許曉偉，賴際舟，呂 品，樊劉仡

(南京航空航天大學導航研究中心，南京 211106)

?

多無人機協(xié)同導航技術研究現(xiàn)狀及進展

許曉偉，賴際舟，呂 品，樊劉仡

(南京航空航天大學導航研究中心，南京 211106)

UAV是無人駕駛飛機(Unmanned Aerial Vehicle)的簡稱，無人機相較于有人駕駛飛機具有用途廣泛、成本低和生存能力強等特點，在軍事民用領域都有著廣闊的前景，受到了國內外研究者的關注。協(xié)同導航技術極大地擴展了無人機的應用范圍，提高了多無人機定位的精度以及無人機編隊的穩(wěn)定性、安全性和可靠性?，F(xiàn)階段協(xié)同導航技術在編隊導航、目標監(jiān)測與跟蹤等諸多方面都得到了研究與應用。從四個層次對協(xié)同導航的研究現(xiàn)狀和進展進行探討：首先是對多無人機協(xié)同導航的概念、基本原理、國內外發(fā)展現(xiàn)狀和必要性進行闡述；其次對協(xié)同導航中相對導航方式進行了分類分析，并分別介紹了無線電導航與視覺導航的原理、優(yōu)缺點和應用場景；然后從導航目的、協(xié)同導航優(yōu)化算法、濾波方法、協(xié)同導航信息融合容錯策略幾個方面對協(xié)同導航進行分析歸納；最后，討論了基于多無人機協(xié)同導航未來的發(fā)展趨勢。

協(xié)同導航;視覺導航;無線電導航;信息融合;卡爾曼濾波

0 引言

協(xié)同導航的研究起始于20世紀末，其應用平臺相當廣泛，包括水下無人器、無人機、衛(wèi)星以及陸地機器人等[1]。除此之外，基于信息協(xié)同而實現(xiàn)的多無人機編隊利用多無人機之間的空間相對位置的變換，提高無人機的應用范圍、工作效率和擴展無人機的功能。例如實現(xiàn)自主空中加油，在僚機的尾跡渦中的高效率飛行以及提高多無人機的隱蔽性[2]?，F(xiàn)有的傳感器大多依賴于GPS的輔助，戰(zhàn)爭環(huán)境時變性、動態(tài)性、隨機性極有可能導致GPS信號不可用或者不可靠。協(xié)同導航通過多傳感器的信息協(xié)同，提高定位準確性與可靠性。正是由于協(xié)同導航的諸多優(yōu)勢，獲得了研究者的廣泛關注。

以美國為首的西方國家在協(xié)同技術的發(fā)展上起步較早，擁有較多的研究成果。很多研究成果已經通過了測試而轉入實用階段。早在20世紀80年代，美國就研發(fā)了聯(lián)合戰(zhàn)術信息分布系統(tǒng)(Joint Tactical Information Distribution System ，JTIDS)，在1991年海灣戰(zhàn)爭中，美軍全面采用該系統(tǒng)進行作戰(zhàn)，通過數據鏈使戰(zhàn)術戰(zhàn)位之間進行數據交流，實現(xiàn)了海陸空作戰(zhàn)一體化。美國國防部高級研究計劃局(Defense Advanced Research Projects Agency ，DARPA)十分重視協(xié)同技術的發(fā)展，于2015年提出在拒止環(huán)境中協(xié)同作戰(zhàn)(Collaborative Operations in Denied Environment，CODE)項目，旨在使多無人飛行器在磁屏蔽環(huán)境下通過信息協(xié)同動態(tài)地遠程地對移動的目標進行精確打擊。CODE工程專注于對無人機協(xié)同作戰(zhàn)的能力，這些無人機會不斷地估計自己的位置環(huán)境給決策者，使決策者獲得全面的情報信息[3]。西班牙塞維利亞大學機器人視覺控制小組一直致力于移動機器人和傳感器網絡的研究，過去10年內研究了利用傳感器和多機器人的協(xié)同合作，這種不借助于外部傳感器的定位方法具有較強的魯棒性，是最近研究者關注的熱點[4]。

我國協(xié)同導航技術起步較晚，中國空氣動力研究與發(fā)展中心針對無人機協(xié)同覆蓋路徑規(guī)劃、多無人機協(xié)同軌跡規(guī)劃算法進行了深入的研究。南開大學計算機工程學院通過研究無人機的物理特性獲得了大量的成果，提升了無人機的并行性和容錯能力，并且設計了多無人機系統(tǒng)規(guī)劃的最優(yōu)控制模型[5-6]。由此可見，國內外學者對協(xié)同導航的重要性已有了充分的認識。

