CN109856638B - 一种特定水下目标自动搜索定位的方法 - Google Patents

Abstract

本发明公开了一种特定水下目标自动搜索定位的方法，通过将自主水下潜航器AUV作为可移动的声纳信号接收换能器阵列，使得水底声纳图像采集更加便捷高效全面，采用EKF‑SLAM算法和芯片级原子钟CSAC提高自主水下潜航器的定位精度，应用机器学习形成特定水下目标的光学和声学图像数据特征集，在自主水下潜航器AUV进行特征识别后对可能的目标数据回传母船进行人为二次判别，大大提高了目标搜索的效率。

Description

一种特定水下目标自动搜索定位的方法

技术领域

本发明提出了一种特定水下目标自动搜索定位的方法，属于水下检测领域。

背景技术

地球是一个大水球。海洋的总面积约为3.6亿平方公里，约占地球表面积的71％。海洋运输是国际货品交换中最重要的运输方式之一，货物运输量占全部国际货物运输量的比例大约在80％以上。海洋还是丰富的生物资源和矿产资源的来源。海底矿产十分丰富，蕴藏着丰富的能源矿产，煤，石油，天然气，可燃冰等，还有880亿吨稀土矿，可提炼锰，铁，镍等矿物，海水中还可提炼未来能源氘和氚。

在进行海洋资源调查、估价、勘探，海底采样，水文调查，海底地形地貌摄影与绘图，失事船只的搜救，特殊水域警戒等等，都需要一种特定水下目标的搜索定位方法。

同时定位与地图构建(SLAM)是一种应用比较广泛的目标定位和未知环境探测算法，允许机器人在完全未知环境中，利用自身携带的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，增量的构建环境地图的过程。

高斯噪声模型是水下环境常用的噪声模型，基于扩展卡尔曼滤波器的EKF-SLAM是使用最为广泛的SLAM算法，适于解决各种非线性问题，非常适合用于解决水下目标的定位问题。

EKF-SLAM算法主要分为预测、更新和扩充三部分。即将AUV的状态和地图特征存储在一个独立的状态向量中，然后通过先预测再观测更新的递推过程来估计系统状态，同时如果存在新特征则将新特征加入到状态向量中，以实现对AUV自身位置的估计和地图的创建。

其中预测是指AUV利用自身携带的传感器如垂直陀螺仪等提供的加速度、角速度等数据根据当前时刻姿态对下一时刻的姿态进行推位，但推位算法的精度一般较低，需要根据传感器的观测数据进行更新。

更新主要包含两部分:第一部分是指利多普勒速度仪DVL，数字罗盘等传感器提供的数据更新预测后的机器人的姿态。第二部分是指利用AUV携带的前视声纳扫描海底的环境特征，得到声纳测量数据并进行处理，提取点特征，然后将该点特征的量测转换到全局坐标系下，并与地图中的特征进行数据关联。若是第一次观测到该特征，则进入扩充阶段，将它添加到地图中；否则，进入更新阶段。利用扩展卡尔曼滤波算法得到AUV状态和地图特征的最优估计。

随着相干布局捕获(CPT)现象的发现和MEMS技术的发展，作为最精确的计时装置—原子钟进入了小型化时代。市场上已经存在可集成于手持设备的低成本、低功耗、高性能的商业芯片级原子钟(CSAC)。采用CSAC设备可以大大提高计时精度，应用于导航定位中，能大大提高定位精度。

目前对于水下目标定位中，存在着以下一些问题：

1)水下无线通信带宽有限，无法满足实时的图像数据回传。

2)受限于声纳阵列的固定形状和分布，需要多个声纳阵列，不断调整接收换能器位置才能获取较为准确水下声纳图像。

3)由于电磁波在水中衰减的速度非常快，水下的无人潜航器无法通过GPS信号来准确定位自身的位置，而仅依靠无人潜航器惯性导航会使得定位误差越来越大，超出可接受范围。

发明内容

针对现有技术的不足，本发明的目的在于提供一种特定水下目标自动搜索定位的方法，通过将自主水下潜航器AUV作为可移动的声纳信号接收换能器阵列，使得水底声纳图像采集更加便捷高效全面，采用EKF-SLAM算法和芯片级原子钟CSAC提高自主水下潜航器的定位精度，应用机器学习形成特定水下目标的光学和声学图像数据特征集，在自主水下潜航器AUV进行特征识别后对可能的目标数据回传母船进行人为二次判别，大大提高了目标搜索的效率。

