CN113804188B - 一种基于随机分布节点的水下机器人导航方法 - Google Patents
一种基于随机分布节点的水下机器人导航方法 Download PDFInfo
- Publication number
- CN113804188B CN113804188B CN202111040826.7A CN202111040826A CN113804188B CN 113804188 B CN113804188 B CN 113804188B CN 202111040826 A CN202111040826 A CN 202111040826A CN 113804188 B CN113804188 B CN 113804188B
- Authority
- CN
- China
- Prior art keywords
- auv
- measurement
- state
- node
- underwater robot
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000005259 measurement Methods 0.000 claims abstract description 61
- 238000004891 communication Methods 0.000 claims abstract description 10
- 230000007704 transition Effects 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 5
- 239000000203 mixture Substances 0.000 claims description 3
- 238000012952 Resampling Methods 0.000 claims description 2
- 238000003491 array Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000010354 integration Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
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
- G01C21/10—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
- G01C21/1652—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 with ranging devices, e.g. LIDAR or RADAR
-
- 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
- G01C21/203—Specially adapted for sailing ships
-
- 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
- G01S15/86—Combinations of sonar systems with lidar systems; Combinations of sonar systems with systems not using wave reflection
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Networks & Wireless Communication (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明涉及水下机器人定位技术,旨在提供一种基于随机分布节点的水下机器人导航方法。包括步骤:获取水下机器人AUV的测距数据和运动参数;导入数据,建立量测随机有限集;建立目标状态有限集;状态更新;重复前述步骤,直到导航时间结束;在导航时间结束后回收设备,导出水下机器人路径估计及节点分布信息,并给出估计误差。本发明能充分描述状态和量测之间的不确定性,且不需要数据关联过程,提高了定位精度和抗干扰能力,实现了复杂环境下对AUV的位置估计和跟踪。仅需对水下机器人安装具有测距功能的声纳或通信机,无需其它辅助装置;测距声纳安装简便,导航算法程序移植性好。协同导航精度显著提高,稳定可靠,结果准确。
Description
技术领域
本发明涉及水下机器人定位技术,尤其涉及一种基于随机分布节点的水下机器人导航方法与装置。
背景技术
