基于最大熵鲁棒自适应滤波的水下组合导航方法研究

摘要

通过自主水下航行器(Autonomous underwater vehicles，AUV)，人类可以更加方便安全地对海洋资源进行开发以及对水下生态环境进行研究。为了保证AUV在军用和民用领域活动的顺利开展，人们对AUV导航定位精度的要求在逐渐提高。组合导航一直以来都是AUV进行导航定位的主要方式。由于水下环境复杂多变，水下组合导航系统可能会出现噪声估计不够精确且存在野值的复杂情况，此时导航系统的精度会受到影响。本文以此为研究背景，充分考虑水下的复杂条件，推导出了一种新的鲁棒自适应滤波算法，并设计出基于该算法的水下组合导航方法。 首先，本文对水下组合导航系统进行介绍。包括常用的导航坐标系及坐标变换、捷联惯导系统和多普勒计程仪的基本原理和相应的误差方程。然后介绍了惯导/多普勒组合系统的滤波方式。 接着，对组合导航所使用的滤波算法进行了研究。介绍了经典的卡尔曼滤波。针对由于野值而导致噪声出现非高斯分布的情况，对鲁棒滤波进行了研究。介绍了基于Huber的卡尔曼滤波及基于最大熵的卡尔曼滤波(Maximum Correntropy Kalman Filter，MCKF)。通过对过程噪声和量测噪声出现野值情况下的纯方位跟踪模型进行仿真，对介绍的鲁棒滤波算法进行了对比研究。 然后，针对由于复杂的水下环境导致无法对噪声进行持续稳定的估计，从而无法获取精确的过程噪声协方差矩阵Q和量测噪声协方差矩阵R这一情况，对Sage-Husa自适应滤波和基于变分贝叶斯的自适应卡尔曼滤波(Variational Bayes Adaptive Kalman Filter,VBAKF)进行了研究。通过仿真实验，对研究的自适应滤波方法进行对比分析。 最后，针对组合导航系统滤波模型的Q和R不精确且受到脉冲噪声影响的情况，推导出了基于最大熵的变分贝叶斯自适应卡尔曼滤波(Maximum Correntropy Variational Bayes Adaptive Kalman Filter，MCVBAKF)。MCVBAKF以最大熵收敛所得到的结果作为先验条件，利用变分贝叶斯方法进行后验更新，具有较强的鲁棒性以及自适应的能力。MCVBAKF不仅能有效地应对脉冲噪声，还能抑制由不精确的Q和R带来的干扰。最后，设计出了基于MCVBAKF的水下组合导航方法，并在捷联惯导/多普勒(SINS/DVL)组合导航模型中对该方法进行了验证。仿真结果表明在组合导航系统中Q和R不精确且受到脉冲噪声的情况下，本文推导出的基于MCVBAKF的水下组合导航方法与基于KF的水下组合导航方法以及基于MCC的水下组合导航方法相比，具有更高的估计精度。