前言

导航系统作为无人机的感知单元，承担着无人机状态参量测量与估计的重任。对于多旋翼无人机而言，其姿态、加速度、速度、位置以及各传感器的零偏与补偿系数均需要被测量或估计。这些众多参量之中只有极少一部分能够被直接或间接测量，大多数参数需要我们采用多个传感器组合的方式，结合最优估计算法进行估计，最终，才能够得到理想的状态参量。

导航系统综述

近年来，随着智能手机的普及，MEMS技术日趋成熟，大量价格低廉的MEMS器件被投入消费级市场。消费级多旋翼无人机也借势而起，快速进入大众的视线，被应用于传统的影视航拍等领域。

导航系统在多旋翼无人机系统是感知的核心单元，它根据预先设定的数据估计模型，综合多传感器测量的信息，利用最优估计算法，得到良好的状态估计参量。常用的状态估计算法如互补滤波、卡尔曼滤波及其变种等。

然而，传感器的原始测量数据往往不尽如人意，我们需要根据不同传感器的特性，对其数据进行预处理（预处理主要指传感器校准与数字滤波器设计）。然后，我们才能得到信噪比较高的测量数据。然而，传感器测量的数据无法直接或间接的表征我们所需的最终状态参量，因此，我们将预处理后的量测数据，通过状态估计算法进行最优估计，得到如姿态、加速度、速度、位置、传感器特征参数（如陀螺仪零偏、加速度零偏等）。有了准确的状态参量，我们就可以作为控制器中的反馈量，故障诊断与决策系统中的决策量等。

一、传感器及其特性

传感器作为导航系统的感受器，我们需要对每一个使用到的传感器的特性了如执掌，才能选择最合适的滤波器与参数对其进行适配；对于特殊的传感器，还需要有针对性的处理算法。

IMU

IMU（惯性测量单元），其包含加速度计与陀螺仪两种传感器，是导航系统的最重要传感器之一，它负责测量三轴加速度与三轴角速度，对于低成本的MEMS器件，其测量精度相对较低，陀螺仪的零偏稳定性也较差，在不同温度下的表现也存在较大的差异。因此，对MEMS器件进行适当的标定与补偿，同时进行零偏的动态估计是十分必要的。

气压计

气压计负责测量海拔高度。在实际使用过程中，往往将其测量数据与初始海拔做差值，从而得到相对起飞点的相对高度。气压计是一种高精度器件，由于其测量原理与环境压强、温度有关，因此，我们在实际使用中会发现：在多旋翼飞行器起飞阶段，气压计的量测数据波动较大，在飞行器大机动飞行后的刹车阶段，气压计的量测数据也波动较大，此时，我们就需要对滤波器中对应的量测噪声进行针对性的调整，以适应实际应用场景。否则，多旋翼飞行器会出现不同程度的掉高/升高现象。此外，通过对气压计的结构进行设计，也能够在不同程度上减弱环境气压变化对测量数据真实性的影响。

磁力计

磁力计负责测量三轴磁场数据，根据地磁场矢量能够辅助测量飞行器的姿态，同时，它也是航向角的主要量测传感器。然而，由于飞行器的磁场环境极其复杂，电池电源线、射频电路板以及大功率电源等器件都会在不同程度上影响磁力计对于地磁场的测量。我们在飞行器设计中，需要事先对机身的磁场环境定量测量，然后采取隔磁措施。在实际飞行过程中，我们也会碰到环境磁场的影响。此时，就需要设计诊断系统，当环境磁场异常时，及时调整磁力计融合的增益，避免导航系统发散。

GPS/RTK

GPS负责测量速度、位置参量，也是导航系统中最重要的传感器之一。在开阔环境中，GPS信号相对较稳定；然而，在实际使用场景中，飞行器的使用环境往往存在较多的遮挡以及信号干扰，此时，我们不得不面对短暂丢失GPS信号的境况，此时，若无光流等等价传感器，则必须采取特殊处理逻辑，对其进行安全降落，避免出现其他异常情况。

TOF/超声波

TOF与超声波属于同一类单点测距的传感器，区别在于前者的测量束角较小，能量较为集中，属于电磁波，不容易在传输过程中损耗；而后者，属于机械波，容易在传输过程中损耗，且传输距离较近。超声波传感器在早期的多旋翼飞行器中应用较多，随着TOF传感器的成本下降，逐渐取代了超声波传感器成为单点测距传感器的中的主流。

毫米波雷达/激光雷达

毫米波雷达属于一种多点测量的电磁波雷达，其抗干扰性能较强，测量距离较远，多用于多旋翼飞行器的某一方向避障。而激光雷达则能够测量360度范围内的点云数据，可用于地图构建与导航，但价格较为昂贵，且环境适应性不如毫米波雷达般健壮。因此，其并未在多旋翼无人机当中作为主流传感器而普及。

双目相机

双目相机能够测量某一方向内物体的深度信息，可用于无人机的地图构建、避障以及位置估计等用途，价格低廉。然而，其对于环境光照也有较高的要求，需要配合其他等价传感器一同使用。

