2. 中北大学 机电工程学院,山西 太原 030051;
3. 国家深海基地管理中心,山东 青岛 266237
2. College of Mechatronic Engineering, North University of China, Taiyuan 030051, China;
3. National Deep Sea Centre, Qingdao 266237, China
作为海洋资源开发的重要工具和军事领域的新型装备,水下无人航行器(autonomous underwater vehicle, AUV) 得到各国海洋工程领域的重点关注,并取得了长足的发展,但精确的水下导航定位方法一直是制约AUV长时间远距离深潜与自主作业的重要因素[1-2]。常用于AUV的导航方法有水声学导航、航位推算导航、惯性导航以及近年兴起的地球物理导航等[3-4]。水声学导航需要布置外部声学基阵,AUV无法独立作业,且定位范围受声学基阵布设范围限制。航位推算导航和惯性导航无需外部设备支持,但其长时间水下航行会产生较大的累积误差,需要定期上浮进行卫星定位校准。基于地磁场、重力场、海底地形等的地球物理信息导航由于具有全天候、无源性且不容易被干扰等优点,成为水下导航领域的研究热点之一。受限于测量传感器的测量精度等因素,地磁场、重力场辅助导航很难在现阶段应用于AUV导航系统。多波束地形测量技术的成熟,使得制作高精度的海底数字地图变为现实,所以海底地形辅助导航成为解决AUV水下精确导航的可行手段。AUV采用海底地形辅助导航无需布置外部传感器,不需要上浮修正误差,可满足AUV水下导航定位需求[5-6]。
常用于海底地形辅助导航定位的方法是基于相关性的方法[7-8],它通过对比多波束实时测深数据和先验数字地形图(digital terrain map, DTM)中存储的水深数据,找出其相关度最大的位置作为最优匹配位置,并将其用于导航数据的修正。地形相关性算法的主要缺点是受到“误差均化”作用影响,在地形特征不明显区域存在伪定位点。对此,文献[9]提出一种基于Fisher判据的伪定位点的二次判别方法,但其大大增加了地形辅助定位程序的复杂性;文献[10]提出一种基于信息包的地形辅助导航定位方法,该方法考虑了相邻地形的联系,匹配精度较高,但其计算量较高,实时性较差。
由此可见,现有的改进相关性算法虽然具有理论上的优势,但由于其计算量较大,不能满足AUV水下实时导航需求。在现有各种状态估计算法中,粒子滤波(particle filter, PF)算法作为Bayesian滤波估计的一种近似最优估计方法,在处理非线性问题中具有较强优势[11],更适用于AUV海底地形辅助导航。本文在建立基于Bayesian估计的地形相关匹配定位模型基础上,采用改进后的粒子滤波方法解决Bayesian估计问题,该方法实现简单,具有较高的匹配精度,仿真实验结果表明了本文提出方法的有效性。
1 地形辅助定位算法模型 1.1 地形辅助定位的Bayesian估计根据AUV水下运动规律,建立AUV海底地形辅助导航模型为
${{{X}}_{t + 1}} = {{{X}}_t} + {{{U}}_t} + {\nu _t}$ |
${{{Y}}_t} = {{{H}}_t}\left( {{{{x}}_t}} \right) + {{{E}}_t}$ | (1) |
式中:
${{{y}}_t} = {{{h}}_t}({{{x}}_t}) + {{{e}}_t}$ |
假设多波束实时测深数据由真实水深加上多波束测深误差组成,且该误差为独立Gaussian白噪声,则先验概率密度函数(probability density function, PDF)为
$p\left( {{y}_{t}}|{{x}_{t}} \right)=\frac{1}{{{\left( 2{\text{π}} {{\sigma }^{2}} \right)}^{\frac{N}{2}\;}}}\exp \left[ -\frac{1}{2{{\sigma }^{2}}}\sum\limits_{k=1}^{N}{{{\left( {{y}_{k}}\left( {{x}_{0}} \right)-{{h}_{k}}\left( {{x}_{t}} \right) \right)}^{2}}} \right]$ | (2) |
式中:N为匹配面中水深数据的数目;
$p\left( {{x_t}|{y_t}} \right) = \frac{{p\left( {{y_t}|{x_t}} \right)p\left( {{x_t}} \right)}}{{\displaystyle \int_{{x_t} \in {S_t}} {} p\left( {{y_t}|{x_t}} \right)p\left( {{x_t}} \right){\rm{d}}{x_t}}}$ |
式中:分母是一个与
