CN115392117A - 一种水下高速机动平台高帧率无模糊声学导航方法 - Google Patents

一种水下高速机动平台高帧率无模糊声学导航方法 Download PDF

Info

Publication number
CN115392117A
CN115392117A CN202210973398.1A CN202210973398A CN115392117A CN 115392117 A CN115392117 A CN 115392117A CN 202210973398 A CN202210973398 A CN 202210973398A CN 115392117 A CN115392117 A CN 115392117A
Authority
CN
China
Prior art keywords
platform
speed
navigation
fuzzy
model
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
CN202210973398.1A
Other languages
English (en)
Other versions
CN115392117B (zh
Inventor
付进
邹男
李静
邱龙皓
张光普
郝宇
王晋晋
齐滨
王燕
梁国龙
张庆钰
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.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
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 Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN202210973398.1A priority Critical patent/CN115392117B/zh
Publication of CN115392117A publication Critical patent/CN115392117A/zh
Application granted granted Critical
Publication of CN115392117B publication Critical patent/CN115392117B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Physiology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Genetics & Genomics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)

Abstract

本发明属于水下声学导航领域，具体公开了一种水下高速机动平台高帧率无模糊声学导航方法。步骤1：基于水下高速平台运动条件，构建信标时延观测向量与平台位置、速度以及模糊周期向量之间的关系模型；步骤2：基于水下高速平台运动条件，构建多普勒观测向量与平台位置和速度之间的关系模型；步骤3：构建时空匹配声学导航目标函数；步骤4：基于步骤1的模型、步骤2的模型和步骤3的目标函数，利用遗传优化算法，进行平台位置、速度、模糊周期联合求解；步骤5：基于步骤4的求解，取其中的平台位置即为最终获得的导航结果。用以解决由于平台机动造成的时间维度与空间维度不匹配问题。

