基于多元信息融合的AUV慣性導(dǎo)航系統(tǒng)方法研究.pdf

1、隨著海洋探測(cè)與開(kāi)發(fā)的不斷深入，對(duì)具有自主導(dǎo)航能力的水下機(jī)器人的需求越來(lái)越大。在深海復(fù)雜環(huán)境中，單獨(dú)的采用慣導(dǎo)組件進(jìn)行導(dǎo)航，無(wú)法克服系統(tǒng)誤差的累積問(wèn)題、無(wú)法滿(mǎn)足高精度自主導(dǎo)航的要求，而采用多傳感器提供的多元信息融合技術(shù)以及優(yōu)化濾波算法成為研究的主要趨勢(shì)。
　　 本文研究了水下自主機(jī)器人在自主導(dǎo)航過(guò)程中的關(guān)鍵算法-AUV組合導(dǎo)航算法。本文設(shè)計(jì)的系統(tǒng)是基于多元信息融合的AUV組合導(dǎo)航系統(tǒng)，即采用慣導(dǎo)組件、GPS和多普勒測(cè)速儀等設(shè)備作為

2、導(dǎo)航參數(shù)的輸入源，協(xié)同進(jìn)行導(dǎo)航系統(tǒng)的計(jì)算與修正。同時(shí)為了克服誤差積累問(wèn)題，設(shè)計(jì)了“水面校正-水下潛航”模式。在“水面校正”的導(dǎo)航模式下，用捷聯(lián)慣導(dǎo)/GPS組合導(dǎo)航系統(tǒng)，使用GPS發(fā)送的實(shí)時(shí)數(shù)據(jù)來(lái)糾正速度和位置信息；在“水下潛航”的導(dǎo)航模式下用捷聯(lián)慣導(dǎo)/DVL組合導(dǎo)航系統(tǒng)進(jìn)行導(dǎo)航參數(shù)計(jì)算。從AUV實(shí)際環(huán)境運(yùn)行的角度，從確保系統(tǒng)運(yùn)行穩(wěn)定、安全，同時(shí)能保證導(dǎo)航精度符合系統(tǒng)需要的前提出發(fā)，分別研究、實(shí)現(xiàn)并測(cè)試了基于魯棒H∞濾波的組合導(dǎo)航算法以及

3、基于BP神經(jīng)網(wǎng)絡(luò)優(yōu)化的擴(kuò)展卡爾曼濾波組合導(dǎo)航算法，根據(jù)實(shí)際運(yùn)行結(jié)果分析各自的優(yōu)缺點(diǎn)。
　　 擴(kuò)展卡爾曼濾波是在卡爾曼濾波的基礎(chǔ)上針對(duì)非線(xiàn)性環(huán)境的改進(jìn)算法，需要根據(jù)捷聯(lián)慣導(dǎo)和DVL各自的誤差方程來(lái)設(shè)計(jì)擴(kuò)展卡爾曼濾波器的狀態(tài)方程和觀測(cè)方程，從而計(jì)算出各個(gè)誤差項(xiàng)。它具有高精度和高實(shí)時(shí)性的優(yōu)點(diǎn)，但是由于它需要以已知準(zhǔn)確數(shù)學(xué)模型以及已知的系統(tǒng)噪聲和觀測(cè)噪聲統(tǒng)計(jì)特性為前提，但在深海復(fù)雜環(huán)境中運(yùn)行的AUV導(dǎo)航系統(tǒng)很難實(shí)現(xiàn)，因此，往往會(huì)造成系統(tǒng)

4、的發(fā)散甚至系統(tǒng)崩潰。
　　 針對(duì)擴(kuò)展卡爾曼濾波可靠性較差的問(wèn)題，在保證AUV遠(yuǎn)距離精確導(dǎo)航所需求的精度、實(shí)時(shí)性問(wèn)題的前提下，提出了基于魯棒H∞濾波的組合導(dǎo)航算法以及基于BP神經(jīng)網(wǎng)絡(luò)優(yōu)化的擴(kuò)展卡爾曼濾波組合導(dǎo)航算法。
　　 魯棒H∞濾波算法是一種建立在魯棒控制理論基礎(chǔ)上的次優(yōu)估計(jì)算法，算法成立的假設(shè)條件是外部噪聲的能量有限，并不需要噪聲的具體數(shù)學(xué)統(tǒng)計(jì)模型，它將噪聲和不確定輸入看作是能量有限的隨機(jī)信號(hào)，使系統(tǒng)的干擾到估計(jì)誤差

5、的閉環(huán)傳遞函數(shù)的H∞范數(shù)小于給定的正數(shù)γ0，所以特別適合在水下這種外界噪聲未知的情況下使用。而且在組合導(dǎo)航中使用H∞。濾波算法，在保持必要導(dǎo)航精度的前提下其穩(wěn)定性遠(yuǎn)遠(yuǎn)優(yōu)于Kalman濾波，十分適用于AUV對(duì)未知海域的探測(cè)。
　　 神經(jīng)網(wǎng)絡(luò)具有并行處理、自學(xué)習(xí)能力和分布式存儲(chǔ)，同時(shí)還具有很強(qiáng)的容錯(cuò)性和魯棒性。利用神經(jīng)網(wǎng)絡(luò)的特點(diǎn)對(duì)信號(hào)進(jìn)行處理，可以忽略模式識(shí)別方法中建模以及特征提取過(guò)程，從而在根源上減小因模型不確定或特征選擇不恰當(dāng)而

6、引起的誤差，以提高系統(tǒng)性能。BP神經(jīng)網(wǎng)絡(luò)是一種使用誤差逆向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP神經(jīng)網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入/輸出模式的映射關(guān)系，但無(wú)需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程。本文將擴(kuò)展卡爾曼濾波算法與BP神經(jīng)網(wǎng)絡(luò)的結(jié)合，有效的解決了卡爾曼濾波算法的數(shù)學(xué)模型未知和系數(shù)矩陣不匹配的問(wèn)題，有效降低系統(tǒng)的不穩(wěn)定性，提高濾波精度，并將之運(yùn)用于AUV組合導(dǎo)航系統(tǒng)。實(shí)驗(yàn)結(jié)果證明，采用這兩種算法進(jìn)行組合導(dǎo)航