[发明专利]基于无人机状态信息的广义因子图融合导航方法

说明书

本发明公开了一种基于无人机状态信息的广义因子图融合导航方法。首先，根据实际情况设计导航系统方案，基于机载物理传感器数据通过在线神经网络学习的方式构建虚拟传感器，在其他传感器故障时引入系统补充导航状态量测量；接着，构建基于无人机状态信息的因子图多源自主导航融合算法，基于无人机组合导航传感器信息分为位置因子图、速度因子图、姿态因子图并行估计无人机状态信息；最后，基于无人直升机融合后的位置、速度信息分析无人机姿态误差与位置信息、速度信息之间的函数映射关系，在此基础上修正广义姿态因子图滤波器融合信息，基于广义因子图融合导航框架通过反馈矫正提升无人机位置、速度、姿态量测精度。

技术领域

本发明属于组合导航技术领域，特别涉及了一种无人机的广义因子图融合导航方法。

背景技术

近些年，无人机凭借其巨大的应用市场和潜在的扩展领域受到世界各国的高度重视，无人机技术在军事领域和民用领域均获得了广泛应用。无人机由于具有无人驾驶、远程操控的能力，在海上搜救、森林火灾救援、能源探测、商业运输等领域得到了广泛的应用。尽管目前已经有大量关于无人机飞行安全方面的研究，无人机也有着较好的飞行特性，但它还是会受到复杂大气环境的影响。特别是低空大气扰动会造成无人机姿态的变化。在复杂大气干扰下，无人机的高精度姿态及其他导航状态信息是一个亟待解决的问题。

无人机的定位主要由机载的导航系统完成，无人机导航系统实时输出无人机的位置、速度和姿态信息，为飞行器提供准确的位置坐标和状态信息。在无人机导航系统中，由于各传感器所采用的导航原理不同，各类传感器之间存在极强的互补性。在实际应用中，由于不同传感器的更新频率不同，存在时间不同步的问题，采用固定的滤波结构和方法均很难满足这种复杂多变的应用需求，因子图灵活易变的滤波结构更适合多源组合导航滤波融合方法。

概率图模型是一种以图模型表示变量概率依存关系的理论。因子图是一种双向概率图模型，图中包含两种类型的节点：一种是变量节点，代表全局多元函数中的变量；一种是因子节点，代表因式分解中的局部函数。每个局部函数只与全局多元函数中的部分变量相关，当且仅当变量是局部函数的自变元时，因子图中与之相应的变量节点与因子节点之间存在一条连接边。因子图作为一种分析问题的图形工具，或许有助于解决无人机传感器量测信息的非等间隔、不同步、动态变化等问题。

无人机姿态量测信息并不充足，无人机组合导航系统中仅有IMU提供全部的姿态信息，磁力计仅提供航向角校正，而其他传感器多提供的是位置、速度信息。因子图架构将位置、速度、姿态分为三个因子图同步进行滤波，这样造成了姿态因子图量测量较少，需要姿态的精确量测来保证无人机的飞行安全，同时姿态精度的提升也修正位置、速度的精度。

发明内容

为了解决上述背景技术提到的技术问题，本发明提出了基于无人机状态信息的广义因子图融合导航方法，提高了对无人机姿态量测的精确度，来保证无人机的飞行安全，同时姿态精度的提升也修正位置、速度的精度。

为了实现上述技术目的，本发明的技术方案为：

基于无人机状态信息的广义因子图融合导航方法，所述导航方法包括以下内容

步骤一，根据无人机的任务需求、所处环境以及导航传感器设计导航系统，通过在线神经网络学习的方式基于物理导航传感器的状态与量测信息构建虚拟传感器，确定无人机机载导航传感器的工作性能，在相关物理传感器故障时引入系统补充导航状态量测量；

步骤二，获得机载各导航系统得到传感器量测信息，分成位置、速度和姿态三个因子图进行信息融合，将无人机组合状态变量定义为因子图的变量节点，机载各导航传感器测量值定义为因子节点，构建基于位置因子图、速度因子图、姿态因子图的多源导航信息融合算法；

步骤三，基于位置因子图与速度因子图滤波估计的位置、速度信息，引入到广义姿态因子图滤波器中，对姿态因子图滤波的结果进行修正。

进一步的，所述步骤二包括以下具体流程：