✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、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、引言：从单机到协同，无人机编队的 “性价比之选”
1.1 博主的编队初体验：为啥偏爱单领导 - 双跟随架构
作为一个痴迷于无人机的博主，我接触无人机的时间可不短了。最开始，我玩的是单机无人机，那时候就觉得能操控着一个小飞行器在天空翱翔，记录下各种独特视角的画面，简直酷毙了！每次带着它出去拍摄，都能收获不少新奇的素材，那种自由掌控的感觉，真的让人上瘾。
但慢慢地，单机无人机的局限性就显露出来了。比如在一些大场景的拍摄中，单机拍摄的画面总是不够全面，无法展现出那种宏大的气势；还有在进行复杂地形的测绘时，效率也比较低。于是，我开始琢磨多机编队控制，想着要是能让好几架无人机协同工作，不就能解决这些问题了嘛！
可当我真正开始尝试多机编队控制的时候，才发现这难度比我想象的大多了。多机之间的通信协调特别复杂，稍有不慎，就容易出现 “打架” 的情况，不是两架无人机差点撞在一起，就是飞行轨迹乱成一团。而且，控制算法也非常复杂，要考虑的因素太多了，像无人机之间的相对位置、速度、角度，还有通信延迟、外界干扰等等，每一个因素都可能影响整个编队的稳定性和任务执行效果。那段时间，我被这些问题搞得焦头烂额，无数次调试，无数次失败，差点就放弃了。
直到我了解到了单领导 - 双跟随无人机协同编队控制架构，就像在黑暗中看到了一丝曙光。这种架构相对简单，一个领导者，两个跟随者，领导者就像是团队的大脑，负责规划整体的飞行路径和任务指令，两个跟随者则紧紧跟着领导者，保持一定的相对位置和姿态。这样一来，控制的复杂度就大大降低了，操作门槛也没那么高。
而且，在实际应用中，这种架构的性价比超高。对于很多中小规模的作业，比如农业植保，只需要一架领导者无人机负责规划喷洒区域和路线，两架跟随者无人机跟着进行农药喷洒，就能高效地完成任务，比单机作业的效率不知道高了多少；还有小型区域侦察，领导者无人机可以率先进入区域，探测情况，跟随者无人机则从不同角度进行补充侦察，获取更全面的信息。所以说，单领导 - 双跟随架构真的是无人机爱好者和中小团队的 “入门级进阶方案”，既能满足一定的任务需求，又不会在技术实现上让人望而却步。
1.2 本文核心看点：技术拆解 + 实操指南，小白也能看懂
在这篇文章里，我就想和大家好好分享一下单领导 - 双跟随无人机协同编队控制的相关知识。我会先深入地给大家讲清单领导 - 双跟随编队的技术原理，把那些复杂的控制算法、通信机制，用最通俗易懂的方式拆解开来，让大家清楚地知道它到底是怎么运作的，为什么这样的架构能够实现无人机之间的协同飞行。
当然，光懂理论还不够，还得会实操。所以，我还会详细地分享仿真和实操的关键步骤。从搭建仿真环境开始，一步一步教大家如何在虚拟环境中模拟单领导 - 双跟随编队的飞行，怎么设置参数、调试程序，让编队能够按照我们预想的那样飞行。等大家在仿真环境里熟练掌握了之后，再过渡到实际操作，讲讲在实际飞行中需要注意的事项，比如场地选择、天气条件、设备调试等等，让大家能够顺利地将理论应用到实践中。
另外，我还会结合实际案例，分析在单领导 - 双跟随编队控制过程中可能遇到的痛点，像通信中断、编队失控等问题，然后分享一些优化技巧，告诉大家遇到这些问题该怎么解决，怎么进一步提高编队的稳定性和可靠性。总之，这篇文章就是要让大家既能理解单领导 - 双跟随编队控制 “是什么”，又知道 “怎么做”，就算是无人机小白，看完也能有不少收获，说不定还能自己动手搭建一个简单的单领导 - 双跟随无人机编队呢！
二、基础认知：单领导 - 双跟随无人机编队，到底是什么？
2.1 定义与核心架构：1 个 “指挥官”+2 个 “执行者” 的协作模式
