博文

基于超宽带信息智能决策的无人机自主精确定位方法

已有 285 次阅读 2026-8-17 14:36 |系统分类:博客资讯

引用本文

贾镜汀, 李文硕, 田波, 余翔. 基于超宽带信息智能决策的无人机自主精确定位方法. 自动化学报, 2026, 52(5): 1058−1068 doi: 10.16383/j.aas.c250526

Jia Jing-Ting, Li Wen-Shuo, Tian Bo, Yu Xiang. UAV autonomous precise localization method based on ultra-wideband intelligent decision-making. Acta Automatica Sinica, 2026, 52(5): 1058−1068 doi: 10.16383/j.aas.c250526

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c250526

关键词

无人机，传感器信息融合，复合干扰滤波，超宽带定位

摘要

在卫星信号拒止环境中实现无人机的高精度定位是一项关键且具有挑战性的任务. 针对这一难题, 提出一种基于超宽带信息智能决策的无人机自主精确定位方法, 通过超宽带的全局测距校正视觉惯性里程计的累积误差, 从而显著提升定位结果的精确性与鲁棒性. 具体来说, 采用复合干扰滤波方法对超宽带定位中存在的多源异质干扰进行处理; 同时构建超宽带信息评估模块, 对定位结果的可靠性进行量化评估. 实验结果表明, 所提基于超宽带信息智能决策的无人机自主精确定位方法可以有效提高无人机的定位精度.

文章导读

近年来, “低空经济”已被国家置于战略性新兴产业的重要地位. 无人机作为推动低空经济发展的核心力量和关键技术载体[1], 已在应急救援、能源巡检等领域展现出广阔应用前景. 高精度的位置和姿态信息不仅是无人机自主飞行的基础, 更是其安全执行后续任务的前提条件. 当前, 全球卫星定位系统虽能在开阔环境下提供较为稳定的服务, 但在室内、地下、隧道和城市峡谷等复杂环境中, 其信号严重衰减甚至失效, 造成无人机定位性能急剧下降. 如何在卫星信号拒止、光照条件弱等复杂场景下实现精准可靠的自主定位, 成为制约无人机自主能力提升的关键瓶颈[2].

自然界为这一问题提供了有效的启示. 蝙蝠依靠超声波回声在黑暗中实现空间感知与精准导航, 其独特的生物听觉定位机制体现主动探测与信息融合的智能特征, 为工程领域的仿生感知研究提供了重要启示. 受此启发, 超宽带(ultra-wideband, UWB)技术以电磁脉冲代替声波, 通过“发射−接收”　的信号交互模型, 形成依靠电磁感知的主动定位方式. 超宽带定位技术凭借其时间空间分辨率高、发射功率低、轻巧灵活等优势, 已成为复杂环境下实现厘米级定位精度的重要手段, 特别适用于全球卫星定位系统不可用或视觉不可靠的场景, 如厂区内部、地下空间、隧道、城市峡谷等.

然而, 单一超宽带传感器的定位结果往往受到遮挡、干扰或环境变化的影响. 现有的超宽带定位技术的性能仍受锚点几何分布、信号遮挡、多径效应及非视距(non-line-of-sight, NLOS)误差等因素影响, 导致其精度与稳定性下降[3]. 近年来, 超宽带融合定位技术逐渐成为研究热点, 相关研究主要集中于将超宽带与其他现有定位技术融合, 例如视觉惯性里程计(visual inertial odometry, VIO)[4]和激光雷达[5], 以实现在复杂环境中的高精度定位. 在雷达传感器方面, 超宽带传感器和雷达的融合定位在几何空间退化的狭窄管道中体现出互补性[6]. 在视觉传感器方面, 基于视觉的方法能够实现高精度位姿估计, 但普遍存在累积误差的问题, 且其性能易受光照条件变化的影响. 相比之下, 超宽带测量能够提供全局位置信息, 但在复杂环境中其测量精度可能受到限制[7]. 因此, 超宽带与视觉传感器的融合定位也具有互补特性, 将视觉惯性里程计与超宽带传感器融合, 能够充分发挥二者的优势, 实现高精度、低漂移的位姿估计. 超宽带测距可提供全局尺度与约束信息, 用以补偿视觉惯性里程计在长期运行中的累积误差; 视觉惯性里程计可在超宽带信号受限或空间几何退化时提供连续且稳定的位姿估计. 二者在感知维度与误差特性上形成互补, 为实现在复杂环境下的高精度、强鲁棒自主定位提供可行方案. 已有研究围绕超宽带测量与视觉惯性里程计的数据融合提出多种方案[8−11], 包括图优化[8]、联合卡尔曼滤波[9]、批处理[11]等方式, 从而实现长期稳定、无漂移的定位. 进一步地, 超宽带与点云地图的融合可用于构建多模态三维地图[11]. 同时, 基于超宽带测距的定位问题亦可在图优化框架下进行求解[12]. 超宽带已被成功应用于机器人系统中, 不仅增强了自主定位能力, 还作为通信链路在机器人与基站之间实现了数据交互[13].

