无人机集群协同跟踪：EKF与事件触发量化融合的MATLAB对比

最近把无人机集群协同跟踪的仿真跑完最后一组蒙特卡洛，我盯着那张RMSE曲线图看了很久。同样的目标轨迹、同样的传感器噪声、同样的通信拓扑，只是把数据融合方式从“所有观测都汇总到一个中心”换成“每架无人机只跟邻居按需通信”，定位精度几乎没有掉多少，通信量却少了将近八成。这也是我这次整理这套MATLAB对比框架的初衷：把集中式EKF、事件触发无量化、量化事件触发三类算法放在完全相同的条件下，公平地摆在一起看差距。

做多智能体协同感知或数据融合方向的朋友应该都有体会，网上讨论分布式估计的帖子不少，但多数只讲单一算法，真正能直接拿来对比复现的资料太少。这次我在MATLAB里把三类算法全部跑通，并做了完整的蒙特卡洛统计。文中的核心代码片段可以直接抄进自己的工程，仿真思路也可以平移到其他传感器网络、机器人编队甚至多平台目标跟踪场景。

1. 先把问题说清楚：集群协同估计的数学模型与通信资源约束

1.1 场景设定：五架无人机协同跟踪一个机动目标

仿真场景我设计成最常见也最容易验证的形式：5架无人机在已知位置悬停或缓慢移动，共同跟踪一个二维平面上的机动目标。目标状态是四维的，包括位置和速度：

x = [px, py, vx, vy]^T

目标运动用带过程噪声的近似匀速模型描述。离散化之后的状态转移矩阵长这样：

A = [1 0 dt 0; 0 1 0 dt; 0 0 1 0; 0 0 0 1];

过程噪声协方差矩阵我设成了：

Q = diag([0.1^2, 0.1^2, 0.05^2, 0.05^2]);

这个设置的含义是位置过程噪声略大于速度过程噪声。实际调试时我发现Q太小会让滤波器过度自信，后面触发率会变得很低；Q太大则估计结果明显抖动。从0.1量级起步逐步调，比较稳妥。

1.2 每架无人机能测到什么：距离与方位角的非线性观测

每架无人机搭载测距测角传感器，对目标的观测量是距离和方位角：

z_i = [sqrt((px - sx_i)^2 + (py - sy_i)^2); atan2(py - sy_i, px - sx_i)]

正是因为这个观测模型是非线性的，才必须用扩展卡尔曼滤波（EKF）而不是标准KF。EKF的核心思想是在当前估计点附近对非线性观测函数做一阶泰勒展开，也就是用雅可比矩阵代替线性模型里的观测矩阵H。

举个例子，假设无人机s_i位置是(sx, sy)，观测雅可比矩阵的推导结果如下：

function H = meas_jacobian(x, s) dx = x(1) - s(1); dy = x(2) - s(2); r2 = dx^2 + dy^2; r = sqrt(r2); H = [dx/r, dy/r, 0, 0; -dy/r2, dx/r2, 0, 0]; end

这里第一行对应距离对状态的偏导，第二行对应方位角对状态的偏导。注意方位角那部分的雅可比分母是r2而不是r，这个细节很容易写错，一旦写错整个EKF会在目标靠近无人机时出现明显的数值异常。

每架无人机的观测噪声协方差R我设为：

R = diag([0.2^2, (2*pi/180)^2]);

距离噪声0.2米，角度噪声2度，这是比较接近实际传感器的参数。

1.3 三类算法公平对比的通信拓扑与评价口径

为了让对比公平，我让所有算法共用同一套通信拓扑：无人机之间按无向连通图交换信息，每架无人机只能跟直接邻居通信。评价指标固定为三个：

• 位置RMSE：衡量估计精度；
• 通信次数：统计整个仿真过程中累计发送了多少次消息；
• 数据量：统计累计发送的比特数，量化与否的差别主要看这里。

后面所有算法都在这套统一口径下比较。通信次数体现“什么时候发”，数据量体现“每次发多少”，这两者加起来才是通信资源的完整账单。很多文章只统计前者，其实会忽略量化带来的真实收益。

