基于虚幻引擎与AirSim的无人机作战仿真环境搭建与算法验证实战

简介本资源面向计算机、人工智能、自动化等专业的在校学生、教师及企业研发人员提供一套基于虚幻引擎与AirSim的无人机作战仿真系统完整工程可用于毕业设计、课程设计、项目立项演示或进阶学习。压缩包共162个文件约93.22MB以79个Python脚本和52个pyc编译文件为核心辅以XML、YML配置、MATLAB脚本、PNG/GIF演示图及Markdown说明文档覆盖仿真环境搭建、无人机突防任务配置与训练日志等模块。目前已有180人学习关注。资源包含可运行的定制化无人机作战环境源码与详细文档读者可据此复现仿真场景、理解AirSim与虚幻引擎的联合调试流程并在此基础上修改任务逻辑、扩展功能适合作为毕设或课设的完整参考方案。1. 仿真环境搭建从零到一构建无人机作战验证平台飞控算法在真实场景中调试一次的成本往往够在仿真里跑上千次。基于虚幻引擎和 AirSim 搭建定制化无人机作战环境核心价值就在于把“试错”这件事从物理世界搬到数字世界。你不需要真机、不需要空域审批、不需要担心炸机只要一台带独显的机器就能在几小时内拉起一个包含地形、障碍、动态目标的虚拟战场。这套方案适合做无人机集群算法验证的开发者、做感知与避障研究的实验室团队以及需要快速迭代战术逻辑的工程人员。它解决的不是“能不能飞”的问题而是“飞得对不对、快不快、稳不稳”的问题。接下来我会把从环境配置到场景定制的完整路径拆开每一步都给出可复现的命令和参数。2. 虚幻引擎与 AirSim 的联调把仿真跑起来的最小闭环2.1 版本匹配与依赖安装虚幻引擎和 AirSim 的版本兼容性是第一道坎。常见做法是锁定 UE 4.27 搭配 AirSim 1.8.1这个组合在社区里验证最充分插件编译成功率最高。如果你用 UE 5.x需要从源码编译 AirSim 并手动处理 API 变更新手不建议一上来就啃这块硬骨头。先装 Visual Studio 2022勾选“使用 C 的桌面开发”和“使用 C 的游戏开发”两个工作负载Windows SDK 选 10.0.19041 或更高。然后装 UE 4.27安装时勾选“引擎源码”选项后面编译 AirSim 插件会用到。# 克隆 AirSim 仓库指定 1.8.1 标签 git clone --recursive -b v1.8.1 https://github.com/microsoft/AirSim.git cd AirSim # 生成 Visual Studio 工程文件 build.cmdbuild.cmd会拉取 Eigen、rpclib 等依赖并编译。如果卡在 rpclib 下载检查网络代理设置或者手动把 rpclib 放到AirSim/external/rpclib下。编译完成后在Unreal/Plugins目录下会生成AirSim插件文件夹这就是后面要拖进 UE 项目的东西。2.2 创建 UE 项目并挂载 AirSim 插件打开 UE 4.27选“游戏”分类下的“空白”模板项目设置里选“C”而非“蓝图”目标平台勾选“桌面”质量预设选“可缩放”。项目命名用英文路径不要有空格和中文否则插件加载会报莫名其妙的错。创建完成后把AirSim/Unreal/Plugins/AirSim整个文件夹复制到你的 UE 项目根目录下的Plugins文件夹里。没有Plugins就新建一个。然后右键.uproject文件选“Generate Visual Studio project files”再用 VS 打开.sln编译Development Editor配置。// 在项目的 Build.cs 里添加 AirSim 模块依赖 PublicDependencyModuleNames.AddRange(new string[] { Core, CoreUObject, Engine, InputCore, AirSim // 这一行是关键漏了会链接失败 });编译通过后打开 UE 编辑器在“编辑”菜单里找到“插件”确认 AirSim 已启用。此时在场景里拖入一个BP_AirSimPawn或直接用 AirSim 提供的FlyingPawn按播放键你应该能看到一个四旋翼模型悬停在空中。如果没动检查settings.json是否放在了Documents/AirSim目录下。2.3 settings.json 的关键参数AirSim 的行为几乎全由settings.json控制。这个文件默认在C:\Users\你的用户名\Documents\AirSim\settings.json如果不存在就手动创建。下面是一个能跑通多机仿真的最小配置{ SettingsVersion: 1.2, SimMode: Multirotor, ClockSpeed: 1.0, Vehicles: { Drone1: { VehicleType: SimpleFlight, AutoCreate: true, X: 0, Y: 0, Z: 0, Yaw: 0 }, Drone2: { VehicleType: SimpleFlight, AutoCreate: true, X: 5, Y: 0, Z: 0, Yaw: 0 } } }SimMode选Multirotor表示多旋翼模式ClockSpeed控制仿真时间流速设为 1.0 是实时设 2.0 就是两倍速做强化学习时常用 5.0 以上加速采样。