💻 computer science

Distributed Lloyd-Based algorithm for uncertainty-aware multi-robot under-canopy flocking

本文提出了一种无需显式通信和先验环境信息、仅依靠机载传感与计算即可在复杂林下环境中实现多无人机编队飞行的分布式不确定性感知算法，并通过仿真与真实森林实验验证了其在碰撞规避、编队保持及误差处理方面的有效性。

原作者： Manuel Boldrer, Vit Kratky, Viktor Walter, Martin Saska

发布于 2026-03-02

📖 1 分钟阅读☕ 轻松阅读

原作者： Manuel Boldrer, Vit Kratky, Viktor Walter, Martin Saska

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文介绍了一种让无人机群在茂密森林中像鸟群一样协同飞行的新方法。想象一下，你有一群无人机，它们需要在树木丛生、没有 GPS 信号、也没有互相打电话（通信）的森林里，一边躲避树木，一边保持队形，一起飞向目的地。

这就好比让一群蒙着眼睛的盲人在拥挤的集市里手拉手走路，还要避开柱子，最后一起走到出口。

以下是这篇论文的“大白话”解读：

1. 核心挑战：在“丛林”里玩“捉迷藏”

通常，无人机群靠互相发信号（比如“我在这儿，你往那边走”）来协调。但在茂密的森林里，树木会挡住信号，而且没有 GPS，无人机就像在迷宫里一样。

难点：它们不能互相说话，不能依赖外部定位，只能靠自己的眼睛（传感器）看周围。
目标：既要不撞树，又要不撞队友，还要保持队形（不能散得太开），最后一起到达终点。

2. 解决方案：聪明的“切蛋糕”算法

作者提出了一种基于Lloyd 算法（一种经典的几何优化算法）的分布式控制方法。你可以把它想象成一种动态的“切蛋糕”游戏：

切蛋糕（Voronoi 图）：
想象整个森林被切成了很多块“领地”。每只无人机只负责自己那块领地。算法的核心思想是：“我要飞到我的领地中心去，这样我离周围的树和队友都最安全、最均衡。”
动态调整（凸加权沃罗诺伊图）：
普通的切蛋糕是固定的，但这里的蛋糕是活的。
- 如果旁边有树，蛋糕的边界就会自动向树那边缩，给树留出安全距离。
- 如果旁边有队友，蛋糕的边界也会调整，确保大家不会靠得太近（防碰撞），也不会离得太远（保持队形）。

3. 三大“超能力”

A. 不需要“对讲机” (无通信)

这就好比一群大雁南飞。领头雁不需要喊口号，后面的雁只需要看前面那只雁的位置，自己调整。

每只无人机只靠自己的摄像头和雷达看周围。
它们不需要知道队友的“未来计划”，只需要知道“你现在在哪”，就能做出自己的决定。

B. 自带“防抖”和“容错” (不确定性处理)

这是这篇论文最厉害的地方。现实世界中，无人机的传感器会出错（比如把树看远了，或者自己飞歪了）。

比喻：想象你在闭眼走直线，你觉得自己走得很直，但其实可能偏了。
做法：算法给每只无人机加了一个"安全缓冲垫"。如果传感器说“前面有树”，算法不会只算树的位置，而是算“树 + 可能的误差范围”。
它会自动调整飞行的“激进程度”：如果误差大，它就飞得保守一点（离边界远一点）；如果误差小，它就飞得积极一点。这就像老司机在雾天开车会开慢点、离路沿远一点一样。

C. 像鱼群一样“聚群” (编队保持)

很多算法要么只顾着避障，要么只顾着飞得快，结果队伍散了。

这个算法给每只无人机设定了“社交距离”。它确保无人机在躲避障碍物的同时，绝对不会和队友的距离超过设定的阈值。
就像一群鱼，即使遇到水草（障碍物）要散开躲避，水流一过，它们又会立刻聚拢回来，不会掉队。

