基于多模型的自适应鲁棒AUV导航方法技术

本发明专利技术涉及自主式水下航行器导航定位领域，特别是一种基于多模型的自适应鲁棒AUV导航方法。包括以下步骤：S1多模型输入交互；S2模型滤波：S3模型概率更新；S4多模型估计融合。其中，基于自适应滤波的两个参数不同的子模型能够对传感器观测噪声协方差实时估计，能够更好的描述观测噪声统计特性，适应复杂多变的海洋环境，提高滤波定位精度；异常值检测器子模型能够对传感器观测到的异常值实时检测隔离，并在观测出现异常时利用机器学习方法在线回归伪位移位置，作用于每个子模型，能够隔离观测异常，并维持观测异常时的AUV高导航精度和鲁棒性。棒性。棒性。

【技术实现步骤摘要】
基于多模型的自适应鲁棒AUV导航方法


[0001]本专利技术涉及自主式水下航行器导航定位领域，特别是一种基于多模型的自适应鲁棒AUV导航方法。

技术介绍

[0002]现有的AUV导航方法，如扩展卡尔曼滤波(Extended Kalman Filter，简称EKF)、无迹卡尔曼滤波(Unscented Kalman Filter,简称UKF)等，都认为传感器观测噪声统计特性是先验已知的。然而，AUV执行任务的海洋环境复杂多变，AUV搭载的导航相关传感器极易受到外界环境的干扰。因此，AUV搭载的导航传感器观测噪声统计特性是实时变化的，先验不变的传感器观测噪声统计特性可能会影响滤波的精度，甚至会导致滤波发散。
[0003]同时，AUV搭载的导航传感器观测易受到异常值的干扰，尤其是多普勒测速仪(Doppler Velocity Log,简称DVL)，由于传感器的原理特性，在海洋环境中DVL极易受海洋生物、海底沟壑等影响，从而出现观测异常值。而现有的AUV导航滤波方法对观测中的异常值没有鲁棒性，观测异常值会导致滤波估计轨迹出现极大的偏差，从而影响本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多模型的自适应鲁棒AUV导航方法，其特征在于，该方法包括以下步骤，S1多模型输入交互：将k
‑
1时刻的每个子模型的滤波估计结果与混合概率μ
ij(k
‑
1)
相结合，计算得到k时刻子模型j的混合状态和混合协方差P
0j(k
‑
1)
，作为每个子模型的初始滤波输入；S2模型滤波：S2.1构建异常值检测器子模型：S2.1.1时间更新过程：得到从k
‑
1时刻到k时刻的异常值检测器子模型的AUV导航系统状态一步预测值和一步预测协方差值P
j(k|k
‑
1)
；S2.1.2测量更新过程：计算得到异常值检测器子模型系统状态的观测预测值利用当前传感器实时采集到的观测值和观测预测值计算得到二者之间的残差v
j(k)
，并构建故障检测函数若则此时传感器观测无异常值，按照标准UKF算法得到当前子模型在k时刻的状态估计和协方差估计P
j(k)
：：若则此时异常值检测器子模型检测到传感器观测在k时刻出现异常值，利用机器学习方法在线回归得到当前时间步内的AUV位移伪值δ
x*
,δ
y*
，将位移伪值叠加到k
‑
1时刻的状态估计位置，得到k时刻的异常值检测器子模型估计的AUV的北向和东向的最终位置状态量，其余状态量的估计采用异常值检测器子模型的系统状态一步预测值：k时刻的系统状态一步预测值协方差估计P
j(k)
为：S2.2构建两个参数不同的自适应子模型：当异常值检测器子模型未检测到异常观测时，两个自适应子模型采用参数不同的VB自适应UKF算法执行模型滤波，具体包括以下步骤：S2.2.1时间更新过程：得到从k
‑
1时刻到k时刻的两自适应子模型的AUV导航系统状态一步预测值一步预测协方差值P
j(k|k
‑
1)
、自由度参数一步预测值γ
j(k|k
‑
1)
、尺度矩阵一步预测值V
j(k|k
‑
1)
；S2.2.2测量更新过程：通过循环的方式迭代计算观测噪声协方差R
k
，得到两自适应子模
型的时刻k的最终状态估计协方差估计P
j(k)
和尺度矩阵估计V
j(k)
