无人机编队协同导航研究现状及进展*

谷旭平 唐大全 唐管政

（海军航空大学 烟台 264001）

1 引言

UAV在航拍，电力巡检，快递，交通巡查，城市监视，基础设施检查和三维地图绘制等领域都发挥重要作用［1～3］。受自身燃料、重量、尺寸、机载传感器以及通信设备的限制，人们依据自然界的集群行为，提出了无人机编队理念［4］。即解决单架UAV执行任务效率低，失败率高的问题，又提高了任务执行效率，扩展了新的任务领域。

国际上无人机编队发展迅速。美国开展了“无人机蜂群”，“低成本无人机技术蜂群”，以及“小精灵”项目计划［5～6］。英国开展无人机编队竞赛，欧洲启动“欧洲蜂群”项目，俄罗斯开展无人机协同作战研究，芬兰开展“SEAD swarm”项目［7］。对于中国而言，南京航空航天大学基于解耦理念，设计无人机编队控制器。西北工业大学采用分布式的编队控制，设计无人机编队成员之间的导航定位方式［8］。中国的“河豚A2”以多机编队的形式亮相土耳其国际防务展，展现了其独特的自组网智能集群功能。国家电网利用一键控制五架无人机开展高风险地区的电力巡检。

无人机编队队形保持与变换的关键在于能够准确把握UAV的相对导航信息。作为UAV保持编队飞行与精确定位的关键，协同导航备受关注。

2 无人机编队协同导航原理

UAV一般采用惯性导航系统（INS）和全球定位系统（GPS）相搭配的导航模型，利用GPS对INS实时校正，保证定位精度。UAV主要的导航系统如图1所示。

无人机编队协同导航方式一般分为主从式和平行式，如图2～3所示。为了节省成本，发挥编队优势，一般采用主从式协同导航。长机配备高精度导航设备，僚机配备较低精度导航设备。

图3 平行式结构

协同导航首先是主僚机的时间校对，来保证实时性。之后僚机通过将自身导航设备的信息与长机的导航信息相融合，并运用滤波算法减小导航误差，完成对导航信息的校正，保持正常的编队轨迹飞行，从而保证了整体的高精度定位。

3 导航传感器的发展现状

导航系统多种多样，但它们输出参数，使用条件，性能特点各不相同，也各有局限性。提高导航精度，可将不同的导航系统组成相对导航系统。下面对几种导航传感器进行分析，为相对导航系统的论述奠定基础。

3.1 惯性导航系统

INS具有自主性强、抗干扰能力强、提供的导航参数多、隐蔽性好［53］的优点。但在初始对准后，导航精度随时间增加而下降［54］，且INS初始对准时间长。

文献［9］针对旋转导航系统（RINS）的旋转轴或惯性传感器的安装误差，以及壳体旋转导致瞬时振荡型速度和姿态误差，提出了一种将相关方法，平均方法和卡尔曼滤波相结合的误差估计方法。文献［10］为了解决捷联惯性导航系统的校准问题，设计一种“telescopic”系统。使用该系统，规范系统多次重启和校准过程。文献［11］研究高精度平台惯性导航系统（PINS）的导航精度估计问题，开发了一种改进的最小二乘支撑向量平台，用于预测PINS导航精度。

此外核磁共振陀螺仪，冷原子惯性传感器，粒子成像测速惯性传感器，半球谐振陀螺仪技术［12］，这些新型的惯性导航传感器，不仅弥补了INS的不足，且具有高性能和高精度特性。随着惯导技术的不断发展完善，在未来即使没有其他导航系统的辅助，INS仍能以高可靠性和准确性应用于更多领域。

3.2 卫星导航系统

目前主要的全球导航卫星系统（GNSS）主要有中国的“北斗”卫星导航系统，欧洲的“Galieo”导航系统，俄罗斯的GLONASS导航系统，以及美国GPS导航系统。

文献［13～14］为了提高GNSS的测量以及控制性能，设计了卫星链路（ISL）。ISL通过独立的评估星历和时钟参数的方法，提高GNSS的完整性。它是实现新一代GNSS自动导航的关键技术。文献［15］针对GNSS抗干扰能力弱的问题，设计了改进的空时自适应处理算法。该算法增强了自适应天线的抗干扰处理能力。文献［16］研究了基于GNSS的反射算法。针对在特定目标上不同的反射特性，研究了GNSS对不同目标物的敏感特性，增强了目标识别的能力。