光流传感器

光流传感器负责测量速度、位置信息。它在一定程度上，能够补充GPS传感器的作用，如低空飞行时，能够提高速度测量精度；在GPS受干扰时，能够继续估计速度、位置等参量，提高导航系统的鲁棒性。

传感器作为导航系统主要的模块之一，上述介绍了多旋翼无人机中主要的传感器的特性。下面将着重介绍导航系统设计中常用的两种算法——互补滤波算法与卡尔曼滤波算法。同时，阐述一种多旋翼飞行器导航系统的设计方案。

二、导航系统设计中常用的两种算法——互补滤波算法与卡尔曼滤波算法

互补滤波算法简介

互补滤波器的主要原理是把一个主要包含高频噪声，和一个主要包含低频噪声的信号分别通过一个低通滤波器和高通滤波器，并做平均，从而使平均后的结果是真实信号较为准确的估计。简单的讲，就是将两个表征同一个状态信息的观测量分别经过低通/高通滤波器后，将其进行加权，从而使其达到优势互补的效果。

互补滤波器常被用于姿态解算、相对高度的估计等应用。其运算量小，能够在一定程度上解决状态估计的问题。然而，由于其本质上并非最优估计算法。当系统运行环境发生较大变化或出现较大扰动时，其估计精度会大幅下降，这也是其与主流估计算法——卡尔曼滤波之间存在的一个较大区别。下面为采用互补滤波算法的姿态解算流程图。

卡尔曼滤波算法简介

卡尔曼滤波算法是工业领域应用最为广泛的最优估计算法之一。卡尔曼滤波器的作用就是通过降低来自系统本身的误差和环境引起产生的误差，使得我们的估计与预测逼近最优状况。它通过已知的量，去求的隐藏的变量的过程中，需要构建已知量与隐藏变量之间的关系函数，也叫做系统动力方程。但是由于系统本身的误差与系统受环境干扰后产生的误差的原因，实际当中的估计与预测并不会与系统动力方程相符。这里的误差具体来说有三方面：系统误差/测量误差，环境误差/过程误差，估计误差。

测量误差：测量值与真实值之间的差值，测量误差构成测量不确定度： ，表示为字母： r

估计误差：估计值与真实值之间的差值，估计误差构成估计不确定度： ，表示为字母： p

过程噪音：过程噪音是因外部环境引起的系统不确定性产生的误差，表示为字母： q

经典卡尔曼滤波算法的五大方程为：

状态更新方程

系统动力方程

卡尔曼增益方程

协方差更新方程

协方差外推方程

状态更新方程的意义：可以不断更新系统中涉及估计的每个变量，从而逼近变量真实值；系统中涉及的每个变量的最优化，可以使得整个系统接近最优化，最优化到符合构建的系统动力函数。

系统动力方程：也叫做状态外推方程，通过构建当前状态与下一状态之间的关系函数来进行随着时间变化的状态推理。系统动力方程本身是由我们已知的变量去推断未知的/隐藏的变量，为此建立的变量之间的关系/函数。

卡尔曼增益方程：在推导状态更新方程时，我们将当前本来含有当前状态、第n次测量值的关系式化简成了关于当前状态、预测状态、卡尔曼增益、第n次测量值的关系式。由于在通常情况下卡尔曼增益会随着每次迭代发生变化，因此，我们需要更新卡尔曼增益，更新卡尔曼增益就需要清楚的知道，是哪些量组成了卡尔曼增益方程，在前面的学习中我们知道，前一次的估计不确定度与当前的测量不确定度组成了卡尔曼增益方程，并且他们之间有一些关系。

估计不确定度更新方程：因为随着每次测量值的不同，卡尔曼增益的不同，我们知道估计不确定度也需要随着每次迭代进行更新。

估计不确定度外推方程：估计不确定度不仅要用在卡尔曼增益方程中，也需要用在动力系统方程中，随着估计不确定度外推方程预测下一次估计不确定度。

整个卡尔曼滤波算法的流程如下图所示：

卡尔曼滤波适用于线性系统，对于非线性系统而言，需要采用扩展卡尔曼滤波，其本质上是卡尔曼滤波算法的一种增广形式，本篇不作赘述。

多旋翼飞行器导航系统设计方案

本篇提供一种切实可行的组合导航系统设计方案，如下图所示：

关键词:无人机 导航系统 设计

浏览量：1835

来 源：遥远的乌托邦

编辑：仪商WXF

声明：凡本网注明"  来源：仪商网"的所有作品，版权均属于仪商网，未经本网授权不得转载、摘编使用。
经本网授权使用，并注明"来源：仪商网"。违反上述声明者，本网将追究其相关法律责任。
本网转载并注明自其它来源的作品，归原版权所有人所有。目的在于传递更多信息，并不代表本网赞同其观点或证实其内容的真实性，不承担此类作品侵权行为的直接责任及连带责任。如有作品的内容、版权以及其它问题的，请在作品发表之日起一周内与本网联系，否则视为放弃相关权利。
本网转载自其它媒体或授权刊载，如有作品内容、版权以及其它问题的，请联系我们。相关合作、投稿、转载授权等事宜，请联系本网。
QQ：2268148259、3050252122。