本发明通过以下技术方案实现：

一种特定水下目标自动搜索定位的方法，该方法包括：

S0:特定水下目标自动搜索定位系统构成包括母船、浮标和自主水下潜航器AUV；

S1:获取特定水下目标的光学和声学图像特征数据集，并存储于自主水下潜航器AUV中；

S2:目标水下区域的海底声纳图像的获取；

S3:对所述海底声纳图像进行分析，选定特定水下目标潜在区域；

S4:将母船，浮标和自主水下潜航器AUV进行时钟同步，投放自主水下潜航器AUV对所述特定水下目标潜在区域按照程序规划路线进行自主搜索同时判定可能符合特征的目标；

S5:对AUV回传的数据信息进行分析，判别后确定特定水下目标位置。

优选地，所述的浮标的功能模块包括：

水下通信模块，包括发射换能器，接收换能器，声波调制解调器；

水上通信模块，用于浮标之间信号中转或浮标与母船之间的通讯；

GPS模块，用于浮标的准确定位；

芯片级原子钟CSAC时钟，由芯片原子钟集成，用于时钟同步和提高自主水下潜航器AUV的定位精度；

能源模块：包括太阳能电池板、蓄电池和可拆卸的与母船相连接的供电电缆。

优选地，所述的自主水下潜航器AUV功能模块包括

水下通信模块，包括发射换能器，接收换能器，声波调制解调器；

水上通信模块，用于自主水下潜航器AUV之间信号中转或自主水下潜航器AUV与母船或浮标之间的通讯；

GPS模块，用于自主水下潜航器AUV的准确定位；

芯片级原子钟CSAC时钟，由芯片原子钟集成，用于时钟同步和提高自主水下潜航器AUV的定位精度；

惯性成像模块，包括多普勒速度仪DVL，光纤陀螺仪FOG，深度计，用于测量自主水下潜航器AUV各项运动参数，提高自主水下潜航器AUV的定位精度；

光学成像模块，包括高清水下摄像机，用于采集图像用于目标特征判别和回传母船人为二次判定；

声学成像模块，包括主动前视成像声纳，用于形成水下目标物的声纳图像进行目标特征判别和自主水下潜航器AUV定位。

优选地，S1所述的特定水下目标的光学和声学图像特征数据集获取，具体方法为在模拟环境下采集特定水下目标的光学和声学数据，通过机器学习神经网络训练形成特征数据集，或者采用已有的相似的特征数据集。

优选地，S2所述的目标水下区域的水下声纳图像的获取，具体方法为：装有大功率声纳设备的母船向水下发射声纳信号，自主水下潜航器AUV作为可移动的换能器阵列，对反射的声波信号进行分布式采集，经过数据处理后形成声纳成像。

优选地，S4中的对所述特定水下目标潜在区域按照程序规划路线进行自主搜索时，利用自主水下潜航器AUV与信标的通信和自主水下潜航器AUV传感器数据融合，采用EKF-SLAM算法来提高自主水下潜航器AUV的定位精度。

