基于交互式模型的多AUV协同导航鲁棒性滤波算法
发布时间：2019-09-13 02:44
【摘要】：针对多自主式水下潜器(autonomous underwater vehicle,AUV)在协同导航过程中量测异常等问题,提出一种基于交互式模型的多AUV协同导航滤波算法。首先以建立多AUV协同导航基本模型为基础,给出基本的协同导航滤波过程;通过广义最大似然估计的滤波算法对受污染的量测噪声进行处理;进一步地,利用Schweppe形式下的广义最大似然估计解决量测出现的异常情况;运用交互式多模型算法解决由量测噪声时变而造成的滤波精度下降问题。最后仿真结果表明该协同导航滤波算法具有良好的自适应鲁棒性。
【图文】：
ｉｎｔｅｒａｃｔｉｖｅｍｕｌｔｉｐｌｅｍｏｄｅｌ，ＩＭＭ）算法最初是针对机动目标跟踪问题而提出的［１３］。ＩＭＭ算法的基本原理是将系统的多个模型组成一个模型集，其中每个模型对应一个滤波器，每个滤波器通过输入交互过程获得状态向量和协方差矩阵，各滤波器之间是并行关系，利用每个滤波器输出的残差信息和各个模型的先验信息获得模型的匹配概率，最后系统的状态估计是各滤波器的状态估计与其匹配概率的积和，，其中各模型之间的转换概率符合马尔可夫链［１４－１５］。ＩＭＭ算法如图１所示。图１交互式多模型算法原理图Ｆｉｇ．１ＩＭＭａｌｇｏｒｉｔｈｍｓｃｈｅｍａｔｉｃ从算法原理图中可知，ＩＭＭ算法具有很好的模块化特性，所以不仅可以增加模型数量，而且还可以自由地选取滤波器，因此其具有很好的跟踪特性，被认为是当前最优秀的跟踪算法之一，并得到广泛的应用。３．２ＩＭＭ算法步骤ＩＭＭ算法是一个循环算法，每次循环包含以下几个过程：输入交互过程、模型滤波、模型概率更新以及交互输出过程。现假定协同导航基本状态方程和量测方程为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，下标ｊ代表时刻ｋ模型集中第ｊ个模型。（１）输入交互过程该过程中利用前一个滤波周期各个滤波器的状态估计与协方差以及模型条件转移概率来估计交互混合状态和协方差。＾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协同导航鲁棒性滤波算法·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图２交互式多模型鲁棒性算法框图Ｆｉｇ．２ＢｌｏｃｋｄｉａｇｒａｍｏｆＩＭＭｒｏｂｕｓｔａｌｇｏｒｉｔｈｍ在完整的算法过程中，首先通过ＩＭＭ算法增加对量测噪声分布的自适应性，在滤波过程中则通过设计具有鲁棒特性的协同导航滤波器提高对量测异常的抑制能力。４．１鲁棒性仿真验证４．１．１仿真条件从艇以８节的速度沿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。其中从艇的速度噪声为０．５ｋｎ，航向噪声为０．２°／ｈ且均服从高斯分布；从艇的量测噪声服从混合高斯分布，混合高斯分布模型为ｐ（ω）＝１－ωi幔拨
本文编号：2535521
【图文】：
ｉｎｔｅｒａｃｔｉｖｅｍｕｌｔｉｐｌｅｍｏｄｅｌ，ＩＭＭ）算法最初是针对机动目标跟踪问题而提出的［１３］。ＩＭＭ算法的基本原理是将系统的多个模型组成一个模型集，其中每个模型对应一个滤波器，每个滤波器通过输入交互过程获得状态向量和协方差矩阵，各滤波器之间是并行关系，利用每个滤波器输出的残差信息和各个模型的先验信息获得模型的匹配概率，最后系统的状态估计是各滤波器的状态估计与其匹配概率的积和，，其中各模型之间的转换概率符合马尔可夫链［１４－１５］。ＩＭＭ算法如图１所示。图１交互式多模型算法原理图Ｆｉｇ．１ＩＭＭａｌｇｏｒｉｔｈｍｓｃｈｅｍａｔｉｃ从算法原理图中可知，ＩＭＭ算法具有很好的模块化特性，所以不仅可以增加模型数量，而且还可以自由地选取滤波器，因此其具有很好的跟踪特性，被认为是当前最优秀的跟踪算法之一，并得到广泛的应用。３．２ＩＭＭ算法步骤ＩＭＭ算法是一个循环算法，每次循环包含以下几个过程：输入交互过程、模型滤波、模型概率更新以及交互输出过程。现假定协同导航基本状态方程和量测方程为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，下标ｊ代表时刻ｋ模型集中第ｊ个模型。（１）输入交互过程该过程中利用前一个滤波周期各个滤波器的状态估计与协方差以及模型条件转移概率来估计交互混合状态和协方差。＾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协同导航鲁棒性滤波算法·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图２交互式多模型鲁棒性算法框图Ｆｉｇ．２ＢｌｏｃｋｄｉａｇｒａｍｏｆＩＭＭｒｏｂｕｓｔａｌｇｏｒｉｔｈｍ在完整的算法过程中，首先通过ＩＭＭ算法增加对量测噪声分布的自适应性，在滤波过程中则通过设计具有鲁棒特性的协同导航滤波器提高对量测异常的抑制能力。４．１鲁棒性仿真验证４．１．１仿真条件从艇以８节的速度沿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。其中从艇的速度噪声为０．５ｋｎ，航向噪声为０．２°／ｈ且均服从高斯分布；从艇的量测噪声服从混合高斯分布，混合高斯分布模型为ｐ（ω）＝１－ωi幔拨
本文编号：2535521
本文链接：https://www.wllwen.com/kejilunwen/dianzigongchenglunwen/2535521.html
