搭载卡尔曼滤波器的水下航行器,可用于海洋环境中的目标跟踪!

   电工小二        

科学家提出了一种基于扩展卡尔曼滤波(TT-EKF)的自适应目标跟踪方法,对具有未知非高斯过程噪声的自主水下航行器(AUV)和移动恢复系统(MRS)在寻的过程中进行状态估计。在本文的应用场景中,过程噪声包括水下航行器航向和前进速度的测量噪声和MRS航向和前进速度的估计误差。过程噪声协方差矩阵(PNCM)的精度会影响到TT-EKF的状态估计性能。应用变分贝叶斯算法估计过程噪声统计量。研究人员使用高斯混合分布模型的非高斯噪声前进速度AUV和夫人研究人员使用•冯•米塞斯分布AUV和夫人吵了标题的变分模型贝叶斯算法应用于估计的参数分布,然后PNCM可以计算。采用多层神经网络在线补偿TT-EKF的预测误差,并在目标跟踪过程中在线训练神经网络。Matlab仿真和实验数据分析结果验证了该方法的有效性。


相关论文以题为“An Adaptive Target Tracking Algorithm Based on EKF for AUV with Unknown Non-Gaussian Process Noise”发表在《Applied Sciences》上。




对于海洋环境下的目标跟踪,一般采用两种方法。线性卡尔曼滤波器(Linear Kalman filter, KF)是一种最重要的方法,扩展卡尔曼滤波器(EKF)是第二种方法。KF/EKF对噪声统计的准确性高度敏感。在实际应用中,通常情况下,过程噪声和测量噪声的协方差矩阵可能是未知的或不准确的。在协方差矩阵未知的情况下,KF/EKF的状态估计性能会下降,甚至可能发散。为了解决这一问题,越来越多的模型不确定性自适应滤波器被开发出来。在本文中,研究人员重点研究了过程噪声模型的不确定性,特别是过程噪声是未知的和非高斯的。


针对未知噪声协方差矩阵的状态估计问题,研究人员提出了多种滤波器,如鲁棒KF、自适应KF等。一般来说,自适应KF方法可以分为协方差匹配、最大似然(ML)、贝叶斯方法等。最近,变分贝叶斯(VB)方法被应用到过滤框架中。他们提出了一种VB自适应KF来联合估计状态和测量噪声协方差矩阵(MNCM),其中协方差的先验分布分别由反伽玛分布和反wishart分布控制。


本文研究了未知非高斯PNCM存在时的在线状态估计问题。对于海洋环境下的目标跟踪,AUV的过程噪声是未知的或不准确的,MRS的过程噪声是完全未知的。由于水下环境的复杂性,水下航行器速度传感器的实际噪声是非高斯噪声。


系统概述


在本节中,研究人员将介绍AUV和移动回收系统,如图1所示。MRS包括一个AUV(称为AUV- i)和一个对接站。对接站被牢牢地固定在AUV-I的下腹部。对接站的入口是一个漏斗状,直径2米。被回收的水下机器人被称为AUV- ii。AUV-II是一种鱼雷形状的运载工具,直径384毫米,长度5486毫米。它装备了一个GPS、一个惯性测量单元(IMU)、一个多普勒速度测井(DVL)和一个声学传感器。采用声传感器Evologics 32C R进行远程定位。AUV-I携带一个应答器,AUV-II携带收发器。应用场景为:MRS匀速移动并沿直线移动,AUV追着MRS完成寻的过程。采用视距导引算法对水下机器人进行定向导航。



图1.待回收的水下机器人(a)和移动回收系统(b)。


水下机器人利用自身的航向和前进速度,基于TT-EKF估计水下机器人和MRS的状态。为了估计PNCM,研究人员对水下航行器和水下航行器的航向和前进速度进行了建模,并计算了这些分布的参数。采用神经网络对预测误差进行补偿。研究人员提出的算法的框架如图2所示。



图2.研究人员算法的概述。


基于EKF的目标跟踪方法


在这种情况下,水下机器人使用声传感器跟踪MRS,通过声传感器测量MRS在水下机器人坐标系中的位置。目标运动模型的状态由近似恒定的速度模型描述,在时间步长(k)时包括二维笛卡尔坐标x和y中的位置以及朝向这些坐标轴vx和vy的速度。所有坐标系如图3所示。



图3.坐标系示意图。


(xf,yf)和xf分别是MRS的位置和头。O1为全球北、东坐标系,O2为局部AUV坐标系。时间指标k的测量可以表示为:zk=[zxzy]T。zx和zy分别是O2局部坐标系中测量分量的水平方向和垂直方向。dx和dy是在全局坐标系下AUV与MRS之间相对距离分量的水平方向和垂直方向。


基于EKF的自适应目标跟踪算法


水下航行器的前航速和航向噪声统计量未知。假设测量噪声统计量是高斯分布且已知的。采用自适应TT-EKF算法,在PNCM未知的情况下,同时估计水下航行器和MRS的位置以及MRS速度分量的水平方向和竖直方向。


本文提出的自适应目标跟踪算法结构如图4所示。该算法采用变分贝叶斯算法估计PNCM。在目标跟踪系统中嵌入多层神经网络作为前馈误差补偿器,以处理输入矢量噪声引起的预测误差。



图4.基于EKF的自适应目标跟踪算法。


结论


本文提出了一种基于未知非高斯过程噪声的EKF自适应目标跟踪方法。根据MATLAB仿真结果和实验数据分析结果,研究人员发现pt - ekf算法的状态估计性能受到PNCM精度的影响。在PNCM未知或不准确的情况下,利用VB算法估计PNCM可以提高TT-EKF的状态估计性能。真实的PNCM与估计的PNCM之间存在偏差,真实的输入向量与估计的输入向量之间存在偏差。这些因素导致预测误差。采用基于神经网络的预测误差补偿器可以进一步提高TT-EKF的状态估计性能。但是,由于这段时间对MRS的了解很少,所以MRS在初期的定位误差非常大。随着AUV对MRS的不断测量,MRS的定位性能越来越好。未来的工作计划包括:(1)改进TT-EKF算法,降低MRS初始阶段的定位误差;(2)预测误差补偿器的工作效果不是很理想,进而进一步提高神经网络补偿器的性能;(3)在海洋中测试算法。


论文链接:https://www.mdpi.com/2076-3417/10/10/3413/htm



最新评论(0)条评论
取消

还没有人评论哦,抢沙发吧~

相关新闻推荐