0 引言

自主式水下潛航器(AUV)的定位、路徑跟蹤和控制都基于精確的導(dǎo)航參數(shù)，所以導(dǎo)航是AUV的關(guān)鍵技術(shù)之一。由于水對電磁信號的衰減作用，一些通常適用于陸地和空中的導(dǎo)航方法不適合在水下使用，水下導(dǎo)航已成為AUV研究中的熱點問題[1-2]。

慣性導(dǎo)航系統(tǒng)(INS)由于具有自主性，通常充當(dāng)AUV的中央導(dǎo)航系統(tǒng)。INS通過對安裝在潛航器上的3個相互垂直的加速度計和3個相互垂直的陀螺儀的測量值進(jìn)行積分來獲得AUV的瞬時速度和位置。由于加速度計和陀螺儀的漂移，INS的速度和航向誤差隨時間呈線性累積，而位置誤差隨時間呈指數(shù)累積[3]。從結(jié)構(gòu)上講，INS分為平臺慣性導(dǎo)航系統(tǒng)(Platform Inertial Navigation System，PINS)和捷聯(lián)慣性導(dǎo)航系統(tǒng)(Strapdown Inertial Navigation System，SINS)。與廣泛應(yīng)用于AUV導(dǎo)航的PINS相比，SINS將其慣性測量元件直接固連在載體上，省去了復(fù)雜的穩(wěn)定平臺等機械結(jié)構(gòu)，并且體積小、質(zhì)量小、成本低。在過去的幾十年中，SINS已逐漸成為主流，其系統(tǒng)框圖如圖1所示。

圖1 捷聯(lián)慣性導(dǎo)航系統(tǒng)框圖
Fig.1 Block diagram of SINS

但是INS只能在有限時間內(nèi)提供相對準(zhǔn)確的導(dǎo)航信息，純慣性導(dǎo)航系統(tǒng)不能在整個水下任務(wù)執(zhí)行期間保持高精度導(dǎo)航。因此，除慣性傳感器外，AUV導(dǎo)航系統(tǒng)通常還安裝具有不同工作頻率和精度的輔助傳感器[3-4]。在AUV導(dǎo)航中，輔助傳感器或其他導(dǎo)航系統(tǒng)，例如全球定位系統(tǒng)(Global Positioning System，GPS)、聲學(xué)定位系統(tǒng)(Acoustic Positioning System，APS)、地球物理導(dǎo)航系統(tǒng)、多普勒測速儀(Doppler Velocity Log，DVL)、即時定位與地圖構(gòu)建(Simultaneous Localization and Mapping，SLAM)通常與INS形成組合導(dǎo)航系統(tǒng)。目前，使用外部信息或測量結(jié)果來修正INS是提高導(dǎo)航精度的有效手段，并且得到了廣泛應(yīng)用。

1 INS/APS組合導(dǎo)航

APS通過聲音信號的傳播時間計算距離，以確定AUV的位置，這需要在海底或母船安裝必要的應(yīng)答器。長基線(Long Base Line，LBL)、短基線(Short Base Line，SBL)和超短基線(Ultra Short Base Line，USBL)是代表性的聲學(xué)定位方法(表1)。圖2所示為聲學(xué)導(dǎo)航定位系統(tǒng)的原理示意圖, 換能器或由換能器組成的基陣會向海底(或海面)聲信標(biāo)發(fā)射水聲信號并接收返回的信號,通過測定時延差或者方位角對AUV進(jìn)行定位。

在AUV導(dǎo)航中，APS可以將初始位置發(fā)送給INS，以抑制INS的長期漂移，INS/APS組合導(dǎo)航原理示意圖如圖3所示。

表1 聲學(xué)定位系統(tǒng)