1 多無人機協(xié)同導航的概念及意義

無人機近幾年在軍事民用領域扮演了越來越重要的角色，既能夠自主實現(xiàn)對作戰(zhàn)目標的查打一體，也可以用于民用的航拍。協(xié)同導航技術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。在復雜環(huán)境下，導航系統(tǒng)又必須在要求的運行時間和范圍內提供可靠并且準確的導航信息。與單架無人機相比，多無人機協(xié)同可以優(yōu)化任務分配，提升執(zhí)行任務的表現(xiàn)，提高定位精度，減少實行任務的時間，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)同導航是一項綜合性的技術，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型、相對導航方式、協(xié)同定位算法以及編隊故障的診斷與容錯四方面進行論述。一般的協(xié)同導航結構如圖1所示。

模塊是模塊化設計的基本元素,是一種實體的概念,如把模塊定義為一組同時具有相同功能和相同結合要素,具有不同性能或用途甚至不同結構特征,但能互換的單元[2-5].模塊化一般是指使用模塊的概念對設備或系統(tǒng)進行規(guī)劃設計、生產組織.設備的模塊化設計是在對一定范圍內的不同功能或相同功能不同性能、不同規(guī)格的設備進行功能結構分析的基礎上,劃分并設計出一系列模塊,通過模塊的選擇和組合可以構成不同的設備,以滿足發(fā)射場不同需求的設計方法.

多無人機協(xié)同導航系統(tǒng)的信息通信結構直接影響了導航精度[2]。多無人機協(xié)同導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構。主從式多無人機的編隊包括單主、多主等結構，通常主從式結構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行共享。僚機利用長機的導航信息并通過相對位置測量對自己的位置進行估計，從而提高無人機編隊的整體定位精度。平行式結構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行自身位置更新。

2 相對導航方式的研究及進展

相對導航方式是實現(xiàn)協(xié)同導航技術多機協(xié)同的重要手段，在無人機協(xié)同導航中飛行器之間的信息一般通過相對導航方式獲得，相對導航方式的應用是無人機群在復雜環(huán)境下實現(xiàn)協(xié)同導航的重要手段。本文所研究的協(xié)同導航的應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，相對導航傳感器相對于絕對導航傳感器能夠實現(xiàn)更高的定位精準度、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航方式結合圖3所示的分類進行具體闡述。

2.1 無線電導航

無線電導航是現(xiàn)代航空中最為基本，同時也是最為核心的協(xié)同導航手段，可以全天時全天候實現(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，因而無線電導航也優(yōu)先被應用在了相對導航方式中。無線電導航包含了GPS、雷達、UWB等利用無線電波的導航技術。GPS導航利用多顆衛(wèi)星對目標進行定位，是目前最常用的導航定位手段，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航定位精度以滿足相對導航的需求條件。雷達導航利用電磁波在介質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)相對導航。針對GPS相對導航的問題，Hedgecock W等提出GPS相對跟蹤法(Relative GPS Tracking，RegTrack)，通過GPS推導多接收機的相對位置信息，網絡中的節(jié)點通過分享它們的原始衛(wèi)星測量數據并利用這些數據追蹤鄰近節(jié)點的相對運動對比計算出自身的絕對坐標，由于無關測量誤差的存在，該方法比簡單采用節(jié)點絕對坐標或其他常規(guī)方法的精度高出了1個數量級以上[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，通過信息融合加強載波相位差分GPS相對導航的魯棒性[9]。

在利用雷達的相對導航方面，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，僅通過測距雷達和飛行器機載導航系統(tǒng)測量距離信息就可以估計相對姿態(tài)的方法。該方法假設系統(tǒng)在沒有噪聲的情況下，從無線電測量構造出的圖形中推導出姿態(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)同自主導航技術進行了研究，推導貝葉斯遞歸優(yōu)化算法，基于到達時間(time-of-arrival，TOA)對位置和信道環(huán)境進行聯(lián)合估計[11]。Quist E B等提出了一種雷達測距算法，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產生的導航誤差，從而提高導航精度，并通過雷達捕獲的實際室外飛行數據對算法的有效性進行了驗證[12]。無線電導航具有良好的技術基礎，在相對導航的應用中主要難點在于高精度相對導航算法的設計以及對測量噪聲的過濾，對導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)同導航提供了新的思路，從而保證無人機編隊協(xié)同導航的可靠性與準確性。

