城市环境中无人机作战导航定位研究现状综述

李 楠，向文豪

（1.海装驻北京地区某军事代表室，北京 100036；2.中国船舶集团有限公司系统研究院，北京 100036）

1 引 言

我国“十四五”规划与2035年远景目标纲要中明确提出了常住人口城镇化率要提高到65%，根据2020年统计数据，我国常住人口城市化率超过60%，而其他大国（如美国）的综合平均城镇化率也已经达到了83%。这也意味着在未来将存在大量人口和生产资料聚集在大城市中的现实。可以预见的是，在未来战场中对于城市的争夺将趋于白热化。而城市在作战环境下主要具有以下特点。

（1）高楼林立。大量高层建筑带来的隐蔽点对人员的杀伤危险极大，要求我方具备更广泛、精确的侦测能力；同时，电磁波信号在高楼林立间传输存在大量的阴影衰落及多径效应[1-2]，尤其可能存在全球导航卫星系统（Global Navigalion Satellite System，GNSS）拒止情况，以及大量的磁畸变情况，对装备提出了更高的导航定位要求；最后，近距离相连的建筑、障碍等构成的防御阵线也对我方装备的打击能力，尤其是协同打击能力提出了更高的要求[3]。

（2）战场环境复杂。主要体现在人为强磁干扰，城市中复杂的地下工事网，室内联通网以及城市中各类诸如景观树、电线、路灯等障碍的影响。电磁干扰带来的磁畸变对我方装备的定位能力以及通信能力提出了更高的要求[4]，而复杂的地下、室内作战环境则需要装备具有更多的感知手段[5]。

（3）作战装备受限。在大城市中，受到客观作战环境的影响，常规武器（如坦克、直升机等）无法完全肃清建筑内部的武装力量，而人员又极易受到杀伤。如何在保障更少人员伤亡的前提下，利用新式装备进行侦测打击是实际作战环境中衍生出来的新需求。

同时，在过去的20年里，MEMS[6]，GNSS[7]以及无线传感网技术[8]等的发展极大地促进了无人机技术的发展。无人机在民用领域被广泛应用于航拍、农业自动化和电力巡检等场合。在军用领域逐渐被用于侦测、特定目标打击、巡视任务中[9]。美军国防预先研究计划局（DARPA）于2014年启动 CODE 项目，旨在研究通信受阻以及GNSS 拒止环境下无人机协同侦测技术及作战技术，以完成在强磁环境及GNSS 拒止环境等恶劣环境下的作战任务；第二年，即2016年，DARPA启动小精灵项目，利用C130 空运机投放无人机集群，用于侦察干扰监视，同时可对无人机进行回收，旨在开发低成本、可重复利用的无人机集群作战单位；2017年，美军DARPA 启动OFFSET项目，主要面向未来各地大城市化，部署空地异构无人智能装备集群进行突袭任务，为城市作战中的地面分队提供城市的侦测信息，将侦查识别出的目标信息回传给作战人员，并让后方作战人员根据实时信息动态调整对应战术。可以看到，无人机作为体系作战下的新式装备，由于其机动灵活、成本低、隐蔽性高等特点[10]，在城市环境作战背景下获得了极大的关注，如图1所示。我国在推进“十四五”规划与2035年远景目标纲要的同时，不可避免地城市化，使得各种资源急剧向大城市聚集，研发我国自主、高效、适用的无人机集群体系也是亟待解决的问题。2018年，中国电子科技集团公司成功试飞了200 架固定翼无人机集群试验，刷新了2017年试飞的119 架无人机集群。同时，空军装备部也举办“无人争锋”等无人机集群挑战赛来推进无人机集群相关技术的发展。总体而言，国内对于无人机集群在城市环境下的相关研究还较少。

图1 城市环境中的无人机集群Fig.1 UAV swarm in urban canyon

然而，面对城市环境中高楼林立、战场环境复杂、作战装备受限等特点衍生出来不同环境下的磁畸变、GNSS 拒止和多障碍等客观现实，以及在地下，室内等特殊场景下的作战需求均要求无人机集群具备更多种类的传感器，来得到更高精度和鲁棒性的导航定位能力。基于此，本文针对从单无人机、多无人机两个层次对无人机在城市环境中作战的导航研究现状进行综述。具体组织结构如下，第二章详细介绍单体导航定位技术的研究发展及现存问题；第三章多无人机协同导航技术的研究现状；第四章给出未来发展方向并进行总结。

2 城市环境中单无人机导航定位方法研究

高精度的定位信息是后续控制与决策的基础，根据第1 节可知，在城市环境中高精度、鲁棒的定位面临很多因素的影响。本节本文将介绍单无人机的定位技术，包括全球卫星导航系统、惯性导航系统定位、视觉/激光雷达定位、无线传感网定位等，以及它们的融合定位，给出现存问题及难点，对于一些较为新颖的导航定位方法进行概括。