水下机器人技术是一种新兴的海洋智能制造技术,在国内外受到广泛应用。水下机器人是一种能够在水面以下几米甚至上千米、上万米深度进行航行的机器人。与无人机、无人车和无人船相比,水下机器人所处的任务环境更为复杂,所使用的传感器和推进系统也不同。具体表现在:1)高频无线电波在水下十几米以下深度无法使用,将会导致操作人员与水下机器人难以保持良好的通信联系;而采用水声通信机,不仅成本高,且通信速率与容量都无法与无线电波相比;2)单台高精度水下机器人导航设备成本高昂,制约了大规模水下机器人群体的进一步应用;3)水下无法收到北斗、GPS等卫星定位信号,水下机器人等水下移动载体无法进行基于卫星定位的导航和定位。
目前单台水下机器人的导航技术已无法满足在多水下机器人群体实际应用的需求。由于海洋环境的复杂多变性、多水下机器人定位、长航时和长距离动态定位要求,迫切需要一种适用于多水下机器人协同导航的装置和算法,这不仅可以提高多水下机器人的导航能力,还可以促进水下机器人群体应用范围扩大和功能提升。
发明内容
本发明要解决的技术问题是,克服现有技术中的不足,提供一种基于随机分布节点的水下机器人导航方法。
为解决技术问题,本发明专利所采用的技术方案是:
提供一种基于随机分布节点的水下机器人导航方法,包括以下步骤:
步骤一:获取水下机器人AUV的测距数据和运动参数
利用AUV携带的测距声呐或通信机测量其与随机分布节点之间的距离,利用AUV携带的传感器进行运动参数测量;
步骤二:导入数据,建立量测随机有限集
给定AUV初始位姿信息作为先验信息,并向导航软件的量测模型中导入AUV的测距数据和运动参数;以量测模型对导入的信息进行解析,形成量测随机有限集;
步骤三:建立目标状态有限集
利用基于随机有限集的贝叶斯滤波,针对线性或非线条条件选择一个近似多目标滤波器进行滤波;利用AUV的先验信息和量测随机有限集得到节点位置的初始估计,形成由AUV状态和节点信息组成的目标状态有限集;将目标状态有限集导入AUV的导航软件,用于控制行进方向及路径;
步骤四:状态更新
利用新获取的量测信息对目标状态进行更新,通过状态提取获得水下机器人状态和节点位置坐标的估计结果,对目标状态有限集的数据进行更新;
步骤五:重复上述步骤二至步骤四,直到导航时间结束;
步骤六:在导航时间结束后回收设备,导出水下机器人路径估计及节点分布信息,并给出估计误差。
发明原理描述:
本发明提出了一种基于随机分布节点的水下机器人导航方法。该方法面向随机分布多节点导航场景,在传统运动学和量测模型的基础上,基于随机有限集理论对AUV和信标组成的系统进行建模,并利用随机集相关理论和基于随机有限集的滤波器求解目标状态后验概率密度的近似值,设计基于RFS的迭代算法实现对AUV的持续定位以及对信标位置的估计。该方法能充分描述状态和量测之间的不确定性,且不需要数据关联过程,提高了定位精度和抗干扰能力,实现了复杂环境下对AUV的位置估计和跟踪。
与现有技术相比,本发明专利的有益效果在于:
1、经过实验验证表明,与传统方法对比,本文提出的基于随机有限集的面向随机分布多信标AUV定位方法可以实现AUV准确定位和信标位置估计,具有更高的定位精度,且具有更优的抗干扰性能和稳定性,AUV定位平均误差相较EKF-SLAM、FastSLAM减少40%以上,在较复杂环境中仍能保证AUV的定位精度。
3、在硬件配置方面,本发明仅需每个水下机器人或其他水下载体安装1台具有测距功能的声纳或通信机,无需其它辅助装置;测距声纳安装简便,导航算法程序移植性好。
3、本发明对水下机器人的测距数据、运动参数进行数据融合,协同导航精度显著提高;稳定可靠,结果准确。
4、本发明不但可以应用于水下机器人群体,还可以用于其它海洋相关设备群体,可适用于对水下移动目标的监控,应用范围广。
附图说明
图1是本发明的实现流程示意图;
图2是随机有限集建模示意图。
具体实施方式
首先需要说明的是,本发明专利涉及水下机器人技术、导航定位技术和人工智能技术。在发明专利的实现过程中,可能会涉及到多个软件功能模块的应用。申请人认为,如在仔细阅读申请文件、准确理解本发明专利的实现原理和发明专利目的以后,在结合现有公知技术的情况下,本领域技术人员完全可以运用其掌握的技术实现本发明专利。凡本发明专利申请文件提及的均属范畴,申请人不一一列举。另外,本发明专利的实现依赖于多种计算机、板卡的应用,而这些仪器均为现有技术,且有成熟产品可市场购置获得。
利用本发明专利的方法进行基于随机分布节点的自主水下机器人(简称AUV)导航方法,导航方法示意图如图1所示,具体包含以下几个步骤:
步骤一:获取水下机器人AUV的测距数据和运动参数
利用AUV携带的测距声呐或通信机测量其与随机分布节点之间的距离。随机分布节点是指由多个放置在不同位置的具有通信或测距功能的水下信号装置(如水下信标)组成的阵列,各节点的深度由其携带的压力计或深度传感器获取;
