城市環(huán)境中無(wú)人機(jī)作戰(zhàn)導(dǎo)航定位研究現(xiàn)狀綜述

李 楠，向文豪

（1.海裝駐北京地區(qū)某軍事代表室，北京 100036；2.中國(guó)船舶集團(tuán)有限公司系統(tǒng)研究院，北京 100036）

1 引 言

我國(guó)“十四五”規(guī)劃與2035年遠(yuǎn)景目標(biāo)綱要中明確提出了常住人口城鎮(zhèn)化率要提高到65%，根據(jù)2020年統(tǒng)計(jì)數(shù)據(jù)，我國(guó)常住人口城市化率超過(guò)60%，而其他大國(guó)（如美國(guó)）的綜合平均城鎮(zhèn)化率也已經(jīng)達(dá)到了83%。這也意味著在未來(lái)將存在大量人口和生產(chǎn)資料聚集在大城市中的現(xiàn)實(shí)?？梢灶A(yù)見(jiàn)的是，在未來(lái)戰(zhàn)場(chǎng)中對(duì)于城市的爭(zhēng)奪將趨于白熱化。而城市在作戰(zhàn)環(huán)境下主要具有以下特點(diǎn)。

（1）高樓林立。大量高層建筑帶來(lái)的隱蔽點(diǎn)對(duì)人員的殺傷危險(xiǎn)極大，要求我方具備更廣泛、精確的偵測(cè)能力；同時(shí)，電磁波信號(hào)在高樓林立間傳輸存在大量的陰影衰落及多徑效應(yīng)[1-2]，尤其可能存在全球?qū)Ш叫l(wèi)星系統(tǒng)（Global Navigalion Satellite System，GNSS）拒止情況，以及大量的磁畸變情況，對(duì)裝備提出了更高的導(dǎo)航定位要求；最后，近距離相連的建筑、障礙等構(gòu)成的防御陣線也對(duì)我方裝備的打擊能力，尤其是協(xié)同打擊能力提出了更高的要求[3]。

（2）戰(zhàn)場(chǎng)環(huán)境復(fù)雜。主要體現(xiàn)在人為強(qiáng)磁干擾，城市中復(fù)雜的地下工事網(wǎng)，室內(nèi)聯(lián)通網(wǎng)以及城市中各類諸如景觀樹(shù)、電線、路燈等障礙的影響。電磁干擾帶來(lái)的磁畸變對(duì)我方裝備的定位能力以及通信能力提出了更高的要求[4]，而復(fù)雜的地下、室內(nèi)作戰(zhàn)環(huán)境則需要裝備具有更多的感知手段[5]。

（3）作戰(zhàn)裝備受限。在大城市中，受到客觀作戰(zhàn)環(huán)境的影響，常規(guī)武器（如坦克、直升機(jī)等）無(wú)法完全肅清建筑內(nèi)部的武裝力量，而人員又極易受到殺傷。如何在保障更少人員傷亡的前提下，利用新式裝備進(jìn)行偵測(cè)打擊是實(shí)際作戰(zhàn)環(huán)境中衍生出來(lái)的新需求。

同時(shí)，在過(guò)去的20年里，MEMS[6]，GNSS[7]以及無(wú)線傳感網(wǎng)技術(shù)[8]等的發(fā)展極大地促進(jìn)了無(wú)人機(jī)技術(shù)的發(fā)展。無(wú)人機(jī)在民用領(lǐng)域被廣泛應(yīng)用于航拍、農(nóng)業(yè)自動(dòng)化和電力巡檢等場(chǎng)合。在軍用領(lǐng)域逐漸被用于偵測(cè)、特定目標(biāo)打擊、巡視任務(wù)中[9]。美軍國(guó)防預(yù)先研究計(jì)劃局（DARPA）于2014年啟動(dòng) CODE 項(xiàng)目，旨在研究通信受阻以及GNSS 拒止環(huán)境下無(wú)人機(jī)協(xié)同偵測(cè)技術(shù)及作戰(zhàn)技術(shù)，以完成在強(qiáng)磁環(huán)境及GNSS 拒止環(huán)境等惡劣環(huán)境下的作戰(zhàn)任務(wù)；第二年，即2016年，DARPA啟動(dòng)小精靈項(xiàng)目，利用C130 空運(yùn)機(jī)投放無(wú)人機(jī)集群，用于偵察干擾監(jiān)視，同時(shí)可對(duì)無(wú)人機(jī)進(jìn)行回收，旨在開(kāi)發(fā)低成本、可重復(fù)利用的無(wú)人機(jī)集群作戰(zhàn)單位；2017年，美軍DARPA 啟動(dòng)OFFSET項(xiàng)目，主要面向未來(lái)各地大城市化，部署空地異構(gòu)無(wú)人智能裝備集群進(jìn)行突襲任務(wù)，為城市作戰(zhàn)中的地面分隊(duì)提供城市的偵測(cè)信息，將偵查識(shí)別出的目標(biāo)信息回傳給作戰(zhàn)人員，并讓后方作戰(zhàn)人員根據(jù)實(shí)時(shí)信息動(dòng)態(tài)調(diào)整對(duì)應(yīng)戰(zhàn)術(shù)。可以看到，無(wú)人機(jī)作為體系作戰(zhàn)下的新式裝備，由于其機(jī)動(dòng)靈活、成本低、隱蔽性高等特點(diǎn)[10]，在城市環(huán)境作戰(zhàn)背景下獲得了極大的關(guān)注，如圖1所示。我國(guó)在推進(jìn)“十四五”規(guī)劃與2035年遠(yuǎn)景目標(biāo)綱要的同時(shí)，不可避免地城市化，使得各種資源急劇向大城市聚集，研發(fā)我國(guó)自主、高效、適用的無(wú)人機(jī)集群體系也是亟待解決的問(wèn)題。2018年，中國(guó)電子科技集團(tuán)公司成功試飛了200 架固定翼無(wú)人機(jī)集群試驗(yàn)，刷新了2017年試飛的119 架無(wú)人機(jī)集群。同時(shí)，空軍裝備部也舉辦“無(wú)人爭(zhēng)鋒”等無(wú)人機(jī)集群挑戰(zhàn)賽來(lái)推進(jìn)無(wú)人機(jī)集群相關(guān)技術(shù)的發(fā)展?？傮w而言，國(guó)內(nèi)對(duì)于無(wú)人機(jī)集群在城市環(huán)境下的相關(guān)研究還較少。

圖1 城市環(huán)境中的無(wú)人機(jī)集群Fig.1 UAV swarm in urban canyon

然而，面對(duì)城市環(huán)境中高樓林立、戰(zhàn)場(chǎng)環(huán)境復(fù)雜、作戰(zhàn)裝備受限等特點(diǎn)衍生出來(lái)不同環(huán)境下的磁畸變、GNSS 拒止和多障礙等客觀現(xiàn)實(shí)，以及在地下，室內(nèi)等特殊場(chǎng)景下的作戰(zhàn)需求均要求無(wú)人機(jī)集群具備更多種類的傳感器，來(lái)得到更高精度和魯棒性的導(dǎo)航定位能力。基于此，本文針對(duì)從單無(wú)人機(jī)、多無(wú)人機(jī)兩個(gè)層次對(duì)無(wú)人機(jī)在城市環(huán)境中作戰(zhàn)的導(dǎo)航研究現(xiàn)狀進(jìn)行綜述。具體組織結(jié)構(gòu)如下，第二章詳細(xì)介紹單體導(dǎo)航定位技術(shù)的研究發(fā)展及現(xiàn)存問(wèn)題；第三章多無(wú)人機(jī)協(xié)同導(dǎo)航技術(shù)的研究現(xiàn)狀；第四章給出未來(lái)發(fā)展方向并進(jìn)行總結(jié)。