Tab.1 Acoustic positioning system

(a)潛標(biāo)式LBL導(dǎo)航

(b)浮標(biāo)式LBL導(dǎo)航

(c)SBL導(dǎo)航

(d)USBL導(dǎo)航

圖2 聲學(xué)導(dǎo)航定位系統(tǒng)示意圖

Fig.2 Schematic diagram of acoustic

navigationand positioning system

圖3 INS/聲學(xué)組合導(dǎo)航原理示意圖
Fig.3 Schematic of INS/APS integrated navigation

USBL因體積小、安裝方便、成本低等優(yōu)勢，被廣泛應(yīng)用于輔助INS導(dǎo)航。張濤等[5]基于SINS/USBL組合導(dǎo)航系統(tǒng)成功檢測出USBL系統(tǒng)定位故障并及時進(jìn)行隔離，姿態(tài)誤差和速度誤差在故障發(fā)生和消失時刻由于系統(tǒng)重構(gòu)出現(xiàn)輕微跳動，其他時刻均保持較高精度，當(dāng)故障消失時位置誤差又恢復(fù)到正常量級(5～10m)。Xu等[6]為了解決AUV在深海域航行時，USBL輔助INS出現(xiàn)的信號丟失、定位和噪聲突變問題，提出了一種自適應(yīng)增益擴展Kalman濾波器(Condition-Adaptive Gain Extended Kalman Filter，CAEKF)，南海實測證明了該算法優(yōu)于標(biāo)準(zhǔn)導(dǎo)航算法和其他經(jīng)典濾波方法。USBL的角度失準(zhǔn)誤差是INS/USBL定位系統(tǒng)的主要誤差源之一，Tong等[7]研究了操作簡單、易于實現(xiàn)的基于傳統(tǒng)單應(yīng)答器的雙矢量重構(gòu)方法，在航行過程中對水下應(yīng)答器進(jìn)行USBL解算的同時，記錄USBL載體在參考坐標(biāo)系下的坐標(biāo)值，并通過3個點構(gòu)建2個共點的矢量，再對構(gòu)建矢量進(jìn)行相關(guān)性判斷，達(dá)到對USBL收發(fā)基陣安裝誤差估計精度的控制，進(jìn)而提高了組合導(dǎo)航精度。

SBL的精度介于LBL和USBL之間，其跟蹤范圍較小，聲換能器放置在AUV的前后，基線受限于AUV的長度，所以INS/SBL更適用于在母船附近的AUV導(dǎo)航定位。Wang等[8]提出了利用擴展Kalman濾波器(Extended Kalman Filter，EKF)和無跡Kalman濾波器(Unscented Kalman Filter，UKF)來融合傳感器的信息，并輔以DVL，以提高INS/SBL組合導(dǎo)航精度。

基于INS/LBL的導(dǎo)航系統(tǒng)中，聲傳感器通常被廣泛放置在海底任務(wù)區(qū)域的上方，通過水聲換能器估計的距離進(jìn)行三角測量來完成定位。Liu等[9]提出了一種由LBL聲學(xué)多普勒流速剖面儀(Acoustic Doppler Current Profiler，ADCP)輔助INS的組合導(dǎo)航，使用EKF融合了不同的導(dǎo)航傳感器數(shù)據(jù)，數(shù)值仿真表明，AUV的水平定位誤差小于10m。張濤等[10-11]研究了應(yīng)用SINS和LBL緊耦合的AUV定位系統(tǒng)，利用SINS的位置信息輔助，有效解決了由于水下噪聲和混響等因素造成接收到的多路聲信號出現(xiàn)互相關(guān)峰模糊的問題，提高了AUV水下導(dǎo)航定位精度。為了進(jìn)一步提高INS/LBL組合導(dǎo)航精度，Chen等[12]提出了一種近實時(Near Real Time，NRT)貝葉斯平滑算法，并將其應(yīng)用于LBL輔助INS，與EKF相比，該方法具有更高的精度和可靠性。Li等[13]對深水AUV的INS/LBL組合導(dǎo)航提出了一種多模型EKF算法，通過建立合適的AUV導(dǎo)航誤差模型集，在線估計量測誤差協(xié)方差矩陣。利用潛龍一號對新算法進(jìn)行了測試，結(jié)果表明，多模型EKF組合導(dǎo)航算法顯著提高了深水AUV的導(dǎo)航精度。

利用APS估算水下航行器的絕對位置，可以有效抑制INS的誤差累積，因此，INS/APS的組合可以顯著提高AUV的導(dǎo)航精度。應(yīng)用此類導(dǎo)航方法，AUV必須在應(yīng)答器的覆蓋范圍內(nèi)進(jìn)行操作，因此其任務(wù)區(qū)域受到限制，每次執(zhí)行任務(wù)都必須預(yù)先在海底或母船上部署聲信標(biāo)，并且安裝難度較大，導(dǎo)致導(dǎo)航系統(tǒng)的成本過高，難以在民用AUV中推廣。

2 INS/GPS組合導(dǎo)航

2.1 典型的INS/GPS組合導(dǎo)航

由于海水對無線電信號的衰減作用，GPS接收機無法在水下使用，所以用于AUV的GPS輔助慣性導(dǎo)航系統(tǒng)僅適用于淺水應(yīng)用，并且AUV需要定期浮出水面以接收來自GPS的定位信號。

