多智能体无人机编队控制：Voronoi与势场避障的Matlab仿真实践

提到无人机编队控制，很多人第一反应是“几架飞机排成队飞个造型”。但真正做过这个方向的人都知道，编队飞行最难的地方不在于“把队形摆整齐”，而在于一堆无人机在空间受限、障碍物穿插的环境里，如何既保持队形稳定，又能动态避障，最后还能在目标点完成集结收敛。这个项目标题里恰好把这几件事都串起来了：多智能体、群体控制、基于Voronoi的编队、障碍避让，以及Matlab实现。说实话，这几个词单独拿出来都是老话题，但组合在一起做成一个可跑、可看、可复用的仿真工程，还是很值得花时间拆一拆的。

这篇内容就是围绕这个项目来做一次完整的复盘。我会从方案选型、核心算法原理、Matlab工程实现，到调参避坑和常见问题排查，把整个项目里我认为最关键的环节捋一遍。适合正在做无人机集群、群体机器人、多智能体协同控制方向的同学，或者马上要拿Matlab做课程设计/毕业设计的读者参考。看完至少能少踩几个我当年踩过的坑。

1. 项目拆解与方案选型

1.1 标题里其实藏着四层硬需求

先别急着打开Matlab敲代码，这个标题拆开来看，至少包含了四个相互关联的技术点，我挨个说。

第一层是“多智能体系统”。这听起来很学术，其实翻译过来就是：每一架无人机都是一个独立的智能体，它有自己的状态、感知范围、控制策略，并且能和邻近的无人机交换信息。关键点在于，整个系统的决策不是靠一个中央控制器拍板，而是大家通过局部的信息交互达成全局的协作。这和传统“一个地面站遥控所有飞机”的思路完全不同，去中心化是它的核心特征。

第二层是“群体控制”。这个范围很大，编队保持、聚集、分散、包围、跟踪，都算群体控制。落到这个项目里，指标很具体：所有无人机要从初始随机位置出发，在飞行过程中形成并保持某种几何队形，同时整体向某个目标区域移动。说白了就是“队伍不能散，还得往前走”。

第三层是“基于Voronoi的编队控制”。这是整个项目里最值得玩味的技术选择。Voronoi这个东西本质上是空间划分工具，把空间按“离哪个点最近”切成若干区域。在编队控制里用它，最常见的作用是给每架无人机划定属于自己的“责任区域”，飞行过程中时刻清楚自己的领空范围，并基于区域边界调整位置。这样做的好处是队形天然具备空间占用率和均衡性，机与机之间不容易打架。

第四层是“障碍避让”。环境不是空地，无人机群在飞行中会遇到静态障碍物（如柱子、墙体）或者动态障碍物（如其他飞行物）。这要求每架无人机不仅要知道自己该飞去哪，还得实时响应周围环境变化，绕开危险区域。避障策略选得好不好，直接决定仿真画面是“华丽编队”还是“车毁人亡”。

最后是“Matlab实现”，这意味着整个项目要用Matlab写代码、搭仿真、做可视化。Matlab的优势是矩阵运算能力强、绘图方便、生态里现成工具箱多，特别适合做算法验证和原型演示。对于还没有到真机阶段的科研项目，Matlab这一步几乎是必经之路。

1.2 为什么选这套技术路线

单个技术点都不难理解，但为什么要把Voronoi、一致性控制、势场避障这几个东西组合在一起？这里面的门道我要多解释几句。

先说Voronoi在编队里的真实作用。如果只是想让编队稳定，用经典的leader-follower或者虚拟结构法也能做到，但这两个方案对通信和故障都比较敏感。Voronoi划分的妙处在于，它天然提供了一种“分布式空间协商”机制：无论队伍怎么变形，空间最终都会被所有无人机的位置切割成凸多边形，每个智能体只需关注自己所在的多边形区域。队形保持不再依赖“某架飞机说了算”，而是所有人通过自己区域的变化就能感知到队形挤压或拉伸的趋势，然后各自调整。这种思路特别适合无人机数量多、环境动态变化的场景。

