一种基于非线性信息滤波的AUV协同导航方法技术

本发明专利技术公开一种基于非线性信息滤波的AUV协同导航方法。该方法中，采用分布式结构的无迹信息滤波器完成协同导航过程中的定位任务。在协同定位过程中，首先建立AUV导航系统的状态方程和量测方程；然后采用无迹信息滤波获得主AUV的状态信息，在数据包传递时刻进行状态信息的扩充，并通过无迹信息滤波完成对从AUV状态的估计，在数据包接收时刻对数据包信息进行处理；最后恢复主、从AUV通过信息滤波得到的导航信息。该发明专利技术解决了水声通信中信息延迟造成的AUV定位精度低的问题，充分考虑了AUV之间信息传递带来的信息相关性问题，并利用信息边缘化方法解决了该问题，避免了导航信息发散，实现了协同导航的高精度实时定位的目标。

A AUV cooperative navigation method based on nonlinear information filtering

The invention discloses a AUV cooperative navigation method based on nonlinear information filtering. In this method, the distributed structure of the non - trace information filter is used to complete the positioning task in the collaborative navigation process. In the collaborative process of localization, the state equation and measurement equation is firstly established AUV navigation system; then the state information of the unscented filter to get the main information of AUV, extend the state information in the packet transmission time, and from the AUV state estimation by unscented filtering information, in a packet reception time for the data packet information processing; finally, through the restoration of the main navigation information obtained from AUV information filtering. The invention solves the problems of low precision AUV positioning information caused by delay in underwater acoustic communication, give full consideration to the AUV transmission of information between the information brought by the correlation problem, and use the information of edge method to solve the problem, to avoid the navigation information divergence, real-time positioning accuracy of target cooperative navigation.