圖4 INS/GPS組合導(dǎo)航系統(tǒng)框圖
Fig.4 Block diagram of INS/GPS 

integrated navigation system

Yun等[14]將INS/GPS(圖4)引入到小型AUV導(dǎo)航中，開發(fā)了異步Kalman濾波器以改善位置估計精度。測試結(jié)果表明，結(jié)合間歇接收差分全球定位系統(tǒng)(Differential Global Position System，DGPS)信號使用低成本IMU進(jìn)行導(dǎo)航是可行的。Hu等[15]使用改進(jìn)的UKF，以更低的計算成本實現(xiàn)了更高的INS/GPS集成導(dǎo)航精度。在文獻(xiàn)[16]中，基于Kalman濾波與徑向基函數(shù)(Radial Basis Function，RBF)神經(jīng)網(wǎng)絡(luò)，結(jié)合小波分析用于SINS/GPS組合導(dǎo)航的數(shù)據(jù)融合，顯著提高了AUV的定位精度。文獻(xiàn)[17-18]提出了集成多個INS傳感器和GPS的AUV組合導(dǎo)航系統(tǒng)，通過模糊邏輯的自適應(yīng)Kalman濾波器(Adaptive Kalman Filter，AKF)進(jìn)行多傳感器數(shù)據(jù)融合，實際海試表明，INS/GPS導(dǎo)航系統(tǒng)的性能得到了增強[17-18]。Liu等[19]提出了一種帶衰減因子的基于AKF的自適應(yīng)INS/GPS組合導(dǎo)航方法來抑制噪聲。

北斗衛(wèi)星導(dǎo)航系統(tǒng)(BeiDou Navigation Satel-lite System, BDS)是我國自行研制的新一代全球衛(wèi)星導(dǎo)航系統(tǒng)，也會逐漸代替GPS輔助AUV中的INS導(dǎo)航[20]。

2.2 INS/GPS浮標(biāo)組合導(dǎo)航

通過將帶有GPS浮標(biāo)的傳感器放在海面上，可以消除LBL需要在海底鋪設(shè)信標(biāo)的局限性。GPS浮標(biāo)與INS相結(jié)合，既發(fā)揮了GPS的高精度優(yōu)勢，彌補了其輸出頻率較低的缺點;又發(fā)揮了INS輸出頻率高、短時精度高的優(yōu)點，彌補了其精度隨時間累積的缺點，使二者達(dá)到完美的組合，系統(tǒng)框圖如圖5所示。

圖5 INS/GPS浮標(biāo)組合導(dǎo)航系統(tǒng)框圖
Fig.5 Block diagram of INS/GPS

buoy integrated navigation system

單浮標(biāo)輔助導(dǎo)航分為固定式和拖放式，其缺點是固定類型需要水下機器人航行一段時間才能浮出水面并糾正導(dǎo)航信息。金鐘等[21]介紹了GPS浮標(biāo)/SINS組合用于水下設(shè)備導(dǎo)航與定姿的優(yōu)點，推導(dǎo)了水下設(shè)備載體坐標(biāo)系與GPS定位的WGS84坐標(biāo)系的轉(zhuǎn)換關(guān)系，并根據(jù)陸地GPS/SINS力學(xué)編排的原理，推導(dǎo)了水下GPS/SINS的誤差狀態(tài)方程。張加全等[22]給出了一種基于單移動GPS智能浮標(biāo)的AUV導(dǎo)航方法，應(yīng)用KF融合SINS提供的位置數(shù)據(jù)，研究成果有望為AUV遠(yuǎn)程精確定位、路徑規(guī)劃和多AUV協(xié)同導(dǎo)航等提供技術(shù)支撐。

多浮標(biāo)輔助導(dǎo)航能進(jìn)一步提高該組合導(dǎo)航的精度，張濤等[23]使用若干個浮標(biāo)構(gòu)成水聽器陣，浮標(biāo)的經(jīng)緯度坐標(biāo)由GPS提供，浮標(biāo)完成對接收到的聲源信號的處理，并利用互相關(guān)測時延差的方法進(jìn)行定位。所提出的INS/多GPS浮標(biāo)組合導(dǎo)航系統(tǒng)能夠使定位誤差小于2m, 保證了AUV能夠長時間在水下航行，與單浮標(biāo)的對比如表2所示。

表2 單浮標(biāo)與多浮標(biāo)/INS組合導(dǎo)航比較

Tab.2 Comparison of a buoy

or buoys/INS navigation

3 INS/DVL組合導(dǎo)航

INS/DVL組合導(dǎo)航主要使用DVL測得的速度來抑制INS累積誤差。目前，INS和DVL的組合甚至已經(jīng)成為AUV導(dǎo)航的標(biāo)準(zhǔn)配置[24-25]。

