第1章 绪论
1.1 智能水下机器人地形匹配导航技术概述
1.1.1 智能水下机器人水下导航技术概述
AUV因具有独立自主作业能力，在深海资源勘察、水下地形测绘、水下巡航警戒等民用及军用领域具有广阔的应用前景。海洋探测、军事侦察、海洋环境检测等任务需求的增加，对AUV导航精度和稳定性提出了更高的要求，而水下定位与导航问题一直是AUV技术发展的短板。对于担负超长距离、大潜深、全天候潜航任务的AUV，要求AUV在潜航状态下能自主精确导航直至任务完成，出于节约能源、时间和成本考虑，AUV应该尽量避免上浮接收卫星导航信号，而在外部辅助定位信号覆盖范围有限或完全拒止的条件下，AUV必须具备自主修正导航系统时间累积误差的能力。地形匹配导航（terrain matching navigation，TMN）技术以地形特征为定位信息源，解决AUV在长航程、大潜深作业任务中的精确定位问题具有极大的优势，世界主要的AUV研究机构中大部分已经在进行水下TMN相关理论和试验的研究，目前主要的水下定位导航技术包括以下几类。
1. 惯性/航位推算导航
目前，大部分水下定位信息获取方法主要借助航位推算导航和声学定位导航，航位推算（dead reckoning，DR）导航通过传感器获取载体的速度或加速度和姿态信息，然后对时间进行积分得到载体的位置。
（1.1）
式中， 为载体在导航坐标系（大地坐标系）下的位置变化； 为载体在载体坐标系下的姿态变化； 和 为关于姿态角的旋转矩阵； 、 和 分别为载体的速度、加速度和角速度；上角标n和b分别为导航坐标系下和载体坐标系标识符。
AUV 常用的航位推算导航传感器包括罗经、加速度计、多普勒测速仪（Doppler velocity log，DVL）、深度计等。表1.1列出AUV常用的航位推算导航传感器设备，并且列出其测量变量所在的坐标系[1]。
表1.1 航位推算导航传感器设备
航位推算导航的误差与传感器的精度有很大的关系，由高精度传感器组成的航位推算导航系统的成本也会很高。一般用导航偏差与航程之比的百分数来表示导航精度。表1.2列出世界上现有的主要AUV的航位推算导航的精度及其传感器[2]。
表1.2 主要AUV的航位推算导航的精度及其传感器
航位推算导航会存在不可避免的误差累积，不利于长时间、长航程导航。不同传感器组成的航位推算导航系统的导航精度差别非常大，对于低成本的AUV，航位推算导航已经不足以支撑其完成长时间的潜航任务。
2. 水下声学定位
水下声学定位是一种非常常用的水下定位导航技术，声学定位系统通过测量换能器间的声波传播时间来解算载体的位置，其测量精度高度依赖换能器的标定精度和声学信号的频率。如表1.3所示，常用的声学定位系统包括超短基线（ultrashort base line，USBL）、短基线（short base line，SBL）、长基线（long base line，LBL）[1]。
表1.3 声学定位系统的分类
由于声学定位系统的定位精度较高，且不存在时间累积误差，目前已被广泛应用于水下航行器的定位与导航，但对于长航程AUV，声学定位系统存在很多不足之处。LBL基阵布设过程中需要进行基阵的位置校正，时间和资金耗费较大；SBL需要母船的支持，不能实现AUV的自主定位，而且支持母船需要额外的资金消耗；USBL的测距信号容易受到噪声干扰。此外，一个*严重的不足之处就是声学定位系统的作用距离有限。
3. 地球物理导航
地球物理导航是指利用分布于空间中的地球物理信息，包括地磁场、重力场、地形等作为定位信息源来确定载体位置的导航技术。利用地球物理信息进行导航首先需要获得地球物理信息的时空分布图，然后根据探测设备获得的AUV当前位置的地球物理信息图与先验地球物理信息图进行匹配定位，从而得到AUV在先验地球物理信息图中的位置。地球物理导航不需要外部输入信息，可实现AUV的自主定位导航，而且地球物理导航不具有累积误差，可满足AUV长航程、大潜深作业时的导航需求。目前，地球物理导航已经成功应用于飞行器的辅助导航，如波音客机的重力场导航系统、巡航导弹的地形匹配导航系统和景象匹配导航系统。AUV的地球物理导航发展比较缓慢，其技术难度要远高于飞行器的地形匹配导航，目前AUV的地球物理导航主要以地形匹配导航为主。相比地磁场信息和重力场信息，水下的地形信息更易于获取，而且基于地形信息的导航精度较地磁场和重力场要高，因此水下地形匹配导航也得到了许多AUV研究机构的重视。
1.1.2 智能水下机器人海底地形匹配导航技术概述
