最优估计大作业姓名：李海宝学号：S314040186导师：刘胜专业：控制科学与工程模糊逻辑卡尔曼滤波器在智能AUV导航系统中的自适应调整摘要本论文基于全球定位系统（GPS）和几个惯性导航系统（INS）传感器描述了对于自主水下航行器（AUV）应用的一种智能导航系统的执行过程。

本论文建议将简单卡尔曼滤波器（SKF）和扩展卡尔曼滤波器（EKF）一前一后地用于融合INS 传感器的数据并将它们与GPS数据结合到一起。

传感器噪声特性里潜在的变化会引起SKF和EKF的初始统计假定的调整，本论文针对这一问题着重突出了模糊逻辑方法的使用。

当这种算法包含实际传感器噪特性的时候，SKF和EKF只能维持他们的稳定性和性能，因此我们认为这种自适应机制同SKF与EKF一样有必要。

此外，在提高导航系统的可靠性融合过程期间，故障检测和信号恢复算法也需在此要讨论。

本论文建议的这种算法用于使真实的实验数据生效，这些数据都是从Plymouth大学和Cranfield大学所做的一系列AUV实验(运行低成本的锤头式AUV)中获得的。

关键词：自主水下航行器；导航；传感器融合；卡尔曼滤波器；扩展卡尔曼滤波器；模糊逻辑1.引言对于以科学、军事、商业为目的应用，如海洋勘察、搜索未爆弹药和电缆跟踪检查，AUV的发展需要相应导航系统的发展。

