Lightweight 3D LiDAR-Based UAV Tracking: An Adaptive Extended Kalman Filtering Approach

Each language version is independently generated for its own context, not a direct translation.

这篇论文讲述了一个关于如何让无人机在“看不见”的情况下，依然能精准地“抓住”另一架无人机的故事。

想象一下，你正在玩一个极其复杂的捉迷藏游戏。两架无人机在天空中追逐，但其中一架（观察者）不能依赖 GPS（就像在室内或高楼林立的城市里，GPS 信号会丢失），也不能依赖摄像头（因为如果天黑了、起雾了，或者目标飞得太快，摄像头就瞎了）。

这时候，它需要依靠一种叫**3D 激光雷达（LiDAR）**的“超级眼睛”。

1. 核心挑战：一把“漏勺”和“乱跳的球”

传统的激光雷达像是一个旋转的探照灯，能扫出很完整的图像。但这篇论文用的是一种新型、轻便的激光雷达（Livox Mid-360），它为了省电和变轻，扫描方式很特别：它不是均匀地扫，而是像用漏勺撒豆子一样，点云数据（看到的点）是稀疏的、不均匀的，而且忽多忽少。

这就带来了两个大麻烦：

数据太稀疏：有时候只能看到目标的一两个点，就像只看到一个人的鞋尖，很难判断他在哪。
数据太“调皮”：因为扫描方式特殊，有时候数据很准，有时候全是噪点（误报）。

如果用一个死板的“老式导航员”（传统的卡尔曼滤波），它会假设数据质量永远一样。一旦遇到数据突然变差，或者目标突然急转弯，这个老导航员就会“发疯”，算出目标已经飞到了几公里外，完全跟丢了。

2. 解决方案：一位“聪明的自适应导航员”

作者设计了一种自适应扩展卡尔曼滤波（AEKF）。我们可以把它想象成一位经验丰富的老练教练，而不是死板的机器。

这位教练有两个超能力：

A. 动态调整“信任度”（自适应噪声调整）

比喻：想象你在教一个学生投篮。
- 如果学生投得很准（数据好），教练会更信任他的动作，继续按原计划训练。
- 如果学生突然投偏了，或者外面刮大风（数据变差、有干扰），教练不会死板地认为学生“疯了”，而是会立刻调整心态：“哦，看来今天环境不好，或者学生状态不稳。”于是，教练会降低对这次投篮结果的信任，更多地依赖之前的经验（预测），而不是被这次糟糕的数据带偏。
论文中的技术：系统会实时计算“预测”和“实际看到”的差距。如果差距大，它就自动调高“不确定性”，告诉系统：“别太相信刚才那个数据，小心点！”这样就能防止无人机在数据不好时算出离谱的位置。

B. 记忆与复活（恢复机制）

比喻：就像你在玩捉迷藏，目标突然躲进了一堵墙后面（被遮挡），你看不见他了。
- 笨办法：直接宣布“目标消失了”，然后乱猜。
- 聪明办法：教练会想：“哦，他刚才往那边跑了，虽然现在看不见，但我可以顺着他的惯性猜他大概还在哪。”等墙一过去，目标重新出现，教练能立刻把“猜的位置”和“看到的位置”无缝接上，继续追踪，不会断片。
论文中的技术：当激光雷达因为遮挡或信号太弱没扫到目标时，系统不会崩溃，而是利用之前的运动规律继续“盲猜”，一旦重新扫到，立刻修正，保证追踪不中断。

3. 实验结果：谁跑得更稳？

作者真的飞了两架无人机在天上测试（一架带着激光雷达追另一架）：

死板的老导航员（固定参数滤波）：在目标急转弯或信号不好时，直接“发疯”，预测位置偏离了50 米，完全跟丢了。
粒子滤波（一种笨重的算法）：虽然没跟丢，但轨迹抖得像筛糠，而且计算量太大，像让一个小学生去解微积分，太累。
作者的“聪明教练”（自适应滤波）：
- 最稳：轨迹平滑，紧紧贴着真实位置，误差最小（只有 2.8 米）。
- 最聪明：在目标急转弯时，它能迅速反应，不会像老导航员那样反应迟钝。
- 最省电：虽然很聪明，但它跑在普通的无人机电脑（Jetson Nano）上，完全不卡顿，就像给无人机装了一个轻量级的“最强大脑”。

