Page 485 - 《软件学报》2025年第4期

李庚松 等: 无人机多传感器数据融合研究综述 1891

上述研究中的特征提取网络有着较大差异, 但特征的后续使用只有是否再次输入网络的区别, 继续输入至后
续层可以形成完整的、便于灵活调整的网络模型, 而将特征输入至其他算法的方式能够一定程度上降低计算开
销. 另外值得一提的是, 将堆叠图像输入神经网络时, 应当调整网络以适应图像通道数的改变.
将基于指标计算和基于深度学习的方法进行对比, 结果如表 5 所示. 首先, 在计算量方面, 指标计算方法虽然
易于实现, 但需要对数据点逐一运算, 存在一定的计算量; 深度学习方法的计算量取决于其网络架构和网络深度,
而为了获得更准确的特征表示, 研究大多采用了复杂的网络结构和较大的网络深度, 计算量相对较大. 在可解释性
方面, 相较于神经网络的黑盒模型, 通过人工设计的指标式子具有更强的可解释性. 在适应性方面, 指标式子相对
固定, 且仅用于从点阵数据中提取特征; 而深度学习方法可以采用不同网络提取诸如图像、音频、函数等的特征,
可以通过调整网络结构和参数快速获得不同的特征表示, 另一方面, 网络的层级结构使得不同融合方式具备可行
性 [73] , 综合上述, 深度学习方法对不同数据融合需求具有较强的适应性.

表 5 特征级数据融合方法对比

对比方面 基于指标计算的方法 基于深度学习的方法
的加速度容错估计方法, 采用
多采用复杂的网络结构和较大的网络深度以获取准确的特征
计算量 对数据点逐一计算指标, 有一定的计算量
表示, 计算量相对较大
可解释性 通过指标式子计算的特征可解释性较强 神经网络属于黑盒模型, 可解释性较差
可以采用不同网络提取不同格式数据的特征, 网络的参数和结
适应性 指标式子固定, 且仅适用于点阵数据, 适应性较弱
构也可以按需调整, 适应性较强

2.3 决策级数据融合
决策级数据融合指的是多传感器数据经过算法或模型分析产生决策, 在此基础上再对决策结果进行融合的方
法. 根据决策是否在方法框架中完成融合, 将决策级数据融合分为一体式融合方法和分离式融合方法.

2.3.1 一体式融合方法
一体式融合方法考虑各个子模型之间的关联性, 在框架的融合中心对各模型的决策结果进行融合并向各模型
反馈信息, 实现子模型之间的交互联系, 交互多模型 (interacting multiple model, IMM) [74] 和联邦卡尔曼滤波器
(federated Kalman filter, FKF) [75] 是其中的典型方法.
无人机飞行过程中, 可能进行诸如匀速、转弯、加速等不同模式的运动, 可以构建相应的状态模型实现更准
确的状态估计. IMM 同时对不同的状态模型进行滤波估计, 加权融合多个估计结果以达到自适应估计的效果. 假
设系统有 n 个可能的状态模型, 且系统处于某一状态模型的概率随时刻变化, 则 IMM 框架构建 n 个相应的滤波器
进行估计, 更新模型概率并加权融合. IMM 的结构如图 10 所示. 图中, 输入交互步骤通过前一时刻各滤波器的状
态估计, 利用马尔科夫状态转移矩阵, 计算状态模型转移概率, 由此推算出当前时刻各滤波器的状态和协方差输入;
随后, 各个模型根据输入以及测量进行滤波, 通过滤波新息和测量协方差计算模型的似然函数, 并将该似然函数连
同状态和协方差的估计一齐传递到后续计算阶段; 紧接着, 使用各个模型的似然函数对模型概率加以更新; 最后,
根据所得各模型概率、状态估计和误差协方差, 加权融合得到最终的估计结果.
Liu 等人 [76] 分别构建 GNSS 与 IMU 融合导航模型以及动态零速修正与 IMU 融合导航模型, 采用 IMM 对 2
种模型进行滤波估计和自适应加权融合, 其中的滤波器采用了引入鲁棒因子的 CKF, 从而降低测量异常值的影响.
Youn 等人 [77] 提出一种基于 IMM UKF 分别对基于加速度计测量的模型与基于气动
参数推算的模型进行滤波估计, 当加速度计故障时可以依靠另一模型完成加速度估计, 从而提升方法的鲁棒性. 以
上可以看出, IMM 不仅可以用于对不同状态模型进行估计融合, 同样可以利用其多滤波器决策融合的特性来增强
故障容错, 但采用这种策略时应当对概率更新的滞后性予以考虑.
FKF 是分布式滤波中应用较广泛的经典算法, 其结构如图 11 所示. 图 11 中, 参考系统提供公共状态量, 各子
系统将其专有状态量与公共状态量进行组合, 在子滤波器中进行局部估计, 并将估计结果输入主滤波器进行全局
融合, 具体流程如下: 首先进行信息分配, 即将系统的全局误差协方差和全局过程噪声协方差, 根据给定的权重分