做多机器人编队避障这个方向也有几年了，从最开始单机绕障都费劲，到现在能带着五六台机器人在仿真里跑编队协同，人工势场法在其中扮演的角色一直让我又爱又恨。爱它的地方在于模型简单、计算开销低、扩展性又好，改几行参数就能适配新场景；恨的地方在于如果你不理解它背后的那套“场”的逻辑，参数一拍脑袋乱调，编队避障跑起来就是一场灾难——队形散架、机器人互相顶牛、甚至原地鬼打墙，各种离谱现象都能给你凑齐。
这篇文章把多机器人编队、人工势场法、协同避障这条技术线完整梳理一遍。你会看到：为什么选人工势场法做编队避障的主控算法、势场函数具体怎么设计、领航者-跟随者架构下如何把编队保持和障碍规避统一进同一套框架、参数怎么整定，以及我实际调试中踩过的坑和总结出的排查套路。内容偏向工程实现，适合有基础机器人学知识、正在做多机器人编队控制或者相关课题的同学参考，代码部分我会尽量写得可以直接跑。
1. 整体思路与架构设计
1.1 为什么是人工势场法
单机路径规划里可选方案其实不少：A*、Dijkstra这类图搜索算法成熟稳定，RRT系列在复杂约束下也表现不错，模型预测控制则能显式处理动力学约束。但到了多机器人编队场景，你会发现很多“单机上挺好”的算法突然变得别扭起来。
人工势场法最大的天然优势在于它的分布式特性。每个机器人只需要感知自身周围环境，通过引力场朝向目标点运动，通过斥力场远离障碍物和其他机器人，最后合成一个速度指令输出。这个“感知-计算-执行”闭环完全可以在机器人本地完成，不需要全局路径重规划，也不需要中心节点下发一串复杂的全局路径。对于多机系统来说，这意味着通信开销小、扩展性好——加一台机器人进编队，不需要重新规划全局路径，只需要给它设置期望相对位置就行。
第二个优势是计算开销极低。势场力的计算就是几个向量加减、几次数值比较，连矩阵求逆都用不上。放到实际嵌入式平台上，一个主频几百兆的MCU就能跑得很流畅，实时性完全不是问题。
第三个优势是天然适合“编队+避障”融合。你可以把期望队形位置、障碍物、其他机器人统一建模成若干势场叠加，每个机器人只需要把自己的期望位置、当前障碍物距离、邻居位置信息代入公式，就能得到一个融合了“保持队形”和“规避障碍”两个目标的控制指令。这个特性正是多机器人协同避障最需要的。
当然，人工势场法也有先天缺陷，最著名的就是局部极小值问题——机器人可能会在某个位置受力平衡，陷入死循环出不来。这个问题我在第5章单独讲，那也是整个工程落地中最考验调参功力的地方。
1.2 编队架构选型：领航者-跟随者
多机器人编队控制的主流方案大致有三种：领航者-跟随者、行为法、虚拟结构法。我最终选了领航者-跟随者架构，原因很实在。
虚拟结构法把整个编队当成一个刚性整体，每个机器人是结构上的一个节点。思路清晰，但一旦有机器人需要脱离编队避障，刚性约束就成了枷锁，适应性有限。行为法把“保持队形”“避障”“朝目标前进”拆成多个并行行为，再按权重合成控制量，灵活性高但权重调起来很痛苦，而且缺乏明确的理论稳定性保证。
领航者-跟随者则把问题拆成了两层：领航者只管规划和避障，跟随者只管“跟上领航者并保持相对位置”。这样职责分明，领航者的行为更像一个智能体在单机避障，跟随者的行为更像一个伺服跟踪器。编队任务从“控制N个机器人”退化成“控制1个机器人的轨迹 + 控制N-1个机器人的跟随误差”，复杂度下降非常明显。
具体到避障场景，我采用的策略是：领航者遇到障碍物时，人工势场会把它往安全方向推；跟随者的期望位置由领航者位置加编队偏移计算，如果期望位置附近有障碍物，跟随者的局部势场会把它往领航者实际路径方向靠。这样编队在整体方向上跟随领航者绕障，局部距离上自动调整，既保持了编队的整体行进意图，又避免了每台机器人独立规划导致的方向不一致问题。
我用一个二维编队来举例：领航者是编号为0的机器人，跟随者是1号和2号，期望队形是等腰三角形，1号在领航者左后方2米、2号在右后方2米。整个控制系统里，领航者接收目标点，跟随者接收“领航者当前位置 + 期望相对位置”，所有机器人共享相同的势场计算函数，只是输入的角色不同——这就是架构优雅的地方。
2. 人工势场法核心原理与势场函数设计
2.1 引力场与斥力场的基础公式
人工势场法的灵感来源很直观——把运动空间想象成一个有高低起伏的地形，目标点在谷底，障碍物像山丘一样凸起。机器人是山坡上的小球，受到重力（引力）往谷底滚，碰到山丘则被“推开”（斥力）。这个小球最终会沿着合力方向一路滚向目标。