再说障碍避让怎么和Voronoi结合。最常见的做法是在控制律中引入人工势场：目标点产生引力，障碍物产生斥力，合力驱动无人机行进。这个方案原理简单、计算量小，和Voronoi编队控制的框架也不冲突。把两个模块拼接起来，组成了“Voronoi划区保证队形合理、势场避障保证安全”的混合结构。我在实现时就按这个思路处理，先跑通编队，再加避障，问题越少越好排查。

技术路线本身没有绝对的好坏，只有适配不适配。就这个项目而言，选这套方案看重的是三点：一是模块之间解耦清晰，便于分阶段调试；二是计算开销可控，纯Matlab环境下几十架无人机实时仿真不卡顿；三是从仿真往真机迁移时，换成ROS或者嵌入式C++都有现成的对应实现思路。

2. 核心算法与原理拆解

2.1 一致性控制是最底层的“隐形手”

不提Voronoi，也不提避障，先把最底层的一致性控制讲清楚。几乎所有多智能体编队算法，最后都逃不掉这个核心：如何让所有智能体的某个状态量（比如速度、位置）趋于一致。

最常见的是一阶积分器模型，每架无人机的运动学可以简化成：

[ \dot{p}_i(t) = u_i(t) ]

其中 ( p_i ) 是位置，( u_i ) 是待设计的控制输入。一致性控制律的基本形式是让每个智能体朝邻居的加权平均方向调整：

[ u_i(t) = \sum_{j \in N_i} a_{ij} \left( p_j(t) - p_i(t) \right) ]

这里 ( N_i ) 是智能体 ( i ) 的邻居集合，( a_{ij} ) 是通信拓扑的权重。只要通信图是连通的，这个简单的差分驱动最终会让所有位置收敛到同一个点——这就是“一阶一致性”。如果目标不是“聚集”而是“编队”，很简单，在目标位置里加一个队形偏移量就可以了：

[ u_i(t) = \sum_{j \in N_i} a_{ij} \left[ \left(p_j(t) - \delta_j\right) - \left(p_i(t) - \delta_i\right) \right] ]

其中 ( \delta_i ) 就是第 ( i ) 架无人机在编队中的理想相对位置。

我之所以说一致性是“隐形手”，是因为在最终的控制输入里，Voronoi和避障往往叠加在这一项之上。很多人在调参时发现飞机来回震荡，第一时间怀疑避障参数，其实问题往往出在一致性权重和通信延迟上。这块的基础概念有多重要，后面讲调参会反复提到。

2.2 Voronoi划分究竟给编队带来了什么

Voronoi图的核心定义其实一句话就能说清：对于空间中的一组点（种子点），把空间中任意位置归属到离它最近的种子点，最终形成的区域划分就是Voronoi图。用生活化的例子类比，就像在每个城市设一个外卖配送中心，然后把地图按“离哪个中心最近”划成一个个配送片区，每个片区就是一个Voronoi单元。

在无人机编队里，种子点就是各无人机当前的地理位置。每一时刻，整个空间都会被这组位置动态切分成n个凸多边形区域，每架飞机“拥有”一块区域。这样做有什么直接的用处？

第一，空间冲突最小化。任何时刻，任意一点只属于一架无人机的责任区域，理论上消除了多架飞机争抢同一空域的问题。第二，队形均衡性好。Voronoi区域天然会随种子点分布自动调整大小，如果某架飞机离群，它的区域会变大，邻居就会感受到“异常”，编队系统对异常有天然的感知能力。第三，对动态环境适应好。障碍物或新加入的无人机其实都可以被当作额外约束加入Voronoi计算，重新划分区域即可，无需全局重新规划。

在实现时要注意，Voronoi图不只是用来做队形展示，更重要的是每一架无人机要能实时获取“自己所在区域”的几何信息。在Matlab里，常用voronoi()函数生成图形，但想拿到“多边形边界点坐标”来用于控制计算，就得配合polyshape做区域裁剪，或者用interpolate获取边界点集。这块代码细节我后面在工程实现里专门讲。

2.3 势场避障：简单但不简单的“推推拉拉”

