如果你关注过无人机集群相关的论文和代码，大概率见过不少旋翼无人机的协同搜索方案。但固定翼集群的项目相对要少得多，尤其是“异构”的，几乎每个复现的人都会在航迹约束、转弯半径、通信拓扑这些地方卡上一阵子。这个标题涉及的仿真代码，本质上是一套面向固定翼飞行特性的多机协同搜索与避障框架，我复现了一遍，把整套逻辑、代码结构和踩过的坑整理成文，给打算入手的同学一份可以直接对照的实操参考。
这套代码解决的并不是“多架飞机各自飞各自的然后把结果汇总”这种简单问题，而是需要在复杂环境下完成区域覆盖搜索、疑似目标确认、静态障碍规避、机间避碰，并且让不同飞行性能的无人机各自承担合适任务的完整闭环。所谓复杂环境，通常指地形起伏、存在禁飞区或障碍物、目标位置未知且可能分散，同时机间通信不完全理想。这些条件叠加起来，就是论文里常说的“动态不确定环境”。
适合看这篇内容的人，我认为有三类：一是准备用这份Matlab代码做毕业设计或者论文实验支撑的同学；二是需要在一个现成框架上做改进、换算法、调参数的研究人员；三是对固定翼集群控制感兴趣，但还没想清楚从哪下手的开发者。无论哪一类，你都需要先理解代码背后的控制逻辑和模型假设，而不是直接跑起来看动画。
1. 项目是什么：先理解这套系统在设计上解决什么问题
1.1 固定翼无人机集群为什么要谈“异构”
很多入门者在看标题时会忽略“异构”两个字，但恰恰是这两个字决定了这套系统的核心复杂度和算法取向。如果是同构集群，所有无人机参数完全一致，任务分配可以相对简单地做对称化处理。但异构意味着有的飞机速度快、转弯半径大、传感器探测范围广，适合大范围粗搜；有的飞机速度慢、机动灵活、传感器精度高，适合低空精查或目标复核。
这套代码里的异构主要体现在航向角变化率约束、速度和探测半径的差异上。比如某型号固定翼平台最小转弯半径达到数百米，它就不可能像旋翼那样原地转弯，因此在航点分配、路径生成时必须考虑转弯路径的可行性。你如果把异构问题硬塞给一个基于二维栅格均匀分割的搜索算法，那速度快的飞机一定先把自己的区域搜完，然后闲置，而速度慢的仍在作业，整个集群的搜索效率和均匀性都会受影响。
所以在复现前，你得先建立一个认知：异构不是给每架飞机设一个不同的速度那么简单，它影响的是分区策略、任务带宽分配、以及避障优先级这些更底层的东西。
1.2 协同搜索的核心流程拆解
这套系统运行的整个逻辑可以抽象成一条链路：初始化环境地图和目标先验信息，基于无人机能力参数做任务空间分解，每架无人机维护自身的概率存在图（也就是目标可能存在的置信度分布），在飞行过程中持续更新探测信息，并通过机间通信共享，再由决策模块根据当前经验和信息分布动态调整航向和搜索方式。
这里面有一个关键点：协同搜索和“简单分区然后并肩扫”的最大区别在于信息驱动的航迹生成。当某架无人机发现疑似目标信号，它的决策模块会从覆盖性搜索切换到定点核查模式，而其他无人机收到共享信息后可能会重新调整自己的搜索方向，向疑似目标附近靠拢或者主动补位，保证整个区域的覆盖率不因为个别飞机离开而下降。
这种模式在代码里的实现依赖一个核心数据结构：栅格化的环境地图，每个栅格存储目标存在概率、已被搜索次数、被哪架飞机搜索过等信息。每架飞机的控制器实时读取这些信息来决策下一步航向。
1.3 自适应决策的触发逻辑
“自适应”这三个字看着玄乎，其实就是几组阈值判断与状态切换的组合。在代码中，每架飞机具备以下状态：全局搜索（覆盖搜索模式）、定向探查（疑似目标复核模式）、避障机动（遇到障碍物时强制切换的临时状态）、编队协同调整（机间防碰撞）。