2 城市環(huán)境中單無(wú)人機(jī)導(dǎo)航定位方法研究

高精度的定位信息是后續(xù)控制與決策的基礎(chǔ)，根據(jù)第1 節(jié)可知，在城市環(huán)境中高精度、魯棒的定位面臨很多因素的影響。本節(jié)本文將介紹單無(wú)人機(jī)的定位技術(shù)，包括全球衛(wèi)星導(dǎo)航系統(tǒng)、慣性導(dǎo)航系統(tǒng)定位、視覺(jué)/激光雷達(dá)定位、無(wú)線傳感網(wǎng)定位等，以及它們的融合定位，給出現(xiàn)存問(wèn)題及難點(diǎn)，對(duì)于一些較為新穎的導(dǎo)航定位方法進(jìn)行概括。

2.1 城市環(huán)境無(wú)人機(jī)定位方法

2.1.1 全球衛(wèi)星導(dǎo)航系統(tǒng)定位

目前，全球衛(wèi)星導(dǎo)航系統(tǒng)主要包括中國(guó)的北斗系統(tǒng)（Bei Dou System,BDS）、美國(guó)的全球定位系統(tǒng)（Global Positioning System,GPS）、俄羅斯的格洛納斯定位系統(tǒng),以及歐洲的伽利略系統(tǒng)[11]。除此之外，還包含部分區(qū)域范圍提供服務(wù)的區(qū)域?qū)Ш较到y(tǒng)，如日本的準(zhǔn)天頂星系統(tǒng)（Quasi-Zenith Satellite System,QZSS）、印度區(qū)域?qū)Ш叫l(wèi)星系統(tǒng)（Indian Regional Navigation Satellite System，IRNSS）。GNSS 系統(tǒng)可以為全球提供定位、測(cè)速、授時(shí)功能（Position、Velocity、Time，PVT）。GNSS接收機(jī)獲取的導(dǎo)航電文一般包含系統(tǒng)時(shí)間、星歷、歷書(shū)、衛(wèi)星時(shí)鐘的修正參數(shù)、導(dǎo)航衛(wèi)星健康狀況和電離層延時(shí)模型參數(shù)等[12]。在得到導(dǎo)航電文信息后，通過(guò)偽距單點(diǎn)或?qū)崟r(shí)動(dòng)態(tài)載波相位（Real Time Kinematic,RTK）等方法可以得到對(duì)應(yīng)坐標(biāo)系，如地心地固坐標(biāo)系下的坐標(biāo)、速度等。RTK技術(shù)是被廣泛應(yīng)用于無(wú)人機(jī)電力檢修、軍事偵測(cè)等領(lǐng)域的厘米級(jí)別定位技術(shù)[13]。在RTK 進(jìn)行定位時(shí)，為了消除電離層及對(duì)流層等帶來(lái)的誤差，額外的基準(zhǔn)站需要通過(guò)數(shù)據(jù)鏈將其觀測(cè)值和測(cè)站坐標(biāo)信息一起傳送給被定位的流動(dòng)站，從而獲得高精度定位。然而，由于電磁波信號(hào)傳播不但受到電離層、對(duì)流層的影響[14]，在一些復(fù)雜環(huán)境（如城市、地下、懸崖、強(qiáng)磁等環(huán)境下）同樣面臨大尺度陰影衰落、多徑效應(yīng)等影響，由此帶來(lái)解算結(jié)果誤差上升或更嚴(yán)重的GNSS 拒止情況[15]。因此，GNSS 定位信息可以作為多源融合的一個(gè)信息源，與其他傳感器進(jìn)行融合，對(duì)位置速度等信息進(jìn)行估計(jì)。

2.1.2 慣性導(dǎo)航系統(tǒng)定位

慣性導(dǎo)航系統(tǒng)（Inertial Navigation System,INS）一般由陀螺儀及加速度計(jì)組成[16]，與氣壓計(jì)、磁力計(jì)等傳感器進(jìn)行組合，通過(guò)相應(yīng)的融合方法解算得到姿態(tài)、速度和位置。慣性導(dǎo)航系統(tǒng)中陀螺儀的精度決定了系統(tǒng)精度的上限[17]。在消費(fèi)電子領(lǐng)域，無(wú)人機(jī)一般采用MEMS 陀螺及加速度計(jì)。在電機(jī)高頻震動(dòng)以及無(wú)人機(jī)機(jī)動(dòng)的情況下，其姿態(tài)和位置估計(jì)將很快發(fā)散。與MEMS 器件不同的是，更高精度的光纖陀螺、激光陀螺以及液浮陀螺由于其更優(yōu)的傳感器特性，被廣泛應(yīng)用于航天、航空，以及一些戰(zhàn)略武器（如核潛艇）中[18]。核潛艇等可以在沒(méi)有外部信息源引入的情況下，長(zhǎng)時(shí)間依靠慣性導(dǎo)航系統(tǒng)航位推算得到自身剛體的姿態(tài)、速度和位置信息。零偏不穩(wěn)定性等數(shù)據(jù)一般由器件廠商提供，由Allan 方差計(jì)算得到，這些參數(shù)直接體現(xiàn)了慣性器件的精度[19]。器件的精度往往決定慣性導(dǎo)航系統(tǒng)精度的上限，而算法則可以在一定程度上對(duì)精度進(jìn)行優(yōu)化。對(duì)于無(wú)人機(jī)姿態(tài)估計(jì)方法，經(jīng)典算法包括互補(bǔ)濾波[20]，卡爾曼濾波[21]，以及優(yōu)化類方法，如梯度下降法[22]，高斯牛頓法[23]，以及Levenberg-Marquadt 方法[24]等。Mahony 等[20]考慮低速情況下的無(wú)人系統(tǒng)，在通過(guò)對(duì)所提出的觀測(cè)器進(jìn)行了Lyapunov 分析，保證觀測(cè)器誤差的全局穩(wěn)定性情況下，給出利用特殊正交群的幾何特性推導(dǎo)得到的三種互補(bǔ)濾波器，分別是直接互補(bǔ)濾波器: SO(3)上的非線性觀測(cè)器；無(wú)源互補(bǔ)濾波器:利用SO(3)的對(duì)稱性避免預(yù)測(cè)角速度項(xiàng)轉(zhuǎn)換到參考估計(jì)框架的非線性濾波方程。這樣極大簡(jiǎn)化了觀測(cè)器動(dòng)力學(xué)方程，避免了構(gòu)造姿態(tài)誤差與預(yù)測(cè)；顯式互補(bǔ)濾波器:該濾波器直接用矢量測(cè)量（如對(duì)IMU 的重力或磁場(chǎng)方向）對(duì)無(wú)源互補(bǔ)濾波器的一種重新表述，非常適合在嵌入式硬件平臺(tái)上實(shí)現(xiàn)，其結(jié)構(gòu)圖如圖2所示。其中，為旋轉(zhuǎn)矩陣，可以進(jìn)一步解算得到姿態(tài)；Ω為陀螺測(cè)量值；Pa()為SO(3)中誤差空間到速度空間的映射；k為增益。

