首页/资讯中心/详情

【无人机协同任务】基于虚拟引导结合MPC的人工势场算法实现无人机群系统协同攻击，提升动态环境中的任务成功率并降低风险附Matlab代码

【无人机协同任务】基于虚拟引导结合MPC的人工势场算法实现无人机群系统协同攻击，提升动态环境中的任务成功率并降低风险附Matlab代码
📅 发布时间：2026/6/26 5:23:31

✅作者简介：热爱科研的Matlab仿真开发者，擅长毕业设计辅导、数学建模、数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

👇 关注我领取海量matlab电子书和数学建模资料

🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。

🔥 内容介绍

一、背景

（一）无人机群协同攻击的应用与挑战

无人机群在现代军事和一些特定民用领域展现出巨大的应用潜力。在军事上，无人机群协同攻击能够突破敌方防御，对目标实施高效打击，增强作战效能。例如，在复杂地形或强对抗环境下，多架无人机可通过协同配合，从不同方向对敌方目标进行攻击，分散敌方防御力量，提高攻击成功率。在民用领域，如应对自然灾害时，无人机群可协同执行救援物资投放等任务，快速到达受灾区域并准确投放物资。

然而，在动态环境中执行协同攻击任务面临诸多挑战。环境中的障碍物（如建筑物、山脉等）会限制无人机的飞行路径，敌方的防御措施（如防空火力、电子干扰等）也会对无人机的安全构成威胁。此外，无人机之间需要实时协调，以避免相互碰撞，并确保对目标的有效攻击。传统的控制方法难以满足无人机群在复杂、动态环境下的协同需求，因此需要开发更先进的算法来提升任务成功率并降低风险。

（二）传统算法的局限性

传统的无人机协同控制算法，如简单的人工势场法，在处理复杂动态环境时存在不足。人工势场法通过在空间中设置目标吸引势场和障碍物排斥势场，引导无人机向目标飞行并避开障碍物。但该方法容易使无人机陷入局部最优解，例如在多个障碍物形成的复杂地形中，无人机可能被困在局部区域，无法找到通向目标的有效路径。同时，它难以实时适应动态变化的环境，如敌方防御设施的移动或新出现的障碍物，导致无人机群的协同效果不佳，任务成功率降低。

（三）新算法的优势

基于虚拟引导结合模型预测控制（MPC）的人工势场算法为解决上述问题提供了有效途径。虚拟引导能够为无人机群提供整体的引导方向，使其在复杂环境中保持协同一致的行动。MPC 则基于系统模型对未来状态进行预测，并根据预测结果优化控制输入，使无人机能够提前规划路径，适应动态变化的环境。这种结合的算法能够充分发挥各部分的优势，提升无人机群在动态环境中的任务成功率，降低碰撞风险和遭受敌方攻击的可能性。

二、原理

（一）人工势场算法原理

（二）虚拟引导原理

  1. 虚拟领导者设定

    ：在无人机群中设定一个或多个虚拟领导者。虚拟领导者并不对应实际的无人机，而是一个抽象的参考点，其位置和运动轨迹根据任务需求预先规划或实时调整。例如，在协同攻击任务中，虚拟领导者的轨迹可能设定为朝着目标的最优路径方向，引导无人机群整体向目标靠近。

  2. 跟随策略

    ：每架无人机根据与虚拟领导者的相对位置关系，确定自身的飞行方向和速度调整策略。无人机通过保持与虚拟领导者的一定相对距离和角度，跟随虚拟领导者的运动。这样，无人机群能够形成一个有序的编队，协同向目标前进，避免无人机之间的无序飞行和碰撞。

（三）模型预测控制（MPC）原理

  1. 系统建模

    ：建立无人机的动态模型，描述无人机在不同控制输入下的状态变化。例如，基于无人机的运动学和动力学方程，构建一个离散时间模型 xk+1=f(xk,uk)，其中 xk 是 k 时刻无人机的状态（包括位置、速度、姿态等），uk 是 k 时刻的控制输入（如油门、舵偏角等），f 是状态转移函数。

  2. 预测与优化

    ：在每个控制周期内，MPC 根据当前无人机的状态和系统模型，预测未来多个时刻的状态。同时，定义一个目标函数，如最小化无人机与目标的距离、避免与障碍物碰撞以及保持无人机之间的安全距离等目标的加权和。通过优化算法求解这个目标函数，得到当前时刻的最优控制输入 uk，使无人机朝着目标飞行并适应动态环境。MPC 会随着时间推移不断重复这个过程，根据新的状态测量更新预测和优化结果，实现实时调整。

（四）算法结合原理

  1. 结合方式

    ：将虚拟引导、MPC 与人工势场算法相结合。首先，虚拟引导为无人机群提供整体的引导方向，人工势场算法基于虚拟领导者的位置构建势场，引导无人机向虚拟领导者靠近，并同时避开障碍物。然后，MPC 根据无人机的当前状态、虚拟领导者的状态以及环境信息（如障碍物位置、目标位置等），预测无人机的未来状态，并优化控制输入，使无人机在遵循人工势场引导的同时，能够更好地适应动态环境变化。例如，当检测到新的障碍物或目标位置发生变化时，MPC 能够快速调整无人机的飞行路径，确保无人机群继续朝着目标协同飞行。

  2. 协同攻击实现

    ：在协同攻击任务中，无人机群在虚拟引导和人工势场的作用下，以编队形式向目标靠近。MPC 根据实时的战场环境信息，如敌方防御火力的分布和变化，动态调整无人机的飞行路径和攻击时机。当无人机群接近目标时，MPC 协调各无人机的攻击动作，确保它们在合适的时机从不同方向对目标发起攻击，提高攻击的成功率。同时，人工势场算法继续发挥作用，避免无人机之间以及与环境障碍物的碰撞，降低任务执行过程中的风险。

通过基于虚拟引导结合 MPC 的人工势场算法，无人机群能够在动态环境中高效地协同执行攻击任务，提升任务成功率并降低风险。

⛳️ 运行结果

📣 部分代码

function []=plot_obstacle2(bias_x,bias_y,r,h)

%创建圆柱数据

[x,y,z] = cylinder(1,20);

x=x*r+bias_x;

y=y*r+bias_y;

z=z*h;

%画图

hold on

surf(x,y,z,'EdgeColor','red', ...

'FaceColor','red', 'FaceAlpha','0.1');

% surf(x,y,z,'EdgeColor',"none", ...

% 'FaceColor','red', 'FaceAlpha','0.3');

% color = [1 0 0];

% colormap(color)

🔗 参考文献

[1] 谭申强.基于面向对象Petri网的无人机协同追踪策略研究[J].南京航空航天大学, 2009.DOI:10.7666/d.d076565.

[2] 吴坤芳,李君芳.计算机技术在食品检测中的应用及优化策略[J].食经, 2025(6):0167-0172.

[3] 闫亚静,杨航,吴碧,et al.美军无人机蜂群支撑技术研究[C]//第五届体系工程学术会议——数智时代的体系工程.北京蓝天前沿科技创新中心, 2023.

🍅往期回顾扫扫下方二维码