CN110906933B - 一种基于深度神经网络的auv辅助导航方法 - Google Patents

Abstract

本发明针对传统组合导航位置估计随时间漂移的问题，提出一种基于深度神经网络的AUV辅助导航方法，以提高AUV导航定位的精度；在水面上，利用智能架构输出进行GPS滤波；在水下，将智能架构输出作为外部观测以限制AUV位置的漂移，不需要进行上浮重定位，也不需要引入外部传感器，能够实现更高精度的AUV导航定位；同时，考虑了搭载在AUV上的导航传感器在使用过程中会产生采集出错或者数据跳变等问题，将上一秒和当前秒的传感器数据同时作为智能架构的输入，以得到模型的结果，达到对传感器数据滤波的目的，具有较强的容错能力，实现了鲁棒性更高的AUV导航定位。

Description

一种基于深度神经网络的AUV辅助导航方法

技术领域

本发明属于AUV导航定位领域，具体涉及一种基于深度神经网络的AUV辅助导航方法。

背景技术

随着时代的发展，AUV作为一种海底勘探、海洋数据采集、海洋救援领域的新兴设备，越来越成为研究的热点。为了高效、准确的完成各项任务，AUV导航定位至关重要。传统的AUV组合导航定位方法利用状态估计技术(扩展卡尔曼滤波，EKF和无迹卡尔曼滤波，UKF等)将航姿参考系统(AHRS)和多普勒测速仪(DVL)的数据进行融合，得到AUV的位置，但由于传感器原理及特性，AUV的位置估计会随时间发生漂移。

对此，传统的解决方法有两种：第一种是AUV上浮，利用AUV搭载的全球定位系统(GPS)获得AUV当前的绝对位置，以校正漂移；但这种需要AUV在执行任务过程中中断任务，上浮到水面进行GPS定位，在实际应用中不利于任务的执行，而且GPS可能会存在跳变的问题；第二种是利用声学导航定位方法，将AUV搭载长基线(longbaseline，LBL)或者超短基线(ultra-shortbaseline,USBL)设备，利用预先布置的声学信标进行绝对位置的定位；但这种定位方式限制了AUV的任务区域，即必须在声学信标预置的范围内执行任务；并且声学信标的放置和维护成本极高，花费巨大。

发明内容

本发明针对现有技术中AUV导航存在的问题，提出一种基于深度神经网络的AUV导航方法，导航精度高，鲁棒性好。

本发明是采用以下的技术方案实现的：一种基于深度神经网络的AUV辅助导航方法，包括以下步骤：

步骤A、水下辅助导航：

AUV在水下执行任务时，GPS无效，通过构建智能架构模型辅助状态估计获得导航位置，具体包括：

步骤A1、通过航姿参考系统AHRS、多普勒测速仪DVL实时采集导航数据信息，并将其作为智能架构模型的输入；

步骤A2、将智能架构模型的输出作为外部观测引入到状态估计技术中，最终得到AUV的导航位置；

其中，智能架构模型的构建及训练过程如下：

(1)数据采集：

获取导航相关的传感器数据，包括全球定位系统GPS、航姿参考系统AHRS和多普勒测速仪DVL的数据；

(2)数据预处理：

①将GPS采集的经度和纬度数据lon、lat转换为UTM坐标数据，得到北向和东向的位置数据，截断成以1s为间隔的北向和东向位移数据Δx，Δy，作为智能架构模型相应时刻的标签数据；

②将AHRS相邻秒的数据构造成(2*f_AHRS)*n_AHRS的矩阵，作为智能架构的输入之一；其中，f_AHRS代表AHRS传感器的采集频率，n_AHRS表示采集的数据个数；

③将DVL相邻秒的数据构造成(2*f_DVL)*n_DVL的矩阵，作为智能架构的另一个输入；其中，f_DVL代表DVL传感器的采集频率，n_DVL表示采集的数据个数；

