✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

针对智能机器人应用普及背景下的失控安全风险，本文提出一种基于多智能体博弈的拦截算法，实现多个追捕者对多个逃逸者的高效协同捕获。该算法采用“全局策略指导-分布式执行”双层架构，突破传统算法在维度适应性、协同机制与鲁棒性上的局限，可扩展至N维空间环境，仅依赖局部感知与通信即可完成全局追捕任务。通过动态Voronoi镶嵌实现追捕责任区域实时划分，结合区域最小化策略生成追捕目标，设计分布式控制律保证有限时间内捕获所有逃逸者。仿真实验与硬件测试验证了算法在复杂场景下的优越性，即使面对人类操控的逃逸者也能稳定捕获，为失控机器人应急处置、安防监控等场景提供实用技术方案。

关键词

多智能体博弈；追逃博弈；失控机器人拦截；分布式协同；动态Voronoi镶嵌

1 研究背景与意义

1.1 研究背景

随着智能机器人技术在工业生产、公共服务、安防监控、航空航海等领域的广泛渗透，机器人失控事件引发的安全隐患日益突出。例如，失控无人机误入机场净空区干扰航班运行、港口无人船失控撞击航道设施、工业园区巡检机器人故障后引发设备碰撞等场景，均对公共安全和财产安全构成严重威胁。同时，在搜索救援、野生动物监测、边境安防等任务中，也需要通过多智能体协同作业对移动目标实施精准追踪与控制。

多智能体追逃博弈（Pursuit-Evasion, PE）作为研究多智能体协作与对抗的经典范式，为失控机器人拦截问题提供了核心理论支撑。追逃博弈源于自然界的捕食行为，如狼群围捕野牛群的多对多追逃场景，其本质是追捕者与逃逸者基于动态环境信息展开的对抗性决策过程——追捕者以最短时间捕获目标为核心目标，逃逸者则致力于规避捕获。与单追捕者-单逃逸者场景相比，多追捕者-多逃逸者场景的复杂度呈指数级提升，对算法的协同性、适应性与鲁棒性提出了更高要求。

1.2 研究意义

本文研究的多追捕者-多逃逸者拦截算法，兼具重要的理论价值与实用意义。理论层面，突破现有算法在维度适配、分布式协同与不确定性应对上的局限，完善多智能体博弈在复杂对抗场景下的理论体系，为N维空间多目标追逃问题提供新的求解思路。应用层面，可直接适配陆地、空中、水上等多场景失控机器人拦截任务，提升应急处置能力；同时可拓展至搜索救援、野生动物监测、边境安防等领域，推动多智能体系统的工程化应用。

2 研究现状与不足

2.1 研究现状

追逃博弈问题的研究始于上世纪中叶，Isaacs首次采用微分对策方法建模经典追逃问题，提出HJI（Hamilton-Jacobi-Isaacs）方程，奠定了该领域的理论基础。经过数十年发展，现有研究已形成多种求解路径，包括理论求解法、数值求解法、强化学习法与几何法等。

早期研究多聚焦于二维环境下的单逃逸者捕获问题，提出基于区域最小化的集中式策略，通过逐步缩减逃逸者的安全可达区域实现有限时间捕获。随着分布式系统技术的发展，研究者开始探索去中心化策略，采用Voronoi镶嵌、图论一致性等方法实现追捕者间的局部协同。近年来，强化学习、博弈论等理论的引入，使得算法对动态环境的适应性显著提升，部分研究通过构建纳什均衡模型或训练智能策略，实现了复杂场景下的追逃决策优化。此外，因子图等图论方法的应用，也为追逃过程中的状态估计、轨迹规划与不确定性抑制提供了新的技术路径。

