基于無人機和視覺定位的空基GNSS 干擾信號檢測方法

李東誠，史曉鋒，蘇 岳，羅曉燕

（1.北京航空航天大學(xué)電子信息工程學(xué)院，北京 100083；2.北京航空航天大學(xué)宇航學(xué)院，北京 100083）

近年來，國內(nèi)機場民航航班和飛行校驗飛機頻頻遭遇GNSS 干擾，導(dǎo)致飛機GNSS 信號丟失，甚至有部分飛機上的ADS-B 系統(tǒng)發(fā)生故障，這嚴(yán)重影響了航空安全，也對基于衛(wèi)星導(dǎo)航定位的新航行手段造成了巨大威脅[1]。因此，在機場周邊等敏感地區(qū)實現(xiàn)對GNSS 干擾信號快速精準(zhǔn)的檢測與定位勢在必行。

同時，作為當(dāng)今導(dǎo)航、定位和授時的核心手段，保護(hù)GNSS 正常工作已成為世界各大國重點關(guān)注的方向，相應(yīng)的GNSS 干擾檢測與減緩（IDM）系統(tǒng)的研制紛紛開展，如美國初步建成了Patriot Watch[2]，歐洲GNSS 理事會組織實施了GNSS PROTECTOR 工程和Galileo MAGIC 計劃，并設(shè)計完成了JIMS[3]。支撐本文的基金項目正是針對我國GNSS IDM 系統(tǒng)的研究。

在實際的干擾檢測中，由于GNSS 干擾信號通常是對空發(fā)射，依靠傳統(tǒng)的地面測向臺站檢測GNSS 干擾的方法機動性弱、定位時間長、受地面環(huán)境制約大。Bhatti 等[4]提出了采用分布式傳感器網(wǎng)絡(luò)結(jié)合到達(dá)時間差算法檢測定位干擾源，但GNSS 干擾信號在地面?zhèn)鞑淼牡托旁氡群投鄰叫?yīng)仍導(dǎo)致檢測定位精度大大降低。采用空基平臺時，有人飛機檢測GNSS 干擾面臨著諸多制約，如可用飛機數(shù)量過少、難以低空抵近干擾源進(jìn)行檢測而只能給出粗略的方向性檢測結(jié)論，所以當(dāng)前GNSS 干擾檢測的研究方向正逐步轉(zhuǎn)為利用無人機等更為靈活的空中平臺檢測干擾信號。Perkins等[5]提出了一種基于無人機的GPS 干擾源定位方法，證明了利用無人機定位GPS 干擾源的可行性，并為減小GNSS 干擾信號對無人機自身定位的影響，采用了Locata 定位系統(tǒng)提高定位精度，但其過大的重量使得無人機滯空時間大大縮短，且所設(shè)計方案僅適用于小范圍干擾檢測。

為提高干擾檢測信噪比，減少多徑效應(yīng)影響，提高干擾檢測定位的精度、效率和覆蓋范圍，本文研究利用無人機檢測GNSS 干擾信號和定位干擾源的技術(shù)方法；為便于后續(xù)工作人員高效準(zhǔn)確地找到并排除干擾源，在傳統(tǒng)無線電測向定位的基礎(chǔ)上，提出了通過無人機實時圖像與GIS 地圖的數(shù)據(jù)融合實現(xiàn)對干擾源外形的識別；為確保在復(fù)雜地形和非視距條件下無人機的正常通信，設(shè)計了無人機與地面數(shù)據(jù)處理中心的低空通信系統(tǒng)架構(gòu)。

1 基于無人機的空基GNSS 干擾源定位

1.1 到達(dá)角（AOA）定位法

利用無人機對GNSS 干擾源進(jìn)行單站無源測向定位一般采用AOA 定位法[6]，即通過測量目標(biāo)干擾源到達(dá)無人機的信號入射角度來定位干擾源。如圖1 所示，無人機上搭載有干擾信號測向設(shè)備，通過無人機的運動在不同位置上對干擾源進(jìn)行觀測獲得方位信息，即干擾信號到達(dá)角，隨后利用三角定位的原理，兩條以無人機不同位置A、B為起點，到達(dá)角為方向的射線必相交于目標(biāo)信號發(fā)射源T的位置。

圖1 AOA 定位方法示意圖

1.2 帶控制輸入的無跡卡爾曼濾波

無人機在采用AOA 定位法對干擾源進(jìn)行定位的過程中不可避免地會引入噪聲，造成方位信息誤差，進(jìn)而造成對干擾源定位的誤差，并且基于方位信息進(jìn)行機載單站無源定位在直角坐標(biāo)系下建立的模型往往是一個非線性模型[7]，其系統(tǒng)方程為