$ \begin{array}{c} p\left( {{x_t}|{Y_t}} \right) = {\alpha _t} p\left( {{x_t}|{Y_{t - 1}}} \right)p\left( {{y_t}|{x_t}} \right)= \\ \;\;\;\;\;\;\;\;\;\dfrac{{p\left( {{x_t}|{Y_{t - 1}}} \right)p\left( {{y_t}|{x_t}} \right)}}{{\displaystyle\int_{{x_t} {_t \in {S_t}}} {} {p\left( {{x_t}|{Y_{t - 1}}} \right){p_{{\nu _t}}}\left( {{x_{t + 1}} - {x_t} - {u_t}} \right)} {\text{d}} {x_t}}} \end{array}$ | (3) |
式中
$ \begin{array}{c} p({X_t}|{Y_{t - 1}}) = p({x_t}|{X_{t - 1}},{Y_{t - 1}})=\\ \;\; \;\displaystyle\int_{{x_t} \in {S_{t - 1}}} {p({X_{t - 1}}|{Y_{t - 1}})p({x_t}|{x_{t - 1}}){\rm{d}}{x_{t - 1}}} = \\ \;\; \displaystyle\int_{{x_t} \in {S_{t - 1}}} {p({X_{t - 1}}|{Y_{t - 1}})({x_t} - {x_{t - 1}} - {u_{t - 1}}){\rm{d}}{x_{t - 1}}} \end{array} $ | (4) |
式(2)、(3)、(4)为地形匹配的Bayesian滤波估计公式,其中式(3)、(4)分别为系统状态更新公式和系统状态预测公式。
Bayesian滤波的最大困难是PDF的数值解法,即使对于线性高斯系统,其求解仍然面临着高维积分问题,计算难度较大。在Bayesian滤波的数值解法中,PF算法作为一种Bayesian滤波的近似最优方法得到了越来越多的关注,在解决这类问题上有着良好的实用性[12]。基于多波束测探的AUV海底地形辅助导航示意如图1所示。
Download:
|
|
PF算法的本质是将连续积分运算变为随机样本集的求和运算,即系统状态的后验PDF可用一组在状态空间内随机抽取的加权粒子表示为
$p({X_t}|{Y_t}) \approx \frac{1}{{{N_s}}}\sum\limits_{i = 1}^{{N_s}} {\delta ({X_t} - X_t^i)} $ |
式中
$p({X_t}|{Y_t}) \approx \sum\limits_{i = 1}^{{N_s}} {w_t^i\delta ({X_t} - X_t^i)} $ |
式中
$w_t^i = w_{t - 1}^i\frac{{p\left( {{z_t}|x_{t - 1}^i} \right)p\left( {x_t^i|x_{t - 1}^i} \right)}}{{q\left( {x_t^i|x_{t - 1}^i,{y_t}} \right)}}$ | (5) |
粒子滤波的状态估计和方差估计为
状态估计:
${\tilde {{x}}_t} = \frac{1}{{{N_j}}}\sum\limits_{i = 1}^{N_c^j} {w_t^i} x_t^i$ |
方差估计:
${p_t} = \sum\limits_{j = 1}^{{N_j}} {\sum\limits_{i = 1}^{N_c^j} {w_t^i(} {{x}}_t^i - {{\tilde {{x}}}_t}){{({{x}}_t^i - {{\tilde {{x}}}_t})}^{\text{T}}}} $ |
虽然基于重采样技术的PF算法可避免粒子退化现象,但重采样会造成高权值粒子被多次复制,从而损失粒子集的多样性,即出现“粒子贫化”现象。为了弥补重采样过程中的多样性损失问题,对重采样后粒子进行重新分布,在地形辅助定位中引入辅助采样技术。
1.3 辅助重采样技术辅助采样是指是在重采样后的父代粒子的基础上,通过父代粒子的先验PDF进行再次采样。辅助采样后粒子是融合了父代先验知识的重新分布的粒子,可有效提高粒子多样性,使得粒子分布结果更接近于真实PDF。辅助重采样技术的实现方法如下:
1) 计算粒子滤波中的有效粒子个数
${N_{{\text{eff}}}} = {1 / {\sum\limits_{i = 1}^{{N_s}} {{{\left( {w_t^i} \right)}^2}} }}$ | (6) |
2) 若
3) 根据每个父代粒子的分布
$w_t^j = \dfrac{{p({y_t}|x_{t - 1}^i)}}{{p({y_t}|x_t^*)}}$ |
式中
