深秋的清晨，你抬头看见雁群排成流畅的人字形掠过天空。这个队形不是随机的——排成“人字”能让每只雁借助前雁翅膀产生的上升气流，节省约 12% 的体力。更重要的是，队形让整个雁群像一幅移动的图画，步调一致、方向明确。机器人编队控制，研究的就是如何让一群机器人像雁阵一样，在向目标移动的同时保持预设的几何队形。工程师们想出了三条经典路线：让一个领队带着大家走、让每台机器靠本能反应彼此配合、或者给整支队伍套上一层无形的模板。加上一张“谁和谁说话”的通信网络，一支机器人队伍就能像雁阵一样，既整齐又灵活地掠过任务区域。读完这篇文章，你会理解这三种思路各自的门道，以及它们如何支撑起巡逻、运输等真实世界的“飞行”。

岗位关联

掌握编队控制是攻克多机器人协作系统的关键一步。无论你从事无人机物流、仓储搬运还是安防巡检，本主题直接对应你日常任务中最核心的“队形保持”难题。

目录
  1. 可视化演示
  2. 编队控制基础
  3. 领航者跟随法
  4. 基于行为法
  5. 虚拟结构法
  6. 通信拓扑与稳定性
  7. 方法对比与选型
  8. 应用与未来挑战
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

演示群体机器人编队控制三种经典方法：领航者跟随、虚拟结构、基于行为，以及通信拓扑对编队稳定性的影响。

本节配有交互动效（进入视口后自动加载，约 3KB）。

领航者-跟随者编队 领航者沿期望轨迹运动，跟随者保持相对位置 跟随者通过距离-角度或距离-距离控制律跟踪 编队误差随控制增益增大而快速收敛 ẋᵢ = f(x_L) − k·(xᵢ − xᵢ*) 领航者轨迹驱动整个编队协同运动

编队控制基础

深秋的清晨，你抬头看见雁群排成流畅的人字形掠过天空。这个队形不是随机的——排成“人字”能让每只雁借助前雁翅膀产生的上升气流，节省约 12% 的体力。更重要的是，队形让整个雁群像一幅移动的图画，步调一致、方向明确。多机器人编队控制，研究的就是如何让一群机器人像雁阵一样，在向目标移动的同时保持预设的几何队形。

编队控制要回答三个问题：编成什么形状（人字、一字、方阵）、由谁决定队形（中央指挥还是各自协商）、队形如何应对障碍物（绕过去之后重新聚合）。在机器人学中，工程师用一组数学向量来“画”出队形：先选一个参考点当作整支队伍的“雁头位置”，再给每台机器规定它相对这个参考点的固定偏移。只要所有机器人不断地校准自己与参考点的相对位置，队形就不会散。

这就是编队控制的“总谱”：无论采用哪种具体方法，本质都是回答同一个问题——机器人怎么知道自己应该站在哪个“座位”上？常见的三种方法，就是三种不同的“排座位”策略。而这个“座位”最终要服务于实际价值：安防巡逻需要覆盖广区域、仓库运输需要多机协同、灾害救援需要地毯式搜索。理解了基础框架，再来看三种“排座位”方法，就会一目了然。

pid(t)=p0(t)+hi\displaystyle \mathbf{p}_{i}^{d}(t) = \mathbf{p}_{0}(t) + \mathbf{h}_{i}
这个公式描述每台机器人的期望位置：整体基准点位置加上各自固定的“座位号”。
  1. 参考基准点$\mathbf{p}_{0}(t)$ 是编队整体的移动基准，相当于雁阵中某个虚拟的“队形原点”，通常由任务目标（如巡逻路线上的目标点）决定。
    p0(t)\mathbf{p}_{0}(t)
  2. 队形偏移向量$\mathbf{h}_{i}$ 是第 $i$ 台机器人相对基准点的固定偏移，相当于每只雁在队形中为自己选定的“座位”。
    hi\mathbf{h}_{i}
  3. 期望位置合成将基准点与偏移相加，就得到第 $i$ 台机器人时刻 $t$ 的期望位置，队形因此被“钉”在数学公式里。
    pid(t)=p0(t)+hi\mathbf{p}_{i}^{d}(t) = \mathbf{p}_{0}(t) + \mathbf{h}_{i}

