多智能体群集运动Matlab仿真：虚拟领航者与势函数实现避碰聚集速度一致

说实话，多智能体群集运动这个方向，公式看着唬人，但拆开核心其实就是三件事：别撞上、别散开、走得齐。很多人一上来就被“虚拟领航者”“势函数”这些词吓住，觉得非得上控制理论课才能碰。其实把这些概念落到代码里，你会发现它没有想象中那么玄。我手上正好有一份基于虚拟领航者和势函数的多智能体群集运动 Matlab 代码，覆盖避碰、聚集行为、速度一致性三个目标，这次就把整个思路、公式到实现全过程捋一遍。

这份代码适合谁参考？做无人机编队、移动机器人协同、自动驾驶车队仿真的人，或者写课程设计、在研项目里需要多智能体协同演示的同学，都能直接拿来当起点。它解决的典型问题是：一群独立个体，怎么在没有中心节点指挥的前提下，靠局部信息形成稳定队形并整体向某个方向移动。说白了，就是让一群“独立个体”表现得像一支“编队”。

先跟你交个底：我的专业背景偏机器人控制，常年做仿真。行文里我会直接用代码和公式说话，遇到容易翻车的参数点、数值坑也都会重点标出来。下面按我实际动手时的思路来走一遍。

1. 先拆问题：群集运动到底在解决什么

1.1 三个行为：避碰、聚集、速度一致

先别急着看公式，先感受场景。假设你在广场上放 8 台移动机器人，各自有传感器，能知道自己附近有哪些同伴。你希望它们最终形成一个不大不小的编队，朝同一个方向前进。这就绕不开三件事：

• 避碰：两个机器人不能撞到一起，保持安全距离。
• 聚集：每个机器人都不能远远掉队，整个群要聚成一片。
• 速度一致：大家的速度大小和方向要渐渐统一，否则前快后慢，队形早晚撕裂。

这三个目标单独看都不难。难在它们互相牵扯。避碰要求有安全的近距离排斥，聚集要求有中远距离吸引，速度一致要求速度差逐步归零。如果控制力设计不好，就会出现“避碰了但散成一团”或者“聚在一起但剧烈震荡”的情况。这也正是为什么研究 flocking 的人在文献里反复强调势函数设计。

1.2 从单智能体到多智能体的复杂度跳跃

单个智能体的控制，目标是追踪一条参考轨迹就行，是标准跟踪问题。多智能体难在信息是局部的：每个个体只能感知邻域内的其他个体，没有一个“上帝视角”指挥中心。你不可能在一个中心节点里解析地算出所有人下一步去哪，再广播回去，那样通信开销受不了，也无法扩展。

所以群集控制的基本思路是：每个智能体用局部邻居信息算一个控制输入，只要这个输入设计得合理，整体行为就能涌现出期望的聚集与一致性。这句话里的“涌现”很关键，它不是靠某一个智能体把活全干了，而是靠所有智能体都按同一套局部规则行动，最终宏观上呈现出有序编队。这和鸟群迁徙的规律是同一个道理。

从控制律角度说，多智能体群集通常做成分布式结构，每个智能体的控制器只处理“和谁相邻”“相邻目标在哪”这两个问题。而虚拟领航者则是给这套分布式系统提供一个全局参考信号。

2. 虚拟领航者怎么给整个群体“带节奏”

2.1 为什么选虚拟领航者，而不是固定目标或真实领航者

群集运动要是只靠个体之间互相吸引、排斥和速度对齐，最后的结果大概率是聚成一个静态团，原地不动。要让整个群跑起来，得给全体一个共同的运动参考。

这个参考可以是固定目标点，但固定目标有个问题：目标静止，智能体早晚都冲过去，做不出持续的编队运动。也可以是某个真实智能体当领航者，但真实领航者有动力学，会被跟随者影响，稳定性分析会复杂很多。这时候“虚拟领航者”反而是最干净的选择。