人工势场法（Artificial Potential Field, APF）的思路非常直观：目标点对无人机产生“拉力”，障碍物对无人机产生“推力”，两者叠加得到最终运动方向。数学形式如下：

引力势场：

[ U_{att}(p) = \frac{1}{2} k_{att} | p - p_{goal} |^2 ]

对应的引力是：

[ F_{att}(p) = - k_{att} \left( p - p_{goal} \right) ]

斥力势场在距离小于影响范围时生效：

[ U_{rep}(p) = \begin{cases} \frac{1}{2} k_{rep} \left( \frac{1}{| p - p_{obs} |} - \frac{1}{d_0} \right)^2, & \text{if } | p - p_{obs} | \le d_0 \\ 0, & \text{otherwise} \end{cases} ]

其中 ( d_0 ) 是障碍物影响半径。斥力方向由障碍物指向无人机。

APF的优势是真简单：计算量小、实时性好、容易和其它控制项叠加。但它的老毛病也逃不掉：容易陷入局部极小点（无人机在障碍物前来回抖动、进退两难），在狭窄通道里容易震荡，离障碍物太近时斥力突变还会引起速度跳变。

在实际工程里，我对APF做了几点调整：一是给斥力设置了最大限幅，防止某一帧出现过大斥力把飞机“弹飞”；二是斥力只在障碍物影响半径内激活，不影响远处的编队运动；三是用“速度障碍法”的思想做一个补充判断，在发生碰撞前0.5秒内提高斥力权重，保证紧急避让优先级高于编队保持。这几条听着简单，但实战效果提升非常明显。

3. Matlab仿真工程实现全流程

3.1 工程文件结构与初始参数设置

这个项目用一个脚本文件从头跑到尾当然也可以，但我强烈建议划分成清晰的函数模块。我自己的工程结构是这样的：

drone_swarm_sim/ ├── main_simulation.m % 主循环，控制整个过程 ├── init_params.m % 所有参数集中配置 ├── init_drones.m % 随机或指定初始位置生成无人机结构体 ├── compute_consensus.m % 一致性编队控制输入 ├── compute_voronoi_map.m % 计算Voronoi区域并返回各机所属区域 ├── compute_avoidance.m % 势场避障控制输入 ├── update_state.m % 状态更新 ├── plot_results.m % 可视化与录像 └── run_test_scenario.m % 一键运行指定场景

参数集中放一个文件里管理，不要散落在各个函数里。后面调参时你会回来感谢这个习惯。

初始化参数我直接给出一个能跑通的基线版本：

% init_params.m n_drones = 8; % 无人机数量 dt = 0.02; % 仿真步长(秒) sim_time = 40; % 仿真总时长(秒) max_speed = 2.0; % 最大飞行速度(m/s) comm_radius = 4.0; % 通信半径(m) % 一致性控制增益 kp_consensus = 1.2; % 位置误差增益 kv_consensus = 0.8; % 速度阻尼增益 % 编队目标偏移(Voronoi理想队形) formation_offset = [ ... ]; % n_drones x 2，表示各机相对偏置 % 避障参数 obs_influence = 1.5; % 障碍物影响半径 rep_gain = 2.5; % 斥力增益 rep_limit = 6.0; % 斥力限幅 % 目标点 goal_point = [10, 8];

注意formation_offset该怎么取。最常见的做法是围绕目标中心的圆形编队，或者长方形栅格编队。我测试用的8机圆形编队，偏移量就是在半径2m的圆上均匀取8个点。这个偏移量要提前算好，不能等运行时再随机生成，否则编队形状每次都不一样，复现实验就很麻烦。

