一种基于交互卡尔曼模型的时变洋流估算方法及系统与流程

1.本发明涉及信息测量技术领域，特别是涉及一种基于交互卡尔曼模型的时变洋流估算方法及系统。


背景技术：

2.水下自主式航行器(autonomous underwater vehicle，auv)在众多领域发挥着重要作用，且导航定位技术是决定水下作业任务成败的核心技术。现有使用中高精度的捷联惯性导航系统(strap-down inertial na vigation system，sins)、辅助传感器和全球卫星定位系统(global navi gation satellite system,gnss)等进行组合导航的方法，虽然能一定程度提升导航精度抑制定位误差，但仍存在一个致命的弊端：阻尼水平通道的误差需要将载体的对地速度作为卡尔曼滤波器(linear kalman fi lter，lfk)的观测量，多普勒计程仪(dvl)和声相关计程仪(acl)在距离水底距离超过最大探底距离时，只能测量出对水速度，并不能测量出对地速度。不存在洋流时，对水速度就是对地速度。但对于存在复杂时变洋流的水下环境，若不考虑洋流的影响，利用对水速度进行组合导航将引起较大的定位误差。
3.目前常用的洋流估算算法虽然通过在组合导航中增加洋流估计来提高定位精度，但均存在着应用缺陷，无法应用于深远海这类陌生海域的洋流估算。例如，利用dvl对水速度信息估算洋流大小的方法是：假定洋流为定常或缓变的前提下，建立包含洋流信息的卡尔曼模型，当洋流是复杂的时变洋流时该方法会失效，不准确的洋流估算将会造成巨大的定位误差，有时误差甚至超过不考虑洋流因素的常规模型；2)采用基于时变洋流的卡尔曼模型进行估算时，需要频繁接收gnss信号才可以估算出洋流，洋流模型的参数只能描述简单的时变洋流且参数需要查表得到，对天气环境信息掌握程度要求较高，方法应用存在较大的局限性。


