1 多無人機協(xié)同導(dǎo)航的概念及意義

無人機近幾年在軍事民用領(lǐng)域扮演了越來越重要的角色,，既能夠自主實現(xiàn)對作戰(zhàn)目標(biāo)的查打一體,，也可以用于民用的航拍。協(xié)同導(dǎo)航技術(shù)是多無人機自主飛行的可靠保障,。由于無人機有續(xù)航,、載荷、大小和隱蔽性等諸多限制,，很多高精度的傳感器無法搭載,。在復(fù)雜環(huán)境下，導(dǎo)航系統(tǒng)又必須在要求的運行時間和范圍內(nèi)提供可靠并且準(zhǔn)確的導(dǎo)航信息,。與單架無人機相比,，多無人機協(xié)同可以優(yōu)化任務(wù)分配，提升執(zhí)行任務(wù)的表現(xiàn),，提高定位精度,，減少實行任務(wù)的時間，與此同時還可以提高多無人機系統(tǒng)效率和安全性[7],。

協(xié)同導(dǎo)航是一項綜合性的技術(shù),，貫穿多無人機整個飛行過程的始終，本文將從多無人機組成的編隊構(gòu)型,、相對導(dǎo)航方式,、協(xié)同定位算法以及編隊故障的診斷與容錯四方面進(jìn)行論述。一般的協(xié)同導(dǎo)航結(jié)構(gòu)如圖1所示,。

圖1 協(xié)同導(dǎo)航示意圖
Fig.1 The chart of cooperative navigation

多無人機協(xié)同導(dǎo)航系統(tǒng)的信息通信結(jié)構(gòu)直接影響了導(dǎo)航精度[2],。多無人機協(xié)同導(dǎo)航方式通常分為主從式和平行式兩種(見圖2)，常見的Leader-Follower就是典型的主從式結(jié)構(gòu),。主從式多無人機的編隊包括單主,、多主等結(jié)構(gòu)，通常主從式結(jié)構(gòu)的無人機編隊通過長機高精度的傳感器信息與配備低精度傳感器的僚機進(jìn)行共享,。僚機利用長機的導(dǎo)航信息并通過相對位置測量對自己的位置進(jìn)行估計,，從而提高無人機編隊的整體定位精度,。平行式結(jié)構(gòu)則是通過多無人機直接信息廣播，實現(xiàn)信息共享,，通過相互距離測量進(jìn)行自身位置更新,。

(a)主從式結(jié)構(gòu)

(b)平行式結(jié)構(gòu)
圖2 協(xié)同導(dǎo)航結(jié)構(gòu)圖
Fig.2 The chart of cooperative navigation structure

2 相對導(dǎo)航方式的研究及進(jìn)展

相對導(dǎo)航方式是實現(xiàn)協(xié)同導(dǎo)航技術(shù)多機協(xié)同的重要手段，在無人機協(xié)同導(dǎo)航中飛行器之間的信息一般通過相對導(dǎo)航方式獲得,，相對導(dǎo)航方式的應(yīng)用是無人機群在復(fù)雜環(huán)境下實現(xiàn)協(xié)同導(dǎo)航的重要手段,。本文所研究的協(xié)同導(dǎo)航的應(yīng)用對象是多無人機組成的編隊，由于在多無人機組成的編隊中各無人機的相對距離較近,，在此背景下,，相對導(dǎo)航傳感器相對于絕對導(dǎo)航傳感器能夠?qū)崿F(xiàn)更高的定位精準(zhǔn)度、更強的抗干擾能力以及更低廉的成本價格,。本節(jié)將對無人機的相對導(dǎo)航方式結(jié)合圖3所示的分類進(jìn)行具體闡述,。

