多无人机协同路径规划这块，我在实际项目里折腾了挺长时间。一开始以为难点在“路径规划”本身，后来真正跑起来才发现，动态环境下的“协同”和“防撞”才是最容易翻车的地方。今天这篇就把我基于MATLAB做的一套完整实现方案拆开来讲，从问题建模到算法选型，再到具体的代码实现和调试经验，全部记录下来。

1. 项目概述：这到底是个什么问题

先把这个项目要解决的场景说清楚。所谓动态环境下的多无人机协同路径规划，指的是多架无人机在同一片空域内执行任务，比如多机协同搜索、多机运输、编队巡检，过程中环境不是静止的，有移动的障碍物、有突发的禁飞区域、还有无人机之间的相对运动。整个系统的目标是：让每架无人机规划出一条从起点到目标点的可行路径，同时保证全过程中不会撞到任何静态障碍物、动态障碍物，也不会与其它无人机发生碰撞，在这个基础之上，再考虑飞行距离、能耗、任务时序等最优性指标。

这个问题之所以比单机路径规划难出一个量级，是因为多了“协同”这个维度。单机只需要管好自己的路径，多机协同还要处理机间避碰的时空耦合。更麻烦的是动态环境，意味着路径不是规划一次就能一劳永逸的，需要根据环境变化实时调整。把这个问题拆开来看，核心要解决的无非是三个子问题：

• 每架无人机独立规划一条可行路径，避开静态障碍物。
• 多条路径之间有冲突时，如何通过优先级、速度调整或者重新规划来消解。
• 当环境动态变化时，如何在飞行过程中实时检测新的威胁并重新规划局部路径。

我从一开始就踩了一个认知上的坑，总想着要设计一个一次性全局最优的完美方案，结果在复杂动态环境下，全局优化根本跑不出实时结果。后来学乖了，采用的就是“全局规划静态大致路线 + 局部实时避障调整”的组合策略。这个思路在很多实际工程里都是实用的折中方案——全局规划保证整体方向不跑偏，局部规划保证此刻不撞上东西。

2. 核心技术点分析：算法选型与方案权衡

方案设计绕不开算法选型。这个项目里我先后试过好几种主流路径规划算法，各有各的脾气，简单对比一下，方便你在自己的项目里少走弯路。

2.1 常用路径规划算法的适用场景对比

我最终用的方案是：全局规划层用改进的A*算法，在任务起始阶段为每架无人机计算一条穿越静态环境的大致路径；局部实时避障层用人工势场法，在飞行过程中根据传感器信息动态调整速度矢量。这样各取所长，兼顾了全局的路径质量和局部的实时响应。

2.2 动态环境下防撞算法的设计思路

防撞是协同任务里最硬的需求，这一块的设计思路也是本项目里反复迭代最多的部分。机间防撞我采用了速度障碍法（Velocity Obstacle，VO）的改进变体，它比单纯的“检测到距离过近就减速”要聪明得多。

速度障碍法的核心思想是：在速度空间中，把自己无人机和邻居无人机的相对位置、相对速度、安全半径放到一起计算，解出一个“危险速度集合”——如果当前相对速度落在这个集合里，未来某个时刻必定会撞上。那么算法要做的事情就是：在当前可执行的速度范围里，选择一个不在危险速度集合内、同时又能尽量逼近理想航向的速度。

听起来抽象，用一个生活化的类比来解释。你在一条窄路上骑车，对面来了一辆电动车。你脑子里快速估算的是：对方的车速和位置、你自己的车速和位置、以及保持一个安全侧向距离所需的偏移量。这些信息综合起来，你就能判断出哪些车速和方向是绝对不能选的，然后从中挑一个能走的速度。VO算法就是这么干，只不过把车换成了无人机，把人的判断换成了数学计算。

动态障碍物（比如突然出现的飞鸟、临时空域限制）的处理方式，则是在环境地图上实时融合传感器检测结果，把动态威胁区域膨胀成一个临时的禁入栅格，局部规划器看到这些新栅格之后，会用人工势场法的斥力场把这些区域顶出去。

