调试这套仿真的头一个星期我做的最多的事情不是写算法而是盯着那五条轨迹发愣它们要么在搜索阶段互相撞在一起要么在围捕阶段绕着目标画出一个歪歪扭扭的多边形然后集体停在某个角落不动了。项目标题里多无人机目标搜索与围捕听起来是一个动作实际跑起来才发现它是两个完全不同性质的子问题中间还夹着一层很不显眼的耦合——搜索阶段留下的位置分布直接决定围捕阶段能不能顺利收口。这篇内容围绕基于 MATLAB 的多无人机协同目标搜索与围捕仿真展开把环境建模、概率地图更新、任务分配、路径生成、环绕构型、势场收拢、通信约束和性能评估这一整条链路拆开讲重点放在参数怎么定、为什么要这么定、以及实测中哪些地方最容易翻车。适合正在做多智能体协同控制课程设计、准备算法验证的新手也适合已经跑通了单机程序、想把它扩到多机协同但被各种震荡和死锁卡住的同学。代码用 MATLAB 写全部基于向量化矩阵运算和简单的函数拆分不依赖任何额外工具箱一台普通笔记本就能跑。1. 为什么这套仿真必须拆成搜索和围捕两段1.1 两个子问题的数学本质根本不一样搜索阶段面对的核心矛盾是信息不确定。你不知道目标在哪手里只有一张先验概率图和几个带噪声的传感器读数任务是把整片区域的不确定性降到某个阈值以下。这是一个覆盖问题评价指标是覆盖率、平均发现时间、单位时间搜索面积。算法的重心在于怎么把区域切开分给各机、怎么让扫描路径尽量不重叠。围捕阶段面对的核心矛盾变成了几何构型。目标位置已经相对明确剩下的问题是怎么让 N 个平台在有限时间内形成对目标的环绕包围并且相邻间距不能小于安全距离、不能大于通信距离、还要保证目标跑不掉。这是分布式编队与合围问题评价指标是收敛时间、包围圈半径稳定度、逃逸成功率。把这两个问题塞进同一个目标函数里优化基本等于自找麻烦。因为前者的最优解倾向于分散铺开后者的最优解要求向心收拢方向完全相反。我在第一版代码里试图用一个统一的势场函数同时表达去没搜过的地方和靠近目标结果就是无人机在搜索后半段开始成群结队往目标的反方向跑——因为那里的未搜索势能更高吸引力盖过了目标引力。提示搜索与围捕务必用两个独立的状态机分支用触发条件切换而不是用权重混合。切换时刻的选择比权重调参重要一个数量级。1.2 四层结构环境层、决策层、运动层、评估层我最终采用的骨架是四层分离的结构各层之间只通过结构体struct传数据互不越界调用。这样做的好处是改一层不会牵连其他层调参的时候心里有底。层级职责典型函数更新频率环境层栅格地图、障碍物、目标真实运动、传感器模型env_update.m与控制周期同步决策层概率图更新、任务分配、围捕点分配、状态机切换assign_search.m/assign_encircle.m每 5 到 10 个控制周期运动层速度指令生成、避碰、动力学积分ctrl_apf.m/move.m每个控制周期评估层覆盖率、发现时间、包围误差、能量消耗metrics.m记录型事后统计决策层比运动层慢这一点很关键。目标分配是一个组合优化问题每帧都重算既没必要也太慢而运动层的势场避碰必须每帧算否则会撞。很多新手把两者都放在同一个时间步里算跑 50 架规模的场景直接卡到帧率掉到个位数。1.3 MATLAB 在这条链路里真正省事的地方选 MATLAB 不是为了算法本身而是为了三件事。第一是矩阵化操作把 N 架无人机的状态堆成一个 N×2 的位置矩阵一次pdist2就能拿到全连接距离矩阵避碰判断不用写双重循环上百架规模也不卡。第二是可视化plot、quiver、contourf、animatedline这几样东西拼起来概率热力图加轨迹加朝向箭头可以实时刷新调试时能一眼看出是哪一层的输出不对。第三是中断调试在循环里随便打断点workspace里所有结构体都在能直接画任意变量。我用过其他环境写同样的逻辑优势是可以做更细的内存管理但代价是可视化要自己搭一套概率热力图加实时轨迹的工具链搭下来得两三天。对于算法验证阶段来说这个投入不划算。MATLAB 的短板也很清楚大规模蒙特卡洛跑不快所以我一般是先在 MATLAB 里跑通 20 次以内的对比再把算法改写出去做上千次的统计。2. 栅格地图和概率存在图把可能在哪变成矩阵2.1 栅格分辨率怎么定别拍脑袋这是整个流程里第一个会踩的坑。很多人直接取 100×100 的栅格因为看着挺细的。但分辨率必须从传感器的探测能力倒推否则会得出错误的覆盖结论。设单机传感器的有效探测半径为 R我用的经验规则是栅格边长 Δ 取 R/3 到 R/2 之间。道理很简单当一个平台某个时刻位于某栅格中心时它的探测圆至少要完整覆盖 3 到 5 个栅格这样即使采样点稀疏相邻两次采样之间也不会出现探测空白。取 Δ R/2 时探测圆内部格子数约为 πR²/Δ² 4π ≈ 12.6 个足够。取 Δ R 时只剩 3 个格子扫描路径稍有抖动就漏检。给个具体数字。假设搜索区域是 1000 m × 1000 m机载视觉有效半径 R 60 m那两个都不能用的极端取值是Δ 5 m 会得到 200×200 40000 个栅格概率图更新一次就是四万次浮点运算乘以机数几十架时明显掉帧Δ 60 m 只有 17×17路径基本没法规划。折中取 Δ 25 m 得到 40×40 1600 个栅格既能保证每个探测圆覆盖 18 个左右的格子计算又轻。还有个容易忽略的点区域尺寸要能被 Δ 整除或者显式处理边界余数。我第一次写的时候1000/30 除不尽最后一列栅格只覆盖了 10 m 宽概率更新时索引越界报错排查了快一个小时才发现是尺寸问题。养成在初始化时assert(mod(L, delta) 1e-9)的习惯。2.2 概率图的初始化和贝叶斯更新先验概率图有两种常用初始化。均匀初始化每格 1/M适用于完全无信息带先验热点的初始化给定若干可疑区域概率加权其余归一化适用于有情报引入的场景。第二种更贴近实际但要注意归一化我见过直接把热点区域置 0.8、其余全置 0.5 的写法概率总和远大于 1后续更新全部失真。更新用简化贝叶斯。假设平台对栅格 k 探测一次检测到目标的概率为 P_d(k)未检测到时该栅格的目标存在概率按如下方式衰减p(k) p(k) * (1 - Pd) / (p(k) * (1 - Pd) (1 - p(k)))这个式子其实可以理解成没看见这件事本身就是证据一个本来很可能有目标的格子如果反复扫过都没看见它的概率就该往下掉。