一种基于模糊自适应滤波的无人艇组合导航方法技术

本发明专利技术公开了一种基于模糊自适应滤波的无人艇组合导航方法，由捷联惯性导航系统和全球定位系统组成。无人艇执行任务时其船体较小受环境影响较大，本发明专利技术目的是改善由于量测噪声统计特性随实际外部环境不同导致的常规卡尔曼滤波发散问题，并提高捷联惯性导航系统/全球卫星导航系统的滤波精度。该方法通过监测理论残差和实际残差的协方差一致程度，应用模糊推理系统不断调整滤波器的增益系数，对卡尔曼滤波器进行在线自适应调整，最终实现最优估计。本发明专利技术所设计的自适应滤波方法能够准确的估算出系统的实时量测噪声统计特性，使无人艇组合导航系统输出更精确的位置和速度信息。

An integrated navigation method for Unmanned Aerial Vehicles Based on fuzzy adaptive filtering

The invention discloses an unmanned craft integrated navigation method based on fuzzy adaptive filtering, which is composed of strapdown inertial navigation system and global positioning system. The purpose of the present invention is to improve the divergence of conventional Kalman filter caused by the difference of measurement noise statistical characteristics with the actual external environment, and to improve the filtering accuracy of SINS/GNSS. By monitoring the covariance consistency between theoretical and practical residuals, the fuzzy inference system is used to adjust the gain coefficients of the filter continuously, and the Kalman filter is adjusted adaptively on-line to achieve the optimal estimation. The adaptive filtering method designed by the invention can accurately estimate the real-time measurement noise statistical characteristics of the system, so that the UAV integrated navigation system can output more accurate position and speed information.

