| 【中文题名】 | EKF-SLAM算法在水下航行器定位中的应用研究 |
| 【英文题名】 | Research on the Applications of EKF-SLAM Algorithm to the Localization of Underwater Vehicles |
| 【学科专业】 | 导航、制导与控制 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2007-8-21 |
| 【中关键词】 | 水下导航,同步构图与定位,扩展卡尔曼滤波,压缩滤波,数据关联, |
| 【英关键词】 | Underwater navigation,Simultaneous Localization and Mapping,Extended Kalman filter,Compressed filter,Data association, |
| 【分类导航】 | 交通运输>水路运输>船舶工程>导航设备、水声设备>导航设备> |
| 【论文摘要】 |
导航技术是水下航行器的关键技术之一，高精度的导航和定位对其安全航行和高效率完成任务具有决定性的作用。同步构图与定位(SLAM，Simultaneous Localization and Mapping)算法不需要先验的水下环境信息图的辅助，当航行器在水下运动时，利用自身携带的声纳等外部传感器感知环境，提取环境中的有用信息，利用这些信息进行自身定位，与此同时，构建一幅水下环境的特征地图。
论文阐述了SLAM算法的原理，对算法所得到的环境地图的收敛性进行了讨论。此外，深入分析了目前SLAM算法在应用中存在的两大关键问题即计算复杂度和数据关联问题产生的原因及其对系统造成的影响。针对水下航行器的状态和观测模型的非线性，讨论了基于扩展卡尔曼滤波(EKF)的SLAM算法的系统执行过程，并从水下航行器经常采用的两种作业方式出发，进行了仿真实验。仿真实验结果表明，相对于单纯推位方法，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。
针对水下航行器航行时间长，可能会出现计算负担过大的问题，从算法的计算复杂度的来源入手，对算法提出了一些优化措施，以降低在线计算量。由于水下环境的复杂... |
| 【论文题纲】 |
|
摘要 |
5-6 |
|
ABSTRACT |
6-10 |
|
第1章 绪论 |
10-16 |
|
1.1 课题背景与意义 |
10 |
|
1.2 目前的水下导航方法 |
10-12 |
|
1.3 同步构图与定位算法 |
12-13 |
|
1.4 国内外研究概况 |
13-15 |
|
1.5 本文主要工作和章节安排 |
15-16 |
|
第2章 SLAM算法原理 |
16-35 |
|
2.1 环境表示方法 |
16-21 |
|
2.1.1 栅格地图 |
16-17 |
|
2.1.2 特征地图 |
17-18 |
|
2.1.3 拓扑地图 |
18-20 |
|
2.1.4 混合地图 |
20-21 |
|
2.2 线性最优滤波—卡尔曼滤波 |
21-22 |
|
2.3 系统模型的建立 |
22-25 |
|
2.3.1 状态模型 |
23 |
|
2.3.2 特征模型 |
23-24 |
|
2.3.3 观测模型 |
24 |
|
2.3.4 系统向量及协方差 |
24-25 |
|
2.4 定位与构图 |
25-27 |
|
2.5 SLAM算法的性质 |
27-32 |
|
2.5.1 半正定矩阵性质 |
27 |
|
2.5.2 地图协方差矩阵的收敛性 |
27-32 |
|
2.6 SLAM算法的关键性问题 |
32-34 |
|
2.6.1 计算复杂度问题 |
32-33 |
|
2.6.2 数据关联问题 |
33-34 |
|
2.7 本章小结 |
34-35 |
|
第3章 基于 EKF的水下 SLAM算法 |
35-56 |
|
3.1 扩展卡尔曼滤波器 |
35-37 |
|
3.1.1 EKF的通用形式 |
35-36 |
|
3.1.2 关于 EKF的讨论 |
36-37 |
|
3.2 非线性系统建模与执行过程 |
37-45 |
|
3.2.1 系统各状态向量 |
37-38 |
|
3.2.2 总体执行过程 |
38-40 |
|
3.2.3 预测阶段 |
40-42 |
|
3.2.4 更新阶段 |
42-43 |
|
3.2.5 状态扩充 |
43-45 |
|
3.3 仿真结果 |
45-55 |
|
3.3.1 区域探索仿真实验 |
45-50 |
|
3.3.2 航渡仿真实验 |
50-55 |
|
3.4 本章小结 |
55-56 |
|
第4章 算法实时执行优化 |
56-70 |
|
4.1 基于 EKF算法的优化 |
56-59 |
|
4.1.1 预测优化 |
56-58 |
|
4.1.2 更新优化 |
58-59 |
|
4.2 压缩滤波 |
59-68 |
|
4.2.1 预测阶段 |
60-61 |
|
4.2.2 协方差更新 |
61-64 |
|
4.2.3 状态更新 |
64-66 |
|
4.2.4 执行步骤 |
66-67 |
|
4.2.5 区域划分方法 |
67-68 |
|
4.3 特征处理方法 |
68-69 |
|
4.4 本章小结 |
69-70 |
|
第5章 数据关联方法研究 |
70-87 |
|
5.1 关联门的定义 |
70-71 |
|
5.2 常见的两种关联门 |
71-77 |
|
5.2.1 矩形关联门 |
71-73 |
|
5.2.2 椭球关联门 |
73-76 |
|
5.2.3 两种关联门的性能比较 |
76-77 |
|
5.3 椭圆关联门在 SLAM问题中的应用 |
77-78 |
|
5.4 最近邻数据关联方法 |
78-79 |
|
5.5 仿真结果 |
79-85 |
|
5.6 降低关联模糊度的方法 |
85-86 |
|
5.7 本章小结 |
86-87 |
|
结论 |
87-88 |
|
参考文献 |
88-93 |
|
攻读硕士学位期间发表的论文和取得的科研成果 |
93-94 |
|
致谢 |
94 |
|
| 【DOI】 | LunWen.ID:2.2008.112560 |
