基于广义最大相关熵的水下定位误差抑制方法研究.pdf

哈尔滨工业大学硕士学位论文

摘要

自主水下航行器(AutonomousUnderwaterVehicle,AUV)如今越来越多地应

用于海洋探测、潜水研究、军事监察等领域。基于单信标的主从AUV协同工作

能够提高工作效率，在水下定位时待定位的从AUV缺少外界的辅助定位信息，

而此时单信标与其它AUV可与待定位AUV共享位置、距离等信息，从而提高

从AUV的定位精度，单信标辅助的AUV协同定位手段能够有效地降低定位误

差，比较适用于水下定位体系。

在基于单信标的主从AUV协同定位系统中，由于水下传输时电磁波信号

会衰减，因而可以使用多个设备之间的信息和距离传递来进行彼此间的辅助定

位，以测距信息作为量测信息进行辅助定位。首先介绍了水下单信标辅助的主

从式AUV定位模型以及相关定位设备，后续的各种优化处理算法都以建立好

的定位导航模型为基准。

水下信息传输较为复杂，设备间的信息传递通常会受到水中的漂浮物、海

流等的影响，从而导致声波传递的量测距离等信息出现异常值，水下的量测噪

声包含高斯噪声和重尾噪声等。卡尔曼滤波方法能够较好地解决高斯噪声下的

线性系统的状态向量估计，而本文研究的水下单信标主从AUV协同定位系统

为非线性系统，而且其噪声会有重尾类型的，传统的扩展卡尔曼滤波、容积卡

尔曼滤波等对于重尾噪声和异常值的处理效果不甚优异，因此本文结合广义最

大相关熵、深度学习等算法进行更加精准的定位。基于广义最大相关熵的单信

标主从AUV协同定位算法，以状态向量、测量向量的误差的相关熵作为计算最

优状态向量的代价函数，将广义最大相关熵准则与容积卡尔曼滤波结合，通过

迭代来减小噪声对估计状态的干扰，从而增强从AUV的定位误差抑制能力。

由于长时积累误差的存在，本文以深度学习对基于相关熵的滤波算法进行

辅助，利用容积卡尔曼滤波估计的实时性以及神经网络的数据建模处理能力，

实现对于估计状态的修正滤波。在非线性滤波的基础上引入神经网络对滤波值

进行预测修正，可有效提高系统的估计精度及稳定性。

关键词：协同定位；单信标；容积卡尔曼滤波；广义最大相关熵；深度学习

-I-

哈尔滨工业大学硕士学位论文

Abstract

Autonomousunderwatervehiclesareincreasinglybeingusedinvariousfields

suchasmarineexploration,underwaterresearch,andmilitarysurveillance.The

cooperativeworkofmaster-slaveAUVsbasedonasinglebeaconcanenhance

operationalefficiency.Duringunderwaterpositioning,theslaveAUV,whichneeds

tobepositioned,lacksexternalauxiliarypositioninginformation.However,thesingle

beaconcanshareposition,distance,andotherinformationwithotherAUVs,thereby

improvingthepositioningaccuracyoftheslaveAUV.TheAUVcooperative

positioningmethodassistedbyasinglebeaconcaneffectivelyreducepositioning

errorsandissuitableforunderwaterpositioningsystems.