虚拟领航者本质上是人为定义的一条理想轨迹，比如一条正弦曲线、直线或者螺旋线。它不参与动力学，不会被任何智能体撞到，也不会因为自身惯性偏离路线。每个智能体只需要追踪这个虚拟参考信号，再加上邻居之间的势场力和一致性力，就能既保持队形，又跟着参考轨迹走。

用生活类比：虚拟领航者就像走廊里贴在墙上的“跟着走”标线。所有人不挤不推，各自看着这条线走，队伍自然整齐。它不是队伍里的成员，所以不会发生“带队的人自己摔了”这种问题。

2.2 虚拟领航者在代码里的落地方式

在 Matlab 里实现虚拟领航者特别简单，本质就是写两个时间函数：

% 虚拟领航者的位置和速度随时间变化 leader_pos = @(t) [t, 2*sin(0.2*t)]; leader_vel = @(t) [1, 0.4*cos(0.2*t)];

t 是当前仿真时刻。上面这个例子让领航者沿 x 方向匀速前进，同时 y 方向做正弦摆动，整体是一条波浪轨迹。为什么选平滑曲线？因为领航者一步跳变太大会让跟随者来不及反应，导致队形被拉垮。

在控制项里，每个智能体都会把“自己的位置或速度与虚拟领航者位置的差”当作误差信号，直接往零拉。这就是追踪项。它存在的最直接意义是：让不同位置的智能体最终在空间上都向同一个参考信号靠拢，宏观上自然形成聚集。

有人会问，那邻域势场和虚拟领航者不是重复了吗？不重复。势场管的是智能体之间的相对间距，虚拟领航者管的是整个群的绝对位置。两者一个管“内部秩序”，一个管“前进方向”，缺一不可。

3. 势函数：一个函数是怎么同时管好避碰和聚集的

3.1 从“靠近到目标”的人工势场说起

势函数这个词听起来高深，实际上就是给空间里每个位置赋一个势能值，然后让智能体沿着势能下降最快的方向走。你可以把它想成地形图：目标是谷底，障碍物是山丘，智能体是顺着坡度往下滚的球。

经典的人工势场法一般分成两部分：

• 吸引势场：离目标越远，势能越高，提供一个朝向目标的引力。
• 排斥势场：离障碍物越近，势能越高，提供一个背离障碍物的斥力。

群集控制中的势函数也沿用了这个思路，只是“目标”和“障碍物”都变成了邻居智能体。当两个智能体离得很近时，希望它们互相推开；当它们离得太远时，希望它们互相靠近。中间存在一个期望间距，这个间距下势能最低，系统最舒服。

3.2 把避碰和聚集合进同一项的设计

一个特别实用的设计是只用一项：“以期望距离为零势点的伸缩弹簧力”。距离小于期望值，表现为互相排斥；距离大于期望值，表现为互相吸引。这样避碰和聚集就自然合在一个项里了，不用去分别调斥力、引力的平衡关系。

我用的形式是：

F_soc = k_soc * (rho0 - ||p_i - p_j||) * e_ij 其中 rho0 是期望间距，e_ij 是从 j 指向 i 的单位方向向量

当两个智能体距离小于 rho0 时，rho0 - d是正值，力指向远离对方的方向，实现避碰。距离大于 rho0 时，rho0 - d是负值，力指向对方方向，把距离拉回来，实现聚集。这个项在数学上对应势函数V = 0.5*k_soc*(d-rho0)^2的负梯度，代码里可以直接用这个理解，不用每次重推导。

实现时有一个数值上的坑必须提：距离 d 趋于 0 时，单位方向向量会分母发散。所以代码里我通常加一个很小的 eps，写成：

n_ij = (p(i,:) - p(j,:)) / max(d_ij, 1e-3); F_soc = k_soc * (rho0 - d_ij) * n_ij;

