基于RBF神经网络辅助容积卡尔曼滤波的多AUV协同定位方法技术

本发明专利技术属于定位技术领域，具体涉及一种基于RBF神经网络辅助容积卡尔曼滤波的多AUV协同定位方法。本发明专利技术包括以下步骤：建立多AUV协同定位状态空间模型；创建一个RBF神经网络；在基准参考位置可用时，通过CKF进行多AUV协同定位估计；收集RBF神经网络的训练数据；对RBF神经网络进行训练；基准信号中断，停止训练RBF神经网络，继续进行CKF协同定位估计；估计CKF协同定位滤波误差；补偿滤波状态更新估计值。本发明专利技术在多AUV协同定位情况下，考虑跟随AUV航向漂移误差、洋流速度影响及与距离相关的水声噪声，具有更高的实用价值；利用RBF神经网络对CKF滤波估计值进行补偿，协同定位精度和稳定性显著提高；本发明专利技术算法易于实现。

Multi-AUV Cooperative Location Method Based on RBF Neural Network and Volume Kalman Filter

The invention belongs to the field of positioning technology, and specifically relates to a multi-AUV coordinated positioning method based on RBF neural network assisted volume Kalman filter. The present invention includes the following steps: establishing a state space model of multi-AUV coordinated positioning; creating a RBF neural network; estimating multi-AUV coordinated positioning by CKF when the reference position is available; collecting training data of RBF neural network; training RBF neural network; discontinuing training RBF neural network when the reference signal is interrupted; estimating CKF coordinated positioning; Collaborative positioning filtering error; Compensation filter state update estimation. In the case of multi-AUV coordinated positioning, considering the heading drift error following AUV, the influence of ocean current velocity and distance-related underwater acoustic noise, the invention has higher practical value; using RBF neural network to compensate the estimated value of CKF filter, the accuracy and stability of coordinated positioning are significantly improved; the algorithm of the invention is easy to implement.

【技术实现步骤摘要】
基于RBF神经网络辅助容积卡尔曼滤波的多AUV协同定位方法
本专利技术属于定位
，具体涉及一种基于径向基函数即RBF神经网络辅助容积卡尔曼滤波即CKF的多AUV协同定位方法。
技术介绍
“多水下航行器协同定位”是伴随多水下航行器协作应用发展而来的一种新的水下定位技术，不仅可以实现水下高精度定位，而且具有成本低、实现简单、可靠性好以及不受区域限制等优点，已成为水下导航领域一个新的研究热点。对自主水下航行器AUV的位置进行估计是多AUV协同定位中十分重要的问题，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。但考虑到水下环境的不确定性和水声通信的复杂性，多AUV协同定位系统的定位性能受到系统内部和外部等多种因素的制约。针对这种情况，一般可以通过将更高精度的传感器应用到多AUV协同定位系统中，或者建立更符合系统实际运动规律的状态空间模型，但这会增加协同定位系统的成本和复杂性。因此需要确定一种合适的方法，既可以保证协同系统定位精度也不需要额外增加硬件的成本。RBF神经网络可以实现输入输出的任意非线性映射，并且对非线性滤波具有强映射和本文档来自技高网...

【技术保护点】
1.基于RBF神经网络辅助容积卡尔曼滤波的多AUV协同定位方法，其特征在于，包括以下步骤：步骤1：建立多AUV协同定位状态空间模型；步骤2：创建一个RBF神经网络；步骤3：在基准参考位置能够使用时，通过CKF进行多AUV协同定位估计；步骤4：收集RBF神经网络的训练数据；步骤5：利用步骤4收集的数据对RBF神经网络进行训练；步骤6：基准信号中断，停止训练RBF神经网络，继续进行CKF协同定位估计；步骤7：估计CKF协同定位滤波误差；步骤8：补偿步骤6的滤波状态更新估计值。