单领导 - 双跟随无人机编队，从字面意思理解，就是在一个编队系统里，有 1 架无人机充当领导者角色，另外 2 架则作为跟随者 。领导者这架无人机，堪称整个编队的 “大脑”，承担着至关重要的职责。它要进行全局路径规划，就好比一位经验丰富的导游，提前规划好旅行的路线，带领大家顺利抵达目的地。在无人机编队执行任务时，领导者会根据任务目标、地形环境等因素，规划出一条最优的飞行路径，确保编队能高效地完成任务。
它还负责速度控制，就像汽车的油门和刹车一样，控制着整个编队的飞行速度。根据不同的任务阶段和环境条件，领导者会调整飞行速度，比如在开阔区域可以适当加快速度，提高任务执行效率；在复杂地形或需要精细操作的区域，则降低速度，保证飞行安全和任务精度。同时，领导者也是任务决策的核心，它会根据实时获取的信息，如侦察到的目标情况、传感器反馈的数据等，做出决策并下达指令给跟随者无人机。
而 2 架跟随者无人机呢，就像是忠诚的 “执行者”，它们的主要任务就是通过实时接收领导者的位置、速度信息，来调整自身姿态，始终保持预设的相对位置队形。这就像一群大雁飞行时，后面的大雁紧紧跟着头雁，保持一定的间距和角度，形成整齐的队形。跟随者无人机通过高精度的传感器和先进的控制算法，不断计算自己与领导者之间的位置偏差，然后迅速调整飞行姿态和速度，确保编队的稳定性和整体性。
与集中式编队模式相比，集中式模式下所有无人机的决策和控制都依赖于一个中央控制单元，一旦中央控制单元出现故障，整个编队就会陷入瘫痪，而且随着无人机数量的增加，中央控制单元的计算负担会急剧加重，通信压力也会变得非常大。而单领导 - 双跟随架构不需要强大的中央控制单元，领导者只需要与 2 个跟随者进行通信，通信链路相对简单，通信压力小，即使领导者出现故障，也可以通过简单的切换机制，让其中一个跟随者晋升为领导者，继续完成任务，具有一定的鲁棒性。
和分布式编队模式相比，分布式模式中每个无人机都具有高度的自主性，它们通过相互之间的信息交互来共同决策和控制，但这需要复杂的通信协议和协调机制，系统设计和实现难度大。单领导 - 双跟随架构结构相对简单，领导者作为核心决策点，控制逻辑更加清晰，控制器设计难度低，开发成本和时间成本都能得到有效控制，非常适合中小规模的应用场景和预算有限的团队。
2.2 与其他编队模式的对比：适合才是最好的
在无人机编队的大家庭里，单领导 - 双跟随编队模式只是其中一员，还有单领导多跟随、双领导双跟随等多种架构，它们各有特点，适用于不同的场景。
先说说单领导多跟随架构，这种架构下，一个领导者带领多个跟随者，就像一个老师带着一群学生。它适合大规模的集群任务，比如大面积的农田测绘，领导者规划好整体测绘区域和路线，众多跟随者可以同时对不同区域进行数据采集，大大提高了测绘效率；还有大型活动的空中安保巡逻，多架跟随者无人机可以在领导者的指挥下，全方位、无死角地对活动现场进行巡逻监控 。但是，随着跟随者数量的增加，领导者的通信负担和计算负担会越来越重，一旦领导者出现故障，整个编队的稳定性和任务执行能力会受到严重影响，就像老师突然生病，学生们可能就会陷入混乱。
再看看双领导双跟随架构，两个领导者就像是班级里的正副班长，共同分担任务决策和全局信息处理。在一些复杂的任务场景中，比如城市复杂环境下的搜索救援任务，一个领导者可以负责规划搜索路径，另一个领导者负责实时监控环境风险和协调资源，两个跟随者则根据领导者的指令，一个负责利用热成像仪搜索目标，另一个负责携带救援物资快速抵达目标点。这种架构的容错性更强，任务处理效率也更高，但它的通信和协调机制更加复杂，需要领导者之间高度配合，对系统的硬件和软件要求也更高，成本自然也会增加。
相比之下，单领导 - 双跟随架构更适合那些无需大规模集群的任务。像小型农田的植保作业，只需要一架领导者无人机规划好喷洒区域和路线，两架跟随者无人机跟着进行农药喷洒，就能高效完成任务，而且通信压力小，控制器设计难度低，成本可控。在低空侦察任务中，比如对一个小型工业园区进行侦察，领导者无人机率先进入区域，探测整体情况，两架跟随者无人机从不同角度进行补充侦察，获取更全面的信息，同时也能保证编队的灵活性和高效性。