Description

一种水下高速机动平台高帧率无模糊声学导航方法
技术领域
本发明属于水下声学导航领域，具体涉及一种水下高速机动平台高帧率无模糊声学导航方法。
背景技术
水下声学导航技术是利用声波与水下信标(水下星站节点)信息交互，进而确定水下机动平台的位置、姿态、速度等信息的技术。由于声波在水下良好的传播能力，声学导航技术逐渐在海洋调查、水下搜救、海洋环境监测、海底工程维修等诸多领域被广泛应用。精确的位置信息是水下自主航行器(Autonomous underwater vehicles,AUV)完成上述任务的基本保证。由于AUV机动速度越来越快的发展趋势，要求对AUV的航迹更新率(帧率)越来越高，即研究适用于高速机动AUV的高精度高帧率声学导航方法至关重要。
常用的AUV声学导航方法利用基于时延信息的几何模型进行位置交汇。由于AUV运动,信标在同一时刻发射的信号会在不同的空间位置和不同的周期被AUV接收，测得的时延与真实时延也可能会出现多个模糊周期，且信号传播时延值的大小会发生改变，即出现时间维度和空间维度的失配现象。平台运动速度越快、航迹测量帧率越高，该失配越严重。
发明内容
本发明提供一种水下高速机动平台高帧率无模糊声学导航方法，用以解决由于平台机动造成的时间维度与空间维度不匹配问题。
本发明通过以下技术方案实现：
一种水下高速机动平台高帧率无模糊声学导航方法，所述导航方法包括以下步骤：
步骤1：基于水下高速平台运动条件，构建信标时延观测向量与平台位置、速度以及模糊周期向量之间的关系模型；
步骤2：基于水下高速平台运动条件，构建多普勒观测向量与平台位置和速度之间的关系模型；
步骤3：构建时空匹配声学导航目标函数；
步骤4：基于步骤1的模型、步骤2的模型和步骤3的目标函数，利用遗传优化算法，进行平台位置、速度、模糊周期联合求解；
步骤5：基于步骤4的求解，取其中的平台位置即为最终获得的导航结果。
一种水下高速机动平台高帧率无模糊声学导航方法，所述步骤1具体为，平台运动条件下信标时延观测向量
Figure BDA0003797753380000021
与平台位置u、速度
Figure BDA0003797753380000022
以及模糊周期向量k之间的关系模型如下：
Figure BDA0003797753380000023
g(X,k)＝t-kT0
Figure BDA0003797753380000024
其中，
Figure BDA0003797753380000025
N为信标个数，ji为接收第i个信标信号时所对应的帧序号，
Figure BDA0003797753380000026
si表示信标位置，c为水中平均声速，T0为系统的同步周期，εt为时延观测误差向量。
一种水下高速机动平台高帧率无模糊声学导航方法，所述步骤2具体为，平台运动条件下多普勒观测向量
Figure BDA0003797753380000027
与平台位置、速度之间的关系模型如下：
Figure BDA0003797753380000028
Figure BDA0003797753380000029
其中，|| ||2表示2范数，
Figure BDA00037977533800000210
Figure BDA00037977533800000211
为不同信标的中心频率，εf为多普勒频移观测误差向量。
一种水下高速机动平台高帧率无模糊声学导航方法，所述步骤3具体为，根据步骤1和步骤2中的关系模型，构建时空匹配声学导航目标函数如下：
Figure BDA00037977533800000212
Figure BDA00037977533800000213
Figure BDA00037977533800000214
其中，
Figure BDA0003797753380000031
和
Figure BDA0003797753380000032
分别为时延和多普勒频移的观测噪声协方差矩；参数λ由Ft和Ff两部分量纲的比值确定。
一种水下高速机动平台高帧率无模糊声学导航方法，所述步骤4具体为，利用遗传优化算法对步骤3中的时空匹配声学导航目标函数进行平台位置、速度、模糊周期联合求解，其中平台位置即为最终获得的导航结果。
一种水下高速机动平台高帧率无模糊声学导航方法，所述取其中的平台位置即为最终获得的导航结果之后还包括，
使用模糊周期匹配正确率和导航精度两个指标验证导航方法的性能。
一种水下高速机动平台高帧率无模糊声学导航方法，所述模糊周期匹配正确率具体为，定义M次蒙特卡洛试验中，模糊周期匹配正确的次数m所占比例为模糊周期匹配正确率correct：
