1. 从"一群无人机各飞各的"到"像雁群一样协同"：这个项目到底在解决什么
如果你玩过多旋翼，大概率经历过这样的场景：三架无人机同时起飞，你手里只有一个遥控器，想让它们保持一个三角形编队往前飞，结果要么是间距忽大忽小，要么是其中一架撞上了突然出现的电线杆。单机控制靠PID调参还能凑合，一旦数量上去，问题就从"怎么飞稳"变成了"怎么让它们互相知道对方在哪、该往哪飞、遇到障碍怎么让"。
这个项目要干的事情，就是给一个无人机群体装上"集体大脑"和"局部反射神经"。具体来说，它包含两个核心能力：第一是障碍避让，让每架无人机在飞行过程中能感知并绕开障碍物，而不是傻乎乎地按预设轨迹撞上去；第二是基于Voronoi的编队控制，用Voronoi图把空间划分成若干责任区域，每架无人机负责自己那块区域，通过区域几何关系来维持整体队形。整个实现跑在Matlab里，意味着你不需要真机就能先把算法逻辑验证清楚，这对做研究和前期方案论证的人来说非常友好。
适合谁来参考这篇内容？如果你正在做多智能体协同控制相关的课题、需要快速搭一个仿真验证环境、或者单纯对"群体智能怎么落地到无人机"这件事好奇，那接下来的内容会对你有直接帮助。我会把Voronoi编队的几何直觉、避障的势场设计、Matlab里的实现骨架，以及我自己踩过的几个坑，全部摊开讲清楚。
需要先说明一点：这个项目本质是一个仿真层面的算法验证框架，不是直接能烧进飞控的工程代码。它的价值在于帮你把控制律和协同逻辑跑通、看明白，至于后面怎么移植到真实平台，那是另一个话题，我会在最后一节聊几句思路。
2. Voronoi编队控制的几何直觉：为什么用"责任田"来管一群无人机
2.1 从"每架飞机追一个目标点"说起
最朴素的编队控制思路是：给每架无人机分配一个期望位置，让它飞过去。比如三架飞机要组成等边三角形，那就设定三个目标点，各自用位置控制器飞过去。这个方法在无障碍、无干扰的环境下能用，但有两个致命问题。
第一个问题是耦合性差。如果其中一架因为避障偏离了位置，其他两架并不知道，编队就散了。第二个问题是扩展性差。十架飞机你要手动分配十个目标点，而且目标点之间的相对关系是写死的，一旦整体需要旋转或缩放，你得重新算一遍。
Voronoi的思路完全不同。它不直接告诉每架飞机"你该在哪"，而是告诉它"你负责哪块区域"。区域的边界由它和邻居之间的垂直平分线决定。当所有无人机都朝着自己区域的某个特征点（通常是质心）移动时，整个群体就会自然形成一种稳定的空间分布。这就像给每个人分了一块责任田，你管好自己那块，整体秩序就出来了。
2.2 Voronoi图是怎么"长"出来的
给定平面上若干点（这里就是无人机的位置），Voronoi图把平面划分成若干个凸多边形区域，每个区域内的任意一点到该区域对应无人机的距离，都小于到其他任何无人机的距离。用大白话说：离谁近，就归谁管。
这个性质带来一个非常好的结果——区域边界就是无人机之间的"势力分界线"。如果两架无人机靠得太近，它们的区域会被压缩得很小，质心位置会发生变化，控制律就会产生一个让它们分开的力。反过来，如果某架无人机离群体太远，它的区域会变得很大，质心会把它往回拉。这种自组织的间距维持机制，是Voronoi编队最迷人的地方。
在Matlab里，计算Voronoi图可以直接用voronoi函数画图，但要做控制你得拿到每个区域的顶点坐标。这时候更实用的是voronoin函数，它返回的是顶点矩阵和区域索引，你可以据此算出每个多边形的质心。这里有个细节：voronoin返回的区域索引里，第一个顶点是无穷远点（用1表示），处理边界区域时必须把它剔除，否则质心计算会出错。我第一次跑的时候就因为这个原因，边缘那架无人机的目标点直接飞到了天边。
2.3 质心Voronoi剖分与编队收敛
标准的Voronoi编队控制，目标不是让无人机停在Voronoi区域的几何质心，而是让它们收敛到质心Voronoi剖分（Centroidal Voronoi Tessellation, CVT）的状态。CVT的定义是：每个区域的质心恰好与该区域对应的生成点重合。换句话说，无人机停的位置，就是它自己那块区域的"重心"。