3.1 典型的INS/DVL組合導(dǎo)航

圖6顯示了應(yīng)用于AUV的典型INS/DVL組合導(dǎo)航結(jié)構(gòu)。系統(tǒng)框架包含INS、Kalman濾波器、輔助導(dǎo)航傳感器DVL，其中Kalman濾波器用于估計SINS導(dǎo)航誤差；將導(dǎo)航誤差估計值傳輸?shù)絊INS以重置導(dǎo)航參數(shù)，隨后將校正后的導(dǎo)航參數(shù)作為導(dǎo)航方程的最新初始條件。DVL測量載波相對于海底的速度，而INS/DVL組合導(dǎo)航系統(tǒng)常用于AUV的近底部導(dǎo)航。

圖6 INS/DVL組合導(dǎo)航系統(tǒng)框圖
Fig.6 Block diagram of INS/DVL

integrated navigation system

錢輝等[26]將SINS/DVL組合導(dǎo)航系統(tǒng)應(yīng)用在大航程AUV上，并通過試驗證明使用常規(guī)Kalman濾波存在明顯發(fā)散，導(dǎo)致誤差方差陣失去非負(fù)定性，從而影響SINS/DVL組合導(dǎo)航定位精度。為了優(yōu)化此類導(dǎo)航系統(tǒng)的性能，Klein和Diamant[27]利用可觀測性Gramian方法分析了DVL輔助INS的可觀測和不可觀測誤差狀態(tài)，并進(jìn)行了仿真驗證。試驗數(shù)據(jù)表明，當(dāng)觀測數(shù)據(jù)在短時間內(nèi)失效時，該方法明顯優(yōu)于傳統(tǒng)的KF。Jo將H∞先驗濾波器和滾動優(yōu)化策略相結(jié)合的滾動時域H∞濾波器(Receding Horizon H∞ Filter，RHH∞F)引入DVL/INS導(dǎo)航系統(tǒng)，數(shù)值仿真表明，引入RHH∞F的導(dǎo)航系統(tǒng)具有更高的魯棒性[28]。Liu等[29]基于改進(jìn)的粒子濾波算法設(shè)計了INS/DVL組合導(dǎo)航系統(tǒng)，有效提高了AUV的速度和位置預(yù)測精度，特別是在復(fù)雜的運動姿態(tài)和長時間航行的情況下。日本海洋地球科學(xué)技術(shù)局為小型AUV開發(fā)了高性能的緊湊型INS/DVL組合導(dǎo)航系統(tǒng)，其性能已在AUV海試中得到驗證[30]。文獻(xiàn)[31]在DVL輔助INS中引入了緊密耦合方法，增強了DVL對環(huán)境的適應(yīng)性，實驗結(jié)果表明，DVL的零星測量失敗對導(dǎo)航精度幾乎沒有影響。為了提高DVL輔助SINS組合導(dǎo)航系統(tǒng)在AUV上的運動對準(zhǔn)精度，Li等[32]利用協(xié)方差匹配方法實現(xiàn)了自適應(yīng)無跡Kalman濾波器(Adaptive UKF，AUKF)，能夠在線估計量測噪聲的協(xié)方差，并可以用于具有任何初始航向誤差的DVL輔助SINS運動對準(zhǔn)。SINS/DVL組合導(dǎo)航中存在的交叉噪聲會降低AUV的導(dǎo)航精度，引入Kalman濾波器對交叉噪聲進(jìn)行處理，使AUV的導(dǎo)航性能得到明顯改善[33]。文獻(xiàn)[34]提出了一種速度跟蹤方案，以抑制INS/DVL組合導(dǎo)航中DVL速度檢測中的隨機噪聲，仿真結(jié)果表明，改進(jìn)了AUV的水平定位精度。

3.2 基于INS/DVL的組合導(dǎo)航方案

在水下導(dǎo)航中，DVL通常安裝在AUV的底部。如果AUV進(jìn)行大角度運動，部分波束無法收到反射信號，則DVL數(shù)據(jù)失效。另外，當(dāng)DVL遭遇海洋生物阻擋時，發(fā)射出的聲波不能到達(dá)海底；或者海底存在強吸聲地質(zhì)時,DVL發(fā)射出的聲波無法反射回來，也會造成DVL短暫消失，如圖7所示。所以在許多水下任務(wù)中，INS/DVL組合導(dǎo)航通常與磁力計、深度傳感器、壓力傳感器、傾角儀、USBL、LBL或其他輔助手段結(jié)合使用，以進(jìn)一步提升其導(dǎo)航性能和可靠性。