这样的系统提供航行器位置和姿态的数据是很有必要的。

在这样的系统中对精度的要求是最重要的：错误的位置和姿态数据会导致收集数据的一个毫无意义的解释，或者甚至AUV的一个灾难性故障。

越来越多来自整个世界的研究团队正利用INS和GPS来研发组合导航系统。

然而，他们的工作中几乎都没有明确几个INS传感器融合的本质要求，这些传感器用于确保用户保持精度或甚至用来防止在与GPS融合之前导航系统这部分的完全失败。

例如，金赛和惠特科姆（2003）使用一个切换机制来防止INS的完全失败。

虽然这个方法简单易行，但是可能不适合用于维持一个确定的精度等级。

出于多传感器数据融合和集成的目的，几种估计方法在过去就已经被使用过。

为此，SKF/EKF和它们的变形在过去就已经是流行的方法，并且一直到现在都对开发算法感兴趣。

然而，在设计SKF/EKF过程中，一个显著的困难经常会被描绘成缺少过程协方差矩阵（Q）和测量噪声协方差矩阵（P）的先验知识。

在大多数实际应用中，这些矩阵都是初步估计的甚至是未知的。

这里的问题就是，对于SKF/EKF估计算法的过程和测量噪声最优性来说，先验信息的品质与设置是紧密结合的。

研究表明未充分知道先验滤波器的统计会降低滤波器状态估计的精度或者会给它们的估计引入偏差。

此外，不正确的先验信息会导致滤波器的实际发散。

上面提到，具有固定矩阵R和或矩阵Q的传统SKF/EKF应该被一个自适应估计方程替代，这一问题可能有争议，该问题在下一部分作讨论。

2.卡尔曼滤波算法的自适应优化在过去的几年里，在自适应卡尔曼滤波这一领域里，仅仅能找到少数出版物包含这一类文献。

提出自适应卡尔曼滤波的两个主要方法分别是多模型自适应估计（MMAE）和创新自适应估计（IAE）。

尽管这些方法的执行方式都很不一样，但是它们都共享了同一概念—使用包含于更新序列的新的统计信息。

在这两种情况下，采样时间k时刻对应的值是被滤波器接收的真实测量值和它的估计（预测）值之间的差值。

预测测量值是滤波器预测状态通过测量设计矩阵到测量空间的投影。

由于新的测量值，更新代表了滤波器可获得的额外信息。

不同于先验信息的统计数据的出现将第一次出现在更新向量中。

由于这个原因，更新序列代表了在新的观测器里的信息内容，它也被认为是对于自适应滤波器最有关联的信息资源。

在MMAE这一方法中，一堆卡尔曼滤波器在一个不同的统计滤波信息矩阵（即Q和R）的模型下并行运行或用门控算法运行。

在IAE这一方法中Q和R矩阵自适应随时间变化的测量值。

在本文中，IAE方法外加采用运用启发式方法的隶属函数的模糊逻辑技术常常用于SKF和EKF两者的R矩阵。

本文使用一系列来自锤头式AUV实验的实验数据来执行所提出的算法。

2.1模糊简单卡尔曼滤波器在这一部分中，呈现了基于采用模糊逻辑准则调整R矩阵的SKF的自适应体制的在线更新。

选择模糊逻辑主要是因为其简单性。

这激发了被证实出现在文献里该话题的兴趣。

本节将提出模糊逻辑简单卡尔曼滤波器（FSKF），在第四部分讨论的模糊逻辑扩展卡尔曼滤波器（FEKF）是基于使用协方差匹配技术的IAE方法。

该技术背后的基本思想是使更新序列协方差的实际值去匹配理论值。

定义实际协方差为通过在一个M尺寸的运动估计窗口里求平均值而得的样本协方差的近似值。

其中是在估计窗口里的第一个采样点。

做一个经验性的实验来选择M尺寸的窗口。

该实验发现对于在公式（1）里的移动窗口的合适尺寸是15。

更新序列的理论协方差被定义为使用协方差匹配技术的自适应算法的逻辑可以被定性描述如下。

如果实际协方差值能被观测，这个值是在被理论预测的范围内而且它的差值非常接近零，这就表明协方差几乎完美匹配而且仅有一个小的变化需要依靠R矩阵来做。

如果实际协方差大于理论值，那么R矩阵的值应该减小。

相反，如果小于，那么R矩阵的值应该增加。

这种调整机制把它自身用于处理使用基于这种规则的模糊逻辑方法。

如果<发生前面的>那么<随之发生的>，（3）这里的前因与后果分别是，这里的与输入和输出变量，和是模糊设置参数。

图1 (a)和(b)的隶属函数为实现上述运用模糊逻辑方法的协方差匹配技术，定义一个叫做的新变量用于检测和之间的差异。

需要注意的是，在这个特殊应用中，和被约束成对角矩阵。

以下三种模糊规则被用来使用：图2(a)和(b)的隶属函数如果<>那么<不变>，（4）如果<>那么<减少>，（5）如果<>那么<增加>，（6）因此R是根据下式作调整，（7）其中是加上或减去每个时刻的R。