作为一种有效的导航方法，地形匹配导航的研究已开展多年，并成功应用于战斗机的低空导航、巡航导弹的中段导航与末端制导。以飞行器的地形匹配导航为例，其代表分别为地形等高线匹配（terrain contour matching，TERCOM）系统和桑地亚惯性地形辅助导航（Sandia inertial terrain aided navigation，SITAN）系统[3]。由于海洋环境不同于大气环境，海底地形匹配导航有其自身的特殊性。AUV的地形匹配导航是以水下地形图作为先验信息，利用自身搭载的测深设备进行实时的地形测量和地形重构，*后通过地形参考定位（terrain referenced positioning，TRP）或定位信息融合得到AUV相对于先验地形图的位置估计。与飞行器地形匹配导航类似，如图1.1所示，AUV海底地形匹配导航主要由基本导航单元、水深测量单元和地形匹配单元三个部分组成。
图1.1 AUV海底地形匹配导航组成
当AUV在地形匹配区航行时，利用多波束测深系统测量垂直于航线方向一定范围内的多个地形剖面上各测量点与AUV所在平面的距离，与静水压力传感器所得到的传感器深度值之和，即测量点所在位置处的水深（图1.2中忽略了各传感器间的相对距离）。地形匹配算法利用实时测量的地形匹配面信息，在预先存储的数字高程图中确定与该匹配面*相匹配的位置。由于相似地形的存在，特别是地形平坦区域，一组测量值在参考地形图上可能会出现多个位置与实测地形相近，即存在伪点。为了去除伪点，除了加强算法对伪点的识别外，还可以增加地形匹配测量点的个数。通过一系列的测量点深度值，形成匹配子单元，与基本导航单元得到的位置信息进行融合处理，排除错误的定位，确定AUV**的估计值。当地形特征明显时，可连续对AUV进行实时定位。海底地形匹配定位原理示意图如图1.2所示。
图1.2 海底地形匹配定位原理示意图
海底地形匹配导航系统可以看作导航系统的一个独立部分，其主要功能是提供位置测量信息。在AUV或者潜艇上，与全球定位系统（global positioning system，GPS）信号类似，海底地形匹配导航系统提供的位置测量信息将与惯性导航系统（inertial navigation system，INS）进行融合。在其他系统中，它也可以与航位推算导航系统进行融合或是被当成一个独立的位置更新来源。对于惯性导航系统和GPS，海底地形匹配导航系统能够提供额外的位置估计，提高了导航系统的完整性。对水面船只来说，当GPS信号被干扰或是出现伪信号时，地形匹配导航也将是一个不错的选择[4， 5]。虽然AUV海底地形匹配导航有众多优点，但也存在先天不足，即其需要依靠已知的精确海底先验地形图。作为AUV在海底先验地形图存在缺陷或缺失时的自主导航方法，同步定位与建图技术可以不依赖先验地形图，在未知区域自主航行、自主规划，对环境进行自主感知和学习，实现AUV长时间、全自主水下航行[6]。
1.2 同步定位与建图技术概述
同步定位与建图技术作为AUV在陌生环境中的自主导航与建图方法，可以使AUV摆脱对先验地形图的依赖，在未知区域自主航行、自主规划，对环境进行自主感知和学习，同时对导航定位误差进行修正。将SLAM技术应用于水下导航中，可为AUV提供精确的导航定位信息，从而帮助AUV实现不依赖外部设备辅助、不存在累积误差、长时间、全自主的水下航行。通过不断构建一致的增量地形图并依赖该地形图进行定位，SLAM技术解决了机器人在陌生环境下自主导航的问题，由于其能够实现机器人真正的“智能”，SLAM技术也被称为机器人领域的“圣杯”[7]。随着机器人计算能力和感知能力的不断提升，在线SLAM技术的实现成为可能，因而在过去的十几年中，SLAM技术得到了世界各国的广泛关注[8]。
在1986年美国电气电子工程师协会举办的机器人与自动化会议中，与SLAM技术相关的一致性概率建图问题被正式提出，其基本算法构建和计算效率问题也亟待解决。Smith等[9]和Durrant-Whyte[10]的工作为描述地形图中地标之间的关系建立了统计学基础，他们的研究表明，不同地标的位置估计值之间一定存在高度的相关性，并且这些相关性会随着机器人连续进行观测而不断增长。Leonard等[11]的研究则表明，当机器人在未知环境中移动并对路标与机器人之间的相对位置进行观测时，由于在观测路标时机器人对自身位置的估计误差相同，机器人对各个路标位置的估计值之间必然相关。相关研究表明，在同时考虑机器人导航和建图问题时，系统状态空间中需要维护包括机器人姿态和所有路标位置在内的所有状态向量，而系统状态在每个地标观测之后都需要进行更新，这在当时的计算条件下是一个巨大的挑战。因此，直到1995年的机器人研究国际研讨会上，SLAM的算法结构、收敛性证明以及首字母缩写才第一次出现[12]。至此开始，受益于飞速提升的计算能力，SLAM的研究开始在室内机器人、室外陆地机器人、水下机器人等领域逐渐展开。
SLAM问题中的因子图如图1.3所示。考虑一个机器人在移动过程中通过传感器对一定数量的未知路标进行观测的情况，其中， 表示k时刻机器人实际的位置； 表示第i个路标； 表示k时刻机器人控制输入，该控制输入驱动了机器人在 时刻和k时刻之间的状态转移； 表示k时刻机器人对第i个路标的观测。
图1.3 SLAM问题中的因子图
展开