2. 集中式EKF：先定位性能上界，再谈分布式省资源

2.1 集中式EKF的预测-更新流程与代码骨架

集中式EKF的思路最简单：所有无人机的观测数据全部汇总到一个中心节点，中心节点维护一个全局滤波器，一次性处理所有观测。

预测部分和普通EKF没有任何区别：

function [x_pred, P_pred] = ekf_predict(x, P, A, Q) x_pred = A * x; P_pred = A * P * A' + Q; end

更新部分需要把所有N架无人机的观测向量、噪声矩阵、雅可比矩阵分别算好后堆叠起来：

function [x_upd, P_upd, innov] = ekf_update_central(x_pred, P_pred, z_all, s_all, R_all) H_all = []; z_hat_all = []; R_blk = blkdiag(R_all{1}, R_all{2}, R_all{3}, R_all{4}, R_all{5}); for i = 1:5 H_i = meas_jacobian(x_pred, s_all(i,:)); z_hat_i = [norm(x_pred(1:2) - s_all(i,:)'); atan2(x_pred(2)-s_all(i,2), x_pred(1)-s_all(i,1))]; H_all = [H_all; H_i]; z_hat_all = [z_hat_all; z_hat_i]; end innov_full = z_all - z_hat_all; innov_full(2:2:end) = wrapToPi(innov_full(2:2:end)); S = H_all * P_pred * H_all' + R_blk; K = P_pred * H_all' / S; x_upd = x_pred + K * innov_full; P_upd = (eye(4) - K * H_all) * P_pred; P_upd = 0.5 * (P_upd + P_upd'); end

集中式的优势是信息无损，所有观测都在同一个优化问题里被最优加权，所以它的估计精度在理论上就是整个对比实验的“天花板”。尤其在高斯噪声假设下，贝叶斯最优解就在这里了。

2.2 集中式的三个软肋：单点故障、通信负载、规模瓶颈

但集中式结构在真实无人机集群场景里并不吃香，原因有三个。

一是单点故障问题。中心节点一旦掉电或者链路中断，整个系统立刻失去估计能力。我在仿真里故意试过在某个时刻断开中心节点的接收通道，整个RMSE直接爆炸，没有任何降级手段。

二是通信负载。每步每个无人机都要把原始观测发给中心，通信次数密度是100%。随着集群规模增大，这个O(N)的通信压力很快就超过机载数传链路的承受范围。

三是计算集中。中心节点要处理全系统所有无人机的观测矩阵求逆，计算量随N增长。机载平台算力本来就分散，把算力集中在单个节点上从架构上也说不通。

所以集中式EKF在对比实验中更适合扮演“参照系”角色，它告诉我们：在通信资源完全不受限的理想情况下，最优精度长什么样。后面两类分布式算法的价值，都是以“逼近这个精度”为目标的。

3. 事件触发无量化：把通信从周期制改成按需制

3.1 为什么用新息做触发信号

分布式结构下，每架无人机本地跑一个EKF，只跟自己邻居通信。问题来了：什么时候该把自己观测到的信息发给邻居？

我用的触发信号是观测新息的范数：

innov = z_i(k) - h_i(x_pred_i(k))

新息本质上是“当前观测里携带的、本地预测不知道的新信息量”。如果新息很小，说明本地预测已经很准，这次观测对邻居几乎没有增量价值，不发消息也完全没问题；如果新息突然变大，说明目标可能机动了或者本地估计偏了，这时候才值得占用通信链路。

触发判决的代码非常简洁：

function flag = trigger_decision(innov_norm, delta) flag = innov_norm > delta; end

阈值delta是关键参数。我把它跟观测噪声标准差关联起来理解：delta取2到3倍的噪声标准差比较合理。太小了等于是个“话痨”，什么鸡毛蒜皮都往外发；太大了又像“社恐”，关键时刻也不发消息，导致本地估计长期偏差。