引入辅助的改进粒子滤波(improved particle filter, IPF)算法步骤如下:
1) 初始化:
2) 重要性权值计算:
3) 重要性权值归一化:
4) 根据式(6)计算有效粒子个数
5) 若
6) 输出地形匹配的状态估计和方差估计;
7) 判断滤波是否收敛,若滤波收敛,输出定位结果;若滤波未收敛转到步骤2)。
基于辅助采样粒子滤波的海底地形辅助定位算法流程图如图2所示。
Download:
|
|
仿真实验在一个以PC/104嵌入式计算机为核心的AUV海底地形辅助导航半物理测试平台中进行,其结构如图3所示。
Download:
|
|
如图3所示,仿真平台由3部分组成:监控计算机、环境仿真计算机和PC/104嵌入式计算机。基于半物理测试平台,仿真试验分为2部分:
1) 基于电子海图数据的算法验证;
2) 使用真实多波束测深数据的回放式仿真。
3.2 算法验证使用在环境仿真计算机中运行的Vega视景仿真软件模拟AUV运动,同时多波束测深系统由Vega的相交线检测功能模拟[13]。Vega视景仿真界面如图4所示。
Download:
|
|
算法验证所使用的DTM通过对某海域电子海图中的水深数据进行网格化插值得到,如图5所示。DTM的尺度大小
Download:
|
|
由于在真实地形辅助导航外场实验中使用的光纤罗经等姿态测量传感器具有较高的测量精度,在运算中往往忽略其误差影响[14]。因此为了提高仿真效率,AUV自身姿态测量误差在仿真中也可忽略。设定AUV的航行路径,并在航行路径上选取5个地形匹配区域,规划路径和选取的匹配区域如图6所示。
Download:
|
|
选用
为了量化地形特征的丰富程度,计算匹配区域内的地形熵[15]。分别基于极大似然估计(maximum likelihood estimation, MLE)算法[9]、TERCOM和粒子滤波组合算法( terrain-aided navigation algorithm combined with the TERCOM algorithm and particle filter,TERCOM-PF )[16]和基于辅助采样的IPF算法,各进行200次导航仿真实验并计算误差平均值,仿真结果如图7所示。
Download:
|
|
根据地形熵的定义可知,地形特征丰富程度随地形熵的增大而减少。由表1可知,定位区域1~5处的地形特征逐渐贫乏。由图7可以看出,随着地形熵的增大,MLE算法、TERCOM-PF算法、IPF算法的地形匹配误差均随之增大。当地形熵较小时,MLE算法的定位精度介于TERCOM-PF算法和IPF算法之间。随着地形熵的增大,MLE算法的定位误差增长较快,在定位区域5内,MLE算法的定位误差大于TERCOM-PF算法。这是由于MLE算法假设所有测深数据的误差对地形匹配定位的影响是相同的,总体误差是个体误差的平均,没有考虑个体误差的差别,即MLE算法的定位性能受“误差均化”作用的影响。在地形特征贫乏区域,总体间的误差差别很小,“误差均化”的干扰也随之增大,从而导致地形匹配精度的大幅降低。相比于TERCOM-PF算法,IPF算法引入辅助采样技术,滤波运算中的有效粒子个数大大增加,因此其精度有较大提高,且其受地形特征影响程度较低,5个区域的平均定位精度均小于5 m,对于地形特征有着较强的适应性。
回放式仿真实验的数据源为AUV搭载多波束测深系统在胶州湾海区获得的海底测量数据。多波束测量区域大小约为1 000 m×900 m。滤波和网格化处理后,得到分辨率为1 m×1 m的DTM,如图8所示。
Download:
|
|
图8中箭头所示的路径是一条独立的多波束测线,用于模拟实时多波束测深数据。该测线由一次独立多波束测深实验获得,且测量时AUV航向不同于测量DTM时的航向,保证了数据独立性。
由于回放式仿真中的实验数据来源于真实海中实验,因此回放式仿真可验证算法在真实海洋环境中的适应性[17]。沿独立测线方向选取8个区域作为地形辅助定位区域,计算地形熵。表2中所示为定位区域内的地形熵,表示地形特征丰富程度,正好与地形匹配区域内的定位精度相对应。
基于不同的波束组合模式和粒子数,进行回放式仿真实验,实验结果如下:
1) 设定仿真中的粒子数为2 000,选择不同波束组合进行仿真实验,仿真结果如图9所示。
Download:
|
|
由图9可以看出,当实时测深数据较少(40×3)时,增加波束的数目可以有效提高地形辅助定位的精度;当实时测深数据达到一定数目(60×5)时,随着测深数据的增加,地形辅助定位精度并不随之提高。这是由于60×5的实时测深数据对局部地形特征的描述已经能较为准确,此时增加测深数据将带来数据冗余,并不能有效提高定位精度。
2) 设定仿真中的波束组合为
Download:
|
|
由图10可以看出,当粒子数较少时,增加粒子个数可以有效提高地形辅助定位的精度;但随着粒子数的增加,地形辅助定位精度将稳定在一定范围,此时再增加粒子数目不能提高匹配定位精度。IPF地形辅助定位的计算量与粒子数呈正比,因此在匹配中应在保证定位精度的前提下取较少的粒子数目。