(3)离线训练智能架构：

④将步骤②和③构造的2个矩阵按照时间顺序分别输入到循环神经网络RNN中，进行时间序列数据的学习，其中，RNN的结构采用双层LSTM；

⑤将LSTM每一个隐层单元的输出作为一个向量，输入到注意力机制模型中，得到两者各自的背景向量c_AHRS和c_DVL；

⑥将背景向量c_AHRS和c_DVL进行连接运算，构造成一个背景向量c，以融合AHRS和DVL的数据；

⑦将背景向量c输入到两层全连接层中，得到与标签数据维度一致的模型输出结果；

⑧将上述模型输出结果与GPS预处理得到的标签数据进行均方误差MSE的计算，以得到智能架构模型的损失loss值，具体为：

其中，q_i代表第i个样本的标签数据，h(p_i)表示第i个样本的智能架构模型输出结果，m为样本个数；

⑨利用Adam优化器最小化loss值对智能架构进行训练，直至网络收敛，智能架构模型训练完成；

步骤B、水面辅助导航：

AUV在水面执行任务时，GPS有效，判断GPS数据是否发生跳变，如果没有发生跳变，则直接将GPS数据作为AUV的位置；如果发生跳变，则利用步骤A中所构建的智能架构模型对GPS数据进行滤波，实现AUV导航定位。

进一步的，所述步骤A2中，通过智能架构模型得到导航位置的导航定位过程如下：

步骤A21、构建AUV导航系统模型和观测模型；

步骤A22、基于构建的导航系统模型，利用k-1时刻的系统状态量，预测得到k时刻的系统状态和相应的表示系统状态不确定性的协方差量；

步骤A23、利用A22得到的系统状态预测值，结合AUV当前的传感器观测，对系统状态预测值进行修正，得到更为准确的AUV导航数据；

步骤A24、将智能架构模型的输出量作为外部观测，增广到观测模型中，得到直接的位置观测量，进而利用卡尔曼增益，结合导航系统预测值，获得更高精度的导航预测位置误差修正和更精确的导航位置估计；

步骤A25、以得到的最终系统状态估计

和最终系统协方差估计P_k作为当前时刻的AUV导航系统最终状态估计，并作为下一时刻的初始值进行下一次迭代，估计k+1时刻的AUV位置。

进一步的，所述步骤A21中，所构建的AUV导航系统模型和观测模型分别为：

系统模型：

观测模型：

其中，k表示时刻，x，y表示AUV在UTM坐标系下的北向和东向的位置，

表示AUV当前的航向角，v_x和v_y分别表示AUV载体坐标系下的前向和右向速度，a_x和a_y为对应的加速度，w_z是与航向角相对应的角速度；

表示AHRS测得的航向角，v_xm、v_ym分别表示DVL测得的载体坐标系下的前向和右向速度，a_xm、a_ym分别AHRS测得的载体前向和右向加速度，w_zm表示AHRS测得的垂向的角速度。

进一步的，所述步骤A22具体包括以下步骤：

(1)基于运动学方程和构建的系统模型，得到系统状态从k-1到k时刻的预测值

其中，w_k表示过程噪声。

(2)基于上一时刻的系统状态协方差，得到当前时刻表示系统状态不确定性的一步预测协方差矩阵P_k|k-1：

其中，Q_k-1表示过程噪声方差，Φ代表状态转移矩阵，即非线性系统f的略去高阶项的泰勒展开形式。

进一步的，所述步骤A23包括：

(1)当智能架构模型处于数据采集阶段并未输出数据时，首先基于得到的系统状态一步预测协方差，得到卡尔曼增益值K_k：

其中，R_k表示观测噪声的方差；

(2)基于得到的系统状态一步预测值，结合观测量和卡尔曼增益值，得到当前时刻最终的AUV导航系统状态估计值

以及当前时刻系统协方差估计值P_k：

P_k＝[I-K_kH_k]P_k|k-1。

进一步的，所述步骤A24包括：

(1)当智能架构计算并输出对应时间间隔的位移量时，将输出的位移量作为外部观测值，增广到导航系统观测模型中，观测向量Z_k具体形式为：

其中，x'表示通过智能架构叠加上一时刻估计值得到的当前AUV在UTM坐标系下的北向位置，y'表示通过智能架构叠加上一时刻估计值得到的当前AUV在UTM坐标系下的东向位置；