GNSS具有导航精度高，用户设备简单，价格低廉的优点。但GNSS需地面站支持，且易受干扰，属被动式导航系统。应加强GNSS增强技术的研究，通过增加信号或者添加信号源来提高GNSS的准确性，完整性和连续性。

3.3 视觉导航系统

在GNSS受限的环境中，导航解决方案的需求不断增长。由于在计算能力和计算机视觉方面的进一步发展，视觉传感器成为了GNSS的优秀替代者。

文献［17］设计一种无地图视觉导航系统。该系统基于深度强化学习的方法从彩色图像中提取信息，导出运动命令，具有很强的自主性。文献［18］介绍了基于深度卷积神经网络的图像目标识别的最新成果。评估运用于视觉导航的可能性。文献［19］基于蜜蜂导航，提出了一种基于光流的视觉导航。讨论了UAV在靠近障碍物以及在狭窄通道航行时自动调节高度和速度的可能性。

当前视觉导航智能化程度依旧不高［20］。提高视觉导航精度，一方面要增加相机数目，另一方面也要增强图像质量和图像处理能力。由于视觉导航需要对图像特征进行提取，为了保证实时性和有效性，就要提高图像处理的效率以及精度。

4 无人机编队协同导航的研究与进展

下面主要从相对导航方式，编队队形和导航结构，协同导航算法三个方面，论述其在提高导航精度方面的研究进展。

4.1 相对导航

相对导航一般由卫星导航设备，辅助导航设备以及多普勒计程仪组成，主要的导航流程如图4所示。下面就对目前主流的组合导航系统发展情况进行介绍。

图4 相对导航系统信息流程

文献［21］采用的集成导航系统是由集成捷联惯性导航系统，电子罗盘，视觉光流导航系统，高度计和激光测距仪组成。该系统无需已知陆基导航目标，就能实现UAV自主导航。文献［22］采用的相对导航系统由INS，载波相位差分全球定位系统和视觉导航系统（VisNav）组成。该系统与INS/GPS和INS/VisNav系统相比，具有更高的稳定性与精准度。文献［23］采用基于联合滤波器的INS/BD/RP/TAN多源容错组合导航系统。该系统不仅弥补单一导航系统的不足，而且具有很强的容错能力，在出现故障时，仍能提供精准的导航信息。文献［24～25］的集成导航系统由载波相位差分GPS，INS和超宽带（UWB）组成。该系统可在GPS受限时，仍能提供精准的导航信息。文献［26］采用基于伪距差分GPS（DGPS）的相对导航。验证了没有基站的DGPS相对导航，不仅可以简化算法，减少设备支出，而且可以提高定位精度。文献［27］采用的基于UWB辅助的相对导航方式。该方案可在单依靠GPS的情况下，达到比较精准的相对导航效果。

相对导航系统，可以将不同导航系统的优势结合起来，提高整体性能指标。但大多基于GNSS的组合导航系统，在受到干扰时，会影响导航精度。因此组合导航系统，可以引入自动故障检测、故障诊断、故障隔离和系统重构技术，构成容错组合导航系统。

4.2 编队队形和导航结构

编队队形与导航结构是无人机编队协同导航的重要组成部分。文献［28］针对无GPS情况下的导航精度问题，提出基于机间测距信息的机群组网协同定位方法，利用几何图形平移旋转估计惯导定位误差，缓解误差的发散速度。文献［29］针对三架UAV编队在无GPS和INS的情况下，通过构建以UAV为定点的三角形，提出了基于几何特性的多UAV协同导航算法。验证该方法优于航位推算法，且定位误差不随时间累积。文献［30］针对单主模式下，导航系统不易被观测的问题，提出了基于双主交替领航的协同导航方法，明确了系统可观测的条件。文献［31，34］依据平台搭载导航设备精度的差异，将系统分为高精度层和低精度层，低精度层利用高精度层传递的导航信息进行修正更新。这种分层式结构提高了低精度层的导航定位精度。文献［32］针对主从式AUV协同导航的时间延迟问题，提出了基于状态补偿的DEKF算法。文献［33］针对同高度下的两架UAV，提出了仅利用测距雷达和机载导航系统测距信息就可得到相对姿态的方法。文献［35］在开源ROS操作系统的基础上，结合纯分布式的无人机集群控制方法，提高了无人机编队协同导航精度。文献［36］设计了无人机编队的导航架构，其中长机使用INS/GPS集成导航系统，而僚机则使用分布式导航技术。建立了基于信息融合滤波的分层分布体系结构，估计僚机的绝对位置和速度，并获得长机和僚机的相对导航解，进而获得精确的导航信息。