利用AUV携带的传感器进行运动参数测量;对AUV的运动参数测量包括:以速度传感器测量航速,即纵向速度u和左向速度v;以罗盘或航向角传感器测量艏向角ψ;以压力计或深度传感器测量深度d;以角速率陀螺或惯性测量单元测量艏向角速率w。
步骤二:导入数据,建立量测随机有限集
给定AUV初始位姿信息作为先验信息,并向导航软件的量测模型中导入AUV的测距数据和运动参数;以量测模型对导入的信息进行解析,形成量测随机有限集;
该步骤中具体包括:
对步骤一中获取的测距数据和运动参数进行滤波处理,生成用于估算节点位置的横坐标x和纵坐标y;
假设k时刻得到的第i个节点位置为则AUV在k时刻与第i个节点间的相对距离如式(1)所示:
其中,表示k时刻AUV与第i个节点之间的距离(i=1,2,...,N),N表示节点的数量,下标k表示第k时刻;dk、/>分别表示k时刻AUV以及第i个节点的所处深度,分别由各自的深度传感器测得;/>表示k时刻与第i个节点相关的量测噪声;
根据k-1时刻和k时刻AUV与第i个节点间的相对距离,联立方程组求解AUV位置与节点位置间的关系;在AUV非直线运动的情况下,能够求得唯一解并得到如式(2)所示的量测模型:
其中,表示坐标形式下,k时刻与第i节点有关的量测噪声。
实现AUV定位至少需要同时得到3个节点的量测信息,并借助第4个节点的量测进行校验;考虑到节点自身位置未知,还需要对节点进行位置估计,因此应提供尽可能多的量测信息来实现AUV精确定位和节点位置估计。
步骤三:建立目标状态有限集
利用基于随机有限集的贝叶斯滤波,针对线性或非线条条件选择一个近似多目标滤波器进行滤波;利用AUV的先验信息和量测随机有限集得到节点位置的初始估计,形成由AUV状态和节点信息组成的目标状态有限集;将目标状态有限集导入AUV的导航软件,用于控制行进方向及路径;
在随机分布多节点AUV定位的情境下,随着AUV的移动,各节点在AUV测量范围内不断出现并消失,因此系统状态是在不断变化的;考虑到量测噪声、检测概率以及杂波等因素的影响,获得的量测数据也具有一定随机性。
随机有限集建模示意图如图2所示。
(1)建立基于随机有限集(RFS)的模型
基于RFS理论进行建模,将节点状态视作目标状态的一部分,把目标状态和量测信息都表示成随机有限集:
状态随机有限集Xk如式(3)所示:
其中Xk表示k时刻的所有状态的组合,包括该时刻的位置状态及检测到的节点状态;表示到k时刻已观测到的节点状态,/>表示AUV状态;作为同一状态集中的元素,节点状态维度需和AUV状态保持一致,以便后续共用一个滤波器;
取节点的航向角为0,表述为
对于不同时刻,状态集可能出现的情况包括:由于海流或控制异常导致位置状态异常;AUV和节点状态仍然存在,并转移到新的状态;节点状态在传感器视场内消失;有新的节点状态出现。
k时刻状态随机有限集可以描述为
Xk={Sk|k-1(Xk-1)∪Bk(Xk)}∪Ck (5)
其中Sk|k-1(Xk-1)表示k时刻继续存在的目标状态有限集,当其为时,表示该目标已消失;Bk(Xk)为k时刻新出现的状态集;Ck表示偏差异常的状态随机有限集,表示由于海流、控制输入等引起偏差异常的状态。
k时刻的量测有限集为:
其中表示Xk中的元素/>构成的集合,/>表示k时刻由第i个信标状态/>产生的真实量测有限集,其中/>中的元素为当前时刻的真实量测,Γk表示杂波造成的虚假量测集。
(2)建立基于RFS的贝叶斯滤波
利用多目标贝叶斯滤波框架搭建基于RFS的估计和更新递推过程,以实现计算AUV和节点状态的联合后验概率密度;
设AUV初始位置为原点,通过量测集来估计节点分布状况;同时求解目标状态集的后验概率密度,借助状态转移概率和量测集更新AUV状态;目标状态集后验概率密度包含了从第1时刻开始持续到k时刻为止这段时间内目标状态历史的完整信息;
从第1时刻到k-1时刻的状态估计过程表达式为
fk|k-1(Xk|Z1:k-1)=∫fk|k-1(Xk|Xk-1)fk-1|k-1(Xk-1|Z1:k-1)dXk-1 (7)
从第1时刻到k-1时刻的状态更新过程表达式为
其中,Zk表示从第1时刻到k-1时刻的量测集,fk|k-1(Xk|Xk-1)表示目标状态转移概率密度,包含目标状态变化的所有要素;gk(Zk|Xk)为k时刻量测集的似然函数;式(7)和(8)均为集合积分。
所述状态转移密度的获取方法为:
首先构造状态随机集的信任质量函数βk|k-1(χ|Xk-1),然后根据信任质量函数和多目标概率密度转换关系求解状态转移密度fk|k-1(Xk|Xk-1);χ表示所有目标状态组成的全集;
设j=1,2,...,N+1,则是Xk的第j个元素。状态随机有限集Xk单一元素的转移概率密度表达式为
