基于多传感器融合的无人机地下综合管廊定位技术研究

基于多传感器融合的无人机地下综合管廊定位技术研究

毛森,庄剑威

（勒威半导体技术(嘉兴)有限公司 浙江 嘉兴 314200）

摘要：随着城市化进程的加快和基础设施建设的推进，地下综合管廊作为一种高效、可持续的城市管理和服务设施，得到了广泛应用，然而地下综合管廊环境狭窄复杂，对无人机的定位导航提出了更严苛的要求。本文对无人机在地下综合管廊定位问题进行了研究，介绍了无人机常用的各类传感器类型与工作原理，并综述了多传感器融合的定位技术，为进一步研究和改进无人机地下综合管廊定位技术提供了重要参考。

关键词：无人机；多传感器融合；卡尔曼滤波；地下综合管廊

1导论

随着城市化进程的加快和基础设施建设的不断推进，地下综合管廊作为一种高效、可持续的城市管理和服务设施，正逐渐得到广泛应用。地下综合管廊是建设在城市地下并敷设电力、通信、给排水等市政管线的重要公共隧道，其能够有效杜绝技术人员反复开挖路面，提升管线检修、维护的便利性。

地下综合管廊是城市重要的基础设置，确保对地下综合管廊进行准确定位和管理至关重要。传统的地下管道定位方法主要依赖于人工勘察和大量的土建工程，这不仅费时费力，而且存在精度低、效率低等问题。而随着无人机相关技术的不断发展，巡检无人机开始辅助人工巡检地下综合管廊，实现快速排除隐患，提升可靠性，降低人工的巡检强度。

地下综合管廊应用场景中需要无人机实现自主飞行，而不是手动遥控，而地下综合管廊环境狭窄复杂，无人机活动空间大大减小，所以对无人机的定位导航提出了更加严苛的要求[1]。地下综合管廊环境中，用于定位的GPS信号因建筑物遮挡阻隔快速衰减，无法满足该场景中定位的需要。因此如何解决无人机在地下综合管廊的定位问题是当前的主要研究方向。

目前，利用激光传感器、视觉传感器、MEMS传感器、超声波传感器等多种传感器采集环境数据，并对数据进行分析处理实现数据融合，实现无人机在地下综合管廊中的定位是常用的解决方案[2]。本文将针对于无人机在地下综合管廊的定位问题进行研究，并多传感器信息融合的定位技术进行综述，通过介绍无人机的各类传感器，阐述当前常用的多传感器融合技术，为进一步研究和改进无人机地下综合管廊定位技术提供了参考。

2 无人机常用传感器

2.1 全球定位系统（GPS）

全球定位系统（GPS）是用于确定无人机位置和定位信息的常用传感器，通过接收来自卫星的信号来计算无人机的精确位置。它提供了空间导航和导航功能，使得无人机能够进行准确的定位，从而实现自主导航，路径规划和目标定位等能力。

2.2 惯性测量单元（IMU）

惯性测量单元（IMU）是由加速度计和陀螺仪组成的传感器，用于测量无人机的加速度和角速度。IMU能够帮助无人机实时监测和控制无人机的姿态和位置，加速度计测量的是无人机的线性加速度，而陀螺仪测量的是无人机的角速度，通过对IMU数据进行融合，可以获得更准确的姿态估计，从而支持无人机的自稳定和精确定位。

2.3距离传感器

为了避免无人机与周围障碍物发生碰撞，常常使用距离传感器来测量无人机与障碍物之间的距离。常见的距离传感器包括超声波传感器、激光传感器等。超声波传感器通过发送超声波脉冲并测量其回应时间来计算距离。激光传感器使用激光束测量距离，并可以提供更高精度的测量结果。这些传感器的组合可以帮助无人机实现障碍物避障和地形感知等功能。

2.4视觉传感器

通过在无人机上安装的摄像头可用于拍摄照片和记录视频，以及为无人机提供视觉导航功能。高分辨率的摄像头和相机可以提供更清晰的图像和视频，帮助无人机进行目标识别、遥感测绘和视觉导航等任务。无人机可以通过图像处理和计算机视觉算法分析图像数据，识别和跟踪目标，进行地图制作和三维建模，以及进行实时导航和避障等操作。

2.5红外传感器

红外传感器可以检测并测量热量和热能，为无人机提供在夜间或低可见度条件下的导航和目标追踪能力。红外传感器能够接收来自目标物体发出的红外辐射，并将其转换为电信号进行处理，实现利用红外传感器来探测和跟踪热点源，如人类、动物或热能辐射设备，以支持搜索救援、边境安全和热成像等应用。

3基于多传感器融合的定位技术

目前，多传感器数据融合的无人机定位算法主要是基于卡尔曼滤波[3]对多传感器采集的数据进行融合，本章将从集中式和分布式卡尔曼滤波，以及传统卡尔曼滤波与各类改进的卡尔曼滤波，阐述基于多传感器融合的无人机地下综合管廊定位技术。

3.1 集中式与分布式卡尔曼滤波

根据融合方式的不同，多传感器数据融合可分为集中式融合卡尔曼滤波[4]和分布式融合卡尔曼滤波[5]。其中集中式融合滤波器的融合精度较高，但存在运算量大、计算复杂、对中央处理器要求高的缺点。分布式融合算法不同于集中式融合算法，它不会将每个传感器的观测结果直接进行融合，而是首先利用局部传感器数据预测目标的运动状态，然后将预测的数据进行融合。因此，非集中式卡尔曼滤波具有传输数据量小、可靠性高、可扩展性强等优点。然而，在采用分布式融合方法进行一步预测的过程中，由于各种传感器的性能不同，传感器获得的数据维数不同，因此需要对各种数据进行相应维度的调整，且各个传感器获得的数据频率不同，需要在融合时同步各种数据的时间，这样才能确定最优的融合顺序

