《无人机多源信息融合探究的国内外文献综述》6000字

无人机多源信息融合研究的国内外文献综述目录TOC\o"1-3"\h\u7867无人机多源信息融合研究的国内外文献综述 127329关键词:无人机；多源信息融合；方法综述 1262101、引言 132862、多源信息组合导航研究现状 3256403、多源信息组合导航故障检测与容错导航技术研究现状 5312544、结语 712491参考文献 8摘要：随着无人机在民用领域的广泛应用，无人机的导航需要适应各类复杂的环境，为了满足应对无人机复杂环境的导航需求，提高导航精度和稳定性。单一组合导航的方式已经不能满足无人机在复杂环境中自主、可靠、高精度的导航。为了提高无人机在复杂环境中导航的精确性。本文采用了多传感器融合导航的方案，通过阅读大量相关文献，分析了无人机应用中的多源信息融合方法的国内外研究现状。关键词:无人机；多源信息融合；方法综述1、引言现如今科学技术不断发展，无人机的研究也成为了热点，由于无人机体积小，便于携带等优点，所以无人机广泛用于军用与民用领域[1],例如大疆公司发布的无人机在民用航拍领域成为一种新的摄影方式。同时无人机也可以用来电力巡检和农药喷洒，减少人工成本，提高了安全性，带来了更安全更高的效率。由于无人机的优点，在未来的发展中会越来越多的应用，但是在无人机的飞行工作中，导航越来越重要。无人机的飞行过程中环境是非常复杂的，所以无人机的导航技术的要求也变高了，需要不断追求高精度、高鲁棒性和高效率的无人机导航算法。现如今无人机导航的方式多种多样，常用的导航方式包括全球定位系统(GPS)、惯性导航系统(INS)、地形辅助导航(TAN)、多普勒测速仪(DVL)、里程计(OD)、视觉导航(VO)等，但是单一传感器导航的方式需要特定的使用环境，无法在复杂环境中提供长期稳定的导航。每种传感器的导航定位方式也不相同。比如GPS是绝对定位方式，惯导和视觉是相对定位方式。为了提升导航的精确性和稳定性，可以将不同的导航定位方式结合，比如绝对定位方式和相对定位方式的结合。在导航实际应用中通常是多种传感器结合，这种方式比单一传感器导航方式也更加普遍。惯性导航目前是各类设备导航时必选的一种导航方式，它广泛用于各个领域的导航设备，惯性导航如此受欢迎的主要原因是其具有独立自主性，采样频率高，数据实时性高的优点。同时可以根据实际需求去选取相应价格的惯性导航设备。虽然惯性导航具有这些优点，但是不可避免的是，惯性导航随着时间的增加误差也会增大，因为惯性导航的原理决定的。惯性导航是相对定位方式，是通过积分计算速度与位置，所以具有累积误差，这一缺点让惯导不能独立长期工作，当工作一段时间后需要进行修正。GPS是一种绝对定位方式，它的误差不会随着时间的增加而变大，这种导航方式会让设备时刻知道自己在什么位置，可以不用知道起始点的位置，但是它的信号容易受到电磁和遮挡物的干扰，在森林，隧道，城市建筑群会出现GPS信号变弱甚至消失的情况。由于这两种导航方式具有互补的特性，人们研究了GPS/INS组合导航的方式去实现持续、精准的定位，这两种导航方式的组合形式在很长一段时间内都是最常用的组合导航方式。在室外的环境中至今很多都还是使用的是这两种组合导航的方式。然而在GPS长期不能运行的环境中，比如室内，只靠惯性导航也会随时间的增长而让误差变大。现如今，数字图像处理和机器视觉等技术已经迅速发展并且取得了一定的成就，让依靠摄像头和图像处理技术的视觉导航得到了快速的发展，同时也掀起一股用计算机视觉导航系统作为平台去研究计算机视觉的热潮，目前的传感器硬件主要包含了单目摄像头，双目摄像头和深度摄像头。视觉导航的原理主要是对摄像头采集的图像进行一系列处理，同时根据两帧图像的变化去结算出无人机的位姿信息。所以视觉导航的方式也不会随时间的增加而让误差增大，但是容易受光线和天气的影响，这些缺点可以由惯性导航弥补。如今视觉惯性导航是研究的热点，在室外空旷地区，无人机拍摄的图像差别不大，不能进行很好的视觉导航，但在室内，这种组合方式能够持续，精确的导航。