2.2 視覺導航

視覺導航是近年來國內外導航領域的研究熱點。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)測等任務時自身就會搭載視覺傳感器，因此采用視覺導航的方式不會占用無人機額外的空間。在視覺導航方式中，裝載有視覺傳感器的僚機或者長機能夠對感知范圍內的某架或多架無人機的特征信息進行連續(xù)捕獲，并對特征信息進行匹配與跟蹤，估計出自身的運動狀態(tài)，從而對慣性導航信息進行修正并在相對坐標系或絕對坐標系中確定自身的位置。在利用視覺傳感器實現(xiàn)相對導航時，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果將直接影響到飛行器的飛行軌跡，因此其關鍵技術就體現(xiàn)在對特征信息的精確捕獲和跟蹤以及與慣性導航信息的高精度融合。

視覺相對導航方法首先要解決的是對特征信息的捕獲和跟蹤問題，因此需對視覺導航方式進行建模，研究者們針對不同的應用環(huán)境提出了相應的視覺導航模型。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航模型，用來估計無人機相對姿態(tài)[13]。J.Hardy等設計的模型以分層統(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)，該相對導航方法對地圖邊界和協(xié)方差進行了直觀定義，在需要時使用全局一致地圖的設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等設計了基于神經算法的視覺估計與導航算法，并通過詳細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行了驗證[17]。Meng D等設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，該方法結合了定位參數初始化與正交迭代法，估計旋轉矩陣與轉換向量的最優(yōu)解，并討論了該方法中特征點數量與配置對估計結果精度的影響[18]。針對長機與僚機之間沒有信息交流的情況，Seung-Min Oh等設計了一款基于視覺的導航系統(tǒng)，使用無跡卡爾曼濾波對目標方位角、目標仰角、目標對角視覺信息進行信息融合，得到相對運動估計，實現(xiàn)了長機與僚機之間的相對導航[19]。

建立合適的模型是實現(xiàn)多無人機視覺導航的基礎，進一步提高視覺導航的精確性與魯棒性就需要研究結合視覺導航和慣導信息的融合問題。Fosbury A等使用四元數法將全局姿態(tài)參數化，由三維姿態(tài)表示法給出當地姿態(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[20]的基礎上，崔乃剛等針對視覺導航輸出延時的問題，提出了一種視覺與慣導相結合的相對導航方法，采用無跡卡爾曼濾波對相對慣導信息和相對視線矢量信息進行融合，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方位特征的噪聲；其次結合相對姿態(tài)運動學和相對位置方程設計了一種相對導航濾波器，二者相結合，達到提高精度與魯棒性的目的[22]。視覺相對導航技術近年來以研究模型的建立和信息的融合為主，其技術基礎已相對成熟，而對視覺導航中誤差的特性分析與傳遞方式的研究相對較少，如何進一步分析誤差、消除誤差以提升導航技術的精確性是今后研究的方向之一。

視覺作為協(xié)同導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系的相對位置和距離。在存在GPS信號情況下，這些導航信息也可以在慣性坐標系內估計。視覺導航不需要無人機之間的相互通信，是復雜環(huán)境下協(xié)同導航的重要手段。

3 多無人機協(xié)同導航算法的研究與進展

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

3.1 協(xié)同導航的數理優(yōu)化算法

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

文獻[23]采用內部和外部信息的傳感器對機器人自身狀態(tài)參數進行收集、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，也就是將編隊內的各子機器人都看作一個子系統(tǒng)進行卡爾曼濾波運算，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)最少的數據傳輸和處理過程，但存在傳輸延時、數據丟失和全局認知困難等問題[7]。文獻[24]則采用集中式的協(xié)同導航結構，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，導致編隊癱瘓。文獻[25]根據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。通過極大似然估計對2個傳感器的距離進行推算，解決了在3D無線傳感器網絡中目標的協(xié)同定位問題。由于計算的復雜性，文獻[25]同樣使用了分布式的策略，由本地子系統(tǒng)對估計過程進行運算，將各平臺的信息進行分別估計，進而獲得相對準確的位置估計。

