无人机异常行为研究进展与展望

王少波，马文来，杜玉杰，郝 伟

(1.山东理工大学 交通与车辆工程学院，山东 淄博 255000;2.滨州学院 飞行学院，山东 滨州 256603)

近年来，无人机以体积小、可垂直起降、可定点悬停等优点在农林植保[1-2]、航空摄影[3]、物流运输[4]、海上搜救和武警支援[5]等民用、军事领域得到越来越广泛的应用。然而，随着无人机任务复杂度不断提升、外部干扰不断增多，加上飞行环境、无人机本体结构以及控制性能等存在一定的差异，无人机出现异常行为的现象不断增多，比如无人机在运行过程中脱离预设运行轨，给无人机本体、地面人员及周围环境等造成严重的危害。因此，对无人机异常行为进行研究，明确异常行为发生原因，对异常行为进行针对性检测，已经迫在眉睫。

无人机异常行为这一概念，目前尚无明确定义。针对其他研究对象的异常行为，文献[6]介绍了异常行为的一般概念，是指违反规则或他人期望，并引起非议或惩罚或危险的行为。文献[7]则对船舶异常行为进行了定义，是船舶在驾驶人员的操控之下以航行和避让为目的所采取的行为方式及其规律。

因此，异常行为可定义为违反既定的规定或是使用者操控者的期望，在一定程度上造成危险或是不可控的行为。对于无人机异常行为，主要指无人机的操控、运行过程中或是与地面基站进行交互时产生的违反运行规律以及脱离预设指令的非正常行为。通常情况下，引起无人机异常行为的原因主要包括自然环境、地理位置的改变、操控者的不恰当操作以及无人机本身传感器、执行器、通信故障等。本文通过查阅相关文献，对无人机异常行为的影响因素和检测方法进行了总结，并对未来的发展方向进行了展望。

1 无人机异常行为的影响因素

1.1 无人机异常行为的内部影响因素

无人机正常运行应具备的基本特性表现为稳定、精确、具备环境感知功能等，通常需要的硬件配置主要有飞行控制器、传感器以及执行器等。无人机在运行过程中，上述提到的硬件配置均存在发生异常行为的可能，统称为内部因素，是无人机出现异常行为的主要因素。

(1)飞行控制器异常。无人机飞行控制器相当于无人机的大脑，通过读取无人机机载传感器的数据，并对其进行处理之后控制无人机运行。无人机飞行控制器发生异常的主要表现通常包括作动器或操纵面的卡死、松浮、偏差和损伤等[8-9]，具有随机性、不易确定性、并发性等特点[10]。无人机飞行控制器发生异常的原因主要包括设计问题、制造问题以及人为因素等。设计问题是指设计过程中设计开发者的任一失误而导致的飞行控制器的故障；制造问题是指在制造过程中，任一道工序的失误如系统的材料缺陷、系统设计偏差等[11]。

(2)传感器异常。无人机机载传感器通常包括姿态测量单元、全球定位系统、激光雷达、机载摄像机等。传感器在无人机的运行过程中能及时地将飞行过程中遇到的问题反馈给无人机，对于事故的避免以及运行过程中无人机的实时状态都起到了很好的监测功能。文献[12]对无人机传感器的异常行为进行了归纳总结。传感器异常通常包括完全异常、偏置异常、漂移异常、乘性异常、周期性异常、离群数据异常等几种类型，文献[13-16]重点对无人机传感器偏差异常进行了研究。文献[17]重点对传感器卡死异常、常值漂移异常和恒增益异常进行了研究。文献[18]对无人机传感器异常中所涉及的加速度计、陀螺仪和磁罗盘等异常行为进行统计分析。文献[19]重点对加速度计和陀螺仪的异常表现及产生原因进行了分析。文献[20]对定高飞行下的无人机传感器异常进行了研究，在200 s时使传感器输出卡死于0°，由此对传感器卡死异常进行分析。

(3)执行器异常。无人机执行器包括电机、螺旋桨、机翼、舵面等。文献[21]提到无人机的执行机构主要是舵机与舵面；文献[22]提到了无人机的舵面故障可以分为完全失效和部分失效两类。完全失效指舵面对控制指令没有做出响应，包括舵面卡死与舵面漂浮两种；部分失效指能对控制指令做出响应，但是未达到预期的效果，主要指舵面损伤，当舵面损伤时，舵面的控制效能减弱，舵面控制通道的增益损失。文献[23]同时考虑了空速管传感器堵塞和升降舵、油门杆部分失效等执行器异常。

