方文軒，叢佃偉

(1.信息工程大學(xué) 地理空間信息學(xué)院，河南 鄭州 450001；2.中國人民解放軍31636部隊，云南 楚雄 675000；3.航天工程大學(xué) 航天信息學(xué)院，北京 101416)

0 引言

隨著社會生產(chǎn)力的變革與提高，工業(yè)時代退出舞臺，信息時代的曙光愈發(fā)耀眼。信息作為一種虛無與現(xiàn)實的矛盾結(jié)合體，正逐漸融入人類的生存與發(fā)展，已在各個領(lǐng)域大放異彩。各種信息技術(shù)得到蓬勃發(fā)展，其中多源信息融合技術(shù)因其活躍的發(fā)展與廣泛的應(yīng)用，研究熱度居高不下。多源信息融合技術(shù)通過數(shù)字計算機(jī)對基于時間序列的多種(個)傳感器的觀測數(shù)據(jù)進(jìn)行融合優(yōu)化處理得到任務(wù)需求的信息[1]。這一解決問題的思路充分利用多傳感器信息，與組合導(dǎo)航的發(fā)展趨勢十分契合，將多源信息融合技術(shù)應(yīng)用于組合導(dǎo)航得到越來越多的關(guān)注。

目前，國內(nèi)外在組合導(dǎo)航系統(tǒng)的研究與應(yīng)用上基本以慣性導(dǎo)航為主，輔以衛(wèi)星導(dǎo)航、視覺導(dǎo)航系統(tǒng)以及車載里程計、雷達(dá)高度計、星光敏感器、地磁傳感器等量測儀器。與單一信息收集渠道相比，組合導(dǎo)航收集多種(個)傳感器的信息進(jìn)行融合處理，得到的結(jié)果能夠更好地滿足預(yù)期需求。根據(jù)多源信息融合理論的劃分，組合導(dǎo)航多傳感器信息融合層級是位置級和屬性級[2]，屬于信息融合系統(tǒng)基礎(chǔ)層級。組合導(dǎo)航要求系統(tǒng)能夠自適應(yīng)地接收和處理有效觀測數(shù)據(jù)，并對導(dǎo)航信息進(jìn)行融合，輸出滿足用戶精度需求標(biāo)準(zhǔn)的位置、速度和姿態(tài)等導(dǎo)航信息；同時，組合導(dǎo)航系統(tǒng)需要具備一定的可靠性、魯棒性以及較強(qiáng)的容錯能力。

將多源信息融合技術(shù)與組合導(dǎo)航系統(tǒng)結(jié)合已經(jīng)成為新的熱點研究方向。因此，本文對面向衛(wèi)星/慣性/視覺組合導(dǎo)航的多源信息融合技術(shù)進(jìn)行研究、歸納，從組合導(dǎo)航系統(tǒng)、卡爾曼濾波與多源信息融合技術(shù)以及多源信息融合技術(shù)研究與應(yīng)用趨勢3個方面進(jìn)行闡述。

1 衛(wèi)星/慣性/視覺導(dǎo)航應(yīng)用發(fā)展現(xiàn)狀及融合優(yōu)勢

單一導(dǎo)航系統(tǒng)因存在各自的缺點而影響定位和導(dǎo)航等功能的正常使用，將不同導(dǎo)航系統(tǒng)的多種(個)傳感器(至少2類及以上)匯集的信息和功能結(jié)合起來，形成綜合性更強(qiáng)、協(xié)和超越、優(yōu)勢互補(bǔ)的組合導(dǎo)航系統(tǒng)，成為解決單一導(dǎo)航系統(tǒng)缺點的重要手段。目前，以衛(wèi)星導(dǎo)航、慣性導(dǎo)航以及視覺導(dǎo)航為主要信息源的組合導(dǎo)航系統(tǒng)在艦船航行、飛行器著降、智能無人駕駛、室內(nèi)定位導(dǎo)航、工業(yè)機(jī)器人以及精準(zhǔn)農(nóng)業(yè)等方面得到發(fā)展與應(yīng)用。

