自适应GNSS-UWB传感器融合在精准农业中的可靠定位研究

《Smart Agricultural Technology》：Adaptive GNSS–UWB Sensor Fusion for Reliable Localization in Precision Agriculture

本文针对精准农业中GNSS信号在冠层遮挡、多路径和非视距（NLOS）条件下性能下降的问题，提出了一种基于扩展卡尔曼滤波（EKF）的自适应GNSS-UWB传感器融合框架。该研究通过数据驱动方法动态估计和更新GNSS与UWB的测量协方差，并引入UWB NLOS偏置建模。实验验证表明，该方法在开阔天空条件下达到厘米级精度，在部分遮挡（NLOS）田间测试中保持2D水平RMSE低于6厘米，较标准融合方法RMSE降低超过40%。研究成果为农业自动化提供了鲁棒且成本效益高的定位解决方案。

　　

在现代精准农业中，自动驾驶导航、农田测绘和农业定向应用等操作对定位精度提出了厘米级甚至亚厘米级的苛刻要求。然而，基于卫星的定位系统，无论是否经过地面校正，在农业环境中常常因冠层遮挡、多路径效应和非视距（NLOS）条件而性能下降。这些信号衰减会引入从几厘米到几米的误差，远超许多精细农业操作可接受的阈值。例如，产量测绘和土壤采样可容忍20-50厘米的精度，而自动驾驶拖拉机引导需要5-10厘米的精度，行作物种植、除草和果树定位则要求2-5厘米的精度，至于靶向喷洒和机器人收割等最高精度层级的操作，甚至需要亚厘米级的定位准确性。农业环境的独特之处在于其高度动态和季节依赖性：作物冠层在整个生长季节不断演变，农业机械引入的金属障碍物会放大信号多路径效应，临时基础设施（如灌溉系统、架空农业光伏）进一步减少了卫星可见度。这种可变性使得单纯依赖卫星定位变得困难，即使应用了来自RTK（实时动态）或PPP（精密单点定位）等地面服务的校正也是如此。

为了应对这些挑战，近期研究越来越多地探索多传感器融合方法，将卫星定位与低成本惯性测量单元（IMU）、视觉系统、超宽带（UWB）测距或激光雷达（LiDAR）传感器相结合。这些方法旨在在信号退化条件下增强准确性和鲁棒性，同时保持与农业应用相适应的成本。沿着这一方向，本文研究了在农业环境中卫星定位与UWB的集成，旨在提供满足精准农业精度要求的可靠定位解决方案。

本研究设计了一个自适应、数据驱动的方法，用于在卡尔曼滤波融合方案内估计和更新GNSS和UWB的测量协方差。它将统一的GNSS健康评分通过校准的膨胀映射到时变GNSS协方差上。研究在类似农业的条件下进行了实验验证，使用了RTK基线、UWB锚点以及混合视距（LOS）/非视距（NLOS）轨迹。结果表明，与标准EKF相比，该方法实现了超过40%的RMSE降低，在NLOS条件下达到5-10厘米的2D水平精度，同时在LOS条件下保持了厘米级性能。

为开展此项研究，作者团队采用了几个关键技术方法。首先，建立了机器人运动学模型，描述了地面车辆在车身坐标系下的运动状态。其次，对UWB测距进行了建模，基于到达时间（TOA）原理，并考虑了NLOS条件下的正加性偏移。第三，详细描述了GNSS-RTK测量模型，包括通过载波相位双差模糊度固定获得高精度相对位置。研究的核心是提出了自适应传感器融合框架：一方面，设计了GNSS健康评分（α_GNSS,k）机制，该评分聚合了固定状态、精度因子（PDOP）、卫星数量和精度估计等多个质量指标，并基于此评分通过凸校准问题推导出惩罚权重（ω_G），用于在状态估计器中膨胀GNSS测量协方差。另一方面，采用了基于学习的方法来动态调整UWB测量不确定性，通过一个轻量级前馈神经网络，将信道统计特征（如接收信号强度RSS、第一路径功率比FPR等）映射到可靠性指标（α_k^UWB），从而缩放UWB测量协方差。这些自适应协方差被集成到一个扩展卡尔曼滤波（EKF）框架中，该框架的状态向量还增广了一个专用的UWB NLOS偏置项。实验验证在真实农业场景中进行，使用Opti-track系统获取地面真实轨迹作为评估基准。

3.1. 机器人运动

研究人员考虑了其车身x轴与前进方向对齐的地面车辆。机器人状态s(t)被定义为位置p(t) = [x, y, z]^?和姿态η(t) = [ρ, φ, θ]^?（横滚、俯仰、偏航，ZYX约定）的组合。基于车身框架输入（前进速度v和角速度ω = [p, q, r]^?），并假设在采样周期T_s内恒定，推导出了离散时间等效动力学模型。该模型利用SO(3)左雅可比矩阵J(ω_kT_s)来描述增量旋转，当角速度趋近于零时，模型简化为匀速直线运动。

