[發明專利]基于RBF神經網絡輔助容積卡爾曼濾波的多AUV協同定位方法

有效

• 申請號: 201910033350.0
• 申請日: 2019-01-14
• 公開（公告）號: CN109459040B
• 公開（公告）日: 2021-06-18
• 發明（設計）人: 徐博;李盛新;李金;張勇剛;王連釗;張嬌;王瀟雨;張奐
• 申請（專利權）人: 哈爾濱工程大學
• 主分類號: G01C21/20
• 分類號: G01C21/20
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明屬于定位技術領域，具體涉及一種基于RBF神經網絡輔助容積卡爾曼濾波的多AUV協同定位方法。本發明包括以下步驟：建立多AUV協同定位狀態空間模型；創建一個RBF神經網絡；在基準參考位置可用時，通過CKF進行多AUV協同定位估計；收集RBF神經網絡的訓練數據；對RBF神經網絡進行訓練；基準信號中斷，停止訓練RBF神經網絡，繼續進行CKF協同定位估計；估計CKF協同定位濾波誤差；補償濾波狀態更新估計值。本發明在多AUV協同定位情況下，考慮跟隨AUV航向漂移誤差、洋流速度影響及與距離相關的水聲噪聲，具有更高的實用價值；利用RBF神經網絡對CKF濾波估計值進行補償，協同定位精度和穩定性顯著提高；本發明算法易于實現。

技術領域

本發明屬于定位技術領域，具體涉及一種基于徑向基函數即RBF神經網絡輔助容積卡爾曼濾波即CKF的多AUV協同定位方法。

背景技術

“多水下航行器協同定位”是伴隨多水下航行器協作應用發展而來的一種新的水下定位技術，不僅可以實現水下高精度定位，而且具有成本低、實現簡單、可靠性好以及不受區域限制等優點，已成為水下導航領域一個新的研究熱點。對自主水下航行器AUV的位置進行估計是多AUV協同定位中十分重要的問題，常用的方法之一就是基于狀態空間模型的濾波方法，它能夠實現統計意義上的最優估計，獲得精度較高的估計信息。但考慮到水下環境的不確定性和水聲通信的復雜性，多AUV協同定位系統的定位性能受到系統內部和外部等多種因素的制約。針對這種情況，一般可以通過將更高精度的傳感器應用到多AUV協同定位系統中，或者建立更符合系統實際運動規律的狀態空間模型，但這會增加協同定位系統的成本和復雜性。因此需要確定一種合適的方法，既可以保證協同系統定位精度也不需要額外增加硬件的成本。RBF神經網絡可以實現輸入輸出的任意非線性映射，并且對非線性濾波具有強映射和魯棒性，使用與人腦結構和功能類似的學習算法將輸入值映射到輸出值，適用于解決水下環境復雜情況下的多AUV協同定位問題。

發明內容

本發明的目的在于提供一種在多AUV協作系統的定位性能受系統輸入誤差及外部量測誤差影響時，能夠實現有效提高協同定位估計精度及穩定性的協同定位方法，提供一種基于RBF神經網絡輔助容積卡爾曼濾波的多AUV協同定位方法。

本發明的目的是這樣實現的：

基于RBF神經網絡輔助容積卡爾曼濾波的多AUV協同定位方法，包括以下步驟：

步驟1：建立多AUV協同定位狀態空間模型；

步驟2：創建一個RBF神經網絡；

步驟3：在基準參考位置能夠使用時，通過CKF進行多AUV協同定位估計；

步驟4：收集RBF神經網絡的訓練數據；

步驟5：利用步驟4收集的數據對RBF神經網絡進行訓練；

步驟6：基準信號中斷，停止訓練RBF神經網絡，繼續進行CKF協同定位估計；

步驟7：估計CKF協同定位濾波誤差；

步驟8：補償步驟6的濾波狀態更新估計值。

步驟1中所述的建立多AUV協同定位狀態空間模型具體包括：