CN113989327A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN113989327A
CN113989327A CN202111251248.1A CN202111251248A CN113989327A CN 113989327 A CN113989327 A CN 113989327A CN 202111251248 A CN202111251248 A CN 202111251248A CN 113989327 A CN113989327 A CN 113989327A
Authority
CN
China
Prior art keywords
target
uuv
state
coordinate system
state estimation
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
Application number
CN202111251248.1A
Other languages
English (en)
Other versions
CN113989327B (zh
Inventor
林常见
王雪松
程玉虎
王国庆
孟振
周淑燕
马磊
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.)
China University of Mining and Technology CUMT
Original Assignee
China University of Mining and Technology CUMT
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 China University of Mining and Technology CUMT filed Critical China University of Mining and Technology CUMT
Priority to CN202111251248.1A priority Critical patent/CN113989327B/zh
Publication of CN113989327A publication Critical patent/CN113989327A/zh
Application granted granted Critical
Publication of CN113989327B publication Critical patent/CN113989327B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • 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
    • G01S15/66—Sonar tracking systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30241—Trajectory

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明公开了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，对一段时域内目标观测状态进行采样，利用采样粒子拟合非高斯观测噪声的分布；建立基于卷积神经网络的预测网络描述非线性的声呐观测模型以及目标相对UUV的运动模型，对目标运动状态进行预测；利用卷积层和池化层的组合赋予预测网络一定的不变性，提高预测网络对不确定观测的适应能力。与现有方法相比，本发明可解决非线性非高斯强机动的UUV目标状态估计问题，克服由非高斯观测噪声导致的目标状态估计精度低和稳定性差等问题，摆脱了目标状态估计方法对目标观测时序性的依赖，使得本发明具有根据时序紊乱的目标观测，以高精度和强稳定性估计目标运动状态的能力。

