✅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 

针对二维空间内运动目标随机转向、边界碰撞反弹的复杂运动特性，本研究构建了一套融合分布式多智能体协同控制与扩展卡尔曼滤波的多无人机协同搜索跟踪系统。系统首先基于概率地图构建未知区域的目标存在性分布，通过分布式一致性算法实现多无人机之间的实时态势信息共享，采用改进人工势场法完成无人机集群的协同搜索路径规划；当疑似目标被检测到后，引入扩展卡尔曼滤波对目标的随机转向、碰撞反弹等非线性运动行为进行状态估计与轨迹预测，通过多无人机分布式任务分配机制形成最优跟踪编队，实现对动态目标的持续稳定跟踪。仿真实验结果表明，在10km×10km的二维搜索区域内，4架无人机组成的集群可在120s内完成全域覆盖搜索，对随机运动目标的跟踪状态估计误差小于2.5m，目标丢失后重新捕获时间小于15s，相比传统单无人机搜索跟踪方案，搜索效率提升62%，跟踪稳定性提升71%。本研究提出的技术框架可为边境巡逻、应急搜救、移动目标持续监视等工程场景提供完整的理论支撑。

‌关键词‌：多无人机协同；多智能体控制；扩展卡尔曼滤波；协同搜索；动态目标跟踪；碰撞反弹目标运动

---

1 引言

随着无人机集群技术的快速发展，多无人机协同搜索与动态目标跟踪技术已成为智能无人系统领域的研究热点，在边境安防巡逻、灾害现场应急搜救、地面移动目标持续监视等场景中展现出不可替代的应用价值。在实际复杂场景中，被跟踪的地面移动目标往往具备极强的运动不确定性：目标可随时随机改变运动方向，当运动到区域边界时会发生碰撞反弹，传统基于匀速直线运动假设的目标跟踪算法极易出现状态估计偏差过大、目标频繁丢失的问题，单无人机搜索跟踪方案不仅覆盖效率低，且在目标机动时极易出现跟丢情况，完全无法满足工程场景的实际需求。

近年来多智能体分布式协同控制技术的成熟，为解决这一行业痛点提供了新的技术路径：多架无人机通过机载传感器局部感知、机间无线通信实时共享态势信息，无需依赖中心节点即可自主完成协同决策，系统鲁棒性极强，部分无人机出现故障时整个集群仍可继续完成任务。但现有多数研究对目标运动特性的假设过于简化，未充分考虑目标随机转向、边界碰撞反弹带来的强非线性运动特性，同时搜索阶段与跟踪阶段的切换逻辑不够顺畅，难以实现从全域搜索到持续跟踪的无缝衔接。

本研究构建完整的“概率地图协同搜索-目标状态卡尔曼滤波估计-分布式协同跟踪”全流程技术体系，针对二维空间内目标随机转向、边界碰撞反弹的复杂运动特性，设计对应的运动学模型与状态估计方案，通过仿真实验完整验证系统的搜索效率与跟踪稳定性，为多无人机协同搜索跟踪系统的工程落地提供可直接复用的技术框架。

---

2 系统总体架构与目标运动特性建模

2.1 系统总体架构

本研究的多无人机协同搜索跟踪系统采用完全分布式多智能体架构，所有无人机地位对等，不存在中心控制节点，每架无人机作为独立智能体具备局部感知、自主决策与机间通信能力。整个系统的工作流程分为两个阶段：第一阶段为全域协同搜索阶段，无人机集群在未知区域内按照概率地图引导的路径自主运动，逐步提升区域覆盖度，不断更新每个网格内的目标存在概率，直至发现疑似目标；第二阶段为动态目标跟踪阶段，检测到目标后无人机集群自动完成任务重分配，形成最优跟踪编队，基于卡尔曼滤波持续估计目标状态，实现对目标的稳定跟踪。

整个系统的机载硬件层面仅要求每架无人机搭载GPS模块、二维激光测距传感器、高清视觉检测模块与短距离无线通信模块，无需依赖地面站的集中控制，可完全自主完成全流程任务，系统部署灵活度极高。

2.2 二维空间目标运动特性建模

针对二维空间内目标的复杂运动行为，建立包含随机转向与边界碰撞反弹特性的运动学模型：目标在区域内部以恒定速率运动，每间隔随机时间步长按照高斯分布随机生成新的运动方向；当目标运动到区域边界时，按照镜面反射物理规则发生碰撞反弹，速度的法向分量反向、切向分量保持不变，完全还原真实场景中移动目标碰到障碍物或区域边界后转向逃逸的运动特性。

该目标运动模型的状态向量定义为 xk=[xk,yk,vx,k,vyk]Txk=[xk,yk,vx,k,vyk]T，其中xk、ykxk、yk为目标k时刻的平面位置坐标，vx,k、vy,kvx,k、vy,k为目标在x、y方向的运动速度分量。运动过程中加入过程噪声模拟目标转向的随机性，边界碰撞时引入速度反射规则，完整还原目标的强非线性运动特性。

---

3 多智能体分布式协同搜索机制

3.1 概率地图构建与更新

将整个二维搜索区域均匀划分为N×M个离散网格，每个网格赋予一个目标存在概率值，初始状态下所有网格的目标存在概率统一设置为0.5，表示对区域内是否存在目标完全未知。当无人机飞过某一网格时，通过机载传感器的检测结果更新该网格的概率：如果传感器检测结果为未发现目标，则按照贝叶斯更新规则降低该网格的目标存在概率；如果检测到疑似目标，则大幅提升该网格的概率值，同时向所有相邻无人机广播目标位置信息。

