表示目标在该网格内出现的先验可能性。如果完全没有先验信息可以全部初始化为0.5即未知。如果有先验地图则按区域设置不同初始值。在Matlab中我习惯用一个结构体map保存所有环境信息map.grid zeros(nx, ny); % 信息量/覆盖度 map.prob 0.5 * ones(nx, ny); % 目标存在概率 map.obstacle zeros(nx, ny); % 障碍标记1表示有障碍 map.cell_size 5; % 单格尺寸米 map.origin [0, 0]; % 地图原点坐标信息网格的分辨率需要权衡格网太小导致计算量爆炸格网太大则搜索覆盖评估失真。以我复现的经验一般让每个网格尺寸略小于无人机传感器探测半径的一半这样既能保证覆盖评估精度又不会让信息更新矩阵爆炸式增长。3.2 贝叶斯更新与多机信息融合当无人机飞过某个网格单元时传感器会给出一个探测结果。设网格单元 (c) 在时刻 (t) 的目标存在概率为 (P_t(c))传感器探测到目标的概率由检测概率 (P_D) 和虚警概率 (P_F) 决定。如果传感器在网格 (c) 内未检测到目标则按贝叶斯公式更新[ P_{t1}(c) \frac{(1 - P_D) \cdot P_t(c)}{(1 - P_D) \cdot P_t(c) (1 - P_F) \cdot (1 - P_t(c))} ]如果检测到目标则更新为[ P_{t1}(c) \frac{P_D \cdot P_t(c)}{P_D \cdot P_t(c) P_F \cdot (1 - P_t(c))} ]这个更新规则是协同搜索信息图的核心每架飞机飞过一片区域都会降低该区域的不确定性。复杂环境下的自适应决策其实就是基于这张不断更新的概率图来做规划——优先飞向目标存在概率高且尚未被充分搜索的区域。多机信息融合的关键在于每架无人机维护自己的局部地图同时通过通信链路与其他飞机交换信息。复现时可以简化成通信范围内地图直接融合即取概率最大或加权平均更复杂一点的做法是引入卡尔曼一致性滤波来估计每个网格的目标概率。我复现时采用了加权平均融合成本低且对实验结论影响不大。3.3 异构集群的自适应任务分配不能简单均分如果所有无人机完全同构搜索任务分配可以简单地把区域按飞机数量均分。但在异构集群里简单均分会造成严重效率损失速度快的飞机早早完成自己的区域之后闲着探测能力强的飞机却可能在低价值区域浪费能力。自适应的任务分配思路是在每一帧根据各机的实时位置、速度性能、传感器能力以及当前信息图为每架飞机生成一个候选航迹集合然后计算每条候选航迹的搜索收益最后通过分布式分配机制选出整体最优的任务组合。一个简单但有效的分配策略是收益评分[ J_i(\text{path}) \sum_{c \in \text{path}} w_i \cdot \text{uncertainty}(c) ]其中 (w_i) 是第 (i) 架无人机的传感器性能权重(\text{uncertainty}(c)) 是网格单元 (c) 的信息不确定度可以用 (1 - |2P(c) - 1|) 或信息熵来表示。候选航迹覆盖到的网格不确定度越高这条候选航迹的收益越大。分配过程可以采取贪心策略先让具有最高搜索效率的飞机选择其最优航迹更新信息图然后下一架飞机在更新后的信息图上再选。也可以使用拍卖算法或一致性协议做分布式分配。在Matlab里我建议先实现简单的贪心分配跑通整个流程后再替换为更复杂的分布式一致性协议这样便于逐步调试。4. 避障不是加个斥力场那么简单静态、动态、机间三层避障4.1 静态障碍规避地图标记与路径重规划静态障碍在搜索开始前可能部分已知部分未知。对已知静态障碍可以在初始化地图时直接标记为不可通行区域对未知静态障碍则在传感器探测到之后在线更新地图。在栅格地图上静态避障可以简化为路径规划时禁止候选航迹穿过障碍网格并考虑一定安全距离。固定翼由于转弯半径大不能靠急转弯绕小障碍所以我在实现时对障碍做了膨胀处理——将障碍半径向外扩展一个安全值通常等于固定翼最小转弯半径的一半以上保证规划出的Dubins路径不会擦着障碍边缘。对于搜索中突然发现障碍的情况处理逻辑是在地图中标记障碍网格后重新计算当前飞机位置到各个候选搜索点的Dubins路径剔除穿过障碍的不可行路径在剩余可行路径中重新选优。这意味着避障逻辑和搜索决策是耦合在一个循环里的不是独立的子程序。4.2 动态障碍与突发威胁为什么人工势场法不够用很多初学复现的人首先想到的人工势场法对多旋翼低速情形有一定效果对固定翼集群来说问题很大局部极小值陷阱势场法容易在障碍前形成局部极小点飞机可能来回震荡甚至环绕飞行而固定翼无法悬停等待一旦速度方向持续震荡航迹可能整体失控。