大規(guī)模無人機集群通信定位一體化技術(shù)

樊邦奎 劉德康 張瑞雨 唐家瑋，3 常 添，4

（1.智能協(xié)同感知與分析認知實驗室，北京 100094；2.中國工程院，北京 100088；3.北京航空航天大學(xué)電子信息工程學(xué)院，北京 100083；4.北京理工大學(xué)信息與電子學(xué)院，北京 100081）

1 引言

無人機是一種具備自主控制能力的飛行器，可搭載不同載荷，執(zhí)行多種任務(wù)，且能重復(fù)使用。其低成本、低損耗、零傷亡，及高機動性、隱蔽性、靈活性等特點，使其在軍事、民用和科學(xué)研究等諸多領(lǐng)域得到廣泛應(yīng)用［1-3］。近些年來，隨著無人機技術(shù)的飛速發(fā)展，由多架無人機組成的無人機集群逐漸進入人們的視野。無人機集群通過協(xié)同感知、信息共享和分工協(xié)調(diào)完成各類復(fù)雜任務(wù)，具備高度的智慧性和自主性［4］，具有功能的多樣性、群體的抗毀性、成本的低廉性、編隊的靈活性四個優(yōu)勢，而完成這些任務(wù)依賴于集群內(nèi)部準確的定位［5］。目前，無人機集群正朝向包含成百上千架無人機的大規(guī)模無人機集群方向發(fā)展。

對于大規(guī)模無人機集群而言，單一定位手段或定位系統(tǒng)在覆蓋范圍、部署成本、定位精度、載荷重量和功耗等方面難以同時滿足高精度可靠定位需求。衛(wèi)星導(dǎo)航系統(tǒng)和慣性導(dǎo)航系統(tǒng)的航跡推算定位技術(shù)是目前常用的定位手段。然而，當無人機集群處于室內(nèi)、地下通道等環(huán)境時，衛(wèi)星導(dǎo)航信號較弱，無人機定位精度惡化。MEMS 慣性導(dǎo)航設(shè)備雖然尺寸小、成本低，但是累積誤差較大，也無法為無人機集群提供連續(xù)、可靠的高精度定位導(dǎo)航服務(wù)，更無法滿足集群內(nèi)部高精度相對定位要求。

近年來，基于無線電測距與慣性導(dǎo)航結(jié)合的無人機協(xié)同定位技術(shù)因其低成本、低能源消耗以及高定位精度的優(yōu)勢，引起了廣泛關(guān)注［6］。一方面，無人機集群通過機載無線電測距設(shè)備實現(xiàn)機間測距，形成機間測距網(wǎng)絡(luò)，在此基礎(chǔ)上實現(xiàn)無人機集群相對定位。然而，依靠無人機測距網(wǎng)絡(luò)只能實現(xiàn)無人機集群的相對定位，缺乏大地坐標系下的全局坐標信息，缺少相對方向信息。此外，無人機測距網(wǎng)絡(luò)的更新周期較長，難以滿足大動態(tài)條件下的無人機定位需求。另一方面，無人機通常搭載多種慣性導(dǎo)航設(shè)備，包括加速度計、陀螺儀等，無人機可以通過慣性導(dǎo)航系統(tǒng)實時地推算當前位置信息。然而，機載低成本MEMS 慣導(dǎo)系統(tǒng)通常性能較差，受時鐘偏差、溫漂等影響，長時間累積誤差較大，無法滿足無人機集群長時間穩(wěn)定工作的要求。因此，將MEMS慣性導(dǎo)航系統(tǒng)與機間測距網(wǎng)絡(luò)相結(jié)合，有助于彌補彼此的缺陷。通過數(shù)據(jù)鏈傳輸無人機機間測距信息與慣性導(dǎo)航設(shè)備估計的位置信息，利用多源數(shù)據(jù)融合方法，可以提高無人機集群導(dǎo)航定位精度。

