编队系列(总)｜固定翼编队如何实现稳定飞行？通信架构、协同算法与工程约束深度解析

​ 一架固定翼无人机可以完成巡检、测绘、搜索和通信中继；多架飞机协同时，任务覆盖范围、持续时间和系统冗余都可能获得明显提升。但多架飞机同时飞行并不等于形成编队。固定翼编队还要求各机在保持稳定飞行的同时维持相对关系、交换必要信息，并在通信异常、成员脱离或航迹冲突时执行相应的安全策略。

​ 很多编队文章从 leader--follower、一致性、人工势场或 MPC 开始分类。这些方法大多源自通用多智能体系统，如果只介绍算法框架，很容易忽略固定翼必须持续前飞、不能原地修正位置、转弯半径受限等条件。结果是公式能够让质点收敛，却未必能生成固定翼可以执行的航迹。

​ 因此，本文先把编队算法放回完整的飞行系统，再讨论两条分类轴：

1. 通信与决策拓扑：状态信息从哪里获得，协同指令在哪里计算；
2. 编队与协同算法：各机如何生成期望位置、速度、航迹或路径进度。

​ 在这两个维度下，每种方法还要接受固定翼可飞性检查：参考轨迹的曲率是否过大，期望速度是否超出飞行包线，通信延迟是否会造成持续追赶，以及协同失效后单机能否继续安全飞行。

一、先看系统：编队算法位于哪一层

​ 固定翼编队系统由任务规划、编队协调、单机制导、飞控与状态估计、安全监督共同组成，不能由单一控制器独立完成。明确算法所在层级后，集中式、分布式以及各种编队方法可以在同一系统框架下进行比较。

• 任务层：负责任务分解、成员角色、目标区域、禁飞区和队形切换。该层通常低频运行，可以由地面站或领队节点集中管理。
• 编队协调层：根据 leader--follower、虚拟结构、一致性或 MPC 等方法，生成每架飞机的期望槽位、航迹、速度和时间进度。
• 单机制导层：将期望轨迹转换为固定翼可执行的航迹角、滚转角、爬升率、空速或加速度指令。L1、NPFG、向量场和轨迹跟踪控制器通常位于这一层。
• 飞控与状态估计层：完成姿态控制、空速与高度控制、导航估计和执行机构控制。即使上层编队程序退出，该层仍应保持飞机稳定飞行。
• 安全监督层：检查飞行包线、地理围栏、最小机间距离、通信超时和成员状态，并根据异常等级触发队形解散、错层盘旋或单机返航。

​ CDC 2004 的 Experimental Cooperative Control of Fixed-Wing Unmanned Aerial Vehicles 工作采用成熟的底层控制器完成单机稳定，由上层模块负责多机规划与协同，并进行了两架固定翼无人机的协同控制实验^[1]。这种分层方式可以避免上层算法直接操作舵面，也便于在协同程序异常时保留单机飞控的安全能力。

本文讨论的范围

后文的通信拓扑和编队方法主要位于任务层与编队协调层，但每一种方法都必须说明如何向单机制导层提供可飞参考，以及安全监督层应检查哪些异常。

二、固定翼约束必须进入编队算法

​ 设系统中共有 N N N 架固定翼无人机，第 i i i 架飞机的位置、速度和航迹角分别记为 p i \boldsymbol p_i pi、 v i \boldsymbol v_i vi 和 χ i \chi_i χi。若第 i i i、 j j j 架飞机之间的期望相对位移为 d i j ( t ) \boldsymbol d_{ij}(t) dij(t)，编队误差可以写成：

e i j = ( p j − p i ) − d i j ( t ) \boldsymbol e_{ij}=(\boldsymbol p_j-\boldsymbol p_i)-\boldsymbol d_{ij}(t) eij=(pj−pi)−dij(t)

​ 当 e i j → 0 \boldsymbol e_{ij}\rightarrow\boldsymbol 0 eij→0 时，两架飞机之间的相对位置趋于期望值。但这个误差只描述几何关系，没有说明飞机能否沿一条可飞轨迹到达期望位置。