4. 实验验证：真的在森林里飞了！

作者没有只在电脑里模拟，而是真的把4 架无人机放进了真实的茂密森林里。

环境：没有 GPS，树木茂密，信号干扰大。
结果：无人机们成功避开了树木，没有互相碰撞，始终保持着队形，并一起飞到了目的地。
对比：他们把这种方法和其他现有的算法比，发现其他算法在人多（无人机多）或者环境复杂时容易“死机”或撞车，而他们的算法非常稳健。

总结

这篇论文就像发明了一种**“森林生存本能”，装进了无人机的芯片里。
它让无人机群不需要互相聊天，不需要上帝视角的指挥，甚至不需要完美的传感器，就能像有灵性的鸟群**一样，在混乱、拥挤、充满未知的森林里，安全、整齐地集体行动。

一句话概括：这是一套让无人机在“看不见、听不着、乱糟糟”的森林里，也能像训练有素的特种部队一样，自动避障、保持队形、协同作战的聪明算法。

这是一份关于论文《Distributed Lloyd-based algorithm for uncertainty-aware multi-robot under-canopy flocking》（基于分布式的 Lloyd 算法用于不确定性感知的多机器人林下编队）的详细技术总结。

1. 研究背景与问题定义 (Problem)

背景：
多机器人系统在物流、监控、搜救和农业等领域具有广泛应用。然而，在复杂环境（如茂密森林）中，机器人之间的显式通信（Explicit Communication）往往不可靠或不可用。此外，现有的编队算法通常难以同时满足以下所有条件：分布式控制、无通信、处理跟踪误差与感知不确定性、保证避障安全以及维持编队距离约束。

核心问题：
如何在无显式通信、无先验环境信息、仅依赖机载传感器（如激光雷达、IMU、UVDAR）的情况下，使多机器人系统在密集障碍物环境（如森林）中实现安全的编队飞行（Flocking），同时保证：

安全性：避免与障碍物及其他机器人碰撞。
编队维持：机器人之间保持预设的最大距离约束（Proximity Maintenance）。
鲁棒性：能够处理模型跟踪误差（Tracking Errors）和感知测量不确定性（Measurement Uncertainties）。

2. 方法论 (Methodology)

该论文提出了一种基于Lloyd 算法的分布式控制框架，通过以下核心机制解决上述问题：

A. 凸加权 Voronoi 图 (CWVD) 与单元格重塑

算法利用 Lloyd 算法的梯度下降原理，将任务空间划分为 Voronoi 单元，使机器人向单元质心移动。为了适应复杂环境，作者对 Voronoi 单元 $V_i$ 进行了重塑，定义最终的控制区域 $F_i$ ：
$F_i = \tilde{V}^p_i \cap \tilde{V}^o_i \cap S_i \cap M_i$

$\tilde{V}^p_i$ (机器人间约束)：基于凸加权 Voronoi 图，考虑了机器人的物理尺寸，确保机器人不会进入邻居的“安全缓冲区”。
$\tilde{V}^o_i$ (障碍物约束)：同样基于 CWVD，处理障碍物，考虑机器人和障碍物的尺寸。
$S_i$ (感知范围)：限制在机器人的感知半径内。
$M_i$ (编队约束)：强制机器人保持在邻居的预设最大距离 $\Gamma_{ij}$ 内，实现编队行为。

安全性证明：由于重塑后的区域 $F_i$ 是凸集，且机器人的当前位置和质心都在该集合内，因此从当前位置到质心的直线路径是安全的，从而保证了避障和互不碰撞。

B. 自适应权重函数与不确定性处理

为了处理跟踪误差和感知噪声，作者引入了自适应的权重函数 $\phi_i(q)$ （拉普拉斯分布），其扩散因子 $\beta_i$ 是动态调整的：

策略：通过调整 $\beta_i$ 来控制机器人到达目标区域的“贪婪程度”。
不确定性补偿：
- 定义了一个安全边界距离 $d_u = d_u^t + d_u^m$ ，其中 $d_u^t$ 对应最大跟踪误差， $d_u^m$ 对应最大测量不确定性（基于协方差矩阵的最大特征值）。
- 算法强制质心 $c_{F_i}$ 与单元边界 $\partial F_i$ 保持至少 $d_u$ 的距离。
- 如果存在不确定性，机器人会采取更保守的行为（增大 $\beta_i$ ），将质心推离边界，从而在误差范围内保证安全。

