一种基于多层信息融合的无人机测高方法与流程

本发明属于无人机控制、信号处理、导航技术、人工智能领域，具体涉及一种基于多层信息融合的无人机测高方法，包含基于二步延迟自适应时空融合和基于参数辨识的自适应互补滤波融合的二次融合。

背景技术：

在如今社会中，无人机用途十分广泛，在军事，民用，科研等领域都有很多应用，特别是旋翼飞行器，具有结构简单，控制方便等特点，可以在狭小的空间内执行复杂的任务。

旋翼飞行器同时又是一个典型的欠驱动系统，具有多变量、强耦合、非线性等特性的系统，而且涉及学科众多，领域十分广泛。飞行过程中状态复杂，无人机机载传感器承受多种外部环境的干扰，并且传感器的温漂对数据产生很大影响。上述问题给无人机的测高带来很大的困难。

多层信息融合是对传感器的数据进行传感器融合，可以类比人对一个事物的认知过程。首先，是两个眼睛的数据进行融合，得到这个事物的完整图像，然后，再将眼睛的数据和鼻子的数据进行融合，形成对这个事物的外观和气味的全面认知。多层信息融合算法是在此基础上，设计多个融合层进行多次融合，进一步提升数据的精度，减小误差，用在无人机测高上，实现了对多个传感器测高数据的全面分析，最终得到可靠的高度数据。

无人机的高度信息可以通过气压计测量当前气压获取，也可以通过GPS直接读取，还可以通过加速度计的双重积分获取。然而，气压受到大气波动的影响，会有很大的噪声，所以由气压计读取的高度不准确，GPS是被动定位的，当GPS的系统关闭时，定位系统就会出现故障，加速度计的双重积分在短时间内是准确的，但是时间一长，就会出现积分漂移现象。所以，不能完全依赖于单个传感器来进行测高。需要采用合理的算法，将各个传感器的信息进行融合，进而将各个传感器的优缺点进行结合，从而得到可靠性高的高度数据。

技术实现要素：

本发明的目的在于提供一种基于多层信息融合的无人机测高方法，以克服现有技术中的问题。

为达到上述目的，本发明采用如下技术方案：

一种基于多层信息融合的无人机测高方法，包括以下步骤：

步骤1：在无人机的不同空间位置装备若干个高度传感器，获得各个高度传感器在不同时间和空间的无人机高度观测数据；

步骤2：将每个高度传感器在不同时刻的观测值与该时刻之前两个时刻的估计值进行二步延迟时间融合，得出该高度传感器在不同时刻的时间融合估计值；

步骤3：将各个高度传感器同时刻的时间融合估计值进行空间融合，从而得到时空融合估计值；

步骤4：将步骤3得到的时空融合估计值和加速度计的测量数据进行基于参数辨识的自适应互补滤波融合，得到最终融合估计值。

进一步地，步骤1具体为：

在无人机的不同空间位置装备s个高度传感器，获得各个高度传感器在不同时间和空间的无人机高度观测数据Z＝{Z_i(k)}(i＝1,2,...,s；k＝1,2,...,n)，其中Z_i(k)是第i个高度传感器在k时间点的高度数据量测值。

进一步地，步骤2具体为：

对每个高度传感器在不同时刻的观测值与该时刻之前两个时刻的估计值进行二步延迟高度信息时间融合估计，假设第i个传感器获取数据时，高度真值为X，前两个时间点获取的高度数据测量结果为：

Z_i(1)＝X+V_i(1)，Z_i(2)＝X+V_i(2)

测量噪声V₁(1)，V₁(2)符合正态分布，假定其均值均等于零，方差分别为在实际测量过程中，X，V₁(1)，V₁(2)为相互独立的随机变量，单个高度传感器在某一时间点测量之后，计算出真值X的均值和方差为：

通过二步延迟时间的信息融合，递推得到下一时刻高度数据测量后的最优估计值为：

其中，

分别采用前两个时间点的估计值和相应的方差作为历史数据，本次测量值和本次测量方差作为本次数据，推出每个高度传感器k次测量后的时间融合估计值为：

其中，

单个高度传感器每次测量方差通过高度传感器的自协方差参数和互协方差参数的差算得，共有s个高度传感器，其高度测量值为Z_i(k)，第i个传感器k时间点的自协方差为R_ii(k)，第i个传感器与第j个传感器k时间点的互协方差为R_ij(k)，通过时间域估计公式，可以得到：

其中，μ是s个传感器在k时间点的均值。

进一步地，步骤3具体为：

通过步骤2得到s个高度传感器k时间点的时间融合估计值：将时间融合估计值进行空间融合得到时空融合估计值：

其中，

W_i(k)为加权系数。

进一步地，步骤4基于参数辨识的自适应互补滤波具体公式如下：

式中，V(k)是k时间点的垂直速度，dt为采样时间间隔，a是垂直加速度，X(k)是k时间点的垂直位移，X₀是无人机的初始高度，默认已知，是高度传感器k时间点的时空融合估计值，T是时间常数，e(k)是k时间点的修正量，r是自适应系数，F(k)是k时间点的最终融合估计值。