2.1 城市环境无人机定位方法

2.1.1 全球卫星导航系统定位

目前，全球卫星导航系统主要包括中国的北斗系统（Bei Dou System,BDS）、美国的全球定位系统（Global Positioning System,GPS）、俄罗斯的格洛纳斯定位系统,以及欧洲的伽利略系统[11]。除此之外，还包含部分区域范围提供服务的区域导航系统，如日本的准天顶星系统（Quasi-Zenith Satellite System,QZSS）、印度区域导航卫星系统（Indian Regional Navigation Satellite System，IRNSS）。GNSS 系统可以为全球提供定位、测速、授时功能（Position、Velocity、Time，PVT）。GNSS接收机获取的导航电文一般包含系统时间、星历、历书、卫星时钟的修正参数、导航卫星健康状况和电离层延时模型参数等[12]。在得到导航电文信息后，通过伪距单点或实时动态载波相位（Real Time Kinematic,RTK）等方法可以得到对应坐标系，如地心地固坐标系下的坐标、速度等。RTK技术是被广泛应用于无人机电力检修、军事侦测等领域的厘米级别定位技术[13]。在RTK 进行定位时，为了消除电离层及对流层等带来的误差，额外的基准站需要通过数据链将其观测值和测站坐标信息一起传送给被定位的流动站，从而获得高精度定位。然而，由于电磁波信号传播不但受到电离层、对流层的影响[14]，在一些复杂环境（如城市、地下、悬崖、强磁等环境下）同样面临大尺度阴影衰落、多径效应等影响，由此带来解算结果误差上升或更严重的GNSS 拒止情况[15]。因此，GNSS 定位信息可以作为多源融合的一个信息源，与其他传感器进行融合，对位置速度等信息进行估计。

2.1.2 惯性导航系统定位

惯性导航系统（Inertial Navigation System,INS）一般由陀螺仪及加速度计组成[16]，与气压计、磁力计等传感器进行组合，通过相应的融合方法解算得到姿态、速度和位置。惯性导航系统中陀螺仪的精度决定了系统精度的上限[17]。在消费电子领域，无人机一般采用MEMS 陀螺及加速度计。在电机高频震动以及无人机机动的情况下，其姿态和位置估计将很快发散。与MEMS 器件不同的是，更高精度的光纤陀螺、激光陀螺以及液浮陀螺由于其更优的传感器特性，被广泛应用于航天、航空，以及一些战略武器（如核潜艇）中[18]。核潜艇等可以在没有外部信息源引入的情况下，长时间依靠惯性导航系统航位推算得到自身刚体的姿态、速度和位置信息。零偏不稳定性等数据一般由器件厂商提供，由Allan 方差计算得到，这些参数直接体现了惯性器件的精度[19]。器件的精度往往决定惯性导航系统精度的上限，而算法则可以在一定程度上对精度进行优化。对于无人机姿态估计方法，经典算法包括互补滤波[20]，卡尔曼滤波[21]，以及优化类方法，如梯度下降法[22]，高斯牛顿法[23]，以及Levenberg-Marquadt 方法[24]等。Mahony 等[20]考虑低速情况下的无人系统，在通过对所提出的观测器进行了Lyapunov 分析，保证观测器误差的全局稳定性情况下，给出利用特殊正交群的几何特性推导得到的三种互补滤波器，分别是直接互补滤波器: SO(3)上的非线性观测器；无源互补滤波器:利用SO(3)的对称性避免预测角速度项转换到参考估计框架的非线性滤波方程。这样极大简化了观测器动力学方程，避免了构造姿态误差与预测；显式互补滤波器:该滤波器直接用矢量测量（如对IMU 的重力或磁场方向）对无源互补滤波器的一种重新表述，非常适合在嵌入式硬件平台上实现，其结构图如图2所示。其中，为旋转矩阵，可以进一步解算得到姿态；Ω为陀螺测量值；Pa()为SO(3)中误差空间到速度空间的映射；k为增益。

