1. 赛题回顾与核心难点定位2022年的全国大学生数学建模竞赛B题题目是“无人机遂行编队飞行中的纯方位无源定位”。这个题目一出来当时就在参赛圈里引起了不小的讨论。它不像一些纯优化或者数据分析题那样有明确的套路可循而是把一个非常前沿且硬核的工程问题——多无人机协同定位——抽象成了一个数学建模问题。很多同学第一眼看到“纯方位无源定位”这几个字可能就有点发怵感觉涉及通信、信号处理、几何等多个领域不知从何下手。简单来说这道题描述的场景是这样的一组无人机编号FY00-FY09共10架要保持一个特定的编队队形一个圆心在FY00、半径为100米的圆形飞行。其中FY00作为“主机”它装备了能够向其他无人机发射信号的装置而其他9架无人机FY01-FY09作为“从机”只装备了信号接收装置它们只能测量接收到的信号方向即方位角而不知道信号源即FY00或其他无人机离自己有多远。更关键的是题目假设这些方位角测量存在一定的误差。我们的核心任务就是仅利用这些带有噪声的方位角测量信息来估计出所有9架从机无人机相对于主机FY00的位置。这里的“纯方位”和“无源”是两大核心约束。“纯方位”意味着只有角度信息没有距离信息这直接导致了问题的非线性特性非常强。“无源”意味着接收机本身不发射信号只被动接收这在实际中有利于隐蔽但也增加了定位的难度。这两个词合在一起就构成了本题最大的挑战如何在信息严重不足缺距离且存在噪声的情况下实现稳定、精确的相对定位这道题的价值在于它完美地连接了理论数学如几何、优化、估计理论和实际工程应用无人机集群、协同导航。它考察的不仅仅是套用模型的能力更是对问题本质的理解、将实际问题转化为数学语言的能力以及针对特定约束设计求解策略的创新思维。接下来我将抛开那些泛泛而谈的“思路”深入到具体的建模策略、算法选择、求解细节以及那些容易踩坑的地方为你还原一条清晰、可操作的解题路径。2. 问题一仅依赖FY00信号的静态定位模型构建问题一是整个赛题的基础它设定了一个相对简单的场景所有从机无人机FY01-FY09的位置是固定但未知的它们只接收来自主机FY00的信号并测量方位角。我们需要根据这些方位角测量值来估计所有从机的位置。这是典型的“单站纯方位定位”问题只不过有多个需要同时定位的目标。2.1 坐标系建立与观测模型数学化第一步永远是建立清晰的数学模型。我们以主机FY00为坐标原点建立平面直角坐标系。设第i架从机无人机i1,2,...,9的真实位置为(x_i, y_i)这是一个我们要求解的二维未知向量。FY00位于原点(0,0)。当FY00发射信号被第i架无人机接收时从FY00指向第i架无人机的真实方位角与x轴正方向的夹角θ_i_true可以通过几何关系直接给出θ_i_true arctan2(y_i, x_i)这里使用arctan2函数是为了得到(-π, π]范围内的完整角度避免象限错误。然而我们得到的测量值θ_i_meas是带有噪声的。题目指出方位角测量误差服从均值为0、标准差为2°的正态分布。因此观测模型可以写为θ_i_meas arctan2(y_i, x_i) ε_i, 其中ε_i ~ N(0, σ^2), σ 2° (需要转化为弧度制进行计算σ_rad 2 * π / 180)。至此我们有了9个非线性观测方程未知数是18个9架无人机各自的x和y坐标。显然方程数量少于未知数数量这是一个欠定问题无法直接求解。我们必须引入额外的约束或信息。2.2 核心约束编队队形的巧妙利用题目给出的关键额外信息是编队队形所有无人机包括FY00应保持一个半径为100米的圆形编队。注意这里说的是“应保持”在问题一中我们假设它们已经处在这个理想队形上只是我们不知道具体哪个位置对应哪架无人机。这个队形约束为我们提供了强有力的先验信息。