式中：Xk為k時刻干擾源與無人機的相對位置向量；uk為k時刻無人機的速度向量；φk為k時刻無人機的方位角和俯仰角；A∈Rn*n、B∈Rn*l為狀態(tài)向量和控制輸入的系數(shù)矩陣；wk、vk為零均值高斯白噪聲。

因此，本文采用了適用于非線性系統(tǒng)狀態(tài)估計的帶控制輸入的無跡卡爾曼濾波方法，構(gòu)建適當(dāng)Sigma 點和相應(yīng)權(quán)值，以此估計下一時刻的狀態(tài)值，并通過優(yōu)化控制輸入，提高定位精度。

1.3 最優(yōu)機動路徑規(guī)劃

此外，AOA 定位方法的觀測量僅有干擾信號到達(dá)角，因此為了實現(xiàn)對干擾源的觀測和減小觀測誤差，無人機必須按照一定的路線或方式進(jìn)行機動。我們采用的無跡卡爾曼濾波是無偏估計方法，而無偏估計量的方差下界，即克拉美-羅下界(CRLB，Cramer-Rao Lower Bound)是最優(yōu)機動常用的判別標(biāo)準(zhǔn)[8]。對于估計量的均方誤差Pk|k，本文以作為優(yōu)化準(zhǔn)則來規(guī)劃無人機最優(yōu)機動路徑。由統(tǒng)計引理[9]可知，

式中：tr(·)表示矩陣的跡；為協(xié)方差矩陣。

1.4 仿真驗證

仿真結(jié)果如圖2 所示，曲線UKF 和UKFOPTIMIZED 分別表示采用無跡卡爾曼濾波和在無跡卡爾曼濾波基礎(chǔ)上結(jié)合最優(yōu)機動航跡規(guī)劃的定位結(jié)果。由此可看出所述算法能有效定位干擾源，同時在結(jié)合最優(yōu)機動航跡規(guī)劃后，曲線更加平滑且更快收斂，證明其穩(wěn)定性與定位精度有所提高。

圖2 UKF 定位仿真測試

2 基于視覺定位的GNSS 干擾源識別

傳統(tǒng)的GNSS 干擾檢測中，在初步定位干擾源后需要由工作人員使用移動式干擾檢測設(shè)備進(jìn)一步檢測、排查干擾源，而復(fù)雜的實際環(huán)境往往導(dǎo)致排查困難，效率低下。無人機進(jìn)行GNSS 干擾檢測時，將會抵近到干擾源附近，因此可以利用無人機搭載的相機獲取干擾源附近的圖像，將其與GIS 圖像配準(zhǔn)、融合，從而實現(xiàn)對干擾源的識別，提高排查干擾源的效率。

2.1 干擾源圖像的獲取和預(yù)處理

無人機根據(jù)數(shù)據(jù)處理中心所提供的GNSS 干擾源位置，抵近到干擾源附近，利用無人機搭載的相機拍攝實時圖像，并傳回數(shù)據(jù)處理中心。隨后將無人機所采集的可能包含干擾源的圖像與無人機航跡信息進(jìn)行時間同步，篩除距離干擾源坐標(biāo)過遠(yuǎn)或者是無人機姿態(tài)角過大的圖像，并根據(jù)無人機的姿態(tài)信息建立圖像幾何校正的變換關(guān)系，變換后對圖像進(jìn)行重采樣和濾波處理。

2.2 干擾源圖像與GIS 圖像的配準(zhǔn)

2.2.1 特征點提取及描述

當(dāng)前圖像配準(zhǔn)一般基于圖像的局部特征，通過提取圖像中的特征點，然后使用相似性度量來進(jìn)行特征匹配，進(jìn)而完成圖像配準(zhǔn)。文中采用的是SIFT(Scale-Invariant Feature Transform，尺度不變特征變換)算法[10]。該算法在圖像高斯金字塔上進(jìn)行特征點的檢測，使得算法在圖像發(fā)生平移、旋轉(zhuǎn)、尺度、光照變化等情況下都有很好的魯棒性，能夠很好地表示圖像的特征。