距离很小时力不会变成无穷大，规避了仿真发散问题。很多教程没写这一点，照着跑很容易开局就炸。

4. 控制律合成：三项合并成最终加速度

4.1 控制律表达式

有了势场、速度一致性和虚拟领航者三项，控制律就能写成非常整齐的叠加形式：

加速度 a_i = F_soc + F_align + F_leader F_soc = k_soc * 邻域势场力 （实现避碰 + 聚集） F_align = k_align * 邻居速度差 （实现速度一致） F_leader = -k_lead * (位置差) - k_vel * (速度差) （追踪虚拟领航者）

速度一致性项的具体计算就是：把自己和每一个邻居的速度差按一定增益加起来。

F_align = F_align + k_align * (v(j,:) - v(i,:));

这等价于图理论里的拉普拉斯一致性协议：一个节点不断向邻域平均速度靠拢，邻居之间互相“投票”，最终全网的节点速度收敛到相同值。这项处理的是运动学层面的收敛，不涉及通信协调，只要邻居关系保持连通，收敛性就能保证。

4.2 三项权重怎么搭配才不会打架

权重参数的选择，是我认为整个仿真里最像“手艺活”的部分。给你一组实测下来比较稳的初始基准：

为什么不能某个参数一味调大？因为每一项都在跟另外两项竞争资源。举个真实例子：k_soc 调太大，避碰效果的确强，但两个智能体稍微靠得近一点就会被猛烈推开，再被引力拉回来，来回摆动，队形看起来像煮粥。k_align 调太大，速度很快就一致了，但初始阶段会把不同位置的智能体强行拽成同一速度，还没来得及靠近就保持远距离巡航，聚不起来。k_lead 小的时候，虚拟领航者等于形同虚设，群体可能原地打转。

所以我习惯先把三个目标独立验收，再合起来调。第一步关掉虚拟领航者，只开势场和一致性，看能不能稳定聚团不碰撞；第二步关掉一致性，只开势场和虚拟领航者，看队形是否能跟着轨迹走；第三步全开，在第二步的基础上微调一致性增益。每一步都有明确现象可看，排错快。

5. Matlab 实现：核心代码与运行效果

5.1 代码框架

Matlab 实现这套仿真不复杂，代码骨架集中在五个部分：参数定义、状态初始化、主循环、控制计算、结果可视化。工程上我会把一个仿真拆成这样几个函数块，便于换参数、换领航者轨迹、换邻居关系。

clear; clc; close all; % 参数定义 N = 8; dt = 0.05; T = 30; rho0 = 1.5; k_soc = 2.0; k_align = 1.5; k_lead = 1.2; k_vel = 0.8; R = 3.0; % 状态初始化 p = rand(N,2) * 8 + 1; % 位置 v = randn(N,2) * 0.2; % 速度 p_hist = zeros(N,2,round(T/dt)); % 虚拟领航者轨迹 leader_pos = @(t) [t, 2*sin(0.2*t)]; leader_vel = @(t) [1, 0.4*cos(0.2*t)];

5.2 关键代码分段说明

主循环里最核心的部分，是每个智能体对每一个邻居计算三项力并叠加：

for k = 1:length(tAxis) t = tAxis(k); lp = leader_pos(t); lv = leader_vel(t); a = zeros(N,2); for i = 1:N F_soc = [0,0]; F_align = [0,0]; for j = 1:N if i == j continue; end d_ij = norm(p(i,:) - p(j,:)); if d_ij < R n_ij = (p(i,:) - p(j,:)) / max(d_ij, 1e-3); F_soc = F_soc + k_soc * (rho0 - d_ij) * n_ij; F_align = F_align + k_align * (v(j,:) - v(i,:)); end end F_leader = - k_lead * (p(i,:) - lp) - k_vel * (v(i,:) - lv); a(i,:) = F_soc + F_align + F_leader; end v = v + a * dt; p = p + v * dt; p_hist(:,:,k) = p; end

这个嵌套循环结构很好理解：外层遍历每个智能体，内层遍历它的邻居。判断邻居的方式就是距离小于 R。R 一旦变大，邻居数会急剧增加，计算量上涨明显。代码里没有用矩阵化优化，纯粹为了可读性。如果你有 50 个以上的智能体，建议先换成向量化或稀疏邻接矩阵实现，不然仿真会很慢。

