基于扩展卡尔曼滤波的动态协同定位算法

  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。     

基于渐消记忆自适应滤波的船舶动力定位算法仿真

由于船舶在海上运动的复杂性和非线性,精确的船舶动力定位系统数学模型难以建立.为了实现有效的动力定位控制,需要应用一定的状态估计滤波算法得到所需的船舶运动低频信号.采用常规的Kalman滤波,状态变量的新测量值对预测值的修正作用下降,旧测量值的影响随着计算步数的累积而相对提高,这是引起滤波发散的主要原因之一.文章针对船舶动力定位系统中使用常规的Kalman滤波而存在的模型不精确、 不能准确表达系统噪声和测量噪声等问题,采用渐消记忆自适应滤波估算低频运动信息,在状态估计算法中引入渐消记忆因子,减小旧测量值对状态估计值的影响权重,从而增大新测量值的作用;并根据滤波发散判断准则,选择适当的渐消记忆因子值来抑制滤波器的发散,使控制器输出较为平稳,从而降低推力系统不必要的能耗.仿真实验表明,所设计的自适应滤波器的收敛性、跟踪性优于常规的Kalman滤波,有效地提高了系统的定位精度和稳定性.     

基于加权信息增益的并行融合AUV协同定位方法

[目的]为提高杂波干扰下自主水下航行器（AUV）集群系统在协同定位过程中的全局定位精度,提高定位信息的实时性,提出一种以信息增益为评价标准的局部信息融合算法。[方法]通过阈值加权方法对观测数值进行粗差改善,进行局部信息滤波,优化观测值以使其更接近于真实值。从信息熵理论的角度考察各量测信息的可靠性,对多台主AUV的多组局部滤波信息进行优化。以信息增益为融合权值指标,融合多组局部滤波结果,生成唯一的被测从AUV定位信息。进一步地,考虑到主、从AUV之间的声呐探测以及水声信号的通信延时特性,局部信息滤波与信息增益融合算法会出现滤波数据异步的问题,提出一种局部信息滤波和信息增益加权方法的并行结构,通过实时更新机制,确保信息加权算法的输入值为最新时刻的局部滤波输出值。[结果]仿真实验结果表明,相较于多源局部滤波信息,所提融合方法能够有效降低局部滤波误差,提高定位精度,对局部滤波有进一步的优化作用。[结论]所提融合方法可有效实现多AUV系统的协同定位能力。     

基于EKF的AUV协同定位方法仿真与验证

自主水下航行器（AUV）协同导航定位技术是解决复杂作业环境下导航问题的重要途径,研究了单领航艇的主从式多AUV基于扩展卡尔曼滤波（EKF）算法的协同到导航定位问题。AUV协同定位时,主AUV内部装备高精度导航设备,从AUV内部装备低精度导航设备,外部配有测距装置,舰艇间是通过通信装置来交换自身位置和状态信息并同时测量通信双方的相对距离,通过信息融合对自身定位进行修正,利用EKF算法对系统中传感器所传递信息进行融合,对从AUV进行实时定位。通过仿真验证此算法可以显著提高导航定位精度。     

渐消记忆滤波器在海上探雷试验中的应用

在海上进行探测水雷的试验中,常常因为船体的摇摆而使回波图像中目标的位置不固定,影响了水雷探测的准确性。研究基于Kalman滤波理论的渐消记忆递归最小二乘法,探讨渐消记忆递归最小二乘法在图像重建中的应用,并用于实现对回波图像的更新。结果表明,渐消记忆滤波器通过引入旧数据对图像更新的影响,使得回波图像中目标位置的变化具有连续性。     

模型参数不确定条件下的自主水下航行器（AUV）自适应编队控制研究

研究了自主水下航行器的编队控制问题,基于编队参考中心思想为每个AUV构造了期望参考轨迹。将每个AUV的系统误差分为自身跟踪误差和与邻居AUV的协同误差两部分,在此基础上,针对AUV模型参数不确定性,提出一种自适应分布式控制律,使得每个AUV沿着自身期望轨迹运动,并与相邻AUV保持同步,从而与编队参考中心保持期望的距离,达到编队控制的目的。文章基于Lyapunov稳定性原理从理论上证明了闭环系统的稳定性,仿真结果表明所提出的算法是有效的。     

