軍用無人系統協同感知與分布式濾波技術*

李詩航，孫玉潔，崔建峰，，曾建潮，盧志剛

（1.中北大學，太原 030051；2.北方自動控制技術研究所，太原 030006）

0 引言

無人戰爭時代已經到來，由美軍研制的軍用無人機動平臺“彈簧刀”無人機已在俄烏戰爭中得到驗證，2022 年初，搭載并發射“彈簧刀”無人機的TRX 履帶式無人機動車輛在美國通用動力公司進行公開展示［1］。美國軍方已將無人化裝備比例提高至近30%，俄羅斯國防部也計劃在2025 年將無人作戰系統的裝備占比提升到30%。美國定期發布《無人系統綜合路線圖》《地面無人系統路線圖》等文件，統籌規劃軍用無人系統與相關技術的發展，其半自主地面無人系統已經列裝，還在大力發展四足機器人、人形機器人、攀爬機器人等形式多樣的仿生機器人，同時探索無人協同、無人集群、腦機融合、分布式感知與定位等前沿技術［2-5］。種種跡象表明，具有高級決策能力的無人平臺在現代軍事行動中所占的比重將會越來越高。

面對日益復雜的國際局勢以及局部區域的軍事對抗，信息化戰爭與傳統戰爭相比已發生了質的變化，分布式濾波與協同控制的研究應用已經擴展至大規模復雜網絡和系統開發中［6-13］。2021 年10月美國通用動力陸地系統公司設計生產的可遠程操縱及半自動控制的MUTT（multi-utility tactical transport），可以在士兵進入戰區之前進行偵察和探測伏擊。為提高作戰時效性，德國開發了一款可根據任務需要搭載多種載荷，擁有全地形通過能力的無人戰車“任務大師-XT”，具有集成到每個平臺獨特的北約組織標準戰斗管理系統，能夠共享和交換來自鄰居車輛和模塊傳感器的信息，以提升團隊作戰力量。由烏克蘭設計制造的“駱駝”地面無人戰車可以裝配各種傳感器來收集和傳輸數據，以及實現制導和跟蹤目的，可以通過遍歷預定義的航路點進行自主導航，具有很高的便利自主性［14］。目前，我國海、陸、空各軍種已將無人作戰系統的開發列入研究計劃，某集團及其下屬各研究所為代表，在空中無人機裝備研發、地面無人車作戰平臺開發上已取得顯著成績。中國最新輕型多用途無人戰車“尖兵”UGV 通過遙控方式進行操作，同時具備有限的人工智能，包括自主導航避障、人員跟隨、目標跟蹤和識別能力等功能［15］。VU-T10 履帶式地面無人作戰平臺也在2021 年首次亮相第13 屆中國航展。在《中國制造2025》規劃中我國也明確提出突破視覺SLAM 與微慣性導航等無人化領域的關鍵技術［16-18］，以應對無人作戰平臺提升智能化水平時面臨的挑戰。

1 軍用無人系統的組成和特點

1.1 基本組成

軍用無人運動平臺是一種能夠感知環境并與環境交互，用于完成軍事任務的遙控式、半自主式、平臺中心自主式和網絡中心自主式的車輛或機器人，是以智能信息化處理技術和通信技術為核心的智能化武器裝備。常見軍用無人運動平臺雖然在設計方案、傳感器配置、功能實現上各不相同，但是在系統組成上仍存在著共同點，都包含環境建模、路徑規劃、識別跟蹤、偵察通訊等子系統。這些子系統通過聯調測試來提升無人平臺的作業能力，多個無人平臺之間通過電臺或數據鏈通信組成班組或連隊級軍用無人系統，可以實現現代化多兵種的協同作戰或聯合區域作戰，如圖1 所示。根據無人系統實現功能的不同和智能化程度的差異，有些還設有遙控站點、多車通信系統、上級指揮系統、協同火力控制系統等次級網絡。

圖1 無人系統協同作戰示意圖Fig.1 Schematic diagram of the cooperative operation of the unmanned system

