水下机器人定位算法

水下机器人的定位信息一般应包括位置信息和航向信息。选用超声波传感器测距,再作圆弧求交点的方法可获取位置信息,给出2种计算位置的算法;水下环境复杂,机器人的航向信息难以获取,建立拟合机器人的历史位置信息的曲线,进而对曲线进行求导来近似代替机器人航向的航向估计模型。水下实验验证了定位算法的可行性及可靠性,位置定位绝对误差小于20 cm,航向定位绝对误差大都在10°以内,满足定位要求。并分析定位误差来源,给出航向算法的修正模型。     

基于信息融合地图的水下机器人位置估计

建立了一种对声纳和视觉图像进行融合的模型,提出了采用高斯方法和对水下环境进行描述建立融合地图的新的表达方法。首先假定传感器的观测信息为高斯分布,通过空间关系的变换和投影将声纳和视觉投影到公共的状态空间,然后对各传感器的其它信息进行加权,并嵌入到其中,得到适合计算机处理的传感器地图。提出了对水下机器人进行位置估计及地图匹配的算法,在导航过程中通过找出当前地图与参考地图的最大相关系数,从而对机器人位置进行更新,得出其最佳位置估计。仿真结果显示：采用融合地图对水下机器人的位置估计是连续的、可计算的、有效的。     

可移动机器人在中心对称环境中的自定位算法

可移动机器人的自定位问题是智能机器人研究中的重要课题，它包含许多传感器技术和定位算法，马尔可夫定位算法的优点是可以使机器人在全局不确定的情况下估计它的位置。这种方法采用概率分布描述机器人的位置信度，机器人通过在运动过程中所获得的传感器数据和运动记录来更新信度分布，然后采用最高信度值来估计它所在的位置。对于只有距离测量传感器的机器人在中心对称环境中仅仅采用马尔可夫自定位法还是无法确定其位置，为了解决中心对称的环境中所存在的问题，建议在机器人上装上陀螺仪或指南针，定义一个角度高斯分布函数，并利用这个函数建立新的机器人感知模型来扩展马尔可夫定位算法，通过仿真程序对多种对称情况进行实验，验证了这一新算法的可行性，这个扩展马尔可夫自定位算法不仅可使机器人在中心对称环境中很快地确定自己的位置，而且可以加快非对称环境中信度分布收敛到真实位置的速度。     

深海采矿机器人自定位过程中数据融合研究

面向深海采矿机器人自主定位，采用自适应卡尔曼滤波算法，基于一种修正的长基线水声定位系统，对长基线水声定位系统对机器人位置的测量值和通过多普勒测速仪等其它传感器的测量值间接得到的关于机器人位置的推测值进行数据融合，得出桌时刻机器人位置的最优估计。仿真结果印证了此方法具有很好的估计精度。     

改进粒子群在水下机器人路径规划中的应用

在海洋环境中水下机器人路径规划具有规划范围广阔、障碍物相对稀疏、海流的影响不可避免的特点。应用粒子群优化(PSO)算法实现水下机器人在复杂海洋环境中的路径规划,并从参数控制策略及拓扑模型方面进行改进,得到收敛精度更好的改进粒子群优化算法。设计了综合路径长度、海流和转向费用的适应度函数,使算法很好地适应海流的变化,很大程度减小了海流对水下机器人能量消耗和控制的不利影响。经仿真实验验证了算法的有效性,并能够很好地满足在复杂海况环境水下机器人路径规划的要求。     

水下机器人神经网络自适应逆控制

水下环境的复杂性以及自身模型的不确定性，给水下机器人的控制带来很大困难。针对水下机器人的特点和控制方面所存在的问题，提出了基于预测—校正控制策略的水下机器人神经网络自适应逆控制结构及训练算法。通过在线辨识系统的前向模型，估计出系统的Jacobian矩阵，然后采用预报误差法实现控制器的自适应。同时，为了提高系统对于外扰的鲁棒性，在伪线性回归算法的基础上，在评价函数中引入微分项。理论分析和仿真结果表明，与原来的算法相比，微分项的引入改善了系统对于外扰的鲁棒性和动态性能。     

基于神经网络的自治水下机器人广义预测控制

针对自治式水下机器人高度非线性和时变性的特点,提出了一种基于神经网络的水下机器人广义预测控制策略．利用改进型Elman网络作为多步预测模型,在对网络学习算法进行改进的基础上,实现了Elman网络的在线学习,并提出了用于求解神经广义预测控制律的灵敏度公式．进行了具有神经网络在线学习功能和不具有在线学习功能的水下机器人的速度控制实验,并就预测控制效果进行了对比分析．实验结果表明,具有自适应学习功能的水下机器人速度控制法的精度要优于不具有在线学习功能的速度控制法,且当水下机器人动态特性发生变化时具有较强的自适应能力．     

基于一致性Unsented卡尔曼滤波的多机器人定位

主要研究了多机器人编队过程中机器人的定位问题.在编队过程中机器人仅利用通过场地上方的摄像头捕获的图像得到自身的位置容易受干扰导致定位不准.利用队列中某个机器人观测到另外一个或几个机器人时,用相对观测信息和自身的位置以及附近被观测机器人的位置估计来更新一致性Unsented卡尔曼滤波算法中的状态估计.最后通过实验来对比未滤波前定位精度和分别采用Unsented卡尔曼滤波算法和一致性Unsented卡尔曼滤波算法定位精度,实验结果表明一致性Unsented卡尔曼滤波算法能够有效地提高定位的精度.     

