深海AUV多源导航信息融合方法研究

发布时间：2017-07-19 10:15

  本文关键词：深海AUV多源导航信息融合方法研究

  更多相关文章： 自主水下航行器 非线性滤波 多模型估计 组合导航 联邦滤波

【摘要】：自主水下航行器(AUV)是开发利用深海资源、调查深海环境、利用深海空间的关键技术装备,而精度高、稳定性好的导航定位系统是自主水下航行器安全、可靠地执行水下任务的技术保障。对多源导航信息融合方法的研究是提高自主水下航行器导航定位精度以及可靠性的重要手段之一。本文以深海AUV多源导航信息融合方法为主题,研究工作主要围绕非线性非高斯滤波算法、导航传感器数据降噪方法、多模型状态估计理论以及在水下航行器组合导航系统中的应用。论文的主要内容如下：1.针对非线性、非高斯状态估计问题,研究高斯和确定采样型滤波算法。推导非线性贝叶斯滤波理论框架,对高斯确定采样型滤波算法进行分析,并对利用数值积分进行非线性近似的方法进行研究,建立了一种通过概率密度函数进行采样点选取的高阶无迹卡尔曼滤波算法,将其与高斯和滤波理论相结合,提出一种高斯和高阶无迹卡尔曼滤波算法,数值仿真实验结果表明该算法能够兼顾估计精度和计算复杂度,性能优于现有的高斯和滤波器。2.为了解决水下航行器组合导航系统由于外部环境变化、机械振动以及水声信号多径效应等噪声干扰,研究导航传感器数据降噪方法。分析AUV各导航传感器的工作原理以及引起测量误差的原因,并建立各传感器的误差模型；对基于小波变换和经验模型分解的信号降噪方法进行研究,将这两种方法应用于水下航行器各传感器数据预处理中,仿真实验结果表明,两种降噪方法均有助于提升AUV组合导航估计精度,基于经验模态分解的降噪方法有较好的自适应能力。3.针对水下航行器组合导航系统噪声统计特性不确定的情况,研究基于多模型估计的组合导航信息融合方法。对基于多模型估计理论的状态估计方法进行研究,分析交互式多模型算法,利用模型集自适应策略中的期望模式修正思想对其进行改进,提出一种期望模式修正的交互式多模型估计算法,在SINS/DVL组合导航系统中对该方法进行仿真实验,结果表明改进的方法能够在适度增加计算复杂度的情况下,提升组合导航系统估计精度及算法稳定性。4.针对交互式多模型算法中模型转移概率更新对量测噪声变化过于敏感、模型概率计算容易出现不稳定的问题,对模型转换概率自适应交互式多模型方法进行研究。分析引起模型概率计算不准确的因素,对改进的新息交互式多模型算法进行研究,提出一种基于贝叶斯网络的交互式多模型估计方法,对AUV组合导航系统中隐含的因果信息进行分析,建立贝叶斯网络,并通过SINS/DVL/TAN/MCP组成的AUV组合导航系统进行仿真实验验证,结果表明提出的算法能够解决交互式多模型估计中存在的模型切换滞后问题,提高AUV组合导航系统的状态估计精度。5.为了提高水下航行器多源导航信息融合方法的实时性、灵活性以及容错能力,对联邦多模型估计信息融合方法进行研究。对联邦滤波器的一般结构、设计流程等进行分析,将多模型估计引入到联邦滤波器中,建立一种联邦多模型估计算法结构,并对该算法进行推导；结合多源导航传感器组合导航系统,.建立一种适用于水下航行器的信息融合结构；推导以SINS作为参考系统的组合导航系统误差模型,并设计仿真实验,结果表明由于联邦交互式多模型滤波能够自适应的选择匹配模型进行估计,得到的位置误差均值、标准差均小于普通的联邦Kalman滤波算法。设计组合导航系统跑车试验,利用跑车试验数据对基于多模型的联邦滤波算法进行半物理仿真实验,结果表明该算法估计精度与稳定性优于传统的联邦Kalman滤波算法。
【关键词】：自主水下航行器 非线性滤波 多模型估计 组合导航 联邦滤波
【学位授予单位】：东南大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：U675.7;TP202
【目录】：