(2)利用一步预测协方差，得到卡尔曼增益值K_k：

其中，R_k表示观测噪声的方差；

(3)利用导航系统预测值，结合传感器观测以及卡尔曼增益，得到导航系统当前时刻的最终系统状态估计

以及当前时刻的最终系统协方差估计P_k：

P_k＝[I-K_kH_k]P_k|k-1。

进一步的，所述步骤B中，实现AUV导航定位的具体过程如下：

(1)将GPS数据转换：将GPS采集的经纬度数据转换为UTM坐标系的北向和东向的位置数据n^gps和e^gps；

(2)阈值判定：计算k-1时刻和k时刻的GPS得到的AUV位置的距离，判断是否在特定的阈值ε内，即：

(3)数据选择：

若距离在阈值范围内，认为GPS采集数据正常，利用GPS数据进行导航定位；

若距离大于阈值，认为GPS采集数据异常，数据发生跳变；将智能架构模型输出的相应时间间隔的位移量叠加到上一时刻GPS获取到的位置信息上，得到当前时刻AUV的位置，以达到对水面GPS数据滤波的目的。

与现有技术相比，本发明的优点和积极效果在于：

本方案利用深度神经网络辅助传统状态估计技术进行AUV导航定位，在水面上，利用智能架构输出进行GPS滤波；在水下，将智能架构输出作为外部观测以限制AUV位置的漂移，不需要进行上浮重定位，也不需要引入外部传感器，能够实现更高精度的AUV导航定位；

同时，考虑了搭载在AUV上的导航传感器在使用过程中会产生采集出错或者数据跳变等问题，将上一秒和当前秒的传感器数据同时作为智能架构的输入，以得到模型的结果，达到对传感器数据滤波的目的，具有较强的容错能力，实现了鲁棒性更高的AUV导航定位。

附图说明

图1为本发明实施例所述导航方法流程示意图；

图2为本发明实施例所述智能架构的构建过程示意图；

图3为本发明实施例测试结果对比示意图。

具体实施方式

为了能够更清楚的理解本发明的上述目的和优点，下面结合附图对本发明的具体实施方式做详细地描述：

一种基于深度神经网络的AUV辅助导航方法，针对AUV在水下执行任务时，采用基于深度神经网络的智能架构辅助AUV状态估计的技术进行导航定位，具体的，如图1和2所示，具体包括以下步骤：

步骤A：水下辅助导航：

AUV在水下执行任务时，GPS无效，通过构建智能架构模型辅助传统状态估计技术得出导航位置，具体包括：

步骤A1、通过AHRS采集航行器的航向角、俯仰角和横滚角，以及三轴加速度和三轴角速度数据，通过DVL采集三轴对底速度数据，并将其作为智能架构模型的输入；

步骤A2、将智能架构模型输出结果作为外部观测引入到状态估计技术中，最终得到AUV的导航位置；

其中，所述智能架构模型构建过程如下：

(1)数据采集：

AUV在相应海域进行在水面上的实验，获取导航相关的传感器数据，包括全球定位系统(GPS)、航姿参考系统(AHRS)和多普勒测速仪(DVL)的数据；

(2)数据预处理：

①首先对传感器数据进行预处理，将GPS采集的经度和纬度数据lon、lat转换为UTM(通用横墨卡托格网系统)坐标数据，得到北向和东向的位置数据，截断成以1s为间隔的北向和东向位移数据Δx，Δy，作为智能架构相应时刻的标签数据；

②将AHRS相邻秒的数据构造成(2*f_AHRS)*n_AHRS的矩阵，作为智能架构的输入之一；其中，f_AHRS代表AHRS传感器的采集频率，n_AHRS表示采集的数据个数；矩阵的每一行代表AHRS在单位时刻所获取的一组数据，共包含n_AHRS个量，通常n_AHRS取9，这九个量分别为载体的航向角，俯仰角，横滚角，三轴加速度以及三轴角速度数据；

