海洋环境下AUV目标跟踪技术

《海洋仪器装备开发的关键技术》结课报告课题名称：海洋环境下AUV目标跟踪技术选题领域：数据处理技术年级专业：xxxxxxxxxxxxxx学号：xxxxxxxxxxx姓名：xxx摘要I海洋环境下AUV目标跟踪技术——（选题领域：数据处理技术）摘要：近几年来，随着对海洋资源的开发和利用，自主水下航行器(AUV)的研究成为一个热门的领域。一方面，它可以减少人类下潜的危险，完成一些人类不能完成的任务，另一方面它可以随意地在海底畅游，获得更多人类和仪器无法观测的水下信息。目标跟踪研究是AUV技术研究的热点领域之一。本文主要介绍了海洋环境下的AUV目标跟踪技术在国内外研究情况及发展趋势，以及目标跟踪的相关技术，例如卡尔曼滤波和粒子滤波。本文还对在AUV设备研制及其目标跟踪方面的代表研究单位的主要研究成果进行了简单介绍。目标跟踪技术对于声纳探测、水下作战、海上安全作业及海洋开发等领域有着广泛的应用价值。关键词：AUV；目标跟踪；卡尔曼滤波；粒子滤波；海洋环境下AUV目标跟踪技术1海洋环境下AUV目标跟踪技术——（选题领域：数据处理技术）1引言海洋中蕴含着丰富的矿产资源和生物资源，为了长期保持对海洋的开发，水下航行器成为在海洋勘探和开采中最有前途的工具之一。水下航行器作为海洋探索和开发的一种高科技工具，在海洋的未来开发中起着重要的作用，因此各个国家都在发展和研究水下航行器。水下航行器是一种具有智能功能的水下潜器，国内外专家根据智能化程度和使用需求，将水下航行器划分为四类：即拖曳式水下航行器TUV(TowingUnderwaterVehicle)、遥控式水下航行器ROV(RemotelyOperatedVehicle)、无人水下航行器UUV(UnmannedUnderwaterVehicle)和自治水下航行器AUV(AutonomousnderwaterVehicle。ROV需要通过与水面舰艇或潜艇相连的缆绳进行控制，缆绳的作用在于为其提供动力和让其始终处在人的控制范围之内；而AUV是完全自治的，仅依赖自身携带的动力系统和智能系统。UUV利用自身的各种传感器和武器，执行远程通信中继、反潜警戒、水下侦察与监视、反水雷等一系列重要军事支援任务。目前，世界上有许多国家在开发和研究水下航行器，除美国外，还有一些机器人技术比较发达的国家，如日本、俄罗斯、英国、德国和挪威等相继发明了智能程度更高、动作更为灵活的军用机器人；在我国，水下航行器在海洋勘探、海洋工程、水下救助以及水下探测和检测等方面的研究从来没有停止过，也产生了较好的经济和社会效益。目标跟踪是人们运用各种观测和计算手段，实现主体对被关注运动客体的状态进行建模、估计和跟踪的过程。利用这一技术，可以对陆海空的运动目标进行预警或跟踪，发现并锁定被跟踪目标，估计并分析其运动状态，为火力控制、威胁估计、态势评估，甚至各指挥控制系统的决策提供基本信息。目标跟踪是战场预警、精确打击、智能监控等重要应用领域的关键技术之一[1]。水下目标跟踪是AUV水下作业的关键技术之一，水下目标跟踪技术的研究，对于声纳探测、水下作战、海上安全作业及海洋开发等领域有着广泛的应用价值。水下目标跟踪不仅要求AUV能识别静止的目标，而且可以跟踪运动的目标，当目标的运动状态发生变化时，AUV要能适应目标运动状态的变化，而且能根据目标状态的变化对自身的运动状态做出相应的变化[2]。目标跟踪的研究主要包括点跟踪、轨迹跟踪和路径跟踪等方面。目标跟踪在现代军事和民用领域均具有重要的应用价值,比如卫星及导弹防御系统、精确制导、空中交通管制、航海及航空中的导航、机器人道路规划和避障、医学仪器及金融领域等[3]。目前，目标跟踪技术已成为国际上十分热门的研究领域之一。海洋环境下AUV目标跟踪技术22国内外发展现状及发展趋势2.1国内外发展现状目标跟踪是为了估计目标的当前状态而对所接收到的目标的测量信息进行处理的过程。通常情况下，这些测量信息不是原始测量数据，而是经过检测装置和信号处理装置处理过后的数据。