基于MATLAB的异构固定翼无人机集群协同搜索与避障仿真

1. 项目概述与整体思路拆解

1.1 核心需求解析

先说清楚这个项目到底是干什么的：一套在复杂环境下，让多架性能不同的固定翼无人机组成集群，通过自适应决策完成协同搜索，同时具备避障能力的Matlab仿真方案。标题里的“异构”是灵魂，意味着这个集群不是清一色的同款飞机，而是混编了速度快、航程远的大机型，以及转弯灵活、能够低速盘旋的小机型。把它们放在一起，就是为了应对单一机型在搜索任务中的能力短板。

这个项目直接对应三类人：第一类是研究无人机集群协同控制方向的研究生，需要用一套能跑通的代码作为算法验证基础；第二类是从事搜救、巡检、生态巡查等任务的工程师，想评估异构集群的实际收益；第三类是自学路径规划与集群决策的开发者，希望通过Matlab快速看到完整闭环的效果。我复现这套代码时最大的感受是：它的难点不在“搜索”本身，而在“协同”和“异构”两个词叠加后产生的约束冲突。

1.2 为什么选固定翼，而且一定要异构

很多人习惯了四旋翼的“悬停-转弯-定点”控制思维，做搜索任务时下意识就会想用旋翼机。但在大面积区域搜索场景下，固定翼的续航能力、巡逻速度、覆盖效率是旋翼机完全比不上的。固定翼的难点在于它受运动学约束严重，转弯半径大，速度下限高，不能原地掉头。这个约束在单机飞行时还好说，一旦放进集群协同搜索，就会直接影响任务分配、路径生成和避障策略的设计。

异构的意义则在于能力互补。大体型长航时无人机可以负责广域初筛，它飞得高、看得远、续航长，但转弯笨重；小体型无人机机动性好，可以负责疑似区域的精细复核，但航程短、载荷小。如果清一色使用大飞机，精细搜索阶段会浪费大量能量；如果清一色使用小飞机，广域覆盖又太慢。异构混合后，决策层必须解决的核心问题是：谁去广域扫，谁去重点看，如何动态切换任务角色。这远比同构集群的“多人干同样的事”复杂得多。

1.3 为什么用Matlab做算法验证

Matlab在无人机集群算法验证中的地位，很难被替代。它最大的优势是把“算法逻辑”和“可视化验证”之间的摩擦降到了最低。做集群算法时，你真正需要调试的往往不是代码语法，而是参数交互：转弯半径改大5米，搜索收益更新的权重要不要调？障碍物膨胀系数变了，死区避让逻辑还能不能收敛？这些试错过程在Matlab里可以极快地完成。

另外一个现实因素是代码可达性。Matlab内置的大量矩阵运算、插值工具、优化函数和绘图能力，让一套包含环境建模、任务分配、路径规划、避障、数据融合和可视化的完整仿真，只需要几百到一千行代码就能跑完。换成C++写一遍，工作量至少要翻三倍，而且还没算调试和可视化成本。因此用Matlab做算法可行性验证，再移植到C++/ROS用于实飞，是工业界非常常规的流程。

提示：这个项目适合用Matlab的面向对象架构（OOP）来组织代码，因为异构集群的不同机型有大量共性与差异属性，类继承能把代码结构梳理得很干净。后面我会给出具体的架构示例。

2. 环境建模与固定翼运动学约束

2.1 搜索区域与障碍物的离散化处理

搜索区域建模是整个仿真地基。本文采用均匀网格法，把一片任意形状的二维区域切分成若干等尺寸格子，每个格子保存三类信息：地形可通过性、目标存在概率置信度、已被探测覆盖的次数。网格尺寸的选择直接影响计算量和空间分辨率之间的平衡。我实测经验是：网格边长取无人机最小转弯半径的1/3到1/2比较合适。太粗了会漏掉小障碍物，避障路径也不平滑；太细了计算负担大幅上升，协同搜索的实时性会变差。

障碍物处理分两层：静态障碍物在初始化时直接写入占据网格，并做形态学膨胀，即把障碍物边界向外扩展一定距离，让无人机的质心始终与障碍物保持安全距离；动态障碍物则每步根据其运动模型刷新占据状态。膨胀半径一般取“飞行器最大半翼展+最小安全间隔”，也可以按需预留性能余量，比如正值大风天气时把膨胀系数调高一些。

2.2 固定翼无人机运动学模型：从Dubins路径说起

固定翼不能原地转向，这是集群协同搜索所有算法设计的出发点。本文用Dubins模型描述飞行器航迹，即任意两段航迹之间，最短可行路径是“直线-圆弧-直线”的组合。Dubins路径根据起终点航向角的不同，分为CSC（圆弧-直线-圆弧）和CCC（圆弧-圆弧-圆弧）两大类，Norm参数决定走最短的那条。

