一种基于GRU粒子滤波的UUV目标状态估计方法技术

本发明专利技术提供一种基于GRU粒子滤波的UUV目标状态估计方法，首先建立基于门循环单元(Gated Recurrent Units,GRU)的深度神经网络来拟合前一时刻目标测量状态与当前时刻目标实际状态之间的映射；该神经网络学习目标的动力学模型并识别测量噪声。该滤波器从测量状态中直接采样，以这些采样粒子来近似测量分布。然后，充分训练的神经网络用来预测各粒子的当前状态，从而根据蒙特卡洛思想估计出目标当前的状态。可解决UUV目标状态估计中，由目标复杂的动力学以及声呐测量的不确定性引起的，目标状态估计精度低以及估计不稳定的问题。

A method of UUV target state estimation based on Gru particle filter

【技术实现步骤摘要】
一种基于GRU粒子滤波的UUV目标状态估计方法
本专利技术涉及一种基于GRU粒子滤波的UUV目标状态估计方法，属于目标状态估计领域，涉及深度学习技术以及蒙特卡洛求期望理论。
技术介绍
目标跟踪是无人水下潜航器(UnmannedUnderwaterVehicle,UUV)执行避碰、信息搜集、集群控制、海底管道检修、港口防御等任务的关键技术，具有非常重要的实际应用和理论研究价值。目标跟踪是指利用感知量测系统对目标进行测量，然后通过目标状态估计方法对目标的运动状态进行估计和预测的过程。作为UUV目标跟踪的核心技术，UUV目标状态估计的主要工作是由带有观测噪声的声呐观测数据估计出目标的实时运动状态，估计精度直接影响到目标跟踪的效果。卡尔曼滤波(KalmanFilter,KF)可以根据观察到的测量结果提供一些未知变量的估计值，其状态和测量方程式都是线性的，并假设测量高斯噪声均值为零。具有形式简单、计算量小等优点，但传统的KF无法通过非线性的测量来估计目标状态。扩展卡尔曼滤波(ExtendedKalmanFilter,EKF)将非线性的测量方程进行泰勒级数本文档来自技高网...

【技术保护点】
1.一种基于GRU粒子滤波的UUV目标状态估计方法，其特征在于：步骤如下：/n步骤一：建立包括全局坐标系、局部坐标系以及传感器坐标系的坐标系统；/n步骤二：建立声呐测量模型；/n步骤三：建立用于深度训练神经网络的UUV目标状态估计数据集；/n步骤四：设计用于建立历史时刻测量状态与当前时刻状态之间映射的深度神经网络结构；/n步骤五：对步骤四所提的深度神经网络结构进行训练；/n步骤六：基于GRU粒子滤波算法完成UUV目标状态估计。/n

【技术特征摘要】
1.一种基于GRU粒子滤波的UUV目标状态估计方法，其特征在于：步骤如下：
步骤一：建立包括全局坐标系、局部坐标系以及传感器坐标系的坐标系统；
步骤二：建立声呐测量模型；
步骤三：建立用于深度训练神经网络的UUV目标状态估计数据集；
步骤四：设计用于建立历史时刻测量状态与当前时刻状态之间映射的深度神经网络结构；
步骤五：对步骤四所提的深度神经网络结构进行训练；
步骤六：基于GRU粒子滤波算法完成UUV目标状态估计。


2.根据权利要求1所述的一种基于GRU粒子滤波的UUV目标状态估计方法，其特征在于：步骤一具体是：全局坐标系为北东坐标系NOE，O为北东坐标系原点，N轴指向地球北，E轴指向地球东；局部坐标系由船体坐标系表示，其原点为UUV的重心，X轴在UUV纵向剖面内，指向UUV艏端，Y轴与纵剖面垂直，指向右舷；传感器坐标系原点在传感器的测量中心，一旦检测到目标，便由传感器坐标系映射到全局坐标系。


3.根据权利要求1或2所述的一种基于GRU粒子滤波的UUV目标状态估计方法，其特征在于：步骤二中的声呐测量模型中的声呐水平开角为120°，包含80个波束，最大探测距离为120m，工作频率为50Hz。


4.根据权利要求3所述的一种基于GRU粒子滤波的UUV目标状态估计方法，其特征在于：步骤三中的数据集包括被跟踪目标以及观测UUV的位置、速度以及声呐获得的测量数据，并对数据进行归一化处理。


5.根据权利要求1或4所述的一种基于GRU粒子滤波的UUV目标状态估计方法，其特征在于：步骤四中的深度神经网...

【专利技术属性】
技术研发人员：王宏健，林常见，严浙平，陈涛，阮力，代涛，高伟，
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