它意味着所有无人机的真实位置都位于一个以FY00为圆心、半径为100米的圆上。对于从机FY01-FY09我们有x_i^2 y_i^2 100^2, for i1,2,...,9.这个距离约束一下子将每个无人机的未知数从2个x,y降为1个例如角度。我们可以用极坐标来重新参数化问题令x_i 100 * cos(φ_i)y_i 100 * sin(φ_i)其中φ_i是第i架从机相对于坐标系的极角现在它成为了我们的待求未知数共9个。将极坐标表示代入观测方程θ_i_meas arctan2(100*sin(φ_i), 100*cos(φ_i)) ε_i arctan2(sin(φ_i), cos(φ_i)) ε_i φ_i ε_i(在(-π, π]范围内arctan2(sinφ, cosφ) φ)。我们得到了一个极其简洁的线性关系模型θ_i_meas φ_i ε_i这个简化是问题一建模的精髓。它意味着在理想圆形编队的约束下测量到的方位角直接就是该无人机极角的一个带噪声观测值。于是问题从复杂的非线性定位转化为了一个简单的参数估计问题我们有一组对真实极角φ_i的带噪声观测值θ_i_meas需要估计出φ_i。2.3 估计模型构建与最大似然估计由于噪声ε_i是独立同分布的高斯噪声那么给定真实极角φ_i观测到θ_i_meas的条件概率似然函数为L(φ_i | θ_i_meas) ∝ exp(- (θ_i_meas - φ_i)^2 / (2σ^2))对于所有9个独立观测联合似然函数就是每个似然的乘积。最大化这个联合似然函数就得到了最大似然估计MLE。对于高斯噪声下的线性模型最大似然估计等价于最小二乘估计。因此我们的估计问题转化为最小化以下目标函数J(φ_1, ..., φ_9) Σ_{i1}^{9} (θ_i_meas - φ_i)^2这个目标函数对于每个φ_i是独立的因此可以分解为9个独立的最小化问题min_φ_i (θ_i_meas - φ_i)^2, for each i.其解显而易见φ_i_est θ_i_meas。也就是说在圆形编队约束下对于仅接收FY00信号的情况每架从机无人机方位角测量值本身就是其极角的最大似然估计。有了极角估计值φ_i_est利用极坐标公式(x_i, y_i) (100*cos(φ_i_est), 100*sin(φ_i_est))即可得到位置估计。注意角度周期性与归一化处理这里有一个至关重要的细节角度运算必须在统一的周期内进行通常归一化到(-π, π]或[0, 2π)。arctan2函数的结果在(-π, π]而我们的极角φ_i理论上可以在任意区间。但在最小二乘意义下我们需要确保θ_i_meas和φ_i在数值上可比。例如如果某个φ_i真实值是355°-5°而测量值是5°直接相减会得到350°的差这显然是错误的。正确的做法是计算角度差时使用min(|a-b|, 2π-|a-b|)。在实际编程求解时更稳妥的方法是始终将所有角度表示在(-π, π]区间并在计算残差时进行周期调整。这是一个非常容易忽略但会导致结果严重偏差的坑。2.4 结果分析与误差评估得到位置估计后我们需要计算估计误差。题目要求计算位置估计的均方根误差RMSE。对于第i架无人机其位置估计误差为error_i sqrt( (x_i_est - x_i_true)^2 (y_i_est - y_i_true)^2 )然后对所有9架无人机求RMSERMSE sqrt( (1/9) * Σ error_i^2 )这里(x_i_true, y_i_true)是已知的题目附件中给出用于验证我们的模型和算法。在问题一中由于模型被极大简化理论上RMSE应该主要来源于方位角测量噪声的传播。