CN111486845B - 基于海底地形匹配的auv多策略导航方法 - Google Patents

基于海底地形匹配的auv多策略导航方法 Download PDF

Info

Publication number
CN111486845B
CN111486845B CN202010343604.1A CN202010343604A CN111486845B CN 111486845 B CN111486845 B CN 111486845B CN 202010343604 A CN202010343604 A CN 202010343604A CN 111486845 B CN111486845 B CN 111486845B
Authority
CN
China
Prior art keywords
terrain
matching
auv
image
area
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010343604.1A
Other languages
English (en)
Other versions
CN111486845A (zh
Inventor
何波
张昕
严天宏
沈钺
年睿
荣生辉
冯晨
李光亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ocean University of China
Original Assignee
Ocean University of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ocean University of China filed Critical Ocean University of China
Priority to CN202010343604.1A priority Critical patent/CN111486845B/zh
Publication of CN111486845A publication Critical patent/CN111486845A/zh
Application granted granted Critical
Publication of CN111486845B publication Critical patent/CN111486845B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/20—Instruments for performing navigational calculations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/88—Sonar systems specially adapted for specific applications
    • G01S15/89—Sonar systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/88—Sonar systems specially adapted for specific applications
    • G01S15/89—Sonar systems specially adapted for specific applications for mapping or imaging
    • G01S15/8902—Side-looking sonar

Abstract

本发明公开一种基于海底地形匹配的AUV多策略导航方法，基于机器学习算法构建地形适配区选择模型，所述地形适配区选择模型包括适宜地形匹配区域、地形匹配过渡区域和不适宜地形匹配区域；具体导航时，通过采集的实时数据分析导航区域类型，针对适宜地形匹配区域时，基于多波束声呐水下地形高程图像匹配辅助方法进行导航；针对地形匹配过渡区域时，开启侧扫声呐，同时利用多波束测深仪和侧扫声呐数据，进行水下侧扫声呐图像匹配辅助船位推算进行导航；针对不适宜地形匹配区域，开启侧扫声呐，基于同时定位与地图构建算法进行导航，该导航方法在实际应用中具有更好的意义和价值。

