👨🎓个人主页
💥💥💞💞欢迎来到本博客❤️❤️💥💥
🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。
⛳️座右铭：行百里者，半于九十。
💥1 概述
多旋翼无人机组合导航系统与多源信息融合算法研究
多旋翼无人机已被广泛应用于军事与民用领域。导航系统是多旋翼无人机的重要组成部分,是其实现安全与稳定飞行的基础。采用INS/GPS组合导航系统可实现高精度导航,该组合导航系统具有优势互补、导航机构冗余的特点,其实质是一个多传感器导航信息优化处理系统。无人机的主要导航参数就是依靠多传感器信息融合获得的,因此信息融合技术是组合导航系统的关键技术,目前已成为国内外学者研究的热点问题。随着多旋翼无人机向自主化和智能化发展,多旋翼无人机对其自身导航系统的性能提出了更高的要求。但是受多旋翼无人机自身成本的制约,导航系统中选用的传感器精度较低。针对这一矛盾,本文提出将无人机自带的微型惯导系统与GPS通过信息融合技术相结合,构成INS/GPS组合导航系统,由此能够提升导航系统的整体性能。本文的研究工作围绕组合导航系统的设计展开。除此之外，本文以课题组自行研制的全新结构多旋翼小型无人机为研究平台,展开对机载多传感器组合导航系统信息融合这一关键技术的研究。
一、组合导航系统的定义与组成
多旋翼无人机组合导航系统是通过整合多种传感器（如GPS、IMU、磁力计、气压计等）构建的综合导航系统。其核心是以惯性导航系统（INS）为主，结合其他传感器实现优势互补。具体组成包括：
- IMU（惯性测量单元） ：提供姿态、角速度和加速度信息，但存在累积误差。
- GPS/GNSS：提供全局位置和速度信息，但易受信号遮挡影响。
- 磁力计：辅助测量航向，但受电磁干扰。
- 气压计：测量高度，但受温度和环境压力波动影响。
- 光流传感器/视觉传感器：在无GPS环境下提供相对位置和速度信息。
二、多源信息融合算法的核心类型与原理
多源信息融合算法根据处理层次分为三类：
- 数据级融合：直接融合原始数据，保留信息完整但实时性差，适用于同构传感器（如IMU与加速度计）。
- 特征级融合：提取特征后进行融合（如姿态角、速度），平衡精度与计算效率，适用于异构传感器。
- 决策级融合：融合各传感器的初步决策（如位置估计），容错性强但信息损失较大，常用于复杂环境。
常用算法：
- 卡尔曼滤波（KF） ：处理线性系统，通过状态方程和观测方程优化估计，广泛应用于INS/GPS融合。
- 扩展卡尔曼滤波（EKF） ：针对非线性系统（如姿态解算），通过局部线性化处理非线性问题。
- 粒子滤波（PF） ：适用于非高斯、强非线性场景，但计算复杂度高。
- 自适应滤波：动态调整噪声参数，增强鲁棒性（如Sage-Husa自适应EKF）。
- 深度学习：通过神经网络处理复杂映射关系，提升环境适应性。
三、典型应用场景
- 近地面无GPS环境：融合光流、IMU和超声波传感器，解决建筑物遮挡导致的定位漂移问题。
- 隧道/室内巡检：结合激光雷达、UWB和视觉传感器，实现厘米级精度的自主避障与导航。
编辑 - 高空长航时任务：整合GNSS、IMU和视觉数据，动态补偿稀薄大气和电磁干扰的影响。
- 农业植保与测绘：融合多光谱相机、LiDAR和RTK-GPS，生成高精度三维地图。
- 动态环境适应性：通过联邦滤波结构，在GPS失效时快速切换至冗余传感器（如气压计+视觉里程计）。
四、研究案例与算法实现
- 多级融合架构（张欣，2015）：
- 第一级：陀螺仪+加速度计+磁力计，采用改进Sage-Husa自适应EKF融合姿态信息，抑制累积误差。
- 第二级：加速度计+GPS，将加速度作为控制量输入状态方程，提升水平位置估计精度。
- 第三级：气压计+GPS，引入联邦滤波和卡方检验，增强高度测量的容错性。
- 无GPS全自主飞行（荷清智能，2022）：
- 正交双雷达+视觉SLAM融合，解决长廊效应；
- 滑模自抗扰控制算法提升复杂环境下的抗扰能力。
- Matlab仿真平台：基于EKF的INS/GPS融合代码实现，支持多传感器数据同步与误差分析。
五、性能评估指标
- 精度指标：
- RMSE（均方根误差） ：评估位置/姿态估计与真实值的偏差。
编辑 - MAE（平均绝对误差） ：反映算法稳定性。
- 实时性指标：
