关于AI多源导航数据融合处理方法研究综述

1.研究介绍

常规的导航方式，例如卫星导航、惯性导航、超宽带技术等各种方式，都已难以满足严苛的导航性能要求。例如，卫星导航作为一种非自主导航系统，其信号极易受到阻塞、干扰和屏蔽的影响。为了显著提升导航系统的整体性能，组合导航技术应运而生。该技术需要协同使用多种不同类型的导航系统来测量和计算相同的导航信息，从而生成定量测量值。通过利用多种技术手段和方法，组合导航技术能够确保在各种场景下提供高精度和可靠的导航定位服务。这些场景多种复杂环境。因此，基于多种技术源协同并遵循特定优化准则的多源数据融合定位成为实现最优融合定位的关键。融合方法不仅是导航的前提和基础，也是组合导航系统的关键和核心。

多年来，多源数据融合方法不断发展和多样化。目前，该领域主要采用的方法包括切换法、平均加权融合法和自适应加权融合法。这些方法各有优势，可针对数据融合中的特定挑战进行定制，从而提升组合导航定位系统的整体效能和可靠性。在动态定位领域，卡尔曼滤波器(KF)得到了广泛的应用。然而，该方法主要针对线性系统而设计，不适宜解决非线性系统问题。随着用户对更全面、更智能的导航定位性能的需求不断增长，因子图 (FG) 和神经网络等滤波方法应运而生。近年来，各国学者对组合导航系统进行了广泛的研究。

本文总结了多源数据融合方法的基本原理和数学模型，分析了不同融合方法的优缺点，为融合系统的设计、开发和应用提供理论支持和参考。

2.多源导航数据融合处理方法

融合方法主要分为最优估计法、滤波法等融合方法。下文将重点阐述这些方法的基本原理、相应的算法模型以及适用场景。

2.1 最优估计法

我们可以利用随机分布的观测向量来估计参数。具体来说，我们寻找⼀个映射函数来计算估计值。在这种情况下，系统状态可以额头向量 x ，而来自各种导航源的测量值表示为 y 观测方程可以是非线性的，也可以是线性的，具体公式如下：

y=Ax+εε

通过采用不同的估计准则来解决未知参数的估计问题，可以推导出各种估计方法。基于公式和准则函数的优化，可以提出最小二乘估计（LSE）、最小方差估计（MVE）、极大似然估计（MLE）等方法。

2.1.1 最小二乘估计

最小二乘估计 (LSE) 是由德国数学家卡尔·弗里德里希·高斯于 1795 年提出的一种参数估计算法，公式如下：

该方法最显著的特点在于其算法简单，并且独立于与估计量和测量量相关的统计信息。先前的研究人员已经在多源数据融合处理中实现了该算法。然而，该方法仅利用测量信息进行当前状态估计，这一特性反而限制了它的适用性。

2.1.2 最小方差估计

最小方差估计在系统模型辨识过程中，寻求使实际测量与计算位间的方差达到最小的参数作为参数的估计值的方法。

这是一种优化标准，可以最小化估计的方差。

公式如下：

2.1.3 极大似然估计

极大似然估计，提供了一种给定观察数据来评估模型参数的方法。 也就是似然函数的直观意义是刻画参数 与样本数据的匹配程度。

公式如下：

2.2 滤波法

优化方法利用当前时刻的观测值来估计系统状态，因此定位结果受当前观测值误差的显著影响。1960 年，R. E. Kalman 首次提出了卡尔曼滤波 κ_KF) ），它采用递归方法避免大量数据的积累，并使用状态空间方法设计滤波器。因此，卡尔曼滤波特别适用于估计多维随机过程。根据系统和状态方程的不同，滤波算法主要分为标准卡尔曼法、扩展卡尔曼法、无迹卡尔曼法、粒子滤波法等。

2.2.1 标准卡尔曼法（KF）

KF 算法需要提供初始值。经验表明，递归计算方法是 KF 算法最显著的优势。该算法可以在计算机上实现，无需存储大量的测量数据，这也是 KF 算法在工程应用中得到广泛应用的原因。KF 算法明确规定系统驱动噪声和测量噪声都必须是白噪声。然而，实际上，在某些系统中，这两类噪声往往是有色噪声。因此，人们提出了有色噪声条件下 KF 算法的变体，主要包括系统噪声为有色噪声、测量噪声为白噪声的 KF 算法，以及系统噪声为白噪声、测量噪声为有色噪声的 KF 算法[42]。根据滤波方程计算出的估计值 Pk|k+1，随着观测周期数 k 的增加，趋向于零或稳定值。当估计值与真实值之间的偏差越来越大时，滤波器逐渐失去其估计能力。这种现象被称为滤波器发散。