领航者跟随法

在一群大雁中，最前面那只头雁承担着破风开路的角色，后面的雁不需要知道最终目的地，只需要盯住头雁的位置和朝向，保持自己与头雁的距离与角度不变，队形自然就出来了。这就是领航者跟随法（Leader-Follower）的直觉：选出一台“头雁”机器人负责领路，其余“跟随者”不断测量自己与领航者的相对距离 $l$ 和相对角度 $\psi$，并调整速度使这两个量稳定在期望值上。

领航者跟随法的核心是一个 $l$-$\psi$ 控制器。设领航者在世界坐标系中的位置为 $\mathbf{p}_{L}$，跟随者期望保持在距离 $l^{*}$、相对角 $\psi^{*}$ 处。控制器实时计算测量值与期望值的误差，再用比例控制把误差“压”回零：

领航者跟随法的优点很直白：实现简单、扩展方便。给任意一台机器人装上“跟住头雁”的规则，就可以自由加入编队；队形任你调整，只需改变每台跟随机的 $l^{*}$ 与 $\psi^{*}$。但它的命门同样明显——头雁一旦掉链子（电量耗尽、传感器故障），所有跟随者都会失去方向，整个雁阵瞬间群龙无首。因此，工程上通常采用“多级领航”或“领航者冗余”来补救，这也会在通信拓扑一节中进一步展开。

l˙=−kl(l−l∗),ψ˙=−kψ(ψ−ψ∗)\displaystyle \dot{l} = -k_{l}\left(l - l^{*}\right), \qquad \dot{\psi} = -k_{\psi}\left(\psi - \psi^{*}\right)
这是两个并联的比例控制器：距离偏了就收/放速度，角度偏了就转方向，增益越大纠正越快。
  1. 距离误差$l - l^{*}$ 表示跟随者当前与头雁的距离偏离期望距离多少，单位是米。
    l−l∗l - l^{*}
  2. 距离修正律$\dot{l} = -k_{l}(l - l^{*})$ 告诉跟随者用多大的速度伸缩距离，$k_{l}$ 是比例增益，负号保证误差被“拉回”而不是“推远”。
    l˙=−kl(l−l∗)\dot{l} = -k_{l}\left(l - l^{*}\right)
  3. 角度修正律$\dot{\psi} = -k_{\psi}(\psi - \psi^{*})$ 控制相对角度，$k_{\psi}$ 是角度增益，角度偏了就打方向修正。
    ψ˙=−kψ(ψ−ψ∗)\dot{\psi} = -k_{\psi}\left(\psi - \psi^{*}\right)

基于行为法

还记得小学生的团体操表演吗？每个孩子并不需要记住整个队形的坐标，老师只教他们三条简单规则：“眼睛看着前方领队”“别撞到旁边的同学”“听到哨声向中间靠拢”。几百个孩子靠这三条规则来回走动，竟能交织出整齐的图案。基于行为法（Behavior-based）正是这个思路：不搞全局规划，而是把编队任务拆解成若干条简单行为，每台机器人独立执行这些行为，再按权重把结果融合成最终速度指令。

典型的行为库包含三类：朝目标移动（向目的地施加吸引力）、避障/避撞（与障碍物或同伴过近时施加排斥力）、队形保持（若偏离期望队形位置则产生矫正速度）。机器人将每条行为输出的速度向量做加权求和：