根据误差传播定律极角估计误差的标准差就是σ2°那么由此导致的位置误差在半径为100米的圆上约为100 * σ_rad ≈ 100 * (2*π/180) ≈ 3.49米。这是理论上的下限。我们的计算结果应该接近这个值。实操心得在编程实现时务必先进行角度单位转换度转弧度所有内部计算都在弧度制下进行最后输出时再根据需要转换。使用numpy或math库的arctan2函数处理坐标到角度的转换。计算RMSE前确保比较的是估计位置和真实位置而不是极角。对于这种简单问题可以手算几组数据验证程序逻辑是否正确。3. 问题二引入从机间观测的动态协同定位问题二将场景复杂化也更贴近实际从机无人机FY01-FY09在初始时刻位置已知即问题一估计出的位置或附件给出的真实位置但它们并非静止而是以某个速度飞行。更重要的是除了接收FY00的信号它们还能接收来自其他部分从机的信号观测方向。我们需要建立模型利用这些更丰富的观测信息来“追踪”或“估计”这些动态无人机的位置。3.1 状态空间模型与观测方程这是一个典型的动态系统状态估计问题。我们需要为每架从机无人机定义其状态。在最简单的模型中我们可以假设无人机在短时间内做匀速直线运动CV模型。那么第i架无人机在时刻k的状态向量可以定义为X_i(k) [x_i(k), y_i(k), vx_i(k), vy_i(k)]^T即包含位置(x,y)和速度(vx, vy)。系统的状态演化运动模型可以描述为X_i(k1) F * X_i(k) w_i(k)其中F是状态转移矩阵。对于匀速模型F [[1, 0, Δt, 0], [0, 1, 0, Δt], [0, 0, 1, 0], [0, 0, 0, 1]]Δt是离散时间步长需要根据题目上下文设定例如假设每秒一次观测。w_i(k)是过程噪声代表了模型的不精确性如加速度扰动通常假设为零均值高斯白噪声。观测模型变得复杂。现在我们有两种观测对FY00的观测与问题一类似z_i0(k) arctan2(y_i(k), x_i(k)) v_i0(k)。对其他从机j的观测如果无人机i能观测到无人机j则观测值为从i指向j的方位角。z_ij(k) arctan2(y_j(k)-y_i(k), x_j(k)-x_i(k)) v_ij(k)。这里所有的v(k)都是观测噪声假设服从均值为0、标准差为2°的高斯分布。3.2 集中式与分布式滤波架构选择面对这样一个多智能体、存在互观测的动态系统我们有两种主流的滤波架构选择1. 集中式卡尔曼滤波CKF将所有9架无人机的状态向量拼接成一个全局状态向量X(k) [X_1(k)^T, ..., X_9(k)^T]^T维度为36。同时将所有观测FY00对各自的观测以及从机之间的互观测拼接成一个全局观测向量Z(k)。然后设计一个巨大的全局状态转移矩阵F_global块对角矩阵每个块是单个无人机的F矩阵和全局观测矩阵H_global非线性需要线性化。优点理论上是最优的因为它利用了所有观测信息进行联合估计。缺点计算复杂度极高矩阵维度达36x36且观测方程线性化复杂不适合实时性要求高的场景并且需要有一个中央处理器收集所有数据不符合分布式系统的特点。2. 分布式卡尔曼滤波/信息滤波每架无人机只维护自身的状态估计并通过通信与邻居无人机交换信息如自身状态估计的均值和协方差。常用算法有分布式信息滤波DIF或一致性卡尔曼滤波CKF。优点计算负载分散通信量相对可控具有更好的可扩展性和鲁棒性更贴近实际无人机编队中每个个体自主运算的场景。缺点理论分析和实现比集中式复杂性能通常略低于集中式最优估计。对于数模竞赛的取舍在72小时的比赛时间内实现一个完整、稳定的分布式滤波算法挑战极大。一个更务实、也更能体现问题核心的思路是采用集中式扩展卡尔曼滤波EKF的框架但进行合理的简化。