圖3 相對導(dǎo)航方式分類圖
Fig.3 Classification chart of relative navigation method

2.1 無線電導(dǎo)航

無線電導(dǎo)航是現(xiàn)代航空中最為基本，同時也是最為核心的協(xié)同導(dǎo)航手段,，可以全天時全天候?qū)崿F(xiàn)相對位姿測量,，而且具有定位精度較高、定位速度較快等優(yōu)點,，因而無線電導(dǎo)航也優(yōu)先被應(yīng)用在了相對導(dǎo)航方式中,。無線電導(dǎo)航包含了GPS、雷達(dá),、UWB等利用無線電波的導(dǎo)航技術(shù),。GPS導(dǎo)航利用多顆衛(wèi)星對目標(biāo)進(jìn)行定位，是目前最常用的導(dǎo)航定位手段,，但是由于其誤差較大，通常在米級,，無法適用于緊密多無人機的編隊以及精度要求較高的隊形變換,，因此需要采用合適的方法提高其導(dǎo)航定位精度以滿足相對導(dǎo)航的需求條件。雷達(dá)導(dǎo)航利用電磁波在介質(zhì)中沿直線傳播的傳播特性,，通過測量無線電信號幅度,、頻率和相位，根據(jù)角測量原理或者距離測量原理測得無人機之間的相對角度和距離,，進(jìn)一步可以解算出速度,、位置和姿態(tài)信息，最終可以實現(xiàn)相對導(dǎo)航,。針對GPS相對導(dǎo)航的問題,，Hedgecock W等提出GPS相對跟蹤法(Relative GPS Tracking，RegTrack),，通過GPS推導(dǎo)多接收機的相對位置信息,，網(wǎng)絡(luò)中的節(jié)點通過分享它們的原始衛(wèi)星測量數(shù)據(jù)并利用這些數(shù)據(jù)追蹤?quán)徑?jié)點的相對運動對比計算出自身的絕對坐標(biāo),，由于無關(guān)測量誤差的存在，該方法比簡單采用節(jié)點絕對坐標(biāo)或其他常規(guī)方法的精度高出了1個數(shù)量級以上[8],。Gross J N等針對無人機近距離編隊飛行問題,，提出了一種全新的基于載波相位差分GPS以及無人機自身慣導(dǎo)系統(tǒng)的傳感器融合算法，該算法借助超寬帶無線電測距技術(shù),，通過信息融合加強載波相位差分GPS相對導(dǎo)航的魯棒性[9],。

在利用雷達(dá)的相對導(dǎo)航方面，Strader J等針對在同一高度下的2架無人機提出了一種無需先驗信息,，僅通過測距雷達(dá)和飛行器機載導(dǎo)航系統(tǒng)測量距離信息就可以估計相對姿態(tài)的方法,。該方法假設(shè)系統(tǒng)在沒有噪聲的情況下，從無線電測量構(gòu)造出的圖形中推導(dǎo)出姿態(tài)的分析解,，再使用非線性最小二乘法從噪聲范圍和位置位移測量中估計出相對航向和方位,，并針對各種軌跡對測量噪聲的靈敏度進(jìn)行分析[10]。Tseng P H等針對視距與非視距混合環(huán)境下的多移動單位協(xié)同自主導(dǎo)航技術(shù)進(jìn)行了研究,，推導(dǎo)貝葉斯遞歸優(yōu)化算法,，基于到達(dá)時間(time-of-arrival，TOA)對位置和信道環(huán)境進(jìn)行聯(lián)合估計[11],。Quist E B等提出了一種雷達(dá)測距算法,，在GPS信號丟失的情況下，該算法能夠減小航位推算漂移率,，改善IMU產(chǎn)生的導(dǎo)航誤差,，從而提高導(dǎo)航精度，并通過雷達(dá)捕獲的實際室外飛行數(shù)據(jù)對算法的有效性進(jìn)行了驗證[12],。無線電導(dǎo)航具有良好的技術(shù)基礎(chǔ),，在相對導(dǎo)航的應(yīng)用中主要難點在于高精度相對導(dǎo)航算法的設(shè)計以及對測量噪聲的過濾，對導(dǎo)航信息的計算與融合則是接下來研究的重點,。

無線電傳感器作為一種主動探測方式,，可以感知無人機之間的相對距離和角度，為多無人機的協(xié)同導(dǎo)航提供了新的思路,，從而保證無人機編隊協(xié)同導(dǎo)航的可靠性與準(zhǔn)確性,。