③将DVL相邻秒的数据构造成(2*f_DVL)*n_DVL的矩阵，作为智能架构的另一个输入；其中，f_DVL代表DVL传感器的采集频率，n_DVL表示采集的数据个数；矩阵的每一行代表DVL在单位时刻所获取的一组数据，共包含n_DVL个量，通常n_DVL取3，这三个量分别是载体在三个方向的对底速度数据；

(3)离线训练智能架构：

④将构造的AHRS和DVL的2个输入矩阵按行分别输入到RNN(循环神经网络)中，即按照时间顺序输入，利用RNN的特性，进行时间序列数据的学习；RNN的结构采用双层LSTM(长短期记忆网络)来增强网络的深度，得到更精确的结果；

⑤将LSTM每一个隐层单元的输出作为一个向量，输入到注意力机制模型中，得到更具有时间依赖性的结果；注意力机制的主要流程是：首先将向量输入到单层感知机中进行网络的计算；然后将计算结果输入到Softmax分类器中，得到向量每一个维度的权重值；之后将得到的权重值和向量的每一个维度分别进行加权平均，得到最终注意力机制输出的背景向量c，主要计算公式为：

e_t＝g(a^＜t＞)

其中，a^＜t＞为LSTM在t时刻的隐层单元的输出，T代表输入到LSTM中的序列的长度，g为激活函数，采取tanh函数的形式，α_t代表Softmax分类器计算得到的权重，c_i为加权平均得到的一个背景向量。因为AHRS和DVL分别作为输入到了不同的双层LSTM中，所以需分别计算注意力机制，得到两者各自的背景向量c_AHRS和c_DVL；

⑥将背景向量c_AHRS和c_DVL进行连接运算，构造成一个背景向量c，以融合AHRS和DVL的数据；

⑦将背景向量c输入到两层全连接层(FC)中，得到与标签数据维度一致的模型输出结果，至此智能架构搭建完成；

⑧将智能架构得到的模型输出结果与GPS预处理得到的标签数据进行均方误差(MSE)的计算，以得到智能架构的损失(loss)值，具体计算公式为：

其中，q_i代表第i个样本的标签数据，h(p_i)表示第i个样本的智能架构输出结果，m为样本个数；

⑨利用Adam优化器最小化loss值对智能架构进行训练，直至网络收敛，智能架构采取离线训练的方式得到最优的网络参数，然后将相应参数保存，在AUV实际实验时导入参数，可以直接应用得到网络的输出结果。

步骤A2中通过智能架构得到导航位置的导航定位过程如下：此处采用EKF技术作为传统状态估计技术进行AUV导航定位，包括以下步骤：

步骤A21、构建AUV导航系统模型和观测模型：

(1)AUV利用传统状态估计技术估计位置，首先要对导航系统建模，k时刻的系统模型为

其中x，y表示AUV在UTM坐标系下的北向和东向的位置，

表示航向角，v_x和v_y分别表示AUV载体坐标系下的前向和右向速度，a_x和a_y为对应的加速度，w_z是与航向角相对应的角速度；

(2)对导航系统观测进行建模，k时刻的观测为：

其中

表示AHRS测得的航向角，v_xm、v_ym分别表示DVL测得的载体坐标系下的前向和右向速度，a_xm、a_ym分别AHRS测得的载体前向和右向加速度，w_zm表示AHRS测得的垂向的角速度。测量方程为Z_k＝H_kX_k+v_k，H_k为观测矩阵，v_k为观测噪声。

步骤A22、基于构建的导航系统模型，利用k-1时刻的系统状态量，预测得到k时刻的系统状态和相应的表示系统状态不确定性的协方差量。

(1)基于运动学方程和构建的系统模型，得到系统状态从k-1到k时刻的预测值

其中，w_k表示过程噪声。

(2)基于上一时刻的系统状态协方差，得到当前时刻表示系统状态不确定性的一步预测协方差矩阵P_k|k-1：

其中，Q_k-1表示过程噪声方差，Φ代表状态转移矩阵，即非线性系统f的略去高阶项的泰勒展开形式；

步骤A23、利用上一步得到的系统状态预测值，结合AUV当前的传感器观测，对系统状态预测值进行修正，得到更为准确的AUV导航数据，简称为测量更新过程，测量更新过程分为两种：