水下目标探测与跟踪技术的研究始于上世纪七十年代，现在许多沿海发达国家都在致力于水下目标的探测与跟踪研究，并且一些国家，如美国、英国、日本、中国和俄罗斯等成立了专门的研究机构，专门研究以AUV为载体的水下目标跟踪技术。国外方面，Heriotwatt大学海洋系统实验室在多目标跟踪技术的应用上比较成熟，不仅采用了卡尔曼滤波、高斯粒子滤波和概率密度滤波算法对水下目标进行跟踪，而且利用声纳和多波束回声器技术，对实时跟踪水下管道进行了深入研究。法国ECA公司研制的ALISTAR3000水下航行器用于探测水下环境及对海底管道铺设情况进行调查和探测。英国Loughborough大学在潜水员跟踪和鲸鱼跟踪等方面进行了深入研究。美国海军研制的HUGIN1000[4]水下航行器不仅能精确的绘制海底地图、路线的测量，还可以对水雷进行探测、识别、跟踪和定位等。美国加州理工州立大学的LouisJamesBertshⅣ等人[5]利用粒子滤波算法对鲨鱼的运动跟踪进行了深入研究，根据鲨鱼的运动特点，设计出跟踪控制器。文献[6]提出了一种新的三维目标轨迹跟踪策略，为了评估作用在系统上的水动力的力和力矩，采用迭代CFD分析方法，这个先进控制策略的应用可以使AUV挑战实际应用中有难度的任务，克服结构复杂地形附近的不利水下环境的干扰。近几年来，欠驱动水面船和欠驱动AUV控制已经成为一个十分活跃的研究领域，因为它们有着重要的应用价值，比如旅客和货物的运输、环境调查、海底电缆检修和近海船舶加油等[7]。考虑到实际需要，欠驱动AUV的运动控制包括三个方面：稳定性，轨迹跟踪和路径跟随。但是欠驱动AUV的控制问题面临很多挑战，这是因为在二阶非完整约束下，AUV被控自由度的数量多于控制输入的数量[8]。欠驱动AUV系统不能变形为一个标准的链式系统，因此，目前已存在的链式系统的控制方法[9]不能被直接应用。不过，在过去的几十年中，人们已经采用很多不同的方法对欠驱动系统的稳定性、轨迹跟踪和路径跟随进行了深入研究。文献[10]提出了一种解析运动和加速度控制(RMAC)的方法，用于解决欠驱动AUV的路径跟踪问题；文献[11]针对欠驱动水面舰艇提出了一种线性时变方法，它用于解决一个全局K阶幂数的跟踪结果；文献[12][采用李亚谱诺夫方法，用于解决水面舰艇的局部和全局轨迹跟踪控制问题；文献[13]提出一种非线性和自适应反步法思想，对船舶的轨迹跟踪进行了设计。国内方面，沈阳自动化研究所代表了水下航行器等研究领域的领先技术，中国第一台有缆和无缆水下航行器都是在这里诞生的，它在实验室内完成了水下航海洋环境下AUV目标跟踪技术3行器对水中管道的跟踪试验。中船重工710研究所研制的HD-1型水下航行器配有前视电子扫描图像声纳和侧扫声纳等探测装置，可以高精度的跟踪定位目标。台湾国立大学根据鱼的特点研制了仿生机器鱼（BAUV），BAUV通过尾部的鳍和摆动躯体控制自己的运动，通过装置在头部的回声探测器检测环境和目标，利用扩展卡尔曼滤波算法实现了运动目标的跟踪[14]。文献[15]提出了一种基于模糊航向制导的AUV间接航迹控制方法，航向控制采用了滑块控制器。针对欠驱动AUV，文献[16]提出了基于级联系统理论的控制力矩设计方法，通过构造李亚谱诺夫函数，推导出具有全局渐进稳定的控制力矩；文献[17]将跟踪误差分解为位置跟踪和航向跟踪两个相互级联的系统，独立设计跟踪控制器。2.2未来的发展趋势发展不受约束、长期稳定的目标跟踪技术是未来的发展趋势也是挑战。因此，研究更有效的目标表示方法以及目标相似性度量方法以适应目标的外观变化是重要的研究方向。同时对于基于学习的智能算法仍需研究并引入以应对目标随时间的变化，监督学习需要大量人工干预，半监督学习近年来已被众多学者所研究并在目标跟踪方面有很高的研究和应用价值。