圖2 互補(bǔ)濾波Fig.2 Complementary filter

在開(kāi)源無(wú)人機(jī)項(xiàng)目PX4 源碼的早期姿態(tài)解算版本中，顯式互補(bǔ)濾波器通過(guò)低成本慣性測(cè)量單元得到準(zhǔn)確的姿態(tài)估計(jì)。Wu 等[25]面向無(wú)人機(jī)的慣性導(dǎo)航系統(tǒng)，提出了一種基于磁、角速率和重力（Magnetic,Angular Rate,and Gravity,MARG）傳感器數(shù)據(jù)的四元數(shù)姿態(tài)估計(jì)器。本文設(shè)計(jì)了一種新的固定增益互補(bǔ)濾波器結(jié)構(gòu)，考慮無(wú)人機(jī)算力限制，通常避免使用迭代算法減小計(jì)算量，將基于加速度計(jì)的姿態(tài)確定轉(zhuǎn)化為線性系統(tǒng)。通過(guò)控制理論得到了該系統(tǒng)的穩(wěn)定解，并且只需要一次矩陣乘法，就可以計(jì)算出系統(tǒng)解，極大地減小了傳統(tǒng)互補(bǔ)濾波計(jì)算成本。由Mahony 經(jīng)典顯式互補(bǔ)濾波算法發(fā)展而來(lái)的各種互補(bǔ)濾波算法，由于需要將無(wú)人機(jī)導(dǎo)航系下的矢量投影至機(jī)體系求誤差，因此在無(wú)人機(jī)大機(jī)動(dòng)高速運(yùn)動(dòng)下將存在較大誤差，從而導(dǎo)致對(duì)陀螺儀數(shù)據(jù)的修正包含誤差，最終得到的姿態(tài)也將不準(zhǔn)確。Kannan 等[26]文中參考Mahony 互補(bǔ)濾波器的原理，提出一種基于四元數(shù)的低復(fù)雜度線性卡爾曼濾波器新方法來(lái)計(jì)算智能系統(tǒng)的航向，在時(shí)間更新階段中而非測(cè)量更新階段對(duì)漂移進(jìn)行補(bǔ)償，在響應(yīng)和穩(wěn)定時(shí)間方面有很大的改善。文中引入的方法消除了任何漂移，對(duì)輸入或系統(tǒng)的噪聲具有良好的容忍度，對(duì)于無(wú)人機(jī)消除零偏不穩(wěn)定性引起的零偏具有較大的借鑒意義。針對(duì)互補(bǔ)濾波器中在高速或大機(jī)動(dòng)下存在較大誤差導(dǎo)致姿態(tài)不準(zhǔn)問(wèn)題，Madgwick 等[22]基于四元數(shù)提出了一種新的姿態(tài)解算算法，并應(yīng)用于可穿戴的人體運(yùn)動(dòng)跟蹤康復(fù)應(yīng)用中。文中從姿態(tài)航向參考系統(tǒng)（Attitude and Heading Reference System，AHRS）中得到對(duì)應(yīng)數(shù)據(jù)，參考Mahony 互補(bǔ)濾波思想，利用矢量差構(gòu)建優(yōu)化目標(biāo)函數(shù)，并給出了步長(zhǎng)公式，最終利用梯度下降優(yōu)化算法求取姿態(tài)。該算法與基于卡爾曼算法的定向傳感器進(jìn)行了性能測(cè)試。結(jié)果表明，算法達(dá)到了與基于卡爾曼算法匹配的精度水平。該算法與Mahony 互補(bǔ)濾波一樣，被廣泛應(yīng)用于各類無(wú)人機(jī)系統(tǒng)的姿態(tài)解算中，開(kāi)擴(kuò)了利用優(yōu)化類方法進(jìn)行無(wú)人系統(tǒng)姿態(tài)解算的新思路。除利用梯度下降法之外，基于同樣的思想，Liu 等[23]提出了一種改進(jìn)的四元數(shù)高斯牛頓法，并采用該方法進(jìn)行了求解姿態(tài)。Fourati 等[24]提出了一種可行的基于四元數(shù)的互補(bǔ)觀測(cè)器，可以應(yīng)用于無(wú)人機(jī)姿態(tài)估計(jì)，并利用Levenberg Marquardt 算法對(duì)加速度和局部磁場(chǎng)測(cè)量進(jìn)行預(yù)處理，從而簡(jiǎn)化整體互補(bǔ)觀測(cè)器設(shè)計(jì)。慣性導(dǎo)航中姿態(tài)解算經(jīng)典算法如表1所示。

表1 姿態(tài)估計(jì)算法對(duì)比Table 1 Pose estimation algorithms comparison

2.1.3 視覺(jué)/激光雷達(dá)定位

近幾年，視覺(jué)和激光雷達(dá)技術(shù)被廣泛應(yīng)用于無(wú)人機(jī)領(lǐng)域來(lái)解決地下、室內(nèi)等GNSS 拒止環(huán)境下導(dǎo)航定位問(wèn)題。根據(jù)是否使用先驗(yàn)的高精度地圖，可以將視覺(jué)定位技術(shù)分為基于先驗(yàn)地圖定位和實(shí)時(shí)構(gòu)圖與定位（Simultaneous Localization and Mapping,SLAM）兩種[27]。對(duì)于基于先驗(yàn)地圖的定位，一般通過(guò)圖像檢索與精確定位來(lái)完成對(duì)該新增圖像幀的定位，圖像檢索根據(jù)二維圖像信息對(duì)比出最類似的場(chǎng)景，尋找當(dāng)前幀與歷史幀差別最小的候選幀。精確定位則是在完成圖像檢索、得到候選幀后，對(duì)候選幀與歷史幀進(jìn)行相應(yīng)的特征匹配[28]。圖像檢索過(guò)程易受到光照、無(wú)人機(jī)抖動(dòng)、視角受限等影響，精確定位過(guò)程則需要提取特征點(diǎn)，并根據(jù)先驗(yàn)地圖中特征點(diǎn)關(guān)聯(lián)關(guān)系得到先驗(yàn)地圖中的特征點(diǎn)與當(dāng)前圖像幀中特征點(diǎn)的關(guān)聯(lián)關(guān)系，最后進(jìn)行優(yōu)化求解。視覺(jué)或者激光雷達(dá)的SLAM 技術(shù)被廣泛應(yīng)用于移動(dòng)無(wú)人系統(tǒng)以及現(xiàn)今火熱的自動(dòng)駕駛領(lǐng)域。從該技術(shù)的定義可知，SLAM 技術(shù)由地圖構(gòu)建和定位兩部分組成，在地圖構(gòu)建階段通常將每幀局部坐標(biāo)系下的點(diǎn)云數(shù)據(jù)或視覺(jué)特征投影至全局坐標(biāo)系下進(jìn)行拼接[29]。在定位階段，視覺(jué)定位一般分為直接法和間接法。間接法首先提取拍攝圖像中每一幀的特征點(diǎn)，然后匹配圖像特征點(diǎn)，根據(jù)特征點(diǎn)進(jìn)行相機(jī)軌跡的跟蹤和估計(jì)，而直接法則是利用拍攝圖像中的光度信息和圖像一致性，對(duì)準(zhǔn)圖像進(jìn)行位姿估計(jì)。激光雷達(dá)定位則與建圖階段高度耦合，建圖階段包含定位問(wèn)題，即在建圖階段可獲取待定位目標(biāo)在所建地圖中的位置和姿態(tài)信息[30]。

2.2 典型組合導(dǎo)航

2.2.1 GNSS/INS 組合導(dǎo)航

GNSS 定位離散且容易受到干擾，INS 由于受零偏不穩(wěn)定性等的影響，解算過(guò)程積分累積誤差導(dǎo)致最終定位發(fā)散。因此，結(jié)合各自的優(yōu)點(diǎn)，GNSS 與INS 的組合導(dǎo)航被廣泛應(yīng)用于各類諸如無(wú)人機(jī)、無(wú)人車等無(wú)人系統(tǒng)中，相應(yīng)的各種松耦合、緊耦合等組合導(dǎo)航方法發(fā)展也較為成熟[31]。楊濤等[32]針對(duì)可用衛(wèi)星數(shù)目不足時(shí)慣導(dǎo)誤差發(fā)散的問(wèn)題，提出了一種基于多GNSS 接收機(jī)偽距觀測(cè)的 GNSS/INS 緊耦合方法。文中對(duì)于可用衛(wèi)星數(shù)目較多，滿足定位條件時(shí)，GNSS/INS 緊耦合方法的導(dǎo)航精度與松耦合相當(dāng)；當(dāng)可用衛(wèi)星數(shù)目不足時(shí)，多GNSS/INS 松耦合由于觀測(cè)不足，定位結(jié)果迅速發(fā)散，而緊耦合方法仍可利用剩余衛(wèi)星提供的觀測(cè)信息繼續(xù)定位。何偉等[33]針對(duì)無(wú)人機(jī)INS 模塊發(fā)生故障導(dǎo)致GNSS 環(huán)路失鎖的問(wèn)題，提出了一種基于模糊控制輔助的深耦合跟蹤算法。該算法通過(guò)動(dòng)態(tài)控制INS 實(shí)現(xiàn)對(duì)GNSS 深耦合跟蹤的輔助，并建立了相應(yīng)的切換準(zhǔn)則。