基于無線電的無人機機間測距技術(shù)因其不受外界環(huán)境影響、精度高和抗干擾能力強等優(yōu)勢，已被廣泛應(yīng)用于無人機定位系統(tǒng)上［7］。根據(jù)無線電種類的不同，該技術(shù)可分為基于超寬帶（Ultrawide Band，UWB）和基于Wi-Fi 信號的定位技術(shù)等［8-9］。Wi-Fi 是目前使用最為廣泛的商用無線網(wǎng)絡(luò)，已經(jīng)有許多利用Wi-Fi實現(xiàn)無人機定位的相關(guān)研究。文獻［10］利用跳頻技術(shù)來模擬寬帶信號以增大Wi-Fi信號的帶寬從而實現(xiàn)高精度測距，在視距環(huán)境下和非視距環(huán)境下的測距中位數(shù)誤差分別為65 cm 和98 cm。然而，由于跳頻系統(tǒng)的引入，該系統(tǒng)功耗較高；同時受信道脈沖響應(yīng)影響，該系統(tǒng)在較為惡劣的非視距環(huán)境下無法使用。文獻［11］在Wi-Fi 設(shè)備上使用TDOA 技術(shù)實現(xiàn)了室外0.23 m 和室內(nèi)1.5 m的定位精度，然而該技術(shù)需要大量的節(jié)點參與才能實現(xiàn)該精度。基于UWB 的無人機定位技術(shù)具有高精度、抗干擾強的特點，通常能夠提供亞米級的定位精度，然而其傳播距離短，不適用于大范圍無人機集群定位場景。文獻［12］針對時鐘偏差下基于UWB 的無人機定位同步問題進行了分析，提出了一個聯(lián)立優(yōu)化算法，在仿真結(jié)果中達到了CRLB界。此外，文獻［13］研究了錨點參與下無人機的定位問題，使用UWB 實現(xiàn)無人機和錨點間的測距，利用機器學(xué)習(xí)實現(xiàn)信道估計，在室內(nèi)環(huán)境下實現(xiàn)了0.21 m的定位誤差。然而無論是Wi-Fi還是UWB 的方案，都存在工作距離近、測距更新周期長、節(jié)點數(shù)受限等問題。

無人機機載的MEMS 慣性導(dǎo)航系統(tǒng)可以為無人機提供實時位姿信息，該技術(shù)通常與基于無線電的定位系統(tǒng)協(xié)作以提高無人機定位精度。典型的與慣性導(dǎo)航結(jié)合的算法包括基于擴展卡爾曼濾波（Extended Kalman Filter，EKF）的定位算法、置信傳播（Belief Propagation，BP）算法等［14］。其中基于EKF 的定位算法具有復(fù)雜度低的特點，對于移動中的無人機依然可以提供較好的定位估計結(jié)果。但是EKF 本質(zhì)上是將非線性的無人機定位模型近似為一個線性的無人機定位模型，這種近似不可避免的降低了無人機定位精度［15-16］。以無跡卡爾曼濾波（Unscented Kalman Filter，UKF）為代表的改進算法利用一個非線性的轉(zhuǎn)化來近似無人機的非線性運動模型，能夠獲得更好的定位精度，但是在復(fù)雜度上要求更高［17］。置信傳播算法，例如非參數(shù)置信傳播（Nonparametric Belief Propagation，NBP）算法、和積算法（sum-product algorithm）等可以為無人機集群提供一個高精度的定位結(jié)果，但是其計算量巨大，且不適用于運動中的無人機集群場景，因此通常與EKF結(jié)合使用［18-19］。