检测到目标时直接跳到围捕状态不再更新概率图。Pd不该是常数应该跟距离挂钩。我用的经验模型是Pd exp(-(d/R)^2 * 2)中心处接近 1边缘衰减到 0.13 左右。这样能自然形成越靠近越可靠的覆盖价值搜索路径规划时会自动倾向于把探测圆中心对准热点。function P bayesUpdate(P, idx, Pd) % idx: 被探测的栅格线性索引Pd: 对应探测概率向量 Pm 1 - Pd; p P(idx); P(idx) p .* Pm ./ (p .* Pm (1 - p)); P(idx) min(max(P(idx), 1e-4), 1 - 1e-4); % 防止数值塌缩 endmin/max那一行别省。连续几百步更新后概率会出现 0 或者 1一旦到 0 就永远回不来到 1 又会在除式中产生警告。夹在 1e-4 到 1-1e-4 之间是稳妥做法。2.3 覆盖度指标不能只看扫过的格子数覆盖率有两种算法结论可能相差 20% 以上。第一种是硬覆盖只要某个栅格的概率低于阈值比如 0.1就算已覆盖。第二种是概率残余用1 - mean(P)表示整体不确定性。我一般两个都记因为它们的用途不同。硬覆盖用于判断能不能切换到围捕模式概率残余用于比较不同搜索策略的优劣。曾经有一版算法硬覆盖率冲到 96%但概率残余还有 0.35原因是它在几个概率极高的热点区域反复盘旋、把那里的概率压到极低而大片低概率区域只是被扫了一遍概率从 0.001 降到 0.0009对残余贡献几乎为零。这种看起来覆盖得很好、实际信息收益很低的情况只用硬覆盖率是发现不了的。注意概率图更新和覆盖统计一定要用同一套Pd模型否则统计出来的覆盖率和规划器认为的价值面不一致会出现规划器觉得该去的地方统计器认为已经覆盖的分裂现象。3. 搜索阶段的分配逻辑切区域还是拍卖3.1 等面积切分和 Voronoi 的适用边界区域切分是最省算力的做法O(N) 复杂度一次算完可以跑很久。等面积切分把矩形区域按机数纵向切成 N 条每条宽度 L/N各机只在自己那条里做平行线扫描。优点是绝对不会重复、通信量几乎为零、实现简单。缺点是它完全不响应概率分布。如果热点全在第一条带里其他四条带的无人机就白跑了。实测下来在目标位置先验均匀的场景里等面积切分的效果跟复杂算法差距不到 5%但在目标有明确聚集倾向的场景里差距会拉到 30% 以上。Voronoi 切分是折中方案按各机当前位置做 Voronoi 划分各机负责自己单元内的搜索。它天然具有负载均衡的性质——谁离得近谁负责转移成本低。代价是每次位置变化都要重算 Voronoi 图如果每个控制周期都重算N10 时计算量还能接受N30 就明显拖慢。我的做法是每 20 个周期重算一次中间用小范围调整补。3.2 基于收益指标的拍卖分配再往上一档是拍卖式分配。每个尚未被充分搜索的子区域算一个标的价值定义为该区域内概率残差之和除以到达该区域的估计代价value(i, j) sum(residual(j)) / (1 dist(pos_i, center_j) / v_max)各机对价值最高的标的出价出价最高的获得。这是一个贪心的近似解不保证全局最优但在实际场景里表现出乎意料地好而且天然分布式——每架无人机只需要知道自己的位置和公共的概率图。实现时有两点要注意。一是代价项的分母要加 1否则无人机正好在标的中心时分母为 0 直接爆掉。二是要加去重机制如果多个标的中心非常接近同一架无人机会连续中标好几个导致其他区域的机一直闲着。我用的办法是设一个最小间距d_sep一旦某机中标它周围d_sep范围内的标的直接标记为不可选。3.3 扫描路径的形状选择和间距计算平行线扫描也叫割草机路径是覆盖率最高的单机路径直来直去转弯少能耗低。间距的算法是W 2 * sqrt(R^2 - (delta/2)^2) % 有效搜索带宽 L_scan W * (1 - overlap) % 实际布线间距当 R 60、Δ 25 时W 2*sqrt(3600 - 156) ≈ 117.4 m。取 overlap 0.15则布线间距约 99.8 m。这个 15% 的重叠是为了补偿转弯处的漏检和传感器抖动不是浪费。我在仿真里对比过 overlap 取 0、0.1、0.2、0.3 四档覆盖率分别是 82%、91%、95%、96%耗时分别是 100%、108%、120%、137%。0.15 是性价比拐点。螺旋线路径适合从一个热点向外扩展的场景尤其在先验信息集中时比平行线快。但螺旋线有个致命问题它的路径不闭合如果中途因为重规划被打断重新进入时很难接上容易造成大块遗漏。所以我只在初始阶段先验集中时用它一旦概率图变平就切回平行线。3.4 重规划的触发条件要设得保守重规划不是越频繁越好。我最初设成每当概率图变化超过 5% 就重规划结果每 3 个周期就触发一次无人机全在原地打转一步都没走完。后来改成三条触发条件满足任意一条才重算一是有平台完成了当前任务段走完一条扫描线二是有平台的探测发现了概率突变单格概率超过 0.6三是距上次重规划超过了固定周期数比如 100 个周期。这样平均每 40 到 60 个周期才触发一次路径的连贯性明显变好。提示重规划时给旧路径加一点惯性——新分配的目标点和旧目标点如果距离小于某个阈值就保持不变。这个简单的滞回机制能大幅减少路径抖动比调任何算法参数都有效。4. 围捕阶段的几何问题怎么围得住又不撞4.1 目标状态估计单机看不准多机融合才稳搜索阶段检测到目标只是发现围捕阶段需要持续跟踪。单机的测量有噪声尤其是距离估计测距误差在 5% 到 10% 之间很常见。直接用单机测量去做合围包围圈会不停地抖。工程上的做法是让每架无人机跑一个局部滤波器卡尔曼或者简单的 α-β 滤波并且在通信邻居之间做一次一致性融合。α-β 滤波器在这个场景里其实够用因为它计算量小、参数物理意义明确% 一维 α-β 滤波对目标 x 坐标做估计 function [x_est, v_est] abFilter(z, x_est, v_est, dt, alpha, beta) x_pred x_est v_est * dt; r z - x_pred; x_est x_pred alpha * r; v_est v_est beta * r / dt; endα 取 0.3 到 0.5β 取 0.05 到 0.15实测在 10 Hz 更新率下跟踪效果已经不错。