多传感融合组合导航的方式增加了传感器的数量，同时也增加了系统发生故障的概率，影响了组合导航系统的可靠性，不利于组合导航系统的稳定。对于多传感器组合导航系统，如果某一个传感器的故障信息没有及时处理，那么该故障信息就会随着融合而入侵整个系统，使得整个组合导航结果不精确，甚至系统发生崩溃。因此，研究如何及时检测出传感器故障，以及处理传感器故障信息是有意义的，是保证组合导航系统稳定运行的基础。多源信息融合的无人机容错组合导航的研究主要包括了多传感器信息的融合算法研究以及故障检测和容错导航的算法研究。多传感器信息融合算法是将多个传感器采集到的信息进行融合，传感器采集的信息一般是互补的，通过信息融合算法后，传感器采集的信息就会融合为无人机导航所需要的信息，主要体现无人机导航的精确性。故障检测和容错导航技术主要是对传感器是否正常工作进行及时的检测，容错导航就是根据故障检测的结果将不能正常工作的传感器信息进行隔离，并且将剩余传感器信息重组后进行导航。容错导航主要是体现无人机的稳定性。这两种系统是无人机鲁棒导航的重要保障，二者相辅相成。2、多源信息组合导航研究现状信息融合技术是指将多个互补信息源或者相近信息源进行相互融合和处理，融合后的信息比单个信息更加精确。组合导航的信息融合技术就是将各个导航传感器的导航信息先转换到统一的坐标系下，然后用合适的数学估计方法对坐标系下的数据进行融合，得到系统的最优估计。因此，信息融合的过程就是利用数学最优估计算法对导航系统的状态进行估计的过程。自1960年提案以来，卡尔曼滤波器（KF）已经过度地用于解决许多困难和复杂的信息化融合问题。但是，传统的卡尔曼滤波只能在线性系统中应用。为了将联邦卡尔曼滤波应用于非线性系统，人们提出了一些改进的KF方法。在变化的贝叶斯自适应卡尔曼滤波的基础上，提出了一种跟踪全球定位系统/惯性导航系统中不断变化的噪声方差的方法。但是不充分的先验信息会导致滤波器发散。扩展卡尔曼滤波(EKF)是一种广泛使用的惯性/全球定位系统集成方法。它通过一阶泰勒展开将线性卡尔曼滤波器扩展到非线性系统，从而将非线性系统线性化。然而，系统模型的一阶线性化可能导致有偏甚至发散的滤波解。此外，EKF还要求计算雅可比矩阵，这是一个繁琐的过程。即使基于序贯蒙特卡罗的方法(其中粒子滤波器是一个典型的例子)对于非线性系统的状态估计也是有用的，但是它在计算上是昂贵的，特别是对于高维系统。针对EKF对在进行高阶非线性泰勒展开时，可能造成EKF滤波发散的问题提出了无迹卡尔曼滤波(UKF)。它使用有限数量的西格玛点来捕捉系统的高阶统计量，在估计精度和收敛性方面比EKF更好。同时，基于惯性传感器的量化和有色噪声的随机建模，引入了QR分解的容积卡尔曼滤波器(CKF)和西格玛点CKF，以提高精度和可靠性。但是有些非线性系统并不满足高斯分布，此时可以用粒子滤波(PF)。随着传感器数量的增多，组合导航系统需要处理的信息越来越多，虽然传感器的增加提高了精度，但同时也给集中式滤波的方式带来了大量的计算，容错性能也变差。集中式卡尔曼滤波已经不能满足导航的实时性需求。多传感器信息融合系统中的分散滤波方法越来越受到研究者的关注。与集中式滤波方法相比，分散式滤波方法大大减少了计算量，提高了组合导航系统的容错能力。在分散过滤方法中，卡尔森创建的分散联邦过滤器最为著名。根据分散联邦滤波器的原理，局部滤波器被设计为提供全局最优估计的次优滤波器。卡尔森讨论了一种应用于组合容错导航系统的联邦滤波器。数值仿真结果和实时实现证明了容错性、估计精度和计算速度的优越性。然而，联邦滤波器中的信息分配原则被设计为固定比率，这意味着每个本地系统具有固定的信息系数。然而，在实际应用中，本地系统的性能和估计精度随着复杂的导航环境而不断变化。为了提高联邦滤波器的性能，沈等人在地面无人车辆的组合导航可观测性分析的基础上，提出了一种新的时变信息共享系数自适应联邦卡尔曼滤波器。熊等在分析高动态环境下联邦滤波器的误差协方差矩阵和可观测性矩阵的基础上，设计了一种新的动态矢量信息共享方法。