与现有技术相比，本发明具有以下有益的技术效果：

本发明在雷达信号处理基于一步延迟自适应时空融合算法的基础上，结合无人机测高过程中数据量不大的特点，实现了多步时间和空间双重融合模型，采用更多的历史数据完成数据处理，使融合精度更高，再与基于参数辨识的自适应互补滤波融合算法相结合，使无人机测高模型更加准确，保证飞行和任务执行的稳定性。实验结果表明，基于二步延迟的自适应时空融合算法和基于参数辨识的自适应互补滤波算法相结合的估计值在真值附近波动范围小于只使用时空融合算法的估计值波动范围，对应的总均方误差也远小于单使用时空融合算法的总均方误差。该算法在减少测量误差方面明显优于单使用时空融合算法，并且该算法计算量小，编程简单，在无人机测高领域应用价值明显。

附图说明

图1为本发明系统总体流程图；

图2为本发明气压计输出测量曲线图；

图3为本发明GPS输出测量曲线图；

图4为本发明加速度计输出测量曲线图；

图5为本发明速度曲线图；

图6为本发明位移曲线图；

图7为本发明气压计二步延迟时间融合误差曲线图；

图8为本发明气压计一步延迟时间融合误差曲线图；

图9为本发明气压计一步和二步延迟时间融合误差对比曲线图；

图10为本发明时空融合曲线图；

图11为本发明时空融合误差曲线图；

图12为本发明多层融合曲线图；

图13为本发明多层融合误差曲线图；

图14为本发明多种误差对比曲线图；

图15为本发明程序流程图；

图16为本发明基于二步延迟自适应时空融合的融合算法示意图；

图17为本发明空间融合示意图；

图18为本发明基于参数识别的自适应互补滤波算法示意图。

具体实施方式

下面结合附图对本发明实施过程作进一步详细描述：

在高速数据量测过程中，在无人机的不同空间位置装备s个异类高度传感器，各个传感器在不同时间和空间所获取的无人机高度观测数据是不相同的。s个传感器在n个不同时间点的工作期间获取高度值会出现s×n个观测值。第一层信息融合分为两个阶段，第一阶段是在一步延迟时间的融合估计的基础上推导基于二步延迟时间的递推估计融合估计，将各个传感器分别进行基于两个时间点延迟的高度数据的融合估计，通过结合历史数据的修正消除每个传感器依据时间度获取观测数据的不确定性，提升单传感器量测数据的精度和可靠性，将实时测量的高度数据进行第一步处理；第二阶段将各个单传感器处理后的高度数据进行自适应加权融合估计，实现高度数据多传感器的空间融合，第一层融合过程如图16所示。在此阶段，每个传感器所得到的同一时刻的估计值完成了时间融合估计后，自适应确定最优加权系数，使该时刻获取的高度数据值的总均方差达到最小，从而实现最优估计。分两个阶段的顺序进行信息融合是为了采用更多的观测值集合Z，实现二步延迟时空融合，从而得到更精确的高度数据。

设有共有s个高度传感器，即s个气压计和GPS，进行无人机测高。在某一时间间隔内，单个高度传感器获取到n个量测数据，即Z₁(1)，Z₁(2)，…，Z₁(n)，i＝1,2,...,s。也就是说Z_i(k)是第i个高度传感器在k时间点的高度数据量测值，也就是观测值，其中Z＝{Z_i(k)}(i＝1,2,...,s；k＝1,2,...,n)。首先，进行第一阶段单个传感器二步延迟高度信息时间融合估计，假设第i个传感器获取数据时，高度真值为X，前两个时间点获取的高度数据测量结果为：

Z_i(1)＝X+V_i(1)，Z_i(2)＝X+V_i(2) (1)

测量噪声V₁(1)，V₁(2)符合正态分布，假定其均值均等于零，方差分别为在实际测量过程中，X，V₁(1)，V₁(2)为相互独立的随机变量。单个高度传感器在某一时间点测量之后，计算出真值X的均值和方差为：

通过二步延迟时间的信息融合，可递推得到下一时刻高度数据测量后的最优估计值和方差为：

分别采用前两个时间点的估计值和相应的方差作为历史数据，利用单传感器时间二步延迟融合算法，在计算过程中每一传感器同一次只采用一个高度测量数据，将某一个点估计值及其方差作为下两个时间点高度测量数据的统计特性参与计算，这样每次估计值的求取都会用到本次的测量数据和前两次的估计数据以及本次的方差和前两次的方差。推出每个传感器k次测量后的时间融合估计值和方差为：