3.2 基于圖論的協(xié)同導航算法

圖論就是將一個特定集合內的目標通過數學結構對成對的目標關系進行建模的方法[7]。圖中的每個節(jié)點都被認為是一個媒介，它可以和一些或者全部的媒介進行信息交換。針對路徑跟蹤準確性不足的問題，文獻[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)同導航的定位精度，文獻[27]同樣應用基于圖論的建模方式討論多無人機的定位問題，當知道2個無人機之間的距離和2個已知位置信息的地標與載體的夾角時，通過全局剛性結構理論，對多無人機進行相對定位。文獻[28]設計了一種基于視覺的協(xié)同導航定位算法，它利用多個無人機對同一目標進行不同角度的拍照，當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幅圖像進行比較，通過圖像內含有的各無人機的導航信息和特征區(qū)域的比較進行導航信息的更新。研究者建立了一個有向非循環(huán)圖，通過組內無人機平臺進行圖的本地維護，每當獲得量測信息時，則根據該圖計算導航參數與圖像相關的互協(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)同導航的濾波估計算法

信息融合估計是多無人機協(xié)同導航算法中關鍵的一環(huán)，本節(jié)結合了國內外不同學者的研究成果，對無人機間的信息融合濾波方法進行相關的分析。

卡爾曼濾波是協(xié)同導航中最常見的融合算法之一，通過迭代預測和補償，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，它將非線性部分進行一階泰勒展開，忽略了高階項。UKF則結合了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注，其中文獻[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系，將無人機的相對位置和相對距離作為觀測量進行卡爾曼濾波。為了減少數據融合的計算量，文獻[29]還提出了將最小二乘誤差法與卡爾曼濾波結合的方式，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處理階段進行粗估計，然后通過卡爾曼濾波進行進一步的噪聲消除。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消耗較少的內存和時間資源。文獻[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、參數化均值和協(xié)方差，假設傳感器噪聲是零均值，白噪聲。如果噪聲觀測狀態(tài)不夠準確，會導致誤差累計，致使濾波器發(fā)散，而且它需要大量的建模參數以及需要通過手動調節(jié)。所以文獻[31]提出了一種基于自主學習噪聲協(xié)方差的擴展卡爾曼濾波器，結果表明，它可以自動且快速地輸出噪聲協(xié)方差，提高了導航精度。文獻[32]提出了基于多無人機協(xié)同的自適應UKF來實現(xiàn)數據融合，得到最優(yōu)位置。自適應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)方差進行估計，可以對估計誤差進行補償，使自適應UKF能獲得比傳統(tǒng)UKF更好的魯棒性和準確性。

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)同導航領域同樣受到關注，能夠精確表達基于觀測量和控制量的后延概率分布。文獻[33]利用一個基于粒子濾波的協(xié)同目標跟蹤器對目標進行位置和速度的估計，將編隊內所有機器人基于視覺的目標觀測量通過無線通信系統(tǒng)傳輸到實時數據庫，再通過粒子濾波去除觀測噪聲，從而準確地獲得位置速度信息。

在無人機的協(xié)同導航中，信息濾波同樣獲得了研究者的關注，它可完成更簡單的估計更新, 更容易解耦和分散[2]。文獻[34]驗證了一種在協(xié)同導航系統(tǒng)中無漂移導航姿態(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，將多無人機信標間的位置關系和本地慣導數據融合，得到一個相對精確的位置參數。文獻[35]提出了改進范圍參數化平方根容積信息濾波算法，通過結合完全分布式融合估計結構，集成平方根容積卡爾曼濾波器、范圍參數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、準確性。濾波融合算法多種多樣，在基礎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確性等方面都難以同時達到最優(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)同導航的重要一環(huán)，多無人機的編隊在執(zhí)行任務的過程中，可能會由于環(huán)境因素或者硬件損壞而導致系統(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)同導航技術利用多平臺傳感器的多源異類導航信息對故障進行甄別與隔離。研究者對無人機的各種故障模型都進行了深入的研究，提出了諸多解決方案。