图2 互补滤波Fig.2 Complementary filter

在开源无人机项目PX4 源码的早期姿态解算版本中，显式互补滤波器通过低成本惯性测量单元得到准确的姿态估计。Wu 等[25]面向无人机的惯性导航系统，提出了一种基于磁、角速率和重力（Magnetic,Angular Rate,and Gravity,MARG）传感器数据的四元数姿态估计器。本文设计了一种新的固定增益互补滤波器结构，考虑无人机算力限制，通常避免使用迭代算法减小计算量，将基于加速度计的姿态确定转化为线性系统。通过控制理论得到了该系统的稳定解，并且只需要一次矩阵乘法，就可以计算出系统解，极大地减小了传统互补滤波计算成本。由Mahony 经典显式互补滤波算法发展而来的各种互补滤波算法，由于需要将无人机导航系下的矢量投影至机体系求误差，因此在无人机大机动高速运动下将存在较大误差，从而导致对陀螺仪数据的修正包含误差，最终得到的姿态也将不准确。Kannan 等[26]文中参考Mahony 互补滤波器的原理，提出一种基于四元数的低复杂度线性卡尔曼滤波器新方法来计算智能系统的航向，在时间更新阶段中而非测量更新阶段对漂移进行补偿，在响应和稳定时间方面有很大的改善。文中引入的方法消除了任何漂移，对输入或系统的噪声具有良好的容忍度，对于无人机消除零偏不稳定性引起的零偏具有较大的借鉴意义。针对互补滤波器中在高速或大机动下存在较大误差导致姿态不准问题，Madgwick 等[22]基于四元数提出了一种新的姿态解算算法，并应用于可穿戴的人体运动跟踪康复应用中。文中从姿态航向参考系统（Attitude and Heading Reference System，AHRS）中得到对应数据，参考Mahony 互补滤波思想，利用矢量差构建优化目标函数，并给出了步长公式，最终利用梯度下降优化算法求取姿态。该算法与基于卡尔曼算法的定向传感器进行了性能测试。结果表明，算法达到了与基于卡尔曼算法匹配的精度水平。该算法与Mahony 互补滤波一样，被广泛应用于各类无人机系统的姿态解算中，开扩了利用优化类方法进行无人系统姿态解算的新思路。除利用梯度下降法之外，基于同样的思想，Liu 等[23]提出了一种改进的四元数高斯牛顿法，并采用该方法进行了求解姿态。Fourati 等[24]提出了一种可行的基于四元数的互补观测器，可以应用于无人机姿态估计，并利用Levenberg Marquardt 算法对加速度和局部磁场测量进行预处理，从而简化整体互补观测器设计。惯性导航中姿态解算经典算法如表1所示。

表1 姿态估计算法对比Table 1 Pose estimation algorithms comparison

2.1.3 视觉/激光雷达定位

近几年，视觉和激光雷达技术被广泛应用于无人机领域来解决地下、室内等GNSS 拒止环境下导航定位问题。根据是否使用先验的高精度地图，可以将视觉定位技术分为基于先验地图定位和实时构图与定位（Simultaneous Localization and Mapping,SLAM）两种[27]。对于基于先验地图的定位，一般通过图像检索与精确定位来完成对该新增图像帧的定位，图像检索根据二维图像信息对比出最类似的场景，寻找当前帧与历史帧差别最小的候选帧。精确定位则是在完成图像检索、得到候选帧后，对候选帧与历史帧进行相应的特征匹配[28]。图像检索过程易受到光照、无人机抖动、视角受限等影响，精确定位过程则需要提取特征点，并根据先验地图中特征点关联关系得到先验地图中的特征点与当前图像帧中特征点的关联关系，最后进行优化求解。视觉或者激光雷达的SLAM 技术被广泛应用于移动无人系统以及现今火热的自动驾驶领域。从该技术的定义可知，SLAM 技术由地图构建和定位两部分组成，在地图构建阶段通常将每帧局部坐标系下的点云数据或视觉特征投影至全局坐标系下进行拼接[29]。在定位阶段，视觉定位一般分为直接法和间接法。间接法首先提取拍摄图像中每一帧的特征点，然后匹配图像特征点，根据特征点进行相机轨迹的跟踪和估计，而直接法则是利用拍摄图像中的光度信息和图像一致性，对准图像进行位姿估计。激光雷达定位则与建图阶段高度耦合，建图阶段包含定位问题，即在建图阶段可获取待定位目标在所建地图中的位置和姿态信息[30]。

2.2 典型组合导航

2.2.1 GNSS/INS 组合导航

GNSS 定位离散且容易受到干扰，INS 由于受零偏不稳定性等的影响，解算过程积分累积误差导致最终定位发散。因此，结合各自的优点，GNSS 与INS 的组合导航被广泛应用于各类诸如无人机、无人车等无人系统中，相应的各种松耦合、紧耦合等组合导航方法发展也较为成熟[31]。杨涛等[32]针对可用卫星数目不足时惯导误差发散的问题，提出了一种基于多GNSS 接收机伪距观测的 GNSS/INS 紧耦合方法。文中对于可用卫星数目较多，满足定位条件时，GNSS/INS 紧耦合方法的导航精度与松耦合相当；当可用卫星数目不足时，多GNSS/INS 松耦合由于观测不足，定位结果迅速发散，而紧耦合方法仍可利用剩余卫星提供的观测信息继续定位。何伟等[33]针对无人机INS 模块发生故障导致GNSS 环路失锁的问题，提出了一种基于模糊控制辅助的深耦合跟踪算法。该算法通过动态控制INS 实现对GNSS 深耦合跟踪的辅助，并建立了相应的切换准则。