Figure BDA0003797753380000033
一种水下高速机动平台高帧率无模糊声学导航方法，所述导航精度具体为，若水下布放N个声信标，那么导航精度RMSE可由下式计算：
Figure BDA0003797753380000034
一种水下高速机动平台高帧率无模糊声学导航系统，所述导航系统包括水下高速平台运动的模型构建单元、目标函数构建单元、计算单元和验证单元；
水下高速平台运动的模型构建单元，基于水下高速平台运动条件，构建信标时延观测向量与平台位置、速度以及模糊周期向量之间的关系模型，构建多普勒观测向量与平台位置和速度之间的关系模型；
目标函数构建单元，构建时空匹配声学导航目标函数；
计算单元，对模型构建单元构建的模型和目标函数构建单元构建的目标函数利用遗传优化算法，进行平台位置、速度、模糊周期联合求解，取计算单元中结果的平台位置即为最终获得的导航结果；
验证单元，使用模糊周期匹配正确率和导航精度两个指标验证导航结果的性能。
一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述方法步骤。
本发明的有益效果是：
本发明利用时延信息与多普勒频移信息对平台位置、速度、模糊周期进行联合优化求解，能够完成信标时延观测信息的时间对齐，并对平台航迹进行精细刻画，实现其高帧率无模糊的声学导航。
本发明充分考虑由于平台机动造成的信标接收同一时刻信号的时间与所处空间位置不同的问题，构造了时间维度与空间维度均匹配的精确导航模型，能够实现高精度声学导航。
附图说明
图1是本发明的方法流程图。
图2是SI-t方法模糊周期匹配正确率的空间分布图。
图3是SI-tf方法模糊周期匹配正确率的空间分布图。
图4是SU-t方法模糊周期匹配正确率的空间分布图。
图5是SU-tf方法模糊周期匹配正确率的空间分布图。
图6是四种方法模糊周期匹配正确率的概率分布对比图。
图7是SI-t方法导航误差空间分布图。
图8是SI-tf方法导航误差空间分布图。
图9是SU-t方法导航误差空间分布图。
图10是SU-tf方法导航误差空间分布图。
具体实施方式
下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种水下高速机动平台高帧率无模糊声学导航方法，所述导航方法包括以下步骤：
步骤1：基于水下高速平台运动条件，构建信标时延观测向量与平台位置、速度以及模糊周期向量之间的关系模型；
步骤2：基于水下高速平台运动条件，构建多普勒观测向量与平台位置和速度之间的关系模型；
步骤3：构建时空匹配声学导航目标函数；
步骤4：基于步骤1的模型、步骤2的模型和步骤3的目标函数，利用遗传优化算法，进行平台位置、速度、模糊周期联合求解；
步骤5：基于步骤4的求解，取其中的平台位置即为最终获得的导航结果。
一种水下高速机动平台高帧率无模糊声学导航方法，所述步骤1具体为，平台运动条件下信标时延观测向量
Figure BDA0003797753380000051
与平台位置u、速度
Figure BDA0003797753380000052
以及模糊周期向量k之间的关系模型如下：
Figure BDA0003797753380000053
g(X,k)＝t-kT0
Figure BDA0003797753380000054
其中，
Figure BDA0003797753380000055
N为信标个数，ji为接收第i个信标信号时所对应的帧序号，
Figure BDA0003797753380000056
si表示信标位置，c为水中平均声速，T0为系统的同步周期，εt为时延观测误差向量。
一种水下高速机动平台高帧率无模糊声学导航方法，所述步骤2具体为，平台运动条件下多普勒观测向量
Figure BDA0003797753380000057
与平台位置、速度之间的关系模型如下：
Figure BDA0003797753380000058
Figure BDA0003797753380000059
其中，|| ||2表示2范数，
Figure BDA00037977533800000510
Figure BDA00037977533800000511
为不同信标的中心频率，εf为多普勒频移观测误差向量。
一种水下高速机动平台高帧率无模糊声学导航方法，所述步骤3具体为，根据步骤1和步骤2中的关系模型，构建时空匹配声学导航目标函数如下：
Figure BDA00037977533800000512
