Page 491 - 《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 1897

构造完全覆盖空-天-地-海的全域感知网络, 提高复杂动态环境下的任务执行能力和作业效率, 提供综合全面的态
势感知. 这其中, 除了需要考虑通信条件、观测能力、位置变化外, 所面临的挑战还包括环境差异对多源数据关联
匹配的影响、任务目标变化时切换平台的策略等, 这一方向仍有较大的研究空间和探讨价值.

4.3 无人机参与的传感器网络数据融合
无线传感器网络是由若干部署于给定区域的传感器节点构成, 各节点采集感知数据并多跳传输至基站的网
络, 在不同领域得到了广泛应用. 通过在汇聚节点对网内数据进行融合处理, 从而减小传输数据量以节省能源开
销, 成为无线传感器网络的关键技术之一 [146] . 得益于在空域便捷移动的特性和通信技术的发展, 无人机逐渐在无
线传感器网络应用中占据了一席之地. 然而, 现有研究主要是将无人机作为移动通信平台或汇聚节点对网络节点数
据进行收集转发, 而忽略了无人机作为传感器节点的可行性, 以及在此基础上由无人机完全构成的传感器网络 [147−149] .
对于上述无人机参与的传感器网络, 如何在网络节点的属性异构、位置距离动态变化等多种复杂条件下, 设计网
络结构和数据融合方法, 使网络能够兼顾任务执行和能量效率, 将成为极具挑战性的问题.

4.4 数据融合流水线设计

无人机通常搭载不同传感器, 并配置多种算法和模型进行数据融合分析, 以适配不同任务, 然而, 对于特定的
任务, 根据需求快速选择、优化、部署合适的算法或模型, 提升数据融合质量是一项较为困难的工作. 当前算法选
择研究已经有所成果 [150] , 但如何根据无人机系统特性, 将算法选择整合至数据融合流程中还有待探讨. 刘艺等人 [151]
基于算法服务化的概念设计无人系统的数据融合流水线, 通过数据融合算法服务的注册与查询, 为多传感器数据
清洗、匹配、融合、分析的流水线过程选择合适算法. 然而, 目前数据融合流水线设计、评估、验证的标准尚无
统一论调, 数据融合的资源约束、实时性和鲁棒性要求、动态环境等因素尚未得到充分考虑, 无人机多传感器数
据融合流水线的设计还有待深入探索.

4.5 任务流程深度结合
任务分配、路径规划等是无人机任务流程设计中的重要部分, 多数研究将这部分内容建模为带约束的优化问
题, 采用优化算法解决 [152,153] . 正如前文所述, 多传感器数据融合已经成为无人机应用的关键技术, 在无人机定位导
航和目标任务执行过程中都承担着决策输出的作用, 然而其产生的决策信息并不是完全可靠的, 研究并没有在此
方面将任务流程设计与多传感器数据融合相结合. 更进一步的, 在真实场景中, 任务目标和作业环境的改变都将影
响无人机数据融合决策的可信度, 从而构成更为复杂的动态条件. 从上述角度出发, 将多传感器数据融合与无人机
任务流程进行深度结合, 在此基础上研究优化求解方法, 是可行的发展方向之一.

4.6 动态传感器选择
不同传感器的资源开销、感知能力、采样频率等方面各不相同, 同时使用所有已搭载的传感器存在计算和通
信资源开销较大的问题. 对此, 通过对传感器进行动态管理与选择, 使得资源得到合理的分配调度且满足当前任务
的约束条件, 是无人机高效实现既定任务目标的重要手段 [154] . 相关研究通常基于给定的约束和目标函数, 使用优
化方法解决传感器选择问题, 对于所用传感器发生变化后的多传感器数据融合少有分析, 因此, 基于动态传感器选
择的多传感器数据融合仍是一个开放的问题.

5 结束语

随着无人机在军事和民用领域的广泛应用和快速发展, 通过数据融合方法对无人机多传感器数据进行处理分
析, 实现多传感器数据互补性的有效利用, 为决策人员提供准确的无人机状态和目标信息, 成为相关研究的重要内
容. 本文即对无人机多传感器数据融合研究展开全面综述: 首先, 简述了无人机系统的各个组成部分及其功能; 其
次, 按照融合层次的不同, 将无人机多传感器数据融合方法分为数据级、特征级和决策级这 3 大类, 详尽梳理了 3
类方法的研究现状; 然后, 从面向无人机自身和面向无人机观测目标的角度出发, 分类归纳了无人机多传感器数据
融合应用; 最后, 展望了无人机多传感器数据融合的未来研究方向.