文獻[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搜尋的數據傳輸延時問題，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方程進行調整，估計其他無人機的行為，從而對搜索目標進行新的決策。避免了由于信息延時導致的搜索區(qū)域重疊，從而提高了編隊的工作效率。當編隊中的無人機發(fā)生硬件故障時，文獻[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，再進行比較來檢測機器人內部傳感器狀態(tài)。通過領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雜程度，保證了編隊的穩(wěn)定性。與此類似，文獻[38]設計了多機故障檢測、識別、恢復系統(tǒng)。這個系統(tǒng)利用了各個無人機搭載的傳感器數據來檢測它們的位置，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[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行確定，它是通過多無人機傳感器之間的數據交流來對多無人機協(xié)同導航中的故障進行補償。以GPS失效為例，當其中一架無人機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)同導航信息對無人機編隊進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雜環(huán)境下的適應性。

5 多無人機協(xié)同導航的發(fā)展趨勢

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

1)協(xié)同導航精度不斷提高。無人機協(xié)同導航的研究已經進行多年，以視覺導航為主的協(xié)同導航技術已經有了初步的進展，關于多無人機協(xié)同導航如何建模的問題也有了不少的研究，而關于誤差的特性分析以及如何對誤差進行補償等如何提升精度的問題還沒有多少進展。Fosbury A[20]、Park J S[22]針對視覺導航中的誤差補償給出了一些改進方法，但仍有待進一步的研究。

2)新型相對導航傳感器的應用。除了已經介紹的視覺導航和無線電相對導航方式，諸如激光雷達、超寬頻無線電傳感器等相對導航傳感器，雖然還未廣泛應用于多無人機協(xié)同導航領域，但是在AUV協(xié)同導航，以及航天器協(xié)同導航等領域都有重要的應用。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。單一的相對導航方式其導航的精度以及可靠性有限，而在無人機協(xié)同導航中，每個無人機可以根據不同的任務需求配置不同的傳感器設備，不僅可以提升無人機的有效負載，還能夠利用不同相對導航方式的優(yōu)勢進行互補，多信息融合將是今后多無人機協(xié)同導航的研究熱點。

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)同導航的研究內容主要針對2～4架無人機組成的無人機編隊，未來編隊中無人機的數量勢必遠超這個數目，以實現(xiàn)更加復雜的目標任務。因此，如何協(xié)調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航性能，必將成為今后研究的方向。

6 結論

協(xié)同導航技術在眾多領域獲得了廣泛的研究，基于多無人機的協(xié)同導航技術極大地擴大了無人機的應用范圍，在多無人機編隊飛行中通過信息的共享融合，可以進行相對定位，提高導航精度。在少量無人機傳感器故障時能夠保持多無人機進行準確的導航。本文結合相關文獻分析了多無人機系統(tǒng)下的協(xié)同導航的概念及意義，相對導航方式的研究現(xiàn)狀以及多無人機信息融合及容錯的方式方法。根據現(xiàn)有的發(fā)展狀況，預測今后多無人機的發(fā)展趨勢。隨著科學技術的迅速發(fā)展，多無人機協(xié)同導航技術的日趨成熟，可以克服當下存在的一系列問題，并充分發(fā)揮無人機的優(yōu)勢，具有極其重要的理論意義和工程價值。

[1] 徐博, 白金磊, 郝燕玲,等.多AUV協(xié)同導航問題的研究現(xiàn)狀與進展[J].自動化學報, 2015，41(3):445-461.

[2] Wilson D B,Goktogan A H, Sukkarieh S.A vision based relative navigation framework for formation flight[C]//IEEE International Conference on Robotics and Automation.IEEE, 2014:4988-4995.

[3] Ledé J C, Collaborative Operations in Denied Environment (CODE)[DB/OL].2015.http://www.darpa.mil/program/collaborative-operations-in-denied-environment.

[4] Fernández J C, Martinez-De-Dios J R, Maza I, et al.Ten years of cooperation between mobile robots and sensor networks[J].International Journal of Advanced Robotic Systems, 2015, 12(6):70.

[5] 陳海, 何開鋒, 錢煒祺.多無人機協(xié)同覆蓋路徑規(guī)劃[J].航空學報, 2016, 37(3):928-935.

[6] 白瑞光, 孫鑫, 陳秋雙,等.基于Gauss偽譜法的多UAV協(xié)同航跡規(guī)劃[J].宇航學報, 2014, 35(9):1022-1029.

[7] Zhang Y,Mehrjerdi H.A survey on multiple unmanned vehicles formation control and coordination: Normal and fault situations[C]//International Conference on Unmanned Aircraft Systems.IEEE, 2013:1087-1096.

