无人船编队包容控制与动态预设性能约束的Matlab仿真复现

如果你在一个做多智能体或海洋装备控制的课题组待过一阵子，大概率会被问到这类问题：别人论文里画的那些误差收敛曲线到底是怎么跑出来的？为什么我的控制器参数差不多，结果却不贴边？这篇我拆的项目，关键词就三个——无人船编队、包容控制、动态预设性能约束，听起来唬人，扒开之后其实就是一套"误差有边界、收敛可设计、通信有约束"的控制系统。文章主要聊聊我怎么从一篇论文的抽象符号，一步步把它变成可运行的Matlab仿真，以及那些代码文档里根本不会告诉你的坑。

对正在做毕业论文、想快速入门编队控制，或者只是需要一份能跑的复现代码做对标实验的同学来说，这篇内容会比较对口。读完之后你至少能搞清楚三件事：动态预设性能到底约束的是什么、包容控制的误差变量为什么那样定义、以及一个能出图的Matlab仿真框架应该怎么组织。

1. 这是在复现什么：动态预设性能约束下的无人船包容控制

1.1 从"三个词"拆开看这个题目

先说"包容控制"。它不是让所有船排成一列整齐的队形，而是让一部分船，也就是跟随者，收敛到一个由领导者们围成的包络范围内部。你可以把它理解成"羊群效应"：头羊往哪走，羊群就散落在它们围出来的活动范围内，不需要每只羊位置完全一样。放在海事场景里，这对应的是护航、围捕、区域清障一类的任务——有人艇在外围，无人艇在里面跟着跑，既保持相对安全距离，又不会跑丢。

然后是"动态预设性能约束"。这个词组是控制理论里的硬核点，翻译成人话就是：跟队误差在任意时刻都不能超过一条可设计的动态边界。传统渐近稳定只告诉你"误差最终趋向于零"，但过程中误差可能先冲上天再慢慢回来，这在编队里容易导致碰撞。预设性能约束则强制误差从头到尾都在一个指数衰减的"隧道"内走，收敛速度、最大超调量、稳态精度全部可以预先设计出来。

最后是"无人船编队"。这里用的是三自由度模型，也就是前进、横漂、艏摇这三个自由度。外加它欠驱动的特性，实际只有推力τu和转艏力矩τr两个控制量，侧向没有直接推力。这会让控制器设计麻烦不少，但也是论文价值所在。

1.2 复现论文需要准备的知识地图

别一上来就啃代码，我建议按下面这条线走，每一环都是后面代码的"理论地桩"：

• 图论基础：知道邻接矩阵、拉普拉斯矩阵、生成树是什么，理解"领导者-跟随者"拓扑下的信息流向。
• 预设性能函数：理解ρ(t)的性质，以及通过误差变换将"有约束问题"映射成"无约束问题"的套路。
• 李雅普诺夫稳定性：能看懂控制器为什么那样构造，后面整定参数时才知道动哪个增益会影响哪个环节。
• 欠驱动船舶模型：看懂运动学、动力学方程中质量项和阻尼项的含义，不需要完全自己推导，但要能用代码表达。

我的经验是，理论部分卡住时先跳过，直接跑通一个最简单的两个领导者加四个跟随者的仿真，再回头看推导，往往理解速度快很多。理论是为解释仿真服务的，不是反过来。

2. 数学模型与问题描述：代码里的方程是怎么来的

2.1 三自由度无人船模型与仿真状态向量的组织

这一段直接影响Matlab里状态向量的排布，我踩过坑，所以要讲细一点。

常用的无人船运动学方程如下，它描述的是船体坐标系到惯性坐标系的转换关系：

[ \begin{cases} \dot{x} = u\cos\psi - v\sin\psi \ \dot{y} = u\sin\psi + v\cos\psi \ \dot{\psi} = r \end{cases} ]

动力学方程则是：

[ M\dot{\nu} + C(\nu)\nu + D(\nu)\nu = \tau + d(t) ]

其中 (\nu = [u, v, r]^T)，分别是纵荡速度、横荡速度、艏摇角速度。(M) 是包含附加质量的惯性矩阵，(C(\nu)) 是科里奥利力矩阵，(D(\nu)) 是阻尼矩阵，(d(t)) 是外界扰动。

Matlab里做仿真时，一个关键决定是状态向量的顺序。我第一次写的时候把速度和位置分开存，结果控制器里取误差时反复做矩阵切片，维度错位排查了整整一天。后来固定成一种顺序：全部船的 ( [x, y, \psi, u, v, r] ) 顺序拼成一个大列向量。

