基于神经网络辅助的组合导航算法研究.pdfVIP

基于神经网络辅助的组合导航算法研究

摘要

建设海洋强国是我国的基本国策。水下无人航行器作为目前世界主流的海洋资源

探索的高智能体设备，在海洋研究方面具有举足轻重的作用。但是海洋环境复杂多变，

水下的环境更是不可预测，当AUV在水下航行时往往会遇到一些极端的情况，导致一

些传感器失效。例如DVL传感器可能会出现暂时性失效或者信息丢失，影响了导航系

统整体的定位精度。当传感器的可用性发生变化时，传统的多传感器信息融合方式也

会受到影响，从而导致AUV的导航精度降低。针对以上问题，本课题首先提出了应用

神经网络搭建智能速度辅助模型替代DVL功能的方法。当DVL失效时，使用速度预

测模型来代替DVL的工作，保证导航定位的精度。针对多传感器信息融合的问题，提

出了一种改进的因子图融合算法。主要研究内容包括：

首先，介绍了AUV多源导航系统的整体架构。主要包括捷联惯性系统的导航原理、

误差分析以及更新过程,并对提出的算法进行仿真验证。其次提出了基于卡方的DVL故

障检测方法，确保了DVL传感器在失效时能够被及时的检测到。最后从理论层次、技

术层次和相关领域研究等多个方面，对采用神经网络搭建速度预测模型进行了可行性

分析，多角度说明了采取神经网络搭建航行器的速度预测模型是能够实现的。

然后，基于长短期记忆网络（LSTM）搭建了速度预测模型。为了在处理数据时能

够更加准确的分配不同变量的权重值，在LSTM的基础上增加了Attention注意力机制，

搭建基于LSTM-Attention的速度预测模型。最后为了加快模型在训练期间的速度，增

强模型的泛化能力，增添了卷积神经网络（CNN），在数据传入LSTM之前首先通过

CNN层进行特征提取，提出了基于CNN-LSTM-Attention（CLAT）的速度预测模型。

为接下来的速度预测模型的实验对比和改进奠定了基础。

其次，针对上述构建的多种速度预测模型，分别对它们进行实验验证。首先对

AUV在湖试实验中得到的真实运动数据集进行预处理，并完成相关性分析、训练集的

划分和归一化处理。然后将处理后的数据集输入到速度预测模型中，根据设定的评价

标准，结合模型的预测结果对不同的速度预测模型进行评判。但LSTM本身无法并行

处理数据，导致模型的训练时间较长，而且时间序列数据过长时，LSTM也会出现信

息丢失的状况，可能会导致梯度消失。针对LSTM不足，提出了基于Transformer的速

度预测模型。将此模型的预测效果与前述速度预测模型的结果进行对比，进一步对不

I

哈尔滨工程大学硕士学位论文

同速度预测模型的效果进行评价。

最后，通过仿真实验，进一步验证速度预测算法的可行度与预测结果的精准度。

首先在因子图的基础上添加了滑动窗口与惯导迭代，不但降低了整体计算复杂度的，

且保证了解算结果的准确度。随后通过仿真实验将优化后的因子图与标准因子图进行

对比，验证算法的可行性与有效性。针对航行过程传感器失效的问题，设计了基于改

进因子图的速度预测模型验证实验。在DVL无法正常工作时，选用速度预测算法进行

代替。根据实验的结果，进一步验证速度预测算法在AUV航行过程中的实际效果和具

体作用。

关键词：自主水下航行器；速度预测；长短期记忆网络；Transformer；因子图；即插

即用

II

基于神经网络辅助的组合导航算法研究

Abstract

BuildingastrongoceancountryisthebasicnationalpolicyofChina.Underwater

unmannedaerialvehicleastheworldsmainstreammarineresourcesexploration