2.2 視覺導(dǎo)航

視覺導(dǎo)航是近年來國內(nèi)外導(dǎo)航領(lǐng)域的研究熱點。視覺傳感器由于其體積小巧,、價格低廉并且能夠提供豐富的信息,，所以使用起來較為高效。由于無人機在執(zhí)行偵查,、監(jiān)測等任務(wù)時自身就會搭載視覺傳感器,，因此采用視覺導(dǎo)航的方式不會占用無人機額外的空間。在視覺導(dǎo)航方式中,，裝載有視覺傳感器的僚機或者長機能夠?qū)Ω兄秶鷥?nèi)的某架或多架無人機的特征信息進(jìn)行連續(xù)捕獲,，并對特征信息進(jìn)行匹配與跟蹤,，估計出自身的運動狀態(tài)，從而對慣性導(dǎo)航信息進(jìn)行修正并在相對坐標(biāo)系或絕對坐標(biāo)系中確定自身的位置,。在利用視覺傳感器實現(xiàn)相對導(dǎo)航時,，飛行器的位置信息完全由視覺傳感器提供，對視覺信息的分析結(jié)果將直接影響到飛行器的飛行軌跡,，因此其關(guān)鍵技術(shù)就體現(xiàn)在對特征信息的精確捕獲和跟蹤以及與慣性導(dǎo)航信息的高精度融合,。

視覺相對導(dǎo)航方法首先要解決的是對特征信息的捕獲和跟蹤問題，因此需對視覺導(dǎo)航方式進(jìn)行建模,，研究者們針對不同的應(yīng)用環(huán)境提出了相應(yīng)的視覺導(dǎo)航模型,。針對GPS拒止的環(huán)境，J.Hardy和Leishman R C分別提出了一個全新的視覺導(dǎo)航模型,，用來估計無人機相對姿態(tài)[13],。J.Hardy等設(shè)計的模型以分層統(tǒng)計算法為索引方案，確定了機載雙攝像頭中的重疊覆蓋部分,，采用非線性卡爾曼濾波計算出無人機的相對位置姿態(tài),。Leishman R C等提出的模型的核心是將乘法擴展卡爾曼濾波與視覺SLAM相結(jié)合，與一般的總體狀態(tài)估計的方式不同,，該模型保持MEKF位置和偏航對目前地圖節(jié)點的相對狀態(tài),，該相對導(dǎo)航方法對地圖邊界和協(xié)方差進(jìn)行了直觀定義，在需要時使用全局一致地圖的設(shè)計也使模型更具靈活性[14-16],。針對多機協(xié)同空中加油問題,，Khansari-Zadeh S M等設(shè)計了基于神經(jīng)算法的視覺估計與導(dǎo)航算法，并通過詳細(xì)的建模和完整的飛行器動態(tài)性能六自由度虛擬環(huán)境非線性仿真對算法可靠性進(jìn)行了驗證[17],。Meng D等設(shè)計了一種基于視覺的空中加油機與無人機的相對姿態(tài)估計方法,，該方法結(jié)合了定位參數(shù)初始化與正交迭代法，估計旋轉(zhuǎn)矩陣與轉(zhuǎn)換向量的最優(yōu)解,，并討論了該方法中特征點數(shù)量與配置對估計結(jié)果精度的影響[18],。針對長機與僚機之間沒有信息交流的情況，Seung-Min Oh等設(shè)計了一款基于視覺的導(dǎo)航系統(tǒng),，使用無跡卡爾曼濾波對目標(biāo)方位角、目標(biāo)仰角,、目標(biāo)對角視覺信息進(jìn)行信息融合,，得到相對運動估計，實現(xiàn)了長機與僚機之間的相對導(dǎo)航[19],。