在空旷的室外环境中，GNSS 信号一般正常，星座数量也较多。然而正如第1 节所述，在城市建筑物遮挡、隧道、室内或者未来战场的极端环境下，GNSS 信号将会受到干扰，产生大尺度衰落或者多径现象，从而导致定位误差显著增加，甚至出现信号拒止的情况。INS 虽然可以较好地估计出自身姿态，但是对于求解速度与位置时，由于零偏不稳定性，积分误差逐步累积，最终也会导致解算结果发散。在一些特殊应用场景（如核潜艇中），虽然应用高精度陀螺仪及加速度计可以延缓积分误差的累计过程，然而最终仍需要定期上浮获取GNSS 信息来修正误差。因此在城市等复杂环境下，对于无人机这类高机动、强干扰下的刚体，研究如何进行状态估计极其具有意义和实践价值。在文献[34]中，针对GNSS 信号在城市环境中的多径效应，提出了一种基于K 均值、高斯混合聚类以及模糊c-均值3 种非监督学习聚类方法，对视距（Line of sight，LOS）及非视距（Non Line of sight，NLOS）信号进行识别。类似地，在文献[35]中，对接收到的GNSS 信号进行平滑，用于校正伪距的误差。Falco等[36]提出了一种应用于城市环境的低成本GNSS/INS 紧耦合算法，并在真实城市场景中测量得到了较好的精度。相对于INS 与商用GPS 模块松耦合，紧耦合算法可以更好地估计无人系统位置和姿态。

2.2.2 视觉惯性里程计

MEMS 和芯片技术的发展使得计算机可以更小的规模、同等的算力出现在无人系统中。因此，利用计算机视觉或者激光雷达与板载计算机联合提供局部坐标系下相对位置速度作为观测与INS进行组合导航是可行方法之一[27]。视觉惯性组合导航的优点在于，可以利用视觉信息修正IMU 的零偏，减小积分累计误差。同时，IMU 可以提供短时间快速运动的位姿估计。视觉和惯性融合的算法称为视觉惯性里程计（Visual Inertial Odometry,VIO）。目前，VIO 框架分为基于滤波器和基于优化两类方法。按照图像特征是否加入状态向量又可以分为紧耦合和松耦合两类。基于滤波的松耦合方法将视觉信息和IMU 数据直接融合，融合过程不影响数据本身，视觉模块作为黑盒修正惯性模块的累积误差。Weiss[37]提出了视觉和惯性融合框架ssf 以及多传感器融合框架msf[38]。文中考虑多传感器刷新率同步问题，给出了基于迭代卡尔曼滤波器更新的状态缓冲方案。基于滤波的紧耦合方法将图像特征和IMU 的位置、方向和速度信息进行融合，融合过程会影响视觉和 IMU 中的参数。Mourikis 等[39]针对EKF-SLAM 中特征点过多导致的状态向量维数过大问题，提出了MSCKF 框架，把不同时刻的相机位姿加入状态向量而非特征点，维护一个位姿的队列即滑动窗口，把滑动窗口中位姿的共视特征点作为几何约束。此方法相较于EKF SLAM有更好的准确性、一致性和计算效率，被应用于Google Tango 项目。此后，Li 等[40]在此基础上改进提出了MSCKF2.0。此外，Bloesch 等[41]提出的基于稀疏图像块的EKF 滤波的框架ROVIO，其优点是稀疏图像块保证了计算量较小，但是由于没有闭环累积误差会发散。基于优化的视觉惯性里程计利用非线性优化方法求解位姿。Leutenegger 等[42]考虑到非线性优化的在性能和计算复杂度上的显著优势，提出了基于优化的紧耦合框架OKVIS，它在前端使用Harris 角点检测和BRISK 算法进行立体匹配，后端使用滑动窗口法进行优化，通过优化一个包括重投影误差和IMU 积分误差的非线性代价函数求解位姿和地图点。VSLAM 领域的经典框架是Raúl 等[43]提出的一种适用于室内外环境，基于特征的实时单目ORB-SLAM。该框架在复杂运动下鲁棒，且宽基线闭环，主要由跟踪、建图、重定位和闭环检测4 部分构成，最终可生成一个紧凑且可跟踪的地图。与其他当时最先进的单目SLAM 方法相比，ORB-SLAM 实现了前所未有的性能，并且代码已开源。两年后，Raúl 等又提出了ORB-SLAM2。ORB-SLAM2 是完整的同时定位和映射(SLAM)系统，除ORB-SLAM 适用的单目相机，还扩充支持标定后的双目相机和RGB-D 相机，包括地图重建、循环关闭和重新定位功能。该系统可以在板载计算机上实时工作，适用于各种室内环境、工业环境中的无人系统。2016年，Raúl 等[44]在ORB-SLAM2 的基础上改进提出了具有地图重用功能的单目视觉惯性定位算法。Qin 等[45]提出了开源单目视觉惯性里程计框架VINS-MONO，这是一个具有自标定、自动初始化、重定位能力的可靠、完整、通用的系统。它在前端使用Harris角点检测、RANSAC 算法和KLT 光流跟踪特征点，把预积分后的IMU 测量值和图形特征进行融合，得到高精度视觉惯性里程计，在后端采用滑动窗口法优化重投影误差，在回环检测上使用词袋算法实现重定位。各类VIO 算法的比较如表2所示。