2.2 现有不足

尽管现有研究已取得一定进展，但针对多追捕者-多逃逸者的失控机器人拦截场景，仍存在三大核心局限：一是维度适应性差，多数分布式算法仅适用于二维平面环境，难以扩展至无人机集群等三维应用场景；二是协同机制不完善，针对多逃逸者的追捕资源分配策略存在缺陷，易出现任务冲突或资源失衡，导致捕获效率下降；三是鲁棒性不足，部分算法对逃逸者策略存在较强假设，当面对未知策略（如人类操控）的逃逸者时，捕获稳定性难以保证。这些问题限制了算法的工程化落地，亟需提出一种兼具通用性、协同性与鲁棒性的拦截算法。

3 本文主要贡献

本文针对现有算法的不足，提出一种适用于多维度环境的多追捕者-多逃逸者拦截算法，核心贡献体现在以下三点：

1. 多维度区域最小化策略：将传统二维平面的追捕策略推广至N维空间，通过几何建模优化逃逸者安全区域缩减逻辑，可直接适配陆地无人车、空中无人机、水上无人艇等不同场景的拦截任务。

2. 去中心化协同分配机制：基于动态Voronoi镶嵌实现追捕责任区域的实时划分，追捕者仅通过与相邻个体的局部通信即可完成全局资源优化配置，避免任务冲突与资源浪费，提升多逃逸者场景的捕获效率。

3. 高鲁棒性分布式控制设计：不依赖逃逸者运动策略先验信息，仅通过实时位置感知调整控制输入，同时具备不确定性抑制能力，在通信丢包、感知噪声等干扰下仍能稳定工作，且经实验验证可有效捕获人类操控的逃逸者。

4 博弈场景建模与前提假设

4.1 场景建模

定义博弈场景为有界凸集环境Ω⊆ℝⁿ（n=2时为平面环境，n=3时为三维空间），环境内包含两类可移动智能体：M个追捕者组成的集合P={p₁,p₂,…,p_M}和K个逃逸者组成的集合E={e₁,e₂,…,e_K}，所有智能体均视为刚体，其运动学模型统一表示为：

ẋᵢ = vᵢ, ṽᵢ = uᵢ, ∀i∈P∪E

其中，xᵢ为智能体的位置向量，vᵢ为速度向量，uᵢ为控制输入，且满足控制约束∥uᵢ∥≤u_max（u_max为最大控制量）。

捕获判定条件：当某一逃逸者eⱼ与任意追捕者pᵢ的距离小于捕获半径r_c时，即∥xᵢ - xⱼ∥≤r_c，判定eⱼ被捕获，被捕获后的逃逸者停止运动并退出博弈。算法核心目标是设计追捕者的控制输入uᵢ，使所有逃逸者在有限时间T内被捕获，同时最小化追捕者的运动距离与能量消耗。

4.2 前提假设

为保证算法的有效性与可行性，提出以下前提假设：

1. 环境假设：环境Ω为有界凸集，初始无障碍物（后续可扩展至含障碍物的非凸环境），所有智能体可实时感知自身位置与环境边界，无边界穿越风险。

2. 感知与通信假设：每个追捕者可感知其局部范围内所有逃逸者的位置信息，感知精度满足捕获判定要求；可与Voronoi邻居追捕者进行实时通信，通信延迟可忽略，支持位置、速度等关键信息的交互。

3. 能力假设：追捕者的最大运动速度不小于逃逸者的最大运动速度（v_pmax ≥ v_emax），保证捕获任务的可行性，避免因速度不足导致逃逸者永久规避。

4. 策略假设：逃逸者的运动策略未知，无固定轨迹规律，追捕者无法预先获取其运动意图，仅能通过实时感知信息动态调整追捕策略。

5 算法核心设计

本文提出的拦截算法采用“全局策略指导-分布式执行”双层架构，上层通过区域最小化原则生成全局追捕目标，下层基于动态Voronoi镶嵌实现追捕者的局部协同控制，整体流程包括责任区域划分、追捕目标生成、分布式控制律求解三个核心步骤，算法流程如图1所示（图略）。

5.1 动态Voronoi镶嵌责任区域划分

针对多逃逸者场景的资源分配问题，采用动态Voronoi镶嵌算法划分追捕者的责任区域。以所有追捕者的位置为生成元，构建Voronoi图将环境Ω划分为M个互不重叠的Voronoi单元V₁,V₂,…,V_M，每个单元对应一个追捕者p_i的责任区域，满足：