在数学表达上，引力势场我用最常见的二次型：
[ U_{att}(q) = \frac{1}{2} k_{att} , d^2(q, q_{goal}) ]
其中 (k_{att}) 是引力增益系数，(d(q, q_{goal})) 是机器人当前位置到目标点的欧氏距离。引力就是势场对位置的负梯度：
[ F_{att}(q) = - abla U_{att}(q) = -k_{att} , (q - q_{goal}) ]
这个式子说明一个特点：距离目标越远，引力越大。好处是机器人远离目标时会被强力拉回，坏处是在距离目标很远处引力可能过大，导致速度饱和甚至振荡。实际工程里我通常会对引力做限幅处理，或者改用分段引力函数——近距离线性，远距离恒定，这里先按下不表，后面参数部分再细说。
斥力势场涉及到距离的倒数和阈值判断：
[ U_{rep}(q) = \begin{cases} \frac{1}{2} k_{rep} \left( \frac{1}{d(q, q_{obs})} - \frac{1}{d_0} \right)^2 & d(q, q_{obs}) \leq d_0 \ 0 & d(q, q_{obs}) > d_0 \end{cases} ]
其中 (k_{rep}) 是斥力增益系数，(d_0) 是斥力场的影响半径。斥力为：
[ F_{rep}(q) = - abla U_{rep}(q) = k_{rep} \left( \frac{1}{d(q, q_{obs})} - \frac{1}{d_0} \right) \frac{1}{d^2(q, q_{obs})} \hat{n}_{obs} ]
(\hat{n}{obs}) 是从障碍物指向机器人的单位向量。观察这个公式能发现：机器人离障碍物越近，斥力以平方级速度增长——这就是“势场墙”的本质，理论上只要 (k{rep}) 足够大，机器人是不可能“撞墙”的。
最后把引力和斥力叠加：
[ F_{total} = F_{att} + \sum_{i=1}^{n} F_{rep,i} ]
(n) 是机器人感知范围内的障碍物和其他机器人总数。这就是人工势场法最核心的计算逻辑，整个编队协同系统也都是在这个式子上扩展的。
2.2 编队势场与机器人间防碰撞
编队场景和单机避障最大的不同在于，环境里除了墙壁和障碍物，还有队友。队友既是需要避开的实体，又是编队结构的组成单元。所以我在设计势场时加了两种额外的力。
第一种是编队期望位置引力（或叫队形约束力）。每个跟随者都有一个由领航者位置和编队参数计算出的期望坐标 (q_{desired})，这个坐标对跟随者产生一个和引力势场等式的吸引效果：
[ F_{formation} = -k_{form} , (q_i - q_{desired}) ]
这个力让机器人始终往自己的“槽位”上靠。如果队形被障碍物挤压导致机器人偏离槽位，这个力就会把它拉回来。注意 (k_{form}) 的值不能太大，否则避障时机器人会被强行拽进障碍物区域，产生“队形和避障打架”的问题。经验值是让它在数值上小于斥力峰值的一个数量级，给避障留出足够优先级。
第二种是机器人之间的互斥力。我把每个其他机器人也当成一个半径稍大的圆形障碍物加入斥力场计算，即 (q_{obs} = q_j)。这样做的好处是：编队内部不会发生碰撞，而且在队形变换或通道狭窄时，机器人互相之间会自然“礼让”——优先距离更近、相对速度更大的机器人获得更大的避让空间。实际实现中，互斥半径我一般设为机器人物理半径的1.5倍到2倍，这样即使控制有少量超调，也不会造成物理碰撞。
合力公式变成：
[ F_i = F_{att,i} + F_{goal_formation,i} + \sum_{obs} F_{rep,obs}(i) + \sum_{j eq i} F_{rep,robot}(i,j) ]
每一台机器人本地把这几项算完，就得到了自己的速度控制量。整个编队的协同性体现在两个层面：一是领航者轨迹变化通过期望位置传递到跟随者，二是机器人间的互斥力在局部产生避让行为。两层机制叠加，就构成了完整的协同避障。
3. 算法实现与参数设计细则
3.1 运动学模型与速度控制律
算法输出的力是笛卡尔坐标系下的向量，但实际机器人（比如双轮差速底盘）接收的是线速度 (v) 和角速度 (\omega)。所以需要做一步转换。
