基于多元信息融合的AUV慣性導航系統(tǒng)方法研究.pdf

1、隨著海洋探測與開發(fā)的不斷深入，對具有自主導航能力的水下機器人的需求越來越大。在深海復雜環(huán)境中，單獨的采用慣導組件進行導航，無法克服系統(tǒng)誤差的累積問題、無法滿足高精度自主導航的要求，而采用多傳感器提供的多元信息融合技術以及優(yōu)化濾波算法成為研究的主要趨勢。
　　 本文研究了水下自主機器人在自主導航過程中的關鍵算法-AUV組合導航算法。本文設計的系統(tǒng)是基于多元信息融合的AUV組合導航系統(tǒng)，即采用慣導組件、GPS和多普勒測速儀等設備作為

2、導航參數(shù)的輸入源，協(xié)同進行導航系統(tǒng)的計算與修正。同時為了克服誤差積累問題，設計了“水面校正-水下潛航”模式。在“水面校正”的導航模式下，用捷聯(lián)慣導/GPS組合導航系統(tǒng)，使用GPS發(fā)送的實時數(shù)據(jù)來糾正速度和位置信息；在“水下潛航”的導航模式下用捷聯(lián)慣導/DVL組合導航系統(tǒng)進行導航參數(shù)計算。從AUV實際環(huán)境運行的角度，從確保系統(tǒng)運行穩(wěn)定、安全，同時能保證導航精度符合系統(tǒng)需要的前提出發(fā)，分別研究、實現(xiàn)并測試了基于魯棒H∞濾波的組合導航算法以及

3、基于BP神經(jīng)網(wǎng)絡優(yōu)化的擴展卡爾曼濾波組合導航算法，根據(jù)實際運行結果分析各自的優(yōu)缺點。
　　 擴展卡爾曼濾波是在卡爾曼濾波的基礎上針對非線性環(huán)境的改進算法，需要根據(jù)捷聯(lián)慣導和DVL各自的誤差方程來設計擴展卡爾曼濾波器的狀態(tài)方程和觀測方程，從而計算出各個誤差項。它具有高精度和高實時性的優(yōu)點，但是由于它需要以已知準確數(shù)學模型以及已知的系統(tǒng)噪聲和觀測噪聲統(tǒng)計特性為前提，但在深海復雜環(huán)境中運行的AUV導航系統(tǒng)很難實現(xiàn)，因此，往往會造成系統(tǒng)

4、的發(fā)散甚至系統(tǒng)崩潰。
　　 針對擴展卡爾曼濾波可靠性較差的問題，在保證AUV遠距離精確導航所需求的精度、實時性問題的前提下，提出了基于魯棒H∞濾波的組合導航算法以及基于BP神經(jīng)網(wǎng)絡優(yōu)化的擴展卡爾曼濾波組合導航算法。
　　 魯棒H∞濾波算法是一種建立在魯棒控制理論基礎上的次優(yōu)估計算法，算法成立的假設條件是外部噪聲的能量有限，并不需要噪聲的具體數(shù)學統(tǒng)計模型，它將噪聲和不確定輸入看作是能量有限的隨機信號，使系統(tǒng)的干擾到估計誤差

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。而且在組合導航中使用H∞。濾波算法，在保持必要導航精度的前提下其穩(wěn)定性遠遠優(yōu)于Kalman濾波，十分適用于AUV對未知海域的探測。
　　 神經(jīng)網(wǎng)絡具有并行處理、自學習能力和分布式存儲，同時還具有很強的容錯性和魯棒性。利用神經(jīng)網(wǎng)絡的特點對信號進行處理，可以忽略模式識別方法中建模以及特征提取過程，從而在根源上減小因模型不確定或特征選擇不恰當而

6、引起的誤差，以提高系統(tǒng)性能。BP神經(jīng)網(wǎng)絡是一種使用誤差逆向傳播算法訓練的多層前饋網(wǎng)絡，是目前應用最廣泛的神經(jīng)網(wǎng)絡模型之一。BP神經(jīng)網(wǎng)絡能學習和存貯大量的輸入/輸出模式的映射關系，但無需事前揭示描述這種映射關系的數(shù)學方程。本文將擴展卡爾曼濾波算法與BP神經(jīng)網(wǎng)絡的結合，有效的解決了卡爾曼濾波算法的數(shù)學模型未知和系數(shù)矩陣不匹配的問題，有效降低系統(tǒng)的不穩(wěn)定性，提高濾波精度，并將之運用于AUV組合導航系統(tǒng)。實驗結果證明，采用這兩種算法進行組合導航