建立合適的模型是實現(xiàn)多無人機視覺導(dǎo)航的基礎(chǔ),，進(jìn)一步提高視覺導(dǎo)航的精確性與魯棒性就需要研究結(jié)合視覺導(dǎo)航和慣導(dǎo)信息的融合問題。Fosbury A等使用四元數(shù)法將全局姿態(tài)參數(shù)化,，由三維姿態(tài)表示法給出當(dāng)?shù)刈藨B(tài)誤差,，再使用擴展卡爾曼濾波估計2架無人機之間的相對位置和姿態(tài),。通過該方法可以確定最優(yōu)軌跡并提高系統(tǒng)估計的精確度[20]。在文獻(xiàn)[20]的基礎(chǔ)上,，崔乃剛等針對視覺導(dǎo)航輸出延時的問題,，提出了一種視覺與慣導(dǎo)相結(jié)合的相對導(dǎo)航方法，采用無跡卡爾曼濾波對相對慣導(dǎo)信息和相對視線矢量信息進(jìn)行融合,，從而更加精確地估計出機與機之間的相對位置,、相對速度、相對姿態(tài)等相對導(dǎo)航信息[21],。Park J S等為解決如何提高無人機姿態(tài)估計的精度與魯棒性的問題提出了兩步方案,，首先采用一種非線性最小二乘算法，并通過卡爾曼濾波減少信標(biāo)方位特征的噪聲,；其次結(jié)合相對姿態(tài)運動學(xué)和相對位置方程設(shè)計了一種相對導(dǎo)航濾波器,，二者相結(jié)合，達(dá)到提高精度與魯棒性的目的[22],。視覺相對導(dǎo)航技術(shù)近年來以研究模型的建立和信息的融合為主,，其技術(shù)基礎(chǔ)已相對成熟，而對視覺導(dǎo)航中誤差的特性分析與傳遞方式的研究相對較少,，如何進(jìn)一步分析誤差,、消除誤差以提升導(dǎo)航技術(shù)的精確性是今后研究的方向之一。

視覺作為協(xié)同導(dǎo)航位姿測量最直接的傳感器,，為無人機編隊提供了可靠的相對位置姿態(tài)信息,，每個無人機都可以利用視覺傳感器估計其他無人機在自身坐標(biāo)系的相對位置和距離。在存在GPS信號情況下,，這些導(dǎo)航信息也可以在慣性坐標(biāo)系內(nèi)估計,。視覺導(dǎo)航不需要無人機之間的相互通信，是復(fù)雜環(huán)境下協(xié)同導(dǎo)航的重要手段,。

3 多無人機協(xié)同導(dǎo)航算法的研究與進(jìn)展

隨著協(xié)同導(dǎo)航技術(shù)研究的深入,，通過對初期的算法進(jìn)行大量改進(jìn)，在簡化算法過程的同時,，提高導(dǎo)航數(shù)據(jù)的準(zhǔn)確性,，同時減少數(shù)據(jù)計算量、降低系統(tǒng)延時,，能夠為多無人機編隊提供實時的必要導(dǎo)航信息,，為多無人機的協(xié)同導(dǎo)航提供堅實的基礎(chǔ)。多無人機的協(xié)同導(dǎo)航優(yōu)化算法大致可以分為協(xié)同導(dǎo)航的數(shù)理優(yōu)化算法,、基于圖論的協(xié)同導(dǎo)航算法以及基于濾波估計的數(shù)據(jù)融合算法(見圖4),。

圖4 協(xié)同導(dǎo)航優(yōu)化算法分類
Fig.4 Classification chart of cooperative navigation optimization algorithm

3.1 協(xié)同導(dǎo)航的數(shù)理優(yōu)化算法

通過優(yōu)化算法對協(xié)同導(dǎo)航信息進(jìn)行求解，通過不同的數(shù)理優(yōu)化方法對協(xié)同導(dǎo)航信息進(jìn)行推導(dǎo)從而獲得相對可靠的導(dǎo)航信息估計,。研究者通常利用極大似然估計,、最小二乘法等數(shù)學(xué)算法對協(xié)同導(dǎo)航位置姿態(tài)求解,，提高協(xié)同導(dǎo)航算法的準(zhǔn)確性，減少計算復(fù)雜程度,。