式中,为新生概率,/>为转移概率,表示/>以/>转移到新状态 分别为单一元素目标状态转移概率密度和目标概率密度。
所述似然函数具体包括:
设杂波的随机集Γk为泊松过程,杂波密度为λ,杂波的空间分布密度为c(z),量测的检测范围区域大小为s。假定各量测之间相互独立,则量测集的似然函数可描述为:
其中,是zk的第i个元素,表示k时刻第i个节点对应的量测集;/>是量测集单一元素的似然函数。
(3)设置近似多目标滤波器
由于目标状态随机集的联合后验概率密度面临集合的多维集积分运算,难以直接计算,需要选择合适的近似多目标滤波器才能实现算法;
在线性条件下,采用高斯混合概率假设密度(GM-PHD)滤波器,其使用过程包括:预测过程、更新过程和合并与修剪过程。在非线性条件下,采用序贯蒙特卡罗概率假设密度(SMC-PHD)滤波器,其使用过程包括:预测过程、更新过程、重采样过程和状态提取过程。
步骤四:状态更新
利用新获取的量测信息对目标状态进行更新,进行状态提取以获得水下机器人状态和节点位置坐标的估计结果;具体地,按照如下步骤完成状态更新
i)计算似然函数。设杂波的随机集Γk为泊松过程,杂波密度为λ,杂波的空间分布密度为c(·),量测的检测范围区域大小为s,则似然函数表达式为
其中表示传感器性能的度量,/>表示即能检测到目标的概率,与传感器检测性能相关,一般假设为接近1的常数,/>表示杂波虚警等带来的错误量测带来的影响,/>表示/>的空间分布密度,M代表量测集zk元素的数量,j=1,2,...,N+1。
ii)利用式(9)获得更新后的转移概率密度。
iii)利用式(7)和(8)获得水下机器人状态和节点位置坐标的估计结果。
步骤五:重复上述步骤二至步骤四,直到导航时间结束。
步骤六:在导航完成之后回收设备,导出水下机器人路径估计及节点分布信息,并给出估计误差。
Claims (4)
1.一种基于随机分布节点的水下机器人导航方法,其特征在于,包括以下步骤:
步骤一:获取水下机器人AUV的测距数据和运动参数
利用AUV携带的测距声呐或通信机测量其与随机分布节点之间的距离,利用AUV携带的传感器进行运动参数测量;
所述随机分布节点是指由多个放置在不同位置的具有通信或测距功能的水下信号装置组成的阵列,各节点的深度由其携带的压力计或深度传感器获取;
对AUV的运动参数测量包括:以速度传感器测量航速,即纵向速度u和左向速度v;以罗盘或航向角传感器测量艏向角ψ;以压力计或深度传感器测量深度d;以角速率陀螺或惯性测量单元测量艏向角速率w;
步骤二:导入数据,建立量测随机有限集
给定AUV初始位姿信息作为先验信息,并向导航软件的量测模型中导入AUV的测距数据和运动参数;以量测模型对导入的信息进行解析,形成量测随机有限集;具体包括:
对步骤一中获取的测距数据和运动参数进行滤波处理,生成用于估算节点位置的横坐标x和纵坐标y;
根据k-1时刻和k时刻AUV与第i个节点间的相对距离,联立方程组求解AUV位置与节点位置间的关系;在AUV非直线运动的情况下,能够求得唯一解并得到如式(2)所示的量测模型:
其中,i=1,2,…,N,N表示节点的数量,下标k表示第k时刻;表示坐标形式下,k时刻与第i节点有关的量测噪声;
步骤三:建立目标状态有限集
利用基于随机有限集的贝叶斯滤波,针对线性或非线条条件选择一个近似多目标滤波器进行滤波;利用AUV的先验信息和量测随机有限集得到节点位置的初始估计,形成由AUV状态和节点信息组成的目标状态有限集;将目标状态有限集导入AUV的导航软件,用于控制行进方向及路径;具体包括:
(1)建立基于随机有限集的模型
基于RFS理论进行建模,将节点状态视作目标状态的一部分,把目标状态和量测信息都表示成随机有限集,在此基础上获得基于RFS的量测随机有限集;
(2)建立基于RFS的贝叶斯滤波
设AUV初始位置为原点,通过量测集来估计节点分布状况;同时求解目标状态集的后验概率密度,借助状态转移概率和量测集更新AUV状态;目标状态集后验概率密度包含了从第1时刻开始持续到k时刻为止这段时间内目标状态历史的完整信息;
目标状态随机有限集Xk的转移模型以及似然函数分别由目标状态转移概率密度fk|k-1(Xk|Xk-1)和时刻量测集的似然函数gk(Zk|Xk)描述;fk|k-1(Xk|Xk-1)包含目标状态变化的所有要素;
所述状态转移概率密度的获取方法为:
首先构造状态随机集的信任质量函数βk|k-1(χ|Xk-1),然后根据信任质量函数和多目标概率密度转换关系求解目标状态转移概率密度fk|k-1(Xk|Xk-1);χ表示所有目标状态组成的全集;
所述似然函数具体包括:
假定各量测集之间相互独立,量测集的似然函数:
其中,Zk i表示k时刻第i个节点对应的量测集;
