基于SINS/DVL/GPS的AUV组合导航系统关键技术研究

摘要

随着海洋探测与开发的不断深入,对具有自主导航能力的水下机器人的需求越来越大。在深海复杂环境中,单一的传感器设备都无法满足高精度自主导航的要求,而采用多传感器信息融合和优化滤波算法成为必然的选择。本文通过对水下自主机器人组合导航系统关键技术的研究,为其向更广阔、更长程、更复杂的工作海域发展提供强有力的保证,这必将大大推动我国乃至世界水下自主机器人导航技术的发展。
　　 本文结合当前水下自主机器人导航技术的特点,介绍了自主导航技术中常遇到的问题难点。提出了“潜航-水面校正-潜航”的导航模式,利用SINS／DVL组合导航系统作为水下导航系统,将SINS／GPS组合导航系统作为水面校正系统。在远程AUV导航过程中,AUV经过一段时间的水下航行定时浮出水面,引入GPS,纠正AUV的速度和位置信息,解决了远程AUV定位误差随时间累积而发散的问题。然后研究了扩展卡尔曼滤波和神经网络两种流行的滤波方法。分析各自的优缺点,提出相应的改进。
　　 扩展卡尔曼滤波是在卡尔曼滤波的基础上针对非线性环境的改进算法,需要根据SINS和DVL各自的误差方程来设计扩展卡尔曼滤波器的状态方程和观测方程,从而计算出各个误差项。AUV组合导航系统的实际运行环境比较恶劣,系统精确的数学模型及噪声的统计特性不易先验得到,从而经常导致扩展卡尔曼滤波器发散。它的优点是精度和实时性比较高,但是在可靠性方面要差一些。
　　 针对扩展卡尔曼滤波可靠性较差的问题,在保证AUV精确导航所需求的精度和实时性的前提下,本文提出了一种改进遗传算法优化神经网络的滤波算法。利用神经网络的特性处理信号,可以避开模式识别方法中建模与特征提取过程,从而减小因模型不确定与特征选择不当引起的误差,并能实现实时识别,以提高系统性能。遗传算法擅长全局搜索,它可以在复杂的、多峰值、非线性及其不可微的空间实现全局搜索。但是在神经网络优化过程中,我们发现常规遗传算法又存在许多不足,如易早熟,算法稳定性差,固定的交叉和变异概率影响收敛效果等。为了解决这些难题,本文从编码方式、选择操作、最优个体保留、引入“移民”机制、交叉和变异算子对遗传算法进行改进,并将改进后的遗传算法用来优化神经网络,最终把优化的神经网络滤波算法用于AUV组合导航系统中。
　　 在“潜航-水面校正-潜航”的导航模式下分别将以上两种滤波算法应用于AUV组合导航实验中,实验结果表明,改进后的方法能较好的达到预期的目标,二种滤波算法都提高了滤波的精度。并且改进遗传优化神经网络滤波算法在保证精度和实时性的前提下,较扩展卡尔曼滤波算法提高了滤波的可靠性,增强了滤波的实用性。