3.2 不触发的时候，本地滤波器在干什么

事件触发的核心问题往往不在“触发时怎么办”，而在“不触发时怎么办”。

我的做法是：不触发时，本地EKF只做预测，不做量测更新。也就是说，本机自己的观测仍然用于本地更新，但邻居信息不更新。这套策略在MATLAB里就是一条简单的分支逻辑：

% 本地观测永远更新 [x_upd, P_upd, ~] = ekf_update_local(x_pred, P_pred, z_i, s_i, R_i); % 邻居信息按触发结果决定是否融合 if trigger_flag x_upd = fuse_ci(x_upd, P_upd, x_neighbor, P_neighbor); end

这里我用的是协方差交叉（CI）融合，而不是简单加权平均。简单平均最大的问题是它没有考虑邻居估计的不确定性，当一个邻居已经严重“飘了”时，平均会把好估计也拉下水。协方差交叉通过协方差矩阵动态计算融合权重，鲁棒性要好得多。

如果一直不触发，本地滤波器实际上退化成纯本地EKF，误差会随着目标机动逐渐累积。等到累积到一定程度，新息超过阈值触发通信，误差又被拉回来。这个“累积-校正”的循环就是事件触发的本质。

3.3 无量化模式的边界在哪

“无量化”的意思是一旦触发，就发送完整精度的浮点数，不压缩数据包大小。它的代价模型只惩罚通信次数，不惩罚单次通信的字节数。

这套模式适合那种通信次数受限、但链路带宽还算充裕的场景。比如链路是窄带但允许大包突发传输，或者信道时隙紧张但单次传输上限很高。

从算法特性上看，事件触发无量化是理解后面量化版本的阶梯。两者的区别仅仅是多了一个量化环节，其余架构完全一致。这也是我建议读者先跑通这一版再加量化的原因——把变量一个一个加进去，出问题时才能快速定位。

4. 量化事件触发：通信频率和通信精度一起压缩

4.1 为什么要量化：窄带链路下的数据量瓶颈

事件触发把通信次数压下来了，但细看数据账单会发现还有压缩空间：一旦触发就发32位浮点数，如果同一时刻多个邻居触发，链路带宽仍然可能被瞬间占满。量化就是再给数据包“瘦身”，用有限的比特数表示测量值或估计值。

量化本质上是精度换带宽。一个b比特的均匀量化器，把取值范围[range_low, range_high]等分成2^b-1个区间，量化误差上界是区间宽度的一半：

delta_q = (range_high - range_low) / (2^b - 1) / 2

b从32降到6，单条消息数据量直接除以5以上。集群规模越大，这个收益越明显。

4.2 均匀量化与对数量化的实现对比

我实现了两种量化器。均匀量化最简单，适合距离观测这类均匀分布的物理量：

function xq = uniform_quantize(x, b, range) L = 2^b - 1; x_clamped = min(max(x, range(1)), range(2)); xq = round((x_clamped - range(1)) / (range(2) - range(1)) * L) ... / L * (range(2) - range(1)) + range(1); end

对数量化则更适合方位角这类小值附近变化敏感的量。它的量化电平在小数值区域更密集、大数值区域更稀疏，等效于信噪比更均匀。实现上需要先把数值映射到对数域再量化：

function xq = log_quantize(x, b, x_max) sign_x = sign(x); abs_x = abs(x); if abs_x < eps xq = 0; return; end level = exp(linspace(log(eps), log(x_max), 2^b)); [~, idx] = min(abs(level - abs_x)); xq = sign_x * level(idx); end

实际用下来，距离观测用6到8比特均匀量化就够，方位角观测建议用8比特对数量化。角度信息对目标定位的敏感度比距离更高，省比特不能省在这里。

4.3 触发与量化最容易出现的耦合问题

把触发和量化放在一起后，会出现一个单独跑任何一个模块都遇不到的坑：触发风暴。

现象是这样的：某一步量化误差恰好比较大，导致新息刚过阈值触发了一次通信。接收方拿到量化后的测量值做融合，这个融合结果又改变了下一时刻的预测值，产生的新息再次逼近阈值边界，于是下下步又触发一次，形成“过阈值-量化-再过阈值”的正反馈循环。