2.3 协同机制的两种架构选型：集中式 vs 分布式

多机协同防撞，必须明确采用哪种控制架构。我两个方向都做过对比，调性差异很大。

集中式架构：由地面站或者某一架长机统一收集所有无人机的状态信息，集中计算全部无人机的无冲突路径，然后分发给各机执行。优点在于全局优化能力强，可以保证严格的无冲突解；缺点是通信依赖严重，计算量随无人机数量上升很快，而且一旦通信链路出问题，整个系统都会崩溃。仿真环境下跑个三五架还撑得住，规模一大就力不从心。

分布式架构：每架无人机都把自己当成独立的决策主体，通过广播状态信息来感知邻居，各自计算自己的避碰策略。优点是扩展性好，对通信带宽要求低，某一架节点失效不会导致全局瘫痪；缺点是难以保证全局最优，需要精心设计一致性协议才能避免“你让一步我让一步结果都卡原地”的尴尬局面。

我最终采用的是分布式为主、有限集中协调为辅的混合架构。具体来说，常态飞行时完全靠分布式VO避碰；在任务有严格时序约束（比如多机同时到达某目标点）时，由一个统一的调度节点先规划优先级，再下发到各机执行速度约束。这个折中方案在仿真里表现得很稳。

3. 基于MATLAB的代码实现：从建模到核心函数

下面进入正题，讲讲MATLAB代码实现的具体细节。我用的是R2021a版本，只需要基础工具箱，不需要额外装特定的工具箱，因为路径规划相关的核心逻辑都是手写的。

3.1 定义无人机的运动模型与状态量

第一步是把无人机的运动模型定义清楚。仿真中我采用的是二维平面内的简化和二阶运动学模型。每一架无人机拥有状态向量 x = [px, py, vx, vy]，其中 px/py是位置坐标，vx/vy是速度分量的投影。控制量是加速度向量 ax/ay。

% 定义飞机数据结构 function drone = droneInit(id, startPos, goalPos, vmax, amax, safeR) drone.id = id; drone.pos = startPos(:); % 2x1 位置向量 drone.vel = vmax * 0.3; % 初始低速 drone.goal = goalPos(:); % 2x1 目标点 drone.vmax = vmax; % 最大速度 drone.amax = amax; % 最大加速度 drone.safeR = safeR; % 安全半径（防撞用） drone.path = startPos(:); % 记录路径 end

这里有个值得注意的细节，初始速度不要设成0。我之前初始速度设为零，导致无人机在启动阶段加速度瞬间拉满，差点在防撞逻辑判断里被误判为“静止障碍物”，后来改成0.3倍最大速度初始化，问题就没了。

动态迭代的核心逻辑是，根据当前状态和规划目标，算出下一步的加速度，然后更新时间步长内的速度和位置。时间步长dt我这里取0.1秒，兼顾仿真精细度和计算开销。

3.2 全局路径规划：改进A*算法的实现

全局规划层用栅格地图加A算法实现。地图分辨率取1米每格，也就是说每架无人机导航时看到的是一个离散的网格世界。A算法的实现重点在于启发式函数的选择——我用的是欧几里得距离作为启发式，这样能保证路径在栅格空间中尽量走直线，减少不必要的绕弯。

