[发明专利]一种复杂环境下SINS/DVL紧组合导航方法

说明书

本发明公开了一种基于SINS/DVL紧组合的水下航行器导航方法，具体包括以下步骤：步骤1：根据SINS/DVL系统的采集数据，建立状态方程；步骤2：根据步骤1中的状态方程建立量测方程；步骤3：对DVL波束信息缺失处理；步骤4：DVL波束信息受到洋流影响处理；步骤5：基于卡尔曼滤波的数据融合处理：根据步骤1和步骤2中的状态方程和量测方程，建立卡尔曼递推估计，将卡尔曼递推估计得到的状态向量反馈到SINS结果中便得到了最终的位置和速度信息。本发明能够在复杂的环境下抑制组合导航误差发散，为未来SINS/DVL紧组合方向的研究提供参考价值。

技术领域：

本发明属于水下航行器组合导航技术，具体涉及一种复杂环境下SINS/DVL紧组合导航方法。

背景技术：

自主水下航行器(AUV)作为人类探索和发展海洋的重要工具，在海洋发展战略中发挥着重要作用。AUV导航系统提供诸如位置，速度和姿态之类的信息。导航信息的准确性和可靠性是AUV成功执行的保证之一。在水下组合导航系统中，辅助传感器通常包括多普勒计程仪(DVL)，测斜仪，压力传感器(PS)，捷联惯性导航系统(SINS)，陀螺罗经。IMU，即惯性测量单元，包括三轴陀螺仪和三轴加速度计，是完成SINS捷联惯性导航系统的传感器。尽管辅助传感器长时间以高精度测量，但它们在独立应用中存在若干问题。基于SINS/DVL的组合导航具有高自主性和隐蔽性，是未来AUV组合导航的发展方向之一。

目前，研究人员对SINS/DVL组合导航方法进行了大量研究。已经提出了许多数据融合算法以提高组合导航的精度。针对SINS/DVL组合系统设计了一些自适应卡尔曼滤波(AKF)，如异步自适应直接卡尔曼滤波算法，具有递归噪声估计的自适应卡尔曼滤波，以及自适应联邦强跟踪滤波算法。考虑到系统模型非线性特点。一些学者比较了用于SINS/DVL组合导航问题的EKF和UKF算法，这些算法表明EKF具有更高的估计精度。为了解决SINS/DVL组合导航中常规滤波算法精度低的问题，研究者介绍了平方根无迹信息滤波器(SR-UIF)。同时结合高斯混合密度模型和Cubature卡尔曼滤波器(CKF)，设计了基于高斯混合立方卡尔曼滤波器(GM-CKF)的导航定位算法，并通过湖试验证明了GM-CKF方法优于EKF，UKF和CKF。研究人员还将交互式多模型滤波算法引入SINS/DVL组合导航，并通过仿真验证了其优越性。根据上述研究，在较好的水下环境中，数据融合算法可以在一定程度上提高SINS/DVL组合导航的精度。目前，该领域的研究相对成熟，并成功应用于实际系统。但是针对复杂环境下的SINS/DVL组合导航问题研究较少。

发明内容：

针为提高复杂环境下的容错性，本发明从系统模型角度出发，提出一种基于SINS/DVL紧组合的水下航行器导航方法。该方法利用DVL四通道波束测量信息，能够在非完整性波束测量情况下提供连续、准确的导航信息。该方法能够在复杂的环境下抑制组合导航误差发散，为未来SINS/DVL紧组合方向的研究提供参考价值。

本发明的上述目的可通过以下技术方案来实现：

一种基于SINS/DVL紧组合的水下航行器导航方法，具体包括以下步骤：

步骤1：根据SINS/DVL系统的采集数据，建立状态方程；

步骤2：根据步骤1中的状态方程建立量测方程；

步骤3：对DVL波束信息缺失处理；

步骤4：DVL波束信息受到洋流影响处理；

步骤5：基于卡尔曼滤波的数据融合处理：根据步骤1和步骤2中的状态方程和量测方程，建立卡尔曼递推估计，将卡尔曼递推估计得到的状态向量反馈到SINS结果中便得到了最终的位置和速度信息。

所述的基于SINS/DVL紧组合的水下航行器导航方法，步骤1中所述的SINS/DVL系统的采集数据，包括：IMU采集的光纤陀螺数据；其中：/表示载体坐标系下x轴的角速度值；/表示载体坐标系下y轴的角速度值；/表示载体坐标系下z轴的角速度值；