1.1 衛(wèi)星/慣性/視覺導(dǎo)航應(yīng)用發(fā)展現(xiàn)狀

衛(wèi)星導(dǎo)航系統(tǒng)可為任意地球表面或近地空間的用戶提供全天候位置、速度及時間信息，具有定位精度高、定位誤差不隨時間增長等特點。衛(wèi)星導(dǎo)航已形成了以美國GPS系統(tǒng)和中國北斗三號系統(tǒng)為代表的衛(wèi)星導(dǎo)航產(chǎn)業(yè)鏈，在民用領(lǐng)域如交通管理、目標(biāo)定位、工程測量、氣象預(yù)報和精準(zhǔn)農(nóng)業(yè)等方面廣泛、良好、深刻地影響人們的日常生產(chǎn)、生活。目前，衛(wèi)星導(dǎo)航系統(tǒng)正邁向統(tǒng)一、合作、開放與共享的發(fā)展道路[3]，致力于為廣大用戶提供更精確、更快速、更穩(wěn)定、更連貫的導(dǎo)航定位服務(wù)[4]。

傳統(tǒng)慣性導(dǎo)航系統(tǒng)將慣性元器件加速度計和陀螺儀安裝在慣導(dǎo)平臺或直接固連在載體上，通過導(dǎo)航計算機(jī)控制以數(shù)字形式采集慣性傳感器輸出的加速度和角速度信息，并進(jìn)行數(shù)值積分運算(姿態(tài)更新算法、速度更新算法和位置更新算法)求解得到載體的姿態(tài)、速度和位置等導(dǎo)航參數(shù)。隨著工業(yè)制造水平、電子技術(shù)及計算機(jī)技術(shù)的發(fā)展，高精度的激光陀螺慣性導(dǎo)航系統(tǒng)正在逐步取代平臺式和捷聯(lián)式慣導(dǎo)系統(tǒng)。MK39系列激光陀螺慣導(dǎo)系統(tǒng)[5]已列裝多個國家的海軍艦船平臺。AN/WSN-7系列激光陀螺捷聯(lián)式系統(tǒng)已經(jīng)成為美國海軍水面艦艇和常規(guī)潛艇的標(biāo)準(zhǔn)配置[6]。

視覺導(dǎo)航通過視覺傳感器主動或被動捕獲載體周圍環(huán)境的視覺影像，利用計算機(jī)技術(shù)分析圖像中的諸如色彩、邊緣、形狀和結(jié)構(gòu)等特征信息，經(jīng)過視覺算法處理得到相應(yīng)的載體運動信息。隨著圖像捕捉、圖像處理和高性能處理器等技術(shù)的大力發(fā)展，計算機(jī)視覺能夠與不同傳感器相結(jié)合，從多個角度生成視覺圖像、抓捕圖像特征、融合圖像信息，解算載體運動、特征點位移等。視覺導(dǎo)航發(fā)展至今，分類廣泛、各具特色、互有交叉。目前，主流視覺導(dǎo)航可以分為基于自然特征和基于人工特征的視覺導(dǎo)航。視覺傳感器與圖像處理技術(shù)的發(fā)展使得視覺導(dǎo)航能夠提供與衛(wèi)星和慣性導(dǎo)航精度相當(dāng)、類型一致的導(dǎo)航信息，具備組合導(dǎo)航的基礎(chǔ)條件；同時，視覺導(dǎo)航多樣化的技術(shù)手段促進(jìn)多源信息融合向更多領(lǐng)域發(fā)展。

1.2 衛(wèi)星/慣性/視覺導(dǎo)航融合優(yōu)勢

衛(wèi)星、慣性和視覺3種主要導(dǎo)航方式有各自的不足。衛(wèi)星信號在復(fù)雜地形環(huán)境中易受遮擋和多路徑效應(yīng)影響；對于高動態(tài)場景的載體，衛(wèi)星信號的載波相位易出現(xiàn)短暫失鎖；此外，愈發(fā)復(fù)雜的電磁環(huán)境和部分帶有敵意的欺騙(如某地區(qū)農(nóng)業(yè)撒藥無人機(jī)因信號干擾集體失控事件)易對衛(wèi)星信號造成干擾。這些問題使得衛(wèi)星導(dǎo)航在高樓、室內(nèi)、叢林、峽谷、水下等區(qū)域以及部分高動態(tài)需求的軍事應(yīng)用中受到限制，不能充分發(fā)揮衛(wèi)星導(dǎo)航的功用。慣性導(dǎo)航的積分推算方式使得其定位誤差累積較快，不能長時間使用，使其系統(tǒng)精度的長期穩(wěn)定性較差，需要輔以其他傳感器修正輸出的載體位姿信息。視覺導(dǎo)航面臨著提取影像和圖像特征時計算機(jī)運算量過大引起的實時性問題和對于自然場景(目標(biāo))的多樣性、豐富性、動態(tài)性的適應(yīng)問題?？傊l(wèi)星/慣性/視覺導(dǎo)航中的任一種或2種組合都無法完全滿足用戶對準(zhǔn)確性、可靠性、抗干擾及魯棒性的要求?；谛l(wèi)星/慣性/視覺組合導(dǎo)航的多源信息融合技術(shù)能夠綜合各傳感器的長處、互補(bǔ)不足，達(dá)到更好的導(dǎo)航性能，如表1所示。目前，常用的衛(wèi)星/慣性/視覺組合導(dǎo)航多源融合處理框架如圖1所示，是將慣性導(dǎo)航誤差模型、初始對準(zhǔn)、視覺標(biāo)定、特征檢測與匹配、多傳感器導(dǎo)航算法、故障檢測等形成聯(lián)系，在內(nèi)部進(jìn)行信息融合，使得各導(dǎo)航系統(tǒng)之間相互取長補(bǔ)短，不僅能夠修正慣導(dǎo)的誤差累積量，也能夠提升整體的精度和可靠性。