核心代码如下：

function [path] = astarPath(map, start, goal) % map: 2D逻辑矩阵，1表示障碍，0表示可通行 % start, goal: [row, col] 格式的栅格坐标 [ny, nx] = size(map); openList = []; % 存储待扩展节点 [f, g, row, col] cameFrom = cell(ny, nx); % 记录父节点 gScore = inf(ny, nx); % 将起点加入开放列表 startIdx = sub2ind([ny, nx], start(1), start(2)); gScore(startIdx) = 0; fScore = gScore(startIdx) + norm(start(1:2) - goal); openList = [fScore, gScore(startIdx), start(1), start(2)]; while ~isempty(openList) % 取出f值最小的节点 [~, idx] = min(openList(:, 1)); current = openList(idx, :); openList(idx, :) = []; curRow = current(3); curCol = current(4); % 到达目标 if curRow == goal(1) && curCol == goal(2) % 通过cameFrom回溯路径 path = reconstructPath(cameFrom, curRow, curCol); return; end % 八方向邻居扩展 for dRow = -1:1 for dCol = -1:1 if dRow == 0 && dCol == 0 continue; end nRow = curRow + dRow; nCol = curCol + dCol; if nRow < 1 || nRow > ny || nCol < 1 || nCol > nx continue; end if map(nRow, nCol) == 1 continue; end moveCost = sqrt(dRow^2 + dCol^2); % 对角线成本更高 tentativeG = gScore(sub2ind([ny, nx], curRow, curCol)) + moveCost; if tentativeG < gScore(sub2ind([ny, nx], nRow, nCol)) gScore(sub2ind([ny, nx], nRow, nCol)) = tentativeG; fScore = tentativeG + norm([nRow, nCol] - goal); cameFrom{nRow, nCol} = [curRow, curCol]; openList = [openList; fScore, tentativeG, nRow, nCol]; end end end end % 没有找到路径就返回空 path = []; end

注意几个细节：对角线移动的代价比十字方向移动大，这样路径更真实一些，不会出现沿障碍边缘锯齿状疯狂拐弯的情况。另一个细节是打开列表如果出现重复节点，我处理方式是直接追加，让循环里自己去比较是否更优。虽然理论上用优先队列更优雅，但在MATLAB里手写优先队列反而拖慢整体速度，直接用矩阵追加加min查找，对几十个节点量级的场景完全够用。

A*算出来的是一连串的栅格点，这些路径点转折太明显、不够平滑，无人机没法定向直飞。所以后面我还接了一层路径平滑处理，把相邻路径段之间的大角度转弯用贝塞尔曲线插值消除掉。

3.3 局部防撞避碰：速度障碍法实现

速度障碍法实现是整个项目最核心的部分，代码量不大，但数学上需要仔细处理。

基本原理：假设本机A位于点pa，速度为va，安全半径为rA。邻居B位于点pb，速度为vb，安全半径为rB。把B抽象成一个半径为(rA+rB)的圆形障碍区域。以B的位置为原点，在速度平面上画出A相对于B的速度vA-B = va - vb。若vA-B的方向指向圆形障碍区域，那么沿着当前相对速度走下去，两机必然会进入安全距离以内。

所以判定是否构成速度冲突的条件就是：向量vA-B与从B指向A的连线方向夹角是否小于临界角，同时相对位置距离是否在某个阈值以内。简单实现时，我用一个时间窗口来判定“未来T秒内是否会撞”。

function [warning] = checkCollision(A, B, T_horizon) % 输入：两架无人机的状态A、B % 输出：true表示在时间窗口内存在碰撞风险 relPos = B.pos - A.pos; relVel = B.vel - A.vel; dist = norm(relPos); safeDist = A.safeR + B.safeR; if dist <= safeDist warning = true; return; end % 判断沿当前速度方向在时间T内是否进入安全距离 closingSpeed = dot(relPos, relVel) / dist; if closingSpeed > 0 warning = false; % 正在远离，安全 return; end timeToClose = (dist - safeDist) / abs(closingSpeed); if timeToClose < T_horizon warning = true; else warning = false; end end

一旦检测到即将发生碰撞，就需要在当前允许的速度范围内搜索一个不会导致碰撞的新速度。我用的是在速度圆的扇形区域内离散采样，评估每个候选速度是否安全，并且与期望航向最接近。

function [newVel] = avoidVelocity(A, B, dt) % 在A当前速度附近采样候选速度，选择一个安全的 candidateVels = sampleVelocities(A.vel, A.vmax, 12); bestVel = A.vel; bestScore = inf; for i = 1:size(candidateVels, 1) vTest = candidateVels(i, :)'; A.vel = vTest; % 临时赋值 if ~checkCollision(A, B, 2.0) % 得分：与期望航向方向的偏差 + 速度变化惩罚 dirScore = norm(vTest - A.goal - A.pos); changeScore = norm(vTest - A.velOrigin); totalScore = dirScore + 0.5 * changeScore; if totalScore < bestScore bestScore = totalScore; bestVel = vTest; end end end newVel = bestVel; end