我用的双轮差速模型如下：
[ \dot{x} = v \cos\theta, \quad \dot{y} = v \sin\theta, \quad \dot{\theta} = \omega ]
其中 ((x, y)) 是机器人位置，(\theta) 是朝向角。假设势场力方向就是期望运动方向，设 (\theta_d = \text{atan2}(F_y, F_x))，角度误差 (e_\theta = \theta_d - \theta)，归一化到 ([-\pi, \pi])。控制律：
[ v = v_{max} \cdot \frac{|F|}{|F| + c_f}, \quad \omega = k_\omega \cdot e_\theta ]
这里的 (c_f) 是一个力度-速度映射常数，作用是当合力较小时自动降低速度，避免机器人到达目标点附近还横冲直撞。而 (k_\omega) 是角速度比例增益，工程上可以先从 (1.0~\text{s}^{-1}) 起步，根据实际转向响应调整。需要注意的是，这种控制律本质上是带限幅的比例控制，稳态下会有朝向误差，但势场法本身就是增量式规划，每一帧都会重新计算期望方向，所以这个误差不会累积发散。
如果你的机器人是全向运动模型（麦克纳姆轮或全向轮），那就更简单了，直接把合力除以阻力系数得到速度向量，不需要单独处理朝向角。但差速模型更常见，所以我代码里给的是差速版本。
3.2 关键参数的选择与计算逻辑
人工势场法调参是所有实践者绕不开的坎。这里我给出通用的参数初值和调参顺序，这些数值来自我自己的多轮仿真和真机测试经验。
先看关键参数表：
| 参数 | 含义 | 建议初值 | 调试方向 |
|---|---|---|---|
| k_att | 引力增益 | 0.8 | 偏大则速度过剩，偏小则靠近目标慢 |
| k_rep | 斥力增益 | 2.5 | 偏小会撞障碍，偏大容易振荡 |
| d0 | 斥力影响半径 | 3.0 米（约5倍机身高） | 通道窄时适当缩小 |
| k_form | 队形约束增益 | 0.4 | 偏大会挤开避障，偏小队形松散 |
| v_max | 最大线速度 | 0.8 m/s | 根据底盘能力和场景面积调整 |
| omega_max | 最大角速度 | 1.2 rad/s | 需要满足v_max/r_min约束 |
| k_omega | 角度增益 | 1.5 | 偏大会抖动，偏小转弯迟钝 |
| r_robot | 机器人碰撞半径 | 0.3 米 | 根据实际机身尺寸设置 |
这些参数的物理含义值得琢磨一下。(k_{att}) 和 (k_{rep}) 的比值决定了机器人“怕障碍”和“想目标”两个倾向谁占上风。我习惯先固定 (k_{att}=0.8)，然后逐渐增大 (k_{rep})，直到机器人在最近的障碍物临界点能恰好绕开且不振荡。当 (k_{rep}) 大到某个临界值后，机器人会出现高频抖动——那就是过头了，往回退一点即可。
有个非常实用的经验公式可以帮你确定初始值。如果期望最近通过距离为 (b)（即机器人离障碍物的目标最近距离），在平衡点 (d=b) 处让斥力和引力在沿障碍物法向的分量相等，可以粗略估算：
[ k_{rep} \approx k_{att} \cdot \frac{b^2(d_0 - b)^2}{d_0^2} ]
推导过程是：引力在法向的分量约为 (k_{att} \cdot L)（(L) 为到目标的特征距离），斥力在 (d=b) 时为 (k_{rep} \cdot \frac{d_0 - b}{b^2 d_0})。两者相等解出来就是上面这个式子。算出来的值不一定直接能用，但作为起点比拍脑袋靠谱得多。
3.3 核心代码实现（可直接跑通的Python版本）
下面这段代码是我把整套算法简化后的核心框架，使用Python和NumPy实现，仿真部分用简单的离散欧拉积分替代，注释写得很详细，方便你对照公式看。
