简介这份资源面向无人机编队、机器人集群及自动化控制方向的学习者与研究者聚焦二维空间中多智能体协同避障这一核心问题。压缩包共10个文件全部为m脚本文件整体约4KB涵盖主程序入口、智能体位置绘制、邻接矩阵构建、障碍物邻接关系计算、范数函数、群集可视化以及碰撞函数等模块便于在MATLAB环境下直接运行与二次修改。内容围绕一致性理论展开涉及障碍物检测、避障策略设计、路径规划与动态调整等环节可帮助读者理解智能体如何通过信息交换共享障碍物信息在保持队形的同时安全绕行。目前已有211人学习下载适合希望借助轻量级代码快速验证多智能体避障算法、搭建仿真实验或完成课程设计的读者参考。1. 多智能体避障仿真包从二维环境到群体协同的落地路径如果你正在做多机器人编队、集群路径规划或者 ROS2 动态避障的课题大概率会遇到一个尴尬局面算法论文看了一堆公式推导也能跟上但真要在二维栅格地图里让五个智能体同时绕开静态障碍、彼此之间还不撞上代码跑起来不是原地抖动就是集体卡死。这份「二维_避障.zip」就是冲着这个痛点来的——它把多智能体避障的完整仿真流程打包好了包含环境建模、个体避障策略、群体间防碰撞逻辑以及可视化输出。适合两类人一类是刚接触多智能体系统、需要一份能跑通的最小闭环来建立直觉的新手另一类是做动态避障小车路径规划、想快速验证自己改进算法是否有效的熟手。它不解决硬件部署问题但能把算法层面的坑先帮你趟一遍。2. 拆开压缩包二维栅格地图与智能体运动学模型怎么搭拿到一个仿真包我习惯先看它怎么描述世界和个体。二维避障仿真里世界就是一张栅格地图个体就是带运动学约束的质点或刚体。这两件事定义清楚了后面所有避障逻辑才有讨论的基础。2.1 栅格地图的生成与障碍物膨胀常见做法是用二维数组表示地图0 表示自由空间1 表示障碍物。但直接拿原始障碍物去做避障规划智能体贴着障碍物边缘走的时候很容易因为离散步进导致碰撞误判。所以工程上一般会对障碍物做膨胀处理把障碍物向外扩张一个安全半径。import numpy as np def create_grid_map(width, height, obstacle_list, inflate_radius1): 生成二维栅格地图并对障碍物做膨胀 width, height: 地图尺寸 obstacle_list: [(x, y), ...] 障碍物中心坐标 inflate_radius: 膨胀半径单位是栅格数 grid np.zeros((height, width), dtypenp.int8) for ox, oy in obstacle_list: # 先标记原始障碍物 if 0 ox width and 0 oy height: grid[oy, ox] 1 # 膨胀操作对每个障碍物格子把周围半径内的格子也标记为障碍 inflated grid.copy() for oy in range(height): for ox in range(width): if grid[oy, ox] 1: for dy in range(-inflate_radius, inflate_radius 1): for dx in range(-inflate_radius, inflate_radius 1): nx, ny ox dx, oy dy if 0 nx width and 0 ny height: inflated[ny, nx] 1 return inflated这段代码的逻辑很直白先按障碍物坐标在栅格上打点然后以每个障碍物格子为中心把膨胀半径覆盖到的邻域全部置为障碍。参数inflate_radius是关键设太小等于没膨胀设太大会把窄通道堵死导致无解。我一般会把它设成智能体半径加一个栅格余量比如智能体半径对应 0.5 个栅格那膨胀半径就取 1。注意膨胀后的地图只用于规划可视化的时候最好把原始障碍物和膨胀层用不同颜色区分开不然调试时你会怀疑地图为什么变胖了。2.2 智能体运动学差速模型还是质点模型仿真包里智能体的运动方式决定了避障算法的输出怎么转成实际位移。如果只是验证避障逻辑本身用质点模型最省事智能体有位置和速度速度矢量直接由避障算法给出。但如果你后面要对接 ROS2 动态避障或者真实小车差速模型更贴近现实——智能体只能前进和旋转不能横移。