α 太大跟踪快但抖太小则平滑但滞后。我用 0.4 / 0.08 这个组合跑了很久对各种机动目标都还稳。融合用加权平均就够权重按各机的估计协方差倒数分配。别在这里上太复杂的算法因为围捕的时间窗很短融合算法本身的收敛速度反而是瓶颈。4.2 环绕点的角度分配和半径计算环绕点分配最直观的做法是等角度分配第 i 架无人机分配到角度 θ_i θ_0 2πi/N半径 R_enc。这里有两个约束要同时满足。第一个是相邻间距不小于安全距离d_safe。在半径 R_enc 的圆上等角度分布时相邻弧长对应的弦长为d 2 * R_enc * sin(π/N)。要求 d ≥ d_safe反解出R_enc ≥ d_safe / (2*sin(π/N))。N 6、d_safe 20 m 时R_enc ≥ 20/(2*0.5) 20 m这个下界很宽松。第二个是相邻距离不大于通信半径。同样的公式反解出R_enc ≤ d_comm / (2*sin(π/N))。N 6、d_comm 150 m 时上界是 150 m。所以 20 到 150 都是可行的我一般取 60 到 80 m留足余量应对位置偏差。真正麻烦的是角度分配不是静态的。目标在移动无人机在靠近如果每帧都重新按等角度分配会出现抢位——两架无人机同时往同一个角度飞。解决办法是加匈牙利算法做一次最小代价匹配代价矩阵元素是第 i 架到第 j 个环绕点的距离。N 不超过 20 时用matchpairs一行搞定超过的话还是得写简化的贪心匹配。4.3 势场法为什么在这里容易卡死人工势场法的吸引力加排斥力这套东西写在论文里非常漂亮跑起来问题一堆。典型症状是无人机在到达环绕点附近 2 到 3 m 的地方开始来回振荡永远进不去。根因是吸引力随距离线性衰减、排斥力随距离平方反比增长两者在某个距离处必然相等形成一个平衡点。如果这个平衡点恰好落在环绕点附近而不是环绕点本身就会卡住。三种改法我都试过。第一种是给吸引力加个死区距离小于 3 m 时吸引力恒定为一个小的常值不再衰减。这个最简单但会引入超调。第二种是把排斥力改成有界形式比如F_rep k_rep * (1/d - 1/d0) * (1/d^2)只在 d d0 时生效且乘一个饱和因子。第三种是干脆不用势场改成速度指令 优先级避碰每架无人机朝目标点飞同时检查有没有更高优先级的邻居在未来 3 秒内可能相撞有就减速或侧移。我现在默认用第三种因为它行为可预测、调试直观而且能明确知道谁让谁。势场法只在需要平滑轨迹的场合用。4.4 收拢时序别让所有人一起挤围捕的最后一步是收缩包围圈。如果所有无人机同时向内收会发生两件事一是内部空间迅速压缩轨迹互相干扰二是围捕半径过小时相邻机之间的实际距离可能跌破安全阈值因为位置偏差累加。正确做法是分批收拢。先让包围圈内角度间隔最大的那部分无人机通常是 1/3向内收一步等它们稳定后再让下一批。判断稳定的标准是位置变化率连续若干个周期低于阈值。这样虽然总收拢时间长了 20% 到 30%但过程非常干净没有互相挤压。同时要设一个最小包围半径下界即 4.2 节算出来的R_min d_safe / (2*sin(π/N))再乘一个 1.2 的安全系数。收到这个半径就停不要试图收到 0。有些论文里把最终半径画成 5 m那是理论值实际多机系统里这个数字基本不可实现位置误差本身就超过它。5. 主循环怎么写时间尺度和通信模拟5.1 双时间尺度的主循环骨架主循环的核心是把决策周期和控制周期分开。我的默认配置是控制周期 dt 0.1 s10 Hz决策周期每 10 步执行一次1 Hz评估记录每步都做但只是存数组。这个比例在多数场景下够用。dt 0.1; T 300; steps T/dt; decEvery 10; for k 1:steps t k * dt; % 1) 环境演进目标真实运动、传感器采样 env envStep(env, dt); % 2) 感知与概率图更新 [probMap, detFlag] senseUpdate(probMap, env, agents); % 3) 状态机切换 if mode search detFlag mode encircle; end % 4) 决策层低频 if mod(k, decEvery) 0 if mode search agents assignSearch(probMap, agents); else agents assignEncircle(targetEst, agents); end end % 5) 运动层高频 agents ctrlMove(agents, probMap, mode, dt); % 6) 通信模拟邻居状态延迟/丢包 agents commStep(agents, commModel); % 7) 指标记录 log recordMetrics(log, k, probMap, agents, env.target); end这个结构看起来简单但有三个细节决定了它能不能跑稳。第一是第 2 步的概率图更新必须在决策层之前否则分配用的是上一拍的信息。第二是第 3 步的切换判断要独立于决策层频率检测到就立刻切不然会耽误一个决策周期。第三是第 5 步的运动层里不能再次调用环境层否则同一时间步内传感器会被采两次概率图更新出错。5.2 通信时延和丢包不加这两样仿真结果毫无参考价值理想通信下的多机协同结果总是漂亮得出奇。一加上 200 ms 时延和 10% 丢包率协同就散架了。这两样必须建模哪怕用最简陋的方式。时延用固定延迟队列实现每个平台维护一个长度为ceil(delay/dt)的历史状态数组计算邻居信息时取队列头部而不是当前状态。丢包用伯努利抽样每次通信有 p_drop 概率取到上一拍的状态。若 rand() p_drop则用当前缓存的旧值 否则用本次采样值并更新缓存。这个简单的模型能暴露出大量问题。我最典型的一次发现搜索阶段的分配算法对丢包极度敏感因为一旦某架无人机的分配结果丢了它会认为那个区域没人负责然后冲过去和其他人重复搜索。加上超时重传和分配结果的本地缓存后问题解决。