​ 在忽略风和侧滑的条件下，可以用简化的三维协调转弯模型表示第 i i i 架飞机：

p ˙ i = V i cos ⁡ γ i cos ⁡ χ i cos ⁡ γ i sin ⁡ χ i sin ⁡ γ i \dot{\boldsymbol p}_i = V_i \begin{bmatrix} \cos\gamma_i\cos\chi_i\\ \cos\gamma_i\sin\chi_i\\ \sin\gamma_i \end{bmatrix} p˙i=Vi cosγicosχicosγisinχisinγi

χ ˙ i = g V i tan ⁡ ϕ i \dot\chi_i=\frac{g}{V_i}\tan\phi_i χ˙i=Vigtanϕi

​ 其中， V i V_i Vi 为空速或地速近似， γ i \gamma_i γi 为航迹倾角， χ i \chi_i χi 为航迹角， ϕ i \phi_i ϕi 为滚转角。若滚转角受限为 ∣ ϕ i ∣ ≤ ϕ max ⁡ |\phi_i|\leq\phi_{\max} ∣ϕi∣≤ϕmax，水平协调转弯的最小半径近似为：

R min ⁡ ≈ V i 2 g tan ⁡ ϕ max ⁡ R_{\min}\approx\frac{V_i^2}{g\tan\phi_{\max}} Rmin≈gtanϕmaxVi2

​ 这组关系给编队算法带来几项直接约束：

• 持续前飞约束：固定翼存在最小空速，不能通过悬停等待或横向平移消除编队误差。
• 转弯曲率约束：期望槽位的运动轨迹必须满足最小转弯半径，领机急转时僚机可能无法保持刚性偏置。
• 速度与能量约束：内侧和外侧成员在弯道中需要不同的速度和滚转角，速度协调不能超出油门、升力和爬升能力。
• 风与估计误差：各机受到的风场不同，GNSS 误差和时间戳偏差会直接进入相对位置闭环。
• 通信连续性约束：通信中断后，固定翼仍会继续前飞，不能停在原地等待邻机状态恢复。
• 气动耦合约束：紧密编队中的尾涡会改变僚机的升力、阻力和滚转力矩，需要额外的扰动补偿与安全间隔。

​ 因此，评价一种固定翼编队方法时，需要同时确认以下四项：

1. 编队层输出的是期望位置、速度、航迹角，还是一条连续轨迹；
2. 参考量如何映射到固定翼制导指令，并满足曲率、空速和滚转角约束；
3. 风扰、通信延迟和邻机状态误差如何进入闭环；
4. 参考不可飞或通信中断时，系统采用何种降级策略。

三、通信与决策拓扑：信息在哪里计算，失链后如何飞行

​ 通信与决策拓扑描述信息来源和计算节点的位置，属于系统架构而非具体控制律。相同的 leader--follower 方法可以集中计算，也可以由每架僚机在机载计算机上独立计算；MPC 同样具有集中式和分布式版本。

本文的术语约定

不同文献对 distributed 和 decentralized 的边界定义并不完全一致。本文将"分布式"理解为：各节点在本地完成计算，并通过邻居间的信息交换实现协同。为保持分类清晰，后文统一采用"集中式---分布式---混合式"这一工程分类，不再单独区分"去中心化"。

1. 集中式：全局计算不能替代本地安全

​ 集中式架构中，地面站、领机或中心计算节点接收所有成员状态，统一计算任务分配、轨迹和控制指令，再把结果发送给各架飞机。假设所有飞机状态组成：

X = x 1 ⊤ x 2 ⊤ ⋯ x N ⊤ ⊤ \boldsymbol X= \begin{bmatrix} \boldsymbol x_1^\top & \boldsymbol x_2^\top & \cdots & \boldsymbol x_N^\top \end{bmatrix}^\top X=x1⊤x2⊤⋯xN⊤⊤

​ 中心节点可以直接求解全局问题：

U ∗ = arg ⁡ min ⁡ U J ( X , U ) \boldsymbol U^*=\arg\min_{\boldsymbol U}J(\boldsymbol X,\boldsymbol U) U∗=argUminJ(X,U)

​ AIAA 2004 的 Initial Experiments in the Cooperative Control of Unmanned Air Vehicles 工作使用三架小型固定翼完成了协同定时到达实验，并在地面站集中进行协同路径规划^[2]。