VehicleType用SimpleFlight是 AirSim 自带的简化飞控适合算法验证如果要接 PX4 或 ArduPilot改成PX4Multirotor或ArduCopter但需要额外配硬件在环或软件在环。X/Y/Z是初始位置单位是米Z 轴向上为负所以Z: 0表示在地面。注意多机仿真时每台车的X/Y间距至少留 3 米否则启动瞬间会互相碰撞导致物理引擎发散。3. 定制化作战场景地形、障碍与动态目标的搭建3.1 地形生成与高度图导入UE 自带的地形工具足够做基础战场。在“地形”模式下用“雕刻”笔刷拉出山丘和沟壑或者用“高度图导入”直接加载一张 PNG 灰度图。灰度值 0 对应最低点255 对应最高点导入时设置“Z 轴缩放”为 512 能得到比较自然的起伏。# 用 Python 生成一张 1024x1024 的噪声高度图 import numpy as np from PIL import Image size 1024 scale 200.0 noise np.random.rand(size, size) * scale # 简单高斯模糊让地形更自然 from scipy.ndimage import gaussian_filter noise gaussian_filter(noise, sigma8) # 归一化到 0-255 noise (noise - noise.min()) / (noise.max() - noise.min()) * 255 Image.fromarray(noise.astype(np.uint8)).save(terrain_heightmap.png)这段脚本生成一张随机起伏的高度图sigma控制平滑程度值越大地形越缓。导入 UE 后地形组件会自动根据高度图生成网格。如果要做城市废墟场景可以在高度图基础上叠加建筑模型用“植被”工具批量刷一些倒塌的墙体碎片。3.2 静态障碍物与碰撞体设置作战环境里的障碍物分两类一类是建筑、墙体这种静态碰撞体另一类是树木、电线杆这种需要精确碰撞的细长物体。UE 的“静态网格体”默认带简单碰撞但复杂模型需要手动生成“凸包碰撞”或“盒体碰撞”。在 AirSim 里碰撞检测依赖 UE 的物理系统。如果你发现无人机穿墙而过八成是碰撞体没设对。选中模型在“细节”面板里找到“碰撞”把“碰撞复杂度”设为“将复杂碰撞用作简单碰撞”然后点“创建凸包碰撞”。对于薄墙用“盒体简化碰撞”更稳。// 在 UE 的 Actor 蓝图里动态生成障碍物 UStaticMeshComponent* ObstacleMesh CreateDefaultSubobjectUStaticMeshComponent(TEXT(Obstacle)); ObstacleMesh-SetStaticMesh(LoadObjectUStaticMesh(nullptr, TEXT(/Game/Models/Wall.Wall))); ObstacleMesh-SetCollisionEnabled(ECollisionEnabled::QueryAndPhysics); ObstacleMesh-SetCollisionProfileName(TEXT(BlockAll)); ObstacleMesh-SetWorldLocation(FVector(100.0f, 200.0f, 50.0f));SetCollisionProfileName(BlockAll)确保无人机撞上去会被弹开或炸机而不是直接穿透。SetWorldLocation的坐标单位是厘米所以Z: 50表示离地 0.5 米。3.3 动态目标与 AI 行为树作战环境里不能只有静态障碍得有移动的靶标或敌方单位。UE 的“行为树”加“黑板”是做 AI 移动的标准方案。创建一个BP_TargetPawn在事件图表里用“AI MoveTo”节点让它沿预设路径巡逻。// 在 TargetPawn 的 Tick 里更新移动目标 void ATargetPawn::Tick(float DeltaTime) { Super::Tick(DeltaTime); if (Waypoints.Num() 0) { FVector TargetLoc Waypoints[CurrentWaypointIndex]; AddMovementInput((TargetLoc - GetActorLocation()).GetSafeNormal(), 1.0f); if (FVector::Dist(GetActorLocation(), TargetLoc) 100.0f) { CurrentWaypointIndex (CurrentWaypointIndex 1) % Waypoints.Num(); } } }Waypoints是一个TArrayFVector在编辑器里手动摆几个点就行。