Description

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
技术领域
本发明涉及属于目标跟踪领域，尤其涉及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。
背景技术
小型无人水下航行器(Unmanned Underwater Vehicle,UUV)具有灵活性高、隐蔽性好、活动范围广等优点，在资源勘测、搜救、监测等领域均得到了广泛的应用。对运动目标进行定位和状态估计是UUV实现自主导航和执行作战任务的前提。基于单UUV的水下目标状态估计是近年来研究的热点，针对多种传感设备的UUV水下目标状态估计也取得了显著进展。但受水下能见度和通信技术限制，许多感知设备在极地地区、中深海等水下环境中无法使用。因此，在实际应用中通常为UUV配备前视声呐系统以满足其自主航行和自主作业需求。目前，基于前视声呐的单UUV水下目标状态估计问题面临的主要挑战包括：高度非线性的观测系统、非高斯分布的观测噪声、声呐观测的不确定性、目标运动模型的未知性以及目标相对UUV运动的复杂性。针对上述问题，本发明提出了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。
发明专利CN1119313680A提出了一种基于GRU粒子滤波的UUV目标状态估计方法，克服了由目标复杂的动力学以及非线性和非高斯的观测造成的UUV目标状态估计稳定性差、精度低等问题。该方法首先在时序的测量状态中进行采样；然后利用GRU网络从按时间顺序排列的采样状态中提取与时间相关的目标运动特征信息，估计采样粒子状态；最后利用蒙特卡洛思想估计目标的状态。但受水声信道和水下环境波动的影响，基于前视声呐的观测具有一定的时间不确定性，声呐对目标的探测信号在传播过程中会发生延迟甚至丢失现象。因此，如何获得目标时序的测量信息是上述基于GRU粒子滤波算法的UUV目标状态估计方法的一大挑战。
发明内容
本发明基于上述技术问题提出了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，目的在于利用采样粒子近似非高斯观测噪声的分布；利用卷积神经网络非线性的表达能力描述UUV目标状态估计的状态方程，通过在训练集中的训练构建单UUV目标状态估计的状态空间；利用卷积层和池化层实现卷积神经网络的不变性，克服目标状态估计对目标观测时序性的依赖，最终实现高精度和强稳定性的单UUV目标状态估计方法。
本发明的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，包括如下步骤：
步骤1：建立单UUV目标状态估计坐标系统，包括：固定坐标系、UUV局部坐标系、前视声呐坐标系以及目标局部坐标系；
步骤2：建立UUV运动学模型、目标运动学模型以及前视声呐观测模型；
步骤3：建立单UUV目标状态估计问题状态方程；
步骤4：设计用于描述单UUV目标状态估计问题状态方程的预测网络；
步骤5：构建目标状态预测数据集；
步骤6：基于目标状态预测数据集对预测网络进行训练，建立单UUV目标状态估计问题状态空间；
步骤7：利用卷积神经网络粒子滤波算法进行单UUV目标状态估计；
进一步的，步骤7具体包括如下步骤：
步骤7.1，观测UUV在任务空间中航行，其自身携带的前视声呐不断探测周围环境，并记录对目标的观测值；
步骤7.2，将步骤7.1获得的目标在一段时域内的观测值转换成固定坐标系下目标的测量状态值，生成目标测量状态集；
步骤7.3，在步骤7.2生成的目标测量状态集中进行随机采样，得到M组采样粒子集；
步骤7.4，分别将M组采样粒子集输入到基于卷积神经网络的预测网络，转换成M组采样粒子预测状态；
步骤7.5，利用蒙特卡洛算法计算目标的估计状态。