注意通信半径的建模不能只用欧氏距离硬截断。实际中链路质量随距离衰减边缘处丢包率高。用p_drop 1 - exp(-((d_comm - d)/d_comm)^2 * 3)这种形式平滑过渡更接近实际也能避免刚好跨越边界时通信突然中断的跳变。5.3 状态机切换的坑双向切换要加冷却搜索到围捕的切换是单向的容易。但如果目标跑出了探测范围需要从围捕退回搜索这时候如果逻辑写成是否检测到目标直接决定状态会出现高频来回切换——检测到就围捕丢失就搜索检测到又围捕。解决办法是加一个状态保持计数器只有连续丢失目标超过 M 个周期比如 20 个才退回搜索模式期间保持围捕并且往最后一次观测位置靠拢。这个计数器本质上是一个滞回环节一行代码的事但没有它仿真跑起来状态机会疯狂抖动所有统计指标都失效。6. 那些让我熬夜的坑现象、根因和处置这一段是我最想分享的部分因为常规教程里基本只讲理想情况下面这些全是实际调试中撞出来的。6.1 问题排查对照表现象根因处置方式无人机原地小幅画圈不前进势场引力与斥力平衡或者环绕点刚好落在障碍物内部检查环绕点是否在障碍物内部改用力指令法或加随机微扰逃逸搜索轨迹大段重叠分配结果丢失或分配后未加去重半径加最小间距去重 分配结果本地缓存概率图若干格恒为 0 或 1贝叶斯更新未做数值夹取概率钳制在 [1e-4, 1-1e-4]包围圈一直往里收直到互相碰撞只有吸引力没有最小半径约束显式设置 R_min 并加入安全系数轨迹在目标附近来回跳变环绕点每帧重分配且无滞回环绕点分配加距离阈值保持仿真跑一会儿索引越界区域尺寸不能被栅格整除初始化时校验或主动补齐边界多机挤在一起效率反而低通信延迟下各机信息不一致增加超时重传、降低决策频率6.2 角度归一化一个能让人找半小时的 bug计算邻居方位并做角度差的时候如果不处理 ±π 的跨界会得到一个巨大的虚假角度差。比如邻居在 -179°自己在 179°直接相减是 358°而真实差值是 2°。标准的处理方式function d wrapPi(a) d mod(a pi, 2*pi) - pi; end所有涉及角度差的判断——环绕点是否已达、邻居是否在前方、转向角是否超限——都必须经过这个函数。我第一版代码忘了在是否到达环绕点的判断里加结果无人机在跨越 -180° 方位时集体判断已经到位直接停下来五条轨迹卡在同一个方位上排查了半天以为是势场问题。6.3 索引顺序的一致性MATLAB 的矩阵索引是 (行, 列)对应 (y, x)。而大多数运动学公式写的是 (x, y)。这两个东西混用画出来的图和算出来的轨迹必然对不上。我的做法是在每一层的入口处明确注释坐标约定环境层内部统一用 (row, col) 表示 (y, x)一旦出到运动层立刻转成 (x, y)。转换只在两个函数里发生其他函数一律不碰。这样虽然要多写几行转置但避免了最难查的一类 bug——程序不报错只是图是镜像的。6.4 安全距离判定用平方距离省时间避碰判断是每帧每对都要算的N 20 时有 190 对。用sqrt完全不必要直接比平方距离。这个优化在 N 小的时候看不出来跑蒙特卡洛 500 次时能省下可观的时间。同理判断是否在探测范围内也是比平方不用开方。% 好 [nearIdx] find(sum((P - P(i,:)).^2, 2) dSafe^2); % 不需要开方7. 怎么证明这套东西真的有用评估与可视化7.1 指标要能对应到具体的问题搜索阶段的指标我用四个平均覆盖率随时间曲线、目标发现所需时间、单位时间搜索面积、重复搜索比例。第四个最容易被忽略但最能反映分配质量——重复率超过 25% 基本说明分配逻辑有问题不是算法参数的问题。围捕阶段的指标也是四个合围收敛时间从检测到目标到所有机到达环绕点、稳态包围半径偏差、最小相邻间距的最小值、目标逃逸成功率。第三个是安全性的核心指标只要出现过一次低于安全距离这个方案的工程可行性就要打问号。评估层不要只看最终值一定要看过程曲线。我遇到过最终包围半径非常漂亮、但过程中有一次半径突然涨到两倍的方案原因是某一架无人机中途丢包后去追了一个过期的目标位置。只看终值完全发现不了这个问题。7.2 可视化不只是好看是主要调试手段概率热力图用imagesc或contourf配合colormap用能体现高概率偏红的色标。轨迹用plot画累积线。朝向用quiver每 20 帧画一次避免箭头太密。目标用大圆点标记。真正有用的技巧是分窗显示左边一个窗口显示概率图和轨迹右边上下两个子图分别显示覆盖率和最小间距的实时曲线。这样跑的时候能立刻判断是搜索卡住了还是围捕出问题了。只看一个轨迹窗口很多时候分不清飞机在原地转是因为没找到目标还是因为分配逻辑死循环。7.3 单次跑通不算数必须做蒙特卡洛单次仿真的随机性很大目标初始位置、传感器噪声、丢包序列都不一样。我一般是固定随机种子跑一次看细节然后用 100 组不同种子跑统计。统计表大概长这样场景平均发现时间 (s)平均覆盖率 (%)合围收敛时间 (s)逃逸率 (%)均匀先验 理想通信42.396.818.52均匀先验 200ms 延迟51.794.124.96聚集先验 200ms 延迟33.995.222.15聚集先验 延迟 障碍58.489.331.611这张表最有价值的信息不是数值本身而是趋势加了延迟之后收敛时间增加 35%加了障碍之后覆盖率下降 5%、逃逸率翻倍。这些趋势能直接指导后续优化方向——如果重点是抗逃逸那就要重点处理障碍环境下的通信和估计问题而不是优化搜索路径。另外跑蒙特卡洛时一定要把随机种子显式记录下来。我踩过这个坑某次统计结果异常好回头想复现因为种子是用时间初始化的怎么都跑不出同样结果最后只能重跑全部。提示把每次运行的配置结构体存成mat文件包含种子、参数和结果摘要。三十次之后你根本记不住哪次改了什么。最后分享一个实际体会这套仿真的难点从来不在某个算法的实现而在于层与层之间的耦合。搜索留给围捕的初始位置分布、通信延迟对分配稳定性的影响、更新频率和收敛性的匹配这些东西没有任何一篇文献会明确告诉你取值多少合适。我的建议是先用最简单的算法把整条链路串起来——等面积切分 平行线扫描 等角度环绕 纯速度指令保证它能从搜索一直走到围捕收口再逐个模块替换成更复杂的方法。反过来做从复杂算法开始搭你会花大量时间在搞不清是哪一层出的错上。