class DifferentialDriveAgent: def __init__(self, x, y, theta, radius0.3, max_v1.0, max_w1.5): self.x x self.y y self.theta theta # 朝向角弧度 self.radius radius self.max_v max_v # 最大线速度 self.max_w max_w # 最大角速度 def step(self, v, w, dt): 根据线速度v和角速度w更新位姿 # 限幅防止仿真步长过大导致跳变 v np.clip(v, -self.max_v, self.max_v) w np.clip(w, -self.max_w, self.max_w) self.x v * np.cos(self.theta) * dt self.y v * np.sin(self.theta) * dt self.theta w * dt # 角度归一化到 [-pi, pi] self.theta (self.theta np.pi) % (2 * np.pi) - np.pi差速模型下避障算法输出的期望速度矢量不能直接赋值得先转成线速度和角速度。常见做法是算期望速度方向与当前朝向的夹角用比例控制器生成角速度线速度则根据夹角大小做衰减——夹角越大走得越慢避免急转弯时冲过头。参数max_v和max_w要根据仿真步长dt来调如果dt0.1而max_v2.0一步就能挪 0.2 米在小地图里很容易直接穿过障碍物。我一般会把单步位移控制在智能体半径的三分之一以内。2.3 多智能体初始化与通信拓扑多智能体避障和单智能体的本质区别在于个体之间要互相避让。仿真包里通常会给每个智能体分配一个目标点然后让它们从不同起点出发。通信拓扑决定了谁能看到谁的位置全连接最简单每个智能体都知道其他所有智能体的位置邻居拓扑更接近真实场景只和一定距离内的个体交换信息。def init_agents(num_agents, map_width, map_height, safe_dist0.8): 随机初始化智能体位置保证初始间距大于安全距离 agents [] attempts 0 while len(agents) num_agents and attempts 1000: x np.random.uniform(1, map_width - 1) y np.random.uniform(1, map_height - 1) ok True for a in agents: if np.hypot(x - a.x, y - a.y) safe_dist: ok False break if ok: theta np.random.uniform(-np.pi, np.pi) agents.append(DifferentialDriveAgent(x, y, theta)) attempts 1 return agents初始化看着简单但坑不少。如果随机撒点不检查间距两个智能体可能重叠着出生避障算法一启动就陷入互相排斥的死循环。safe_dist建议设成两倍智能体半径再加一点余量。另外目标点也要检查别把目标点设在障碍物里面否则智能体会在障碍物边缘反复试探直到超时。3. 避障策略落地人工势场法与速度障碍法怎么选怎么调环境搭好之后核心就是每个智能体怎么决定下一步往哪走。仿真包里一般会集成不止一种避障策略方便对比。人工势场法和速度障碍法是二维多智能体避障里最常被拿来做 baseline 的两种各有各的脾气。3.1 人工势场法引力斥力合成与局部极小值处理人工势场法的思路很符合直觉目标点对智能体产生引力障碍物和其他智能体产生斥力合力方向就是运动方向。实现起来代码量少实时性好但在多智能体场景下局部极小值问题会被放大。def artificial_potential_field(agent, goal, obstacles, other_agents, k_att1.0, k_rep2.0, rep_range1.5): 计算人工势场合力 k_att: 引力增益 k_rep: 斥力增益 rep_range: 斥力作用范围 # 引力指向目标点 att_force k_att * (np.array(goal) - np.array([agent.x, agent.y])) # 斥力来自障碍物和其他智能体 rep_force np.zeros(2) all_obstacles list(obstacles) [(a.x, a.y) for a in other_agents if a is not agent] for ox, oy in all_obstacles: dx agent.x - ox dy agent.y - oy dist np.hypot(dx, dy) if 0 dist rep_range: # 斥力大小与距离成反比方向远离障碍 magnitude k_rep * (1.0 / dist - 1.0 / rep_range) / (dist ** 2) rep_force magnitude * np.array([dx, dy]) / dist total_force att_force rep_force return total_force引力增益k_att和斥力增益k_rep的比值直接决定行为风格。