圖7 航海中DVL失效的示意圖
Fig.7 Schematic diagram of DVL failure in navigation

Sheijani等[35]使用基于直接和間接KF的數(shù)據(jù)融合方法，融合輔助傳感器(包括DVL、陀螺羅盤和深度計)以提高INS導(dǎo)航精度。實驗結(jié)果表明，估計位置的均方根誤差從行進(jìn)距離的3.2%降低到0.2%。Xu等[36]應(yīng)用進(jìn)化人工神經(jīng)網(wǎng)絡(luò)容錯AKF算法，以提高SINS/DVL/電子羅盤組合導(dǎo)航系統(tǒng)的性能。Krishnamurthy和Khorrami[37]使用壓力傳感器輔助INS/DVL的AUV組合導(dǎo)航系統(tǒng)，UKF用于提供AUV的狀態(tài)估計和傳感器參數(shù)估計，仿真試驗已經(jīng)證實了所提出系統(tǒng)的抗噪聲干擾性能。Shabani等[38]提出了異步直接KF算法用于提高SINS/DVL/深度傳感器/傾角儀組合導(dǎo)航精度，與間接KF相比，在SINS循環(huán)中進(jìn)行預(yù)測過程，而校正過程則在SINS循環(huán)之外異步實現(xiàn)。湖泊測試的結(jié)果證實了該方法在改善AUV導(dǎo)航性能方面的有效性；并且還證實了使用UKF作為AUV搭載的DVL和深度傳感器輔助的SINS數(shù)據(jù)融合工具，與KF相比，能顯著提高AUV的定位精度[39]。Yuan等[40]為了提高SINS/DVL導(dǎo)航距離與導(dǎo)航精度，增加磁力計和深度傳感器，提出了一種基于Sage-Husa AKF的聯(lián)邦濾波算法來估計每個局部濾波器，相應(yīng)的仿真結(jié)果表明了該方法具有良好的導(dǎo)航性能。文獻(xiàn)[41]在AUV導(dǎo)航中使用IMU、DVL和USBL的組合，通過異步EKF實現(xiàn)了多傳感器數(shù)據(jù)融合，仿真結(jié)果表明，位置和姿態(tài)都具有較高的估計精度。McEwen[42]介紹了在北極運行的AUV，其水下航行器的導(dǎo)航設(shè)備主要由帶有環(huán)形激光陀螺儀的INS、DVL和GPS組成。該導(dǎo)航裝置分別在甲板、開闊水域和冰層下進(jìn)行了測試，測試結(jié)果證明了基于INS/DVL組合導(dǎo)航的可靠性。Ben等[43]使用SINS/DVL/GPS組合導(dǎo)航方法估算了洋流模型參數(shù)，DVL測得了相對于海床的更精確的速度，該速度用于考慮海流速度以協(xié)助SINS。王小峰[44]同樣提出了SINS/DVL/GPS組合導(dǎo)航，利用分散化濾波中的聯(lián)邦Kalman濾波，對各導(dǎo)航子系統(tǒng)的導(dǎo)航信息進(jìn)行了優(yōu)化，進(jìn)而達(dá)到提高AUV長航時、高精度導(dǎo)航的目的。

與慣性導(dǎo)航類似，DVL輔助INS是航位推算定位系統(tǒng)。SINS/DVL組合導(dǎo)航只能降低AUV位置誤差的增長率，并且不能隨時間改變位置誤差的累積特性。但是，DVL出現(xiàn)信號短期中斷會直接影響導(dǎo)航性能，所以在某些水下任務(wù)中，INS/DVL仍需要額外的輔助導(dǎo)航系統(tǒng)或傳感器以執(zhí)行更精確和可靠的導(dǎo)航。

4 INS/地球物理導(dǎo)航的組合導(dǎo)航

INS/地球物理輔助組合導(dǎo)航可以利用海底地形特征[45-46]、重力變化[47]、磁場變化[48]等海底物理特征和相關(guān)線索，輔助INS實現(xiàn)定位和導(dǎo)航，如圖8所示。

