李東誠(chéng)，史曉鋒，蘇 岳，羅曉燕

（1.北京航空航天大學(xué)電子信息工程學(xué)院，北京 100083；2.北京航空航天大學(xué)宇航學(xué)院，北京 100083）

近年來(lái)，國(guó)內(nèi)機(jī)場(chǎng)民航航班和飛行校驗(yàn)飛機(jī)頻頻遭遇GNSS 干擾，導(dǎo)致飛機(jī)GNSS 信號(hào)丟失，甚至有部分飛機(jī)上的ADS-B 系統(tǒng)發(fā)生故障，這嚴(yán)重影響了航空安全，也對(duì)基于衛(wèi)星導(dǎo)航定位的新航行手段造成了巨大威脅[1]。因此，在機(jī)場(chǎng)周邊等敏感地區(qū)實(shí)現(xiàn)對(duì)GNSS 干擾信號(hào)快速精準(zhǔn)的檢測(cè)與定位勢(shì)在必行。

同時(shí)，作為當(dāng)今導(dǎo)航、定位和授時(shí)的核心手段，保護(hù)GNSS 正常工作已成為世界各大國(guó)重點(diǎn)關(guān)注的方向，相應(yīng)的GNSS 干擾檢測(cè)與減緩（IDM）系統(tǒng)的研制紛紛開(kāi)展，如美國(guó)初步建成了Patriot Watch[2]，歐洲GNSS 理事會(huì)組織實(shí)施了GNSS PROTECTOR 工程和Galileo MAGIC 計(jì)劃，并設(shè)計(jì)完成了JIMS[3]。支撐本文的基金項(xiàng)目正是針對(duì)我國(guó)GNSS IDM 系統(tǒng)的研究。

在實(shí)際的干擾檢測(cè)中，由于GNSS 干擾信號(hào)通常是對(duì)空發(fā)射，依靠傳統(tǒng)的地面測(cè)向臺(tái)站檢測(cè)GNSS 干擾的方法機(jī)動(dòng)性弱、定位時(shí)間長(zhǎng)、受地面環(huán)境制約大。Bhatti 等[4]提出了采用分布式傳感器網(wǎng)絡(luò)結(jié)合到達(dá)時(shí)間差算法檢測(cè)定位干擾源，但GNSS 干擾信號(hào)在地面?zhèn)鞑?lái)的低信噪比和多徑效應(yīng)仍導(dǎo)致檢測(cè)定位精度大大降低。采用空基平臺(tái)時(shí)，有人飛機(jī)檢測(cè)GNSS 干擾面臨著諸多制約，如可用飛機(jī)數(shù)量過(guò)少、難以低空抵近干擾源進(jìn)行檢測(cè)而只能給出粗略的方向性檢測(cè)結(jié)論，所以當(dāng)前GNSS 干擾檢測(cè)的研究方向正逐步轉(zhuǎn)為利用無(wú)人機(jī)等更為靈活的空中平臺(tái)檢測(cè)干擾信號(hào)。Perkins等[5]提出了一種基于無(wú)人機(jī)的GPS 干擾源定位方法，證明了利用無(wú)人機(jī)定位GPS 干擾源的可行性，并為減小GNSS 干擾信號(hào)對(duì)無(wú)人機(jī)自身定位的影響，采用了Locata 定位系統(tǒng)提高定位精度，但其過(guò)大的重量使得無(wú)人機(jī)滯空時(shí)間大大縮短，且所設(shè)計(jì)方案僅適用于小范圍干擾檢測(cè)。

為提高干擾檢測(cè)信噪比，減少多徑效應(yīng)影響，提高干擾檢測(cè)定位的精度、效率和覆蓋范圍，本文研究利用無(wú)人機(jī)檢測(cè)GNSS 干擾信號(hào)和定位干擾源的技術(shù)方法；為便于后續(xù)工作人員高效準(zhǔn)確地找到并排除干擾源，在傳統(tǒng)無(wú)線電測(cè)向定位的基礎(chǔ)上，提出了通過(guò)無(wú)人機(jī)實(shí)時(shí)圖像與GIS 地圖的數(shù)據(jù)融合實(shí)現(xiàn)對(duì)干擾源外形的識(shí)別；為確保在復(fù)雜地形和非視距條件下無(wú)人機(jī)的正常通信，設(shè)計(jì)了無(wú)人機(jī)與地面數(shù)據(jù)處理中心的低空通信系統(tǒng)架構(gòu)。

