梅军辉1
1.上海联适导航技术股份有限公司，上海 201702）
摘 要：随着定位与导航技术的发展，高精度、高可靠性导航定位的需求日益增加。单一信息源导航由于受自身固有局限的影响无法满足用户对导航精度的需求，同时也不具备足够高的鲁棒性和可靠性。多源融合导航技术基于信息融合技术综合处理多个导航源获取到的信息，实现在复杂多变的环境中的高精度、低成本的定位能力，从而得到最佳的导航决策结果。根据算法模型结构特征可以将多源导航的融合算法分为：集中式结构算法、并行式结构算法以及混合式结构算法。通过对不同结构的融合算法进行研究，分析三种融合算法的特点、应用场景和评估体系，为应用多源融合导航技术提供理论基础。
关键词：定位与导航；多源融合导航；融合算法；
中图分类号： 文献标识码： 文章编号：
A Survey of Multi-source Fusion Navigation Technology
Junhui Mei1※
(Shanghai AllyNav Technology Corp., Ltd , 201702, Shanghai)
Abstract: With the development of positioning and navigation technology, the demand for high-precision and high-reliability navigation and positioning is increasing. Due to its inherent limitations, the navigation of a single information source cannot meet the user's demand for navigation accuracy, and at the same time, it does not have sufficiently high robustness and reliability. Multi-source fusion navigation technology is based on information fusion technology to comprehensively process information obtained from multiple navigation sources to achieve high-precision and low-cost positioning capabilities in a complex and changeable environment, thereby obtaining the best navigation decision results. According to the structural characteristics of the information fusion method, the algorithms of multi-source fusion navigation are divided into: centralized fusion algorithm, parallel fusion algorithm and hybrid fusion algorithm. Through the investigation of the multi-source fusion algorithm, the characteristics, usage scenarios and evaluation algorithm of the three structural feature algorithms are summarized, which provides a theoretical basis for the application of the multi-source fusion navigation technology.
Keywords: Position and navigation; Multi-source navigation fusion; Fusion algorithm;
0 引 [] 言
多源融合导航技术核心是在满足任意传感器和导航源组合方案需求的条件下，实现系统的快速集成和重新配置。其目的是为了满足变化的任务要求，为用户提供高精度、低成本的无卫星导航与定位服务的能力。其原理是将不同导航源的观测信息与系统内载体的状态通过信息融合算法进行整合，得到载体当前状态的最优和次优估计[1]。
本文主要通过对不同结构的融合算法的进行研究，根据算法结构特征不同分为：集中式融合算法、并行式融合算法、混合式融合算法[2]，同时整理出这三类融合算法的特征和使用场景，如表1所示。最后，文章分析了评估融合导航算法性能的指标和方法。
表 1 多源融合算法特征总结
分类 优点 缺点 应用场景
集中式 结构简单，适应能力强 计算量高且容错差 导航源可靠性高
并行式 并行速度快，容错性高 融合精度低 具有实时定位需求
混合式 融合精度高，适应能力强 结构复杂且效率低 高精度、即插即用