​ 集中式架构可以利用全局信息统一处理任务分配和机间约束，但固定翼实现还要考虑下行指令的时效性。中心节点给出的轨迹到达飞机时可能已经过期，旧参考会使僚机在持续前飞过程中反复追赶。中心链路中断后，各机必须保留本地路径保持、避碰、盘旋或返航能力，不能依赖中心节点维持基本飞行安全。

2. 分布式：邻居信息必须包含时间和有效性

​ 分布式架构把每架飞机看成通信图中的一个节点：

G = ( V , E , A ) \mathcal G=(\mathcal V,\mathcal E,A) G=(V,E,A)

​ 其中， V \mathcal V V 是无人机集合， E \mathcal E E 表示可通信的边， A = a i j A=a_{ij} A=aij 为邻接矩阵。第 i i i 架飞机使用自身状态和邻居集合 N i \mathcal N_i Ni 的信息计算控制量：

u i = f i ( x i , { x j ∣ j ∈ N i } ) \boldsymbol u_i = f_i\left( \boldsymbol x_i, \{\boldsymbol x_j\mid j\in\mathcal N_i\} \right) ui=fi(xi,{xj∣j∈Ni})

​ 分布式方法可以将通信和计算负担限制在局部范围内，也不存在唯一的中心故障点。但固定翼无法在邻居数据缺失时停止运动，因此每条邻机消息还需要附带时间戳、状态有效期和预测信息。拓扑切换后，新邻居的参考轨迹与本机当前状态可能不连续，直接切换控制量容易产生过大的航迹角或滚转角指令。

​ 工程实现应明确邻居选择、拓扑更新周期、过期数据处理、轨迹冲突优先级和通信恢复后的平滑重入过程。分布式架构本身并不能保证鲁棒性，这些机制需要与控制律同时设计。

3. 混合式：低频全局协调与高频本地执行

​ 实际固定翼系统通常采用分层或混合架构：地面站负责低频任务规划和队形切换，编队成员在机载端完成高频队形保持、路径跟踪和避碰；大规模集群还可以划分多个小队，由队长协调组内成员，再由队长之间组成上层网络。

​ ICRA 2016 的 Live-Fly, Large-Scale Field Experimentation for Large Numbers of Fixed-Wing UAVs 工作完成了 50 架固定翼无人机的自主起飞、飞行和着陆，并总结了支撑大规模外场试验的硬件、软件、网络、人机交互和后勤保障条件^[3]。

​ 2021 年的 Formation Flight of Fixed-Wing UAV Swarms: A Group-Based Hierarchical Approach 工作将集群划分为多个互不重叠的小组，由组长之间协调任务进度，组内成员采用分布式 leader--follower 控制^[4]。

​ 2024 年的《多无人机协同编队控制与试飞验证》工作采用"Leader--Captain--Wingman"三级动态网络，并完成了 3、4、5 架缩比固定翼的人字形与菱形编队试飞，覆盖编队集结、保持、重构、解散和单机着陆^[5]。

​ 混合式架构适合把固定翼的时间尺度分开处理：秒级或更慢的任务分配和队形重构由上层统一管理，制导和飞控在机载端高频运行，通信中断时则由本地安全状态机接管。

​ 三类架构的固定翼实现差异可以概括为：

架构	协同信息范围	固定翼实现重点	失链后的最低能力	适用场景
集中式	全局状态	轨迹下发时延、中心计算周期、参考连续性	本地航迹保持与返航	2--5 架原型验证、场内试飞
分布式	自身与邻居	时间戳、拓扑切换、邻机轨迹预测	局部避碰与独立任务	大范围搜索、持续巡逻
混合式	分层全局与局部	上下层接口、状态机和权限切换	小队自治或单机安全模式	多小队协同、工程化集群

四、编队算法：如何生成固定翼可执行的参考

​ 编队与协同算法决定每架飞机如何生成期望运动。leader--follower、虚拟结构和行为法主要描述队形组织方式；一致性、向量场和 MPC 主要作为控制或优化工具。实际系统可以组合使用多种方法。

还有一套按测量量分类的方法

多智能体编队文献也常根据成员能够获得的几何信息，把方法分为 position-based、displacement-based 和 distance-based 等类型^[6]。该分类区分控制器可获得的绝对位置、相对位移或机间距离信息。本文主要按队形组织与控制策略分类，两套分类可以并行使用。