优选地，在水面的自主水下潜航器AUV可以作为移动浮标，提供定位信息。

优选地，在水下的自主水下潜航器AUV可以作为数据中转站点，为处于更深或信号传播困难的水域的自主水下潜航器AUV提供数据信息中转。

附图说明

图1是本发明的一种特定水下目标自动搜索定位的方法示意框图。

图2是本发明的浮标系统主要功能模块框图。

图3是本发明的自主水下潜航器AUV系统主要功能模块框图。

图4是本发明的获取光学和声学数据特征集的过程框图。

图5是本发明的坐标系构成。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述。

S0:特定水下目标自动搜索定位系统构成包括母船、浮标和自主水下潜航器AUV；

如图2所示本发明的浮标系统主要功能模块框图。所述的浮标的功能模块包括：

水下通信模块，包括发射换能器，接收换能器，声波调制解调器；

水上通信模块，用于浮标之间信号中转或浮标与母船之间的通讯；

GPS模块，用于浮标的准确定位；

芯片级原子钟CSAC时钟，由芯片原子钟集成，用于时钟同步和提高自主水下潜航器AUV的定位精度；

能源模块：包括太阳能电池板、蓄电池和可拆卸的与母船相连接的供电电缆。

如图3所示是本发明的自主水下潜航器AUV系统主要功能模块框图。所述的自主水下潜航器AUV功能模块包括：

水下通信模块，包括发射换能器，接收换能器，声波调制解调器；

水上通信模块，用于自主水下潜航器AUV之间信号中转或自主水下潜航器AUV与母船或浮标之间的通讯；

GPS模块，用于自主水下潜航器AUV的准确定位；

芯片级原子钟CSAC时钟，由芯片原子钟集成，用于时钟同步和提高自主水下潜航器AUV的定位精度；

惯性成像模块，包括多普勒速度仪DVL，光纤陀螺仪FOG，深度计，用于测量自主水下潜航器AUV各项运动参数，提高自主水下潜航器AUV的定位精度；

光学成像模块，包括高清水下摄像机，用于采集图像用于目标特征判别和回传母船人为二次判定；

声学成像模块，包括主动前视成像声纳，用于形成水下目标物的声纳图像进行目标特征判别和自主水下潜航器AUV定位。

如图1所示是本发明的一种特定水下目标自动搜索定位的方法示意框图。S1:获取特定水下目标的光学和声学图像特征数据集，并存储于自主水下潜航器AUV中，如图4所示是本发明的获取光学和声学数据特征集的过程框图，具体方法为在模拟环境下采集特定水下目标的光学和声学原始图像数据，首先对数据进行清理、抽样、结构化，并选择合适的模型与模型评估方法。接下来进行特征提取，通常得到的原始数据维数非常大，采用小波分析、傅里叶分析等方法对数据进行降维，有利于建模，从原始数据中自动构造新特征。接下来进行特征选取，通常经过特征提取步骤得到的特征量依然较大，通过考虑1.特征与待解决问题的相关性，2.特征对模型精度的影响，3.特征彼此间存在的冗余性。将一些不必要的特征从特征集中去除，将得到一个更优质的特征集，从大量特征中选取有有用的特征。接下来进行特征构造，原始数据集中存在的部分模式、结构上的信息，需要由人进行总结提取，根据特定水下环境，人为选取价值较高的特征，由人工从原始数据集中构造出新特征。接下来进行特征学习，从原始数据集中自动识别和使用特征，同时采用一部分新的相关图像数据进行判别训练，形成特征数据集。或者可以直接采用采用已有的相似的特征数据集。

S2:目标水下区域的海底声纳图像的获取，母船携带浮标和自主水下潜航器AUV驶达目标海域，投放4-5台自主水下潜航器AUV。自主水下潜航器AUV位于水面之上，通过GPS模块得到自身准确的位置。母船上声波调制解调器通过发射换能器向水下发射调制声波信号。声波信号经过水底目标反射后被母船和自主水下潜航器AUV上的接收换能器接收。自主水下潜航器AUV将接收到的反射声波信号连同位置信息进过调制后发送给母船。母船可通过水上通讯模块，控制自主水下潜航器AUV到特定位置，继续接收母船发出的声波信号，进行分布式的声纳成像。最终将自主水下潜航器AUV和母船的声纳信号通过融合算法，形成水下声纳图像。

S3:对所述海底声纳图像进行分析，选定特定水下目标潜在区域，具体地，通过与先前已存在的水底声纳图像数据进行对比分析，通过差异确定可能的水下目标存在区域，或者通过采集当时水域的水文数据结合特定目标物在水下的物理特性，如形状，声波反射特性，受力变形等等在声纳地图上判别可能的水下目标存在区域。

