异构固定翼无人机集群协同搜索：Matlab仿真复现与自适应决策实现

如果你在某个深夜点开这个项目的标题，大概率是因为你已经受够了那种“几架无人机按预定航线飞一圈”的脚本级Demo。真正让人头疼的是，把一群翼展不同、速度不同、通信半径也不同的固定翼无人机，塞进一个既有山峰禁飞区又有动态威胁区的复杂场景里，还要求它们自己决定下一步去哪块区域搜索、怎么绕开障碍、别互相撞上。这就是这个复现项目最核心的三个关键词：异构、自适应、协同搜索。它不追求“飞得好看”，追求的是“在未知环境里，靠着机载探测和局部通信，照样完成搜索任务”。

这篇博文面向的是需要复现并二次开发这套Matlab代码的研究生、工程师和入门无人机集群开发的爱好者。我会把这套代码从环境建模、异构无人机运动学、自适应决策机制到避障与协同分配逐层拆开，再给出我实际调试过程中踩过的坑和改过的参数。全程只讲能落地的内容，看完你至少能跑通一套十架级固定翼集群的协同搜索仿真，并且知道每一步为什么这么写。

1. 先拆标题：这个项目到底在复现什么

1.1 关键词逐个拆解

“复杂环境”在仿真里不是一句空话。它通常由三类要素构成：一是静态地理障碍，比如模拟山峰的多边形或者圆形禁区，无人机不能进入；二是动态威胁区，比如随仿真时间位置或半径变化的雷达威胁圈，进入后被探测概率急剧上升；三是任务区域本身的边界约束，区域可能是凸多边形，也可能是不规则多边形。整套代码在初始化阶段就要把这层“地图语义”构建清楚，后期所有决策实时读取这张地图。

“异构”指集群里没有两架完全一样的无人机。常见异构方式有三种：运动学参数不同（最大速度不同、最小转弯半径不同）、载荷参数不同（探测半径不同、机载传感器范围不同）、通信参数不同（通信距离不同、丢包率建模不同）。异构带来的直接问题就是“快慢不一”的飞机很难像同构编队那样同步转弯或同步到达，区域分配时必须把速度差异纳入代价函数，否则慢飞机的搜索效率会拖垮整体覆盖率。

“自适应决策”对应的是滚动时域规划思想。每架无人机在每个控制周期，都在自身探测范围内的可行动作空间中搜索一个最优增量航向，这个优化目标包含收益项（预期能扫到多少面积）、代价项（燃油/路径长度/转弯代价）、威胁项（靠近禁飞区或威胁圈的惩罚），三者的权重会随环境信息更新而变化。这不是预先算好一条全局路径，而是边走边算，发现新障碍就重新解一轮优化。

“避障”在本项目里主要表现为两类约束：对静态障碍的避让和对友机的避让。前者的经典解法是改进人工势场法，后者则经常用排斥力 + 速度障碍法的混合模型。固定翼不能悬停也不能原地转，所以避障动作不能凭空绕点，必须满足最小转弯半径约束，这个约束往往在决策进入了运动学模型之后才真正起效。

“协同搜索”的落地机制是把任务地形划分为若干子区域，然后基于探测重叠和搜索收益做动态分配。比较常见的做法是Voronoi剖分加负载均衡迭代，每次迭代根据各机剩余燃油、当前速度、到子区域中心的航程代价重新分配边界。这样就能保证扫过的地方不重复扫，没扫过的地方被优先覆盖。

1.2 复现这套代码需要什么基础

如果完全零基础，建议先花半天把以下四件事弄清楚：一是Matlab面向对象编程的基本结构（类、属性、方法），因为不少复现项目会使用自己的飞机类或地图类；二是固定翼运动学的Dubins模型概念，即固定翼飞行器在最小转弯半径限制下，怎么用圆弧和直线组合出可飞路径；三是人工势场法的经典公式，即引力朝向目标、斥力背离障碍物；四是简单的多目标优化思想，比如带权求和的目标函数怎么调权重平衡收益和代价。

我见过不少同学拿到代码第一件事就是点运行，一旦报错就开始茫然。更聪明的做法是先看主文件里调用了哪些子函数，再把“地图生成”和“单机控制”两个模块单独跑通，最后才合入集群循环。