圖8 INS/地球物理導(dǎo)航的組合導(dǎo)航系統(tǒng)框圖
Fig.8 Block diagram of INS/geophysical 

integrated navigation system

重力輔助導(dǎo)航可以校正INS累積誤差。Wang等[49]實現(xiàn)了重力輔助INS技術(shù)，并在南海進(jìn)行了試驗，用海洋重力儀測量重力數(shù)據(jù)，采用多模型KF迭代算法估計水下航行器在存儲的重力參考圖中的位置。地磁輔助導(dǎo)航依賴于將現(xiàn)有地圖與機載磁力計測量結(jié)果進(jìn)行比較，以提供位置定位并限制INS的位置誤差增大。Wu等[50]介紹了用于AUV的地磁輔助INS導(dǎo)航系統(tǒng)，將實時測得的地磁場值與先驗磁場圖進(jìn)行比較，從而減少了INS位置誤差，并提出了一種利用地磁場測量的區(qū)間知識的新型匹配算法， 通過實測航行數(shù)據(jù)驗證了該匹配算法的有效性。Zheng等[51]提出了一種重力-地磁組合輔助導(dǎo)航(Gravity-Geomagnetism Combined Aided Underwater Navigation，GGCAN)方法來糾正AUV的INS誤差，通過多模型自適應(yīng)估計分別獲得了重力輔助導(dǎo)航和地磁輔助導(dǎo)航的最優(yōu)位置估計，仿真結(jié)果表明，GGCAN方法提高了導(dǎo)航的準(zhǔn)確性和可靠性。地形輔助導(dǎo)航(Terrain Assisted Navigation，TAN)系統(tǒng)被應(yīng)用于修正INS的漂移誤差，并已成為水下組合導(dǎo)航技術(shù)新的研究方向。Li等[52]結(jié)合改進(jìn)迭代最近輪廓點(Iterative Closest Contour Point，ICCP)算法和Kalman濾波器，融合地形導(dǎo)航信息與慣性導(dǎo)航信息，通過濾波器及時校正SINS的累積誤差，進(jìn)而改善了ICCP中使用的INS指示軌跡，通過實驗驗證了該組合導(dǎo)航系統(tǒng)可以有效地防止INS指示軌跡的偏離，并且可以滿足水下、長期和高精度的自主導(dǎo)航的要求。Chen等[53]針對水下地形輔助導(dǎo)航中的非線性貝葉斯估計問題，提出了一種基于改進(jìn)的粒子濾波的地形輔助導(dǎo)航方法，仿真表明，該方法具有良好的匹配性能，適用于水下航行器自主導(dǎo)航。

5 INS/SLAM組合導(dǎo)航

AUV運用自身攜帶的各種傳感器，在航行過程中自主探索、識別作業(yè)環(huán)境，同時實現(xiàn)自身定位，是機器人領(lǐng)域的研究熱點。上述導(dǎo)航定位方法就是機器人領(lǐng)域的研究熱點—SLAM。SLAM理論被一致認(rèn)為是移動機器人在未知環(huán)境中實現(xiàn)真正自主導(dǎo)航的主要途徑。目前，SLAM理論大多應(yīng)用在陸空環(huán)境，應(yīng)用于水下環(huán)境的并不多，表3給出了國內(nèi)外有關(guān)AUV-SLAM的主要研究單位，其中AUV-SLAM技術(shù)中使用的主要方法有：基于EKF的EKF-SLAM和基于粒子濾波器(Particle Filter，PF)的FastSLAM、GraphSLAM，如表4所示。

表3 國內(nèi)外對AUV-SLAM的主要研究單位

Tab.3 Main research units of AUV-SLAM

表4 主流AUV-SLAM算法比較

Tab.4 Comparison of main AUV-SLAM algorithms

由于視覺傳感器價格便宜，基于視覺的同時定位與地圖繪制(Visual SLAM，VSLAM)是近年來新型導(dǎo)航定位技術(shù)研究的一大熱點。通過單目或立體相機拍攝水下環(huán)境的圖像，對捕獲的圖像進(jìn)行相對速度和方向估計，并與INS相融合以實現(xiàn)AUV的高精度自主導(dǎo)航，是一個充滿挑戰(zhàn)的研究課題[54-55]，其原理如圖9所示。

圖9 INS/VSLAM組合導(dǎo)航系統(tǒng)框圖
Fig.9 Block diagram of INS/VSLAM 

integrated navigation system

Manzanilla等[56]使用單攝像機對AUV進(jìn)行平行跟蹤和地圖定位，使用EKF將視覺信息與來自IMU的數(shù)據(jù)融合在一起，以恢復(fù)地圖的比例尺，提高姿態(tài)估計的精度。文獻(xiàn)[57]利用EKF融合IMU、DVL、壓力傳感器、GPS所提供的數(shù)據(jù)，實現(xiàn)立體視覺Graph-SLAM，實驗結(jié)果表明，AUV導(dǎo)航系統(tǒng)的定位與導(dǎo)航精度得到明顯改善。為了使水下視覺系統(tǒng)適應(yīng)水下環(huán)境指標(biāo)的變化，Gu等[58]提出了一種水下攝像機慣性測量單元(Inertial Measurement Unit，IMU)標(biāo)定模型，考慮通過環(huán)境指標(biāo)對水下攝像機IMU進(jìn)行標(biāo)定，并將其用于水下單目視覺慣性SLAM。為了解決海水中圖像數(shù)據(jù)存在對比度低和色彩失真的問題，Huang等[59]采用水下圖像增強的方法來解決該問題，實驗結(jié)果表明，增強后的圖像在特征點提取和視覺SLAM處理方面表現(xiàn)優(yōu)于原始圖像。

除了依賴于光學(xué)傳感器的SLAM輔助INS，水下SLAM系統(tǒng)主要使用聲波傳感器(即聲吶)來觀察環(huán)境[60]，并使用圖10所示來限制AUV的慣性導(dǎo)航誤差。