import numpy as np import math class Robot: def __init__(self, robot_id, role, goal=None, pos=np.array([0.0, 0.0])): self.id = robot_id self.role = role # "leader" or "follower" self.pos = pos self.theta = 0.0 self.v = 0.0 self.omega = 0.0 self.goal = goal # only leader uses this self.formation_offset = np.array([0.0, 0.0]) # for follower def compute_force(self, robots, obstacles, params): force = np.zeros(2) # 1. 引力项 if self.role == "leader": to_goal = np.array(self.goal) - self.pos dist_goal = np.linalg.norm(to_goal) if dist_goal > 0.1: force += params["k_att"] * to_goal # 简化：没有限幅 else: # 跟随者的期望位置 = 领航者位置 + 编队偏移 leader = robots[0] desired_pos = leader.pos + self.formation_offset to_desired = desired_pos - self.pos force += params["k_form"] * to_desired # 2. 障碍物斥力项 for obs_pos in obstacles: diff = self.pos - np.array(obs_pos) dist = np.linalg.norm(diff) if dist < params["d0"] and dist > 1e-6: rep = params["k_rep"] * (1.0/dist - 1.0/params["d0"]) rep = rep / (dist * dist) force += rep * (diff / dist) # 3. 机器人之间的互斥力 for other in robots: if other.id == self.id: continue diff = self.pos - other.pos dist = np.linalg.norm(diff) if dist < params["robot_rep_radius"] and dist > 1e-6: # 互斥半径一般取碰撞半径的1.5~2倍 rep = params["k_rep_robot"] * ( 1.0/dist - 1.0/params["robot_rep_radius"] ) rep = rep / (dist * dist) force += rep * (diff / dist) return force def update(self, force, dt, params): # force -> 期望速度方向 if np.linalg.norm(force) < 1e-6: return theta_d = math.atan2(force[1], force[0]) e_theta = theta_d - self.theta # 规范化角度到 [-pi, pi] while e_theta > math.pi: e_theta -= 2 * math.pi while e_theta < -math.pi: e_theta += 2 * math.pi v_desired = params["v_max"] * np.linalg.norm(force) / ( np.linalg.norm(force) + params["c_f"] ) omega_desired = params["k_omega"] * e_theta omega_desired = np.clip(omega_desired, -params["omega_max"], params["omega_max"]) # 简单一阶延迟（等效动力学的低通滤波） self.v += (v_desired - self.v) * dt * params["accel_gain"] self.omega += (omega_desired - self.omega) * dt * params["turn_gain"] # 运动学更新 self.theta += self.omega * dt self.pos += self.v * np.array([math.cos(self.theta), math.sin(self.theta)]) * dt def simulate(robots, obstacles, params, dt, steps): trajectories = {r.id: [] for r in robots} for step in range(steps): update_robot_roles(robots) # 更新跟随者的期望位置 for r in robots: force = r.compute_force(robots, obstacles, params) r.update(force, dt, params) trajectories[r.id].append(r.pos.copy()) return trajectories def update_robot_roles(robots): # 跟随者的期望位置 = 领航者位置 + 编队偏移 leader = robots[0] for r in robots: if r.role == "follower": # 实际场景中，这里可以加入队形变换逻辑 pass这段代码的核心逻辑在compute_force和update两个函数里。compute_force把引力、障碍物斥力、机器人间斥力三项叠加成合力，update负责把力转化成线速度角速度。仿真主循环里，领导者和跟随者共用同一套函数，只是输入参数的角色不同，这就是领航者-跟随者架构在代码层面最清晰的表现。
实际工程项目里，你还需要把Robot类拆成“感知模块”“决策模块”“执行模块”三个独立的组件，感知模块负责障碍物的检测与数据关联，决策模块只接收障碍物列表和自身状态，执行模块负责把速度指令下发给电机驱动。模块解耦后，后面想替换障碍物检测算法或者换一种编队控制律都很方便。
4. 实操过程与仿真实现记录
4.1 仿真环境搭建方式
仿真我用的是Python 3 + NumPy + Matplotlib，没有引入重型仿真框架。对做算法验证来说，这种轻量级方案足够了，流程图逻辑清晰，调试迭代也快。如果你想做更贴近实际的验证，我建议后期再移植到ROS + Gazebo或者自己用Webots搭一套模型，但前期算法验证阶段不必那么重。
环境搭建只需要装三个库：
pip install numpy matplotlib我的仿真场景是80米乘60米的矩形区域。场地里有6个圆形障碍物，半径0.5到1.5米不等，分布在中段和末端，形成一段需要曲折绕行的狭窄通道。三台机器人从左侧出发，目标点位于右侧约50米远处。编队初始队形是等腰三角形，前后间距2米，左右间距2米。
4.2 实验过程与调参记录
第一轮仿真我直接用理论初值跑，结果和预想的差不多：编队整体能朝目标推进，但跟随者呈现明显S形摆动。原因在于跟随者同时收到“保持队形”和“避开障碍”两个力的拉扯，如果队形约束力 (k_{form}) 恢复速度超过机器人运动学响应速度，就会产生欠阻尼振荡。
调参第一刀先降 (k_{form})，从0.8降到0.4，振荡明显缓解。但队形跟随误差变大了，通过障碍物密集区域时，1号跟随者会滞后领航者将近3米。这就是参数整定的本质——你在调节的不是某个参数的“正确值”，而是整个闭环系统的阻尼比。
接下来我在速度转换里引入了低通滤波，给加速度加了限制：
self.v += (v_desired - self.v) * dt * params["accel_gain"]其中accel_gain初始设为2.0，意思是速度指令变化的响应时间常数约0.5秒。这个改动很关键——它限制了速度突变，让机器人运动更平滑，也降低了编队之间的冲击力。代价是障碍物附近的“紧急刹车”能力弱了，所以 (k_{rep}) 又相应调高到了3.0。经过三轮交替调试，最终参数收敛到第3.2节表格里那组值。
一个有趣的观察是：三机编队比单机避障更容易通过狭窄通道。原因是编队中领航者的路径相当于一个“导引轨迹”，跟随者的期望位置沿着这条轨迹展开，相当于对轨迹做了平滑外推。障碍区宽度虽然只够单台机器人通过，但编队可以自然错位成单列高密度队列——领航者先进，跟随者依次跟上，实现“串葫芦”式通过。