1 基于無(wú)人機(jī)的空基GNSS 干擾源定位

1.1 到達(dá)角（AOA）定位法

利用無(wú)人機(jī)對(duì)GNSS 干擾源進(jìn)行單站無(wú)源測(cè)向定位一般采用AOA 定位法[6]，即通過(guò)測(cè)量目標(biāo)干擾源到達(dá)無(wú)人機(jī)的信號(hào)入射角度來(lái)定位干擾源。如圖1 所示，無(wú)人機(jī)上搭載有干擾信號(hào)測(cè)向設(shè)備，通過(guò)無(wú)人機(jī)的運(yùn)動(dòng)在不同位置上對(duì)干擾源進(jìn)行觀測(cè)獲得方位信息，即干擾信號(hào)到達(dá)角，隨后利用三角定位的原理，兩條以無(wú)人機(jī)不同位置A、B為起點(diǎn)，到達(dá)角為方向的射線必相交于目標(biāo)信號(hào)發(fā)射源T的位置。

圖1 AOA 定位方法示意圖

1.2 帶控制輸入的無(wú)跡卡爾曼濾波

無(wú)人機(jī)在采用AOA 定位法對(duì)干擾源進(jìn)行定位的過(guò)程中不可避免地會(huì)引入噪聲，造成方位信息誤差，進(jìn)而造成對(duì)干擾源定位的誤差，并且基于方位信息進(jìn)行機(jī)載單站無(wú)源定位在直角坐標(biāo)系下建立的模型往往是一個(gè)非線性模型[7]，其系統(tǒng)方程為

式中：Xk為k時(shí)刻干擾源與無(wú)人機(jī)的相對(duì)位置向量；uk為k時(shí)刻無(wú)人機(jī)的速度向量；φk為k時(shí)刻無(wú)人機(jī)的方位角和俯仰角；A∈Rn*n、B∈Rn*l為狀態(tài)向量和控制輸入的系數(shù)矩陣；wk、vk為零均值高斯白噪聲。

因此，本文采用了適用于非線性系統(tǒng)狀態(tài)估計(jì)的帶控制輸入的無(wú)跡卡爾曼濾波方法，構(gòu)建適當(dāng)Sigma 點(diǎn)和相應(yīng)權(quán)值，以此估計(jì)下一時(shí)刻的狀態(tài)值，并通過(guò)優(yōu)化控制輸入，提高定位精度。

1.3 最優(yōu)機(jī)動(dòng)路徑規(guī)劃

此外，AOA 定位方法的觀測(cè)量?jī)H有干擾信號(hào)到達(dá)角，因此為了實(shí)現(xiàn)對(duì)干擾源的觀測(cè)和減小觀測(cè)誤差，無(wú)人機(jī)必須按照一定的路線或方式進(jìn)行機(jī)動(dòng)。我們采用的無(wú)跡卡爾曼濾波是無(wú)偏估計(jì)方法，而無(wú)偏估計(jì)量的方差下界，即克拉美-羅下界(CRLB，Cramer-Rao Lower Bound)是最優(yōu)機(jī)動(dòng)常用的判別標(biāo)準(zhǔn)[8]。對(duì)于估計(jì)量的均方誤差Pk|k，本文以作為優(yōu)化準(zhǔn)則來(lái)規(guī)劃無(wú)人機(jī)最優(yōu)機(jī)動(dòng)路徑。由統(tǒng)計(jì)引理[9]可知，

式中：tr(·)表示矩陣的跡；為協(xié)方差矩陣。

1.4 仿真驗(yàn)證

仿真結(jié)果如圖2 所示，曲線UKF 和UKFOPTIMIZED 分別表示采用無(wú)跡卡爾曼濾波和在無(wú)跡卡爾曼濾波基礎(chǔ)上結(jié)合最優(yōu)機(jī)動(dòng)航跡規(guī)劃的定位結(jié)果。由此可看出所述算法能有效定位干擾源，同時(shí)在結(jié)合最優(yōu)機(jī)動(dòng)航跡規(guī)劃后，曲線更加平滑且更快收斂，證明其穩(wěn)定性與定位精度有所提高。

圖2 UKF 定位仿真測(cè)試

2 基于視覺(jué)定位的GNSS 干擾源識(shí)別

傳統(tǒng)的GNSS 干擾檢測(cè)中，在初步定位干擾源后需要由工作人員使用移動(dòng)式干擾檢測(cè)設(shè)備進(jìn)一步檢測(cè)、排查干擾源，而復(fù)雜的實(shí)際環(huán)境往往導(dǎo)致排查困難，效率低下。無(wú)人機(jī)進(jìn)行GNSS 干擾檢測(cè)時(shí)，將會(huì)抵近到干擾源附近，因此可以利用無(wú)人機(jī)搭載的相機(jī)獲取干擾源附近的圖像，將其與GIS 圖像配準(zhǔn)、融合，從而實(shí)現(xiàn)對(duì)干擾源的識(shí)別，提高排查干擾源的效率。