1.2 技術特點

與機器人技術一樣，無人運動平臺作為移動機器人領域的一個重要研究分支，同樣適用于多機器人系統的理論范疇，并在實際戰場作戰中不斷演化出獨有的技術要求和優勢。

由于特殊的用途和背景，軍用無人運動平臺相比普通移動機器人的行駛速度速度要更高，速度動態范圍更大，需要更強的承載能力和更長的續航能力。與普通移動機器人作業環境相比，軍用無人運動平臺的工作環境更加復雜，未知范圍更大，不僅在結構化道路環境中能夠正常行駛，也要在非結構化道路環境中正常行駛。在野外極端環境下，面對復雜地形、震動沖擊、煙霧沙塵、高低溫等因素，這就要求軍用無人運動平臺具有更高的可靠性與穩定性。此外，搭載有武器系統或補給物資的軍用無人運動平臺工作時，不可避免地與指戰員或載人駕駛車輛發生信息交互，因此，相比工業機器人、家居機器人等民用領域，需要具有更加智能和完善的跨平臺控制系統。這些技術特點實現的前提是，無人系統具有高度智能的環境感知能力、信息處理能力和實時構圖能力。

2 軍用無人系統協同作戰關鍵技術

2.1 協同感知與信息處理

隨著智能化進程的不斷推進，無人車輛協同定位和導航技術受到科研人員的極大關注。多車輛協同定位是指車輛與車輛、車輛與標識物以及車輛與士兵之間通過信息交換，獲取自身與鄰居車輛的姿態角度、到達時間、接收信號強度、載波頻率偏移等相關量，進而確定出每個車輛的相對位置或絕對位置以及姿態。有別于傳統車輛的狀態感知，軍用車輛協同定位提供的全時空動態信息需要滿足實時性要求。配置不同傳感器的各軍用平臺可利用協同感知策略得到多源多尺度環境信息，并采用信息融合技術實現復雜環境下跨平臺多視角協同感知。

與結構化環境相比，作戰車輛面對的路況為未知非結構型，這就要求車輛在實際工況下具有更加智能的環境信息獲取和處理能力。更嚴重的是，多車輛環境感知和路徑規劃的過程會產生因果循環，不同區域車輛規劃的結果會互相影響，難以獲得最優的運動軌跡。針對智能化無人車群在特殊環境下協同感知的復雜性和開放性等問題，引入分布式協同感知與決策控制策略。其核心思想是將多維度問題劃分為有限時空范圍內的若干小集群問題。隨著車輛之間實時的協同感知與信息交互，將目標車輛的狀態信息依次交互至不同的集群中，從而實現不同區域內鄰居車輛之間的單獨協調。此外，利用鄰近區域的車輛信息，設計相應的基于預測的協調策略，保證鄰近區域之間協作的穩定性和可靠性，從而使車群更快地完成規劃決策，獲得更高的行駛效率，提高協同感知系統的魯棒性。

基于車輛與車輛的協同定位網絡中，利用北斗衛星導航系統（BeiDou navigation satellite system，BDS）、航位推算（dead reckoning，DR）以及車輛之間的到達時間測量進行分布式協同定位。DR 是一種獨立定位技術，指已知上一時刻導航狀態速度、位置等，根據傳感器觀測值推算出下一時刻的導航狀態，成本低廉且易于實現，隨著時間推移其定位誤差不斷累積與BDS 存在優勢互補關系。

在軍用車輛與車輛的協同場景下，對于每個任務車輛而言，既是待估車輛，同時又是其他車輛的輔助車輛。而基于到達時間的測量模型具有強非線性特征，采用一般的擴展卡爾曼濾波器（extended kalman filter，EKF）進行估計，誤差較大，難以獲得理想的狀態值。

針對此種情況，這里提出一種改進的無跡卡爾曼濾波器（unscented Kalman filter，UKF）算法，通過將隨機參數擴維到狀態向量來提升算法性能。擴維后的運動方程和觀測方程可描述為