4.3 关键场景的实测表现
为了验证算法鲁棒性，我额外加了两个干扰场景：
一是领航者突然从2m/s急停。原版算法的跟随者会因惯性前冲，最大超调距离约0.8米，如果机器人间斥力半径设置不足，就会发生碰撞。我把互斥半径从0.5米增大到0.7米后，即使在急停场景下，编队也能保持安全距离。
二是障碍物动态移动。我在领航者前方10米处放了一个以0.5m/s横穿的障碍物。领航者的势场会在障碍物接近时把编队往侧面推，但因为是增量式规划，每次只有0.1秒的规划视野，关于障碍物运动趋势的判断完全靠实时感知。实测结果是：如果障碍物速度低于0.5m/s，编队能顺利躲开；一旦超过0.8m/s，仅靠当前位置的斥力规划会来不及反应，必须引入速度障碍法或者动态窗口法的预测机制，这是人工势场法本身的局限性。
5. 常见问题与排查技巧实录
5.1 局部极小值与目标不可达问题
这是人工势场法最经典的老大难问题，形式非常多：机器人停在一个障碍物正前方不动了、在一处低洼的“场陷阱”周围绕圈、或者在目标附近来回抖动。
背后的物理本质是：在某一点上引力和斥力恰好大小相等方向相反，合力为零。数学上表现为 (\sum F = 0) 且不是目标点。这几乎是人工势场法结构上无法根除的缺陷。
我给你三种工程上有效的应对策略：
扰动恢复法：检测到机器人速度小于某个阈值且持续超过1秒，就给控制量叠加一个随机或规则的小幅扰动（比如往垂直于当前合力的方向加一个0.3的力）。大部分情况下机器人能脱离局部极小点重新规划。代价是如果场景里极小值点太多，机器人会表现得“犹豫不决”。
局部逃逸点法：在机器人陷入极小值时，临时指定一个“假目标”让机器人绕开障碍物。具体做法是从当前点出发，沿障碍物切向搜索一个距离当前点较近、且到目标点连线上无障碍物的备选点，把目标临时切到备选点，到达后再切回去。这个方法效果最可控，但实现起来需要对障碍物做局部几何建模，不能在纯栅格地图上直接用。
在规划层面规避：把斥力作用范围 (d_0) 控制在一个合理区间内，避免斥力和引力在较大空间尺度上达到平衡。我之前遇到过一种情况：障碍物和目标点正好和机器人共线，斥力影响半径设得过大，把本该能走通的路给“堵死”了。缩小 (d_0) 之后，路径规划就通畅了。
真实工程中，最好的办法其实是分层规划——全局层用A*或者拓扑图粗规划出一条参考路径，局部层用人工势场法跟踪参考路径同时避障。这样局部极小值只会在参考路径附近出现，逃逸成本大幅下降。我在项目中最终也是这么做的，纯势场法做全局规划只能应对比较空旷的简单场景。
5.2 编队振荡和队形散架的根因排查
振荡这个问题，我排查过三轮才发现根因。最初以为是参数问题，把 (k_{form})、(k_{rep}) 都往低调，振荡有所减轻但不根治。后来记录跟随者的期望位置和实际位置误差曲线，发现误差呈现1到2Hz的周期波动，立刻意识到问题出在控制频率上——算法输出的 (v) 和 (\omega) 变化太快，超过了底盘的机械响应能力，形成了“感知-决策-执行”环路的相位滞后。
解决方式有三种，不冲突，可以叠加使用：
- 给速度指令加低通滤波，让期望速度变成一个缓变信号，这是我在上一章里用的方法。
- 降低控制频率。将控制循环从50Hz降到20Hz，相当于人为给系统增加阻尼。当然这会降低系统对动态障碍物的响应速度，所以需要找到平衡点。
- 在势场计算里加入前一个控制周期的合力记忆项，即合力变化时做一个惯性抑制，这个在文献里也叫“虚拟惯性法”。实际效果和低通滤波类似，但物理意义更直观。
队形散架的原因和振荡不同，往往出在期望位置的更新机制上。跟随者的期望位置是基于领航者当前位置计算的，如果领航者轨迹不平滑，跟随者的期望位置就会一直“跳跃”，导致跟随者永远追不上一个不断变化的目标。我的做法是：不给跟随者直接发送领航者实时位置，而是发送领航者的平滑预测轨迹——用领航者之前几帧的位置做线性外推，预补偿一个延迟时间对应的位移。这个操作类似控制理论中的Smith预估器，对提高编队跟踪精度效果显著。
5.3 机器人之间的“顶牛”与死锁问题
编队避障过程中，两台跟随者可能同时朝一个狭窄缝隙避让，结果互相堵住，谁也动不了。原因是两台机器人的斥力场互相叠加，在不断靠近的过程中斥力持续增大，最终把两人都推出通道，形成“谁都不想先走一步”的僵局。