一种是将基于深度神经网络的智能架构得到的输出作为外部观测，引入到观测向量中，以限制位置估计的漂移；另一种是基于传统的观测向量进行测量更新。

(1)当智能架构处于数据采集阶段，并未输出数据时，进行正常的状态估计测量更新过程，首先基于得到的系统状态一步预测协方差，得到卡尔曼增益值K_k：

其中，R_k表示观测噪声的方差；

(2)基于得到的系统状态一步预测值，结合观测量和卡尔曼增益值，得到当前时刻最终的AUV导航系统状态估计值

以及当前时刻系统协方差估计值P_k：

P_k＝[I-K_kH_k]P_k|k-1；

步骤A24、将深度神经网络智能架构的输出量作为外部观测，增广到导航观测模型中，得到直接的位置观测量，进而利用卡尔曼增益，结合导航系统预测值，获得更高精度的导航预测位置误差修正和更精确的导航位置估计。

①当智能架构计算并输出对应时间间隔的位移量时，将输出的位移量作为外部观测值，

增广到导航系统观测模型中，增广后的观测向量具体形式为：

其中，x'表示通过智能架构叠加上一时刻估计值得到的当前AUV在UTM坐标系下的北向位置，y'表示通过智能架构叠加上一时刻估计值得到的当前AUV在UTM坐标系下的东向位置，其余项与前述相同；

②利用一步预测协方差，得到卡尔曼增益值K_k：

其中，R_k表示观测噪声的方差；

③利用导航系统预测值，结合传感器观测以及卡尔曼增益，得到导航系统当前时刻的最终系统状态估计

以及当前时刻的最终系统协方差估计P_k：

P_k＝[I-K_kH_k]P_k|k-1

步骤A25、水下辅助导航结束

以得到的最终系统状态估计

和最终系统协方差估计P_k作为当前时刻的AUV导航系统最终状态估计，并作为下一时刻的初始值进行下一次迭代，估计k+1时刻的AUV位置。

步骤B：水面辅助导航：

AUV在水面执行任务时，GPS有效，判断GPS数据是否发生跳变，若发生跳变，则利用步骤A中所构建的智能架构模型对GPS位置进行滤波，以实现AUV导航定位。通过智能架构模型得出导航位置的过程与水下导航相同，在此不做详述；而利用智能架构对GPS位置进行滤波时，需要判断GPS数据是否发生跳变，如果没有发生跳变，则直接将GPS采集数据作为AUV的位置，如果发生跳变，则将智能架构位移叠加的结果作为AUV位置，具体包括：

1)将GPS数据转换：将GPS采集的经纬度数据转换为UTM坐标系的北向和东向的位置数据n^gps和e^gps。

2)阈值判定：计算k-1时刻和k时刻的GPS得到的AUV位置的距离，判断是否在特定的阈值ε内：

3)数据选择：

若距离在阈值范围内，认为GPS采集数据正常，利用GPS数据进行导航定位；

若距离大于阈值，认为GPS采集数据异常，数据发生跳变；由于智能架构的输出频率与GPS的采集频率一致，可直接将智能架构输出的相应时间间隔的位移量叠加到上一时刻GPS获取到的位置信息上，得到当前时刻AUV的位置，以达到对水面GPS数据滤波的目的，得到更为稳健的AUV水面导航数据。

总之，本发明所提出的方案，不论是在水面实验还是水下实验，都能达到较好的效果。当AUV在水面运行时，将智能架构辅助AUV导航的技术与GPS导航并行，通过阈值判断GPS数据是否发生跳变，将智能架构辅助AUV导航的技术引入，作为GPS数据的候补值，达到滤波的目的，提高AUV导航技术的鲁棒性；在水下实验时，针对AUV组合导航位置估计会随时间发生漂移的问题，利用AUV采集的导航数据离线训练模型，得到相应的网络参数用于在线实验，并作为外部观测引入到状态估计技术的观测量中，以限制组合导航的位置漂移问题，并提高AUV导航精度；同时，对于AUV搭载的导航传感器数据采集跳变的问题，将上一秒和当前秒的传感器数据同时作为智能架构的输入，以得到模型的结果，达到对传感器数据滤波的目的，具有较强的容错能力，以提高AUV导航技术的鲁棒性。