1. 领航---跟随法：不能直接追踪领机瞬时位置

​ leader--follower 方法指定一架或多架领机执行任务航线，僚机根据领机状态维持期望偏置。若第 0 0 0 架飞机为领机，第 i i i 架飞机的期望位置可以写成：

p i d = p 0 + R ( χ 0 ) r i \boldsymbol p_i^d = \boldsymbol p_0 +R(\chi_0)\boldsymbol r_i pid=p0+R(χ0)ri

​ 其中， r i \boldsymbol r_i ri 是编队坐标系中的固定槽位， R ( χ 0 ) R(\chi_0) R(χ0) 将槽位旋转到惯性坐标系。

​ 若僚机直接追踪领机的瞬时位置，领机转弯后生成的参考可能位于僚机侧后方，导致僚机连续切弯或进入速度饱和。固定翼实现通常采用带前视的虚拟领机、领机轨迹预测或沿领机航迹定义的动态槽位，使参考轨迹保持连续。

​ 转弯过程中还需要检查槽位轨迹曲率。内侧僚机的路径半径小于领机，外侧僚机的路径长度更大；当槽位要求超出最小转弯半径或速度范围时，应增大编队尺度、调整相位差，或暂时放宽刚性队形要求。

2. 虚拟结构法：刚性几何需要可飞性修正

​ 虚拟结构法定义虚拟编队中心及其姿态，再给每架飞机分配结构上的固定槽位：

p i d = p c + R ( χ c ) r i \boldsymbol p_i^d = \boldsymbol p_c+R(\chi_c)\boldsymbol r_i pid=pc+R(χc)ri

​ 这里 p c \boldsymbol p_c pc 和 χ c \chi_c χc 描述虚拟结构的整体运动， r i \boldsymbol r_i ri 描述第 i i i 架飞机在结构中的位置。该方法可以统一生成所有成员参考，不依赖某一架真实领机持续提供状态。

​ 固定翼编队不能在所有机动中严格保持刚体。虚拟中心转弯时，不同槽位对应不同的曲率、速度和滚转角；若结构尺寸较大，外侧成员可能超过最大速度，内侧成员则可能低于最小空速或小于允许转弯半径。

​ 工程实现可以在虚拟结构之后增加可飞性修正层，对槽位位置进行平滑、限制结构角速度，并允许队形在急转、强风或成员性能不一致时暂时变形。

3. 行为法与人工势场：合成向量不能直接作为航迹

​ 行为法把任务拆成分离、聚合、速度对齐、目标趋近和避障等局部规则，再通过加权合成得到期望运动：

u i = w s u i s e p + w c u i c o h + w a u i a l i g n + w m u i m i s s i o n \boldsymbol u_i = w_s\boldsymbol u_i^{\mathrm{sep}} +w_c\boldsymbol u_i^{\mathrm{coh}} +w_a\boldsymbol u_i^{\mathrm{align}} +w_m\boldsymbol u_i^{\mathrm{mission}} ui=wsuisep+wcuicoh+wauialign+wmuimission

​ Flight Demonstrations of Unmanned Aerial Vehicle Swarming Concepts 工作总结了 JHU APL 在 2001---2005 年间进行的一系列固定翼集群飞行演示，并比较了 teaming、consensus variables 和 stigmergic potential fields 等协同概念^[7]。

​ 行为法生成的 u i \boldsymbol u_i ui 通常是理想运动方向或速度向量，而固定翼只能通过有限滚转角逐步改变航迹方向。因此，需要先将合成向量转换为期望航迹角和空速，再限制航迹角变化率、最小空速和路径曲率，必要时对不连续指令进行滤波。

​ 多个行为项还可能产生相互冲突的控制作用。避障项突然占据主导时，参考方向可能快速翻转；人工势场的局部极小值和窄通道振荡也会使固定翼反复转弯。固定翼行为法需要把可达航向集合、前向探测距离和预测碰撞时间纳入规则设计。

4. 一致性方法：协同变量不能默认等于位置

​ 一致性方法利用邻居误差使位置、速度、航向、到达时间或路径参数趋于一致。带队形偏置的典型协议可以写成：

u i = − k ∑ j ∈ N i a i j ( z i − z j ) − d i j \boldsymbol u_i = -k\sum_{j\in\mathcal N_i}a_{ij} \left (\\boldsymbol z_i-\\boldsymbol z_j)-\\boldsymbol d_{ij} \\right ui=−kj∈Ni∑aij(zi−zj)−dij