速度约束不匹配势场法导出的避障力会直接改变期望速度方向但固定翼的速度大小和方向变化受到严格限制势场赋予的突然掉头指令根本无法执行。缺乏多机协同势场法是单机视角的局部方法没有考虑多架飞机之间的优先级与冲突消解。在复现中我采用的是**速度障碍法Velocity Obstacle**的思想预测动态障碍物在未来一段时间内的运动轨迹计算当前飞机为避免碰撞而应选择的速度方向集合如果原计划速度方向落在速度障碍圆锥内则在该集合外选择与最优搜索方向夹角最小的替代方向。速度障碍法对固定翼的好处是它直接在速度空间做约束天然匹配固定翼速度大小近似恒定、方向变化受限的运动特性。实现时关键参数包括避障前视时间 (T_a) 和避障增益系数这两个参数需要根据飞行速度和最小转弯半径整定。4.3 机间防碰撞优先级、通信与一致性集群内部防碰撞是避障中最容易被忽略的一环。你可能会想搜索区域那么大几架飞机怎么会碰到一起实际情况是当多架飞机同时被高价值区域吸引时它们的搜索航迹可能在某个网格附近聚集碰撞风险急剧上升。异构集群的机间避撞我采用的策略是基于优先级的航向调整每架飞机分配一个静态优先级比如探测能力强的飞机优先级更高因为它的传感器更适合精细搜索。当两机距离小于安全阈值时低优先级飞机负责调整航向避免碰撞高优先级飞机保持原计划航迹。如果双机优先级相同则按右侧通行规则协调即双方都向右侧调整航向。这里要格外注意机间通信的延迟和丢包。Matlab仿真中如果假设理想通信所有飞机共享完全一致的信息图避碰决策会很顺滑。但真实场景中通信有延迟各机看到的位置信息可能是几帧之前的这个差异在高速固定翼场景下会放大可能导致避碰失败。我的建议是在完基本逻辑后人为加一个通信延迟模块模拟不完美的信息同步看看算法鲁棒性如何。5. Matlab复现代码结构与关键函数拆解5.1 项目代码的整体架构这是我认为整篇复现笔记里最有参考价值的部分。一个清晰的代码结构能省掉大量调试时间。我复现时的目录结构如下├── main.m % 主入口参数配置、初始化、主循环 ├── config/ │ ├── params_swarm.m % 集群参数异构配置 │ └── params_sensor.m % 传感器参数 ├── dynamics/ │ ├── fixedwing_dynamics.m % 固定翼运动学模型 │ └── dubins_path.m % Dubins路径生成 ├── search/ │ ├── init_map.m % 信息图初始化 │ ├── update_map.m % 贝叶斯更新与多机融合 │ ├── calc_coverage.m % 覆盖收益计算 │ └── assign_tasks.m % 自适应任务分配 ├── avoidance/ │ ├── static_avoid.m % 静态障碍规避 │ ├── dynamic_avoid.m % 速度障碍法 │ └── swarm_avoid.m % 机间防碰撞 ├── utils/ │ ├── plot_trajectory.m % 轨迹可视化 │ └── plot_coverage.m % 覆盖图可视化 └── results/ └── sim_result.mat % 仿真结果保存主循环的结构大致是for t dt : dt : T_max % 1. 更新每架飞机状态 for i 1:N state_new(i,:) fixedwing_dynamics(state(i,:), cmd(i,:), dt, params(i)); end % 2. 传感器探测与信息图更新 map update_map(map, state_new, sensor_params, params); % 3. 自适应决策与任务分配 [waypoints(i,:), scores(i,:)] assign_tasks(map, state_new, params); % 4. 避障处理静态动态机间 cmd(i,:) avoidance_control(waypoints(i,:), state_new, obstacle_info, params); end这个主循环看似简单真正的复杂度在assign_tasks和avoidance_control内部。5.2 核心函数实现思路收益计算与候选航迹生成自适应决策中最核心的函数是生成候选航迹并计算收益。我的实现思路是首先对每一架飞机根据当前状态和搜索区域边界生成一组候选目标点比如在区域内均匀采样若干点或者取信息图中不确定度最大的前K个未搜索网格中心。然后对每个候选目标点调用Dubins路径生成函数计算从当前状态到目标点的可飞路径长度和路径形状。