表1 3種導(dǎo)航方式及其組合系統(tǒng)優(yōu)勢比較Tab.1 Comparison of the advantages of three navigation methods and their combined systems

圖1 衛(wèi)星/慣性/視覺組合導(dǎo)航多源融合處理框架Fig.1 Multi-source fusion processing framework for satellite/inertial/visual integrated navigation

國內(nèi)外對于衛(wèi)星/慣性/視覺組合導(dǎo)航多源融合技術(shù)的研究與應(yīng)用日益廣泛。Kim等[7]提出了基于GPS/INS/視覺的直升機(jī)導(dǎo)航系統(tǒng)框架，創(chuàng)造性地提出了雙目相機(jī)相互垂直方案，其前視攝影部分使用SIFT特征提取方法，實現(xiàn)4 Hz的處理頻率，而下視攝影部分使用Harris角點檢測算法，實現(xiàn)10 Hz的實時處理。Bell206直升機(jī)搭載實驗表明，在模擬衛(wèi)星信號不可用情況下，該系統(tǒng)依然能夠?qū)崿F(xiàn)2 m以內(nèi)的位置估計誤差。Mourikis等[8]提出了視覺輔助慣性導(dǎo)航系統(tǒng)，集成了慣性測量單元、GPS及攝像機(jī)。該系統(tǒng)利用視覺輔助慣性導(dǎo)航系統(tǒng)拍攝下方地面得到二維特征點，將其與地表實物三維特征建立關(guān)系，再通過擴(kuò)展卡爾曼濾波器(Extended Kalman Filter,EKF)將2種類型的視覺特征觀測與慣性單元測量緊密結(jié)合，以信息自適應(yīng)和實時方式精確估計航天器與地球的相對位置、姿態(tài)和速度。測試結(jié)果表明，該系統(tǒng)的速度估計誤差為0.16 m/s，著陸位置估計誤差為6.4 m。美國德雷帕實驗室聯(lián)合麻省理工學(xué)院設(shè)計開發(fā)了結(jié)合慣性狀態(tài)的平滑和映射評估系統(tǒng)(Smoothing and Mapping with Inertial State Estimation，SAMWISE)[9]。在2016年4月和11月的2次FLA里程碑事件中，SAMWISE分別實現(xiàn)模擬室內(nèi)倉庫環(huán)境時不到1%的位置誤差和高達(dá)5.5 m/s的飛行速度以及模擬露天有障礙物環(huán)境時約3%的誤差和高達(dá)20 m/s的飛行速度。在國內(nèi)，李建軍等[10]基于視覺圖像輔助完成了深空探測器著降階段的落點區(qū)域地形匹配，獲得了探測器與落點的相對位置與姿態(tài)信息，并基于誤差卡爾曼模型修正慣性導(dǎo)航結(jié)果的方法提高了導(dǎo)航精度的同時保證了實時性要求。李俊學(xué)等[11]著重研究了多傳感器融合SLAM中具有代表性的VISLAM技術(shù),該技術(shù)基于視覺傳感器與慣性元器件的強(qiáng)烈互補(bǔ)性，通過松耦合和緊耦合2種多源融合方式以及卡爾曼濾波和光束法平差后端優(yōu)化方法解決了VSLAM中存在的光照變化影響、圖像模糊和目標(biāo)特征較弱等問題，在移動機(jī)器人領(lǐng)域取得良好應(yīng)用效果。李豐陽等[12]在研究無人機(jī)自主著降時分析總結(jié)了基于多源導(dǎo)航信息融合的發(fā)展趨勢，提出了在利用多傳感器觀測量及幾何關(guān)系融合的基礎(chǔ)上，加入外界環(huán)境變化特征信息，使整個系統(tǒng)更加真實、有效的方法。

