CN111982098A - 一种用于两个运动auv的同时定位方法 - Google Patents
一种用于两个运动auv的同时定位方法 Download PDFInfo
- Publication number
- CN111982098A CN111982098A CN201910421528.9A CN201910421528A CN111982098A CN 111982098 A CN111982098 A CN 111982098A CN 201910421528 A CN201910421528 A CN 201910421528A CN 111982098 A CN111982098 A CN 111982098A
- Authority
- CN
- China
- Prior art keywords
- auv
- auvs
- time
- state
- actual
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000003066 decision tree Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000011084 recovery Methods 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 13
- 238000004891 communication Methods 0.000 claims description 9
- 230000004807 localization Effects 0.000 claims description 8
- 101000802640 Homo sapiens Lactosylceramide 4-alpha-galactosyltransferase Proteins 0.000 claims description 2
- 102100035838 Lactosylceramide 4-alpha-galactosyltransferase Human genes 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000001914 filtration Methods 0.000 abstract 3
- 238000005259 measurement Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G01C21/10—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration
- G01C21/12—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning
- G01C21/16—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation
- G01C21/165—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 by using measurements of speed or acceleration executed aboard the object being navigated; Dead reckoning by integrating acceleration or speed, i.e. inertial navigation combined with non-inertial navigation instruments
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开一种用于两个运动AUV的同时定位方法。该发明基于改进的扩展卡尔曼滤波得到两个AUV的同时定位方法,适用于存在运动过程噪声及观测噪声且运动模型不精确的情况下,两个AUV的同时定位。本发明主要包括:基于卡尔曼滤波的两个AUV同时定位方法,基于实际航行数据训练得到的AUV模型梯度下降决策树。基于模型梯度下降决策树的改进扩展卡尔曼滤波。本发明使AUV在过程噪声及观测噪声干扰下完成同时定位,减小模型不精确对定位精度的影响,方法简单,应用范围广。
Description
技术领域
本发明涉及自主水下机器人(AUV,Autonomous Underwater Vehicle)的定位方法,更具体的说,是存在过程噪声及观测噪声干扰下两个运动AUV的同时定位方法。
背景技术