在空曠的室外環(huán)境中，GNSS 信號(hào)一般正常，星座數(shù)量也較多。然而正如第1 節(jié)所述，在城市建筑物遮擋、隧道、室內(nèi)或者未來(lái)戰(zhàn)場(chǎng)的極端環(huán)境下，GNSS 信號(hào)將會(huì)受到干擾，產(chǎn)生大尺度衰落或者多徑現(xiàn)象，從而導(dǎo)致定位誤差顯著增加，甚至出現(xiàn)信號(hào)拒止的情況。INS 雖然可以較好地估計(jì)出自身姿態(tài)，但是對(duì)于求解速度與位置時(shí)，由于零偏不穩(wěn)定性，積分誤差逐步累積，最終也會(huì)導(dǎo)致解算結(jié)果發(fā)散。在一些特殊應(yīng)用場(chǎng)景（如核潛艇中），雖然應(yīng)用高精度陀螺儀及加速度計(jì)可以延緩積分誤差的累計(jì)過(guò)程，然而最終仍需要定期上浮獲取GNSS 信息來(lái)修正誤差。因此在城市等復(fù)雜環(huán)境下，對(duì)于無(wú)人機(jī)這類高機(jī)動(dòng)、強(qiáng)干擾下的剛體，研究如何進(jìn)行狀態(tài)估計(jì)極其具有意義和實(shí)踐價(jià)值。在文獻(xiàn)[34]中，針對(duì)GNSS 信號(hào)在城市環(huán)境中的多徑效應(yīng)，提出了一種基于K 均值、高斯混合聚類以及模糊c-均值3 種非監(jiān)督學(xué)習(xí)聚類方法，對(duì)視距（Line of sight，LOS）及非視距（Non Line of sight，NLOS）信號(hào)進(jìn)行識(shí)別。類似地，在文獻(xiàn)[35]中，對(duì)接收到的GNSS 信號(hào)進(jìn)行平滑，用于校正偽距的誤差。Falco等[36]提出了一種應(yīng)用于城市環(huán)境的低成本GNSS/INS 緊耦合算法，并在真實(shí)城市場(chǎng)景中測(cè)量得到了較好的精度。相對(duì)于INS 與商用GPS 模塊松耦合，緊耦合算法可以更好地估計(jì)無(wú)人系統(tǒng)位置和姿態(tài)。

2.2.2 視覺(jué)慣性里程計(jì)

MEMS 和芯片技術(shù)的發(fā)展使得計(jì)算機(jī)可以更小的規(guī)模、同等的算力出現(xiàn)在無(wú)人系統(tǒng)中。因此，利用計(jì)算機(jī)視覺(jué)或者激光雷達(dá)與板載計(jì)算機(jī)聯(lián)合提供局部坐標(biāo)系下相對(duì)位置速度作為觀測(cè)與INS進(jìn)行組合導(dǎo)航是可行方法之一[27]。視覺(jué)慣性組合導(dǎo)航的優(yōu)點(diǎn)在于，可以利用視覺(jué)信息修正IMU 的零偏，減小積分累計(jì)誤差。同時(shí)，IMU 可以提供短時(shí)間快速運(yùn)動(dòng)的位姿估計(jì)。視覺(jué)和慣性融合的算法稱為視覺(jué)慣性里程計(jì)（Visual Inertial Odometry,VIO）。目前，VIO 框架分為基于濾波器和基于優(yōu)化兩類方法。按照?qǐng)D像特征是否加入狀態(tài)向量又可以分為緊耦合和松耦合兩類?；跒V波的松耦合方法將視覺(jué)信息和IMU 數(shù)據(jù)直接融合，融合過(guò)程不影響數(shù)據(jù)本身，視覺(jué)模塊作為黑盒修正慣性模塊的累積誤差。Weiss[37]提出了視覺(jué)和慣性融合框架ssf 以及多傳感器融合框架msf[38]。文中考慮多傳感器刷新率同步問(wèn)題，給出了基于迭代卡爾曼濾波器更新的狀態(tài)緩沖方案?；跒V波的緊耦合方法將圖像特征和IMU 的位置、方向和速度信息進(jìn)行融合，融合過(guò)程會(huì)影響視覺(jué)和 IMU 中的參數(shù)。Mourikis 等[39]針對(duì)EKF-SLAM 中特征點(diǎn)過(guò)多導(dǎo)致的狀態(tài)向量維數(shù)過(guò)大問(wèn)題，提出了MSCKF 框架，把不同時(shí)刻的相機(jī)位姿加入狀態(tài)向量而非特征點(diǎn)，維護(hù)一個(gè)位姿的隊(duì)列即滑動(dòng)窗口，把滑動(dòng)窗口中位姿的共視特征點(diǎn)作為幾何約束。此方法相較于EKF SLAM有更好的準(zhǔn)確性、一致性和計(jì)算效率，被應(yīng)用于Google Tango 項(xiàng)目。此后，Li 等[40]在此基礎(chǔ)上改進(jìn)提出了MSCKF2.0。此外，Bloesch 等[41]提出的基于稀疏圖像塊的EKF 濾波的框架ROVIO，其優(yōu)點(diǎn)是稀疏圖像塊保證了計(jì)算量較小，但是由于沒(méi)有閉環(huán)累積誤差會(huì)發(fā)散?；趦?yōu)化的視覺(jué)慣性里程計(jì)利用非線性優(yōu)化方法求解位姿。Leutenegger 等[42]考慮到非線性優(yōu)化的在性能和計(jì)算復(fù)雜度上的顯著優(yōu)勢(shì)，提出了基于優(yōu)化的緊耦合框架OKVIS，它在前端使用Harris 角點(diǎn)檢測(cè)和BRISK 算法進(jìn)行立體匹配，后端使用滑動(dòng)窗口法進(jìn)行優(yōu)化，通過(guò)優(yōu)化一個(gè)包括重投影誤差和IMU 積分誤差的非線性代價(jià)函數(shù)求解位姿和地圖點(diǎn)。VSLAM 領(lǐng)域的經(jīng)典框架是Raúl 等[43]提出的一種適用于室內(nèi)外環(huán)境，基于特征的實(shí)時(shí)單目ORB-SLAM。該框架在復(fù)雜運(yùn)動(dòng)下魯棒，且寬基線閉環(huán)，主要由跟蹤、建圖、重定位和閉環(huán)檢測(cè)4 部分構(gòu)成，最終可生成一個(gè)緊湊且可跟蹤的地圖。與其他當(dāng)時(shí)最先進(jìn)的單目SLAM 方法相比，ORB-SLAM 實(shí)現(xiàn)了前所未有的性能，并且代碼已開(kāi)源。兩年后，Raúl 等又提出了ORB-SLAM2。ORB-SLAM2 是完整的同時(shí)定位和映射(SLAM)系統(tǒng)，除ORB-SLAM 適用的單目相機(jī)，還擴(kuò)充支持標(biāo)定后的雙目相機(jī)和RGB-D 相機(jī)，包括地圖重建、循環(huán)關(guān)閉和重新定位功能。該系統(tǒng)可以在板載計(jì)算機(jī)上實(shí)時(shí)工作，適用于各種室內(nèi)環(huán)境、工業(yè)環(huán)境中的無(wú)人系統(tǒng)。2016年，Raúl 等[44]在ORB-SLAM2 的基礎(chǔ)上改進(jìn)提出了具有地圖重用功能的單目視覺(jué)慣性定位算法。Qin 等[45]提出了開(kāi)源單目視覺(jué)慣性里程計(jì)框架VINS-MONO，這是一個(gè)具有自標(biāo)定、自動(dòng)初始化、重定位能力的可靠、完整、通用的系統(tǒng)。它在前端使用Harris角點(diǎn)檢測(cè)、RANSAC 算法和KLT 光流跟蹤特征點(diǎn)，把預(yù)積分后的IMU 測(cè)量值和圖形特征進(jìn)行融合，得到高精度視覺(jué)慣性里程計(jì)，在后端采用滑動(dòng)窗口法優(yōu)化重投影誤差，在回環(huán)檢測(cè)上使用詞袋算法實(shí)現(xiàn)重定位。各類VIO 算法的比較如表2所示。