【技术特征摘要】
1.基于RBF神经网络辅助容积卡尔曼滤波的多AUV协同定位方法，其特征在于，包括以下步骤：步骤1：建立多AUV协同定位状态空间模型；步骤2：创建一个RBF神经网络；步骤3：在基准参考位置能够使用时，通过CKF进行多AUV协同定位估计；步骤4：收集RBF神经网络的训练数据；步骤5：利用步骤4收集的数据对RBF神经网络进行训练；步骤6：基准信号中断，停止训练RBF神经网络，继续进行CKF协同定位估计；步骤7：估计CKF协同定位滤波误差；步骤8：补偿步骤6的滤波状态更新估计值。2.根据权利要求1所述的基于RBF神经网络辅助容积卡尔曼滤波的多AUV协同定位方法，其特征在于，步骤1中所述的建立多AUV协同定位状态空间模型具体包括：定义领航AUV在tk时刻和tk+1时刻的位置向量分别为和跟随AUV在tk时刻和tk+1时刻的位置向量分别为(xk,yk,zk)和(xk+1,yk+1,zk+1)；领航AUV和跟随AUV在tk时刻的相对距离为Zk；在实际水下协同定位中，AUV的深度和水平位置是相互独立的，通过压力传感器获得精确的深度信息，故将三维的协同定位问题简化为二维，将模型投影到二维水平面进行分析；基于相对位置量测的协同定位系统状态方程具体为：式中，xk和yk分别为跟随AUV在tk时刻的东向和北向位置；δt为航位推算时间；传感器输入uk＝[Vkθk]T，Vk为跟随AUV的在tk时刻的前向速度，θk为跟随AUV的在tk时刻的航向角；wx,k和wy,k为零均值且相互独立的Gauss白噪声；跟随AUV在tk时刻通过水声通信得到的相对观测信息为领航AUV在tk时刻的位置信息及领航AUV与跟随AUV之间相对距离量测信息Zk，由以上信息得到领航AUV和跟随AUV之间的坐标位置关系为：式中，vk为具有零均值且相互独立的Gauss白噪声；定义Xk＝[xk,yk]T为跟随AUV在tk时刻的状态量，wk＝[wx,k,wy,k]T为过程噪声向量，vk＝[vk]T为量测噪声向量，且有：Qk＝E[wkwkT]Rk＝E[vkvkT]分别为假设已知的系统噪声协方差阵和量测噪声协方差阵；基于相对位置量测的协同定位系统状态方程和领航AUV和跟随AUV之间的坐标位置关系，建立多AUV协同定位系统的离散时间状态空间模型，状态方程和量测方程分别为：式中，状态函数量测函数3.根据权利要求1所述的基于RBF神经网络辅助容积卡尔曼滤波的多AUV协同定位方法，其特征在于，步骤2中所述的创建一个RBF神经网络具体包括：径向基神经网络中常用的径向基函数是高斯函数，因此径向基神经网络的激活函数表示为：其中，X＝(x1x2…xp)T为当前输入样本的p个输入；为神经网络隐含层的第j个任一节点的激活函数，称为“径向基函数”；||·||为欧式范数；cj为高斯函数中心；σj为高斯函数的方差，即神经元的宽度。4.根据权利要求1所述的基于RBF神经网络辅助容积卡尔曼滤波的多AUV协同定位方法，其特征在于，步骤3中所述的通过CKF进行多AUV协同定位估计具体包括：CKF滤波方法依据Spherical-Radial准则，采用一组等权值的容积点，利用统计数值积分原理计算非线性变换后随机变量的均值和协方差，能够准确的获得状态更新及状态协方差矩阵更新；(1)时间更新假设状态向量Xk＝[xk,yk]T在tk时刻系统后验概率状态以及后验概率密度函数已知，通过Ch...

【专利技术属性】
技术研发人员：徐博，李盛新，李金，张勇刚，王连钊，张娇，王潇雨，张奂，
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