[6]。

在实际的应用过程中需要根据实际传感器数据结构、精度与响应速度要求选择并调整使用集中式或非集中式的卡尔曼滤波算法。

3.2传统卡尔曼滤波

卡尔曼滤波是一种常用的数据处理技术，主要用于估计一个系统的状态。卡尔曼滤波通过不停地更新和调整系统的状态估计，从而提供准确的预测和估计结果。具体来说，卡尔曼滤波的基本步骤依次为，基于已有的观测数据或经验估计初始状态，根据已知的系统模型和前一时刻的状态估计，比较局与预测数据并修正状态估计，循环迭代下一轮预测。传统卡尔曼滤波算法在简单的场景下具有较好地效果，但该算法要求动态系统的模型结构和噪声统计特性是已知的[7,8]，在实际应用中，许多系统的模型和噪声统计特性是未知的，导致卡尔曼滤波算法失去了最优性。

3.3改进的卡尔曼滤波算法

自适应卡尔曼滤波允许滤波器的参数在运行时进行自适应调整[9]。传统的卡尔曼滤波假设系统的动态模型和测量模型的参数是已知且恒定的，但在实际应用中，这些参数往往会随着时间的推移产生变化。自适应卡尔曼滤波通过实时监测系统的输入输出，利用最小二乘法或其他优化方法来估计动态模型和测量模型的参数，从而提高了滤波器的性能。 Zhang等人提出一种动态自适应卡尔曼滤波器[10]，使定位精度提升了30%至50%。

扩展卡尔曼滤波适用于非线性系统。与传统卡尔曼滤波不同，扩展卡尔曼滤波通过在线性化非线性系统模型，使用雅可比矩阵进行状态和观测的预测和更新，从而提供更准确的估计。Hu等人提出一种基于自适应误差修正EKF算法用于解决无人机多传感器融合定位中误差较大的问题[11]，实验仿真结果表明，所提出的改进算法比标准EKF算法具有更高的实时定位精度和鲁棒性。

无迹卡尔曼滤波[12]是另一种卡尔曼滤波的改进方法。传统的卡尔曼滤波基于线性动态模型和线性测量模型，因此对于非线性系统，需要进行线性化处理，可能会引入误差。无迹卡尔曼滤波通过使用一组特殊选择的采样点（无迹变换），将非线性函数通过这些采样点近似为高斯分布的形式，进而避免了线性化的需要，提高了滤波器对非线性系统的适用性。You等人采用基于无迹卡尔曼滤波器的多传感器融合技术，避免忽略UWB和IMU非线性观测方程的高阶项，有效提高非线性方程求解的精度。

4 总结

本文对无人机在地下综合管廊定位问题进行了研究，并综述了多传感器融合的定位技术。通过对无人机常用传感器的介绍，探讨了如何利用多种传感器进行数据采集和处理。同时，对集中式和分布式、以及各类改进的卡尔曼滤波等多传感器融合定位技术进行了详细的介绍和分析，为进一步研究和改进无人机地下综合管廊定位技术提供了参考。

参考文献：

[1] Schnipke E, Reidling S, Meiring J, et al. Autonomous navigation of UAV through GPS-denied indoor environment with obstacles[M]//AIAA Infotech@ Aerospace. 2015: 0715.

[2] Li H, Li X, Ding W, et al. Multi-sensor based high-precision direct georeferencing of medium-altitude unmanned aerial vehicle images[J]. International journal of remote sensing, 2017, 38(8-10): 2577-2602.

[3] Kalman R E. A new approach to linear filtering and prediction problems[J]. 1960.

[4] Wang X M, Liu W Q, Deng Z L. Robust centralized fusion steady-state Kalman filter with uncertain parameters and measurement noise variances[J]. Applied Mechanics and Materials, 2015, 701: 532-537.

[5] Xing Z, Xia Y, Yan L, et al. Multisensor distributed weighted Kalman filter fusion with network delays, stochastic uncertainties, autocorrelated, and cross-correlated noises[J]. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 2016, 48(5): 716-726.

[6] Lin H, Sun S. Globally optimal sequential and distributed fusion state estimation for multi-sensor systems with cross-correlated noises[J]. Automatica, 2019, 101: 128-137.

[7] Mao G, Drake S, Anderson B D O. Design of an extended kalman filter for uav localization[C]//2007 Information, Decision and Control. IEEE, 2007: 224-229.

[8] Julier S J, Uhlmann J K. Unscented filtering and nonlinear estimation[J]. Proceedings of the IEEE, 2004, 92(3): 401-422.

[9] Rutan S C. Adaptive kalman filtering[J]. Analytical Chemistry, 1991, 63(22): 1103A-1109A.

[10] Zhang J, Zhou W, Wang X. UAV swarm navigation using dynamic adaptive Kalman filter and network navigation[J]. Sensors, 2021, 21(16): 5374.

[11] Hu F, Wu G. Distributed error correction of EKF algorithm in multi-sensor fusion localization model[J]. IEEE Access, 2020, 8: 93211-93218.

[12] Zhu Z, Wu Q, Gao K, et al. An improved unscented Kalman filter for satellite tracking[C]//Optical Sensing and Imaging Technologies and Applications. SPIE, 2018, 10846: 97-105.

[13] You W, Li F, Liao L, et al. Data fusion of UWB and IMU based on unscented Kalman filter for indoor localization of quadrotor UAV[J]. Ieee Access, 2020, 8: 64971-64981.