博文

天津大学鲜斌教授团队丨概率模型驱动的无人机自适应多源信息轨迹估计

已有 329 次阅读 2026-10-19 08:33 |个人分类:论文推荐|系统分类:博客资讯

编辑荐语

本期将给大家分享“概率模型驱动的无人机自适应多源信息轨迹估计(Probabilistic model-driven adaptive multi-source information trajectory estimation for unmanned aerial vehicles)”. 如您对本期相关内容有好的理解与建议, 欢迎评论区留言.

精准的运动估计是无人机自主飞行的核心基础, 然而在特征退化或剧烈运动场景中, 现有算法往往精度骤降甚至失效. 本文提出了一种前后端协同的多源信息融合轨迹估计算法, 为这一难题提供了系统性的解决方案. 研究基于高斯过程构建了平移–旋转运动解耦的连续时间轨迹模型, 通过运动信息先验与自适应平面协方差估计动态引导前端点云配准, 有效抑制了复杂环境下的匹配漂移; 同时引入基于高斯过程置信传播的因子图优化框架, 打通了前端配准与后端优化的双向信息反馈通道, 显著提升了状态估计的全局一致性. 值得一提的是, 自适应平面协方差估计器通过分析局部几何的各向异性与平面性来选择最优邻域, 生成更具判别性的特征描述, 配合运动先验动态约束搜索空间, 从源头上降低了误匹配风险; 而后端优化结果实时反馈至前端引导配准, 形成了“前端感知–后端校正–再反馈”的闭环机制. 在公开数据集及室外无人机实时飞行试验中, 该方法于狭窄回廊、大尺度室外、林间GPS拒止等易退化场景下均展现出超越Fast-LIO2、DLIO等主流算法的轨迹估计精度与良好的实时性, 为复杂环境下无人机自主飞行提供了一条高可靠性技术路径.

论文介绍

概率模型驱动的无人机自适应多源信息轨迹估计

Probabilistic model-driven adaptive multi-source information trajectory estimation for unmanned aerial vehicles

解伟豪, 鲜斌†

机构: 天津大学电气自动化与信息工程学院.

引用: 解伟豪, 鲜斌. 概率模型驱动的无人机自适应多源信息轨迹估计. 控制理论与应用, 2026, 43(9): 1881 – 1889

DOI: 10.7641/CTA.2026.60034

全文链接:

https://jcta.ijournals.cn/cta_cn/ch/reader/view_abstract.aspx?file_no=CCTA260034&flag=1#

摘要

精准的运动估计是无人机(UAVs)在复杂环境中实现自主飞行的关键, 然而现有算法在特征退化或剧烈运动场景中难以维持高精度, 甚至出现失效问题. 为此, 本文提出了一种前后端协同的多源信息融合轨迹估计算法. 基于高斯过程, 本文构建了一种平移–旋转运动解耦的连续时间轨迹模型. 该算法利用运动信息先验与自适应平面协方差估计动态引导前端点云配准, 有效抑制了复杂环境下的匹配漂移. 此外, 通过引入基于高斯过程(GP)置信传播的因子图优化框架, 建立了前端配准与后端优化的双向信息反馈机制, 提升了状态估计的全局一致性. 通过数据集仿真及室外无人机实时飞行试验, 验证了该算法在多种复杂场景中展现出良好的轨迹估计准确性及实时性.

引言

随着低空经济的快速发展, 无人机应用场景日趋复杂, 对其自主飞行能力提出了更高要求. 其中, 精准的运动估计不仅是控制闭环的基础, 更是自主作业的核心前提[1]. 然而复杂多变且全球定位系统 (global positioning system, GPS) 信号拒止的环境, 给运动估计带来了严峻挑战. 由于单一传感器感知能力受限, 且视觉融合方案易受光照与纹理干扰, 难以满足高精度需求. 相比之下, 激光雷达凭借抗干扰强、测距准及全天候工作的优势, 更适合复杂环境. 因此, 开展基于激光雷达的多源融合轨迹估计算法研究, 已成为突破当前技术瓶颈的关键.

当前研究主要围绕激光雷达点云配准展开. 经典方法中, 迭代最近点方法通过最小化点对点距离实现配准[2], 但对初始位姿和点云质量敏感. 广义迭代最近点 (generalized iterative closest point, GICP)方法引入局部表面法向量与概率模型以提升结构化场景精度[3]. 正态分布变换方法(normal distributions transform, NDT)通过正态分布场建模避免最近邻搜索[4], 但依赖体素分辨率且在非结构化环境中稳定性不足. 针对缺乏几何约束的退化场景, 文献[5]利用高度与惯性信息降低 NDT 位姿估计维度, 文献[6]融合 GICP与NDT实现高效并行配准.

面向无人机高动态运动与环境退化问题, 雷达惯性前端方法不断发展. Fast-LIO融合激光雷达与惯性测量单元 (inertial measurement unit, IMU)数据, 并通过IMU预积分补偿扫描畸变[7]. Fast-LIO2引入增量k维树加速最近邻搜索, 提升高速运动下的定位精度[8]. 在此基础上, 相关研究分别通过全局地图匹配、体素特征保持、高度约束、增量GICP及稳定面元筛选等策略, 提高了长距离巷道、低空飞行、非结构化及卫星拒止环境下的配准稳定性[9–13].