表2 VIO 方法比較Table 2 Pose estimation algorithms comparison

2.2.3 Lidar/INS 組合導(dǎo)航

針對(duì)激光雷達(dá)相關(guān)的多源融合，He 等[46]提出了一種基于融合GNSS/LiDAR 的SLAM 姿態(tài)估計(jì)框架。該框架主要適用于在部分GNSS 拒止的

室外環(huán)境中執(zhí)行大規(guī)模3D 地圖構(gòu)建。文中利用 GNSS 定位和LiDAR-SLAM 的互補(bǔ)性，根據(jù)RTK 實(shí)時(shí)運(yùn)動(dòng)狀態(tài)來(lái)分解地圖構(gòu)建任務(wù)，如在GNSS 拒止場(chǎng)景中建圖時(shí)，采用3D LiDAR-SLAM算法估計(jì)位姿，并提出校正算法來(lái)校正漂移誤差。另一方面，在開(kāi)放場(chǎng)景中進(jìn)行映射時(shí)，提出了一種基于 GNSS 初始化的 LiDAR 映射算法（GL-mapping），以松耦合來(lái)對(duì) GNSS 定位和LiDAR 數(shù)據(jù)配準(zhǔn)。李帥鑫等[30]以實(shí)現(xiàn)移動(dòng)小型智能化系統(tǒng)的實(shí)時(shí)自主定位為目標(biāo)，針對(duì)激光里程計(jì)誤差累計(jì)大、旋轉(zhuǎn)估計(jì)不穩(wěn)定等問(wèn)題，提出一種基于LiDAR 和INS 緊耦合的實(shí)時(shí)定位方法。該方法在數(shù)據(jù)預(yù)處理部分提出一種快速點(diǎn)云分割方法，把結(jié)構(gòu)性顯著的點(diǎn)篩選出來(lái)，并將這些點(diǎn)作為特征點(diǎn)來(lái)降低點(diǎn)云規(guī)模。同時(shí)，對(duì)于地圖匹配點(diǎn)搜索慢及點(diǎn)云地圖不完整的問(wèn)題，利用環(huán)形容器保持地圖點(diǎn)恒定，將INS 和LiDAR 構(gòu)成的預(yù)積分因子、配準(zhǔn)因子、閉環(huán)因子插入全局因子圖中，采用基于貝葉斯樹(shù)的因子圖優(yōu)化算法對(duì)變量節(jié)點(diǎn)進(jìn)行增量式優(yōu)化估計(jì)，實(shí)現(xiàn)數(shù)據(jù)融合。Zhang 等[47]提出的2 軸激光雷達(dá)里程計(jì)與地圖構(gòu)建方法，該方法將SLAM 過(guò)程分為高頻率低精度里程計(jì)過(guò)程及低頻率高精度的建圖過(guò)程的結(jié)合，代表了目前該領(lǐng)域的最高水準(zhǔn)。

此外，Cioffi 等[48]為了在長(zhǎng)時(shí)間下自主導(dǎo)航中實(shí)現(xiàn)魯棒的、無(wú)漂移的姿態(tài)估計(jì)，提出了一種將GNSS 與視覺(jué)和INS 通過(guò)緊耦合融合在非線性優(yōu)化估計(jì)器中，該方法允許利用所有量測(cè)之間的相關(guān)性。通過(guò)最小化代價(jià)函數(shù)(包括視覺(jué)重投影誤差、慣性誤差和全局位置殘差)來(lái)估計(jì)系統(tǒng)最新?tīng)顟B(tài)，所提方法在室外無(wú)人機(jī)飛行中，相對(duì)于松耦合方法，平均位置誤差降低了50%。

對(duì)于單體無(wú)人機(jī)的自主導(dǎo)航而言，GNSS/INS組合導(dǎo)航技術(shù)較為成熟，應(yīng)用廣泛，已存研究較多。然而對(duì)于城市多徑、陰影大量存在的環(huán)境，GNSS 定位精度已經(jīng)決定該類方法的上限并不高，需要額外的感知設(shè)備進(jìn)行進(jìn)一步修正?；谝曈X(jué)及激光雷達(dá)的方案因此被引入，視覺(jué)與慣性設(shè)備的融合可以進(jìn)行GNSS 拒止環(huán)境下的自主導(dǎo)航定位，并且定位精度較高，不需要外部信息源的引入。穩(wěn)健性則受限于視覺(jué)精度，與慣性設(shè)備類似。長(zhǎng)時(shí)間工作后，視覺(jué)需要進(jìn)行回環(huán)檢測(cè)消除誤差，并且需要的計(jì)算成本較高，對(duì)于特征點(diǎn)較為稀疏的環(huán)境定位效果較差。同樣，為了處理點(diǎn)云數(shù)據(jù)，基于激光雷達(dá)與慣性設(shè)備融合的組合導(dǎo)航方案同樣面臨計(jì)算成本過(guò)大的問(wèn)題，但是其定位精度較高，被廣泛應(yīng)用于當(dāng)前火熱的自動(dòng)駕駛中。面一些復(fù)雜環(huán)境，如雨天，大霧等天氣，穩(wěn)健性有待提高。

3 城市環(huán)境中無(wú)人機(jī)集群導(dǎo)航定位方法

根據(jù)單無(wú)人機(jī)導(dǎo)航定位的基礎(chǔ)，面向未來(lái)城市環(huán)境的無(wú)人機(jī)集群作戰(zhàn)環(huán)境，本節(jié)介紹相應(yīng)的協(xié)同導(dǎo)航定位研究，最后給出現(xiàn)存問(wèn)題及難點(diǎn)。

根據(jù)引言部分歸納特點(diǎn)，在未來(lái)大城市作戰(zhàn)中，單無(wú)人機(jī)在執(zhí)行任務(wù)方面效率低、冗余低、易受干擾，無(wú)法適用于成規(guī)模體系的現(xiàn)代化作戰(zhàn)需求。從單無(wú)人機(jī)到無(wú)人機(jī)集群的作戰(zhàn)發(fā)展趨勢(shì)代表了未來(lái)先進(jìn)的戰(zhàn)術(shù)思路，無(wú)人機(jī)集群作戰(zhàn)技術(shù)則以單無(wú)人機(jī)技術(shù)為基礎(chǔ)發(fā)展而來(lái)，美軍DARPA 制定的各類項(xiàng)目也從側(cè)面驗(yàn)證這點(diǎn)。城市環(huán)境下無(wú)人機(jī)集群導(dǎo)航定位研究成果較多，主要考慮GNSS 拒止下的導(dǎo)航定位[49]、非視距(Non Line of Sight,NLOS)及多徑效應(yīng)下的導(dǎo)航定位[50]。根據(jù)解決問(wèn)題的手段也可分為基于無(wú)線傳感網(wǎng)[51]以及基于視覺(jué)冗余融合定位等，涉及導(dǎo)航恢復(fù)及導(dǎo)航增強(qiáng)等內(nèi)容。

3.1 基于無(wú)線傳感網(wǎng)