% 状态向量排布：每艘船6个状态 % 第i艘船的位置索引 idx_x = (i-1)*6 + 1; idx_y = (i-1)*6 + 2; idx_psi = (i-1)*6 + 3; idx_u = (i-1)*6 + 4; idx_v = (i-1)*6 + 5; idx_r = (i-1)*6 + 6;

这种"一个大向量喂给ode45"的做法虽然朴素，但极稳定，调试时打印某个变量也方便。

2.2 通信拓扑：邻接矩阵与拉普拉斯矩阵的代码表示

编队里每艘船并不是跟所有人都通信，只有"能收到信息"的邻居才能用来算误差。这里最常见的模型是用一个图 ( G = {V, E} ) 来表示。(V) 是所有船的集合，(E) 是通信边的集合。

对跟随者 (i)，它的包含误差定义为它到所有邻居（包括其他跟随者和领导者）位置差的加权和：

[ e_{p,i} = b_i (p_i - p_{L,i}) + \sum_{j \in \mathcal{N}i} a{ij} (p_i - p_j) ]

注意：这里如果 (j) 是领导者，它是没有动态方程的，它的位置是外部给定的轨迹，这一点在建模时一定要分清。

在Matlab里，我习惯用两个矩阵来组织拓扑信息：

• adj_matrix：船舶之间的邻接矩阵，(a_{ij}) 表示第 j 艘船的信息是否流向第 i 艘船。
• leader_conn：每个跟随者是否直接连接到某个领导者，对应 (b_i)。

% 示例：2个领导者(编号1,2)、4个跟随者(编号3,4,5,6) adj_matrix = zeros(6,6); adj_matrix(3,1) = 1; % 跟随者3能接收领导者1的信息 adj_matrix(4,2) = 1; % 跟随者4能接收领导者2的信息 adj_matrix(5,3) = 1; % 跟随者5能接收跟随者3的信息 % ... leader_conn = [1 1; 0 0; 1 0; 0 1; 0 0; 0 0]; % 前面两行是领导者自身，占位

这种设计的好处是，控制器代码里计算误差时只需循环遍历邻接矩阵，不需要为每种拓扑单独写一套逻辑。论文中如果出现"通信拓扑满足至少一棵生成树"这样的假设，实际上代码里就是保证矩阵这样设计时每个跟随者都有通向领导者的路径。

2.3 预设性能函数的设计约束与误差变换

预设性能的核心是设计一个正的光滑递减函数 (\rho(t))，要求误差 (e(t)) 满足：

[ -\underline{\rho}(t) < e(t) < \overline{\rho}(t) ]

常用形式是：

[ \rho(t) = (\rho_0 - \rho_\infty) e^{-\kappa t} + \rho_\infty ]

其中 (\rho_0) 是初始边界，要比初始误差大；(\rho_\infty) 是稳态允许误差；(\kappa) 决定收敛速度。

但直接处理不等式约束很难做控制器设计。所以论文里都会做一步误差变换，把约束问题变成无约束问题。最常用的是双曲正切变换：

[ z(t) = \frac{e(t)}{\rho(t)}, \quad \varepsilon(t) = \frac{1}{2} \ln\frac{1 + z(t)}{1 - z(t)} ]

或者简写为 (\varepsilon = \text{arctanh}(z))。只要 (z \in (-1,1))，这个变换就是有效的；反过来，只要你能控制 transform 后的误差 (\varepsilon) 有界，那么原始误差就会一直被限制在预设包络内。这一步是后面所有控制器设计的基础逻辑。

我在代码里实现时，会专门写一个函数来处理这个变换，避免每次在主循环里重复写tanh相关的数学表达式，容易错：

function eps = prescribed_error_transform(e, rho, c) z = e / rho; % 防止数值越界 z = max(min(z, 1 - c), -1 + c); eps = 0.5 * log((1 + z) / (1 - z)); end

这里的c是一个很小的安全余量，防止z正好等于 ±1 时 log 函数爆炸。这是我实际调试时加的保护，理论公式里没有，但仿真中必须有。

3. 控制器设计与稳定性分析：从数学符号到控制律

3.1 控制目标与控制器的整体架构

包容控制的目标是让每个跟随者的包含误差 (e_{p,i}) 收敛到预设性能边界内，并最终收敛到零或一个很小的稳态值。为了实现这个目标，控制器设计通常采用反步法框架，分成内外两个环：

• 外环（位置环）：根据包含误差 (e_{p,i}) 计算期望的虚拟速度参考信号。
• 内环（速度环）：根据实际速度与虚拟速度的偏差计算控制力 (\tau_u, \tau_r)。