Description

基于海底地形匹配的AUV多策略导航方法
技术领域
本发明涉及AUV自主导航领域，具体涉及一种基于海底地形匹配的AUV多策略导航方法。
背景技术
随着组合导航的发展，水下航行器在海底航行时，由于没有GPS导航，一般会采用基于惯性/航位推算的方法，并配备昂贵的辅助设备，如姿态航向参考系统或多普勒速度记录仪；然而由于惯性传感器本身的原理和特性，惯性导航系统会随着时间而产生累计误差，不能实现水下长时间的高精度导航。目前主要的解决方法是使AUV上浮接收GPS信号，以修正累积误差，但是这种方式不利于AUV在水下的任务执行。
作为一种地球物理导航方法，地形匹配导航(TAN)可以为AUV的远程水下操作提供精确的位置估计比如，比如公开号为【CN102722749A】的发明专利公开“一种基于粒子群算法的自适应三维空间路径规划方法”，但是，该方法只是规划传统的避障路径，并没有考虑地形的导航能力，而且在机器人执行路径时不能考虑地形信息的改变而实时修改路径。又如，“AUV水下地形匹配导航的路径规划方法”，该论文提出的适配区域的扇形搜索方法，以距离最短为前提，并没有考虑匹配区域地形导航能力差的问题，并且在在机器人执行路径时不能考虑地形信息的改变而实时修改路径。
针对现有AUV导航存在的缺陷，本发明提出一种新的多策略导航算法，以克服上浮校正位置信息的缺陷，基于机器学习算法的地形适配区选择模型，针对不同地区特征，选择不同策略的AUV导航。
发明内容
本发明提出一种基于海底地形匹配的AUV多策略导航方法，基于机器学习算法构建地形适配区选择模型，针对不同地区特征，设计对应的导航策略进行导航，以提高其适应性和导航精度。
本发明是采用以下的技术方案实现的：一种基于海底地形匹配的AUV多策略导航方法，包括以下步骤：
步骤A、构建地形适配区选择模型，地形适配区的分类包括适宜地形匹配区域、地形匹配过渡区域和不适宜地形匹配区域；
步骤A1、采集模型训练先验数据集，并对其进行网格化预处理，得到地形格网；
步骤A2、基于滑动窗口思想遍历地形格网，构建输入特征向量，作为地形适配区选择模型的输入，所述输入特征向量包括地形格网中各格网节点的高程数据Hij以及地形标准差σ、地形相关系数R、地形熵Hf以及地形粗糙度r；
步骤A3、基于预判地形适配区类型，得到地形适配区选择模型标签，并对其进行训练；
步骤B、基于步骤A构建的地形适配区选择模型，进行AUV水下多策略导航，具体包括：
步骤B1、载入地形适配区选择模型，基于AUV搭载的传感器实时采集导航相关数据并对地形适配区进行分类，若AUV处于适宜地形匹配区域，则执行步骤B2，若AUV处于地形匹配过渡区域，则执行步骤B3，若AUV处于不适宜地形匹配区域，则执行步骤B4；
步骤B2、当AUV处于适宜地形匹配区域时，基于多波束测深声呐水下地形高程图像匹配辅助方法进行导航；
步骤B3、当AUV处于地形匹配过渡区域时，开启侧扫声呐，同时利用多波束测深声呐和侧扫声呐数据，进行水下侧扫声呐图像匹配辅助船位推算进行导航；
步骤B4、当AUV处于不适宜地形匹配区域时，开启侧扫声呐，基于同时定位与地图构建算法进行导航。
进一步的，所述步骤A1中，地形适配区选择模型的训练数据集包括两部分数据：一是开源海底地形库中的地形数据，二是通过水下机器人搭载位姿传感器和多波束测深声呐采集的相应海域地形数据；训练集数据以(lat,lon,height)的形式存储，其中，lat,lon分别为相应测量位置的经纬度信息，height为该测量位置的深度信息。
进一步的，所述步骤A2的实现具体包括以下步骤：
步骤A21、基于滑动窗口思想，设计并得到相应地形特征参数；
1)设初始窗口大小为p*q，计算相应窗口区域内的地形标准差σ、地形相关系数R、地形熵Hf以及地形粗糙度r四个地形特征参数，按步长为1将窗口右移以遍历整个地形格网区域，计算相应地形特征参数；
2)将窗口大小缩放至(p+1)*(q+1)，重复计算相应窗口内的地形特征参数；继续缩放窗口重复上述过程，直至窗口尺寸增大至m*n，即覆盖整个地形格网区域；
步骤A22、构建输入特征向量，作为训练地形适配区选择模型的输入；
将地形格网中各格网节点的高程数据Hij与上述所有地形特征参数进行组合，构成输入特征向量input＝[H11,H12,...Hij,...Hmn,σ1,R1,Hf1,r1,...σend,Rend,Hfend,rend]，作为地形适配区选择模型训练的输入。
进一步的，所述步骤A3中，基于等值线最近点迭代算法进行地形匹配，根据匹配精度对地形适配区进行标签预判，得到以下标签：当匹配精度小于1％时为适宜地形匹配区域，匹配精度在1％～5％之间时为地形匹配过渡区域，匹配精度大于5％时为不适宜地形匹配区域；
基于模型输入和得到的标签，基于极限学习机作为分类器对地形适配区选择模型进行训练，得到最终的地形适配区选择模型分类。
进一步的，所述步骤B1具体包括以下步骤：
(1)AUV在水下执行任务时，将步骤A中训练好的地形适配区选择模型载入到AUV中；
(2)基于AUV搭载的航姿参考系统获取AUV的姿态信息，声学多普勒速度仪获取AUV的速度信息；多波束测深声呐获取AUV距离海底的高度，深度计获取AUV距离海面的深度，从而得到AUV所在位置海平面到海底的高程信息；
(3)将AUV采集的海底地形高程信息输入到地形适配区选择模型中，对地形适配区进行分类，判断当前AUV所处的区域属于适宜地形匹配区域、地形匹配过渡区域还是不适宜地形匹配区域。
进一步的，所述步骤B2中，利用基于扩展卡尔曼滤波的船位推算估计AUV的位置，当基于多波束测深声呐水下地形高程图像匹配成功且输出位置信息时，将该位置信息增广到观测向量中以修正船位推算得到的位置，具体包括以下步骤：
(1)构建AUV导航系统状态向量、观测向量以及相应的状态方程和观测方程；
(2)根据构建的状态方程，利用扩展卡尔曼滤波进行时间更新过程的计算；
(3)若多波束测深声呐水下地形高程图像匹配未输出匹配位置，则根据构建的测量向量，利用传感器观测数据进行测量更新过程的计算；若多波束测深声呐水下地形高程图像匹配成功且输出对应位置信息，则对测量向量增广，进行测量更新过程的计算；
多波束测深声呐水下地形高程图像匹配过程如下：
a.将采集的海底地形高程数据由规则地形格网转化为灰度图像；
b.将多波束测深声呐采集的海底地形高程数据网格化，得到地形格网，通过灰度归一化计算，将地形格网转化为灰度像素阵列，并以此灰度图像作为模板图；
c.对AUV相应运行区域的先验海底地形数据库进行相同操作，得到背景图；
d.将地形标准差σ、地形相关系数R、地形熵Hf以及地形粗糙度r四个地形特征参数与表示图像特征的几何不变矩特征进行随机加权，构建匹配的特征向量；
e.进行特征向量匹配，得到地形匹配位置：
从与模板图大小相同的第一个子图开始，对背景图进行遍历搜索，与模板图进行特征向量匹配；求得与模板图所在位置最接近的近似区域位置，即为匹配得到的AUV所在位置；
将匹配得到AUV经纬度位置进行UTM转换，对船位推算的观测向量进行增广，进而计算船位推算的观测更新过程，得到AUV的位置；将得到的位置作为下一时刻的输入继续船位推算的迭代，进而得到下一时刻的AUV估计位置，实现导航。