無(wú)線傳感網(wǎng)由大量傳感器節(jié)點(diǎn)組成，節(jié)點(diǎn)通過(guò)無(wú)線通信組成局域網(wǎng)絡(luò)，通過(guò)傳感器搜集周圍環(huán)境的物理信息，并上傳至中央處理模塊，以期實(shí)現(xiàn)萬(wàn)物互聯(lián)。而無(wú)線傳感網(wǎng)在無(wú)人機(jī)集群的導(dǎo)航定位應(yīng)用中，主要以目標(biāo)的跟蹤定位為主。得益于無(wú)人機(jī)的高機(jī)動(dòng)性，在城市環(huán)境中，雖然存在GNSS 拒止區(qū)域，但在高空中自主搜尋GNSS信息并以自身為錨點(diǎn)，結(jié)合測(cè)距信息，可以為集群中GNSS 拒止并執(zhí)行作戰(zhàn)任務(wù)的無(wú)人機(jī)提供導(dǎo)航恢復(fù)功能，為無(wú)人機(jī)集群在GNSS 拒止環(huán)境下作戰(zhàn)提供了新的思路[52]。同時(shí)，作為與視覺(jué)、激光雷達(dá)等不同的信息源，基于無(wú)線傳感網(wǎng)的無(wú)線電定位可以從另外一個(gè)角度提供更多穩(wěn)健的冗余信息。對(duì)于存在多徑效應(yīng)或非視距大尺度衰落的環(huán)境，利用無(wú)人機(jī)集群間測(cè)距的靈活性避開(kāi)非視距區(qū)域，通過(guò)多次定位來(lái)進(jìn)行導(dǎo)航增強(qiáng)，也為城市環(huán)境中高精度定位提供了新的思路，具體如圖3所示。

圖3 基于無(wú)線電的無(wú)人機(jī)集群定位Fig.3 Localization of UAV swarm based on radio ranging

無(wú)線傳感網(wǎng)在無(wú)人機(jī)集群的測(cè)距中，主要以基于超寬帶技術(shù)(Ultra Wide Band，UWB)的到達(dá)時(shí)間(Time of Arrival,TOA)/到達(dá)時(shí)間差(Time Difference of Arrival,TDOA)，以及基于藍(lán)牙、Wi-Fi、Zigbee 等IEEE 802.11 或802.15 協(xié)議的接收信號(hào)強(qiáng)度(Received Signal Strength,RSS)測(cè)距為主[1]。通過(guò)此類無(wú)線電測(cè)距與GNSS 信息良好的無(wú)人機(jī)對(duì)集群內(nèi)拒止無(wú)人機(jī)進(jìn)行導(dǎo)航恢復(fù)或抑制多徑效應(yīng)進(jìn)行導(dǎo)航增強(qiáng)，主要以三方面為主：對(duì)無(wú)線電測(cè)距模型及信道的優(yōu)化；對(duì)無(wú)線電定位算法的優(yōu)化，尤其以三邊定位、指紋定位等為主；對(duì)無(wú)線電定位中錨點(diǎn)布置的優(yōu)化。

在對(duì)無(wú)線電測(cè)距模型及信道地優(yōu)化方面，Cassioli 等[53]基于固定間距的測(cè)量網(wǎng)格上對(duì)UWB信道建立了一個(gè)統(tǒng)計(jì)模型，用于城市中典型室內(nèi)辦公場(chǎng)景，文中研究了在不同房間測(cè)量下的多徑輪廓的統(tǒng)計(jì)特性，給出路徑能量增益的小尺度統(tǒng)計(jì)量服從伽馬分布以及多徑之間的相關(guān)性是可以忽略的結(jié)論。Alavi 等[54]對(duì)室內(nèi)環(huán)境中的LOS 和NLOS 環(huán)境下的TOA 測(cè)距進(jìn)行了距離誤差的建模和分析，在LOS 環(huán)境中，歸一化距離誤差的零均值高斯模型可以近似地模擬距離誤差。在NLOS環(huán)境中，文中證明了高斯模型是不合適的，并引入一個(gè)混合零均值高斯分布和指數(shù)分布，可以很好地?cái)M合距離誤差。Khawaja 等[55]基于實(shí)測(cè)P410超寬帶套件數(shù)據(jù)對(duì)各種無(wú)人機(jī)通信場(chǎng)景進(jìn)行了全面的測(cè)量，并對(duì)實(shí)測(cè)數(shù)據(jù)進(jìn)行了時(shí)域和頻域分析，建立了空對(duì)地（Air-to-ground，AG）超寬帶傳播信道的隨機(jī)路徑損耗和多徑信道模型。Ahmed等[56]考慮對(duì)低功耗低數(shù)據(jù)速率的Zigbee 進(jìn)行研究，觀察環(huán)境因素、天線方向、地面反射引起的多徑衰落效應(yīng)等特性，并對(duì)它們的相對(duì)重要性進(jìn)行了實(shí)驗(yàn)評(píng)估。Essaadali 等[57]針對(duì)多普勒頻移降低了信噪比的問(wèn)題，提出一種減少無(wú)線通信系統(tǒng)中的多普勒效應(yīng)的解決方案。具體方法如表3所示。其中，往返時(shí)延（Round-Trip Time,RTT）是常用于UWB 測(cè)距的手段之一。

表3 無(wú)線傳感網(wǎng)中測(cè)距方式Table 3 Summary of ranging methods in wireless sensor networks

在對(duì)無(wú)線電定位算法優(yōu)化方面，Oliva 等[58]利用單元圓盤(pán)圖擴(kuò)展了三邊定位。該信息被建模為一個(gè)鏈接，即陰影邊緣。此外，我們?yōu)榫W(wǎng)絡(luò)的可局部性提供了條件，并證明了所提方法比三邊法有更好的效果。事實(shí)上，該算法在三邊測(cè)量失敗時(shí)也能對(duì)傳感器網(wǎng)絡(luò)進(jìn)行定位。Tomic 等[59]提出了一種新的魯棒方法來(lái)解決NLOS 環(huán)境下的目標(biāo)定位問(wèn)題，文中基于RSS/TOA 測(cè)距，將非觀測(cè)誤差視為有害參數(shù)，從而減輕了非觀測(cè)誤差的影響，并通過(guò)一定的近似將其轉(zhuǎn)化為廣義信賴域子問(wèn)題，最終用對(duì)分法進(jìn)行有效的求解。Katwe等[60]對(duì)于使用RSS 和TOA 測(cè)量非視距(NLOS)環(huán)境下的源定位問(wèn)題，從原始的非凸極大似然估計(jì)問(wèn)題出發(fā)，利用一組緊密近似構(gòu)造了魯棒加權(quán)最小二乘（RWLS）問(wèn)題，并采用一種新的凸殼約束進(jìn)一步收緊了RWLS 問(wèn)題，并最終采用二階錐規(guī)劃（Second-Order Cone Programming,SOCP）進(jìn)行求解。

在對(duì)無(wú)線電定位中錨點(diǎn)布置的優(yōu)化方面，不同數(shù)量的傳感器、不同構(gòu)型的傳感器網(wǎng)都將對(duì)目標(biāo)的定位產(chǎn)生巨大的影響。對(duì)于不同構(gòu)型或者不同測(cè)距方式定位精度的判斷，常用標(biāo)準(zhǔn)是費(fèi)舍爾矩陣（FIM）及其逆陣，即克拉美羅下界（Cramer-Rao Lower Bounds,CRLB），或者采用幾何精度因子（GDOP），即CRB 的跡作為判定標(biāo)準(zhǔn)，兩者也分別被稱為A-最優(yōu)準(zhǔn)則以及D-最優(yōu)準(zhǔn)則。CRB與GDOP 在量測(cè)值零均值高斯獨(dú)立的條件下精度是一致的，但是當(dāng)量測(cè)相關(guān)時(shí)，由于CRB 考慮了量測(cè)相關(guān)項(xiàng)的影響，將會(huì)比GDOP 更加精確。針對(duì)2D 情況下傳感器布置問(wèn)題，大量研究分別根據(jù)到達(dá)角度(Angle-of-Arrival,AOA)、RSS、TOA、僅測(cè)距方式進(jìn)行了推導(dǎo)以及分析[61]，其中，Bullo等給出了通用測(cè)距函數(shù)下的最優(yōu)傳感器構(gòu)型。同時(shí)，Bishop 等總結(jié)并給出了AOA、RSS、TOA，僅測(cè)距方式下不同數(shù)量的最優(yōu)傳感器構(gòu)型。Li 等[62]給出了AOA 測(cè)距下最優(yōu)傳感器構(gòu)型的閉合解。