基于行为法的优势在于反应快、分布式：没有中心节点，单台机器人损坏或掉队不影响整体继续运行，非常适合动态障碍多的环境。可它也有天生的短板——因为每个人只凭局部规则行事，队形精度不高，可能出现“大家都没错、队形却歪了”的尴尬局面。正如团体操排练初期，孩子们虽然各自遵守规则，整体图案却要反复磨合才逐渐清晰。

vi=∑kwk vi(k)s.t.∑kwk=1\displaystyle \mathbf{v}_{i} = \sum_{k} w_{k}\,\mathbf{v}_{i}^{(k)} \qquad \text{s.t.} \sum_{k} w_{k} = 1
权重 $w_{k}$ 决定当前哪条行为“话语权”更大：空旷路段目标行为主导，障碍密集区域避障行为迅速增强。
  1. 行为速度向量$\mathbf{v}_{i}^{(k)}$ 是第 $i$ 台机器人第 $k$ 条行为单独输出的期望速度，比如“避撞行为”给出向左闪的速度。
    vi(k)\mathbf{v}_{i}^{(k)}
  2. 权重系数$w_{k}$ 是第 $k$ 条行为的权重，取值范围 $[0,1]$，代表这条行为在最终决策中的“投票权”。
    wk∈[0,1]w_{k} \in [0,1]
  3. 加权求和把所有行为速度按权重累加，得到机器人最终速度 $\mathbf{v}_{i}$——本质是一场“行为投票会”。
    vi=∑kwk vi(k)\mathbf{v}_{i} = \sum_{k} w_{k}\,\mathbf{v}_{i}^{(k)}
  4. 归一化约束各权重之和为 1，保证输出速度不会因行为叠加而失控。
    ∑kwk=1\sum_{k} w_{k} = 1

虚拟结构法

想象一下：空中悬浮着一张巨大的、透明的“雁阵模板”，上面刻画了每只雁的固定站位。头雁只需要移动这张模板，所有雁自动飞到模板上对应的位置——队形天然一致，任何时刻都严丝合缝。虚拟结构法（Virtual Structure）就是把整支编队当作一个刚性物体来处理：定义一个虚拟刚体（比如一个矩形、三角形甚至人字形），每台机器人绑定到刚体上的一个固定位姿点；当刚体平移或旋转时，各机器人通过坐标变换得到自己的目标位置，然后各自前往。

数学上，设虚拟结构的参考位姿为 $\mathbf{p}_{v}$（位置）与 $\theta_{v}$（朝向），机器人在虚拟结构中的固定坐标为 $\mathbf{r}_{i}$，则它的期望位置为：

虚拟结构法的最大优势是队形精度高、整体协同性强——整支队伍像一块铁板，任何时刻都能报出精确的队形误差。代价则是灵活性差、计算量大：每一次队形变化都要重新计算整块模板，机器人的个体差异（速度上限、载重不同）也难以体现。就像一张图章只能印一种图案，想改成别的队形必须重新刻章。正是这种“刚”与“柔”的取舍，让工程师们在面对不同任务时必须在三种方法中权衡。

pi=pv+R(θv) ri\displaystyle \mathbf{p}_{i} = \mathbf{p}_{v} + R(\theta_{v})\,\mathbf{r}_{i}
其中 $R(\theta_{v})$ 是旋转矩阵。虚拟结构像一张图章，往哪盖、怎么转，章上的每个点都随之移动。
  1. 虚拟参考点$\mathbf{p}_{v}$ 是虚拟刚体在真实空间中的位置，相当于图章“落纸”的中心。
    pv\mathbf{p}_{v}
  2. 旋转矩阵$R(\theta_{v})$ 将虚拟结构内部的坐标旋转到世界坐标系的朝向，队形转弯靠它实现。
    R(θv)=[cos⁡θv−sin⁡θvsin⁡θvcos⁡θv]R(\theta_{v}) = \begin{bmatrix} \cos\theta_{v} & -\sin\theta_{v} \\ \sin\theta_{v} & \cos\theta_{v} \end{bmatrix}
  3. 刚性绑定坐标$\mathbf{r}_{i}$ 是机器人在虚拟结构内部的固定坐标（如正方形的左上角），队形形状就是由这组坐标定义的。
    ri\mathbf{r}_{i}
  4. 坐标变换合成参考点位置旋转加上内部坐标，得到世界坐标系中的期望位置 $\mathbf{p}_{i}$。
    pi=pv+R(θv) ri\mathbf{p}_{i} = \mathbf{p}_{v} + R(\theta_{v})\,\mathbf{r}_{i}