受上述工作的啟發(fā)，本文面向衛(wèi)星導(dǎo)航拒止場景，針對大規(guī)模無人機集群當中的MEMS慣性導(dǎo)航精度受限問題，通過融合測距信息和MEMS慣導(dǎo)信息，實現(xiàn)全信息的融合定位方法，改善無人機集群內(nèi)部的相對定位精度。本文首先構(gòu)建了無人機集群的慣導(dǎo)定位模型和通信信號模型，基于最大后驗概率方法提出了全信息融合定位優(yōu)化問題。其次，基于系統(tǒng)模型，本文分別推導(dǎo)了延遲估計和距離估計的CRLB，并結(jié)合慣導(dǎo)定位模型，推導(dǎo)了融合定位問題的理論性能極限。然后，本文給出了基于距離估計的全信息融合定位方法，提出了高精度測距輔助下的最優(yōu)線性融合方法，并分析了融合定位的性能提升程度。最后，本文通過數(shù)值仿真驗證相關(guān)結(jié)論。

2 系統(tǒng)模型

一個典型的無人機集群系統(tǒng)如圖1 所示，其中每一架無人機利用MEMS 慣性導(dǎo)航定位設(shè)備進行航位推算，得到無人機當前位置。無人機之間利用通信信號實現(xiàn)相對測距，通過機間測距結(jié)果改善集群定位性能。

圖1 無人機集群示意圖Fig.1 UAV swarm diagram

考慮一個包含N架無人機的無人機集群，第i架無人機的位置真值記為qi，第i架無人機的慣導(dǎo)定位誤差記為?i，定位誤差服從協(xié)方差矩陣為Σi的零均值高斯分布。因此，慣性導(dǎo)航定位結(jié)果pi可以表示為

無人機之間通過OFDM 信號進行通信，并同時實現(xiàn)測距。信號可以寫成如下形式：

信號經(jīng)歷一段延遲后到達接收機，因此，接收信號形式可以表達為

根據(jù)接收信號形式，我們可估計傳播延遲τ。τij表示i號無人機至j號無人機之間的傳輸延遲，距離可以寫成如下形式

其中，C代表光速，代表測距的誤差。我們進一步將測距結(jié)果寫成矢量形式

于是，距離d與位置q的關(guān)系可以記為d=g(q)，顯然，距離是位置的非線性函數(shù)。

利用接收信號進行距離估計，結(jié)合慣導(dǎo)定位結(jié)果，直接構(gòu)造基于MAP的融合定位問題

由于接收信號r與慣導(dǎo)定位p相互獨立，MAP問題可以重寫為

因此，通過求解公式（8）的MAP 問題，就可以得到位置的最優(yōu)估計。

3 融合定位方法

本節(jié)描述利用機間測距改善慣導(dǎo)定位的融合定位方法。

3.1 定位精度分析

根據(jù)接收信號形式，可以直接推導(dǎo)延遲估計問題和測距問題的CRLB

通過測距過程，利用測距結(jié)果代替接收信號，可以進一步將MAP問題重寫為

根據(jù)慣導(dǎo)定位模型，不難得到慣導(dǎo)定位問題的似然函數(shù)

以測距的CRLB作為測距的協(xié)方差矩陣

測距結(jié)果的似然函數(shù)可以表示如下

利用測距誤差和慣導(dǎo)誤差的獨立性，可以通過測距的CRLB和慣導(dǎo)的CRLB共同推導(dǎo)出定位問題的CRLB

至此，我們給出了融合定位問題的理論極限。

3.2 全信息融合定位方法

根據(jù)前面的分析，融合定位問題本質(zhì)是求解MAP問題。結(jié)合公式（11）和公式（13），可以將原問題簡化為以下最大似然估計（maximum likelihood estimation，MLE）問題

定義空間中任意兩個點qi，qj的距離函數(shù)為

因而，根據(jù)矢量d的定義，我們有

可以通過多種方法求解該非線性最小二乘問題，例如梯度下降法、牛頓法、LM 法等。利用f(·)函數(shù)的偏導(dǎo)數(shù)，可以直接構(gòu)造g(·)函數(shù)的偏導(dǎo)數(shù)。計算λ(q)的導(dǎo)數(shù)J(q)可得