我在对比实验里碰到过一次全程触发率高达47%的异常结果，排查了半天才发现是量化误差跟触发阈值“共振”了。

解决办法是给触发判决加滞回比较器，也就是触发和断开使用不同的阈值：

function flag = trigger_hysteresis(innov_norm, delta_on, delta_off, flag_prev) if flag_prev flag = innov_norm > delta_off; else flag = innov_norm > delta_on; end end

delta_on取基准值，delta_off取基准值的一半左右。消息一旦触发，要等新息明显回落到安全区才允许断开，避免在阈值边界上来回抖。这个滞回思路在工程上非常常见，电力系统的继电器保护、温度控制都这么干。

另外一个容易踩的坑是角度量化环绕问题。方位角观测在正负π边界会跳变，如果直接量化，π和-π在量化后可能被映射到完全不同的电平，导致融合时出现虚假大新息。收到的角度必须先做环绕对齐再进量化器。

5. MATLAB仿真工程实现：代码结构、关键函数与排雷指南

5.1 代码目录结构与一次仿真的数据流

整套对比工程我按模块拆分，不建议把代码全堆在一个脚本里，不然后面换参数跑对比时能头疼死。目录结构大致如下：

fusion_compare/ ├── main_compare.m # 主脚本，跑单次或蒙特卡洛 ├── sys_model.m # 目标运动模型与观测模型 ├── ekf_predict.m # EKF预测 ├── ekf_update_central.m # 集中式更新 ├── ekf_update_local.m # 本地更新 ├── trigger_hysteresis.m # 滞回触发判决 ├── uniform_quantize.m # 均匀量化 ├── log_quantize.m # 对数量化 ├── fuse_ci.m # 协方差交叉融合 └── plot_results.m # 绘图与指标统计

一次完整仿真的数据流是这样的：先用sys_model生成目标真值轨迹和所有无人机的原始观测；然后分别跑三套滤波器；每套滤波器内部维护自己的状态估计和协方差；最后统一用真值轨迹计算RMSE，同时统计每个滤波器的通信次数和累计数据量。

5.2 本地EKF的更新实现与邻居融合

本地EKF的更新部分和集中式唯一的区别是观测维度不同。集中式把所有观测堆成一个12维观测向量（5架乘2维观测），本地EKF只有2维观测。

邻居信息融合的协方差交叉公式如下：

function [x_fus, P_fus] = fuse_ci(x1, P1, x2, P2) omega = 0.5; invP1 = inv(P1); invP2 = inv(P2); P_fus = inv(omega * invP1 + (1 - omega) * invP2); x_fus = P_fus * (omega * invP1 * x1 + (1 - omega) * invP2 * x2); end

omega固定取0.5，即两个估计等权融合。更精细的做法是根据协方差矩阵的行列式动态优化omega，但实测对RMSE影响不大，固定0.5足够用。CI融合虽然保守，但能保证融合后协方差不低估误差，这对事件触发框架很重要——毕竟触发判决依赖新息，新息又依赖协方差，如果协方差过度自信，会漏触发。

5.3 蒙特卡洛统计里的三个数学坑

单次仿真只能看个大概趋势，要做结论必须跑蒙特卡洛。我通常跑50组，每组用不同随机种子重新生成噪声和目标轨迹，最后对所有仿真RMSE取平均。

这里有三个频繁出现的坑。

第一个是协方差矩阵失去对称性。EKF更新涉及多个矩阵乘法，数值误差会慢慢累积，导致P矩阵不对称甚至非正定。解决方法是每次更新后强制做一次对称化：

P_upd = 0.5 * (P_upd + P_upd');

第二个是角度新息必须归一化。方位角观测的差值如果在-π和π之间跨越，直接进入滤波器会产生一个接近2π的假大新息，触发判决会误触发。要用wrapToPi把差值归一化到[-π, π）。

第三个是新息方差归一化问题。不同观测维度的量纲不同，距离的量纲是米，角度的量纲是弧度，直接对2维新息向量取范数会让距离分量主导触发判决。更合理的方式是使用马氏距离：

innov_norm = sqrt(innov' / S * innov);