为什么CVT是个好目标？因为在这个状态下，整个群体对空间的覆盖是最均匀的。如果你给每架无人机一个密度函数（比如某些区域需要更密集的覆盖），CVT还能实现非均匀分布。对于编队控制来说，你只需要调整密度函数的形状，就能让群体自然形成你想要的队形轮廓，而不需要显式地指定每个目标点。
控制律的形式其实很简洁：每架无人机的速度指令等于它当前位置到其Voronoi区域质心的向量，乘以一个增益。用公式表示就是u_i = k * (C_i - p_i)，其中C_i是第i个Voronoi区域的质心，p_i是无人机当前位置。这个控制律的稳定性可以用Lyapunov方法证明，但作为实操者，你只需要知道：它会让整个系统朝着CVT状态收敛，而且收敛过程是平滑的。
2.4 编队形状怎么"调"出来
有人会问：我想让它们排成一条直线，或者一个圆环，Voronoi能办到吗？答案是能，但需要一点技巧。纯Voronoi编队在没有密度函数调制的情况下，趋向于均匀分布，形状取决于初始位置和边界条件。要得到特定形状，通常有两种做法。
一种是在密度函数上做文章。比如你想让无人机排成环形，可以构造一个在环上密度高、其他地方密度低的函数，CVT会自然把生成点推向高密度区域。另一种更直接的做法是混合控制：在Voronoi控制的基础上，叠加一个朝向期望编队形状的参考力。这样既保留了Voronoi的避碰和自组织特性，又能精确控制队形。我在实际项目里更倾向第二种，因为调参直观，形状误差也容易量化。
3. 障碍避让的势场设计：让无人机"怕"障碍但不"怕"队友
3.1 人工势场的基本框架
障碍避让最经典的方案是人工势场法。核心思想很简单：把目标点设成引力源，把障碍物设成斥力源，无人机在合力作用下运动。引力保证它往目标飞，斥力保证它不撞障碍。这个方法的优点是计算量小、响应快、容易和其他控制律叠加；缺点是容易陷入局部极小值，也就是引力和斥力刚好抵消，无人机卡在原地不动。
在多无人机场景下，势场还要多一层：机间斥力。每架无人机不仅要躲障碍，还要躲其他无人机。但这里有个微妙的平衡——机间斥力太强，编队会被撑散；太弱，又会撞机。我的经验是，机间斥力的作用范围应该略大于期望编队间距，强度要低于障碍斥力，这样在正常编队飞行时它几乎不生效，只有在间距异常缩小时才介入。
3.2 斥力函数的选型与参数计算
斥力函数常见的有两种形式：一种是基于距离倒数的，一种是基于指数衰减的。倒数形式的斥力在距离趋近于零时会趋于无穷大，理论上能保证绝对不碰撞，但数值上容易爆炸，仿真步长稍大就会发散。指数形式更平滑，但需要仔细调参才能保证在安全距离外及时产生足够的斥力。
我一般用改进的倒数形式，加一个饱和上限：
function F_rep = repulsive_force(p, p_obs, rho0, eta) d = norm(p - p_obs); if d > rho0 F_rep = [0; 0]; else direction = (p - p_obs) / d; magnitude = eta * (1/d - 1/rho0) / d^2; magnitude = min(magnitude, 50); % 饱和上限 F_rep = magnitude * direction; end end这里的rho0是斥力作用半径，eta是斥力增益。rho0怎么定？它应该大于无人机的最小安全间距加上一个反应余量。假设你的无人机半径0.3米，安全间距要求1米，飞行速度2米/秒，控制周期0.05秒，那么一个周期内飞行0.1米。rho0至少要是1.3米，留出反应时间的话建议设到2米左右。eta的取值要让最大斥力在合理范围内，通常通过试凑，从1开始往上加，直到避障响应足够快但不震荡。
3.3 局部极小值的破解思路
局部极小值是势场法的老毛病。无人机、障碍、目标三点共线时，引力和斥力方向相反，合力为零，无人机就卡住了。破解方法有几种，我在项目里用的是虚拟目标点法：当检测到合力接近零且未到达目标时，在垂直于当前运动方向的一侧生成一个临时目标点，打破对称性。这个临时目标点持续一小段时间后撤销，让无人机重新评估。
