一种多模型水下航行器组合导航滤波方法
【专利摘要】本发明公开了一种多模型水下航行器组合导航滤波方法，本发明首先根据水下航行器组合导航系统建立SINS/DVL/TAN/MCP组合导航系统的状态方程、观测方程及噪声模型；并根据系统方程与噪声模型确定模型集；从组合导航系统中选择特征变量，建立贝叶斯网络。根据多模型滤波算法结构，采用贝叶斯网络参数修正多模型估计中的模型切换概率，采用加权和方式计算所有滤波器的估计融合。由导航计算机根据组合导航系统的滤波模型及算法流程，完成组合导航的数据处理及解算工作。本发明能够提高复杂环境下组合导航系统的滤波精度，增强水下航行器自主导航定位性能。
【专利说明】一种多模型水下航行器组合导航滤波方法
【技术领域】
[0001]本发明涉及利用一种多模型水下航行器组合导航滤波方法，实现对水下航行器的自主导航，属于多传感器信息融合【技术领域】。该专利内容同样适用于惯性组合导航、目标跟踪与识别、图像处理、模式识别等其他多传感器信息融合及多源数据处理应用领域。
【背景技术】
[0002]水下航行器由于水下环境复杂、工作时间长，可靠性和定位精度要求高，单一的导航方法很难满足要求，一般采用两种或两种以上非相似导航方法的组合，在以往的组合导航滤波器设计中，通常假设其中的各项参数保持不变，但由于存在洋流干扰、海水温度和盐度等环境变化以及载体机动等情况，系统的模型会随时间发生变化。这导致使用传统的Kalman、EKF滤波估计精度会下降甚至出现发散，难以实现系统高精度导航跟踪定位功能。基于混合系统的多模型估计是一种强有力的自适应估计方法，尤其适用于结构或参数易发生变化的系统，它的主要思想是在对象和扰动的数学模型不完全确定或者模型变化而不确定的情况下，设计多个模型来逼近系统复杂的时变或非线性过程，从而使在建模条件下分析得到的系统性能保持或接近最优。多模型估计中，当前计算模式随着模型的Markov链转移，由先验的Markov转移概率和量测信息共同确定模型转移概率，求得的模型转移概率与估计结果在下一时刻的估计过程中进行输入交互，进而对下一时刻的状态估计产生影响。实际应用表明，当系统模式发生变化时，由于滤波系统的惯性使得多模型估计算法对于实际系统模式切换的辨识有一定的滞后，模型转移概率通过先验知识确定，并没有利用当前时刻量测中的信息，由先验信息选定的滤波参数是模式切换与模式未切换情况下的折中。本发明是针对上述情况，解决传统多模型算法由于人为先验知识不足造成的系统模式切换滞后以及估计精度降低等问题，提高水下航行器组合导航算法估计性能。
【发明内容】
[0003]本发明提出了一种多模型水下航行器组合导航滤波方法，该方法的主要思路是在多模型滤波框架下，有机的把贝叶斯网络和多模型滤波算法结合起来，降低多模型算法中真实模式识别对算法中先验知识的依赖性，解决多模型算法中模型转换存在滞后、模型概率易发生跳变等问题，提高复杂环境下组合导航系统的滤波精度，增强水下航行器自主导航定位性能。
[0004]本发明提供了一种多模型水下航行器组合导航滤波方法，包括下列步骤:
[0005](I)建立SINS/DVL/TAN/MCP组合导航系统的状态方程、观测方程及噪声模型；
[0006](2)根据步骤(I)获取的系统方程和噪声模型，建立由η个模型构成的模型集；
[0007](3)根据步骤(2)所获取的模型集，构建交互式多模型滤波结构，采用η个并行的模型Kalman滤波器进行滤波，获取模型子滤波器的状态估计、协方差阵以及残差和残差协方差阵；
[0008](4)根据步骤(I)所述组合导航系统，选择特征变量建立贝叶斯网络，通过贝叶斯网络参数对模型切换概率进行修正；
[0009](5)根据步骤(3)得到模型子滤波状态估计i,.(^)、协方差阵Pi (k)和步骤(4)得
到的模式切换概率μ i (k)，进行概率加权融合得到系统状态估计和协方差阵P(k)。
[0010](6)返回步骤(3)，从第(3)步重复以上步骤。
[0011](7)完成组合导航的数据处理与解算工作。
[0012]优选的，步骤(3)所述模型子滤波器的状态估计、协方差阵以及残差和残差协方差阵获取方法如下:
[0013]3.1)模型转移概率预测:将k-Ι时刻的模型转移概率μ j (k-1)和Markov转移概
率％进行交互，得到k时刻预测的模型转移概率
【权利要求】
1.一种多模型水下航行器组合导航滤波方法，包括下列步骤: (1)建立SINS/DVL/TAN/MCP组合导航系统的状态方程、观测方程及噪声模型； (2)根据步骤(1)获取的状态方程、观测方程和噪声模型，建立由η个模型构成的模型集; (3)根据步骤(2)所获取的模型集，构建交互式多模型滤波结构，采用η个并行的模型Kalman滤波器进行滤波，获取模型子滤波器的状态估计、协方差阵以及残差和残差协方差阵，具体包括如下步骤: 3.1)模型转移概率预测:将k-Ι时刻的模型转移概率μ j(k-1)和Markov转移概率Ji Ji进行交互，得到k时刻的预测模型转移概率
2.根据权利要求1所述的多模型水下航行器组合导航滤波方法，其特征在于，所述步骤(4)具体包括如下步骤: .4.1)多模型模型概率更新:根据步骤33)中获取的残差估值SiGO和残差方差SiGO，状态维数τ，采用假设检验方法，计算模型的似然函数AiQO,通过似然函数计算多模型概率"r⑷:
3.根据权利要求2所述的多模型水下航行器组合导航滤波方法，其特征在于，所述步骤4.2)中，贝叶斯网络特征变量包括电机的转速、推进器的力矩以及传感器输出等。
【文档编号】G01C21/20GK103776453SQ201410030165
【公开日】2014年5月7日 申请日期:2014年1月22日 优先权日:2014年1月22日
【发明者】程向红, 王磊, 冉昌艳, 陈红梅, 周玲, 朱倚娴 申请人:东南大学