CN115560759A - 一种基于海底油气管道检测的水下多源导航定位方法 - Google Patents
一种基于海底油气管道检测的水下多源导航定位方法 Download PDFInfo
- Publication number
- CN115560759A CN115560759A CN202211086240.9A CN202211086240A CN115560759A CN 115560759 A CN115560759 A CN 115560759A CN 202211086240 A CN202211086240 A CN 202211086240A CN 115560759 A CN115560759 A CN 115560759A
- Authority
- CN
- China
- Prior art keywords
- navigation
- usbl
- sins
- dvl
- error
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000001514 detection method Methods 0.000 title claims abstract description 33
- 238000005259 measurement Methods 0.000 claims abstract description 67
- 238000001914 filtration Methods 0.000 claims abstract description 35
- 238000013450 outlier detection Methods 0.000 claims abstract description 10
- 230000001632 homeopathic effect Effects 0.000 claims abstract description 8
- 230000009191 jumping Effects 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 45
- 230000004927 fusion Effects 0.000 claims description 28
- 238000005070 sampling Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 13
- 238000007689 inspection Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 230000003190 augmentative effect Effects 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 239000004215 Carbon black (E152) Substances 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 5
- 230000003111 delayed effect Effects 0.000 claims description 5
- 229930195733 hydrocarbon Natural products 0.000 claims description 5
- 150000002430 hydrocarbons Chemical class 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 3
- 230000002829 reductive effect Effects 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000009897 systematic effect Effects 0.000 claims 1
- 230000035772 mutation Effects 0.000 abstract description 3
- 239000007789 gas Substances 0.000 description 19
- 239000003921 oil Substances 0.000 description 19
- 230000006378 damage Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 210000001367 artery Anatomy 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- 230000003313 weakening effect Effects 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
- G01C21/20—Instruments for performing navigational calculations
-
- 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
- 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
- G01S15/02—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems using reflection of acoustic waves
- G01S15/06—Systems determining the position data of a target
- G01S15/46—Indirect determination of position data
-
- 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
-
- 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
