大尺度未知海底环境下的AUV同时定位与地图构建方法研究

摘要

在海底未知复杂环境中，绝大多数陆路环境下常用的传感器无法使用，比如光学的、无线的，在水中衰减得太快。在脱离了外部导航支持的情形下，AUV唯一可依赖的是自身机载的惯性传感器和主动声纳。前视声纳及其处理系统作为水下机器人的主要传感设备，担负着发现机器人前方目标，并对目标进行定位和识别的任务。前视声纳提供障碍物目标的距离和角度，可在二维空间上(XY平面)分辨目标的轮廓和位置。在AUV的前端装备声纳设备，通过声纳探测，可以提供连续重叠的图像帧，经过点特征提取可用于同时定位与地图创建(SimultaneousLocalization and Mapping，SLAM)算法的实现。 SLAM算法是机器人技术领域的研究热点，也是实现机器人真正自主的关键。SLAM算法不需要先验的海底环境信息图的辅助，当AUV在海底航行时，利用自身携带的Doppler Velocity Log(DVL)和MTi传感器测量底部跟踪速度、深度、加速度和姿态角，利用Super Seaking DST前视声纳扫描海底环境，提取环境中的有用信息，利用这些信息进行定位，与此同时，在线地构建海底环境的特征地图。 本文阐述了SLAM算法的原理，对算法所得的环境地图的收敛性进行了讨论。针对AUV状态模型和观测模型的非线性，讨论了基于扩展卡尔曼滤波(EKF)的SLAM算法的执行过程。针对海底环境的特点，提出将声纳数据处理成点特征，既解决了海底环境特征不规则的问题，又克服了线特征在更新时计算量大的困难。为了提高定位精度，每获得一组传感器的测量值，就执行一次传感器数据更新，获得传感器数据的最优估计，并用最优估计值来预测AUV的位置。为了验证算法的可行性，进行了虚拟仿真和实际验证。结果表明，相对于纯粹的推位算法，SLAM算法可以提高系统的定位精度。同时也验证了算法在水下导航应用上的可行性。

目录

文摘

英文文摘

声明

1 绪论

1.1国内外研究概况

1.1.1国外研究概况

1.1.2国内研究概况

1.2目前的水下导航方法

1.2.1航位推算与惯性导航

1.2.2声学导航

1.2.3组合导航

1.2.4地球物理导航

1.3 SLAM综述

1.3.1基于EKF的SLAM

1.3.2基于概率的SLAM

1.3.3基于粒子滤波器的SLAM

1.4论文的组织结构

2 SLAM算法原理及性质

2.1地图构建

2.1.1栅格地图

2.1.2特征地图

2.1.3拓扑地图

2.2卡尔曼滤波

2.3系统模型

2.3.1状态模型

2.3.2特征模型

2.3.3观测模型

2.3.4状态向量及协方差矩阵

2.4 SLAM算法原理

2.5 SLAM算法生成地图的性质

2.6 SLAM算法需要解决的问题

2.7本章小结

3 基于声呐的水下环境成像及点特征提取方法

3.1声呐成像系统

3.2水下环境成像

3.3点特征提取方法

3.3.1单Ping阈值分割

3.3.2单Ping稀疏化处理

3.3.3单点圆周稀疏化处理

3.4本章小结

4大尺度未知海底环境下的SLAM算法

4.1扩展卡尔曼滤波(EKF)算法

4.1.1扩展卡尔曼滤波算法

4.1.2关于EKF的讨论

4.2数据关联

4.2.1门限过滤

4.2.2最邻近数据关联

4.3基于EKF的SLAM算法

4.3.1系统建模

4.3.2 EKF_SLAM算法

4.3.3预测阶段

4.3.4传感器数据更新

4.3.5位置更新

4.3.6状态扩充

4.4仿真结果

4.4.1实验1

4.4.2实验2

4.5本章小结

5总结与展望

5.1总结

5.2展望

参考文献

附录 2D空间的变换运算

致谢

个人简历

攻读硕士学位期间发表的论文