状态切换并不是随机的，而是由具体条件触发。比如全局搜索状态下，如果雷达或传感器读数超过设定阈值，则判定发现疑似目标，切换为定向探查；在飞行过程中如果探测到前方一定距离内存在障碍物，则优先进入避障机动；当多机间距低于最小安全距离，则触发防撞调整。
这些逻辑在代码里通常不是复杂的学习算法，而是基于规则的有限状态机（FSM）加上动态参数调节。复现这个项目时你会看到大量if-else或者switch-case语句，这并不丢人，反而是工程上最可靠的实现方式。所谓的自适应，在这一套框架里的真实含义是“根据实时搜索信息调节搜索权重与航向”，而不是什么玄学策略。
2. Matlab实现前的关键模型准备
2.1 固定翼运动学模型与约束
固定翼的运动学模型是这套代码的底层基础，它和旋翼最大的不同在于非完整约束（non-holonomic constraint）。简单说，飞机不能原地转弯、不能横向移动，它的运动方向必须要与机体朝向一致，转弯必须借助滚转机动完成。因此，在代码中建立固定翼模型时最常用的是二维或三维Dubins模型或带有最小转弯半径约束的质点模型。
一个典型到不能再典型的固定翼运动学方程是这样的：x(k+1)=x(k)+v·cos(θ(k))·dt，y(k+1)=y(k)+v·sin(θ(k))·dt，θ(k+1)=θ(k)+ω(k)·dt，其中θ是航向角，ω是航向角变化率。这里最关键的约束就是ω的绝对值不能超过某个最大值，它对应着最小转弯半径Rmin=v/ωmax。这个约束直接影响航点规划的可行性判断。
我在代码里实测下来，很多复现问题就出在第三步：规划系统生成了目标航点，但没有检查固定翼转弯半径是否能飞到这个航点，结果飞机就在空中画龙，永远收敛不到目标。如果你的航点生成模块里没有加入转弯半径约束，那跑出来的轨迹基本失真。
2.2 地图建模与栅格概率地图
在这套代码中，搜索环境通常被离散化成均匀网格，每个网格包含若干属性。常规做法是把地图定义成一个二维数组，每个元素存储“目标存在概率”值。初始时根据先验信息设定，通常是均匀分布或者在某些区域略高，随后随着无人机的持续探测，每次经过某个栅格，该栅格的概率值会根据检测模型的虚警率和漏检率进行贝叶斯更新。
这么做的好处是有统一的数学框架来支撑“信息增益最大化的搜索方向选择”。例如，当飞机面临多个候选航向时，可以计算每个候选方向对应的信息增益，即经过该方向所覆盖栅格的未搜索度下降值，然后选择信息增益最大的方向。这就是自适应决策中最核心的一步。
一个容易被忽视的细节是：地图分辨率不能无脑设高，因为地图分辨率越高，计算量呈平方级别增长，而且搜索策略模块每一次更新都需要遍历大量栅格进行贝叶斯修正，在Matlab的循环体系下容易拖慢仿真速度。我在参考代码中看到的分辨率通常是10米到50米之间，具体取决于仿真区域的大小和无人机传感器的探测直径。
2.3 障碍物描述方式
这里的障碍物既包括静态地形，比如山峰、禁飞区，也包括动态威胁源。静态障碍在处理上相对简单，通常用多边形或者集合的形式存储，在航迹规划时判断线段与多边形边界是否相交，一旦相交则触发避障绕行。
动态威胁要复杂一些，通常是运动中的威胁源或者通信盲区。在代码实现中，动态威胁往往被简化成一个由多个要素构成的势场源，无人机在距离威胁源一定范围内会受到排斥力影响，改变原有航向。这种基于人工势场的处理方式实现简单、计算效率高，但从我的角度看，它的局限性也很明显，容易陷入局部极值导致飞机在障碍物前振荡，后续如果条件允许，建议升级为速度障碍法或模型预测控制，效果会更好。