AUV完成任何预定使命的必备条件为准确的水下导航,即“Where am I”问题,这是决定AUV能否自主执行并完成任务的关键技术。本文以AUV动态自主回收为背景,待回收AUV需要知悉其自身及携带回收装置的AUV的位置信息。由于水下环境及其自身携带传感器的限制,AUV的运动过程存在过程噪声,AUV之间的相对距离的测量存在观测噪声。噪声的存在不利于实现AUV的同时定位。
在AUV水下导航领域,同时定位与构图(SLAM,Simultaneous Localization AndMapping)成为近几年的研究热点。在AUV自身位置不确定的情况下,利用所携带的传感器反复观测环境中的特征,从而完成AUV自身的定位及特征位置的校正。在所有的SLAM方法中,基于扩展卡尔曼滤波的同时定位及构图方法(EKF-SLAM,Extended Kalman Filter-SLAM)因为其简单和通用性强的特点而被广泛应用。EKF-SLAM方法的不足之处在于其定位精度受AUV的运动模型精度及噪声统计精度影响。
发明内容
本发明要解决的技术问题是提供一种定位方法,当存在过程噪声和观测噪声干扰时,该方法能够实现两个运动AUV的同时定位。
本发明为实现上述目的所采用的技术方案是:一种用于两个运动AUV的同时定位方法,包括以下步骤:
利用AUV的实际航行数据回归拟合AUV运动模型的梯度下降决策树,得到AUV单位时间模型航行里程到实际航行里程的映射关系;
定义两个AUV的初始状态和初始状态估计误差协方差并初始化;定义过程噪声和观测噪声的统计特性并初始化;
两个AUV相互通信共享其控制输入信息;根据两个AUV的控制输入量计算单位时间的模型航行里程,并根据上述映射关系得到AUV的实际航行里程,进而分别预测两个AUV的状态和状态估计误差协方差;
利用超短基线测出两个AUV在x、y方向的相对距离,并分别更新两个AUV的状态和状态估计误差协方差,从而实现两个运动AUV的同时定位。
所述AUV的实际航行数据包括:待回收AUV-Ⅰ和携带回收装置的AUV-Ⅱ在过去的实际航行中由传感器记录的AUV的速度v、方向ψ及位置信息(x,y)。
所述回归拟合AUV运动模型的梯度下降决策树包括:
通过AUV-Ⅰ的实际航行速度vv、实际航向角ψv、单位时间dt以及运动模型f分别计算得到AUV-Ⅰ在x、y方向走过的距离Δxv、Δyv;利用AUV-Ⅰ搭载的传感器分别记录dt时间内在x、y方向走过的实际距离dxv、dyv;定义{(Δxv,dxv)}为第一个GBDT训练集的样本、{(Δyv,dyv)}为第二个GBDT训练集的样本;
通过AUV-Ⅱ的实际航行速度vf、实际航向角ψf、单位时间dt以及运动模型f分别计算得到AUV-Ⅱ在x、y方向走过的距离Δxf、Δyf;利用AUV-Ⅱ搭载的传感器分别记录dt时间内在x、y方向走过的实际距离dxf、dyf;定义{(Δxf,dxf)}为第三个GBDT训练集的样本、{(Δyf,dyf)}为第四个GBDT训练集的样本;
利用梯度下降决策树算法训练上述四个GBDT训练集,分别得到Δxv到dxv、Δyv,到dyv、Δxf到dxf、Δyf到dyf的映射关系。
所述利用梯度下降决策树算法训练上述四个GBDT训练集,包括:
设定最大迭代次数为T。损失函数为L。对于训练集样本{(Δx1,dx1),(Δx2,dx2)…(Δxm,dxm)},其中(Δxi,dxi),(i=1…m)为训练样本集的第i个样本变量,m为样本数量。
初始化弱学习器:
式中,c为使样本集损失函数之和取得最小值的参数。f0为损失函数之和,称为初始学习器。
对迭代轮数t=1,2,…T有:
对样本i=1,2,…m,计算负梯度:
式中,rti为在第t轮迭代中第i个样本损失函数负梯度。ft-1(Δx)是t-1轮的学习器。
利用(Δxi,rti),(i=1,2…m)拟合一颗回归树,得到第t颗回归树,其对应的叶子区域为Rtj,j=1,2…J。其中J为回归树的叶子节点个数;
对叶子区域j=1,2…J,计算最佳拟合值:
式中,c为使第t颗回归树中第j个叶子区域样本的损失函数最小的参数,ctj为第t轮迭代中第j个叶子区域的最小损失函数之和。
更新强学习器:
式中,I为单位矩阵。ft(Δx)是第t轮学习器。
得到强学习器:
式中,f(Δx)为最终得到的强学习器。
所述运动模型为:
式中,Δx(k)、Δy(k)分别是k-1时刻到k时刻内AUV在x方向和y方向走过的距离,ψk,ψk-1分别是k时刻和k-1时刻AUV的航向角,v是AUV的航行速度,G为偏航角。
所述定义两个AUV的初始状态和初始状态估计误差协方差并初始化包括:
定义EKF-SLAM算法的状态变量X(k)=[Xv(k) Xf(k)]T;式中,Xv(k)=[xv,k yv,kψv,k]T是k时刻AUV-Ⅰ位置的横、纵坐标以及航向角的状态变量,Xf(k)=[xf,k yf,k ψf,k]T是k时刻AUV-Ⅱ位置的横、纵坐标以及航向角的状态变量;
根据AUV-Ⅰ和AUV-Ⅱ初始时刻的位置信息和航向角信息初始化状态变量X(k);初始化k时刻状态估计误差协方差矩阵P(k),初始时刻P(0)为6行6列的零矩阵。
所述定义过程噪声和观测噪声的统计特性并初始化包括:
假设系统过程噪声和观测噪声皆为零均值高斯白噪声,定义统计特性如下:
E[n1(k)]=0,E[n1(k)n1(k)T]=Q1
E[n2(k)]=0,E[n2(k)n2(k)T]=Q2
E[m(k)]=0,E[m(k)m(k)T]=R
E[n1(k)n2(j)T]=0,E[n1(k)m(j)T]=0,E[n2(k)m(j)T]=0
其中,AUV-Ⅰ的高斯运动过程噪声为n1,AUV-Ⅱ的高斯运动过程噪声为n2,观测噪声为m,E表示期望,k、j表示时刻;
初始化:n1的均值为零,方差为Q1;n2的均值为零,方差为Q2;m的均值为零,方差为R;n1、n2和m之间彼此不相关,即它们之间的协方差为零。
所述两个AUV相互通信共享其控制输入信息为:
定义k时刻AUV-Ⅰ的控制输入变量uv(k)=[vv,Gv],AUV-Ⅱ的控制输入变量uf(k)=[vf,Gf];其中,V表示速度,G表示偏航角,下标v表示AUV-Ⅰ,下标f表示AUV-Ⅱ;
AUV-Ⅱ将其控制输入uf(k)通过水声通讯设备发送至AUV-Ⅰ的主控计算机。
所述根据两个AUV的控制输入量计算单位时间的模型航行里程,并根据上述映射关系得到AUV的实际航行里程,进而分别预测两个AUV的状态和状态估计误差协方差:
根据AUV-Ⅰ和AUV-Ⅱ的控制输入变量uv(k)=[vv,Gv]、uf(k)=[vf,Gf]计算AUV-Ⅰ和AUV-Ⅱ单位时间的模型航行里程,并根据映射关系得到AUV-Ⅰ和AUV-Ⅱ在x、y方向单位时间dt内走过的距离dxv,dyv,dxf,dyf;
其中,为k-1时刻的状态估计值,为k时刻的状态预测值;P(k-1)为k-1时刻的状态估计误差协方差,P(k|k-1)为k时刻的状态估计误差协方差的预测值,03×3为3行3列的零矩阵,02×2为2行2列的零矩阵,Fv(k)和Ff(k)分别是非线性运动方程f(·)对状态XV和Xf在当前最优估计处的雅可比矩阵;W1(k)和W2(k)分别是非线性运动方程f对噪声n1(k)和n2(k)的雅可比矩阵。
所述利用超短基线测出两个AUV在x、y方向的相对距离为:AUV-Ⅱ携带超短基线的收发器,AUV-Ⅰ携带超短基线的应答器,AUV-Ⅱ分别解算两个AUV在x方向和y方向之间相对距离,并通过水声通讯设备发送至AUV-Ⅰ的主控计算机。
所述分别更新两个AUV的状态和状态估计误差协方差为:
a.当接收到最新的观测值Z(k)=[Z(x),Z(y)]T时,计算观测值残差矩阵υ(k)及残差协方差矩阵S(k)和卡尔曼增益K(k),如下:
S(k)=H(k)P(k|k-1)H(k)T+R
K(k)=P(k|k-1)HT(k)S(k)-1
式中,H(k)是非线性传感器观测方程h对X(k)的偏导数的雅可比矩阵,非线性观测方程h为:
式中,ψf为AUV-Ⅱ的航向角,α为中间变量,xv,yv分别为AUV-Ⅰ位置的横纵坐标,xf,yf分别为AUV-Ⅱ位置的横纵坐标,Z(x)、Z(y)分别表示由相对距离转换得到的AUV-Ⅰ在AUV-Ⅱ坐标系下的位置的横纵坐标;
b.按照下式更新状态和状态估计误差协方差矩阵:
P(k)=(I-K(k)H(k))P(k|k-1)
本发明具有以下优点及有益效果:
1、具有实际应用价值。本发明以AUV动态自主回收为背景,携带回收装置的AUV回收另一个待回收AUV。AUV的使命结束,能源补充或日常维护需要其回收至岸上。AUV的动态自主回收可以实现高海况或极端条件下的AUV回收,减少了作业人员的风险,减少了对回收时间及回收地点的限制。两个运动AUV的同时定位技术是AUV动态自主回收归航过程的基础。
2、具有实际意义。受传感器及自身运动噪声干扰,AUV对其自身和回收平台的定位精度有限。较大的定位误差将导致回收任务的失败。因此,本发明可以有效提高AUV动态自主回收的成功率。
附图说明
图1是本发明的坐标系示意图;
图2是本发明的EKF-SLAM示意图;
图3是本发明的工作流程图;
图4是AUV-Ⅰ和AUV-Ⅱ的估计轨迹和真实轨迹;
图5是AUV-Ⅰ和AUV-Ⅱ的定位误差;
图6是AUV-Ⅰ和AUV-Ⅱ的估计轨迹和真实轨迹;
图7是AUV-Ⅰ和AUV-Ⅱ的定位误差;
图8是AUV-Ⅰ和AUV-Ⅱ的估计轨迹和真实轨迹;