实际代码中不需要把Dubins路径的全部几何求解自己写一遍，直接调用Matlab Navigation Toolbox里的dubbsConnection或自行实现一个简化版即可。但必须想明白一点：Dubins路径给出的是一条几何轨迹，它本身不包含“避障”语义，也不包含“协同”语义。避障和协同是叠加上去的约束层。搜索任务会对Dubins路径提出一个额外要求：圆弧半径不能小于无人机最小转弯半径R_min，速度方向与轨迹切线保持一致。

在集群场景里，Dubins路径的核心作用是把“位置点序列”转换成“可飞航迹”。编队决策层只需要决策目标点，底层运动学再生成对应的可行航迹。这个分层思路是整个项目能够稳定运行的关键，别把决策和运动学混在一个层次里。

2.3 异构机型的参数差异设计

异构不是随便给两套参数，而是为了满足任务需求刻意拉开差距。我复现时使用了三型无人机，参数如下表：

这套参数设计有三个要点。第一，速度与转弯半径强关联，大飞机速度高、转弯半径大，小飞机正好相反，这样运动学上的差异是真实的、非人为造作的。第二，探测半径与载荷能力挂钩，探测半径不是简单的扫描范围，而是传感器性能决定的，传感器的探测精度又直接影响搜索收益图的可信度。第三，角色定位不是写死的，而是作为决策系统的初始偏好，后续会根据任务变化实时切换。

参数确定后要特别注意：协同搜索时大飞机不能承担太多“点目标复核”任务，因为它的高转弯半径会让它在小区域连续搜索时效率急剧下降。如果你非要让大飞机飞密集弯道，可以看到明显的“绕圈”低效行为，且耗能巨大。

2.4 传感器探测模型与不确定度表示

协同搜索的本质是在“不知道目标到底在哪”的情况下，通过多机探测不断降低不确定性。因此每架无人机有一个探测模型：在某高度、某距离上对地面目标的发现概率P_det。这个概率不是常数，而是随距离衰减的高斯型函数，同时在目标类型、环境遮蔽条件下有所变化。

每个网格的目标存在概率用贝叶斯框架维护。每次探测后，网格的后验概率更新公式为：

P_new = (P_det * P_old) / (P_det * P_old + (1 - P_det) * (1 - P_old))

如果未发现目标，则：

P_new = ((1 - P_det) * P_old) / ((1 - P_det) * P_old + P_det * (1 - P_old))

（未发现目标时）

实际的数学细节比这复杂，但代码实现的核心是保证多架无人机对同一区域的重复探测会不断强化置信度，不同无人机探测结果做加权融合时，大探测半径飞机的权重不应简单高于小探测半径飞机，因为“看得远”往往伴随“看得粗”。这是协同搜索里容易被低估的细节，直接影响搜索收益图的正确性。

3. 自适应决策与协同搜索核心算法

3.1 搜索收益图：让每架飞机知道“去哪最值得”

搜索收益图是整个决策系统的状态核心。每架无人机维护一张叠加了“目标置信度”“未搜索程度”“访问惩罚”的综合收益图。看完这张图，飞行器可以回答“下一步去哪”。

收益图由三个分量加权求和：

U(x, y) = w_1 * C(x, y) - w_2 * V(x, y) - w_3 * N(x, y)

• C(x, y)：目标概率置信度，也叫信息量，已探测过的区域置信度高则收益低
• V(x, y)：访问惩罚项，避免多机重复扫同一片区域
• N(x, y)：邻域遮挡或规避风险信息，比如离障碍物过近

自适应决策的关键就在这里：三个权重不能是固定的。任务前期，目标概率低，大家应该广撒网，此时w_1不宜过大，否则飞机会扎堆去初始热点区域；任务中后期，高置信度区域出现，w_1要动态调大，让飞机集中力量复核疑点。这个动态调整过程就是“自适应”二字的落地体现。

权重调节的触发条件可以是“搜索覆盖率”或者“最高置信度峰值超过阈值”。我复现时用的是双阈值逻辑：当全局覆盖率低于30%时，w_1 : w_2 : w_3 = 0.3 : 0.5 : 0.2；覆盖率超过70%后，调整为0.6 : 0.2 : 0.2。切换过程用平滑过渡，避免收益图突变导致航迹震荡。