通信拓扑与稳定性

雁群之所以能维持队形，不只是每只雁各自努力，更依赖它们之间的“默契通道”——前面的雁鸣叫一声，附近的雁调整翅膀，声音逐级传开。机器人编队同样依赖“谁和谁交流”的通道，这就是通信拓扑（Communication Topology）。它决定了信息流的方向：是所有人都听中央指挥的（集中式）、分成几个小组各自协商（分散式），还是每个机器人只跟邻近的机器通信、消息逐跳传递（分布式）？

通信拓扑可以用一张图（Graph）来数学刻画。把每台机器人当作节点，通信链路当作边，定义邻接矩阵 $A = [a_{ij}]$，其中 $a_{ij}=1$ 表示节点 $j$ 能向节点 $i$ 发送信息。定义度数矩阵 $D$ 为对角线上的邻居数量，则拉普拉斯矩阵为：

拉普拉斯矩阵是编队稳定性分析的“心电图”。工程上常用一致性协议驱动队形收敛：每个机器人把自己与邻居的差值加权求和，作为速度修正量：

拉普拉斯矩阵的第二小特征值 $\lambda_{2}(\mathcal{L})$ 被称作代数连通度：当且仅当 $\lambda_{2} > 0$ 时通信图连通，一致性协议才能将编队误差收敛到零。换句话说，只要有一台机器人“失联”，整个矩阵就可能出现零特征值，队形误差无法完全消除。这正是工程上最关心的问题：部署编队系统时，拓扑设计（谁是核心节点、链路易不易断）与稳定性分析必须同步进行。好消息是，通过牵制控制——只让少数节点接收“目标指令”（参考信号），其余节点仅靠邻居信息间接获得方向——可以将通信成本大幅降低，同时保持编队稳定。

L=D−A\displaystyle \mathcal{L} = D - A
x˙i=∑j∈Niaij(xj−xi)\displaystyle \dot{x}_{i} = \sum_{j \in \mathcal{N}_{i}} a_{ij}\left(x_{j} - x_{i}\right)
一致性协议让邻居们的状态互相“拉齐”，恰好对应雁群中相邻雁之间不断互相校准位置的过程。
  1. 邻接权重$a_{ij}$ 表示通信链路的权值，有链路为 1、无链路为 0；它决定信息能否从 $j$ 传到 $i$。
    aija_{ij}
  2. 拉普拉斯矩阵$\mathcal{L} = D - A$ 把图的连通信息浓缩成矩阵，它的特征值分布直接反映编队的稳定裕度。
    L=D−A\mathcal{L} = D - A
  3. 邻居集合$\mathcal{N}_{i}$ 是与第 $i$ 台机器人直接通信的邻居集合，相当于身边能听到鸣叫的雁。
    Ni\mathcal{N}_{i}
  4. 加权误差累加$\sum_{j \in \mathcal{N}_{i}} a_{ij}(x_{j} - x_{i})$ 把所有邻居的偏差叠加，驱动本机状态向邻居均值靠拢。
    x˙i=∑j∈Niaij(xj−xi)\dot{x}_{i} = \sum_{j \in \mathcal{N}_{i}} a_{ij}\left(x_{j} - x_{i}\right)