3.2 主循环与控制输入的叠加顺序

仿真的主循环可以凝练成四步：感知（计算邻居与障碍物信息）、决策（生成各部分控制量）、叠加（按优先级合成最终输入）、更新（积分并限速限位）。

% main_simulation.m 核心主循环 for t = 0:dt:sim_time % 1. 计算一致性编队控制输入 u_formation = compute_consensus(drones, formation_offset, comm_radius, kp_consensus, kv_consensus); % 2. 计算Voronoi区域（主要用于队形校正与空间划分修正） vor_regions = compute_voronoi_map(drones, map_boundary); % 3. 计算避障控制输入 u_avoid = compute_avoidance(drones, obstacles, obs_influence, rep_gain, rep_limit); % 4. 叠加控制量（避障优先级更高，可提高权重） for i = 1:n_drones u_total = u_formation(i,:) + 1.5 * u_avoid(i,:); drones(i).vel = drones(i).vel + u_total * dt; speed = norm(drones(i).vel); if speed > max_speed drones(i).vel = drones(i).vel / speed * max_speed; end drones(i).pos = drones(i).pos + drones(i).vel * dt; end % 5. 可视化与数据记录 plot_results(drones, obstacles, vor_regions, t); end

这里有一个新手容易犯的错误：把所有控制量等权重相加。在编队穿越障碍区时，避障优先级应该高于编队保持，否则飞机会为了追队形而撞上障碍物。我建议避障项的权重至少是编队项的1.2到1.5倍，并给避障量单独做限幅。

3.3 计算Voronoi区域的关键代码细节

Matlab里直接调用voronoi(x, y)能画出Voronoi图，但如果我想拿到“每架无人机所属多边形的顶点坐标”，这就不够了。我的做法是用polyshape和nearestNeighbor配合实现，边界裁剪也一并处理。

% compute_voronoi_map.m 核心片段 function vor_regions = compute_voronoi_map(drones, map_boundary) n = length(drones); positions = reshape([drones.pos], 2, n)'; % 生成全平面Voronoi顶点与边信息 [vx, vy] = voronoi(positions(:,1), positions(:,2)); % 用全空间Voronoi扩展点构造区域多边形 dt = delaunayTriangulation(positions(:,1), positions(:,2)); [V, r] = voronoiDiagram(dt); map_poly = polyshape(map_boundary(:,1), map_boundary(:,2)); vor_regions = cell(n, 1); for i = 1:n % r{i} 是第i个种子点对应的Voronoi单元顶点索引 region_poly = polyshape(V(r{i}, 1), V(r{i}, 2)); % 与地图边界做交集裁剪 region_poly = intersect(region_poly, map_poly); vor_regions{i} = region_poly; end end

这段代码为什么值得单独拿出来讲？因为很多人的Matlab版本较老，voronoiDiagram和polyshape的兼容性有差异。如果你的版本较老，跑不通，有个替代方案：把地图边界外的Voronoi顶点手动裁剪掉，或者干脆约束无人机活动范围，在边界区域不做精确Voronoi计算，直接用边界坐标做近似区域。总之核心思路只有一个：拿到的区域多边形必须是闭合的、有界的，否则后续控制计算会出现NaN。

还有一个性能上的坑：无人机数量超过20架之后，每帧对所有无人机做全局Voronoi计算会越来越慢。这时建议引入“局部Voronoi”概念——每架无人机只和通信半径内的邻居一起计算局部Voronoi区域，能大幅降低计算量。代价是区域形状只保证局部最优，但对常规编队任务影响很小。

4. 实测调参与踩坑经历

4.1 第一次跑通的老实参数组合

这个项目我在本地实战过多次，给出一份适合第一次跑通的参数组合，比较温和，不容易一出场就“炸机”：

我的经验是，先用6架无人机、无障碍物环境把基本编队跑通，再逐次增加障碍物数量和无人机数量。每次只改一个变量，改完看曲线，别一上来就“全都要”。

顺带提一句调参顺序：先调一致性参数，再调避障参数，最后调Voronoi绘制的显示参数。反过来的话，你会在一个闪烁的图里完全分不清问题是出在控制还是出在渲染。

4.2 三个最让人崩溃的经典问题

问题一：无人机在目标位置附近来回震荡，始终无法收敛。 这个现象我一开始也遇到过。排查思路是，先看是不是Voronoi修正项和一致性编队项对位置产生了“对抗”。比如理想编队偏移量设置不合理，Voronoi区域中心离目标偏移量较远，两者就会持续拉扯。解决办法是把formation_offset和Voronoi区域中心点统一起来，直接用各区域的几何中心作为期望位置，而不是死板地沿用初始偏移量。另外检查速度阻尼kv_consensus是否过小，阻尼不够就会来回摆。