调试这套仿真的头一个星期我做的最多的事情不是写算法而是盯着那五条轨迹发愣它们要么在搜索阶段互相撞在一起要么在围捕阶段绕着目标画出一个歪歪扭扭的多边形然后集体停在某个角落不动了。项目标题里多无人机目标搜索与围捕听起来是一个动作实际跑起来才发现它是两个完全不同性质的子问题中间还夹着一层很不显眼的耦合——搜索阶段留下的位置分布直接决定围捕阶段能不能顺利收口。这篇内容围绕基于 MATLAB 的多无人机协同目标搜索与围捕仿真展开把环境建模、概率地图更新、任务分配、路径生成、环绕构型、势场收拢、通信约束和性能评估这一整条链路拆开讲重点放在参数怎么定、为什么要这么定、以及实测中哪些地方最容易翻车。适合正在做多智能体协同控制课程设计、准备算法验证的新手也适合已经跑通了单机程序、想把它扩到多机协同但被各种震荡和死锁卡住的同学。代码用 MATLAB 写全部基于向量化矩阵运算和简单的函数拆分不依赖任何额外工具箱一台普通笔记本就能跑。1. 为什么这套仿真必须拆成搜索和围捕两段1.1 两个子问题的数学本质根本不一样搜索阶段面对的核心矛盾是信息不确定。你不知道目标在哪手里只有一张先验概率图和几个带噪声的传感器读数任务是把整片区域的不确定性降到某个阈值以下。这是一个覆盖问题评价指标是覆盖率、平均发现时间、单位时间搜索面积。算法的重心在于怎么把区域切开分给各机、怎么让扫描路径尽量不重叠。围捕阶段面对的核心矛盾变成了几何构型。目标位置已经相对明确剩下的问题是怎么让 N 个平台在有限时间内形成对目标的环绕包围并且相邻间距不能小于安全距离、不能大于通信距离、还要保证目标跑不掉。这是分布式编队与合围问题评价指标是收敛时间、包围圈半径稳定度、逃逸成功率。把这两个问题塞进同一个目标函数里优化基本等于自找麻烦。因为前者的最优解倾向于分散铺开后者的最优解要求向心收拢方向完全相反。我在第一版代码里试图用一个统一的势场函数同时表达去没搜过的地方和靠近目标结果就是无人机在搜索后半段开始成群结队往目标的反方向跑——因为那里的未搜索势能更高吸引力盖过了目标引力。提示搜索与围捕务必用两个独立的状态机分支用触发条件切换而不是用权重混合。切换时刻的选择比权重调参重要一个数量级。1.2 四层结构环境层、决策层、运动层、评估层我最终采用的骨架是四层分离的结构各层之间只通过结构体struct传数据互不越界调用。这样做的好处是改一层不会牵连其他层调参的时候心里有底。层级职责典型函数更新频率环境层栅格地图、障碍物、目标真实运动、传感器模型env_update.m与控制周期同步决策层概率图更新、任务分配、围捕点分配、状态机切换assign_search.m/assign_encircle.m每 5 到 10 个控制周期运动层速度指令生成、避碰、动力学积分ctrl_apf.m/move.m每个控制周期评估层覆盖率、发现时间、包围误差、能量消耗metrics.m记录型事后统计决策层比运动层慢这一点很关键。目标分配是一个组合优化问题每帧都重算既没必要也太慢而运动层的势场避碰必须每帧算否则会撞。很多新手把两者都放在同一个时间步里算跑 50 架规模的场景直接卡到帧率掉到个位数。1.3 MATLAB 在这条链路里真正省事的地方选 MATLAB 不是为了算法本身而是为了三件事。第一是矩阵化操作把 N 架无人机的状态堆成一个 N×2 的位置矩阵一次pdist2就能拿到全连接距离矩阵避碰判断不用写双重循环上百架规模也不卡。第二是可视化plot、quiver、contourf、animatedline这几样东西拼起来概率热力图加轨迹加朝向箭头可以实时刷新调试时能一眼看出是哪一层的输出不对。第三是中断调试在循环里随便打断点workspace里所有结构体都在能直接画任意变量。我用过其他环境写同样的逻辑优势是可以做更细的内存管理但代价是可视化要自己搭一套概率热力图加实时轨迹的工具链搭下来得两三天。对于算法验证阶段来说这个投入不划算。MATLAB 的短板也很清楚大规模蒙特卡洛跑不快所以我一般是先在 MATLAB 里跑通 20 次以内的对比再把算法改写出去做上千次的统计。2. 栅格地图和概率存在图把可能在哪变成矩阵2.1 栅格分辨率怎么定别拍脑袋这是整个流程里第一个会踩的坑。很多人直接取 100×100 的栅格因为看着挺细的。但分辨率必须从传感器的探测能力倒推否则会得出错误的覆盖结论。设单机传感器的有效探测半径为 R我用的经验规则是栅格边长 Δ 取 R/3 到 R/2 之间。道理很简单当一个平台某个时刻位于某栅格中心时它的探测圆至少要完整覆盖 3 到 5 个栅格这样即使采样点稀疏相邻两次采样之间也不会出现探测空白。取 Δ R/2 时探测圆内部格子数约为 πR²/Δ² 4π ≈ 12.6 个足够。取 Δ R 时只剩 3 个格子扫描路径稍有抖动就漏检。给个具体数字。假设搜索区域是 1000 m × 1000 m机载视觉有效半径 R 60 m那两个都不能用的极端取值是Δ 5 m 会得到 200×200 40000 个栅格概率图更新一次就是四万次浮点运算乘以机数几十架时明显掉帧Δ 60 m 只有 17×17路径基本没法规划。折中取 Δ 25 m 得到 40×40 1600 个栅格既能保证每个探测圆覆盖 18 个左右的格子计算又轻。还有个容易忽略的点区域尺寸要能被 Δ 整除或者显式处理边界余数。我第一次写的时候1000/30 除不尽最后一列栅格只覆盖了 10 m 宽概率更新时索引越界报错排查了快一个小时才发现是尺寸问题。养成在初始化时assert(mod(L, delta) 1e-9)的习惯。2.2 概率图的初始化和贝叶斯更新先验概率图有两种常用初始化。均匀初始化每格 1/M适用于完全无信息带先验热点的初始化给定若干可疑区域概率加权其余归一化适用于有情报引入的场景。第二种更贴近实际但要注意归一化我见过直接把热点区域置 0.8、其余全置 0.5 的写法概率总和远大于 1后续更新全部失真。更新用简化贝叶斯。假设平台对栅格 k 探测一次检测到目标的概率为 P_d(k)未检测到时该栅格的目标存在概率按如下方式衰减p(k) p(k) * (1 - Pd) / (p(k) * (1 - Pd) (1 - p(k)))这个式子其实可以理解成没看见这件事本身就是证据一个本来很可能有目标的格子如果反复扫过都没看见它的概率就该往下掉。