这里有个性能相关的心得，采样数量不需要太多。我最初把候选速度采样到36个方向，看起来更精细，但实际上多机同时仿真时计算量暴涨，反应速度反而变慢。后来缩减到12个方向，配合时间窗口判断，短期内就能找到可行解，效果更好。

3.4 动态障碍物的感知与势场避让

动态障碍物我使用了人工势场法来做局部避让。核心公式是目标点产生引力场，动态威胁产生斥力场，叠加后得到合力方向，无人机顺着合力方向调整速度。

引力场的数学形式是 U_att = 0.5 * k_att * dist_to_goal^2，斥力场的数学形式是 U_rep = 0.5 * k_rep * (1/dist - 1/safeDist)^2（当dist小于safeDist时存在斥力）。对势场求梯度，就得到虚拟力，再映射为加速度。

美团外卖小哥骑电动车在人流中穿行的场景就很贴切：他的目的地是引力源，会一直把他拉向终点；周围的行人是斥力源，靠近了就会被“推开”。我们做动态避让的思路完全一致，只是把人的感知换成了传感器距离信息，把本能的绕行变成了势场力的计算。

这里的调参经验是先调安全距离，再调斥力系数。如果斥力系数设置太大，会出现无人机在距离障碍物还很远的时候就开始大幅绕行，飞行距离明显变长；如果太小，则会出现在临界距离附近反复振荡，长时间无法脱离。我最终取的安全距离是2.5倍机体安全半径，斥力系数根据最大加速度反推出来，保证在安全距离边界上产生的斥力加速度不大于最大加速度的80%，这样既不会猛拐，也不会刹不住。

4. 完整的主循环流程与整体代码框架

有了核心函数的实现，接下来要解决的是如何把这些模块串成一个可运行的完整系统。

4.1 主仿真循环的搭建

整个仿真的主流程可以概括为：初始化环境 -> 全局规划 -> 迭代飞行（感知、协同判断、避碰决策、状态更新、画图）-> 到达目标或超时结束。

% 主仿真循环 dt = 0.1; totalTime = 0; maxTime = 60; % 初始化无人机集合 droneList = []; droneList = [droneList, droneInit(1, [1, 5], [48, 48], 2.0, 1.0, 1.0)]; droneList = [droneList, droneInit(2, [5, 4], [48, 45], 2.0, 1.0, 1.0)]; droneList = [droneList, droneInit(3, [2, 8], [44, 50], 2.0, 1.0, 1.0)]; % 初始化环境地图（静态障碍物） map = zeros(50, 50); map(20:22, 25:27) = 1; map(35:37, 10:12) = 1; % 动态障碍物列表 dynamicObstacles = struct(); dynamicObstacles.pos = [25, 20]; dynamicObstacles.vel = [0.3, 0.2]; dynamicObstacles.rad = 2.0; while totalTime < maxTime % 更新动态障碍物位置 dynamicObstacles.pos = dynamicObstacles.pos + dynamicObstacles.vel * dt; % 检测动态障碍物是否进入禁飞区域需要更新地图 map = updateDynamicThreat(map, dynamicObstacles); for id = 1:length(droneList) d = droneList(id); % 如果到达目标，跳过 if norm(d.pos - d.goal) < 0.5 continue; end % 步骤1：全局路径引导（从A*路径取方向） globalWaypoint = findNextWaypoint(d, map); desiredVel = (globalWaypoint - d.pos) / norm(globalWaypoint - d.pos) * d.vmax; % 步骤2：与其他无人机协同防撞 for jd = 1:length(droneList) if jd == id continue; end if checkCollision(d, droneList(jd), 3.0) desiredVel = avoidVelocity(d, droneList(jd), dt); d.vel = desiredVel; break; end end % 步骤3：动态障碍物势场避让 repulsionForce = calculateRepulsion(d.pos, dynamicObstacles.pos, dynamicObstacles.rad); desiredVel = desiredVel + repulsionForce; % 加速度限制 accel = (desiredVel - d.vel) / dt; if norm(accel) > d.amax accel = accel / norm(accel) * d.amax; end d.vel = d.vel + accel * dt; % 速度限制 if norm(d.vel) > d.vmax d.vel = d.vel / norm(d.vel) * d.vmax; end % 位置更新 d.pos = d.pos + d.vel * dt; d.path(end+1:end+2, 1) = d.pos; % 更新无人机状态 droneList(id) = d; end % 绘图 plotSimulation(droneList, map, dynamicObstacles); totalTime = totalTime + dt; end