与现有技术相比，本发明提供的一种基于卷积神经网络粒子滤波算法的单UUV目标状态估计方法的优势在于：本发明方法从一段时域内的观测状态集中进行采样，利用采样粒子拟合观测噪声的分布，建立基于卷积神经网络的预测网络描述非线性的声呐观测模型以及目标相对UUV的运动模型，对采样粒子携带的目标的运动状态进行预测。克服由非高斯观测噪声导致的目标状态估计精度低和稳定性差等问题，摆脱了目标状态估计方法对目标观测时序性的依赖；建立基于卷积神经网络的预测网络，描述非线性的观测以及目标相对UUV的复杂的运动过程，因此，该算法可以用于解决非线性非高斯强机动的UUV目标状态估计问题；利用基于卷积神经网络的预测网络搭建描述非线性观测方程和过程方程的网络框架，通过训练网络构建观测方程和过程方程的状态空间，大大提高了算法特征提取能力和运行效率；卷积层和池化层的组合赋予预测网络一定的不变性，提高了算法对观测时间不确定性的适应性，使得本发明具有根据时序紊乱的目标观测，以高精度和强稳定性估计目标运动状态的能力。
附图说明
图1是单UUV目标状态估计坐标系统图。
图2是固定坐标系下前视声呐观测示意图。
图3是预测网络示意图。
图4是卷积神经网络粒子滤波算法示意图。
具体实施方式
下面结合说明书附图对本发明提供的基于卷积神经网络粒子滤波算法的单UUV目标状态估计方法进行说明：
本发明的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，包括以下步骤：
步骤1，建立如图1所示单UUV目标状态估计坐标系统，包括固定坐标系、UUV局部坐标系、前视声呐坐标系以及目标局部坐标系；
1)建立如下固定坐标系：
为准确描述UUV和运动目标在水下的位姿，在任务空间中任取一位置点为原点，建立如图1所示的北东坐标系(NOE)作为固定坐标系，ON轴指向地球北，OE轴指向地球东，x表示北向位移，y表示东向位移，ψ表示艏向角；
2)建立如下UUV局部坐标系：
建立如图1中xBoByB所示UUV局部坐标系来描述UUV的速度和角速度，以UUV重心为原点，oBxB轴取在UUV纵向剖面内，指向UUV艏端，oByB轴与纵剖面垂直，指向UUV右舷，u、v、r分别表示UUV纵荡速度、横荡速度和转艏角速度；
3)建立如下前视声呐坐标系：
以声呐测量中心为原点，建立如图1中xSoSyS所示前视声呐坐标系描述声呐对目标的观测，坐标轴osxs、osys分别与UUV载体坐标系坐标轴oBxB、oByB同向。
4)建立如下目标局部坐标系：
建立如图1中xToTyT所示目标局部坐标系来描述目标的速度和角速度，以目标重心为原点，oTxT轴指向目标艏端，oTyT轴指向目标右舷，uo、vo、ro分别表示目标纵荡速度、横荡速度和转艏角速度；
5)上述坐标系间的转换关系可表述为：
一旦前视声呐检测到水下运动目标，便将其在xSoSyS坐标系下的位置(xs,ys)转化为xBoByB坐标系下位置(xb,yb)，再转化为固定坐标系下位置(x,y)，具体为：
Figure BDA0003322584100000041
Figure BDA0003322584100000042
其中，
Figure BDA0003322584100000043
为传感器坐标系原点oS在载体坐标系下的位置，
Figure BDA0003322584100000044
为载体坐标系原点oB在北东坐标系下的位置，ψ为观测UUV的艏向角，R(ψ)为坐标转换矩阵；
步骤2：建立UUV运动学模型、目标运动学模型以及前视声呐观测模型；
1)建立如下UUV运动学模型：
本发明研究观测UUV为欠驱动UUV，建立的UUV运动学模型为二自由度模型，其在水平面内运动时，UUV执行机构只提供纵向推力和转艏力矩，且其纵向速度、转艏角速度和纵向加速度均受限。
用向量η＝[x,y,ψ]T描述UUV在固定坐标系下的位姿，则对应的速度和角速度为
Figure BDA0003322584100000045
用向量V＝[u,0,r]T描述UUV在xBoByB坐标系下的速度和角速度；
假设观测UUV带有稳定的底层控制系统来实现对位姿的保持以及对速度和角速度的跟踪，则欠驱动UUV二自由度的运动学方程可表述为：
Figure BDA0003322584100000046
同时，考虑到UUV的运动能力，其运动学还应满足如下约束条件：
Figure BDA0003322584100000047
2)建立如下目标运动学模型：
目标运动学模型为三自由度模型，执行机构提供纵向推力、横向推力和转艏力矩，目标的速度、加速度和转艏角速度均受限；
设目标在固定坐标系下的位姿用向量ηo＝[xo,yo,ψo]T描述，其在xToTyT坐标系下的速度和角速度表述为Vo＝[uo,vo,ro]T；