前端方法可提供局部帧间约束, 但长期运行仍需后端优化抑制累计误差. 离散时间方法中, LINS采用迭代误差状态卡尔曼滤波并在局部坐标系中定义状态, 但对同步误差较敏感[14]. 连续时间方法将轨迹表示为连续函数, 更适用于异步多源融合. CLINS采用双组B样条参数化位姿并结合两阶段校正提升融合精度[15]. 文献[16]基于高斯过程回归建模连续轨迹, 并利用稀疏核矩阵高效求解. 因子图优化在异步多源融合和强非线性系统中具有较好扩展性[17]. 基于此, LIO-SAM融合IMU预积分, 激光里程计和GPS约束以提升全局一致性[18], PITE进一步结合分裂高斯过程与概率推理,在精度和效率上取得更优表现[19].

基于上述分析, 针对现有方法在复杂环境下点云匹配准确率低、前后端协同不足等问题, 本文提出一种前后端协同的无人机多源信息融合的轨迹估计算法. 该算法旨在通过自适应协方差估计与运动信息先验, 解决非结构化环境下的配准难题, 同时利用因子图优化保障系统状态的全局一致性与准确性. 相较于上述文献的工作, 本文设计的多源信息融合感知算法具有如下创新点:

1) 提出了融合自适应协方差估计与运动信息先验的点云配准算法. 该算法的核心是自适应平面协方差估计器, 通过分析局部几何的各向异性与平面性, 选择最优邻域以生成更具判别性的特征描述. 该算法同时将运动信息用于动态引导搜索空间和构建优化目标, 在提升效率的同时有效抑制动态干扰与误匹配, 为后端提供了高可靠性的观测输入.

2) 提出了前后端深度协同的多源信息融合算法. 本文建立了信息双向闭环流动, 前端输出激光雷达匹配得到的位姿, 提升后端概率融合的准确性. 后端采用因子图结合置信传播求解的方法, 融合异步的IMU信息与激光雷达匹配信息进行优化, 将优化校正后的位姿估计实时反馈至前端, 用于引导精确配准, 系统性提升了复杂场景下的适应性与准确性.

3) 本文通过数据集与室外飞行试验验证了所提算法的优越性. 本文通过Newer College数据集与自采集数据集验证了算法在纹理重复的室内长廊及大尺度室外场景中表现出良好的轨迹估计准确性. 同时, 通过搭建无人机试验平台, 在GPS拒止且光照复杂的林间环境中进行了试验, 证明了该算法在保证低耗时的同时, 具备良好的准确性.

本文后续的内容安排如下: 第2节给出文中无人机分离式轨迹高斯建模的数学表达形式; 第3节介绍基于体素的激光雷达匹配算法; 第4节介绍IMU信息与激光雷达信息的似然函数构建, 并根据似然函数建立基于置信传播算法的融合优化方法; 第5节给出数据集仿真验证结果, 并将本文设计的无人机多源信息融合轨迹估计算法与近几年流行算法进行对比; 第6节给出试验验证结果, 使用自主搭建的无人机系统验证在复杂环境中算法的准确性和实时性; 最后, 在第7节中, 对本文研究内容进行了总结和展望.

总结

针对无人机在特征退化及剧烈运动场景中的运动估计难题, 本文提出前后端协同的多源信息融合的轨迹估计算法. 该算法构建了解耦平移与旋转的高斯过程连续时间轨迹模型, 融合运动信息先验与自适应平面协方差策略以强化前端配准, 并引入基于置信传播的因子图优化框架, 通过双向信息反馈实现了多源信息的融合优化. 数据集仿真及室外无人机实时飞行试验结果表明, 本文算法在狭窄回廊、大尺度室外等易退化场景中均能保持良好的轨迹估计准确性, 且优于FAST-LIO2与DLIO等现有的主流算法. 未来将尝试引入语义约束进一步提升场景理解能力, 并在更具挑战性的极端天气或动态障碍物密集场景中验证系统的鲁棒性.

作者简介

解伟豪硕士研究生, 目前研究方向为无人机多源信息融合感知.

鲜斌教授, 博士生导师, IEEE高级会员, 目前研究方向为非线性系统控制、无人机系统和实时控制系统等.

期刊介绍

《控制理论与应用》(Control Theory & Applications)是经国家科学技术部批准, 教育部主管, 由华南理工大学和中国科学院数学与系统科学研究院联合主办的全国性一级学术刊物, 1984年创刊, 月刊, 国内外公开发行. 《控制理论与应用》是中国科学引文数据库首批统计源期刊之一，中文核心期刊，入选中国精品科技期刊顶尖学术论文F5000项目，中国科协自动化学科领域高质量科技期刊目录以及中国科协百篇优秀科技论文遴选计划，2021年入选广东省高质量科技期刊建设项目，2022-2024年连续获得基金委资助（科技活动专项）。

期刊封面2.jpg 目录2.jpg