主循环看起来简单，但是有几个顺序问题非常关键。

一个是我一开始犯过的错误：把“期望速度计算”和“防撞避让”放在同一个循环里处理，导致防撞修正后的速度又被后续无人机覆盖。后来我把避让逻辑单独拆成独立步骤，并且一旦发生避让就跳过其它无人机的影响，保证最终的速度是安全优先的。流程上的优先级排序是：动态障碍物的硬避让 > 机间防撞 > 全局路径引导。

另一个细节是速度更新时加速度限制一定要在限速之前做。顺序错了会出现问题：先限速再限加速度，无人机在急转弯时速度幅值被限制得很小，但加速度向量瞬间拉得很大，很容易在给图里看到无人机“瞬移”的现象。

4.2 动态环境下的地图更新逻辑

动态环境的“动态”体现在地图不是一成不变的。每次仿真循环中，我需要把动态障碍物对地图栅格的影响刷新一遍。

function [newMap] = updateDynamicThreat(map, obstacles) newMap = map; % 清除上一次动态威胁标记（假设动态威胁标记为2） newMap(newMap == 2) = 0; % 将动态障碍物占据的圆形区域标为2 for r = 1:size(newMap, 1) for c = 1:size(newMap, 2) if norm([r, c] - obstacles.pos) <= obstacles.rad newMap(r, c) = 2; % 动态威胁标记为2 end end end end

这里地图上1表示固定障碍物，2表示动态威胁区域。全局A*算法在寻路时把1和2都视为不可通行，但动态威胁区域每次循环都会擦除重建。这样设计的考虑是：动态障碍物位置实时变化，如果直接把它标成1并永久留在栅格地图里，时间长了地图就会被历史位置的包络占满，越来越拥堵，无人机找不到路。

动态威胁半径的膨胀系数也讲究。我把障碍物的实际半径乘以1.8作为栅格标记半径，预留出安全裕度。这是因为动态障碍物本身在移动，当无人机贴着它的实际半径绕行时，相对速度会导致转向来不及，需要更大的避让空间。

4.3 路径平滑与速度规划

A*生成的折线路径直接拿来飞肯定不行。无人机在路径拐点处需要平滑过渡，否则会频繁加减速，浪费能量还容易触发防撞误判。

我用的平滑方法是三次贝塞尔插值。具体来说，取路径中的相邻三个关键点，在转折处用贝塞尔曲线把尖角磨圆。这个操作对轨迹长度影响很小，但对飞行稳定性的提升非常明显。

% 贝塞尔曲线平滑路径示例 function [smoothPath] = smoothTrajectory(rawPath, numPoints) if length(rawPath) < 3 smoothPath = rawPath; return; end smoothPath = []; for i = 1:length(rawPath)-2 p0 = rawPath(i, :); p1 = rawPath(i+1, :); p2 = rawPath(i+2, :); % 在p1处插值贝塞尔 controlPts = [p0; (p0+p1)/2 + 0.2*(p1-p0); p1; (p1+p2)/2 + 0.2*(p2-p1); p2]; t = linspace(0, 1, numPoints); for k = 1:length(t) % 简化的二次贝塞尔插值 pt = (1-t(k))^2 * p0 + 2*(1-t(k))*t(k)*p1 + t(k)^2 * p2; smoothPath(end+1, :) = pt; end end end