单个高度传感器每次测量方差可以通过高度传感器的自协方差参数和互协方差参数的差算得。这里设有s个高度传感器,其高度测量值为Z_i(k)，μ是s个传感器在k时间点的均值，第i个传感器k时间点的自协方差为R_ii(k)，第i个传感器与第j个传感器k时间点的互协方差为R_ij(k)，μ是s个传感器在k时间点的均值。通过时间域估计公式，可以得到：

可以得到s个传感器k时间点的测量估计值，以及均方误差值为

加权系数为W₁(k)，W₂(k)，…，W_s(k)，采用图17的结构，通过多个传感器基于空间的最优融合估计得融合结果和加权系数为：

由相互独立，得第k次多传感器测量时空融合总均方误差为:

δ²(k)是二次函数，利用加权系数W₁(k)，W₂(k)，…，W_s(k)满足约束条件的多元函数极值求取δ²(k)的最小值。得到最优加权系数为：

最终总的均方误差为:

由公式(10)可见，在第二阶段进行多传感器自适应加权空间融合后，获得的均方误差，比单一传感器采用二步延迟时间融合估计所获得的均方误差更小，精度更高。基于空间最优融合估计算法所得的均方误差为：

则

通过式(11)，作为δ_i(k)的估计值，其值大于δ_min(k)。因此，结合公式(5)-(11)，可以得到，即自适应加权两级融合算法均方误差相对于基于空间融合有一定的减小。也就是说，经过了第二阶段自适应加权空间融合处理后，均方误差变小了，相对于比只进行基于单个传感器的时间融合，或只进行多传感器的空间数据融合，其数据精度都有所提升。

以两个传感器测量数据样本的融合估计为例，基于二步延迟的时空估计算法的计算如下：

1.进行第一阶段融合，利用公式组(6)进行计算，获取测高传感器采样时间点R_pp(k)，R_pq(k)，R_qq(k)，R_qp(k)，通过计算可以得到测高采样时间点的

2.分别将两个传感器的第一次测量值Z_p(1)，Z_q(1)和方差作为系统初始参数，利用公式(5)计算得出每个测高传感器采样时间点基于二步延迟的时间融合估计值和对应的融合方差

3.进行第二阶段融合，利用公式(9)计算得到采样时间点各个测高传感器的最优加权系数W_p(k)和W_q(k)；

4.利用公式(7)，获取基于二步延迟时空融合估计结果。

在第二层融合过程中，设计了一种基于参数辨识的自适应互补滤波算法，通常无人机上不仅会有气压计和GPS，还会有加速度计等传感器，如果能把加速度计也用到测高算法中，将会进一步提高测高的精度和稳定性。通常情况下，气压计和GPS的噪声较大，但在长时间范围内，其数据较为稳定，在真值附近波动，加速度计的噪声较小，经过两次积分，可以转化为位移，在短时间内较为精确，但时间一长，就会产生积分漂移，远离真值，所以无法用时空融合算法对加速度计和气压计、GPS进行融合，而互补滤波却是很不错的选择。在短时间内，相信加速度计的积分值，在长时间内，用GPS和气压计的时空融合值对加速度计的积分值进行缓慢的修正，抑制积分漂移现象，这就是普通的互补滤波。但是，当GPS和气压计的数据噪声较大时，时空融合算法计算出的数据可能会出现一些问题，比如可能会出现一些尖锐的毛刺，如果只采用普通的互补滤波算法，这些毛刺将会进入到滤波后的波形中，对无人机的高度控制产生很大影响，为了解决这个问题，本发明采用了基于参数识别的自适应互补滤波算法。其融合过程如图18所示，具体公式如下：

式中，V(k)是k时间点的垂直速度，dt为采样时间间隔，a是垂直加速度，X(k)是k时间点的垂直位移，X₀是无人机的初始高度，默认已知，是高度传感器k时间点的时空融合估计值，T是时间常数，e(k)是k时间点的修正量，r是自适应系数(开关量，只取0和1)，F(k)是k时间点的最终融合估计值。

T是人为可以调节的参数，当T大时，更多地相信加速度计的积分，而当T小时，更多地相信时空融合的结果。r的取值由修正量e(k)决定，当e(k)的绝对值大于所设阈值时，r取0，否则，r取1，实现了对参数e(k)的辨识，这样就过滤了极端值，因为X(k)在短时间内是精确的，如果e(k)过大，则证明的取值不正常，此时，不把错误的e(k)加进积分中，使波形参照加速度计的积分波形，不会出现大的波动，这样就实现了互补滤波的自适应性。

具体结果如表1所示，可见多层融合的均方根误差和最大误差相比其它三种融合算法都有一定幅度的降低，很大程度的减少了测量噪声，使融合值更加逼近真值。

表1本发明具体结果

实验结果表明，基于二步延迟的时间融合比一步延迟的时间融合的最大误差降低很多，在均方根误差上也略有降低，有了明显的改进。多层融合相比于二步延迟的时空融合，在最大误差和均方根误差上均有进一步的降低，效果十分明显。并且该算法计算量小，编程简单，可靠性高，在无人机测高领域应用价值明显。