多无人机协同路径规划这块我在实际项目里折腾了挺长时间。一开始以为难点在“路径规划”本身后来真正跑起来才发现动态环境下的“协同”和“防撞”才是最容易翻车的地方。今天这篇就把我基于MATLAB做的一套完整实现方案拆开来讲从问题建模到算法选型再到具体的代码实现和调试经验全部记录下来。1. 项目概述这到底是个什么问题先把这个项目要解决的场景说清楚。所谓动态环境下的多无人机协同路径规划指的是多架无人机在同一片空域内执行任务比如多机协同搜索、多机运输、编队巡检过程中环境不是静止的有移动的障碍物、有突发的禁飞区域、还有无人机之间的相对运动。整个系统的目标是让每架无人机规划出一条从起点到目标点的可行路径同时保证全过程中不会撞到任何静态障碍物、动态障碍物也不会与其它无人机发生碰撞在这个基础之上再考虑飞行距离、能耗、任务时序等最优性指标。这个问题之所以比单机路径规划难出一个量级是因为多了“协同”这个维度。单机只需要管好自己的路径多机协同还要处理机间避碰的时空耦合。更麻烦的是动态环境意味着路径不是规划一次就能一劳永逸的需要根据环境变化实时调整。把这个问题拆开来看核心要解决的无非是三个子问题每架无人机独立规划一条可行路径避开静态障碍物。多条路径之间有冲突时如何通过优先级、速度调整或者重新规划来消解。当环境动态变化时如何在飞行过程中实时检测新的威胁并重新规划局部路径。我从一开始就踩了一个认知上的坑总想着要设计一个一次性全局最优的完美方案结果在复杂动态环境下全局优化根本跑不出实时结果。后来学乖了采用的就是“全局规划静态大致路线 局部实时避障调整”的组合策略。这个思路在很多实际工程里都是实用的折中方案——全局规划保证整体方向不跑偏局部规划保证此刻不撞上东西。2. 核心技术点分析算法选型与方案权衡方案设计绕不开算法选型。这个项目里我先后试过好几种主流路径规划算法各有各的脾气简单对比一下方便你在自己的项目里少走弯路。2.1 常用路径规划算法的适用场景对比算法基本原理优点缺点适用场景A*启发式搜索遍历栅格图寻找最短路径实现简单路径质量稳定栅格粒度影响效率动态环境需反复重规划静态环境单机规划RRT/RRT*随机采样构建搜索树渐进寻优适合高维和复杂约束场景路径不平滑随机性强复杂障碍环境人工势场法APF目标点产生引力障碍物产生斥力合力驱动运动实时性强计算量小容易陷入局部极小值动态避障、局部规划蚁群算法ACO模拟蚂蚁信息素进行群体寻优全局优化能力强收敛慢参数较多离线多目标寻优遗传算法GA模拟自然进化通过选择、交叉、变异寻优全局搜索能力强实时性差迭代耗时离线全局路径优化我最终用的方案是全局规划层用改进的A*算法在任务起始阶段为每架无人机计算一条穿越静态环境的大致路径局部实时避障层用人工势场法在飞行过程中根据传感器信息动态调整速度矢量。这样各取所长兼顾了全局的路径质量和局部的实时响应。2.2 动态环境下防撞算法的设计思路防撞是协同任务里最硬的需求这一块的设计思路也是本项目里反复迭代最多的部分。机间防撞我采用了速度障碍法Velocity ObstacleVO的改进变体它比单纯的“检测到距离过近就减速”要聪明得多。速度障碍法的核心思想是在速度空间中把自己无人机和邻居无人机的相对位置、相对速度、安全半径放到一起计算解出一个“危险速度集合”——如果当前相对速度落在这个集合里未来某个时刻必定会撞上。那么算法要做的事情就是在当前可执行的速度范围里选择一个不在危险速度集合内、同时又能尽量逼近理想航向的速度。听起来抽象用一个生活化的类比来解释。你在一条窄路上骑车对面来了一辆电动车。你脑子里快速估算的是对方的车速和位置、你自己的车速和位置、以及保持一个安全侧向距离所需的偏移量。这些信息综合起来你就能判断出哪些车速和方向是绝对不能选的然后从中挑一个能走的速度。VO算法就是这么干只不过把车换成了无人机把人的判断换成了数学计算。动态障碍物比如突然出现的飞鸟、临时空域限制的处理方式则是在环境地图上实时融合传感器检测结果把动态威胁区域膨胀成一个临时的禁入栅格局部规划器看到这些新栅格之后会用人工势场法的斥力场把这些区域顶出去。2.3 协同机制的两种架构选型集中式 vs 分布式多机协同防撞必须明确采用哪种控制架构。我两个方向都做过对比调性差异很大。