經過理論分析表明，在非線性系統中噪聲概率密度函數是正態分布的情況下，通過改進的無跡變換得到的近似均值和協方差具有三階近似精度。該技術方法對協同定位網絡中的每個軍用待估車輛，利用測距雷達來獲取其他輔助車輛的到達時間觀測，通過車輛與車輛的協同信息傳遞獲取輔助車輛的位置信息，并結合自身的航位推算運動模型，采用改進的無跡卡爾曼濾波器進行分布式計算，得到自身及其他軍用車輛的位置估計，然后各軍用車輛將計算得到的估計值，通過車與車之間的協同通信進行信息傳輸。每輛車將收到的信息通過濾波器進行數據融合得到上一時刻的信息，然后通過既定的信息流向將下一刻的狀態向量，以及協方差矩陣傳輸給鄰近的其他車輛，從而實現分布式協同定位。

2.2 分布式狀態估計技術

在軍事作戰中，任務目標隨戰場態勢瞬息萬變，依靠單一的無人運動平臺性能指標的提升已經無法滿足任務要求，因此，將多個平臺進行編隊協作，構建成無人運動平臺群體。此時，對多個目標的狀態估計需要采用分布式濾波技術，即把多個目標看作一個整體，根據鏈路拓撲結構進行分簇劃分，對配置在簇目標上的傳感器獲取的狀態信息（參數）進行拆分解析，將簇目標的統計信息：均值方差、功率譜密度、概率密度函數等傳輸給對應的子濾波器，進而對簇目標進行定位和跟蹤預測。并利用新的測量值更新后驗概率，在主濾波器上完成對整個目標的狀態估計。

復雜戰場環境時，士兵為了更好地控制無人機動平臺實踐各運動模態，還需要對某些反映運動平臺特性的姿態變量進行補償，以便對各軍用裝備進行準確的操控。實際作戰環境呈現出未知非結構的特點，俯仰、側傾、橫滾、縱滑和側滑等現象不可避免，這些與車輛相關的變量不易直接測量，車輪的擾動無法預知，可能受到測量噪聲的影響產生一定的誤差。而無人機動平臺的狀態估計主要是將多種傳感器：陀螺儀、全球定位系統（global positioning system，GPS）、BDS、加速度計、位移計、慣性測量單元（inertial measurement unit，IMU）等讀取信息進行融合，考慮到傳感器的增多會增加系統設計的成本，并且會降低系統的可靠性，因此，引入分布式狀態濾波器。利用一些可直接測量得到的狀態變量來估計車輛的姿態、速度，以及相對或絕對位置等關聯信息。為了確定和估計這些狀態變量的數值，建立最優的估計算法，需要判斷平臺系統中有關的狀態變量是否可觀測或者協同可觀測。考慮到動態系統模型的實用性，運行分布式濾波器的前提是，已建立的狀態方程和測量方程必須滿足協同可檢測性。

目前采用的組合導航定位方法，是通過卡爾曼濾波算法器（Kalman filter，KF）、EKF、UKF 或粒子濾波器（particle filter，PF）融合全球衛星導航系統（global navigation satellite system，GNSS）和慣性導航系統（inertial navigation system，INS）定位的數據進行狀態估計。這里將上述組合定位核心算法擴展到分布式濾波的形式，這樣即使單一車輛不滿足可觀測性但多個車輛協同可觀測時，濾波器仍能正常工作。一般地，當獲取了預測向量的協方差矩陣估計，以及與之間的協方差矩陣估計時，可將分布式濾波算法的預測更新表示成如下形式：

其中，下標i 表示第i 個平臺，Ni表示與第i 個平臺有鏈路通信的所有平臺的集合。

然而，在叢林、深谷、湍流及地下等復雜環境中都可能導致衛星導航信號瞬間丟失無法使用，導致定位效果變差或定位失敗。慣性導航元件雖然不受外界環境的干擾，但隨著使用時間的累積，其慣性測量數據存在漂移等失真現象，會產生較大誤差。除了對BDS-INS 組合導航系統進行深入研究外，另一種可行方案是對多機器人系統進行同時創建地圖與定位（simultaneous localization and mapping，SLAM）和基于視覺里程計（visual odometry，VO）的狀態估計。