【技术实现步骤摘要】
一种基于非线性信息滤波的AUV协同导航方法
本专利技术涉及非线性滤波及协同导航
，具体涉及一种基于非线性信息滤波的AUV协同导航方法。
技术介绍
在AUV协同导航
，高精度导航是亟待解决的首要问题。集中式协同导航方法将各个AUV原始的量测信息输送至融合中心处理，在融合中心进行数据融合过程，结构的灵活性差，无法对导航数据进行实时操作，实用性不强，一旦融合中心故障，整个系统都会瘫痪。为了解决集中式协同导航的问题，研究人员提出了分布式协同导航结构。分布式协同导航方法将各个AUV的量测信息在各自平台上进行实时处理，并充分利用了AUV之间的距离量测信息，对于实时导航来说是更好的选择。但是，分布式导航方式也面临着几个主要的问题：和陆基导航系统相比，水下声学导航受到严重的信息延迟限制。声音在水下的传播速度大约是1500m/s，以公里数量级的长度为尺度来传播数据包便会导致秒数级的延迟。这种延迟在水下通信中是不可避免的，会对协同导航定位的性能产生很大影响；其次，各AUV之前的信息传递使其内部信息具有相关性，在数据处理过程中必须要考虑这个问题。现对一般的非线性滤波问题的研究相当活跃，常用的有“扩展卡尔曼滤波EKF，不敏卡尔曼滤波UKF，粒子滤波PF等。一般的非线性最优滤波可归结为求条件期望的问题。对于有限多个观测值的情形，条件期望原则上可以用贝叶斯公式来计算。但即使在比较简单的场合，这样得出的结果也是相当繁杂的，无论对实际应用或理论研究都很不方便。与卡尔曼滤波类似，人们也希望能给出非线性滤波的某种递推算法或它所满足的随机微分方程。但一般它们并不存在，因此必须对所讨论的过程X与Y加以适当的限制。非线性滤波的研究工作相当活跃，它涉及随机过程论的许多近代成果，如随机过程一般理论、鞅、随机微分方程、点过程等。其中一个十分重要的问题，是研究在什么条件下，存在一个鞅M，使得在任何时刻,M和Y都包含同样的信息；这样的M称为Y的新息过程。目前对于一类所谓“条件正态过程”，已经给出了非线性最优滤波的可严格实现的递推算式。在实际应用上，对非线性滤波问题往往采用各种线性近似的方法。目前，人们在分布式协同导航
的研究处于探索阶段，在进行信息传递时，高延迟信号使得AUV无法接收到精确的协同导航信息，对导航精度有很大影响；而忽略导航信息之间的相关性，将会导致长时间导航情况下定位精度严重下降。为了解决上述问题，本专利技术提供了一种基于非线性信息滤波的AUV协同导航方法，该方法考虑了AUV信息传递中产生的信息相关性，实时操作性强，可以保证AUV在信息延迟的环境中保持高定位精度。
技术实现思路
本专利技术为一种基于非线性信息滤波的AUV协同导航方法首先建立AUV协同导航系统的状态模型和量测模型；然后应用非线性信息滤波对主AUV的状态进行估计，在AUV数据包进行传递的时刻对状态向量进行扩充，加入当前时刻的状态信息，在下一时刻传递的数据包信息中，先要去除上一时刻传递的数据包信息，这样就可以最大程度上避免水声信道带宽窄带来的问题；接着对从AUV进行基于非线性信息滤波方法的状态估计，在数据包到达的时刻对数据包信息进行接收处理，提高从AUV导航定位精度；最后，对主、从AUV的信息滤波结果进行数据恢复，得到高精度的导航定位信息。具体包括以下几个步骤：(1)建立描述AUV协同导航系统的状态方程和量测方程；(2)对主AUV进行基于非线性信息滤波的状态估计，并在有数据包传递给从AUV的时刻将当前时刻信息保存到状态向量中，在数据包传递结束后对状态向量进行信息边缘化过程；(3)对从AUV进行基于非线性信息滤波的状态估计，并在有主AUV传递的数据包到达的时刻进行数据接收和处理，在接收到的数据包被处理后对状态向量进行信息边缘化过程；(4)对主、从AUV的信息滤波状态恢复，得到AUV的导航信息。其特征在于，所述的步骤(1)具体为：建立非线性的系统模型如下：其中，状态方程为xk＝f(xk-1)+nk-1，观测方程为zk＝h(xk)+vk，xk为第k时刻的n维状态向量；zk为第k时刻的m维量测向量；f(·)和h(·)为已知的非线性函数；nk-1为第k-1时刻n维系统噪声；vk为第k时刻m维观测噪声，假设随机系统噪声nk-1～N(0,Qk-1)，q～N(μ,Σ)表示随机向量q服从均值为μ方差为Σ的高斯分布；随机量测噪声vk～N(0,Rk)且nk-1与vk不相关。其特征在于，所述的步骤(2)具体为：(2.1)进行一步预测更新：当前时刻主AUV不进行数据包传递时，一步预测不进行状态扩充即不加入当前时刻的状态，假设当前状态如下：其中，表示k时刻联合状态向量，它有两部分组成，为k时刻状态，为历史时刻状态；信息滤波将状态重新定义如下：其中，表示k时刻估计误差协方差，为k时刻信息矩阵，用表示，为k时刻信息向量，用表示，k时刻联合状态矩阵和状态向量表示如下：其中表示k时刻联合信息矩阵，分别表示k时刻和历史时刻的信息矩阵，均表示k时刻与历史时刻的关联信息矩阵，表示k时刻联合信息向量，表示k时刻信息向量，表示历史时刻信息向量；一步预测结果如下：其中，表示随机系统噪声的协方差，表示非线性函数f(·)伪系统矩阵，可定义如下：其中，表示和的互协方差，在无迹卡尔曼滤波算法中可以用sigma采样点表示如下：其中，均为采样点，2n为总采样个数；当前时刻主AUV进行数据包传递时，一步预测进行状态扩充，加入当前的状态，k时刻传递的数据包表示为：其中，ΛT表示上一数据包传递时刻主AUV的信息矩阵，ηT表示上一数据包传递时刻主AUV的信息向量；信息传递结束后，对ΛT、ηT及时更新：将k时刻状态信息扩充到状态向量中，结果如下：对应的信息矩阵和信息向量如下：(2.2)量测更新：其中，表示量测噪声vk的方差，表示k+1时刻的量测向量，代表非线性函数h(·)伪量测矩阵，表示如下：其中，表示一步预测估计和量测预测的互协方差，表示利用无迹卡尔曼滤波基本方程求得的一步预测误差协方差；(2.3)边缘化处理：在量测更新完成后，对状态向量进行信息边缘化处理。其特征在于，所述的步骤(3)具体为：(3.1)一步预测更新：其中表示k时刻联合信息矩阵，分别表示k时刻的信息矩阵和历史信息矩阵，均表示k时刻关联信息矩阵与历史关联信息矩阵，表示k时刻联合信息向量，表示k时刻信息向量，表示历史信息向量；一步预测结果表示如下：其中，表示一步预测信息矩阵，表示一步预测信息向量，表示非线性函数f(·)伪系统矩阵，表示随机系统噪声的方差；(3.2)量测更新：当前时刻从AUV未接收到主AUV传递的数据包时，一步预测后不进行数据包处理，直接进行本地更新：其中，代表非线性函数h(·)伪量测矩阵，表示量测噪声vk的方差，表示k+1时刻的量测向量；当前时刻从AUV接收到从主AUV传递的数据包时，一步预测后进行数据包处理再更新；ΛΔ补零后相加：距离量测更新如下：本地量测信息更新如下：(3.3)边缘化处理：在量测更新完成后，对状态向量进行信息边缘化处理，具体算法同主AUV信息边缘化过程。本专利技术的优点在于：(1)建立了AUV协同导航系统模型，利用AUV之间的距离量测信息，充分考虑了延迟问题的存在，给出了一种高精度的基于非线性信息滤波的协同导航方法。(2)充分考虑了AU本文档来自技高网...