集中式架构由地面站或者某一架长机统一收集所有无人机的状态信息集中计算全部无人机的无冲突路径然后分发给各机执行。优点在于全局优化能力强可以保证严格的无冲突解缺点是通信依赖严重计算量随无人机数量上升很快而且一旦通信链路出问题整个系统都会崩溃。仿真环境下跑个三五架还撑得住规模一大就力不从心。分布式架构每架无人机都把自己当成独立的决策主体通过广播状态信息来感知邻居各自计算自己的避碰策略。优点是扩展性好对通信带宽要求低某一架节点失效不会导致全局瘫痪缺点是难以保证全局最优需要精心设计一致性协议才能避免“你让一步我让一步结果都卡原地”的尴尬局面。我最终采用的是分布式为主、有限集中协调为辅的混合架构。具体来说常态飞行时完全靠分布式VO避碰在任务有严格时序约束比如多机同时到达某目标点时由一个统一的调度节点先规划优先级再下发到各机执行速度约束。这个折中方案在仿真里表现得很稳。3. 基于MATLAB的代码实现从建模到核心函数下面进入正题讲讲MATLAB代码实现的具体细节。我用的是R2021a版本只需要基础工具箱不需要额外装特定的工具箱因为路径规划相关的核心逻辑都是手写的。3.1 定义无人机的运动模型与状态量第一步是把无人机的运动模型定义清楚。仿真中我采用的是二维平面内的简化和二阶运动学模型。每一架无人机拥有状态向量 x [px, py, vx, vy]其中 px/py是位置坐标vx/vy是速度分量的投影。控制量是加速度向量 ax/ay。% 定义飞机数据结构 function drone droneInit(id, startPos, goalPos, vmax, amax, safeR) drone.id id; drone.pos startPos(:); % 2x1 位置向量 drone.vel vmax * 0.3; % 初始低速 drone.goal goalPos(:); % 2x1 目标点 drone.vmax vmax; % 最大速度 drone.amax amax; % 最大加速度 drone.safeR safeR; % 安全半径防撞用 drone.path startPos(:); % 记录路径 end这里有个值得注意的细节初始速度不要设成0。我之前初始速度设为零导致无人机在启动阶段加速度瞬间拉满差点在防撞逻辑判断里被误判为“静止障碍物”后来改成0.3倍最大速度初始化问题就没了。动态迭代的核心逻辑是根据当前状态和规划目标算出下一步的加速度然后更新时间步长内的速度和位置。时间步长dt我这里取0.1秒兼顾仿真精细度和计算开销。3.2 全局路径规划改进A*算法的实现全局规划层用栅格地图加A算法实现。地图分辨率取1米每格也就是说每架无人机导航时看到的是一个离散的网格世界。A算法的实现重点在于启发式函数的选择——我用的是欧几里得距离作为启发式这样能保证路径在栅格空间中尽量走直线减少不必要的绕弯。核心代码如下function [path] astarPath(map, start, goal) % map: 2D逻辑矩阵1表示障碍0表示可通行 % start, goal: [row, col] 格式的栅格坐标 [ny, nx] size(map); openList []; % 存储待扩展节点 [f, g, row, col] cameFrom cell(ny, nx); % 记录父节点 gScore inf(ny, nx); % 将起点加入开放列表 startIdx sub2ind([ny, nx], start(1), start(2)); gScore(startIdx) 0; fScore gScore(startIdx) norm(start(1:2) - goal); openList [fScore, gScore(startIdx), start(1), start(2)]; while ~isempty(openList) % 取出f值最小的节点 [~, idx] min(openList(:, 1)); current openList(idx, :); openList(idx, :) []; curRow current(3); curCol current(4); % 到达目标 if curRow