2 多源融合方法

目前，衛(wèi)星/慣性/視覺組合導(dǎo)航多源融合技術(shù)在算法方面研究與應(yīng)用的重點是卡爾曼濾波[13]。它是一種線性最小方差估計，采用狀態(tài)空間法在時域內(nèi)進(jìn)行濾波，估計多維隨機(jī)過程的時域濾波方法。該算法一經(jīng)提出就在阿波羅登月飛船和C-5A飛機(jī)導(dǎo)航系統(tǒng)設(shè)計等[14]案例中得到成功應(yīng)用。最初的卡爾曼濾波使用條件較為苛刻，主要受線性系統(tǒng)及白噪聲要求的限制。在卡爾曼濾波基礎(chǔ)上，研究人員提出了不同的改進(jìn)算法以適應(yīng)實際系統(tǒng)的真實狀態(tài)，發(fā)展出了多樣的信息融合技術(shù)。本節(jié)主要介紹基礎(chǔ)卡爾曼濾波與常用信息融合技術(shù)。

2.1 標(biāo)準(zhǔn)卡爾曼濾波與信息濾波

在理想條件下，卡爾曼濾波算法采用狀態(tài)空間法構(gòu)建線性系統(tǒng)的狀態(tài)方程與量測方程；同時統(tǒng)計系統(tǒng)噪聲與量測噪聲的白噪聲特性，并通過數(shù)字計算進(jìn)行實時遞推，由系統(tǒng)每一時間刻度的觀測量對系統(tǒng)狀態(tài)作最優(yōu)估計，其主要步驟如下：

① 狀態(tài)一步預(yù)測：

(1)

② 一步預(yù)測均方誤差陣：

(2)

③ 濾波增益：

(3)

④ 狀態(tài)估計：

(4)

⑤ 狀態(tài)估計均方誤差陣：

Pk=(I-KkHk)Pk/k-1，

(5)

卡爾曼濾波的飛速發(fā)展與應(yīng)用，使得多傳感器信息融合理論與技術(shù)的研究也得到極大發(fā)展，其中就有與之密切相關(guān)的信息濾波技術(shù)。信息濾波基于從信息融合的角度探討系統(tǒng)狀態(tài)最優(yōu)估計問題，具有卡爾曼濾波的基本結(jié)構(gòu)[16]。由卡爾曼濾波基本方程可以得到以信息矩陣Ik表示的信息濾波公式為：

(6)

(7)

Ik/k-1=(I-Nk-1)Mk-1，

(8)

(9)

(10)

(11)

2.2 卡爾曼濾波發(fā)散問題

由式(2)可以看出，基本卡爾曼濾波對組合導(dǎo)航系統(tǒng)中噪聲統(tǒng)計模型的要求是較為理想化的。但是，實際應(yīng)用中當(dāng)卡爾曼濾波計算增益矩陣時，若Φ，H，Q和R陣發(fā)生變化，不再滿足最優(yōu)估計條件，系統(tǒng)狀態(tài)的估計將出現(xiàn)較大誤差，使得增益矩陣計算錯誤，系統(tǒng)得不到準(zhǔn)確調(diào)節(jié)，導(dǎo)致發(fā)散。目前，常用的抑制濾波發(fā)散的方法主要有衰減記憶濾波、限定記憶濾波和自適應(yīng)濾波法。衰減記憶濾波和限定記憶濾波均是對新、舊時刻的觀測數(shù)據(jù)進(jìn)行處理，前者的解決思路是加強(qiáng)新信息在濾波算法中的作用，減少舊信息對濾波的影響，如孫陶瑩等[18]針對水下SLAM融合數(shù)據(jù)受海洋背景噪聲和水聲傳感器量測噪聲影響導(dǎo)致關(guān)聯(lián)復(fù)雜、精度低的問題，提出一種基于衰減記憶濾波的平方根無跡卡爾曼濾波PHD-SLAM方法，解決濾波發(fā)散問題；后者則是適時地放棄比較靠前的觀測值，僅使用離k時刻最近的若干量測值；朱文超等[19]為解決擴(kuò)展EKF無法實時、精確跟蹤系統(tǒng)狀態(tài)突變而導(dǎo)致整體魯棒性較差的問題，提出一種基于限定記憶濾波的自適應(yīng)擴(kuò)展卡爾曼濾波算法，該算法減小舊量測數(shù)據(jù)對濾波效果的影響，提高估計精度；通過引入自適應(yīng)因子與漸消因子來實時調(diào)節(jié)新舊濾波增益陣，并預(yù)測狀態(tài)值，實現(xiàn)對系統(tǒng)突變狀態(tài)的精確跟蹤。