这里的是模糊推理系统（FIS）的输入，是输出。

在上述自适应理论的基础上，可以用的三个模糊设置来执行FIS。

N=负，N=零和N=正。

对于，模糊集被指定为I=增加，M=不变和D=减少。

这些用启发式方法设计的模糊集的隶属函数显示在图1中。

2.2传感器故障诊断和恢复算法除了自适应程序，该FSKF已配备了传感器故障诊断和恢复算法。

该算法背后的基本思想是对于传感器而言的真实值的幅值和它的理论值必须无任何偏差在1附近。

但是如果一个短暂的或持续的错误出现在测量数据中，这个值就会突然增加。

出于这一目的，变量被定义为（8）因此，如果值大于或者等于阈值（α）那么会宣布一个短暂的错误和分配给一个0值。

如果仍然大于一个瞬时时刻的阈值α，那么会宣布一个持续的错误和分配给一个值乘以随机值。

从实验中发现，好的α值是1.2。

2.3 模糊逻辑观测器为了监测FSKF的性能，这里使用了叫做模糊逻辑观测器（FLO）的另一个FIS。

FLO分配了信心的量或程度记为。

这个数字在（0-1）区间内用于FSKF的状态估计。

用两个输入和的值来实现FLO。

我们发现这些变量的隶属函数使用了启发式方法产生一个对于的非对称形状和对于的对称形状如图2所示。

表1 基于FLO模糊规则隶属函数的模糊标签：Z=零，S=小和L=大。

为输出？定义了三个模糊个体分别被标记为G=好，AV=平均和P=坏，值分别为1，0.5和0。

FLO基本启发式理论如下：如果和的值接近0，那么FSKF几乎完美工作，FSKF的状态估计被设定在1附近的一个量。

相反，如果这两值中一个或者两个远离0而增加，那么意味着FSKF性能退化而FLO设定一个接近0的量。

表1给出了每个FLO完整的模糊规则库。

3INS传感器数据融合在这一部分中，将FSKF算法运用到锤头式AUV的线性模型中。

图3（a）显示了在实验舱里进行泄漏测试和压舱之前的潜行器，图3（b）在航向系统辨识实验期间的潜行器。

潜行器舵输入被来自上位机的用户通过脐带电缆发送出去。

图3锤头式AUV：（a）泄漏测试和压舱前和（b）系统辨识实验期间因此，在实际中它对于那个特异性实验是以一个半自治模型行驶的。

电缆的牵制效应被认为是不可忽略的。

在潜行器面板上的电子罗盘和惯性测量单元（IMU）用于捕捉相应的响应。

来自实验数据的线性离散状态空间模型的系统矩阵A，输入矩阵B和输出向量H分别为A=[0 1;-0.98312 1.9831]，B=[-0.00.1961 -0.0036115]，H=[1 0]。

假定该模型能足够准确的呈现潜行器的力度变化，由于这个原因，该模型在给定输入之后产生的任意输出都可以认为是一个实际输出值。

这个假设也促使了该模型输出作为在测量FSKF算法性能的一个参考使用。

为了测试FSKF算法，将来自电子罗盘和IMU（图5）的真实数据作为图4中输入的响应和两个模拟数据集融合到一起。

为了产生模拟数据，图6（a）和（b）里的噪声分别简单的添加到电子罗盘和IMU真实数据里。

图4舵输入图5实际电子罗盘和IMU输出会导致具有图6中所显示特性的噪声的一个可能实时场景就是第二个电子罗盘的位置紧靠螺旋桨直流电机，电机内部温度会随着时间变化而增加从而影响传感器的环境温度。

相似的情况也会发生在当第二个IMU紧靠着前面水上划艇步进电机，而最初内部温度较高过段时间稳定下来的时候。

这种特定的情形会导致如图6中显示的噪声特性。

初始状态的情形是，和。

对于每个传感器来说R的实际值假设是未知的，但是它的初始值被选为。

仿真结果将在下一部分展示。

图6（a）增加噪声谱给电子罗盘数据和（b）给IMU数据3.1仿真结果图7和8是仿真结果显，示了通过电子罗盘和IMU观测的锤头式AUV的响应，而图9和图10分别由传感器3和4观测到的，它们分别是添加了均匀噪声且随时间增加或减小的前置传感器的输出。

图7（a）过程，测量，估计偏航角输出（b）电子罗盘的测量与偏航角误差图8（a）过程，测量，估计偏航角输出（b）IMU的测量与偏航角误差图9（a）过程，测量，估计偏航角输出（b）传感器3的测量与偏航角误差图10（a）过程，测量，估计偏航角输出（b）传感器4的测量与偏航角误差图7和8是通过从传感器直接测量所产生的误差等级作比较，来显示用FSKF 算法的改善性。

除了在误差等级方面的改善，图9和10也显示了所提出的算法是如何检测到传感器内瞬时性和持久性错误（看2.2部分）并做出合适的恢复。

为了融合估计偏航角，这里采用了重心法：这里的是第i个FSKF的输出（i=1,2,3,4），而是k时刻的各自的量。

图11显示了实际偏航角和融合估计偏航角的比较。

很明显，通过比较图11和图7-10，融合估计偏航角可以取得改善。

最后，采用以下工作指标作为比较目的：这里的是偏航角的实际值，是测量值，是k时刻和采样点n的估计值（表2）。