不过，单领导 - 双跟随架构也有缺点，那就是领导者的单点故障风险较高，如果领导者无人机出现故障，整个编队可能会失去方向，甚至导致任务失败。所以，为了应对这个问题，通常会搭配一些简单的容错机制，比如当检测到领导者信号丢失或出现故障时，其中一个跟随者可以迅速切换为临时领导者，按照预设的备份路径继续执行任务，确保编队的基本功能和任务的连续性。总之，不同的编队模式各有优劣，在实际应用中，我们要根据具体的任务需求、成本预算、技术水平等因素，选择最适合的编队模式，才能让无人机编队发挥出最大的效能。
三、技术硬核：单领导 - 双跟随编队的实现步骤拆解
要让单领导 - 双跟随无人机编队顺利飞行，背后涉及一系列复杂而精妙的技术步骤，下面我就来详细拆解一下。
3.1 第一步：系统建模 —— 给无人机 “定规矩”
系统建模就像是给无人机制定 “行为准则”，让它们知道该怎么飞、怎么配合，这是实现编队控制的基础。
3.1.1 无人机动力学模型：二阶一致性模型的选择
在编队控制里，常用的是二阶一致性模型。这个模型考虑了无人机的位置、速度和加速度这些核心参数，就像我们开车，要知道自己在哪儿（位置），开多快（速度），加速或减速有多快（加速度）。
对于领导者无人机来说，它的模型更像是 “主动规划型”。比如说在执行航拍任务时，领导者会根据预设的拍摄路线，像沿着景区的标志性建筑环绕拍摄，或者按照特定的地形轮廓飞行，实时调整自己的位置、速度和加速度 ，同时把这些信息传递给跟随者。
而跟随者无人机的模型则是 “反馈调整型”。它们通过接收领导者传来的信息，计算出自己和领导者之间的位置、速度误差，然后根据这些误差来修正自身动作。打个比方，领导者以 5m/s 的速度向前飞行，跟随者发现自己和领导者的距离比预设的多了 1 米，速度比领导者慢了 0.5m/s，它就会加大油门，提高速度，调整飞行姿态，尽快回到预设位置。
在实际建模过程中，虽然像气流、电磁干扰这些因素会对无人机飞行产生影响，但为了让模型更简单、更容易实现仿真，我们会先把这些干扰简化处理。就好比画画的时候，先画出物体的大致轮廓，再去添加细节。这样做能让我们先专注于核心的编队控制逻辑，确保整个系统的仿真可行性。
3.1.2 队形约束：双跟随者的相对位置设计
设定双跟随者相对于领导者的目标偏移量是实现特定队形的关键。比如说，我们想要实现一个 “V” 字形队形，就可以设定一个跟随者在领导者的左前侧 3 米处，另一个跟随者在领导者的右前侧 3 米处。这就像是士兵队列训练，每个士兵都要站在规定的位置，保持整齐的队形。
在数学上，我们可以用向量来表示这些偏移量。假设领导者的位置坐标是
(x0,y0)
，左前侧跟随者的偏移向量是
(Δx1,Δy1)
，那么左前侧跟随者的目标位置坐标就是
(x0+Δx1,y0+Δy1)
。通过这样的数学约束条件，我们就能把想要的队形转化为无人机能够理解的指令，为后续控制器的设计提供明确的依据。这样，无人机在飞行过程中，就能按照我们设定的队形，精准地保持相对位置，完成各种任务。
3.2 第二步：控制器设计 —— 让跟随者 “跟得上、稳得住”
控制器就像是无人机的 “大脑指挥官”，它决定了跟随者如何根据领导者的指令和自身状态进行调整，以实现稳定的编队飞行。
3.2.1 追踪控制器：PID/LQR 的二选一攻略
在追踪控制器的选择上，有两种主流方案，分别是 PID 控制器和 LQR 控制器 。
PID 控制器就像是一个简单直接的 “老司机”，操作起来特别简单，非常适合刚接触无人机编队控制的新手。它主要通过调整三个参数来工作，分别是比例项（P）、积分项（I）和微分项（D）。比例项就像是汽车的油门，它能根据当前误差的大小，快速调整无人机的响应速度。比如，当跟随者发现和领导者的距离偏差较大时，比例项会增大控制输出，让跟随者加速靠近领导者；积分项则像是一个 “记账本”，它会累积过去的误差，通过消除稳态误差，让跟随者最终能够准确地到达目标位置；微分项就像是一个 “预判助手”，它能根据误差的变化率，提前预测误差的发展趋势，抑制无人机飞行过程中的震荡，让飞行更加平稳。