Figure BDA00037977533800000513
Figure BDA0003797753380000061
其中，
Figure BDA0003797753380000062
和
Figure BDA0003797753380000063
分别为时延和多普勒频移的观测噪声协方差矩；参数λ由Ft和Ff两部分量纲的比值确定。
一种水下高速机动平台高帧率无模糊声学导航方法，所述步骤4具体为，利用遗传优化算法对步骤3中的时空匹配声学导航目标函数进行平台位置、速度、模糊周期联合求解，其中平台位置即为最终获得的导航结果。
一种水下高速机动平台高帧率无模糊声学导航系统，所述导航系统包括水下高速平台运动的模型构建单元、目标函数构建单元、计算单元和验证单元；
水下高速平台运动的模型构建单元，基于水下高速平台运动条件，构建信标时延观测向量与平台位置、速度以及模糊周期向量之间的关系模型，构建多普勒观测向量与平台位置和速度之间的关系模型；
目标函数构建单元，构建时空匹配声学导航目标函数；
计算单元，对模型构建单元构建的模型和目标函数构建单元构建的目标函数利用遗传优化算法，进行平台位置、速度、模糊周期联合求解，取计算单元中结果的平台位置即为最终获得的导航结果；
验证单元，使用模糊周期匹配正确率和导航精度两个指标验证导航结果的性能。
一种水下高速机动平台高帧率无模糊声学导航装置，所述导航装置包括水下高速平台运动的模型构建模块、目标函数构建模块、计算模块和验证模块；
水下高速平台运动的模型构建模块，基于水下高速平台运动条件，构建信标时延观测向量与平台位置、速度以及模糊周期向量之间的关系模型，构建多普勒观测向量与平台位置和速度之间的关系模型；
目标函数构建模块，构建时空匹配声学导航目标函数；
计算模块，对模型构建单元构建的模型和目标函数构建单元构建的目标函数利用遗传优化算法，进行平台位置、速度、模糊周期联合求解，取计算单元中结果的平台位置即为最终获得的导航结果；
验证模块，使用模糊周期匹配正确率和导航精度两个指标验证导航结果的性能。
一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法步骤。
使用模糊周期匹配正确率和导航精度两个指标验证导航方法的性能。若能将收到的不同信标时延观测值正确地与其发射信号时刻对应，即：ji和ki能够正确匹配，则可实现模糊周期的正确匹配；定义M次蒙特卡洛试验中，模糊周期匹配正确的次数m所占比例为模糊周期匹配正确率correct：
Figure BDA0003797753380000071
所述导航精度具体为，若水下布放N个声信标，那么导航精度(RMSE)可由下式计算：
Figure BDA0003797753380000072
假设水下布放四个基元，其坐标设置见表2。AUV的航速30m/s，航向角为30°。信标发射信号的同步周期为0.1s，中心频率为15kHz,水下声速平均值为1500m/s。各测量误差符合均值为0的独立高斯分布，其均方根误差设置参照表3。
表2坐标设置
Figure BDA0003797753380000073
表3测量误差参数设置
Figure BDA0003797753380000074
在上述参数条件下，将信标覆盖的区域(2.5km*2.5km)划分成2500(50*50)个网格点进行200次蒙特卡洛实验，并计算每一个网格点处的模糊周期匹配正确率及导航精度。图2-图5为四种方法的模糊周期匹配正确率的空间分布图；图6为相应的概率分布直方图对比结果。图7-图10为四种方法的导航误差空间分布结果。
由图2可知，SI-t方法几乎不能抑制时间维度上的模糊。对比图2与图3可知，多普勒信息对于抑制时间不统一有重要作用；对比图2与图4可知，相较于传统的SI模型，本发明所提的SU模型更加贴合物理实际，对时间匹配性能有明显提升。由图6可知，在整个导航空间范围内，本发明方法的模糊周期匹配正确率最好，完全匹配正确的区域可达83.16％。其他方法的正确率为1的区域均不足50％。
对比图7-图10可知，从整个导航空间内看，本发明方法的导航精度最高，其导航误差在绝大部分区域小于3.5m。仅在个别区域，因求解最优值的过程中陷入了局部极小值而造成性能下降，但依然优于其他方法。而在当前应用场景下，SI-t方法几乎无法实现AUV的导航功能。分析图8可知，SI-tf方法的导航误差达到几十米的量级，这是由于传统的SI模型忽略AUV运动的影响。对比图9和10可知，由于多普勒测量信息中包含有AUV机动信息。它除了可以提高时空匹配能力，更对导航性能的提升有重要作用。