排查这种问题的思路是：机器人之间的斥力不应该只基于距离，还应该考虑相对速度。如果我在编队互斥力的公式里加入相对速度项，两台机器人靠近时，不仅距离越近斥力越大，而且相互接近的速度越快斥力越大，这个机制会迫使其中一方更快做出避让动作。
实现上，我在机器人互斥力部分加入了一个速度调节因子：
# 相对速度影响互斥强度 rel_vel = other.v - self.v approach_speed = np.dot(rel_vel, diff / dist) rep_factor = max(0, approach_speed) * params["vel_rep_gain"] force += (1 + rep_factor) * rep * (diff / dist)这样即使两台机器人距离不近，只要正快速接近，也会产生额外斥力提前拉开，避免陷入互相试探的“顶牛”状态。加了这一条之后，三台机器人在狭窄通道里的通过效率提升了将近40%。
5.4 常见问题速查表
我把调参中的关键问题整理成一张速查表，实际调试时对照着排查效率高很多。
| 现象 | 可能原因 | 排查方向 |
|---|---|---|
| 机器人撞障碍物 | k_rep 太小，或 d0 太小导致斥力起效太晚 | 增大 k_rep，适当增大 d0，或加大互斥半径 |
| 高频振荡 | 控制频率过高、增益过大 | 加低通滤波、降低控制频率、减小 k_omega |
| 队形长期偏移 | k_form 太小或更新率低 | 增大 k_form，检查期望位置更新频率 |
| 编队内部碰撞 | 互斥半径过小、相对速度未计入 | 增大互斥半径，加入相对速度斥力项 |
| 某个机器人死锁不动 | 局部极小值 | 加扰动、假目标逃逸、切换全局规划 |
| 狭窄通道通过卡壳 | 多机器人互斥叠加导致狭窄空间斥力过大 | 临时降低互斥半径或互斥权重，编队切换单列队形 |
6. 扩展思路与实践建议
写到这里，整套多机器人编队人工势场法协同避障的原理和实现就梳理得差不多了。最后聊点我在实际项目中摸索出来的扩展方向。
如果你做主从式编队，可以考虑给领航者加一个动态队形变换模块。比如正常编队是三角形，通过狭窄通道时切换成单列，通过后恢复三角形。这个切换逻辑我建议用状态机驱动，触发条件是领航者感知到前方通道宽度小于编队宽度。队形参数离线算好，运行时只需要切换每个跟随者的formation_offset数组，不需要重新设计势场函数。实测中，这类“编队级状态切换”比单纯依赖势场力挤压要稳定得多，因为跟随者明确知道自己该处于哪个位置，而不是被动地被势场推来推去。
如果机器人数量增大到10台以上，纯分布式势场会在某些密集场景下出现“多米诺骨牌效应”——第一台机器人受扰动偏移，第二台被推开，第三台被推得更远，最终整个编队崩溃。另一种思路是引入分层编队结构，3到4台机器人组成一个子编队，子编队之间用更大的编队间距和更强的互斥力隔离，形成“宏观稳定、微观机动”的双层体系。这个方法在物流仓储场景的多车调度里验证过，效果很好。
真机上做势场法项目，还有几个实操层面的坑值得提前说。传感器噪声对斥力场影响很大。激光雷达测距值抖动会直接传导到斥力计算上，让机器人在原地小步抖动。解决办法是在斥力输入前对测距值做中值滤波，窗口大小取5点就好，同时把算法中的期望方向做一级低通滤波。真实机器人的最大转弯半径由底盘速度和转向机构决定，这会在势场合力指向和机器人可执行轨迹之间产生偏差。你的角速度限幅 (omega_{max}) 要配合 (v_{max}) 一起整定，保证任何状态下机器人”走得动也转得来”。
还有一点，不要把所有避障压力都放在人工势场层。势场法适合做局部实时避障，但如果是全局路径上有长距离的窄道、迷宫或者复杂障碍群，最好配合全局路径规划器输出一条拓扑路径，人工势场法在局部图层面对路径进行平滑和动态避障修正。这种分层架构既继承了势场法的实时性，又规避了局部极小值，是实际落地的稳妥方案。
个人实际体会是：人工势场法在编队协同这个方向上依然有着不可替代的工程价值。它不完美，但简单、透明、可解释——每一台机器人为什么往某个方向走，你都能用“哪个势场力占主导”这句话说清楚，这对工程调试来说是巨大的优势。相比现在流行的端到端学习或者深度强化学习方法，势场法在可解释性和稳定性上的优势仍然明显。你只需要理解它的物理逻辑，调参的弯路就能少走一大半。