3.2 自适应决策的分层结构

自适应决策在项目中被解耦为三层：任务规划层、航迹重规划层、底层飞行控制层。

• 任务规划层运行频率最低（约每5秒一次），负责基于全局收益图做目标点标定。它输出“下一个要到达的搜索航点”或“需要复核的疑点区域”。
• 航迹重规划层运行频率较高（约每1秒一次），负责把任务层给的目标点转化为Dubins可行路径，并实时检查路径是否穿越障碍物或与其他飞机距离过近。
• 底层飞行控制层运行频率最高（约每0.1秒一次），在两条重规划之间做局部避障和速度调节。

自适应体现在两个地方。第一是任务规划层对收益图变化敏感的响应速度，比如某一区域突然出现高置信度目标，任务规划层会打断当前航迹，重新分配一架或两架最近的飞机去该区域。第二是航迹重规划层根据环境复杂度动态调整重规划周期，障碍物密集区域缩短重规划周期，空旷区域适当延长，以节省计算资源。

直接用固定周期重规划也能跑，但你会发现两个问题：空旷区域频繁重规划是纯浪费，多此一举；而密集障碍区域周期太长又可能漏掉碰撞风险。自适应周期的实现并不复杂，根据最近邻障碍距离估算一个“安全余量”，再反推最迟重规划时刻。

3.3 协同任务分配：让每架飞机明白自己干什么

异构集群的任务分配不能用同一套标准去评估所有飞机。一个常用的简化方案是“基于代价矩阵的拍卖算法”：每架飞机对所有候选任务点计算代价J(i, j)，代价由距离、能耗、转弯难度、到达时间、时间窗匹配度组成。代价最低的组合获胜。

代价矩阵的构建公式：

J(i, j) = alpha * L_dubins(i, j) / V_max(i) + beta * t_extra(i, j) + gamma * Threat(i, j)

• L_dubins：Dubins路径长度，替代直线距离，更能反映固定翼的真实飞行成本
• V_max：机型最大巡航速度，直接显式建模异构差异
• t_extra：额外时间成本，包含转弯时间、绕行时间
• Threat：区域风险代价，障碍物密集区域与高风险区域会显著提升代价

拍卖算法每轮完成后，可能存在“多架飞机争抢同一个任务点”的情况。处理逻辑很简单：谁的综合代价低谁就去，其他飞机转而竞拍次优任务点。实际调试中发现，这个机制在任务点数量大于飞机数量时收敛良好，但如果任务点数量接近或小于飞机数量，飞机之间就会产生航迹交叉。此时要引入“时间协调约束”，让集群内飞机的到达时间差控制在一个窗口内，实现所谓的“分时到达”，避免同一时刻扎堆危险区域。

3.4 避障与协同避碰：优先级规则的确定

避障和协同避碰是两个容易混淆的问题。避障针对静态障碍物，协同避碰针对集群内部飞机之间避免碰撞。两者在算法上可以统一为“对不可行区域的排斥力”，但在优先级上必须区分。

我采用的规则是：静态障碍物避障优先级最高，其次是动态威胁（如突发风雨区、未知移动物体），最后才是集群内部飞机之间的避碰。这个优先级不是拍脑袋定的，而是考虑了控制链的反应时间。静态障碍物位置确定，反应时间可以稍长；动态威胁和飞机之间距离变化快，必须即时响应。

避障算法采用改良版人工势场法。传统势场法有局部极小点问题，飞机容易在障碍物前卡死振荡。改良措施是引入“虚拟航向引导点”：当检测到前方障碍物进入安全距离阈值时，根据当前位置与前向路径的几何关系，生成一个绕行航点，让飞机先飞向绕行航点，再回归原路径。这样既保留了势场法的计算高效性，又规避了局部极小问题。

集群避碰的约束可以抽象为“速度障碍法”加“时间窗”的组合。每架飞机向邻居广播自己的速度向量、位置、航向角。当两架飞机的相对速度向量指向彼此距离小于安全间隔时，其中一架通过轻微调整速度方向或高度层进行避让。规则是“速度快的让慢的，后到的让先到的”。在三维空间里还可以通过分配不同飞行高度层来简化避碰，大飞机用高层，小飞机用低层。

4. Matlab代码实现与关键配置

4.1 基于OOP的代码架构

我复现时采用了面向对象架构，代码结构如下：

• UAV.m：无人机基类，包含位置、速度、航向角、最小转弯半径、探测半径等基础属性，以及updateState()、sense()、flyToWaypoint()等基础方法。
• FixedWingUAV.m：固定翼无人机子类，继承UAV，实现Dubins路径生成与追踪方法。
• HeteroUAV.m：异构无人机类，在FixedWingUAV基础上增加型号ID、载荷能力、角色偏好等属性。
• Environment.m：环境类，管理搜索区域网格、障碍物集合、目标真实位置和动态威胁。
• SearchMap.m：搜索收益图类，维护置信度网格，实现贝叶斯更新、信息融合和多机共享。
• Coordinator.m：协同决策类，运行拍卖算法做任务分配，维护全局任务列表。
• main.m：主程序，创建环境与集群对象，启动仿真主循环。