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
- H03H17/02—Frequency selective networks
- H03H17/0248—Filters characterised by a particular frequency response or filtering method
- H03H17/0255—Filters based on statistics
- H03H17/0257—KALMAN filters
-
- 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
- G01S15/02—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems using reflection of acoustic waves
- G01S15/06—Systems determining the position data of a target
- G01S15/46—Indirect determination of position data
- G01S2015/465—Indirect determination of position data by Trilateration, i.e. two transducers determine separately the distance to a target, whereby with the knowledge of the baseline length, i.e. the distance between the transducers, the position data of the target is determined
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Operations Research (AREA)
- Acoustics & Sound (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Navigation (AREA)
Abstract
本发明提供了一种基于海底油气管道检测的水下多源导航定位方法，建立集中式SINS/DVL/USBL组合导航的信息滤波模型，得到对导航误差状态的全局最优预测估计；然后分别建立SINS/DVL/USBL组合导航系统状态模型和SINS/DVL/USBL组合导航观测模型；通过改进DS‑UKF算法，通过充分利用延迟量测信息来提高顺势非线性状态估计精度；最后通过加权one‑class SVM的离群值检测算法，有效解决USBL数据的噪声和跳点问题，进而提高水下导航精度。本发明有效解决长航时管道检测机器人水下定位精度问题，同时综合信息时间延迟、信息突变等因素，极大限度地提高了水下定位精度。
Description
技术领域
本发明涉及海洋工程技术领域，具体涉及一种基于海底油气管道检测的水下多源导航定位方法。
背景技术
海底管道系统是海洋能源输送的大动脉，是连接水下井口、海上平台、陆地终端之间的重要设施，是海洋油气开发工程的生命线。海底管道作为海上平台的重要组成部分，已广泛用于水、天然气、石油和废料的高效、安全的远距离运输。
海底油气管道是海底基础设施中成本最高、规模最大、安装最广泛的组成部分，由于海底环境复杂多变，其安全性和稳定性难以完全保证。长期以来，海底管道一直受到海洋环境不确定性的影响，如地质结构变化、海水腐蚀、沉积物埋藏等，这可能导致管道损坏，极易发生堵塞、腐蚀、裂纹、悬空甚至泄漏等事故。由于管道通常携带有害物质，因此可能会破坏生态环境，以及造成经济的巨大损失。因此，应定期对管道进行例行检查，以确保管道的安全、稳定的使用周期。
由于海洋环境的复杂性，寻找和定位损坏点往往是复杂和困难的，并且由于油气的易挥发特征，很难通过石油管道痕迹发现油气泄漏。随着管道里程的不断延长，日常的水下管道检测任务变得极其繁重和昂贵。在这种情况下，无人水下航行器(UnmannedUnderwater Vehicle，UUV)以其高稳定性、连续性和自主性成为管道检测维修的较好选择。
近年来，水下机器人在海洋研究、海上石油与天然气工业以及军事行动等领域发挥了极大的优势。因此，作为海底管道检测的必要工具，水下机器人海底管道检测系统有着重要的战略意义。通常情况下，海底管道外部巡检由遥控无人潜水器(Remote OperatedVehicle， ROV)执行。而ROV的工作需要缆线的支持，效率低，成本高。随着海洋开发的快速发展，能够自主执行石油开采和海底管道检查等更复杂任务的AUV受到广泛关注。AUV为海底资源勘探以及海上钻井、海底管道铺设和维护提供连续自主的定位信息，成为海底勘探和海洋研究的有效工具。
目前，采用自主水下航行器AUV搭载声学、视觉和磁性传感器对海底油气管道进行检测是有效可行的，具有小型化、经济性、智能化的特点。对于AUV长航时水下作业而言，其航行路径往往是线性的，这要求配置的导航手段能够输出非常精确的导航信息。单一的导航方式如惯性导航会随着时间和航迹的增加产生误差累积，导致AUV偏离航线，因此，需要外部导航设备进行辅助组合定位。目前，捷联式惯性导航系统(Strapdown InertialNavigation System，SINS)与多普勒计程仪(Doppler Velocity Log，DVL)组合是主要的水下组合导航方式，但其仍然存在误差累积现象。采用水面无人船辅助，搭载超短基线水声定位系统(Ultra-Short Baseline Acoustic Positioning System，USBL)能够有效抑制SINS/DVL 导航系统位置误差的发散，提高水下定位精度，是十分有效的技术手段。
