一种考虑洋流影响的AUV组合导航算法

针对由捷联惯导(SINS)、多普勒测速仪(DVL)以及深度传感器组成的自主水下航行器(AUV)组合导航系统,当DVL测量距离无法达到海底的情况下,洋流是该系统主要误差源之一的问题,在SINS/DVL组合导航算法的基础上,提出了一种在原算法中加入洋流信息提高系统导航定位精度的方法,并将以上两种导航算法解算出的AUV位置信息进行仿真对比,仿真结果表明:与未考虑洋流信息的算法相比,加入洋流信息的算法能够有效提高AUV的定位精度。     

基于移动长基线的多AUV 协同导航

基于扩展卡尔曼滤波（EKF）理论研究了多AUV 协同导航定位的移动长基线算法．移动长基线多AUV 协同导航结构中,主AUV 内部装备高精度导航设备,从AUV 内部装备低精度导航设备,外部均装备水声装置测量 相对位置关系,利用移动长基线算法融合内部和外部传感器信息,实时获取从AUV 的位置信息．建立了协同导航 系统数学模型,设计了EKF 协同导航算法,在各种测试情况下通过仿真验证了所推导的分析结果,对EKF 和几何 解方程算法的导航效果进行了比较．研究结果表明,以主AUV 作为移动的长基线节点时,通过EKF 算法可以显著 提高群体的导航定位精度．     

基于因子图结合卡方检测的多AUV协同定位方法

针对复杂的水下环境导致水声通信噪声出现异常值的问题,提出一种基于因子图结合卡方检测的多AUV协同定位算法。建立因子图模型将全局函数估计问题转化为局部函数和积估计问题,利用卡方检测测距噪声异常值。所提算法在测距噪声存在异常值情况下,与传统Kalman滤波算法相比定位误差大幅减小。该研究进行了数学仿真验证,验证了所提算法可以有效提高系统的定位稳定性,处理测距噪声异常值对定位性能的影响。     

基于单领航者相对位置测量的多AUV协同导航系统定位性能分析

自主水下航行器 (Autonomous underwater vehicle, AUV) 的协同导航是解决水下导航定位问题的重要方法, 其中导航系统的定位误差增长特性是衡量其定位性能的关键指标. 本文针对单领航者相对位置测量的多 AUV 协同导航系统, 利用扩展卡尔曼滤波方法建立了导航系统的整体定位误差关于相对位置量测误差的传递方程. 在此基础上, 通过求解系统定位误差随时间演化的代数黎卡提方程, 得到了其在稳态情形下的方差上界估计. 理论分析表明, 单领航 AUV 协同导航系统的整体定位误差有界收敛且与初始化滤波方差无关, 具有良好的综合性能. 最后, 仿真实例验证了文中理论分析结果的正确性.     

基于距离量测的双领航多AUV协同定位队形优化分析

利用领航与跟随多自主水下航行器(AUV)间相对距离量测信息进行协同定位,可有效提高多AUV编队整体定位精度.针对多AUV编队队形对协同定位性能所造成的影响,利用Fisher信息矩阵(FIM)行列式的对数构建协同定位性能评价函数,并通过评价函数的最大化实现编队队形的优化.分析并验证多AUV编队含有两个跟随AUV及两个以上跟随AUV共圆情况下的最优队形,并利用梯度下降算法进行迭代搜索,从而获得两个以上跟随AUV不共圆情况下的优化队形.最后,通过仿真实验结果验证结论的正确性及队形优化算法的有效性.     