​ 通信图的连通性、是否有向、是否切换以及是否存在时延，都会影响收敛条件^[8]。部分节点可以直接获取领机状态，其余节点通过邻居信息完成状态协调。

​ 对于单积分器模型， u i \boldsymbol u_i ui 可以直接作为速度输入；固定翼没有独立的横向速度通道，不能把同一控制律直接作用到三维位置。更合适的做法是让 z i \boldsymbol z_i zi 表示航迹角、速度、到达时间或路径虚拟参数，再由单机制导层完成空间路径收敛。

​ 一致性实现还需要处理消息时延、丢包、拓扑切换和邻机状态估计。相关综述表明，固定翼一致性应用通常需要把理论协议与目标跟踪、路径跟踪和实际飞行平台接口结合起来分析^[9]。

5. 向量场与路径参数协调：适合持续前飞，但仍受速度边界限制

​ 向量场方法为每架飞机构造随位置变化的期望运动方向，使飞机从任意初始位置逐步收敛到目标路径。编队层不直接控制三维相对位置，而是协调速度或虚拟路径参数，使成员在各自可飞路径上保持期望相位差。

​ 假设第 i i i 架飞机在参数路径上的虚拟坐标为 τ i \tau_i τi，协同项可以写成：

τ ˙ i = v τ , i − k τ ∑ j ∈ N i a i j ( τ i − τ j ) − Δ i j \dot\tau_i = v_{\tau,i} -k_\tau\sum_{j\in\mathcal N_i}a_{ij} \left (\\tau_i-\\tau_j)-\\Delta_{ij} \\right τ˙i=vτ,i−kτj∈Ni∑aij(τi−τj)−Δij

​ 这种分层方式适合固定翼持续前飞的特性：向量场负责空间路径收敛，一致性项只调整路径进度。但参数协调要求各机具有足够的速度调节余量。当某架飞机已经达到最小或最大空速时，路径相位误差可能无法继续收敛，需要重新分配相位、放宽时间要求或调整路径。

​ 目标路径本身也必须满足曲率约束。向量场能够给出收敛方向，并不意味着任意参数曲线都可以被固定翼跟踪。

6. MPC 与分布式 MPC：显式约束依赖模型和实时计算

​ 模型预测控制在每个时刻预测未来一段时间内的运动，并求解带约束优化问题：

min ⁡ x i , u i ∑ k = 0 H ( ∥ e i , k ∥ Q 2 + ∥ u i , k ∥ R 2 ) s.t. x i , k + 1 = f i ( x i , k , u i , k ) V min ⁡ ≤ V i , k ≤ V max ⁡ ∣ ϕ i , k ∣ ≤ ϕ max ⁡ ∥ p i , k − p j , k ∥ ≥ d s a f e \begin{aligned} \min_{\boldsymbol x_i,\boldsymbol u_i}\quad &\sum_{k=0}^{H} \left( \|\boldsymbol e_{i,k}\|Q^2 +\|\boldsymbol u{i,k}\|R^2 \right)\\ \text{s.t.}\quad &\boldsymbol x{i,k+1}=f_i(\boldsymbol x_{i,k},\boldsymbol u_{i,k})\\ &V_{\min}\leq V_{i,k}\leq V_{\max}\\ &|\phi_{i,k}|\leq\phi_{\max}\\ &\|\boldsymbol p_{i,k}-\boldsymbol p_{j,k}\|\geq d_{\mathrm{safe}} \end{aligned} xi,uimins.t.k=0∑H(∥ei,k∥Q2+∥ui,k∥R2)xi,k+1=fi(xi,k,ui,k)Vmin≤Vi,k≤Vmax∣ϕi,k∣≤ϕmax∥pi,k−pj,k∥≥dsafe

​ MPC 可以在同一个预测问题中处理固定翼动力学、空速范围、滚转角、队形误差和机间安全距离。集中式 MPC 一次优化整个编队；分布式 MPC 由各机交换预测轨迹，再分别求解局部问题。

