基于CKF的多UUV协同定位方法

针对多水下自治机器人(UUV)协同定位模型中的非线性问题,论文提出利用容积卡尔曼滤波(CKF)方法对协同定位状态空间模型进行最优状态估计,通过仿真试验,证明了该方法的可行性。     

一种基于双模型的低成本多AUV协同定位方法

[目的]针对多自主水下航行器(AUV)上装备的惯性导航系统(INS)和多普勒速度计程仪(DVL)失效或未配备的情况,结合传统的扩展卡尔曼滤波(EKF)估计,提出一种基于双模型的协同定位方法。[方法]建立相对运动模型和双领航状态空间模型,通过水声通信,利用相对运动模型估计跟随AUV的速度信息,再应用双领航模式的多AUV协同定位状态空间模型,进一步提高协同定位系统的鲁棒性和准确性,利用海试数据进行半实物仿真验证。[结果]结果表明,基于双模型的主从式多AUV协同定位方法,能够在跟随AUV上没有INS和DVL的情况下,实时估计跟随AUV的位置。[结论]该方法能够保障协同定位系统定位精度在允许的范围内,降低多AUV协同定位系统的成本。     

基于M估计的多UUV协同定位算法

为解决多水下无人航行器(UUV)协同定位系统因水声环境复杂,水声距离观测信息受异常噪声干扰,导致采多UUV协同定位效果变差的问题,本文将M估计算法应用于UUV协同定位中,提出一种基于M估计多UUV协同定位算法。半实物仿真试验结果表明,相较于传统基于扩展卡尔曼滤波算法,所提算法可将定位精度提升30%左右。     

基于M估计的多UUV协同定位算法

为解决多水下无人航行器(UUV)协同定位系统因水声环境复杂,水声距离观测信息受异常噪声干扰,导致采多UUV协同定位效果变差的问题,本文将M估计算法应用于UUV协同定位中,提出一种基于M估计多UUV协同定位算法。半实物仿真试验结果表明,相较于传统基于扩展卡尔曼滤波算法,所提算法可将定位精度提升30%左右。     

UKF和PF融合算法在动力定位船舶状态估计中的应用研究

针对船舶动力定位状态估计时使用扩展卡尔曼滤波导致模型失配而产生滤波精度不高甚至滤波发散的问题,设计一种融合无迹卡尔曼滤波和粒子滤波的动力定位船舶状态估计算法。该算法以粒子滤波作为整体框架,运用无迹卡尔曼滤波对粒子状态的每次更新进行最优化估计,从而最优化了每个粒子的状态,再根据每个粒子的重要性分布,得出船舶复合运动中的低频状态。Matlab仿真结果表明,该方法能够从含有高频和噪声干扰的测量信息中估计出的船舶低频运动状态,相比于直接使用UKF,该方法的滤波精度更高,滤波性能也比较稳定。     

基于卡尔曼滤波的磁偶极子目标张量定位

采用现有单点磁梯度张量定位方法定位磁偶极子目标时,易出现定位结果受测量噪声影响而发散的现象。针对该方法的不足,根据磁偶极子磁感应强度与磁场梯度张量的基本关系式,建立张量定位的状态空间模型,并采用卡尔曼滤波器对状态向量进行估计,实现目标定位。设计数值算例对定位方法进行检验,定位结果表明,基于卡尔曼滤波的定位方法具有较高的精度和稳定性,可用于航空磁探测和水下小目标磁场探测。     

UKF和PF融合算法在动力定位船舶状态估计中的应用研究

针对船舶动力定位状态估计时使用扩展卡尔曼滤波导致模型失配而产生滤波精度不高甚至滤波发散的问题,设计一种融合无迹卡尔曼滤波和粒子滤波的动力定位船舶状态估计算法.该算法以粒子滤波作为整体框架,运用无迹卡尔曼滤波对粒子状态的每次更新进行最优化估计,从而最优化了每个粒子的状态,再根据每个粒子的重要性分布,得出船舶复合运动中的低频状态.Matlab仿真结果表明,该方法能够从含有高频和噪声干扰的测量信息中估计出的船舶低频运动状态,相比于直接使用UKF,该方法的滤波精度更高,滤波性能也比较稳定.     

一种基于扩展状态观测器的智能船舶Nomoto模型参数辨识方法北大核心CSCD

[目的]为了支持制导、导航、控制等船舶智能化技术的测试验证平台的搭建,利用系统辨识技术得到高精度的智能船舶野本(Nomoto)运动模型参数。[方法]充分结合扩展状态观测器(ESO)以及鲁棒加权最小二乘支持向量回归(RW-LSSVR)算法的优势,提出一种高效低成本的混合参数辨识方法。为解决模型参数辨识中无法直接有效获取某些状态量的问题,构建了基于ESO的状态估计方法。基于估计方法与直接测量的船舶运动状态量,采用具有较强抗异常值干扰的RW-LSSVR对智能船舶二阶线性Nomoto运动模型参数进行辨识。以已知模型的两艘船舶为测验对象,对所提参数估计与辨识方法进行综合测验。[结果]在利用较少传感器的情况下,通过ESO可较精确地估计出非直接测量的船舶运动状态量,并且利用RW-LSSVR辨识得到的参数值十分接近标准值。[结论]利用所提方法获得的估计状态可用于参数辨识,并且辨识模型具有较好的泛化性。     

基于改进高斯粒子滤波的船舶非线性状态估计

针对标准粒子滤波的粒子贫化问题,提出一种基于改进高斯粒子滤波(Improved Gaussian Particle Filter,IGPF)的船舶非线性状态估计器。首先基于序贯重要性采样(Sequential Important Sampling,SIS)的理论框架,给出标准粒子滤波(Particle Filter,PF)算法,然后在此基础上用高斯分布来作为重要性分布给出高斯粒子滤波(Gaussian Particle Filter,GPF),并将Unscented卡尔曼滤波用于重要性密度函数形成IGPF,应用于动力定位船的状态估计。仿真结果表明,基于IGPF的非线性状态估计器能有效避免粒子贫化、估计船舶状态,并对观测野值有一定的鲁棒性。     

船舶起重作业时定位控制方法研究

近海建筑的建造和安装,需要起重船定点作业,所以要求对起重船动力定位控制方法进行研究。在建立海洋环境模型(风、浪、流)的基础上,建立船舶起重作业模型。设计带有风前馈的反步控制方法,降低系统对环境扰动的敏感性。通过设计估计器,给出船舶运动低频位置、艏向和速度量的估计值,并且使用估计器所得出的低频估计值作为反馈值来减少控制输出的高频振荡。仿真结果表明对于建立的船舶起重模型,所设计的控制方法和估计器,可以较好地完成定位作业。