用全驱动系统模型描述目标的运动，则目标的三自由度运动学方程可表述为：
Figure BDA0003322584100000051
同时，考虑到欠驱动UUV的运动能力以及前视声呐探测能力，能够被估计的目标的运动状态量还满足以下约束条件：
Figure BDA0003322584100000052
3)建立如下前视声呐观测模型：
观测UUV携带的前视声呐探测区域为180°开角的扇形区域，最大探测范围为100m，固定坐标系下前视声呐观测示意图如图2所示，k时刻声呐观测量包括目标位置距oS的欧式距离
Figure BDA0003322584100000053
目标在xSoSyS坐标系下的方位角
Figure BDA0003322584100000054
航速
Figure BDA0003322584100000055
以及航向角
Figure BDA0003322584100000056
在实际应用中，这些观测通常带有噪声，即：
Figure BDA0003322584100000057
其中(lk,θk,vk,βk)和(νlk,νθk,νvk,νβk)分别表示k时刻真实观测量和观测误差；
前视声呐观测模型可表示为：
Zk＝h(Xsk)+νk
其中，
Figure BDA0003322584100000058
为k时刻被估计目标在xSoSyS坐标系下的状态向量，νk为观测噪声，h为非线性观测变换：
Figure BDA0003322584100000061
步骤3：建立单UUV目标状态估计问题状态方程；
所述单UUV目标状态估计问题状态方程包括非Markov的目标运动方程以及非线性的前视声呐观测方程。
假设目标的运动状态与其前n时刻的状态相关，设k时刻目标的状态向量为
Figure BDA0003322584100000062
则非Markov的目标运动方程为：
Figure BDA0003322584100000063
其中，
Figure BDA0003322584100000064
为目标前n时刻的状态，
Figure BDA0003322584100000065
为对应状态过程噪声，fpred为非Markov目标运动状态转移函数；
将k时刻观测UUV的状态表示为
Figure BDA0003322584100000066
根据声呐的观测模型以及坐标系间的转换关系，可以得到如下前视声呐非线性的观测方程：
Figure BDA0003322584100000067
其中，fmea为前视声呐非线性观测函数，
Figure BDA0003322584100000068
为oS在xBoByB坐标系下的位置；
步骤4：设计用于描述单UUV目标状态估计问题状态方程的预测网络；
如图3所示，预测网络包括输入层、第一隐藏层、第二隐藏层和输出层；
输入层对应时域[k-n+1,k]内第i组采样粒子的测量状态矩阵
Figure BDA0003322584100000069
大小为n×n×4；
第一隐藏层包括3个卷积层和2个平均池化层，分别为第一卷积层、第二卷积层、第三卷积层、第一平均池化层和第二平均池化层。激活函数为tanh函数；第一卷积层包含16个大小为3×3的卷积核，卷积步幅为1；第一平均池化层滤波器大小为2×2，池化步幅为2；第二卷积层和第三卷积层分别包含32个大小为2×2的卷积核，卷积步幅为1；第二平均池化层滤波器大小为2×2，池化步幅为2；
第二隐藏层包括一个展开层以及两个全连接层，全连接层的激活函数为tanh函数；展开层将第一隐藏层特征图展开成包含128个神经元的一维特征向量；两个全连接层分别包含32个和8个神经元；
输出层与第二隐藏层完全连接，输出层由4个神经元组成，对应预测的第i组采样粒子状态
Figure BDA0003322584100000071
包括北向位置、东向位置、北向速度以及东向速度；
该预测网络的具体前向传播过程可表述为：
Figure BDA0003322584100000072
p1＝pool(c1)
Figure BDA0003322584100000073
Figure BDA0003322584100000074
p2＝pool(pad(c3))
f1＝flatten(p2)
f3＝tanh(W4f1+b4)
f4＝tanh(W5f3+b5)
Figure BDA0003322584100000075