惯性导航有着信息参数全面，全方位、抗干扰的优势，但是单一敏感器件在增强信息冗余性、持续可靠性等方面无法满足要求。所以在长航时-远距离作业条件下，需要选取适当的辅助导航装置，开展多源信息融合技术实现目标的定位识别与跟踪。在多源信息融合领域，常用的估计算法为基于贝叶斯理论形成的卡尔曼滤波(Kalman Filtering，KF)算法及其衍生形式，如用于非线性条件下的扩展卡尔曼滤波(Extended Kalman Filter，EKF)与无迹卡尔曼滤波，以及基于不同框架结构的集中式或分布式卡尔曼滤波。多年来，针对水下导航定位领域学者们提出了许多能够解决特定问题的多源信息融合算法：
徐博等针对SINS/USBL组合导航系统，提出了一种新的鲁棒滤波器Huber-M估计延迟 Kalman滤波器，用于处理水声通信中的时变延迟以及处理野值引起的非高斯噪声。根据USBL水声通信的时延特性，推导了基于状态反演的时延系统模型，并将后验估计和协方差矩阵与Huber-M估计理论相结合，构造了一个基于时滞系统模型的线性递归模型，该模型在遇到异常值时具有鲁棒性；Zhao L提出了一种网格化极区SINS/DVL/USBL组合导航算法，针对USBL更新频率低的问题，提出了一种多频卡尔曼滤波器提供较高且稳定的更新频率；Liu H针对TUV深海作业，提出基于距离/深度测量的集成导航的SINS/DVL/USBL组合导航系统，当DVL传感器的速度信息缺失或海底深度大于DVL底锁范围时，可通过USBL系统和压力传感器获得高精度的位置信息，在数据融合方面提出基于交互式多模型滤波算法和自适应鲁棒平方根滤波的集成滤波算法；为提高USBL的定位精度，Xu Y设计了一种基于自适应卡尔曼滤波器的新型定位系统，AKF利用最新的测量数据调整测量协方差矩阵和过程噪声协方差矩阵。并在滤波器中设置遗忘因子，限制滤波器的存储长度以充分利用当前的测量数据，从而减弱USBL测量值异常的影响；Chenglong Xu为减弱USBL定位误差，设计了一种条件自适应增益扩展卡尔曼滤波算法，主要是通过引入条件约束和置信度度量算子，对USBL的变化噪声具有一定的普适性；Wang J为抑制USBL离群值和长期数据中断对水下定位精度的影响，在中值绝对偏差离群值检测滤波器的基础上，提出了一种离群值检测和分类器算法，并提出了一种基于Student t的卡尔曼滤波器，提供了由于离群点存在而导致的测量不确定性的鲁棒性。
本发明借鉴其他方法的研究经验，提出了一种基于海底油气管道检测的多源定位方法，实现长航时条件下管道检测机器人水下精确的导航定位。
发明内容
本发明根据海底油气管道检测中需要准确定位故障点和海底管线位置偏离情况，发明了一种基于海底油气管道检测的水下多源导航定位方法。该方法有效解决长航时管道检测机器人水下定位精度问题，同时综合信息时间延迟、信息突变等因素，极大限度地提高了水下定位精度。
本发明的目的是这样实现的：
构建基于捷联惯导系统(简称SINS)、捷联惯导系统(简称DVL)和超短基线(简称USBL) 三种传感器组成海底管道导航定位系统；在此基础上建立集中式SINS/DVL/USBL组合导航的信息滤波模型，使用卡尔曼滤波器集中地处理每个导航子系统的信息，以便得到对导航误差状态的全局最优预测估计；然后分别建立SINS/DVL/USBL组合导航系统状态模型和 SINS/DVL/USBL组合导航观测模型；通过改进DS-UKF算法，通过充分利用延迟量测信息来提高顺势非线性状态估计精度；最后通过加权one-class SVM的离群值检测算法，有效解决USBL数据的噪声和跳点问题，进而提高水下导航精度。
系统由捷联惯导系统(简称SINS)、捷联惯导系统(简称DVL)和超短基线(简称USBL) 组成。捷联惯导系统是整个系统的核心，多普勒测速仪获得速度信息，水面部分由GPS确定支持船的位置，配合超短基线水下定位系统用于区域范围内的高精度定位。作业前，根据预置巡检的管道起止点坐标和检测要求生成路径规划轨迹，由海管检测机器人携带组合导航定位系统运动到海底进行海底管道巡检作业，所有数据由无线通信网桥实时回传给水面岸基支持系统。
该信息滤波模型使用卡尔曼滤波器集中地处理每个导航子系统的信息，以便得到对导航误差状态的全局最优预测估计，SINS作为融合中心，分别与DVL独立输出的速度信息以及USBL独立输出的位置信息进行卡尔曼滤波融合，使两个外部传感器能够实时矫正SINS的解算误差。
SINS利用IMU惯性组件测量载体的角运动和线运动得到角增量和比力增量，然后进行姿态、速度和位置更新，得到载体的实时导航信息。选择SINS子系的15维误差状态量作为待估计的滤波状态量：
其中，φ＝[φNφUφE]是SINS姿态误差四元数；δV＝[δVNδVUδVE]分别是东向、北向和天向速度误差；δP＝[δPNδPUδPE]是纬度、经度和高度误差；陀螺漂移误差ε＝[εxεyεz]与加速度计偏置
DVL子系统误差状态量为：
XDVL＝[δcδvdδΔ]T (2)
其中，δC表示刻度系数误差，δvd表示偏移误差，δΔ表示偏流误差。
USBL子系统误差状态量为：
XUSBL＝[θxθyθzδαδβδKμ]T (3)
其中θ＝[θxθyθz]T分别为USBL到惯导的3个安装角误差；[δαδβ]T依次为USBL 自身测量的方位角误差和高度角误差；δKμ为USBL的测距刻度系数误差。
建立SINS/DVL/USBL组合导航集中式卡尔曼滤波状态方程为：
其中，集中卡尔曼滤波状态量为
集中卡尔曼滤波系统矩阵为
G和W是集中式卡尔曼滤波器的相关噪声矩阵项。
组合导航滤波器的观测模型包括SINS/DVL速度观测模型和SINS/USBL位置观测模型。对于SINS/DVL组合导航系统，基于DVL可以提供水下航行器的速度信息，所以选择SINS和DVL的速度误差作为系统量测量，具体的量测方程式如下：
其中量测噪声为VD＝[ηxηy]T。系统观测矩阵为：HD＝[-VD×I3×303×9]T。
USBL可提供载体相对位置信息，通过坐标系转换后与SINS的位置信息做差值，将其作为系统的量测量：
其中，VU＝[δLUδλUδhU]T表示USBL的量测噪声；HU为量测矩阵，表示为： HU＝[03× 4I3×303×9]。
因此，集中卡尔曼滤波观测方程为：
Z＝HX+V (8)
其中，
V为系统相关噪声矩阵，H为相关量测矩阵。