若采用梯度下降法，可以迭代求解

若采用高斯-牛頓法，可以迭代求解

于是，我們給出了全信息融合定位方法。

3.3 高精度測距輔助定位方法

在實際中，MEMS 慣導(dǎo)定位精度隨時間快速發(fā)散，而測距精度通常保持不變。通過測距解算高精度的相對位置坐標，利用慣導(dǎo)補全缺失的自由度，是一種有效的全信息定位方法。利用測距構(gòu)建相對坐標的問題，已經(jīng)有大量文獻開展了研究，例如SMACOF 方法，本文在SMACOF 方法基礎(chǔ)上，首先利用高精度測距值構(gòu)建精確相對坐標，然后探討二者融合的問題。

相對定位問題可以描述為如下MAP問題

在高精度測距條件下，將相對坐標轉(zhuǎn)換至真實坐標，R代表旋轉(zhuǎn)矩陣，t代表平移矢量，第i架無人機的相對定位結(jié)果可以表達為如下形式

帶入慣導(dǎo)定位模型，我們有

其中，ηi和?i分別對應(yīng)相對位置誤差和慣導(dǎo)誤差，wi=-Rηi。由于旋轉(zhuǎn)矩陣R是正交矩陣，所以-Rηi和ηi服從相同的零均值高斯分布。又由于慣導(dǎo)誤差遠大于測距引起的定位誤差，且二者相互獨立，我們記誤差總和wi+?i～N(0，Σ)。

依賴測距信息估計的無人機集群相對坐標和慣導(dǎo)絕對坐標系之間存在著旋轉(zhuǎn)和平移的關(guān)系，利用坐標變換的方法，將定位問題轉(zhuǎn)換為對R和t的估計問題，利用高斯分布的特性，可以直接給出對應(yīng)的優(yōu)化問題

為了求解該問題，對pi-Rzi-t進行變形

于是，原優(yōu)化問題可以重寫為估計矢量參數(shù)θ的問題

直接給出該問題的最優(yōu)解

進而可以得到θopt的協(xié)方差矩陣，并同時得到飛機位置的估計值

即利用估計得到的旋轉(zhuǎn)矩陣和平移矢量，對相對定位結(jié)果進行變換，即可完成位置估計。即對無人機使用測距信息估計得到的相對坐標矩陣進行旋轉(zhuǎn)和平移，轉(zhuǎn)化為慣導(dǎo)絕對坐標系下的坐標。對于不含噪聲的理想慣導(dǎo)，可以利用R和t直接將相對坐標系無誤差地轉(zhuǎn)換為絕對坐標系。然而，受慣導(dǎo)誤差影響，R矩陣和t矢量也存在估計誤差。此時，坐標系轉(zhuǎn)換也會存在誤差，這個誤差代表了融合定位的精度，也決定了整個集群的全局定位性能。

不妨選取集群重心建立坐標系，考慮無人機的坐標是近似均勻分布的，此時有

可以推導(dǎo)得到，

定位誤差可以重寫成如下形式

最終，可以得到如下結(jié)果

于是融合定位的標準差有如下性質(zhì)

這表明，隨著無人機數(shù)量增加，高精度測距可以將慣導(dǎo)定位精度提高倍量級。

4 數(shù)值仿真

根據(jù)已經(jīng)建立的無人機集群中慣導(dǎo)定位模型和測距模型，本節(jié)通過數(shù)值仿真驗證前文中的討論，并評估算法的性能。實驗所用的平臺均為MATLAB R2022B，CPU 為Intel i7-12700KF，內(nèi)存為32 GB。在仿真過程中，首先隨機生成每一架無人機在空間中的真實坐標，然后在真實坐標的基礎(chǔ)上，一方面利用慣導(dǎo)定位的噪聲模型產(chǎn)生對應(yīng)的慣導(dǎo)定位數(shù)據(jù)，另一方面利用測距模型產(chǎn)生任意兩架無人機之間的測距數(shù)據(jù)。利用含有噪聲的慣導(dǎo)數(shù)據(jù)和測距數(shù)據(jù)進行數(shù)值仿真。并將仿真得到的融合定位結(jié)果與無人機的真實坐標進行對比，驗證本文算法的有效性。