圖10 INS/聲吶SLAM組合導(dǎo)航系統(tǒng)框圖
Fig.10 Block diagram of INS/Sonar 

SLAM integrated navigation system

Liu等[61]研究了基于避障聲吶的SLAM算法，通過對AUV狀態(tài)和地圖的連續(xù)估算和構(gòu)建，將所得的估算誤差發(fā)送回INS進(jìn)行校正，可以有效地減少姿態(tài)、速度和位置的累積誤差，大量仿真結(jié)果表明，該算法可以有效地提高AUV的導(dǎo)航和定位精度。劉明等[62]利用圖像聲吶獲取AUV與地形特征點之間的距離和3D方位數(shù)據(jù)，結(jié)合SINS得到的導(dǎo)航數(shù)據(jù)，通過EFK對載體狀態(tài)和地圖狀態(tài)進(jìn)行拼接并行估計和測量，將得到的誤差估計反饋回SINS進(jìn)行修正，使 INS誤差得到了較好的抑制，可以大幅提高水下組合導(dǎo)航的定位精度。潘爽等[63]根據(jù)SINS與AUV搭載聲吶獲得的數(shù)據(jù)信息，對水下環(huán)境的EKF-SLAM算法進(jìn)行仿真實驗，驗證結(jié)果表明，AUV定位精度得到較大提高，能夠較好地完成AUV的水下導(dǎo)航、定位與探測任務(wù)。黃魯粵[64]提出了一種基于慣性傳感器與聲吶的慣性SLAM算法，利用IMU的輸出數(shù)據(jù)和聲吶觀察到的特征(路標(biāo))來估計AUV的位姿，并完成其工作環(huán)境的地圖構(gòu)建，并與EKF-SLAM算法進(jìn)行比較，驗證了慣性SLAM算法的可行性和可靠性。Lee等[65]基于概率的地標(biāo)識別實現(xiàn)了實時聲吶SLAM技術(shù)，通過EKF將IMU、DVL和來自聲吶圖像處理的外部信息融合在一起，由慣性傳感器數(shù)據(jù)估算AUV位置，并由聲吶數(shù)據(jù)進(jìn)行校正，聲吶數(shù)據(jù)提供了車輛與水池底部地標(biāo)之間的相對位置。劉明雍等[66]將SLAM與INS/GPS組合導(dǎo)航系統(tǒng)相結(jié)合用于AUV導(dǎo)航，SINS和多波束成像聲吶得到了H維聲吶圖像，仿真結(jié)果顯示，該方法達(dá)到了緩解慣性導(dǎo)航設(shè)備誤差累積的目的，極大地改善了導(dǎo)航定位的精度。Rahman[67]和Richmond[68]都對采用多波束聲吶的水下SLAM技術(shù)提高IMU/DVL組合導(dǎo)航精度進(jìn)行了研究，AUV航行數(shù)據(jù)證明了SLAM技術(shù)能夠提高此組合導(dǎo)航系統(tǒng)的精度和魯棒性。此外，Palo-mer[69]將最新開發(fā)的3D水下激光掃描儀安裝在AUV上進(jìn)行SLAM，使用EKF估計機器人的位置，融合了來自AUV慣性導(dǎo)航傳感器的數(shù)據(jù)，可以抑制導(dǎo)航漂移并提供被檢查對象的高精度3D地圖。

未知環(huán)境下的導(dǎo)航問題是近些年來AUV導(dǎo)航領(lǐng)域的研究熱點，研究基于SLAM輔助的INS水下組合導(dǎo)航技術(shù)，對于抑制AUV INS隨時間累積的誤差、提高航行器的導(dǎo)航智能化程度具有實際意義。