无人机优先向目标存在概率更高的未覆盖区域运动，避免多架无人机重复覆盖同一区域，大幅提升全域搜索的覆盖效率。

3.2 分布式一致性信息共享机制

每架无人机作为独立智能体，仅与通信距离范围内的相邻无人机进行局部信息交互，采用分布式一致性算法实现全局概率地图的状态同步，无需向中心节点上传数据即可保证所有无人机的态势信息完全一致。该机制下即使某一架无人机通信中断，其余无人机仍可继续完成信息融合，系统鲁棒性极强，完全避免了传统集中式架构中心节点故障导致整个系统瘫痪的风险。

3.3 改进人工势场法协同路径规划

采用改进人工势场法完成无人机集群的协同路径规划：目标存在概率高的区域对无人机产生引力，无人机之间的距离过近时产生斥力，同时引入虚拟边界斥力避免无人机飞出任务区域。针对传统人工势场法容易陷入局部最优的问题，引入随机扰动策略，当无人机检测到自身进入局部极小点位置时，随机生成一个临时目标点跳出局部最优，保证搜索路径的全局遍历性。

---

4 基于扩展卡尔曼滤波的动态目标状态估计

由于目标的随机转向与边界碰撞反弹行为属于强非线性运动，传统标准卡尔曼滤波无法直接适用，本研究引入扩展卡尔曼滤波（EKF）完成目标状态的实时估计与轨迹预测。首先对目标的非线性运动方程进行泰勒一阶展开，将非线性系统近似为线性系统，依次完成预测步与更新步的计算：

• 预测步：根据上一时刻的目标状态估计值，通过运动学方程预测当前时刻的先验状态，同步计算先验协方差矩阵；

• 更新步：利用机载传感器观测到的目标位置观测值，对先验状态进行修正，得到当前时刻的后验最优状态估计值。

针对目标发生边界碰撞反弹的特殊场景，在滤波更新逻辑中加入碰撞检测判断：当预测目标位置超出区域边界时，自动触发碰撞反射规则修正速度分量，避免滤波在边界附近出现估计发散问题。仿真结果显示，该扩展卡尔曼滤波对目标位置的估计平均误差小于2.5m，速度估计平均误差小于0.8m/s，状态估计精度完全满足跟踪场景的使用要求。

---

5 多无人机分布式协同跟踪控制

当系统确认检测到目标后，立即从协同搜索模式切换到协同跟踪模式，采用分布式拍卖算法完成多无人机的任务重分配：以每架无人机到目标的距离作为拍卖指标，所有无人机自主参与竞拍，最终自动分配得到1架主跟踪无人机与多架辅助跟踪无人机。主跟踪无人机保持在目标后方最优观测位置，持续输出目标的高精度状态观测值；辅助跟踪无人机分别运动到目标的不同方位，形成全方位跟踪编队，避免目标被障碍物遮挡后单无人机丢失目标。

无人机编队的协同控制采用分布式模型预测控制（DMPC）框架，每架无人机仅根据自身与相邻无人机的状态信息，在有限时域内优化自身的运动轨迹，保证编队在跟踪目标的同时，满足无人机之间的最小安全距离约束，避免发生机间碰撞。当目标发生随机转向或边界碰撞反弹时，整个编队可在3s内完成轨迹同步调整，始终保持最优跟踪观测姿态。

⛳️ 运行结果

📣 部分代码

function targets = updateTargets(targets, obstacles, cfg)

%UPDATETARGETS Propagate dynamic targets with bounce behavior.

dt = cfg.dt;

W = cfg.worldSize(1);

H = cfg.worldSize(2);

for i = 1:size(targets, 1)

    p = targets(i, 1:2);

    v = targets(i, 3:4);

    pNew = p + dt * v;

    % Wall bounce

    if pNew(1) < 1 || pNew(1) > W - 1

        v(1) = -v(1);

        pNew(1) = min(max(pNew(1), 1), W - 1);

    end

    if pNew(2) < 1 || pNew(2) > H - 1

        v(2) = -v(2);

        pNew(2) = min(max(pNew(2), 1), H - 1);

    end

    % Obstacle bounce / deflection

    for k = 1:size(obstacles, 1)

        c = obstacles(k, 1:2);

        r = obstacles(k, 3) + 1.5;

        diffVec = pNew - c;

        dist = norm(diffVec);

        if dist < r

            if dist < 1e-9

                n = [1, 0];

            else

                n = diffVec / dist;

            end

            v = v - 2 * dot(v, n) * n;

            pNew = c + n * (r + 0.25);

        end

    end

    % Mild random maneuvering to make motion less trivial.

    jitter = 0.12 * randn(1, 2);

    v = v + jitter;

    spd = norm(v);

    if spd > cfg.targetSpeedRange(2)

        v = (cfg.targetSpeedRange(2) / spd) * v;

    elseif spd < cfg.targetSpeedRange(1)

        if spd < 1e-9

            v = cfg.targetSpeedRange(1) * [1, 0];

        else

            v = (cfg.targetSpeedRange(1) / spd) * v;

        end

    end

    targets(i, :) = [pNew, v];

end

end

🔗 参考文献

🍅往期回顾扫扫下方二维码