[发明专利]一种基于GRU粒子滤波的UUV目标状态估计方法

说明书

本发明提供一种基于GRU粒子滤波的UUV目标状态估计方法，首先建立基于门循环单元(Gated Recurrent Units,GRU)的深度神经网络来拟合前一时刻目标测量状态与当前时刻目标实际状态之间的映射；该神经网络学习目标的动力学模型并识别测量噪声。该滤波器从测量状态中直接采样，以这些采样粒子来近似测量分布。然后，充分训练的神经网络用来预测各粒子的当前状态，从而根据蒙特卡洛思想估计出目标当前的状态。可解决UUV目标状态估计中，由目标复杂的动力学以及声呐测量的不确定性引起的，目标状态估计精度低以及估计不稳定的问题。

技术领域

本发明涉及一种基于GRU粒子滤波的UUV目标状态估计方法，属于目标状态估计领域，涉及深度学习技术以及蒙特卡洛求期望理论。

背景技术

目标跟踪是无人水下潜航器(Unmanned Underwater Vehicle,UUV)执行避碰、信息搜集、集群控制、海底管道检修、港口防御等任务的关键技术，具有非常重要的实际应用和理论研究价值。目标跟踪是指利用感知量测系统对目标进行测量，然后通过目标状态估计方法对目标的运动状态进行估计和预测的过程。作为UUV目标跟踪的核心技术，UUV目标状态估计的主要工作是由带有观测噪声的声呐观测数据估计出目标的实时运动状态，估计精度直接影响到目标跟踪的效果。卡尔曼滤波(Kalman Filter,KF)可以根据观察到的测量结果提供一些未知变量的估计值，其状态和测量方程式都是线性的，并假设测量高斯噪声均值为零。具有形式简单、计算量小等优点，但传统的KF无法通过非线性的测量来估计目标状态。扩展卡尔曼滤波(Extended Kalman Filter,EKF)将非线性的测量方程进行泰勒级数展开，将其近似为线性方程从而实现状态估计。然而，该方法在线性化的过程中损失了高阶项，影响估计精度。无迹卡尔曼滤波(Unscented Kalman Filter,UKF)利用sigma点将非线性测量函数进行无迹变换，将无迹变换后的点拟合成高斯分布。UKF避免了线性化和求导过程，但仍将输出假设为高斯分布。粒子滤波(Particle Filter,PF)采用大量的采样点来描述该分布，具有处理高度非线性测量方程的能力，以及处理非高斯测量噪声的能力，但PF需要复杂的处理器和大量的计算时间。

海洋环境复杂，水下运动目标多样，而被跟踪目标的动力学模型往往非常复杂且具有强非线性。目前的目标状态估计方法大多建立在目标运动是单模态的这一重要前提下，这使得这些目标状态估计算法在水下目标转换运动状态时估计效果不理想。尽管已经提出了大量的滤波算法以及相关改进算法，但被跟踪目标动力学的复杂性和强耦合性，以及声呐测量带来的不确定性，仍是UUV状态估计问题的一大挑战。为了克服上述问题，本发明提出了GRU粒子滤波算法，并将其应用到UUV目标状态估计问题中。

文献[1]利用多层前馈神经网络识别惯性测量单元的测量噪声，该神经网络以KF状态估计作为输入来实现状态估计。该方法可以进一步优化KF的估计结果，进一步消除惯性测量单元的固有噪声。文献[2]建了一种基于双向长短时记忆的民用飞机机动目标跟踪算法，该方法利用双向长短时记忆来拟合UKF在机动目标跟踪过程中的残差，从而补偿UKF的跟踪结果，提高目标跟踪性能。上述文献使用不同的神经网络来补偿传统滤波算法的状态估计结果，提高了传统滤波器状态估计的性能。但状态估计的性能仍受传统滤波算法固有缺点的限制，如不适用与非线性非高斯系统以及非机动目标等。本发明提出的一种基于GRU的粒子滤波算法不建立在传统的滤波算法基础上，首先在目标状态的测量值中进行随机采样，获得采样粒子；然后将各采样粒子代表的测量状态输入到基于GRU的神经网络中，输出所估计的各粒子的状态；最后利用蒙特卡洛思想估计被跟踪目标的状态。本发明所提方法使用的深度神经网络、神经网络具有的职能、滤波过程和应用场景均与文献[1-2]不同。