我们可以强调采用了EKF的思想但在具体求解时由于观测方程非线性较强且耦合度高直接求解EKF的更新方程可能困难。因此可以退一步在每个时刻k将问题视为一个静态优化问题。3.3 基于滑动窗口的批处理优化模型这是一个非常有效且易于实现的策略。我们不再显式地估计速度状态而是直接估计每个时刻的位置。假设我们拥有从时刻k-T1到当前时刻k的一个时间窗口内的所有观测数据T是窗口长度。我们的目标是找到这个窗口内所有无人机的位置序列使得它们既符合一定的运动平滑性约束代替动态模型又使得所有观测的似然概率最大。构建一个非线性最小二乘问题Minimize J Σ_{tk-T1}^{k} Σ_{i1}^{9} (观测残差)^2 λ * Σ_{tk-T1}^{k-1} Σ_{i1}^{9} (运动平滑项)^2其中观测残差对于每一个方位角观测z计算其与根据估计位置计算出的理论方位角之差并进行角度周期处理。例如对于从机i观测FY00residual z_i0(t) - arctan2(y_i_est(t), x_i_est(t))。运动平滑项例如可以用相邻时刻位置差的变化率近似加速度来惩罚不平滑的运动[ (x_i(t1)-x_i(t)) - (x_i(t)-x_i(t-1)) ]^2对x和y方向分别计算。参数λ是平滑项权重用于平衡拟合观测数据和平滑轨迹。这个优化问题的变量是所有无人机在T个时刻的位置总变量数为9*2*T。我们可以使用非线性优化工具箱如scipy.optimize.minimize 选用L-BFGS-B或trust-constr算法来求解。这个方法的优势直观易懂将动态估计问题转化为静态优化问题避开了复杂的滤波递推公式。易于实现利用现成的优化库即可。天然处理非线性直接处理arctan2非线性无需线性化。引入时间关联通过平滑项利用了历史信息比单时刻独立定位更稳健。3.4 观测链路缺失与定位图可观测性分析题目中提到“无人机间相对方位角测量值缺失时即观测链路不稳定”这引出了一个更深层的问题在给定的观测拓扑下系统是否可观测也就是说仅凭这些方位角测量能否唯一确定所有无人机的位置这是一个关于“定位图”的可观测性问题。我们可以将无人机视为图的节点将一次方位角测量无论是来自FY00还是其他无人机视为一条有向边。那么整个观测系统构成一个图。绝对定位的必要条件要确定所有节点在全局坐标系中的绝对位置至少需要一些“锚点”信息。在这个问题中FY00位置已知和圆形编队约束距离已知共同提供了锚点信息。相对定位的可观测性即使有锚点如果观测图不是“刚性”的也可能无法唯一确定所有节点的位置。例如如果所有无人机只观测FY00而不观测彼此那么每架无人机只能确定自己在以FY00为圆心的哪个角度上但整个编队可以绕着FY00整体旋转而观测值不变。这就是问题一中我们实际上无法确定编队整体朝向的原因但题目通过假设编队形状固定规避了这一点。当引入部分无人机间的互观测时这些“边”会约束编队内部的几何形状从而可能实现唯一定位。在建模时如果考虑观测链路随机缺失我们需要在优化模型中处理缺失数据。对应缺失的观测在目标函数中直接忽略该项即可。同时我们需要分析在某种缺失模式下优化问题是否可能陷入局部最优或出现解不唯一的情况。这可以通过在优化时使用多个不同的初始值进行尝试或者分析优化结果协方差矩阵近似Hessian矩阵的逆的特征值来判断不确定性的大小。实操心得与避坑指南初始值至关重要非线性优化严重依赖初始值。对于时刻k的优化可以使用时刻k-1的估计结果作为初始值或者用简单的几何方法如仅用FY00观测进行三角定位的粗略解初始化。角度差计算这是最大的编程陷阱。必须编写一个专门的函数来计算两个角度之差考虑2π周期例如def angle_diff(a, b): return np.arctan2(np.sin(a-b), np.cos(a-b))。