14.1 集群编队控制：一致性、虚拟结构与领导-跟随者范式
14.1.1 引言：从单体控制到群体协同的范式扩展
单个机器人系统的控制问题主要围绕其自身的状态跟踪、环境感知与任务执行展开。然而，在多机器人系统中，核心挑战转变为如何使一组在物理上分散、在能力上可能各异的机器人个体，通过局部的感知或通信，协同完成一个全局性的集体任务。集群编队控制正是这一领域的核心问题，其目标在于驱使机器人群体形成并保持一种特定的空间几何构型，同时该构型能够以协调一致的方式运动。
此类技术具有广泛的应用前景。在军事领域，无人机集群可执行协同侦察、饱和攻击或电子对抗；在民用领域，多移动机器人可用于协同物流搬运、大规模农田监测或城市设施巡检；在科研领域，水下机器人集群可协同进行海洋测绘，而空间机器人集群则可用于在轨组装与维护。与中心化的控制方式相比，分布式编队控制具有显著的鲁棒性（无单点故障）、可扩展性（易于增减机器人数量）和灵活性（适应动态环境）。
实现分布式编队控制主要面临三大挑战：有限的感知与通信（每个机器人仅能获取局部邻居信息）、系统动力学约束（每个机器人有其自身的运动学与动力学模型）以及环境扰动与不确定性。为应对这些挑战，研究者发展出了三类主流的控制范式：一致性算法、虚拟结构法和领导-跟随者法。每种范式有其独特的哲学、数学模型与适用场景。
14.1.2 一致性算法：基于局部交互的涌现性协同
一致性算法的核心思想源于对自然界群体行为（如鸟群、鱼群）的观察与抽象。其不强调对某个预设几何图案的严格跟踪，而是通过设计简单的局部交互规则，使群体状态（如位置、速度、航向）渐近地趋于一致，并在一致的基础上叠加偏移量来形成编队。
14.1.2.1 理论基础与基本模型
考虑一个由nnn个机器人组成的系统，其通信拓扑可以用一个无向图G=(V,E)\mathcal{G}=(\mathcal{V}, \mathcal{E})G=(V,E)表示，其中V={ 1,2,...,n}\mathcal{V}=\{1,2,...,n\}V={1,2,...,n}是节点集，E⊆V×V\mathcal{E} \subseteq \mathcal{V} \times \mathcal{V}E⊆V×V是边集。如果机器人jjj的信息能传递给机器人iii，则边(j,i)∈E(j,i) \in \mathcal{E}(j,i)∈E。图G\mathcal{G}G的邻接矩阵为A=[aij]A=[a_{ij}]A=[aij]，其中aij>0a_{ij}>0aij>0若(j,i)∈E(j,i) \in \mathcal{E}(j,i)∈E，否则aij=0a_{ij}=0aij=0。拉普拉斯矩阵L=[lij]L=[l_{ij}]L=[lij]定义为lii=∑j≠iaijl_{ii}=\sum_{j\neq i}a_{ij}lii=∑j=iaij且lij=−aijl_{ij}=-a_{ij}lij=−aij(对于i≠ji\neq ji=j)。拉普拉斯矩阵LLL的性质（如其第二大特征值λ2\lambda_2λ2，即代数连通度）直接决定了系统达成一致的速度。
最经典的一阶积分器一致性协议描述如下：设每个机器人的状态为xi∈Rmx_i \in \mathbb{R}^mxi∈Rm（例如位置），其动力学为x˙i=ui\dot{x}_i = u_ix˙i=ui。基于局部邻居误差的控制器设计为：
ui=−∑j∈Niaij(xi−xj) u_i = -\sum_{j \in N_i} a_{ij}(x_i - x_j)ui=−j∈Ni∑a
