【T-ASE2025】SIGMA：面向无人机集群智能算法的新一代无人机仿真平台- 大数跨境

首页

【T-ASE2025】SIGMA：面向无人机集群智能算法的新一代无人机仿真平台

北京大翔航空科技有限公司

2025-08-25

导读：我们提出了 SIGMA 面向无人机集群智能算法的高保真分布式仿真平台。目前该论文已经被T-ASE接收，我们将在ICRA 2026上参展并介绍我们关于无人机集群建模和仿真的相关研究工作。

近年来，无人机集群智能（Swarm Intelligence）正快速走向实用化，从低空经济到未来战场都显示出巨大潜力。但现实中，受制于实验成本高、风险大，算法研发往往依赖仿真平台。然而，目前主流仿真器要么缺乏高保真动力学模型，要么难以扩展至大规模节点，更难兼顾高效率与算法兼容性。基于这一痛点，我们提出了 SIGMA 面向无人机集群智能算法的高保真分布式仿真平台。目前该论文已经被T-ASE接收，我们将在ICRA 2026上参展并介绍我们关于无人机集群建模和仿真的相关研究工作。

论文标题：SIGMA: An Agent-Based Modeling UAV Swarm Simulator for Swarm Intelligence Algorithms

论文作者：张晟、李娟、刘畅、扶磊、白泽浩、李杰

论文单位：北京理工大学、北京理工大学长三角研究院

论文DOI：10.1109/TASE.2025.3597077

论文链接：https://ieeexplore.ieee.org/document/11121406

一、引言

近年来，无人机集群智能（Swarm Intelligence）正快速走向实用化，从低空经济到未来战场都显示出巨大潜力。但现实中，受制于实验成本高、风险大，算法研发往往依赖仿真平台。然而，目前主流仿真器要么无法同时支持旋翼和固定翼仿真，要么飞行器模型精度不足，要么难以扩展至大规模节点，更难兼顾高效率与算法兼容性。基于这一痛点，我们提出了 SIGMA ，面向无人机集群智能算法的高保真分布式仿真平台。本文的主要贡献有三点：

1）分布式ABMS架构：

SIGMA 基于 Agent-Based Modeling and Simulation (ABMS) 架构，每一架无人机被独立建模并运行于分布式模块中，通过 P2P网络将整个软件模块化。为了缩小“仿真—实飞”的差距，SIGMA 提出了一套统一的建模流程，并引入遗传算法进行自动调参。这种虚实融合的“数字孪生”式建模，为后续算法的仿真验证提供了坚实的物理基础。

2）BiDES时间对齐策略：

分布式仿真最大难题是多平台异步节点的时间同步问题。SIGMA 创新性地提出了双向乐观离散事件同步方法，通过轻量级通信协议与事件驱动对齐策略，既避免了全局阻塞，又能在高延迟、数据丢包的环境下保持稳定运行。实验证明，在 1000 节点规模下，SIGMA依然能维持 50Hz 的稳定计算。

3）多智能体学习工具箱：

针对群体智能算法的训练需求，SIGMA 集成了 ROS2、ZMQ、GStreamer 等接口，构建了并行化的 CTDE（集中训练 + 分布执行）框架。通过回放记忆，平台不仅能高效存储和插值重建飞行轨迹，还能支持多场景并行训练。

二、相关工作

对于无人机和自动驾驶而言，真实环境下的测试往往伴随高成本与高风险，而仿真平台则提供了一种安全、低成本且可重复的验证途径。通过虚拟环境，研究者能够在短时间内积累大量飞行或驾驶数据，加速算法的迭代与优化，也能在极端条件下检验系统的稳健性。正因如此，国内外顶尖高校纷纷投入该领域的探索：浙江大学、上交、南京大学等近年来基于游戏引擎和3DGS技术提出了各类闭环高保真仿真平台。这些成果不仅推动了无人机集群智能的发展，也为低空经济、智慧交通等新兴应用提供了坚实的技术支撑。

但是，无人机集群领域的仿真平台（见上表）难以实现节点数量和模型精度的平衡。该问题的难点主要有三个：如何保证各节点行为的独立建模和计算？如何同时使用多台设备实现高保真模型的同时仿真？如何支持多节点的同步学习和训练？针对这三个问题，本文提出了对应的解决方法。

三、设计方法

1）ABMS设计架构

SIGMA 的核心设计之一是基于 Agent-Based Modeling and Simulation (ABMS) 的分布式架构。它将每一架无人机视为独立的“智能体”，为其配置物理、渲染和行为模块，并通过混合 P2P 网络实现交互。这种“自底向上”的建模方式，不再依赖中心化控制，而是让个体的局部行为叠加出全局的群体智能。其创新点在于：既保持了个体动力学的高保真建模，又能在大规模节点中高效运行，避免了传统仿真器常见的“锁步阻塞”问题，为研究集群涌现行为提供了更自然的实验环境。