平滑权重λ的选择λ太大轨迹会过于平滑可能无法跟上真实的机动λ太小轨迹会噪声过大甚至不稳定。需要通过实验例如在部分有真值的数据上来调整。窗口长度T的选择T越长可利用信息越多抗噪能力越强但计算量越大且对机动的适应性变差。T3或5是一个不错的起点。处理不可观测情况如果优化结果对初始值极其敏感或者不同初始值收敛到差异很大的解很可能当前观测图下系统不可观测或弱可观测。这时需要在论文中明确指出这一现象并讨论可能需要增加哪些观测链路来改善。4. 问题三编队队形动态调整的协同控制建模问题三在问题二的基础上增加了控制目标在飞行过程中需要将圆形编队变为椭圆形编队并保持一段时间后再恢复。这要求我们的模型不仅要能估计状态还要能生成控制指令速度或加速度驱使无人机到达期望的位置。问题从“状态估计”延伸到了“协同控制”。4.1 基于虚拟结构法与一致性协议的控制框架一种主流且适合建模的方法是虚拟结构法与一致性协议的结合。1. 定义期望队形虚拟结构首先数学化描述期望的队形。对于圆形编队期望位置p_i_des_circle就是半径为100米圆上的等分点。 对于椭圆形编队假设其中心在FY00长轴a200米短轴b100米具体参数需根据题目。那么FY01-FY09的期望位置p_i_des_ellipse可以定义为椭圆上的等分点或者根据某种映射关系从圆形队形变换而来。关键是要定义一个随时间平滑变化的期望位置轨迹p_i_des(t)。例如在过渡阶段从圆到椭圆可以让期望位置在p_i_des_circle和p_i_des_ellipse之间进行线性或平滑插值如使用五次多项式插值以保证速度和加速度连续。2. 设计分布式控制律每架无人机根据自身当前位置的估计值p_i_est(t)和期望位置p_i_des(t)计算控制指令。最常用的是比例-微分PD控制律u_i(t) k_p * (p_i_des(t) - p_i_est(t)) k_d * (v_i_des(t) - v_i_est(t))其中u_i(t)是控制加速度假设我们控制的是加速度。v_i_des(t)是期望速度可以通过对p_i_des(t)求导得到。v_i_est(t)是无人机自身速度的估计值可以从问题二的状态估计中得到如果估计了速度或者用位置估计的差分来近似。k_p和k_d是控制增益需要调整以保证系统稳定负反馈且响应速度合适。3. 引入一致性项以实现协同纯PD控制会使每架无人机独立地飞向自己的目标点但无法保证编队内部的相对几何形状在飞行过程中保持稳定特别是在存在定位误差和干扰的情况下。因此需要引入基于邻居观测的一致性项。假设无人机i能获得邻居无人机j的相对方位角测量进而可以估计出相对位置向量p_ij_est。我们可以增加一项控制量使无人机i与邻居j保持期望的相对位置(p_j_des - p_i_des)。 一致性控制项可以设计为u_i_consensus(t) γ * Σ_{j∈N_i} [ (p_j_des(t) - p_i_des(t)) - (p_j_est(t) - p_i_est(t)) ]其中N_i是无人机i的邻居集合γ是耦合增益。最终的总控制量为u_i_total(t) u_i_pd(t) u_i_consensus(t)4.2 将控制模型与估计模型耦合现在我们有一个耦合的“估计-控制”闭环系统估计模块基于无人机的实际运动受控制力影响产生的方位角观测来估计所有无人机的位置和速度。这里可以使用问题二中建立的优化模型或滤波模型。控制模块基于估计出的位置和速度以及期望队形计算控制加速度u_i_total(t)。运动模型无人机的真实运动由控制加速度驱动。