合适的编队队形和导航结构，一方面可以增强编队协调性与统一性，提高编队协同导航的精度与性能。另一方面有利于长机，僚机之间的信息交互，提高编队控制水平和整体效能。同时合理的编队队形和导航结构可以实现编队远距离航行、减少能源消耗、增强编队灵敏度，提高编队飞行的安全性与任务完成率。

4.3 协同导航算法

随着无人机编队的不断发展，其协同导航算法也在不断完善，在精简传统算法的同时，也提高了编队导航的精度。

文献［37］针对量测噪声协方差矩阵的时变性以及编队环境的易变性，提出了基于交互式多模型的协同导航鲁棒自适应滤波算法，提高了对量测异常的抑制能力以及自适应能力。文献［38］针对导航误差的非线性特性，采用了伪线性卡尔曼滤波算法。将非线性模型转化为线性模型实现对系统状态的估计。文献［39］针对系统建模偏差、未知量测噪声和系统噪声对滤波性能影响较大的问题，提出了改进的Myers-Tapley自适应滤波算法，通过利用残差样本投影统计实现了对系统噪声的有效估计，提高了滤波精度。文献［40］针对编队成员较多带来的数据处理问题，提出了一种基于置信传播和协同信息筛选的协同导航方法。通过对导航信息筛选，摒弃低贡献率的导航信息，减少了计算量，提高了协同导航性能。文献［41］针对复杂环境下存在的通信时延和带宽受限问题，提出了基于分布式非线性信息滤波的协同导航算法，并且针对通信过程中存在的噪声干扰问题，提出了基于鲁棒无迹信息滤波的协同导航算法，极大地缓解了通信时延造成滤波精度发散问题。文献［42］针对导航误差随着时间的推移而累加以及集中式卡尔曼滤波导致单机计算量急剧增加的问题，提出了一种基于联合过滤结构的无人机协同导航算法。该算法减缓导航误差的发散，与集中式滤波器相比，减少了计算量。文献［43］针对通信受限导致的先验估计误差以及初始化条件下收敛速度慢的问题，提出了基于迭代插值滤波的协同导航算法。该算法通过对量测信息的迭代更新，保证了在弱观测条件下量测信息的充分融合，改善了协同导航效果。

除了以上论述方面，协同导航算法，在非高斯分布输出噪声［44］、恶劣环境以及高速航行下导航精度下降［45］、通信延迟和数据丢失［46］、无人机隐身［47］、姿态估计［48］、减轻通信负担［49］、故障检测［50］、路径规划［51］、目标跟踪［52］等方面，同样发挥着重要作用。

5 无人机编队协同导航的发展趋势

目前无人机编队协同导航存在着导航精度低，多机协同难度大，多机通信受限，环境适应度不高，自主导航能力差等问题。针对这些问题，将未来无人机编队协同导航的发展趋势总结为以下几点。

1）与其他无人设备协同导航。通过与无人潜艇，无人汽车以及其他无人设备的协同，可实现对多维未知领域信息的掌控。

2）导航精度的提高。在精进导航算法的同时，也要研发高精度导航传感器，设计综合力更强的组合导航系统。

3）态势感知能力。面对环境多变性，任何感知信息的偏差就会导致严重的后果。精准的态势感知能力至关重要。

4）故障诊断与容错。UAV应该加强自身故障诊断与容错能力，提高整体性能的稳定性与可靠性。

5）自主导航。实现无人机编队自主导航，就可以根据具体作战环境进行相应的队形变换，提高任务成功率。

6 结语

协同导航技术为无人机编队提供有力支撑，通过对导航传感器信息的融合，形成信息模型，将其提供给控制系统进行任务分工和调度，进而实现成员之间的协调控制，提高任务执行率。本文主要对当下无人机编队的相对导航方式，编队队形，导航结构以及协同导航算法在导航精度方向上的研究进展进行论述。并根据当下研究进展，预测了未来无人机编队的发展趋势。随着无人机的军用以及民用价值日益凸显，协同导航有着很高的研究价值和理论意义。