表2 VIO 方法比较Table 2 Pose estimation algorithms comparison

2.2.3 Lidar/INS 组合导航

针对激光雷达相关的多源融合，He 等[46]提出了一种基于融合GNSS/LiDAR 的SLAM 姿态估计框架。该框架主要适用于在部分GNSS 拒止的

室外环境中执行大规模3D 地图构建。文中利用 GNSS 定位和LiDAR-SLAM 的互补性，根据RTK 实时运动状态来分解地图构建任务，如在GNSS 拒止场景中建图时，采用3D LiDAR-SLAM算法估计位姿，并提出校正算法来校正漂移误差。另一方面，在开放场景中进行映射时，提出了一种基于 GNSS 初始化的 LiDAR 映射算法（GL-mapping），以松耦合来对 GNSS 定位和LiDAR 数据配准。李帅鑫等[30]以实现移动小型智能化系统的实时自主定位为目标，针对激光里程计误差累计大、旋转估计不稳定等问题，提出一种基于LiDAR 和INS 紧耦合的实时定位方法。该方法在数据预处理部分提出一种快速点云分割方法，把结构性显著的点筛选出来，并将这些点作为特征点来降低点云规模。同时，对于地图匹配点搜索慢及点云地图不完整的问题，利用环形容器保持地图点恒定，将INS 和LiDAR 构成的预积分因子、配准因子、闭环因子插入全局因子图中，采用基于贝叶斯树的因子图优化算法对变量节点进行增量式优化估计，实现数据融合。Zhang 等[47]提出的2 轴激光雷达里程计与地图构建方法，该方法将SLAM 过程分为高频率低精度里程计过程及低频率高精度的建图过程的结合，代表了目前该领域的最高水准。

此外，Cioffi 等[48]为了在长时间下自主导航中实现鲁棒的、无漂移的姿态估计，提出了一种将GNSS 与视觉和INS 通过紧耦合融合在非线性优化估计器中，该方法允许利用所有量测之间的相关性。通过最小化代价函数(包括视觉重投影误差、惯性误差和全局位置残差)来估计系统最新状态，所提方法在室外无人机飞行中，相对于松耦合方法，平均位置误差降低了50%。

对于单体无人机的自主导航而言，GNSS/INS组合导航技术较为成熟，应用广泛，已存研究较多。然而对于城市多径、阴影大量存在的环境，GNSS 定位精度已经决定该类方法的上限并不高，需要额外的感知设备进行进一步修正。基于视觉及激光雷达的方案因此被引入，视觉与惯性设备的融合可以进行GNSS 拒止环境下的自主导航定位，并且定位精度较高，不需要外部信息源的引入。稳健性则受限于视觉精度，与惯性设备类似。长时间工作后，视觉需要进行回环检测消除误差，并且需要的计算成本较高，对于特征点较为稀疏的环境定位效果较差。同样，为了处理点云数据，基于激光雷达与惯性设备融合的组合导航方案同样面临计算成本过大的问题，但是其定位精度较高，被广泛应用于当前火热的自动驾驶中。面一些复杂环境，如雨天，大雾等天气，稳健性有待提高。

3 城市环境中无人机集群导航定位方法

根据单无人机导航定位的基础，面向未来城市环境的无人机集群作战环境，本节介绍相应的协同导航定位研究，最后给出现存问题及难点。

根据引言部分归纳特点，在未来大城市作战中，单无人机在执行任务方面效率低、冗余低、易受干扰，无法适用于成规模体系的现代化作战需求。从单无人机到无人机集群的作战发展趋势代表了未来先进的战术思路，无人机集群作战技术则以单无人机技术为基础发展而来，美军DARPA 制定的各类项目也从侧面验证这点。城市环境下无人机集群导航定位研究成果较多，主要考虑GNSS 拒止下的导航定位[49]、非视距(Non Line of Sight,NLOS)及多径效应下的导航定位[50]。根据解决问题的手段也可分为基于无线传感网[51]以及基于视觉冗余融合定位等，涉及导航恢复及导航增强等内容。