最简单的可以用二阶积分模型描述v_i_real(tΔt) v_i_real(t) u_i_total(t) * Δtp_i_real(tΔt) p_i_real(t) v_i_real(t) * Δt更复杂的模型可以考虑动力学约束如最大速度、加速度限制。在仿真中我们需要同时迭代这三个部分。流程如下初始化所有无人机真实位置、估计位置、期望队形。 for 每个时间步 t: # 1. 生成观测带噪声 根据真实位置 p_i_real(t)计算所有存在的方位角观测值 z(t)并添加高斯噪声。 # 2. 状态估计 基于历史观测数据直到时刻t利用问题二的模型更新所有无人机的估计位置 p_i_est(t) 和速度 v_i_est(t)。 # 3. 计算控制量 根据当前估计值 (p_i_est, v_i_est) 和当前期望队形 (p_i_des(t), v_i_des(t))计算控制加速度 u_i_total(t)。 # 4. 状态更新真实世界 根据控制量 u_i_total(t) 和当前真实状态更新下一时刻的真实位置和速度 p_i_real(tΔt), v_i_real(tΔt)。 # 5. 更新期望队形如果需要过渡 根据任务时间线更新 p_i_des 和 v_i_des。4.3 仿真实现与性能评估指标实现这样一个闭环仿真是问题三的核心。编程工作量较大建议模块化设计observation_module(t): 输入真实位置输出带噪声的观测数据。estimation_module(observations_up_to_t): 输入历史观测输出当前时刻的状态估计。control_module(estimates, desired_formation): 输入估计值和期望队形输出控制指令。dynamics_module(current_state, control): 输入当前状态和控制量输出下一时刻状态。性能评估需要设计合理的指标队形保持误差所有无人机实际位置与期望位置之间的平均距离RMSE。这是最直接的控制性能指标。控制能量消耗所有无人机控制加速度的平方和或绝对值和用于衡量控制效率。收敛时间从队形切换指令发出到队形误差稳定在某个阈值内所需的时间。鲁棒性分析在观测噪声增大、部分观测链路持续丢失、或无人机存在个体动力学差异等情况下重复仿真观察上述指标的变化。高级拓展考虑在论文中如果能进一步讨论以下点会显著提升深度控制增益调参讨论如何选择k_p,k_d,γ等参数。可以提到基于李雅普诺夫稳定性理论设计参数或者简单说明通过试凑法寻找使系统响应快且超调小的参数。包容定位误差分析状态估计误差对控制性能的影响。控制律是否对定位误差有一定的鲁棒性可以尝试在控制模块中直接使用带噪声的估计值观察队形能否依然保持。通信拓扑的影响对比不同的观测/通信拓扑如全连接、环形、最近邻连接对控制性能的影响。通常连接度越高一致性收敛越快队形保持越稳健。5. 模型泛化、灵敏度分析与论文写作要点完成了三个问题的具体建模与求解后我们需要跳出细节从更高视角审视整个工作这部分内容对于完成一篇优秀的数模论文至关重要。5.1 模型的泛化能力探讨一个好的数学模型不应只适用于题目给出的特定参数。我们需要思考模型在更一般情况下的适用性。无人机数量我们的模型是否容易扩展到更多如100架或更少如3架的无人机集中式优化方法在数量大增时会遇到“维数灾难”计算复杂度急剧上升。这时可以强调分布式滤波和一致性控制架构问题二、三中提到的分布式思路在可扩展性方面的优势。队形变化从圆到椭圆的变换只是例子。我们的控制框架虚拟结构一致性可以很容易地推广到任意指定的队形只需重新定义p_i_des(t)即可。运动模型我们使用了最简单的匀速CV或双积分模型。可以讨论如果无人机机动性更强如频繁转弯是否需要引入更复杂的模型如恒定转弯率和速度模型CTRV。