2.1 干擾源圖像的獲取和預(yù)處理

無(wú)人機(jī)根據(jù)數(shù)據(jù)處理中心所提供的GNSS 干擾源位置，抵近到干擾源附近，利用無(wú)人機(jī)搭載的相機(jī)拍攝實(shí)時(shí)圖像，并傳回?cái)?shù)據(jù)處理中心。隨后將無(wú)人機(jī)所采集的可能包含干擾源的圖像與無(wú)人機(jī)航跡信息進(jìn)行時(shí)間同步，篩除距離干擾源坐標(biāo)過(guò)遠(yuǎn)或者是無(wú)人機(jī)姿態(tài)角過(guò)大的圖像，并根據(jù)無(wú)人機(jī)的姿態(tài)信息建立圖像幾何校正的變換關(guān)系，變換后對(duì)圖像進(jìn)行重采樣和濾波處理。

2.2 干擾源圖像與GIS 圖像的配準(zhǔn)

2.2.1 特征點(diǎn)提取及描述

當(dāng)前圖像配準(zhǔn)一般基于圖像的局部特征，通過(guò)提取圖像中的特征點(diǎn)，然后使用相似性度量來(lái)進(jìn)行特征匹配，進(jìn)而完成圖像配準(zhǔn)。文中采用的是SIFT(Scale-Invariant Feature Transform，尺度不變特征變換)算法[10]。該算法在圖像高斯金字塔上進(jìn)行特征點(diǎn)的檢測(cè)，使得算法在圖像發(fā)生平移、旋轉(zhuǎn)、尺度、光照變化等情況下都有很好的魯棒性，能夠很好地表示圖像的特征。

首先構(gòu)建尺度空間L(x,y,σ)：

式中：G(x,y,σ)為高斯核函數(shù)；I(x,y)為干擾源圖像；(x,y)為圖像像素點(diǎn)坐標(biāo)；σ為尺度因子，表示圖像被平滑程度。

利用DOG（Difference of Gaussians，高斯差分）算子檢測(cè)尺度空間的有效極值點(diǎn)，將其作為特征點(diǎn)，DOG 算子的響應(yīng)圖像為

式中，k為兩個(gè)相鄰尺度間的比例因子。

為了檢測(cè)不同尺度下的特征點(diǎn)，首先利用高斯平滑和降采樣構(gòu)建共O組L層的高斯金字塔；隨后根據(jù)高斯金字塔，將每組相鄰兩層圖像依次相減，從而獲得DOG 金字塔；最后，根據(jù)圖像中像素點(diǎn)是否為其鄰域中的極值點(diǎn)來(lái)決定是否將其保留為特征點(diǎn)。高斯金字塔與DOG 金字塔如圖3 所示。

圖3 高斯金字塔與DOG 金字塔

在初步獲得特征點(diǎn)后，利用D(x,y,σ)的Hessian矩陣計(jì)算DOG 空間下圖像的曲率，剔除曲率大于閾值，即位于邊緣的特征點(diǎn)。

此外，通過(guò)DOG 的二階泰勒展開(kāi)式確定特征點(diǎn)的位置和尺度，剔除低對(duì)比度的特征點(diǎn)：

式中，X=(x,y,σ)T，表示真實(shí)極值點(diǎn)與當(dāng)前極值點(diǎn)間的偏移量。

按照公式（7）、（8）計(jì)算特征點(diǎn)鄰域內(nèi)每個(gè)像素點(diǎn)梯度的幅值和方向，根據(jù)其梯度方向的分布特性來(lái)確定該特征點(diǎn)的方向。

選取特征點(diǎn)8*8 鄰域并分成4*4 個(gè)子區(qū)域，計(jì)算每個(gè)子區(qū)域的8 方向梯度，利用直方圖進(jìn)行統(tǒng)計(jì)，得到每個(gè)子區(qū)域的8 維向量，則所有特征向量構(gòu)成該特征點(diǎn)的128 維描述向量。

由于在機(jī)場(chǎng)周邊等地進(jìn)行GNSS 干擾檢測(cè)時(shí)，無(wú)人機(jī)作業(yè)的區(qū)域基本固定，因此可以事先使用無(wú)人機(jī)等方法建立GIS 數(shù)據(jù)庫(kù)。在實(shí)施圖像信息融合時(shí)，再調(diào)用GIS 庫(kù)內(nèi)以干擾源為中心的區(qū)域地圖信息,類似地選取特征點(diǎn)。