文獻(xiàn)[23]采用內(nèi)部和外部信息的傳感器對機器人自身狀態(tài)參數(shù)進(jìn)行收集,、傳播和更新，通過分布式估計方法,，將一個主濾波器的卡爾曼濾波方程分配到各個子濾波器中,，也就是將編隊內(nèi)的各子機器人都看作一個子系統(tǒng)進(jìn)行卡爾曼濾波運算，從而實現(xiàn)對各機器人位置的推算,。這種分布估計可以實現(xiàn)最少的數(shù)據(jù)傳輸和處理過程,，但存在傳輸延時、數(shù)據(jù)丟失和全局認(rèn)知困難等問題[7],。文獻(xiàn)[24]則采用集中式的協(xié)同導(dǎo)航結(jié)構(gòu),，能夠在系統(tǒng)層面獲得機器人的位置姿態(tài)信息，有利于機器人之間的相互協(xié)作,。通過引入閾值窗口,，根據(jù)自身定位不確定性的高低采取不同的校正策略，避免分布式方法在建立地圖時各地圖相對獨立,、難以獲得全局信息,、各機器人運動規(guī)劃存在局部最優(yōu)限制等缺點；但也存在過于依賴長機的問題,，一旦長機故障,，導(dǎo)致編隊癱瘓。文獻(xiàn)[25]根據(jù)距離測量模型以及簡單的幾何建模,，通過最小二乘法獲得一個非凸估計函數(shù),。通過極大似然估計對2個傳感器的距離進(jìn)行推算，解決了在3D無線傳感器網(wǎng)絡(luò)中目標(biāo)的協(xié)同定位問題,。由于計算的復(fù)雜性,，文獻(xiàn)[25]同樣使用了分布式的策略，由本地子系統(tǒng)對估計過程進(jìn)行運算,，將各平臺的信息進(jìn)行分別估計,，進(jìn)而獲得相對準(zhǔn)確的位置估計。

3.2 基于圖論的協(xié)同導(dǎo)航算法

圖論就是將一個特定集合內(nèi)的目標(biāo)通過數(shù)學(xué)結(jié)構(gòu)對成對的目標(biāo)關(guān)系進(jìn)行建模的方法[7],。圖中的每個節(jié)點都被認(rèn)為是一個媒介,，它可以和一些或者全部的媒介進(jìn)行信息交換。針對路徑跟蹤準(zhǔn)確性不足的問題,，文獻(xiàn)[26]將多載體的動態(tài)系統(tǒng)通過信息圖建立成一組能夠信息交換的動態(tài)子系統(tǒng)，從而提出了一種協(xié)同路徑跟蹤控制方法,。為了提高協(xié)同導(dǎo)航的定位精度,，文獻(xiàn)[27]同樣應(yīng)用基于圖論的建模方式討論多無人機的定位問題,，當(dāng)知道2個無人機之間的距離和2個已知位置信息的地標(biāo)與載體的夾角時，通過全局剛性結(jié)構(gòu)理論,，對多無人機進(jìn)行相對定位,。文獻(xiàn)[28]設(shè)計了一種基于視覺的協(xié)同導(dǎo)航定位算法，它利用多個無人機對同一目標(biāo)進(jìn)行不同角度的拍照,，當(dāng)一架無人機需要獲得自己的位置時,，通過自身拍攝到的圖像和其他無人機拍攝的2幅圖像進(jìn)行比較，通過圖像內(nèi)含有的各無人機的導(dǎo)航信息和特征區(qū)域的比較進(jìn)行導(dǎo)航信息的更新,。研究者建立了一個有向非循環(huán)圖,，通過組內(nèi)無人機平臺進(jìn)行圖的本地維護，每當(dāng)獲得量測信息時,，則根據(jù)該圖計算導(dǎo)航參數(shù)與圖像相關(guān)的互協(xié)方差項,。無人機所需要的傳感器僅為視覺傳感器和慣性測量單元，不需要任何先驗信息,，提高了多無人機的編隊內(nèi)定位精度較差的無人機的定位精度,。

