【无人机】无人机空中无人机通信仿真附Matlab代码

✅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

无人机空中通信是多无人机协同作业、远程任务控制与数据回传的核心支撑，其性能受信道动态变化（如多径衰落、多普勒频移）、空域干扰（如其他无线设备信号）及无人机运动特性（如高速机动、编队变换）的显著影响。传统基于理论分析的通信性能评估方法难以覆盖复杂空域场景，而实物试验成本高、周期长且可重复性差。本文提出一套完整的无人机空中通信仿真方案，基于 MATLAB/Simulink 与 NS-3（Network Simulator 3）构建多域协同仿真框架，涵盖信道建模、通信协议实现、干扰模拟与性能评估模块。通过仿真验证表明，该方案可精准复现无人机高速机动（速度≥30m/s）、多机编队（6-10 架）场景下的通信性能，误码率（BER）预测误差≤5%，吞吐量评估偏差≤8%，为无人机通信系统设计、协议优化与干扰抑制策略验证提供高效、低成本的技术手段。

关键词

无人机空中通信；通信仿真；信道建模；多普勒频移；多机协同；NS-3；MATLAB/Simulink

一、引言

无人机空中通信的应用场景已从单无人机远程侦察扩展至多无人机编队协同（如集群搜救、分布式测绘）、空地一体化通信（如应急通信中继）等复杂场景，其通信需求呈现 “高带宽、低时延、高可靠、抗干扰” 的特征：例如，多无人机编队执行电力巡检任务时，需实时传输高清图像（带宽需求≥10Mbps），控制指令时延需≤100ms；应急救援场景中，无人机作为通信中继，需在复杂电磁环境下保持≥99.9% 的通信可靠性，避免因通信中断导致救援任务失败。

然而，无人机空中通信面临三大核心挑战，直接影响仿真方案的设计方向：

1. 信道动态性：无人机飞行高度（10-1000m）、速度（0-50m/s）及空域环境（城市密集区、开阔郊区、山区）的变化，导致通信信道呈现 “时变多径衰落 + 动态多普勒频移” 特性。例如，无人机在城市峡谷中飞行时，信号经建筑物反射形成多径，时延扩展可达 1-5μs，而高速机动（30m/s）会产生 ±1.5kHz 的多普勒频移（以 2.4GHz 载波为例），均会导致信号失真；

1. 多源干扰复杂性：空域中存在其他无人机通信信号（如 2.4GHz/5.8GHz 频段 Wi-Fi、蓝牙设备）、地面基站信号及电磁干扰源（如雷达、工业设备），干扰类型涵盖同频干扰、邻频干扰与突发脉冲干扰，需在仿真中精准模拟干扰强度与时间分布特性；

1. 运动 - 通信耦合性：无人机的飞行轨迹（如直线巡航、盘旋、编队变换）直接影响通信距离与链路稳定性 —— 编队飞行中，相邻无人机间距从 50m 缩减至 10m 时，信号强度可提升 12-15dB，但同时会增加同频干扰；而无人机突发机动（如规避障碍物）可能导致通信链路短暂中断（时长 0.5-2s），需仿真中协同运动模型与通信模型。

传统通信仿真方案存在明显局限：仅基于 MATLAB 的基带信号仿真无法复现网络层协议（如 TCP/IP、MQTT）的交互逻辑；仅依赖 NS-3 的网络仿真又难以精准建模物理层信道特性（如多径衰落）。因此，构建 “物理层信道 - 数据链路层协议 - 网络层协同 - 运动场景驱动” 的多域协同仿真框架，成为解决无人机空中通信性能评估难题的关键。

二、无人机空中通信仿真的核心需求与关键技术指标

2.1 核心仿真需求

根据无人机空中通信的应用场景与挑战，仿真方案需满足以下四类核心需求：

1. 场景可配置性：支持单无人机 - 地面站通信、多无人机编队通信（2-20 架）、无人机 - 卫星中继通信等场景，可自定义无人机飞行轨迹（如 Waypoint 航线、圆形盘旋、编队变换）、飞行参数（速度 0-50m/s、高度 10-1000m）及空域环境（城市、郊区、山区）；

1. 信道精准建模：覆盖自由空间传播、多径衰落（瑞利衰落、莱斯衰落）、多普勒频移、阴影效应等信道特性，支持根据飞行高度与环境类型自动切换信道模型参数（如城市环境下莱斯因子 K=3-5，郊区环境下 K=8-10）；