4.1 CRLB仿真

本小節(jié)針對融合定位的CRLB通過計算機仿真驗證通信測距對于無人機集群導(dǎo)航定位性能的提升效果。無人機集群中的無人機數(shù)量為10～100架，慣性導(dǎo)航的定位標準差記為σimu，取值為0.1 m、1 m和10 m，分別代表3 種不同水平慣導(dǎo)器件的精度。通信測距的標準差記為σd，取值為0.1 m、1 m 和10 m，分別代表3種不同水平的測距精度。仿真中，假定所有的無人機均勻分布在半徑100 m范圍的球形空間內(nèi)。在完成無人機集群坐標初始化后，實現(xiàn)無人機集群兩兩測距并加噪，同時對無人機集群真實坐標加噪作為慣導(dǎo)坐標，最后使用上述數(shù)據(jù)進行CRLB仿真，仿真結(jié)果如圖2所示。

圖2 融合定位CRLB仿真Fig.2 CRLB simulation of fusion positioning

仿真表明，隨著無人機數(shù)量的增加，融合慣性導(dǎo)航和通信測距的定位精度將不斷提高。以慣導(dǎo)誤差σimu=10 m，測距誤差σd=10 m 為例，10 架無人機集群可以將定位精度提高到8 m，當無人機數(shù)量增加到100 架，定位精度可以提高到3.5 m。針對實際中測距精度通常遠高于慣導(dǎo)精度，以慣導(dǎo)誤差σimu=10 m，測距誤差σd=0.1 m 為例，10 架無人機即可將定位精度提高至4.47 m，當無人機數(shù)量增加到100架時，定位精度可提高至1.45 m。

此外，以慣導(dǎo)誤差σimu=10 m，測距誤差σd=0.1 m為例，高精度測距對于慣導(dǎo)定位標準差的提升符合的規(guī)律。以10 架無人機為例，融合前的定位精度標準差為10 m，融合后的定位精度標準差為同樣，以100架無人機為例，融合前的定位精度標準差為10 m，融合后的定位精度標準差為

4.2 編隊隊形CRLB仿真

除了慣導(dǎo)定位精度、測距精度和飛機數(shù)量外，無人機集群的編隊隊形也會對定位精度產(chǎn)生嚴重的影響。針對無人機編隊隊形問題，本節(jié)重點考慮幾種典型的無人機集群編隊隊形：平面圓形編隊、平面正方形編隊、立方體編隊和球形編隊，無人機數(shù)量為10～100 架。以σimu=1 m，σd=0.1 m 和σimu=1 m，σd=1 m 兩種典型場景為例仿真驗證編隊隊形分布對于定位的影響，每次仿真以隨機生成無人機坐標的方式重復(fù)200次，仿真結(jié)果如圖3所示。

圖3 不同編隊隊形融合定位CRLBFig.3 CRLB simulation of fusion location of different formation

仿真表明，無人機編隊的維度對于融合定位精度影響很大。其中，平面圓形編隊、平面正方形編隊位于同一水平面內(nèi)，在同樣的慣導(dǎo)和測距誤差下，正方形編隊和圓形編隊性能基本一致，圓形編隊的性能略微優(yōu)于正方形編隊。而立方體編隊和球形編隊位于三維空間中，其融合定位性能遠高于平面編隊。與平面編隊相似，球形編隊的定位效果要略微優(yōu)于立方體編隊的定位效果。

