>>>>>>文後附PDF文檔下載<<<<<<
一、地面無人系統技術體系分析
地面無人系統的技術體系以能力需求為基礎，以自主完成作戰任務為目標，地面無人系統應具有的功能能力主要包括以下幾個方面。
（1）指揮控制能力:能夠接收和執行操控人員發送的指揮控制指令，能夠與其他無人平臺協同指揮控制。
（2）規劃能力:能夠自主進行任務分析和規劃，實時做出決策。能夠根據環境感知信息和任務規劃，進行行為和路徑規劃。
（3）機動能力:能夠從一個地理位置運動到下一個位置。
（4）導航能力:能夠規劃兩個或多個地理位置之間的路徑。
（5）通信能力:能夠與操控終端或其它有人、無人系統之間進行數據交換或信息交流。
（6）任務載荷能力:能夠控制所搭載的特定任務載荷，實現特定戰術意圖。
（7）安全能力:能夠在運行過程中確保自身安全。
（8）維護能力:能夠完成一般保養和修理工作，確保其正常運行。
從地面無人系統能力需求映射出地面無人系統的技術體系，如圖所示，主要包括自主行為技術、機動平臺技術、指揮控制技術和總體設計技術。從技術領域角度，可以分為無人系統特有的技術領域（自主行為技術）、非無人系統特有的技術領域（機動平臺技術、指揮控制技術）和系統集成技術領域。
圖1 地面無人系統能力需求與技術映射
（1）總體設計技術
總體設計技術是研究如何利用平臺「無人」的優勢、規避其劣勢，通過綜合各分系統技術水平，實現各分系統優化匹配，並制定總體設計流程和頂層規範。突破該技術是設計最優地面無人系統總體方案、促進模塊化、通用化、系列化與標準化發展的關鍵。
（2）機動平臺技術
地面無人機動平臺是實現自主機動的物理基礎。該技術是研製具有高機動能力、長時間續航能力和高負載能力的地面無人系統的支撐技術，也是降低無人平臺對自主系統依賴程度的關鍵。
（3）自主行為技術
自主行為技術解決無人平臺的智能問題，包括環境感知、態勢理解、路徑規劃與跟蹤、實時行為規劃與決策等多個方面。
（4）指揮控制技術
指揮控制技術主要研究地面無人系統與指揮人員以及操控人員之間的交互機制、多個平臺之間的協作機制以及所必須的其他支撐技術。該技術是準確快速實現操控人員控制意圖、充分發揮地面無人系統作戰效能，達到戰術任務目標的關鍵。
二、自主行為技術發展現狀分析1 自主行為技術體系結構
圖2 自主行為技術架構
自主行為技術所需技術及其相互關係如圖所示，各技術模塊以軟體的方式實現，通過車內區域網或總線進行互聯，最終通過執行機構控制無人車平臺的動作。
從上圖可以看出，自主行為技術的一般流程是：首先，信息融合處理技術通過對多源傳感器信息進行融合處理，實現局部戰場環境感知和態勢理解；其次，利用SLAM等同時定位與地圖構建技術實現局部環境地圖和態勢地圖構建；再其次，通過已知地圖和協同信息，構建全局地圖，並根據作戰任務進行行為規劃；最後，通過執行機構，對無人平臺進行實時控制。
2 傳感器技術發展現狀
無人地面系統的傳感器部分，主要由攝像頭、雷射雷達、毫米波雷達、超聲波雷達等。由於各種感知方式在不同環境、不同距離、不同作用上各有所長，因此採用多傳感器信息融合的方式有利於保證全方位信息的收集，通過組合使用多類傳感器實現信息融合進行決策，使計算機做出更加精準的判斷和規劃。
圖3 某智能車傳感器硬體配置示意圖
在選擇無人車用傳感器時，一般需要綜合考慮多個方面的屬性，包括傳感器精度、解析度、靈敏度、動態範圍、傳感器視角、主動與被動傳感器、時間精度和輸出接口，以及誤報率、溫度適應性、黑暗適應性、不良天氣適應性、硬體成本、信號處理能力等。
表1 不同類型傳感器指標對比分析
傳感器指標
雷射雷達
毫米波雷達
視覺相機
超聲波
前向
全向
單目
雙目
精度
優
優
良
一般
優
一般
解析度
優
優
良
一般
優
一般
靈敏度
優
優
優
良
優
一般
動態範圍
優
良
優
一般
良
一般
傳感器視角
良
優
一般
良
良
一般
主動與被動
主動
主動
主動
被動
被動
主動
時間精度
優
良
優
良
一般
一般
誤報率
良
良
優
良
良
良
黑暗適應性
優
優
優
一般
一般
優
天氣適應性
良
良
優
一般
一般
良
硬體成本
高
高
中
低
中
低
處理能力
優
優
優
良
優
一般
頭所採集的2D 圖像無法得到準確的距離信息，而基於多攝像頭生成深度圖的方法又需要很大的計算量，難以很好地滿足無人車在實時性上的要求。其次光學攝像頭受光照條件的影響巨大，物體的識別準確度不穩定。上述兩點一直是攝像頭實現無人駕駛的重要阻礙，伴隨著近年深度學習技術在圖像和聲音領域不斷取得突破性進展，越來越多的公司和企業開始研究利用雙/多攝像頭來應對複雜的道路環境從而實現無人駕駛，從業比較有名的包括中科慧眼、地平線、東軟和 Minieye 等。
（1） 雷射雷達
雷射雷達採用主動測距法，對環境光的強弱和物體色彩差異具有很強的魯棒性；雷射雷達直接返回被測物體到雷達的距離，算法更直接，測距更準確；雷射雷達速度更快，實時性更好；視角大、測距範圍大，雷射雷達的穿透距離遠，高性能雷射雷達可以實現200米範圍內，精度高達釐米級的3D場景掃描重現。相對於攝像機，雷達的缺點也是顯而易見的，它的製造工藝複雜、成本較高。雷射雷達常用的感知技術主要有：
障礙物檢測與跟蹤，關鍵在於同一時刻障礙點的聚類和不同時刻障礙物的匹配，基於深度學習的雷達障礙物檢測逐漸成為近年來的研究熱點，雷達與圖像融合的障礙物檢測技術研究也取得了一定成果；
路面檢測，主要是為了區分路面和道路上的其他目標障礙物，還可以通過檢測路面材質和坡度為無人車決策和控制提供數據參考；
定位與導航，基於雷射雷達的SLAM在無人車定位中可以發揮重要作用，無人車通過檢測路邊障礙物位置判斷道路走向並實現基於雷達的自主導航；
三維重建，利用雷射雷達獲取的深度信息即可以實現無人車周圍環境的三維場景重建。
圖4 Velodyne雷射雷達
從目前無人駕駛領域各主機廠的技術路線來看，多線雷射雷達很有可能是未來無人車的必備傳感器，並且與高精度地圖及駕駛系統核心算法緊密相關。雷射雷達按照技術路徑可分為機械式、混合固態（MEMS）、固態式（OPA、Flash）三種類別。其中機械式發展較早，技術成熟度高；固態式在性能、成本上要優於機械式，但技術上還有待突破。當前對於雷射雷達的評判標準集中在車規級、可量產、低成本三個方面，在車規級方面，國內已有混合固態雷射雷達通過車規級認證；在可量產與低成本方面，固態式雷射雷達體積小、整體量產成本和量產難度較低，容易在技術成熟後產生可大規模應用的市場價格。儘管固態式在整體性能上優於機械式，但距離技術上的完全成熟還需要一段的時間，因此短期內雷射雷達市場上仍舊是機械式與固態式雷射雷達並存的局面。
（2） 毫米波雷達
毫米波雷達工作在毫米波波段，其頻域為30GHz~300GHz之間，波長介於釐米波和光波之間，兼有微波制導和光電制導的優點。毫米波導引頭體積小、質量輕、空間解析度高；穿透霧、煙、灰塵的能力強，具有全天候(大雨天除外)、全天時的特點。然而，雨霧對毫米波的影響非常大，吸收強度大。在雨霧天氣，毫米波雷達的性能將會大大下降。
毫米波雷達可以探測一定區域內的所有目標，但是其方向性較雷射雷達差，且測量精度也不如雷射雷達；另外，相對於一般的二維雷射雷達，其成本高昂。這些因素雖然限制了毫米波雷達在無人車輛上的應用，但許多國內外無人車輛，仍然會安裝一個毫米波雷達用於探測車輛正前方的障礙。
圖5 毫米波雷達
目前全球汽車毫米波目前主要生產供應商為博世、大陸、海拉、富士通、電裝、天合、德爾福、奧託立夫和法雷奧等，國內主要有隼眼科技、安智傑、納雷科技、廈門意行、華域汽車等。
（3） 超聲波雷達
超聲波指的是工作頻率在20KHz以上的機械波,它具有穿透性強、衰減小、反射能力強等特點。超聲波測距原理是利用測量超聲波發射脈衝和接收脈衝的時間差，再結合超聲波在空氣中傳輸的速度來計算距離。現階段廣泛應用於倒車雷達系統中的便是超聲波測距，且現在國內外市場上大量存在的泊車輔助系統大都採用超聲波測距系統。
圖6 超聲波雷達
3 環境感知技術發展現狀
環境感知技術是地面無人平臺最重要的關鍵技術，是無人平臺正常運行和執行任務的前提。儘管地面無人平臺可通過其他平臺獲得部分環境信息，但作為在陌生複雜環境移動和執行作戰任務的必要條件，平臺自身必須具備足夠的感知中近距離環境信息的能力，必須能根據從傳感器獲得的信息，對它所處的周圍環境做出準確的理解，明確判斷出哪些區域是平臺可以通過的，哪些區域是平臺無法通過的。因此，地面無人平臺對環境的感知是實現環境建模、平臺定位、路徑規劃等自主控制最基礎的前提。
地面無人平臺環境感知的主要難點是對於不能預先知道的複雜地形和越野環境的感知和處理。越野環境下的障礙物種類繁多，除了高於地面的動態或是靜態的障礙，還有低於地面的坑洞，以及沼澤地、水面、山坡等等。要解決這些複雜環境認知難題，重點需要提升立體視覺信息處理技術、多源數據信息融合處理技術、SLAM等技術水平。
（1） 立體視覺信息處理技術
立體視覺技術系統使用的裝備大致分為以下三種：攝像機(可見光、紅外等)、雷射雷達（單線、多線）、毫米波雷達。裝備攝像機的立體視覺系統基本原理是通過兩個或多個攝像機得到並求解對應點的視差得出物體表面與檢測系統的距離。這種類型的系統可以給出關於環境地形的較精確的模型，但對攝像機得到圖像後的處理能力的要求比較高，包括圖像處理的效果以及算法的實時性。裝備單線雷射雷達的立體視覺系統基本原理是通過一束雷射的發射和反饋得到前方物體與檢測系統的距離。相比圖像處理，這種類型的系統得到前方物體的距離更快，但是系統無法辨識是何種物體，且單束雷射檢測還不能完全滿足立體成像系統的實時性要求。裝備多線雷射雷達的立體視覺系統基本原理與單線基本相同，多線雷射同時發射和反饋，可以使用得到的大量的距離信息建模前方物體和環境，得到三維仿真環境。毫米波雷達由于波長的差別，其測距精度和成像能力不如雷射雷達，但氣候適應性優於雷射雷達，在霧天、雨天和沙塵天氣條件下可以正常使用。現有的地面無人作戰平臺通常將這幾種裝備結合使用。
表1 感知裝備立體視覺能力對比
感知裝備
基本原理
優點
缺點
攝像機
基於機器視覺獲取車輛周邊環境兩維或三維圖像信息，通過圖像分析識別技術對行駛環境進行感知
信息量豐富、實時性好、體積小 、能耗低
易受光照環境影響、三維信息測量精度較低
雷射雷達
基於雷射雷達獲取車輛周邊環境兩維或三維距離信息，通過距離分析識別技術對行駛環境進行感知
能夠直接獲取物體三維距離信息、測量精度高、 對光照環境變化不敏感。
無法感知無距離差異的平面內目標信息，體積較大、成本高、不便於車載集成
毫米波雷達
基於毫米波雷達獲取車輛周邊環境兩維或三維距離信息，通過距離分析識別技術對行駛環境進行感知。
能夠以較高精度直接獲取物體三維距離信息、對 光照環境變化不敏感、實時性好、體積較小。
無法感知無距離差異的平面內目標信息，國內技術成熟度不高。
融合傳感
運用多種不同傳感手段獲取車輛周邊環境多種不同形式信息，通過多信息融合對行駛環境進行感知。
能夠獲取豐富的周邊環境信息、具有優良的環境 適應能力、為安全快速自主導航提供可靠保障。
技術複雜度高，成本高。
立體視覺信息的處理技術包括：立體視覺系統的快速精確標定方法、圖像對的立體匹配算法、提高立體視覺系統實時性的相關技術研究等。其中，最為重要的是提高立體視覺系統實時性的相關技術研究，因為目前的大多數方法和技術的計算複雜度都很高，難以滿足地面無人平臺的實時性要求。為了確保地面無人平臺行駛和執行各種戰術任務的高度實時性，一方面要研究立體視覺算法的優化，另一方面針對那些計算複雜度特別高的任務，特別是視頻圖像序列處理任務，研製專門的硬體實現方案，以確保其計算速度滿足地面無人平臺行駛速度的要求。
攝像機標定技術是雙目立體視覺技術重要組成部分，其精確度直接影響了後續立體視覺匹配與三維重構工作的準確度。攝像機標定的目的在於找到空間中目標景物與攝像機幾何模型在成像平面上之間對應成像點的幾何關係，同時得到所建立攝像機幾何模型對應參數。在雙目立體視覺中，攝像機標定至關重要，通過標定才能精確地從二維圖像中獲取三維信息，才能得到三維圖像與相應像素點的對應關係。目前攝像機標定技術可以概括為三大類：傳統標定方法、主動視覺攝像機標定法、自標定方法。各種標定方法的特點及優劣勢見下表。
表2 標定方法對比
標定方法
特點
優勢
劣勢
傳統標定方法
利用已知景物結構信息
靈活度兼容性高，適用所有攝像機幾何模型，結果準確精度高
操作過程過於複雜，必須得到目標景物的高精度位姿信息，同時標定塊的適用條件苛刻，大部分情況下無法達到。
主動視覺攝像機標定法
待標定設備一些特定運動屬性已知
容錯率高，環境適應性強
攝像機的移動必須遵從某種已知規律，即必須可以有效控制攝像機運動過程
自標定方法
關鍵在於找到目標景物在幾幅相關圖像中對應點間的幾何映射關係
方法簡單，擴展性靈活度好，可普遍推廣
準確度、容錯率相對低
立體視覺匹配問題研究方面，大致分為下述兩個方向：研究如Marr創立的立體匹配三大約束、零交叉感知基元以及多通道協同處理方式的人類立體融合和視覺形成機制，並建立計算機模型；另有設定約束條件和匹配模型提高算法實用性。目前常見的立體匹配算法大致可分為區域立體匹配算法、相位立體匹配算法以及特徵立體匹配算法，算法對比見下表。
表3 匹配算法對比
算法名稱
實時性
精確性
抗噪力
環境要求
複雜度
區域立體匹配算法
較高
較高
較低
高
較高
特徵立體匹配算法
較高
較低
較高
較低
較低
相位立體匹配算法
高
限制條件
高
低
低
在提高立體視覺系統實時性方面，國內外科研院所、高校進行了大量研究，比較有代表性的包括：
INRIA對立體視覺技術中標定、立體匹配以及圖像重建等方面進行改進：利用遞歸算法減小計算量，大大提高了匹配處理速度同時保證匹配質量，開發了三維重建弱標定算法，加強了匹配準則與結果的驗證措施。
麻省理工學院計算機系通過利用雙目攝像頭，結合雷達系統，粗略找出目標深度信息，提出一種在高速環境下目標位置圖像分割算法，相較於傳統立體視覺圖像分割算法，該算法在高速移動情況下實時性更強精度更佳。在未來智能車輛及其他交通工具上，將有效融合環境監測傳感器，實現載體高速準確移動避障。
浙江大學利用雙目立體視覺攝像頭採集兩幅對應圖像，根據透視成像原理，能僅從對應圖像中提取出少量、必要的特徵點，轉化計算其三維坐標，從而實現動態情況下多自由度機械裝置實時位置、姿勢檢測。該方法相對運算量少，保證了匹配實時性。
（2） 多源信息融合處理技術
地面無人平臺上對地形建模和環境理解需要有很多種傳感器，不同的傳感器測量的內容、範圍和精度不同。根據客觀環境的不同和使用要求的差別，將這些不同傳感器以及它們獲得的信息加以合理的組合與搭配，可以對單一或少數傳感器無法正確感知的複雜環境得到正確的判斷。例如，將立體視覺傳感器攝像頭和雷射雷達、毫米波雷達結合起來可以加強對環境路況的預判，控制車輛行駛速度，先由雷射雷達、毫米波雷達定位前方近距離平坦區域，用攝像機確定該區域的顏色和地形圖像信息。
多傳感器數據融合通常是指各個傳感器信息綜合的過程,也就是對各傳感器採集的信息、按照預先設定的準則進行分析綜合,從而得出最佳的合成結果。最基木的目標就是充分利用多傳感器之間的協調和互補來提高系統的有效性和穩定性,得到比任意單一傳感器更加可靠和準確的結果信息。
信息融合涉及到融合層次的問題，關於多傳感器信息融合的層次問題有很多不同的看法，目前研究較為普遍的是3層融合結構：決策級，特徵級，數據級（如圖所示）。
a）數據級融合 （b）特徵級融合
（c）決策級融合
圖7 多傳感器融合的3層結構
數據級融合直接融合傳感器採集的原始數據，然後對融合後的傳感器數據進行特徵提取和識別。如果要實現數據級信息融合，必須要求所有傳感器是相同介質的或是相同量級的，否則，必須用特徵級或決策級融合。典型的數據級融合技術包括如Kalman濾波、擴展Kalman濾波等經典的估計方法。
特徵級融合首先從傳感器數據中提取出觀測信息的有效特徵組成特徵向量，隨後輸入到模式識別處理模塊，最後利用神經網絡、聚類算法、模式分析等方法進行識別。
在決策級融合方法中，每個傳感器都需完成一個變換以便獲得獨立的屬性判決，然後順序融合來自每個傳感器的屬性判決。融合屬性判決採用的主要方法有加權決策法、經典推理法、Bayesian推理、Dempster-Shafer證據理論等。
對上述三個級別的融合方法進行分析比較得出以下結論：其一，融合的數據越接近信息源獲得的精度越高，即數據級融合的精度一般是最高的，其次是特徵級融合，決策級融合普遍精度較差。但是，由於數據級融合只能適用於同質傳感器，使得其在應用中受到很大限制。其二，隨著融合層次的提高，系統對各傳感器的同質性要求會降低，容錯性也會增強。但是融合時信息保存的細節會減少，精確度也會降低。三個級別融合的特點對比見下表。
表4 融合層級對比
融合結構
信息損失
實時性
精度
容錯性
抗幹擾
計算量
融合程度
數據級
小
差
高
差
差
大
低
特徵級
中
中
中
良
良
中
中
決策級
大
好
低
優
優
小
高
多傳感器數據融合涉及到多方面的理論和技術,如：信號處理、估計理論、不確定性理論、最優化理論、模式識別、神經網絡和人工智慧等。很多學者從不同角度出發提出了多種數據融合技術方案。由於各種方法之間的互補性,將兩種或兩種以上的算法進行有機集成,往往可以揚長避短,取得比單純採用一種算法更優的結果。比如：
1） 遺傳算法和模糊理論相結合，可以在信息源的可靠性、信息的冗餘度、互補性以及進行融合的分級結構不確定的情況下,以近似最優的方式對傳感器數據進行融合。
2） 模糊理論和神經網絡理論相結合，兩者相結合產生的模糊神經網絡可以看作是一種不依賴於精確數學模型的函數估計器。它除具有神經網絡的功能外,還能處理模糊信息,完成模糊推理功能，性能優於單純的模糊控制和單純的神經網絡。
3） 遺傳算法和模糊神經網絡相結合，模糊神經網絡和單純的模糊控制與單純的神經網絡相比,具有更優的性能,但仍然存在不足,因此,有研究將遺傳算法與模糊神經網絡結合起來以取得更好的數據融合效果。
4） 模糊邏輯和Kalman濾波相結合，解決使用不精確或錯誤的模型和噪聲統計設計Kalman濾波器時會導致濾波結果失真的問題。近年來,模糊Kalman濾波算法在實際中得到了非常廣泛的應用,例如:目標跟蹤、圖像處理以及組合導航等。
5） 模糊理論和最小二乘法相結合，以便更好地利用不同解析度數據的互補信息,達到更佳的融合效果。
（3） SLAM技術發展現狀
SLAM是同步定位與地圖構建(Simultaneous Localization AndMapping)的縮寫，SLAM主要用於解決移動機器人在未知環境中運行時定位導航與地圖構建的問題。無人車描述環境、認識環境的過程主要就是依靠地圖，常用的地圖表示方法有四種：柵格地圖、特徵地圖、外觀地圖以及拓撲地圖。
圖8 谷歌無人駕駛汽車的感知系統
柵格地圖：柵格地圖就是把環境劃分成一系列柵格，其中每一柵格給定一個可能值，表示該柵格被佔據的概率。柵格地圖常採用雷射雷達、深度攝像頭、超聲波傳感器等可以直接測量距離數據的傳感器採集構建。一方面它能表示空間環境中的很多特徵，機器人可以用它來進行路徑規劃，另一方面，它又不直接記錄傳感器的原始數據，相對實現了空間和時間消耗的最優。因此，柵格地圖是目前機器人所廣泛應用的地圖存儲方式。
特徵地圖：特徵地圖是用有關的幾何特徵（如點、直線、面）表示環境，常見於 vSLAM（視覺 SLAM）技術中，相比柵格地圖，這種地圖看起來不那麼直觀。它一般通過如 GPS、UWB 以及攝像頭配合稀疏方式的 vSLAM 算法產生，優點是相對數據存儲量和運算量比較小，但是它往往不能反應所在環境的一些必須的信息，比如環境中障礙物的位置。
外觀地圖：外觀地圖直接用傳感器讀取的數據來構造機器人的位姿空間。這種方法就像衛星地圖一樣，直接將傳感器原始數據通過簡單處理拼接形成地圖，相對來說更加直觀。這種方法的信息冗餘度最大，對於數據存儲是很大的挑戰，同時，要從中提取出有用的數據也要耗費一番周折，因此在實際應用中很少使用。
拓撲地圖：拓撲地圖不需要明確的幾何信息,只利用節點以及節點之間的連接關係來描述環境。拓撲地圖的優點是抽象度高,易於管理,不需要精確的幾何參數描述,特別適用於描述結構化的環境,拓撲地圖一般是由前幾類地圖通過相關算法提取得到。
SLAM通常包括如下幾個部分：特徵提取，數據關聯，狀態估計，狀態更新以及特徵更新等。SLAM算法有很多重要的屬性，影響著地圖特徵和機器人位置估計中的不確定性。包括：狀態估計的收斂性，估計過程的一致性，狀態協方差矩陣更新的計算複雜度。常用的SLAM算法主要包括基於擴展卡爾曼濾波器（EKF）的SLAM算法、基於概率的SLAM算法、基於粒子濾波器的SLAM算法、基於空間擴展信息濾波器的SLAM算法、基於集合理論估計的SLAM算法等。
目前已有很多開源的SLAM方案可供參考借鑑，常見的開源SLAM方案有MonoSLAM、PTAM、ORB-SLAM、DVO-SLAM、RGBD-SLAM-V2、DSO、Elastic Fusion、HectorSLAM、以及Kinect Fusion等，常見的開源方案及特點見下表分析。
表5 常見的開源SLAM方案及其特點分析
方案名稱
傳感器
特點
MonoSLAM
單目
第一個實時的單目視覺SLAM系統，應用場景很窄，路標數量有限，稀疏特徵點非常容易丟失的情況，對它的開發也已經停止。
PTAM
單目
早期的結合AR的SLAM工作之一，存在場景小，跟蹤容易丟失等缺陷
ORB-SLAM
單目為主
提出於2015年，是現代SLAM系統中做得非常完善、非常易用；支持單目、雙目、RGB-D三種模式；整個SLAM系統都採用特徵點進行計算，特徵點計算量大，無法提供導航、避障、交互等諸多功能。
LSD-SLAM
單目為主
使用了直接法進行跟蹤，所以它既有直接法的優點（對特徵缺失區域不敏感）；在相機快速運動時容易丟失。
SVO
單目
速度極快；俯視配置下是有效的，但在平視相機中則會容易丟失，為了速度和輕量化，捨棄了後端優化和迴環檢測部分，也基本沒有建圖功能。
RTAB-MAP
雙目/RGB-D
支持一些常見的RGB-D和雙目傳感器，像Kinect、Xtion等，且提供實時的定位和建圖功能。不過由於集成度較高，使得其他開發者在它的基礎上進行二次開發變得困難。
SLAM未來的發展方向，一方面是朝輕量級、小型化方向發展，另一方面則是利用高性能計算設備，實現精密的三維重建、場景理解等功能。同時，視覺+慣性導航SLAM，以及SLAM和深度學習技術相結合的語義SLAM也是技術發展的一個重要方向。
視覺+慣性導航SLAM：實際應用的機器人通常都不會只攜帶一種傳感器，往往是多種傳感器的融合。慣性傳感器（IMU）能夠測量傳感器本體的角速度和加速度，為快速運動提供了較好的解決方式，而相機又能在慢速運動下解決IMU的漂移問題，兩種傳感器具有明顯的互補性，而且十分有潛力在融合之後得到更完善的SLAM系統。
圖6 越來越多的攝像頭開始集成IMU設備
語義SLAM：隨著深度學習的發展，已經有研究者開始使用神經網絡，越來越準確地對圖像進行識別、檢測和分割。物體識別和分割都需要大量的訓練數據，SLAM和深度學習技術相結合，可以利用SLAM自動生成帶高質量標註的樣本數據，能夠很大程度上加速分類器的訓練過程。
4 態勢評估技術發展現狀
（1） 態勢評估概述
從信息融合功能的角度出發，美國國防部聯合指揮實驗室（JDL實驗室）提出了信息融合功能模型。此模型包含5個不同級別的處理層，如圖所示。
圖9 JDL信息融合功能模型
態勢評估是信息融合的高級階段，其技術內涵包括對一定時空範圍內戰場環境中諸元素狀態的感知、含義的理解以及對未來狀態的預測。按照認知科學的方法可以劃分為感知、理解和預測三個層次。具體而言，其要解決的核心問題主要包括實體間組織關係的識別、事件的探測與關聯、作戰群體靜態屬性和動態行為分析以及計劃識別與不確定性推理等。威脅估計則是在態勢評估的基礎上對戰場上的威脅及其重要程度進行適時的完整評價。與低層次的信息融合相比，態勢評估具有以下兩方面主要特點：1）更多的處理關係，而不是目標屬性；2）與一級融合相比，缺乏定量模型支持。其研究的難點在於如何關聯和處理繁雜的關係信息，形成態勢的表達。
國外開展戰場態勢評估方面的研究工作相對較早，JDL 提出了分層多級的戰場信息模型和對戰場態勢評估相對公認的定義，對理解態勢評估有著重要的影響。JDL模型將態勢評估描述為: 態勢評估是在戰場一級數據( 即為對戰場上目標位置和身份等的估計) 融合處理的基礎上，建立的關於作戰活動、事件、時間、位置和兵力要素等組織形式的一張多重視圖，它將所觀測到的戰鬥力量分布與活動和戰場周圍環境、敵作戰意圖及敵機動性等有機地聯繫起來，識別已發生的事件和計劃，得到對敵方兵力結構、部署、行動方向與路線的估計結果，指出敵軍的行為模式，推斷出敵軍的意圖，做出對當前戰場情景的合理解釋，並對臨近時刻的態勢變化做出預測，最終形成戰場綜合態勢圖，為指揮員進行決策提供有力的輔助支持。JDL 態勢評估模型圖如下圖所示。
圖10 JDL態勢評估模型
美國的JDL 模型強調了態勢各因素之間的關係: 如關聯兵力構成、戰場環境、作戰條例、各目標狀態以及事件等因素，用以形成態勢多重視圖，從而推斷敵方作戰意圖與作戰目標，關注重點是評估的目標目的。隨著研究工作的進展，美軍學者Endsley 提出側重關注人的影響和幹預，並從人的邏輯思維角度出發，根據歷史情況( 包括訓練水平、作戰風格等) 、作戰目標等信息，關聯戰場環境，逐層分析、評估、推理，推斷敵方未來作戰意圖，來制定作戰決策與行動目標。由此，Endsley 將戰場態勢評估劃分為三個連續的功能階段，即態勢覺察( SituationAwareness，SAW) 、態勢理解 (Situation Comprehension，SC ) 和態勢預測 ( Situation Predic-tion，SP) 。
真實環境下態勢估計的對象是作戰區域中隨時間推移而不斷動作並變化著的作戰實體，態勢估計實際上就是對這樣一個動態變化的對象感知並提取出來的態勢元素進行覺察、認識、理解和預測的處理過程。
圖11 態勢評估階段劃分
（2） 態勢評估技術發展情況
目前，隨著傳感器、計算機等硬體水平的不斷提高，環境信息的感知和收集已經取得了很大的進展，相應的一級數據融合技術的發展也相對成熟。但態勢評估、威脅估計以及態勢理解等與決策密切相關的高層數據融合技術的發展卻相對滯後。這導致戰場環境的感知與理解大多還停留在較低層次的感知階段，對環境態勢的自動理解水平較低。然而，對於無人作戰系統而言，環境態勢的理解恰恰是支持其自主規劃和決策的瓶頸所在。
根據國內外發表的研究論文情況，態勢評估技術研究熱點主要體現為: 基於指標構建的方法、基於模板的方法、基於模糊集理論方法、基於溯因理論方法、基於專家系統方法、基於貝葉斯網絡推理的方法、基於多樣本假設檢驗方法、基於對策論和決策論的方法、基於條件代數的方法、基於不確定推理的方法、基於D－S 證據理論的方法、基於黑板模型方法、基於案例推理的態勢評估方法、基於語義的方法、基於計劃知識圖識別方法、基於人工智慧的方法，以及基於多種方法的綜合技術等。下表對部分代表性技術的基本思想和技術特點進行了說明。
表6態勢評估技術對比
方法
技術概述
特點
基於溯因理論方法
溯因理論是一種逆推理歸納，它是一種由結論成立而推出前提以某種置信度成立的歸納方法。
非直接的態勢評估。
基於貝葉斯網絡推理方法
通過對給定的知識庫和一些給定的動作形成態勢預測貝葉斯網絡集合，然後採用前向鏈式規則進行推理。
該方法的主要問題是當知識庫和證據集合增加時，貝葉斯網
絡的大小會快速增加,所以不適用於比較複雜的識別問題。
基於貝葉斯方法
基本思想是利用貝葉斯理論來評估一個解釋的可能性。態勢預測是生成所有可能的解釋，然後利用貝葉斯理論來評價各個解釋，最後選擇最可能的一個。
該方法適用於那些比較容易得到先驗概率的問題領域
基於計劃知識圖方法
它的主要思想是將 Kautz 的事件計劃層次結構圖轉換為一個計劃知識圖，計劃知識圖是一個非循環的與或圖，然後利用與或圖的寬度優先算法來求能夠解釋觀察到的動作集合的計劃集。
該方法的主要優點是與或圖的搜索算法已經非常成熟，所以可以很好地控制搜索過程。
基於D-S證據理論方法
採用信度函數而不是概率作為度量，通過對目標事件加以約束來建立信度函數。其核心是Dempster合成規則。
屬於人工智慧範疇，具有處理不確定信息的能力，滿足比貝葉斯概率論更弱的條件，具有直接表達「不確定」和「不知道」的能力。
基於專家系統方法
模擬人類專家的推理思維過程，一般是將領域專家的知識和經驗用一種知識表達模式存入計算機。系統對輸入的事實進行推理，做出判斷和決策。
基於人工智慧方法（熱點聚焦於深度學習）
深度學習的動機在於建立、模擬人腦進行分析學習的深度神經網絡，通過模仿人對事物的認知方式，可以在無監督的情況下, 不斷對事物進行抽象學習。基於深度學習的戰場態勢理解，對於無人平臺自主決策具有重要意義。
可以挖掘出大數據背後包含的隱含特徵, 全面的抽象到態勢理解。
近年來，隨著人工智慧的發展，基於深度學習的戰場態勢評估技術成為一個重要研究方向。與傳統的態勢評估技術相比，將深度學習引入到複雜戰場態勢評估技術研究中，會具有以下突出優勢:
①深度學習良好的非線性表達能力，能夠更好地刻畫出複雜體系中豐富的內在信息，為有效模擬指揮員思維模式以及從不同角度來理解複雜戰場態勢提供了理論依據; ②深度學習的多層特徵學習能力，可為分析戰場態勢特徵空間、時間以及交互上的多樣層次關係提供支持; ③深度學習的自主特徵抽取能力，可適應戰場態勢評估過程中態勢狀態空間的高維度特點。
美軍一直將機器學習在內的人工智慧技術作為重點發展的基礎研究和應用開發領域。2009 年 DAＲPA 啟動了 Deep Learning 研究計劃，該項目嘗試採用深度學習方法，從戰場獲取的大量無標籤的聲音、視頻、傳感器和文本數據中抽取更多隱藏的有用特徵，並將其用於模式識別和特徵分類、挖掘關聯關係、監測異常、描述事件的時間關係等。2010年3月，美軍還啟動了Mind'sEye項目，旨在為機器建立視覺的智能，可對視頻信息進行形象推理; 同年啟動的Insight研究項目針對目前情報、監視和偵察系統的不足，對圖像和非圖像傳感器數據進行自動化人機集成推理，可提前預知和分析對時間敏感的潛在威脅。2012年3月，DAＲPA開始實施的XDATA計劃旨在開發用於分析大量半結構化和非結構化數據的計算技術和軟體工具，同年啟動的DEFT ( Deep Exploration and Filtering of Text) 項目更加明確地提出要利用深度學習技術發掘大量結構化文本中隱含的、有實際價值的特徵信息，同時還要具備可將處理後的這些信息進行進一步整合的能力，在此基礎上，將這些技術用於作戰評估、規劃、預測的輔助決策支持中。2013年啟動的PPAML( Probabilistic Programming forAdvance Machine Learning) 項目，致力於構建智能學習機器，使其能從不確定的信息中理解數據、分析結果、推理關聯關係。
目前美國三軍的深度學習研究主要集中在幾個方面：1)利用深度學習處理各種傳感器數據、大數據等，挖掘其中的有價值情報，支撐決策制定；2)利用深度學習提高人機互動能力；3)利用深度學習分析網電、電子戰的進攻模式，提高應對能力。
5自主規劃技術發展現狀
（1） 自主規劃能力概念
自主規劃能力是指無人地面車輛能夠根據作戰任務和當前態勢，自主進行任務規劃和路徑規劃。
任務規劃能力的自主性體現在無人地面車輛根據突發狀況進行任務規劃與重規劃的能力。自主任務規劃在戰時需要具備軍事知識庫（戰術文件、作戰規程等）、態勢估計、任務理解和作戰知識等，根據需要完成獨立行動、編隊任務規劃和任務重規劃。
路徑規劃是生成一條從指定起始位置到目標位置並避開環境中障礙的運動軌跡的過程。路徑規划算法輸入的是標明正、負障礙，給定起點和終點的環境地圖，輸出的是一組規定了運行軌跡的途經點。
１）全局路徑規劃
在無人地面車輛進入工作狀態前，結合車輛動力學、已知地形、天候條件等先驗知識，識別和理解任務環境，進行全局路徑規劃，避 開有障礙、危險性大、不可通行區域。
２）局部路徑重規劃
無人地面車輛的工作環境是部分已知或完全未知，系統必須根據傳感器獲得的實時信息或戰術要求對路徑進行調整或重新規劃。
３）多系統多目標路徑規劃
單系統路徑規劃已經發展得比較成熟，對於多車多任務的路徑規劃還處在不斷發展中，體現規劃能力的高自主性。
圖12 自主規劃能力指標分解
（2） 自主規劃技術研究現狀
目前在軍用無人地面系統的應用領域還做不到全自主，也未開展全自主作戰研究。在很長一段時間內，還是以人機協同作戰的模式，以人員操控為主，自主就是降低人員的操控難度，比如在一些複雜路況中局部自主的形式，對目標的自動跟蹤等。但是在最關鍵的方面，比如打擊、涉及到系統安全方面操作的還是由人來主導，即「人在迴路」。
國外無人地面系統自主控制技術研究起步早,研發規模大、技術水平高,自主控制技術成熟度已達到5～6級水平,開發出了具有一定自主控制能力的地面無人系統,更重要的是在自主控制技術的載體——自主控制系統的體系架構、模塊化軟體組件、關鍵技術性能指標的測試評估等方面均已形成一整套標準,開始實現無人平臺自主控制系統的工程化與產品化。例如以色列「守護者」MK.1地面無人系統是目前國外現役自主水平最高的無人車,該地面無人系統採用4×4底盤,能自主設定行駛路線、規避障礙、在網絡中還可與其他「守護者」地面無人系統協同作戰,最大行駛速度可達80千米/時。美軍將大數據挖掘技術引入作戰指揮決策支持系統,利用基於知識發現的專家系統,提高決策的效率和科學性。2015年,DARPA的「大機理」項目,開發基於大數據的智能自動化計算技術,包括信息提取和規範、智能推理引擎、知識綜合運用等技術,實現根據任務自動制定作戰方案,在任務層面快速、獨立完成作戰決策,使得指揮官能夠以最快的方式向作戰單元甚至是單兵發出指令,從而實現「任務式指揮」的目標。
國內科研院所研製的部分軍用無人地面系統也已初步具備自主路徑規劃能力。由中國陸軍裝備部主辦的「跨越險阻2016」、「跨越險阻2018」地面無人系統挑戰賽中，自主駕駛相關科目中，比賽全程無人車輛都要自主行進、規劃路線、規避路障。比賽獲勝單位的無人車經受了正負障礙及運動障礙避讓、被阻斷道路的動態路徑規劃、橋梁與隧道通行、野外戰場通行等科目的綜合考驗。
未來藉助深度學習技術,機器人可以表現出與人類直覺類似的形象思維與邏輯思維能力，隨著自主控制和人工智慧技術的大量運用,賦予無人裝備一定程度的智能化指揮決策和自主化行動能力,從而產生能夠自主任務規劃和協同完成進攻與防禦作戰任務的地面無人系統和技術只是時間問題。
(公眾號回復「綜述」可直接下載全文PDF版本)