利用sigma点卡尔曼滤波的多UUV协同定位

融合无人水下航行器（UUV）内部航位递推估计和外部量测信息的协同定位方法是一种提高只配备低精度自定位装置的UUV定位精度的有效手段。当协同系统结构固定时,滤波器的选择就决定了精度提高的幅度。针对扩展卡尔曼滤波（EKF）在处理非线性系统时具有较大的截断误差和繁琐的计算,提出了使用sigma点卡尔曼滤波（SPKF）的协同定位方法。与EKF相比,无味卡尔曼滤波（UKF）和中心差分卡尔曼滤波（CDKF）具有更好的鲁棒性,在没有增加计算复杂度的基础上进一步提高了UUV的定位精度。仿真比较了采用不同滤波算法的协同定位方法提高定位精度的效果,验证了利用sigma点卡尔曼滤波的多UUV协同定位方法的有效性和一致性。     

异时量测序贯处理的多AUV协同导航

利用多个体之间的相对信息提高个体的定位精度的协同导航是一个很值得探讨的问题。自治水下航行器（AUV）在移动长基线（MLBL）网络中获取各应答器的位置信息并解算出相对各应答器的距离量测后,再通过贝叶斯滤波算法集中式提高其定位精度。但是,集中式利用量测的方法没有考虑由于水下环境的宽广性和水下传感器的限制导致的声信号在AUV和应答器间的往返时间内AUV的移动和应答器间位置的差异所带来的影响。首先以并行滤波的形式总结了集中式扩展卡尔曼滤波（EKF）协同导航方法,并针对集中式利用量测的不利因素,提出了按照异时量测的产生顺序即时更新AUV状态的更有效的序贯EKF协同导航算法,最后在仿真中将两种处理方法进行了比较。     

一种改进的多AUV协同导航数学模型

自主式水下航行器(Autonomous Underwater Vehicle,AUV)代表了未来水下航行器发展的方向,多AUV协同导航系统通过信息的共享,可以获得单AUV导航系统无法具备的优势。分析了多AUV协同导航基本原理和两种网络结构的优缺点,提出了一种新的改进的多AUV协同导航网络结构,并推导出了其运动模型和量测模型,为后续协同导航算法的研究打下了基础。     

基于ANFIS的多AUV协同定位系统量测异常检测方法

针对异常水声测距信息对多自主水下航行器(Autonomous underwater vehicles, AUV)协同定位系统的不利影响, 以及传统故障检测方法在多水声测距信息交替混淆的情况下检测效率低的问题, 提出一种基于自适应神经模糊推理系统(Adaptive neuro-fuzzy inference system, ANFIS)的量测异常检测方法. 首先, 分别建立与各水声测距系统相对应的ANFIS模型; 然后, 基于自适应容积卡尔曼滤波(Adaptive cubature Kalman filter, ACKF)和马氏距离构造反映量测异常的特征信息作为ANFIS的输入; 其次, 基于预定义的量测异常信息建立了初始混合数据库以训练ANFIS模型实现对量测异常的在线实时检测与隔离; 最后, 利用湖水实验数据进行了AUV协同定位仿真验证. 实验结果表明该方法可以准确识别异常水声测距信息, 与传统故障检测方法相比, 误报率(False positive rate, FPR)与漏检率(False negative rate, FNR)均减少70%以上.     

考虑通信延迟的多自治水下航行器协同定位算法

自治水下航行器(AUV)协同定位中通信延迟具有常态性. 面对延迟到达的信息, 传统方法一般会有定位精 度或实时性的损失. 针对通信延迟的不利影响, 本文在建立水声探测和通信时延模型的基础上, 以扩展卡尔曼滤波 (EKF)为算法框架, 提出了信息顺序到达和信息出序到达2种协同定位算法, 并以建构面向信息出序情景的算法为 主要创新工作. 在信息顺序到达算法中, 将延迟信息进行序贯处理以减小定位误差. 在信息出序到达算法中, 以信 息出现一步滞后的延迟为背景, 使用出序信息直接对从AUV最新状态估计进行再更新, 信息无损地实时估计运动 状态. 计算机仿真实验结果表明, 本文算法相比于传统的航位推算、整周期滤波、量测丢弃等方法, 具有更高的估计 精度; 相比于数据缓存滤波、重新滤波等方法, 具有强实时性.     