2.2.2 特征點(diǎn)匹配

根據(jù)特征點(diǎn)描述向量計(jì)算干擾源圖像和GIS圖像特征上兩特征點(diǎn)間的歐氏距離，將其作為干擾源圖像和GIS 圖像特征點(diǎn)的相似性判定度量：

式中，Ii=(Ii(1),Ii(2),···,Ii(128))和Rj=(Rj(1),Rj(2),···,Rj(128))為干擾源圖像和GIS 圖像上任意兩特征點(diǎn)描述向量。

若兩特征點(diǎn)描述向量間的距離d越小，即特征點(diǎn)越接近。對(duì)干擾源圖像上一特征點(diǎn)Ii，在GIS 圖像上尋找其最近鄰點(diǎn)Rm和次近鄰點(diǎn)Rn，若該特征點(diǎn)與最近鄰點(diǎn)距離跟該特征點(diǎn)與次近鄰點(diǎn)距離的比值小于設(shè)定閾值，那么就將該特征點(diǎn)與最近鄰點(diǎn)配對(duì)為同名特征點(diǎn)，即

式中，ρ取0.6。

按上述方法逐一比較兩圖像間的所有特征點(diǎn)并配對(duì)。獲得特征點(diǎn)匹配結(jié)果后，可采用RANSAC（Random Sample Consensus，隨機(jī)抽樣一致）算法，通過(guò)采樣和驗(yàn)證，不斷迭代，去除誤匹配對(duì)[11]。

2.2.3 圖像配準(zhǔn)測(cè)試

在東營(yíng)測(cè)試基地，我們將無(wú)人機(jī)航拍圖像與GIS 圖像進(jìn)行配準(zhǔn)。首先根據(jù)SIFT 算法選取特征點(diǎn)并計(jì)算特征點(diǎn)描述向量。圖4、圖5 所示為實(shí)地測(cè)試中無(wú)人機(jī)航拍圖像和GIS 圖像所選取的特征點(diǎn)及其描述向量。

圖4 無(wú)人機(jī)航拍圖像特征點(diǎn)

圖5 GIS 圖像特征點(diǎn)

根據(jù)最近鄰點(diǎn)/次近鄰點(diǎn)比值法判斷同名特征點(diǎn)，可得到如圖6 所示的無(wú)人機(jī)航拍圖像與GIS 圖像特征點(diǎn)匹配結(jié)果。

由圖6 可看出仍存在一些誤匹配的特征點(diǎn)對(duì)，因此采用RANSAC 算法進(jìn)一步篩選，最終獲得圖7所示結(jié)果。

圖6 無(wú)人機(jī)航拍圖像與GIS 圖像特征點(diǎn)匹配

圖7 經(jīng)RANSAC 算法篩選后的特征點(diǎn)匹配

2.3 基于視覺(jué)的目標(biāo)識(shí)別和導(dǎo)航定位

通過(guò)干擾源圖像與GIS 圖像的配準(zhǔn)，賦予干擾源圖像經(jīng)緯度信息。根據(jù)干擾源坐標(biāo)，篩選識(shí)別出干擾源圖像中與干擾源經(jīng)緯度坐標(biāo)相同或相近的疑似物體。對(duì)所有經(jīng)過(guò)處理的干擾源圖像重復(fù)上述步驟，統(tǒng)計(jì)所有檢測(cè)出的疑似導(dǎo)航信號(hào)干擾源物體出現(xiàn)頻率并降序排序，將排序靠前的物體判定為疑似干擾源，存儲(chǔ)并顯示該結(jié)果，同時(shí)在GIS 地圖中標(biāo)記出該干擾源及相關(guān)信息。

此外，必須考慮的是，無(wú)人機(jī)通常依靠衛(wèi)星導(dǎo)航系統(tǒng)來(lái)定位并完成航路點(diǎn)飛行[12]，但在檢測(cè)GNSS 干擾信號(hào)的過(guò)程中，其自身GNSS 信號(hào)的接收可能也會(huì)受到影響。因此，若所有干擾源圖像表示的經(jīng)緯度范圍不包含干擾源坐標(biāo)，甚至相距甚遠(yuǎn)，則可以判斷無(wú)人機(jī)衛(wèi)星導(dǎo)航模塊受到干擾。接下來(lái)則由干擾源圖像、GIS 信息以及相應(yīng)航跡信息融合來(lái)確定當(dāng)前無(wú)人機(jī)坐標(biāo)位置，再結(jié)合視覺(jué)SLAM 導(dǎo)航或慣性導(dǎo)航引導(dǎo)無(wú)人機(jī)抵近干擾源位置，重新采集干擾源圖像。