2. 建模细节与初始化：异构集群和复杂环境如何落成代码

2.1 异构无人机的对象化设计

推荐用一个飞机结构体数组来管理所有无人机，每个元素包含物理编号、类型编号、最大速度、最小转弯半径、探测半径、通信半径、当前状态（位置、航向、速度）、自身历史轨迹、以及下一时刻的决策变量。例如：

uav.type = [1, 2, 3]; % 类型标识 uav.sigma = 0.1; % 转向响应时间常数 uav.vmax = [25, 18, 12]; % 最大平飞速度 m/s uav.rmin = [120, 80, 50]; % 最小转弯半径 m uav.sensor_range = [250, 180, 150]; % 探测半径 m uav.comm_range = [600, 450, 350]; % 通信范围 m

为什么要区分类型？因为探测半径大的飞机适合“粗扫”，速度快的飞机适合“转场”，小半径慢速飞机适合“细扫”。在区域分配阶段，给一架快飞机一个偏远区域没问题，但如果给慢飞机一个跨越大半个地图的区域，它光飞过去就要耗掉半箱油。这就是异构建模对决策的直接影响。

运动中最重要的固定翼约束是最小转弯半径。真实复现中很多人直接照搬二阶运动学模型，飞行器瞬间就可以任意转向，这与项目背景严重不符。本项目建议把航向变化率限制在一个范围内：

maxTurnRate = uav.vmax / uav.rmin; nextHeading = currentHeading + clamp(desiredHeading - currentHeading, -maxTurnRate * dt, maxTurnRate * dt);

这个约束会传导到优化决策中，让优化输出的期望航向不超过实机可达范围。如果后续二次开发要接Pixhawk真机数据，这个约束尤其重要。

2.2 地图与障碍物的Matlab表示

复杂环境的困难点通常不在“画个多边形”，而在于碰撞检测的计算代价。建议用矩阵化方法而不是逐点循环。比如把地图栅格化后，每个禁飞区生成一个逻辑掩码矩阵，初始化时一次计算好，仿真中每个周期只需判断各机网格坐标是否落入掩码。这样即使把地图细分到0.5m一格，一万个栅格也只需一次索引运算。

对于动态威胁区，我习惯用一个对象或者结构数组保存圆心位置、半径和时间变化函数：

threats(1).center = @(t) [1000 + 50 * sin(t / 20), 800 + 40 * cos(t / 15)]; threats(1).radius = @(t) 120 + 10 * sin(t / 10); threats(1).value = 0.8; % 威胁代价权重

自适应决策的一个重要特征就是这些威胁区不是一次性静态写死的，而是每个控制周期读取并更新。一旦威胁区中心移动到无人机预规划路径附近，代价函数中的威胁惩罚项就会陡增，从而促使无人机绕行。

2.3 搜索目标函数如何构造

协同搜索的本质是让系统覆盖率最大化。经典的目标函数通常写成区域价值函数与经济代价的加权差。区域价值来自“未被探测次数多”“目标概率高”“距离当前机近”三个因子的组合。每扫过一格，该格子的探测计数加一，价值衰减。

cellValue(i, j) = priorProb(i, j) * exp(-lambda * coveredCount(i, j));

这个设计解释了为什么飞机会“自己想着去补盲区”：被扫过的格子指数衰减，价值迅速降低；没扫过的偏远角落前验概率稍高，价值相对大。当多机协同扰动存在时，集群峰值寻优就会表现为分散开扫，而不是聚在一起重复扫一个区域。

在实际代码复现过程中，我建议把“地图价值矩阵”用实时热力图可视化出来，这个可视化对调试决策逻辑极其有帮助：你能看到每架飞机是正在处理低价值高回报区域，还是已经退化成在角落打转。

3. 核心算法机制：自适应决策与避障的实现逻辑

3.1 自适应决策的滚动优化结构

复现代码里最常见的设计是：每个决策周期（例如每隔0.5秒）为每架无人机采样一组候选航向，候选航向围绕当前航向左右各扩展若干个角度，再对每个候选航向模拟执行一段固定时长的前向推演，计算推演末端的收益值、障碍距离、友机距离，最后选出综合代价最小的一条并执行。这个过程就是滚动时域控制（RHC）的离散化版本。

候选航向生成建议采用等角度间隔加随机扰动：

headingCandidates = currentHeading + linspace(-pi / 3, pi / 3, 9) + 0.05 * randn(1, 9);

随机扰动是为了打破对称场景下的局部极值。我在测试中发现，如果不加这个扰动，两架对称无人机在地图中线附近时会出现一个僵持状态：双方都不敢向中线靠拢，导致中间区域长期未被扫描。加上扰动后，系统会自然破除对称性。

代价函数推荐的表达方式：

cost = -w1 * info_gain_candidate + w2 * path_cost + w3 * obstacle_repulsion + w4 * collision_repulsion + w5 * threat_penalty;