Claims (10)

1.一种水下高速机动平台高帧率无模糊声学导航方法，其特征在于，所述导航方法包括以下步骤：
步骤1：基于水下高速平台运动条件，构建信标时延观测向量与平台位置、速度以及模糊周期向量之间的关系模型；
步骤2：基于水下高速平台运动条件，构建多普勒观测向量与平台位置和速度之间的关系模型；
步骤3：构建时空匹配声学导航目标函数；
步骤4：基于步骤1的模型、步骤2的模型和步骤3的目标函数，利用遗传优化算法，进行平台位置、速度、模糊周期联合求解；
步骤5：基于步骤4的求解，取其中的平台位置即为最终获得的导航结果。
2.根据权利要求1所述导航方法，其特征在于，所述步骤1具体为，平台运动条件下信标时延观测向量
Figure FDA0003797753370000011
与平台位置u、速度
Figure FDA0003797753370000012
以及模糊周期向量k之间的关系模型如下：
Figure FDA0003797753370000013
g(X,k)＝t-kT0
Figure FDA0003797753370000014
其中，
Figure FDA0003797753370000015
N为信标个数，ji为接收第i个信标信号时所对应的帧序号，
Figure FDA0003797753370000016
si表示信标位置，c为水中平均声速，T0为系统的同步周期，εt为时延观测误差向量。
3.根据权利要求1所述导航方法，其特征在于，所述步骤2具体为，平台运动条件下多普勒观测向量
Figure FDA0003797753370000017
与平台位置、速度之间的关系模型如下：
Figure FDA0003797753370000018
Figure FDA0003797753370000019
其中，|| ||2表示2范数，
Figure FDA00037977533700000110
Figure FDA00037977533700000111
为不同信标的中心频率，εf为多普勒频移观测误差向量。
4.根据权利要求2或3所述导航方法，其特征在于，所述步骤3具体为，根据步骤1和步骤2中的关系模型，构建时空匹配声学导航目标函数如下：
Figure FDA0003797753370000021
Figure FDA0003797753370000022
Figure FDA0003797753370000023
其中，
Figure FDA0003797753370000024
和
Figure FDA0003797753370000025
分别为时延和多普勒频移的观测噪声协方差矩；参数λ由Ft和Ff两部分量纲的比值确定。
5.根据权利要求1所述导航方法，其特征在于，所述步骤4具体为，利用遗传优化算法对步骤3中的时空匹配声学导航目标函数进行平台位置、速度、模糊周期联合求解，其中平台位置即为最终获得的导航结果。
6.根据权利要求1所述导航方法，其特征在于，所述取其中的平台位置即为最终获得的导航结果之后还包括，
使用模糊周期匹配正确率和导航精度两个指标验证导航方法的性能。
7.根据权利要求2所述导航方法，其特征在于，所述模糊周期匹配正确率具体为，定义M次蒙特卡洛试验中，模糊周期匹配正确的次数m所占比例为模糊周期匹配正确率correct：
Figure FDA0003797753370000026
8.根据权利要求1所述导航方法，其特征在于，所述导航精度具体为，若水下布放N个声信标，那么导航精度可由下式计算：
Figure FDA0003797753370000027
9.一种水下高速机动平台高帧率无模糊声学导航系统，其特征在于，所述导航系统包括水下高速平台运动的模型构建单元、目标函数构建单元、计算单元和验证单元；
水下高速平台运动的模型构建单元，基于水下高速平台运动条件，构建信标时延观测向量与平台位置、速度以及模糊周期向量之间的关系模型，构建多普勒观测向量与平台位置和速度之间的关系模型；
目标函数构建单元，构建时空匹配声学导航目标函数；
计算单元，对模型构建单元构建的模型和目标函数构建单元构建的目标函数利用遗传优化算法，进行平台位置、速度、模糊周期联合求解，取计算单元中结果的平台位置即为最终获得的导航结果；
验证单元，使用模糊周期匹配正确率和导航精度两个指标验证导航结果的性能。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-8任一所述的方法步骤。
CN202210973398.1A 2022-08-15 2022-08-15 一种水下高速机动平台高帧率无模糊声学导航方法 Active CN115392117B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210973398.1A CN115392117B (zh) 2022-08-15 2022-08-15 一种水下高速机动平台高帧率无模糊声学导航方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210973398.1A CN115392117B (zh) 2022-08-15 2022-08-15 一种水下高速机动平台高帧率无模糊声学导航方法

Publications (2)

Publication Number Publication Date
CN115392117A true CN115392117A (zh) 2022-11-25
CN115392117B CN115392117B (zh) 2023-04-25

Family

ID=84118153

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210973398.1A Active CN115392117B (zh) 2022-08-15 2022-08-15 一种水下高速机动平台高帧率无模糊声学导航方法

Country Status (1)