GPS动态定位中自适应卡尔曼滤波模型的建立及其算法研究

采用描述机动载体运动的“当前”统计模型,建立了一种新的ＧＰＳ动态定位自适应卡尔曼滤波模型。为了进一步提高滤波器的动态性能,提出一种改进的自适应滤波算法,大大提高了ＧＰＳ动态定位卡尔曼滤波器的跟踪能力,改善了滤波效果。计算机仿真结果验证了该算法的有效性。     

基于MHE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,本文提出利用滚动时域估计(MHE)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。     

基于神经动力学模型预测的多AUV编队自适应控制方案

针对复杂海流和障碍干扰会影响多自主水下航行器（AUV）编队控制问题,提出一种神经动力学模型预测解决方案。首先,针对各种障碍干扰以及动态避障过程中期望收敛速度过快导致的AUV滞回问题,设计一种基于神经动力学模型预测的多AUV编队自适应控制方案（NDP-ABS）,引入活性源、抑制源,结合最优控制实现动态避障、编队控制和期望跟踪,以解决势场类算法的局部最优问题。其次,考虑到NDP环节在控制律中引入的未知非线性因子以及海流扰动,基于非线性自适应反步法对AUV期望跟踪控制器进行设计,解决浅层海流扰动以及非线性因子对AUV期望跟踪控制的干扰。最后,利用李雅普诺夫理论证明系统的稳定性。通过6组仿真,以验证NDP-ABS方案的有效性。结果表明,相较于NDP-BS方案,编队稳定性提高36.8%,避障造成的路径代价减少58.3%。NDP-ABS编队方案具有避障代价低、抗海流干扰能力强、稳定性高等优点,在多AUV非显式编队控制中具有明显优势。     

基于Q学习的参数自适应S面控制方法

复杂的动力学特性及多变的海洋环境对无人水下航行器（UUV）控制器的设计提出了巨大挑战,在实际应用中,控制器的参数经人工调试后便固化,在控制过程中无法适应环境的变化。针对上述难题,该文借鉴自适应控制思想,提出一种基于强化学习的参数自适应S面控制方法,采用自适应控制方式实现不同环境下控制器参数的优化和自动整定。该方法采用Q学习算法进行训练,通过Q学习的自学习机制寻找输入状态和输出动作间的最优映射。仿真试验表明,所提方法能对控制器的参数进行实时在线调整,具备良好的控制效果和环境自适应能力。     

基于样本熵理论的进化论自适应消噪算法

进化论自适应滤波器消噪算法通过有性繁殖和无性繁殖规则可以实现全局最优搜索,从而最优地消除可加性噪声,有效提取故障特征信号。但定值进化系数和以残差信号平均能量的倒数作为适应度函数等因素,约束了该算法的收敛特性和消噪性能。由于样本熵拥有可有效表征信号的不规则性和复杂程度、可较少地依赖时间序列的长度、对于丢失数据不敏感、对瞬态强干扰有较好的承受能力等特性,本文将信号样本熵的倒数作为适应度函数,采用变步长的进化系数提出基于样本熵理论的自适应进化论消噪算法。模拟仿真和实验数据研究表明,本算法有较好的收敛速度和消噪效果。     

自主水下航行器自适应S面三维轨迹跟踪的仿真验证

[目的]旨在研究非线性六自由度自主水下航行器（AUV）的轨迹跟踪问题。[方法]为此,设计三维轨迹变前视距离视线（LOS）导引律,利用李雅普诺夫稳定性判据证明此导引律的稳定性,使用设计的自适应S面控制算法对AUV的航向角、纵倾角和纵向速度进行控制。然后,以REMUS 100 AUV为例,利用Matlab软件分别对AUV的航向角、纵倾角和纵向速度控制及其空间直线、曲线轨迹跟踪进行仿真,以验证所提导引律的有效性。[结果]结果表明：对于非线性控制而言,相比于传统的S面控制,自适应S面控制可降低控制参数整定的难度,抗干扰能力更强;而且,相比于传统的LOS导引律,所提导引律可使AUV更快地跟踪上参考轨迹。[结论]所设计的轨迹跟踪控制算法能够实现对AUV的三维轨迹跟踪,并改善AUV的操纵性。     