在实际调整 PID 参数的时候，有一些小技巧。比如，我们可以先只调整比例项，逐步增大比例系数，观察无人机的响应，直到出现轻微震荡，然后适当减小比例系数；接着再调整积分项，慢慢增大积分系数，直到稳态误差基本消除；最后调整微分项，根据实际情况微调，让无人机的飞行更加稳定。
LQR 控制器则像是一个追求极致精准的 “精密仪器”，它是基于线性二次型最优控制理论设计的。在使用 LQR 控制器时，我们需要先设定一个性能指标，这个指标通常包含状态变量和控制输入的权重。比如说，我们更关注无人机的位置准确性，就可以加大位置状态变量的权重；如果想要控制无人机的能耗，就可以调整控制输入的权重。通过求解 Riccati 方程，我们就能得到最优的反馈控制律，让无人机在满足性能指标的前提下，实现最优的控制效果。LQR 控制器非常适合那些对编队精度要求极高的场景，比如在进行高精度的测绘任务时，它能让跟随者精确地跟随领导者的轨迹，误差控制在极小的范围内。
我在实际操作中发现，PID 控制器在一些对精度要求不是特别高，但需要快速搭建编队系统的场景中表现出色，它的参数调整相对简单，能够快速让无人机实现基本的编队飞行；而 LQR 控制器虽然设计和计算相对复杂，但在面对复杂任务和高精度要求时，它的优势就凸显出来了，能够实现更稳定、更精准的编队控制。所以，大家在选择追踪控制器的时候，可以根据自己的实际需求和技术水平来决定。
3.2.2 协同控制器：基于相对位置误差的队形保持策略
协同控制器的作用至关重要，它就像是一个 “协调员”，不仅要让跟随者紧紧跟着领导者，还要让双跟随者之间实现信息交互，避免它们在飞行过程中相互碰撞，确保整个编队在运动过程中始终保持稳定的队形。
协同控制器采用的是基于邻域信息的协同算法。它通过实时计算跟随者与领导者、跟随者与跟随者之间的位置误差，来输出调整指令。比如，在一个三角形编队中，两个跟随者除了要和领导者保持一定的相对位置，它们之间也要保持合适的距离。当其中一个跟随者因为受到外界干扰，位置发生偏移时，协同控制器会迅速计算出它与另一个跟随者以及领导者的位置误差，然后向这个跟随者发送调整指令，让它回到正确的位置，从而保证整个编队的队形不 “变形”。这种基于相对位置误差的协同策略，就像是一群大雁在飞行时，每只大雁都能感知周围同伴的位置，随时调整自己的飞行姿态，保持整齐的雁阵。通过这样的协同控制器，无人机编队在飞行过程中能够更加灵活、稳定地应对各种情况，高效地完成任务。
3.3 第三步：通信与协同 —— 编队的 “神经脉络”
通信与协同就像是无人机编队的 “神经脉络”，负责传递信息，让领导者和跟随者之间能够紧密配合，实现高效的编队飞行。
3.3.1 通信拓扑与协议：低成本的分布式通信方案
对于单领导 - 双跟随这种中小编队来说，我推荐采用 MAVLink 协议，搭建星型通信拓扑。在这个星型结构中，领导者就像是 “中央枢纽”，它与两个跟随者分别建立通信链路，负责收集和分发信息。这种通信拓扑结构简单，易于实现，而且成本较低。
MAVLink 协议是一种专门为无人机开发的轻量级通信协议，它能够实现位置、速度等关键信息的低延迟传输。为了解决通信延迟问题，我们可以采取一些措施。比如，精简传输的数据，只传输那些对编队控制至关重要的信息，减少数据量，从而降低传输延迟；同时，采用 2.4G 无线模块，这种模块具有传输速度快、稳定性好的特点，能够确保状态信息的同步频率不低于 10Hz。这样，领导者和跟随者之间就能快速、准确地交换信息，保证编队的实时性和稳定性。就像我们在团队合作中，成员之间能够及时沟通，才能高效地完成任务。通过这样的通信拓扑和协议，无人机编队能够在各种复杂环境下，保持良好的通信状态，实现协同飞行。