图9是AUV-Ⅰ和AUV-Ⅱ的定位误差。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明。
本发明由两台AUV、AUV上搭载的位姿传感器和超短基线,水声通信机以及计算机组成。需要如下设备:
控制计算机:用于实时监控AUV位姿信息,根据AUV-Ⅰ和AUV-Ⅱ的输入信息预测AUV-Ⅰ和AUV-Ⅱ的位置信息。根据超短基线的测量值更新AUV-Ⅰ和AUV-Ⅱ的位置信息。
超短基线:超短基线的收发器安装于AUV-Ⅱ上,应答器安装于AUV-Ⅰ上。AUV-Ⅱ解析得到AUV-Ⅰ在其坐标系下的位置的横纵坐标,即Z(x)和Z(y)。测量坐标系的说明如图1所示。
推进器、舵等航行动力设备:驱动AUV运动以完成回收。
位姿传感器:获得AUV自身航速、航向信息
水声通信设备:实现AUV-Ⅰ和AUV-Ⅱ的实时通信。AUV-Ⅱ将其自身的速度和偏航角的控制输入量uf(k)=[vf Gf]及超短基线测得的相对距离Z(x)和Z(y)发送至AUV-Ⅰ的主控计算机。
EKF-SLAM的过程如图2所示,为了改善模型不精确对同时定位精度的影响,在EKF-SLAM的状态预测阶段做出改进。
GBDT-EKF-SLAM的过程如图3所示,与原EKF-SLAM算法的不同点在于状态预测阶段使用GBDT的输出代替模型计算值。
初始时刻AUV-Ⅰ和AUV-Ⅱ航行至相同深度,因此将回收过程简化至二维平面运动。AUV-Ⅰ根据自身和AUV-Ⅱ的控制输入,即uv(k)=[vv Gv]和uf(k)=[vf Gf],利用梯度下降树预测AUV-Ⅰ和AUV-Ⅱ的状态及状态估计误差协方差。当接收到超短基线的测量值时,更新AUV-Ⅰ和AUV-Ⅱ的状态及状态估计误差协方差。
第1步:拟合梯度下降树
通过AUV-Ⅰ的实际航行速度vv,实际航向角ψv,单位时间dt以及运动模型f分别计算得到AUV-Ⅰ在x,y方向走过的距离Δxv,Δyv。AUV-Ⅰ传感器记录的dt时间x方向和y方向走过的距离分别为dxv,dyv。。第一个GBDT训练集样本为{(Δxv,dxv)}。第二个GBDT训练集样本为{(Δyv,dyv)}。通过AUV-Ⅱ的实际航行速度vf,实际航向角ψf,单位时间dt以及运动模型f分别计算得到AUV-Ⅱ在x,y方向走过的距离Δxf,Δyf。AUV-Ⅱ传感器记录的dt时间x方向和y方向走过的距离分别为dxf,dyf。第三个GBDT训练集的样本为{(Δxf,dxf)}。第四个GBDT训练集的样本为{(Δyf,dyf)}。以第一个GBDT为例,通过GBDT算法的训练后,得到Δxv到dxv的映射关系
训练集构建完毕后,开始GBDT算法的迭代过程。GBDT算法采用的弱学习器限定为分类回归树(CART,Classification And Regression Tree)。CART算法具体如下:
假设样本空间为{(Δx1,dx1)…(Δxm,dxm)},m为样本数量。
1.遍历输入空间,找到最优切分特征j与切分点s。
式中,样本集中Δx小于s的样本被划分至区域R1,Δx大于s的样本被划分至R2。c1和c2分别是使R1和R2中样本损失函数之和最小的参数。
2.对于得到的最优切分(j,s)划分区域,并且得到输出值
R1(j,s)={Δx|Δxj≤s},R2(j,s)={Δx|Δxj>s}
3.对两个子区域递归调用步骤1,2直到满足停止条件。
输入空间划分为M个部分R1,R2,…RM,回归树模型表示为:
式中,I为单位矩阵,f(x)为回归树的输出。
设定GBDT算法中共包含6棵CART树,每颗树上有6个叶子节点。选择均方差L(dx,f(x))=(dx-f(x))2作为GBDT算法的回归损失函数。运行GBDT算法得到AUV-Ⅰ和AUV-Ⅱ的模型决策树。
第2步:完成预测工作
AUV-Ⅰ通过水声通讯设备接收AUV-Ⅱ的控制输入量。AUV的运动模型如下:
上式中,f为AUV的运动模型,Δx(k),Δy(k)分别是k-1时刻到k时刻(dt时间)AUV在x方向和y方向走过的距离。ψk,ψk-1分别是k时刻和k-1时刻AUV的航向角。v是AUV的航行速度,G为偏航角。通过运动模型f计算dt时间内AUV-Ⅰ在x方向走过的距离Δx,并以此作为GBDT算法的输入,已经训练完毕的决策树输出AUV-Ⅰ在x方向走过的实际距离dxv。同理,得到AUV-Ⅰ在y方向走过的实际距离dyv,AUV-Ⅱ在x方向走过的实际距离dxf,AUV-Ⅱ在y方向走过的实际距离dyf。根据k-1时刻AUV-Ⅰ和AUV-Ⅱ的状态及GBDT算法的输出,得到k时刻AUV-Ⅰ和AUV-Ⅱ的预测状态,即:K时刻状态估计误差协方差矩阵的计算方式同传统的EKF-SLAM,即:
第3步:完成更新工作
