一种基于最大互相关熵无迹粒子滤波的AUV协同导航方法技术

本发明专利技术提供了一种基于最大互相关熵无迹粒子滤波的AUV协同导航方法，属于非线性滤波及协同导航技术领域。本发明专利技术提供的方法中，采用最大互相关熵无迹粒子滤波(Maximum Correntropy Unscented Kalman Filter，MCUKF)算法，完成AUV协同导航过程中的状态估计问题。在AUV协同导航过程中，首先将协同导航的状态方程和量测方程重构成非线性递归模型，利用最大互相关熵准则进行处理；然后在标准粒子滤波(Particle Filter，PF)的框架中采用MCUKF产生PF中所需的重要性概率密度函数，然后按照PF的算法流程获取对AUV状态的估计，从而实现对AUV的定位，完成协同导航。本发明专利技术的AUV协同导航方法在量测噪声出现野值的AUV协同导航中，能够获得比现有的粒子滤波、改进粒子滤波以及鲁棒滤波更加优越的性能。

A AUV cooperative navigation method based on maximum cross correlation entropy and unscented particle filter

The invention provides an AUV cooperative navigation method based on maximum cross-correlation entropy unscented particle filter, which belongs to the technical field of nonlinear filtering and cooperative navigation. In the method provided by the invention, the maximum cross-correlation entropy unscented Kalman filter (MCUKF) algorithm is adopted to complete the state estimation problem in the process of AUV cooperative navigation. In the process of AUV cooperative navigation, the state equation and measurement equation of cooperative navigation are reconstructed into a nonlinear recursive model, which is processed by the maximum cross-correlation entropy criterion, and then the importance probability density function required in PF is generated by using MCUKF in the framework of Particle Filter (PF). The algorithm process obtains the estimation of the AUV state, so as to realize the location of AUV and complete the cooperative navigation. The AUV cooperative navigation method of the present invention can obtain better performance than the existing particle filter, improved particle filter and robust filter in the AUV cooperative navigation with measured noise outliers.

【技术实现步骤摘要】
一种基于最大互相关熵无迹粒子滤波的AUV协同导航方法
本专利技术涉及一种基于最大互相关熵无迹粒子滤波(MaximumCorrentropyUnscentedParticleFilter,MCUPF)的AUV协同导航方法，属于非线性滤波及协同导航