文献[24]将无人机执行器的故障分为了偏差故障、稳定性故障、震动故障和卡死故障等，通常包括齿轮磨损、传动杆变形、电机烧坏、电压异常、阀门结垢、传动杆结垢等。文献[25] 针对无人机执行器控制效率损失对系统耦合性的影响，设计了一种基于观测器的鲁棒自适应容错控制方法。文献[26]指出无人机旋翼损伤老化后，力矩输出电机出现磨损故障导致执行器输出力矩与期望力矩有所不同。文献[27]通过对无人机执行器异常进行研究，针对性地提出两种故障模型：执行器加性异常模型和执行器乘性异常模型，上述两种异常均对无人机的动力学特性产生显著影响。

针对上述无人机异常行为，执行器异常通常是指无人机物理结构的损坏，这在无人机运行过程中是最为致命的，将会直接导致无人机损坏甚至坠毁。此外，由于传感器发生异常后，会使一些元器件发生损坏，进而影响到无人机执行器，使其发生异常，因此，无人机执行器异常通常会与传感器异常联系在一起进行研究。

1.2 无人机异常行为的外部影响因素

无人机在运行过程中，除了必需的硬件设施之外，还需要操作人员、遥控手柄以及地面基站的相互协作。因此，除了前面提到的无人机硬件设备的故障之外，上述因素发生异常也会导致无人机的运行异常，统称为外部影响因素。

(1)操控人员异常操作。无人机的操控人员所负责的任务主要包括在无人机运行前检查无人机是否有损坏；观察无人机运行航线是否与规划的航线存在差异；注意无人机的遥控手柄的电量；同时观察风力的影响，以便能时刻做出判断。因此，无人机的操控人员可能出现的异常行为主要是无人机在运行前对无人机的观察不充足、导致问题没有及时地反馈、无人机遥控手柄异常等，造成无人机在运行过程中出现异常。

(2)地面基站通信异常。无人机在运行过程中，需要将位置信息与运行过程中可能发生的异常信息传输给地面基站，同时地面基站接收信息，并将有关航线的信息传输给无人机，在GPS的作用下，做好航线规划，使无人机能顺利完成任务，及时返航。因此，地面基站主要负责无人机的通信信息的相互传送，通信异常主要包括无人机接收不到地面基站发出的信号、无人机传送回的信号地面基站未接收以及地面基站通信信号的减弱，使无人机接收到的信号不明确，这些均会导致在无人机在运行过程中发生异常行为[28-31]。

2 无人机异常行为检测方法

针对无人机运行过程中可能发生的飞行控制器、传感器、执行器等引起的异常行为的检测方法，国内外众多专家学者进行了研究。

2.1 飞行控制器异常行为检测方法

针对无人机飞行控制器异常行为检测，文献[9]指出无人机飞行控制系统常用的检测方法是扩展卡尔曼滤波器(Extended Kalman Filter,EKF)，文献[32-34]均对基于EKF的异常行为检测方法进行了研究：文献[32]设计自适应EKF算法解决攻角传感器故障问题,文献[33]基于EKF对空速管异常进行了检测,文献[34]基于EKF对无人机执行机构异常进行了检测。文献[23]提出一种基于等价空间的非线性飞行控制系统快速故障检测的方法，对无人机空速管及升降舵进行了仿真实验验证。文献[35]通过分层滤波算法对无人机飞行控制器异常进行建模分析，可以精准地查找到异常所发生的具体坐标，可以有效地缩减查找时间，提升异常检测速率。文献[36]是自适应容错控制的检测方法，该方法可实现部分故障自主维护和自适应故障隔离与重构，提高检测效率。文献[37]中提出结合移动平均技术的动态主成分分析(PCA)模型，适用于动态系统。

综上所述，针对无人机飞行控制系统的异常行为检测均是在无人机动力学数学模型的基础上进行分析，通过分析故障成因、故障形式以及故障发生程度，进而构建检测模型，并应用于实例中对模型进行仿真验证。