自適應(yīng)濾波法抑制發(fā)散問題的思路是在濾波計算過程中，持續(xù)地利用預(yù)測修正值對系統(tǒng)模型參數(shù)和噪聲統(tǒng)計特性進(jìn)行估計和修正。在遞推濾波過程中，由濾波本身去判斷系統(tǒng)模型是否變化，若有變化，則將這種變化視為隨機(jī)干擾加到噪聲統(tǒng)計中去，并及時對噪聲模型修正。如林雪原等[20]提出了一種改進(jìn)的GNSS/SINS組合導(dǎo)航系統(tǒng)自適應(yīng)濾波算法來解決GNSS/SINS組合導(dǎo)航系統(tǒng)中GNSS輸出信息存在誤差方差突變、誤差方差緩變、硬故障和軟故障的問題。在自適應(yīng)濾波算法中，當(dāng)系統(tǒng)噪聲序列方差陣Qk和量測噪聲序列方差陣Rk不可(準(zhǔn)確)知時，可以利用觀測信息對其估計和修正，也可以直接對增益矩陣K進(jìn)行估計和修正，消除濾波誤差。

2.3 模糊控制與神經(jīng)網(wǎng)絡(luò)

基于卡爾曼濾波的組合導(dǎo)航信息融合技術(shù)在解決實際應(yīng)用問題時，總是存在著理想條件下系統(tǒng)模型精確度與現(xiàn)實中系統(tǒng)復(fù)雜的差異和變化的矛盾。近年來，隨著信息處理、數(shù)據(jù)統(tǒng)計等領(lǐng)域的交流與融合，針對組合導(dǎo)航中卡爾曼濾波器發(fā)散、精度較低和降維等問題，研究人員基于模糊理論、神經(jīng)網(wǎng)絡(luò)等方法，研究出了智能多源信息融合技術(shù)，對組合導(dǎo)航系統(tǒng)模型、噪聲模型及增益矩陣進(jìn)行調(diào)整，在不損失狀態(tài)估計精度的前提下，抑制濾波發(fā)散，增加系統(tǒng)魯棒性。

2.3.1 模糊控制

“模糊”這一概念很早就出現(xiàn)于人們的認(rèn)知中，比如今天天氣有些冷，那么就加衣服；今天天氣有些熱，那么就減衣服。這里的冷和熱是能夠明顯區(qū)分開的2個概念，但是它們之間又沒有明確的區(qū)分界限。模糊概念就是將認(rèn)知上分屬于2個不同集合的事物、信息、狀態(tài)和感知等進(jìn)行部分交叉，這樣就能夠用計算機(jī)數(shù)字語言表達(dá)出重疊部分的含糊概念。因此，將此概念應(yīng)用于組合導(dǎo)航系統(tǒng)狀態(tài)估計中，區(qū)別于傳統(tǒng)濾波方法一個輸入對應(yīng)著一個輸出，模糊控制對輸入的要求就顯得不那么“精確”。實際上，模糊控制中的每一個輸入都對應(yīng)一個特定的輸出，且這個值可以預(yù)測，所以模糊控制本身是不模糊的，它可以用來精確解決不精確、不完全信息融合問題。組合導(dǎo)航系統(tǒng)中，確定輸入量、輸出量和模糊規(guī)則是建立基于模糊控制濾波器的關(guān)鍵[21]，將精確的輸入量轉(zhuǎn)化為模糊變量，再結(jié)合設(shè)計好的模糊規(guī)則來計算模糊控制量，將其進(jìn)行清晰化處理后得到精確的模糊輸出量。

