无人机集群多构型融合相对定位性能分析

潘礼规，尹佳琪，徐春光

(1.中山大学 航空航天学院, 广东 深圳 518107； 2.中国航天科工信息技术研究院, 北京 100144)

1 引言

近年来，无人机凭借体积小、成本低以及高度灵活性等优点受到广泛关注[1]。无人机集群概念的提出，进一步促进了无人机技术的发展，借助个体间的交互，实现群体行为的全局一致性协同，可实现单架无人机无法执行的作战任务，譬如集群中某架无人机发生故障时，可由集群编队中的其他无人机执行故障无人机的功能，从而提高整个系统的抗干扰能力和效能[2-3]。随着无人机集群技术的快速发展，无人机集群在农业植保、森林防火、智慧城市、物流运输、战场侦察与作战、目标搜索与追踪等方面将发挥巨大的作用[4-10]。

在复杂环境中，大规模集群无人机近距离飞行时，高精度、高可靠的导航与定位信息是实现高动态飞行的重要保障[11]。目前，诸多学者对相关技术进行了大量研究。文献[12]和文献[13]针对传统单主从式协同导航存在的精度发散问题，提出了分层式协同导航方案。其中，文献[12]以相对导航和惯性导航信息作为量测量，利用卡尔曼滤波算法估计校正惯性导航误差，使精度满足较长时间导航要求。文献[13]则通过增加长机数量，提高集群内部信息利用率，基于联邦滤波算法改善了导航性能。在导航定位过程中，无人机间的相对定位，特别是无依托的自主相对定位，对提高无人机集群的定位精度和抗干扰能力至关重要。

集群内部不同目标间的相对定位不仅应用于无人机集群，在其他集群场景中也大量存在，譬如卫星星座间的相对定位等，研究人员对相关方法开展了大量研究[14-15]，其研究结论对改进无人机集群间相对定位算法具有借鉴意义。文献[14]考虑了故障星对星座几何构型的影响，针对剔除故障星观测数据进行定位解算时存在GDOP值突变的问题，采用加权最小二乘法提高了数据利用率，并改善了接收机自主完好性监测性能。文献[15]仿真研究了LEO星座对GNSS精密单点定位性能的增强作用，相比于单GPS系统，LEO星座的参与，可降低GDOP值、减小PPP滤波矩阵条件数以及加快PPP收敛时间，并且显著缩短了模糊度首次固定所需时间。文献[16]利用测距与站址坐标估计目标位置，3架无人机绕圆编队飞行，在编队成正三角形时，可获得最小GDOP值，提高了定位精度。上述文献通过改善观测几何减小精度因子值，进一步提高了定位精度。在大规模集群系统中，固定构型实现的数据链较为单一，多构型组合能够使集群具有更为灵活的应变能力，有望提高整个集群系统的抗摧毁能力。

针对大规模集群无人机相对定位问题，基于随机择机策略提出一种迭代估值定位解算方法，引入卫星星座间相对定位精度评估常用的精度因子作为评估准则，分析了观测时段内多构型融合对定位性能的影响，利用扩展卡尔曼滤波算法对无人机状态信息进行估计。

2 相对定位模型

2.1 方案设计

采用课题组研究团队提出的一种无人机集群相对定位技术，该技术在无人机机背上安装3个无线电发射/接收装置，每个天线均可实时检测和发射不同频率电波，通过机间观测，构建观测模型并进行导航定位解算，则可获得无人机状态信息。无人机机身上的天线安装示意图如图1所示。

图1 天线安装示意图

在无人机集群飞行环境中，随机选取一定数量无人机对某一架无人机进行定位解算，从无人机在主机围成区域内飞行，研究观测时段内多构型融合对飞行器定位性能的影响。图2显示了8架主飞行器组成立方体队形示意图。

