随着无人机应用领域的不断拓展，对其性能与协同能力提出了更为严苛的要求。特别是在多无人机协同控制领域，各种创新控制方法层出不穷。从无人机的通信架构出发，我们可以将其分为集中式控制和分布式控制两大类。本文将重点探讨无人机分布式控制的基本概念及其方法总结，旨在帮助读者更好地理解和掌握这一关键技术。
首先，让我们简要回顾集中式控制。在这种模式下，存在一个中央控制中心负责整体调度，控制效率高，但一旦核心无人机遭遇故障或被击落，整个系统将面临崩溃，任务执行将被迫中断。
相比之下，分布式控制则摒弃了中央控制点的设计，转而依赖无人机个体间的相互协调与信息交换来实现整体编队行为。这种模式下，由于没有单一的控制中心，系统展现出了极高的灵活性，能够动态调整控制网络结构，从而适应复杂多变的任务环境。分布式控制赋予了集群系统可扩展性、鲁棒性和适应性等多重优势。在分布式控制框架下，无人机编队中的每个个体仅需与邻近无人机进行通信，大大减少了通信数据和链路负担，使得控制方法更为简洁高效。同时，这种控制模式还支持无人机的动态增减，便于实时调整编队状态，以满足不同任务需求。
以上图图示为例，UAV1作为无人机编队的指挥员，不仅负责引导整个团队沿预定轨迹飞行，还承担着与地面控制中心实时通信的重任，确保团队能够准确抵达目标位置。而UAV2和UAV3则作为跟随机，它们与地面站保持联系，同时紧密跟随UAV1的指挥，并通过彼此间的实时通信实现分布式控制的目标。这种控制模式不仅提高了编队的协同效率，还增强了系统的整体稳定性和可靠性。
基于分布式控制的四种控制方法
基于长机-僚机的分布式编队控制方法
长机-僚机法，其核心在于leader-follower机制的应用。在多无人机协同作战的体系中，这一方法指定了一架无人机作为编队的领航者，即长机，它享有最高的优先级。长机负责向次优先级的僚机（即第二阶梯）发送指令与信息，而这些僚机则继续向下一级僚机传递信息，以此类推，形成一个层级分明的信息传递链。这样的信息传递模式确保了无人机编队内部的有效沟通，进而实现了对队形的精确控制。
然而，传统的长机-僚机法存在一个显著的缺陷，即其鲁棒性相对较弱。由于缺乏精确的队形反馈信息，一旦长机遭遇故障或无法正常工作，整个信息传递链条就会断裂，导致编队系统陷入瘫痪。为了克服这一弊端，我们引入了leader-candidate-follower机制作为改进方案。
在这一新机制下，我们设立了一个候选长机（candidate）群体。当现任长机出现问题时，系统能够迅速从候选群体中选举出下一任长机，以确保信息传递的连续性和编队的稳定飞行。这一选举过程借鉴了Raft算法的思想，通过一系列精心设计的选举和协商机制，确保了选举的公正性和高效性。
通过引入leader-candidate-follower机制，我们不仅提高了无人机编队的鲁棒性，还为其在复杂多变的作战环境中提供了更为可靠的队形控制方案。这一改进不仅增强了编队的整体稳定性，还为其在未来的广泛应用奠定了坚实的基础。
基于行为的分布式编队控制
基于行为法的分布式控制思想，旨在预先设计无人机个体行为规则和局部控制方案，以期实现整体期望行为模式。此方法将各种行为模式，如避障、队形组成等，存储于编队控制器中。无人机通过传感器感知环境，系统根据输入选取相应行为模式并作出响应。与领航跟随法不同，该方法通过无人机间位置、状态信息的共享实现协作，每架无人机仅需知悉相邻无人机信息，降低了信息获取和计算量，简化了系统实现。然而，其难点在于难以精确描述群体动态特性，控制精度和队形稳定性不易把握。
基于人工势场的分布式编队控制法
人工势场法依据无人机间的相互作用力原理，构建了引力场与斥力场。其中，障碍物对无人机施加排斥力，而目标点则产生吸引力。在这两种力的综合作用下，无人机被引导着沿势能最低的方向前进，从而实现精准导航与定位。
基于虚拟结构的分布式编队控制方法
将无人机编队视作一种刚性的虚拟结构，其中每架无人机均对应于该结构中的一个固定坐标点。编队飞行时，各无人机只需跟踪并保持其在虚拟结构中的坐标位置，即可顺利完成预设的巡检路线。在此基础上，通过在编队控制算法中融入队形反馈信息，并促进相邻编队控制器间的通讯与数据交换，不仅实现了对编队速度的有效控制，还确保了队形的稳定保持。
（图片源自网络，侵删）