3 基于公共網(wǎng)絡(luò)的低空通信

無(wú)人機(jī)檢測(cè)GNSS 干擾的過(guò)程中，需要將干擾信號(hào)數(shù)據(jù)和相機(jī)圖像數(shù)據(jù)實(shí)時(shí)傳回?cái)?shù)據(jù)處理中心。而當(dāng)前無(wú)人機(jī)的通信系統(tǒng)往往采用點(diǎn)對(duì)點(diǎn)通信模式，通常要求無(wú)人機(jī)與地面控制站之間的阻擋盡量少，并且必須與地面控制站保持在一定通信距離內(nèi)[13]。

為了實(shí)現(xiàn)通信系統(tǒng)一體化設(shè)計(jì)，并滿足無(wú)人機(jī)飛行數(shù)據(jù)和任務(wù)載荷數(shù)據(jù)的傳輸?shù)刃枨?，本文提出了一種如圖8 所示的基于公共網(wǎng)絡(luò)的低空通信系統(tǒng)構(gòu)架。其中，無(wú)人機(jī)和數(shù)據(jù)處理中心上搭載4G 通信模塊依靠公共網(wǎng)絡(luò)進(jìn)行通信，同時(shí)由于在實(shí)際作業(yè)中，無(wú)人機(jī)和數(shù)據(jù)處理中心的IP 地址會(huì)發(fā)生變動(dòng)，無(wú)法直接通信，因此采用了固定IP 的云服務(wù)器進(jìn)行通信中轉(zhuǎn)和數(shù)據(jù)存儲(chǔ)。該通信方案已在東營(yíng)勝利機(jī)場(chǎng)進(jìn)行實(shí)地測(cè)試并成功驗(yàn)證可行性，后續(xù)可進(jìn)一步采用5G 通信以獲得更高通信帶寬。

圖8 基于公共網(wǎng)絡(luò)的低空通信

其優(yōu)勢(shì)在于以下幾個(gè)方面。

1）搭建成本低，使用方便。檢測(cè)GNSS 干擾信號(hào)需要無(wú)人機(jī)在低空作業(yè)，因此在通過(guò)公共網(wǎng)絡(luò)進(jìn)行通信時(shí)不需要對(duì)現(xiàn)有通信基站進(jìn)行額外改裝便能直接使用。

2）保障數(shù)據(jù)高速穩(wěn)定傳輸，減少地面控制站對(duì)無(wú)人機(jī)的限制。當(dāng)前4G 所部署的LTE-TDD 和LTE-FDD 在理論上分別能夠達(dá)到100 Mbps 和150 Mbps 的帶寬[14]，以及具有更高帶寬的5G，能夠確保無(wú)人機(jī)數(shù)據(jù)能夠及時(shí)準(zhǔn)確地傳輸?shù)降孛嫣幚碇行?，并且基本不受建筑等遮擋環(huán)境對(duì)通信的影響。

3）實(shí)現(xiàn)對(duì)設(shè)備和數(shù)據(jù)的統(tǒng)一監(jiān)管。無(wú)人機(jī)和地面數(shù)據(jù)中心的通信需要使用具有公網(wǎng)IP 的云服務(wù)器作為中轉(zhuǎn)來(lái)傳輸數(shù)據(jù)。這既是必要的，也使得我們可以利用云服務(wù)器來(lái)統(tǒng)一監(jiān)管、存儲(chǔ)所有數(shù)據(jù)。

此外，在云服務(wù)器上保留檢測(cè)數(shù)據(jù)，可進(jìn)行大數(shù)據(jù)分析深入研究GNSS 干擾，同時(shí)也為未來(lái)建立多地乃至全國(guó)范圍內(nèi)飛行校驗(yàn)數(shù)據(jù)互聯(lián)互通云平臺(tái)提供了數(shù)據(jù)支持。

4 結(jié)論

本文介紹了利用無(wú)人機(jī)結(jié)合無(wú)跡卡爾曼濾波以提高干擾源定位精度和優(yōu)化機(jī)動(dòng)路徑的方法，借助無(wú)人機(jī)視覺(jué)識(shí)別干擾源外形以提高干擾源排查效率的方案，以及基于公共網(wǎng)絡(luò)的無(wú)人機(jī)與數(shù)據(jù)中心間的低空通信架構(gòu)，為無(wú)人機(jī)檢測(cè)GNSS 干擾信號(hào)提供了新的技術(shù)手段。