利用紧密耦合的GNSS/IMU/UWB集成技术，实现无人系统的灵活且一致性的协同导航

摘要：

协作导航（Cooperative Navigation，CN）是实现多智能体系统（包括无人机、地面车辆和水下车辆）精确可靠定位的一种有前景的解决方案。通过超宽带（UWB）进行相对测距是实现协作的一种典型方法。然而，缺乏直观的工具来描述测量拓扑结构和协作架构，限制了人们对它们对协作导航性能影响的理解。此外，在分布式融合过程中必须考虑相对测距测量之间的相关性，而这通常是估计器所不知道的。本文介绍了一个灵活且一致的框架，该框架利用分割协方差交集（Split Covariance Intersection，SCI）在分布式多智能体系统中获得最优且一致的估计结果。首先，我们整合了图论来表示测量拓扑结构和协作架构，提供了一个关于智能体交互和信息流的结构化模型。这种整合增强了框架的适应性和灵活性，使其既适用于集中式架构也适用于分布式架构。其次，我们开发了一个紧密耦合的模型，该模型融合了全球导航卫星系统（GNSS）、惯性测量单元（IMU）和UWB传感器的数据。状态估计使用序贯卡尔曼滤波器（Sequential Kalman Filter）进行，显著提高了估计过程的准确性和鲁棒性。最后，我们采用基于SCI的方法有效处理了滤波器之间的相关性。这种方法在保持估计精度的同时降低了协方差矩阵推导的计算复杂性。仿真和现场实验验证了该算法的定位性能，证明了其能够在集群间传递高精度传感器的优势，并解决状态估计中的不一致性问题。这一进展极大地提高了协作导航系统的鲁棒性和可扩展性，为大规模复杂多智能体任务提供了一种有前景的解决方案...

显示更多

I. 引言

随着技术的进步，包括无人机（UAV）、无人地面车辆（UGV）和无人水下车辆（UUV）在内的多智能体群体在执行复杂任务（如大规模场景中的密集重建或未知区域探索）方面展现了巨大的潜力[1]、[2]、[3]、[4]。这些系统通常由多个自主智能体组成，通过相互协作可以完成单个智能体无法完成的任务。准确可靠的定位结果对于群体协作至关重要，也是任务规划和环境感知等协作任务的先决条件。低成本的全球导航卫星系统（GNSS）接收器和惯性测量单元（IMU）是最常用的群体传感器配置之一[5]、[6]，主要是因为它们具有成本效益和广泛的可用性。然而，配备低成本机载传感器的群体在GNSS信号不佳的环境中仍然难以获得准确的定位信息。通过群体中智能体之间的额外观测和信息交换，可以利用协作导航（CN）进一步提高定位性能[7]。协作导航要求智能体不仅处理来自机载传感器（如GNSS和IMU）的本地导航数据，还要整合外部信息，包括实时相对测量数据和邻近智能体共享的定位数据。这种整合提高了位置估计的准确性和鲁棒性。