标准UKF算法的测量值在每一个采样时刻都没有处理量测数据延迟。当系统包含延迟量测时，其状态模型和量测模型都会发生变化。在海管检测系统中，传感器中的某些关键过程变量可能在采样时经过某个随机时延到达融合中心。引入解决量测延迟问题的改进DS-UKF算法通过充分利用延迟量测信息来提高顺势非线性状态估计精度。
假设某一传感器的测量值在时刻s1进行采样，经过k个时间周期在s时刻到达融合中心，则包含滞后量测的非线性系统模型可以描述为：
Xk＝fk-1(Xk-1,uk-1)+Wk-1 (9)
对于非线性状态估计，通常采用采样点状态扩维法来处理量测滞后，其主要思想为通过延迟期间对系统状态矩阵进行扩维，重新定义系统状态空间模型，从而将滞后数据应用到UKF信息融合系统中进行状态估计。
考虑上述非线性系统滞后量测模型，对模型进行状态扩维，重新定义为：
假设在时刻s对系统进行采样，则当前时刻k的增广状态估计可表示为：
基于贝叶斯最优估计理论，若系统存在量测滞后，设在s时刻量测信息存在延迟，经过 N个采样间隔在k时刻到达融合中心，非线性滤波算法有如下结论：
在UKF融合算法中有：
则在UKF算法框架下，通过时间更新过程对增广状态矩阵求解相应的误差协方差矩阵为：
在UKF框架下引入滞后量测进行扩维后，须确保滞后量测信息的系统状态和协方差在融合周期内保持不变，从降低算法复杂度的角度考虑，引入选择因子M，采用量测更新方程的Schmidt-Kalman思想来解决这一问题，改进后的UKF增益如下式：
其中M为选择因子矩阵，只有与分块矩阵M的单位阵作用后，相应的状态估计才会被更新。对于协方差矩阵，右下子块保持初始采样时刻s的误差协方差状态，左上子块是更新状态的误差协方差矩阵，其与UKF算法框架下原始协方差数值相同。
本发明为了降低不同特征向量集中区域带来的分类误差，引入加权机制对算法进行改进，当one-class SVM分类器在超平面附近或者重叠区域进行分类时，对每一个样本点选取一个支持向量作为代表支点，提高模型分类的准确性。分别计算未知样本在特征空间到支持向量支点φ(x)+与φ(x)-的距离，并且将得到的两个距离值进行相减获得距离之差g(x)。将其与设定好的阈值比较，如果距离之差大于阈值，则说明未知样本距离最优超平面的距离较远，如φ(x)1，此时可直接采用经典SVM分类器对未知样本进行分类，如果距离之差小于阈值，则说明未知样本距离最优超平面的距离较近，如φ(x)2，若继续使用SVM分类器进行数据的分类会容易导致分类的错判，此时应采用改进的加权分类器进行分类预测。
加权因子如下式所示：
通过比较支持向量支点到样本点的距离，选取不同的加权因子，并将其融合到算法中，得到改进的one-clss SVM分类器如下式所示：
通过USBL输出的斜距变化量数据，在其中注入10％的离群值样本，提供不均衡样本集的分类前提，引入改进加权的one-class SVM分类器验证算法性能。对目标函数的寻优过程，建立一个最优决策超平面，使该平面两侧距离该平面最近的两类样本之间的距离最大化，从而提供良好的泛化能力。训练过程为系统随机产生一个超平面并不断移动，使用贝叶斯优化方法搜索支持向量机的参数box和sigma之间的最优关系，使每一个观测样本在超平面上移动时都能用best和accept表征。展现加权one-class SVM分类器对训练集的分类结果，训练集样本由353个正类样本(记为“+1”)和47个离群值样本(记为“-1”)构成，通过训练在两类样本之间找到合适的最优决策平面。加权one-class SVM对测试集的分类结果，测试集样本由547个正类样本和53个离群值样本组成，由于引入加权机制，进一步压缩了包络正类样本的空间，使模型不仅能够正确分类，且提高了分类裕度，使离群值尽可能的远离超平面，最大安全限度的降低了离群值对可靠样本的干扰。通过分析两个类别的分类结果，可见改进的加权one-class SVM在决策边界附近加强了超平面的优化，进一步缩短了可靠值的分类区域，大大降低了异常样本错分或被误检的风险。
本发明与现有技术相比，具有以下优点：
(1)本发明通用性好，可以广泛应用于各种海底油气管道、海底电缆检测水下机器人上的导航系统中。
(2)本发明利用状态延迟卡尔曼滤波(DS-UKF)算法，有效解决了USBL信息延迟问题。
(3)本发明利用基于加权one-class SVM的离群值检测算法，有效解决信息中由于噪声导致信息跳点问题。
附图说明
图1基于海底油气管道检测的多源定位方法流程图；
图2基于海底管道探测的组合导航系统组成示意图；
图3基于海底管道检测的INS/DVL/USBL组合导航系统；
图4改进加权分类器示意图；
图5加权one-class SVM寻优过程；
图6加权one-class SVM训练结果；
图7加权one-class SVM对测试集的分类结果。
具体实施方式
本发明针对目前主动海浪补偿系统存在的不足，提出一种基于多任务运动规划的混联登乘系统主动海浪补偿分析方法，在合理解决混联机构冗余问题的同时最大限度优化了空间运动分配。利用串联舷梯和并联平台在运动轨迹之间的协同作用，实现对海浪的主动补偿，为主动海浪补偿系统提供重要控制参数。
下面结合附图对本发明更详细的描述：
实施1：如附图1所示，本发明建立一种基于海底油气管道检测的多源定位方法，具体步骤如下：
步骤1：构建SINS、DVL、USBL组成海底管道导航定位系统；
步骤2：建立集中式SINS/DVL/USBL组合导航的信息滤波模型，使用卡尔曼滤波器集中地处理每个导航子系统的信息，以便得到对导航误差状态的全局最优预测估计；
步骤3：建立SINS/DVL/USBL组合导航系统状态模型；
步骤4：建立SINS/DVL/USBL组合导航观测模型；
步骤5：改进DS-UKF算法，通过充分利用延迟量测信息来提高顺势非线性状态估计精度；
步骤6：加权one-class SVM的离群值检测算法，有效解决USBL数据的噪声和跳点问题，进而提高水下导航精度。
实施2：如附图2所示，本发明采用水面无人支持船辅助，利用AUV沿海底油气管道上方航行执行巡检任务。设计了一个组合导航系统，该系统由捷联惯导系统(简称SINS)、捷联惯导系统(简称DVL)和超短基线(简称USBL)组成。捷联惯导系统是整个系统的核心，多普勒测速仪获得速度信息，水面部分由GPS确定支持船的位置，配合超短基线水下定位系统用于区域范围内的高精度定位。作业前，根据预置巡检的管道起止点坐标和检测要求生成路径规划轨迹，由海管检测机器人携带组合导航定位系统运动到海底进行海底管道巡检作业，所有数据由无线通信网桥实时回传给水面岸基支持系统。