【技术实现步骤摘要】
一种基于模糊自适应滤波的无人艇组合导航方法
本专利技术涉及导航系统
，具体涉及一种基于模糊自适应滤波的无人艇组合导航方法。
技术介绍
无人艇(USV)具有体积小、隐身性好、智能、无人员伤亡等优点，在军事方面能够灵活作战，部署机动，使用方便，可以在危险区域或者不适宜派遣有人舰船的区域独立自主执行任务，拓展了海上作战范围，具有良好的费效比。我国作为海岸线广阔、海上争端频发的发展中大国，有必要加强无人艇技术研究，保护自身的海洋权益。而为其设计一款高性能的导航系统具有重要现实意义。就目前而言，对于无人艇导航系统的主要要求是小体积、高精度、高可靠性，能够适应不同海况，针对其特点，常采用捷联惯导系统(SINS)和全球定位系统(GPS)组成组合导航系统。在传统组合导航系统中，卡尔曼滤波技术得到广泛的应用。当组合导航系统的数学模型精确已知，并忽略计算误差时，用常规卡尔曼滤波对系统的状态进行估计，可以得到状态的精确估计值。如果系统数学模型不精确或者噪声统计特性变化，常规卡尔曼滤波精度将大大降低，甚至发散。建立组合导航系统准确的数学模型需要做大量的试验，尤其是建立准确的系统噪声和量测噪声的统计特性。为了解决此问题，通常采用自适应滤波技术，在进行滤波的同时，利用观测数据带来的信息，不断地在线估计和修正模型参数、噪声统计特性以提高滤波精度，得到对象状态的最优估计值。近年来，许多学者对自适应滤波进行了深入的研究。文献“抗野值自适应卡尔曼滤波方法的研究，中国惯性技术学报，2003”提出了抗野值自适应滤波方法，这种方法通过对信息的监测判断是否有野值出现，当有野值出现时，通过自适应调整增益矩阵，达到消除野值影响的目的。但是它仅仅解决了由于野值引起滤波发散的情况，而对其它原因引起的滤波发散无能为力。文献“Arobustandself-stunningKalmanfilterforautonomousspacecraftnavigation，DegreeofdoctorofWashingtonUniversity，2001”提出了多模型和基于信息的自适应滤波方法，由于这种方法多处出现矩阵求逆计算，实时性和稳定性难以满足要求。另外，这种方法要求系统可观测，而且它仅仅适合白噪声。在文献“神经网络辅助卡尔曼滤波技术在组合导航系统中的应用研究，中国惯性技术学报，2003”中指出，将人工智能技术和滤波技术融合是滤波技术的发展趋势。神经网络作为人工智能技术中的一个领域，其主要优点在于它对系统的模型没有特别要求，只要有足够的用于训练的先验数据，就可以用训练的神经网络近似代替原系统。但训练样本的获取一直是神经网络应用的一个瓶颈。对无人艇组合导航系统而言，由于自身艇小更易受到复杂海况的影响，系统量测噪声统计特性随实际工作环境而改变，初始的先验值并不能代表实际工作时的噪声情况。经过对捷联式惯性导航系统的大量反复试验，可以获得试验时系统噪声的统计特性，但是实际工作时量测噪声的统计特性是未知的，因此需要一种在线估计量测噪声统计特性的自适应滤波方法。
技术实现思路
本专利技术的目的是为了解决上述问题，提出一种基于模糊自适应滤波的无人艇组合导航方法。本专利技术根据实时得到的量测新息的实际方差与理论方差的比值和差值，由设计的模糊推理系统(FIS)在线实时调整量测噪声矩阵。这就使滤波算法不需要得到准确的量测噪声矩阵的先验知识，且对于时变得量测噪声也能够得到精确的估计值。采用递推的方式逐步调整系统量测噪声方差阵逼近真实值，并可通过调整参数来调整逼近过程在快速性和稳定性之间达到最佳平衡，且以量测新息的实际方差与理论方差的差值和比值作为模糊推理系统的输入，使系统更具通用性。本专利技术是一种基于模糊自适应滤波的无人艇组合导航方法，具体包括以下几个步骤：步骤一：建立系统状态方程和量测方程：在SINS/GPS组合导航模式下，SINS作为主导航系统建立系统的状态方程，并选取经纬度误差、速度误差以及失准角为状态变量，利用GPS与SINS所提供速度和位置的差值作为量测变量，建立组合导航系统的量测方程；状态方程：Xk＝Φk,k-1Xk-1+Γk-1Wk-1量测方程：Zk＝HkXk+Vk其中，Xk为系统状态向量，Zk为量测向量，Hk为量测矩阵，Φk,k-1为状态转移矩阵，Γk-1为系统噪声矩阵，Wk-1为系统噪声向量，Vk为量测噪声向量；Wk-1和Vk是不相关的高斯白噪声序列，均值和方差分别为：E{Wk}＝0,E{WkWjT}＝Qkδkj,E{Vk}＝0,E{VkVjT}＝Rkδkj，cov{WiVj}＝0；式中，Qk为系统噪声方差阵；Rk为量测噪声方差矩阵，δkj是δ函数；步骤二：根据常规卡尔曼滤波算法，建立模糊自适应滤波算法：首先更新状态一步预测值及其均方误差，利用k时刻量测信息Zk和一步预测计算新息序列rk，求取增益矩阵和滤波方程；一步预测：预测均方误差：增益矩阵：新息序列：滤波方程：滤波均方误差：Pk＝(I-KkHk)Pk/k-1上述算法描述中，为滤波过程中对状态向量Xk的估计量，为状态一步预测，Kk为滤波增益，Pk为滤波误差的协方差阵，Pk/k-1为预测误差协方差阵，rk为新息序列，I为单位矩阵；步骤三：确定模糊推理系统的输入输出参数：定义残差方差的理论值为和残差方差的实际值为设计两个模糊推理系统(FIS)，均为单输入单输出模式。将理论值和实际值的比值RORk作为模糊推理系统1的输入，输出为αk；理论值和实际值的差值DORk作为模糊推理系统2的输入，输出为b；残差方差的理论值：残差方差的实际值：理论值和实际值的比值：理论值和实际值的差值：其中，为对最新的N个残差向量方差求平均值(N由经验选取，一般在10～30之间，主要起平滑作用)，i0＝k-N+1；ri即为残差序列；Tr(·)表示对矩阵求迹；步骤四：设计模糊推理系统：模糊推理系统1的输入为上一步求出的RORk，输出为αk，对输入输出模糊化，两者的隶属度函数均为三角形隶属度函数，反模糊化采用重心法，其模糊控制规则为：IfRORk∈D(Decrease),thenαk∈D(Decrease)IfRORk∈M(Maintain),thenαk∈M(Maintain)IfRORk∈I(Increase),thenαk∈I(Increase)模糊推理系统2的输入为上一步求出的DORk，输出为b，对输入输出模糊化，两者的隶属度函数均为三角形隶属度函数，反模糊化采用重心法，其模糊控制规则为：IfDORk∈N(Negtive),thenb∈I(Increase)IfDORk∈Z(Zero),thenb∈M(Maintain)IfDORk∈P(Positive),thenb∈I(Increase)步骤五：更新量测噪声估计值：根据上一步求出的αk和b，更新量测噪声估计值，具体表达式为：量测噪声估计值：其中，表示第k步的量测噪声估计值，αk表示量测噪声的调整系数，b为指数调整系数，表示对αk的放大程度。若b>1，表示放大αk对的调整作用，这样量测噪声变化时，可以在较少的步数内迅速逼近真实值。若b<1，表示缩小αk对的调整作用。b的取值过大，则可能导致以真实量测噪声值为中心作小幅度震荡；b取值过小，则会导致调整到真实值的过渡本文档来自技高网...

