自主水下航行器同步定位與構圖方法研究.pdf

1、導航是自主水下航行器(AutonomousUnderwaterVehicle,AUV)安全、有效執(zhí)行任務的前提和基礎。慣性導航和航位推算等方法的導航誤差隨時間增長而累積,通常需要定期上浮至水面通過GPS實現(xiàn)導航位置校正,不適合于AUV長航時隱蔽作業(yè)。本論文致力于解決結構化環(huán)境中,部分已知或無先驗信息情況下AUV自主導航問題,基于同步定位與構圖(SimultaneousLocalizationandMapping,SLAM),依靠AUV攜

2、帶的環(huán)境感知傳感器和位姿測量傳感器實現(xiàn)位置估計與環(huán)境地圖構建,對于AUV長航時安全、可靠作業(yè)具有重要的理論意義和實際應用價值。
　　首先,設計SLAM研究的基本框架,建立環(huán)境地圖模型、坐標系統(tǒng)、特征模型、傳感器測量模型及AUV運動學模型,為后續(xù)SLAM研究奠定基礎;
　　然后,深入研究SLAM過程中特征提取問題,針對Hough變換特征提取方法中所存在的投票量大、提取效率低的問題,提出基于模糊自適應Hough變換的海洋環(huán)境特征

3、提取方法,根據梯度方向信息,模糊化處理聲吶數據點,采用極小極大模糊推理方法評判數據點隸屬于直線特征的概率,自適應地選擇參與投票的數據點并提取港口環(huán)境的線特征。與傳統(tǒng)Hough變換方法相比,降低了投票次數,具有存儲空間小、計算效率高、實用性強等優(yōu)點;
　　其次,深入研究SLAM的數據關聯(lián)問題,針對數據關聯(lián)過程中所存在的關聯(lián)精度與計算效率之間的矛盾,提出灰色預測ICNN-JCBB快速切換數據關聯(lián)方法,利用灰色理論對環(huán)境特征密度進行預測

4、,通過設定密度閾值實現(xiàn)數據關聯(lián)算法的快速切換選擇,仿真實驗結果表明,所提出算法提高了關聯(lián)效率,保證了關聯(lián)精度;
　　再次,深入研究SLAM中AUV位置估計問題,針對AUV運動學模型與實際模型無法完全匹配且噪聲統(tǒng)計特性不準確所導致的EKF-SLAM導航精度降低的問題,提出Sage-Husa自適應EKF-SLAM方法,將模型及噪聲統(tǒng)計特性的不確定性虛擬化為系統(tǒng)的過程噪聲,利用噪聲統(tǒng)計特性估值器實時有效預測噪聲統(tǒng)計特性,并對其進行校正;

5、基于AUV海試數據的試驗結果表明,選擇不同的噪聲初值對Sage-Husa自適應EKF-SLAM位置估計準確性影響較大;為了避免上述初值選取問題,基于Sage-Husa自適應EKF-SLAM和強跟蹤EKF-SLAM提出組合自適應EKF-SLAM方法,設計殘差收斂判據判斷濾波估計發(fā)散,從而實施強跟蹤EKF-SLAM估計AUV位置參數?；诤Ｔ嚁祿脑囼灲Y果表明,組合自適應EKF-SLAM不受噪聲初值選取的影響,可一定程度上保證AUV及地圖中

6、特征的位置估計精度;
　　最后,深入研究基于FastSLAM的AUV位置估計問題,以解決EKF-SLAM中運動模型非線性、噪聲非高斯的影響,針對FastSLAM中存在的粒子退化及粒子貧化現(xiàn)象,提出基于線性優(yōu)化重采樣的FastSLAM方法,在重采樣過程中將復制的粒子與符合一定條件的被拋棄粒子進行線性組合,從產生的新粒子集合中選取權值增大者,減輕粒子的簡單復制壓力,一定程度上保留更多粒子攜帶的信息。基于海試數據的試驗結果表明線性優(yōu)化重

7、采樣FastSLAM可有效地降低粒子貧化現(xiàn)象,相對于標準FastSLAM方法,可在一定程度上提高AUV及特征的位置估計精度,但其估計結果仍受少量小權值粒子丟失的影響;針對粒子丟失問題,提出基于粒子權值方差縮減的FastSLAM方法,通過模擬退火算法的退溫函數產生自適應指數漸消因子,通過小權值粒子權值的升高、大權值粒子權值的降低,實現(xiàn)粒子權值方差的縮減,提高有效粒子數?；诤Ｔ嚁祿脑囼灲Y果表明,所提出的模擬退火方差縮減FastSLAM方