方法对比与选型

介绍完三种方法，你可能会问：到底该用哪种？这就像问一支旅行团该怎么走：人少路直，找个导游带队（领航者跟随）最简单；路况复杂，让大家各自小心多点应变（基于行为）更稳妥；要拍整齐的合影，那就得靠统一模板（虚拟结构）。三种方法并无绝对优劣，只有合不合适。

| 维度 | 领航者跟随 | 基于行为 | 虚拟结构 |

|------|-----------|---------|---------|

| 队形精度 | 中 | 低 | 高 |

| 分布式程度 | 低（依赖头雁） | 高 | 中 |

| 对通信依赖 | 中 | 低 | 高 |

| 计算复杂度 | 低 | 低 | 高 |

| 典型场景 | 护航、编队飞行 | 搜索、动态避障 | 精确布阵、表演 |

工程实践中最常见的其实是混合方法：例如“领航者跟随 + 基于行为”，让领航者带队的同时，跟随者叠加避障行为提高鲁棒性；或者“虚拟结构 + 基于行为”，用虚拟结构保证队形、用行为层应对突发障碍。选型的核心准则是三问：任务需要多高的队形精度？环境动态程度有多高？通信能力是否可靠？ 精度要求高、环境稳定、通信良好，优先虚拟结构；环境复杂、通信脆弱，基于行为更抗造；若想快速部署且有个靠谱的领航单元，领航者跟随是最短路径。

应用与未来挑战

雁阵的智慧早已不只是自然奇观——工程师们正在把同样的原理搬进现实世界。巡逻监控是编队控制最成熟的应用：一台无人机领队，数台无人机在城区或边境线呈人字形或一字形展开，将摄像头视野拼接成无死角的广域覆盖，特别适合输油管道巡检、大型园区安防。物资运输场景则常见于仓储与港口：多台搬运机器人排成 V 字形同步送货，或像蚂蚁搬树叶一样协同抬运大件货物——虚拟结构法在这里大显身手，因为它能精确保证货物受力均匀。搜索救援则偏好基于行为法：无人机群以松散队形快速扫过震后废墟，每台机器只盯着近邻，即使部分机器失联，剩余编队也能继续扩大搜索面。

编队控制的前沿挑战同样清晰：一是规模化——从十几台到上千台机器人，分布式算法与通信带宽能否扛住；二是异构化——不同尺寸、不同速度的机器（无人机、无人车、无人船混编）如何在同一编队中和谐共处；三是智能化——强化学习与集群智能正在让编队自主适应任务变化，不再依赖人工预设队形。可以预见，未来的机器人编队会像雁群一样，既讲究纪律，又懂得变通，在复杂世界中飞得更远。

AI 应用场景

无人机表演编队

阶段：编队规划与控制

解决的问题：数百架无人机同时升空表演，若靠人工逐架遥控不现实。虚拟结构法为每架无人机分配一个“模板坐标点”，配合集中式通信统一派发目标位置，使 300 架无人机在一分钟内组建出立体的“人字形”或“祝寿”图案，队形误差控制在厘米级。

具体案例：某景区无人机灯光秀采用虚拟结构 + 领航者跟随混合方案：地面站定义虚拟刚体模板，领头无人机实时转发参考轨迹，其余无人机按模板坐标飞行，配合灯光时序程序，完成 5 分钟的空中编队表演，观众肉眼看不到任何错位。

仓储多机协同运输

阶段：任务分配与编队控制

解决的问题：传统 AGV 各自独立寻路，在狭窄通道易拥堵。采用领航者跟随编队后，同一任务的多台 AGV 排成纵列进出仓库，跟随者只需保持与前车的距离和角度，无需重新规划全局路径，通道通行效率提升约 35%。

具体案例：某电商仓库将 20 台搬运机器人编成 4 支“一”字纵队，领航机器人负责取货与换道，跟随机器人自动保持 1.2 米纵向间距、同速行驶。遇到障碍时，跟随者临时触发基于行为的绕障逻辑，越过后自动归队。