3.3 多無人機協(xié)同導(dǎo)航的濾波估計算法

信息融合估計是多無人機協(xié)同導(dǎo)航算法中關(guān)鍵的一環(huán)，本節(jié)結(jié)合了國內(nèi)外不同學(xué)者的研究成果,，對無人機間的信息融合濾波方法進(jìn)行相關(guān)的分析,。

卡爾曼濾波是協(xié)同導(dǎo)航中最常見的融合算法之一，通過迭代預(yù)測和補償,，將會有效地消除誤差,。其中主要分為原始卡爾曼濾波算法(KF)、擴展卡爾曼濾波算法(EKF)和無跡卡爾曼濾波算法(UKF),。KF主要針對線性高斯情況,。EKF則是針對非線性高斯模型，它將非線性部分進(jìn)行一階泰勒展開,，忽略了高階項,。UKF則結(jié)合了UT變換和KF，計算精度較高,。KF作為原始濾波方式,，得到了很多研究者的關(guān)注，其中文獻(xiàn)[29]將每個無人機的六維狀態(tài)向量提供給卡爾曼濾波器,，將觀測方程建立在地心慣性坐標(biāo)系,，將無人機的相對位置和相對距離作為觀測量進(jìn)行卡爾曼濾波。為了減少數(shù)據(jù)融合的計算量,，文獻(xiàn)[29]還提出了將最小二乘誤差法與卡爾曼濾波結(jié)合的方式,，將卡爾曼濾波算法建立在最小二乘誤差法的輸出上。首先通過最小二乘誤差法對預(yù)處理階段進(jìn)行粗估計，然后通過卡爾曼濾波進(jìn)行進(jìn)一步的噪聲消除,。計算時間減少到原來的2.5%且擁有相同的精確度,。KF適用于線性高斯問題，但現(xiàn)實世界中,，大多都是非線性的,，而通過線性近似很容易解決非線性問題，相較于UKF,，EKF消耗較少的內(nèi)存和時間資源,。文獻(xiàn)[30]利用擴展卡爾曼濾波對非線性的無人機狀態(tài)和協(xié)方差進(jìn)行快速更新。由于所有基于擴展卡爾曼濾波都是估計隨機變量,、參數(shù)化均值和協(xié)方差,，假設(shè)傳感器噪聲是零均值，白噪聲,。如果噪聲觀測狀態(tài)不夠準(zhǔn)確,，會導(dǎo)致誤差累計，致使濾波器發(fā)散,，而且它需要大量的建模參數(shù)以及需要通過手動調(diào)節(jié),。所以文獻(xiàn)[31]提出了一種基于自主學(xué)習(xí)噪聲協(xié)方差的擴展卡爾曼濾波器，結(jié)果表明,，它可以自動且快速地輸出噪聲協(xié)方差,，提高了導(dǎo)航精度。文獻(xiàn)[32]提出了基于多無人機協(xié)同的自適應(yīng)UKF來實現(xiàn)數(shù)據(jù)融合,，得到最優(yōu)位置,。自適應(yīng)UKF由2個平行的UKF濾波器組成，通過主濾波器和從濾波器分別對無人機的狀態(tài)和噪聲協(xié)方差進(jìn)行估計,，可以對估計誤差進(jìn)行補償,，使自適應(yīng)UKF能獲得比傳統(tǒng)UKF更好的魯棒性和準(zhǔn)確性。

由于粒子濾波適用于任何動狀態(tài)的空間模型,，它能夠近似測量完整的非高斯概率分布[7],。并且多元積分通過蒙特卡洛采樣近似，在協(xié)同導(dǎo)航領(lǐng)域同樣受到關(guān)注,，能夠精確表達(dá)基于觀測量和控制量的后延概率分布,。文獻(xiàn)[33]利用一個基于粒子濾波的協(xié)同目標(biāo)跟蹤器對目標(biāo)進(jìn)行位置和速度的估計，將編隊內(nèi)所有機器人基于視覺的目標(biāo)觀測量通過無線通信系統(tǒng)傳輸?shù)綄崟r數(shù)據(jù)庫,，再通過粒子濾波去除觀測噪聲,，從而準(zhǔn)確地獲得位置速度信息。