实施3：结合附图3，设计了一个集中式SINS/DVL/USBL组合导航的信息滤波模型，使用卡尔曼滤波器集中地处理每个导航子系统的信息，以便得到对导航误差状态的全局最优预测估计，其中组合导航系统框图附图3所示：SINS作为融合中心，分别与DVL独立输出的速度信息以及USBL独立输出的位置信息进行卡尔曼滤波融合，使两个外部传感器能够实时矫正SINS的解算误差。
实施4：SINS/DVL/USBL组合导航系统状态模型
SINS利用IMU惯性组件测量载体的角运动和线运动得到角增量和比力增量，然后进行姿态、速度和位置更新，得到载体的实时导航信息。选择SINS子系的15维误差状态量作为待估计的滤波状态量：
其中，φ＝[φNφUφE]是SINS姿态误差四元数；δV＝[δVNδVUδVE]分别是东向、北向和天向速度误差；δP＝[δPNδPUδPE]是纬度、经度和高度误差；陀螺漂移误差ε＝[εxεyεz]与加速度计偏置
DVL子系统误差状态量为：
XDVL＝[δcδvdδΔ]T (2)
其中，δC表示刻度系数误差，δvd表示偏移误差，δΔ表示偏流误差。
USBL子系统误差状态量为：
XUSBL＝[θxθyθzδαδβδKμ]T (3)
其中θ＝[θxθyθz]T分别为USBL到惯导的3个安装角误差；[δαδβ]T依次为USBL 自身测量的方位角误差和高度角误差；δKμ为USBL的测距刻度系数误差。
建立SINS/DVL/USBL组合导航集中式卡尔曼滤波状态方程为：
其中，集中卡尔曼滤波状态量为
集中卡尔曼滤波系统矩阵为
G和W是集中式卡尔曼滤波器的相关噪声矩阵项。
实施5：SINS/DVL/USBL组合导航观测模型。
组合导航滤波器的观测模型包括SINS/DVL速度观测模型和SINS/USBL位置观测模型。对于SINS/DVL组合导航系统，基于DVL可以提供水下航行器的速度信息，所以选择SINS和DVL的速度误差作为系统量测量，具体的量测方程式如下：
其中量测噪声为VD＝[ηxηy]T。系统观测矩阵为：HD＝[-VD×I3×303×9]T。
USBL可提供载体相对位置信息，通过坐标系转换后与SINS的位置信息做差值，将其作为系统的量测量：
其中，VU＝[δLUδλUδhU]T表示USBL的量测噪声；HU为量测矩阵，表示为： HU＝[03× 4I3×303×9]。
因此，集中卡尔曼滤波观测方程为：
Z＝HX+V (8)
其中，
V为系统相关噪声矩阵，H为相关量测矩阵。
实施6：状态延迟卡尔曼滤波(DS-UKF)算法
标准UKF算法的测量值在每一个采样时刻都没有处理量测数据延迟。当系统包含延迟量测时，其状态模型和量测模型都会发生变化。在海管检测系统中，传感器中的某些关键过程变量可能在采样时经过某个随机时延到达融合中心。引入解决量测延迟问题的改进DS-UKF算法通过充分利用延迟量测信息来提高顺势非线性状态估计精度。
假设某一传感器的测量值在时刻s1进行采样，经过k个时间周期在s时刻到达融合中心，则包含滞后量测的非线性系统模型可以描述为：
Xk＝fk-1(Xk-1,uk-1)+Wk-1 (9)
对于非线性状态估计，通常采用采样点状态扩维法来处理量测滞后，其主要思想为通过延迟期间对系统状态矩阵进行扩维，重新定义系统状态空间模型，从而将滞后数据应用到UKF信息融合系统中进行状态估计。
考虑上述非线性系统滞后量测模型，对模型进行状态扩维，重新定义为：
假设在时刻s对系统进行采样，则当前时刻k的增广状态估计可表示为：
基于贝叶斯最优估计理论，若系统存在量测滞后，设在s时刻量测信息存在延迟，经过 N个采样间隔在k时刻到达融合中心，非线性滤波算法有如下结论：
在UKF融合算法中有：
则在UKF算法框架下，通过时间更新过程对增广状态矩阵求解相应的误差协方差矩阵为：
在UKF框架下引入滞后量测进行扩维后，须确保滞后量测信息的系统状态和协方差在融合周期内保持不变，从降低算法复杂度的角度考虑，引入选择因子M，采用量测更新方程的Schmidt-Kalman思想来解决这一问题，改进后的UKF增益如下式：
其中M为选择因子矩阵，只有与分块矩阵M的单位阵作用后，相应的状态估计才会被更新。对于协方差矩阵，右下子块保持初始采样时刻s的误差协方差状态，左上子块是更新状态的误差协方差矩阵，其与UKF算法框架下原始协方差数值相同。
实施7：基于加权one-class SVM的离群值检测算法
本发明为了降低不同特征向量集中区域带来的分类误差，引入加权机制对算法进行改进，当one-class SVM分类器在超平面附近或者重叠区域进行分类时，对每一个样本点选取一个支持向量作为代表支点，提高模型分类的准确性。结合附图4所示，分别计算未知样本在特征空间到支持向量支点φ(x)+与φ(x)-的距离，并且将得到的两个距离值进行相减获得距离之差g(x)。将其与设定好的阈值比较，如果距离之差大于阈值，则说明未知样本距离最优超平面的距离较远，如φ(x)1，此时可直接采用经典SVM分类器对未知样本进行分类，如果距离之差小于阈值，则说明未知样本距离最优超平面的距离较近，如φ(x)2，若继续使用SVM分类器进行数据的分类会容易导致分类的错判，此时应采用改进的加权分类器进行分类预测。
加权因子如下式所示：
通过比较支持向量支点到样本点的距离，选取不同的加权因子，并将其融合到算法中，得到改进的one-clss SVM分类器如下式所示：