2.2.2 扩展卡尔曼法（EKF）

卡尔曼滤波 (KF) 基于线性数学模型，这意味着只有当系统和观测方程均为线性时，它才能有效发挥作用。然而，在许多工程应用中，例如飞机和船舶的惯性导航系统 (INS)、卫星导航和工业控制系统，其数学模型往往是非线性的。这种非线性使得卡尔曼滤波 (KF) 不适合直接应用。为了解决这个问题，可以采用扩展卡尔曼滤波 (EKF)。扩展卡尔曼滤波 (EKF) 利用泰勒级数展开将非线性系统线性化，从而将原始非线性系统模型转化为线性化的状态方程和观测方程。EKF 适用于弱非线性系统，因为其线性化过程仅保留一阶项，而丢弃二阶以上的高阶项。

2.2.3 无迹卡尔曼法（UKF）

EKF 会丢弃二阶以上的高阶项，仅保留线性项，因此 EKF 算法仅适用于弱非线性对象的估计。估计对象的非线性程度较强时，产生的估计误差也会较大，甚至可能导致滤波器发散。UKF 是解决非线性系统问题的有效方法。UKF 的核心是利用非迹变换 (UT) 来确定变量之间的映射关系，这相当于保留了泰勒级数三阶项所能达到的精度，因此适用于非线性对象的估计。通过非线性系统生成相应的变换采样点。通过计算这些变换采样点，可以得到预测的均值和协方差。实践证明，UKF 适用于非线性目标估计，但计算量较大。由于 UKF 在处理非线性系统方面具有很强的优势，其在多源数据融合中也得到了应用。

2.2.4 粒子滤波法（PF）

粒子滤波 (PF) 最早由 Metropolis 和 Wiener 于 1940 年提出。PF 是一种通过在状态空间中传播一组随机样本来近似概率密度函数的方法。它用样本均值代替积分运算，从而获得系统状态的最小方差估计。这些样本在图像中被称为粒子，因此该方法被称为 PF。

这里的样本就是粒子，当样本数 N∞ 时，它可以近似任何形式的概率密度分布。PF 直接根据概率密度计算条件均值，即最小方差估计。该概率密度 EKF 或 UKF 来近似。该估计值由来自多个不同分布的样本值（粒子）的加权平均值确定。每个粒子计算都需要完整的 EKF 或 UKF 计算。因此，粒子滤波 (PF) 适用于非线性系统和测量条件下的估计，其估计精度高于单独使用 EKF 或 UKF，但计算量也显著高于 EKF 和 UKF。

2.2.5 方法比较

下表列出了几种滤波方法的优缺点。

表 1 几种滤波方法的对比表

3.部分包含 AI 融合方法代表性应用和使用场景

本文仅列出该领域一些融合方法的典型应用。研究表明，通过传感器融合策略，复杂环境中的快速高精度导航取得了显著进展。学术界系统地探索了三种主要方法：多传感器集成、函数模型优化和随机建模增强。值得关注的实现包括：

1）精密定位增强：Gao 证实，多卫星导航惯性导航紧耦合可将 PPP 收敛时间缩短 40% 至 60% ，同时保持厘米级精度。 Li 等人在城市导航方面取得的突破表明，在典型的多径条件下，单频 RTK/INS融合可实现双频 RTK 性能（ 2-3cm 水平 RMS）。

2）弹性导航架构：Li 等人 (2021) （2023）设计了一种视觉-惯性导航-超宽带（UWB）混合系统，其中 UWB 在拒止环境中取代了 GNSS，在延长的室内操作中将视觉-惯性里程计漂移降低了 32‰ 新兴的多传感器 SLAM 框架将激光雷达、视觉和惯性数据与地图相结合，在动态导航中展现出特别的潜力。

这种演变凸显了部分融合技术在平衡计算复杂性和跨异构操作环境的定位完整性方面的关键作用。

4.结论

本文详细介绍了与多种多源融合处理方法，概括了这些方法的基本原理，并简要介绍了它们的数学模型、关键特点和应用场景，为舰船导航等相关领域提供了重要的理论和技术支持。由于理论认识和技术条件的限制，现有的融合方法都存在不足。目前，还没有一种融合算法能够完全满足多源组合导航系统的要求。因此，必须根据实际需求和应用场景选择合适的融合算法。这些融合算法的发展历史表明了它们的跨学科特征，融合了组计算机科学、统计学和人工智能等多种学科的理论和方法。因此，多源组合导航算法不应局限于传统的定位导航方法，应当不断汲取其他学科的优势，促进跨领域的相互学习和进步，通过跨学科融合产生创新的理论和方法。