其中，c1、p1、c2.1、c2.2、p2、f1、f3和f4分别对应预测网络中各层输出的特征向量，各卷积层的卷积核和对应偏置分别由W1、W2、W3和b1、b2、b3表示，
Figure BDA0003322584100000076
为卷积计算符号，pad(·)、pool(·)和flatten(·)分别代表全0填充操作、平均池化操作以及展开成向量操作，W4、W5、W6和b4、b5、b6分别为全连接层的权重矩阵和偏置向量；
将上述预测网络前向传播过程记为：
Figure BDA0003322584100000077
其中gpred(·)为非线性非Markov函数，本发明用其来描述步骤3建立的UUV目标状态估计问题的状态方程。
步骤5：构建目标状态预测数据集；
为获得充分的训练样本，根据步骤2建立的UUV运动学模型、目标运动学模型以及前视声呐观测模型建立水下目标状态生成系统，构建目标状态预测数据集；
根据观测声呐的覆盖范围，确定了最大观测距离为100米，方位角观测范围为[-90°,90°]；
观测UUV的位置由固定坐标系描述，其速度和角速度由UUV局部坐标系描述；
目标的位置和运动状态由前视声呐观测得到，再由前视声呐坐标系下观测状态转换为固定坐标系下测量状态；
该数据集中每个样本均由一段时域内目标的测量状态和其真实运动状态组成，一段时域内目标在固定坐标系下的测量状态为数据集的特征数据，目标在固定坐标系下的真实状态为数据集的标签，分别对应预测网络的输入和输出；
在该数据集中，每个目标运动轨迹片段的大小是不固定的，但为了包含更多的数据特征，数据集中目标轨迹片段至少需包含UUV和目标20s的运动状态；
对数据集进行归一化处理，将数据集中数据映射到[-1,1]范围内；
步骤6：基于步骤5构建的目标状态预测数据集对步骤4所提的预测网络进行训练，建立单UUV目标状态估计问题状态空间；
采用小批量梯度下降法和Adam优化器最小化均方误差损失函数对预测网络进行训练，具体步骤如下：
1)初始化预测网络各层权重：对卷积核参数进行均匀初始化，对全连接层进行he_normal初始化，设置初始学习率、衰减率、批量大小和最大训练次数，并令训练次数t＝0；
2)初始化训练批次p＝0；
3)将批次p的输入数据依次输入到预测网络，计算网络输出与对应标签的误差；
4)利用小批量梯度下降误差反向传播算法更新预测网络各层权重及偏差；
5)判断训练集中数据是否均完成训练，若是，执行下一步，否则，p＝p+1，并返回3)；
6)将验证集中特征数据输入到预测网络，计算网络输出与标签的均方误差；
7)判断t是否达到最大训练次数，若是，停止训练；否则t＝t+1，返回2)；
步骤7：卷积神经网络粒子滤波算法进行单UUV目标状态估计的过程如图4所示，具体为：
1)观测UUV在任务空间中航行，其自身携带前视声呐不断探测周围环境，并记录对目标的观测值Zk；
2)将时域[k-n+1,k]内目标的观测值Zk|k∈[k-n+1,k]转换成NOE坐标系下目标的测量状态值，即：
Figure BDA0003322584100000081
生成目标测量状态集
Figure BDA0003322584100000082
3)在测量状态集
Figure BDA0003322584100000083
中进行采样，生成M组服从
Figure BDA0003322584100000084
分布的采样粒子集
Figure BDA0003322584100000091
其中，
Figure BDA0003322584100000092
中包含n组采样粒子，每组采样粒子
Figure BDA0003322584100000093
包含n个随机采样粒子，每个采样粒子携带4个测量数据，矩阵
Figure BDA0003322584100000094
大小为n×n×4；
4)分别将M组采样粒子集
Figure BDA0003322584100000095
输入到训练好的基于卷积神经网络的预测网络，预测粒子状态，即：
Figure BDA0003322584100000096
5)利用蒙特卡洛算法，根据M组采样粒子预测状态
Figure BDA0003322584100000097
估计目标k+1时刻的目标状态：
Figure BDA0003322584100000098