进一步的，所述步骤B3中开启侧扫声呐，利用基于无迹卡尔曼滤波的船位推算估计AUV的位置，当基于侧扫声呐的图像匹配成功且与多波束测深声呐水下地形高程图像匹配加权输出位置信息时，将该位置信息增广到观测向量中以修正船位推算得到的位置，具体包括以下步骤；
(1)构建AUV导航系统状态向量、观测向量以及相应的状态方程和观测方程；
(2)根据构建的状态方程利用无迹卡尔曼滤波进行时间更新过程的计算；
(3)若侧扫声呐图像和多波束测深声呐水下地形高程图像匹配未能成功加权输出匹配位置，则根据构建的测量向量，利用传感器观测数据进行测量更新过程的计算；若侧扫声呐的图像匹配成功且与多波束测深声呐水下地形高程图像匹配加权且输出对应位置信息，则对测量向量增广，进行测量更新过程的计算；水下侧扫声呐图像匹配过程如下：
a.开启侧扫声呐，按帧接收数据，随着AUV前进，得到完整的声呐图像；
b.将实时获取的侧扫声呐图像作为模板图，相应海域的先验侧扫声呐图像作为背景图；对模板图取最大内切圆，其余像素点置0，形成圆形模板；
c.以图像纹理的方法进行图像匹配，采用图片纹理特征与几何不变矩特征随机加权构建特征匹配向量的方式进行图像匹配，提取图片的纹理特征：
对圆形模板图进行直方图均衡化处理，增加灰度值的动态范围，得到灰度共生矩阵；
对得到的灰度共生矩阵进行正规化：
根据正规化后的灰度共生矩阵，得到能量、对比度、相关度和熵四个纹理特征值；
并提取圆形模板图的几何不变矩特征，将侧扫声呐图像提取的纹理特征和不变矩特征随机加权，构建匹配特征向量；
进行特征向量匹配，得到地形匹配位置：
从与模板图大小相同的背景图的第一个子图开始执行相同的操作，进行遍历搜索，与模板图进行特征向量匹配，得到与模板图所在位置最接近的近似区域位置，即为匹配得到的AUV所在位置；
将通过侧扫声呐图像匹配得到的背景图中的经纬度位置进行UTM转换，获得侧扫声呐图像匹配的近似位置，然后将其与多波束测深声呐水下地形高程图像匹配得到的近似位置加权，得到当前时刻的AUV近似位置；利用AUV近似位置对船位推算的观测向量进行增广，计算船位推算的观测更新过程，得到当前时刻的AUV估计位置；将得到的位置作为下一时刻的输入继续船位推算的迭代，进而得到下一时刻的AUV估计位置，实现导航。
进一步的，所述步骤B4具体采用以下方式实现：
(1)开启侧扫声呐，按帧接收数据，得到完整的声呐图像；对侧扫声呐图像进行特征提取作为路标点信息，得到对应特征与AUV的距离以及与AUV的偏角；
(2)位姿传感器更新：
构建系统状态向量、控制向量和观测向量，得到AUV的系统状态方程和观测方程，基于EKF算法得到AUV系统的系统估计和协方差矩阵；
(3)根据侧扫声呐提取的特征对系统状态增广或更新：
构建观测向量和观测方程，当侧扫声呐提取到有效特征，即获取到观测量时，通过数据关联准则判断该特征是否为已观测特征；
若此特征未被观测过，则为新特征，对系统状态向量进行增广，将地图中的路标点位置加入到系统状态中，同时，对系统协方差矩阵进行相应增广；
若通过数据关联准则判断该特征为已观测过的特征，则根据此特征位置，利用EKF算法对状态向量进行更新，得到机器人状态和地图路标的最终估计值。
与现有技术相比，本发明的优点和积极效果在于：
本方案设计AUV多策略导航方法进行导航，基于机器学习算法的地形适配区选择模型，针对不同的地形信息对海底区域进行分类，采取不同导航策略，以获得更高的导航精度；利用图像匹配的方法得到AUV近似位置，修正船位推算误差，提高导航精度；并且根据多波束测深声呐和侧扫声呐的不同特性，设计不同的图像匹配特征向量，获得更高的匹配精度，降低误匹配率；且将二者匹配结果相结合，得到更精准的位置信息；该导航方法在实际应用中具有更好的意义和价值。
附图说明
图1为本发明实施例所述导航方法的流程示意图；
图2为本发明实施例所述SLAM算法的原理示意图；
图3为本发明实施例网格化预处理示意图。
具体实施方式
为了能够更加清楚地理解本发明的上述目的、特征和优点，下面结合附图及实施例对本发明做进一步说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用不同于在此描述的其他方式来实施，因此，本发明并不限于下面公开的具体实施例。
本实施例提出一种基于海底地形匹配的AUV多策略导航方法，如图1所示，包括以下步骤：
步骤1、构建地形适配区选择模型，地形适配区的分类包括适宜地形匹配区域、地形匹配过渡区域和不适宜地形匹配区域；
步骤11、采集模型训练先验数据集，并对其进行网格化预处理，得到地形格网；
步骤12、基于滑动窗口思想遍历地形格网，构建输入特征向量，作为地形适配区选择模型的输入，所述输入特征向量包括地形格网中各格网节点的高程数据Hij以及地形标准差σ、地形相关系数R、地形熵Hf以及地形粗糙度r；
步骤13、基于预判地形适配区类型，得到地形适配区选择模型标签，并对其进行训练；
步骤2、基于步骤1构建的地形适配区选择模型，进行AUV水下多策略导航，具体包括：
步骤21、载入地形适配区选择模型，基于AUV搭载的传感器实时采集导航相关数据并对地形适配区进行分类，若AUV处于适宜地形匹配区域，则执行步骤22，若AUV处于地形匹配过渡区域，则执行步骤23，若AUV处于不适宜地形匹配区域，则执行步骤24；
步骤22、当AUV处于适宜地形匹配区域时，基于多波束测深声呐水下地形高程图像匹配辅助方法进行导航；
步骤23、当AUV处于地形匹配过渡区域时，开启侧扫声呐，同时利用多波束测深声呐和侧扫声呐数据，进行水下侧扫声呐图像匹配辅助船位推算进行导航；
步骤24、当AUV处于不适宜地形匹配区域时，开启侧扫声呐，基于同时定位与地图构建算法进行导航。
具体的，下面对本方案进行详细的介绍：
1.构建地形适配区选择模型
1.1采集模型训练的先验数据集
地形适配区选择模型的训练数据集包括两部分数据：一是开源海底地形库中的地形数据，二是通过水下机器人搭载位姿传感器和多波束测深声呐采集的相应海域地形数据；将上述数据以(lat,lon,height)的形式存储，其中，lat，lon分别为相应测量位置的经纬度信息，height为该测量位置的深度信息；
1.2海底地形数据网格化预处理
将训练数据集中的数据网格化，形成维度为m*n的地形格网，具体网格化方式为：
首先为了增加地形高程数据的丰富度，对现有地形高程数据进行双线性插值；按照1m*1m的分辨率划分格网，将具体格网区域内的多组地形高程数据加权平均，即为该格网节点的地形高程信息；
如图3所示，格网中第i行j列的数据表示为(Xij,Yij,Hij)，其中(Xij,Yij)为对应格网区域的位置信息，Hij为对应格网区域的平均地形高程信息。
1.3基于滑动窗口思想遍历地形格网，构建输入特征向量，作为地形适配区选择模型的输入(1)基于滑动窗口思想得到相应地形特征参数
地形格网中每个不同区域格网节点包含的地形高程信息反映了不同的海底地形特征，为了充分利用地形格网的所有数据特征，提高模型构建的准确性，采用基于滑动窗口的思想对地形格网进行遍历，计算相应区域的地形特征参数，具体遍历过程为：