如吳賢寧等[22]在研究旋翼無人機(jī)自主著降過程中，因自身機(jī)械振動和復(fù)合風(fēng)場環(huán)境等因素的干擾，無人機(jī)集群回收不夠高效、準(zhǔn)確、迅速等問題時，提出一種基于模糊控制和視覺導(dǎo)航的集群自主著降算法。通過模糊控制處理無人機(jī)與對應(yīng)降落標(biāo)識間的實際水平距離后，得到精準(zhǔn)降落控制指令，最終實現(xiàn)無人機(jī)集群精準(zhǔn)著降；戴卿等[23]為解決GNSS/SINS組合導(dǎo)航中因量測噪聲統(tǒng)計特性的時變性導(dǎo)致載體長時間運行定位精度降低的問題，提出一種基于模糊推理的自適應(yīng)拓展卡爾曼濾波算法，通過模糊控制線上調(diào)整量測噪聲協(xié)方差，實現(xiàn)了濾波結(jié)果的最優(yōu)估計。

2.3.2 神經(jīng)網(wǎng)絡(luò)

神經(jīng)網(wǎng)絡(luò)是近年來興起的一個熱點研究領(lǐng)域。神經(jīng)網(wǎng)絡(luò)借由仿生學(xué)模擬生物神經(jīng)系統(tǒng)的神經(jīng)單元，由許多可以并行運算的處理單元連接構(gòu)成，單個神經(jīng)元結(jié)構(gòu)簡單，功能有限，但是當(dāng)大量神經(jīng)元構(gòu)成一個大規(guī)模、非線性、分布式、并行處理神經(jīng)網(wǎng)絡(luò)系統(tǒng)后，它可以分布式存儲信息、協(xié)同處理信息，具有集體運算能力和自適應(yīng)學(xué)習(xí)能力，具備較強(qiáng)的魯棒性和容錯性[24]。神經(jīng)網(wǎng)絡(luò)在控制系統(tǒng)中已經(jīng)得到諸多研究與應(yīng)用，但應(yīng)用于多源信息融合組合導(dǎo)航系統(tǒng)狀態(tài)估計方面的研究還不夠深入。目前，比較有代表性的神經(jīng)網(wǎng)絡(luò)模型有多層感知器、多層BP網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)、PPLN網(wǎng)絡(luò)等[25]。神經(jīng)網(wǎng)絡(luò)的非線性特性非常適用于多源信息融合組合導(dǎo)航非線性系統(tǒng)的識別、預(yù)測、控制和估計等。組合導(dǎo)航系統(tǒng)狀態(tài)估計濾波的本質(zhì)是輸入和輸出之間的某種映射關(guān)系[26]，采用神經(jīng)網(wǎng)絡(luò)進(jìn)行多源信息融合組合導(dǎo)航系統(tǒng)狀態(tài)估計的思路是通過神經(jīng)網(wǎng)絡(luò)算法將多傳感器的輸入信息映射(濾波、線性與非線性變換)為系統(tǒng)輸出的運動參數(shù)等狀態(tài)信息。神經(jīng)網(wǎng)絡(luò)算法無需對組合導(dǎo)航系統(tǒng)數(shù)學(xué)建模，且能夠很好地映射非線性特征，在特定條件下可以獲得較高的參數(shù)估計精度。另外，神經(jīng)網(wǎng)絡(luò)計算穩(wěn)定，不需要矩陣求逆和迭代逼近，計算時間明顯少于常規(guī)算法，利于提高系統(tǒng)實時性。