- 处理延迟：从数据输入到输出结果的耗时，需满足无人机控制周期（通常≤10ms）。
- 计算资源占用率：CPU/内存使用率，影响嵌入式系统部署可行性。
- 鲁棒性指标：
- 故障检测率：传感器失效时系统维持精度的能力（如GPS信号丢失后的定位误差增长速率）。
- 环境适应性：在风速突变、电磁干扰等条件下的性能衰减测试。
- 综合指标：
- F1值：平衡精确率与召回率，用于目标跟踪场景。
- NDCG（归一化折损累计增益） ：评估多传感器数据排序的合理性。
六、未来研究方向
- 智能融合算法：结合强化学习动态优化传感器权重，提升环境自适应性。
- 新型传感器集成：毫米波雷达、量子惯性导航等技术的融合潜力。
- 边缘计算优化：通过FPGA/ASIC硬件加速，降低复杂算法（如粒子滤波）的功耗。
- 群体协同导航：多无人机间的信息共享与分布式融合，提升集群任务效率。
编辑
结论
多源信息融合算法通过有效整合多旋翼无人机的传感器数据，显著提升了导航系统的精度、鲁棒性和环境适应性。从基础滤波算法到深度学习模型的演进，体现了该领域的技术纵深。未来，随着新型传感器和边缘计算技术的发展，组合导航系统将向更高自主性、更低功耗的方向突破，为无人机在复杂场景中的应用提供坚实支撑。
📚2 运行结果
编辑
编辑
编辑
编辑
编辑
编辑 
编辑 
编辑
编辑 
编辑 
编辑
编辑
部分代码：
% load Uav true trajectory data.
addpath UavTrajectorySim;
disp(' ')
disp('Available UAV Truth Trajectory Data Files:')
dir_mat_files = dir('UavTrajectorySim\*.mat');
for nFile=1:length(dir_mat_files)
fprintf(' %d: %s\n',nFile,dir_mat_files(nFile).name);
end
% nFileChoice = input('Choose a UAV Truth data file (e.g. 1<Enter>): ');
try
% load(dir_mat_files(nFileChoice).name)
load(dir_mat_files(1).name)
catch
error('Selected UAV Truth Trajectory data file (%d) is invalid.\n',nFileChoice);
end
gvar_earth;
% 单次更新中使用的子样数
nn = 2;
% 采样时间
ts = 0.01;
nts = nn*ts;
% 初始姿态、速度、位置
att0 = [0, 0, 90]'*arcdeg;
vn0 = [0, 0, 0]';
pos0 = [34*arcdeg, 108*arcdeg, 100]'; % lattitude, longtitude, height
qbn0 = a2qua(att0);
% 姿态四元数、速度、位置
qbn = qbn0;
vn = vn0;
pos = pos0;
eth = earth(pos, vn);
% *** 添加误差 ***
% 失准角
phi = [0.1, 0.2, 1]'*arcmin;
qbn = qaddphi(qbn, phi);
% 陀螺零偏，角度随机游走
eb_ref = [0.1, 0.15, 0.2]'*dph;
eb = [0.01, 0.015, 0.02]'*dph;
web = [0.001, 0.001, 0.001]'*dpsh;
% 加计零偏，速度随机游走
db_ref = [800, 900, 1000]'*ug;
db = [80, 90, 100]'*ug;
wdb = [1, 1, 1]'*ugpsHz;
Qk = diag([web', wdb', zeros(1, 9)]')^2*nts;
rk = [[0.1, 0.1, 0.1], [5/Re, 5/Re, 5]]';
Rk = diag(rk)^2;
% 协方差矩阵，x = [phi, delta_vn, delta_p, eb, db]
P0 = diag([[0.1, 0.1, 10]*arcdeg, [1, 1, 1], [10/Re, 10/Re, 10]...