实验验证：

为了进一步证明本方案的有效性，将AUV在2019年5月在南姜码头采集的导航数据进行处理，基于TensorFlow离线训练模型得到网络相关参数，并结合MATLAB进行测试：

测试结果如图3所示，其中(a)代表DVL的前向速度数据，在第49s人为引入了一个错误的速度(10m/s)，用以验证导航系统的容错性，(b)图中，圆点线代表智能架构辅助AUV导航得到的轨迹，三角形线为传统扩展卡尔曼滤波得到的轨迹，方形线为GPS轨迹，作为真值进行对比；(c)图为位置误差图，圆点线代表智能架构辅助AUV导航得到的轨迹与GPS轨迹相减得到的单步误差，三角形线为传统EKF得到的AUV导航轨迹与GPS轨迹相减得到的单步误差，可以看出，传统EKF技术得到的AUV轨迹单步误差在传感器出错的时刻有较大跳变，说明传统EKF受传感器故障影响较大，而本方案提出的技术对DVL的错误数据有较强的容错能力，并且取得了较传统技术更高的导航精度，具有较好的系统鲁棒性。

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (2)

1.一种基于深度神经网络的AUV辅助导航方法，其特征在于，包括以下步骤：

步骤A、水下辅助导航：

AUV在水下执行任务时，GPS无效，通过构建智能架构模型辅助状态估计获得导航位置，具体包括：

步骤A1、通过航姿参考系统AHRS、多普勒测速仪DVL实时采集导航数据信息，并将其作为智能架构模型的输入；

步骤A2、将智能架构模型的输出作为外部观测引入到状态估计技术中，最终得到AUV的导航位置；

通过智能架构模型得到导航位置的过程如下：

步骤A21、构建AUV导航系统模型和观测模型；

系统模型：

观测模型：

其中，k表示时刻，x，y表示AUV在UTM坐标系下的北向和东向的位置，

表示AUV当前的航向角，v_x和v_y分别表示AUV载体坐标系下的前向和右向速度，a_x和a_y为对应的加速度，w_z表示AUV载体坐标系下z轴的角速度；

表示AHRS测得的航向角，v_xm、v_ym分别表示DVL测得的载体坐标系下的前向和右向速度，a_xm、a_ym分别表示AHRS测得的载体前向和右向加速度，w_zm表示AHRS传感器测得的AUV z轴角速度信息；

步骤A22、基于构建的导航系统模型，利用k-1时刻的系统状态量，预测得到k时刻的系统状态和相应的表示系统状态不确定性的协方差量；

(1)基于运动学方程和构建的系统模型，得到系统状态从k-1到k时刻的预测值

其中，w_k表示过程噪声；

(2)基于上一时刻的系统状态协方差，得到当前时刻表示系统状态不确定性的一步预测协方差矩阵P_k|k-1：

其中，Q_k-1表示过程噪声方差，Φ代表状态转移矩阵，即非线性系统f的略去高阶项的泰勒展开形式

步骤A23、利用步骤A22得到的系统状态预测值，结合AUV当前的传感器观测，对系统状态预测值进行修正，得到更为准确的AUV导航数据；

步骤A24、将智能架构模型的输出量作为外部观测，增广到观测模型中，得到直接的位置观测量，进而利用卡尔曼增益，结合导航系统预测值，获得更高精度的导航预测位置误差修正和更精确的导航位置估计；

(1)当智能架构计算并输出对应时间间隔的位移量时，将输出的位移量作为外部观测值，增广到导航系统观测模型中，增广后的观测向量Z'_k具体形式为：

其中，x'表示通过智能架构叠加上一时刻估计值得到的当前AUV在UTM坐标系下的北向位置，y'表示通过智能架构叠加上一时刻估计值得到的当前AUV在UTM坐标系下的东向位置；