基于自适应神经网络的UUV航速控制仿真研究

针对无人水下航行器(UUV)在水动力参数变化和外界不确定干扰下的航速控制问题,提出一种基于李雅普诺夫方法的自适应神经网络控制算法。引入RBF神经网络来估计建模误差和海流干扰,并设计自适应学习律来保证神经网络权值的最优估计,保证了系统的航速误差收敛到零。仿真试验结果表明设计的控制器在航速控制过程中可有效抑制UUV载体的模型不确定性及海流干扰,且控制参数易于调节。     

多自主水下航行器区域搜索与协同围捕方法研究

针对多个自主水下航行器(AUVs)执行区域搜索和协同围捕入侵对象的任务案例,设计了多航行器混合分层式体系结构,提出了分区域随机搜索策略和基于势点的优化围捕策略。将蚁群算法和人工势场法相结合,实现了AUVs路径规划与避碰。基于AUV六自由度运动模型和PID控制器,通过仿真实验验证了算法的有效性。仿真结果表明,AUVs具有在障碍环境中执行区域搜索和对入侵对象协同围捕的作业能力,设计的方法可应用于自主水下航行器的围捕任务。     

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。     

自主式水下航行器水下回收融合引导技术方案及算法

[目的]为解决母艇携载的自主式水下航行器（AUV）在水下自主回收和对接的问题,基于惯导（INS）、声学超短基线定位（USBL）、光学等信号引导的多源数据融合,提出一种面向移动平台的AUV水下回收对接引导方法。[方法]为此,设计融合多传感器信息的扩展联邦卡尔曼滤波器,采用分散滤波并再经信息融合方法以提高滤波精度。分别以INS和USBL及光学探测信号作为子滤波器的输入信息,结合AUV水下回收对接过程中的5个阶段分别建立运动方程,最终得到适用于移动平台搭载的AUV水下对接引导系统的多源数据融合导航算法。[结果]仿真结果表明,所提方法具有可行性、系统鲁棒性和控制精度,[结论]可满足母艇水下回收作业对接的工程要求,以及作为AUV水下自主回收操作的技术参考。     

基于改进PPO算法的AUV控制器设计

为了提高自主水下航行器（AUV）控制器对环境建模误差的鲁棒性,提出一种引入上下文信息和课程学习训练机制的强化学习控制策略。首先,通过将交互历史数据作为策略网络输入的一部分,将上下文信息嵌入策略网络;其次,设计课程学习训练机制,在训练过程中逐渐增加干扰力度,避免因干扰过大导致的训练不稳定和早停现象。在仿真环境中进行定深控制实验,并在水池中使用实体AUV进一步验证算法的有效性。实验结果表明,所提算法可以将收敛速度提升25.00%,奖励稳态值提升10.81%,有效改进了训练过程。所提算法在仿真环境中可以实现无静差跟踪,在水池实验中,相比于域随机化算法和基线算法,其深度位置跟踪误差均值分别减小了45.81%和63.00%,标准差分别减小了36.17%和52.76%,有效提升了跟踪精度和稳定性。研究成果可为深度强化学习方法在AUV控制领域中的应用提供参考。     

基于改进CKF算法的AUV组合导航系统研究

针对自主无人水下航行器（AUV）组合导航系统在导航推算时系统模型模糊及测量噪声无法确定导致导航精度下降的问题,提出通过自适应因子调整先验估计误差协方差矩阵的自适应容积卡尔曼滤波（ACKF）,以及基于M估计在线调整量测噪声协方差矩阵的鲁棒容积卡尔曼滤波（RCKF）,并利用交互式多模型（IMM）将以上优化算法交互融合。结合各个子滤波器的优势,通过设置仿真与实际海试对比实验证明算法的可行性,其中误差降低了29%,均方根误差降低了43%,从而可通过该方法降低AUV导航过程中不同噪声不确定性造成的影响。