从纯方位无源定位到协同控制：无人机编队数学建模核心解析

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（i=1,2,...,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 i=1,2,...,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_{i=1}^{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RMSE：RMSE = 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σ=2°，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(k+1) = 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：

1. 对FY00的观测：与问题一类似，z_i0(k) = arctan2(y_i(k), x_i(k)) + v_i0(k)。
2. 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-T+1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_{t=k-T+1}^{k} Σ_{i=1}^{9} (观测残差)^2 + λ * Σ_{t=k-T+1}^{k-1} Σ_{i=1}^{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FY00：residual = 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(t+1)-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：

1. 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。
2. 易于实现：利用现成的优化库即可。
3. 天然处理非线性：直接处理arctan2非线性，无需线性化。
4. 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：

1. 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。
2. 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))。
3. 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。
4. 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。T=3或5是一个不错的起点。
5. 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a=200米，短轴b=100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：

1. 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。
2. 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)。
3. 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(t+Δt) = v_i_real(t) + u_i_total(t) * Δtp_i_real(t+Δt) = 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(t+Δt), v_i_real(t+Δt)。 # 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：

1. 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。
2. 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。
3. 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。
4. 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。