另一种更优雅的方法是旋转势场，在斥力上叠加一个切向分量，让无人机自然地"绕"过障碍而不是正面硬顶。切向分量的方向选择要一致（比如始终顺时针），否则会在障碍两侧来回震荡。这个方法在障碍物比较规则（圆形、矩形）时效果很好，但遇到凹形障碍可能会把无人机引进死胡同。
3.4 避障与编队的优先级仲裁
避障和编队这两个目标有时候会冲突。比如编队要求你往左飞，但左边有障碍，你该怎么办？我的处理原则是：安全优先，编队次之，但编队不能完全放弃。具体实现上，我用一个优先级权重：避障力乘以一个较大的权重，编队力乘以一个较小的权重，两者叠加。当避障力很大时，编队力被淹没，无人机优先避障；当避障力消失后，编队力重新主导，无人机回归队形。
这里有个坑：如果避障结束后无人机直接猛拉回编队位置，可能会引起队形震荡。我的做法是给编队力加一个恢复速率限制，让回归过程平滑一些。另外，避障期间编队误差会累积，如果障碍密集，可能需要临时放宽编队误差的容忍度，否则系统会一直处于高增益修正状态，反而容易失稳。
4. Matlab实现骨架：从初始化到仿真循环的完整链路
4.1 仿真环境与参数初始化
Matlab做这类仿真的优势在于矩阵运算和可视化都很顺手。我通常把整个仿真写成一个主脚本加几个函数文件的结构。主脚本负责参数设置、循环推进和绘图，函数文件负责Voronoi计算、势场计算、动力学更新这些模块化的工作。
参数初始化部分，我习惯用一个结构体把所有参数装起来，这样调参的时候不用满脚本找变量：
params.N = 5; % 无人机数量 params.dt = 0.05; % 仿真步长 params.T = 60; % 仿真总时长 params.area = [0 20; 0 20]; % 仿真区域 params.v_max = 3; % 最大速度 params.k_formation = 1.2; % 编队增益 params.k_avoid = 2.5; % 避障增益 params.rho0 = 2.0; % 斥力作用半径 params.eta = 3.0; % 斥力增益 params.safe_dist = 1.0; % 机间安全距离初始位置我一般随机撒点，但会加一个最小间距约束，避免一开始就有两架重叠。障碍物用结构体数组表示，每个障碍有位置和半径两个字段。如果是多边形障碍，可以拆成多个圆形近似，或者用距离函数直接算点到多边形的距离。
4.2 Voronoi区域计算与质心提取
这是整个项目里最容易出bug的地方。Matlab的voronoin返回的索引格式需要仔细处理：
function [centroids, regions] = compute_voronoi_centroids(positions, area) [v, r] = voronoin(positions'); centroids = zeros(size(positions)); for i = 1:size(positions, 1) region_idx = r{i}; if isempty(region_idx) || any(region_idx == 1) % 无穷远区域，用边界裁剪 region_idx = region_idx(region_idx ~= 1); if isempty(region_idx) centroids(i, :) = positions(i, :); continue; end end poly_x = v(region_idx, 1); poly_y = v(region_idx, 2); % 用polyshape计算质心 ps = polyshape(poly_x, poly_y); [cx, cy] = centroid(ps); centroids(i, :) = [cx, cy]; end end对于无穷远区域，严格来说需要用仿真区域的边界去裁剪，但我在实际项目里发现，如果无人机初始位置都在区域内且分布合理，无穷远区域很少出现。真出现了，直接用当前位置作为质心也能凑合，不会导致发散。当然，如果你追求严谨，可以用polybool或者自己写一个Sutherland-Hodgman裁剪算法，把无穷远区域截断到仿真边界内。