室内环境下同步定位与地图创建改进算法

提出了一种室内环境下基于平方根无迹卡尔曼滤波（SRUKF）的同步定位与地图创建（SLAM）算法． 该方法在每步迭代中采用平方根无迹粒子滤波器进行机器人状态估计,并引入平方根无迹卡尔曼滤波器定位路标, 进而完成机器人状态和相应路标信息更新．将本文算法与机器人运动模型和红外标签观测模型结合进行了仿真和实 验,结果表明,本算法在同步定位和地图创建过程中提高了机器人状态和路标估计的精度及稳定性．     

采用相关滤波的水下海参目标跟踪

针对在使用水下机器人采捕时需要实时跟踪定位海参目标的问题，提出了一种基于核相关滤波器的海参目标追踪算法。在初始帧中，根据已知的海参目标的外形特征，将海参整体分为九宫格块，通过边界块与中心块的比较定位海参的两头部位置；使用KCF算法在后续帧中追踪海参两个头部，通过两个模块之间的距离变化来估计海参尺度并计算出目标海参的位置。实验结果表明:在追踪水下海参时，该追踪算法的精确度、运行速度、成功率均高于其他实验算法。     

水下自主导航系统算法设计

基于微小型水下机器人的导航需求,结合水下机器人应用环境的特点,在既定的元器件与处理芯片基础上,提出了水下组合导航算法的设计原则,选取合适的状态量和量测量,建立状态方程与量测方程,建立一套集中式Kalman滤波导航系统算法。算法保证导航系统能够满足长航时下高精度需求,具有较高的抗干扰能力,同时充分利用现有的各项传感器输出信息,保证系统的稳定性。并用实验小车进行陆上实验,验证算法的正确性。     

基于降阶卡尔曼滤波器的水下机器人滑模容错控制

针对水下机器人执行器时变、非线性故障,提出一种基于降阶卡尔曼滤波器的故障估计和滑模容错控制方法.用降阶卡尔曼滤波器估计水下机器人故障解耦子系统的状态,受故障的影响,子系统状态可测.由估计的状态和测量的状态可进一步得到水下机器人执行器的故障信息.滑模容错控制器根据所估计的执行器故障调整控制器的输出以实现容错控制.仿真结果验证了所提出的故障辨识与容错控制算法的有效性.     

基于次优区间卡尔曼滤波的机器鱼跟踪方法

目前,自主水下航行器(Autonomous Underwater Vehicle,AUV)研究的重点集中在跟踪定位、精确制导和返坞等领域。机器鱼已成为AUV在智能教育、民用与军事等方面的应用热点。从非线性跟踪分析中发现,区间卡尔曼滤波算法虽然包含了一切可能的滤波结果,但范围比较宽,也比较保守,而且区间数据向量在实现之前是不确定的。文中提出了一种次优区间卡尔曼滤波优化算法。次优区间卡尔曼滤波方案用区间矩阵的逆 代替 其最坏逆,比标准区间卡尔曼滤波更逼近状态方程和测量方程的非线性过程,提高了标称动态系统模型的精确度,改善了跟踪系统的速度与精度。蒙特卡洛仿真实验结果表明,次优区间卡尔曼滤波算法的最优轨迹优于区间卡尔曼滤波方法及标准的卡尔曼滤波方法。     

异步时钟下基于信息物理融合的水下潜器协同定位算法

在异步时钟下研究了一种基于信息物理融合的水下潜器协同定位问题.首先，构建了由浮标、传感器和潜器组成的水下信息物理融合系统架构.然后，考虑水下异步时钟影响，设计了基于传感器与潜器交互通信的异步定位策略，给出了潜器协同定位问题.为求解上述协同定位问题，分别提出了基于扩展卡尔曼滤波（Extended Kalman filter，EKF）与无迹卡尔曼滤波（Unscented Kalman filter，UKF）的水下潜器协同定位算法.最后，对上述定位算法的有界性以及克拉美罗下界（Cramér-Rao lower bound，CRLB）进行了分析.仿真结果表明，上述算法可有效消除异步时钟对水下定位的影响.同时基于无迹卡尔曼滤波的定位算法可提高定位精度.     