3.2 基于視覺(jué)/激光雷達(dá)

單無(wú)人機(jī)的視覺(jué)和激光雷達(dá)SLAM 問(wèn)題已經(jīng)有許多成熟的方案，但面對(duì)城市復(fù)雜環(huán)境作戰(zhàn)，往往會(huì)遇到建圖區(qū)域范圍小、精度和效率低的困難，不能滿足大尺度地圖構(gòu)建的需要。多無(wú)人機(jī)協(xié)同SLAM 通過(guò)多機(jī)之間的通信組合各個(gè)無(wú)人機(jī)的信息，將地圖融合在一起構(gòu)建全局地圖。Andersson 等[63]采用平方根信息平滑法解決多機(jī)器人地圖對(duì)準(zhǔn)問(wèn)題。相比于傳統(tǒng)的擴(kuò)展卡爾曼濾波方法，平滑方法不排除任何信息，能更好地處理非線性過(guò)程和測(cè)量模型。該方法可以合并單個(gè)機(jī)器人的地圖，為參與地圖合并的每個(gè)機(jī)器人恢復(fù)完整的機(jī)器人軌跡，以及在重復(fù)的特征之間進(jìn)行數(shù)據(jù)關(guān)聯(lián)，減少完整地圖的不確定性。Tang等[64]提出基于多智能體優(yōu)化粒子濾波的SLAM方法，算法通過(guò)更新粒子的預(yù)測(cè)、調(diào)整粒子的建議分布來(lái)提高定位精度和容錯(cuò)性，并推動(dòng)粒子集中在機(jī)器人的真實(shí)位姿上。與標(biāo)準(zhǔn)粒子濾波方法相比，該方法可以通過(guò)較少的粒子，實(shí)現(xiàn)更高的SLAM 精度。Zhang 等[65]考慮視覺(jué)和激光雷達(dá)的信息互補(bǔ)優(yōu)點(diǎn)提出了一種視覺(jué)和激光雷達(dá)融合的框架。該框架保證在傳感器高速運(yùn)動(dòng)和受環(huán)境光照變化影響時(shí)仍具有較好的魯棒性，其原理是先利用視覺(jué)里程計(jì)估計(jì)位姿，再利用高頻激光雷達(dá)掃描配準(zhǔn)位姿和點(diǎn)云，從而達(dá)到較高的位姿估計(jì)精度。Chen 等[66]考慮到多機(jī)器人協(xié)同定位問(wèn)題在沒(méi)有先驗(yàn)知識(shí)的條件下，每個(gè)機(jī)器人的累積誤差會(huì)對(duì)回環(huán)檢測(cè)和地圖融合造成負(fù)面影響，提出了一種基于ORB 特征檢測(cè)和BoW 的SLAM 方法，以及一種魯棒、高效的圖融合算法來(lái)融合不同機(jī)器人的位姿圖，更準(zhǔn)確地檢測(cè)回環(huán)，并且可以融合每個(gè)單個(gè)機(jī)器人的子地圖，以提高系統(tǒng)的效率、準(zhǔn)確性和魯棒性。Zhang 等[67]考慮到單個(gè)機(jī)器人局部地圖的合并過(guò)程中識(shí)別局部地圖之間的公共區(qū)域的重要性，提出了一種新的三維協(xié)作建圖方法，把協(xié)作建圖過(guò)程分為公共區(qū)域檢測(cè)和地圖合并兩個(gè)主要任務(wù)，利用地面信息作為特征顯著降低了公共區(qū)域探測(cè)任務(wù)的時(shí)間開(kāi)銷，通過(guò)對(duì)生成的公共區(qū)域幀對(duì)進(jìn)行整幀匹配，保證了地圖合并的準(zhǔn)確性。結(jié)果表明，僅使用激光雷達(dá)數(shù)據(jù)可以在多個(gè)機(jī)器人之間協(xié)作創(chuàng)建全局一致的地圖，建圖的效率和精度都得到了提高。Schmuck 等[68]認(rèn)為協(xié)同SLAM 的關(guān)鍵在于具有魯棒性的通信、高效的數(shù)據(jù)管理和單個(gè)機(jī)器人之間有效的信息共享，于是提出一種集中式的協(xié)作SLAM 框架，設(shè)立一個(gè)有強(qiáng)大通信能力的中央服務(wù)器收集單個(gè)機(jī)器人的信息、合并和優(yōu)化地圖，并在適當(dāng)?shù)臅r(shí)候進(jìn)行信息傳播來(lái)實(shí)現(xiàn)它們的協(xié)作，解決了協(xié)作SLAM 的可擴(kuò)展性和對(duì)實(shí)際任務(wù)中經(jīng)常發(fā)生的信息丟失和通信延遲的穩(wěn)健性問(wèn)題。

3.3 基于INS

外部信息源的輸入可以有效提高集群整體定位精度及穩(wěn)健性，另一個(gè)思路則是通過(guò)多組慣性單元的冗余觀測(cè)或者利用更高精度的慣性數(shù)據(jù)及集群間相對(duì)信息修正低成本INS，從根本上提高無(wú)人機(jī)組合導(dǎo)航精度。

為了解決基于MEMS 的INS 長(zhǎng)時(shí)間上電時(shí)其精確度和穩(wěn)健性較差的問(wèn)題以及實(shí)現(xiàn)對(duì)慣性導(dǎo)航誤差零偏和隨機(jī)噪聲的補(bǔ)償，沈凱等[69]通過(guò)設(shè)計(jì)應(yīng)用于無(wú)人系統(tǒng)的基于MEMS 傳感器陣列的INS協(xié)同導(dǎo)航系統(tǒng)，利用基于MEMS 的INS 旋轉(zhuǎn)調(diào)制和協(xié)同導(dǎo)航技術(shù)，設(shè)計(jì)了陣列式INS 協(xié)同導(dǎo)航方案。前者通過(guò)采用旋轉(zhuǎn)或者翻轉(zhuǎn)等物理方式，周期性地改變INS 相對(duì)于導(dǎo)航系的方位，將INS的常值誤差轉(zhuǎn)換成周期性變化的數(shù)據(jù)，使常值誤差在一個(gè)周期內(nèi)的積分為一個(gè)極小的值，進(jìn)而達(dá)到抑制INS 由于零偏導(dǎo)致發(fā)散的目的；后者則直接聯(lián)合利用多個(gè)INS 的測(cè)量信息再進(jìn)行融合，本質(zhì)上為利用多組觀測(cè)來(lái)降低隨機(jī)誤差。文中實(shí)驗(yàn)通過(guò)采集ADIS16405 的實(shí)際數(shù)據(jù)對(duì)噪聲進(jìn)行了仿真，在GNSS 拒止環(huán)境下改進(jìn)了精度和可靠性。張治等[70]基于聯(lián)邦卡爾曼濾波，通過(guò)多機(jī)協(xié)同定位獲得對(duì)目標(biāo)無(wú)人機(jī)的準(zhǔn)確位置。其中，基于多組MEMS 實(shí)測(cè)的誤差數(shù)據(jù)，利用組合導(dǎo)航松耦合解算無(wú)人機(jī)定位參數(shù)并且通過(guò)EKF 得到測(cè)角定位給出的對(duì)目標(biāo)無(wú)人機(jī)位置的最優(yōu)估計(jì)。同時(shí)，聯(lián)邦卡爾曼濾波可以對(duì)于子系統(tǒng)無(wú)人機(jī)由于自身定位的不確定性以及定位粗差等因素造成的數(shù)據(jù)失準(zhǔn)進(jìn)行隔離，這保證了位置估計(jì)的有效性和穩(wěn)健性。王林等[71]同樣基于多組慣導(dǎo)設(shè)備的旋轉(zhuǎn)調(diào)制方法來(lái)配置滿足艦艇對(duì)于姿態(tài)、位置定位精度、穩(wěn)健性以及成本的綜合要求，文中將慣導(dǎo)的姿態(tài)誤差、速度誤差、位置誤差與旋轉(zhuǎn)慣導(dǎo)對(duì)應(yīng)誤差的差值，慣導(dǎo)常值漂移，加速度計(jì)的零偏設(shè)為狀態(tài)量，以單軸雙軸間扣除桿臂效應(yīng)后速度，位置的差值作為濾波的觀測(cè)值來(lái)建立系統(tǒng)的誤差狀態(tài)方程。并通過(guò)實(shí)驗(yàn)驗(yàn)證了經(jīng)過(guò)補(bǔ)償后的定位誤差顯著提高，且在故障下可以提高導(dǎo)航精度。