k_att太大智能体会勇往直前然后被斥力猛地弹开轨迹像在抽搐k_rep太大智能体会离障碍物老远就开始绕窄通道根本过不去。我一般先把k_att设为 1.0然后从 1.5 开始试k_rep观察轨迹是否平滑。rep_range要大于膨胀半径否则智能体还没进入斥力范围就已经撞上膨胀层了。局部极小值是人工势场法的经典翻车点当引力和斥力刚好抵消智能体会停在原地。多智能体场景下更麻烦两个智能体互相排斥又都想去同一个窄出口就容易在出口前形成对峙。常见做法是加一个随机扰动或者切换成沿墙走策略仿真包里如果有状态机切换逻辑记得把触发条件调得敏感一些。3.2 速度障碍法相对速度锥与避让时机速度障碍法换了个角度不看力看速度。如果两个智能体保持当前速度未来某个时刻会碰撞那它们当前的速度组合就落在速度障碍锥里。每个智能体通过调整自己的速度让自己避开所有障碍物和其他智能体产生的速度障碍锥。def compute_velocity_obstacle(agent, other, dt0.5, safety_margin0.2): 计算agent相对于other的速度障碍锥参数 返回一个角度范围落在这个范围内的相对速度会导致碰撞 rel_pos np.array([other.x - agent.x, other.y - agent.y]) dist np.linalg.norm(rel_pos) combined_radius agent.radius other.radius safety_margin if dist combined_radius: # 已经太近返回全方向避让 return None # 相对位置的角度 angle_to_other np.arctan2(rel_pos[1], rel_pos[0]) # 速度障碍锥的半角 half_angle np.arcsin(combined_radius / dist) return (angle_to_other - half_angle, angle_to_other half_angle)速度障碍法的优势在于它显式考虑了时间维度避让动作更提前、更平滑。但参数dt和safety_margin需要仔细调。dt是预测时间窗口设太小的话智能体反应滞后设太大又会导致过度避让、路径绕远。我一般取 0.5 到 1.0 秒之间的值具体看智能体最大速度和地图尺度。safety_margin是额外安全余量用来补偿仿真步长带来的离散误差通常取智能体半径的 0.2 到 0.5 倍。多智能体场景下速度障碍法需要每个智能体对所有邻居都算一遍速度障碍锥然后找一个不在任何锥内的可行速度。如果可行速度集合为空说明当前状态无解需要降速或者紧急停止。仿真包里如果实现了速度障碍法建议加一个降速重试逻辑第一次找不到可行速度就把期望速度减半再试还不行就原地旋转。3.3 两种策略的对比与混合使用对比维度人工势场法速度障碍法计算量低每步只算合力中需遍历邻居并求可行速度轨迹平滑度一般参数不当时抖动明显较好速度变化连续局部极小值容易陷入较少但可能出现无解多智能体扩展斥力叠加简单但易震荡需处理可行速度集合为空调参难度增益和范围敏感预测窗口和安全余量敏感实际项目中我见过不少方案是把两者混着用远距离用人工势场法快速接近目标进入密集区域后切换到速度障碍法做精细避让。仿真包里如果两种都提供了可以写个简单的切换逻辑用最近障碍物距离作为切换条件。注意切换时速度要平滑过渡不然轨迹上会出现折角。4. 避坑与排查多智能体避障仿真里最容易翻车的五个地方仿真跑不起来或者结果不对八成是下面这几个问题。我按现象、原因、解决的结构列出来方便你对照排查。4.1 智能体原地抖动或画圈现象智能体在某个位置附近来回震荡不往目标点走。原因人工势场法引力和斥力在某个位置达到平衡或者速度障碍法可行速度集合频繁切换导致左右摇摆。解决先检查目标点是否在障碍物膨胀层内部如果是就重新选目标点然后在合力方向上加一个小的历史速度惯性项让智能体有保持当前运动方向的趋势如果用的是速度障碍法把预测时间窗口dt调大一点减少速度切换频率。4.2 智能体之间发生穿透现象两个智能体在仿真里重叠了但避障算法没有报错。原因仿真步长太大单步位移超过了安全距离或者斥力范围小于两倍智能体半径。解决把仿真步长dt减小到单步位移不超过智能体半径的三分之一检查斥力作用范围rep_range是否大于两倍智能体半径加安全余量在位置更新后加一个硬性碰撞检测如果间距小于两倍半径就强制推开。4.3 窄通道集体堵死现象多个智能体都要通过一个窄出口结果在出口前挤成一团谁也过不去。原因斥力叠加导致出口处的合力指向远离出口的方向或者速度障碍法下所有智能体的可行速度都指向出口外侧。解决在窄通道区域临时降低斥力增益或者引入优先级机制——距离出口最近的智能体优先通过其他智能体在通道外等待也可以给每个智能体加一个随机扰动打破对称对峙。