6 組合導(dǎo)航中的多傳感器數(shù)據(jù)融合算法

組合導(dǎo)航系統(tǒng)實質(zhì)上是一個多傳感器信息融合系統(tǒng)，組合導(dǎo)航的關(guān)鍵是狀態(tài)估計問題。KF是適用于線性高斯問題的線性濾波器，EKF、 UKF和PF等是非線性濾波器。EKF是使用最廣泛的非線性濾波方法，是基于對非線性方程式的簡單線性近似。在具有高度非線性性質(zhì)和非高斯噪聲源的系統(tǒng)中，保留傳感器數(shù)據(jù)非線性性質(zhì)的UKF和PF可以顯著改善系統(tǒng)性能。這些非線性濾波器的缺點在于，計算復(fù)雜度通常隨狀態(tài)向量的維數(shù)成指數(shù)增長。首先，所有并行的局部濾波器將它們自己的傳感器系統(tǒng)與慣性系統(tǒng)結(jié)合起來，以獲得系統(tǒng)狀態(tài)的局部估計值，這些局部估計值隨后在主濾波器中融合以實現(xiàn)全局估計值。通常，可以大大減少聯(lián)邦濾波器的計算量，但代價是估計精度較低。如果缺少準(zhǔn)確的噪聲統(tǒng)計信息，則可以使用自適應(yīng)濾波器來優(yōu)化反映噪聲特性的濾波器參數(shù)。將濾波算法與滾動優(yōu)化策略相結(jié)合可以提高組合導(dǎo)航系統(tǒng)的性能，例如滾動時域Kalman濾波器和滾動時域H∞濾波器?；趹T性導(dǎo)航的AUV組合導(dǎo)航系統(tǒng)的數(shù)據(jù)融合算法的代表性文獻(xiàn)如表5所示。鑒于一種濾波方法只能解決組合導(dǎo)航系統(tǒng)中的某一類問題，往往是顧此失彼，將兩種或更多的濾波方法綜合應(yīng)用于組合導(dǎo)航系統(tǒng)當(dāng)中成為了主流。

表5 基于慣性導(dǎo)航的組合導(dǎo)航系統(tǒng)數(shù)據(jù)融合算法

Tab.5 Data fusion algorithm of integrated 

navigation system based on inertial navigation

7 總結(jié)與展望

由于水下環(huán)境的復(fù)雜性和不確定性，AUV的自主導(dǎo)航一直是一個具有挑戰(zhàn)性的問題。本文涉及了多種為提高AUV自主導(dǎo)航性能的組合導(dǎo)航系統(tǒng)的適用范圍、優(yōu)缺點、未來發(fā)展趨勢的綜合對比如表6所示。

隨著組合導(dǎo)航技術(shù)和算法的發(fā)展，改進(jìn)的AUV導(dǎo)航將繼續(xù)提出以前認(rèn)為不切實際或不可行的任務(wù)。

1)基于光學(xué)陀螺儀的INS的精度與光學(xué)陀螺儀的尺寸成正比，通過將INS變大以提高導(dǎo)航精度。近年來，由于小型AUV的低成本和良好的運行效率，其需求一直在增長。但是，考慮到有效載荷、功耗和成本等方面的因素，大型INS無法應(yīng)用于小型AUV。因此，開發(fā)小型、高精度、低功耗和低成本的INS是開發(fā)小型AUV面臨的挑戰(zhàn)之一。

2)INS/DVL、INS/APS組合導(dǎo)航系統(tǒng)通常用于AUV的近海域高精度導(dǎo)航任務(wù)。通過GPS連續(xù)校正定位信息，INS/GPS組合導(dǎo)航保障了AUV的淺水域長期定位和導(dǎo)航精度，確保AUV的長期穩(wěn)定運行是未來研究的目標(biāo)。在地球物理數(shù)據(jù)庫范圍內(nèi)， 利用地球物理特性作為輔助導(dǎo)航的組合導(dǎo)航系統(tǒng)，可以通過測量數(shù)據(jù)與數(shù)據(jù)庫快速匹配在全部海域?qū)崿F(xiàn)導(dǎo)航定位。然而，由于缺乏有效的傳感器，在海洋的中深度區(qū)域獲得高精度導(dǎo)航是一個具有挑戰(zhàn)性的問題。

3)SLAM技術(shù)是水下機器人研究的重點，VSLAM 主要通過攝像頭采集數(shù)據(jù)信息，跟激光雷達(dá)和聲吶相比，攝像頭的成本顯然要低很多，所以VSLAM成為了未來輔助INS組合導(dǎo)航研究的熱點。由于水下環(huán)境的復(fù)雜性，將VSLAM技術(shù)與慣性傳感器相結(jié)合，以實現(xiàn)AUV的高精度自主導(dǎo)航是一個充滿挑戰(zhàn)的研究課題。

4)到目前為止，開發(fā)AUV組合導(dǎo)航的狀態(tài)估計器主要集中于后處理中的數(shù)學(xué)分析和實驗評估。將一些非線性濾波算法用于組合導(dǎo)航系統(tǒng)的狀態(tài)估計時，很難從理論上分析這些濾波算法的性能。因此，開發(fā)能夠在真實環(huán)境進(jìn)行實時數(shù)據(jù)處理的估算器可以大大促進(jìn)AUV組合導(dǎo)航的實際應(yīng)用價值。此外，將濾波方法綜合應(yīng)用于AUV組合導(dǎo)航系統(tǒng)中，為解決組合導(dǎo)航中非線性系統(tǒng)動態(tài)濾波問題及克服其模型不確定提供了新的思路與方法。

表6 基于慣性導(dǎo)航的組合導(dǎo)航系統(tǒng)對比

Tab.6 Comparison of integrated navigation

system based on inertial navigation