图2 8架主机组成立方体队形示意图

2.2 数学模型

每架无人机配备的3个无线电信号收/发装置，在其自身机体坐标系的位置分别为(a,0,0)、(0,0,b)和(0,0,-b)。根据相对位姿参考系，选取某一架主机机体坐标系作为其他无人机的导航坐标系，则从机3个天线位置信息可通过式(1)进行计算，即：

(1)

(2)

将式(2)代入式(1)，整理得：

(3)

式(3)中：(x,y,z)表示从机位置坐标；(xj,yj,zj)表示从机天线位置。

假设一主机机体坐标系作为其他无人机的导航坐标系，则该主机3个天线位置坐标为：

(4)

式(4)中，Xi0表示领航主机天线坐标，且i=1,2,3。

结合式(3)与式(4)，可得2架无人机机间距离表达式为：

(5)

式(5)中：i表示主机第i个天线；j表示从机第j个天线。

以载波相位作为量测值，其相位角与波长、距离有如下关系，即：

rij=θijλi/2π

(6)

记定位模型的非线性向量函数为：

Z=h(X)

(7)

式(7)中：Z表示相位转换至距离的观测向量；h(X)表示非线性向量函数。

(8)

式(8)中，v为观测模型噪声，满足均值为零的高斯白噪声序列。

3 相对定位解算

3.1 基本迭代求解

(9)

式(9)中：ΔX表示状态向量修正量；ΔZ表示观测向量估值偏差；RZ表示量测误差方差阵；PX表示定位误差方差阵；H表示非线性向量函数h(X)对状态向量X的Jacobian矩阵。

3.1.11MA-1FA模型

结合式(8)所示观测方程，可知观测量Z的估值偏差ΔZ具体形式为：

(10)

式(10)中，矩阵H表示非线性向量函数h(X)对状态向量X的Jacobian矩阵，表达式为：

(11)

式(11)中，矩阵Aj具体如下：

(12)

式(12)中：下标i表示主飞行器第i个天线；下标j表示从飞行器第j个天线。

3.1.2NMA-1FA模型

上述给出了单架主机对一从飞行器的定位估值方法，若是多架无人机对一架无人机进行观测定位解算，则全局观测向量Z为多架无人机观测向量的组合，有：

(13)

式(13)中，Zk表示第k架无人机对从无人机的观测向量，其中k=1,2,…,N。

相应地，非线性向量函数h(X)对状态向量X的Jacobian矩阵为：

(14)

式(14)中，Hk表示第k架无人机对从无人机的观测矩阵，具体如式(11)和式(12)所示。

3.2 导航滤波估计

(15)

3.2.1状态更新

任意无人机3个天线状态方程表达形式为：

(16)

式(16)中：uk-1表示输入矩阵；Bk-1表示控制矩阵，取Bk-1=τI9×9，其中τ=tk-tk-1表示观测采样间隔；Φk|k-1表示状态转移矩阵，取Φk|k-1=I9×9。

3.2.2观测更新

多架无人机对单架无人机的观测向量和观测矩阵如式(13)、式(14)所示，将状态更新方程和观测更新方程代入递推方程式(15)，可滤波估计出无人机的位置状态信息。

3.2.3参数更新

利用上述方法可估计出飞行器3个天线的位置信息，再根据天线在机身上固有的安装位置关系，进一步得到飞行器机体坐标系位置信息，即：

(17)

相应地，结合式(3)，可进一步获得该飞行器在导航坐标系中的相对姿态估值，有：

(18)

4 几何构型评估

4.1 权系数阵

式(8)给出了无人机非线性定位方程，仅考虑位置状态参数时，线性化处理后得；

(19)

式(19)中，Δxj表示天线j的状态修正量。式(19)的最小二乘解为：

(20)

考虑测量误差项εr时，式(20)的最小二乘解为：

(21)

将式(20)代入式(21)，则有：

(22)

式(22)表示测量误差与定位误差之间的关系。

Rεr=E((εr-E(εr))(εr-E(εr))T)=

(23)