AUV-Ⅰ携带超短基线的应答器(transponder),AUV-Ⅱ携带超短基线的收发器(transceiver)。AUV-Ⅱ解析得到AUV-Ⅰ在其坐标系下位置的横纵坐标,并通过水声通讯设备发送至AUV-Ⅰ的主控计算机。AUV-Ⅰ接收到观测值后,根据观测模型计算两者之间的估计测量值,并将真实测量值和估计测量值做差得到残差矩阵。计算卡尔曼增益,并更新AUV-Ⅰ和AUV-Ⅱ的状态和状态估计误差协方差。
采用两个AUV已完成动态对接的试验数据来验证本文定位算法的有效性。由于很难准确测得AUV水下航行的运动过程噪声及USBL的观测噪声,因此,噪声方差皆是根据经验估计所得。超短基线的定位误差根据作业距离的变化而变化。当作业距离大时,测量误差很大。因此,本文假设作业距离超过50米时,测量值由于误差太大不可信。当作业距离小于50米时,假设其观测误差的方差为[5 0;0 5]。AUV-Ⅰ和AUV-Ⅱ的运动过程噪声皆为[0.12 0;012]。试验数据分析结果如下:
1)AUV-Ⅰ的初始状态为[800 300 235°]T,AUV-Ⅱ的初始状态为[630 185 235°]T。AUV-Ⅰ和AUV-Ⅱ分别以1.5节和1节的期望速度航行。分别采用EKF-SLAM和GBDT-EKF-SLAM定位算法,定位结果如图4-5:
2)AUV-Ⅰ的初始状态为[800 300 235°]T,AUV-Ⅱ的初始状态为[620 210 235°]T。AUV-Ⅰ和AUV-Ⅱ分别以1.5节和1节的期望速度航行。分别采用EKF-SLAM和GBDT-EKF-SLAM定位算法,定位结果如图6-7:
3)AUV-Ⅰ的初始状态为[800 300 235°]T,AUV-Ⅱ的初始状态为[624 154 235°]T。AUV-Ⅰ和AUV-Ⅱ分别以1节和0.5节的期望速度航行。分别采用EKF-SLAM和GBDT-EKF-SLAM定位算法,定位结果如图8-9所示。
图4、6、8中蓝色线和黑色线分别表示AUV-Ⅰ和AUV-Ⅱ在x方向,y方向的估计轨迹。红色线表示由IMU记录的AUV-Ⅰ和AUV-Ⅱ的真实轨迹。图5、7、9中蓝色线和洋红色线分别表示采用基于EKF-SLAM和GBDT-EKF-SLAM估计位置与IMU记录位置的偏差。从上图可以看出,尽管USBL存在较大的观测噪声,基于EKF-SLAM和GBDT-EKF-SLAM的定位算法均将定位误差控制在了一个可接受范围内。并且基于GBDT-EKF-SLAM的定位效果优于原始的EKF-SLAM算法。
Claims (10)
1.一种用于两个运动AUV的同时定位方法,其特征在于包括以下步骤:
利用AUV的实际航行数据回归拟合AUV运动模型的梯度下降决策树,得到AUV单位时间模型航行里程到实际航行里程的映射关系;
定义两个AUV的初始状态和初始状态估计误差协方差并初始化;定义过程噪声和观测噪声的统计特性并初始化;
两个AUV相互通信共享其控制输入信息;根据两个AUV的控制输入量计算单位时间的模型航行里程,并根据上述映射关系得到AUV的实际航行里程,进而分别预测两个AUV的状态和状态估计误差协方差;
利用超短基线测出两个AUV在x、y方向的相对距离,并分别更新两个AUV的状态和状态估计误差协方差,从而实现两个运动AUV的同时定位。
2.根据权利要求1所述的一种用于两个运动AUV的同时定位方法,其特征在于所述AUV的实际航行数据包括:待回收AUV-Ⅰ和携带回收装置的AUV-Ⅱ在过去的实际航行中由传感器记录的AUV的速度v、方向ψ及位置信息(x,y)。
3.根据权利要求1所述的一种用于两个运动AUV的同时定位方法,其特征在于所述回归拟合AUV运动模型的梯度下降决策树包括:
通过AUV-Ⅰ的实际航行速度vv、实际航向角ψv、单位时间dt以及运动模型f分别计算得到AUV-Ⅰ在x、y方向走过的距离Δxv、Δyv;利用AUV-Ⅰ搭载的传感器分别记录dt时间内在x、y方向走过的实际距离dxv、dyv;定义{(Δxv,dxv)}为第一个GBDT训练集的样本、{(Δyv,dyv)}为第二个GBDT训练集的样本;
通过AUV-Ⅱ的实际航行速度vf、实际航向角ψf、单位时间dt以及运动模型f分别计算得到AUV-Ⅱ在x、y方向走过的距离Δxf、Δyf;利用AUV-Ⅱ搭载的传感器分别记录dt时间内在x、y方向走过的实际距离dxf、dyf;定义{(Δxf,dxf)}为第三个GBDT训练集的样本、{(Δyf,dyf)}为第四个GBDT训练集的样本;
利用梯度下降决策树算法训练上述四个GBDT训练集,分别得到Δxv到dxv、Δyv,到dyv、Δxf到dxf、Δyf到dyf的映射关系。
5.根据权利要求1所述的一种用于两个运动AUV的同时定位方法,其特征在于所述定义两个AUV的初始状态和初始状态估计误差协方差并初始化包括:
定义EKF-SLAM算法的状态变量X(k)=[Xv(k) Xf(k)]T;式中,Xv(k)=[xv,k yv,k ψv,k]T是k时刻AUV-Ⅰ位置的横、纵坐标以及航向角的状态变量,Xf(k)=[xf,k yf,k ψf,k]T是k时刻AUV-Ⅱ位置的横、纵坐标以及航向角的状态变量;
根据AUV-Ⅰ和AUV-Ⅱ初始时刻的位置信息和航向角信息初始化状态变量X(k);初始化k时刻状态估计误差协方差矩阵P(k),初始时刻P(0)为6行6列的零矩阵。
6.根据权利要求1所述的一种用于两个运动AUV的同时定位方法,其特征在于所述定义过程噪声和观测噪声的统计特性并初始化包括:
假设系统过程噪声和观测噪声皆为零均值高斯白噪声,定义统计特性如下:
E[n1(k)]=0,E[n1(k)n1(k)T]=Q1
E[n2(k)]=0,E[n2(k)n2(k)T]=Q2
E[m(k)]=0,E[m(k)m(k)T]=R
E[n1(k)n2(j)T]=0,E[n1(k)m(j)T]=0,E[n2(k)m(j)T]=0
其中,AUV-Ⅰ的高斯运动过程噪声为n1,AUV-Ⅱ的高斯运动过程噪声为n2,观测噪声为m,E表示期望,k、j表示时刻;
初始化:n1的均值为零,方差为Q1;n2的均值为零,方差为Q2;m的均值为零,方差为R;n1、n2和m之间彼此不相关,即它们之间的协方差为零。
7.根据权利要求1所述的一种用于两个运动AUV的同时定位方法,其特征在于所述两个AUV相互通信共享其控制输入信息为:
定义k时刻AUV-Ⅰ的控制输入变量uv(k)=[vv,Gv],AUV-Ⅱ的控制输入变量uf(k)=[vf,Gf];其中,V表示速度,G表示偏航角,下标v表示AUV-Ⅰ,下标f表示AUV-Ⅱ;
AUV-Ⅱ将其控制输入uf(k)通过水声通讯设备发送至AUV-Ⅰ的主控计算机。
8.根据权利要求1所述的一种用于两个运动AUV的同时定位方法,其特征在于所述根据两个AUV的控制输入量计算单位时间的模型航行里程,并根据上述映射关系得到AUV的实际航行里程,进而分别预测两个AUV的状态和状态估计误差协方差:
根据AUV-Ⅰ和AUV-Ⅱ的控制输入变量uv(k)=[vv,Gv]、uf(k)=[vf,Gf]计算AUV-Ⅰ和AUV-Ⅱ单位时间的模型航行里程,并根据映射关系得到AUV-Ⅰ和AUV-Ⅱ在x、y方向单位时间dt内走过的距离dxv,dyv,dxf,dyf;
状态估计误差协方差的预测方程为:
9.根据权利要求1所述的一种用于两个运动AUV的同时定位方法,其特征在于所述利用超短基线测出两个AUV在x、y方向的相对距离为:AUV-Ⅱ携带超短基线的收发器,AUV-Ⅰ携带超短基线的应答器,AUV-Ⅱ分别解算两个AUV在x方向和y方向之间相对距离,并通过水声通讯设备发送至AUV-Ⅰ的主控计算机。
10.根据权利要求1所述的一种用于两个运动AUV的同时定位方法,其特征在于所述分别更新两个AUV的状态和状态估计误差协方差为:
a.当接收到最新的观测值Z(k)=[Z(x),Z(y)]T时,计算观测值残差矩阵υ(k)及残差协方差矩阵S(k)和卡尔曼增益K(k),如下:
S(k)=H(k)P(k|k-1)H(k)T+R
K(k)=P(k|k-1)HT(k)S(k)-1
式中,H(k)是非线性传感器观测方程h对X(k)的偏导数的雅可比矩阵,非线性观测方程h为:
式中,ψf为AUV-Ⅱ的航向角,α为中间变量,xv,yv分别为AUV-Ⅰ位置的横纵坐标,xf,yf分别为AUV-Ⅱ位置的横纵坐标,Z(x)、Z(y)分别表示由相对距离转换得到的AUV-Ⅰ在AUV-Ⅱ坐标系下的位置的横纵坐标;
b.按照下式更新状态和状态估计误差协方差矩阵:
P(k)=(I-K(k)H(k))P(k|k-1)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910421528.9A CN111982098B (zh) | 2019-05-21 | 2019-05-21 | 一种用于两个运动auv的同时定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910421528.9A CN111982098B (zh) | 2019-05-21 | 2019-05-21 | 一种用于两个运动auv的同时定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111982098A true CN111982098A (zh) | 2020-11-24 |
CN111982098B CN111982098B (zh) | 2023-12-29 |
Family
