3. 无人机导航系统概述

无人机在GNSS拒止环境下的自主导航,本质上不是依赖某一种“万能传感器”,而是把多种原理不同、误差特性互补的传感器组合成一个多源导航系统。理解这套系统的组成,是后续做融合算法、故障检测与容错设计的基础。本节从“每个传感器测什么、误差怎么变、在系统中扮演什么角色”三个角度,梳理惯性导航、视觉导航、激光雷达、气压高度、磁力计与轮速计的分工与协同。

一、核心原理:多源导航为什么必须“组合”

单一传感器无法同时满足精度、频率、鲁棒性和成本要求。惯性测量单元(IMU)输出频率高、短时平滑,但积分会漂移;视觉与激光雷达能提供绝对或相对位置约束,却受光照、纹理、动态物体影响;气压高度计给出绝对高度趋势,却受气流与温度扰动;磁力计提供航向基准,却易被电机磁场干扰;轮速计在轮式平台上可提供位移增量,但会打滑。多源导航的核心思想是:用高频但漂移的惯性量做递推,用低频但绝对的外部量做校正,通过卡尔曼滤波或因子图优化把各源信息按不确定度加权融合。

多源导航系统的三个基本问题:
1)状态量是什么——位置、速度、姿态、零偏、尺度因子;
2)每个传感器对哪些状态量可观测——IMU可观姿态与加速度,视觉可观位置与姿态,气压可观高度;
3)各源噪声与故障如何建模——决定融合权重与容错策略。

二、系统组成:六类传感器的角色分工

典型的GNSS拒止无人机多源导航系统由以下部分构成,它们通过时间同步与坐标统一接入融合估计器:

  • 惯性导航(IMU):三轴陀螺+三轴加速度计,输出角速度与比力,是递推主链,提供100Hz以上的高频姿态与位移增量。
  • 视觉导航:单目/双目/RGB-D相机,通过特征跟踪、光流或视觉惯性里程计(VIO)提供相对位姿与速度,可识别地标做绝对定位。
  • 激光雷达:2D/3D LiDAR,通过点云配准(ICP/NDT)或与地图匹配提供高精度距离与位姿约束,对光照不敏感。
  • 气压高度:测量静压换算绝对高度,提供长期高度基准,抑制垂直方向漂移。
  • 磁力计:测量地磁矢量,提供航向绝对参考,需做硬磁/软磁标定与电机干扰补偿。
  • 轮速计:轮式起降平台或地面车辆上测量轮速,提供前向位移增量与打滑检测。

这些传感器并非简单堆叠,而是按“递推—观测—校正”的信号链组织。下图给出多源导航系统的组成与信号流关系:

GNSS拒止无人机多源导航系统组成与信号流 惯性导航 IMU 陀螺+加速度计 · 高频递推 视觉导航 相机/VIO · 相对位姿 激光雷达 LiDAR 点云配准 · 距离约束 气压高度计 静压换算 · 绝对高度 磁力计 地磁矢量 · 航向基准 轮速计 轮速增量 · 打滑检测 时间同步 · 坐标统一 · 外参标定 硬件触发/PPS对齐 · 机体/导航/传感器坐标系转换 多源融合估计器 卡尔曼滤波 / 因子图优化 · 状态:位置 速度 姿态 零偏 导航输出 位置 · 速度 · 姿态 · 完好性/置信度 零偏/误差反馈校正

三、方法流程:从原始量到导航解

多源导航系统的运行流程可归纳为五步:

  1. 数据采集与时间戳:各传感器按自身频率输出,统一打上硬件时间戳,必要时用PPS或触发线对齐。
  2. 预处理与标定:IMU去零偏与温补,相机去畸变,LiDAR去运动畸变,磁力计做椭球拟合标定,轮速计标定轮径。
  3. 坐标统一:通过外参把各传感器量测转到机体坐标系,再转到导航坐标系(如ENU)。
  4. 融合估计:以IMU做预测,以视觉/LiDAR/气压/磁/轮速做量测更新,输出状态与协方差。
  5. 完好性与容错:用卡方检验、残差监测识别异常源,动态调整权重或隔离故障传感器。

下面给出一个典型的融合配置参数片段,用于说明各源在估计器中的接入方式:

# 多源融合配置示例(YAML风格)
imu:
  rate: 200 Hz
  gyro_noise: 0.005 rad/s/√Hz
  accel_noise: 0.02 m/s²/√Hz
vision:
  type: stereo_vio
  rate: 20 Hz
  meas: [position, yaw]
lidar:
  type: 3D_NDT
  rate: 10 Hz
  meas: [position, yaw]
baro:
  rate: 50 Hz
  meas: [altitude]
  noise: 0.3 m
magnetometer:
  rate: 50 Hz
  meas: [yaw]
  calibrated: true
wheel:
  rate: 100 Hz
  meas: [forward_velocity]
fusion:
  filter: ESKF
  update_order: [imu, wheel, baro, mag, vision, lidar]

四、案例/场景:城市峡谷中的一次拒止飞行

某四旋翼在GNSS被遮挡的城市峡谷执行巡检。起飞后GNSS失效,系统切换到多源模式:IMU以200Hz递推,视觉VIO以20Hz提供水平位置与偏航,LiDAR以10Hz与先验点云地图匹配修正累积漂移,气压计以50Hz稳定高度,磁力计提供航向但受电机电流干扰出现跳变,轮速计在该机型上不存在。融合器检测到磁力计残差超限,自动降低其权重并依赖视觉偏航。飞行5分钟后,水平误差保持在1.2m以内,高度误差0.5m以内,成功返航。这个案例说明:多源系统的价值不在于每个传感器都完美,而在于当某一源退化时,其余源仍能维持可观测性与精度。

五、常见误区与复盘要点

误区一:把多源导航理解为“传感器越多越好”。实际上未标定、未同步的传感器会引入错误约束,反而降低精度。
误区二:忽略外参与时间同步。相机与IMU之间1ms的时间偏差,在高速旋转时可能造成数度的姿态误差。
误区三:只用一种融合权重。不同场景下各源可信度不同,应在线估计噪声或使用自适应滤波。
误区四:不做故障检测。磁力计受扰、视觉被遮挡、LiDAR被雨雾衰减时,若不隔离会污染整个状态估计。

复盘时应重点检查:各源时间戳是否对齐、外参是否复标、噪声参数是否与实际匹配、故障检测阈值是否合理、以及融合输出是否有可解释的置信度。只有把“组成”理解成“可观测性+不确定性+容错”的组合,多源导航系统才能真正支撑GNSS拒止下的自主飞行。

传感器主要观测量典型频率优势主要局限
IMU角速度、比力100–400 Hz高频、短时平滑积分漂移
视觉相对位姿、速度10–30 Hz信息丰富、可绝对定位受光照纹理影响
LiDAR距离、点云位姿5–20 Hz精度高、抗光照成本高、受雨雾影响
气压高度绝对高度20–100 Hz长期高度基准受气流温度扰动
磁力计航向20–100 Hz绝对航向参考易受磁场干扰
轮速计前向速度/位移50–200 Hz低成本、抗漂移打滑、仅限轮式