同时指出更复杂的模型需要更多参数也可能需要更复杂的滤波算法如无损卡尔曼滤波UKF。噪声特性我们假设了高斯噪声。可以简要讨论如果噪声是非高斯的如存在野值模型该如何改进例如将最小二乘损失函数换成Huber损失函数以提高鲁棒性。5.2 灵敏度分析与参数研究灵敏度分析是体现模型稳健性和论文深度的重要环节。它回答“如果某些条件变化结果会怎样”的问题。观测噪声标准差σ系统性地改变σ例如从0.5°到5°重新运行问题一和问题二的仿真绘制定位误差RMSE随σ变化的曲线。分析误差的增长趋势是否线性这可以验证模型对噪声的敏感度。观测链路缺失率在问题二中随机丢弃一定比例如10%30%50%的从机间观测比较不同缺失率下的定位精度和收敛速度。可以得出“系统需要至少保持XX%的连通度才能有效定位”的结论。控制增益参数在问题三中展示不同k_p、k_d取值下队形误差和收敛时间的变化。甚至可以绘制一个简单的稳定性区域图。编队半径与无人机数量改变圆形编队的半径分析定位误差的变化理论上误差随半径线性增加。改变无人机数量分析协同控制的计算复杂度和通信负担。进行灵敏度分析时最好配合清晰的图表如折线图、热力图。在文中不仅要展示结果更要解释其背后的原因。例如“定位误差随噪声增大而线性增加这与理论误差传播分析一致”。5.3 论文写作的核心要点与避坑指南数模竞赛论文是展示工作的唯一窗口写作至关重要。1. 摘要切忌空话不要写“本文建立了模型…使用了算法…”要用事实填充。直接写出你的核心方法、模型和关键结论。推荐结构第一句破题。第二句总述方法如“针对问题一在圆形编队约束下将非线性定位问题转化为极角参数估计问题给出了闭式解”。第三、四句简述问题二、三的方法如“针对问题二构建了基于滑动窗口批处理优化的协同定位模型有效利用了历史观测与运动平滑性”。最后一句总结主要数值结果和结论如“仿真表明在2°测量误差下问题一定位误差约为3.5米问题二模型能有效跟踪动态目标问题三控制律能实现队形平滑切换稳态误差小于1米”。2. 模型建立部分公式规范所有变量首次出现时必须说明其含义。公式编号连续。逻辑递进从简单到复杂从问题一到问题三清晰地展示模型的演进过程。强调后面模型对前面模型的继承与发展。图示化绘制清晰的示意图。例如问题一的坐标系和观测几何图问题二的观测拓扑图用有向图表示问题三的控制系统框图估计-控制闭环。3. 模型求解与结果分析交代清楚工具说明使用的编程语言Python/MATLAB和关键库如SciPy, NumPy, CVXOPT等。算法描述不仅要说“我们使用了非线性最小二乘优化”还要简要说明使用的具体算法如L-BFGS-B、初始值如何设定、停止准则是什么。结果展示表格和图形是王道。问题一的结果可以是一个简单的RMSE值表格。问题二可以展示某架无人机的真实轨迹、估计轨迹和观测射线图。问题三可以展示编队从圆到椭圆变化的动态过程快照以及队形误差随时间变化的曲线。分析而非罗列对着图表解释你看到了什么现象为什么会出现这种现象。例如“如图5所示在过渡阶段初期误差出现峰值这是因为期望队形的突变导致控制指令过大而无人机加速度有限所致”。4. 模型评价与推广诚实评价客观说明模型的优点如问题一模型简洁优美问题二模型抗噪能力强问题三模型易于实现和缺点如问题二集中式优化计算量大问题三未考虑无人机动力学极限。提出改进基于缺点提出一两个可行的改进方向如问题二可采用分布式滤波降低计算量问题三可加入控制饱和约束。最后的时间管理建议72小时非常紧张。建议Day1上午理解题目、确定思路、完成问题一建模与求解Day1下午至Day2全天攻克问题二这是最难的部分Day3上午完成问题三建模与初步仿真Day3下午集中进行灵敏度分析、整理结果、绘制图表晚上和夜间全力写作论文。务必留出至少6-8小时进行论文撰写、修改和排版。