；当异常值检测器子模型检测到异常观测值时：首先，同步骤S2.2.1，得到从k
‑
1时刻到k时刻两自适应子模型的系统状态一步预测值和一步预测协方差值P
j(k|k
‑
1)
；然后，同步骤S2.2.2，测量更新过程正常运行，此时，将步骤S2.1.2得到的位移伪值叠加到k
‑
1时刻系统的状态估计中，得到k时刻的两自适应子模型估计的AUV的北向和东向的最终位置状态量，其余状态量的估计为两自适应子模型的系统状态一步预测值：两自适应子模型在k时刻的协方差估计同步骤S2.2.2得到的P
j(k)
；S3模型概率更新；S4多模型估计融合，得到k时刻的系统状态估计和系统状态协方差估计。2.根据权利要求1所述的基于多模型的自适应鲁棒AUV导航方法，其特征在于，步骤S1之前，先构建AUV导航系统状态模型和观测模型；设k时刻的系统状态向量为：其中，x和y分别表示k时刻AUV在UTM坐标系下的北向和东向位置信息，表示k时刻AUV的航向角，v
x
和v
y
分别表示k时刻AUV在载体前右下坐标系下的前向和右向速度，a
x
和a
y
分别表示与速度对应的加速度信息，w
z
表示与航向角对应的角速度信息；AUV导航系统采用离散时间状态空间模型表示，t表示单位采样时间间隔，设导航系统状态方程为：X
k
＝f(X
k
‑1,m
k
‑1)其中，表示均值为0、协方差为Q的高斯白噪声，Q为预设值；
设k时刻的系统观测向量为：其中，表示k时刻AUV搭载的姿态传感器测得的航向角，a
xm
和a
ym
为k时刻姿态传感器测得的AUV载体坐标系下的前向和右向加速度，w
zm
是k时刻姿态传感器测得的与航向角相对应的角速度数据，v
xm
和v
ym
分布表示k时刻DVL测得的AUV载体坐标系下的前向和右向速度；AUV导航系统的观测方程为：Z
k
＝H
k
X
k
+r
k
其中，H＝[06×2I6×6]为观测矩阵，r
k
为均值为0、协方差为R的高斯白噪声，R为预设值。3.根据权利要求1所述的基于多模型的自适应鲁棒AUV导航方法，其特征在于，步骤S1包括以下具体步骤：子模型的切换基于马尔科夫过程，每个子模型的切换由马尔科夫概率转移矩阵A决定：其中，a
ij
表示从子模型i到子模型j的转移概率，子模型i的模型概率为μ
i
，r表示采用的子模型的数量；在多模型输入交互阶段，k
‑
1时刻的每个子模型的滤波估计结果与混合概率μ
ij(k
‑
1)
相结合，得到k时刻每个子模型的初始输入，在k
‑
1时刻从子模型i到子模型j的混合概率为：其中为子模型j的预测概率：子模型j的混合状态为：模型j的混合协方差为：混合状态和混合协方差P
0j(k
‑
1)
为每个子模型的初始滤波输入。4.根据权利要求1所述的基于多模型的自适应鲁棒AUV导航方法，其特征在于，上述步骤S2.1.1包括以下具体步骤：S2.1.1.1基于无迹变换采样2d+1个sigma点，设任一sigma点的状态向量为ξ，则S2.1.1.1基于无迹变换采样2d+1个sigma点，设任一sigma点的状态向量为ξ，则
其中，b为sigma点的序号；j为子模型序号；d为系统状态的维度；λ为尺度参数，为设定值；S2.1.1.2计算sigma点的权重w：S2.1.1.2计算sigma点的权重w：S2.1.1.2计算sigma点的权重w：其中，为均值权重，为协方差权重，α和β为预设的参数；S2.1.1.3计算得到异常值检测器子模型的系统状态一步预测值和一步预测协方差值P
j(k|k
‑
1)
：：其中，f(ξ
j(b,k
‑
1)
)为AUV导航系统状态方程，Q
j(k)
为过程噪声协方差，为设定值。5.根据权利要求1所述的基于多模型的自适应鲁棒AUV导航方法，其特征在于，步骤S2.1.2中，构建故障检测函数包括以下具体步骤：S2.1.2.1对异常值检测器子模型的系统状态一步预测值进行UT变换，得到2d+1...

【专利技术属性】
技术研发人员：张昕，翟宁，张迪，何波，
申请(专利权)人：青岛澎湃海洋探索技术有限公司，
类型：发明
国别省市：