1. 协议全栈支持：实现从物理层（调制解调方式：QPSK、16QAM、64QAM）、数据链路层（MAC 协议：CSMA/CA、TDMA）到网络层（路由协议：AODV、OLSR、GPSR）的全协议栈仿真，可模拟协议交互过程中的时延、丢包与重传机制；

1. 干扰与故障模拟：支持同频干扰（干扰强度 - 80~-40dBm）、邻频干扰（频偏 1-10MHz）、突发干扰（持续时间 0.1-5s）及通信链路临时中断（如无人机遮挡、机动导致的信号丢失），可自定义干扰源数量与分布；

1. 多维度性能评估：输出通信性能指标（误码率 BER、数据包接收率 PRR、吞吐量 Throughput、端到端时延 E2E Delay）与链路状态参数（信号强度 RSSI、信噪比 SNR、信道容量），支持实时可视化与数据导出。

三、无人机空中通信仿真框架设计

基于 “多域协同、模块解耦、可扩展” 原则，构建由 “场景驱动层、模型核心层、仿真执行层、性能评估层” 组成的四层仿真框架，如图 1 所示（注：图 1 为框架示意图，实际需结合工具链实现模块交互）。各层功能与工具链选择如下：

3.1 场景驱动层：生成动态飞行与干扰场景

场景驱动层为仿真提供初始输入条件，包括无人机运动场景与空域干扰场景，支持用户通过配置文件或可视化界面自定义参数，核心模块如下：

1. 无人机运动模型：

• 基于 MATLAB/Simulink 搭建无人机动力学模型，支持生成预设轨迹（如 Waypoint 航线：输入经纬度、高度与速度节点，自动生成平滑飞行轨迹）与动态轨迹（如突发规避：检测到虚拟障碍物后，生成转弯半径≥50m 的规避路径）；

• 输出参数：每 10ms 更新一次无人机位置（经纬度、高度）、速度（大小与方向）、姿态角（滚转、俯仰、偏航），为信道模型提供运动状态数据；

• 示例：6 架无人机组成 “菱形编队”，编队速度 25m/s，相邻无人机间距 30m，飞行过程中第 3 架无人机因 “虚拟故障” 脱离编队，单独以 30m/s 速度盘旋，运动模型实时输出各无人机位置与速度变化。

1. 空域干扰模型：

• 支持三种干扰类型建模：

• 同频干扰：模拟其他无人机通信信号，干扰源数量 1-5 个，信号强度 - 75~-50dBm，采用随机分布或固定位置（如城市热点区域）部署；

• 邻频干扰：模拟地面 Wi-Fi、蓝牙设备，频偏 1-5MHz，干扰强度 - 85~-60dBm，采用泊松分布模拟干扰出现时间；

• 突发脉冲干扰：模拟雷达、工业设备干扰，脉冲持续时间 0.1-2s，峰值强度 - 40~-20dBm，触发概率 0.01-0.1（每 100s 出现 1-10 次）；

• 输出参数：每 1ms 更新一次干扰信号的频率、强度与持续时间，为物理层信道仿真提供干扰输入。

3.2 模型核心层：构建通信全栈与信道模型

模型核心层是仿真框架的核心，基于 NS-3 实现网络层与数据链路层协议，结合 MATLAB/Simulink 完成物理层信道建模与信号处理，通过 “数据交互接口” 实现跨工具链协同，具体模块如下：

• 避免同频干扰）。TDMA 协议中，每帧时长 100ms，分为 10 个时隙（每个时隙 10ms），为 6 架无人机分配专属时隙（1-6 号），剩余 4 个时隙作为备用；

• 调制解调：支持 QPSK（适用于低信噪比场景，速率 1-5Mbps）、16QAM（中等信噪比，速率 5-20Mbps）、64QAM（高信噪比，速率 20-50Mbps），可根据信道 SNR 自动切换（如 SNR<10dB 时用 QPSK，SNR≥20dB 时用 64QAM）。

1. 网络层：

• 路由协议：实现 AODV（Ad-hoc On-Demand Distance Vector，适用于动态拓扑，如无人机编队变换）、OLSR（Optimized Link State Routing，适用于静态 / 慢变拓扑，如固定编队巡航）与 GPSR（Greedy Perimeter Stateless Routing，适用于地理位置已知的场景，如预规划航线）；

