掌握多无人机任务分配算法，实现高效协同执行。
min Σi,j cij·xij
约束：每个任务恰好分配给一个智能体
from scipy.optimize import linear_sum_assignment
def hungarian(cost_matrix):
"""最优分配"""
row_ind, col_ind = linear_sum_assignment(cost_matrix)
return list(zip(row_ind, col_ind))
# 代价矩阵: 距离/时间/能耗
cost = [[distance(agent_i, task_j) for j in tasks] for i in agents]
assignment = hungarian(cost)def cbba(agents, tasks, max_rounds=10):
"""共识捆绑算法(分布式)"""
bundles = {a: [] for a in agents}
for round in range(max_rounds):
# 1. 各智能体独立竞拍
for a in agents:
best = max(available_tasks, key=lambda t: value(a,t))
bundles[a].append(best)
# 2. 共识: 交换信息解决冲突
resolve_conflicts(bundles)
return bundles=== 分布式任务分配仿真 ===
Agent 0: 任务 ['T1', 'T0']
Agent 1: 任务 ['T4', 'T5']
Agent 2: 任务 ['T3', 'T2']
总飞行距离: 51.9m
任务均衡度: 0 差| 类型 | 约束 | 算法 |
|---|---|---|
| 单任务单Agent | 简单 | 匈牙利 |
| 多任务单Agent | 容量约束 | CBBA |
| 时序任务 | 先后依赖 | ST-SR-TA |
| 协同任务 | 多Agent同时 | ST-MR-TA |
✅ 匈牙利算法解决集中式最优分配
✅ CBBA实现分布式协商
✅ 任务类型决定算法选择
1. 匈牙利算法手动实现。2. CBBA分布式仿真。3. 时序任务分配。
掌握分布式任务分配算法
本课涉及的核心公式和算法需要反复练习才能真正掌握。建议通过修改仿真参数、添加扰动等方式深入理解每个参数对系统行为的影响。在实际飞行中，这些参数的选择往往需要在理论分析的基础上结合实验微调。
| 指标 | 消费级 | 工业级 | 研究级 |
|---|---|---|---|
| 姿态精度 | ±2° | ±0.5° | ±0.1° |
| 位置精度(GPS) | ±2m | ±0.5m | ±2cm(RTK) |
| 悬停精度 | ±1m | ±0.3m | ±0.05m |
| 控制频率 | 400Hz | 1kHz | 1kHz+ |
| 传感器融合 | 互补滤波 | EKF | EKF/VIO |
| 续航时间 | 20-30min | 30-45min | 视载荷而定 |
分布式任务分配需要处理动态和不确定性。实际场景中的额外约束：(1)任务时间窗——某些任务必须在特定时间段完成；(2)异构能力——不同无人机能力不同(传感器/载荷)；(3)通信限制——部分无人机可能暂时失联；(4)动态任务——新任务随时到达，已完成任务可能需要重做。CBBA算法可以自然处理这些约束。
| 参数 | 典型值 | 影响 |
|---|---|---|
| 控制频率 | 400-1000Hz | 稳定性/延迟 |
| EKF频率 | 200-500Hz | 估计精度 |
| 导航频率 | 10-50Hz | 路径跟踪 |
| 传感器延迟 | 5-200ms | 需时间补偿 |
| 电池警戒 | 25%→RTH | 安全返航 |
在实际飞控系统中，算法必须在有限的计算资源下实时运行。以下为本课核心算法的复杂度分析：
| 算法/模块 | 时间复杂度 | 空间复杂度 | 典型耗时 |
|---|---|---|---|
| 互补滤波 | O(1) | O(1) | <1μs |
| 卡尔曼滤波(15态) | O(n²) | O(n²) | ~50μs |
| EKF(15态) | O(n³) | O(n²) | ~200μs |
| 串级PID | O(1) | O(1) | <5μs |
| A*(N节点) | O(N log N) | O(N) | 1-100ms |
| RRT(N步) | O(N·K) | O(N) | 10-500ms |
| 最小snap(M段) | O(M³) | O(M²) | ~1ms |
无人机飞控是典型的实时嵌入式系统，必须满足严格的时序约束：
# 典型飞控任务优先级(高→低)
# 1. IMU采样+姿态估计 (1kHz, 优先级最高)
# 2. 角速度PID控制 (1kHz)
# 3. 姿态PID控制 (500Hz)
# 4. EKF状态更新 (200Hz)
# 5. 位置/速度控制 (100Hz)
# 6. 路径规划/避障 (10-50Hz)
# 7. 通信/日志 (1-10Hz)
# RTOS调度: 优先级抢占 + 时间片轮转飞控软件是安全关键系统，代码质量要求极高：
# 单元测试示例
def test_pid_output():
pid = PID(kp=1.0, ki=0, kd=0)
assert pid.update(1.0, 0.01) == 1.0 # P=1*1.0
def test_pid_integral_limit():
pid = PID(kp=0, ki=1.0, kd=0, i_limit=5.0)
for _ in range(1000):
pid.update(1.0, 0.01) # 大量积分
assert abs(pid.integral) <= 5.0 # 不超过限幅
def test_kalman_convergence():
kf = KalmanFilter(...)
for _ in range(100):
kf.predict()
kf.update(measurement)
assert kf.P[0,0] < initial_P # 协方差下降| 特性 | PX4 | ArduPilot | Betaflight |
|---|---|---|---|
| 定位 | 研究/工业 | 工业/爱好者 | 竞速穿越 |
| 代码量 | ~500K行 | ~800K行 | ~200K行 |
| 支持的机型 | 多旋翼/固定翼/VTOL | 多旋翼/固定翼/直升机/车/船 | 多旋翼/固定翼 |
| 导航能力 | 强(全面) | 强(最全面) | 弱(仅自稳) |
| 实时性 | NuttX RTOS | ChibiOS/RTOS | Bare-metal |
| 仿真支持 | SITL/Gazebo/AirSim | SITL/Gazebo | 有限 |
| 社区活跃度 | 高 | 最高 | 高(竞速圈) |
无人机系统属于安全关键(Safety-Critical)系统，设计时必须遵循以下原则：
本课所学技术在以下场景中直接应用：
将本课模块集成到完整系统时的注意事项：
要实践本课内容，需要搭建以下开发环境：
# 1. Python环境(仿真开发)
sudo apt install python3 python3-pip
pip3 install numpy scipy matplotlib
# 2. PX4开发环境(飞控开发)
git clone https://github.com/PX4/PX4-Autopilot.git --recursive
bash ./PX4-Autopilot/Tools/setup/ubuntu.sh
make px4_sitl jmavsim # 验证安装
# 3. ArduPilot开发环境
git clone https://github.com/ArduPilot/ardupilot.git --recursive
pip3 install pymavlink MAVProxy dronekit
# 4. 仿真环境
# Gazebo: 3D物理仿真
sudo apt install gazebo11 libgazebo11-dev
# AirSim: 高保真视觉仿真
# 从GitHub Releases下载预编译版本
# 5. 地面站
# QGroundControl: sudo ./QGroundControl.AppImage
# Mission Planner: Windows平台根据不同的学习目标，建议以下路径：
| 目标 | 重点课程 | 实践项目 |
|---|---|---|
| 飞控算法工程师 | 1-9,25-26 | 自定义PID+姿态估计算法 |
| 导航规划工程师 | 10-18,27 | A*+RRT避障巡检系统 |
| 集群系统工程师 | 19-24 | 多机编队协同任务 |
| 全栈无人机工程师 | 全部30课 | 完整自主巡检系统 |