通过USBL输出的斜距变化量数据，在其中注入10％的离群值样本，提供不均衡样本集的分类前提，引入改进加权的one-class SVM分类器验证算法性能。结合附图5，对目标函数的寻优过程，建立一个最优决策超平面，使该平面两侧距离该平面最近的两类样本之间的距离最大化，从而提供良好的泛化能力。训练过程为系统随机产生一个超平面并不断移动，使用贝叶斯优化方法搜索支持向量机的参数box和sigma之间的最优关系，使每一个观测样本在超平面上移动时都能用best和accept表征。结合附图6，展现加权one-classSVM分类器对训练集的分类结果，训练集样本由353个正类样本(记为“+1”)和47个离群值样本(记为“-1”)构成，通过训练在两类样本之间找到合适的最优决策平面。结合附图7展现加权one-class SVM对测试集的分类结果，测试集样本由547个正类样本和53个离群值样本组成，由于引入加权机制，进一步压缩了包络正类样本的空间，使模型不仅能够正确分类，且提高了分类裕度，使离群值尽可能的远离超平面，最大安全限度的降低了离群值对可靠样本的干扰。通过分析两个类别的分类结果，可见改进的加权one-class SVM 在决策边界附近加强了超平面的优化，进一步缩短了可靠值的分类区域，大大降低了异常样本错分或被误检的风险。
本发明根据海底油气管道检测中需要准确定位故障点和海底管线位置偏离情况，设计一种基于海底油气管道检测的水下多源导航定位方法。本发明构建基于捷联惯导系统(简称SINS)、捷联惯导系统(简称DVL)和超短基线(简称USBL)三种传感器组成海底管道导航定位系统；在此基础上建立集中式SINS/DVL/USBL组合导航的信息滤波模型，使用卡尔曼滤波器集中地处理每个导航子系统的信息，以便得到对导航误差状态的全局最优预测估计；然后分别建立SINS/DVL/USBL组合导航系统状态模型和SINS/DVL/USBL组合导航观测模型；通过改进DS-UKF算法，通过充分利用延迟量测信息来提高顺势非线性状态估计精度；最后通过加权one-class SVM的离群值检测算法，有效解决USBL数据的噪声和跳点问题，进而提高水下导航精度。该方法有效解决长航时管道检测机器人水下定位精度问题，同时综合信息时间延迟、信息突变等因素，极大限度地提高了水下定位精度。
Claims (7)
1.一种基于海底油气管道检测的水下多源导航定位方法，其特征是：构建基于捷联惯导系统SINS、捷联惯导系统DVL和超短基线USBL三种传感器组成海底管道导航定位系统；在此基础上建立集中式SINS/DVL/USBL组合导航的信息滤波模型，使用卡尔曼滤波器集中地处理每个导航子系统的信息，以便得到对导航误差状态的全局最优预测估计；然后分别建立SINS/DVL/USBL组合导航系统状态模型和SINS/DVL/USBL组合导航观测模型；通过改进DS-UKF算法，通过充分利用延迟量测信息来提高顺势非线性状态估计精度；最后通过加权one-class SVM的离群值检测算法，有效解决USBL数据的噪声和跳点问题，进而提高水下导航精度。
2.根据权利要求1所述的基于海底油气管道检测的水下多源导航定位方法，其特征是：所述海底管道导航定位系统由捷联惯导系统SINS、捷联惯导系统DVL和超短基线USBL组成；捷联惯导系统是整个系统的核心，多普勒测速仪获得速度信息，水面部分由GPS确定支持船的位置，配合超短基线水下定位系统用于区域范围内的高精度定位，作业前，根据预置巡检的管道起止点坐标和检测要求生成路径规划轨迹，由海管检测机器人携带组合导航定位系统运动到海底进行海底管道巡检作业，所有数据由无线通信网桥实时回传给水面岸基支持系统。
3.根据权利要求1所述的基于海底油气管道检测的水下多源导航定位方法，其特征是：所述集中式SINS/DVL/USBL组合导航的信息滤波模型使用卡尔曼滤波器集中地处理每个导航子系统的信息，以便得到对导航误差状态的全局最优预测估计，SINS作为融合中心，分别与DVL独立输出的速度信息以及USBL独立输出的位置信息进行卡尔曼滤波融合，使两个外部传感器能够实时矫正SINS的解算误差。
4.根据权利要求1所述的基于海底油气管道检测的水下多源导航定位方法，其特征是：
SINS利用IMU惯性组件测量载体的角运动和线运动得到角增量和比力增量，然后进行姿态、速度和位置更新，得到载体的实时导航信息；选择SINS子系的15维误差状态量作为待估计的滤波状态量：
其中，φ＝[φN φU φE]是SINS姿态误差四元数；δV＝[δVN δVU δVE]分别是东向、北向和天向速度误差；δP＝[δPN δPU δPE]是纬度、经度和高度误差；陀螺漂移误差ε＝[εx εy εz]与加速度计偏置
DVL子系统误差状态量为：
XDVL＝[δc δvd δΔ]T (2)
其中，δC表示刻度系数误差，δvd表示偏移误差，δΔ表示偏流误差；
USBL子系统误差状态量为：
XUSBL＝[θx θy θz δα δβ δKμ]T (3)
其中θ＝[θx θy θz]T分别为USBL到惯导的3个安装角误差；[δα δβ]T依次为USBL自身测量的方位角误差和高度角误差；δKμ为USBL的测距刻度系数误差；
建立SINS/DVL/USBL组合导航集中式卡尔曼滤波状态方程为：
其中，集中卡尔曼滤波状态量为
集中卡尔曼滤波系统矩阵为
G和W是集中式卡尔曼滤波器的相关噪声矩阵项。
5.根据权利要求1所述的基于海底油气管道检测的水下多源导航定位方法，其特征是：
组合导航滤波器的观测模型包括SINS/DVL速度观测模型和SINS/USBL位置观测模型；对于SINS/DVL组合导航系统，基于DVL可以提供水下航行器的速度信息，所以选择SINS和DVL的速度误差作为系统量测量，具体的量测方程式如下：
其中量测噪声为VD＝[ηx ηy]T；系统观测矩阵为：HD＝[-VD×I3×3 03×9]T；
USBL可提供载体相对位置信息，通过坐标系转换后与SINS的位置信息做差值，将其作为系统的量测量：
其中，VU＝[δLU δλU δhU]T表示USBL的量测噪声；HU为量测矩阵，表示为：HU＝[03×4 I3×303×9]；
因此，集中卡尔曼滤波观测方程为：
Z＝HX+V (8)
其中，
V为系统相关噪声矩阵，H为相关量测矩阵。
6.根据权利要求1所述的基于海底油气管道检测的水下多源导航定位方法，其特征是：所述DS-UKF算法具体为：
标准UKF算法的测量值在每一个采样时刻都没有处理量测数据延迟，当系统包含延迟量测时，其状态模型和量测模型都会发生变化，在海管检测系统中，传感器中的某些关键过程变量可能在采样时经过某个随机时延到达融合中心，引入解决量测延迟问题的改进DS-UKF算法通过充分利用延迟量测信息来提高顺势非线性状态估计精度；
假设某一传感器的测量值在时刻s1进行采样，经过k个时间周期在s时刻到达融合中心，则包含滞后量测的非线性系统模型可以描述为：