C. 控制实现

动力学处理：使用模型预测控制（MPC）将理想的控制律 $\dot{p}_i$ 转化为实际的控制输入，以处理机器人的动力学约束。
无通信架构：机器人仅依赖机载传感器（IMU、2D 激光雷达、高度计、UVDAR 视觉系统）获取相对位置信息，无需共享轨迹或全局坐标。

3. 主要贡献 (Key Contributions)

新型分布式编队算法：提出了一种在密集杂乱环境（如森林）中运行的分布式 Lloyd 算法，无需显式通信和外部定位系统（如 GNSS）。
理论保证：提供了充分条件，严格证明了在存在跟踪误差和感知不确定性的情况下，算法能保证碰撞避免和编队距离维持。
参数自适应策略：提出了一种基于可测量物理量（如跟踪误差、状态估计协方差）的参数选择规则，解决了传统算法中参数调节依赖经验的问题。
实地验证：在真实的森林环境中，利用最多 4 架无人机（UAV）进行了实验验证，证明了算法在未知、无 GPS 信号环境下的有效性。

4. 实验结果 (Results)

仿真结果

可扩展性：在 9 架和 16 架机器人的仿真中，当考虑不确定性（ $d_u = 1.0m$ ）时，虽然到达目标的时间略有增加，但成功率和安全性达到 100%；而不考虑不确定性（ $d_u=0$ ）则会导致碰撞。
对比优势：与现有的无通信算法 PACNav [6] 相比，本文算法在机器人数量增加（9 架）和障碍物密集的场景下，表现出更高的成功率和更快的收敛速度。PACNav 在复杂场景下因力场叠加导致性能下降甚至失败。

实地实验

场景：捷克布拉格附近的茂密森林，无 GNSS 信号。
配置：最多 4 架 UAV，使用 RPLiDAR A3 和 UVDAR 系统进行感知。
表现：
- 4 架无人机成功穿越森林，平均速度约 0.36 m/s，最大速度约 1.4 m/s。
- 全程满足安全距离和编队距离约束（根据邻接矩阵定义）。
- 即使在高测量不确定性（如树木遮挡导致 UVDAR 数据丢失）的情况下，通过丢弃异常数据和重投影策略，系统仍能保持鲁棒性。

5. 意义与局限性 (Significance & Limitations)

意义：

填补空白：该研究填补了现有文献中在“无通信、无先验地图、有不确定性、密集环境”这一组合条件下缺乏成熟解决方案的空白。
实用性强：证明了基于机载传感器的纯分布式控制在真实非结构化环境（森林）中的可行性，为未来的搜救、环境监测任务提供了重要参考。
理论严谨：将不确定性量化并融入控制律设计，提供了可证明的安全边界，而非仅依赖仿真经验。

局限性：

平面限制：目前算法仅支持恒定高度的平面飞行（2D），尚未扩展到全 3D 空间。
收敛速度：在高度不确定或环境极其复杂时，为了安全可能会牺牲一定的任务完成速度（保守策略）。
未来方向：作者计划扩展至 3D Lloyd 算法，并进一步提高集群的敏捷性。

总结：
这篇论文提出了一种极具实用价值的分布式多机器人控制方案，成功解决了在通信受限和感知不确定的复杂森林环境中实现安全编队飞行的难题。其核心创新在于将几何约束（Voronoi 图）与不确定性量化（自适应边界）相结合，并通过严格的数学证明和真实的野外实验验证了其有效性。