基于自适应无迹卡尔曼滤波的跟踪作业平台定位方法：一种智能观测噪声估计机制

《Engineering Applications of Artificial Intelligence》：Adaptive unscented Kalman filter based localization for a tracked operation platform: An intelligent observation noise estimation mechanism

　　摘要：在种植密度高的果园中，密集的树冠常常导致全球导航卫星系统信号出现随机衰减，而不规则地形则会引起机械控制故障。为解决这一问题，本文提出了一种非线性状态估计框架——自适应无迹卡尔曼滤波器，该滤波器能够实时进行残差诊断，并动态更新观测噪声协方差，从而提高系统对模型不匹配和信号波动的抵御能力，为在密集树冠遮挡和复杂果园环境中工作的农业监测平台提供高精度定位服务。首先，通过对多模态传感器数据进行预处理，建立统一的时空基准，包括确保全球导航卫星系统信号的稳定性以及抑制加速度计噪声。随后，在无迹卡尔曼滤波框架内融合全球导航卫星系统与惯性测量单元的观测数据，并根据残差统计结果自适应调整观测置信度。通过仿真和实地试验，将所提方法与扩展卡尔曼滤波器、自适应扩展卡尔曼滤波器、无迹卡尔曼滤波器以及传统全球导航卫星系统进行对比。在仿真路径B中，与扩展卡尔曼滤波器相比，所提方法分别使平均绝对误差、标准差和均方根误差降低了76.9%、67.3%和75.4%。在路径A的实地测试中，与传统全球导航卫星系统定位相比，它分别使平均绝对误差、二维均方根误差和圆概率误差降低了30.4%、29.4%和19.3%。这些结果表明，所提方法能有效解决复杂农业环境中的定位难题，为智能农业设备的自主导航提供可靠的技术支持。

引言：广东省是中国重要的水果种植基地。根据2021年的官方统计数据，该省的果园面积达105.08万公顷，位居全国第三。水果产量为1826.73万吨，排名第五（Li和Wu，2023）。这些果园占该省耕地总面积的约32.41%。然而，这类果园的作业环境存在诸多技术难题。其特点是土壤条件复杂、地形不规则，且树木树冠相互交织。更为严重的是，目前缺乏针对此类环境设计的专用机械，管理技术也相对落后（Wang等人，2004）。传统的人工劳动方式效率低下且劳动强度大，难以满足现代园艺生产的需求。此外，目前果园中使用的传统轮式平台也存在诸多缺陷，如接地面积小、通过障碍物能力差、地形适应性有限以及转弯半径较大（Zhu和Chen，2009）。要克服这些生产瓶颈，就需要探索更有效的底盘技术。在此背景下，轻型无人履带车辆受到了广泛关注（Qie等人，2024）。它们能够在多种复杂环境中自主导航，是一种极具前景的解决方案。在存在坑洼、沟渠和小台阶等障碍物的复杂地形中，履带式底盘具有更好的牵引力和机动性，非常适合在崎岖地面上作业（Zou等人，2018）。这类车辆具备高移动性、灵活性和强大的环境适应能力，同时还能承载足够的负载（Li等人，2019）。这些优点共同构成了解决上述问题的有效方案。

得益于全球导航卫星系统、惯性导航及控制理论的不断进步，农业车辆的自主导航已成为精准农业的核心技术之一（Cheein和Carelli，2013；Wang等人，2025）。这项技术现已广泛应用于耕作、播种和收割等农业作业中。它能够帮助车辆更好地适应复杂的农田环境，提高作业精度和效率，减少重复作业和遗漏现象。同时，它还能减轻驾驶员因长时间重复作业而产生的疲劳感，让操作人员有更多精力监控和控制设备（Li等人，2022）。然而，果园除了地形复杂外，还存在其他独特挑战。果园通常采用高密度种植模式，形成封闭的树冠层（Chen等人，2019）。这种密集的植被结构会严重影响全球导航卫星系统的定位精度（Feng等人，2026；Feng等人，2021；Hasegawa和Yoshimura，2007；Rodríguez-Pérez等人，2007；Wing，2011；Yoshimura和Hasegawa，2003）。树冠的遮挡会导致信号出现极化变化、严重的多路径效应以及较大的信号衰减，衰减幅度可达10–30分贝（Iwan等人，2019；Zheng等人，2015）。这些现象会严重降低定位模块的精度和可靠性，进而导致控制精度下降，使得设备在如此恶劣的环境中难以正常工作。

