水下无人集群具有感知探测范围广、生存能力强和作业效能高等优势,正成为海洋资源开发及军事应用不可替代的技术手段。准确的位姿估计是实现无人集群智能协同的前提,也是制约水下无人集群走向工程应用的技术瓶颈,已成为国内外研究的热点之一。但是,在水下复杂场景下,受到状态模型不确定、观测噪声非平稳和信息交互弱联通等问题的制约,现有方法难以满足水下无人集群的高精度、强鲁棒性状态估计需求。当前的状态估计方法大都是基于准确模型或者高斯分布假设的,只能处理状态模型不确定或者观测噪声非平稳单一因素的影响,当面临两者同时存在的模型风险难题时,其性能会明显恶化乃至发散。此外,水下信息交互弱联通条件的分布式模型风险状态估计方法研究才刚起步,尤其是国内在这方面的研究尚属空白。因此,本论文从水下无人航行器集群的重大应用需求出发,针对水下复杂场景的无人集群协同状态估计难题,开展了三方面研究。本论文主要的研究内容和创新点如下:1.针对水下非高斯噪声干扰带来的航行器定位精度低的问题,本论文提出了数值稳定的最小误差熵卡尔曼滤波状态估计方法。海洋背景噪声和水声多途效应等引起了水下无人集群协同状态估计状态空间模型观测噪声非高斯的情况。传统的状态估计方法对模型噪声非高斯的离群值十分敏感,会导致航行器的状态估计出现极大误差,无法满足高精度导航定位的要求。本论文基于误差熵构造了新的代价函数,利用最小误差熵准则对状态估计误差的信息熵进行了相似性度量,通过高斯核函数和Parzen窗口抑制了模型噪声非高斯引起的离群值。并且,对固定点迭代过程中的矩阵奇异问题,通过正定增广构造方法进行了改进,保证了所提算法的收敛性。此外,本论文也将最小误差熵准则对模型噪声非高斯离群值的不敏感性推广到了分布式状态估计方法中,分别与分布式融合规则与分布式扩散规则进行结合,得到了不同通信条件下的高精度集群分布式状态估计方法。与传统方法相比,本论文所提的方法在对模型噪声非高斯的抑制效果上明显优于其它算法且鲁棒性更强。2.针对航行器状态模型不确定性导致的航行器位姿估计不可信的问题,本论文提出了模型风险博弈卡尔曼滤波算法框架。水下复杂场景的洋流扰动、航行器灵活机动等都会引起航行器状态模型不确定性,进而导致状态估计的不可信。目前,模型不确定性状态估计方法大都基于高斯分布假设,在面临模型噪声非高斯情形时,现有方法无法容忍非高斯噪声离群值的干扰,使得估计结果严重偏离且不可信。本论文将信息理论学习优化标准与博弈状态估计方法相结合,以Wasserstein模糊集为容忍模型不确定性的度量,构造了基于最大相关熵和最小误差熵的非凸博弈问题的代价函数,既抑制模型噪声非高斯导致的离群值,又在一定的Wasserstein模糊集半径内容忍了模型不确定性。数值仿真样例和水下无人航行器试验结果均证明了所提方法的有效性。本论文提出的模型风险博弈卡尔曼滤波算法,一定程度上解决了水下无人集群模型不确定性与模型噪声非高斯同时存在的模型风险状态估计问题。3.针对水声通信弱联通造成的无人集群协同状态估计鲁棒性弱的问题,本论文提出了带宽受限约束下的分布式模型风险状态估计方法。水下无人集群以水声通信网络进行数据交互时,由于声音在水中的传播速度慢、能量衰减快,使得水声通信的距离短且带宽受限,这严重的制约了传统的集群协同状态估计方法在水下无人集群中的应用。本论文基于降维的方法对航行器本地模型风险状态估计结果进行抉择、压缩,以满足带宽受限的水声通信要求,继而,在融合节点对邻居航行器的不完备信息进行补完,并以分布式扩散规则对补完得到的邻居航行器信息进行分布式信息融合,最终得到了带宽受限约束下的分布式模型风险状态估计结果。本论文所提的方法在一定程度上解决了水下无人集群带宽受限约束下的分布式模型风险状态估计难题。综上所述,本论文基于水下复杂场景无人集群协同的实际工程难题,凝练了模型风险状态估计与通信带宽受限问题,提出了一种模型风险博弈卡尔曼滤波算法框架,给出了一种带宽受限约束下的分布式模型风险状态估计方法,对水下无人集群智能研究具有重要的理论价值与实际意义。