由于采用的DTM具有较高分辨率,在回放式仿真实验中沿独立测线选取的8个区域内的地形辅助定位精度均小于5 m,因此本文提出的地形辅助定位方法对真实海洋环境有较好的适应性。
4 结束语针对AUV海底地形辅助导航问题,在PF中引入辅助采样技术,提出一种适用于AUV的IPF海底地形辅助定位算法,并进行了基于半物理测试平台的算法验证实验和回放式仿真。本文提出的方法具有容易实现、定位精度较高、对地形特征的适应能力较强等优势。由于地形辅助定位精度与匹配区域内的地形特征丰富程度相关,后续的研究工作将重点研究如何根据海底地形特征实时选取恰当的测深数据组合模式和粒子数,实现定位精度和计算量的平衡。
[1] |
徐玉如, 庞永杰, 甘永, 等. 智能水下机器人技术展望[J]. 智能系统学报, 2006, 1(1): 9-16. XU Yuru, PANG Yongjie, GAN Yong, et al. AUV-State-of-the-art and prospect[J]. CAAI transactions on intelligent systems, 2006, 1(1): 9-16. (0) |
[2] |
潘光, 宋保维, 黄桥高, 等. 水下无人系统发展现状及其关键技术[J]. 水下无人系统学报, 2017, 25(2): 44-51. PAN Guang, SONG Baowei, HUANG Qiaogao, et al. Development and key techniques of unmanned undersea system[J]. Journal of unmanned undersea systems, 2017, 25(2): 44-51. (0) |
[3] | BRITO M P, LEWIS R S, BOSE N, et al. Adaptive autonomous underwater vehicles: an assessment of their effectiveness for oceanographic applications[J]. IEEE transactions on engineering management, 2019, 66(1): 98-111. DOI:10.1109/TEM.2018.2805159 (0) |
[4] | PAULL L, SAEEDI S, SETO M, et al. AUV navigation and localization: a review[J]. IEEE journal of oceanic engineering, 2014, 39(1): 131-149. DOI:10.1109/JOE.2013.2278891 (0) |
[5] | NISHIDA Y, URA T, NAKATANI T, et al. Autonomous underwater vehicle "Tuna-Sand" for image observation of the seafloor at a low altitude[J]. Journal of robotics and mechatronics, 2014, 26(4): 519-521. DOI:10.20965/jrm.2014.p0519 (0) |
[6] | TEIXEIRA F C, QUINTAS J, MAURYA P, et al. Robust particle filter formulations with application to terrain-aided navigation[J]. International journal of adaptive control and signal processing, 2017, 31(4): 608-651. DOI:10.1002/acs.2692 (0) |
[7] | MELO J, MATOS A. Survey on advances on terrain based navigation for autonomous underwater vehicles[J]. Ocean engineering, 2017, 139: 250-264. DOI:10.1016/j.oceaneng.2017.04.047 (0) |
[8] | NYGREN I, JANSSON M. Terrain navigation for underwater vehicles using the correlator method[J]. IEEE journal of oceanic engineering, 2004, 29(3): 906-915. DOI:10.1109/JOE.2004.833222 (0) |