总结

这篇论文的核心就是：给无人机装上一个会“看脸色行事”的导航系统。

它不再死板地相信传感器，而是懂得在数据好时“大胆相信”，在数据差时“小心谨慎”，在目标消失时“凭记忆盲猜”。这让无人机即使在没有 GPS、光线不好、或者目标飞得很快的复杂环境下，也能像老鹰抓小鸡一样，稳稳地锁定目标。这对于未来的无人机编队飞行、搜救任务以及城市里的自动送货无人机来说，是一项非常关键的技术突破。

Each language version is independently generated for its own context, not a direct translation.

以下是基于论文《Lightweight 3D LiDAR-Based UAV Tracking: An Adaptive Extended Kalman Filtering Approach》（基于轻量级 3D 激光雷达的无人机跟踪：一种自适应扩展卡尔曼滤波方法）的详细技术总结：

1. 研究背景与问题 (Problem)

核心挑战：在 GPS 拒止环境（如室内、城市峡谷、茂密植被区）中，无人机编队飞行、自主拦截和空中交通管理需要可靠的相对定位与跟踪能力。
现有方法的局限性：
- 视觉跟踪：虽然研究广泛，但在低光照、恶劣天气或能见度差的环境下性能显著下降。
- 传统 LiDAR 跟踪：
  - 现有系统常依赖笨重、高功耗的传感器，不适合小型无人机（UAV）的严格载荷和能源限制。
  - 针对小型、高机动无人机的跟踪，传统算法难以处理稀疏、非均匀且含噪的点云数据。
  - 大多数现有滤波器使用固定的噪声协方差矩阵，无法适应非重复扫描（Non-repetitive scanning）LiDAR（如 Livox 系列）产生的数据质量波动和动态环境变化。
- 多传感器融合：虽然有效，但增加了计算开销、校准复杂度和系统集成难度，违背了轻量化平台的需求。

2. 方法论 (Methodology)

论文提出了一种基于**自适应扩展卡尔曼滤波（AEKF）**的轻量级 LiDAR 跟踪框架，主要包含以下三个核心模块：

A. LiDAR 数据处理与目标检测

传感器：使用 Livox Mid-360（非重复扫描模式）安装在 DJI F550 无人机上。
处理流程：
1. 体素网格滤波 (Voxel Grid Filter)：对原始点云进行下采样，保留空间结构并降低计算量。
2. 感兴趣区域 (ROI) 滤波：通过圆柱形区域过滤掉背景数据，仅保留特定距离和高度范围内的点。
3. 优化聚类 (Optimized Clustering)：使用针对稀疏数据优化的 DBSCAN 算法（ $\epsilon=0.5m$ , 最小点数=3）提取候选无人机目标。
4. 目标验证：结合几何特征（大小、长宽比、平面性）和马氏距离（Mahalanobis distance）进行时空门控，剔除鸟类或植被等误检。

B. 自适应扩展卡尔曼滤波 (Adaptive EKF)

状态模型：采用恒定加速度 (Constant Acceleration, CA) 状态空间模型，状态向量包含位置 ( $p$ )、速度 ( $v$ ) 和加速度 ( $a$ )，以更好地捕捉无人机的动态机动行为。
自适应机制（核心创新）：
- 过程噪声协方差 ( $Q_k$ ) 自适应：基于新息 (Innovation, $d_k$ ) 统计动态调整。若新息较大（模型未捕捉到快速运动），则增加 $Q_k$ 以提高滤波器响应速度。
- 测量噪声协方差 ( $R_k$ ) 自适应：基于残差 (Residual, $\varepsilon_k$ ) 统计动态调整。若残差较大（测量与状态不一致），则增加 $R_k$ ，降低滤波器对当前含噪测量的信任度。
- 通过遗忘因子 ( $\alpha, \beta$ ) 实现噪声参数的在线实时更新。