[0.1, 0.1, 0.1]*dph, [80, 90, 100]*ug]')^2;
% 量测矩阵
Hk = [zeros(6,3), eye(6), zeros(6, 6)];
% Kalman filter initialization
kf = kfinit(Qk, Rk, P0, zeros(15), Hk);
% 与模拟轨迹时长一致
kTime = fix(t_SD/ts);
err = zeros(kTime, 10);
xkpk = zeros(kTime, 2*kf.n + 1);
pos_ref = zeros(kTime,3);
pos_est = zeros(kTime,3);
pos_gps = zeros(kTime,3);
kk = 1;
t = 0;
for k = 2 : nn : kTime
t = t + nts;
% 获取模拟轨迹对应的imu输出: 角增量和速度增量（参考值）
wm(1:nn,:) = imu_SD.wm(k-nn+1:k,:);
vm(1:nn,:) = imu_SD.vm(k-nn+1:k,:);
% 为IMU参考输出添加噪声
[wm1, vm1] = imuadderr(wm, vm, eb, web, db, wdb, ts);
% 惯导更新：姿态四元数、速度、位置
[qbn, vn, pos, eth] = insupdate(qbn, vn, pos, wm1, vm1, ts);
% 基于模型预测：导航误差系统模型卡尔曼滤波
kf.Phikk_1 = eye(15) + kfft15(eth, q2mat(qbn), sum(vm1, 1)'/nts)*nts;
kf = kfupdate(kf);
% 模拟GPS量测数据
gps = [avp_SD.vn(k,:)'; avp_SD.pos(k,:)'] + rk.*randn(6, 1);
pos_gps(kk,:) = gps(4:6)';
% 量测更新 5Hz
if mod(t, 0.2) < nts
Zk = [vn', pos']' - gps;
kf = kfupdate(kf, Zk, 'M');
end
% Indirect Kalman filter：feedback to IMU (反馈校正法)
qbn = qdelphi(qbn, kf.Xk(1:3));
vn = vn - kf.Xk(4:6);
pos = pos - kf.Xk(7:9);
pos_est(kk,:) = pos';
% 反馈校正：由于反馈项的存在导致卡尔曼滤波的先验估计值始终为零. Ref: 王辰熙
kf.Xk(1:3) = 0;
kf.Xk(4:6) = 0;
kf.Xk(7:9) = 0;
% kf.Xk(10:12) = 0;
% kf.Xk(13:15) = 0;
% compute the error between estimation & truth data
% Note that this 'error' is not the 'state vector' in the Kalman equ.
% In indirect kalman filter, the 'state vector' means the error of
% the IMU update (respect to True data.)
qbn_ref = a2qua(avp_SD.att(k,:));
vn_ref = avp_SD.vn(k,:)';
pos_ref(kk,:) = avp_SD.pos(k,:);
err(kk, :) = [qq2phi(qbn, qbn_ref)', (vn - vn_ref)', (pos - pos_ref(kk,:)')', t];
xkpk(kk, :) = [kf.Xk', diag(kf.Pk)', t]';
🎉3 参考文献
部分理论来源于网络，如有侵权请联系删除。
[1]刘洪剑,王耀南,谭建豪,李树帅,钟杭.一种旋翼无人机组合导航系统设计及应用[J].传感技术学报,2017,30(02):331-336.
🌈4 Matlab代码实现
资料获取，更多粉丝福利，MATLAB|Simulink|Python资源获取【请看主页然后私信】