使用OOP的意义在于，当你需要给A型飞机单独加一个任务能力、给B型飞机改一个探测模型时，只需要改动对应子类，完全不影响其他模块。这对于反复试错的算法研究阶段价值极大。

4.2 仿真主循环的框架结构

主循环的伪代码逻辑如下（Matlab风格）：

% 初始化 env = Environment(mapSize, gridSize, obstacles); fleet = [HeteroUAV('A', paramsA), HeteroUAV('B', paramsB), HeteroUAV('C', paramsC)]; coordinator = Coordinator(fleet, env); % 仿真主循环 for t = 0:dt:T_end % 1. 更新环境状态（动态障碍物位置刷新） env.update(t); % 2. 每架无人机执行探测，更新本地搜索收益图 for uav = fleet uav.sense(env); end % 3. 融合各机收益图，生成全局搜索收益图 coordinator.fuseSearchMap(fleet); % 4. 低频任务规划：拍卖算法分配任务点 if mod(t, taskPeriod) == 0 coordinator.taskAssignment(fleet, env); end % 5. 高频航迹重规划：生成Dubins可行路径并避障 for uav = fleet if needReplan(uav, env) uav.replanPath(coordinator.getTask(uav), env); end end % 6. 底层控制：局部避障与速度调整 for uav = fleet uav.avoidObstacle(env); uav.updateState(dt); end % 7. 更新全局数据存储与可视化 recordData(t); if mod(t, renderPeriod) == 0 drawEnvironment(env, fleet); end end

主循环的运行频率建议设为10 Hz以上。任务规划层每5秒触发一次，航迹重规划每1秒触发一次。这样仿真画面里飞机每秒的决策频率是合理的，不会出现“疯狂转向”的抽搐现象。

4.3 核心函数实现：避障逻辑示例

局部避障是调试时间最长的模块。下面给出一个改良势场法的核心代码骨架：

function [newHeading] = avoidObstacle(uav, env) % 获取当前航向角 currentHeading = uav.heading; % 搜索探测范围内的障碍物 obs = env.getObstacles(uav.position, uav.safeDist * 3); if isempty(obs) newHeading = currentHeading; return; end % 排斥力场计算 repForce = [0, 0]; for i = 1:size(obs, 1) delta = uav.position - obs(i, :); dist = norm(delta); if dist < uav.safeDist + 0.1 % 危险区，施加强排斥 repForce = repForce + delta / (dist^2) * 50; end end % 虚拟引导点：在排斥方向垂直方向生成绕行点 if norm(repForce) > 0 guideDir = [repForce(2), -repForce(1)]; % 垂直方向 guidePoint = uav.position + guideDir / norm(guideDir) * uav.minTurnRadius; newHeading = atan2(guidePoint(2) - uav.position(2), ... guidePoint(1) - uav.position(1)); else newHeading = currentHeading; end end

这段代码的重点在于“垂直方向生成引导点”这一行。传统势场法是让飞机直接沿着排斥力的反向避开障碍物，容易陷入局部极小，在狭窄通道里反复震荡。而垂直引导点让飞机主动绕行，虽然会增加一点点路径长度，但飞行行为稳定得多。

4.4 关键参数配置参考表

参数不是死的，但有几个规律可以分享：网格边长和仿真步长的乘积必须远小于无人机速度，否则每一步都会跨过多个网格，避障逻辑直接失效；任务规划周期和航迹重规划周期不能接近，否则两个时间尺度会发生谐振，导致飞机频繁改变目标点，航迹乱成毛线团。

5. 复现过程中常见问题与排查技巧

5.1 固定翼转弯半径不足导致的航迹振荡

这是最典型的问题。飞机会在目标点附近反复绕圈，无法收敛到期望航点。原因通常是：任务规划层给的目标点与当前位置距离小于最小转弯半径，飞机器无法以Dubins路径到达。

排查方法：在任务分配后加一个合法性检查，记录每个任务点到飞机的距离，若小于2 * R_min，则将该任务点标记为“不可达”，重新分配或调整目标点位置。另一种做法是把“能够到达”作为任务分配代价矩阵的一部分，在分配时就排除掉不可达组合。