路径平滑的强度需要权衡。插值点太多，会造成路径长度虚增，无人机飞行时间变长；插值点太少，平滑效果不明显，拐弯依旧生硬。我实测下来，相邻路径点之间插值5个点，效果比较合适，转弯角度基本被磨到30度以内。

5. 仿真结果与实验数据分析

跑通整套代码之后的验证环节非常重要，这里我把自己的实验过程和结果判断标准做一个完整记录。

5.1 仿真场景搭建与参数设置

仿真环境是一个50x50米的二维平面区域。三架无人机从不同的起点出发，飞往三个不同的目标点。区域内有一块静态障碍物区域和一个动态移动障碍物。所有无人机的最大速度设为2米/秒，最大加速度为1米/秒²，安全半径为1米，时间步长0.1秒。

我特意设计了交叉航线的场景来检验防撞效果：三架无人机的起点和目标点连线在中间区域形成交汇，如果没有任何防撞策略，它们在时间上就会撞到一起。这种“刻意找茬”的测试场景非常必要，能快速暴露协同策略的缺陷。

5.2 关键结果指标与判定标准

仿真的结果如何判断是否成功，不能只看“没撞上”。我给自己定了三个量化指标：

第一，全程零碰撞。这是最基础的要求，从仿真开始到全部无人机到达目标点，任何时刻任意两架无人机的距离都必须大于安全半径。

第二，路径长度与直线路径的偏差不超过30%。如果无人机为了避免碰撞绕了很远的冤枉路，说明协同策略做得很笨拙。

第三，整体任务完成时间不超过单机直线飞行时间的1.5倍。多机协同需要额外的时间来调节飞行节奏，这是合理的，但超太多就说明算法效率有问题。

我记录的一组典型数据是：在三机交叉航线场景下，无人机1的实际飞行路径长度是51.2米（直线约48米），无人机2是52.8米（直线约46米），无人机3是53.1米（直线约45米）。总任务完成时间为36.5秒，所有安全距离约束全程满足。这个结果在可接受范围内。

5.3 动态障碍物干扰下的性能表现

加入动态障碍物之后，系统表现会产生明显差异。我测了一组对照实验：同样场景下，第一组是静态障碍物环境、不做动态避让；第二组是动态环境、开启完整避让策略。结果是静态组的平均路径长度反而更短，飞行时间也更短，但是动态组在随机移动障碍物反复干扰下依然能稳定完成任务，没有出现过“卡壳”或超时的现象。

这个对比说明了一个工程上的真实情况：动态避让是有代价的，会增加绕行距离和飞行时间，但这是动态环境下保证安全的必要开销。在真正执行任务的场景里，安全永远是第一位的最优目标，路径长度和飞行时间只能让位。

6. 常见问题排查与参数调优实录

这部分内容是我最想让后来者看到的，因为踩坑经验往往比算法原理更容易让人少走弯路。

6.1 无人机之间互相“让路”僵持的死锁问题

仿真中最常见的一个问题是：两架无人机迎面相遇，同时检测到碰撞风险，同时往相反方向避让，结果避让之后依然面对面，然后继续同时避让……陷入死循环。我在第一次跑通整体代码时几乎必然遇到这个现象，表现为两架无人机在同一个点附近来回晃动，迟迟无法脱离。

解决这个问题的方法是对无人机设置优先级差异。具体的做法是按无人机的ID编号决定避让策略上的差异：ID小的无人机优先保持当前航向，ID大的无人机负责主动避让。这个机制类似于行人在窄路相遇时，一方主动让路另一方正常通行。不及时处理死锁问题，整个仿真就会卡住，无论局部避让算法多精妙都白搭。

6.2 参数调优中的“震荡”现象

另一个经常出现的问题是无人机在动态障碍物附近飞行时，路径出现明显的锯齿状震荡。画面感就是无人机左躲一下右躲一下，飞行轨迹好像蛇形前进。这种现象的根源是势场力方向频繁切换，无人机在不断搜索新的可行速度时，连续两次决策之间找不到平滑的过渡。

