1. 课程导入与编队控制全景

无人机编队控制与队形保持，研究的是如何让多架无人机在共享空域中按照期望的几何构型协同飞行，并在受到风扰、通信延迟、个体差异等因素影响时，仍能维持队形的形状、间距与相对位置。它既不是简单的"多机同时起飞"，也不是把单机控制复制多份，而是要在个体自主与群体协同之间建立一套可计算、可通信、可验证的控制逻辑。

从系统角度看，编队控制包含三个层次的核心问题。第一层是队形描述：用什么数学对象表达"队形"？常见做法是给定期望的相对位置向量、相对距离约束或相对方位角约束。第二层是协同控制律：每架无人机根据自身状态与邻居信息，计算出速度或加速度指令，使群体误差收敛。第三层是队形保持与重构：当某架无人机掉队、避障或任务切换时，队形如何平滑调整而不引发碰撞或振荡。

典型应用场景决定了技术选型。在灯光表演中，数百架无人机需要高精度时间同步与预设轨迹跟踪，队形变化以秒级切换，强调一致性与安全性；在区域搜索与测绘中，编队需要覆盖指定区域并保持传感器重叠率，强调队形几何与航迹规划；在协同搬运中，多机通过绳索或刚性连接共同承载负载，强调力分配与相对位置刚性；在军事蜂群中，编队需要应对通信拒止与个体损失，强调分布式决策与队形自愈。不同场景对通信拓扑、控制频率、定位精度的要求差异很大，这也是本课程后续章节要逐一展开的。

为了把上述问题讲清楚，本课程设计了一条从"单机基础"到"群体智能"的学习地图。前四章建立坐标系、动力学模型与通信拓扑的基本约定；第五至第十章讲解一致性算法与编队控制律，包括领航-跟随、虚拟结构、基于行为与图论方法；第十一至第十八章进入队形保持、避障、重构与通信约束下的鲁棒控制；第十九至第二十四章讨论定位、时间同步、仿真与实验验证；最后六章围绕实战项目展开，包括灯光表演编队、区域搜索编队与蜂群抗毁重构三个综合案例。

在进入具体算法之前，需要先明确几个贯穿全课程的约定。第一，坐标系约定：本课程默认使用东北天（ENU）右手坐标系，x轴指向东，y轴指向北，z轴指向天，偏航角以x轴为基准逆时针为正。第二，队形描述约定：队形用期望相对位置向量 \(p_{ij}^d = p_i^d - p_j^d\) 表示，其中 \(p_i^d\) 为第i架无人机的期望位置。第三，通信拓扑约定：用无向图 \(G=(V,E)\) 描述，节点为无人机，边表示可通信链路，邻接矩阵 \(A=[a_{ij}]\)，当且仅当i与j可通信时 \(a_{ij}=1\)。这些约定在后续所有章节中保持一致，切换参照系时会明确说明。

为了让读者对"实际怎么做"有直观感受，这里给出一个最小可运行的编队控制示例。假设三架无人机在二维平面内飞行，期望队形为等边三角形，边长 \(d=10\) m。采用一阶积分模型 \(\dot{p}_i = u_i\)，控制律为

u_i = -k_p * (p_i - p_i^d) - k_f * Σ_{j∈N_i} ( (p_i - p_j) - (p_i^d - p_j^d) )

其中：
  k_p = 1.2   （位置反馈增益）
  k_f = 0.8   （队形一致性增益）
  N_i 为第i架无人机的邻居集合
  p_i^d 为第i架无人机的期望位置

取初始位置 \(p_1=(0,0)\)、\(p_2=(12,0)\)、\(p_3=(6,9)\)，期望位置 \(p_1^d=(0,0)\)、\(p_2^d=(10,0)\)、\(p_3^d=(5,8.66)\)。以 \(dt=0.05\) s 离散迭代，约2秒后位置误差收敛到0.1 m以内。判断收敛的依据是：所有无人机的位置误差范数 \(\|p_i - p_i^d\|\) 持续小于0.1 m，且队形边长误差小于0.05 m。这个示例虽然简化，但已经包含了编队控制的核心要素：期望队形、邻居信息、反馈增益与收敛判据。

最后需要提醒的是，编队控制与队形保持不是孤立的算法问题，而是控制、通信、定位、规划的交叉。一个在仿真中收敛的队形，在真实系统中可能因为通信延迟、定位跳变或风扰而发散。因此，本课程在每个算法章节之后都会讨论工程约束与验证方法，帮助读者建立从理论到落地的完整认知。