3.3.2 信息交互逻辑：领导者 “发号施令”，跟随者 “实时反馈”
信息交互的流程就像是一场有序的 “指挥交响乐”，领导者负责 “发号施令”，跟随者则 “实时反馈”。
领导者会每秒发送一次自身的位置、速度、航向角等关键信息。这些信息就像是给跟随者提供的 “导航地图”，让跟随者清楚地知道领导者的实时状态和前进方向。双跟随者在接收到这些信息后，会迅速计算自己与目标位置的误差，然后通过之前设计好的追踪控制器和协同控制器，输出调整指令，调整自身的飞行姿态和速度。
与此同时，跟随者也会向领导者反馈自身状态，包括自己的位置、速度、电量等信息。这样，领导者就能实时掌握整个编队的情况，在遇到突发情况，比如跟随者失联时，领导者可以根据这些反馈信息，迅速调整策略，保障编队的安全。例如，当一个跟随者因为信号干扰暂时失联时，领导者可以根据之前跟随者反馈的位置和速度信息，预测它可能的位置，尝试重新建立通信，或者指挥另一个跟随者调整位置，填补空缺，确保编队任务不受太大影响。通过这样有序的信息交互逻辑，无人机编队能够实现高效的协同控制，顺利完成各种任务。
⛳️ 运行结果
📣 部分代码
function [V1_next, phi1_next, theta1_next, X1_next]=Leader_P(u,X1,V1,Position_phi,Position_theta)
% 输入参数：
% u=[a_tau, theta_dot, phi_dot] 控制量，a_tau为切向加速度，theta_dot为偏航角角速度，phi_dot为俯仰角角速度
% X1=[x,y,z] 当前地面坐标系下的长机坐标
% V1 当前长机飞行速度
% Position_phi 当前偏航角
% Position_theta 当前俯仰角
% 输出参数：
% V1_next
% phi1_next
% theta1_next
% X1_next
V1_next = V1+u(1); % 速度更新
phi1_next = Position_phi+u(2); % 航向角更新
theta1_next = Position_theta+u(3); %俯仰角更新
v1x = V1_next*cos(theta1_next)*cos(phi1_next);%
v1y = V1_next*cos(theta1_next)*sin(phi1_next);
v1z = V1_next*sin(theta1_next);
X1_next(1) = X1(1) + v1x;
X1_next(2) = X1(2) + v1y;
X1_next(3) = X1(3) + v1z;
🔗 参考文献
🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：
🌈 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位
🌈 机器学习和深度学习时序、回归、分类、聚类和降维
2.1 bp时序、回归预测和分类
2.2 ENS声神经网络时序、回归预测和分类
2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类
2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类
2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类
2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类
2.7 ELMAN递归神经网络时序、回归\预测和分类
2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类
2.9 RBF径向基神经网络时序、回归预测和分类
)