这里S是新息协方差矩阵。马氏距离把两个维度的不确定性统一到了标准差尺度上，触发阈值delta的设置也更有物理意义，直接对应“几倍标准差”。实测用马氏距离比欧氏距离触发判决更稳定，尤其适合观测维度量纲不一致的场合。

6. 50组蒙特卡洛跑完后的数据：真实差距与调参经验

6.1 典型仿真结果对比

在我这套参数下，单次仿真总时长设为50秒，仿真步长dt=0.1秒，共500步，五架无人机每步都有观测。以下是50组蒙特卡洛平均后的典型结果：

算法	位置RMSE (m)	触发率	累计数据量
集中式EKF	0.31	100%	基准值（5架×2维×32bit×500步）
事件触发无量化	0.39	21%	约基准值的21%
量化事件触发(8bit)	0.44	22%	约基准值的5.7%
量化事件触发(6bit)	0.56	24%	约基准值的4.3%

这组数字来自我自己的仿真配置，不同Q/R参数下绝对值会有变化，但它反映出的相对关系非常稳定。触发率从100%降到21%左右，RMSE只从0.31m涨到0.39m，定位精度只掉了四分之一，通信次数省了八成，这个交换比相当划算。

从8bit降到6bit，数据量继续砍了不少，但RMSE明显恶化。在这个场景里，6bit量化的误差已经接近触发阈值本身的量级，对估计系统的扰动不再能被滤波器自行消化。

6.2 从数据里读出的三条规律

第一，集中式EKF的精度优势没有想象中那么大。在分布式估计中，每架无人机本来就在本地持续滤波，邻居信息只是额外的校正源，真正丢失的信息量没有从100%直接降到0那么吓人。

第二，事件触发省下的通信次数远比想象中多。原因在于目标平稳运动时，本地预测已经很准，新息长期低于阈值；真正触发通信的基本都发生在目标机动段。换句话说，事件触发天然把通信资源分配给了信息量最大的时刻。

第三，触发率和RMSE不是简单线性关系。触发率从100%降到50%，RMSE几乎不变；但从30%继续往下压，RMSE开始加速恶化。这说明每个系统都有一个“信息临界点”，低于这个点之后，省下的每一次通信都在透支精度。找到这个临界点就是调参的核心目标。

6.3 工程选型与参数调整顺序

基于这套仿真结果，我对三类算法的选型建议如下：

集群规模小（个位数节点）、有可靠中心节点、通信带宽充裕——直接用集中式EKF，精度最好，实现也最简单，没必要为了分布式而分布式。

集群规模大、拓扑动态变化、中心节点不可靠——选事件触发无量化，先解决“该不该通信”的问题，一上来就加量化会让问题难以定位。

带宽极度受限、单次消息长度严格受限——在事件触发基础上叠加量化，但量化位数尽量不要低于6bit，角度观测建议8bit，并且一定要加滞回触发。

参数调整顺序也值得单独说。先固定量化位数（比如先从8bit开始），调整触发阈值找到精度和触发率的平衡点；然后再降量化位数，观察RMSE的恶化拐点；最后再回头微调触发阈值。这个顺序能让你分清楚每个参数各自的影响范围，而不是面对一堆旋钮瞎试。

至于这套代码的后续扩展方向，我自己的计划是加入两个变量：一个是通信丢包，一个是时延。目前这些算法都在理想信道下验证，但真实无人机集群的通信链路会有随机丢包，丢包和触发机制的交互会让估计性能出新的问题。另一个方向是把固定阈值改成自适应阈值，让系统根据实时新息分布动态调节触发灵敏度，进一步改善机动段的响应速度。

如果你也准备把类似算法搬到自己的项目里，我的建议是先老老实实把集中式EKF跑通，再改造成事件触发无量化，最后才叠加量化模块。每一步都验证过了再走下一步，这样出了任何异常你都能立刻判断是滤波问题、触发问题还是量化问题。这套对比框架真正值钱的地方也在这里——它不只是三份孤立算法，而是一个让你能系统理解数据融合中通信与精度权衡的完整实验平台。