2.3 協同SLAM 技術

SLAM 技術是指無人平臺在非結構未知環境運動時，利用自身攜帶的視覺、激光、超聲等傳感器，識別該環境中的特征并估計其相對傳感器的位置，同時利用自身攜帶的航位推算系統或慣性系統等傳感器估計運動平臺的全局坐標。將這兩個過程通過狀態擴展，同步估計平臺和環境特征的全局坐標，并建立有效的環境地圖。

協同SLAM 方法使用分布式濾波器對無人平臺的姿態和地圖進行狀態估計。首先利用激光測距系統、攝像機系統等環境感知設備，獲取環境數據并提取環境特征，將觀測的特征數據與已存在的地圖和人工信標進行數據關聯，得到相應的觀測值；其次使用里程計、電子羅盤、微慣性系統等本體狀態感知設備得到運動模型；聯合觀測值和運動模型，使用分布式EKF、分布式UKF、分布式稀疏擴展信息濾波、分布式PF 等技術實現路標估計、軌跡估計和車輛位置估計；最后與BDS 和人工地圖進行對比校驗，檢查狀態估計的準確性。協同SLAM在解決大范圍動態環境，特別是衛星導航信號較弱或是不穩定區域中無人機動平臺的長時間地圖重建和定位問題方面有著巨大潛力。因此，越來越多的科研人員將該策略用于地面無人機動平臺在復雜環境中的定位。協同SLAM 技術系統架構如下頁圖2 所示。

圖2 協同SLAM 技術系統架構Fig.2 The system architecture of collaborative SLAM technology

基于視覺里程計的狀態估計方法，其實質是將SLAM 擴展為視覺同時創建地圖與定位（visual simultaneous localization and mapping，VSLAM）方法。該方法包括前端VO 和后端優化（loop closure）。視覺里程計用于計算連續兩幀圖像的位姿變換，通過閉環檢測減小累積誤差［19］。在基于圖優化的VSLAM中，由閉環檢測帶來的額外約束，可以使優化算法得到一致性更強的結果，明顯提升運動平臺的定位度。2015 年以來，多國研究人員將微慣性導航組合引入傳感器信息源，通過三維地圖創建獲取了豐富的真實環境信息，在此基礎上提取了可服務于無人平臺路徑規劃的可通行區域；并采用基于分支限界（branch and bound search，BBS）的旋轉直方圖匹配（rotated histogram matching，RHM）——迭代最近鄰匹配算法（iterative closest points algorithm，ICP）實現了三維野外環境下實時的閉環檢測［20］；利用IMU添加動力學約束，通過用稀疏位姿調整（sparse pose adjustment，SPA）算法對平臺6 自由度全局位姿進行優化；全局位姿優化使無人平臺在衛星導航信號較弱甚至丟失時，也可以獲得精確的位姿信息。IMU 能夠獲得傳感器本體的三軸角速度和線加速度信息，具有不受外界環境影響的優勢，但測量數據會隨時間發生漂移。因此，視覺和慣性器件獲取的信息具有很強的互補性，可以提高SLAM 的魯棒性。

面向單目標的VSLAM 技術已相對成熟，但其誤差會隨著算法的運行時間和累積里程的增加而增加。針對軍事背景下的多維度環境建圖，單個無人平臺構建地圖的精度還會受到外界干擾的影響，或者出現突發故障而無法繼續完成既定任務，導致建圖失敗。為了提升協同感知效率和建圖精確度，解決多源多模態數據融合等問題，引入分布式協同VSLAM 策略，促使無人車、無人機和仿生機器人等多智能體之間相互協作，將來源不同坐標系的數據融合為全局一致的三維空間信息。各個無人平臺運行單目標VSLAM，遍歷自己的整個區域，完成地圖構建與信息采集。前端完成VO 估計和建圖，后端通過閉環檢測優化前端數據，同時把接收并優化后的位姿數據、地圖信息與其他無人平臺相交互，共享并融合地圖，使自身獲取更多對環境的感知信息，完成對自身位姿的調整與地圖的實時更新。進而基于多無人平臺的協同感知，構建多目標協同的回環約束，進行整體性的優化處理，從而得到融合后全局一致的VSLAM 結果。