S4:将母船，浮标和自主水下潜航器AUV进行时钟同步，投放浮标和自主水下潜航器AUV对所述特定水下目标潜在区域按照程序规划路线进行自主搜索，需要提出的是自主水下潜航器AUV装备主动前视声纳，具有自动避障功能。其中浮标投放于可能的水下目标存在区域水面上方，自主水下潜航器AUV潜入水底对可能的水下目标存在区域进行进一步搜索。

由于电磁波在水下衰减很大，所以通过浮标定时向水下发射通过调制的声波信号，声波信号携带浮标的准确位置信息和发射声波的时间节点t1，假设自主水下潜航器AUV的声波换能器在t2时刻接收到浮标的调制声波信号，浮标和自主水下潜航器AUV均有精确的CSAC时钟，并且经过时钟同步。

则浮标和自主水下潜航器AUV的距离1可下面的公式获得

l＝(t2-t1)*v_w (1)

式中Vw为当时声波在水下的传播速度，可由母船上的传感器测得。

由于CSAC时钟具有很高的精确性和时间稳定性，减小了浮标和自主水下潜航器AUV的距离1测量的时间误差。

自主水下潜航器AUV对所述特定水下目标潜在区域按照程序规划路线进行自主搜索时，采用EKF-SLAM算法来进一步降低在无GPS环境下定位的误差。

自主水下潜航器AUV的运动模型为

X_V(k+1)＝f(X_V(k+1)，u(k))+ω(k) (2)

式中，AUV的状态向量X_V(k)包含其自身的各种参数，如位置、速度、加速度、姿态角等，它唯一的确定了AUV在时刻的状态，u(k)是控制输入，f是状态转换函数，ω(k)用于表示系统的动态噪声及系统建模本身的不确定度。

传感器的观测模型描述了传感器观测数据和机器人位置之间的相互关系(主要指距离和方向)，其方程为

z(k)＝h(X(k)，θ_i)+vk) (3)

其中z(k)是k时刻的观测量，h(.)是观测相对于系统状态的函数，是关于机器人k时刻机器人状态X(k)和观测目标θi的函数，v(k)是观测噪声。

以环境特征的距离、方向作为观测量，机器人的位姿可以表示为

X_v＝[x_v y_v θ_v] (4)

自主水下潜航器AUV所探测目标物的位置可以表示为

θ_i＝[x_i y_i] (5)

则观测函数z可具体表示为

v_r是观测噪音，v_θ方向观测噪音。

采用成像声纳扫描海底环境，并把声纳数据处理成点特征，在全局坐标系中的位置用θ_i＝[x_i y_i]表示，其中i＝1，2...，n为环境特征的数量.由于特征是静止的，所以环境特征的模型可以表示为

在EKF-SLAM算法中，需要考虑两种坐标系，图5是本发明的坐标系构成。即全局坐标系和机器人坐标系。图5中大坐标系统为全局坐标系，小坐标系统为机器人坐标系。全局坐标系以机器人在第0步的位置为基点，y轴指向北，x轴指向东。机器人坐标系是指以当前AUV的位置为原点，机器人头的朝向为y轴，从上看顺时针旋转90度为x轴

系统状态向量包括两部分：AUV的状态向量和地图中的所有特征组成的向量

X＝[X_V X_m]^T (8)

其中

X_V＝[x y θ v_x v_y]^T (9)

表示AUV的状态向量

X_m＝[x₁ y₁ …… x_n y_n]^T (10)

表示地图中所有特征组成的向量，本文称之为地图特征向量。X_V中x、y、θ表示在全局坐标系中机器人的位置和方向信息，v_x、v_y表示机器人坐标系下两个方向的线速度。Xm中(x_i，y_i)表示在全局坐标系下第i个地图特征的位置信息。