4.3 控制律合成与动力学更新
控制律的合成就是把编队力和避障力加起来，然后做限幅：
function u = compute_control(i, positions, centroids, obstacles, params) % 编队力 F_form = params.k_formation * (centroids(i, :) - positions(i, :)); % 障碍斥力 F_obs = [0, 0]; for j = 1:length(obstacles) F_obs = F_obs + repulsive_force(positions(i, :), ... obstacles(j).pos, obstacles(j).radius + params.rho0, params.eta); end % 机间斥力 F_int = [0, 0]; for j = 1:size(positions, 1) if j == i, continue; end d = norm(positions(i, :) - positions(j, :)); if d < params.safe_dist * 1.5 F_int = F_int + repulsive_force(positions(i, :), ... positions(j, :), params.safe_dist * 1.5, params.eta * 0.5); end end u = F_form + F_obs + F_int; % 速度限幅 if norm(u) > params.v_max u = u / norm(u) * params.v_max; end end动力学更新我用的是最简单的单积分模型：p = p + u * dt。这个模型假设速度可以瞬时改变，对于算法验证足够了。如果你想更接近真实无人机，可以换成双积分模型，把控制量当作加速度，再加一个速度阻尼项。双积分模型下，编队增益需要重新调，通常要小一些，否则会超调震荡。
4.4 可视化与调试技巧
Matlab的voronoi函数可以直接画图，但在仿真循环里每帧重画整个图会很慢。我的做法是每帧只更新无人机位置和Voronoi边界的句柄，用set函数修改数据而不是重新创建对象。障碍物用viscircles画，编队误差用实时曲线显示。
调试的时候，我强烈建议把每架无人机的控制力分量分开画出来。编队力、障碍斥力、机间斥力各用不同颜色，这样一眼就能看出是哪个力在主导。我遇到过编队一直震荡的问题，画出来才发现是机间斥力在正常间距下就一直在作用，把编队增益抵消了一部分。把机间斥力的作用范围调小之后，震荡立刻消失。
5. 实测中暴露的四个典型问题与排查过程
5.1 边缘无人机"飞出去"：无穷远区域处理不当
第一次跑通仿真的时候，我发现最外面那架无人机总是往仿真区域外面飞，最后停在角落里不动了。排查过程是这样的：先看位置曲线，发现它的目标点（Voronoi质心）一直在往边界外移动；再看Voronoi区域，发现它的区域是一个无穷远区域，voronoin返回的索引里包含1，而我的代码没有正确处理，导致质心计算用了一个包含无穷远点的多边形，算出来的质心自然在区域外。
修复方法就是前面代码里写的，把索引1剔除，如果剔除后区域为空，就用当前位置作为质心。更稳妥的做法是用仿真边界裁剪无穷远区域，但需要额外实现裁剪算法。对于大多数编队场景，简单剔除就够了，因为只要无人机不飞出区域，无穷远区域很少出现。
5.2 编队收敛但间距不均匀：密度函数缺失
有一次我设了五架无人机，期望它们均匀分布在一个圆形区域内。结果收敛后，中间那架周围挤了三架，边上两架离得很远。原因是我用的是标准Voronoi，没有加密度函数，系统收敛到的是均匀覆盖的CVT，但均匀覆盖不等于均匀间距——在凸区域边界附近，Voronoi区域会被边界截断，面积偏小，质心偏向内部，导致边界附近的无人机被往里拉。