3.4 多源融合

在面對(duì)城市復(fù)雜環(huán)境時(shí)，不同種類、不同原理的感知方式可以有效提高無(wú)人機(jī)對(duì)環(huán)境的反應(yīng)速度、精度以及文件性。因此多種方式的組合導(dǎo)航，多源信息的融合便成為實(shí)現(xiàn)無(wú)人機(jī)智能化、自主化的技術(shù)手段。國(guó)內(nèi)外相關(guān)研究同樣較多。本文簡(jiǎn)要介紹幾種典型的應(yīng)用。

Zhang 等[72]提出了一種新的三維機(jī)器人協(xié)同探測(cè)制圖方法，用于多個(gè)搭載Lidar 及INS 的機(jī)器人通過(guò)協(xié)同探測(cè)建立全局一致的地圖。文中主要分為公共區(qū)域檢測(cè)和地圖合并兩個(gè)部分。前者利用地面特征信息降低公共區(qū)域檢測(cè)任務(wù)的時(shí)間成本。后者利用生成的公共區(qū)域幀對(duì)的全幀匹配來(lái)改進(jìn)多組機(jī)器人合并的地圖的準(zhǔn)確性。所提方法通過(guò)實(shí)驗(yàn)測(cè)試和驗(yàn)證表明，與單獨(dú)的機(jī)器人映射方法相比，多組機(jī)器人的協(xié)同探測(cè)，其映射的效率和準(zhǔn)確性都有所提高。Alam 等[73]考慮GNSS 在復(fù)雜環(huán)境的缺點(diǎn)，如城市峽谷，提出了一種基于INS 的協(xié)同定位技術(shù)來(lái)改進(jìn)在密集城市區(qū)域和隧道中車道級(jí)的定位。這種協(xié)同慣性導(dǎo)航方法可用于在困難的GNSS 環(huán)境中增強(qiáng)基于INS 的定位，所提方法可用于在GNSS 失鎖或較大誤差時(shí)增強(qiáng)基于INS 的定位。在提出的協(xié)同慣性導(dǎo)航方法中，車輛將基于INS 的速度、位置信息與反方向行駛的車輛進(jìn)行通信，并傳輸實(shí)時(shí)狀態(tài)信息。多組車將接收到的數(shù)據(jù)與本地觀測(cè)數(shù)據(jù)，接收數(shù)據(jù)包中載波頻率偏移進(jìn)行融合。文中的方法通過(guò)仿真以及實(shí)驗(yàn)驗(yàn)證表明，與基于純INS 的方法相比，其定位改進(jìn)高達(dá)72%。同樣，針對(duì)GNSS 在城市峽谷可能拒止或存在較大誤差的情況，Wang 等[74]提出了一種基于單目視覺(jué)的UGV-UAV 魯棒協(xié)同定位算法。該算法利用無(wú)人機(jī)在天空中且衛(wèi)星信號(hào)接收良好時(shí)，為無(wú)人地面車輛實(shí)現(xiàn)精確定位。同時(shí)，UGV 利用YOLOv3目標(biāo)檢測(cè)方法，通過(guò)單目攝像頭檢測(cè)無(wú)人機(jī)，進(jìn)一步獲取UGV 相對(duì)于UAV 的角度和距離等相對(duì)的測(cè)量數(shù)據(jù)。最后，提出融合GNSS、INS、相對(duì)角度和位置測(cè)量的魯棒的卡爾曼濾波器。文中仿真以及實(shí)驗(yàn)結(jié)果表明，所提出的協(xié)同定位算法比傳統(tǒng)定位精度提高了73.63%。Nguyen 等[75]基于INS 以及無(wú)線傳感網(wǎng)，提出了一種利用無(wú)線電感知的移動(dòng)機(jī)器人協(xié)作定位方法，該方法可以應(yīng)用于UAV 或者UGC，著重解決無(wú)人系統(tǒng)的定位問(wèn)題。所提方法的主要優(yōu)點(diǎn)是不依賴于移動(dòng)采集器的位置或軌跡，不需要任何傳播模型。同時(shí)，它不僅適用于 GNSS 不可靠甚至拒止的環(huán)境，而且適用于難以獲得先驗(yàn)信息的環(huán)境。在受干擾較大的信道條件下，不同環(huán)境中的大量仿真及實(shí)驗(yàn)驗(yàn)證了所提出算法的相對(duì)高定位精度，可以達(dá)到米級(jí)別。

4 結(jié)束語(yǔ)

精確的導(dǎo)航定位是無(wú)人系統(tǒng)，尤其無(wú)人機(jī)控制、路徑規(guī)劃、任務(wù)規(guī)劃等的前提，穩(wěn)健、可靠的導(dǎo)航定位系統(tǒng)將直接決定后續(xù)任務(wù)的成敗。本文針對(duì)目前可以應(yīng)用于無(wú)人機(jī)的主流定位系統(tǒng)，如GNSS、INS、視覺(jué)及激光雷達(dá)、WSN 等定位作了綜述?；诖?，進(jìn)一步介紹了目前被廣泛應(yīng)用的GNSS/INS、Visual/INS 等基于多源融合的狀態(tài)估計(jì)。同時(shí)，根據(jù)現(xiàn)代軍備發(fā)展情勢(shì)，基于單體無(wú)人機(jī)的算法框架，對(duì)無(wú)人機(jī)集群中多無(wú)人機(jī)之間協(xié)同定位方法進(jìn)行分類綜述，并進(jìn)行了對(duì)比。

面對(duì)城市的復(fù)雜環(huán)境，體系作戰(zhàn)需要無(wú)人機(jī)集群具備更多種類的傳感器來(lái)得到更高精度和魯棒性的導(dǎo)航定位能力，同時(shí)也對(duì)設(shè)備提出了更高的要求。未來(lái)研究中一些有意義的方向如下。

（1）單個(gè)傳感器的優(yōu)化。如對(duì)于慣性測(cè)量單元中零偏及隨機(jī)噪聲的處理，對(duì)于WSN 中測(cè)距精度的提高，對(duì)于視覺(jué)特征點(diǎn)或者激光雷達(dá)點(diǎn)云數(shù)據(jù)的進(jìn)一步優(yōu)化等都存在大量的難點(diǎn)。

（2）無(wú)人機(jī)集群通信。無(wú)人機(jī)集群通信負(fù)載隨集群數(shù)量的增加而呈現(xiàn)爆炸趨勢(shì)。因此，研究可以兼顧無(wú)人機(jī)集群狀態(tài)以及通信壓力的拓?fù)浣Y(jié)構(gòu)是十分有意義的。

（3）多傳感器融合。尤其不同種類、不同感知原理的傳感器數(shù)據(jù)融合將會(huì)是解決多任務(wù)、多功能任務(wù)目標(biāo)實(shí)現(xiàn)的主要手段。雖然存在各類傳感器，如視覺(jué)、激光雷達(dá)、WSN 等與INS 的融合，然而這些領(lǐng)域仍存在大量亟待解決的問(wèn)題。同時(shí)，如何將這些傳感器作進(jìn)一步擴(kuò)展融合也是未來(lái)的難點(diǎn)和重點(diǎn)。