其根本原因在于，二維平面的編隊構(gòu)型，由于缺乏高度維的觀測信息，導(dǎo)致高度維的觀測信息無法有效融合。即使在實驗中，我們向XYZ三個維度增加相同方差的高斯白噪聲，二維平面分布的測距結(jié)果無法支撐慣導(dǎo)數(shù)據(jù)Z軸的平差，導(dǎo)致融合定位算法在Z軸上的估計精度較低，從而影響了VDOP值，進而惡化了DOP 值，即融合定位性能。仿真中顯示，隨著無人機數(shù)量從10 架增加到100 架，二維平面編隊的融合定位標準差下降至0.6 m 后保持穩(wěn)定，不再下降。而三維立體編隊的融合定位標準差則隨著無人機數(shù)量增加穩(wěn)步降低。這也說明，雖然集群的編隊隊形是編隊控制的結(jié)果，但卻影響了編隊內(nèi)相對定位的觀測過程，盡可能使集群占據(jù)三維空間結(jié)構(gòu)，將極大改善融合定位效果。

4.3 全信息融合定位算法仿真

本小節(jié)針對本文提出的融合定位方法通過數(shù)值仿真進行驗證?？紤]無人機數(shù)量為10 架和100架兩種情況，每一架無人機的慣導(dǎo)定位誤差σimu=1 m，驗證測距誤差相對于慣導(dǎo)定位誤差變化過程中，融合定位算法的性能。在仿真中，假定所有的無人機均勻分布在半徑100 m范圍的空間內(nèi)。仿真一共進行200次，每次均隨機生成無人機坐標，并對無人機集群兩兩測距信息和慣導(dǎo)坐標加噪，最后分別仿真不同算法的性能，仿真結(jié)果如圖4所示。

圖4 全信息融合定位性能Fig.4 Full information fusion positioning performance

以CRLB 作為參考，分別驗證了經(jīng)典的MDS 定位方法、本文提出的基于高斯牛頓全信息融合定位方法、基于SMACOF的高精度測距輔助定位方法。仿真表明，針對無人機數(shù)量N=10和100兩種情況，本文提出的基于高斯牛頓方法的優(yōu)化方法可以達到CRLB，能夠?qū)崿F(xiàn)高精度的全信息融合，能夠充分利用慣導(dǎo)定位信息和測距信息。本文提出的基于SMACOF的高精度測距輔助定位方法在測距方差較大的情況下，與CRLB之間存在較大的差距。隨著測距精度提高，SMACOF 方法逐漸收斂到CRLB。而且，SMACOF 方法也受到無人機數(shù)量的影響，對于10架無人機的集群，SMACOF方法要求測距標準差小于慣導(dǎo)標準差1 個數(shù)量級，才能漸進達到CRLB。但對于100架無人機而言，SMACOF方法僅僅要求測距標準差和慣導(dǎo)標準差位于同一數(shù)量級，就能漸進達到CRLB。經(jīng)典的MDS方法即使在較高測距精度的條件下，仍然與CRLB存在一定的性能差距。而且，在測距誤差較大的情況下，基于MDS 方法和SMACOF 方法性能甚至不如純慣導(dǎo)定位精度，究其原因在于，MDS方法和SMACOF方法均采用SVD方法求解相對坐標，其嚴格依賴于高精度測距假設(shè)。當測距誤差較大時，算法反而引入了額外的計算誤差。

此外，仿真表明，隨著測距精度的不斷提高，本文提出的定位方法和CRLB 同步收斂于固定值，融合定位精度不再提高。這是因為，根據(jù)前面的分析，此時的融合定位精度已經(jīng)收斂到水平，達到極限。仿真結(jié)果也表明，對于σn=1 m，N=10架的條件下，極限融合定位精度達到了0.45 m ≈。同樣，對于N=100 架的條件下，極限融合定位精度達到了。這也證明了本文對融合定位方法性能的分析。

4.4 相對定位性能仿真

此外，本小節(jié)還通過數(shù)值仿真驗證本文所提算法在集群內(nèi)部相對定位中的作用。不同于融合定位考察集群中每一架無人機的全局位置性能，相對定位考察無人機集群內(nèi)部的相對位置關(guān)系。仿真中的參數(shù)與全信息融合定位算法仿真一致，以1 號無人機作為參考，驗證剩余無人機相對于1 號無人機的相對位置。考慮無人機數(shù)量為10 和100 架的情況，每一架無人機的慣導(dǎo)定位誤差σimu=10 m。在仿真中，假定所有的無人機均勻分布在半徑1 km范圍的空間內(nèi)。仿真結(jié)果如圖5所示。