1 集中式融合算法
集中式融合算法是一种简单直接的多源信息融合算法。Cheng等人[3]提出一种集中式融合的定位导航方法，集中处理多个导航源提供的位置信息，由此得到最终的导航决策结果，其基本架构如图1所示。
图 1 集中式结构融合算法架构
集中式融合算法具有结构简单、精度高、融合速度快、高效率检测分析等能力。其代表性算法有：基于卡尔曼滤波的融合算法，神经网络融合算法。
1.1 基于卡尔曼滤波的融合算法
对于滤波方法，卡尔曼滤波算法（KF）是最经典的传感器融合滤波算法，主要被应用于一对特性互补的传感器融合中。它早在1960年就已被Kalman等人提出，是一种基于贝叶斯滤波原理，以最小均方误差为最佳估计准则的线性滤波器。由于其出色的性能表现，在接下来的几十年中发展出了诸多改进算法，例如扩展卡尔曼[4]（EKF），扩展信息滤波[5]（EIF），无迹卡尔曼[6]（UKF），粒子滤波[7]（PF）等。这些改进算法大多着力于改善原始卡尔曼滤波系统的非线性系统适应性以及奇异值不稳健性。其中较为著名的实现有将误差作为系统状态量进行估计的误差状态卡尔曼[8]（ESKF）
在其工程化实现上，苏黎世理工大学的Weiss[9]在其博士论文中发表了基于EKF的模块化多传感器融合导航架构（MSF）。该工作核心的融合算法基于 EKF 实现了模块化的架构，用户可通过所制定的系统状态量、传感器所对应的测量方程即可实现多传感器融合的目的。由于其对计算量的要求较低，可以在保持局部线性最优的前提下实现实时融合滤波，使其特别适合在导航应用层面上进行的多传感器融合，无论是GNSS与IMU的融合，还是更多传感器的情况。
1.2 神经网络融合算法
传统的Kalman滤波器虽然计算效率高，系统实时性好，但自适应能力较弱，而单纯的神经网络滤波器估计准确度较低，且网络训练经验性太强。因此杨等人[10]提出基于BP神经网络辅助自适应Kalman滤波器方案，面向融合导航设计并实现了SINS/GPS/TAN/SAR智能化容错导航系统。该系统结合了自适应滤波和神经网络两种方法，提高了系统的自适应能力，并提出一种新的神经网络输入，从而提高了算法的实时性，同时使系统的估计精度得到明显提高。
另一方面，孙和康等人[11]将RBF神经网络引入融合导航系统，将滤波器局部估计状态作为融合中心的RBF神经网络节点，通过该网络的局部特性实现全局估计的适应性和容错性。相比之下，该算法具有较高的估计精度，能够检测并消除传感器故障，并不影响全局估计。
神经网络算法融合多个高稳定性导航源所提供的信息，判定处理得到全局最佳的导航决策结果，具有较强的环境适应能力。然而对于所有集中式结构，各传感器信息的流向都是自低层向融合判定处理中心单方向流动，导致各融合中心计算和通信负担过重，系统计算效率低，使各传感器之间缺乏必要的联系。
2 并行式融合算法
为了进一步提高融合导航算法系统的计算效率，Pearson等人[12]提出了动态分解和状态估计的两级结构，是一种分散化滤波方法。其基本架构如图2所示。
.png)
图 2 并行式融合算法架构
并行式结构算法融合效率高，单一导航源故障对全局估计结果的影响小，提高了整个系统的可靠性和容错性。其代表性算法有联邦滤波和D-S证据理论算法等。
2.1 联邦滤波
N. A. Carlson等人研究提出的联邦滤波算法[13]，利用信息分配原则消除各导航源状态估计的多相关性，再进行简单有效的融合，从而得到全局最优或次优估计。通过设置主滤波器的融合周期来减少融合的计算量，并引入信息分配因子，提高了系统的容错性。
近年来，杜红松等人[14]提出一种基于INS/GPS/ CNS三组合的联邦算法，以位置误差、速度误差和平台失准角作为观测输入，通过三组合系统使得导航角度误差达到1’以内；与传统的INS/GPS两组合算法相比，误差角精度提高了一个数量级，而且该算法收敛且不随时间发散。算法如图3所示。
.png)
图 3 无复位方式方案结构框图
基于联邦滤波的融合导航算法信息处理和融合速度快，具有实时定位与导航决策的能力。通过设定主滤波器和各子滤波器间通信周期，使得联邦滤波的全局和局部精度提高。但子滤波器必须等到融合结果反馈过来才能进行下一步的滤波，当一个传感器的故障未被隔离时，会通过重置指令污染到其他滤波器，导致整个系统的鲁棒性降低，故障恢复能力下降。
2.2 D-S证据理论法
考虑到多源传感器自身条件和环境的影响，多源传感器所提供的数据信息可靠性不一。Dempster提出了一种不确定D-S证据推理方法[15]，可以通过证据的积累逐步缩小假设集，在多个证据作用下假设信息综合的信任程度，从而提高证据的准确性。Haenni将该方法应用在多源融合导航领域[16]，其基本思想是：首先对数据进行预处理，采用一种新的相似度函数来表示数据的可靠性，并通过归一化处理得到数据的可执行程度，再采用D-S证据理论算法进行融合，得到准确性较高的多传感器数据信息。与联邦滤波相比，该算法收敛速度快，运算量小。当进行融合判决时，可以提高系统的抗干扰能力，有效降低决策风险。
