【摘要】：針對多自主式水下潛器(autonomous underwater vehicle,AUV)在協(xié)同導(dǎo)航過程中量測異常等問題,提出一種基于交互式模型的多AUV協(xié)同導(dǎo)航濾波算法。首先以建立多AUV協(xié)同導(dǎo)航基本模型為基礎(chǔ),給出基本的協(xié)同導(dǎo)航濾波過程;通過廣義最大似然估計(jì)的濾波算法對受污染的量測噪聲進(jìn)行處理;進(jìn)一步地,利用Schweppe形式下的廣義最大似然估計(jì)解決量測出現(xiàn)的異常情況;運(yùn)用交互式多模型算法解決由量測噪聲時變而造成的濾波精度下降問題。最后仿真結(jié)果表明該協(xié)同導(dǎo)航濾波算法具有良好的自適應(yīng)魯棒性。
【圖文】：

ｉｎｔｅｒａｃｔｉｖｅｍｕｌｔｉｐｌｅｍｏｄｅｌ，ＩＭＭ）算法最初是針對機(jī)動目標(biāo)跟蹤問題而提出的［１３］。ＩＭＭ算法的基本原理是將系統(tǒng)的多個模型組成一個模型集，其中每個模型對應(yīng)一個濾波器，每個濾波器通過輸入交互過程獲得狀態(tài)向量和協(xié)方差矩陣，各濾波器之間是并行關(guān)系，利用每個濾波器輸出的殘差信息和各個模型的先驗(yàn)信息獲得模型的匹配概率，最后系統(tǒng)的狀態(tài)估計(jì)是各濾波器的狀態(tài)估計(jì)與其匹配概率的積和，，其中各模型之間的轉(zhuǎn)換概率符合馬爾可夫鏈［１４－１５］。ＩＭＭ算法如圖１所示。圖１交互式多模型算法原理圖Ｆｉｇ．１ＩＭＭａｌｇｏｒｉｔｈｍｓｃｈｅｍａｔｉｃ從算法原理圖中可知，ＩＭＭ算法具有很好的模塊化特性，所以不僅可以增加模型數(shù)量，而且還可以自由地選取濾波器，因此其具有很好的跟蹤特性，被認(rèn)為是當(dāng)前最優(yōu)秀的跟蹤算法之一，并得到廣泛的應(yīng)用。３．２ＩＭＭ算法步驟ＩＭＭ算法是一個循環(huán)算法，每次循環(huán)包含以下幾個過程：輸入交互過程、模型濾波、模型概率更新以及交互輸出過程�，F(xiàn)假定協(xié)同導(dǎo)航基本狀態(tài)方程和量測方程為ｘ（ｋ＋１）＝Ｆｊ（ｋ）ｘ（ｋ）＋Γｊ（ｋ）ｖｊ（ｋ）ｚ（ｋ）＝Ｈｊ（ｋ）ｘ（ｋ）＋ｗｊ（ｋp舙膒疲�，�/ｊ∈Ｍ（３３）式中，下標(biāo)ｊ代表時刻ｋ模型集中第ｊ個模型。（１）輸入交互過程該過程中利用前一個濾波周期各個濾波器的狀態(tài)估計(jì)與協(xié)方差以及模型條件轉(zhuǎn)移概率來估計(jì)交互混合狀態(tài)和協(xié)方差。＾ｘ０ｉ（ｋ－１）＝∑ｎｊ＝１＾ｘｊ（ｋ－１）μｊ｜ｉ（ｋ－１）（３

第９期徐博等：基于交互式模型的多ＡＵＶ協(xié)同導(dǎo)航魯棒性濾波算法·２０９１·逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄逄圖２交互式多模型魯棒性算法框圖Ｆｉｇ．２ＢｌｏｃｋｄｉａｇｒａｍｏｆＩＭＭｒｏｂｕｓｔａｌｇｏｒｉｔｈｍ在完整的算法過程中，首先通過ＩＭＭ算法增加對量測噪聲分布的自適應(yīng)性，在濾波過程中則通過設(shè)計(jì)具有魯棒特性的協(xié)同導(dǎo)航濾波器提高對量測異常的抑制能力。４．１魯棒性仿真驗(yàn)證４．１．１仿真條件從艇以８節(jié)的速度沿４２°方向直行，主艇１以９ｋｎ的速度沿４２°方向直行，主艇２以１０ｋｎ的速度沿４２°方向直行。其中從艇的速度噪聲為０．５ｋｎ，航向噪聲為０．２°／ｈ且均服從高斯分布；從艇的量測噪聲服從混合高斯分布，混合高斯分布模型為ｐ（ω）＝１－ωi幔撥

本文編號：2535521