Claims (10)

1.一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，其特征在于，包括如下步骤：
步骤1，建立单UUV目标状态估计坐标系统，包括：固定坐标系、UUV局部坐标系、前视声呐坐标系以及目标局部坐标系；
步骤2，建立UUV运动学模型、目标运动学模型以及前视声呐观测模型；
步骤3，建立单UUV目标状态估计问题状态方程；
步骤4，设计用于描述单UUV目标状态估计问题状态方程的预测网络；
步骤5，构建目标状态预测数据集；
步骤6，基于目标状态预测数据集对预测网络进行训练，建立单UUV目标状态估计问题状态空间；
步骤7，利用卷积神经网络粒子滤波算法进行单UUV目标状态估计。
2.根据权利要求1所述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，其特征在于，步骤1中的固定坐标系是指北东坐标系NOE，原点为任务空间中的一位置点，ON轴指向地球北，OE轴指向地球东，x表示北向位移，y表示东向位移，ψ表示艏向角；UUV局部坐标系xBoByB是以UUV重心为原点，oBxB轴取在UUV纵向剖面内，指向UUV艏端，oByB轴与纵剖面垂直，指向UUV右舷，采用u、v、r分别表示UUV纵荡速度、横荡速度和转艏角速度；
前视声呐坐标系xSoSyS以声呐测量中心为原点，坐标轴osxs、osys分别与UUV载体坐标系坐标轴oBxB、oByB同向；
目标局部坐标系xToTyT以目标重心为原点，oTxT轴指向目标艏端，oTyT轴指向目标右舷，采用uo、vo、ro分别表示目标纵荡速度、横荡速度和转艏角速度；
被估计目标的位置和运动状态由前视声呐测得，首先由前视声呐坐标系描述，再转换为UUV局部坐标系，最后由固定坐标系描述。
3.根据权利要求1所述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，其特征在于，步骤2中的UUV运动学模型为二自由度模型，UUV执行机构只提供纵向推力和转艏力矩，且其纵向速度、转艏角速度和纵向加速度均受限；
目标运动学模型为三自由度模型，执行机构提供纵向推力、横向推力和转艏力矩，目标的速度、加速度和转艏角速度均受限；
前视声呐观测量包括目标位置距oS的欧式距离、目标在xSoSyS坐标系下的方位角、航速以及航向角。
4.根据权利要求1所述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，其特征在于，步骤3中的建立单UUV目标状态估计问题状态方程，所述单UUV目标状态估计问题状态方程包括非Markov的目标运动方程以及前视声呐非线性的观测方程。
5.根据权利要求4所述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，其特征在于，建立非Markov的目标运动方程，假设目标的运动状态与其前n时刻的状态相关，设k时刻目标的状态向量为
Figure FDA0003322584090000021
则非Markov的目标运动方程为：
Figure FDA0003322584090000022
其中，
Figure FDA0003322584090000023
为目标前n时刻的状态，
Figure FDA0003322584090000024
为对应状态过程噪声，fpred为非Markov目标运动状态转移函数。
6.根据权利要求4所述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，其特征在于，建立前视声呐非线性的观测方程，将k时刻观测UUV的状态表示为
Figure FDA0003322584090000025
则前视声呐非线性的观测方程可表述为：
Figure FDA0003322584090000026
其中，fmea为前视声呐非线性观测函数，h为非线性观测变换，R(ψ)为坐标转换矩阵，
Figure FDA0003322584090000027
为oS在xBoByB坐标系下的位置，νk为观测噪声。
7.根据权利要求1所述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，其特征在于，步骤4中的预测网络包括输入层、第一隐藏层、第二隐藏层和输出层；
输入层对应时域[k-n+1,k]内第i组采样粒子的测量状态矩阵
Figure FDA0003322584090000028
第一隐藏层包括3个卷积层和2个平均池化层；
第二隐藏层包括一个展开层以及两个全连接层；
输出层与第二隐藏层完全连接，输出层对应预测的第i组采样粒子状态
Figure FDA0003322584090000029
包括北向位置、东向位置、北向速度以及东向速度。
8.根据权利要求1所述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，其特征在于，步骤5中构建目标状态预测数据集，具体过程为：
观测UUV的位置由固定坐标系描述，其速度和角速度由UUV局部坐标系描述；目标的位置和运动状态由前视声呐观测得到，再由前视声呐坐标系下观测状态转换为固定坐标系下测量状态；数据集的特征数据为一段时域内目标在固定坐标系下的测量状态；数据集的标签为目标在固定坐标系下的真实状态。
9.根据权利要求1所述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，其特征在于，步骤6中基于目标状态预测数据集对预测网络进行训练，具体是采用小批量梯度下降法和Adam优化器最小化均方误差损失函数对预测网络进行训练。
10.根据权利要求1所述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，其特征在于，步骤7中利用卷积神经网络粒子滤波算法进行单UUV目标状态估计，具体包括如下步骤：
步骤7.1，观测UUV在任务空间中航行，其自身携带的前视声呐不断探测周围环境，并记录对目标的观测值；
步骤7.2，将步骤7.1获得的目标在一段时域内的观测值转换成固定坐标系下目标的测量状态值，生成目标测量状态集；
步骤7.3，在步骤7.2生成的目标测量状态集中进行随机采样，得到M组采样粒子集；
步骤7.4，分别将M组采样粒子集输入到基于卷积神经网络的预测网络，转换成M组采样粒子预测状态；
步骤7.5，利用蒙特卡洛算法计算目标的估计状态。
CN202111251248.1A 2021-10-27 2021-10-27 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 Active CN113989327B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111251248.1A CN113989327B (zh) 2021-10-27 2021-10-27 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111251248.1A CN113989327B (zh) 2021-10-27 2021-10-27 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