式(23)中，I表示9×9的单位矩阵。

因此，简化的定位误差向量协方差阵为：

(24)

4.2 精度因子

在导航学中，精度因子(dilution of precision,DOP)作为评估定位性能的重要指标，指测量误差放大至定位误差的倍数，与卫星的几何分布有关[18]。将其迁移至无人机集群定位系统中，也可作为集群定位性能的评估准则。根据本文状态向量形式，式(24)左右两边对角元素的关系为：

(25)

三维空间定位误差标准差定义为：

(26)

式(26)中，PDOP表示空间位置精度因子。

相应地，各方向上的精度因子计算如下：

(27)

式(27)中：(σX,σY,σZ)表示各方向上的定位误差标准差；XDOP、YDOP和ZDOP分别表示X、Y和Z轴方向上的精度因子。

5 仿真实验

5.1 基本数据

采用数值仿真方法对上述模型进行仿真实验。为便于分析观测时段内多种几何构型对相对定位性能的影响，假设主飞行器处于稳定飞行状态，从飞行器相对于领航无人机的初始位置为(20,30,20) m，在观测时段内其速度状态如表1所示。

表1 各观测时段内速度参数Table 1 Velocity parameters during each observation period

已知每架无人机天线安装参数为a=1.0 m，b=1.0 m，且每个天线发射的电磁波波长分别为λ1=5 m，λ2=6 m，λ3=7 m。选取某一主飞行器机体坐标系作为其他无人机的导航坐标系，所有主飞行器均布置在边长为200 m的立方体顶点处，且姿态保持一致。仿真时间为50 s，每秒随机选择3架(RD-3MA)/5架(RD-5MA)主机进行观测定位，采样频率取20 Hz，分析观测时段内多构型融合对定位性能的影响。

5.2 初始条件

取初始时刻无人机位置状态误差为(-1.335 00, -1.621 60, -1.682 19) m，其位置初始协方差阵为 diag(1.873 06,3.147 71,3.703 52)。结合初始时刻飞行器姿态角与天线安装参数，可得3个天线状态参数组成的初始时刻状态向量与协方差阵。考虑相位量测值服从高斯分布，其转换至距离观测量噪声为0.15(3σ) m。利用迭代估值方法和扩展卡尔曼滤波算法，在初始条件下可估计出无人机位姿参数。

5.3 结果与分析

结合初始条件，从飞行器随机接收3架/5架主机的观测数据，利用迭代估值方法，可估计出飞行器在各自观测时段内的精度因子值和位置估值偏差，结果如图3—图8所示。

图3 各个时段主机观测情况(RD-3MA)

图3与图4显示了各个观测时段内主机观测情况。从图3与图4可看出，整个观测时段内，各主机被选中的概率基本一致，任意一架主机观测数据均可能作为从机的定位数据来源。

图4 各个时段主机观测情况(RD-5MA)

图5 各个观测时段DOP值(RD-3MA)

图6 各个观测时段DOP值(RD-5MA)

图7 位置估值偏差曲线(RD-3MA)

图5与图6显示了各个观测时段内精度因子值变化情况。从图5与图6可看出，RD-3MA策略下的DOP值存在剧增的情况，说明选取的3MA组成的几何构型不利于进行定位解算，会导致观测矩阵性质极度不稳定。而RD-5MA策略下各个观测时段的DOP值均较小，3个方向的DOP值均小于1，减弱了量测误差对定位精度的影响，提高了定位性能。图7与图8给出了观测时段内位置估值偏差曲线。从图7与图8可看出，RD-3MA策略在DOP值极高的观测时段，其位置估值偏差也较大，定位误差达到米级，而RD-5MA策略下的DOP值均较小，相应的定位精度较高，可获得厘米精度等级。

上述结果说明，随机选择5架主机可获得较为稳定的观测几何，其定位精度更高，在8架主机中，随机选取至少5架主机(RD-NMA,N≥5)进行观测定位，可估计出精度因子和位置估值偏差，结果如图9—图11所示。此外，利用蒙特卡洛进行100次实验，均方根误差变化曲线如图12所示。