【技术保护点】
1.一种基于模糊自适应滤波的无人艇组合导航方法，其特征在于，包括以下几个步骤：步骤一：建立系统状态方程和量测方程：在SINS/GPS组合导航模式下，SINS作为主导航系统建立系统的状态方程，并选取经纬度误差、速度误差以及失准角为状态变量，利用GPS与SINS所提供速度和位置的差值作为量测变量，建立组合导航系统的量测方程；状态方程：Xk＝Φk,k‑1Xk‑1+Γk‑1Wk‑1量测方程：Zk＝HkXk+Vk其中，Xk为系统状态向量，Zk为量测向量，Hk为量测矩阵，Φk,k‑1为状态转移矩阵，Γk‑1为系统噪声矩阵，Wk‑1为系统噪声向量，Vk为量测噪声向量；Wk‑1和Vk是不相关的高斯白噪声序列，均值和方差分别为：E{Wk}＝0,

【技术特征摘要】
1.一种基于模糊自适应滤波的无人艇组合导航方法，其特征在于，包括以下几个步骤：步骤一：建立系统状态方程和量测方程：在SINS/GPS组合导航模式下，SINS作为主导航系统建立系统的状态方程，并选取经纬度误差、速度误差以及失准角为状态变量，利用GPS与SINS所提供速度和位置的差值作为量测变量，建立组合导航系统的量测方程；状态方程：Xk＝Φk,k-1Xk-1+Γk-1Wk-1量测方程：Zk＝HkXk+Vk其中，Xk为系统状态向量，Zk为量测向量，Hk为量测矩阵，Φk,k-1为状态转移矩阵，Γk-1为系统噪声矩阵，Wk-1为系统噪声向量，Vk为量测噪声向量；Wk-1和Vk是不相关的高斯白噪声序列，均值和方差分别为：E{Wk}＝0,E{Vk}＝0,cov{WiVj}＝0；式中，Qk为系统噪声方差阵；Rk为量测噪声方差矩阵，δkj是δ函数；步骤二：根据常规卡尔曼滤波算法，建立模糊自适应滤波算法：首先更新状态一步预测值及其均方误差，利用k时刻量测信息Zk和一步预测计算新息序列rk，求取增益矩阵和滤波方程；一步预测：预测均方误差：增益矩阵：新息序列：滤波方程：滤波均方误差：Pk＝(I-KkHk)Pk/k-1其中，为滤波过程中对状态向量Xk的估计量，为状态一步预测，Kk为滤波增益，Pk为滤波误差的协方差阵，Pk/k-1为预测误差协方差阵，rk为新息序列，I为单位矩阵；步骤三：确定模糊推理系统的输入输出参数；步骤四：设...

【专利技术属性】
技术研发人员：赵玉新，姜春东，刘厂，刘利强，李刚，高峰，周学文，
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