自主无人系统多传感融合技术_贯怀光

研究背景及意义

• 自主无人系统又称移动机器人（例如无人车、无人机等），是一种集环境感知、导航定位、决策规划、运动控制等功能于一体的智能系统。

• 自主无人系统具有 机动灵活 、 低成本和适应性强 等特点 ， 可替代人类完成无人驾驶 、 应急救援和军事作战等任务 ， 拓展人类活动空间， 推动军事变革 、 经济发展和社会进步 。(例如美国nana）

在民用和军用方面都非常突出

国内外研究现状

目前在国外都进行相关研究，都非常重视

国外研究现状

美国国防部 《 无人系统综合路线图 》

• 自主性和机器人技术 的进步有可能成为重要的力量倍增器；
• 人工智能在许多领域具有推进无人系统发展的巨大潜力 ， 包括： 导航和感知 （多传感器智能融合 ） 、 群体行为和战术等 ，这将有利于开发出具有更高自主性的无人系统 。

美国国防高级研究计划局 （ DARPA ） 提出融合一切可用的信号源 ， 以实现高可靠性和高可用性的导航定位；基于因子图提出多源定位导航架构 ， 以实现不同传感器的优选组合 。

俄罗斯莫斯科鲍曼国立技术大学提出 “ 功能- - 智能导航(Functional- -t Intelligent Navigation)” 概念 ， 设计了新型的智能导航系统 ， 并应用在航空电子系统中

加拿大皇家军事学院提出可重配置的多传感器融合导航与定位架构 ， 并利用无人引导车 ， 通过搭载惯导 、 里程计 、 相机等传感器 ， 实现了室内外跨场景传感器切换与无缝导航 。

国内研究现状

中国科协发布 20 个重大科学问题和工程技术难题
10 个工程技术难题为：无人车如何实现在 卫星不可用条件下的高精度智能导航 ？

百度 Apollo 平台包括车辆平台 、 硬件平台 、 软件平台 、 云端数据服务等四部分 。 百度擅长的是软件平台和云端数据 ， 车辆平台 、 硬件平台则由生态联盟内的合作伙伴提供

面临的挑战

一种是面临场景的挑战和天气的挑战

可观测性和可观测度

一个系统要求更加智能化，除非让一个系统提出更多智能化的准则，有了这个准则之后可以依据这个准则做智能准则。多数是依靠于传感器的质量评价，来进行传感器的融合和质量控制。

惯性导航系统的控制理论研究

从控制理论的角度看导航系统
1988年 年， ，I.Y. Bar-Itzhack 发表论文《 Control Theoretic Approach to Inertial Navigation Systems》 》 ， 从控制理论的角度分析了惯性导航系统的可观测性 ， 并给出了可观测性与估计质量 （ 或精度 ） 的关系。 。1992年 年， ， I.Y. Bar-Itzhack 等提出了分段式定常系统（ （PWCS） ）的可观测性分析方法 ， 并应用在惯导系统传递对准过程分析中 。

• 系统的可观测性是指是否能够利用有限时间内的系统观测值 ，确定系统的初始状态。

• 可观测度 反映了系统状态变量可被观测的程度。（定量评价，打分）

优势好处

1. 分析系统的可观测度 ， 可以确定哪些状态估计的比较准确 ，哪些状态难以估计 ， 从而判断传感器的工作性能及其环境适应能力 ， 为 多传感器优选组合 提供决策依据 。（都可以进行打分）
2. 进行模型参数进行调优
3. 可观测度与系统状态可估计性 (Estimability) 直接相关 ， 在Kalman 滤波性能自评估机制外 ， 提供新的 滤波性能表征 方法。

可观测性的分析方法
线性时不变的系统（LTI）系统
rank ⁡ [ O ( H , Φ ) ] = rank ⁡ [ H H Φ ⋮ H Φ n − 1 ] = n \operatorname{rank}[\mathrm{O}(\mathbf{H}, \boldsymbol{\Phi})]=\operatorname{rank}\left[

$$\begin{array}{c}\mathbf{H} \\ \mathbf{H} \boldsymbol{\Phi} \\ \vdots \\ \mathbf{H} \boldsymbol{\Phi}^{n-1}\end{array}$$ \right]=n rank[O(H,Φ)]=rank ​HHΦ⋮HΦn−1​ ​=n
也就是系统的矩阵参数是不变化的（不随时间的变化而变化）

但是导航系统来讲，导航系统是动态的过程，他不是线性时变（LTV）系统：
rank ⁡ [ O k ( H , Φ ) ] = rank ⁡ [ H k H k + 1 Φ k + 1 ⋮ H k + l − 1 Φ k + l − 1 ⋯ Φ k ] = n \operatorname{rank}\left[\mathrm{O}_k(\mathbf{H}, \boldsymbol{\Phi})\right]=\operatorname{rank}\left[

$$\begin{array}{c}\mathbf{H}_k \\ \mathbf{H}_{k+1} \boldsymbol{\Phi}_{k+1} \\ \vdots \\ \mathbf{H}_{k+l-1} \mathbf{\Phi}_{k+l-1} \cdots \boldsymbol{\Phi}_k\end{array}$$ \right]=n rank[Ok​(H,Φ)]=rank ​Hk​Hk+1​Φk+1​⋮Hk+l−1​Φk+l−1​⋯Φk​​ ​=n
基于这样的准则，产生了可观测度（标量的）
一方面，从卡尔曼矩阵的P矩阵中得到，这样的可观测矩阵得到，从滤波算法的好坏反推到系统
另一方面，通过可观测性矩阵（是指系统在可观测性的描述），从矩阵中获取信息
结合两个方面构建了准则。

$DoO$