大尺度未知海底环境下的AUV同时定位与地图构建方法研究

论文摘要

在海底未知复杂环境中,绝大多数陆路环境下常用的传感器无法使用,比如光学的、无线的,在水中衰减得太快。在脱离了外部导航支持的情形下,AUV唯一可依赖的是自身机载的惯性传感器和主动声纳。前视声纳及其处理系统作为水下机器人的主要传感设备,担负着发现机器人前方目标,并对目标进行定位和识别的任务。前视声纳提供障碍物目标的距离和角度,可在二维空间上(XY平面)分辨目标的轮廓和位置。在AUV的前端装备声纳设备,通过声纳探测,可以提供连续重叠的图像帧,经过点特征提取可用于同时定位与地图创建(Simultaneous Localization and Mapping,SLAM)算法的实现。SLAM算法是机器人技术领域的研究热点,也是实现机器人真正自主的关键。SLAM算法不需要先验的海底环境信息图的辅助,当AUV在海底航行时,利用自身携带的Doppler Velocity Log(DVL)和MTi传感器测量底部跟踪速度、深度、加速度和姿态角,利用Super Seaking DST前视声纳扫描海底环境,提取环境中的有用信息,利用这些信息进行定位,与此同时,在线地构建海底环境的特征地图。本文阐述了SLAM算法的原理,对算法所得的环境地图的收敛性进行了讨论。针对AUV状态模型和观测模型的非线性,讨论了基于扩展卡尔曼滤波(EKF)的SLAM算法的执行过程。针对海底环境的特点,提出将声纳数据处理成点特征,既解决了海底环境特征不规则的问题,又克服了线特征在更新时计算量大的困难。为了提高定位精度,每获得一组传感器的测量值,就执行一次传感器数据更新,获得传感器数据的最优估计,并用最优估计值来预测AUV的位置。为了验证算法的可行性,进行了虚拟仿真和实际验证。结果表明,相对于纯粹的推位算法,SLAM算法可以提高系统的定位精度。同时也验证了算法在水下导航应用上的可行性。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 国内外研究概况
• 1.1.1 国外研究概况
• 1.1.2 国内研究概况
• 1.2 目前的水下导航方法
• 1.2.1 航位推算与惯性导航
• 1.2.2 声学导航
• 1.2.3 组合导航
• 1.2.4 地球物理导航
• 1.3 SLAM 综述
• 1.3.1 基于EKF 的SLAM
• 1.3.2 基于概率的SLAM
• 1.3.3 基于粒子滤波器的SLAM
• 1.4 论文的组织结构
• 2 SLAM 算法原理及性质
• 2.1 地图构建
• 2.1.1 栅格地图
• 2.1.2 特征地图
• 2.1.3 拓扑地图
• 2.2 卡尔曼滤波
• 2.3 系统模型
• 2.3.1 状态模型
• 2.3.2 特征模型
• 2.3.3 观测模型
• 2.3.4 状态向量及协方差矩阵
• 2.4 SLAM 算法原理
• 2.5 SLAM 算法生成地图的性质
• 2.6 SLAM 算法需要解决的问题
• 2.7 本章小结
• 3 基于声呐的水下环境成像及点特征提取方法
• 3.1 声呐成像系统
• 3.2 水下环境成像
• 3.3 点特征提取方法
• 3.3.1 单Ping 阈值分割
• 3.3.2 单Ping 稀疏化处理
• 3.3.3 单点圆周稀疏化处理
• 3.4 本章小结
• 4 大尺度未知海底环境下的 SLAM 算法
• 4.1 扩展卡尔曼滤波（EKF）算法
• 4.1.1 扩展卡尔曼滤波算法
• 4.1.2 关于EKF 的讨论
• 4.2 数据关联
• 4.2.1 门限过滤
• 4.2.2 最邻近数据关联
• 4.3 基于EKF 的SLAM 算法
• 4.3.1 系统建模
• SLAM 算法'>4.3.2 EKF_SLAM 算法
• 4.3.3 预测阶段
• 4.3.4 传感器数据更新
• 4.3.5 位置更新
• 4.3.6 状态扩充
• 4.4 仿真结果
• 4.4.1 实验1
• 4.4.2 实验2
• 4.5 本章小结
• 5 总结与展望
• 5.1 总结
• 5.2 展望
• 参考文献
• 附录 2D 空间的变换运算
• 致谢
• 个人简历
• 攻读硕士学位期间发表的论文