这也是为什么在代码里，控制器函数往往不是一次性算完，而是先算虚拟控制，再算真实控制输入。我的实现里，控制器的整体结构如下：

function tau = controller(state_i, neighbors_info, rho, params) % 计算包含误差 e_p = containment_error(state_i, neighbors_info); % 求误差变换 eps_p = prescribed_error_transform(e_p, rho, params.c); % 虚拟控制律：用变换后的误差生成期望速度 alpha_v = -params.K1 * eps_p; % 速度误差 s_v = state_i(4:6) - alpha_v; % 实际控制力：滑模/自适应项 tau = -params.K2 * s_v - params.gamma * hat_theta .* basis_func(s_v); end

其中basis_func是径向基函数，用来逼近模型中的不确定项。这是大多数预设性能论文里都会出现的结构，哪怕形式略有不同，实质都是"变换误差加上滑模面再加神经网络补偿"。

3.2 自适应律、鲁棒项与稳定性条件

为什么控制器里要加自适应项？因为无人船模型里M、C、D这些矩阵里的水动力系数很难精确获得。论文一般假设这些项可以分解成型已知部分 (f_0) 加上不确定部分 (\Delta f)，然后由神经网络去逼近不确定部分。

神经网络的权重更新律在代码里就是一个微分方程：

% 更新神经网络权重 d_hat_theta = params.Lambda * basis_func(s_v) * s_v' - params.sigma * hat_theta;

第一项是自适应项，让权重朝减小误差的方向更新；第二项是sigma修正，防止权重漂移过大导致数值发散。仿真中如果发现控制量出现高频大幅震荡，先检查的往往就是这一项里的sigma取值。

稳定性分析在论文里是核心理论章节，通常分三步：构造李雅普诺夫函数 (V = V_1 + V_2 + V_3)，分别对应误差变换项、速度误差项、参数估计误差项；对时间求导；证明 ( \dot{V} \le -\lambda V + C )，由此推出所有信号有界且包含误差渐进收敛。

在这类论文里，李雅普诺夫函数中常会出现一个很关键的正定条件：( \lambda_{\min}(L_{FF} + B) > 0 )，说人话就是跟随者之间的通信子图加上领导者连接矩阵后的广义拉普拉斯矩阵必须正定。这意味着每个跟随者都要通过某条路径收到领导者的信息。在代码层面，这直接对应邻接矩阵里不能有孤立节点。仿真开始前我会先检查这一点，否则后面误差发散都不知道为什么。

4. Matlab代码实现：从理论到可以跑的仿真框架

4.1 代码组织：不要把所有东西塞进一个m文件

我没少见过有人把整个仿真写成一个大脚本，300行一个文件堆到底。初期跑通没问题，但调参时痛苦无比。我建议按下面这个目录组织复现代码：

project/ ├── main_simulation.m // 主入口，配置参数并调用仿真循环 ├── ship_dynamics.m // 被控对象动态方程 ├── leader_trajectory.m // 领导者轨迹生成 ├── controller.m // 控制器主逻辑 ├── prescribed_performance.m // 预设性能函数与误差变换 ├── topology.m // 通信拓扑与邻接矩阵 ├── plot_results.m // 绘图与结果分析 └── params_config.m // 所有参数集中配置

这种划分不只是为了好看，而是为了可测试。比如你改了控制增益，只需要动params_config.m；怀疑动力学模型写错了，可以单独测试ship_dynamics.m里的一艘船在零输入下的行为是否正常。我实际推进时发现，这种模块化让"论文里的控制器换一种形式"变得非常快，改完一个函数就能重新仿真。

4.2 核心函数逐个拆解：仿真主循环与控制器的数据流

仿真主循环的核心思路是：使用ode45求解闭环系统，每一时刻控制器根据当前状态计算控制输入，控制输入又进入被控对象动态方程。代码结构大致如下：

% main_simulation.m [t, state] = ode45(@(t,s) closed_loop_dynamics(t, s, params), tspan, s0, options); function dsdt = closed_loop_dynamics(t, s, params) % 重构每艘船的状态 ship_states = reshape(s, 6, params.num_ships); % 获取领导者轨迹 leaders_pos = leader_trajectory(t, params); % 计算每艘跟随者的控制输入 tau_all = zeros(2, params.num_followers); for i = 1:params.num_followers tau_all(:, i) = controller(i, ship_states, leaders_pos, t, params); end % 将被控对象动力学拼接 dsdt = zeros(size(s)); for i = 1:params.num_ships if i <= params.num_leaders % 领导者是外部轨迹，我不做动力学求解 else dsdt(6*(i-1)+1:6*i) = ship_dynamics(ship_states(:,i), tau_all(:,i), params); end end end