在無人機的協(xié)同導(dǎo)航中,，信息濾波同樣獲得了研究者的關(guān)注,，它可完成更簡單的估計更新, 更容易解耦和分散[2],。文獻(xiàn)[34]驗證了一種在協(xié)同導(dǎo)航系統(tǒng)中無漂移導(dǎo)航姿態(tài)估計的充分條件，但是這個系統(tǒng)需要用一個集中的估計函數(shù)來估計所有無人機狀態(tài),。所以提出了一種基于分散和分布的信息濾波器,，將多無人機信標(biāo)間的位置關(guān)系和本地慣導(dǎo)數(shù)據(jù)融合，得到一個相對精確的位置參數(shù),。文獻(xiàn)[35]提出了改進(jìn)范圍參數(shù)化平方根容積信息濾波算法，通過結(jié)合完全分布式融合估計結(jié)構(gòu),，集成平方根容積卡爾曼濾波器,、范圍參數(shù)化方法以及信息濾波器，可以實現(xiàn)多無人機協(xié)同無源定位的穩(wěn)定性,、實時性,、準(zhǔn)確性。濾波融合算法多種多樣,，在基礎(chǔ)算法中衍生出新的算法,，但不存在完美的融合濾波方案，在計算量,、誤差累積以及噪聲觀測的準(zhǔn)確性等方面都難以同時達(dá)到最優(yōu),，存在很大的優(yōu)化空間，仍具有極大的研究價值,。

4 多無人機協(xié)同導(dǎo)航故障診斷與容錯方法

多無人機的編隊故障診斷與容錯是多無人機協(xié)同導(dǎo)航的重要一環(huán),，多無人機的編隊在執(zhí)行任務(wù)的過程中，可能會由于環(huán)境因素或者硬件損壞而導(dǎo)致系統(tǒng)故障,，有些故障對于無人機的自主飛行是致命的,，因此通過協(xié)同導(dǎo)航技術(shù)利用多平臺傳感器的多源異類導(dǎo)航信息對故障進(jìn)行甄別與隔離。研究者對無人機的各種故障模型都進(jìn)行了深入的研究,，提出了諸多解決方案,。

文獻(xiàn)[36]主要考慮了在不確定環(huán)境下無機器人組成的編隊目標(biāo)搜尋的數(shù)據(jù)傳輸延時問題，它通過一個隨機方法估計所有飛機采取不同行為的可能性,，每架無人機將會對目標(biāo)方程進(jìn)行調(diào)整,，估計其他無人機的行為，從而對搜索目標(biāo)進(jìn)行新的決策,。避免了由于信息延時導(dǎo)致的搜索區(qū)域重疊,，從而提高了編隊的工作效率。當(dāng)編隊中的無人機發(fā)生硬件故障時,，文獻(xiàn)[37]提出了基于硬件冗余系統(tǒng)的故障診斷識別方法,，該方法主要針對機器人編隊，不需要借助故障模型和動態(tài)模型,，而是由每個編隊里的機器人通過對航位推算和激光掃描匹配來檢測所得到的速度,，再進(jìn)行比較來檢測機器人內(nèi)部傳感器狀態(tài),。通過領(lǐng)隊機器人和自身的激光測距傳感器估計位置信息對故障元件進(jìn)行識別。充分利用了多機器人多傳感器的特點,，減少了故障識別的復(fù)雜程度,，保證了編隊的穩(wěn)定性。與此類似,，文獻(xiàn)[38]設(shè)計了多機故障檢測,、識別、恢復(fù)系統(tǒng),。這個系統(tǒng)利用了各個無人機搭載的傳感器數(shù)據(jù)來檢測它們的位置,，判斷姿態(tài)是否發(fā)生了錯誤，然后識別故障根源,。該系統(tǒng)可以組建一個協(xié)同虛擬傳感器,，為故障的無人機提供冗余位置速度估計，也可以代替該故障無人機的內(nèi)部傳感器,，形成一套更為完整的無人機故障檢測和容錯理論,。對于容錯方案，文獻(xiàn)[35]則是選擇了一個更加直接的方式來對故障無人機的位置進(jìn)行確定,，它是通過多無人機傳感器之間的數(shù)據(jù)交流來對多無人機協(xié)同導(dǎo)航中的故障進(jìn)行補償,。以GPS失效為例，當(dāng)其中一架無人機GPS失效后,，將3架其他的無人機作為參考點,，通過故障無人機與其他3架無人機在慣性坐標(biāo)系中的相對距離，可以確定故障無人機在二維水平面上的位置,，間接地得到了故障無人機的位置,。