5.2 避障优先级与搜索效率博弈

避障把飞机推离了搜索区域，导致搜索覆盖率长时间不增长。这种情况在障碍物密集区特别常见。很多初版代码为了绝对安全，把障碍物膨胀区域设置得过大，使得大量可搜索区域被判定为不可通过。

我的处理方式是引入“渠道宽度”判断：如果两个障碍物之间的空隙大于3 * R_min，则该空隙视为可通行通道，膨胀系数可以局部减小。这样飞机既能保持安全飞行，又能利用狭窄通道完成搜索覆盖。全局膨胀系数统一设置会浪费大量可用区域。

5.3 仿真时间步长与数值稳定性

固定翼速度高，在0.5 s的步长下可能跨越5-10个网格，如果避障检测仅基于当前网格状态，飞机很有可能“穿越”障碍物，也就是隧穿效应。表现为飞机会在障碍物另一侧突然出现。

解决方案有两个角度：一是减小仿真步长，把0.1 s作为硬下限；二是在航迹重规划时使用“前瞻检测”机制，不仅检测当前位置，还要检测未来一段路径上是否会触碰障碍物。使用向下一个航点画进度线，检测这条线段上的网格占据状态，提前预警。

5.4 随机初始条件与可重复性

协同搜索算法对初始条件敏感。同一套参数，随机初始化目标位置不同，结果可能差异很大。这是正常的，因为搜索覆盖是一个随机过程。但如果需要可重复实验用于论文或对比，必须固定随机种子。

Matlab中设置：

rng(42); % 固定随机种子

另外建议把目标真实位置的生成、障碍物布局的生成、初始航向角的设置全部纳入种子管理。否则你会发现两轮仿真之间的性能差异居然大于算法改进带来的差异，那就无法做有效对比了。

5.5 常见问题排查速查表

5.6 调试过程中一个很好用的技巧

在代码中加一个“单机模式”开关。复现集群算法时，不要一上来就跑完整集群。先把集群中所有飞机数量设为1，用单机跑通“搜索-避障-任务重规划”的闭环。确认单机没问题后，再逐步增加为2架、3架直到完整集群。

这个做法的核心价值是隔离bug来源。如果单机跑通了、多机会出问题，那问题大概率集中在协同部分，比如任务分配逻辑、收益融合机制、避碰规则。如果单机本身就出问题，那就是基础运动学或者环境建模的问题，别急着去调协同参数。我做集群方向的时候，这个开关基本每次都帮我省下半天以上的无效调试时间。

6. 从仿真到实飞：几点现实约束

很多人在复现完这套算法后会问：这个仿真代码能不能直接部署到真机上？

我的回答是：算法框架可以直接迁移，但有几个关键差异必须处理。真实环境中的风场扰动会让无人机实际轨迹偏离Dubins期望路径，仿真里不需要考虑横向风扰，实飞时航迹跟踪误差会持续积累，一般需要接入姿态控制器和轨迹跟踪控制器。传感器模型的差异更大，仿真里的高斯衰减探测模型过于理想化，实机探测概率还取决于天气能见度、地形遮蔽和传感器型号，这些不确定性会成为收益图更新误差的主要来源。

此外，机间通信的延迟与丢包在仿真中几乎被忽略，实飞时多机协调的代价矩阵解算可能因为丢包不一致，导致任务分配出现冲突。建议在仿真阶段就给通信模块加上随机延迟和丢包模型，早发现、早适应。

[结尾：个人实操体会]

这套代码我前前后后复现了三遍，第一遍用的是同构集群加固定权重，第二遍加上了异构特性，第三遍才把自适应决策逻辑完整实现。三遍迭代下来，我最大的体会是：复杂环境下的异构集群协同搜索，真正的瓶颈不在单个模块的算法有多高级，而在于各个模块之间的耦合约束是否被尊重。信息融合的结果会影响任务分配，任务分配的结果会改变飞行路径，飞行路径又反过来决定了下次探测能获取哪些信息。这个闭环里任何一个环节的参数没调和，整个系统就会表现出“算法正确但行为愚蠢”的怪象。

最后分享一个小技巧：每次调参之前，先记录一组基准测试结果，包括覆盖率曲线、平均任务完成时间、能耗曲线。调参之后对比这些指标，而不是肉眼看仿真画面。肉眼看画面容易被飞行轨迹的“好看”程度迷惑，而指标才是判断算法是否真的变好的唯一标准。这套方法的完整Matlab工程就部署在本地，跑一次三层异构成群的完整搜索任务，仿真时长大约2分钟就能结束，非常适合做快速迭代。