注意这段代码里的一个设计决策：领导者不参与动态求解，它的位置由leader_trajectory直接给出。这是很多复现代码里容易搞混的地方——有人把领导者也当成被控对象加进闭环，导致领导者的轨迹被控制器改变，仿真结果和论文对不上。领导者在这里是一个外部信号源。

如果领导者的轨迹是时变的（比如直线、圆形或转弯），leader_trajectory函数必须能够根据 t 算出期望位置，同时可能还要输出速度用于控制器前馈补偿。这些细节在论文里往往只给一个公式，但代码里需要明确区分。

4.3 参数选择法则：预设性能参数与控制增益的经验区间

参数整定是复现过程中最让人头大的环节。经过多轮试验，我总结出一套比较稳妥的参数起点：

一个非常关键的经验是：** (\rho_0) 必须覆盖初始时刻的误差**。如果初始时刻你的无人船离领导者包络很远，比如误差达到5，那么 (\rho_0) 至少要设为6或7，否则误差从第一步就超出边界，整个预设性能控制等效失效。这篇论文里的仿真的初始位置如果设置得比较极端，没注意这个细节会让误差曲线直接起飞。

控制增益方面，我习惯先把 (K_2) 设成大于 (K_1)，这样内环响应快于外环，系统更容易稳定。比值大概3到5倍是一个良好的起点。如果仿真中出现高频抖动，优先降低 (K_2) 而不是 (K_1)。

5. 仿真实验设计与结果对照

5.1 典型场景设置

我复现论文时，最常设计两类场景来验证控制器性能。

场景A：静态领导者围成包络，跟随者收敛进入包络。领导者静止在矩形的四个角或者三角形的三个顶点，跟随者从较远处出发，观察它们是否在预设性能边界约束下平滑进入凸包中心区域。这个场景适合检查基本的收敛性。

场景B：领导者沿圆形轨迹运动，跟随者动态包围。两个领导者分别做同圆心但半径不同的圆周运动，跟随者在追赶的同时还要保持在两者形成的环形包络内。这个场景能同时验证动态性能和动态预设性能的跟踪能力。

此外，为了凸显动态预设性能的价值，我会加一个对照组：把同一套控制器中的性能函数约束去掉，直接让误差自由演化（相当于 (\rho(t) \to \infty)）。对比两张误差图就能直观看到约束是否起作用。

5.2 结果图怎么看：从轨迹图到误差包络图

复现论文时，你的仿真结果至少要体现在三张图上：

• 编队轨迹图：各船位置轨迹，领导者轨迹画出来，跟随者轨迹应该落在领导者形成的凸包区域内。如果跟随者跑到凸包外部，说明包容控制没有实现，先检查拓扑和误差定义。
• 误差收敛图：将包含误差 (e(t)) 和预设性能边界 (\pm\rho(t)) 画在同一张图里。正常结果是一条被上下包络线夹住的曲线，逐步收缩且不触碰边界。如果误差曲线穿出包络，说明控制器参数不合适或者变换函数数值保护有问题。
• 控制输入图：记录 (\tau_u) 和 (\tau_r) 的时间历程。主要看是否出现剧烈抖振和饱和。如果出现抖振，通常是在控制器里使用了理想符号函数，实际仿真建议用饱和函数或双曲正切函数代替。

我特别建议在误差图里把边界函数画得比实际约束窄一点，比如画 ±0.95ρ(t)，这样肉眼看结果时自然留有余量。论文里的图基本都是"误差贴着边界走"，但代码实现时没人真的敢让误差完全贴边，太容易触发数值发散。

5.3 调参时如何快速判断问题出在哪

我在多轮仿真中整理出一个快速排查流程，按这个顺序检查可以省下很多时间：

1. 如果误差曲线发散，先检查 (\rho_0) 是否大于初始误差。
2. 如果控制量一直饱和，先检查性能函数收敛速度 (\kappa) 是否过大，再将 (\rho_0) 调大。
3. 如果跟随者能收敛但速度很慢，增大 (K_1)，同时适度增大 (K_2)。
4. 如果跟踪过程中出现高频抖动，检查符号函数的替代、(K_2) 值是否过大、自适应学习率是否过高。
5. 如果某些船根本不响应，检查拓扑矩阵里它的邻居信息是否为零，以及"领导者-跟随者"连接矩阵是否设置错误。