系统的状态估计和协方差估计分别由AUV和地图特征的状态向量和协方差估计组成，具体形式为：

其中

和

分别为X_v和X_m的状态估计

其中P_V为AUV状态向量Xv的协方差矩阵，P_m为地图特征状态向量X_m的协方差矩，P_vm为Xv和Xm的互协方差矩阵。

随着环境特征的增加，系统状态向量的维数也不断部分增加，SLAM算法要不断的对系统状态向量进行预测和更新，而在预测更新之前必须设定系统状态向量和协方差矩阵的初始值，

X＝X_V＝[x y θ v_x v_y]^T (13)

其中X(0)＝X_V(0)＝[0_5*1]，P(0)＝P_v(0)＝[0_5*5]

由于初始时刻地图尚未构建，所以系统状态向量只包含AUV的状态，而不包含任何地图特征。

EKF-SLAM预测过程是指AUV根据当前时刻的测量值，在当前时刻的状态基础上推算AUV下一时刻的状态，在此过程中，由于地图描述的环境特征始终保持静止，故该阶段仅影响AUV的状态向量，而用来描述地图的状态向量保持不变。

因此，预测阶段改变的是系统状态向量中的X_v部分，以及系统相关矩阵中的P_v和P_vm，而X_m和P_m项保持不变。

建立的AUV运动模型为

X_v(k+1)＝f(X(k)，U(k)) (14)

其中x，y，θ，v_x，v_y分别表示机器人状态向量的x和y坐标、航向、x和y方向的速度

u(k)＝[ω_n a_x a_y]为控制向量，ω_n、a_x、a_y为机器人角速度和x、y方向的加速度。

由于假设研究的环境特征是静止的，那么预测阶段仅改变AUV的状态信息，而不改变地图信息，所以k+1时刻的系统状态为

协方差矩阵为：

P^-(k+1)＝GP(k)G^T+HQH^T (17)

Q为一个附加白噪声，其中

其中G_v和H_v是非线性模型f函数关于状态Xv和控制量u的雅各比矩阵。将DVL提供的速度测量值和光纤陀螺仪的角度值作为机器人的速度和航向角的直接观测值来更新系统状态向量中的速度与角度值，将速度和航向角放在一起以1Hz的频率对预测值进行更新

关于速度和角度的观测值为：

Z_d＝[θ V_x V_y] (20)

其中下标θ代表航向角，Vx和Vy表示AUV在机器人坐标系中x和y方向的线速度。

由于所有的测量值都是对AUV状态的直接观测，采用线性观测模型

Z＝H_dX+s_d (21)

其中观测矩阵

H_d＝[0_3*2 I_3*3 0_3*1 0_3*2n] (22)

观测模型的噪声Sd是均值为0，方差为R的高斯白噪声。

直接采用EKF算法对系统的状态向量进行更新，新息Vd以及新息的协方差矩阵Sd表示如下：

V_d＝Z_d-H_dX (23)

最后通过EKF更新方程更新状态估计，同时计算状态向量协方差矩阵的后验估计卡尔曼增益：

更新后系统状态向量：

P⁺＝P^--W_dS_dW^T (27)

算法使用速度、角度等测量值在更新机器人状态向量的同时，也更新了环境地图特征。实际上环境地图特征与这些测量值基本上是相互独立的，为了计算的方便，我们利用传感器数据更新时，可以仅对机器人的姿态向量和协方差矩阵进行更新，而不必更新系统状态向量和协方差矩阵中与地图相关的部分

将得到的AUV的定位数据结合浮标与自主水下潜航器AUV的距离1和深度以一定的权重进行数据融合，进一步提高定位精度。

需要提出的是母船完全具有浮标的全部功能，母船也可以作为水上声波信号的发射源，投放多个浮标有利于同时对几个可能的目标区域同时进行搜索，提高搜索定位的效率。

自主水下潜航器AUV在对可能的水下区域进行搜索时，不满足可视化条件时会优先开启声纳对水下目标进行采样并比对，在满足可视化条件情况下会开启高清水下摄像机，对水下目标的光学图像进行特征匹配。在存在满足特征匹配的目标时通过水下通信系统向浮标或母船发送图像信息，浮标通过水上通信模块向母船发送信息。需要提出的时，在水域较深时或者水下环境不利于声波信号长距离传播时，可指令1-2台自主水下潜航器AUV作为处于更深水域的自主水下潜航器AUV数据中转站。