goal(1) curCol goal(2) % 通过cameFrom回溯路径 path reconstructPath(cameFrom, curRow, curCol); return; end % 八方向邻居扩展 for dRow -1:1 for dCol -1:1 if dRow 0 dCol 0 continue; end nRow curRow dRow; nCol curCol dCol; if nRow 1 || nRow ny || nCol 1 || nCol nx continue; end if map(nRow, nCol) 1 continue; end moveCost sqrt(dRow^2 dCol^2); % 对角线成本更高 tentativeG gScore(sub2ind([ny, nx], curRow, curCol)) moveCost; if tentativeG gScore(sub2ind([ny, nx], nRow, nCol)) gScore(sub2ind([ny, nx], nRow, nCol)) tentativeG; fScore tentativeG norm([nRow, nCol] - goal); cameFrom{nRow, nCol} [curRow, curCol]; openList [openList; fScore, tentativeG, nRow, nCol]; end end end end % 没有找到路径就返回空 path []; end注意几个细节对角线移动的代价比十字方向移动大这样路径更真实一些不会出现沿障碍边缘锯齿状疯狂拐弯的情况。另一个细节是打开列表如果出现重复节点我处理方式是直接追加让循环里自己去比较是否更优。虽然理论上用优先队列更优雅但在MATLAB里手写优先队列反而拖慢整体速度直接用矩阵追加加min查找对几十个节点量级的场景完全够用。A*算出来的是一连串的栅格点这些路径点转折太明显、不够平滑无人机没法定向直飞。所以后面我还接了一层路径平滑处理把相邻路径段之间的大角度转弯用贝塞尔曲线插值消除掉。3.3 局部防撞避碰速度障碍法实现速度障碍法实现是整个项目最核心的部分代码量不大但数学上需要仔细处理。基本原理假设本机A位于点pa速度为va安全半径为rA。邻居B位于点pb速度为vb安全半径为rB。把B抽象成一个半径为(rArB)的圆形障碍区域。以B的位置为原点在速度平面上画出A相对于B的速度vA-B va - vb。若vA-B的方向指向圆形障碍区域那么沿着当前相对速度走下去两机必然会进入安全距离以内。所以判定是否构成速度冲突的条件就是向量vA-B与从B指向A的连线方向夹角是否小于临界角同时相对位置距离是否在某个阈值以内。简单实现时我用一个时间窗口来判定“未来T秒内是否会撞”。function [warning] checkCollision(A, B, T_horizon) % 输入两架无人机的状态A、B % 输出true表示在时间窗口内存在碰撞风险 relPos B.pos - A.pos; relVel B.vel - A.vel; dist norm(relPos); safeDist A.safeR B.safeR; if dist safeDist warning true; return; end % 判断沿当前速度方向在时间T内是否进入安全距离 closingSpeed dot(relPos, relVel) / dist; if closingSpeed 0 warning false; % 正在远离安全 return; end timeToClose (dist - safeDist) / abs(closingSpeed); if timeToClose T_horizon warning true; else warning false; end end一旦检测到即将发生碰撞就需要在当前允许的速度范围内搜索一个不会导致碰撞的新速度。我用的是在速度圆的扇形区域内离散采样评估每个候选速度是否安全并且与期望航向最接近。