基于并行式融合结构的导航系统中的每个传感器都具有估计全局信息的能力，任何传感器的故障都不会导致系统崩溃，使得系统具有很强的可靠性和容错性。然而，该结构依赖多个不同高可靠性的导航源同一时间产生较大数量的观测值，才能进行并行计算。
3 混合式融合算法
对于混合式融合结构，系统同时将导航源接收到的和预处理后的信息都传输给信息计算中心模块。该结构结合了集中式和并行式两种结构的优势[17]，具有自适应能力强，融合精度高，即插即用等特点，基本架构如图4所示。其代表性算法有交互式多模型结构算法和基于因子图结构融合算法。
.png)
图 4 混合式融合导航算法架构
3.1 交互式多模型算法
交互式多模型结构算法是一种多信息混合估计的高效融合算法。刘春旭[18]等人提出了一种将联邦滤波器与交互式多模型滤波算法（IMM）相结合的交互式联邦多模型融合算法IFMM。在IFMM算法中各传感器均具备相同的滤波器模型集合，各传感器在同一模型下的滤波结果首先采用联邦滤波算法进行融合，而后基于IMM算法计算各模型融合的结果，产生目标状态的全局估计。IFMM算法有效提高了导航源运动状态估计的精确度和稳定性。该算法基本原理如图5所示。
交互式多模型结构算法根据信息预测模型估计下一时刻导航源输入的传感器信息，原始和预测信息的混合估计能够有效的提高系统的导航精度，但同时也带来了极大的计算量，所以信息预测模型的选取是交互式多模型算法研究中的重要问题。
.png)
图 5 交互式多模型结构算法框架图
3.2 基于因子图融合算法
与单个导航方式对比，多源融合导航系统利用惯性、卫星、视觉等传感器组合导航，提高了系统的准确性和可靠性。显然，这种能力的提升依赖于多传感器的信息融合，但由于各传感器间的工作频率、误差特性、测量非线性等特点也提高了导航系统结构的复杂性。而基于因子图的融合导航可以有效解决多传感器信息融合时的异步问题，而且具有灵活配置和快速集成等优点。
因子图作为一种较为新颖的方法，最初被用于SLAM问题中。但由于其增量光滑性和全局优化的特点，也可用于多传感器融合的领域[19]。朱等人[20]研究了一种基于因子图递推和更新状态数据的融合方法，实现多传感器的即插即用和不同频率数据融合的导航系统，该系统数据融合任务由G-N迭代优化方法完成。王等人[21]基于概率图模型提出的多源融合导航系统能够满足快速集成并重新配置任意导航传感器的需求，因此基于因子图的融合导航系统精度得以明显提升。一个典型的多传感器因子图模型可表示如图6所示。
.png)
图 6 多传感器因子图模型
图中的状态和数据分别由节点和因子表示。设该系统的导航状态为：，每个状态覆盖三种节点：姿态节点，包括三维平动以及三维转动；速度节点，包括三维的速度；传感器的偏差节点。在有了这样的数据结构后，对整体误差进行全局优化，便可达到融合多传感器信息的效果。充分利用因子图在增加、减少导航源时启用、停用相应状态节点的特性，多源融合导航可以实现灵活配置和快速集成。
4 多源融合导航算法的性能评估
在评估多源融合导航算法性能时，定位精度通常是首要指标和最直接的体现；同时，多源融合导航算法还要兼具可靠性、鲁棒性等性能[7]。除了这些传统的性能外，一些学者[22]借鉴硬件中的评价指标，提出了多源融合导航系统的即插即用性要求。即插即用性可以用来作为增加、减少导航源时融合系统的适配性指标。
为了评估多源融合导航的系统性能，王等人[23]提出一种基于雷达图的综合评估表示方法，包括速度、位置、姿态精度等指标。雷达图具有可视化的优点，便于直观的进行优劣分析、综合评价。雷达图还可以将导航系统的精度表达出来，可简明直观的考核导航系统的精度和性能，是导航系统精度评估表示的一种有效手段。该仿真评估流程如图7所示。
.png)
图 7 导航系统仿真评估流程结构图
通过航迹模拟器产生理论轨迹，得到运动载体理想的位置、速度和姿态数据。另一方面，利用待评估的导航算法，将视觉相机产生的环境图像信息与惯性器件数据的融合，得到相应的载体数据；将融合得到的数据与理想的数据进行比较，得到导航系统的评估结果，并用雷达图将结果表示出来。
导航系统的性能还可以采用蒙特卡洛方法进行评估[24]。蒙特卡洛方法依据大数定律，使用统计抽样理论来近似求解。在多源融合导航系统中，首先构造或描述导航的概率模型，然后实现从已知概率分布中抽样，最后根据用户所需要考察的指标建立各种状态估计进行性能评估分析。蒙特卡洛方法适应性强，可以处理非线性、大幅波动的问题，在多源融合导航的性能评估中发挥着重要的作用。但由于需要在计算机上大量重复实验，蒙特卡洛方法面临计算数据量大，计算机资源有限等问题[25]。
5 结语
本文从信息融合技术出发，从各个方面对多源融合导航算法进行了研究，梳理了国内外现有的多源导航理论、模型、结构和融合算法，分析了多源融合导航技术的关键性和性能评估方法，为多源导航信息更好的融合有很大参考价值。未来的多源融合导航应该根据实际的应用场景设计自适应调整的导航系统，完善多源融合导航的结构体系，为用户提供全天候全空间高精度高可靠的导航位置服务，这是多源融合导航系统的发展趋势。
[参 考 文 献]
[1] 戚晓晶.基于信息融合的网络安全态势评估模型[J].科技创新与应用，2017：190–191.