1)设初始窗口大小为p*q，计算相应窗口区域内的地形标准差σ、地形相关系数R、地形熵Hf以及地形粗糙度r四个地形特征参数，按步长为1将窗口右移以遍历整个地形格网区域，计算相应地形特征参数；
2)将窗口大小缩放至(p+1)*(q+1)，重复计算相应窗口内的地形特征参数；继续缩放窗口重复上述过程，直至窗口尺寸增大至m*n，即覆盖整个地形格网区域。
相应地形特征参数计算方式为：
地形标准差:
Figure GDA0003265515010000071
地形相关系数：
Figure GDA0003265515010000072
Figure GDA0003265515010000073
Figure GDA0003265515010000074
地形熵：
Figure GDA0003265515010000075
地形粗糙度：
Figure GDA0003265515010000076
Figure GDA0003265515010000077
Figure GDA0003265515010000078
(2)构建输入特征向量，作为地形适配区选择模型的输入
将地形格网中各格网节点的高程数据Hij与上述基于滑动窗口计算的所有地形特征参数进行组合，构成输入特征向量input＝[H11,H12,...Hij,...Hmn,σ1,R1,Hf1,r1,...σend,Rend,Hfend,rend]，作为地形适配区选择模型训练的输入。
1.4基于仿真预判地形适配区，得到模型训练的标签
基于惯性导航系统和测深传感器仿真系统，在地形格网区域上分别采样10个点，执行传统的匹配算法，即基于等值线最近点迭代(Iterative Closest Contour Point,ICCP)算法进行简单的地形匹配，得到匹配精度，以对地形适配区进行预判。
当得到的导航精度小于1％时，认为此区域地形变化丰富，地形高程特征明显，适合采用地形匹配导航的方法进行导航；当导航精度在1％～5％之间时，认为此区域存在一定的地形变化，可以考虑地形匹配导航的方法作为辅助方法进行导航；当导航精度超过5％时，认为此区域地形特征不明显，可能处于平坦海底地区，不适合采用地形匹配导航的方法。因此，根据导航精度的差异，将地形分为三类，作为模型训练的标签，当导航精度小于1％时为适宜地形匹配区域，导航精度在1％～5％之间时为地形匹配过渡区域，导航精度大于5％时为不适宜地形匹配区域。
1.5地形适配区选择模型训练和保存
按照上述模型的输入和标签，对地形适配区选择模型进行训练，此处选择极限学习机(Extreme Learning Machine,ELM)作为分类器，训练完成后保存模型待使用。
2.基于步骤1构建的地形适配区选择模型，进行AUV水下多策略导航，具体的：
2.1载入地形适配区选择模型，AUV搭载多种传感器实时采集导航相关数据并对地形适配区进行分类
(1)AUV实时在水下执行任务时，将训练好的地形适配区选择模型载入到AUV中；
(2)AUV搭载多种导航相关的传感器，航姿参考系统(Attitude and HeadingReference System,AHRS)获取AUV的姿态信息，声学多普勒速度仪(Doppler VelocityLog,DVL)获取AUV的速度信息；多波束测深声呐获取AUV距离海底的高度，深度计获取AUV距离海面的深度，二者相加得到AUV所在位置海平面到海底的高程信息；
(3)将AUV采集的海底地形高程信息输入到地形适配区选择模型中，对地形适配区进行分类，判断当前AUV所处的区域属于适宜地形匹配区域、地形匹配过渡区域还是不适宜地形匹配区域。
2.2当AUV处于“适宜地形匹配区域”时，采用多波束测深声呐水下地形高程图像匹配辅助导航方法
在“适宜地形匹配区域”，地形变化明显，地形特征丰富，采用多波束测深声呐水下地形高程图像匹配的方法，修正基于扩展卡尔曼滤波算法(Extended Kalman Filter，EKF)的船位推算方法得到的导航位置，具体流程如下：
(1)构建AUV导航系统状态向量和观测向量
a.AUV利用基于EKF算法的船位推算方法估计位置，首先要构建系统状态向量，k时刻的系统状态表示为：
Figure GDA0003265515010000091
其中x，y表示AUV在UTM坐标系下的北向和东向的位置，
Figure GDA0003265515010000092
表示航向角，vx和vy分别表示AUV载体坐标系下的前向和右向速度，ax和ay为对应的加速度，wz是与航向角相对应的角速度。
b.构建观测向量，k时刻的观测向量表示为：
Figure GDA0003265515010000093
其中
Figure GDA0003265515010000094
表示AHRS测得的航向角，ax和ay为AHRS获取的局部坐标系下的加速度，wz是AHRS获取的与航向角相对应的角速度数据，vx和vy表示DVL采集的载体坐标系下的前向和右向速度。
(2)构建AUV导航系统状态方程和测量方程
系统状态方程为：
Figure GDA0003265515010000095
其中，wk为过程噪声；
测量方程为：
Zk＝HkXk+vk，
其中，Hk为观测矩阵，H＝[06×2 I6×6]，vk为观测噪声；
(3)时间更新过程计算：
计算系统状态从k到(k-1)时刻的一步预测值
Figure GDA0003265515010000096
Figure GDA0003265515010000097
计算系统状态从k到(k-1)时刻的一步预测协方差矩阵Pk|k-1：
Figure GDA0003265515010000098
其中，Qk-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的一阶泰勒展开形式；
(4)根据多波束测深声呐水下地形高程图像是否匹配成功，测量更新过程包括两种：
1)当图像未匹配成功且无位置信息时，观测向量与前述一致，表示为：
Figure GDA0003265515010000101
计算卡尔曼增益值Kk：
Figure GDA0003265515010000102
其中，Rk表示观测噪声的方差。
k时刻的系统状态估计值为
Figure GDA0003265515010000103
Figure GDA0003265515010000104
k时刻的系统协方差估计值Pk：
Pk＝[I-KkHk]Pk|k-1
Figure GDA0003265515010000105
和Pk作为k+1时刻的初始值进行下一次迭代，估计k+1时刻的AUV位置。
2)当多波束测深声呐水下地形高程图像匹配成功且输出位置信息时，将此位置信息增广到观测向量中，以修正船位推算的误差。
多波束测深声呐水下地形高程图像匹配的流程为：
将传感器采集的海底地形高程数据由规则地形格网转化为灰度图像；
将多波束测深声呐采集的海底地形高程数据网格化，得到地形格网；由于规则地形格网的分辨率较低，为了更好的利用采集到的地形高程数据，将地形格网转化为灰度图像，采用图像处理的方式进行后续的操作；通过灰度归一化计算，将地形格网转化为灰度像素阵列：