这套流程已经帮我排掉过至少一半的初学者常见问题，建议直接保存下来对照。

6. 论文复现的典型坑与实操心得

6.1 新手最容易翻车的五个细节

细节一：领导者的数量与编号约定不清晰。

论文里常见表述是"m个领导者和n个跟随者"，但代码里如果你把所有船全放进一个状态数组，领导者编号和跟随者编号的边界就很重要。我在复现时固定了一个约定：前 m 列为领导者，后 n 列为跟随者，控制循环里只对跟随者计算控制器。这个约定从一开始就要写进注释，不然后期改拓扑时容易混乱。

细节二：误差变换的数值保护缺失。

我已经在前面提过这个坑。理论推导中 (z(t) \in (-1,1)) 是严格成立的，但在数值仿真里，步长和离散误差可能让 (z(t)) 恰好越过±1，这时arctanh就会产生无穷大或NaN，整个状态直接崩掉。所以prescribed_error_transform函数里的min/max截断不是可有可无的装饰，而是仿真能稳定运行的保命代码。

细节三：拉普拉斯矩阵的定义符号搞反。

不同论文里拉普拉斯矩阵用的定义不一致，有的用 (L = D - A)，有的用 (L = A - D)，对应的分布式误差求和方向就不同。如果复现代码跑出来的轨迹不是互相吸引而是互相排斥，八成是这里出了问题。我自己的检查办法是：单船跟随一个领导者，如果误差是 (p_i - p_0) 还是 (p_0 - p_i)，直接看虚拟控制律的方向能不能让船追向领导者，用这个最小场景去验证符号一致性。

细节四：扰动项和不确定项要与论文匹配。

论文通常会证明控制器在未知扰动下仍然稳定，但当你在仿真里加入扰动时，扰动的量级和频率会影响结果很多。建议先在零扰动下把电路跑通，再逐步加扰动。我见过不少论文，其实扰动函数里有一个隐含的界假设，如果复现时扰动量级超过这个界，控制器性能就会显着下降。

细节五：ode45的容差设置。

默认容差有时不够，特别是误差变换函数在边界附近非常敏感时。我建议把odeset里的RelTol设为 1e-6 或更小，AbsTol设为 1e-8，这样曲线更平滑，代价是仿真时间变慢，但对结果可靠性影响很大。

6.2 从"能跑"到"能信"：验证复现结果的三个步骤

跑通只是第一步，复现的真正目标是拿到跟论文结论一致的结果。我会按下面三步骤来验证：

第一步是单船测试。只用一艘跟随者和一个领导者，关掉编队项，检查误差收敛是否符合预设性能边界。如果单船都跑不好，编队一定跑不好。这一步可以在几分钟内完成，是排错成本最低的手段。

第二步是边界一致性测试。给定初始误差较大的情形，手动算一遍误差变换结果，与代码输出的变换误差比较，确认变换逻辑与论文公式一致。

第三步是指标对比。把仿真结束时的最大包含误差、收敛时间、控制能量等指标和论文中的图表数值对比。论文里一般不直接给表格数字，但你可以在坐标图上读出稳态误差的数量级，如果差了一个数量级，说明某处增益或参数设置差异很大，需要重点排查。

6.3 复现之后还能往哪个方向扩展

代码框架一旦稳定，后续扩展其实很顺手。我的建议是朝着工程实用性走，而不是反复换一条圆形轨迹刷图：

• 动态领导者数量：比如领导者中途退出或新领导者加入，观察跟随者包络是否平滑切换，这是多智能体编队中很实际的需求。
• 通信拓扑时变：在邻接矩阵里加入"每过一段时间随机断链"的机制，测试控制器在通信中断时的鲁棒性。
• 避障约束叠加：在预设性能边界之外再叠加一个安全距离约束，研究两个互相冲突的约束如何协调。
• 与强化学习结合：用预设性能边界作为安全约束，让强化学习策略在安全的动作空间内探索，这是目前学术圈的热门方向。

我自己复现完这个项目后，最大的感触是：论文里漂亮的理论公式，落地到代码时真正决定成败的往往是一些不起眼的细节——状态向量的排布、数值保护、符号的一致性、参数初值是否覆盖初始误差。尤其是预设性能那个误差变换函数，没有数值保护的话，仿真大概率在半途就崩掉。所以如果你也在对着某篇论文复现，遇到跑不通的情况，不要急着怀疑控制器设计，先检查这些"小事"。它们往往就是论文没有写但实验必须处理的那部分工作量。