【技术实现步骤摘要】
一种基于CKF
‑
SLAM改进的无人水下航行器动态目标跟踪的方法
[0001]本专利技术涉及水下动态目标跟踪
,尤其涉及一种基于CKF
‑
SLAM改进的无人水下航行器动态目标跟踪的方法。
技术介绍
[0002]目前在动态目标跟踪(Object Tracking,OT)的问题上,主要集中在基于卡尔曼滤波类方法。扩展卡尔曼滤波(Extended Kalman Filter,EKF)SLAM算法,是一种最小均方差估计方法,将非线性系统利用泰勒级数一阶展开线性化,再进行线性卡尔曼滤波;无迹卡尔曼滤波(Unscented Kalman Filter,UKF)SLAM算法,该算法利用高斯随机变量来近似表达状态分布,用一组确定性采样得到的Sigma点来逼近,提高变量的平均值和方差,精度逼近二阶泰勒;容积卡尔曼滤波(Cubature Kalman Filter,CKF)SLAM算法,该算法是在三阶球面
‑
容积变换规则下,提取容积样本点集,用来描述后验状态变量的统计特征,并由先验状态估计平均值和方差。
[0003]EKF
‑
SLAM算法简单易于实现并且在未知环境特征点较少时,UUV实际轨迹可以逼近理想的轨迹,但当未知环境中的特征点增加时,UUV实际轨迹和理想轨迹偏差较大,因此该算法只适合应用在环境特征点少的小区域环境;UKF
‑
SLAM算法在精度上有所提高,计算复杂度上因无须计算雅克比矩阵,因此更容易实现,但同样不适用于庞大复杂的环 ...
【技术保护点】
【技术特征摘要】
1.一种基于CKF
‑
SLAM改进的无人水下航行器动态目标跟踪的方法,其特征在于,包括步骤:步骤一:在未知环境中,运动状态下的UUV识别到目标物并进行跟踪,将UUV自身位姿、环境地图特征的估计和目标位姿三者建立对应关系,并建立UUV和目标物的运动方程和观测方程,将SLAM技术和对动态目标跟踪相融合;步骤二:对CKF算法利用三阶容积准则选取m个相同权值的容积点进行近似计算,再利用数值积分法计算非线性方程模型的后验状态估计平均值和方差,并对协方差矩阵的平方根因子进行更新;步骤三:通过所述运动方程预测系统的状态,所述观测方程根据地图特征点观测信息和目标物观测信息对系统状态进行更新。2.根据权利要求1所述的一种基于CKF
‑
SLAM改进的无人水下航行器动态目标跟踪的方法,其特征在于,所述运动方程为:式中表示噪声,表示UUV运动模型;表示目标物运动模型,表示噪声,表示目标状态转移信息矩阵。3.根据权利要求2所述的一种基于CKF
‑
SLAM改进的无人水下航行器动态目标跟踪的方法,其特征在于,所述观测方程为:Z
k
=H(X
k
)+δ
k
;式中,表示UUV观测模型,表示目标物观测模型,表示环境地图特征点的观测值,表示目标的观测值,且表示目标的观测值,且中包含多个差异地图环境特征信息,存在动态目标的伪观测值,观测噪声矩阵δ
k
服从N(0,R
k
)的正态分布。4.根据权利要求3所述的一种基于CKF
‑
SLAM改进的无人水下航行器动态目标跟踪的方法,其特征在于,用概率估计来描述同步定位地图构建与动态目标跟踪问题为:法,其特征在于,用概率估计来描述同步定位地图构建与动态目标跟踪问题为:已知控制信息矩阵μ
k
和观测信息矩阵Z
k
的条件,求解对应时刻地图特征向量M
k
、动态目标物状态向量和UUV状态向量的条件概率。式中,μ
k
=[μ1μ2…
μ
k
]为UUV全部控制信息矩阵,μ
k
表示控制向量,由环境地图特征信息构成的向量,其中表示为检测到的第i个环境地图特征点的位置。5.根据权利要求1所述的一种基于C...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。