AddMovementInput的第二个参数是缩放值1.0 表示全速。到达当前点后索引循环目标就会一直绕圈跑。AirSim 的 API 可以实时获取这些目标的位置用来做跟踪算法的输入。4. AirSim API 编程用 Python 控制无人机完成战术动作4.1 连接与基础控制AirSim 提供 Python 包airsim装好后用MultirotorClient连接仿真器。下面是一个起飞、移动、降落的完整示例import airsim import time # 连接仿真器超时 5 秒 client airsim.MultirotorClient(ip127.0.0.1, timeout_value5) client.confirmConnection() # 解锁电机并起飞到 5 米高度 client.enableApiControl(True, Drone1) client.armDisarm(True, Drone1) client.takeoffAsync(vehicle_nameDrone1).join() client.moveToZAsync(-5, 2, vehicle_nameDrone1).join() # 飞到指定坐标点速度 3 m/s client.moveToPositionAsync(20, 10, -5, 3, vehicle_nameDrone1).join() # 悬停 2 秒后降落 time.sleep(2) client.landAsync(vehicle_nameDrone1).join() client.armDisarm(False, Drone1) client.enableApiControl(False, Drone1)enableApiControl是接管控制权不调用的话 API 指令会被忽略。takeoffAsync返回一个Future.join()表示阻塞等待完成。moveToZAsync的第二个参数是速度单位米每秒。moveToPositionAsync的 Z 轴用负数表示向上-5就是离地 5 米。4.2 获取传感器数据做感知验证AirSim 支持深度图、RGB 图、激光雷达、IMU 等多种传感器。在settings.json里给每台车配好传感器然后用 API 拉数据# 获取深度图和 RGB 图 responses client.simGetImages([ airsim.ImageRequest(0, airsim.ImageType.DepthPlanar, True), airsim.ImageRequest(0, airsim.ImageType.Scene, False, False) ], vehicle_nameDrone1) # 处理深度图 depth_img responses[0] depth_data np.array(depth_img.image_data_float, dtypenp.float32) depth_data depth_data.reshape(depth_img.height, depth_img.width) # 处理 RGB 图 rgb_img responses[1] rgb_data np.frombuffer(rgb_img.image_data_uint8, dtypenp.uint8) rgb_data rgb_data.reshape(rgb_img.height, rgb_img.width, 3)ImageRequest的第一个参数是相机 ID0表示前视相机。DepthPlanar返回的是平面深度图每个像素值是距离单位米。Scene返回 RGB 图False, False表示不压缩、不转灰度。拿到数据后可以直接喂给 OpenCV 或 PyTorch 做目标检测。4.3 多机协同与编队控制多机场景下每台车独立控制但需要同步状态。下面是一个简单的编队保持逻辑# 三机三角形编队 formation_offsets { Drone1: (0, 0, -5), Drone2: (5, 0, -5), Drone3: (2.5, 4.33, -5) } # 获取领航者位置 leader_pos client.getMultirotorState(vehicle_nameDrone1).kinematics_estimated.position for name, offset in formation_offsets.items(): target_x leader_pos.x_val offset[0] target_y leader_pos.y_val offset[1] target_z offset[2] client.moveToPositionAsync(target_x, target_y, target_z, 3, vehicle_namename)getMultirotorState返回的kinematics_estimated.position是 NED 坐标系X 朝北、Y 朝东、Z 朝下。