【摘要】：自主水下航行器(Autonomous underwater vehicles,AUV)是人類探索海洋的有力助手,隨著人類對(duì)海洋的探索逐漸深入,單體AUV已經(jīng)無(wú)法滿足要求。多AUV協(xié)同導(dǎo)航系統(tǒng)能夠協(xié)同作業(yè),與單體AUV相比有著很大優(yōu)勢(shì)。在協(xié)同導(dǎo)航中,需要利用基于狀態(tài)空間模型的非線性濾波估計(jì)出AUV的位置,常用的非線性濾波有擴(kuò)展卡爾曼濾波(Extended Kalman Filter,EKF)、無(wú)跡卡爾曼濾波(Unscented Kalman Filter,UKF)、容積卡爾曼濾波(Cabuture Kalman Filter,CKF)和粒子濾波(Particle Filter,PF)等。但是,由于海洋環(huán)境十分復(fù)雜,多AUV協(xié)同導(dǎo)航系統(tǒng)的量測(cè)噪聲常常會(huì)出現(xiàn)野值,此時(shí)若使用常用的非線性濾波方法將會(huì)導(dǎo)致濾波精度下降,因此需要尋求更合適的濾波方法。本文以此為研究背景,以PF為基礎(chǔ),深入研究了系統(tǒng)量測(cè)噪聲出現(xiàn)野值情況下的多AUV協(xié)同導(dǎo)航技術(shù)。本文首先對(duì)多AUV協(xié)同導(dǎo)航、多AUV協(xié)同導(dǎo)航濾波算法以及PF的國(guó)內(nèi)外發(fā)展現(xiàn)狀進(jìn)行了介紹、總結(jié)了常用的基于AUV的導(dǎo)航方法,并詳細(xì)闡述了多AUV協(xié)同導(dǎo)航的基本原理和數(shù)學(xué)模型。然后針對(duì)傳統(tǒng)PF在量測(cè)噪聲出現(xiàn)野值情況下濾波精度降低這一問(wèn)題進(jìn)行了研究。從Bayesian理論出發(fā),詳細(xì)介紹并推導(dǎo)了PF和三種改進(jìn)的PF。介紹了最大熵準(zhǔn)則(Maximum Correntropy Criterion,MCC)和最大熵?zé)o跡卡爾曼濾波(Maximum Correntropy Unscented Kalman Filter,MCUKF),并基于此提出了最大熵?zé)o跡粒子濾波(Maximum Correntropy Unscented Particle Filter,MCUPF)。該方法以無(wú)跡粒子濾波為基礎(chǔ),利用MCC對(duì)其進(jìn)行改進(jìn),使其在量測(cè)噪聲出現(xiàn)野值的情況下具有魯棒性,能保持較高的濾波精度。最后通過(guò)仿真實(shí)驗(yàn)對(duì)所提出的MCUPF的有效性進(jìn)行驗(yàn)證。緊接著,為了對(duì)提出的MCUPF計(jì)算量較大這一不足之處進(jìn)行改進(jìn),本文做了進(jìn)一步的研究。先對(duì)三種常見(jiàn)的PF重采樣方法進(jìn)行介紹,然后引入了一種能實(shí)時(shí)調(diào)節(jié)粒子數(shù)的KLD重采樣方法。在MCUPF的基礎(chǔ)上,引入KLD重采樣方法,提出了最大熵自適應(yīng)無(wú)跡粒子濾波(Maximum Correntropy Adaptive Unscented Particle Filter,MCAUPF)。最后通過(guò)仿真實(shí)驗(yàn)對(duì)所提出的MCAUPF的有效性進(jìn)行驗(yàn)證。最后,為了解決在面臨量測(cè)噪聲出現(xiàn)野值時(shí),現(xiàn)有的基于改進(jìn)PF的協(xié)同導(dǎo)航方法性能會(huì)大幅下降這一問(wèn)題,提出了一種基于MCAUPF的多AUV協(xié)同導(dǎo)航方法。然后利用實(shí)際的實(shí)驗(yàn)數(shù)據(jù)進(jìn)行仿真,仿真結(jié)果表明,在量測(cè)噪聲出現(xiàn)野值情況下的多AUV協(xié)同導(dǎo)航系統(tǒng)中,本文提出的濾波方法與現(xiàn)有的改進(jìn)PF以及魯棒濾波方法相比具有更高的估計(jì)精度,與現(xiàn)有的魯棒PF相比計(jì)算量更小。
【圖文】：