Country Link
CN (1) CN115392117B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109738902A (zh) * 2019-03-06 2019-05-10 哈尔滨工程大学 一种基于同步信标模式的水下高速目标高精度自主声学导航方法
CN110132281A (zh) * 2019-05-21 2019-08-16 哈尔滨工程大学 一种基于询问应答模式的水下高速目标高精度自主声学导航方法
CN110133627A (zh) * 2019-05-21 2019-08-16 哈尔滨工程大学 水声定位导航系统阵元位置校准测量点间距优化方法
CN110411480A (zh) * 2019-08-27 2019-11-05 哈尔滨工程大学 一种复杂海洋环境下水下机动平台声学导航误差预测方法
CN111947651A (zh) * 2020-07-17 2020-11-17 中国人民解放军海军工程大学 水下组合导航信息融合方法、系统及自主式水下航行器

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109738902A (zh) * 2019-03-06 2019-05-10 哈尔滨工程大学 一种基于同步信标模式的水下高速目标高精度自主声学导航方法
CN110132281A (zh) * 2019-05-21 2019-08-16 哈尔滨工程大学 一种基于询问应答模式的水下高速目标高精度自主声学导航方法
CN110133627A (zh) * 2019-05-21 2019-08-16 哈尔滨工程大学 水声定位导航系统阵元位置校准测量点间距优化方法
CN110411480A (zh) * 2019-08-27 2019-11-05 哈尔滨工程大学 一种复杂海洋环境下水下机动平台声学导航误差预测方法
CN111947651A (zh) * 2020-07-17 2020-11-17 中国人民解放军海军工程大学 水下组合导航信息融合方法、系统及自主式水下航行器

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JIN FU, JING LI , SIBO SUN , AND ZHUO YANG: "High Precision Velocity Estimation of AUV in an Underwater Distributed Sensor Network" *
付进;李静;孙思博;: "平台运动对声学导航圆交汇模型的影响及误差分析" *
王燕;李晴;付进;梁国龙;: "高帧率水声同步定位解距离模糊方法研究" *

Also Published As

Publication number Publication date
CN115392117B (zh) 2023-04-25

Similar Documents

Publication Publication Date Title
CN103743402B (zh) 一种基于地形信息量的水下智能自适应地形匹配方法
CN111273298B (zh) 基于波浪滑翔器组网技术的水下声学目标定位与跟踪方法
CN110794409B (zh) 一种可估计未知有效声速的水下单信标定位方法
CN104199022B (zh) 一种基于目标模态估计的临近空间高超声速目标跟踪方法
CN106093849A (zh) 一种基于测距和神经网络算法的水下定位方法
CN104021519A (zh) 基于gpu架构的密集杂波条件下机动多目标跟踪算法
CN109540154B (zh) 一种基于粒子滤波算法的水声导航定位方法
CN103323815A (zh) 一种基于等效声速的水下声学定位方法
CN110749891A (zh) 一种可估计未知有效声速的自适应水下单信标定位方法
CN103292784A (zh) 一种基于声线轨迹的水下地表地形可视性分析方法
Zhang et al. High-precision, limited-beacon-aided AUV localization algorithm
CN110646783A (zh) 一种水下航行器的水下信标定位方法
CN105372653B (zh) 面向岸基空管雷达系统中一种高效转弯机动目标跟踪方法
CN114942428A (zh) 多目标跟踪的混合体制雷达数据关联算法
CN116125386A (zh) 一种稀疏水声测距增强的水下航行器智能定位方法和系统
Rupeng et al. Improvements to terrain aided navigation accuracy in deep-sea space by high precision particle filter initialization
CN113156418B (zh) 基于蒙特卡洛仿真的雷达目标跟踪精度预测方法
CN111735455A (zh) 基于改进的高斯距离迭代算法对接回收组合导航方法
CN110865338A (zh) 一种基于水下机动平台的未知周期声信标高精度定位方法
CN117146830B (zh) 一种自适应多信标航位推算和长基线的紧组合导航方法
CN111307136B (zh) 一种双智能水下机器人水下航行地形匹配导航方法
CN115392117B (zh) 一种水下高速机动平台高帧率无模糊声学导航方法
CN115021800B (zh) 使用无人机查找Ka频段卫星终端的方法、装置和电子设备
CN110231619A (zh) 基于恩克法的雷达交接时刻预报方法及装置
CN110703187B (zh) 一种基于水下机动平台的声信标测向及定位方法

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