Python 演示

python79 行
"""编队控制三方法仿真: 领航者跟随, 基于行为, 虚拟结构"""import mathimport random  class Robot:    def __init__(self, x, y):        self.x = x        self.y = y        self.vx = 0.0        self.vy = 0.0        self.ox = x  # 虚拟结构中的固定坐标        self.oy = y  def leader_follower(leader, followers, l_des, phi_des, k=0.1):    # 保持与领航者的期望距离和角度    for f in followers:        dx = leader.x - f.x        dy = leader.y - f.y        dist = math.hypot(dx, dy)        phi = math.atan2(dy, dx)        f.vx = k * (dist * math.cos(phi) - l_des * math.cos(phi_des))        f.vy = k * (dist * math.sin(phi) - l_des * math.sin(phi_des))        f.x += f.vx        f.y += f.vy  def behavior_based(robots, target, w_goal=0.5, w_sep=0.8, d_min=30.0):    # 目标引力 + 邻居斥力 加权融合    for r in robots:        vx = w_goal * (target[0] - r.x) / 100.0        vy = w_goal * (target[1] - r.y) / 100.0        for other in robots:            if other is r:                continue            dx = r.x - other.x            dy = r.y - other.y            d = math.hypot(dx, dy)            if d < d_min:                vx += w_sep * dx / (d + 1e-6)                vy += w_sep * dy / (d + 1e-6)        r.vx = vx        r.vy = vy        r.x += vx        r.y += vy  def virtual_structure(robots, vx, vy, theta=0.0):    # 整队跟随刚体模板平移旋转    cos_t = math.cos(theta)    sin_t = math.sin(theta)    for r in robots:        rx = r.ox * cos_t - r.oy * sin_t        ry = r.ox * sin_t + r.oy * cos_t        r.x = vx + rx        r.y = vy + ry        r.vx = vx        r.vy = vy  if __name__ == "__main__":    random.seed(42)    leader = Robot(0, 0)    followers = [Robot(-40, -20), Robot(-40, 20), Robot(-60, 0)]    for _ in range(50):        leader.x += 1.0        leader.y = 10 * math.sin(_ * 0.05)        leader_follower(leader, followers, l_des=50, phi_des=math.pi / 4)    print("leader-follower final:", [(round(f.x), round(f.y)) for f in followers])     bots = [Robot(random.uniform(-50, 50), random.uniform(-50, 50)) for _ in range(5)]    for _ in range(100):        behavior_based(bots, target=(200, 0))    print("behavior-based final:", [(round(b.x), round(b.y)) for b in bots])     squad = [Robot(-20, -20), Robot(-20, 20), Robot(20, -20), Robot(20, 20)]    virtual_structure(squad, vx=100, vy=50, theta=0.3)    print("virtual-structure final:", [(round(r.x), round(r.y)) for r in squad])
目的：用约百行 Python 实现三种编队控制方法的简化仿真，展示各自的运动更新规则，供初学者理解核心原理。
  1. leader_follower(leader, followers, l_des, phi_des, k=0.1)定义控制器主体，接收领航者、跟随者列表和期望几何参数。
  2. f.vx = k * (dist * math.cos(phi) - l_des * math.cos(phi_des))将期望相对位置展开到 x 分量，乘以增益 k 得到速度修正。
  3. behavior_based(robots, target, w_goal=0.5, w_sep=0.8, d_min=30.0)目标引力与邻居斥力加权融合，权重体现行为优先级。
  4. virtual_structure(robots, vx, vy, theta=0.0)用旋转矩阵把每台机器人的内部坐标映射到世界坐标，整队移动。
  5. if __name__ == "__main__":确保脚本被 import 时不执行仿真，直接运行时才进入主流程。
  6. random.seed(42)固定随机种子，保证每次运行结果一致，便于复现实验。

