AUV导航与定位研究综述外文翻译资料

 2022-08-09 04:08

英语原文共 19 页,剩余内容已隐藏,支付完成后下载完整资料


AUV导航与定位研究综述

摘要

由于全球定位系统(GPS)和射频信号的迅速衰减,水 信号和海底环境的非结构化性质。在水面之上,大多数自

下环境中的自主水下航行器(AUV)导航和定位特别具有挑战性。 信号和海底环境的非结构化性质。在水面之上,大多

水下通信带宽低且不可靠,无法访问全球定位系统。解决AUV定

位问题的过去方法是使用昂贵的惯性传感器,在感兴趣区域中

在水下,此类信号仅传播短距离,并且基于声学的传感器

使用已安装的信标或需要AUV的定期堆焊。尽管这些方法很有用, 和通信性能更好。声学通信仍然存在许多缺点,例如:

但它们的性能从根本上受到限制。水下通信的进步以及同时定位和制图(SLAM)技术在水下领域的应用为该领域带来了新的可能性。本文介绍了AUV导航和定位的最新技术,并介绍了一些更常用的方法。此外,我们重点介绍了未来研究的领域。

关键词:自主水下航行器(AUV),海上航行,同时定位和地图绘制。

  1. AUV介绍

1970年代开始认真开发无人水下航行器(AUV)。从那时起,计算机效率,大小和存储容量的进步增强了这种潜力。结果,原先用拖曳式阵列或载人车辆完成的许多

任务已完全自动化。AUV设计包括鱼雷,滑翔机和悬停。

AUV现在被用于各种任务,包括海洋学调查,排雷以及海洋和河流环境中的测深数据收集。准确的定位和导航对于确保这些应用程序收集的数据的准确性至关重要。

导航和本地化之间应加以区分。导航精度是AUV将自身从一个点引导到另一个点的精度。定位精度是AUV在地图中将自身定位得如何的误差。

AUV导航和定位是一个具有挑战性的问题,这主要是由于高频的快速衰减信号和海底环境的非结构化性质所造成的。通过各种结论我们可以看到在水面之上,大多数自

  • 带宽小,这意味着通信节点必须使用时分多址(TDMA)

技术共享信息;

  • 低数据速率,通常会限制可以传输的数据量;
  • 延迟时间长,因为水中的声音速度仅为1500 m / s

(与光速相比速度较慢);

  • 由于水温和盐度的波动,声速可变;
  • 由于存在上(自由表面)和下(海底)边界以及高度可变的声速而导致的多径传输;
  • 不可靠,导致需要设计用于处理传输中频繁的数据丢失的通信系统。

尽管存在这些重大挑战,但近十年来AUV导航和定位的研究一直在爆炸式增长。该领域正处于从旧技术(例如长基线(LBL)和超短基线(USBL),它们需要预先部署和本地化基础架构)向动态多代理系统方法转变的动态转变

之中,该方法可以在最少的基础结构的情况下实现快速部署和灵活性。另外,为地上机器人技术开发的同时定位和制图(SLAM)技术正越来越多地应用于水下系统。结果是,

可以用更少的成本和开销来实现AUV的边界错误和精确导航。

1.大纲

AUV导航和定位技术可以根据图1进行分类。本文将基于此结构进行组织。

通常,这些技术属于三个主要类别之一。

    • 惯性/死角推算:惯性导航使用加速度计和陀螺仪来提高准确性,以传播当前状态。但是,此类别中的所有方法的位置误差增长都是无限的。
    • 声学应答器和调制解调器:此类技术基于测量来自声学信标或调制解调器的信号的飞行时间(TOF)以执行导航。

图1.水下导航分类概述。这些方法通常结合在一个系统中以提供更高的性能。

      • 地球物理:使用外部环境信息作为导航参考的技术。
      • 这必须通过能够检测,识别和分类某些环境特征的传感器和处理来完成。

声纳传感器基于声音信号,但是,具有成像或测深声纳

的导航基于环境中特征的检测,识别和分类。因此,基于声纳的导航既属于声学类别又属于地球物理类别。声纳和其他基于声学的导航方案之间存在区别,后者依赖于从信标或其他车辆发出的外部生成的声学信号。