5.3 仿真结果怎么判读

跑完以后，我一般会画三张图来判断三个目标有没有达成。

第一张图是全部智能体的轨迹叠加。如果它们绕着一根波浪曲线走，且轨迹之间没有尖锐交叉，基本说明避碰和聚集合格。

第二张图是任意两个智能体之间距离随时间变化的曲线。要重点看最小距离有没有低于安全阈值。如果曲线在某几个时刻突然贴近零，说明避碰失效，需要把 k_soc 调大。

第三张图是所有智能体速度幅值随时间变化的曲线。正常情况下，这些曲线会从乱七八糟的初始值渐近收敛到同一条线，这条线等于虚拟领航者的速度幅值。如果有的线始终没并拢，检查对应智能体是不是和群体断连了，比如初始位置太偏，感知半径内没有邻居。

用绘图代码示意一下轨迹部分：

figure; hold on; box on; for i = 1:N plot(squeeze(p_hist(i,1,:)), squeeze(p_hist(i,2,:)), 'LineWidth', 1.2); end plot(squeeze(leader_pos(tAxis(1))), squeeze(leader_pos(tAxis(end))), 'k--', 'LineWidth', 1.5); xlabel('x'); ylabel('y'); axis equal;

6. 调参实录与避坑手册

6.1 典型翻车现场

这套代码我第一次跑的时候，也遇到不少问题。这里把常见的翻车现象、原因和解决方案整理成一张表，方便你对照自查：

6.2 参数选择的经验基准与扩展建议

从我反复试出来的经验看，参数选择最好遵循一个原则：先保证连通，再保证避碰，最后调一致性。连通是最基础的，智能体之间如果感知距离都够不到，后面所有行为都无从谈起。

具体到参数量级，初始可以把所有增益控制在 0.5~3 之间，不要一上来就 10、20 地调。k_soc、k_align、k_lead、k_vel 这几个参数和 dt 的乘积决定每一步速度变化量，乘积太大，欧拉法必然震荡。我自己实测 dt=0.05、增益都在 1~2 之间时，整套系统跑得稳。

如果想在代码基础上扩展，有几个方向值得试。第一个是把静态感知邻居改成动态拓扑，比如用可视距离或者通信丢包模型来动态决定谁是邻居，更贴近真实传感器。第二个是把虚拟领航者的轨迹改成任务轨迹，比如期望的巡逻路径条纹。第三个是在势场里加入环境障碍物势场，让智能体编队还能避开地图里的圆形障碍，这个是现在地面移动机器人里很常见的需求。

还有一个容易忽略的细节：仿真后期如果时间足够长，邻居图如果一直连通，速度一致性收敛几乎必然发生。但如果初始分布有两个团块，团块之间距离超过 R，两个团会各自抱团，谁也不理谁。这就是初学者最容易踩的“局部一致，全局不一致”坑。想验证群集效果好不好，要看初始位置是不是保证整个图是连通的。我自己初始化会先生成位置，再检查邻接矩阵是否只有一个连通分量，不连通就重新随机。

最后说一个我在实际调试里得到的体会：这类分布式控制算法，参数不是越明确越好，而是要跟着物理直觉走。你把智能体想象成一群用手拉橡皮筋的人，橡皮筋太长会拽回来，太短会弹开。虚拟领航者就是前面那个拎着绳子另一端跑步的领队。控制增益就是每个人手臂的力气大小。力气太小拽不动，力气太大互相拉扯。能体会到这层物理关系，再看那些公式就不会觉得绕了。

如果你自己跑这套代码，建议从 8 个智能体开始，先把势场项单独开了看静态聚类效果，再开领航者项看跟踪效果，最后开一致性项看速度曲线。每一步只改一个变量，看到的现象才不受其他因素干扰。这是我自己踩过很多次坑之后总结出来的最稳妥的调参路径，照这个顺序走，基本不会在半路失去对系统的掌控。