(3)设置近似多目标滤波器
由于目标状态随机集的联合后验概率密度面临集合的多维集积分运算,选择以下的近似多目标滤波器进行计算:
在线性条件下,采用高斯混合概率假设密度滤波器;在非线性条件下,采用序贯蒙特卡罗概率假设密度滤波器;
步骤四:状态更新
利用新获取的量测信息对目标状态进行更新,通过状态提取获得水下机器人状态和节点位置坐标的估计结果,对目标状态有限集的数据进行更新;
步骤五:重复上述步骤二至步骤四,直到导航时间结束。
2.根据权利要求1所述的方法,其特征在于,所述的高斯混合概率假设密度滤波器的使用过程包括:预测过程、更新过程和合并与修剪过程。
3.根据权利要求1所述的方法,其特征在于,所述的序贯蒙特卡罗概率假设密度滤波器的使用过程包括:预测过程、更新过程、重采样过程和状态提取过程。
4.根据权利要求1至3任意一项中所述的方法,其特征在于,在所述步骤五之后,还进一步包括步骤六:在导航时间结束后回收设备,导出水下机器人路径估计及节点分布信息,并给出估计误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111040826.7A CN113804188B (zh) | 2021-09-06 | 2021-09-06 | 一种基于随机分布节点的水下机器人导航方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111040826.7A CN113804188B (zh) | 2021-09-06 | 2021-09-06 | 一种基于随机分布节点的水下机器人导航方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113804188A CN113804188A (zh) | 2021-12-17 |
CN113804188B true CN113804188B (zh) | 2024-02-09 |
Family
ID=78940637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111040826.7A Active CN113804188B (zh) | 2021-09-06 | 2021-09-06 | 一种基于随机分布节点的水下机器人导航方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113804188B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104821854A (zh) * | 2015-03-03 | 2015-08-05 | 北京科技大学 | 一种基于随机集的多主用户多维频谱感知方法 |
CN106403953A (zh) * | 2016-09-05 | 2017-02-15 | 江苏科技大学 | 一种用于水下自主导航与定位的方法 |
CN107193009A (zh) * | 2017-05-23 | 2017-09-22 | 西北工业大学 | 一种模糊自适应多交互模型的多uuv协同系统水下目标跟踪算法 |
CN107589749A (zh) * | 2017-09-19 | 2018-01-16 | 浙江大学 | 水下机器人自主定位与节点地图构建方法 |
CN110926458A (zh) * | 2019-09-30 | 2020-03-27 | 天津大学 | 一种可实现精准、原位观测且可重复布放回收的海床基 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11137490B2 (en) * | 2014-09-16 | 2021-10-05 | Teknologian Tutkimuskeskus Vtt | Navigational aid with adaptive radar |
-
2021
- 2021-09-06 CN CN202111040826.7A patent/CN113804188B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104821854A (zh) * | 2015-03-03 | 2015-08-05 | 北京科技大学 | 一种基于随机集的多主用户多维频谱感知方法 |
CN106403953A (zh) * | 2016-09-05 | 2017-02-15 | 江苏科技大学 | 一种用于水下自主导航与定位的方法 |
CN107193009A (zh) * | 2017-05-23 | 2017-09-22 | 西北工业大学 | 一种模糊自适应多交互模型的多uuv协同系统水下目标跟踪算法 |