常见误区

误区领航者跟随不就是让所有机器人跟在领航者后面一条线走吗？感觉跟火车的车厢连接一样简单。

正解跟随者保持的是与领航者的期望相对距离和角度，而不是简单贴尾随行。修改 $l^{*}$ 和 $\psi^{*}$ 可以生成一字队、人字队、三角队等任意形状，领航者只是信息源，队形自由度在控制参数里。就像舞蹈中的领舞者，其他舞者与领舞保持的不只是距离，还有确定的角度，共同构成一个造型。

为何常见：人字队形太常见，容易让人误以为领航者跟随只支持“尾随”队形；实际上 $l$-$\psi$ 控制可以编码任意相对几何关系。

误区基于行为法就是给机器人随便写几条 if 规则，碰到复杂情况肯定不如有严格公式的虚拟结构法可靠。

正解基于行为法有严谨的数学框架：行为是向量场，融合是加权求和（甚至可用模糊逻辑、概率投票），稳定性可用势场函数或 Lyapunov 方法分析。它确实牺牲了部分队形精度，但换来的是反应速度和分布式鲁棒性，是学术与工程界公认的经典方法。

为何常见：初学者看到“行为”“本能”这类拟人化名词，容易低估其理论深度。

误区编队中每台机器人都应该与所有其他机器人通信，链路越多编队越稳定。

正解通信链路增加会带来带宽压力、信号干扰和能耗上升。理论表明，只要通信图保持连通（$\lambda_{2} > 0$），一致性协议就能收敛；过度加密拓扑对收敛速度的增益有限，代价却很高。这就像开会时不需要所有人都同时发言，信息沿“谁和谁直接相邻”的小圈子逐级传递就足够了。

为何常见：直观觉得“多联系=更稳”，忽略了通信成本与干扰，也没有意识到连通性才是稳定性的必要条件。

误区领航者跟随、基于行为、虚拟结构是互斥的三套方案，选了一种就不能再用另外两种。

正解实际系统几乎都是混合式。虚拟结构保队形、基于行为防碰撞、领航者跟随带任务，三者可以分层嵌套。就像一支足球队既有整体阵型（虚拟结构），又有球员之间的补位默契（基于行为），还有核心中场指挥节奏（领航者跟随）。

为何常见：教科书分章节介绍三种方法容易造成“各自独立”的错觉，加上考核常单独考查单种方法，更强化了误解。

面试题

Q1. 多机器人编队控制中，领航者跟随法的核心思想是什么？

单选题 · easy

  • A.所有机器人都朝同一个固定目标独立运动
  • B.由领航者带队并保持相对距离与角度← 正确答案
  • C.每台机器人严格遵循一条规划好的全局轨迹
  • D.将编队视为一个刚性整体并整体平移旋转

答案：B。领航者跟随法由一台领航者决定行进方向，跟随者保持测量值与期望的 $l$（距离）、$\psi$（角度）一致。A 是“各自为战”而非编队；C 是轨迹跟踪；D 是虚拟结构法，故选 B。

Q2. 虚拟结构法将编队视作什么来维持队形？

单选题 · easy

  • A.一组独立运动的粒子
  • B.一串链式连接的节点
  • C.一个刚性虚拟刚体← 正确答案
  • D.一个动态加权图

答案：C。虚拟结构法把整支编队抽象为一个刚体模板，每台机器人绑定模板上的固定坐标，模板平移旋转时各机随之移动。A、D 分别对应基于行为、通信拓扑视角；B 是链式编队的直观想象，非标准答案。

Q3. 基于行为法中，不同行为的输出通常如何合成最终控制量？

单选题 · mid

  • A.取所有行为输出中的最大值
  • B.随机选择一条行为来执行
  • C.按权重加权求和并归一化← 正确答案
  • D.用卡尔曼滤波融合状态估计

答案：C。典型加权融合公式为 $\mathbf{v}_i = \sum_k w_k \mathbf{v}_i^{(k)}$ 且权重和为 1，各行为按权重“投票”产生最终速度。A 会丢失信息；B 无确定性；D 是状态估计而非行为融合方法。