4.4 目标点不可达但算法不报错现象智能体在目标点附近绕圈但始终到不了仿真一直跑不结束。原因目标点被障碍物膨胀层覆盖或者目标点距离障碍物太近导致斥力始终大于引力。解决在初始化阶段检查目标点是否在自由空间内并且与最近障碍物的距离大于膨胀半径加智能体半径如果目标点确实在障碍物附近把到达判定阈值放宽比如距离目标点小于一个智能体半径就算到达。4.5 仿真速度越来越慢现象刚开始跑很流畅智能体多了或者跑久了之后帧率明显下降。原因每步都在做全量邻居遍历或者可视化部分每帧都在重绘整个地图。解决把邻居查询改成空间哈希或者网格索引只检查附近格子里的智能体可视化部分把静态地图缓存成背景图每帧只重绘智能体位置如果不需要实时看把可视化关掉纯跑数据速度能快好几倍。5. 从仿真到验证怎么确认你的多智能体避障真的有效仿真跑通只是第一步怎么判断避障策略是真的有效而不是碰巧没撞上需要一套验证方法。我一般会从三个维度来评估安全性、效率和鲁棒性。安全性最直接的指标是碰撞次数和最小间距。跑一百次随机初始化统计有多少次出现了智能体间距小于两倍半径的情况。如果碰撞率超过百分之五说明安全余量不够或者避障逻辑有漏洞。最小间距的分布也能看出问题如果很多次都贴着安全边界走说明策略太激进稍微加点噪声就会撞。效率看的是路径长度和到达时间。把所有智能体的实际路径长度加起来除以起点到目标点的直线距离总和得到一个路径效率比。这个比值在 1.2 到 1.5 之间算正常超过 2.0 说明绕路太严重可能是斥力范围设太大了。到达时间的方差也值得看方差大说明有些智能体被堵了很久群体协同有问题。鲁棒性测试是往仿真里加噪声。给每个智能体的位置加高斯噪声模拟定位误差给速度执行加随机延迟模拟通信和响应延迟。如果加了噪声之后碰撞率飙升说明避障策略对状态估计太敏感需要加大安全余量或者引入滤波。def evaluate_swarm(agents, goals, collision_threshold, dt, max_steps2000): 跑一次仿真并返回安全性、效率指标 collision_count 0 min_dist_record float(inf) total_path_length 0.0 arrival_times [] for step in range(max_steps): # 这里调用你的避障算法更新每个智能体的速度 # update_agents(agents, goals, ...) for i, a in enumerate(agents): a.step(a.v, a.w, dt) total_path_length abs(a.v) * dt # 检查碰撞 for i in range(len(agents)): for j in range(i 1, len(agents)): d np.hypot(agents[i].x - agents[j].x, agents[i].y - agents[j].y) min_dist_record min(min_dist_record, d) if d collision_threshold: collision_count 1 # 检查到达 for i, a in enumerate(agents): if i not in [t[0] for t in arrival_times]: if np.hypot(a.x - goals[i][0], a.y - goals[i][1]) 0.3: arrival_times.append((i, step * dt)) if len(arrival_times) len(agents): break return { collision_count: collision_count, min_distance: min_dist_record, total_path_length: total_path_length, arrival_times: arrival_times }这个评估函数把关键指标都收回来了。collision_threshold一般设成两倍智能体半径max_steps根据地图大小和智能体速度来定别设太小导致还没到目标就超时。跑完一百次之后把collision_count和min_distance的分布画出来比只看单次结果靠谱得多。还有一个容易被忽略的验证点把智能体数量从 3 个逐步加到 10 个看碰撞率和路径效率比怎么变化。如果加到 5 个以上就频繁碰撞说明避障策略的扩展性不行可能需要引入分组或者分层规划。我自己的习惯是每次改完避障参数都强制跑一遍 3、5、8 个智能体的三组测试确认没有退化才继续调。从那以后我每次调参都先跑小规模再跑大规模省得在大场景里浪费时间排查低级问题。希望帮到你。本文还有配套的精品资源点击获取