[8] Hedgecock W, Maroti M, Sallai J, et al.High-accuracy differential tracking of low-cost GPS receivers[C]//Proceeding of the International Conference on Mobile Systems, Applications, and Services.ACM, 2013:221-234.

[9] Gross J N,Gu Y, Rhudy M B.Robust UAV relative navigation with DGPS, INS, and peer-to-peer radio ranging[J].IEEE Transactions on Automation Science & Engineering, 2015, 12(3):935-944.

[10] Strader J, Gu Y, Gross J N, et al.Cooperative relative localization for moving UAVs with single link range measurements[C]//2016 IEEE/ION Position, Location and Navigation Symposium (PLANS). IEEE, 2016: 336-343.

[11] Tseng P H, Ding Z,Feng K T.Cooperative self-navigation in a mixed LOS and NLOS environment[J].IEEE Transactions on Mobile Computing, 2014, 13(2):350-363.

[12] Quist E B, Beard R W.Radarodometry on fixed-wing small unmanned aircraft[J].IEEE Transactions on Aerospace & Electronic Systems, 2016, 52(1):396-410.

[13] Hardy J, Strader J, Gross J N, et al.Unmanned aerial vehicle relative navigation in GPS denied environments[C]//Proceedings of the IEEE/ION Position,Location and Navigation Symposium(PLANS).IEEE, 2016:344-362.

[14] Leishman R C, Mclain T W, Beard R W.Relative navigation approach for vision-based aerial GPS-denied navigation[J].Journal of Intelligent & Robotic Systems, 2014, 74(1):1-15.

[15] Leishman R, Macdonald J, Mclain T, et al.Relative navigation and control of a hexacopter[C]//2012 IEEE International Conference on Robotics and Automation (ICRA).IEEE, 2012:4937-4942.

[16] Leishman R C, Mclain T W.Multiplicative extended kalman filter for relative rotorcraft navigation[J].Journal of Aerospace Information Systems, 2014, 12(12):728-744.

[17] Khansari-Zadeh S M, Saghafi F.Vision-based navigation in autonomous close proximity operations using neural networks [J].IEEE Transactions on Aerospace & Electronic Systems, 2011, 47(2):864-883.

[18] Meng D, Li W, Wang B.Vision-based estimation of relative pose in autonomous aerial refueling [J].Chinese Journal of Aeronautics, 2011, 24(6):807-815.

[19] Oh S M, Johnson E.Relative motion estimation for vision-based formation flight using unscented Kalman filter[C]//AIAA Guidance, Navigation and Control Conference and Exhibit, 2007:6866.

[20] Fosbury A, Crassidis J.Relative navigation of air vehicles[J].Journal of Guidance Control & Dynamics, 2008, 31(4):824-834.

[21] 崔乃剛, 王小剛, 郭繼峰.基于Sigma-point卡爾曼濾波的INS/Vision相對導航方法研究[J].宇航學報, 2009, 30(6):2220-2225.

[22] Park J S, Lee D,Jeon B, et al.Robust vision-based pose estimation for relative navigation of unmanned aerial vehicles[C]//International Conference on Control, Automation and Systems(ICCAS).IEEE, 2013:386-390.

[23] Roumeliotis S I, Bekey G A.Distributed multi-robot localization[C]//Proceedings of the 2002 IEEE Transactions on Robotics and Automation.IEEE, Manitoba, 2002:781-795.

[24] 陶通, 黃亞樓, 苑晶,等.基于協(xié)助校正方法的多機器人主動同時定位與建圖[J].模式識別與人工智能, 2012, 25(3):534-543.

[25] Tomic S, Beko M, Rui D, et al.Distributed algorithm for target localization in wireless sensor networks using RSS and AoA measurements[J].Pervasive & Mobile Computing, 2017, 37:63-77.

[26] Guerrero J A,Fantoni I, Salazar S, et al.Flight formation of multiple mini rotorcraft via coordination control[C]//IEEE International Conference on Robotics and Automation.IEEE, 2010:620-625.

[27] Shames I,Fidan B, Anderson B D O, et al.Cooperative self-localization of mobile agents[J].IEEE Transactions on Aerospace & Electronic Systems, 2011, 47(3):1926-1947.

[28] Indelman V, Gurfil P, Rivlin E, et al.Distributed vision-aided cooperative localization and navigation based on three-view geometry[C]//IEEE Aerospace Conference on Computer Society.IEEE, 2011:1-20.