多無人機利用協(xié)同導(dǎo)航信息對無人機編隊進(jìn)行多尺度冗余量測信息的故障檢測與容錯，可以為多無人機穩(wěn)定安全飛行提供可靠保障,，極大地提高了多無人機的存活率,，增加了多無人機在復(fù)雜環(huán)境下的適應(yīng)性。

5 多無人機協(xié)同導(dǎo)航的發(fā)展趨勢

隨著無人機的普及,，多無人機協(xié)同導(dǎo)航技術(shù)也受到了廣泛的關(guān)注,，從國內(nèi)外學(xué)者的大量研究成果中歸納出以下五點發(fā)展趨勢。

1)協(xié)同導(dǎo)航精度不斷提高,。無人機協(xié)同導(dǎo)航的研究已經(jīng)進(jìn)行多年,，以視覺導(dǎo)航為主的協(xié)同導(dǎo)航技術(shù)已經(jīng)有了初步的進(jìn)展，關(guān)于多無人機協(xié)同導(dǎo)航如何建模的問題也有了不少的研究,，而關(guān)于誤差的特性分析以及如何對誤差進(jìn)行補償?shù)热绾翁嵘鹊膯栴}還沒有多少進(jìn)展,。Fosbury A[20]、Park J S[22]針對視覺導(dǎo)航中的誤差補償給出了一些改進(jìn)方法,，但仍有待進(jìn)一步的研究,。

2)新型相對導(dǎo)航傳感器的應(yīng)用,。除了已經(jīng)介紹的視覺導(dǎo)航和無線電相對導(dǎo)航方式，諸如激光雷達(dá),、超寬頻無線電傳感器等相對導(dǎo)航傳感器,，雖然還未廣泛應(yīng)用于多無人機協(xié)同導(dǎo)航領(lǐng)域，但是在AUV協(xié)同導(dǎo)航,，以及航天器協(xié)同導(dǎo)航等領(lǐng)域都有重要的應(yīng)用,。雖然針對的對象不同，但是在原理上都存在相似之處,，因此,，拓展全新的相對導(dǎo)航傳感器也是未來研究的一個發(fā)展方向。

3)由單一傳感器到多源傳感器的融合,。單一的相對導(dǎo)航方式其導(dǎo)航的精度以及可靠性有限，而在無人機協(xié)同導(dǎo)航中,，每個無人機可以根據(jù)不同的任務(wù)需求配置不同的傳感器設(shè)備,，不僅可以提升無人機的有效負(fù)載，還能夠利用不同相對導(dǎo)航方式的優(yōu)勢進(jìn)行互補,，多信息融合將是今后多無人機協(xié)同導(dǎo)航的研究熱點,。

4)故障診斷與容錯的智能化。未來的無人機編隊將會實現(xiàn)自主的故障診斷,，綜合多種傳感器的信息,，實現(xiàn)故障的自主診斷、識別和容錯,，不斷提高系統(tǒng)的可靠性與穩(wěn)定性,。

5)由少量無人機到大型無人機機群。近年來多無人機協(xié)同導(dǎo)航的研究內(nèi)容主要針對2～4架無人機組成的無人機編隊,，未來編隊中無人機的數(shù)量勢必遠(yuǎn)超這個數(shù)目,，以實現(xiàn)更加復(fù)雜的目標(biāo)任務(wù)。因此,，如何協(xié)調(diào)好多無人機之間的信息交流與融合,，在更多無人機的編隊中也能保證良好的導(dǎo)航性能，必將成為今后研究的方向,。