2）BiDES对齐策略

分布式仿真面临的最大难题是时间对齐。SIGMA 提出的 BiDES（Bidirectional Discrete Event Simulation）方法，通过轻量级通信协议和事件驱动机制，在不同节点之间实现高效同步。与传统的 Lock-Step 严格同步方式不同，在物理层，使用了轻量级MQTT协议，保证了通讯的轻量化和可靠性。在逻辑层，BiDES 基于“乐观同步”思路，允许短暂的异步计算，并在必要时回滚调整节点的瞬时状态。这一设计显著提升了仿真系统的可扩展性和稳定性：即便在数百上千节点规模下，也能保持低延迟和高频率的稳定运行，是突破分布式仿真性能瓶颈的关键。

图数据未对齐编队效果

图数据对齐后编队效果

3） Muti-Agent工具箱：

为了支持群体智能算法的高效训练，SIGMA 设计了一个面向多智能体的学习工具箱。它包含 回合式训练框架与经验回放模块，能够在并行环境下快速采集与复用大量数据，显著缩短强化学习算法的收敛时间。此外，该工具箱还集成了 ROS2、ZMQ 等多种接口，方便研究者直接将仿真代码迁移到真实无人机平台。其创新点在于将分布式仿真与大规模并行训练深度结合，使 SIGMA 不仅是一个测试环境，更是一个面向算法研发的加速器。

三、试验和分析

1）集群保真度验证

在集群保真度层面，本文选择了经典的固定翼编队飞行作为测试场景。实验中，领机沿预设航线巡航，僚机则根据领机的姿态和位置动态调整。结果显示，SIGMA 模拟得到的编队轨迹与真实 TALON 无人机实验高度吻合，其轨迹差异DTW=12.7m远小于 Gazebo。同时，在收敛时间上，SIGMA 与实机几乎一致，而 Gazebo 存在明显延迟。这说明 SIGMA 能够准确再现无人机集群的真实动态特性，具备更高的群体保真度。

2）模型保真度验证

在模型保真度层面，提出了基于数据驱动的模型调参方法。通过遗传算法将模型的关键参数进行动态调整和拟合。采用了 P450 四旋翼和 TALON 固定翼无人机，分别测试了姿态响应的拟合度。通过统一建模与遗传算法自动调参，SIGMA 的仿真结果与实飞数据高度一致，姿态响应曲线的拟合度均超过0.9。这一结果证明，SIGMA 的动力学建模方法能够逼近真实飞行器性能，保证了从仿真到实机迁移的可靠性。

图 P450旋翼响应误差图

图 TALON固定翼响应误差图

3）可扩展性验证

在规模扩展方面，研究团队构建了一个包含 200 节点的分布式仿真平台，并与 Gazebo、AirSim 进行对比。结果显示，SIGMA 在 200 节点下仍能保持平均通信延迟 3.5ms，内存占用不足 650MB，而 Gazebo 出现严重阻塞、AirSim 内存飙升超过 2GB。在进一步扩展到 1000 节点时，SIGMA 依然能稳定运行在 50Hz，展现了出色的分布式扩展能力。这意味着 SIGMA 可以支撑大规模无人机集群的训练与应用，是突破传统平台瓶颈的有力工具。

四、总结

SIGMA 的贡献在于：它不仅是一个“仿真器”，更是一个覆盖 高保真建模—大规模分布式计算—算法训练与验证—实用应用场景 的全链路平台。未来，我们计划结合 GPU 并行物理引擎与3D 高斯点渲染，进一步提升渲染真实感与仿真效率，并探索与多传感器融合、模仿学习等新范式结合。

SIGMA已经与多所企业达成了合作，并且已经完成了平台部署和算法验证工作。后续ICRA 2026的参会视频会发布在B站主页上，也欢迎有兴趣的同行联系我们，在集群仿真与建模领域共同进步！

【声明】内容源于网络

北京大翔航空科技有限公司

本公众号主要用于推广SIGMA free免费飞行仿真软件，并介绍课题组使用本软件实现的最新研究成果，包括无人机群、机器视觉等。获取更多信息，欢迎访问B站主页https://space.bilibili.com/1528135571

内容 32

粉丝 0

北京大翔航空科技有限公司本公众号主要用于推广SIGMA free免费飞行仿真软件，并介绍课题组使用本软件实现的最新研究成果，包括无人机群、机器视觉等。获取更多信息，欢迎访问B站主页https://space.bilibili.com/1528135571

总阅读10

粉丝0

内容32