Xk＝fk-1(Xk-1,uk-1)+Wk-1 (9)
对于非线性状态估计，通常采用采样点状态扩维法来处理量测滞后，其主要思想为通过延迟期间对系统状态矩阵进行扩维，重新定义系统状态空间模型，从而将滞后数据应用到UKF信息融合系统中进行状态估计；
考虑上述非线性系统滞后量测模型，对模型进行状态扩维，重新定义为：
假设在时刻s对系统进行采样，则当前时刻k的增广状态估计可表示为：
基于贝叶斯最优估计理论，若系统存在量测滞后，设在s时刻量测信息存在延迟，经过N个采样间隔在k时刻到达融合中心，非线性滤波算法有如下结论：
在UKF融合算法中有：
则在UKF算法框架下，通过时间更新过程对增广状态矩阵求解相应的误差协方差矩阵为：
在UKF框架下引入滞后量测进行扩维后，须确保滞后量测信息的系统状态和协方差在融合周期内保持不变，从降低算法复杂度的角度考虑，引入选择因子M，采用量测更新方程的Schmidt-Kalman思想来解决这一问题，改进后的UKF增益如下式：
其中M为选择因子矩阵，只有与分块矩阵M的单位阵作用后，相应的状态估计才会被更新；对于协方差矩阵，右下子块保持初始采样时刻s的误差协方差状态，左上子块是更新状态的误差协方差矩阵，其与UKF算法框架下原始协方差数值相同。
7.根据权利要求1所述的基于海底油气管道检测的水下多源导航定位方法，其特征是：基于加权one-class SVM的离群值检测算法具体为：
为了降低不同特征向量集中区域带来的分类误差，引入加权机制对算法进行改进，当one-class SVM分类器在超平面附近或者重叠区域进行分类时，对每一个样本点选取一个支持向量作为代表支点，提高模型分类的准确性；分别计算未知样本在特征空间到支持向量支点φ(x)+与φ(x)-的距离，并且将得到的两个距离值进行相减获得距离之差g(x)；将其与设定好的阈值比较，如果距离之差大于阈值，则说明未知样本距离最优超平面的距离较远，如φ(x)1，此时可直接采用经典SVM分类器对未知样本进行分类，如果距离之差小于阈值，则说明未知样本距离最优超平面的距离较近，如φ(x)2，若继续使用SVM分类器进行数据的分类会容易导致分类的错判，此时应采用改进的加权分类器进行分类预测；
加权因子如下式所示：
通过比较支持向量支点到样本点的距离，选取不同的加权因子，并将其融合到算法中，得到改进的one-clss SVM分类器如下式所示：
通过USBL输出的斜距变化量数据，在其中注入10％的离群值样本，提供不均衡样本集的分类前提，引入改进加权的one-class SVM分类器验证算法性能；对目标函数的寻优过程，建立一个最优决策超平面，使该平面两侧距离该平面最近的两类样本之间的距离最大化，从而提供良好的泛化能力；训练过程为系统随机产生一个超平面并不断移动，使用贝叶斯优化方法搜索支持向量机的参数box和sigma之间的最优关系，使每一个观测样本在超平面上移动时都能用best和accept表征；加权one-class SVM分类器对训练集的分类结果，训练集样本由353个正类样本记为“+1”和47个离群值样本记为“-1”构成，通过训练在两类样本之间找到合适的最优决策平面；加权one-class SVM对测试集的分类结果，测试集样本由547个正类样本和53个离群值样本组成，由于引入加权机制，进一步压缩了包络正类样本的空间，使模型不仅能够正确分类，且提高了分类裕度，使离群值尽可能的远离超平面，最大安全限度的降低了离群值对可靠样本的干扰；通过分析两个类别的分类结果，可见改进的加权one-class SVM在决策边界附近加强了超平面的优化，进一步缩短了可靠值的分类区域，大大降低了异常样本错分或被误检的风险。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211086240.9A CN115560759A (zh) | 2022-09-06 | 2022-09-06 | 一种基于海底油气管道检测的水下多源导航定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211086240.9A CN115560759A (zh) | 2022-09-06 | 2022-09-06 | 一种基于海底油气管道检测的水下多源导航定位方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115560759A true CN115560759A (zh) | 2023-01-03 |
Family
ID=84739735
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211086240.9A Pending CN115560759A (zh) | 2022-09-06 | 2022-09-06 | 一种基于海底油气管道检测的水下多源导航定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115560759A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116222582A (zh) * | 2023-05-10 | 2023-06-06 | 北京航空航天大学 | 一种基于变分贝叶斯推断多物理场自适应组合导航方法 |
| CN116595945A (zh) * | 2023-07-14 | 2023-08-15 | 浙江大华技术股份有限公司 | 高精度仿真散射参数提取方法、电子设备和存储介质 |
| CN116884516A (zh) * | 2023-09-05 | 2023-10-13 | 河南科技学院 | 一种基于svm-ukf数据融合的pm2.5浓度预测方法 |
| CN117804444A (zh) * | 2024-01-08 | 2024-04-02 | 河海大学 | 基于ukf和滚动时域估计的水下机器人组合定位方法 |
-
2022