圖5 相對定位性能Fig.5 Relative positioning performance

仿真表明，隨著測距精度的提高，無人機集群內(nèi)部的相對定位精度也隨之提高，并快速收斂。對于10 架無人機的集群，利用融合定位算法，當測距精度提高至1 m 時，相對定位精度已經(jīng)收斂至4 m左右。當無人機數(shù)量為100 架時，定位精度可以達到1.4 m。在相對定位問題中，對于高精度測距場景，誤差主要是由于旋轉(zhuǎn)矩陣引入的，即誤差主要是方向偏差。

此外，考慮到無人機集群中，每一架無人機重點關(guān)注鄰近無人機的相對定位精度，因此針對距離歸一化的相對定位性能進行仿真驗證。將無人機的相對坐標重新投影至100 m 距離的單位球上，計算歸一化相對坐標的誤差。仿真表明，10 架無人機的集群中，100 m 距離上的歸一化誤差在0.5 m量級；100 架無人機的集群中，100 m 距離上的歸一化誤差在0.1 m 量級，完全能夠支持現(xiàn)有的集群協(xié)同。

5 結(jié)論

本文針對無人機集群定位問題，首先構(gòu)建了MEMS 慣導(dǎo)定位模型和信號模型，并推導(dǎo)了融合定位問題的CRLB 和對應(yīng)的最優(yōu)化問題。本文基于高斯牛頓優(yōu)化方法，提出了一種利用通信測距改善慣導(dǎo)定位精度的方法，并針對測距精度遠高于慣導(dǎo)精度的場景，提出了一種高精度測距輔助定位方法，并分析了性能提升的程度。最終，本文通過數(shù)值仿真驗證了本文所提算法的性能，全信息融合定位方法和高精度測距輔助定位方法能夠極大改善定位精度，并且能夠逼近定位問題的CRLB。仿真表明，對于包含N架無人機的無人機集群，依靠通信測距方法，本文所提算法能夠?qū)⒍ㄎ粯藴什罱档土考墸粌H能夠提高集群的全局定位精度，而且能夠極大改善無人機集群內(nèi)部的相對定位精度。

本文使用的距離估計方法建立在延遲估計的基礎(chǔ)上，因而通信延遲估計的準確程度會直接影響定位的效果。在無人機集群中，無人機平臺時鐘不同步、多徑信道等都會對通信延時估計造成一定的影響，從而影響距離估計的結(jié)果，進而導(dǎo)致定位性能惡化。事實上，考慮到無人機集群通常位于高度較高、較為空曠的環(huán)境中飛行并執(zhí)行任務(wù)，此時接收機接收到的經(jīng)地面反射的信號功率較低，對時延估計較小，因此無人機機間的信道模型一般可以假設(shè)為簡單的視距（Line Of Sight，LOS）高斯模型。同時，可以使用外部授時系統(tǒng)對無人機集群時鐘初始化以解決無人機集群時鐘不同步問題。

本文提出的利用通信測距改善慣導(dǎo)定位精度的方法不依賴外部授時與全球衛(wèi)星導(dǎo)航系統(tǒng)，可以顯著擴大無人機集群的應(yīng)用場景，提高無人機集群在衛(wèi)星拒止環(huán)境下的生存率。為提高通信測距精度，需針對通信測距一體化進一步設(shè)計波形，使用多天線技術(shù)或智能反射面技術(shù)提高信噪比，同時考慮到無人機發(fā)射功率受限的問題，為了保障無人機集群通信性能，功率分配問題同樣需要重視。除此以外，本文提出的高精度測距輔助定位算法在強電磁對抗環(huán)境下是否能夠正常工作尚待研究。同時，隨著無人機集群節(jié)點數(shù)量的增多，急需開展去中心化的無人機集群定位算法研究。