Q4. 通信拓扑中包含以下哪些常见类型？

多选题 · mid

  • A.集中式拓扑← 正确答案
  • B.分散式拓扑← 正确答案
  • C.分布式拓扑← 正确答案
  • D.全连通拓扑

答案：ABC。经典分类为集中式（中心指挥）、分散式（多中心分治）、分布式（逐跳交互）。D 只是分布式拓扑的一种特例而非独立类型，故不选。

Q5. 领航者跟随法最突出的缺点是？

单选题 · mid

  • A.队形精度完全无法保证
  • B.领航者失效会使编队失去方向← 正确答案
  • C.通信拓扑必须为全连通图
  • D.无法躲避静态障碍物

答案：B。领航者是信息源与方向源，单点失效会导致全队失去参照，这是该方法最常被诟病的缺点。A 过于绝对；C 并非必须；D 可通过叠加避障行为解决。

Q6. 编队控制中，以下哪些属于典型的队形描述方式？

多选题 · mid

  • A.设定每台机器人与参考点的偏移向量← 正确答案
  • B.规定机器人两两之间的相对距离矩阵← 正确答案
  • C.为每台机器绘制一条独立轨迹
  • D.用邻接矩阵表示编队间的通信关系

答案：AB。队形描述通常用“参考点+偏移”（虚拟结构基础）或“相对距离矩阵”（图论描述）刻画。C 是独立轨迹规划，与编队队形无关；D 描述的是通信拓扑，不是队形。

Q7. 拉普拉斯矩阵的第二小特征值 $\lambda_2$ 在编队稳定性分析中的意义是？

单选题 · hard

  • A.表征通信图的直径大小
  • B.值越大收敛越快且大于零保证连通← 正确答案
  • C.表征机器人之间的碰撞概率
  • D.决定虚拟结构模板的旋转角速度

答案：B。$\lambda_2$ 又称代数连通度，当且仅当它大于零，通信图连通，一致性协议才能令编队误差收敛。A 描述图直径；C、D 与特征值无直接对应关系。

Q8. 三种经典编队控制方法中，队形精度最高的是？

单选题 · easy

  • A.领航者跟随法
  • B.基于行为法
  • C.虚拟结构法← 正确答案
  • D.一致性协议法

答案：C。虚拟结构法把队形“钉”在刚性模板上，理论队形误差最小。领航者跟随与基于行为分别受限于测量噪声和局部规则，精度居次。D 是一致性控制范式而非三种经典方法之一。

Q9. 关于编队控制的混合方法，下列说法正确的有？

多选题 · hard

  • A.虚拟结构保证队形，基于行为处理突发避障← 正确答案
  • B.领航者跟随负责总体方向，行为层负责局部调整← 正确答案
  • C.混合设计可以提升系统的鲁棒性与适应性← 正确答案
  • D.混合方法必然导致算法不稳定

答案：ABC。工程上常用分层/加权混合组合三种方法，利用各自优点互补，提升在动态环境中的适应性，A、B、C 均符合。D 以偏概全，混合方法经过稳定性分析可保持稳定。

Q10. 牵制控制在编队控制中的主要作用是？

单选题 · hard

  • A.让每台机器人直接接收目标指令以提升收敛速度
  • B.只让少量节点接收外部参考信号，其余节点通过邻居交互间接跟随← 正确答案
  • C.用物理绳索强制牵制机器人保持队形
  • D.无限制增加通信链路数量来提高编队稳定性

答案：B。牵制控制是分布式编队中降低通信成本的关键技巧：仅少数“牵制节点”接收目标参考，其余节点依赖邻居信息即可整体收敛，同时保证 $\lambda_2>0$。A 违背降低通信成本初衷；C 望文生义；D 过度增加链路会带来带宽干扰问题。