3.1 基于无线传感网

无线传感网由大量传感器节点组成，节点通过无线通信组成局域网络，通过传感器搜集周围环境的物理信息，并上传至中央处理模块，以期实现万物互联。而无线传感网在无人机集群的导航定位应用中，主要以目标的跟踪定位为主。得益于无人机的高机动性，在城市环境中，虽然存在GNSS 拒止区域，但在高空中自主搜寻GNSS信息并以自身为锚点，结合测距信息，可以为集群中GNSS 拒止并执行作战任务的无人机提供导航恢复功能，为无人机集群在GNSS 拒止环境下作战提供了新的思路[52]。同时，作为与视觉、激光雷达等不同的信息源，基于无线传感网的无线电定位可以从另外一个角度提供更多稳健的冗余信息。对于存在多径效应或非视距大尺度衰落的环境，利用无人机集群间测距的灵活性避开非视距区域，通过多次定位来进行导航增强，也为城市环境中高精度定位提供了新的思路，具体如图3所示。

图3 基于无线电的无人机集群定位Fig.3 Localization of UAV swarm based on radio ranging

无线传感网在无人机集群的测距中，主要以基于超宽带技术(Ultra Wide Band，UWB)的到达时间(Time of Arrival,TOA)/到达时间差(Time Difference of Arrival,TDOA)，以及基于蓝牙、Wi-Fi、Zigbee 等IEEE 802.11 或802.15 协议的接收信号强度(Received Signal Strength,RSS)测距为主[1]。通过此类无线电测距与GNSS 信息良好的无人机对集群内拒止无人机进行导航恢复或抑制多径效应进行导航增强，主要以三方面为主：对无线电测距模型及信道的优化；对无线电定位算法的优化，尤其以三边定位、指纹定位等为主；对无线电定位中锚点布置的优化。

在对无线电测距模型及信道地优化方面，Cassioli 等[53]基于固定间距的测量网格上对UWB信道建立了一个统计模型，用于城市中典型室内办公场景，文中研究了在不同房间测量下的多径轮廓的统计特性，给出路径能量增益的小尺度统计量服从伽马分布以及多径之间的相关性是可以忽略的结论。Alavi 等[54]对室内环境中的LOS 和NLOS 环境下的TOA 测距进行了距离误差的建模和分析，在LOS 环境中，归一化距离误差的零均值高斯模型可以近似地模拟距离误差。在NLOS环境中，文中证明了高斯模型是不合适的，并引入一个混合零均值高斯分布和指数分布，可以很好地拟合距离误差。Khawaja 等[55]基于实测P410超宽带套件数据对各种无人机通信场景进行了全面的测量，并对实测数据进行了时域和频域分析，建立了空对地（Air-to-ground，AG）超宽带传播信道的随机路径损耗和多径信道模型。Ahmed等[56]考虑对低功耗低数据速率的Zigbee 进行研究，观察环境因素、天线方向、地面反射引起的多径衰落效应等特性，并对它们的相对重要性进行了实验评估。Essaadali 等[57]针对多普勒频移降低了信噪比的问题，提出一种减少无线通信系统中的多普勒效应的解决方案。具体方法如表3所示。其中，往返时延（Round-Trip Time,RTT）是常用于UWB 测距的手段之一。

表3 无线传感网中测距方式Table 3 Summary of ranging methods in wireless sensor networks

在对无线电定位算法优化方面，Oliva 等[58]利用单元圆盘图扩展了三边定位。该信息被建模为一个链接，即阴影边缘。此外，我们为网络的可局部性提供了条件，并证明了所提方法比三边法有更好的效果。事实上，该算法在三边测量失败时也能对传感器网络进行定位。Tomic 等[59]提出了一种新的鲁棒方法来解决NLOS 环境下的目标定位问题，文中基于RSS/TOA 测距，将非观测误差视为有害参数，从而减轻了非观测误差的影响，并通过一定的近似将其转化为广义信赖域子问题，最终用对分法进行有效的求解。Katwe等[60]对于使用RSS 和TOA 测量非视距(NLOS)环境下的源定位问题，从原始的非凸极大似然估计问题出发，利用一组紧密近似构造了鲁棒加权最小二乘（RWLS）问题，并采用一种新的凸壳约束进一步收紧了RWLS 问题，并最终采用二阶锥规划（Second-Order Cone Programming,SOCP）进行求解。

在对无线电定位中锚点布置的优化方面，不同数量的传感器、不同构型的传感器网都将对目标的定位产生巨大的影响。对于不同构型或者不同测距方式定位精度的判断，常用标准是费舍尔矩阵（FIM）及其逆阵，即克拉美罗下界（Cramer-Rao Lower Bounds,CRLB），或者采用几何精度因子（GDOP），即CRB 的迹作为判定标准，两者也分别被称为A-最优准则以及D-最优准则。CRB与GDOP 在量测值零均值高斯独立的条件下精度是一致的，但是当量测相关时，由于CRB 考虑了量测相关项的影响，将会比GDOP 更加精确。针对2D 情况下传感器布置问题，大量研究分别根据到达角度(Angle-of-Arrival,AOA)、RSS、TOA、仅测距方式进行了推导以及分析[61]，其中，Bullo等给出了通用测距函数下的最优传感器构型。同时，Bishop 等总结并给出了AOA、RSS、TOA，仅测距方式下不同数量的最优传感器构型。Li 等[62]给出了AOA 测距下最优传感器构型的闭合解。