3. 代码框架与核心模块实现
3.1 主循环程序框架
这套Matlab实现的整体代码结构并不复杂，核心是一个大循环，循环内依次执行各个模块的更新。整个流程大致分成如下节点：
- 初始化模块：设置地图、障碍物、无人机初始位置、速度范围、探测半径、通信半径、最大仿真时长等参数。
- 传感器探测模块：根据当前无人机位置，计算探测覆盖到的栅格，更新概率地图。
- 信息共享模块：模拟机间通信，将各机搜索到的地图增量同步到全局地图。
- 决策模块：根据全局地图信息、当前任务状态和本机位置，计算期望航向。
- 避障模块：检测前方路径是否与静态障碍或动态威胁冲突，并在必要时强制修改期望航向。
- 运动学更新模块：根据期望航向和固定翼模型更新位置与姿态。
- 统计与绘图模块：实时更新覆盖率、轨迹、搜索效率等曲线和图像。
你在阅读代码时，我建议第一步不要陷入细节，而是先找到主循环的骨架，弄清楚每个模块的调用顺序，这比理解每一个函数内部细节重要得多。一旦你搞清楚了数据流，后面替换任何子模块都会很顺手。
3.2 搜索区域分配策略
异构集群的区域分配是这套系统的一个重点。如果采用均匀网格分区，那速度慢的飞机会拖后腿。一种常见的替代方案是“动态负载均衡分区”。具体思路是：先根据每架无人机的搜索覆盖率能力折算出一个权重系数，它综合考虑速度、传感器宽度、任务可靠度等因素，然后按照权重比例对搜索区域的不均匀分割。
比如三架无人机，A的权重是0.5，B是0.3，C是0.2，那么搜索区域按面积比例大致分成五成、三成、二成。但固定翼飞行不能严格走直线在分区内扫描，所以这里的分配更多体现为“虚拟势场吸引权重”的差异化，而不是严格的区域划分。
代码中往往体现在任务权重地图（Tu任务分布图）的生成上。对于高权重的无人机，它受到未搜索区域的吸引力更强，航迹更倾向进入自己负责的区域；而对其他区域的吸引力会被抑制。这样既实现了区域分工，又保留了灵活性，允许无人机在特定情况下跨界支援。
我自己在复现某种实现时，看到代码里用了一种很简洁的做法：每架无人机对每个未搜索栅格点计算一个包含距离项、概率项和归属权重的综合得分，选择综合得分最高的栅格作为当前子目标，然后跟踪这个目标飞行。方法朴素，但运行效果比较稳。
3.3 避障与机间防碰撞模块
避障模块在实际代码中最容易写乱。很多初学复现的同学在加入人工势场之后发现无人机在遇到障碍时会出现剧烈抖动或者绕路过度的问题。根源在于斥力场的增益系数设置不合理，或者斥力影响范围设置过大。
合理的做法是将斥力影响范围限制在无人机前方扇区内。也就是说，只有当障碍物出现在无人机前进方向的90度到120度扇形区域且距离低于安全阈值时，才会启动避障逻辑。这个设计能有效减少不必要的绕行，让无人机更平滑地回到搜索路线。
机间防碰撞通常使用“通信范围内的距离检查”。每架无人机定期广播自己的位置信息，其他飞机计算相对距离，当距离小于设定阈值时，触发位置调整，一般是通过调整期望航向来拉开间距。这里值得注意的一个细节是：防碰撞的优先级必须高于搜索决策和航迹跟踪，除非你的决策模块还单独包含针对防碰撞的协商逻辑，否则无人机之间的碰撞风险会相当大。
3.4 可视化与统计输出
复现代码的价值很大程度上靠可视化和统计来体现。如果只看无人机绕圈飞行的动画，你看不出算法的优劣。因此这套代码通常还包含覆盖率曲线、累计搜索时间、目标发现次数、平均重访率等指标的统计模块。在跑完一次仿真后，应重点查看覆盖率随时间变化的增长曲线是否平滑收敛、是否存在长时间停滞的平台期，以及目标从搜索开始到被发现的时间分布是否合理。
Matlab的绘图性能，说实话，对于这种中等规模的仿真动画是够用的。但如果你加入的无人机数量较多或者地图分辨率偏高，建议把绘图刷新频率降低，比如每10个仿真步长绘制一帧，不然整体仿真速度会被拖到难以接受的程度。
4. 参数调节方法与仿真结果分析
4.1 重点参数速查表
我把复现过程中需要重点关注和调参的参数整理了一张表，方便你对号入座。这张表里的数值来自我本次复现运行的某组参考配置，如果你用的是其他项目源码，数值范围可能有差异，但调节逻辑相同。
| 参数项 | 常见取值范围 | 说明与调节思路 |
|---|---|---|
| 仿真步长 | 0.5s–2s | 步长过大会导致运动学积分失真，过小则拖慢速度 |
| 地图栅格分辨率 | 10m–50m | 决定搜索精度和计算负载的平衡点，需要找到合适的折中区间 |
| 传感器探测半径 | 300m–800m | 探测半径越大则单次覆盖范围越大，但目标误检率也相应上升 |
| 最小转弯半径 | 100m–600m | 根据机型设定，直接决定航点可行性判断 |
| 机间通信半径 | 800m–2000m | 通信半径越高信息共享越充分，但要注意全部信息同步带来的计算压力 |
| 安全距离 | 100m–250m | 机间防碰撞触发阈值，过大会导致编队过度分散，过小风险高 |
| 避障斥力系数 | 1–10 | 控制避障响应的灵敏度，太大容易震荡，太小则反应迟钝 |
4.2 网格覆盖率与重访率的解读
仿真结束后，覆盖率曲线是评估算法效果的最直观指标。理论上，随着搜索进行，覆盖率单调递增并逐渐收敛到某个上限。这个上限低于百分之百并不是算法有问题，而可能是地图中存在障碍物遮挡区域、通讯盲区等客观限制。
但如果覆盖率曲线出现明显的长时间平缓段，那就要检查是不是有几架无人机被困在避障逻辑里，反复绕圈不前进，或者存在某块区域的搜索权重设置过低被忽略了。另一种常见问题是重访率过高：同一片区域被多次重复搜索，说明各无人机之间的信息共享或区域分配不理想，导致航迹重叠严重。
我在实际运行中会额外输出一个“平均搜索效率”指标，也就是单位时间内新覆盖栅格数与总移动距离的比值。这个指标可以比较不同参数配置下的优劣，一般来说，数值越高说明搜索策略越合理。
4.3 关键参数灵敏度心得
在实际调节过程中，我明显感受到两个参数对整体行为影响最大：传感器探测半径和机间通信半径。探测半径决定了一架飞机“看一眼”能覆盖多宽的范围，它不光影响覆盖效率，还会影响避障逻辑触发频率，因为探测范围越宽越容易提前感知到前方动态威胁。通信半径则决定了编队能否形成有效的全局信息协同。当通信半径过小时，各无人机只能获得碎片化的地图信息，重复搜索概率急剧上升。
如果你正在盲目调参，我建议优先确定这两个参数的上限，然后再去微调转弯半径和速度，这样效率会高很多。仿真中的固定翼最小转弯半径则需要依据机型的实际性能来设，但如果想观察算法在极端机动条件下的表现，强行把转弯半径设小也不是不行，只是航迹可能会变得不真实。
5. 复现中常见问题与排查
5.1 运动学积分发散与抖动
很多复现者遇到的第一个奇怪现象是，无人机飞行一小段距离后坐标突然跳到无穷大，或者航向角剧烈抖动。这通常是仿真步长过大导致的。固定翼的运动学模型里，航向角的变化率由控制量决定，如果步长太大，角度修正幅度超过线性化假设的范围，系统就会发散。