其中路径代价可以用候选航向与当前航向的差值绝对值，障碍排斥力用“推演路径上是否靠近障碍物边界”的成本，威胁代价用威胁区危险度乘以推演路径的累计暴露时间。

这里权重字面取值没有通用答案。例如地图边界约束较强时，w3调大；无人机数量少、覆盖为目标时，w1调大；室内昏暗仿真中w4通常要大于w3，否则相邻两架飞机会靠太近。我在复现时一般用“固定权重+参数扫描脚本”的方式，把每组参数跑二十次取平均覆盖率曲线，再选参数组合。

3.2 改进人工势场法实现静态与动态避障

经典人工势场法公式是：

attraction = k_att * (targetPos - uavPos) / norm(targetPos - uavPos); repulsion = k_rep * (1 / dist - 1 / maxDist) / dist^2 * (uavPos - obstaclePos) / norm(uavPos - obstaclePos);

但这个公式在固定翼场景下往往造成两个问题：一是接近障碍物边缘时排斥力方向突变，导致航向抖动；二是目标在障碍物背后时引力与斥力形成局部极小，飞机会悬停或反复绕圈。复现中改进方案是引入“障碍影响速度方向”的思想：只对朝向障碍圆心方向的分量施加排斥力，对切向分量不惩罚甚至轻微奖励。

avoidDir = uavVel - dot(uavVel, obsDir) * obsDir; avoidForce = k_a * avoidDir / (norm(avoidDir) + eps);

这样飞机不会因障碍物而减速转向过度，而是保持一个大半径绕飞趋势，更符合固定翼巡航的动力学习惯。若原始代码里只使用基础人工势场，建议自行改两行试试，往往能显著减少绕圈现象。

机间避让用同样的排斥模型，但只对通信范围内探测到的友机施加。为了避免多架飞机在拥挤航线上的振荡，应该加入“优先权机制”：速度更快、离障碍更远、搜索收益更高的飞机享有优先通过权，优先级低的飞机则更早偏转。这是工程实现中很实用的细节，也是很多论文和代码里几乎不会提到的地方。

3.3 区域划分与协同线索交互

在十架以上的集群规模下，如果每架飞机都独立决策并广播状态，消息处理会非常混乱。复现里一种稳健做法是分层协同：每架飞机维护一个“本地任务域”，决策时考虑本地域内的自身探测价值，同时每隔若干周期与邻居交换彼此的位置、速度和下一步意向；收到意向信息后，再修正自己的候选航向。

区域划分常见的是基于初始位置的Voronoi剖分。每架飞机在自己的Voronoi多边形内做扫描路径规划，当任务进行到中期时，当前覆盖不均匀导致某个区域搜索价值很高，算法会很自然把边界向欠扫描区移动。这个边界调整机制通过交换价值矩阵来实现：无人机只会和通信范围内的邻居交换“未探测矩阵”，把重叠区域去重后各自计算更准确的边际收益。

在代码层面，Voronoi剖分可以用图像处理工具箱的polyshape构建，不断更新机载区域中心，这部分属于中等难度。如果觉得太麻烦，也可以先做一个简化版：把整个地图按初始位置分成矩形或扇形子区域，然后每个子区域内用覆盖路径规划（比如“弓字形遍历”）先执行，再配合滚动决策微调航向。我实测过，这种简化在20架以下仍然能跑出相当不错的覆盖率。

4. Matlab复现实操：从目录结构到逐段跑通

4.1 推荐的项目文件结构

一个结构清楚、可离线的复现工程，文件拆分应该很直观。下面是我的推荐划分：

proj_root/ main_demo.m init_params.m generate_map.m build_uavs.m calc_decision.m calc_avoidance.m update_state.m calc_coverage.m plot_result.m data/ map_data.mat run_log.mat

init_params.m负责所有参数的集中定义，generate_map.m生成地图和障碍物信息，build_uavs.m初始化异构集群，calc_decision.m是自适应决策核心，calc_avoidance.m负责避障，update_state.m做运动学更新，calc_coverage.m统计覆盖率和结果指标，plot_result.m做可视化回放。

复现时先不要测试完整主文件。建议第一步手动运行一段：

params = init_params(); mapData = generate_map(params); uavs = build_uavs(params, mapData);

把这三行跑通，说明基础数据链没问题。接着单独调试calc_decision.m，设置单机模式，让它朝着区域中心飞，检查决策是否会因为障碍物绕行。绕行正常后，再放开所有无人机。