(2)利用一步预测协方差，得到卡尔曼增益值K_k：

其中，R_k表示观测噪声的方差；

(3)利用导航系统预测值，结合传感器观测以及卡尔曼增益，得到导航系统当前时刻的最终系统状态估计

以及当前时刻的最终系统协方差估计P_k：

P_k＝[I-K_kH_k]P_k|k-1

步骤A25、以得到的最终系统状态估计

和最终系统协方差估计P_k作为当前时刻的AUV导航系统最终状态估计，并作为下一时刻的初始值进行下一次迭代，估计k+1时刻的AUV位置；

其中，智能架构模型的构建及训练过程如下：

(1)数据采集：

获取导航相关的传感器数据，包括全球定位系统GPS、航姿参考系统AHRS和多普勒测速仪DVL的数据；

(2)数据预处理：

①将GPS采集的经度和纬度数据lon、lat转换为UTM坐标数据，得到北向和东向的位置数据，截断成以1s为间隔的北向和东向位移数据Δx，Δy，作为智能架构模型相应时刻的标签数据；

②将AHRS相邻秒的数据构造成(2*f_AHRS)*n_AHRS的矩阵，作为智能架构的输入之一；其中，f_AHRS代表AHRS传感器的采集频率，n_AHRS表示采集的数据个数；

③将DVL相邻秒的数据构造成(2*f_DVL)*n_DVL的矩阵，作为智能架构的另一个输入；其中，f_DVL代表DVL传感器的采集频率，n_DVL表示采集的数据个数；

(3)离线训练智能架构：

④将步骤②和③构造的2个矩阵按照时间顺序分别输入到循环神经网络RNN中，进行时间序列数据的学习，其中，RNN的结构采用双层LSTM；

⑤将LSTM每一个隐层单元的输出作为一个向量，输入到注意力机制模型中，得到两者各自的背景向量c_AHRS和c_DVL；

⑥将背景向量c_AHRS和c_DVL进行连接运算，构造成一个背景向量c，以融合AHRS和DVL的数据；

⑦将背景向量c输入到两层全连接层中，得到与标签数据维度一致的模型输出结果；

⑧将上述模型输出结果与GPS预处理得到的标签数据进行均方误差MSE的计算，以得到智能架构模型的损失loss值，具体为：

其中，q_i代表第i个样本的标签数据，h(p_i)表示第i个样本的智能架构模型输出结果，m为样本个数；

⑨利用Adam优化器最小化loss值对智能架构进行训练，直至网络收敛，智能架构模型训练完成；

步骤B、水面辅助导航：

AUV在水面执行任务时，GPS有效，判断GPS数据是否发生跳变，如果没有发生跳变，则直接将GPS数据作为AUV的位置；如果发生跳变，则利用步骤A中所构建的智能架构模型对GPS数据进行滤波，实现AUV导航定位，具体包括：

(1)将GPS数据转换：将GPS采集的经纬度数据转换为UTM坐标系的北向和东向的位置数据n^gps和e^gps；

(2)阈值判定：计算k-1时刻和k时刻的GPS得到的AUV位置的距离，判断是否在特定的阈值ε内，即：

(3)数据选择：

若距离在阈值范围内，认为GPS采集数据正常，利用GPS数据进行导航定位；

若距离大于阈值，认为GPS采集数据异常，数据发生跳变；将智能架构模型输出的相应时间间隔的位移量叠加到上一时刻GPS获取到的位置信息上，得到当前时刻AUV的位置，以达到对水面GPS数据滤波的目的。

2.根据权利要求1所述的基于深度神经网络的AUV辅助导航方法，其特征在于：所述步骤A23包括：

(1)当智能架构模型处于数据采集阶段并未输出数据时，首先基于得到的系统状态一步预测协方差，得到卡尔曼增益值K_k：

其中，R_k表示观测噪声的方差；

(2)基于得到的系统状态一步预测值，结合观测量和卡尔曼增益值，得到当前时刻最终的AUV导航系统状态估计值

以及当前时刻系统协方差估计值P_k：

P_k＝[I-K_kH_k]P_k|k-1。

Images