技术介绍
自主水下航行器(Autonomousunderwatervehicles,AUV)是一种综合了人工智能、计算机软件、传感器等先进技术的现代科技产物。在海洋资源勘探与开发、水下设备检查、战区侦查等方面都有广泛的应用。由于人类对海洋的探索和开发活动日益深入，仅使用单体AUV已经不能满足要求，于是科学家们把目光转移到了多个AUV组成的协作系统上。对AUV的位置信息进行估计是AUV协同导航中一个十分重要的问题，常用的方法之一就是基于状态空间模型的的滤波方法，它能够实现统计意义上的最优估计，获得精度较高的估计信息。基于此，人们提出了许多针对AUV协同导航的非线性滤波，例如扩展卡尔曼滤波(ExtendedKalmanFilter,EKF)、无迹卡尔曼滤波(UnscentedKalmanFilter,UKF)、粒子滤波(ParticleFilter,PF)等。在实际的协同导航中，量测噪声经常出现野值的现象，比如当多普勒计程仪(DopplerVelocityLog，DVL)发生水锁现象时会引起厚尾非高斯量测噪声；此外，声源和接收器之间的多声学传播路径导致声波的反射而引起声速随着深度的改变以及对水面和海床的反射也会引起对位置的量测出现野值。为了解决野值问题，人们提出了许多野值鲁棒滤波。例如，基于Huber方法的非线性滤波(HuberNonlinearKalmanFilter,HNKF)和基于Student’st方法的迭代变分贝叶斯容积卡尔曼滤波(IterationVariationalBayesianCubatureKalmanFilter,IVBCKF)，但由于HNKF中影响函数在影响参数γ超过1.345之后不会回降，导致估计性能下降，而IVBCKF的性能依赖于Student’st分布中尺度矩阵和自由度参数的选取，在实际的协同导航中很难确定真实的尺度矩阵和自由度参数，这会使得IVBCKF的精度下降。随后，研究人员提出一类新的用于解决量测噪声野值问题的方法，即基于最大互相关熵的滤波方法，例如最大互相关熵卡尔曼滤波(MaximumCorrentropyKalmanFilter,MCKF)和最大互相关熵无迹卡尔曼滤波(MaximumCorrentropyUnscentedKalmanFilter,MCUKF)。不同于传统的鲁棒滤波方法，互相关熵不仅可以捕获通常的二阶统计信息，还可以获得更高阶的统计信息，因此能获得更好的估计结果。然而，目前人们在AUV协同导航领域内应用的最大互相关熵滤波MCUKF只适用于高斯噪声情况下，在非高斯噪声情况下，这种方法不再适用。
技术实现思路
本专利技术提供了一种基于最大互相关熵无迹粒子滤波的AUV协同导航方法，目的在于解决在AUV协同导航领域内应用的最大互相关熵滤波MCUKF只适用于高斯噪声情况下，在非高斯噪声情况下，这种方法不再适用的问题。为实现上述目的，本专利技术提供的方法针对水下通信时异常噪声干扰情况，提出了基于最大互相关熵无迹粒子滤波的AUV协同导航方法。以无迹粒子滤波为研究基础，充分考虑在水下作业环境中，量测噪声异常对粒子滤波状态估计方法的严重影响，应用最大互相关熵方法对异常噪声问题进行处理，给出了基于最大互相关熵无迹粒子滤波的协同导航方法的关键步骤。本专利技术提供的方法包括以下几个步骤：步骤一：建立描述AUV协同导航系统的状态方程和量测方程。步骤二：初始化，设置所需要的参数。步骤三：将AUV协同导航的系统量测方程和状态方程重构成非线性递归方程的形式进行处理，然后进行重要性采样。根据步骤二得到的初始粒子，应用MCUFK获得下一时刻的后验状态估计和对应的后验状态估计方差，基于此生成一个高斯分布，从此高斯分布中随机抽取N个新的粒子，根据新抽取的粒子计算每个粒子对应的权值并将其归一化。步骤四：KLD重采样，对上一个步骤得到的N个粒子进行筛选，得到最终的粒子集。步骤五：状态滤波更新。应用步骤四获得的粒子，完成状态的滤波更新，得到协同定位参数的估计状态和估计误差协方差矩阵完成协同导航的任务，其中代表第k时刻重采样后的第i个粒子，代表第k时刻重采样后第i个粒子相对应的权值，代表第k时刻的状态估计值。本专利技术的优势在于：(1)建立了基于声学测距的AUV协同定位的状态空间模型，利用AUV之间的距离量测信息，充分考虑了异常噪声问题的存在，给出了一种高精度的基于鲁棒信息滤波的协同导航方法；(2)为了避免线性化误差，通过将系统状态方程和量测方程重新构建成非线性递归方程的形式进行处理；(3)通过理论分析与实际运行经验，得到在四维情况下，当量测噪声出现野值时，取σ＝15时，本专利技术提出的基于MCUPF的AUV协同导航方法可以获得比现有的基于粒子滤波(ParticleFilter,PF)、MCUKF、HRUPF及IVBCKF的AUV协同导航方法更优的性能，提高AUV协同导航的精度和鲁棒性。附图说明图1是本专利技术所述的一种基于MCUPF方法的流程图；图2是本专利技术提供的方法与基于PF、MCUKF、HRUPF及IVBCKF的AUV协同导航方法中对目标位置估计的平均定位误差曲线；图3是本专利技术中实验里的速度观测的曲线图；图4是本专利技术中实验里的范围量测的曲线图；图5是本专利技术中实验里过程噪声和量测噪声的概率密度曲线；图6是本专利技术提供的方法与基于PF、MCUKF、HRUPF及IVBCKF的AUV协同导航方法的平均定位误差。具体实施方式下面结合附图对本专利技术作进一步的详细说明：本专利技术为一种基于最大互相关熵无迹粒子滤波的AUV协同导航方法，包括以下几个步骤：步骤一：建立描述AUV协同导航系统的状态方程和量测方程。在此考虑的是主从式AUV协同定位模型，此处领航者是通信导航设备(CommunicationandNavigationAid，CNA)。因为CAN和AUV的深度能够被压力传感器精确地测量出来，所以3维的协同定位问题能够被简化为2维的协同定位问题。基于协同定位系统声学测距的状态空间模型具体为：其中，式(1)为状态方程，式(2)为观测方程为，xk和yk分别为AUV第k时刻的东向和北向位置，Δt是采样时间，和分别为第k时刻由DVL提供的右舷速度和前向速度，是由罗盘测量出的航向角，xk＝[xk,yk]T表示AUV的位置向量，wk＝[wx,k,wy,k]T表示过程噪声向量，zk是CAN和AUV之间的相对方位，并且它是使用水声调制解调器并通过到达时间的方法来测量的，是CAN在第k时刻的位置通过水声调制解调器阶段性地提供，δk代表量测噪声。基于式(1)和式(2)，协同定位系统广义的离散时间状态空间模型(状态方程和量测方程)能被建立如下：这里状态转移矩阵为F＝I2，其中I2表示2维单位矩阵，控制输入表达式为量测函数表达式具体为步骤二：通过理论分析与实际运行经验选择合适的MCUKF的核宽度σ并从已知的先验分布中随机抽取N个初始粒子，并设置它们的权值为1/N。具体为，从已知的先验分布中抽取N个粒子本文档来自技高网...