首先構(gòu)建尺度空間L(x,y,σ)：

式中：G(x,y,σ)為高斯核函數(shù)；I(x,y)為干擾源圖像；(x,y)為圖像像素點坐標(biāo)；σ為尺度因子，表示圖像被平滑程度。

利用DOG（Difference of Gaussians，高斯差分）算子檢測尺度空間的有效極值點，將其作為特征點，DOG 算子的響應(yīng)圖像為

式中，k為兩個相鄰尺度間的比例因子。

為了檢測不同尺度下的特征點，首先利用高斯平滑和降采樣構(gòu)建共O組L層的高斯金字塔；隨后根據(jù)高斯金字塔，將每組相鄰兩層圖像依次相減，從而獲得DOG 金字塔；最后，根據(jù)圖像中像素點是否為其鄰域中的極值點來決定是否將其保留為特征點。高斯金字塔與DOG 金字塔如圖3 所示。

圖3 高斯金字塔與DOG 金字塔

在初步獲得特征點后，利用D(x,y,σ)的Hessian矩陣計算DOG 空間下圖像的曲率，剔除曲率大于閾值，即位于邊緣的特征點。

此外，通過DOG 的二階泰勒展開式確定特征點的位置和尺度，剔除低對比度的特征點：

式中，X=(x,y,σ)T，表示真實極值點與當(dāng)前極值點間的偏移量。

按照公式（7）、（8）計算特征點鄰域內(nèi)每個像素點梯度的幅值和方向，根據(jù)其梯度方向的分布特性來確定該特征點的方向。

選取特征點8*8 鄰域并分成4*4 個子區(qū)域，計算每個子區(qū)域的8 方向梯度，利用直方圖進(jìn)行統(tǒng)計，得到每個子區(qū)域的8 維向量，則所有特征向量構(gòu)成該特征點的128 維描述向量。

由于在機場周邊等地進(jìn)行GNSS 干擾檢測時，無人機作業(yè)的區(qū)域基本固定，因此可以事先使用無人機等方法建立GIS 數(shù)據(jù)庫。在實施圖像信息融合時，再調(diào)用GIS 庫內(nèi)以干擾源為中心的區(qū)域地圖信息,類似地選取特征點。

2.2.2 特征點匹配

根據(jù)特征點描述向量計算干擾源圖像和GIS圖像特征上兩特征點間的歐氏距離，將其作為干擾源圖像和GIS 圖像特征點的相似性判定度量：

式中，Ii=(Ii(1),Ii(2),···,Ii(128))和Rj=(Rj(1),Rj(2),···,Rj(128))為干擾源圖像和GIS 圖像上任意兩特征點描述向量。

若兩特征點描述向量間的距離d越小，即特征點越接近。對干擾源圖像上一特征點Ii，在GIS 圖像上尋找其最近鄰點Rm和次近鄰點Rn，若該特征點與最近鄰點距離跟該特征點與次近鄰點距離的比值小于設(shè)定閾值，那么就將該特征點與最近鄰點配對為同名特征點，即

式中，ρ取0.6。

按上述方法逐一比較兩圖像間的所有特征點并配對。獲得特征點匹配結(jié)果后，可采用RANSAC（Random Sample Consensus，隨機抽樣一致）算法，通過采樣和驗證，不斷迭代，去除誤匹配對[11]。

2.2.3 圖像配準(zhǔn)測試

在東營測試基地，我們將無人機航拍圖像與GIS 圖像進(jìn)行配準(zhǔn)。首先根據(jù)SIFT 算法選取特征點并計算特征點描述向量。圖4、圖5 所示為實地測試中無人機航拍圖像和GIS 圖像所選取的特征點及其描述向量。

圖4 無人機航拍圖像特征點

圖5 GIS 圖像特征點

根據(jù)最近鄰點/次近鄰點比值法判斷同名特征點，可得到如圖6 所示的無人機航拍圖像與GIS 圖像特征點匹配結(jié)果。

由圖6 可看出仍存在一些誤匹配的特征點對，因此采用RANSAC 算法進(jìn)一步篩選，最終獲得圖7所示結(jié)果。

圖6 無人機航拍圖像與GIS 圖像特征點匹配

圖7 經(jīng)RANSAC 算法篩選后的特征點匹配

2.3 基于視覺的目標(biāo)識別和導(dǎo)航定位

通過干擾源圖像與GIS 圖像的配準(zhǔn)，賦予干擾源圖像經(jīng)緯度信息。根據(jù)干擾源坐標(biāo)，篩選識別出干擾源圖像中與干擾源經(jīng)緯度坐標(biāo)相同或相近的疑似物體。對所有經(jīng)過處理的干擾源圖像重復(fù)上述步驟，統(tǒng)計所有檢測出的疑似導(dǎo)航信號干擾源物體出現(xiàn)頻率并降序排序，將排序靠前的物體判定為疑似干擾源，存儲并顯示該結(jié)果，同時在GIS 地圖中標(biāo)記出該干擾源及相關(guān)信息。