图9 各个时段主机观测情况(RD-NMA)

图9给出了各个时段内主机观测情况。从图9可看出，在整个观测时段内，共选取了271机次，比RD-5MA策略多21机次，对全部观测时段选用主机情况进行统计可知，各主机被选用的概率在10.7%～14.0%。图10给出了各个观测时段内精度因子值变化情况。从图10可看出，各方向上的DOP值均小于1，同样削弱了观测误差对定位精度的影响。此外，相比于RD-5MA选取策略，RD-NMA策略下DOP值小于0.4的次数较多，但总体相差不大，说明RD-NMA策略获得的几何构型相对较好，由于主机数量有限，使得效果提升不明显。针对大规模集群无人机执行飞行任务，RD-NMA策略理论上可显著提升定位性能，充分发挥集群内部个体的优势。图11显示了位置估值偏差曲线。从图10与图11中可看出，在DOP值稍高时段，位置偏差同步增大，与图8类似，其定位精度可达厘米量级。图12显示了位置偏差均方根误差变化曲线。

图10 各个观测时段DOP值(RD-NMA)

图11 位置估值偏差曲线(RD-NMA)

图12 位置偏差RMSE值(RD-NMA)

从图12中可看出，RMSE维持在较低水平，且随时间推移在较小范围内稳定波动，无剧烈震荡趋势。此外，对观测时段内的RMSE值进行统计分析，可知3个方向上的RMSE值均为0.017 m，三维RMSE为0.030 m，可以满足无人机集群相对定位精度要求。

在扩展卡尔曼滤波框架下，选取固定3架主机(UAV1～UAV3,ST-3MA)和随机3架主机(RD-3MA)进行滤波估计，可获得位置和姿态估值偏差，结果如图13—图16所示。

图13 位置估值偏差曲线(ST-3MA)

图14 位置估值偏差曲线(RD-3MA)

图13与图14显示了2种择机策略的位置估值偏差曲线。从图13与图14可看出，考虑了状态更新与观测更新的权重分配，2种择机策略均大大提高了状态估计精度，达到了毫米精度量级。相比于ST-3MA策略，RD-3MA策略可获得更高的定位精度，且收敛速度更快，其位置误差可收敛至±0.002 m。

图15与图16显示了2种择机策略的姿态估值偏差曲线。从图13—图16可看出，随着位置估计精度的提高，姿态估值效果也显著提升，RD-3MA策略的姿态角误差可收敛到±0.2°，可满足集群无人机相对姿态精度要求。将ST-3MA与RD-3MA2种择机策略的位置估值误差进行统计分析，其均方根误差统计结果如表2所示。

图15 姿态估值偏差曲线(ST-3MA)

图16 姿态估值偏差曲线(RD-3MA)

表2 2种择机策略的均方根误差

表2给出了2种择机策略的均方根误差统计结果。从表2可看出，相比于ST-3MA策略，RD-3MA策略在3个方向上的RMSE值分别减小了39.8%、65.7%和42.9%，三维RMSE则减小了50%，显著提高了无人机集群定位精度。

6 结论

针对大规模集群无人机相对定位问题，提出了随机择机策略进行观测定位，在传统精度因子基础上，提出了适用于本文定位方法的精度因子评估准则，结合滤波方法给出了高精度位姿状态估计，结果表明：

1) 随机择机策略实现了观测时段内的多构型融合，解决了单一构型限制，适用于大规模集群无人机飞行环境；

2) 随着观测主机数量增多，几何构型愈加稳定，精度因子无剧烈震荡变化，且均方根误差维持在较低水平，显著提高了定位精度；

3) 在扩展卡尔曼滤波框架下，随机择机策略可估计出稳定且高精度的位置状态信息，为相对姿态信息的高精度解算提供了重要依据。