[发明专利]一种基于最大互相关熵无迹粒子滤波的AUV协同导航方法

说明书

本发明提供了一种基于最大互相关熵无迹粒子滤波的AUV协同导航方法，属于非线性滤波及协同导航技术领域。本发明提供的方法中，采用最大互相关熵无迹粒子滤波(Maximum Correntropy Unscented Kalman Filter，MCUKF)算法，完成AUV协同导航过程中的状态估计问题。在AUV协同导航过程中，首先将协同导航的状态方程和量测方程重构成非线性递归模型，利用最大互相关熵准则进行处理；然后在标准粒子滤波(Particle Filter，PF)的框架中采用MCUKF产生PF中所需的重要性概率密度函数，然后按照PF的算法流程获取对AUV状态的估计，从而实现对AUV的定位，完成协同导航。本发明的AUV协同导航方法在量测噪声出现野值的AUV协同导航中，能够获得比现有的粒子滤波、改进粒子滤波以及鲁棒滤波更加优越的性能。

技术领域

本发明涉及一种基于最大互相关熵无迹粒子滤波(Maximum CorrentropyUnscented Particle Filter,MCUPF)的AUV协同导航方法，属于非线性滤波及协同导航技术领域。

背景技术

自主水下航行器(Autonomous underwater vehicles,AUV)是一种综合了人工智能、计算机软件、传感器等先进技术的现代科技产物。在海洋资源勘探与开发、水下设备检查、战区侦查等方面都有广泛的应用。由于人类对海洋的探索和开发活动日益深入，仅使用单体AUV已经不能满足要求，于是科学家们把目光转移到了多个AUV组成的协作系统上。对AUV的位置信息进行估计是AUV协同导航中一个十分重要的问题，常用的方法之一就是基于状态空间模型的的滤波方法，它能够实现统计意义上的最优估计，获得精度较高的估计信息。基于此，人们提出了许多针对AUV协同导航的非线性滤波，例如扩展卡尔曼滤波(Extended Kalman Filter,EKF)、无迹卡尔曼滤波(Unscented Kalman Filter,UKF)、粒子滤波(Particle Filter,PF)等。在实际的协同导航中，量测噪声经常出现野值的现象，比如当多普勒计程仪(Doppler Velocity Log，DVL)发生水锁现象时会引起厚尾非高斯量测噪声；此外，声源和接收器之间的多声学传播路径导致声波的反射而引起声速随着深度的改变以及对水面和海床的反射也会引起对位置的量测出现野值。

为了解决野值问题，人们提出了许多野值鲁棒滤波。例如，基于Huber方法的非线性滤波(HuberNonlinear Kalman Filter,HNKF)和基于Student’s t方法的迭代变分贝叶斯容积卡尔曼滤波(Iteration Variational Bayesian Cubature Kalman Filter,IVBCKF)，但由于HNKF中影响函数在影响参数γ超过1.345之后不会回降，导致估计性能下降，而IVBCKF的性能依赖于Student’s t分布中尺度矩阵和自由度参数的选取，在实际的协同导航中很难确定真实的尺度矩阵和自由度参数，这会使得IVBCKF的精度下降。随后，研究人员提出一类新的用于解决量测噪声野值问题的方法，即基于最大互相关熵的滤波方法，例如最大互相关熵卡尔曼滤波(Maximum Correntropy Kalman Filter,MCKF)和最大互相关熵无迹卡尔曼滤波(Maximum Correntropy Unscented Kalman Filter,MCUKF)。不同于传统的鲁棒滤波方法，互相关熵不仅可以捕获通常的二阶统计信息，还可以获得更高阶的统计信息，因此能获得更好的估计结果。然而，目前人们在AUV协同导航领域内应用的最大互相关熵滤波MCUKF只适用于高斯噪声情况下，在非高斯噪声情况下，这种方法不再适用。

发明内容

本发明提供了一种基于最大互相关熵无迹粒子滤波的AUV协同导航方法，目的在于解决在AUV协同导航领域内应用的最大互相关熵滤波MCUKF只适用于高斯噪声情况下，在非高斯噪声情况下，这种方法不再适用的问题。