3.2 基于视觉/激光雷达

单无人机的视觉和激光雷达SLAM 问题已经有许多成熟的方案，但面对城市复杂环境作战，往往会遇到建图区域范围小、精度和效率低的困难，不能满足大尺度地图构建的需要。多无人机协同SLAM 通过多机之间的通信组合各个无人机的信息，将地图融合在一起构建全局地图。Andersson 等[63]采用平方根信息平滑法解决多机器人地图对准问题。相比于传统的扩展卡尔曼滤波方法，平滑方法不排除任何信息，能更好地处理非线性过程和测量模型。该方法可以合并单个机器人的地图，为参与地图合并的每个机器人恢复完整的机器人轨迹，以及在重复的特征之间进行数据关联，减少完整地图的不确定性。Tang等[64]提出基于多智能体优化粒子滤波的SLAM方法，算法通过更新粒子的预测、调整粒子的建议分布来提高定位精度和容错性，并推动粒子集中在机器人的真实位姿上。与标准粒子滤波方法相比，该方法可以通过较少的粒子，实现更高的SLAM 精度。Zhang 等[65]考虑视觉和激光雷达的信息互补优点提出了一种视觉和激光雷达融合的框架。该框架保证在传感器高速运动和受环境光照变化影响时仍具有较好的鲁棒性，其原理是先利用视觉里程计估计位姿，再利用高频激光雷达扫描配准位姿和点云，从而达到较高的位姿估计精度。Chen 等[66]考虑到多机器人协同定位问题在没有先验知识的条件下，每个机器人的累积误差会对回环检测和地图融合造成负面影响，提出了一种基于ORB 特征检测和BoW 的SLAM 方法，以及一种鲁棒、高效的图融合算法来融合不同机器人的位姿图，更准确地检测回环，并且可以融合每个单个机器人的子地图，以提高系统的效率、准确性和鲁棒性。Zhang 等[67]考虑到单个机器人局部地图的合并过程中识别局部地图之间的公共区域的重要性，提出了一种新的三维协作建图方法，把协作建图过程分为公共区域检测和地图合并两个主要任务，利用地面信息作为特征显著降低了公共区域探测任务的时间开销，通过对生成的公共区域帧对进行整帧匹配，保证了地图合并的准确性。结果表明，仅使用激光雷达数据可以在多个机器人之间协作创建全局一致的地图，建图的效率和精度都得到了提高。Schmuck 等[68]认为协同SLAM 的关键在于具有鲁棒性的通信、高效的数据管理和单个机器人之间有效的信息共享，于是提出一种集中式的协作SLAM 框架，设立一个有强大通信能力的中央服务器收集单个机器人的信息、合并和优化地图，并在适当的时候进行信息传播来实现它们的协作，解决了协作SLAM 的可扩展性和对实际任务中经常发生的信息丢失和通信延迟的稳健性问题。

3.3 基于INS

外部信息源的输入可以有效提高集群整体定位精度及稳健性，另一个思路则是通过多组惯性单元的冗余观测或者利用更高精度的惯性数据及集群间相对信息修正低成本INS，从根本上提高无人机组合导航精度。

为了解决基于MEMS 的INS 长时间上电时其精确度和稳健性较差的问题以及实现对惯性导航误差零偏和随机噪声的补偿，沈凯等[69]通过设计应用于无人系统的基于MEMS 传感器阵列的INS协同导航系统，利用基于MEMS 的INS 旋转调制和协同导航技术，设计了阵列式INS 协同导航方案。前者通过采用旋转或者翻转等物理方式，周期性地改变INS 相对于导航系的方位，将INS的常值误差转换成周期性变化的数据，使常值误差在一个周期内的积分为一个极小的值，进而达到抑制INS 由于零偏导致发散的目的；后者则直接联合利用多个INS 的测量信息再进行融合，本质上为利用多组观测来降低随机误差。文中实验通过采集ADIS16405 的实际数据对噪声进行了仿真，在GNSS 拒止环境下改进了精度和可靠性。张治等[70]基于联邦卡尔曼滤波，通过多机协同定位获得对目标无人机的准确位置。其中，基于多组MEMS 实测的误差数据，利用组合导航松耦合解算无人机定位参数并且通过EKF 得到测角定位给出的对目标无人机位置的最优估计。同时，联邦卡尔曼滤波可以对于子系统无人机由于自身定位的不确定性以及定位粗差等因素造成的数据失准进行隔离，这保证了位置估计的有效性和稳健性。王林等[71]同样基于多组惯导设备的旋转调制方法来配置满足舰艇对于姿态、位置定位精度、稳健性以及成本的综合要求，文中将惯导的姿态误差、速度误差、位置误差与旋转惯导对应误差的差值，惯导常值漂移，加速度计的零偏设为状态量，以单轴双轴间扣除杆臂效应后速度，位置的差值作为滤波的观测值来建立系统的误差状态方程。并通过实验验证了经过补偿后的定位误差显著提高，且在故障下可以提高导航精度。