ID=73435795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910421528.9A Active CN111982098B (zh) | 2019-05-21 | 2019-05-21 | 一种用于两个运动auv的同时定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111982098B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114610021A (zh) * | 2022-02-07 | 2022-06-10 | 哈尔滨工程大学 | 一种自主式水下航行器归航路径规划方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8346415B1 (en) * | 2009-10-24 | 2013-01-01 | The Boeing Company | Autonomous underwater navigation |
CN107976188A (zh) * | 2017-10-12 | 2018-05-01 | 浙江大学 | 一种基于测距声通的auv回坞导航方法 |
CN108151733A (zh) * | 2016-12-05 | 2018-06-12 | 中国科学院沈阳自动化研究所 | 面向auv入坞的ins/usbl组合导航定位方法 |
CN108318034A (zh) * | 2018-01-09 | 2018-07-24 | 浙江大学 | 一种基于声呐地图的auv回坞导航方法 |
CN108680170A (zh) * | 2018-06-20 | 2018-10-19 | 浙江大学 | 基于电磁波衰减原理的auv回坞导航系统及方法 |
-
2019
- 2019-05-21 CN CN201910421528.9A patent/CN111982098B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8346415B1 (en) * | 2009-10-24 | 2013-01-01 | The Boeing Company | Autonomous underwater navigation |
CN108151733A (zh) * | 2016-12-05 | 2018-06-12 | 中国科学院沈阳自动化研究所 | 面向auv入坞的ins/usbl组合导航定位方法 |
CN107976188A (zh) * | 2017-10-12 | 2018-05-01 | 浙江大学 | 一种基于测距声通的auv回坞导航方法 |
CN108318034A (zh) * | 2018-01-09 | 2018-07-24 | 浙江大学 | 一种基于声呐地图的auv回坞导航方法 |
CN108680170A (zh) * | 2018-06-20 | 2018-10-19 | 浙江大学 | 基于电磁波衰减原理的auv回坞导航系统及方法 |
Non-Patent Citations (3)
Title |
---|
VALLICROSA, G ET AL.: "AUV Single Beacon Range-Only SLAM with a SOG Filter", 《 IFAC》, vol. 48, no. 2, pages 26 - 31 * |
孙海涛;晏正新;王;张皓;: "AUV视觉与短基线定位自适应融合方法", 四川兵工学报, no. 05, pages 65 - 67 * |
裘天佑等: "一种基于超短基线定位的便携式AUV回坞导航方法", 《海洋技术学报》, vol. 38, no. 2, pages 36 - 42 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114610021A (zh) * | 2022-02-07 | 2022-06-10 | 哈尔滨工程大学 | 一种自主式水下航行器归航路径规划方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111982098B (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mu et al. | End-to-end navigation for autonomous underwater vehicle with hybrid recurrent neural networks | |