3.2. UWB测距

UWB测距测量基于到达时间（TOA）原理建模。测量到的距离表示为几何距离、可能的NLOS引起的正加性偏移o_i,k> 0以及零均值白噪声ε_i,k之和。环境中部署了m个位置已知的UWB锚点，与机器人上的标签之间的距离用于定位。

3.3. GNSS-RTK测量

采用RTK定位技术，通过基站和移动站（ rover）同时接收卫星信号，形成双差观测值，消除公共误差（如卫星钟差、大气延迟），最终在载波相位整周模糊度固定后，获得相对于基站的厘米级精度相对位置。移动站的位置由已知基站位置、估计的相对位移、残余系统偏差和随机测量噪声组成。

4.1. GNSS健康评分与协方差估计

本研究定义了一个GNSS健康评分α_k∈ [0, 1]，它聚合了固定状态、精度因子（PDOP）、可用卫星数量和接收机报告的精度等多个质量指标。基于此评分，通过一个凸优化问题（非负最小二乘NNLS）校准出一个惩罚权重ω_G≥ 0，用于按公式R_k:= σ_LOS²(1 + ω_Gα_k)I₃动态膨胀GNSS测量协方差矩阵。当GNSS质量差（α_k→ 1）时，协方差增大，导致卡尔曼增益减小，从而降低不可靠GNSS测量在状态更新中的权重，防止有偏差的定位结果污染融合解。

4.2. 自适应UWB协方差调谐

对于UWB，研究采用了一种基于学习的NLOS严重程度评分方法。利用轻量级神经网络，将每个UWB数据包的信道统计特征（如接收信号强度RSS、第一路径功率比FPR、信道脉冲响应峰度CIK、上升时间τ_r）映射到一个可靠性指标α_k^UWB∈ [0, 1]。该评分经过指数移动平均（EMA）平滑后，用于在LOS方差R_LOS和NLOS方差R_NLOS之间线性插值，并设置上下限，得到动态调整的UWB测距协方差R_k^UWB。在LOS条件下，协方差接近R_LOS；在NLOS条件下，协方差膨胀至接近R_NLOS，从而在滤波中降权不可靠的UWB测距值。

4.3. 带自适应噪声缩放的EKF

将上述自适应协方差（GNSS的R_k^GNSS和UWB的R_k^UWB）集成到EKF框架中。EKF遵循标准的预测-更新周期。在更新步骤中，联合测量协方差矩阵R_k由GNSS位置更新和所有UWB测距值的自适应协方差块对角构成。通过这种方式，卡尔曼增益能够根据GNSS和UWB的实时信号质量动态调整，实现鲁棒的传感器融合。

5. 实验设置与初步验证

实验系统架构结合了GNSS（采用u-blox ZED-F9P模块，接收TPOS服务的RTCM3校正数据）和UWB（采用Decawave DW1000芯片，SS-TWR测距模式）子系统。评估包括开阔天空（LOS）参考环境和部分遮挡的类农业环境。在开阔天空下，RTK GNSS子系统表现出厘米级精度（RMSE为0.034米）。在遮挡环境下，进行了三个不同轨迹的试验，对比了GNSS、UWB单独定位与地面真实轨迹，显示了二者误差的互补特性，这为自适应融合提供了依据。

6. 实验结果

将提出的自适应EKF与采用手动调谐、静态测量协方差的标准EKF进行了比较。定量结果表明，自适应EKF在所有坐标轴（X, Y, Z）上均一致优于标准EKF，具有更低的RMSE和标准偏差。自适应EKF将水平2D RMSE从标准EKF的0.127米降低到0.065米（降低46%），垂直误差降低50%。误差时间序列图显示，标准滤波器存在明显的误差峰值和持续偏移，而自适应滤波器将误差控制在更窄的范围内。协方差膨胀的效果得到验证：当GNSS精度下降或UWB链路转变为NLOS时，自适应方法通过增大测量协方差来衰减卡尔曼增益，有效防止了污染观测值对状态估计的拉动，保持了融合解的准确性。

7. 结论与未来方向

本文成功演示了一种自适应传感器融合框架，能够在精准农业中实现自动驾驶操作所需的高精度、高可靠性定位。通过动态建模传感器不确定性和主动补偿UWB NLOS偏差，该系统在理想开阔天空条件下达到厘米级精度，并在具有挑战性的NLOS环境中保持2D水平RMSE低于6厘米，性能优于标准方法40%以上。未来研究将转向因子图优化框架，以更灵活地集成异构传感器（GNSS、UWB、IMU、LiDAR/视觉），并纳入任务特定知识（如作物行几何）。此外，还将研究UWB基础设施优化（锚点布置、能耗管理）以及开发模块化、即插即用的定位载荷，以促进鲁棒且可扩展的定位解决方案在多样化农业平台上的部署。

综上所述，这项研究通过创新的自适应协方差估计和NLOS偏差建模，显著提升了GNSS-UWB融合在动态、复杂的农业环境中的定位性能，为推进精准农业的自动化水平提供了坚实的技术支撑。该论文发表于《Smart Agricultural Technology》期刊。