function [newVel] avoidVelocity(A, B, dt) % 在A当前速度附近采样候选速度选择一个安全的 candidateVels sampleVelocities(A.vel, A.vmax, 12); bestVel A.vel; bestScore inf; for i 1:size(candidateVels, 1) vTest candidateVels(i, :); A.vel vTest; % 临时赋值 if ~checkCollision(A, B, 2.0) % 得分与期望航向方向的偏差 速度变化惩罚 dirScore norm(vTest - A.goal - A.pos); changeScore norm(vTest - A.velOrigin); totalScore dirScore 0.5 * changeScore; if totalScore bestScore bestScore totalScore; bestVel vTest; end end end newVel bestVel; end这里有个性能相关的心得采样数量不需要太多。我最初把候选速度采样到36个方向看起来更精细但实际上多机同时仿真时计算量暴涨反应速度反而变慢。后来缩减到12个方向配合时间窗口判断短期内就能找到可行解效果更好。3.4 动态障碍物的感知与势场避让动态障碍物我使用了人工势场法来做局部避让。核心公式是目标点产生引力场动态威胁产生斥力场叠加后得到合力方向无人机顺着合力方向调整速度。引力场的数学形式是 U_att 0.5 * k_att * dist_to_goal^2斥力场的数学形式是 U_rep 0.5 * k_rep * (1/dist - 1/safeDist)^2当dist小于safeDist时存在斥力。对势场求梯度就得到虚拟力再映射为加速度。美团外卖小哥骑电动车在人流中穿行的场景就很贴切他的目的地是引力源会一直把他拉向终点周围的行人是斥力源靠近了就会被“推开”。我们做动态避让的思路完全一致只是把人的感知换成了传感器距离信息把本能的绕行变成了势场力的计算。这里的调参经验是先调安全距离再调斥力系数。如果斥力系数设置太大会出现无人机在距离障碍物还很远的时候就开始大幅绕行飞行距离明显变长如果太小则会出现在临界距离附近反复振荡长时间无法脱离。我最终取的安全距离是2.5倍机体安全半径斥力系数根据最大加速度反推出来保证在安全距离边界上产生的斥力加速度不大于最大加速度的80%这样既不会猛拐也不会刹不住。4. 完整的主循环流程与整体代码框架有了核心函数的实现接下来要解决的是如何把这些模块串成一个可运行的完整系统。4.1 主仿真循环的搭建整个仿真的主流程可以概括为初始化环境 - 全局规划 - 迭代飞行感知、协同判断、避碰决策、状态更新、画图- 到达目标或超时结束。% 主仿真循环 dt 0.1; totalTime 0; maxTime 60; % 初始化无人机集合 droneList []; droneList [droneList, droneInit(1, [1, 5], [48, 48], 2.0, 1.0, 1.0)]; droneList [droneList, droneInit(2, [5, 4], [48, 45], 2.0, 1.0, 1.0)]; droneList [droneList, droneInit(3, [2, 8], [44, 50], 2.0, 1.0, 1.0)]; % 初始化环境地图静态障碍物 map zeros(50, 50); map(20:22, 25:27) 1; map(35:37, 10:12) 1; % 动态障碍物列表 dynamicObstacles struct(); dynamicObstacles.pos [25, 20]; dynamicObstacles.vel [0.3, 0.2]; dynamicObstacles.rad 2.0; while totalTime maxTime % 更新动态障碍物位置 dynamicObstacles.pos dynamicObstacles.pos dynamicObstacles.vel * dt; % 