CN111486845B (zh) | 基于海底地形匹配的auv多策略导航方法 | |
Jaulin | A nonlinear set membership approach for the localization and map building of underwater robots | |
CN106772524B (zh) | 一种基于秩滤波的农业机器人组合导航信息融合方法 | |
CN109186610B (zh) | 一种auv地形匹配导航的鲁棒bslam方法 | |
Chen et al. | RBPF-MSIS: Toward rao-blackwellized particle filter SLAM for autonomous underwater vehicle with slow mechanical scanning imaging sonar | |
CN112710304B (zh) | 一种基于自适应滤波的水下自主航行器导航方法 | |
CN113433553B (zh) | 一种水下机器人多源声学信息融合精确导航方法 | |
CN110209180A (zh) | 一种基于HuberM-Cubature卡尔曼滤波的无人水下航行器目标跟踪方法 | |
Demim et al. | Simultaneous localisation and mapping for autonomous underwater vehicle using a combined smooth variable structure filter and extended kalman filter | |
Zhang et al. | An integrated navigation method for small-sized AUV in shallow-sea applications | |
CN113532439B (zh) | 输电线路巡检机器人同步定位与地图构建方法及装置 | |
CN111982098B (zh) | 一种用于两个运动auv的同时定位方法 | |
Jiang et al. | Modeling of unbounded long-range drift in visual odometry | |
Walls et al. | Belief space planning for underwater cooperative localization | |
Chen et al. | Learning trajectories for visual-inertial system calibration via model-based heuristic deep reinforcement learning | |
CN113989327B (zh) | 一种基于卷积神经网络粒子滤波算法的单uuv目标状态估计方法 | |
CN115373383A (zh) | 一种垃圾回收无人艇的自主避障方法、装置及相关设备 | |
Pedersen | Science target assessment for Mars rover instrument deployment | |
CN115902930A (zh) | 一种面向船舶检测的无人机室内建图与定位方法 | |
Chen et al. | Range-only SLAM for underwater navigation system with uncertain beacons | |
Aghli et al. | Online system identification and calibration of dynamic models for autonomous ground vehicles | |
Tripathi et al. | Robust target localization and tracking using Kalman filtering for UGV-UAV coordinated operation | |
Chou et al. | Extrinsic calibration of a ground penetrating radar | |
Oruc et al. | Nonlinear System Identification and Motion Control Design for an Unmanned Underwater Vehicle |
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 |