排查思路很简单：把步长调小一个数量级试一下，比如从2秒调到0.2秒，如果轨迹变得平滑，那就是步长的问题。如果仍然发散，那就要检查航向角是否做了合理的角度归一化处理，比如限制在-π到π范围内。我在参考代码中看到，角度越界是Matlab实现里特别常见的坑，因为三角函数对角度值极其敏感。
5.2 无人机在障碍物前反复绕圈
人工势场和基于规则避障的经典问题就是局部极值：无人机在某个障碍物构型下受到的排斥力和搜索引力达到平衡，导致它只能原地绕圈。绕圈现象在运行曲线上的表现是覆盖率长时间不变化，动画里面飞机轨迹呈闭合的圈状。
针对这个问题的常用修复方式有两种。第一种是增加扰动项，当检测到角度变化率持续在一定区间内震荡超过预设时间，就强行注入一个临时航向偏移，破坏局部极值状态。第二种是引入“记忆机制”：把最近一段时间经过的点和这些点对应的航向记录下来，如果发现陷入循环，则主动标记为暂时的禁止航向。如果能接受更大的改动，推荐直接升级航迹规划算法，用随机采样类方法替代势场法，但那样计算负担会高一些。
5.3 多无人机碰撞检测失效
多机防碰撞失效是一个比较隐蔽的问题。单纯检查两架飞机当前时刻的位置距离是不够的，因为固定翼飞行速度较快，可能上一帧还在安全距离之外，下一帧就冲突了，防碰撞模块来不及响应。正确的做法应该是预测型的检查：基于当前速度和航向，预测未来几秒内的相对运动轨迹，判断是否存在最小距离小于安全阈值的时刻。
如果你发现两架飞机越来越近但没有触发避让，大概率就是因为代码只做了当前时刻的距离判断。把这个判断改成对预测轨迹的判断，通常就能解决。另外要注意的是，多架飞机同时触发防碰撞时，需要有一个优先级机制，比如右侧来机让行，或者速度更快的飞机调整航向来避免两架飞机都转向同一个方向导致的新冲突。
5.4 通信模拟处的数据结构问题
我复现的这种项目里，通信信息往往用一个大数组存储全局地图增量或者各机信息矩阵，而不同无人机的探测范围不同，更新位置也不同，容易在时间戳上出现错位。如果你用Matlab写的时候不啰嗦一点做时间步对齐，极容易出现矩阵维度不匹配的报错。
我的建议是：建立统一的数据结构体数组，每个元素存储某架无人机在某时刻的探测信息，通信模块遍历结构体数组做数据融合，而不是试图用一个大矩阵把所有信息都塞进去。结构体数组虽然计算效率略低，但胜在清晰可调，排查问题方便，这对复现阶段的工程人员来说比性能重要得多。
6. 后续可以扩展的方向
如果你想把这套代码往深了做，我认为有两个方向性价比最高。第一个是把决策模块从规则换成强化学习或者深度Q网络。保留现有的运动学模型和地图数据结构，只替换决策模块的输出层，将状态输入换成包含自身位置、全局概率图降维特征、剩余任务量的向量，输出层改为可选的离散航向动作。这个改法可以复用现有仿真环境，比较适合做算法对比实验。
第二个方向是把二维搜索扩展到三维。固定翼在三维空间中搜索与二维有本质不同，需要加入高度维度后，任务的复杂度从平面覆盖变成三维体覆盖，障碍描述也从多边形变成三维包围体。这个扩展的工作量不小，但作为研究创新点是绝对够分量的。如果你有足够时间，我建议优先考虑三维变体，因为同行评审对这个方向的接受度更高。
最后说一点自己的体会。复现别人代码这件事，最重要的不是跑通，而是跑通之后你能不能有理有据地解释每一个行为，并且通过调参改变这些行为。这套异构固定翼集群协同搜索代码，我前前后后调试了大半个月，从最初地图上到处乱飞、互相打架，到后面基本能形成有序搜索、主动避障、疑似目标自动复核的完整流程，每一步的提升都是建立在弄清楚“为什么”的基础上。希望这篇拆解能帮你少走一些弯路，把时间花在真正有价值的改进上。
