论文部分内容阅读
自主水下航行器(Autonomous underwater vehicles,AUV)是人类探索海洋的有力助手,随着人类对海洋的探索逐渐深入,单体AUV已经无法满足要求。多AUV协同导航系统能够协同作业,与单体AUV相比有着很大优势。在协同导航中,需要利用基于状态空间模型的非线性滤波估计出AUV的位置,常用的非线性滤波有扩展卡尔曼滤波(Extended Kalman Filter,EKF)、无迹卡尔曼滤波(Unscented Kalman Filter,UKF)、容积卡尔曼滤波(Cabuture Kalman Filter,CKF)和粒子滤波(Particle Filter,PF)等。但是,由于海洋环境十分复杂,多AUV协同导航系统的量测噪声常常会出现野值,此时若使用常用的非线性滤波方法将会导致滤波精度下降,因此需要寻求更合适的滤波方法。本文以此为研究背景,以PF为基础,深入研究了系统量测噪声出现野值情况下的多AUV协同导航技术。本文首先对多AUV协同导航、多AUV协同导航滤波算法以及PF的国内外发展现状进行了介绍、总结了常用的基于AUV的导航方法,并详细阐述了多AUV协同导航的基本原理和数学模型。然后针对传统PF在量测噪声出现野值情况下滤波精度降低这一问题进行了研究。从Bayesian理论出发,详细介绍并推导了PF和三种改进的PF。介绍了最大熵准则(Maximum Correntropy Criterion,MCC)和最大熵无迹卡尔曼滤波(Maximum Correntropy Unscented Kalman Filter,MCUKF),并基于此提出了最大熵无迹粒子滤波(Maximum Correntropy Unscented Particle Filter,MCUPF)。该方法以无迹粒子滤波为基础,利用MCC对其进行改进,使其在量测噪声出现野值的情况下具有鲁棒性,能保持较高的滤波精度。最后通过仿真实验对所提出的MCUPF的有效性进行验证。紧接着,为了对提出的MCUPF计算量较大这一不足之处进行改进,本文做了进一步的研究。先对三种常见的PF重采样方法进行介绍,然后引入了一种能实时调节粒子数的KLD重采样方法。在MCUPF的基础上,引入KLD重采样方法,提出了最大熵自适应无迹粒子滤波(Maximum Correntropy Adaptive Unscented Particle Filter,MCAUPF)。最后通过仿真实验对所提出的MCAUPF的有效性进行验证。最后,为了解决在面临量测噪声出现野值时,现有的基于改进PF的协同导航方法性能会大幅下降这一问题,提出了一种基于MCAUPF的多AUV协同导航方法。然后利用实际的实验数据进行仿真,仿真结果表明,在量测噪声出现野值情况下的多AUV协同导航系统中,本文提出的滤波方法与现有的改进PF以及鲁棒滤波方法相比具有更高的估计精度,与现有的鲁棒PF相比计算量更小。