4.2 主循环代码结构详解

主循环大概是这个骨架模式：

for t = 0 : dt : T_max mapData = update_dynamic_threats(mapData, t); for idx = 1 : n_uavs info = gather_local_info(uavs, mapData, idx); headingNew = calc_decision(uavs(idx), info); headingNew = calc_avoidance(uavs, idx, headingNew, mapData); uavs(idx).heading = headingNew; end for idx = 1 : n_uavs uavs(idx) = update_state(uavs(idx), dt); end coverage = calc_coverage(mapData, uavs); log(t) = coverage; end

注意两阶段循环的设计：第一阶段只做决策，不做状态更新；第二阶段统一更新状态。这个写法非常关键，如果混在一个循环里，决策参考的位置会领先于实际位置，导致多机协调时位置数据错乱，直接表现为多机相互渗透或“预测超前”的违反直觉行为。复现时建议严格保持这种分离。

calc_decision内部展开后，核心是一段对候选航向进行模拟推演的代码。模拟推演不需要完整跑整个地图，只需对下一段比如10秒内的状态做快速前向积分，同时把跟障碍物的最小距离记录下来。

for k = 1 : num_candidates simState = advance_sim(uav(i), headingCandidates(k), dtPreview); minDistObs = min(distToObstacles(simState.traj, mapData)); minDistUAV = min(distToOtherUAVs(simState.traj, uavs, i)); rewardCandidate(k) = mapValueAlong(simState.traj, mapData); costCandidate(k) = abs(wrapAngle(headingCandidates(k) - uav(i).heading)); totalCost(k) = ...; end [~, bestIdx] = min(totalCost); uav(i).heading = headingCandidates(bestIdx);

这里的mapValueAlong是对推演路径经过网格的探测价值积分，直接决定了无人机倾向于往“没扫过的地方飞”。很多代码实现这一步时容易犯一个错误：对全图价值矩阵取最大值点作为导航目标，再沿直线规划，这会让飞机眼高手低，错过沿途高价值区域。路径价值积分才能保证全局探索性。

4.3 可视化输出与调试辅助

只说覆盖曲线不够直观，我一般会在仿真过程中实时生成四张图：

第一张是地图+轨迹总览，显示无人机当前的位置、速度向量和历史航迹。第二张是覆盖热力图，把已扫过的区域渲染成由蓝到红的渐变，没扫过的地方是灰色。这两张图能快速判断集群是否出现了重复覆盖或者漏扫死角。第三张是单机决策代价分解图，把当前各候选航向对应的收益、路径代价、障碍惩罚分别画出来，能看出决策时主要被哪项因素牵着走。第四张是通信拓扑图，连接能互相通信的无人机节点，断开说明集群被分割，这种情况在复杂环境中很容易发生，也会直接改变协同策略。

我在复现过程中最大的收获就是习惯“关掉可视化跑一次指标，再开可视化看一次明细”。可视化能暴露很多指标无法捕捉的错误，比如无人机在地图边缘反复横跳、两架飞机永远间隔一米平行飞行这类问题，必须在图上才能定位。

5. 参数调优与性能权衡：让集群从“能飞”到“会飞”

5.1 主要参数作用速查表

以下参数来自我这次复现时使用的一组基准配置，你可以直接作为起步值：

初始参数设置建议先让无人机在空旷地图里做飞行测试，将w1调大，确认无碰撞的前提下集群会自然分散，然后再加入障碍物和威胁区逐步增大w3和w5。千万不要一开始就把所有权重拉到极限，很容易让集群陷入“测一个推演方向就换一个方向”的决策震颤状态。

5.2 异构无人机速度差异的处理技巧

异构集群最典型的问题是快飞机扫完自己的区域后无事可做，慢飞机还在转圈。一个通用处理是“动态任务负载再平衡”：当快飞机完成自身区域覆盖率达到某个阈值（例如90%），它就开始主动询问通信范围内哪些邻居的当前子区域价值密度最高，然后飞过去帮助补扫。这个机制实现只需要让决策函数额外接收一个“邻域贡献度”参数，把邻机区域的覆盖价值按50%折算进自己的收益矩阵。

另一种常见做法是给每架飞机设置不同的扫描模式：快飞机采用长直线大间距粗扫，慢飞机采用低间距精细扫。这样即便速度差异大，单位时间内的面积扫描率也接近，任务完成时间也更均衡。这种方式实现成本低，适合项目演示和中期检查阶段快速成型。