问题二：避障失效，飞机直直撞上障碍物。 很多情况下不是斥力增益不够大，而是斥力影响半径太小+最大速度太大。打个比方：每帧飞行距离是max_speed * dt，如果一帧就能飞进障碍物内部甚至穿过去，避障算法根本反应不过来。我建议把避障检测距离至少设为单帧位移的3倍以上。还有一点很多人忽略：障碍物数据必须也传给编队控制模块，因为在障碍物附近，编队期望位置如果落在障碍物内部，飞机就会向“障碍物中心”飞。要临时把靠近障碍物的期望位置替换为安全方向上的替代点。

问题三：Matlab运行效率低，10架以上无人机就卡。 瓶颈函数基本出现在Voronoi绘制、plot的刷新和polyshape的裁剪。优化方案：一是关闭不必要的图形显示，用set(handle, 'Visible', 'off')或者只在固定帧率（比如每5帧）刷新一次图形，别每步都重绘;二是用drawnogui替代传统的drawnow刷新，流畅度提升明显；三是把障碍物和地图边界的多边形一次性生成句柄，后续只更新位置数据，不要每次重新patch。这些优化做下来，30架无人机运行也能保持顺滑。

5. 常见问题速查与扩展思路

5.1 问题排查速查表

这里我把实操中整理出来的一份排查表分享出来，按现象直接查原因，能省很多排查时间。

还有一个很少被写进教程但实战出现频繁的问题：初始位置离目标点太远且Voronoi划分不对称。前几秒靠近中心的无人机会先出发，远处的无人机慢半拍，队伍会被拉成一条线。建议初始位置尽量在目标点附近对称分布，或者对初始化位置做一遍“最大最小距离”采样，保证初始队形均匀。

5.2 从仿真走向真机的扩展方向

Matlab仿真跑通之后，很多人会问下一步怎么走。我的看法是，仿真里这些模块迁移到真机其实有清晰的对应关系。

一致性编队模块直接替换为ROS 2中的Fuzzy或consensus节点，通信拓扑对应的就是ROS 2的DDS通信，只要话题和QoS策略设计正确，那套一致性公式原封不动可以上机。Voronoi划分在真机上通常是离线预计算加在线查表，因为真机环境相对固定，障碍物地图可以预先建好，运行时只需要做增量更新。避障模块优先级最高，真机上建议单独跑一个高频线程，和状态估计（视觉里程计或UWB定位）直连，保证碰撞风险来临时的响应速度。

还有一个值得做的扩展方向：引入动态障碍物预测。我试过给避障模块加一个简单的线性运动预测，也就是把障碍物的速度外推0.3~0.5秒，避障成功率显著提升，代价只是增加一维速度状态量。在Matlab里实现起来很简单，效果却很抢眼，适合作为这个项目的进阶课题。

一些更实在的体会

跑完这个Matlab工程，我最深的感受是：分布式多智能体控制在仿真里看似“顺理成章”，但很多细节必须亲手踩一遍才能真正理解。比如Voronoi区域中心替代固定偏移量这个坑，如果只是看论文，根本体会不到为什么作者强调“区域中心”而不是“队形坐标”。再比如避障权重优先级问题，写着简单，实际调起来你会发现，改一个权重可能影响整个系统的收敛性和稳定性。

如果你也打算复现这个项目，我的建议是先别贪多。把一致性编队+Voronoi静态划分跑稳定，再慢慢加入障碍物，最后再上动态避障。每一步只新增一个变量，不然出问题你根本定位不到源头。代码库保持清晰结构也是一样的道理——仿真跑不动的概率其实远低于“跑起来了但不知道它为什么跑成这个样子”的概率。

最后分享一个调试的小习惯：每一帧都记录所有状态到矩阵里，仿真结束后画出一组时间-位移曲线对比图。这样就算图形界面闪来闪去看看出问题，从曲线里也能一眼看出哪架飞机在什么时候跟大部队分道扬镳了。这个习惯帮我省下的时间，远超写那几行记录代码的成本。