​ ICRA 2025 的 Dense Fixed-Wing Swarming using Receding-Horizon NMPC 工作使用完整气动力模型、直接配点和 TVLQR 跟踪，在硬件实验中让最多 4 架翼展约 0.61 m 的特技固定翼以约 4 m/s 近距飞行。箱形和四机实验中的最小间距约为 0.56--0.60 m；三机搜索场景记录到约 0.30 m 的瞬时最小间距^[10]。

​ 该实验同时记录了 3 次碰撞，其中 1 次造成机体损失。这说明显式约束并不能消除模型失配、低电压、姿态限制和重规划误差。MPC 的固定翼实现需要同时验证模型精度、求解周期、通信时延和跟踪控制器的剩余误差。

五、把拓扑、算法与固定翼约束组合起来

​ 通信拓扑、队形组织方式和固定翼制导属于不同层级。选型时不能只确定算法名称，还要同时确定信息来源、参考量类型和可飞性处理方式。

方法	常见拓扑	编队层输出	固定翼实现修正	主要风险
Leader--Follower	集中式 / 分布式 / 混合式	动态槽位或领机参考轨迹	虚拟领机、前视、曲率与速度限制	领机依赖、转弯追赶、误差传播
虚拟结构	集中式 / 混合式	编队中心和槽位轨迹	结构角速度限制、可变形槽位	急转时槽位不可飞
行为法 / 势场	分布式	期望运动方向或速度	航迹角映射、变化率限制、前向预测	局部极小、指令振荡
一致性	分布式 / 混合式	航向、速度、到达时间或路径参数	避免直接使用位置单积分器输入	时延、拓扑切换、速度饱和
向量场 + 参数协调	分布式 / 混合式	路径方向和虚拟进度	路径曲率检查、速度余量管理	相位误差受速度边界限制
MPC / DMPC	三类均可	约束轨迹或控制序列	固定翼模型、实时求解、跟踪误差裕度	模型失配、计算与通信超时
学习增强控制	三类均可	策略动作、补偿量或候选轨迹	安全过滤器、飞行包线和失效状态机	泛化、可解释性和安全验证

​ 阅读论文或设计系统时，可以依次确认：

1. 算法在编队层生成什么参考量；
2. 参考量由哪一层转换为固定翼制导指令；
3. 转弯半径、空速、滚转角和爬升率在哪里被约束；
4. 邻机状态是当前测量还是预测轨迹，时间戳如何处理；
5. 中心节点或通信链路失效后，各机进入何种安全模式。

六、不同任务的选型与验证顺序

任务目标	推荐架构与方法	固定翼优先验证项
双机 / 三机伴飞	简单混合式 + Leader--Follower	领机转弯、前视距离、速度饱和和失链解散
多机沿航线等间隔巡逻	分布式向量场 + 路径参数一致性	路径曲率、速度调节余量和拓扑连通
V 字或菱形紧密编队	混合式虚拟结构 + 鲁棒跟踪	槽位可飞性、风扰、定位误差和尾涡影响
大范围搜索与覆盖	分组混合式 + 行为法 / 一致性	网络分区、局部冲突和成员退出
高密度近距机动	集中式 NMPC 或 DMPC	模型精度、实时求解、预测轨迹时效和碰撞裕度

​ 首次开展固定翼编队实验时，建议先验证各机的独立路径跟踪性能，再进行双机 leader--follower；随后加入通信延迟、风扰、速度饱和和失链状态机，最后扩展到分布式一致性、动态避碰和编队重构。单机路径跟踪误差会进入编队闭环，因此需要在增加成员数量之前确定其误差范围和时延上界。

​ 当协同条件不再满足时，应优先保证单机飞行安全，并执行队形解散、高度错层、预设区域盘旋或单机返航等策略。恢复通信后也不应立即切回原队形，而应重新检查成员位置、速度和剩余任务，再通过平滑轨迹完成重构。

​ 迅翼目前已经完成 leader--follower 固定翼编队 和一致性固定翼编队的配套仿真代码，可用于观察领机转弯、僚机跟踪、编队误差收敛、邻居信息交互以及通信参数变化对队形的影响。这些代码可以作为科研教学、算法对比和项目预研的基础例程，帮助团队先在仿真环境中确定控制结构、接口和关键参数，再进入更高成本的多机试验。