[2] 杨晓丹，王运峰.多源航迹信息融合主要技术研究[J].现代计算机中旬刊，2017：8–11.
[3] H. Cheng, J. Zhao, and M. Fu.Research on the method of multi-source information fusion based on Bayesian theory[C].in 2018 IEEE 3rd Advanced Information Technology, Electronic and Automation Control Conference (IAEAC), 2018：1760–1763.
[4] 朱树云，姜静.扩展卡尔曼滤波算法在导航中的应用研究[J].计算机应用，2019：9-11.
[5] 宋之卉，赵彦晓.基于卡尔曼滤波模型的多传感器数据融合导航定位建模与仿真[J].数字通信世界，2019：2-9.
[6] 王守华，陆明炽，孙希延等.基于无迹卡尔曼滤波的 iBeacon/INS 数据融合定位算法[N].电子与信息学报，2019：2209–2216.
[7] 戴海发，卞鸿巍，王荣颖等.多航向传感器信息融合与容错联邦卡尔曼滤波器在舰艇综合导航系统中的应用[J]. 舰船科学技术，2019：114–118.
[8] N. Shaukat, A. Ali, M. Javed Iqbal, M. Moinuddin etc.Multi-Sensor Fusion for Underwater Vehicle Localization by Augmentation of RBF Neural Network and Error-State Kalman Filter[C].IEEE Sensors Conference, 2021: 1149-1153.
[9] T. Chu, N. Guo, S. Backen, etc. Monocular Camera/IMU/GNSS Integration for Ground Vehicle Navigation[C]. in Challenging GNSS Environments,” Sensors (Basel)., 2021: 3162–3185
[10] 杨楚雄，严甲汉，郭承军.基于 BP-卡尔曼融合滤波的姿态解算算法研究[C].第九届中国卫星导航学术年会论文集——多源融合导航技术, 2018.
[11] 强明辉，蒋文.RBF 神经网络在组合导航系统中的应用[J].自动化与仪表，2018：11-19.
[12] 胡永胜，丁伟，苑艳华.基于分散式信息融合的无人机协同导航算法研究[J].航空电子技术，2018：118–125.
[13] 唐娟.基于联邦强跟踪卡尔曼滤波的组合导航关键技术研究[D].山东大学，2018.
[14] 杜红松, 曹永恒, 郝强等.一种基于 INS/GPS/CNS 的联邦滤波算法[J].舰船科学技术，2018：128–131.
[15] Y. Liu, X. Fan, C. Lv etc.An innovative information fusion method with adaptive Kalman filter for integrated INS/GPS navigation of autonomous vehicles[J].Mech. Syst. Signal Process, 2018: 605–616.
[16] Z. Zhong-lei, W. Rong-ying, B. Hong-wei etc.Research on Integrated Navigation Information Fusion Simulation Platform[C].in 2021 IEEE 2nd International Conference on Big Data, Artificial Intelligence and Internet of Things Engineering (ICBAIE), 2021: 350–354.
[17] W. B. Shen, D. Xu, Y. Zhu, L. J. Guibas, L. Fei-Fei, and S. Savarese.Situational fusion of visual representation for visual navigation[C].in Proceedings of the IEEE/CVF International Conference on Computer Vision, 2019: 2881–2890.
[18] 刘春旭，张永利.基于交互式联邦多模型的多传感器融合算法[N].中国电子科学研究院学报，2013：496–500.
[19] 张兴学.基于因子图的多传感器信息融合导航算法研究[D].哈尔滨工业大学，2018.
[20] 何凯文.基于综合特征 SLAM 的无人机多传感器融合导航算法研究[D].上海交通大学，2018.
[21] 李磊, 肖世德, 李兴坤等.多传感器融合的智能车定位导航系统设计[N].工程设计学报，2019：182–189.
[22] J. Xu, G. Yang, Y. Sun and etc.A multi-sensor information fusion method based on factor graph for integrated navigation system[J].IEEE Access, 2021: 12044–12054.
[23] 赵建国，黄宁，刘哲等.基于室内 GPS 的 AGV 导航技术研究及应用[J].航空制造技术，2020：40–44.
[24] 高云，卢虎，贺磊南.智能终端即插即用多传感器融合方法[N].探测与控制学报，2019：15-26.
[25] B. Wu, S. Yu, L. Hao, etc.Advanced geometry navigation methods without cavity representation for fusion reactors[J]. Fusion Eng. Des., 2017: 232–237.
请排3版，基金项目不能删除
基金项目：上海市科技创新行动计划项目（19511100700）