V_i = {x∈Ω | ∥x - x_pi∥ ≤ ∥x - x_pj∥, ∀j≠i}

责任区域随追捕者位置动态更新，当逃逸者跨单元移动时，相邻追捕者通过局部通信完成目标交接，确保每个逃逸者始终被唯一单元的追捕者负责追踪，避免多追捕者重复追踪或遗漏目标。对于处于单元边界的逃逸者，由距离最近的追捕者优先负责，降低协同冲突概率。

5.2 区域最小化追捕目标生成

在每个Voronoi单元内，追捕者基于区域最小化原则生成追捕目标，核心逻辑是通过自身运动逐步压缩逃逸者的安全可达区域，直至逃逸者进入捕获半径。对于单元内的逃逸者e_j，首先计算其当前安全区域S_j（即逃逸者在最大速度约束下，单位时间内可到达的所有位置集合），然后确定追捕者的最优占位位置x^*_pi，使S_j与环境边界、追捕者位置形成的约束区域最小化。

最优占位位置x^*_pi的求解目标为：minimize area(S_j ∩ V_i)，约束条件为∥x^*_pi - x_pi∥ ≤ v_pmax·Δt（Δt为控制周期）。通过该目标生成，可迫使逃逸者向单元中心或狭窄区域移动，逐步丧失规避空间。

5.3 分布式控制律求解

基于追捕目标位置x^*_pi，设计分布式控制律求解追捕者的控制输入u_i，兼顾运动速度与稳定性，控制律表达式为：

u_i = k₁(x^*_pi - x_pi) + k₂(v^*_pi - v_pi)

其中，k₁、k₂为比例系数，可通过仿真优化确定；v^*_pi为追捕者到达目标位置的期望速度，满足∥v^*_pi∥≤v_pmax。控制律通过位置误差与速度误差的反馈调节，使追捕者快速收敛至最优占位位置，同时避免因速度突变导致的运动震荡。

当存在多个逃逸者跨单元移动时，相邻追捕者通过通信共享目标信息，动态调整自身控制律，形成临时协同围捕态势，直至目标被其中一名追捕者捕获。

6 研究结论与未来工作

6.1 研究结论

本文提出一种适用于多追捕者捕获多个逃逸者的多智能体博弈拦截算法，通过动态Voronoi镶嵌的责任区域划分、区域最小化的追捕目标生成与分布式协同控制律设计，实现了对失控机器人的高效、稳定捕获。该算法具备以下特性：一是多维度适配能力，可扩展至N维空间，适配不同类型智能体；二是分布式执行优势，无需全局信息，仅依赖局部感知与通信，降低系统复杂度；三是高鲁棒性，可应对未知逃逸策略与通信干扰。仿真与硬件实验验证了算法的优越性，为失控机器人应急拦截提供了实用技术方案。

6.2 未来工作

未来研究将围绕以下方向展开，进一步完善算法性能与应用场景：一是扩展至含障碍物的非凸环境，引入路径规划算法优化追捕者轨迹，避免碰撞并提升捕获效率；二是适配多智能体异质性场景，针对不同速度、感知能力的追捕者设计差异化协同策略；三是探索大规模集群应用，优化算法实时性，适配数十甚至上百个智能体的追逃场景。

⛳️ 运行结果

🔗 参考文献

[1] 胡玮韬.多机器人编队及运动控制研究[D].西安电子科技大学[2026-01-17].DOI:10.7666/d.y1668394.

[2] 李品品.多智能体动态围捕策略研究[D].天津大学,2021.

[3] 查文中.单个优势逃跑者的多人定性微分对策研究[D].北京理工大学[2026-01-17].DOI:CNKI:CDMD:1.1018.812094.

📣 部分代码

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌈 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位

🌈 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌈图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌈 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

🌈 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

🌈 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌈 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌈电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电

🌈 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌈 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌈 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