自主水下航行器同步定位與構(gòu)圖方法研究.pdf

1、導(dǎo)航是自主水下航行器(AutonomousUnderwaterVehicle,AUV)安全、有效執(zhí)行任務(wù)的前提和基礎(chǔ)。慣性導(dǎo)航和航位推算等方法的導(dǎo)航誤差隨時(shí)間增長而累積,通常需要定期上浮至水面通過GPS實(shí)現(xiàn)導(dǎo)航位置校正,不適合于AUV長航時(shí)隱蔽作業(yè)。本論文致力于解決結(jié)構(gòu)化環(huán)境中,部分已知或無先驗(yàn)信息情況下AUV自主導(dǎo)航問題,基于同步定位與構(gòu)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(shí)現(xiàn)位置估計(jì)與環(huán)境地圖構(gòu)建,對于AUV長航時(shí)安全、可靠作業(yè)具有重要的理論意義和實(shí)際應(yīng)用價(jià)值。
　　首先,設(shè)計(jì)SLAM研究的基本框架,建立環(huán)境地圖模型、坐標(biāo)系統(tǒng)、特征模型、傳感器測量模型及AUV運(yùn)動學(xué)模型,為后續(xù)SLAM研究奠定基礎(chǔ);
　　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(yīng)Hough變換的海洋環(huán)境特征

3、提取方法,根據(jù)梯度方向信息,模糊化處理聲吶數(shù)據(jù)點(diǎn),采用極小極大模糊推理方法評判數(shù)據(jù)點(diǎn)隸屬于直線特征的概率,自適應(yīng)地選擇參與投票的數(shù)據(jù)點(diǎn)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(shù),具有存儲空間小、計(jì)算效率高、實(shí)用性強(qiáng)等優(yōu)點(diǎn);
　　其次,深入研究SLAM的數(shù)據(jù)關(guān)聯(lián)問題,針對數(shù)據(jù)關(guān)聯(lián)過程中所存在的關(guān)聯(lián)精度與計(jì)算效率之間的矛盾,提出灰色預(yù)測ICNN-JCBB快速切換數(shù)據(jù)關(guān)聯(lián)方法,利用灰色理論對環(huán)境特征密度進(jìn)行預(yù)測

4、,通過設(shè)定密度閾值實(shí)現(xiàn)數(shù)據(jù)關(guān)聯(lián)算法的快速切換選擇,仿真實(shí)驗(yàn)結(jié)果表明,所提出算法提高了關(guān)聯(lián)效率,保證了關(guān)聯(lián)精度;
　　再次,深入研究SLAM中AUV位置估計(jì)問題,針對AUV運(yùn)動學(xué)模型與實(shí)際模型無法完全匹配且噪聲統(tǒng)計(jì)特性不準(zhǔn)確所導(dǎo)致的EKF-SLAM導(dǎo)航精度降低的問題,提出Sage-Husa自適應(yīng)EKF-SLAM方法,將模型及噪聲統(tǒng)計(jì)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(jì)特性估值器實(shí)時(shí)有效預(yù)測噪聲統(tǒng)計(jì)特性,并對其進(jìn)行校正;

5、基于AUV海試數(shù)據(jù)的試驗(yàn)結(jié)果表明,選擇不同的噪聲初值對Sage-Husa自適應(yīng)EKF-SLAM位置估計(jì)準(zhǔn)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(yīng)EKF-SLAM和強(qiáng)跟蹤EKF-SLAM提出組合自適應(yīng)EKF-SLAM方法,設(shè)計(jì)殘差收斂判據(jù)判斷濾波估計(jì)發(fā)散,從而實(shí)施強(qiáng)跟蹤EKF-SLAM估計(jì)AUV位置參數(shù)。基于海試數(shù)據(jù)的試驗(yàn)結(jié)果表明,組合自適應(yīng)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(jì)精度;
　　最后,深入研究基于FastSLAM的AUV位置估計(jì)問題,以解決EKF-SLAM中運(yùn)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(fù)制的粒子與符合一定條件的被拋棄粒子進(jìn)行線性組合,從產(chǎn)生的新粒子集合中選取權(quán)值增大者,減輕粒子的簡單復(fù)制壓力,一定程度上保留更多粒子攜帶的信息?；诤Ｔ嚁?shù)據(jù)的試驗(yàn)結(jié)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(biāo)準(zhǔn)FastSLAM方法,可在一定程度上提高AUV及特征的位置估計(jì)精度,但其估計(jì)結(jié)果仍受少量小權(quán)值粒子丟失的影響;針對粒子丟失問題,提出基于粒子權(quán)值方差縮減的FastSLAM方法,通過模擬退火算法的退溫函數(shù)產(chǎn)生自適應(yīng)指數(shù)漸消因子,通過小權(quán)值粒子權(quán)值的升高、大權(quán)值粒子權(quán)值的降低,實(shí)現(xiàn)粒子權(quán)值方差的縮減,提高有效粒子數(shù)?；诤Ｔ嚁?shù)據(jù)的試驗(yàn)結(jié)果表明,所提出的模擬退火方差縮減FastSLAM方