Figure GDA0003265515010000106
此灰度图像作为模板图，进行后续操作；
对AUV相应运行区域的先验海底地形数据库进行相同操作，得到背景图；
由于由高程数据阵列转化成为灰度图像，此灰度图像既体现了不同区域的地形特征信息，也体现了灰度图像的基本特征；为了得到更精准的图像匹配，将地形标准差σ、地形相关系数R、地形熵Hf以及地形粗糙度r四个地形特征参数与表示图像特征的几何不变矩(Hu不变矩)特征进行随机加权，构建匹配的特征向量。
几何不变矩特征计算为：
M1＝y20+y02
M2＝(y20-y02)2+4y11 2
M3＝(y30-3y12)2+(3y21-y03)2
M4＝(y30+y12)2+(y21+y03)2
M5＝(y30-3y12)(y30+y12)((y30+y12)2-3(y21+y03)2)+(3y21-y03)(y21+y03)(3(y30+y12)2-(y21+y03)2)
M6＝(y20-y02)((y30+y12)2-(y21+y03)2)+4y11(y30+y12)(y21+y03)
M7＝(3y21-y03)(y30+y12)((y30+y12)2-3(y21+y03)2)-(y30-3y12)(y21+y03)(3(y30+y12)2-(y21+y03)2)
其中，ypq为归一化中心矩；
得到的加权特征匹配向量为：
F1＝[α1σ α2R α3Hf α4r α5M1 α6M2 α7M3 α8M4 α9M5 α10M6 α11M7]T
其中，α1～α11分别为各个参数的权重；
进行特征向量匹配，得到地形匹配位置：
从与模板图大小相同的第一个子图开始，对背景图进行遍历搜索，与模板图进行特征向量匹配；通过平均误差平方和算法(Mean Square Differences，MSD)求得与模板图所在位置最接近的近似区域位置，即为匹配得到的AUV所在位置。
将匹配得到AUV经纬度位置进行UTM转换，表示为(x1,y1)；对船位推算的观测向量进行增广：
Figure GDA0003265515010000111
同时对观测矩阵进行相应更改：
H＝I8×8
计算卡尔曼增益值Kk：
Figure GDA0003265515010000112
其中，Rk表示观测噪声的方差。
k时刻的系统状态估计值为
Figure GDA0003265515010000113
Figure GDA0003265515010000114
k时刻的系统协方差估计值Pk：
Pk＝[I-KkHk]Pk|k-1
Figure GDA0003265515010000115
和Pk作为k+1时刻的初始值进行下一次迭代，估计k+1时刻的AUV位置。
2.3当AUV处于“地形匹配过渡区域”时，开启侧扫声呐，同时利用多波束测深声呐和侧扫声呐数据，进行水下侧扫声呐图像匹配辅助船位推算导航法
在“地形匹配过渡区域”，地形变化较明显，但存在一些地形特征不丰富的地方，单纯的高程数据匹配难以达到较高的精度，不利于AUV导航的准确性。故采用侧扫声呐采集的海底地貌图像匹配与多波束测深声呐水下地形高程图像匹配的方法相结合，修正船位推算的误差，得到较高的AUV导航精度。同时，由于过渡区域的特殊性，船位推算方法采用基于无迹卡尔曼滤波(Unscented Kalman Filter，UKF)算法进行AUV导航，估计当前AUV位置。
(1)构建AUV导航系统状态向量和观测向量
k时刻的系统状态为：
Figure GDA0003265515010000121
其中x，y表示AUV北向和东向的位置信息，
Figure GDA0003265515010000122
表示AUV的航向角，vx和vy分别表示AUV在载体坐标系下的前向和右向速度，ax和ay为AUV在载体坐标系下的前向和右向的加速度，wz是表示航向角的角速度信息；
k时刻的观测向量为：
Figure GDA0003265515010000123
其中
Figure GDA0003265515010000124
表示AHRS测得的航向角，ax和ay为AHRS获取的局部坐标系下的加速度，wz是AHRS获取的航向角角速度数据，vx和vy表示DVL获取的载体坐标系下的前向和右向速度；
(2)构建系统状态方程和测量方程
系统状态方程为
Figure GDA0003265515010000125
其中，wk为过程噪声；
测量方程为：
Zk＝HkXk+vk；
Hk为观测矩阵，H＝[06×2 I6×6]，vk为观测噪声；
(3)时间更新过程：
在k-1时刻计算sigma点：
Figure GDA0003265515010000131
Figure GDA0003265515010000132
Figure GDA0003265515010000133
其中，i为sigma点的索引，n为系统状态的维度，λ为尺度参数，P为相应时刻的协方差矩阵；
计算sigma点相应的权重：
Figure GDA0003265515010000134
Figure GDA0003265515010000135
Figure GDA0003265515010000136
其中，
Figure GDA0003265515010000137
为均值权重，
Figure GDA0003265515010000138
表示协方差权重，α、β为可调参数；
计算系统状态从k-1时刻到k时刻的一步预测值：
Figure GDA0003265515010000139
计算一步预测协方差矩阵：
Figure GDA00032655150100001310
其中，Qk表示过程噪声方差；
(4)测量更新过程：根据侧扫声呐图像是否匹配成功，且输出对应加权位置信息，测量更新过程分为两种：
1)当图像未匹配成功无位置信息时，观测向量与前述一致，表示为：
Figure GDA00032655150100001311
计算观测预测值：
Figure GDA00032655150100001312
其中xi,k|k-1为系统状态一步预测值进行sigma点采样的结果；
计算相应协方差矩阵：
Figure GDA00032655150100001313
Figure GDA0003265515010000141
其中，Rk表示观测噪声的方差；
计算卡尔曼增益：
Figure GDA0003265515010000142
计算k时刻的系统状态估计值
Figure GDA0003265515010000143
以及系统协方差估计值Pk：
Figure GDA0003265515010000144
Figure GDA0003265515010000145
Figure GDA0003265515010000146
和Pk作为k+1时刻的初始值进行下一次迭代，估计k+1时刻的AUV位置。
2)当侧扫声呐图像匹配成功且与多波束测深声呐水下地形高程图像匹配结果加权输出位置信息时，将此位置信息增广到观测向量中，以修正船位推算的误差。
水下侧扫声呐图像匹配流程为：
开启侧扫声呐，按帧接收数据，随着AUV前进，侧扫声呐一帧帧的数据按照时间序列排列，形成完整的声呐图像；