学术界从多个角度研究了这些问题。相关研究主要聚焦于通过传感器融合和算法优化来提升定位精度和环境适应能力。对于许多应用而言，直接改进传统的全球导航卫星系统仍是一种基础性的方法。这一策略在农业机械轨迹运行模式识别（Chen和Zhai，2025）、田间表型检测机器人的自主导航（Z Zhang等人，2025）、复杂城市环境中的定位（Zhu等人，2025）、地下矿井等GPS信号无法覆盖的极端环境（Lu等人，2026）以及农业机械导航（Alonso-Garcia等人，2011）等领域取得了显著成效。在开阔环境下，这类系统可实现厘米级精度，而最新的多全球导航卫星系统算法则进一步优化了空间误差估算精度（He等人，2025）。然而，仅依靠改进全球导航卫星系统本身的效果，会受到信号遮挡和多路径效应的极大限制。因此，研究人员普遍采用多传感器融合技术，以克服在复杂、密集树冠遮挡环境中的单一技术局限性。例如，Song等人（2007）将RFID技术与全球导航卫星系统相结合，用于建筑工地的精确物料定位，该方法无需固定的通信网络或硬件改造即可降低成本。Jing等人（2018）用全球导航卫星系统接收器取代了RFID系统中的大量参考标签，通过基于距离的幂律加权算法，将户外定位误差从14.1497米降低到了1.3904米的平均水平。其他融合策略也展现出了良好的应用前景。Wang等人（2022）提出了一种高度集成的全球导航卫星系统RTK/UWB/DBA模型，可改善观测数据的空间几何特性。在50°的高仰角遮挡条件下，该模型使模糊度解析成功率提高了20%–60%，定位误差低于5厘米的解的比例也提升了20%–50%。类似地，Huang等人（2022）开发了一种高度耦合的多全球导航卫星系统精确点定位与UWB系统，该系统的三个方向上的均方根定位误差分别为1.29厘米、1.27厘米和6.17厘米，相比传统的全球导航卫星系统+格洛纳斯卫星系统精确点定位方案，性能提升了67.83%、56.94%和26.54%。虽然这些辅助技术能在局部区域提升系统的稳定性，但它们也存在一定的实际局限。RFID系统受限于较短的传输距离以及需要预先部署的特点，而UWB则主要用于室内导航。与上述技术不同，惯性测量单元为农业导航带来了多项固有优势。它是一种无需依赖任何外部基础设施或预先部署的独立系统。更重要的是，惯性测量单元不会受到密集树冠遮挡、多路径效应以及信号衰减等环境因素的影响，而这些因素会严重削弱全球导航卫星系统的性能。通过以高频频率（如100赫兹）采集加速度和角速度数据，惯性测量单元能够持续追踪平台的运动状态，从而在全球导航卫星系统信号暂时中断时弥补定位空白。这些独特优势使得惯性测量单元成为在密集树冠遮挡环境中提升集成导航系统稳定性的理想选择。正因如此，紧密或松散结合全球导航卫星系统与惯性测量单元的融合技术，已成为在全球导航卫星系统信号中断时弥补定位空白的常用方法（Akula等人，2011；Emel’yantsev等人，2020；Han等人，2020；S Li等人，2021；Sun等人，2021）。

在这一框架下，融合算法的选择至关重要。扩展卡尔曼滤波器一直是集成导航领域以及各类稳健跟踪应用中最常用的算法之一（Cohen和Klein，2025；Bukht等人，2024）。但它也存在一些缺陷。扩展卡尔曼滤波器难以调优，且对其参数极为敏感。此外，它还需要通过计算当前状态估计值处的雅可比矩阵来对非线性系统进行线性化处理，这种近似方式不仅会引入误差影响精度，还会带来较大的计算负担。无迹卡尔曼滤波器则是一种更为出色的替代方案（Julier和Uhlmann，2004；Liu等人，2024）。与依赖一阶线性化处理并忽略高阶项的扩展卡尔曼滤波器不同，无迹卡尔曼滤波器采用无迹变换方法，通过确定的采样方式来近似描述状态的概率分布。这种方法显著提升了系统的精度和稳健性（Xia等人，2025）。由于在处理非线性系统方面具有明显优势，无迹卡尔曼滤波器已成为多源信息融合领域的核心算法，它能够有效地整合来自多个传感器的数据。其在提升定位精度方面的优势已在多种应用中得到验证，包括污水沉积物检测（Li等人，2024）、无人机定位与飞行参数估算（Li等人，2020；Wan等人，2026）、智能海洋船舶与水下稳健跟踪（Zhang等人，2026；Cahyadi等人，2023）以及行人导航（H. Li等人，2021；Zhou等人，2019）。研究人员还对标准无迹卡尔曼滤波器进行了多项改进。Yang等人（2019）基于M估计理论开发了一种稳健的M-无迹卡尔曼滤波器，该方法能有效降低测量异常值和模型不确定性带来的影响，同时实现快速收敛，但其性能依赖于相对准确的初始状态，整体稳健性还有进一步提升的空间。Li等人（2016）提出了一种稳健的自适应无迹卡尔曼滤波器，该算法通过滑动窗口和矩阵匹配的方式来估计测量噪声和过程噪声，但这种方法的一个关键难点在于确定最佳的窗口长度。在另一项研究中，Abd Rabbou和El-Rabbany（2015）开发了一种混合无迹卡尔曼滤波器与粒子滤波器的组合模型，用于将全球导航卫星系统精确点定位技术与基于MEMS的惯性系统相结合，该方法在全球导航卫星系统完全失效的情况下，可将定位精度提升约15%。不过，粒子滤波器的高计算成本使其难以满足实时处理的需求。