​ 结合迅翼 SwiftWing S7 固定翼科研平台，现有例程还可以继续扩展到 PX4 / ROS 接口适配、机载算法部署、多机通信联调、半实物仿真和外场飞行验证。研究者可以在机载计算单元上运行 leader--follower、一致性、向量场或 MPC 等上层算法，由 PX4 完成姿态、空速和高度内环控制，并记录轨迹时效、队形误差、失链保护和安全重构等试验数据。

​ 面向高校、科研院所和项目团队，迅翼可承接固定翼编队方向的仿真开发、算法移植、接口适配、多机通信联调、试验方案设计和定制化平台开发。若您正在开展双机伴飞、多机一致性、协同路径跟踪、动态组网或编队避碰研究，欢迎通过后台私信留言或联系迅翼团队，并说明计划采用的飞机数量、算法阶段和验证目标；我们可以据此评估平台配置与技术合作方案。

七、总结

​ 固定翼编队需要同时分析系统分层、通信拓扑、协同算法和飞行器约束。集中式、分布式和混合式描述信息流向与计算位置；leader--follower、虚拟结构、行为法、一致性、向量场和 MPC 描述协同参考的生成方式。

​ 这些通用多智能体方法只有在加入持续前飞、最小转弯半径、空速范围、滚转角、通信时延和失链处置后，才能形成固定翼可执行的编队方案。算法比较的重点也不应停留在位置误差是否收敛，还要检查参考轨迹是否可飞、通信数据是否有效，以及协同失效后单机能否保持安全。

EN

后续会陆续带来规划、控制相关的文章、仿真分享。

参考文献

1 BAYRAKTAR S, FAINEKOS G E, PAPPAS G J. Experimental cooperative control of fixed-wing unmanned aerial vehiclesC//Proceedings of the 43rd IEEE Conference on Decision and Control. Nassau: IEEE, 2004: 4292-4298. DOI: 10.1109/CDC.2004.1429426.

2 NELSON D R, MCLAIN T W, CHRISTIANSEN R S, et al. Initial experiments in the cooperative control of unmanned air vehiclesC//AIAA 3rd Unmanned Unlimited Technical Conference, Workshop and Exhibit. Chicago: AIAA, 2004: AIAA 2004-6533. DOI: 10.2514/6.2004-6533.

3 CHUNG T H, CLEMENT M R, DAY M A, et al. Live-fly, large-scale field experimentation for large numbers of fixed-wing UAVsC//2016 IEEE International Conference on Robotics and Automation. Stockholm: IEEE, 2016: 1255-1262. DOI: 10.1109/ICRA.2016.7487257.

4 CHEN H, WANG X K, SHEN L C, et al. Formation flight of fixed-wing UAV swarms: A group-based hierarchical approachJ. Chinese Journal of Aeronautics, 2021, 34(2): 504-515. DOI: 10.1016/j.cja.2020.03.006.

5 赵创新, 遆好建, 李照宏, 等. 多无人机协同编队控制及试飞验证J. 航空学报, 2024, 45(17): 530249. DOI: 10.7527/S1000-6893.2024.30249.

6 OH K K, PARK M C, AHN H S. A survey of multi-agent formation controlJ. Automatica, 2015, 53: 424-440. DOI: 10.1016/j.automatica.2014.10.022.

7 BAMBERGER R J Jr, WATSON D P, SCHEIDT D H, et al. Flight demonstrations of unmanned aerial vehicle swarming conceptsJ. Johns Hopkins APL Technical Digest, 2006, 27(1): 41-55.

8 REN W, BEARD R W. Distributed consensus in multi-vehicle cooperative control: Theory and applicationsM. London: Springer, 2008. DOI: 10.1007/978-1-84800-015-5.

9 LIZZIO F F, CAPELLO E, GUGLIERI G. A review of consensus-based multi-agent UAV implementationsJ. Journal of Intelligent & Robotic Systems, 2022, 106: 43. DOI: 10.1007/s10846-022-01743-9.

10 MADABUSHI V, KOPEL Y, POLEVOY A, et al. Dense fixed-wing swarming using receding-horizon NMPCC//2025 IEEE International Conference on Robotics and Automation. Atlanta: IEEE, 2025: 8656-8662.