检测到目标时直接跳到围捕状态不再更新概率图。Pd不该是常数应该跟距离挂钩。我用的经验模型是Pd exp(-(d/R)^2 * 2)中心处接近 1边缘衰减到 0.13 左右。这样能自然形成越靠近越可靠的覆盖价值搜索路径规划时会自动倾向于把探测圆中心对准热点。function P bayesUpdate(P, idx, Pd) % idx: 被探测的栅格线性索引Pd: 对应探测概率向量 Pm 1 - Pd; p P(idx); P(idx) p .* Pm ./ (p .* Pm (1 - p)); P(idx) min(max(P(idx), 1e-4), 1 - 1e-4); % 防止数值塌缩 endmin/max那一行别省。连续几百步更新后概率会出现 0 或者 1一旦到 0 就永远回不来到 1 又会在除式中产生警告。夹在 1e-4 到 1-1e-4 之间是稳妥做法。2.3 覆盖度指标不能只看扫过的格子数覆盖率有两种算法结论可能相差 20% 以上。第一种是硬覆盖只要某个栅格的概率低于阈值比如 0.1就算已覆盖。第二种是概率残余用1 - mean(P)表示整体不确定性。我一般两个都记因为它们的用途不同。硬覆盖用于判断能不能切换到围捕模式概率残余用于比较不同搜索策略的优劣。曾经有一版算法硬覆盖率冲到 96%但概率残余还有 0.35原因是它在几个概率极高的热点区域反复盘旋、把那里的概率压到极低而大片低概率区域只是被扫了一遍概率从 0.001 降到 0.0009对残余贡献几乎为零。这种看起来覆盖得很好、实际信息收益很低的情况只用硬覆盖率是发现不了的。注意概率图更新和覆盖统计一定要用同一套Pd模型否则统计出来的覆盖率和规划器认为的价值面不一致会出现规划器觉得该去的地方统计器认为已经覆盖的分裂现象。3. 搜索阶段的分配逻辑切区域还是拍卖3.1 等面积切分和 Voronoi 的适用边界区域切分是最省算力的做法O(N) 复杂度一次算完可以跑很久。等面积切分把矩形区域按机数纵向切成 N 条每条宽度 L/N各机只在自己那条里做平行线扫描。优点是绝对不会重复、通信量几乎为零、实现简单。缺点是它完全不响应概率分布。如果热点全在第一条带里其他四条带的无人机就白跑了。实测下来在目标位置先验均匀的场景里等面积切分的效果跟复杂算法差距不到 5%但在目标有明确聚集倾向的场景里差距会拉到 30% 以上。Voronoi 切分是折中方案按各机当前位置做 Voronoi 划分各机负责自己单元内的搜索。它天然具有负载均衡的性质——谁离得近谁负责转移成本低。代价是每次位置变化都要重算 Voronoi 图如果每个控制周期都重算N10 时计算量还能接受N30 就明显拖慢。我的做法是每 20 个周期重算一次中间用小范围调整补。3.2 基于收益指标的拍卖分配再往上一档是拍卖式分配。每个尚未被充分搜索的子区域算一个标的价值定义为该区域内概率残差之和除以到达该区域的估计代价value(i, j) sum(residual(j)) / (1 dist(pos_i, center_j) / v_max)各机对价值最高的标的出价出价最高的获得。这是一个贪心的近似解不保证全局最优但在实际场景里表现出乎意料地好而且天然分布式——每架无人机只需要知道自己的位置和公共的概率图。实现时有两点要注意。一是代价项的分母要加 1否则无人机正好在标的中心时分母为 0 直接爆掉。二是要加去重机制如果多个标的中心非常接近同一架无人机会连续中标好几个导致其他区域的机一直闲着。我用的办法是设一个最小间距d_sep一旦某机中标它周围d_sep范围内的标的直接标记为不可选。3.3 扫描路径的形状选择和间距计算平行线扫描也叫割草机路径是覆盖率最高的单机路径直来直去转弯少能耗低。间距的算法是W 2 * sqrt(R^2 - (delta/2)^2) % 有效搜索带宽 L_scan W * (1 - overlap) % 实际布线间距当 R 60、Δ 25 时W 2*sqrt(3600 - 156) ≈ 117.4 m。取 overlap 0.15则布线间距约 99.8 m。这个 15% 的重叠是为了补偿转弯处的漏检和传感器抖动不是浪费。我在仿真里对比过 overlap 取 0、0.1、0.2、0.3 四档覆盖率分别是 82%、91%、95%、96%耗时分别是 100%、108%、120%、137%。0.15 是性价比拐点。螺旋线路径适合从一个热点向外扩展的场景尤其在先验信息集中时比平行线快。但螺旋线有个致命问题它的路径不闭合如果中途因为重规划被打断重新进入时很难接上容易造成大块遗漏。所以我只在初始阶段先验集中时用它一旦概率图变平就切回平行线。3.4 重规划的触发条件要设得保守重规划不是越频繁越好。我最初设成每当概率图变化超过 5% 就重规划结果每 3 个周期就触发一次无人机全在原地打转一步都没走完。后来改成三条触发条件满足任意一条才重算一是有平台完成了当前任务段走完一条扫描线二是有平台的探测发现了概率突变单格概率超过 0.6三是距上次重规划超过了固定周期数比如 100 个周期。这样平均每 40 到 60 个周期才触发一次路径的连贯性明显变好。提示重规划时给旧路径加一点惯性——新分配的目标点和旧目标点如果距离小于某个阈值就保持不变。这个简单的滞回机制能大幅减少路径抖动比调任何算法参数都有效。4. 围捕阶段的几何问题怎么围得住又不撞4.1 目标状态估计单机看不准多机融合才稳搜索阶段检测到目标只是发现围捕阶段需要持续跟踪。单机的测量有噪声尤其是距离估计测距误差在 5% 到 10% 之间很常见。直接用单机测量去做合围包围圈会不停地抖。工程上的做法是让每架无人机跑一个局部滤波器卡尔曼或者简单的 α-β 滤波并且在通信邻居之间做一次一致性融合。α-β 滤波器在这个场景里其实够用因为它计算量小、参数物理意义明确% 一维 α-β 滤波对目标 x 坐标做估计 function [x_est, v_est] abFilter(z, x_est, v_est, dt, alpha, beta) x_pred x_est v_est * dt; r z - x_pred; x_est x_pred alpha * r; v_est v_est beta * r / dt; endα 取 0.3 到 0.5β 取 0.05 到 0.15实测在 10 Hz 更新率下跟踪效果已经不错。