CN107589749A (zh) * | 2017-09-19 | 2018-01-16 | 浙江大学 | 水下机器人自主定位与节点地图构建方法 |
CN110926458A (zh) * | 2019-09-30 | 2020-03-27 | 天津大学 | 一种可实现精准、原位观测且可重复布放回收的海床基 |
Non-Patent Citations (1)
Title |
---|
水下机器人提高海洋石油钻井水声差分定位准确性分析;房泽岩,等;《化工管理》;120-121 * |
Also Published As
Publication number | Publication date |
---|---|
CN113804188A (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jin et al. | Environmental boundary tracking and estimation using multiple autonomous vehicles | |
CN110849369B (zh) | 机器人跟踪方法、装置、设备及计算机可读存储介质 | |
CN108896047B (zh) | 分布式传感器网络协同融合与传感器位置修正方法 | |
CN110209180B (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 | |
CN110967017B (zh) | 一种用于双移动机器人刚体协作搬运的协同定位方法 | |
CN116734860A (zh) | 一种基于因子图的多auv自适应协同定位方法及系统 | |
CN116772867A (zh) | 一种基于因子图的节点优选的多auv自适应协同定位方法及系统 | |
CN113709662B (zh) | 一种基于超宽带的自主式三维反演定位方法 | |
Shin et al. | Informative multiview planning for underwater sensors | |
Thomas et al. | Comparison of nearest neighbor and probabilistic data association filters for target tracking in cluttered environment | |
CN113804188B (zh) | 一种基于随机分布节点的水下机器人导航方法 | |
CN118111430A (zh) | 基于最小误差熵卡尔曼的交互多模型auv组合导航方法 | |
CN116793366A (zh) | 一种动态拓扑下基于因子图的多auv协同定位方法及系统 | |
CN116255983A (zh) | 多传感器组合的水下航行器导航定位方法和系统 | |
Tuohy et al. | Map based navigation for autonomous underwater vehicles | |
CN114415157B (zh) | 一种基于水声传感器网络的水下目标多模型跟踪方法 | |
CN115755009A (zh) | 一种多水下机器人分布式协同定位方法及系统 | |
CN114339595B (zh) | 一种基于多模型预测的超宽带动态反演定位方法 | |
Tsyganov et al. | Adaptive eetimation of a moving object trajectory using sequential hypothesis testing | |
Vlastos et al. | Applied partitioned ordinary kriging for online updates for autonomous vehicles | |
CN111982098A (zh) | 一种用于两个运动auv的同时定位方法 | |
CN112445244B (zh) | 一种多自主水下机器人的目标搜寻方法 | |
CN113448338B (zh) | 机器人控制方法、机器人、计算机程序产品和存储介质 | |
CN117824664B (zh) | 基于多波束测深声呐的自主无人系统主动slam方法 | |
Fang et al. | Range-aided Localization in Noisy Wireless Sensor Networks |
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 |