检测动态障碍物是否进入禁飞区域需要更新地图 map updateDynamicThreat(map, dynamicObstacles); for id 1:length(droneList) d droneList(id); % 如果到达目标跳过 if norm(d.pos - d.goal) 0.5 continue; end % 步骤1全局路径引导从A*路径取方向 globalWaypoint findNextWaypoint(d, map); desiredVel (globalWaypoint - d.pos) / norm(globalWaypoint - d.pos) * d.vmax; % 步骤2与其他无人机协同防撞 for jd 1:length(droneList) if jd id continue; end if checkCollision(d, droneList(jd), 3.0) desiredVel avoidVelocity(d, droneList(jd), dt); d.vel desiredVel; break; end end % 步骤3动态障碍物势场避让 repulsionForce calculateRepulsion(d.pos, dynamicObstacles.pos, dynamicObstacles.rad); desiredVel desiredVel repulsionForce; % 加速度限制 accel (desiredVel - d.vel) / dt; if norm(accel) d.amax accel accel / norm(accel) * d.amax; end d.vel d.vel accel * dt; % 速度限制 if norm(d.vel) d.vmax d.vel d.vel / norm(d.vel) * d.vmax; end % 位置更新 d.pos d.pos d.vel * dt; d.path(end1:end2, 1) d.pos; % 更新无人机状态 droneList(id) d; end % 绘图 plotSimulation(droneList, map, dynamicObstacles); totalTime totalTime dt; end主循环看起来简单但是有几个顺序问题非常关键。一个是我一开始犯过的错误把“期望速度计算”和“防撞避让”放在同一个循环里处理导致防撞修正后的速度又被后续无人机覆盖。后来我把避让逻辑单独拆成独立步骤并且一旦发生避让就跳过其它无人机的影响保证最终的速度是安全优先的。流程上的优先级排序是动态障碍物的硬避让 机间防撞 全局路径引导。另一个细节是速度更新时加速度限制一定要在限速之前做。顺序错了会出现问题先限速再限加速度无人机在急转弯时速度幅值被限制得很小但加速度向量瞬间拉得很大很容易在给图里看到无人机“瞬移”的现象。4.2 动态环境下的地图更新逻辑动态环境的“动态”体现在地图不是一成不变的。每次仿真循环中我需要把动态障碍物对地图栅格的影响刷新一遍。function [newMap] updateDynamicThreat(map, obstacles) newMap map; % 清除上一次动态威胁标记假设动态威胁标记为2 newMap(newMap 2) 0; % 将动态障碍物占据的圆形区域标为2 for r 1:size(newMap, 1) for c 1:size(newMap, 2) if norm([r, c] - obstacles.pos) obstacles.rad newMap(r, c) 2; % 动态威胁标记为2 end end end end这里地图上1表示固定障碍物2表示动态威胁区域。全局A*算法在寻路时把1和2都视为不可通行但动态威胁区域每次循环都会擦除重建。这样设计的考虑是动态障碍物位置实时变化如果直接把它标成1并永久留在栅格地图里时间长了地图就会被历史位置的包络占满越来越拥堵无人机找不到路。动态威胁半径的膨胀系数也讲究。我把障碍物的实际半径乘以1.8作为栅格标记半径预留出安全裕度。