• 摘要4-6
• ABSTRACT6-11
• 第一章 绪论11-30
• 1.1 课题的研究背景与意义11-12
• 1.2 国内外水下航行器发展现状12-22
• 1.2.1 美国自主水下航行器的研究现状13-16
• 1.2.2 其它国家自主水下航行器的研究现状16-20
• 1.2.3 我国自主水下航行器研究现状20-22
• 1.3 AUV组合导航系统的发展现状22-24
• 1.4 AUV组合导航信息融合方法发展现状24-28
• 1.4.1 信息预处理技术24-25
• 1.4.2 估计理论与方法25-26
• 1.4.3 多模型(MM)估计26-27
• 1.4.4 联邦滤波器27-28
• 1.5 论文主要研究内容28-30
• 第二章 高斯和确定采样型滤波算法研究30-51
• 2.1 非线性贝叶斯滤波理论30-32
• 2.2 非线性变换方法32-37
• 2.2.1 泰勒级数展开非线性变换32-33
• 2.2.2 UT变换33-34
• 2.2.3 其它确定采样型数值积分准则34-37
• 2.3 高阶无味卡尔曼滤波算法37-45
• 2.3.1 高阶UT变换37-40
• 2.3.2 高阶无味卡尔曼滤波算法40-41
• 2.3.3 高斯和-高阶无味卡尔曼滤波算法41-45
• 2.4 仿真实验45-50
• 2.5 本章小结50-51
• 第三章 AUV多源导航传感器及信息预处理51-71
• 3.1 引言51-52
• 3.2 坐标系及参数定义52-54
• 3.2.1 常用坐标系52
• 3.2.2 姿态角定义52-54
• 3.3 AUV组合导航传感器测量原理及误差分析54-62
• 3.3.1 捷联惯性导航系统54-56
• 3.3.2 多普勒计程仪56-59
• 3.3.3 磁航向仪59-60
• 3.3.4 地形辅助导航系统60-61
• 3.3.5 动力学模型辅助导航61-62
• 3.4 传感器信号降噪62-66
• 3.4.1 基于小波变换的阈值滤波算法62-63
• 3.4.2 经验模态分解EMD降噪方法63-66
• 3.5 仿真实验66-70
• 3.6 本章小结70-71
• 第四章 多模型估计AUV组合导航信息融合研究71-87
• 4.1 引言71-72
• 4.2 多模型方法概述72-77
• 4.2.1 混合系统描述72
• 4.2.2 广义伪贝叶斯估计方法72-74
• 4.2.3 交互式多模型(IMM)算法74-76
• 4.2.4 变结构多模型估计VSMM76-77
• 4.3 基于期望模式修正方法的IMM算法77-79
• 4.3.1 期望模式修正方法77-78
• 4.3.2 EMA-IMM算法78-79
• 4.4 SINS/DVL组合导航79-81
• 4.5 仿真实验81-85
• 4.6 本章小结85-87
• 第五章 贝叶斯网络多模型估计AUV组合导航研究87-105
• 5.1 引言87
• 5.2 模型概率自适应交互式多模型算法87-94
• 5.2.1 影响模型概率的因素分析88-89
• 5.2.2 新息交互式多模型IFIMM算法89-91
• 5.2.3 仿真验证91-94
• 5.3 贝叶斯网络交互式多模型算法94-104
• 5.3.1 贝叶斯网络94-95
• 5.3.2 BN-IMM算法95-97
• 5.3.3 贝叶斯网络AUV组合导航系统97-100
• 5.3.4 仿真实验100-104
• 5.4 本章小结104-105
• 第六章 AUV组合导航联邦多模型估计信息融合方法研究105-131
• 6.1 引言105-106
• 6.2 AUV组合导航联邦信息融合方法106-116
• 6.2.1 联邦滤波器106-108
• 6.2.2 组合导航系统误差模型108-112
• 6.2.3 仿真实验112-116
• 6.3 联邦多模型估计信息融合算法116-125
• 6.3.1 联邦多模型估计器结构116-117
• 6.3.2 联邦多模型估计算法117-119
• 6.3.3 AUV组合导航多模型联邦信息融合结构119-120
• 6.3.4 仿真实验120-125
• 6.4 跑车试验数据半物理仿真125-130
• 6.5 本章小结130-131
• 第七章 结论与展望131-134
• 7.1 工作内容总结131-132
• 7.2 本文创新成果132
• 7.3 下一步工作展望132-134
• 参考文献134-145
• 攻读博士学位期间发表的论文和取得的科研成果145-146
• 致谢146

【相似文献】

中国期刊全文数据库 前10条

1 权宏伟;彭冬亮;薛安克;;基于本体的信息融合方法[J];舰船电子工程;2010年03期

2 蒋雯;张安;邓勇;;基于新的证据冲突表示的信息融合方法研究[J];西北工业大学学报;2010年01期

3 王金根,钱立志;同控式多模导引头信息融合方法初探[J];飞航导弹;1997年03期

4 董辛e，

本文编号：562345