[9] |
陈小龙, 庞永杰, 李晔, 等. 基于极大似然估计的AUV水下地形匹配定位方法[J]. 机器人, 2012, 34(5): 559-565. CHEN Xiaolong, PANG Yongjie, LI Ye, et al. Underwater terrain matching positioning method based on MLE for AUV[J]. Robot, 2012, 34(5): 559-565. DOI:10.3724/SP.J.1218.2012.00559 (0) |
[10] | LI Ye, WANG Rupeng, CHEN Pengyun, et al. Terrain matching positioning method based on node multi-information fusion[J]. The journal of navigation, 2017, 70(1): 82-100. DOI:10.1017/S0373463316000369 (0) |
[11] |
占荣辉, 张军, 欧建平, 等. 非线性滤波理论与目标跟踪应用[M]. 北京: 国防工业出版社, 2013. ZHAN Ronghui, ZHANG Jun, OU Jianping, et al. Nonlinear filtering theory with target tracking application[M]. Beijing: National Defense Industry Press, 2013. (0) |
[12] |
胡士强, 敬忠良. 粒子滤波算法综述[J]. 控制与决策, 2005, 20(4): 361-365, 371. HU Shiqiang, JING Zhongliang. Overview of particle filter algorithm[J]. Control and decision, 2005, 20(4): 361-365, 371. DOI:10.3321/j.issn:1001-0920.2005.04.001 (0) |
[13] | LI Ye, CHEN Pengyun, DONG Zaopeng. Sensor simulation of underwater terrain matching based on sea chart[C]//Proceedings of International Conference on Computer Science, Environment, Ecoinformatics, and Education. Wuhan, China, 2011. (0) |
[14] | HAGEN O K, ANONSEN K B. Using terrain navigation to improve marine vessel navigation systems[J]. Marine technology society journal, 2014, 48(2): 45-58. DOI:10.4031/MTSJ.48.2.6 (0) |
[15] |
王华, 晏磊, 钱旭, 等. 基于地形熵和地形差异熵的综合地形匹配算法[J]. 计算机技术与发展, 2007, 17(9): 25-27. WANG Hua, YAN Lei, QIAN Xu, et al. Integration terrain match algorithm based on terrain entropy and terrain variance entropy[J]. Computer technology and development, 2007, 17(9): 25-27. DOI:10.3969/j.issn.1673-629X.2007.09.008 (0) |
[16] | ZHAO Long, GAO Nan, HUANG Baoqi, et al. A novel terrain-aided navigation algorithm combined with the TERCOM algorithm and particle filter[J]. IEEE sensors journal, 2015, 15(2): 1124-1131. DOI:10.1109/JSEN.2014.2360916 (0) |
[17] | HAGEN O K. TerrLab- a generic simulation and post-processing tool for terrain referenced navigation[C]//Proceedings of MTS/IEEE Oceans Conference 2006. Boston, USA, 2006. (0) |