Publications (2)

Publication Number Publication Date
CN113989327A true CN113989327A (zh) 2022-01-28
CN113989327B CN113989327B (zh) 2023-04-07

Family

ID=79742041

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111251248.1A Active CN113989327B (zh) 2021-10-27 2021-10-27 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

Country Status (1)

Country Link
CN (1) CN113989327B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114430525A (zh) * 2022-03-15 2022-05-03 中国矿业大学 一种封闭空间基于传感器网络的分布式定位方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108921879A (zh) * 2018-05-16 2018-11-30 中国地质大学（武汉） 基于区域选择的CNN和Kalman滤波的运动目标跟踪方法及系统
CN111340868A (zh) * 2020-02-26 2020-06-26 大连海事大学 基于视觉深度估计的无人水下航行器自主决策控制方法
CN111931368A (zh) * 2020-08-03 2020-11-13 哈尔滨工程大学 一种基于gru粒子滤波的uuv目标状态估计方法
US20210264173A1 (en) * 2020-02-13 2021-08-26 Mitsubishi Electric Research Laboratories, Inc. System and Method for Tracking Expanded State of Moving Object with Model Geometry Learning

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108921879A (zh) * 2018-05-16 2018-11-30 中国地质大学（武汉） 基于区域选择的CNN和Kalman滤波的运动目标跟踪方法及系统
US20210264173A1 (en) * 2020-02-13 2021-08-26 Mitsubishi Electric Research Laboratories, Inc. System and Method for Tracking Expanded State of Moving Object with Model Geometry Learning
CN111340868A (zh) * 2020-02-26 2020-06-26 大连海事大学 基于视觉深度估计的无人水下航行器自主决策控制方法
CN111931368A (zh) * 2020-08-03 2020-11-13 哈尔滨工程大学 一种基于gru粒子滤波的uuv目标状态估计方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
叶有时等: "改进粒子滤波算法在深空红外小目标跟踪中的应用", 《电子学报》 *
李涉川等: "基于卷积神经网络的永磁同步电机转矩观测器", 《集成技术》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114430525A (zh) * 2022-03-15 2022-05-03 中国矿业大学 一种封闭空间基于传感器网络的分布式定位方法

Also Published As

Publication number Publication date
CN113989327B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
Woo et al. Dynamic model identification of unmanned surface vehicles using deep learning network
CN108846207B (zh) 一种基于非线性模型辨识的船舶运动预报装置及其预报方法
CN107255923B (zh) 基于rbf辨识的ica-cmac神经网络的欠驱动无人艇航迹跟踪控制方法
CN108445892B (zh) 一种欠驱动无人船编队控制器结构及设计方法
CA3067573A1 (en) Target tracking systems and methods for uuv
Sun et al. Mapless motion planning system for an autonomous underwater vehicle using policy gradient-based deep reinforcement learning
CN107168312B (zh) 一种补偿uuv运动学和动力学干扰的空间轨迹跟踪控制方法
CN108444478B (zh) 一种用于水下航行器的移动目标视觉位姿估计方法
CN114048889B (zh) 基于长短期记忆网络的飞行器轨迹预测的方法
CN108197350B (zh) 一种无人船速度和不确定性估计系统及设计方法
Mu et al. End-to-end navigation for autonomous underwater vehicle with hybrid recurrent neural networks
Ahmed et al. Survey on traditional and AI based estimation techniques for hydrodynamic coefficients of autonomous underwater vehicle
Zhang et al. NavNet: AUV navigation through deep sequential learning
CN114115262B (zh) 基于方位角信息的多auv执行器饱和协同编队控制系统和方法
CN109240289A (zh) 波浪滑翔器艏摇信息自适应滤波方法
CN112631305A (zh) 一种多无人船编队防碰撞抗干扰控制系统
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
CN107315348B (zh) 一种基于惩罚式小波网络的无人潜航器位姿控制方法
CN115421483A (zh) 一种无人船操纵运动预报方法
Kant et al. Long short-term memory auto-encoder-based position prediction model for fixed-wing uav during communication failure
Feng et al. Automatic tracking method for submarine cables and pipelines of AUV based on side scan sonar
Zhang et al. An integrated navigation method for small-sized AUV in shallow-sea applications
Lin et al. A convolutional neural network particle filter for UUV target state estimation
CN110703205A (zh) 基于自适应无迹卡尔曼滤波的超短基线定位方法
CN111929676B (zh) 一种基于密度聚类的x波段雷达目标检测与跟踪方法

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