- 2022-09-06 CN CN202211086240.9A patent/CN115560759A/zh active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116222582A (zh) * | 2023-05-10 | 2023-06-06 | 北京航空航天大学 | 一种基于变分贝叶斯推断多物理场自适应组合导航方法 |
| CN116595945A (zh) * | 2023-07-14 | 2023-08-15 | 浙江大华技术股份有限公司 | 高精度仿真散射参数提取方法、电子设备和存储介质 |
| CN116595945B (zh) * | 2023-07-14 | 2023-10-20 | 浙江大华技术股份有限公司 | 高精度仿真散射参数提取方法、电子设备和存储介质 |
| CN116884516A (zh) * | 2023-09-05 | 2023-10-13 | 河南科技学院 | 一种基于svm-ukf数据融合的pm2.5浓度预测方法 |
| CN117804444A (zh) * | 2024-01-08 | 2024-04-02 | 河海大学 | 基于ukf和滚动时域估计的水下机器人组合定位方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115560759A (zh) | 一种基于海底油气管道检测的水下多源导航定位方法 | |
| Salavasidis et al. | Terrain‐aided navigation for long‐endurance and deep‐rated autonomous underwater vehicles | |
| Bao et al. | Integrated navigation for autonomous underwater vehicles in aquaculture: A review | |
| Hegrenaes et al. | Model-aided INS with sea current estimation for robust underwater navigation | |
| Jakuba et al. | Long‐baseline acoustic navigation for under‐ice autonomous underwater vehicle operations | |
| Chen et al. | Review of AUV underwater terrain matching navigation | |
| CN106679662B (zh) | 一种基于tma技术的水下机器人单信标组合导航方法 | |
| CN107990891B (zh) | 基于长基线和信标在线标定的水下机器人组合导航方法 | |
| Hegrenaes et al. | Doppler water-track aided inertial navigation for autonomous underwater vehicle | |
| CN102829777A (zh) | 自主式水下机器人组合导航系统及方法 | |
| Meduna et al. | Low-cost terrain relative navigation for long-range AUVs | |
| CN104316045A (zh) | 一种基于sins/lbl的auv水下交互辅助定位系统及定位方法 | |
| McPhail et al. | Range-only positioning of a deep-diving autonomous underwater vehicle from a surface ship | |
| CN109613520A (zh) | 一种基于滤波的超短基线安装误差在线标定方法 | |
| Huang et al. | Weight self-adjustment Adams implicit filtering algorithm for attitude estimation applied to underwater gliders | |
| US11977201B2 (en) | Integrated detection method of electromagnetic searching, locating and tracking for subsea cables | |
| Braginsky et al. | Correction of DVL error caused by seafloor gradient | |
| Armstrong et al. | Field measurement of surface ship magnetic signature using multiple AUVs | |
| Lager et al. | Underwater terrain navigation using standard sea charts and magnetic field maps | |
| CN113670303B (zh) | 一种基于rbf神经网络的sins/dvl组合导航流速补偿方法 | |
| Jayasiri et al. | AUV‐Based Plume Tracking: A Simulation Study | |
| CN112947068B (zh) | 一种自主水下航行器一体化声学定位与跟踪控制方法 | |
| Helgesen et al. | Inertial navigation aided by ultra-wideband ranging for ship docking and harbor maneuvering | |
| Bingham | Navigating autonomous underwater vehicles | |
| CN110763228B (zh) | 基于海底油气管节点位置的组合导航系统误差修正方法 |
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 |