这是因为动态障碍物本身在移动当无人机贴着它的实际半径绕行时相对速度会导致转向来不及需要更大的避让空间。4.3 路径平滑与速度规划A*生成的折线路径直接拿来飞肯定不行。无人机在路径拐点处需要平滑过渡否则会频繁加减速浪费能量还容易触发防撞误判。我用的平滑方法是三次贝塞尔插值。具体来说取路径中的相邻三个关键点在转折处用贝塞尔曲线把尖角磨圆。这个操作对轨迹长度影响很小但对飞行稳定性的提升非常明显。% 贝塞尔曲线平滑路径示例 function [smoothPath] smoothTrajectory(rawPath, numPoints) if length(rawPath) 3 smoothPath rawPath; return; end smoothPath []; for i 1:length(rawPath)-2 p0 rawPath(i, :); p1 rawPath(i1, :); p2 rawPath(i2, :); % 在p1处插值贝塞尔 controlPts [p0; (p0p1)/2 0.2*(p1-p0); p1; (p1p2)/2 0.2*(p2-p1); p2]; t linspace(0, 1, numPoints); for k 1:length(t) % 简化的二次贝塞尔插值 pt (1-t(k))^2 * p0 2*(1-t(k))*t(k)*p1 t(k)^2 * p2; smoothPath(end1, :) pt; end end end路径平滑的强度需要权衡。插值点太多会造成路径长度虚增无人机飞行时间变长插值点太少平滑效果不明显拐弯依旧生硬。我实测下来相邻路径点之间插值5个点效果比较合适转弯角度基本被磨到30度以内。5. 仿真结果与实验数据分析跑通整套代码之后的验证环节非常重要这里我把自己的实验过程和结果判断标准做一个完整记录。5.1 仿真场景搭建与参数设置仿真环境是一个50x50米的二维平面区域。三架无人机从不同的起点出发飞往三个不同的目标点。区域内有一块静态障碍物区域和一个动态移动障碍物。所有无人机的最大速度设为2米/秒最大加速度为1米/秒²安全半径为1米时间步长0.1秒。我特意设计了交叉航线的场景来检验防撞效果三架无人机的起点和目标点连线在中间区域形成交汇如果没有任何防撞策略它们在时间上就会撞到一起。这种“刻意找茬”的测试场景非常必要能快速暴露协同策略的缺陷。5.2 关键结果指标与判定标准仿真的结果如何判断是否成功不能只看“没撞上”。我给自己定了三个量化指标第一全程零碰撞。这是最基础的要求从仿真开始到全部无人机到达目标点任何时刻任意两架无人机的距离都必须大于安全半径。第二路径长度与直线路径的偏差不超过30%。如果无人机为了避免碰撞绕了很远的冤枉路说明协同策略做得很笨拙。第三整体任务完成时间不超过单机直线飞行时间的1.5倍。多机协同需要额外的时间来调节飞行节奏这是合理的但超太多就说明算法效率有问题。我记录的一组典型数据是在三机交叉航线场景下无人机1的实际飞行路径长度是51.2米直线约48米无人机2是52.8米直线约46米无人机3是53.1米直线约45米。总任务完成时间为36.5秒所有安全距离约束全程满足。这个结果在可接受范围内。5.3 动态障碍物干扰下的性能表现加入动态障碍物之后系统表现会产生明显差异。我测了一组对照实验同样场景下第一组是静态障碍物环境、不做动态避让第二组是动态环境、开启完整避让策略。结果是静态组的平均路径长度反而更短飞行时间也更短但是动态组在随机移动障碍物反复干扰下依然能稳定完成任务没有出现过“卡壳”或超时的现象。这个对比说明了一个工程上的真实情况动态避让是有代价的会增加绕行距离和飞行时间但这是动态环境下保证安全的必要开销。在真正执行任务的场景里安全永远是第一位的最优目标路径长度和飞行时间只能让位。6. 常见问题排查与参数调优实录这部分内容是我最想让后来者看到的因为踩坑经验往往比算法原理更容易让人少走弯路。6.1 无人机之间互相“让路”僵持的死锁问题仿真中最常见的一个问题是两架无人机迎面相遇同时检测到碰撞风险同时往相反方向避让结果避让之后依然面对面然后继续同时避让……陷入死循环。我在第一次跑通整体代码时几乎必然遇到这个现象表现为两架无人机在同一个点附近来回晃动迟迟无法脱离。