[发明专利]一种基于改进的PSO-ANFIS辅助的SINS/DVL紧组合导航方法

说明书

本发明提供了一种基于改进的PSO‑ANFIS辅助的SINS/DVL紧组合导航技术，包括：建立水下潜航过程中SINS/DVL紧组合导航系统的状态方程和量测方程；在水面借助GNSS并通过变分贝叶斯卡尔曼滤波算法收集样本数据，获取包含各种异常测量类型的新息、马氏距离、量测噪声协方差矩阵作为ANFIS的输入信息，获取DVL绝对误差作为期望输出；通过粒子群优化算法优化ANFIS模型参数，训练得到更优的ANFIS模型；在水下航行时，采用训练得到的ANFIS模型对DVL的四波束绝对误差进行在线预测；进一步地，基于ANFIS预测结果，通过异常判别机制监测误差的特征变化，有选择的补偿DVL测量值，用于组合导航系统量测更新过程。本发明能够提高复杂水下环境中SINS/DVL紧组合导航系统的定位精度和鲁棒性。

技术领域

本发明属于组合导航领域，涉及一种基于改进的PSO-ANFIS辅助的SINS/DVL紧组合导航方法。

背景技术

越来越多的国家把推进海洋的勘探发展作为战略目标，实现探索的广度和深度一直是全球共同的追求。精确稳定的水下导航系统对于人们探索海洋非常重要。常用的水下导航系统和传感器主要有SINS、 DVL、水声定位技术、地球物理导航系统、深度计、磁力计等。其中SINS是水下导航中最核心的导航系统，因为它具有自主性和隐蔽性，但是误差随时间积累的问题限制了它的独立使用。与在地面、空中不同的是，由于电磁波在水下衰减严重，全球导航卫星系统(Global Navigation Satellite System，GNSS)没办法在水下使用。地球物理导航技术需要提前建立任务区的匹配数据库，水声定位也需要提前布置声头。因此，将SINS与DVL进行组合导航成为水下航行器 (Autonomous Underwater Vehicle，AUV)的主流导航方式，以实现长航时、高精度的水下导航。

对于SINS/DVL集成系统，影响其导航精度的因素有很多，如安装角度误差、杆臂误差、测速误差。SINS和DVL固定后，安装角度和杆臂误差相对稳定，可以在航行前进行标校。DVL是主动声呐，需要接收外界的反射声波，其接收到的声学信号与周围声学环境有很大关系。因此DVL的实际测速精度非常受复杂环境的影响，这是对组合导航精度影响最大的部分。当AUV航行过程遇到海洋生物阻挡或者快速加速造成周围有气泡时，DVL测量数据会失准，可能会产生野值和较大干扰噪声。为了解决野值的问题，提出了一系列鲁棒的估计方法。最易于实现的是经典的卡方检测，通过设置一定的阈值，判别是否是野值。有学者提出基于Huber-M估计的卡尔曼滤波器，通过新息求解Huber核函数，进一步求解权重矩阵，以此重构观测量进行滤波更新，但是核函数的参数选择需要一定的经验。基于最大相关熵准则的卡尔曼滤波器也是类似的原理。有学者提出一种基于 Student’s-t分布的卡尔曼滤波器，其认为复杂水下环境中量测野值会导致量测噪声呈现厚尾特性，将量测噪声建模为Student’s-t分布，并通过变分贝叶斯学习对状态估计进行迭代求取。有学者通过自适应滤波器来解决未知干扰噪声的问题，通过迭代过程中对模型参数进行调整，获得更加贴合实际情况的模型，包括Sage-Husa自适应滤波器、变分贝叶斯自适应滤波器等，但是这些方法的精度都非常依赖于系统过程噪声方差阵和系统量测噪声协方差矩阵的初值，不具有普适性。实际上，当AUV航行过程中遇到深沟或者海底淤泥时，部分DVL 波束无法获得有效的反射声波，可能会造成数据更新不规律，甚至部分DVL波束短时失效的情况。这些在发生的初始阶段误差是比较小的，都会导致组合导航的精度下降。目前对这些因素的研究尚处于起步阶段，没有足够有效的解决方法。而在复杂海洋环境中实现高精度导航，以上几类误差都是需要进行补偿处理的，这也是本发明的任务。

另外，考虑到误差的发生会导致一些关联变量的变化，可以通过人工智能的方法获得其相关关系。近年来，人工智能在各个领域迅速发展，其中ANFIS融合了神经网络的学习机制和模糊系统的语言推理能力，具有便捷高效的学习能力，被广泛应用于各个领域：医学症状辨别、桥梁变形估计、电力系统参数估计等等。

发明内容