将实时获取的侧扫声呐图像作为模板图，相应海域的先验侧扫声呐图像作为背景图；对模板图取最大内切圆，其余像素点置0，形成圆形模板；
由于侧扫声呐包含丰富的纹理信息，以图像纹理的方法进行图像匹配，采用图片纹理特征与几何不变矩特征随机加权构建特征匹配向量的方式进行图像匹配。通过计算灰度共生矩阵，提取图片的纹理特征：
a.对圆形模板图进行直方图均衡化处理，增加灰度值的动态范围；用f(x,y)表示处理过的模板图，其大小为M×N，灰度级别为Ng，则满足一定空间关系的灰度共生矩阵为：
P(i,j,d,θ)＝π{(p1,q1),(p2,q2)∈M×N|f(p1,q1)＝i,f(p2,q2)＝j}
其中π{x}表示集合x中的元素个数，P的大小为Ng×Ng，d为(p1,q1)与(p2,q2)直接的距离，θ为二者与坐标横轴的夹角；P(i,j,d,θ)即得到的各种间距及角度的灰度共生矩阵；θ一般为0°，45°，90°，135°四个方向；
b.对得到的灰度共生矩阵进行正规化：
Figure GDA0003265515010000147
其中，R为正规化参数；
c.根据正规化后的灰度共生矩阵，计算能量、对比度、相关度和熵四个纹理特征值：能量：
ASM＝∑i∑jp(i,j)2
对比度：
CON＝∑i∑j(i-j)2p(i,j)
相关度：
CORRLN＝[∑i∑j(ij)p(i,j)-μxμy]/σxσy
其中，
Figure GDA0003265515010000151
熵：
ENT＝-∑i∑jp(i,j)log p(i,j)
对圆形模板图提取7个几何不变矩特征，表示为M1'，M2'，M3'，M4'，M5'，M6'，M7'；
将侧扫声呐图像提取的纹理特征和不变矩特征随机加权，构建匹配特征向量：
F2＝[β1ASM β2CON β3CORRLN β4ENT β5M1' β6M2' β7M3' β8M4' β9M5' β10M6' β11M7']
其中，β1～β11分别为相应参数的权重；
进行特征向量匹配，得到地形匹配位置：
从与模板图大小相同的背景图的第一个子图开始执行相同的操作，进行遍历搜索，与模板图进行特征向量匹配；通过平均误差平方和算法(Mean Square Differences，MSD)求得与模板图所在位置最接近的近似区域位置，即为匹配得到的AUV所在位置；
将通过侧扫声呐图像匹配得到的背景图中的经纬度位置进行UTM转换，表示为(x2,y2)；将侧扫声呐图像匹配得到的近似位置与多波束测深声呐水下地形高程图像匹配得到的近似位置进行加权：
(x,y)＝m(x1,y1)+(1-m)(x2,y2)
其中，m为相应权重系数；(x,y)为最终得到的AUV估计位置；对船位推算的观测向量进行增广：
Figure GDA0003265515010000152
同时对观测矩阵进行相应修改：
H＝I8×8
①计算观测预测值：
Figure GDA0003265515010000153
其中xi,k|k-1为系统状态一步预测值进行sigma点采样的结果；
②计算相应协方差矩阵：
Figure GDA0003265515010000161
Figure GDA0003265515010000162
其中，Rk表示观测噪声的方差；
③计算卡尔曼增益：
Figure GDA0003265515010000163
④计算k时刻的系统状态估计值
Figure GDA0003265515010000164
以及系统协方差估计值Pk：
Figure GDA0003265515010000165
Figure GDA0003265515010000166
Figure GDA0003265515010000167
和Pk作为k+1时刻的初始值进行下一次迭代，估计k+1时刻的AUV位置。
2.4当AUV处于“不适宜地形匹配区域”时，为了保证导航精度，开启侧扫声呐，基于同时定位与地图构建(Simultaneous Localization and Mapping，SLAM)算法进行导航
不适宜地形匹配区域地形较为平坦，地形特征变化不明显，故不能采用地形匹配导航的方式进行导航；为了保证水下导航的精度，采用基于EKF的SLAM的方式进行基于海底特征的导航，获得AUV的位置和姿态信息，SLAM算法如图2所示。
(1)开启侧扫声呐，按帧接收数据，随着AUV前进，侧扫声呐一帧帧的数据按照时间序列排列，形成完整的声呐图像，对侧扫声呐图像进行特征提取作为路标点信息，得到对应特征与AUV的距离range以及与AUV的偏角bearing；
(2)位姿传感器更新过程：
首先构建系统状态向量和控制向量：
在SLAM算法初始时，系统的状态仅包括机器人的位姿信息，则k时刻的系统状态即当前AUV的状态，表示为
Figure GDA0003265515010000168
其中x，y表示AUV北向和东向的位置信息，
Figure GDA0003265515010000169
表示AUV的航向角，vx和vy分别表示AUV在载体坐标系下的前向和右向速度；
k时刻系统的控制向量为Uk＝[wz,ax,ay]T，其中ax和ay为AHRS获取的局部坐标系下的加速度，wz是AHRS获取的航向角角速度数据；
AUV的系统状态方程表示为：
Figure GDA0003265515010000171
构建观测向量：
Figure GDA0003265515010000172
其中
Figure GDA0003265515010000173
表示AHRS测得的航向角，vx和vy表示DVL获取的载体坐标系下的前向和右向速度；
利用EKF算法得到机器人系统系统估计Xvk和协方差矩阵Pv；
(3)根据侧扫声呐提取的特征对系统状态增广或更新：
构建观测向量和观测方程：
k时刻系统的观测向量为：
Zik＝[rangei,bearingi]T；
其中rangei和bearingi分别表示第i个路标点与AUV的距离和偏角；
系统观测方程为：
Figure GDA0003265515010000174
当侧扫声呐提取到有效特征，即算法获取到观测量时，通过数据关联准则判断该特征是否为已观测特征；若此特征未被观测过，则为新特征，对系统状态向量进行增广，将地图中的路标点位置加入到系统状态中：
k时刻的系统状态增广为：
Figure GDA0003265515010000175
Xmi表示地图中的第i个路标点的位置，表示为Xmi＝[xmi,ymi]T，其中xmi，ymi表示路标点在全局地图中北向和东向的位置信息；
Figure GDA0003265515010000176
Figure GDA0003265515010000177
同时，对系统协方差矩阵进行相应增广：
Figure GDA0003265515010000181
其中，Pvm和Pmv表示机器人系统状态和路标点之间的协方差，Pmm表示路标点之间的协方差；
若通过数据关联准则判断该特征为已观测过的特征，则根据此特征位置，利用EKF算法对状态向量进行更新，得到机器人状态和地图路标的最终估计值。
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 (8)