3.4 多源融合

在面对城市复杂环境时，不同种类、不同原理的感知方式可以有效提高无人机对环境的反应速度、精度以及文件性。因此多种方式的组合导航，多源信息的融合便成为实现无人机智能化、自主化的技术手段。国内外相关研究同样较多。本文简要介绍几种典型的应用。

Zhang 等[72]提出了一种新的三维机器人协同探测制图方法，用于多个搭载Lidar 及INS 的机器人通过协同探测建立全局一致的地图。文中主要分为公共区域检测和地图合并两个部分。前者利用地面特征信息降低公共区域检测任务的时间成本。后者利用生成的公共区域帧对的全帧匹配来改进多组机器人合并的地图的准确性。所提方法通过实验测试和验证表明，与单独的机器人映射方法相比，多组机器人的协同探测，其映射的效率和准确性都有所提高。Alam 等[73]考虑GNSS 在复杂环境的缺点，如城市峡谷，提出了一种基于INS 的协同定位技术来改进在密集城市区域和隧道中车道级的定位。这种协同惯性导航方法可用于在困难的GNSS 环境中增强基于INS 的定位，所提方法可用于在GNSS 失锁或较大误差时增强基于INS 的定位。在提出的协同惯性导航方法中，车辆将基于INS 的速度、位置信息与反方向行驶的车辆进行通信，并传输实时状态信息。多组车将接收到的数据与本地观测数据，接收数据包中载波频率偏移进行融合。文中的方法通过仿真以及实验验证表明，与基于纯INS 的方法相比，其定位改进高达72%。同样，针对GNSS 在城市峡谷可能拒止或存在较大误差的情况，Wang 等[74]提出了一种基于单目视觉的UGV-UAV 鲁棒协同定位算法。该算法利用无人机在天空中且卫星信号接收良好时，为无人地面车辆实现精确定位。同时，UGV 利用YOLOv3目标检测方法，通过单目摄像头检测无人机，进一步获取UGV 相对于UAV 的角度和距离等相对的测量数据。最后，提出融合GNSS、INS、相对角度和位置测量的鲁棒的卡尔曼滤波器。文中仿真以及实验结果表明，所提出的协同定位算法比传统定位精度提高了73.63%。Nguyen 等[75]基于INS 以及无线传感网，提出了一种利用无线电感知的移动机器人协作定位方法，该方法可以应用于UAV 或者UGC，着重解决无人系统的定位问题。所提方法的主要优点是不依赖于移动采集器的位置或轨迹，不需要任何传播模型。同时，它不仅适用于 GNSS 不可靠甚至拒止的环境，而且适用于难以获得先验信息的环境。在受干扰较大的信道条件下，不同环境中的大量仿真及实验验证了所提出算法的相对高定位精度，可以达到米级别。

4 结束语

精确的导航定位是无人系统，尤其无人机控制、路径规划、任务规划等的前提，稳健、可靠的导航定位系统将直接决定后续任务的成败。本文针对目前可以应用于无人机的主流定位系统，如GNSS、INS、视觉及激光雷达、WSN 等定位作了综述。基于此，进一步介绍了目前被广泛应用的GNSS/INS、Visual/INS 等基于多源融合的状态估计。同时，根据现代军备发展情势，基于单体无人机的算法框架，对无人机集群中多无人机之间协同定位方法进行分类综述，并进行了对比。

面对城市的复杂环境，体系作战需要无人机集群具备更多种类的传感器来得到更高精度和鲁棒性的导航定位能力，同时也对设备提出了更高的要求。未来研究中一些有意义的方向如下。

（1）单个传感器的优化。如对于惯性测量单元中零偏及随机噪声的处理，对于WSN 中测距精度的提高，对于视觉特征点或者激光雷达点云数据的进一步优化等都存在大量的难点。

（2）无人机集群通信。无人机集群通信负载随集群数量的增加而呈现爆炸趋势。因此，研究可以兼顾无人机集群状态以及通信压力的拓扑结构是十分有意义的。

（3）多传感器融合。尤其不同种类、不同感知原理的传感器数据融合将会是解决多任务、多功能任务目标实现的主要手段。虽然存在各类传感器，如视觉、激光雷达、WSN 等与INS 的融合，然而这些领域仍存在大量亟待解决的问题。同时，如何将这些传感器作进一步扩展融合也是未来的难点和重点。