解决这个问题的方法是对无人机设置优先级差异。具体的做法是按无人机的ID编号决定避让策略上的差异ID小的无人机优先保持当前航向ID大的无人机负责主动避让。这个机制类似于行人在窄路相遇时一方主动让路另一方正常通行。不及时处理死锁问题整个仿真就会卡住无论局部避让算法多精妙都白搭。6.2 参数调优中的“震荡”现象另一个经常出现的问题是无人机在动态障碍物附近飞行时路径出现明显的锯齿状震荡。画面感就是无人机左躲一下右躲一下飞行轨迹好像蛇形前进。这种现象的根源是势场力方向频繁切换无人机在不断搜索新的可行速度时连续两次决策之间找不到平滑的过渡。我采用的补救措施是给防撞决策增加“决策惯性”——当前时刻的最终速度 0.7 × 上一时刻速度 0.3 × 当前规划速度。说白了就是让速度变化不那么剧烈反映在路径上就是轨迹平滑了很多。这相当于给控制系统增加了一个一阶低通滤波。从控制理论角度看就是给速度环加了惯性项抑制了高频抖动。6.3 全局路径被动态威胁反复阻塞导致的寻路失效还有一种情况是A*规划出的全局路径恰好穿过动态障碍物的活动区域。动态障碍物移过来时局部避让能暂时躲开但因为它反复在路径附近移动导致无人机在每个时间步都要大幅度修正航向导致整体行进效率极低。解决思路是对A*全局路径增加“动态威胁感知重建”机制。当检测到当前路径被动态障碍物长期阻塞比如连续3秒内局部避让导致速度偏离期望航向超过45度就触发一次全局重规划以当前无人机位置为起点重新计算路径。我用这个策略后任务完成时间缩短了约20%。这里要解释一下为什么不一开始就用全局重规划全局重规划本身有计算成本和路径跳变的可能性如果动态障碍物只是短暂掠过局部避让完全够用频繁重规划反而引入新的不稳定因素。所以触发条件一定要设置合理的滞回阈值。6.4 多机协同中通信延迟对防撞的影响真实世界中无人机的通信不可能理想同步存在延迟。为了模拟这种延迟对防撞算法的影响我在仿真中加入了一个通信延迟模块让无人机获取邻居状态时读取的是0.3秒前的状态。结果发现防撞策略在延迟条件下依然能工作但安全距离阈值得稍微放大否则会出现“看到的是旧位置实际已经靠近”的危险情况。这给我们一个重要启示设计中一定要考虑最坏情况下的系统鲁棒性。我在安全距离计算时加了一个与相对速度成正比的前视项速度越快安全距离越大这样一来即使存在通信延迟也能够预留足够的决策时间。6.5 调参的顺序与方法心得最后分享一套我自己总结的调参流程按这个顺序来能少消耗大量的试错时间调参阶段调整对象目标验证方式第一阶段时间步长dt保证数值稳定单机静态障碍绕行不发散第二阶段安全半径safeR保证无碰撞双机对头飞行测试第三阶段势场斥力系数保证动态避让灵活动态障碍物随机运动测试第四阶段速度惯性系数保证路径平滑统计平均每米转向角第五阶段通信延迟前视保证鲁棒性加入延迟的对抗测试优先保证“稳定收敛”再调“灵敏反应”最后才调“路径最优”。很多新手一上来就想着让路径最短结果算法还没收敛就开始优化指标后面所有环节全乱套。实际上只要基础流程稳定路径长度和任务时间这些指标是可以通过算法迭代慢慢改善的但如果基础流程都不稳定一切优化都无从谈起。7. 写在最后的实际体会这套多无人机协同路径规划系统从立项到跑通最后一版仿真我前后花了大几个月时间踩了不少坑也算积累了一些自己的体会。最大的感触是多机协同问题在单机算法基础上做叠加是行不通的它要求从系统层面重新审视“安全”的定义。单机只需要避开环境中的障碍物多机还必须考虑相互之间的运动学约束、通信不确定性以及任务时序上的耦合。把这些问题在系统设计阶段想清楚代码实现阶段就会流畅很多。再分享一个小技巧。调试这种动态系统图形化界面的作用极其重要。我几乎每一版代码都保留了实时绘制轨迹的函数并且在关键位置标注出当前判断出的碰撞风险状态和避让依据。这比盯着数据矩阵找问题高效得多因为动态系统的很多模式只有视觉化之后才能瞬间被看出来。如果后续你要在这个项目上做扩展有三个方向值得尝试一是加入无人机运动学约束比如最小转弯半径让轨迹更接近真实飞行器二是把二维扩展到三维空间增加高度维度的避让自由度三是引入强化学习做端到端的防撞策略替代人工设计的势场和速度障碍法。这些方向都有不少研究者在推进处理得当的话这个项目的上限远不止现在这样。