所使用的导航系统的类型高度依赖于操作或任务的类型,并且在许多情况下,可以组合使用不同的系统以提高性能。最重要的考虑因素是感兴趣区域的大小和所需的定位精度。

过去对此主题的评论包括[1] – [3]。自从这些评论以来,无论是在以前建立的技术还是在新领域,都取得了重大进展。特别地,通过使用水下调制解调器的声学通信的发展导致了新算法的发展。此外,SLAM研究的进展已通过许多新方法应用于水下领域。

  1. 背景

大多数现代系统处理并过滤来自传感器的数据,以得出

AUV姿态的连贯,递归估计。

本节将回顾一些最常见的水下传感器,流行的状态估计滤波器,SLAM的基础知识以及协作导航的基础。

1.常用的水下导航传感器

表一描述了一些常用的水下导航传感器。

2.状态估计

任何导航算法的基础都是状态估计。考虑一个机器人,其在时间t的姿态由xt给出. .

递归状态估计的目的是估计状态的置信度分布

由表示, 由

(1)

其中 是一些控制输入或里程表,而里面 是用于定位的度量。状态的传播由一些通用的非线性过程方程式给出

(2)

是过程噪声,通过一些测量功能可以观察到状态

(3)

表1. 用于状态估计的单板车载AUV传感器

其中是测量噪声。通常,通过近似于预测更新周期t中的贝叶斯滤波器来递归估计时间的状态。预测由[6]给出

(4)

而更新是由下公式给出

(5)

是归一化因子。此公式中隐含的是马尔可夫假设,该假设指出只需考虑最新的状态估计,控制和测量即可生成下一个状态的估计。

表II总结了一些较流行的状态估计算法。

表II中描述的所有过滤器已在AUV导航算法中使用,将在以下各节中进行介绍。一些实现方式的不同之处在于在 状态空间中维护的哪些变量与导航问题相关。例如,潮汐水位,水流,水中声速或惯性传感器漂移都可以估算出来,以改善导航效果。这些经典过滤器也有流行的变体。例如,由于声学传播与射频通信相比相对较慢,因此通常有必要实施延迟状态滤波器以解决延迟问题。

状态估算通常分为两部分:姿态航向和参考系统(AHRS)和惯性导航系统(INS),如图2所示。所有提供有关欧拉角或比率信息的传感器都输入到AHRS中,产生稳定的车辆方向估计。然后,INS将稳定的侧倾,俯仰和偏航与其他传感器结合使用,这些传感器会提供有关车辆位置,线速度或线加速度的信息,以估计车辆位置。

3.同时定位和映射

SLAM是机器人自动构建其环境地图并同时在该环境中进行本地化的过程。1SLAM算法可以是在线的,其中仅将当前姿态与地图一起估算,或者在整个机器人轨迹上计算后验的位置。从分析上讲,在线SLAM涉及估算瞬时姿势xt和地图m的,给出所有测量z1:t和输入u1:t

(6)

而完全SLAM涉及估计整个姿势轨迹的后验

(7)

此外,SLAM实现可以分类为基于特征的特征,其中特征被提取(检测,识别和分类)并维护在状态空间中,或者

基于视图的视图,在状态空间中保留与测量相对应的姿势。如图3(a)所示,在基于特征的SLAM中,特征是从传感

器测量中提取的。例如,在姿势上,机器人可以看到三个特征,和。这些特征以及机器人的姿势都保留在状态空间中。在下一个姿势上,仅将新观察到的特征和添加到向量中,并将该姿势替换为先前的姿势。这个过程在每个新姿势下发生。在基于视图的SLAM中[Fig。[3

(b)],通常通过将其与上一个视图进行比较,在每个姿势下处理不提取任何特征的整个视图。例如,在姿态处,将与进行比较,以找到基于视图的测距法。在这种情况下,状态向量可以每次由一个或多个姿势组成。

SLAM的过滤(在线)方法利用状态估计算法,如表II中所示。平滑(完全SLAM)方法,也称为GraphSLAM [33],可将机器人整个轨迹上的过程和观察约束最小化。一些方法使用方法的组合。