α 太大跟踪快但抖太小则平滑但滞后。我用 0.4 / 0.08 这个组合跑了很久对各种机动目标都还稳。融合用加权平均就够权重按各机的估计协方差倒数分配。别在这里上太复杂的算法因为围捕的时间窗很短融合算法本身的收敛速度反而是瓶颈。4.2 环绕点的角度分配和半径计算环绕点分配最直观的做法是等角度分配第 i 架无人机分配到角度 θ_i θ_0 2πi/N半径 R_enc。这里有两个约束要同时满足。第一个是相邻间距不小于安全距离d_safe。在半径 R_enc 的圆上等角度分布时相邻弧长对应的弦长为d 2 * R_enc * sin(π/N)。要求 d ≥ d_safe反解出R_enc ≥ d_safe / (2*sin(π/N))。N 6、d_safe 20 m 时R_enc ≥ 20/(2*0.5) 20 m这个下界很宽松。第二个是相邻距离不大于通信半径。同样的公式反解出R_enc ≤ d_comm / (2*sin(π/N))。N 6、d_comm 150 m 时上界是 150 m。所以 20 到 150 都是可行的我一般取 60 到 80 m留足余量应对位置偏差。真正麻烦的是角度分配不是静态的。目标在移动无人机在靠近如果每帧都重新按等角度分配会出现抢位——两架无人机同时往同一个角度飞。解决办法是加匈牙利算法做一次最小代价匹配代价矩阵元素是第 i 架到第 j 个环绕点的距离。N 不超过 20 时用matchpairs一行搞定超过的话还是得写简化的贪心匹配。4.3 势场法为什么在这里容易卡死人工势场法的吸引力加排斥力这套东西写在论文里非常漂亮跑起来问题一堆。典型症状是无人机在到达环绕点附近 2 到 3 m 的地方开始来回振荡永远进不去。根因是吸引力随距离线性衰减、排斥力随距离平方反比增长两者在某个距离处必然相等形成一个平衡点。如果这个平衡点恰好落在环绕点附近而不是环绕点本身就会卡住。三种改法我都试过。第一种是给吸引力加个死区距离小于 3 m 时吸引力恒定为一个小的常值不再衰减。这个最简单但会引入超调。第二种是把排斥力改成有界形式比如F_rep k_rep * (1/d - 1/d0) * (1/d^2)只在 d d0 时生效且乘一个饱和因子。第三种是干脆不用势场改成速度指令 优先级避碰每架无人机朝目标点飞同时检查有没有更高优先级的邻居在未来 3 秒内可能相撞有就减速或侧移。我现在默认用第三种因为它行为可预测、调试直观而且能明确知道谁让谁。势场法只在需要平滑轨迹的场合用。4.4 收拢时序别让所有人一起挤围捕的最后一步是收缩包围圈。如果所有无人机同时向内收会发生两件事一是内部空间迅速压缩轨迹互相干扰二是围捕半径过小时相邻机之间的实际距离可能跌破安全阈值因为位置偏差累加。正确做法是分批收拢。先让包围圈内角度间隔最大的那部分无人机通常是 1/3向内收一步等它们稳定后再让下一批。判断稳定的标准是位置变化率连续若干个周期低于阈值。这样虽然总收拢时间长了 20% 到 30%但过程非常干净没有互相挤压。同时要设一个最小包围半径下界即 4.2 节算出来的R_min d_safe / (2*sin(π/N))再乘一个 1.2 的安全系数。收到这个半径就停不要试图收到 0。有些论文里把最终半径画成 5 m那是理论值实际多机系统里这个数字基本不可实现位置误差本身就超过它。5. 主循环怎么写时间尺度和通信模拟5.1 双时间尺度的主循环骨架主循环的核心是把决策周期和控制周期分开。我的默认配置是控制周期 dt 0.1 s10 Hz决策周期每 10 步执行一次1 Hz评估记录每步都做但只是存数组。这个比例在多数场景下够用。dt 0.1; T 300; steps T/dt; decEvery 10; for k 1:steps t k * dt; % 1) 环境演进目标真实运动、传感器采样 env envStep(env, dt); % 2) 感知与概率图更新 [probMap, detFlag] senseUpdate(probMap, env, agents); % 3) 状态机切换 if mode search detFlag mode encircle; end % 4) 决策层低频 if mod(k, decEvery) 0 if mode search agents assignSearch(probMap, agents); else agents assignEncircle(targetEst, agents); end end % 5) 运动层高频 agents ctrlMove(agents, probMap, mode, dt); % 6) 通信模拟邻居状态延迟/丢包 agents commStep(agents, commModel); % 7) 指标记录 log recordMetrics(log, k, probMap, agents, env.target); end这个结构看起来简单但有三个细节决定了它能不能跑稳。第一是第 2 步的概率图更新必须在决策层之前否则分配用的是上一拍的信息。第二是第 3 步的切换判断要独立于决策层频率检测到就立刻切不然会耽误一个决策周期。第三是第 5 步的运动层里不能再次调用环境层否则同一时间步内传感器会被采两次概率图更新出错。5.2 通信时延和丢包不加这两样仿真结果毫无参考价值理想通信下的多机协同结果总是漂亮得出奇。一加上 200 ms 时延和 10% 丢包率协同就散架了。这两样必须建模哪怕用最简陋的方式。时延用固定延迟队列实现每个平台维护一个长度为ceil(delay/dt)的历史状态数组计算邻居信息时取队列头部而不是当前状态。丢包用伯努利抽样每次通信有 p_drop 概率取到上一拍的状态。若 rand() p_drop则用当前缓存的旧值 否则用本次采样值并更新缓存。这个简单的模型能暴露出大量问题。我最典型的一次发现搜索阶段的分配算法对丢包极度敏感因为一旦某架无人机的分配结果丢了它会认为那个区域没人负责然后冲过去和其他人重复搜索。加上超时重传和分配结果的本地缓存后问题解决。