1.基于海底地形匹配的AUV多策略导航方法，其特征在于，包括以下步骤：
步骤A、构建地形适配区选择模型，地形适配区的分类包括适宜地形匹配区域、地形匹配过渡区域和不适宜地形匹配区域；
步骤A1、采集模型训练先验数据集，并对其进行网格化预处理，得到地形格网；
步骤A2、基于滑动窗口思想遍历地形格网，构建输入特征向量，作为地形适配区选择模型的输入，所述输入特征向量包括地形格网中各格网节点的高程数据Hij以及地形标准差σ、地形相关系数R、地形熵Hf以及地形粗糙度r；
步骤A3、基于预判地形适配区类型，得到地形适配区选择模型标签，并对其进行训练；
步骤B、基于步骤A构建的地形适配区选择模型，进行AUV水下多策略导航，具体包括：
步骤B1、载入地形适配区选择模型，基于AUV搭载的传感器实时采集导航相关数据并对地形适配区进行分类，若AUV处于适宜地形匹配区域，则执行步骤B2，若AUV处于地形匹配过渡区域，则执行步骤B3，若AUV处于不适宜地形匹配区域，则执行步骤B4；
步骤B2、当AUV处于适宜地形匹配区域时，基于多波束声呐水下地形高程图像匹配辅助方法进行导航；
步骤B3、当AUV处于地形匹配过渡区域时，开启侧扫声呐，同时利用多波束测深仪和侧扫声呐数据，进行水下侧扫声呐图像匹配辅助船位推算进行导航；
步骤B4、当AUV处于不适宜地形匹配区域时，开启侧扫声呐，基于同时定位与地图构建算法进行导航。
2.根据权利要求1所述的基于海底地形匹配的AUV多策略导航方法，其特征在于：所述步骤A1中，地形适配区选择模型的训练数据集包括两部分数据：一是开源海底地形库中的地形数据，二是通过水下机器人搭载位姿传感器和多波束测深声呐采集的相应海域地形数据；训练集数据以(lat,lon,height)的形式存储，其中，(lat,lon)分别为相应测量位置的经纬度信息，height为该测量位置的深度信息。
3.根据权利要求1所述的基于海底地形匹配的AUV多策略导航方法，其特征在于：所述步骤A2的实现具体包括以下步骤：
步骤A21、基于滑动窗口思想，设计并得到相应地形特征参数；
1)设初始窗口大小为p*q，计算相应窗口区域内的地形标准差σ、地形相关系数R、地形熵Hf以及地形粗糙度r四个地形特征参数，按步长为1将窗口右移以遍历整个地形格网区域，计算相应地形特征参数；
2)将窗口大小缩放至(p+1)*(q+1)，重复计算相应窗口内的地形特征参数；继续缩放窗口重复上述过程，直至窗口尺寸增大至m*n，即覆盖整个地形格网区域；
步骤A22、构建输入特征向量，作为训练地形适配区选择模型的输入；
将地形格网中各格网节点的高程数据Hij与上述所有地形特征参数进行组合，构成输入特征向量input＝[H11,H12,...Hij,...Hmn,σ1,R1,Hf1,r1,...σend,Rend,Hfend,rend]，作为地形适配区选择模型训练的输入。
4.根据权利要求3所述的基于海底地形匹配的AUV多策略导航方法，其特征在于：所述步骤A3中，基于等值线最近点迭代算法进行地形匹配，根据匹配精度对地形适配区进行标签预判，得到以下标签：当匹配精度小于1％时为适宜地形匹配区域，匹配精度在1％～5％之间时为地形匹配过渡区域，匹配精度大于5％时为不适宜地形匹配区域；
基于模型输入和得到的标签，基于极限学习机作为分类器对地形适配区选择模型进行训练，得到最终的地形适配区选择模型分类。
5.根据权利要求1所述的基于海底地形匹配的AUV多策略导航方法，其特征在于：所述步骤B1具体包括以下步骤：
(1)AUV在水下执行任务时，将步骤A中训练好的地形适配区选择模型载入到AUV中；
(2)基于AUV搭载的航姿参考系统获取AUV的姿态信息，声学多普勒速度仪获取AUV的速度信息；多波束测深声呐获取AUV距离海底的高度，深度计获取AUV距离海面的深度，从而得到AUV所在位置海平面到海底的高程信息；
(3)将AUV采集的海底地形高程信息输入到地形适配区选择模型中，对地形适配区进行分类，判断当前AUV所处的区域属于适宜地形匹配区域、地形匹配过渡区域还是不适宜地形匹配区域。
6.根据权利要求1所述的基于海底地形匹配的AUV多策略导航方法，其特征在于：所述步骤B2中，利用基于扩展卡尔曼滤波的船位推算估计AUV的位置，当基于多波束测深声呐图像匹配成功且输出位置信息时，将该位置信息增广到观测向量中以修正船位推算得到的位置，具体包括以下步骤：
(1)构建AUV导航系统状态向量、观测向量以及相应的状态方程和观测方程；
(2)根据构建的状态方程，利用扩展卡尔曼滤波进行时间更新过程的计算；
(3)若多波束声呐水下地形高程图像未输出匹配位置，则根据构建的测量向量，利用传感器观测数据进行测量更新过程的计算；若多波束声呐水下地形高程图像匹配成功且输出对应位置信息，则对测量向量增广，进行测量更新过程的计算；
多波束声呐水下地形高程图像匹配过程如下：
a.将采集的海底地形高程数据由规则地形格网转化为灰度图像；
b.将多波束测深声呐采集的海底地形高程数据网格化，得到地形格网，通过灰度归一化计算，将地形格网转化为灰度像素阵列，并以此灰度图像作为模板图；
c.对AUV相应运行区域的先验海底地形数据库进行相同操作，得到背景图；
d.将地形标准差σ、地形相关系数R、地形熵Hf以及地形粗糙度r四个地形特征参数与表示图像特征的几何不变矩特征进行随机加权，构建匹配的特征向量；
e.进行特征向量匹配，得到地形匹配位置：
从与模板图大小相同的第一个子图开始，对背景图进行遍历搜索，与模板图进行特征向量匹配；求得与模板图所在位置最接近的近似区域位置，即为匹配得到的AUV所在位置；
将匹配得到AUV经纬度位置进行UTM转换，对船位推算的观测向量进行增广，进而计算船位推算的观测更新过程，得到AUV的位置；将得到的位置作为下一时刻的输入继续船位推算的迭代，进而得到下一时刻的AUV估计位置，实现导航。
7.根据权利要求1所述的基于海底地形匹配的AUV多策略导航方法，其特征在于：所述步骤B3中开启侧扫声呐，利用基于无迹卡尔曼滤波的船位推算估计AUV的位置，当基于侧扫声呐的图像匹配成功且与多波束测深声呐图像匹配加权输出位置信息时，将该位置信息增广到观测向量中以修正船位推算得到的位置，具体包括以下步骤；
(1)构建AUV导航系统状态向量、观测向量以及相应的状态方程和观测方程；
(2)根据构建的状态方程利用无迹卡尔曼滤波进行时间更新过程的计算；
(3)若侧扫声呐图像和多波束测深声呐图像未能成功加权输出匹配位置，则根据构建的测量向量，利用传感器观测数据进行测量更新过程的计算；若侧扫声呐的图像匹配成功且与多波束测深声呐图像匹配加权且输出对应位置信息，则对测量向量增广，进行测量更新过程的计算；水下侧扫声呐图像匹配过程如下：
a.开启侧扫声呐，按帧接收数据，随着AUV前进，得到完整的声呐图像；
b.将实时获取的侧扫声呐图像作为模板图，相应海域的先验侧扫声呐图像作为背景图；对模板图取最大内切圆，其余像素点置0，形成圆形模板；
c.以图像纹理的方法进行图像匹配，采用图片纹理特征与几何不变矩特征随机加权构建特征匹配向量的方式进行图像匹配，提取图片的纹理特征：
对圆形模板图进行直方图均衡化处理，增加灰度值的动态范围，得到灰度共生矩阵；
对得到的灰度共生矩阵进行正规化：
根据正规化后的灰度共生矩阵，得到能量、对比度、相关度和熵四个纹理特征值；
并提取圆形模板图的几何不变矩特征，将侧扫声呐图像提取的纹理特征和不变矩特征随机加权，构建匹配特征向量；
进行特征向量匹配，得到地形匹配位置：
从与模板图大小相同的背景图的第一个子图开始执行相同的操作，进行遍历搜索，与模板图进行特征向量匹配，得到与模板图所在位置最接近的近似区域位置，即为匹配得到的AUV所在位置；
将通过侧扫声呐图像匹配得到的背景图中的经纬度位置进行UTM转换，获得侧扫声呐图像匹配的近似位置，然后将其与多波束测深声呐地形高程图像匹配得到的近似位置加权，得到当前时刻的AUV近似位置；利用AUV近似位置对船位推算的观测向量进行增广，计算船位推算的观测更新过程，得到当前时刻的AUV估计位置；将得到的位置作为下一时刻的输入继续船位推算的迭代，进而得到下一时刻的AUV估计位置，实现导航。
8.根据权利要求1所述的基于海底地形匹配的AUV多策略导航方法，其特征在于：所述步骤B4具体采用以下方式实现：
(1)开启侧扫声呐，按帧接收数据，得到完整的声呐图像；对侧扫声呐图像进行特征提取作为路标点信息，得到对应特征与AUV的距离以及与AUV的偏角；
(2)位姿传感器更新：
构建系统状态向量、控制向量和观测向量，得到AUV的系统状态方程和观测方程，基于EKF算法得到AUV系统的系统估计和协方差矩阵；
(3)根据侧扫声呐提取的特征对系统状态增广或更新：
构建观测向量和观测方程，当侧扫声呐提取到有效特征，即获取到观测量时，通过数据关联准则判断该特征是否为已观测特征；
若此特征未被观测过，则为新特征，对系统状态向量进行增广，将地图中的路标点位置加入到系统状态中，同时，对系统协方差矩阵进行相应增广；
若通过数据关联准则判断该特征为已观测过的特征，则根据此特征位置，利用EKF算法对状态向量进行更新，得到机器人状态和地图路标的最终估计值。
CN202010343604.1A 2020-04-27 2020-04-27 基于海底地形匹配的auv多策略导航方法 Active CN111486845B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010343604.1A CN111486845B (zh) 2020-04-27 2020-04-27 基于海底地形匹配的auv多策略导航方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010343604.1A CN111486845B (zh) 2020-04-27 2020-04-27 基于海底地形匹配的auv多策略导航方法