王等提出了一种自适应信息共享因子联邦滤波器，该滤波器可以自适应地调整信息共享因子，以提高无人水下航行器自主导航的可靠性。上述研究了联邦滤波器的信息分配原则，有效提高了导航精度。除了上述的融合方法外还有一些其它算法，因子图法是一种基于概率图的贝叶斯推理平滑算法，它采用因子图模型来表示信息融合问题。也可以将因子图用于组合导航。同样，当传感器出现故障或信号丢失时，系统应限制相应因子的添加，而无需特殊处理。先前的研究表明，这种方法能够高效、快速地融合异步传感器信息，具有良好的可扩展性、灵活性，并在仿真和实际实验中给出了良好的结果。总之，组合导航信息融合技术是整个系统的关键环。是为了提高导航系统的精度，对整个组合导航具有重大的意义。为了得到信息融合的研究趋势，在webofscience中统计了最近5年的论文数量，结果如图1所示。图1多传感器融合主题在webofscience中最近5年的论文数量3、多源信息组合导航故障检测与容错导航技术研究现状组合导航随着传感器的增加，整个系统发生故障的概率也会增加，对于组合导航系统来说。无人机的导航需要长期稳定的工作，所以在设计无人机组合导航时必须考虑系统的容错性，保障某一个或者某一些传感器出现故障时依然能够稳定的运行。近年来，无人机导航系统呈现出多样化和技术成熟的趋势，推动了分析冗余容错导航技术的发展。北京航空航天大学方团队提出了一种容错捷联惯导/全球定位系统/天文导航系统组合导航方案，它采用联邦滤波器框架，以惯性导航系统为参考系统，检测卫星导航系统和天文导航系统的故障。北京交通大学提出了一种基于惯性导航系统/全球定位系统/Locata定位系统方案的容错导航系统。FilaretovVF等研究了一种基于无参考系统的容错导航方法。无人机导航的容错技术主要包括了3部分，分别是对故障进行检测，对故障进行隔离以及隔离故障后完成导航系统的重组。对故障实时性检测是完成整个组合导航容错性的基础。目前整个故障检测的方法包含了参数估计的方法、信号处理的方法和人工只能的方法这三种。如图2所示。图2组合导航系统的故障检测技术分类基于参数估计的方法首先是获得要进行故障检测系统的数学模型，获得数学模型后需要对当前系统的量测值要进行一个估计，然后根据开始设定的阈值来决策本次系统检测是否为故障，其中最为广泛的应用是卡方检测，卡方检测包含了状态卡方检测算法和残差卡方检测算法。由于状态卡方检测是对系统状态的检测，所以计算量打，一般选用残差卡方检测。熊鑫、黄国勇等为了对系统进行评估引入了卡方检验，用预设的逻辑函数以及卡方检验值对过程噪声的特性进行统计并调节；再通过对阈值的比较对观测值进行异常判断，并且采用增强因子的方法对量测噪声的统计特性进行调节。WangR等提出了一种用于超声波巡航车辆（HCV）冗余多传感器导航系统的故障检测算法。该算法根据卡方检测算法以及顺序概率比试验（SPRT）算法结合去全面地诊断失败。同时利用了SPRT监测的故障趋势，还添加了测试统计反馈重置循环以缩短故障停止后缩短恢复时间。Wang等研究了一种能够检测、隔离和重新配置可能危及系统正常运行的故障的技术，该技术由基于信号的直接数字接口技术构成，残差通过使用滤波器估计和测量来确定。此外，还介绍了一种采用自适应滤波器作为性能恶化预防算法的重构方法。基于信号处理的方法主要是针对传感器的信号，用算法提取传感器信号的幅值和频率等特征，再对这些特征进行分析，从而达到检测故障的目的。MaC、YaoJ、XiaoX提出了一种基于变分模式分解（VMD），SVM和统计特征的新方法，例如方差贡献率（VCR），能量熵（EE）和排列熵（PE）。比较通过使用EMD（经验模式分解），MeEMD（改进的集合EMD），BP（反传播）网络，单个或多种统计特性以及不同的电动机负载来评估滚动轴承缺陷的性能。文献[44]本文提出了一种新的时域方法，用于基于小波相关模式的小波分析的交流多终端输电线路故障检测和位置的新时域方法。基于单终端测量的所提出的算法增强了检测时间，并减少了故障位置的误差。当沿传输线的不同位置呈现任何故障类型时，这种方法适用于保护方案以获得可靠和准确的性能。