如果Dubins路径不可行或路径长度超过单次任务时长则直接剔除。最后将候选路径覆盖到的网格集合取出来计算搜索收益function J search_gain(path, map, sensor_params) % path: Dubins路径采样点集合 % map: 当前信息图 % 返回: 该路径的搜索收益 cells path_to_cells(path, map); uncertainty 1 - abs(2 * map.prob(cells) - 1); J sum(sensor_params.weight * uncertainty); end这里的核心思想是飞向不确定性最大的区域。当一片区域已被充分搜索其概率趋近于0或1不确定性趋近于0自然不会再被选为搜索目标。随着搜索进行机群会自动转向那些尚未被充分覆盖的区域这就是自适应在代码层面的具体体现。5.3 可视化与结果验证怎么判断复现成功一套仿真代码跑起来之后怎么判断结果对不对我一般看四张图飞行轨迹图各机轨迹叠加在地图上轨迹应该平滑、无明显锯齿转弯处曲率连续且不穿过障碍网格。信息覆盖图网格不确定度变化热力图随着时间推进覆盖范围应持续扩大不确定度高的区域逐渐减少最后整个区域被搜索到覆盖阈值以下。搜索收益曲线累计覆盖面积或累计信息量随时间的曲线合理的曲线应该前期快速上升、后期趋于饱和。如果曲线呈现出骤升骤降的振荡说明决策或避障模块存在参数问题。避障事件记录记录每次触发避障的时刻、地点、类型数量太少说明避障阈值设置过于激进数量太多可能说明路径规划和避障耦合不好飞机频繁偏离搜索任务。6. 跑通这套代码我踩过这些坑6.1 仿真步长与最小转弯半径的匹配问题这是我踩得最深的坑。固定翼运动学模型在Matlab中离散化时步长 (dt) 不能随意选择。如果 (dt) 太大航向更新会失真如果太小计算量大幅上升。判断步长是否合理的经验规则是在一个采样步长内飞机的航向变化量不应超过最大航向角速率与步长的乘积。比如最大航向角速率是 (30^\circ/s)步长是0.1s那么单步航向变化最多3度。如果步长取1s单步航向变化就是30度Dubins路径的离散化精度会严重下降路径上的弧线段会被按多边形近似导致覆盖评估失真、避障响应滞后。6.2 局部极小值陷阱候选点采样密度不足导致的卡死在复现任务分配时我曾经遇到过一个问题飞机飞到一片区域后在某两个候选点之间反复横跳搜索效率极低。原因是候选点采样密度不足当前信息图的不确定度高值区域恰好位于靠近障碍的位置导致收益最高的候选路径被障碍剔除剩下的候选点收益都差不多飞机在高权限来回选择。解决办法有两个方向一是增加候选点采样密度尤其是障碍物附近二是引入随机扰动当连续多帧选择的候选点跳变很大时给收益函数加一个小的随机噪声打破循环。这个技巧很实用能显著提升搜索覆盖效率。6.3 异构速度差带来的掉队问题当集群中既有高速固定翼又有低速固定翼时如果任务分配没有充分考虑速度差异高速飞机会频繁飞到区域远端搜索而低速飞机还在近处打转。表面上看整体覆盖面积在增加实际上高速飞机的航迹大量重叠低速飞机的搜索区域效率不高。我最终的解决方案是在收益计算中引入飞行时间权重即收益 (J) 除以预估飞行时间 (T_{fly})得到单位时间的收益。这样高速飞机倾向于选择虽远但值得飞的目标低速飞机专注于近处高价值目标。这个改动对整体搜索效率提升非常明显。6.4 通信延迟与地图同步仿真和现实的差距Matlab仿真默认所有飞机共用同一个世界地图这其实是上帝视角的理想假设。我在改进版本中给每架飞机维护了局部地图只有通信范围内的飞机才交换更新信息。一旦加上这个假设机群的搜索效率会明显下降——某些区域明明已经被友机搜索过了但当前飞机不知道还会重复飞过去。这个效果其实反而更接近真实情况。标题中强调复杂环境下复杂性的很大一部分就来自这种不完备信息条件下的决策。如果复现阶段只做理想通信版本对整个系统的理解会不到位建议至少做一个局部地图通信范围限制的对比版本你会直观看到信息共享对集群搜索效率的关键影响。我自己在实际跑这套仿真时的体会是异构固定翼集群协同搜索的真正难点不在某一个具体算法而在所有模块耦合时的一致性。运动学模型、信息图更新、任务分配、避障这四个模块任何一个出现参数不匹配都会在可视化结果中表现为飞机行为很奇怪。所以复现时建议一步步来先单机跑通搜索路径再加信息图更新再加多机协同分配最后加避障。前一步验证充分了再进入下一步切不可一上来就全栈联调否则出了问题你根本不知道是哪里引起的。最后分享一个小技巧所有涉及到Dubins路径生成的地方先单独写一个测试脚本任意给两个随机状态看生成的路径是否满足曲率约束、是否平滑、是否最短。这个模块一旦可靠整个系统就稳了一大半。