注意通信半径的建模不能只用欧氏距离硬截断。实际中链路质量随距离衰减边缘处丢包率高。用p_drop 1 - exp(-((d_comm - d)/d_comm)^2 * 3)这种形式平滑过渡更接近实际也能避免刚好跨越边界时通信突然中断的跳变。5.3 状态机切换的坑双向切换要加冷却搜索到围捕的切换是单向的容易。但如果目标跑出了探测范围需要从围捕退回搜索这时候如果逻辑写成是否检测到目标直接决定状态会出现高频来回切换——检测到就围捕丢失就搜索检测到又围捕。解决办法是加一个状态保持计数器只有连续丢失目标超过 M 个周期比如 20 个才退回搜索模式期间保持围捕并且往最后一次观测位置靠拢。这个计数器本质上是一个滞回环节一行代码的事但没有它仿真跑起来状态机会疯狂抖动所有统计指标都失效。6. 那些让我熬夜的坑现象、根因和处置这一段是我最想分享的部分因为常规教程里基本只讲理想情况下面这些全是实际调试中撞出来的。6.1 问题排查对照表现象根因处置方式无人机原地小幅画圈不前进势场引力与斥力平衡或者环绕点刚好落在障碍物内部检查环绕点是否在障碍物内部改用力指令法或加随机微扰逃逸搜索轨迹大段重叠分配结果丢失或分配后未加去重半径加最小间距去重 分配结果本地缓存概率图若干格恒为 0 或 1贝叶斯更新未做数值夹取概率钳制在 [1e-4, 1-1e-4]包围圈一直往里收直到互相碰撞只有吸引力没有最小半径约束显式设置 R_min 并加入安全系数轨迹在目标附近来回跳变环绕点每帧重分配且无滞回环绕点分配加距离阈值保持仿真跑一会儿索引越界区域尺寸不能被栅格整除初始化时校验或主动补齐边界多机挤在一起效率反而低通信延迟下各机信息不一致增加超时重传、降低决策频率6.2 角度归一化一个能让人找半小时的 bug计算邻居方位并做角度差的时候如果不处理 ±π 的跨界会得到一个巨大的虚假角度差。比如邻居在 -179°自己在 179°直接相减是 358°而真实差值是 2°。标准的处理方式function d wrapPi(a) d mod(a pi, 2*pi) - pi; end所有涉及角度差的判断——环绕点是否已达、邻居是否在前方、转向角是否超限——都必须经过这个函数。我第一版代码忘了在是否到达环绕点的判断里加结果无人机在跨越 -180° 方位时集体判断已经到位直接停下来五条轨迹卡在同一个方位上排查了半天以为是势场问题。6.3 索引顺序的一致性MATLAB 的矩阵索引是 (行, 列)对应 (y, x)。而大多数运动学公式写的是 (x, y)。这两个东西混用画出来的图和算出来的轨迹必然对不上。我的做法是在每一层的入口处明确注释坐标约定环境层内部统一用 (row, col) 表示 (y, x)一旦出到运动层立刻转成 (x, y)。转换只在两个函数里发生其他函数一律不碰。这样虽然要多写几行转置但避免了最难查的一类 bug——程序不报错只是图是镜像的。6.4 安全距离判定用平方距离省时间避碰判断是每帧每对都要算的N 20 时有 190 对。用sqrt完全不必要直接比平方距离。这个优化在 N 小的时候看不出来跑蒙特卡洛 500 次时能省下可观的时间。同理判断是否在探测范围内也是比平方不用开方。% 好 [nearIdx] find(sum((P - P(i,:)).^2, 2) dSafe^2); % 不需要开方7. 怎么证明这套东西真的有用评估与可视化7.1 指标要能对应到具体的问题搜索阶段的指标我用四个平均覆盖率随时间曲线、目标发现所需时间、单位时间搜索面积、重复搜索比例。第四个最容易被忽略但最能反映分配质量——重复率超过 25% 基本说明分配逻辑有问题不是算法参数的问题。围捕阶段的指标也是四个合围收敛时间从检测到目标到所有机到达环绕点、稳态包围半径偏差、最小相邻间距的最小值、目标逃逸成功率。第三个是安全性的核心指标只要出现过一次低于安全距离这个方案的工程可行性就要打问号。评估层不要只看最终值一定要看过程曲线。我遇到过最终包围半径非常漂亮、但过程中有一次半径突然涨到两倍的方案原因是某一架无人机中途丢包后去追了一个过期的目标位置。只看终值完全发现不了这个问题。7.2 可视化不只是好看是主要调试手段概率热力图用imagesc或contourf配合colormap用能体现高概率偏红的色标。轨迹用plot画累积线。朝向用quiver每 20 帧画一次避免箭头太密。目标用大圆点标记。真正有用的技巧是分窗显示左边一个窗口显示概率图和轨迹右边上下两个子图分别显示覆盖率和最小间距的实时曲线。这样跑的时候能立刻判断是搜索卡住了还是围捕出问题了。只看一个轨迹窗口很多时候分不清飞机在原地转是因为没找到目标还是因为分配逻辑死循环。7.3 单次跑通不算数必须做蒙特卡洛单次仿真的随机性很大目标初始位置、传感器噪声、丢包序列都不一样。我一般是固定随机种子跑一次看细节然后用 100 组不同种子跑统计。统计表大概长这样场景平均发现时间 (s)平均覆盖率 (%)合围收敛时间 (s)逃逸率 (%)均匀先验 理想通信42.396.818.52均匀先验 200ms 延迟51.794.124.96聚集先验 200ms 延迟33.995.222.15聚集先验 延迟 障碍58.489.331.611这张表最有价值的信息不是数值本身而是趋势加了延迟之后收敛时间增加 35%加了障碍之后覆盖率下降 5%、逃逸率翻倍。这些趋势能直接指导后续优化方向——如果重点是抗逃逸那就要重点处理障碍环境下的通信和估计问题而不是优化搜索路径。另外跑蒙特卡洛时一定要把随机种子显式记录下来。我踩过这个坑某次统计结果异常好回头想复现因为种子是用时间初始化的怎么都跑不出同样结果最后只能重跑全部。提示把每次运行的配置结构体存成mat文件包含种子、参数和结果摘要。三十次之后你根本记不住哪次改了什么。最后分享一个实际体会这套仿真的难点从来不在某个算法的实现而在于层与层之间的耦合。搜索留给围捕的初始位置分布、通信延迟对分配稳定性的影响、更新频率和收敛性的匹配这些东西没有任何一篇文献会明确告诉你取值多少合适。我的建议是先用最简单的算法把整条链路串起来——等面积切分 平行线扫描 等角度环绕 纯速度指令保证它能从搜索一直走到围捕收口再逐个模块替换成更复杂的方法。反过来做从复杂算法开始搭你会花大量时间在搞不清是哪一层出的错上。