Publications (2)

Publication Number Publication Date
CN111486845A CN111486845A (zh) 2020-08-04
CN111486845B true CN111486845B (zh) 2022-02-11

Family

ID=71791968

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010343604.1A Active CN111486845B (zh) 2020-04-27 2020-04-27 基于海底地形匹配的auv多策略导航方法

Country Status (1)

Country Link
CN (1) CN111486845B (zh)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112161621B (zh) * 2020-09-24 2022-11-25 北京理工大学 一种无模型辅助导航适配区域选取方法
CN112729306B (zh) * 2020-12-21 2022-04-19 哈尔滨工程大学 适用于auv的海底地形图可导航区自主提取方法
CN112665584B (zh) * 2020-12-30 2022-07-15 哈尔滨工程大学 一种基于多传感器融合的水下机器人定位与构图方法
CN112902948A (zh) * 2021-01-18 2021-06-04 国家深海基地管理中心 一种深海地形地貌联合匹配辅助导航定位系统及方法
CN112946660A (zh) * 2021-01-28 2021-06-11 西北工业大学 一种基于多波束前视声呐的同时定位与建图方法
CN113052940B (zh) * 2021-03-14 2024-03-15 西北工业大学 一种基于声呐的时空关联地图实时构建方法
CN112924936B (zh) * 2021-03-16 2021-10-26 哈尔滨工业大学 一种基于滑动观测的多auv协同定位方法
CN113252038B (zh) * 2021-05-06 2022-10-28 西北工业大学 基于粒子群算法的航迹规划地形辅助导航方法
CN113252039B (zh) * 2021-05-06 2022-10-28 西北工业大学 面向地形辅助导航的粒子群快速匹配方法
CN113378932A (zh) * 2021-06-11 2021-09-10 中交第三航务工程局有限公司 一种基于高精度异源共视图像的侧扫声呐位置矫正方法
CN114061591B (zh) 2021-11-18 2022-07-12 东南大学 一种基于滑动窗数据回溯的等值线匹配方法
CN114216465B (zh) * 2021-12-08 2022-11-01 哈尔滨工程大学 一种海底地形导航并行匹配方法
CN115951361B (zh) * 2023-03-13 2023-05-30 珠江水利委员会珠江水利科学研究院 基于大数据平台的海上风电桩的智能地形扫测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106067172A (zh) * 2016-05-27 2016-11-02 哈尔滨工程大学 一种基于适配性分析的水下地形图像粗匹配与精匹配结合的方法
CN106767834A (zh) * 2017-01-24 2017-05-31 哈尔滨工程大学 一种基于模糊熵值的auv水下地形匹配适配区划分方法
CN107943843A (zh) * 2017-10-31 2018-04-20 上海交通大学 水下边坡勘测多源数据融合及集成显示系统及方法
CN108416168A (zh) * 2018-03-29 2018-08-17 北京航空航天大学 基于分层决策的地形适配区选取方案

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106067172A (zh) * 2016-05-27 2016-11-02 哈尔滨工程大学 一种基于适配性分析的水下地形图像粗匹配与精匹配结合的方法
CN106767834A (zh) * 2017-01-24 2017-05-31 哈尔滨工程大学 一种基于模糊熵值的auv水下地形匹配适配区划分方法
CN107943843A (zh) * 2017-10-31 2018-04-20 上海交通大学 水下边坡勘测多源数据融合及集成显示系统及方法
CN108416168A (zh) * 2018-03-29 2018-08-17 北京航空航天大学 基于分层决策的地形适配区选取方案

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于DIDSON的未知海域覆盖规划算法;孔祥瑞等;《海洋技术学报》;20190831;第38卷(第4期);第45-53页 *
水下地形辅助导航技术的研究与应用进展;张静远等;《国防科技大学学报》;20150630;第37卷(第3期);第128-135页 *

Also Published As

Publication number Publication date
CN111486845A (zh) 2020-08-04

Similar Documents

Publication Publication Date Title
CN111486845B (zh) 基于海底地形匹配的auv多策略导航方法
CN113340295B (zh) 一种多个测距传感器的无人艇近岸实时定位与建图方法
CN110412635B (zh) 一种环境信标支持下的gnss/sins/视觉紧组合方法
CN109239709B (zh) 一种无人船的局部环境地图自主构建方法
CN108871351B (zh) 一种auv海底地形匹配的动态路径规划方法
CN108759833A (zh) 一种基于先验地图的智能车辆定位方法
CN111813113B (zh) 仿生视觉自运动感知地图绘制方法、存储介质及设备
CN110132284B (zh) 一种基于深度信息的全局定位方法
Mu et al. End-to-end navigation for autonomous underwater vehicle with hybrid recurrent neural networks
CN111024072B (zh) 一种基于深度学习的卫星地图辅助导航定位方法
CN113739795B (zh) 一种基于偏振光/惯性/视觉组合导航的水下同步定位与建图方法
Beall et al. Bundle adjustment in large-scale 3d reconstructions based on underwater robotic surveys
CN114526745A (zh) 一种紧耦合激光雷达和惯性里程计的建图方法及系统
CN113220818B (zh) 一种停车场自动建图与高精度定位方法
CN110726415A (zh) 一种自适应的水下多波束同步定位与建图方法
Demim et al. Simultaneous localisation and mapping for autonomous underwater vehicle using a combined smooth variable structure filter and extended kalman filter
CN115908539A (zh) 一种目标体积自动测量方法和装置、存储介质
CN113532438B (zh) 一种大初始定位误差下的改进iccp地形匹配方法
CN112581610B (zh) 从多波束声呐数据中建立地图的鲁棒优化方法和系统
CN112802195B (zh) 一种基于声呐的水下机器人连续占据建图方法
CN114577196A (zh) 使用光流的激光雷达定位
CN116907509A (zh) 基于图像匹配的auv水下辅助导航方法、系统、设备及介质
CN115775242A (zh) 一种基于匹配的点云地图质量评估方法
Zhang et al. Feature-based ukf-slam using imaging sonar in underwater structured environment
CN113554705B (zh) 一种变化场景下的激光雷达鲁棒定位方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant