《战场GPS拒止环境下基于地标定位的安全路径导航》

在战场环境中，敌方常对GPS信号实施干扰或欺骗，因此需采用替代方法实现部队定位与安全导航。基于视觉的定位方法（如同步定位与建图SLAM、视觉里程计VO）依赖传感器融合且计算负载较高，而无测距定位方法（如DV-HOP）在动态稀疏网络拓扑中面临精度与稳定性问题。本文首次提出一种基于地标定位（LanBLoc）与战场专用运动模型（BMM）的导航方法LanBLoc-BMM，并辅以扩展卡尔曼滤波器（EKF）。通过在合成与真实轨迹数据集上，将该方法与三种集成BMM及贝叶斯滤波器（EKF与PF）的现有先进视觉定位算法进行效能对比，结果表明：在真实数据集中，LanBLoc-BMM（EKF）以平均位移误差（ADE）0.2393、最终位移误差（FDE）0.3095、平均加权风险评分（AWRS）0.1528及运行时间14.94毫秒的综合表现优于所有对比算法。

进一步，本文提出两种集成LanBLoc-BMM（EKF）的安全路径导航算法——SafeNav-CHull与SafeNav-Centroid。SafeNav-Centroid依赖安全路径段的质心进行移动决策，而SafeNav-CHull利用路径段的凸包结构。两种算法均整合新型风险感知RRT（RAw-RRT）算法实现避障与风险暴露最小化。本文引入平均加权风险评分（AWRS）作为评估轨迹风险暴露的新指标，构建模拟战场场景进行安全路径导航测试，并从位移误差、风险暴露、计算时间与轨迹长度等维度评估所提算法的性能。实验表明：SafeNav-Centroid在ADE、FDE、AWRS及平均百分比误差方面表现优异，而SafeNav-CHull则在计算时间效率上达到最优。

图1. 战场环境示意图，包含密集分布的地标簇、障碍物与危险组分。从簇4质心延伸至簇3质心的安全路径缓冲带标识无风险区域，引导移动实体安全规避障碍物并最小化风险暴露。

在军事行动中，安全导航需要精准可靠的定位系统[1]、路径规划以及对抗条件下的机动决策支持系统。因此，定位算法是安全导航的核心，尤其在战场上，精确的位置、时间同步与协调对部队和地面载具的机动至关重要。在GPS干扰、地形障碍与威胁普遍存在的对抗场景中，鲁棒的导航系统对任务规划与作战效能维持具有决定性作用。此外，随着无人地面载具（UGV）与无人飞行器（UAV）等自主系统成为现代战争的核心要素，对高精度、强韧导航能力的需求持续增长。这些系统通过确保安全性、时效性与协调性，支撑战场机动与任务执行的成功。

挑战：GPS虽能提供可靠定位数据，但其对卫星信号的依赖使其在作战场景中易受干扰与欺骗[2]。针对GPS拒止环境下的定位与导航难题，已开发出多种方法，包括同步定位与建图（SLAM）[5]、视觉里程计（VO）[7]及DV-Hop定位[11]等非GPS技术。在GPS不可靠或失效时，SLAM通过构建未知环境地图并同步跟踪个体或载具位置实现定位；VO则通过跟踪机载摄像头连续视频帧中的视觉特征（如边缘或角点）运动，估计移动目标的位姿。尽管SLAM与VO在姿态估计与导航（尤其是GPS拒止环境）中表现强大，但其在战场安全导航中存在局限性：处理高分辨率数据或复杂3D环境时需高算力，对小型化、电池供电或快速响应系统构成制约；且需多传感器融合技术[19]，这在士兵使用小型电池供电设备的战场资源受限场景中难以实现。为应对上述挑战，文献[4]提出LanBLoc框架——一种面向非GPS战场环境的定位方案，利用立体视觉与地标识别，仅依赖被动相机传感器与地理地标作为定位参考。然而，该方法未解决基于地标定位的非GPS环境导航与运动规划问题，这正是本研究的核心目标。

研究贡献：本研究聚焦于利用LanBLoc作为定位测量模型，在非GPS环境中高效引导移动军事单位、地面载具或侦察单元（统称为移动实体，ME）沿安全路径导航。安全路径指战场中最小化危险暴露风险的导航边界，确保ME从起点至终点的安全、高效与成功导航（如图1所示）。为实现目标，本研究首先定义地面移动对象的运动规划模型，并针对战场场景提出“战场运动模型（BMM）”，捕捉地形障碍与威胁等非线性动态特性。随后，提出导航方法LanBLoc-BMM，将LanBLoc作为定位测量模型，BMM用于运动规划，分别集成扩展卡尔曼滤波器（EKF）[17]与粒子滤波器（PF）[18]以处理战场地形未建模干扰。通过在合成与真实轨迹数据集上，将LanBLoc-BMM与文献中的先进视觉定位方法（如DeepLoc-GPS、DeepLocEKF-GPS[8]、多传感器融合[19]）进行性能对比，实验表明：集成EKF的LanBLoc-BMM在两类数据集中均展现出最优导航性能，验证了LanBLoc框架作为战场导航定位测量模型的有效性。因此，基于LanBLoc-BMM(EKF)的导航方法可支撑移动实体在GPS拒止战场环境中的起点至目标导航（如图1所示）。该导航方法假设战场环境中存在足够的地标（位于移动实体探测范围内）以支持三边定位（如文献[4]）。图中圆形区域表示地标簇，从簇4质心延伸至簇3的带状边界区域代表安全路径。

安全路径导航算法：为确保移动实体安全，本研究进一步提出两种算法——SafeNav-CHull与SafeNav-Centroid，通过安全状态检查与路径边界内受控机动实现安全保障。两种算法均与LanBLoc-BMM(EKF)集成，支持沿安全路径的高效导航。为处理路径内障碍物，本研究改进快速扩展随机树星算法（RRT），提出“风险感知RRT（RAw-RRT）”，定义新型风险感知成本函数。SafeNav-Centroid计算安全路径段的质心以控制单元机动，确保安全性与最短轨迹；SafeNav-CHull则对路径段的凸包[13]进行点-多边形测试[15]，实现安全验证与控制输入计算。RAw-RRT确保生成无障碍、路径最短且风险最小的轨迹。

性能评估：采用平均位移误差（ADE）、最终位移误差（FDE）与百分比误差等指标评估算法性能，并定义“平均加权风险评分（AWRS）”衡量轨迹风险暴露程度（基于轨迹点偏离危险边界的程度）。研究成果如下：

1. LanBLoc-BMM(EKF)在合成数据集中取得ADE/FDE 0.4972/0.4675、最小AWRS 0.3492及最短运行时间3.98ms；在真实数据集中取得ADE/FDE 0.2393/0.3095、AWRS 0.1528及运行时间14.94ms，均优于对比算法。
2. SafeNav-Centroid轨迹估计平均百分比误差为5.46%，较SafeNav-CHull提升16.12%；其ADE/FDE为1.11/0.99米，分别比SafeNav-CHull优1.67倍与3.30倍。SafeNav-Centroid风险暴露更低，而SafeNav-CHull计算效率更高。总体而言，SafeNav-Centroid生成风险暴露最低的最短路径，SafeNav-CHull则以更高计算效率提供可比结果。