2.4 軍用無人運動平臺技術發展

當前無人平臺能夠自主運動，但仍存在諸多問題［21］，為實現編組作戰的指揮與控制智能化［22-23］，它還需要學會如何理解更多的東西，以及更好地規劃自己的行動。例如當遇到岔路口時，要學會如何選擇更平穩快捷的道路；當發現自己陷入死胡同時，就教會它退回并重新尋找替代路線。未來，無人運動平臺將學習模仿人的戰術行為，如出現敵人時快跑或躲避；如果其他運動平臺出現故障時，它必須學會請求援助。這就需要研究無人運動平臺的神經系統，以便能夠利用以前獲取的經驗，達到真正的自主學習。這里將軍用無人運動平臺今后的研究重點歸結為：

1）探索具有協同認知能力的新型傳感器［24］。目前的傳感技術主要是通過使用大量傳感器來提高數據采集能力。然而，如何從讀取的海量數據中獲取有效的高價值數據，以此提升傳感器感知和信息處理的智能化程度，并實現多個平臺體之間的協同通信是面臨的主要挑戰之一。隨著類人工智能、全面互聯、云計算、邊緣計算等技術的發展，構建擁有模擬自認知機制的新型傳感器微系統，將為智能傳感系統打開新的篇章。

2）優化不同環境下組合導航定位系統的切換方案［25］。目前的無人平臺技術對導航系統的可靠性要求越來越高。在集中式和分散式信息融合中，高維矩陣運算非常復雜，一旦某一個導航設備出現故障，整個系統就會受到干擾，濾波就會發散，這就需要開發適用于未知環境的智能化分布式濾波器。鑒于無人系統中慣性器件和相機傳感器組成的導航模塊所存在的優缺點，開發提升BDS、INS、VO、SLAM 和VSLAM 等各定位子系統的協作能力，設計一種基于導航切換策略的集成容錯系統成為必要，以提高導航系統的智能化和可視化程度，更有效地實現對多目標的協同觀測和自身的導航定位。

3）研究基于深度學習和人機混合智能的多車定位控制方法［26］。現有的機器學習方法是建立在內存理論的基礎上，無法同時進行多個算法的處理。這種情況限制了無人平臺的學習能力，并使其難以在復雜多變的環境中保持更新迭代。因此，需要借鑒認知計算、人工智能、信息融合等技術，充分利用傳感數據和交互設備，開發下一代發現理論與交互模型，以保持持續的學習能力，精確反映目標對象的模式，提高預測和決策能力。針對某種控制方法的限制因素，采用分布式和并行計算的方式進行分治策略的實施，可以規避掉噪音數據和冗余干擾，同時提高學習算法的運行效率和控制方法的實用價值。

4）借鑒引入多智能體智能算法［27］。從之前的描述可知，未來戰爭需要設計更加適應于軍事領域的人工智能算法。如何在非結構未知環境中將數據驅動與知識驅動有機高效結合，來效仿人類的認知過程和邏輯思考能力，實時高效地執行任務算法具有極大挑戰。與傳統的優化算法相比，多智能體智能算法具有實時學習能力，使得目標之間通訊更頻繁，便于群體之間的信息更新，從而加快算法的收斂速度，加強對未知狀況的適應能力，更好地優化無人平臺在實戰中的反饋機制，找到最優方案。

3 結論

本文闡述了國內外軍用無人運動平臺的研究現狀，總結并分析了無人運動平臺涉及的關鍵技術：信息獲取的協同感知技術，信息處理的分布式濾波技術和信息使用的協同SLAM 技術，對無跡濾波法、導航定位法和環境建圖法進行重點闡述。進一步指出了現有軍用無人平臺在協同狀態觀測和智能認知技術中存在的問題，明確了未來軍用無人運動平臺分布式技術將呈現出智能化、集成化、創新化的發展特點。當前世界軍事力量隨著科技的發展不斷升級換代，現代化戰爭的信息化程度不斷提高，高智能化特征也日益凸顯，作為應對未來高科技作戰的無人運動平臺需要持續進行技術更新。