【技术保护点】
1.一种基于最大互相关熵无迹粒子滤波的AUV协同导航方法，其特征在于：包括以下几个步骤：步骤一：建立描述AUV协同导航系统的状态方程和量测方程；步骤二：初始化，设置所需要的参数；步骤三：将AUV协同导航的系统量测方程和状态方程重构成非线性递归方程的形式进行处理，然后进行重要性采样，根据步骤二得到的初始粒子，应用MCUFK获得下一时刻的后验状态估计和对应的后验状态估计方差，基于此生成一个高斯分布，从此高斯分布中随机抽取N个新的粒子，根据新抽取的粒子计算每个粒子对应的权值并将其归一化；步骤四：KLD重采样，对上一个步骤得到的N个粒子进行筛选，得到最终的粒子集；步骤五：状态滤波更新，应用步骤四获得的粒子，完成状态的滤波更新，得到协同定位参数的估计状态

【技术特征摘要】
1.一种基于最大互相关熵无迹粒子滤波的AUV协同导航方法，其特征在于：包括以下几个步骤：步骤一：建立描述AUV协同导航系统的状态方程和量测方程；步骤二：初始化，设置所需要的参数；步骤三：将AUV协同导航的系统量测方程和状态方程重构成非线性递归方程的形式进行处理，然后进行重要性采样，根据步骤二得到的初始粒子，应用MCUFK获得下一时刻的后验状态估计和对应的后验状态估计方差，基于此生成一个高斯分布，从此高斯分布中随机抽取N个新的粒子，根据新抽取的粒子计算每个粒子对应的权值并将其归一化；步骤四：KLD重采样，对上一个步骤得到的N个粒子进行筛选，得到最终的粒子集；步骤五：状态滤波更新，应用步骤四获得的粒子，完成状态的滤波更新，得到协同定位参数的估计状态和估计误差协方差矩阵完成协同导航的任务，其中代表第k时刻重采样后的第i个粒子，代表第k时刻重采样后第i个粒子相对应的权值，代表第k时刻的状态估计值。2.根据权利要求1所述的一种基于最大互相关熵无迹粒子滤波的AUV协同导航方法，其特征在于：所述的AUV协同导航系统的状态方程和量测方程具体如下：采用的是主从式AUV协同定位模型，此处领航者是通信导航设备(CommunicationandNavigationAid，CNA)，基于协同定位系统声学测距的状态空间模型具体为：其中，式(1)为状态方程，式(2)为观测方程为，xk和yk分别为AUV第k时刻的东向和北向位置，Δt是采样时间，和分别为第k时刻由DVL提供的右舷速度和前向速度，是由罗盘测量出的航向角，xk＝[xk,yk]T表示AUV的位置向量，wk＝[wx,k,wy,k]T表示过程噪声向量，zk是CAN和AUV之间的相对方位，并且它是使用水声调制解调器并通过到达时间的方法来测量的，是CAN在第k时刻的位置通过水声调制解调器阶段性地提供，δk代表量测噪声，基于式(1)和式(2)，协同定位系统广义的离散时间状态空间模型(状态方程和量测方程)能被建立如下：这里状态转移矩阵为F＝I2，其中I2表示2维单位矩阵，控制输入表达式为量测函数表达式具体为3.根据权利要求1所述的一种基于最大互相关熵无迹粒子滤波的AUV协同导航方法，其特征在于：参数设...

【专利技术属性】
技术研发人员：张勇刚，范颖，王国庆，汪晓雨，李宁，
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