C. 数据关联与丢失恢复机制

数据关联：使用马氏距离进行验证门控 ( $D_M < \tau$ )，确保测量值与预测轨迹的匹配。
遮挡处理：
- 当发生短暂遮挡或检测失败时，滤波器仅基于运动动力学进行状态传播。
- 恢复策略：若超过阈值时间 ( $t_{occl}$ ) 未收到测量，系统会平滑地重新初始化跟踪，防止滤波器发散，确保在目标重新出现时能迅速恢复跟踪。

3. 关键贡献 (Key Contributions)

针对可变数据质量的自适应滤波：提出了一种能根据实时测量可靠性动态调整噪声参数的方法，解决了非重复扫描 LiDAR 数据固有的波动性问题。
不规则点云中的鲁棒数据关联：利用基于马氏距离的验证门控，有效管理非均匀点云中的不确定性，确保在杂乱环境下的连续跟踪。
间歇性检测的恢复机制：设计了专门的策略，在测量缺失期间维持跟踪连续性，并在遮挡后平滑重初始化。
稀疏数据的优化聚类：针对稀疏 LiDAR 回波优化了 DBSCAN 算法，无需辅助传感器即可实现精确的无人机分割。

4. 实验结果 (Results)

实验设置：在真实飞行场景中，使用搭载 Jetson 计算模块和 Livox Mid-360 的“观测者”无人机跟踪另一架进行随机机动的“目标”无人机。使用 RTK-GPS 作为真值参考。
对比算法：
1. 固定噪声协方差的恒定加速度卡尔曼滤波 (Fixed CA-KF)。
2. 粒子滤波 (Particle Filter, PF, 2000 个粒子)。
3. 提出的自适应 CA-EKF (CAEKF)。
性能指标：
- 跟踪精度 (RMSE)：
  - 3D RMSE：CAEKF 为 2.8m，显著优于粒子滤波 (5.5m) 和固定 KF (13.0m)。
  - 水平面精度：X 轴 3.0m，Y 轴 4.0m，远优于其他方法。
  - 相比固定 KF 误差降低了 78.5%，相比粒子滤波降低了 49.1%。
- 鲁棒性：
  - 在目标超出探测范围或检测丢失期间（如 480s, 500s, 540s），固定 KF 出现严重发散（误差达 50 米），而 CAEKF 通过动态增加过程噪声，有效抑制了轨迹发散，保持了合理的状态估计。
  - 粒子滤波虽未发散，但在机动过程中表现出明显的抖动 (Jitter)。
- 计算效率：
  - 在 Jetson Nano 平台上，CAEKF 的平均 CPU 负载约为 106.5%（多核聚合），回调频率达 9.3 Hz，满足实时性要求。
  - 内存占用约 194.3 MB，在硬件限制范围内。

5. 意义与结论 (Significance & Conclusion)

技术突破：该研究证明了在无需多传感器阵列或外部基础设施的情况下，仅依靠轻量级 3D LiDAR 和自适应滤波算法，即可在 GPS 拒止环境中实现高精度的无人机相对定位。
实际应用价值：
- 解决了小型无人机载荷受限与高算力需求之间的矛盾。
- 显著提升了在稀疏点云、间歇性检测和剧烈机动场景下的跟踪稳定性。
- 为无人机编队、自主拦截和搜救任务提供了可靠的感知基础。
未来方向：计划扩展至多目标跟踪（区分相似目标、处理相互遮挡）、减少误报，并探索将深度学习感知与自适应滤波相结合，以进一步提升复杂环境下的检测鲁棒性。

总结：这篇论文通过引入自适应噪声协方差调整和针对非重复扫描 LiDAR 特性的优化处理流程，成功解决了一个长期存在的难题：如何在资源受限的小型无人机上，利用稀疏且不规则的 LiDAR 数据实现鲁棒、高精度的实时跟踪。实验结果表明，该方法在精度和鲁棒性上均优于传统的固定参数滤波器和粒子滤波器。