【技术保护点】
一种基于非线性信息滤波的AUV协同导航方法，其特征在于，具体包括以下几个步骤：(1)建立描述AUV协同导航系统的状态方程和量测方程；(2)对主AUV进行基于非线性信息滤波的状态估计，并在有数据包传递给从AUV的时刻将当前时刻信息保存到状态向量中，在数据包传递结束后对状态向量进行信息边缘化过程；(3)对从AUV进行基于非线性信息滤波的状态估计，并在有主AUV传递的数据包到达的时刻进行数据接收和处理，在接收到的数据包被处理后对状态向量进行信息边缘化过程；(4)对主、从AUV的信息滤波状态恢复，得到AUV的导航信息。

【技术特征摘要】
1.一种基于非线性信息滤波的AUV协同导航方法，其特征在于，具体包括以下几个步骤：(1)建立描述AUV协同导航系统的状态方程和量测方程；(2)对主AUV进行基于非线性信息滤波的状态估计，并在有数据包传递给从AUV的时刻将当前时刻信息保存到状态向量中，在数据包传递结束后对状态向量进行信息边缘化过程；(3)对从AUV进行基于非线性信息滤波的状态估计，并在有主AUV传递的数据包到达的时刻进行数据接收和处理，在接收到的数据包被处理后对状态向量进行信息边缘化过程；(4)对主、从AUV的信息滤波状态恢复，得到AUV的导航信息。2.根据权利要求1所述的一种基于非线性信息滤波的AUV协同导航方法，其特征在于，所述的步骤(1)具体为：建立非线性的系统模型如下：其中，状态方程为xk＝f(xk-1)+nk-1，观测方程为zk＝h(xk)+vk，xk为第k时刻的n维状态向量；zk为第k时刻的m维量测向量；f(·)和h(·)为已知的非线性函数；nk-1为第k-1时刻n维系统噪声；vk为第k时刻m维观测噪声，假设随机系统噪声nk-1～N(0,Qk-1)，q～N(μ,Σ)表示随机向量q服从均值为μ方差为Σ的高斯分布；随机量测噪声vk～N(0,Rk)且nk-1与vk不相关。3.根据权利要求1所述的一种基于非线性信息滤波的AUV协同导航方法，其特征在于，所述的步骤(2)具体为：(2.1)进行一步预测更新：当前时刻主AUV不进行数据包传递时，一步预测不进行状态扩充即不加入当前时刻的状态，假设当前状态如下：其中，表示k时刻联合状态向量，为k时刻状态，为历史时刻状态；信息滤波将状态重新定义如下：其中，表示k时刻估计误差协方差，为k时刻信息矩阵，用表示，为k时刻信息向量，用表示，k时刻联合状态矩阵和状态向量表示如下：其中表示k时刻联合信息矩阵，分别表示k时刻和历史时刻的信息矩阵，均表示k时刻与历史时刻的关联信息矩阵，表示k时刻联合信息向量，表示k时刻信息向量，表示历史时刻信息向量；一步预测结果如下：其中，表示随机系统噪声的协方差，表示非线性函数f(·)伪系统矩阵，可定义如下：其中，表示和的互协方差，在无迹卡尔曼滤波算法中可以用sigma采样点表示如下：其中，均为采样点，2n为总采样个数；当前时刻主AUV进行数据包传递时，一步预测进行状态扩充，加入当前的状态，k时刻传递的数据包表示为：其中，ΛT表示上一数据包传递时刻主AUV的信息矩阵，ηT表示上一数据包传递时刻主AUV的信息向量；信息传递结束后，对ΛT、ηT及时更新：将k时刻状态信息扩充到状态向量中，结果如下：对应的信息矩阵和信息向量如下：

【专利技术属性】
技术研发人员：李宁，张滋，王国庆，张勇刚，
申请(专利权)人：哈尔滨工程大学，
类型：发明
国别省市：黑龙江,23