們利用雙水聽(tīng)器形成的“雙耳聽(tīng)覺(jué)”效應(yīng)來(lái)獲取 AUV 之間的信息就得出了跟隨者的位置[19]。但是由于水下環(huán)境很復(fù)雜多變方位是很困難的，因此，研究者們提出了無(wú)需測(cè)量方位信息、式的協(xié)同導(dǎo)航方法[6]。該方法不僅復(fù)雜度和對(duì)量測(cè)手段的要求放基線陣，操作區(qū)域靈活。除此之外，對(duì)于多 AUV 協(xié)同導(dǎo)航的導(dǎo)航方法、長(zhǎng)基線法、短基線法、超短基線法以及移動(dòng)長(zhǎng)基缺點(diǎn)，適用于不同的場(chǎng)合，需結(jié)合具體條件具體分析。應(yīng)用中，1995 年，由麻省理工大學(xué)等研究機(jī)構(gòu)共同參與的自主s Ocean Sampling Network，AOSN)(又被稱作 MURI/AOSN)項(xiàng)統(tǒng)，這個(gè)項(xiàng)目前后歷時(shí)五年，主要用于科考等方面。MURI/建一個(gè)由多個(gè) AUV 組成的網(wǎng)絡(luò)。隨后，美國(guó)的蒙特利灣海洋目，該項(xiàng)目是在 MURI/AOSN 的基礎(chǔ)上建立的。AOSNⅡ項(xiàng)目物理性，，該項(xiàng)目里的 AUV 都會(huì)配備多個(gè)不同類型的傳感器，據(jù)[4]。在 2003 年和 2006 年，研究人員在蒙特利灣附近的海域系列的實(shí)驗(yàn)，如圖 1.3 和圖 1.4 所示。

圖 1.4 2006 年蒙特利灣 AOSNⅡ試驗(yàn)示意圖西海灣大陸架觀測(cè)系統(tǒng)(New Jersey Shelf Observing System)是由等構(gòu)成的觀測(cè)系統(tǒng)。在無(wú)人守候并且長(zhǎng)時(shí)間工作的情況下，該系這充分證明了 AUV 在對(duì)海洋進(jìn)行調(diào)查研究的工作中起到了至關(guān)006 年組織了德國(guó)、意大利、法國(guó)等多個(gè)國(guó)家聯(lián)合開(kāi)展了 GREX主要目的是解決多 AUV 的協(xié)同導(dǎo)航、編隊(duì)控制以及通信等問(wèn)題外公布的訊息顯示該項(xiàng)目主要被用于海圖測(cè)繪。在三年里，該項(xiàng)功完成了海圖測(cè)繪的任務(wù)，并成功驗(yàn)證了多 AUV 的協(xié)同導(dǎo)航和來(lái)實(shí)現(xiàn)[6]。
【學(xué)位授予單位】：哈爾濱工程大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TN713;U674.941

【相似文獻(xiàn)】

相關(guān)期刊論文 前9條

1 蔣丹,徐功仁;利用最大熵準(zhǔn)則的新譜分析技術(shù)[J];華東化工學(xué)院學(xué)報(bào);1988年S1期

2 王宇;李洪雙;;最大熵準(zhǔn)則識(shí)別材料疲勞壽命分布[J];航空工程進(jìn)展;2015年03期

3 姚小群;姚錫凡;王衛(wèi)平;陳統(tǒng)堅(jiān);;基于最大熵準(zhǔn)則的加工過(guò)程神經(jīng)網(wǎng)絡(luò)建模[J];機(jī)械制造;2005年12期

4 吳新瞻;模式識(shí)別中的分類熵準(zhǔn)則[J];科學(xué)通報(bào);1983年23期

5 魏民祥,閆桂榮,郭萬(wàn)林;基于信息熵原理的結(jié)構(gòu)振動(dòng)傳感器的布局[J];儀器儀表學(xué)報(bào);2004年06期

6 李榮;混合指數(shù)分布模型的Bayes分析[J];國(guó)防科技大學(xué)學(xué)報(bào);1999年02期

7 趙宏偉;陳霄;劉萍萍;耿慶田;;視覺(jué)顯著目標(biāo)的自適應(yīng)分割[J];光學(xué)精密工程;2013年02期

8 邸椺;潘泉;賀霖;趙永強(qiáng);;基于多檢測(cè)器最大熵融合的多通道光譜圖像異常檢測(cè)[J];光子學(xué)報(bào);2007年07期

9 張士峰;;計(jì)算驗(yàn)前分布的最大熵方法[J];戰(zhàn)術(shù)導(dǎo)彈技術(shù);1999年02期

相關(guān)博士學(xué)位論文 前1條

1 魯帆;基于協(xié)整理論的復(fù)雜動(dòng)態(tài)工程系統(tǒng)狀態(tài)監(jiān)測(cè)方法應(yīng)用研究[D];南京航空航天大學(xué);2010年

相關(guān)碩士學(xué)位論文 前2條

1 范穎;最大熵粒子濾波及其在水下協(xié)同導(dǎo)航中的應(yīng)用研究[D];哈爾濱工程大學(xué);2019年

2 王宇;貝葉斯參數(shù)更新在可靠性分析中的應(yīng)用[D];南京航空航天大學(xué);2014年

本文編號(hào)：2636031