显然，本领域的技术人员可以对发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (7)

1.一种特定水下目标自动搜索定位的方法，该方法包括：

S0：特定水下目标自动搜索定位系统包括母船、浮标和自主水下潜航器AUV；

S1：在模拟环境下采集不同的特定水下目标的光学和声学原始图像数据，并通过机器学习制作特征数据集，存储于所述自主水下潜航器AUV中；

S2：对水下区域的海底声呐图像进行获取；

S3：对所述海底声呐图像进行分析，利用所述特征数据集进行对比，选择所述特定水下目标的潜在区域；

S4:将所述母船，所述浮标和所述自主水下潜航器AUV进行时钟同步，投放所述自主水下潜航器AUV对所述特定水下目标潜在区域按照程序规划路线进行自主搜索；

S5:对AUV回传的数据信息进行分析，判别后确定特定水下目标位置,

其中，S4还包括根据所述自主水下潜航器AUV进行自主搜索时，建立搜索的地图信息，地图信息包括所述自主水下潜航器AUV的运动模型、环境特征模型及特定水下目标的位置。

2.根据权利要求1所述的一种特定水下目标自动搜索定位的方法，其特征在于：所述的浮标的功能模块包括：

水下通信模块，包括发射换能器，接收换能器，声波调制解调器；

水上通信模块，用于浮标之间信号中转或浮标与母船之间的通讯；

GPS模块，用于浮标的准确定位；

芯片级原子钟CSAC时钟，由芯片原子钟集成，用于时钟同步和提高自主水下潜航器AUV的定位精度；

能源模块：包括太阳能电池板、蓄电池和可拆卸的与母船相连接的供电电缆。

3.根据权利要求1所述的一种特定水下目标自动搜索定位的方法，其特征在于：所述的自主水下潜航器AUV功能模块包括

水上通信模块，用于自主水下潜航器AUV之间信号中转或自主水下潜航器AUV与母船或浮标之间的通讯；

GPS模块，用于自主水下潜航器AUV的准确定位；

惯性成像模块，包括多普勒速度仪DVL，光纤陀螺仪FOG，深度计，用于测量自主水下潜航器AUV各项运动参数，提高自主水下潜航器AUV的定位精度；

光学成像模块，包括高清水下摄像机，用于采集图像后用于目标特征判别和回传母船人为二次判定；

声学成像模块，包括主动前视成像声纳，用于形成水下目标物的声纳图像进行目标特征判别和自主水下潜航器AUV定位。

4.根据权利要求1所述的一种特定水下目标自动搜索定位的方法，其特征在于：S2所述的目标水下区域的水下声纳图像的获取，具体方法为：装有大功率声纳设备的母船向水下发射调制声纳信号，自主水下潜航器AUV作为可移动的换能器阵列，对反射的声波信号进行分布式采集，经过数据处理后形成声纳图像。

5.根据权利要求1所述的一种特定水下目标自动搜索定位的方法，其特征在于，S4中的对所述特定水下目标潜在区域按照程序规划路线进行自主搜索时，利用自主水下潜航器AUV与浮标的通信和自主水下潜航器AUV传感器数据融合，采用EKF-SLAM算法来提高自主水下潜航器AUV的定位精度。

6.根据权利要求1所述的一种特定水下目标自动搜索定位的方法，其特征在于，在水面的自主水下潜航器AUV可以作为移动浮标，提供定位信息。

7.根据权利要求1所述的一种特定水下目标自动搜索定位的方法，其特征在于，在水下的自主水下潜航器AUV可以作为数据中转站点，为处于更深或信号传播困难的水域的自主水下潜航器AUV提供数据信息中转。

Images