我采用的补救措施是给防撞决策增加“决策惯性”——当前时刻的最终速度 = 0.7 × 上一时刻速度 + 0.3 × 当前规划速度。说白了就是让速度变化不那么剧烈，反映在路径上就是轨迹平滑了很多。这相当于给控制系统增加了一个一阶低通滤波。从控制理论角度看，就是给速度环加了惯性项，抑制了高频抖动。

6.3 全局路径被动态威胁反复阻塞导致的寻路失效

还有一种情况是，A*规划出的全局路径恰好穿过动态障碍物的活动区域。动态障碍物移过来时，局部避让能暂时躲开，但因为它反复在路径附近移动，导致无人机在每个时间步都要大幅度修正航向，导致整体行进效率极低。

解决思路是对A*全局路径增加“动态威胁感知重建”机制。当检测到当前路径被动态障碍物长期阻塞（比如连续3秒内局部避让导致速度偏离期望航向超过45度），就触发一次全局重规划，以当前无人机位置为起点重新计算路径。我用这个策略后，任务完成时间缩短了约20%。

这里要解释一下为什么不一开始就用全局重规划：全局重规划本身有计算成本和路径跳变的可能性，如果动态障碍物只是短暂掠过，局部避让完全够用，频繁重规划反而引入新的不稳定因素。所以触发条件一定要设置合理的滞回阈值。

6.4 多机协同中通信延迟对防撞的影响

真实世界中无人机的通信不可能理想同步，存在延迟。为了模拟这种延迟对防撞算法的影响，我在仿真中加入了一个通信延迟模块，让无人机获取邻居状态时读取的是0.3秒前的状态。结果发现防撞策略在延迟条件下依然能工作，但安全距离阈值得稍微放大，否则会出现“看到的是旧位置，实际已经靠近”的危险情况。

这给我们一个重要启示：设计中一定要考虑最坏情况下的系统鲁棒性。我在安全距离计算时加了一个与相对速度成正比的前视项，速度越快安全距离越大，这样一来即使存在通信延迟，也能够预留足够的决策时间。

6.5 调参的顺序与方法心得

最后分享一套我自己总结的调参流程，按这个顺序来，能少消耗大量的试错时间：

优先保证“稳定收敛”，再调“灵敏反应”，最后才调“路径最优”。很多新手一上来就想着让路径最短，结果算法还没收敛就开始优化指标，后面所有环节全乱套。实际上只要基础流程稳定，路径长度和任务时间这些指标是可以通过算法迭代慢慢改善的，但如果基础流程都不稳定，一切优化都无从谈起。

7. 写在最后的实际体会

这套多无人机协同路径规划系统从立项到跑通最后一版仿真，我前后花了大几个月时间，踩了不少坑，也算积累了一些自己的体会。最大的感触是：多机协同问题在单机算法基础上做叠加是行不通的，它要求从系统层面重新审视“安全”的定义。单机只需要避开环境中的障碍物，多机还必须考虑相互之间的运动学约束、通信不确定性，以及任务时序上的耦合。把这些问题在系统设计阶段想清楚，代码实现阶段就会流畅很多。

再分享一个小技巧。调试这种动态系统，图形化界面的作用极其重要。我几乎每一版代码都保留了实时绘制轨迹的函数，并且在关键位置标注出当前判断出的碰撞风险状态和避让依据。这比盯着数据矩阵找问题高效得多，因为动态系统的很多模式只有视觉化之后才能瞬间被看出来。

如果后续你要在这个项目上做扩展，有三个方向值得尝试：一是加入无人机运动学约束（比如最小转弯半径），让轨迹更接近真实飞行器；二是把二维扩展到三维空间，增加高度维度的避让自由度；三是引入强化学习做端到端的防撞策略，替代人工设计的势场和速度障碍法。这些方向都有不少研究者在推进，处理得当的话，这个项目的上限远不止现在这样。