基于PF和UKF的水下目标运动估计方法研究

针对无人水下航行器（UUV）目标跟踪控制需求,分别提出了水下目标的粒子滤波（PF）和无迹卡尔曼滤波（UKF）运动估计方法,建立了目标运动参考坐标系,给出了坐标系之间转换基本方法;设计了建立了目标的典型运动模型和非线性随机运动模型,利用前视声呐实测实验数据,完成水下目标运动估计。通过与扩展卡尔曼滤波器（EKF）的目标运动估计对比仿真实验,验证了PF和UKF两种目标运动估计方法的有效性。     

基于UKF的水下航行器IMU故障检测与诊断方法研究

惯性测量单元（IMU）作为水下航行器导航系统关键传感器,其可靠性直接影响航行器的导航性能。为了提高IMU的容错能力,本文提出一种基于无迹卡尔曼滤波（UKF）算法的IMU故障诊断技术。首先根据水下航行器的动力学方程和导航系统特点,建立描述IMU故障与导航状态量关系的解析模型;接着基于UKF非线性滤波的特点,进行导航滤波解算,基于此,提出了解耦矩阵法以实现IMU的故障检测;并且根据无迹卡尔曼滤波器新息正交原理,提出了实时估计IMU故障的方法,从而完成水下航行器IMU故障的在线检测与诊断。最后,通过实际航行数据验证了所提出算法的有效性。     

Ensemble and Fuzzy Kalman Filter for position estimation of an autonomous underwater vehicle based on dynamical system of AUV motion

An underwater vehicle is useful in the monitoring of the unstructured and dangerous underwater conditions. One of the unmanned underwater vehicle is AUV. AUV is a robotic device that is driven through the water by a propulsion system, controlled and piloted by an onboard computer, and maneuverable in three dimensions. This research explains about position estimation of AUV based on the Ensemble Kalman Filter (EnKF) and the Fuzzy Kalman Filter (FKF). EnKF is used as the estimation method of AUV’s position that maneuvering in 6 DOF (Degrees of Freedom) with the specified trajectory. The estimation results are simulated with Matlab. The simulations show the AUV position estimation based on the EnKF with some of the different ensembles and the comparison results of the position estimation between the EnKF and the FKF. The final result of these study shows that Ensemble Kalman Filter is better to estimate the trajectory of the dynamical equation of AUV motion with the error estimation of EnKF is 92% smaller in the x-position dan y-position, 6.5% smaller in the z-position, 93% smaller in the angle dan the computation of time is 50% faster than the estimation results of FKF.     

含有分数阶有色关联噪声的分数阶系统的卡尔曼滤波器设计

提出基于Tustin生成函数的分数阶卡尔曼滤波器设计方法,以解决含有相互关联的分数阶有色过程噪声和分数阶有色测量噪声的连续时间线性分数阶系统的状态估计问题.通过Tustin生成函数方法,对连续时间线性分数阶系统进行离散化,将分数阶系统的微分方程转化为差分方程.利用增广向量法,将分数阶状态方程和分数阶有色噪声作为新的增广状态向量,从而将分数阶有色噪声转化为高斯白噪声.然后,提出一种基于Tustin生成函数的分数阶卡尔曼滤波算法,有效地实现对含有相互关联的分数阶有色过程噪声和分数阶有色测量噪声的连续时间线性分数阶系统的状态估计.与基于Grddotunwald-Letnikov差分的离散化方法相比,所提出的基于Tustin生成函数的卡尔曼滤波算法得到的状态估计精度更高,状态估计效果更好.最后,通过仿真结果验证所提出算法的有效性.     

一种提高车辆导航系统定位精度的方法

为了解决量测方程线性化及普通卡尔曼滤波数值稳定性对车载航位推算系统滤波结果的影响,给出了车载航位推算系统的基于U D分解的自适应迭代滤波算法,并将这一算法与车载航位推算系统的迭代型自适应推广卡尔曼滤波算法及简单航位推算进行了比较。计算机仿真结果表明:新算法能够有效地提高车载航位推算系统的定位精度及数值稳定性。     

基于无迹卡尔曼滤波传感器信息融合的车辆导航算法

针对复杂道路条件下车辆的导航问题,将全球定位系统(GPS)与车载终端传感器系统相结合,提出了基于多传感器系统的车辆精确定位模型,并针对扩展类卡尔曼滤波易产生突发性误差而导致的安全问题,采用基于Sigma点的无迹卡尔曼滤波器(UKF)传感器信息融合算法。根据实时的道路状况和车辆自身的运动状态给出符合要求的状态估值,实验与基于多项式扩展卡尔曼滤波车辆传感器信息融合算法在精度和效率方面进行了比较,结果表明,基于UKF传感器信息融合的算法在复杂路况下的估计精度和运行效率都有显著提高,能够根据当前的路线情况和车载传感器的反馈信息快速地估计出车辆的运动状态,实时计算出动态的车辆控制输入。