尽管现有的定位技术能够在各种环境中提升定位精度，但现代高精度导航系统所要求的不仅仅是强大的非线性滤波核心，还需要一种能够实时评估、响应并适应观测数据质量动态变化的智能机制，才能在复杂恶劣的环境中保持稳定性能。为了解决这一问题，本文提出了一种自适应无迹卡尔曼滤波器，该滤波器配备有智能的观测噪声估计机制，专为那些地形复杂、树冠遮挡严重、全球导航卫星系统信号易受干扰的户外农业环境设计。通过充分利用全球导航卫星系统数据与惯性测量单元数据的互补性，自适应无迹卡尔曼滤波器能够利用高频的惯性测量单元观测数据来弥补全球导航卫星系统信号带来的误差。此外，将该滤波器与履带式底盘结合使用，还实现了高效稳定的履带式作业平台的研发。这种平台能够在恶劣且复杂的干扰环境下大幅提升农业机械的作业效率、可靠性和稳定性（D Li等人，2025），为智能农业设备提供了极为可靠的导航解决方案。

片段摘录：
履带式作业平台：鉴于果园和露天农田环境中普遍存在的坑洼、沟壑、泥泞地面以及狭窄的作物行间距等不规则地形特征，移动作业平台的底盘必须具备出色的通行能力、负载能力和行驶稳定性。经过全面比较分析，最终选择履带式底盘作为自主作业平台的机械载体，如图1所示。其各项主要性能参数详见文中有阐述。

基于UKF的多源异构传感器融合定位方法：全球导航卫星系统与惯性测量单元整合的核心在于对不同类型的传感器数据进行融合。无论是惯性测量单元的力学模型方程还是全球导航卫星系统的观测方程，都属于高度非线性的方程。传统的扩展卡尔曼滤波器依赖于一阶泰勒展开，由于截断误差的存在，很容易出现精度下降甚至发散的问题。为了解决这一难题，本文采用无迹卡尔曼滤波器作为融合框架。无迹卡尔曼滤波器通过无迹变换方法对状态的概率分布进行确定性采样，能够准确捕捉到二阶及以上的误差信息。

实验设计：在传统的果园布局中，密集的树冠遮挡会严重削弱甚至完全阻断全球导航卫星系统信号，从而极大影响定位的连续性。不过，如图7所示，在相邻树冠之间的间隙处，会形成较大的信号可接收区域。当移动平台在果园中行驶时，其路径会在有信号覆盖区域和无信号覆盖区域之间交替，从而导致GNSS信号出现间歇性的衰弱与恢复——这是一种典型的实验设计。为验证仿真结果的适用性以及该移动平台在真实果园环境中的定位可靠性，研究者在位于中国广州的华南农业大学植物园（北纬23°09′，东经113°21′）进行了实地试验。该地点植被茂密，树冠覆盖连续，容易引发GNSS信号遮挡和多路径干扰。具体而言，虽然移动平台能够成功接收到信号，但……讨论部分指出，在复杂的农业环境中存在一个关键问题：密集的树冠会导致GNSS信号衰减，进而使得农业机械的定位精度下降且航向出现偏差。为解决这一问题，研究者设计并实现了一种基于残差序列协方差匹配的自适应无迹卡尔曼滤波定位方法。该方法首先通过对多源、异构数据进行时空对齐和坐标系转换，建立起可靠的数据基础。总结与结论部分表明，本研究针对地形复杂、树冠遮挡严重的农业环境，开发了一种专用的移动操作平台。该平台采用了具备在线噪声补偿功能的自适应无迹卡尔曼滤波器，通过基于残差序列协方差匹配的技术，在GNSS信号不可预测地失效时显著降低定位误差，提升了定位系统在恶劣条件下的可靠性与稳定性。作者贡献声明：吕世磊负责原文撰写、监督、资源协调、项目管理、方法设计及研究工作；陈佳红负责原文撰写、可视化处理、结果验证、方法设计及研究工作；高鹏负责方法设计、形式化分析及概念构建；高松茂负责文章审阅与编辑、结果验证及研究工作；李子杰负责方法设计、形式化分析及概念构建；何俊兴负责形式化分析及数据整理工作；张国宁负责可视化处理及数据整理工作；李振无特殊利益冲突声明。作者们声明自己没有可能影响本文研究结果的任何已知财务利益或个人关系。致谢：本项目得到了国家自然科学基金（32271997）、广州市重点研发计划（2024B03J1309）、CARS专项基金（CARS–26），以及广东省通过科技成果下乡推动城乡区域协调发展专项计划（2026A02-02020004）的支持。作者们对此表示衷心的感谢。吕世磊|陈佳红|高鹏|高松茂|李子杰|何俊兴|张国宁|李振华南农业大学人工智能与低空技术学院，中国广东省广州市510642