基于移动长基线和误差修正算法的多UUV协同导航

在移动长基线（MLBL）定位结构中,虽可利用基于水声传播延迟（TOF）原理获取的量测信息和贝叶斯滤波器（如扩展卡尔曼滤波（EKF））提高低自定位能力无人水下航行器（UUV）的定位精度,但较高的测量误差会降低这种提高的幅度.根据水声通信的特点提出了一种相关性假设并构建了误差修正算法（ECA）,在设定条件下利用误差间的相关性减小量测误差,从而实现量测的粗估计.仿真结果表明,先粗估计量测值再结合贝叶斯滤波器,可显著提高配备低精度自定位传感器的UUV的定位精度.     

Cooperative localization method for multi-robot based on PF-EKF

A method of cooperative localization for multi-robot in an unknown environment is described. They share information and perform localization by using relative observations and necessary communication. At initial time, robots do not know their positions. Once the robot that can obtain the absolute position information has its position, other robots use particle filter to fuse relative observations and maintain a set of samples respectively representing their positions. When the particles are close to s Gsussian distribution after a number of steps, we switch to an EKF to track the pose of the robots. Simulation results and real experiment show that PF-EKF method combines the robustness of PF and the efficiency of EKF. Robots can share the absolute position information and effectively localize themselves in an unknown environment.     

基于高斯—施密特粒子滤波器的多机器人协同定位

多机器人协同定位需对各个机器人的运动模型和观测模型精确建模,需要运用非线性、非高斯系统。已经应用于本领域的各种非线性算法主要有两种：一种是扩展卡尔曼滤波算法（EKF）,它对非线性系统进行局部线性化,从而间接利用卡尔曼算法进行滤波与估算;另一种是序列蒙特卡罗算法,即粒子滤波器（PF）。本文介绍了一种改进的粒子滤波
器,即高斯-施密特粒子滤波器（GHPF）,重点比较这三种算法在多机器人协同定位领域的应用效果。     

基于粒子滤波的AUV组合导航方法

讨论了粒子滤波器和RB(Rao-Blackwellised)粒子滤波器两种滤波方法在组合导航中的应用,给出了组合导航算法用于自治水下航行器(AUV)的具体数学模型,并且与拓展卡尔曼滤波器的导航结果进行比较.利用AUV湖上试验验证了3种算法的导航性能,试验结果表明RBPF组合导航算法能够获得最好的导航精度;然而通过对算法进行分析,发现其计算复杂度高于其余两种滤波算法.     

Cooperative Localization of AUVs Using Moving Horizon Estimation

This paper studies the localization problem of autonomous underwater vehicles (AUVs) constrained by limited size, power and payload. Such AUVs cannot be equipped with heavy sensors which makes their underwater localization problem difficult. The proposed cooperative localization algorithm is performed by using a single surface mobile beacon which provides range measurement to bound the localization error. The main contribution of this paper is twofold: 1) The observability of single beacon based localization is first analyzed in the context of nonlinear discrete time system, deriving a sufficient condition on observability. It is further compared with observability of linearized system to verify that a nonlinear state estimation is necessary. 2) Moving horizon estimation is integrated with extended Kalman filter (EKF) for three dimensional localization using single beacon, which can alleviate the computational complexity, impose various constraints and make use of several previous range measurements for each estimation. The observability and improved localization accuracy of the localization algorithm are verified by extensive numerical simulation compared with EKF.      

基于传感器信息的水下机器人动态避障研究

提出一种新的基于传感器信息的自治式水下机器人(AUV)动态避障方法。介绍了传感器的工作原理。通过栅格法把传感器采集的AUV运行环境障碍信息进行合理描述,并预测动态障碍物的速度,保证AUV能够根据传感器信息躲避障碍物,达到航行要求。最后,通过仿真实验对机器人自主避障能力进行了验证。