解决办法是引入一个密度函数，在边界附近降低密度值，让CVT的生成点往外推。密度函数可以简单设为到区域中心的距离的函数，也可以根据期望的编队形状来构造。我试过用高斯混合模型来定义密度，效果不错，但调参比较麻烦。如果只是想要均匀间距，一个更直接的方法是在控制律里加一个边界斥力，把无人机往区域内部推。
5.3 避障时编队短暂散开但恢复缓慢
避障过程中编队散开是正常的，但我的问题是避障结束后恢复太慢，有时候要十几秒才能回到期望队形。分析下来有两个原因：一是编队增益设得偏小，二是避障结束后无人机的速度方向还残留着避障时的横向分量，需要时间衰减。
改进措施有三个：第一，把编队增益从0.8提到1.2，恢复速度明显加快；第二，在避障力消失后加一个速度阻尼项，加速横向速度衰减；第三，给编队力加一个前馈项，根据编队误差的变化率提前修正。第三个措施效果最好，但需要小心处理，前馈增益太大会引起振荡。
5.4 仿真步长与控制周期的匹配问题
我一开始用dt = 0.1跑仿真，结果避障时无人机经常"穿"过障碍物。原因是步长太大，一个步长内无人机移动了0.3米，而障碍物半径只有0.5米，斥力还没来得及把它推开，它已经到障碍物内部了。把步长降到0.02之后问题消失，但仿真时间变长。
这里的原则是：步长乘以最大速度，必须远小于障碍物的特征尺寸。经验上，单步位移不超过障碍物半径的十分之一比较安全。如果计算资源有限，可以用变步长：远离障碍时用大步长，接近障碍时自动减小步长。Matlab的ode45支持事件检测，可以在接近障碍时触发步长调整，但实现起来比固定步长复杂不少。
6. 从仿真到落地的几个现实考量
仿真跑得再漂亮，真机上又是另一回事。我在这个项目里总结了几条经验，给打算往真机移植的人参考。
第一，通信延迟是最大的敌人。仿真里所有无人机的位置信息是瞬时共享的，真机上每架飞机的位置要经过估计、打包、传输、解包才能被邻居使用，延迟几十毫秒很正常。Voronoi计算对位置精度很敏感，延迟会导致区域划分抖动，进而引起控制量抖动。缓解办法是在控制律里加低通滤波，或者用预测算法补偿延迟。
第二，定位精度决定编队精度。仿真里位置是精确值，真机上GPS误差可能到米级，室内视觉定位好一些但也有厘米级误差。如果编队间距要求是两米，定位误差半米，那编队效果会大打折扣。实际项目里，编队间距通常要留出定位误差的余量，或者用相对定位（比如机间测距）来辅助。
第三，计算资源要留余量。Voronoi计算在Matlab里跑五架飞机很轻松，但真机上的飞控计算机性能有限，而且还要跑姿态控制、状态估计等任务。如果无人机数量增加到十几架，Voronoi的计算量会上升，需要考虑分布式计算或者简化算法。一个实用的简化是只考虑邻居的Voronoi区域，而不是全局计算，这样计算量随邻居数量而不是总数量增长。
第四，安全机制必须独立于编队逻辑。编队算法再可靠，也不能保证不出问题。真机上应该有独立的安全监控模块，检测到间距过近或者飞出安全区域时，直接接管控制，执行悬停或返航。这个模块不能依赖编队算法的输出，必须是独立的传感器和控制通道。
7. 写在最后：几个让我少走弯路的实操习惯
做这类多智能体仿真，我最大的体会是先把单机跑通再上群体。很多人一上来就写五架飞机的协同，结果出了问题根本不知道是哪架的逻辑错了。我的习惯是先写一架飞机的避障，确认它能稳定绕开障碍；再加第二架，确认机间斥力生效；然后才逐步增加数量。每一步都可视化，每一步都记录关键变量的曲线。
另一个习惯是参数分组调试。编队增益、避障增益、斥力半径这些参数不要一起调，一次只动一个，观察它对系统行为的影响。我一般先调编队增益，让编队能收敛；再调避障增益，让避障响应够快；最后调斥力半径，微调安全距离。调参过程中把每次的参数和对应的行为记下来，形成自己的参数直觉，下次遇到类似场景就不用从头试了。
最后一个习惯是保留中间版本的代码。Voronoi编队的实现有好几种变体，势场函数也有不同形式，我每次尝试新方案都会另存一个版本，而不是在原文件上改。这样当新方案效果不好时，可以快速回退到之前能跑的版本，而不是从头重写。这个习惯在项目后期帮我省了很多时间。