综上, 现有研究多集中于滤波算法的精度优化, 而在典型任务场景下超宽带系统可观测度的定量评估、非高斯噪声抑制以及与其他传感器的深度融合建模方面研究相对不足, 这些问题限制了超宽带在自主导航中的环境适应性. 在基于超宽带的定位系统中, 雅可比矩阵与超宽带锚点的几何分布密切相关, 这种几何分布同样影响超宽带定位系统的可观测性. 文献[14]推导出一系列雅可比矩阵, 以关联相机与重建点之间的误差, 从而分析运动结构的准确性. 针对姿态跟踪问题, 文献[15]利用误差状态模型构建Fisher信息矩阵(Fisher information matrix, FIM), 从而获得状态估计精度的理论下限. FIM作为一种统计工具, 用于量化观测数据中关于未知状态或参数的信息量[16−17]. Fisher信息矩阵的最小特征值是评估定位准确性与系统可靠性的关键指标, 其数值越大, 表明系统对位置参数的可观测性和估计能力越强, 从而可获得更高的定位精度[18].

因此, 本文提出基于超宽带信息智能决策的无人机自主精确定位方法, 利用UWB定位的光照不敏感特性与VIO的短时高精度特性, 实现二者在导航层面的互补. 针对复杂环境中的多径效应与NLOS误差, 系统引入复合干扰滤波(composite disturbance filtering, CDF)方法进行抑制, 从而显著提升测距稳定性与状态估计精度. 本文所提出的融合方法在优化过程中引入可观测度评价机制, 算法通过最小化视觉惯性里程计与超宽带测量残差的马氏范数平方和, 实现状态最优估计. 同时, 引入一个调整参数, 用于根据超宽带系统的可观测度动态调节其在融合优化中的权重. 实验结果验证了所提算法在定位精度与鲁棒性方面的显著提升. 本文的主要贡献可总结如下:

1) 提出一种基于超宽带信息智能决策的无人机自主精确定位方法. 该方法引入复合干扰滤波器, 实现对多径效应、非视距误差等多源异质干扰的有效处理.

2) 提出一种基于可观测度分析的动态权重与自适应参数调节机制. 该机制根据超宽带测量的降级程度在线调整融合权重, 从而提高融合系统在复杂环境下的定位可靠性.

3) 基于搭载超宽带传感器与视觉相机的无人机飞行实验平台, 对所提自主精确定位算法的性能进行系统验证. 实验结果表明, 相较传统方法, 所提算法在定位精度与鲁棒性方面均取得显著提升.

本文其余部分组织如下: 第1节详细描述超宽带与视觉惯性里程计融合定位方法; 第2节介绍超宽带信息的智能决策机制; 第3节进行无人机飞行实验验证并分析实验结果; 第4节对全文进行总结并给出未来展望.

图1 无人机UWB与VIO融合定位示意图

图2 UWB偏斜t测量噪声的概率图模型

图3 UWB与VIO融合定位方法框图

本文提出一种基于超宽带信息智能决策的无人机自主精确定位方法, 利用超宽带定位的光照不敏感特性与视觉惯性里程计的短时高精度特性, 实现二者在感知维度与误差特性层面的互补. 超宽带定位通过内嵌无人机动力学模型, 对复合干扰进行精细表征和处理. 同时进行系统可观测度分析, 考虑特殊场景下导航信息源的切换等约束条件, 研究基于可观测度的导航信息智能决策方法, 实现了超宽带导航信息的可靠判定. 实验结果表明, 在纹理特征变化显著的动态场景中, 所提算法相较于传统定位方法有效降低了定位误差, 显著提升了无人机的定位精度与系统鲁棒性. 未来研究中, 可进一步结合在线学习或自适应建模方法, 对环境相关的干扰特性与系统不确定性进行持续更新, 从而为高自主性无人系统在未知与受限环境中的稳定运行提供更加通用且鲁棒的理论与方法支撑.