目前，基于神經(jīng)網(wǎng)絡(luò)的多源信息融合技術(shù)應(yīng)用于組合導(dǎo)航，主要解決慣導(dǎo)系統(tǒng)初始對準(zhǔn)、組合導(dǎo)航狀態(tài)估計以及多源信息融合容錯評估、故障診斷等問題。如鮮勇等[27]應(yīng)用BP神經(jīng)網(wǎng)絡(luò)解決彈道導(dǎo)彈捷聯(lián)慣導(dǎo)系統(tǒng)初始對準(zhǔn)問題，以SINS與GPS之間的量測位置偏差作為輸入量，以初始對準(zhǔn)誤差作為輸出量，分別采用3層和6層的BP神經(jīng)網(wǎng)絡(luò)建立位置偏差與初始對準(zhǔn)誤差之間的映射關(guān)系，生成BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，比較了三輸入BP神經(jīng)網(wǎng)絡(luò)、六輸入BP神經(jīng)網(wǎng)絡(luò)和卡爾曼濾波算法估計初始對準(zhǔn)誤差的效果。袁英等[28]在基于星光角距的自主天文導(dǎo)航系統(tǒng)研究中，為了克服傳統(tǒng)濾波算法的缺陷，提出基于深度BP神經(jīng)網(wǎng)絡(luò)的智能信息融合算法，利用其強(qiáng)大的學(xué)習(xí)能力和非線性映射能力，實現(xiàn)對衛(wèi)星軌道動力學(xué)模型的模擬，并結(jié)合觀測值對軌道參數(shù)進(jìn)行修正，為非標(biāo)準(zhǔn)多傳感器信息融合問題提供智能化的解決方案。王超等[29]提出一種BP神經(jīng)網(wǎng)絡(luò)輔助的導(dǎo)航姿態(tài)估計誤差補(bǔ)償方法來解決SINS/GPS組合導(dǎo)航姿態(tài)估計精度不足問題，通過分解卡爾曼濾波的增益矩陣并構(gòu)建其降維特征向量作為信息輸入;然后，以姿態(tài)估計誤差作為期望輸出，對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練;最后，利用BP神經(jīng)網(wǎng)絡(luò)輸出信息輔助修正SINS/GPS組合導(dǎo)航的姿態(tài)估計結(jié)果，在明顯降低計算耗時的同時，姿態(tài)估計精度能夠提高2個數(shù)量級。

3 多源信息融合層級結(jié)構(gòu)

多源信息融合層級結(jié)構(gòu)主要分為數(shù)據(jù)層、特征層及決策層融合[30]。目前，衛(wèi)星/慣性/視覺組合導(dǎo)航多源信息融合技術(shù)的研究與應(yīng)用無法明確地定義其融合層級，因為其中往往運用了不同層級結(jié)構(gòu)信息融合之間的交叉互補(bǔ)與關(guān)聯(lián)變化，不再是單層級的簡單歸納[31-32]。下面簡要介紹各層級的特性及其優(yōu)缺點：

① 數(shù)據(jù)層融合處理較為常見的是各傳感器單獨采集到的數(shù)據(jù)與信息的處理[33](圖2(a))，如視覺傳感器中多源圖像復(fù)合、圖像分析與解釋、特征檢測與匹配等；衛(wèi)星導(dǎo)航方面則是偽距、偽距率及載波相位信息的獲取與分析；慣性測量單元輸出的載體角運動與線運動的觀測量。盡管數(shù)據(jù)層融合能夠保持較為完整的原始數(shù)據(jù)，但其局限性也較為明顯[34-35]：信息處理時間長、實時性差；對傳感器采集的原始信息的準(zhǔn)確性、穩(wěn)定性和完全性要求較高；數(shù)據(jù)交流量巨大，致使系統(tǒng)整體抗干擾性較差。

(a) 數(shù)據(jù)層

② 在多種傳感器融合處理組合導(dǎo)航信息時，涉及較多的就是信息的特征層融合(圖2(b))。特征層數(shù)據(jù)融合預(yù)先提取了原始信息的特征并進(jìn)行分析和整理，能夠?qū)崿F(xiàn)信息的壓縮與去冗余，最大限度地為信息融合提供特征信息，優(yōu)于數(shù)據(jù)層融合的性能。缺點是數(shù)據(jù)丟失容易引起準(zhǔn)確性下降[36]。

③ 決策層融合(圖2(c))是目前該領(lǐng)域研究的新方向、新熱點，通過多個不同類型的傳感器觀測同一目標(biāo)完成基本處理后關(guān)聯(lián)進(jìn)行決策融合判定[37]。該方式在組合導(dǎo)航應(yīng)用中能夠獲得比單傳感器更精確、清晰的決策[38]。優(yōu)點主要有：對信息交流傳輸帶寬要求較低，系統(tǒng)靈活性好；能夠聚集目標(biāo)與環(huán)境之間的不同類型信息；對一個或多個傳感器融合具有較強(qiáng)容錯能力，可以靈活調(diào)整融合策略；對傳感器依賴較小，可以從不同類型的傳感器獲取豐富、多源的信息進(jìn)行融合處理。但是由于目標(biāo)和環(huán)境的高動態(tài)變化、先驗信息的匱乏、數(shù)據(jù)量的巨大以及更為友好的面向?qū)ο蟮慕换ハ到y(tǒng)設(shè)計，決策層融合的理論與技術(shù)仍有很大的發(fā)展空間。