[29] Du R, Liu J, Jiang Z, et al.Fast data fusion algorithm for building navigation base in formation flying[C]//International Conference on Automation and Computing.IEEE, 2013:609-631.

[30] Sharma R, Taylor C.Cooperative navigation of MAVs in GPS denied areas[C]//IEEE International Conference on Multisensor Fusion and Integration for Intelligent Systems.IEEE, 2008:481-486.

[31] 楊少凡, 余華兵, 陳新華,等.基于擴展Kalman濾波的單領航者自主水下航行器協(xié)同導航判別式訓練方法研究[J].電子與信息學報, 2015, 37(11):2756-2761.

[32] Li H,Luo J, Li L, et al.Coordinated control and localizing target system for multi-UAVs based on adaptive UKF[M]//Intelligent Computing and Information Science.Springer Berlin Heidelberg, 2011:249-258.

[33] Lima P U, Ahmad A, Dias A, et al.Formation control driven by cooperative object tracking[J].Robotics & Autonomous Systems, 2015, 63:68-79.

[34] Hoffmann G,Waslander S, Tomlin C.Distributed cooperative search using information-theoretic costs for particle filters, with quadrotor applications[C]//AIAA Guidance, Navigation and Control Conference and Exhibit, 2006:6576.

[35] Qu Y, Zhang Y.Fault-tolerant localization for multi-UAV cooperative flight[C]//2010 IEEE/ASME International Conference on Mechatronics and Embedded Systems and Applications(MESA).IEEE, 2010:131-136.

[36] Hashimoto M, Ishii T, Takahashi K.Sensor fault detection and isolation for mobile robots in a multi-robot team[C]//IEEE 35thAnnual Conference on Industrial Electronics, 2009.IECON’09.IEEE, 2009:2348-2353.

[37] Zhou D, Zhang H, Pan Q, et al.An improved range parameterized square root cubature information filter algorithm for multi-UAV cooperative passive location[C]//IEEE International Conference on Information and Automation.IEEE, 2015:1079-1084.

[38] Suarez A, Heredia G,Ollero A.Cooperative sensor fault recovery in multi-UAV systems[C]//IEEE International Conference on Robotics and Automation.IEEE, 2016:1188-1193.

A Literature Review on the Research Status and Progress of Cooperative Navigation Technology for Multiple UAVs

XU Xiao-wei, LAI Ji-zhou， LV Pin, FAN Liu-yi

(Navigation Research Center, Nanjing University of Aeronautics and Astronautics, Nanjing 211106, China)

UAV is an abbreviation for Unmanned Aerial Vehicle.Compared with manned vehicle, UAVs have characteristics of wide-range in application, low cost and strong survival ability.Because of the broad prospect in the military and civilian field, researchers are attracted by UAVs both at home and abroad.Cooperative navigation technology has greatly expanded the scope of UAVs applications.It can not only improve positioning accuracy of UAVs, but also for the stability, security and reliability.Recently, cooperative navigation technology has been researched and applied in the aspects of formation navigation, target monitoring, tracking and so on.The research status and progress of cooperative navigation technology are divided into four levels in this paper: cooperative navigation concept, basic principles, development status and necessity would be described in the first part; secondly, the relative navigation methods in cooperative navigation are classified and analyzed，mainly including principles, advantages and disadvantages，application scenarios of radio navigation and visual navigation.Then, the cooperative navigation is summarized from the aspects of navigation purpose, cooperative navigation optimization algorithm, filtering method, information fusion and fault-tolerant strategy.At last, key problems and development trend of multi-UAVs cooperative navigation are discussed.

Cooperative navigation; Visual navigation; Radio navigation; Information fusion; Kalman filtering

2017-05-21；

2017-06-17

江蘇省六大人才高峰項目(2015-XXRJ-005);江蘇省研究生培養(yǎng)創(chuàng)新工程(KYLX_0284)

許曉偉(1992-)，男，博士研究生，主要從事無人機協(xié)同導航及多信息融合容錯導航技術方面的研究。 E-mail:xuxw@nuaa.edu.cn

賴際舟(1977-)，男，博士，教授，主要從事多傳感器融合、衛(wèi)星定位和組合導航技術。 E-mail：laijz@nuaa.edu.cn

10.19306/j.cnki.2095-8110.2017.04.001

V249.31

A

2095-8110(2017)04-0001-09