另外，无论是基于检测思想的还是基于时间关联性跟踪的方法，对于目标的有效搜索都是一个关键问题，基于粒子滤波、均值漂移、金字塔搜索等跟踪算法仍有进一步研究的价值，同时对于其他学科中NP问题的解法等也可以引入跟踪搜索，以提高算法效率和执行速度，针对特定的场景利用一些附加信息，进行上下情景信息的融合，可以使跟踪更有效。3目标跟踪相关技术与目标跟踪相关的技术主要包括目标的运动建模、目标的运动估计以及数据关联和融合等。本节主要介绍目标建模技术和目标估计技术的研究成果。3.1目标建模技术在现代战场环境中，目标运动过程中包括速度、高度和方向的改变能力在内的常规机动都有了很大的改变，如水下航行器的加速、减速、水平旋转、俯冲和跃升等；同时，包括高转弯率、高加减速能力的瞬时机动能力也迅速发展。这就要求对机动目标的建模与滤波具有很强的自适应能力。其研究大致可以分为两类：一类是结构自适应方法；另一类是参数自适应方法。在结构自适应方法中，目标运动被描述成多个典型运动模式的随机Markov切换，从而将机动目标的自适应建模估计转换为一类Markov切换系统的切换估计和模式辨识的综合过程，根据模式序列建立一组并行工作的子滤波器，通过模型概率加权实现子滤波器的综合。目前，典型的方法有交互式多模型（InteractingMultipleModel，IMM算法）、广义贝叶斯方法、混合系统平滑算法和变结构多模型估计等。这些方法已被用在机动目标跟踪、故障诊断与容错控制、语言信号识别等领域，并取得了一系列成果。近年来，Challa等在混合系统框架下，提出海洋环境下AUV目标跟踪技术4了基于IMM的目标跟踪识别一体化算法[18]。Evans、Boyd、Sworder等在模式状态与基本状态两类量测信源下研究了Markov切换系统融合问题，实现了对成像与非成像传感器协同探测的信息融合建模，提出了目标跟踪识别一体化算法、成像传感器与非成像传感器协同算法以及态势评估的多态估计器（PolymorphicEstimator,PME）算法[19]。Boers等进一步将模式量测的离散随机分布推广到任意随机分布和非线性情况，采用粒子滤波器实现。结构自适应方法需要已知目标可能的运动模式，采用滤波器工作方式，计算量一般较大。在参数自适应方面，一类研究针对目标机动的随机性特点，将目标机动描述为参数未知的某种统计分布，从而将机动目标建模估计表示为状态与参数联合估计问题。比较典型的方法有Singer模型、当前统计模型、自适应加速度模型等。一类研究将目标机动描述为非机动模型的分段恒定加速度输入，利用非机动模型滤波残差检测机动，进而构造基于最小二乘的加速度估计，实现机动补偿。比较典型的方法有输入估计法。Lee等将加速度描述为一组基函数的线性加权，将输入估计转化为一组权值的辨识[20]。还有一类研究将目标机动描述为未知输入扰动，当扰动在统计上满足等式约束的条件下，构造了估计误差方差上限，通过在线调整滤波参数极小化均方误差上限，从而实现参数估计鲁棒性和状态估计最优性的折中。参数自适应方法可以引用机动上限等先验信息，计算量一般较小。3.2目标运动估计技术从国内外的研究情况来看，常用的目标运动估计技术主要两种，即卡尔曼滤波和粒子滤波。（1）卡尔曼滤波卡尔曼滤波方法是美国著名学者卡尔曼(Kalman)提出的一种对动态的状态序列进行线性最小方差误差估计的算法，卡尔曼把状态空间的概念应用到随机估计理论中，他把过程信号看作白噪声下的一个线性系统的输出，这种输入—输出关系可以用状态方程来描述，在估计过程中，要利用到系统的状态方程、观测方程和白噪声的统计特性，整个计算过程形成滤波算法。由于卡尔曼滤波采用线性递推的方法，可以把任意一点作为初始开始递推，所以卡尔曼滤波的优点是计算量小，可实时计算，简单实用等。卡尔曼滤波一个重要组成部分是状态估计，通常来说，估计问题就是：根据观测量对估计量进行定量推断。特别地，对动态行为的状态估计能够实时估计和预测运动状态。总之，对于了解和控制一个系统，状态估计具有十分重要的意义，统计学中的估计理论是最常用到的方法。（2）粒子滤波粒子滤波是上世纪九十年代发展起来的一种非线性滤波，它是基于蒙特卡洛