表3中提供了一些最受欢迎的SLAM方法类别及其优缺点和AUV导航参考。分类基于

  1. 还有一些补充。
    • EKF–SLAM:使用泰勒展开线性化系统模型。它应用递归预测更新周期来估计姿势和贴图。它的状态向量包括姿势和特征[14]。它适用于基于视图的SLAM [37]和基于功能的SLAM [38]。对于大型地图,EKF–SLAM的计算量很大,因为计算时标是要素数量。
    • SEIF–SLAM:稀疏扩展信息过滤器(SEIF)

[23]和精确稀疏扩展信息过滤器(ESEIF)[39]是使用信息过滤器的SLAM的两种众所周知的方法。它们都维护着稀疏的信息矩阵,从而保持了高斯分布的一致性。但是,访问均值和协方差需要计算量大的大型矩阵求逆。两种方法都需要通过稀疏化策略主动“分散”信息矩阵。ESEIF维护一个信息矩阵,其中大多数元素正好为零,这避免了[23]的过度自信问题。

    • FastSLAM:它基于粒子过滤器。粒子滤波方法是非线性滤波解决方案。因此,系统模型不是近似的。在

但是,通过泰勒展开进行近似,它与EKF–SLAM的不同之处在于它积累信息,因此被认为是一种离线算法

[6]。通常,在GraphSLAM中,机器人的姿态表示为图

中的节点。使用运动和观察约束对连接节点的边缘进行建模。这些约束需要优化以计算节点的空间分布及其不确定性[6]。对于GrpahSLAM,存在不同的解决方案,例如网格上的松弛[41],多层松弛[42],迭代对齐[43],平方根平滑和映射(SAM)[7],增量平滑和映射( iSAM)[44] 和Grisetti等人的作品。[45],

[46]和流形上姿势图的层次优化(HOGMAN)[47]。原则上,它们都是相似的,但是优化的实现方式不同。例如,iSAM通过更新矩阵分解来解决完整的SLAM问题,而HOGMAN的优化是通过流形执行的。

  • 人工智能(AI)SLAM:这些SLAM方法基于模糊逻辑和神经网络。ratSLAM [48]是一种使用神经网络对啮齿动物的大脑进行建模的技术。实际上,这种方法是使用相机和里程表进行基于神经网络的数据融合。

Saeedi等。[49]使用自组织映射(SOM)与多个机器人执行SLAM。SOM是在没有监督的情况下训练的神经网络。

用于估计机器人和地图姿态的方法的选择取决于许多因素,例如可用内存,处理能力和感觉信息的类型。

如将要描述的那样,SLAM技术已经用于声学(第四部分),尤其是地球物理(第五部分)水下导航算法。

4.协同导航

在协作导航(CN)中,AUV小组使用本体感受传感器进行本地化,并从其他小组成员进行通讯更新。

CN起源于地面机器人技术。在Roumeliotis和Bekey [50]发表的开创性论文中,证明了一组无法获得全局定位的自治代理,如果他们可以共享姿势估计值和不确定性以及进

Fast-SLAM中,姿势和特征由状态空间中的粒子(点) 行相对测量,则可以更加准确地定位自己。在[51]中,CN

表示[27]。FastSLAM是唯一可以同时执行在线SLAM和完整SLAM的解决方案,这意味着它不仅可以估计当前姿态,还可以估计整个轨迹。在FastSLAM中,每个粒子都包含姿势和所有特征的估计值。但是,每个功能都通过单独的EKF表示和更新。与其他方法类似,它

的可伸缩性得到了解决,并且表明位置不确定性增加率的

上限是机器人团队规模的函数。其他重要结果也得到了证明,例如最大的不确定性预期增长率与车辆间测量的准确性和数量无关,并且仅取决于机器人上本体感受传感器的准确性[52]。另外,已经为通用机器人CN开发了最大后验

适用于基于视图的SLAM [40]和基于特征的SLAM [6]。[53],[54],EKF [55]和非线性最小二乘[56]估计器的应

    • GraphSLAM:在GraphSLAM方法中,估计整个轨迹和地图[33]。GraphSLAM还使用ap-
    lt;

    剩余内容已隐藏,支付完成后下载完整资料


    资料编号:[238880],资料为PDF文档或Word文档,PDF文档可免费转换为Word

原文和译文剩余内容已隐藏,您需要先支付 30元 才能查看原文和译文全部内容!立即支付

以上是毕业论文外文翻译,课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。