如今，随着人工智能的广泛应用，在故障检测方面也应用了人工智能的方法，人工智能的方法不需要事先确定组合导航的模型。人工智能的方法主要包括了神经网络、支持向量机等。MienVan等人开发了一种新颖的粒子群优化（PSO）-LEAST正方形小波支持向量机（PSO-LSWSVM）分类器，其基于PSO，最小二乘过程和基于新的小波内核功能的支持之间的组合设计矢量机（SVM），用于轴承故障诊断。Sharma,Amandeep等人介绍了支持向量机（SVM）和人工神经网络（ANN）的应用，基于滚动元件轴承的振动和瞬时功率（IP）的振动和瞬时功率（IP）响应。使用主成分分析（PCA）减少了提取的特征的维度，然后使用顺序浮动前向选择（SFF）方法按相关性排序，以降低输入特征的大小并找到最佳特征集的顺序排列所选特征。使用从振动和IP信号提取的统计参数进行SVM和ANN的有效性的比较分析。随着无人驾驶的兴起，导航在无人机驾驶中具有举足轻重的地位，而组合导航的稳定性具有重大的意义，容错导航的研究趋势也逐年增加，以下图3表示的是主题为容错导航在webofscience中近5年论文数量趋势。图3容错导航主题在webofscience中最近5年的论文数量4、结语目前，组合导航故障检测与隔离技术虽然有了一些令人瞩目的成果，但是各种算法均有各自的优点和缺陷，加之组合导航系统的特殊性，现有的FDI方法还不能完全解决导航系统的故障诊断问题。因此，对于野值故障、突变故障和缓变故障这几种不同类型的组合导航系统故障类型，仍然需要对其检测方法进行更深一步的研究，其中组合导航系统对于系统缓变故障的检测技术是目前需要更进一步的完善的关键问题。参考文献[1]TangChengkai,WangYuyang,ZhangLingling,ZhangYi,SongHoubing.MultisourceFusionUAVClusterCooperativePositioningUsingInformationGeometry[J].RemoteSensing,2022,14(21).[2]孙雷,吴庆宪,王玉惠,陈谋.基于改进D-S证据理论的多源空战信息博弈融合方法[J].信息与控制,2022,51(05):566-572.DOI:10.13976/ki.xk.2022.1405.[3]SongHe,HuShaolin,GuoQiliang,JiangWenqiang.RelativePositioningMethodforUAVsBasedonMulti-SourceInformationFusion[J].MathematicalProblemsinEngineering,2022,2022.[4]CaiLin.ApplicationResearchofDistributedUAVNestBasedonMulti-InformationFusionSensorintheFieldofCommunication[J].MathematicalProblemsinEngineering,2022,2022.[5]陈琴.基于多源信息融合的农业空地一体化研究综述[J].农业与技术,2022,42(08):42-44.DOI:10.19754/j.nyyjs.20220430012.[6]冯子恒,宋莉,张少华,井宇航,段剑钊,贺利,尹飞,冯伟.基于无人机多光谱和热红外影像信息融合的小麦白粉病监测[J].中国农业科学,2022,55(05):890-906.[7]杨普,赵远洋,李一鸣,吴宇峰,李蔚然,李振波.基于多源信息融合的农业空地一体化研究综述[J].农业机械学报,2021,52(S1):185-196.[8]时莎莎,韩昕怡,涂阔,李一凡,胡劲文.无人机着陆过程中的多源引导信息融合技术[J].无人系统技术,2021,4(05):31-41.DOI:10.19942/j.issn.2096-5915.2021.5.045.[9]戴震.基于无人机多源影像信息融合的玉米冠层氮含量遥感监测研究[D