5.3 覆盖率与能耗的双指标评价

复现做得好不好不能只看最后覆盖率是否为100%。建议记录每个仿真时刻的平均覆盖率和总航程代价，画成双曲线图，用于评价算法“搜索效率和能耗之间是否平衡”。平均覆盖率可以用累计覆盖面积除以总面积，航程代价用所有飞行器的总路径长度累加。

还有一种评价是“单位能量覆盖率”，即覆盖率增量除以航程增量，这个指标能直接体现协同设计的价值：同构集群可能覆盖率高但总航程巨大，异构集群因为分工合理，单位航程的覆盖率增量更平稳。我实测过，地形复杂时，如果不会使用区域划分和往返规划，覆盖率曲线会呈现锯齿状爬升，而带自适应动态区域分配的系统曲线会相对平滑单调上升。

6. 常见问题与排错实录

6.1 问题速查表

复现过程中最常遇到的现象，我整理成一张速查表，逐个对应排查方向：

6.2 避障死锁的实例排查

我在第一次完整复现时遇到过这样的场景：三架飞机朝一个狭窄山谷区域飞行，进入后因为两侧都有禁飞区，每架飞机都只能保持当前航向，导致它们在谷口附近来回打转，覆盖率为零持续了大约两分钟。

排查过程分三步：第一步关闭避障模块，确认动力学本身不会导致锁死；第二步关闭机间避让，保留静态障碍避让，发现飞机能穿越山谷但轨迹贴着障碍边缘；第三步确认问题出在机间避让与障碍避让的耦合上，两股排斥力矢量相互抵消，产生了局部平衡。解决方案是在避障输出后增加一个“死锁检测”环节，如果连续多个决策周期的航向变化量小于阈值且覆盖收益不增长，则给候选航向增加一个垂直于当前速度方向的随机扰动分量，持续一段时间后再恢复。

这类死锁问题在学术综述里常常被归为“局部极小值”，但在工程复现时更实用的描述是“决策方向无法从容器侧面突破”。我给自己的代码里写了个定向巡查逻辑，能有效减少复现时的人工干预。

6.3 性能优化与仿真加速建议

当无人机数量增加到20架以上，逐机逐候选的推演循环会明显卡顿。加速思路有三种。

第一种是减少重复推演：采用“对称复用”策略，候选航向关于当前航向对称，那么沿对称方向推演的部分路径代价可以复用，只计算不对称的少量航向。

第二种是地图价值积分降采样：不需要对推演路径上的每个栅格逐格积分，每隔几个栅格采样一次，精度下降不超过2%，但计算量减少到三分之一左右。对于一万格以上的高分辨率地图，这个优化非常显著。

第三种是使用Matlab并行计算工具箱。把每架无人机的决策函数写成独立函数，用parfor代替常规循环，就能利用多核性能。但要注意，parfor里如果共享地图变量需要先做只读处理，否则会频繁报错。

我的实践结论是，先用第一种和第二种优化，把帧率提升到可接受范围，再考虑并行化。并行化会带来调试困难，建议作为最后手段，不是为了炫技别轻易上。

写在最后的小经验和扩展建议

这个项目的价值不在“跑通一个仿真”，而在让你理解一套完整的多无人机自主决策链路：从地图语义构建、异构运动学建模，到滚动决策优化、势场避障，再到集群通信协同。我最初复现时把大量时间耗在了调参数上，后来意识到成本最低的方式是把地图可视化、决策代价分解图、实时覆盖率曲线三者同步打开，任何异常立刻能定位到是建模问题、参数问题还是协同逻辑问题。

如果后续想扩展，推荐尝试两个方向。一个方向是加入通信丢包和时延模型，看看决策对通信故障的鲁棒性，这会直接向真实系统靠近一步；另一个方向是把搜索收益函数换成基于目标概率分布的表达方式，把静态覆盖率搜索改成动态目标搜索，就能轻松衔接目标检测与识别模块。这两个方向都不改变主体的框架，只需要替换掉决策模块那块地图价值矩阵的含义，非常适合在复现基础上继续做创新点。

最后送你一个小技巧：在代码里保存一份“逐周期决策日志”，把每架飞机的候选航向、最终航向和代价分解全部记录下来。仿真跑完后再离线分析日志，经常能发现实时画图时看不到的规律，比如某权重对算法早期影响大，后期又几乎不起作用。复现别人的工作，最重要的不是你按原样复制出了什么数值结果，而是搞清楚每一步设计背后的原因，然后用可靠性更高的工程方式把它重新表达出来。能达到这一步，这篇代码就已经真正属于你了。