此外，必須考慮的是，無人機通常依靠衛(wèi)星導(dǎo)航系統(tǒng)來定位并完成航路點飛行[12]，但在檢測GNSS 干擾信號的過程中，其自身GNSS 信號的接收可能也會受到影響。因此，若所有干擾源圖像表示的經(jīng)緯度范圍不包含干擾源坐標(biāo)，甚至相距甚遠(yuǎn)，則可以判斷無人機衛(wèi)星導(dǎo)航模塊受到干擾。接下來則由干擾源圖像、GIS 信息以及相應(yīng)航跡信息融合來確定當(dāng)前無人機坐標(biāo)位置，再結(jié)合視覺SLAM 導(dǎo)航或慣性導(dǎo)航引導(dǎo)無人機抵近干擾源位置，重新采集干擾源圖像。

3 基于公共網(wǎng)絡(luò)的低空通信

無人機檢測GNSS 干擾的過程中，需要將干擾信號數(shù)據(jù)和相機圖像數(shù)據(jù)實時傳回數(shù)據(jù)處理中心。而當(dāng)前無人機的通信系統(tǒng)往往采用點對點通信模式，通常要求無人機與地面控制站之間的阻擋盡量少，并且必須與地面控制站保持在一定通信距離內(nèi)[13]。

為了實現(xiàn)通信系統(tǒng)一體化設(shè)計，并滿足無人機飛行數(shù)據(jù)和任務(wù)載荷數(shù)據(jù)的傳輸?shù)刃枨?，本文提出了一種如圖8 所示的基于公共網(wǎng)絡(luò)的低空通信系統(tǒng)構(gòu)架。其中，無人機和數(shù)據(jù)處理中心上搭載4G 通信模塊依靠公共網(wǎng)絡(luò)進(jìn)行通信，同時由于在實際作業(yè)中，無人機和數(shù)據(jù)處理中心的IP 地址會發(fā)生變動，無法直接通信，因此采用了固定IP 的云服務(wù)器進(jìn)行通信中轉(zhuǎn)和數(shù)據(jù)存儲。該通信方案已在東營勝利機場進(jìn)行實地測試并成功驗證可行性，后續(xù)可進(jìn)一步采用5G 通信以獲得更高通信帶寬。

圖8 基于公共網(wǎng)絡(luò)的低空通信

其優(yōu)勢在于以下幾個方面。

1）搭建成本低，使用方便。檢測GNSS 干擾信號需要無人機在低空作業(yè)，因此在通過公共網(wǎng)絡(luò)進(jìn)行通信時不需要對現(xiàn)有通信基站進(jìn)行額外改裝便能直接使用。

2）保障數(shù)據(jù)高速穩(wěn)定傳輸，減少地面控制站對無人機的限制。當(dāng)前4G 所部署的LTE-TDD 和LTE-FDD 在理論上分別能夠達(dá)到100 Mbps 和150 Mbps 的帶寬[14]，以及具有更高帶寬的5G，能夠確保無人機數(shù)據(jù)能夠及時準(zhǔn)確地傳輸?shù)降孛嫣幚碇行?，并且基本不受建筑等遮擋環(huán)境對通信的影響。

3）實現(xiàn)對設(shè)備和數(shù)據(jù)的統(tǒng)一監(jiān)管。無人機和地面數(shù)據(jù)中心的通信需要使用具有公網(wǎng)IP 的云服務(wù)器作為中轉(zhuǎn)來傳輸數(shù)據(jù)。這既是必要的，也使得我們可以利用云服務(wù)器來統(tǒng)一監(jiān)管、存儲所有數(shù)據(jù)。

此外，在云服務(wù)器上保留檢測數(shù)據(jù)，可進(jìn)行大數(shù)據(jù)分析深入研究GNSS 干擾，同時也為未來建立多地乃至全國范圍內(nèi)飛行校驗數(shù)據(jù)互聯(lián)互通云平臺提供了數(shù)據(jù)支持。

4 結(jié)論

本文介紹了利用無人機結(jié)合無跡卡爾曼濾波以提高干擾源定位精度和優(yōu)化機動路徑的方法，借助無人機視覺識別干擾源外形以提高干擾源排查效率的方案，以及基于公共網(wǎng)絡(luò)的無人機與數(shù)據(jù)中心間的低空通信架構(gòu)，為無人機檢測GNSS 干擾信號提供了新的技術(shù)手段。