2.2 传感器异常行为检测方法

针对无人机传感器异常行为检测，文献[38]提到一种基于径向基(RBF)神经网络和最小二乘算法(OLS)的多传感器异常行为检测方法，并通过实例证明该方法适用于无人机传感器异常检测。文献[39]基于最小二乘支持向量机(LS_SVM)和主元分析法(PCA)对小型无人机传感器异常进行了诊断，结果表明该方法的有效性。文献[40]通过LSTM神经网络预测的传感器数据与实际数据作差值，将所得结果输入LSTM分类器，通过结果的正负判定异常。文献[41]提出用于复杂系统的多重故障诊断的分层多重模型滤波技术，该方法在确定单一故障后，可以继续使用上一组单个的新滤波器来诊断下一故障，提高了检测效率。文献[42]采用基于小波的方法对无人机传感器异常行为进行检测，可在时域和频域中准确定位信号特征的小波变换来识别输出信号中传感器异常状态的发生时刻。文献[43]将小波方法和梯度提升决策树(GBDT)结合，对传感器异常行为进行检测，既提高了故障的可分性，又提高了故障分类的精度。文献[44]则将小波方法和多核支持向量机结合，可以有效地提取信号的特征以及故障点，与单核支持向量机相比故障检测的精度提升至少10%。

通过对无人机传感器异常行为检测的文献进行查阅得知，无人机传感器发生异常可能性较大，基于小波的方法可识别错误信号，便于找到异常点，提高异常检测速率。

2.3 执行器异常行为检测方法

针对无人机执行器异常行为检测，文献[45]基于鲁棒卡尔曼滤波算法，提出了基于创新序列的故障隔离算法，解决了传感器/执行器的故障检测和隔离问题；文献[46]在考虑执行器故障和外部干扰的情况下，提出了基于自适应增强状态卡尔曼滤波器(AASKF)和自适应三级卡尔曼滤波器(AThSKF)的执行器异常检测方案。该方案可以在对异常进行检测和隔离的同时，对无人机外部干扰进行估计。文献[47]针对无人机执行器异常，提出一种基于线性矩阵不等式的自适应容错控制器的设计方法，结合实例验证该方法可以实现控制器的在线调节。文献[25]设计了自适应模糊状态观测器对执行器异常进行估计。文献[48] 将线性二次型(LQ)技术应用于四旋翼无人机执行器异常行为检测，并在Qball-X4上进行了验证。文献[49]采用自适应两阶段线性卡尔曼滤波算法对执行器异常进行识别和隔离。文献[50]将执行器加性故障与乘性故障视为一种不确定性故障，基于自适应反演滑模控制算法，设计了容错控制器。文献[51]同文献[50]一样，针对无人机非线性模型，考虑外界干扰以及执行器故障，设计了线性故障观测器实现了对无人机执行器异常行为的观测。文献[52]设计了在线故障估计方法，取代故障重构观测器，较好地实现了无人机执行器异常下的容错控制。

通过对无人机执行器异常行为检测的文献进行查阅得知，无人机执行器异常发生的频率相对传感器以及控制器异常来说较多，在无人机执行机构异常的检测研究之中，鲁棒卡尔曼滤波算法应用较多，其首要目标是稳定性和可靠性，而卡尔曼滤波算法对于连续变化的系统较为实用。无人机执行器在执行任务过程中对可靠性以及稳定性的要求较高，并且在运行过程中，数据的传输是实时更新的，所以两种方法的结合对无人机执行器异常的检测非常适用，对运行的安全性有进一步的保障。

3 结论及展望

研究表明,无人机发生异常行为的原因主要有内部因素和外部因素。对于无人机异常行为检测的研究方法主要包括卡尔曼滤波算法、等价空间方法和自适应观测器方法等。无人机异常行为检测过程通过预测检查及实验模拟进行诊断，建立相关模型来模拟无人机异常行为，进而通过飞行实验进行验证，得到异常行为检测结果。通过对无人机异常行为相关研究进行梳理，得出以下关键问题。

(1)无人机复合异常行为高精度实时在线诊断技术。目前无人机异常行为估计主要集中在相对单一异常行为的估计，且精度低、实时性差，难以满足实际需求，对于多种复合无人机异常情形，缺少针对性研究。为此，亟须在无人机异常行为诊断方面开展一系列系统研究，突破异常行为检测的快速、精细化、智能化检测。

(2)无人机异常行为后的快速鲁棒控制策略。当前针对无人机异常行为的容错控制方法主要包括线性控制、滑模控制、自适应控制、鲁棒控制等，但大部分缺少实际应用例证。因此，亟须在对异常行为精确估计的基础上，同时考虑外部干扰的影响，为设计快速、鲁棒、智能容错控制策略，提高控制算法的适应性和针对性，使其能够实现无人机在异常行为下的稳定、安全控制。