4 衛(wèi)星/慣性/視覺組合導(dǎo)航多源融合技術(shù)研究擴(kuò)展趨勢

盡管多源信息融合技術(shù)在衛(wèi)星/慣性/視覺組合導(dǎo)航方面的研究與應(yīng)用已經(jīng)取得令人滿意的成功，但是隨著越來越多應(yīng)用場景的融合與交叉，以及信息時代多源信息之間多變的交流與革新，基于組合導(dǎo)航的多源信息融合技術(shù)依然存在一些難題以及值得深入、擴(kuò)展的研究內(nèi)容[39-40]：

① 多源信息融合層級方面，目前的融合應(yīng)用多為數(shù)據(jù)層和特征層融合，前者通過提取不同傳感器的數(shù)據(jù)解算結(jié)果進(jìn)行融合處理，即直接融合不同導(dǎo)航系統(tǒng)解算得到的速度、位置和姿態(tài)等信息；后者更深入一步，通過提取不同傳感器觀測信息的原始特征，進(jìn)行融合處理，形成信息的特征矢量說明。然而，這2個層級的信息效果都不及決策層，決策層信息融合更為復(fù)雜與深入，傳感器采集信息與融合系統(tǒng)處理信息之間仍有擴(kuò)展空間，因此對于決策層信息融合的研究還有待開展。

② 在融合方式方面，目前的多源信息融合多是階段性應(yīng)用，其目標(biāo)較為單一。例如，在引導(dǎo)飛行器自主著降應(yīng)用中，對使用人工特征的視覺導(dǎo)航進(jìn)行融合，往往是在自主著降過程的最后一個環(huán)節(jié)，對全過程采集信息的利用率較低，而且視覺系統(tǒng)初始化耗時較長。另外,對于采用自然特征的視覺導(dǎo)航系統(tǒng)，有時外界因素會導(dǎo)致視覺圖像需要重新連接、采集，視覺信息連貫性受到影響。因此，如何利用衛(wèi)星導(dǎo)航和慣性導(dǎo)航信息輔助視覺導(dǎo)航快速恢復(fù)連續(xù)工作狀態(tài)是未來研究的一個重點。

③ 目前的多源信息融合技術(shù)如模糊控制、神經(jīng)網(wǎng)絡(luò)等研究對象多為衛(wèi)星/慣性組合導(dǎo)航，與視覺導(dǎo)航融合較少，即目前大部分融合研究的實質(zhì)是在GNSS拒止情況下改為利用視覺導(dǎo)航信息輔助修正慣導(dǎo)輸出的位姿精度，無法完全做到衛(wèi)星、慣性和視覺三者融合[41]。然而，視覺導(dǎo)航捕獲的信息的本質(zhì)是某時刻成像載體與視覺特征之間的線元素與角元素的動態(tài)關(guān)系，這與衛(wèi)星、慣性導(dǎo)航信息的數(shù)學(xué)特性截然不同，可以深入研究如何更好地利用其視覺元素的特征屬性參與多源信息融合。

④ 目前，多源信息融合技術(shù)理論研究較為豐富，而組合導(dǎo)航中應(yīng)用較多的是相對成熟的卡爾曼濾波相關(guān)算法[42]，主要原因在于實際應(yīng)用中，硬件方面只有嵌入式主板，計算能力較弱，濾波成了不得已的選擇；很多系統(tǒng)基于濾波方法已經(jīng)達(dá)到很好的效果(比如組合導(dǎo)航)，且這些效果是大量工程實踐累積的經(jīng)驗，換成其他方法需要重新設(shè)計、重新驗證，若將其作為提高生產(chǎn)力、創(chuàng)造力主流方案，則需要一定的沉淀周期。因此，理論研究與應(yīng)用價值之間的轉(zhuǎn)化同樣是一個亟待解決的難題。

5 結(jié)束語

隨著信息時代的來臨，多源信息融合技術(shù)在各行各業(yè)大放異彩。本文歸納、梳理了應(yīng)用于衛(wèi)星/慣性/視覺組合導(dǎo)航的多源信息融合技術(shù)，通過探討其方法理論與融合結(jié)構(gòu)，整理、分析了多源信息融合技術(shù)在衛(wèi)星/慣性/視覺組合導(dǎo)航領(lǐng)域研究與應(yīng)用中面臨的亟待解決的難題及目前的解決思路，如非線性系統(tǒng)、濾波發(fā)散及融合層級深度等問題，為該領(lǐng)域?qū)崿F(xiàn)從理論研究向應(yīng)用價值的轉(zhuǎn)化提供一些新的參考。