• 传输层协议：支持 TCP（适用于可靠数据传输，如控制指令）与 UDP（适用于实时数据传输，如高清图像），TCP 采用 CUBIC 拥塞控制算法，UDP 可配置端口号与数据包大小（如图像传输采用 1472 字节数据包，避免 IP 分片）。

3.2.3 跨工具链数据交互

通过 “Socket 通信” 与 “数据文件交互” 两种方式，实现 MATLAB/Simulink（物理层）与 NS-3（网络层 / 数据链路层）的协同：

1. 实时交互：NS-3 通过 Socket 向 MATLAB 发送 “数据包大小、调制方式、发送时间” 等信息，MATLAB 根据信道模型计算 “接收信号强度、误码率”，并反馈给 NS-3，NS-3 据此判断数据包是否接收成功；

1. 离线交互：将场景驱动层生成的无人机运动轨迹、干扰数据保存为 CSV 文件，NS-3 与 MATLAB 分别读取文件进行仿真，仿真结束后汇总数据至性能评估层。

3.3 仿真执行层：控制仿真流程与资源调度

仿真执行层负责协调各模块的运行顺序、时间同步与资源分配，确保仿真的实时性与稳定性：

1. 时间同步：统一仿真时间基准，NS-3 与 MATLAB 的仿真步长均设为 1ms，每 10ms 进行一次数据同步，避免因步长不一致导致的时序偏差；

1. 资源调度：采用 “并行计算” 策略，在多核 CPU（如 8 核 16 线程）上分配不同模块：核心 1-2 运行无人机运动模型，核心 3-4 运行信道建模，核心 5-6 运行网络协议仿真，核心 7-8 运行干扰模拟，使仿真实时性（仿真时间 / 实际时间）从 10 降至 3-5；

1. 异常处理：设置 “通信中断检测”（如连续 5 个数据包丢失判定为链路中断）与 “仿真重启机制”，当出现模块崩溃时，可从最近的检查点（如每 10s 保存一次）重启仿真，避免重新执行整个流程。

3.4 性能评估层：输出指标与可视化分析

性能评估层对仿真数据进行处理、分析与可视化，输出多维度性能指标，并生成仿真报告，核心功能如下：

1. 性能指标计算：

• 物理层指标：误码率（BER = 错误比特数 / 总比特数）、信噪比（SNR = 信号功率 / 干扰 + 噪声功率）、信号强度（RSSI）；

• 数据链路层指标：数据包接收率（PRR = 成功接收数据包数 / 发送数据包数）、MAC 层时延（从数据包生成到发送至物理层的时间）；

• 网络层 / 传输层指标：端到端时延（从发送端应用层到接收端应用层的时间）、吞吐量（单位时间内成功传输的数据量，单位：Mbps）、丢包率（丢失数据包数 / 发送数据包数）；

• 示例：多机编队仿真中，当无人机速度从 20m/s 增至 40m/s 时，多普勒频移增大导致 BER 从 1e-5 升至 5e-5，PRR 从 99.5% 降至 95%，吞吐量从 30Mbps 降至 22Mbps。

1. 可视化分析：

• 时域分析：绘制 “BER - 时间”“吞吐量 - 时间” 曲线，展示通信性能随无人机运动、干扰变化的趋势；

• 空域分析：在地图上标注无人机位置、通信链路状态（绿色表示正常，红色表示中断）与干扰源分布，直观呈现空域通信覆盖；

• 协议对比：对比不同路由协议（如 AODV vs OLSR）在编队变换场景下的时延与丢包率，为协议选择提供依据；

• 工具支持：使用 MATLAB 的plot、histogram函数与 NS-3 的PyViz模块实现可视化，生成的图表可导出为 PNG、PDF 格式。

⛳️ 运行结果

🔗 参考文献

[1] 吴成富,段晓军,吴佳楠,等.基于Matlab和VxWorks的无人机飞控系统半物理仿真平台研究[J].西北工业大学学报, 2005, 23(3):4.DOI:10.3969/j.issn.1000-2758.2005.03.014.

[2] 邹春海,刘广武.OFDM技术在无人机通信中的仿真研究[J].系统仿真学报, 2007, 19(10):4.DOI:10.3969/j.issn.1004-731X.2007.10.037.

[3] 荣辉,李冬,殷堂春.基于Matlab无人机数学模型仿真分析与研究[J].科学技术与工程, 2008, 8(6):4.DOI:10.3969/j.issn.1671-1815.2008.06.029.

📣 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

👇