offset里的 Z 用负数表示高度。这个逻辑每帧跑一次就能让三台车保持三角形队形跟随领航者。实际做编队时还要加避碰和速度限制否则转弯时容易撞。5. 避坑与排查仿真环境搭建中的五个血泪教训5.1 现象UE 编辑器一播放就崩溃报 PhysX 错误原因AirSim 插件和 UE 的物理引擎版本不匹配或者显卡驱动太旧。常见于 UE 4.26 以下版本。解决升级到 UE 4.27更新 NVIDIA 驱动到 470 以上。如果还崩在Engine/Config/BaseEngine.ini里把bUsePhysX设为False改用 Chaos 物理引擎但 AirSim 对 Chaos 的支持不完整可能会丢碰撞。5.2 现象Python API 连接超时confirmConnection 卡住原因仿真器没启动或者settings.json里的ApiServerPort被防火墙拦了。解决先确认 UE 编辑器在播放状态然后检查settings.json里有没有ApiServerPort: 41451。Windows 防火墙会拦这个端口手动加一条入站规则放行 UDP 41451。5.3 现象无人机起飞后原地打转或翻跟头原因SimpleFlight的 PID 参数在复杂地形下不稳定或者初始位置 Z 值设成了正数导致出生在地面以下。解决把settings.json里每台车的Z设为0或负数确保出生点在地面以上。如果还翻把SimpleFlight换成PX4MultirotorPX4 的控制器鲁棒性更强但需要额外配PX4的仿真环境。5.4 现象深度图全是 0 或全是无穷大原因相机没启用或者ImageRequest的相机 ID 写错了。AirSim 默认只启用前视相机其他相机要在settings.json里手动加。解决在settings.json的Vehicles下给每台车加Cameras字段比如Cameras: {0: {CaptureSettings: [{ImageType: 0, Width: 640, Height: 480}]}}。ImageType: 0是 RGB1是深度。5.5 现象多机仿真时帧率暴跌到个位数原因每台车都在跑独立的物理和渲染GPU 扛不住。常见于 4 台以上无人机同时仿真。解决把ClockSpeed降到 0.5牺牲实时性换帧率。或者在settings.json里关掉不必要的传感器只保留算法需要的。如果还卡用ViewMode切到NoDisplay只跑物理不渲染帧率能翻三倍。6. 进阶技巧用域随机化提升算法泛化能力仿真环境最大的价值不是复现真实而是批量制造“不同”。域随机化就是让每次仿真开始时光照、纹理、障碍物位置、风力都随机变化逼着算法学会忽略无关特征。在 AirSim 里做这件事核心是动态改settings.json和 UE 场景参数。import random import airsim def randomize_scene(client): # 随机光照强度 light_intensity random.uniform(0.5, 3.0) client.simSetLightIntensity(DirectionalLight, light_intensity) # 随机风力 wind airsim.Vector3r( random.uniform(-5, 5), random.uniform(-5, 5), random.uniform(-2, 2) ) client.simSetWind(wind) # 随机移动障碍物 for i in range(10): pos airsim.Vector3r( random.uniform(-50, 50), random.uniform(-50, 50), random.uniform(-10, 0) ) client.simSetObjectPose(fObstacle_{i}, airsim.Pose(pos))simSetLightIntensity改的是 UE 场景里方向光的光强simSetWind给所有无人机加一个全局风场。simSetObjectPose需要障碍物在 UE 里被标记为可移动否则改位置会报错。每次训练前调一次randomize_scene跑几千轮下来算法对光照和风扰的鲁棒性会明显提升。验证域随机化有没有生效最简单的办法是固定随机种子跑两次看传感器数据是否一致。如果两次深度图完全一样说明随机化没起作用检查simSetWind的返回值是不是False。另一个技巧是把随机化参数记到日志里训练崩了能回溯是哪组参数太极端。我自己的习惯是每次改完场景先跑 100 轮空载飞行确认没有物理发散再上算法。仿真里的玄学问题九成是碰撞体或坐标系没对齐剩下一成是显卡驱动。希望帮到你。本文还有配套的精品资源点击获取