技术实现要素：

4.本发明的目的是提供一种基于交互卡尔曼模型的时变洋流估算方法，基于洋流多模型理论将若干个子滤波器输出按照交互多模型进行混合叠加，得到时变洋流估值，解决现有组合导航中洋流估算方法应用缺陷，在有效提升复杂洋流的估计精度的同时，也为高精度组合导航系统提供可靠保障。
5.为了实现上述目的，有必要针对上述技术问题，提供了一种基于交互卡尔曼模型的时变洋流估算方法及系统。
6.第一方面，本发明实施例提供了一种基于交互卡尔曼模型的时变洋流估算方法，所述方法包括以下步骤：
7.根据获取的目标区域洋流信息，建立预设数目的洋流子模型；所述目标区域洋流信息包括不同变化周期的洋流观测数据；
8.根据各个洋流子模型，构建对应的线性卡尔曼子滤波器；所述线性卡尔曼子滤波
器的量测矩阵包括纯惯性导航量测子矩阵和水下测速量测子矩阵；
9.根据各个线性卡尔曼子滤波器输出的导航参数和协方差矩阵，得到子滤波器混合概率，并根据所述子滤波器混合概率，得到各个线性卡尔曼子滤波器的融合洋流信息；所述融合洋流信息包括融合导航参数、融合方差矩阵、融合洋流模型时间参数和融合洋流模型方差参数；
10.根据各个线性卡尔曼子滤波器的融合洋流信息，得到融合滤波器输出，并根据所述融合滤波器输出，得到时变洋流估值。
11.进一步地，所述洋流子模型为一阶马尔可夫型洋流模型；所述洋流子模型表示为：
[0012][0013]
其中，和分别表示第k+1和k个采样时刻对应的洋流值；tc表示洋流速度相关区间的时间常数；σc表示洋流速度的均方根；δt表示数据生成时间间隔；wc表示符合标准正态分布的白噪声。
[0014]
进一步地，所述根据所述目标区域洋流信息，建立预设数目的洋流子模型的步骤包括：
[0015]
根据所述目标区域洋流信息，以拟合误差最小为优化目标，确定预设数目的子模型参数；所述子模型参数包括时间参数和方差参数；
[0016]
根据所述子模型参数，构建对应的洋流子模型。
[0017]
进一步地，所述根据各个洋流子模型，构建对应的线性卡尔曼子滤波器的步骤包括：
[0018]
采用北东地坐标系作为导航系，根据各个洋流子模型，得到对应的洋流估算误差；所述洋流估算误差表示为：
[0019][0020]
其中，和分别表示第k-1和第k时刻的洋流估算误差；和分别表示基于线性卡尔曼子滤波器和洋流子模型得到的洋流速度和理想洋流速度；t
ic
表示第i个洋流子模型的时间参数；i表示洋流子模型的总数；
[0021]
将洋流估算误差作为状态变量，并确定对应的导航参数误差；所述导航参数误差表示为：
[0022][0023]
其中，δl和δl分别表示纬度误差和经度误差；δvn和δve是导航系n系下的速度分量；和分别表示横滚角误差、俯仰角误差和航向角误差；和表示b系下的三个加速度计的零偏；ε
x
、εy和εz表示b系下的三个陀螺零偏；和分别表示北向洋流误差和东向洋流误差；
[0024]
根据实时获取的纯惯性导航量测量、水下测速量测量和洋流向量，构建量测方程；所述量测方程表示为：
[0025][0026]
其中，和分别表示计算的n到b系姿态转换矩阵、准确速度向量、准确洋流向量和水下测速输出；
[0027]
根据所述导航参数误差和所述量测方程，得到对应的线性卡尔曼子滤波器。
[0028]
进一步地，所述根据各个线性卡尔曼子滤波器输出的导航参数和协方差矩阵，得到子滤波器混合概率的步骤包括：
[0029]
根据各个线性卡尔曼子滤波器输出的导航参数和协方差矩阵，得到对应的模型可信概率；所述模型可信概率表示为：
[0030][0031]
式中，
[0032][0033][0034]
其中，μ
i,k
表示第k时刻第i个线性卡尔曼子滤波器的模型可信概率；n
i,k-1
表示第k-1时刻第i个线性卡尔曼子滤波器的预测概率；m表示马尔科夫链传输矩阵；ri、ci和λi分别表示第i个线性卡尔曼子滤波器输出的残差、对应的协方差矩阵和极大似然比率；i表示线性卡尔曼子滤波器的总数；
[0035]
根据各个模型可信概率，得到所述子滤波器混合概率；所述述子滤波器混合概率表示为：
[0036][0037]
其中，g
11,k
,...,g
1i,k
表示计算第k时刻第1个线性卡尔曼子滤波器输出所需的叠加权重；g
i1,k,
...g
ii,k
表示计算第k时刻第i个线性卡尔曼子滤波器输出所需的叠加权重；m
ij
表示从第i个线性卡尔曼子滤波器转换到第j个线性卡尔曼子滤波器的概率。
[0038]
进一步地，所述根据各个线性卡尔曼子滤波器的融合洋流信息，得到融合滤波器输出，并根据所述融合滤波器输出，得到时变洋流估值的步骤包括：
[0039]
根据各个线性卡尔曼子滤波器的模型可信概率和融合导航参数，得到所述融合滤波器输出；所述融合滤波器输出表示为：
[0040][0041]
其中，和μ
i，,k
分别表示第k个时刻第i个线性卡尔曼子滤波器的融合导航参数和模型可信概率；
[0042]
根据所述融合洋流模型时间参数和所述融合洋流模型方差参数，得到理想洋流值；
[0043]
将所述融合滤波器输出中的洋流估计误差补偿到所述理想洋流值，得到所述时变洋流估值。
[0044]
进一步地，所述根据所述融合滤波器输出，得到时变洋流估值的步骤之后，还包括：
[0045]
将所述融合滤波器输出补偿至实时获取的纯惯性解算导航参数，得到组合导航参数估计值。
[0046]
第二方面，本发明实施例提供了一种基于交互卡尔曼模型的时变洋流估算系统，所述系统包括：
[0047]
模型构建模块，用于根据获取的目标区域洋流信息，建立预设数目的洋流子模型；所述目标区域洋流信息包括不同变化周期的洋流观测数据；
[0048]
滤波器构建模块，用于根据各个洋流子模型，构建对应的线性卡尔曼子滤波器；所述线性卡尔曼子滤波器的量测矩阵包括纯惯性导航量测子矩阵和水下测速量测子矩阵；
[0049]
概率融合模块，用于根据各个线性卡尔曼子滤波器输出的导航参数和协方差矩阵，得到子滤波器混合概率，并根据所述子滤波器混合概率，得到各个线性卡尔曼子滤波器的融合洋流信息；所述融合洋流信息包括融合导航参数、融合方差矩阵、融合洋流模型时间参数和融合洋流模型方差参数；
[0050]
洋流估计模块，用于根据各个线性卡尔曼子滤波器的融合洋流信息，得到融合滤波器输出，并根据所述融合滤波器输出，得到时变洋流估值。
[0051]
第三方面，本发明实施例还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
[0052]
第四方面，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。
[0053]
上述本技术提供了一种基于交互卡尔曼模型的时变洋流估算方法及系统，通过所述方法，实现了根据基于获取的包括不同变化周期的洋流观测数据的目标区域洋流信息建立的预设数目的洋流子模型，构建对应的线性卡尔曼子滤波器，再根据各个线性卡尔曼子滤波器输出的导航参数和协方差矩阵，得到子滤波器混合概率，并根据子滤波器混合概率，得到各个线性卡尔曼子滤波器包括融合导航参数、融合方差矩阵、融合洋流模型时间参数和融合洋流模型方差参数的融合洋流信息后，根据各个线性卡尔曼子滤波器的融合洋流信息，得到融合滤波器输出，并根据融合滤波器输出，得到时变洋流估值，以及校准组合导航参数的技术方案。与现有技术相比，该基于交互卡尔曼模型的时变洋流估算方法，根据洋流多模型理论将若干个子滤波器输出按照交互多模型进行混合叠加，有效解决深远海这类陌生海域的洋流估算问题，提升复杂洋流的估计精度的同时，还为高精度组合导航系统提供
可靠保障。
附图说明
[0054]
图1是本发明实施例中基于交互卡尔曼模型的时变洋流估算的应用框架示意图；
[0055]
图2是本发明实施例中基于交互卡尔曼模型的时变洋流估算方法的流程示意图；
[0056]
图3是本发明实施例中基于交互卡尔曼模型的时变洋流估算方法的另一流程示意图；
[0057]
图4是本发明实施例中基于交互卡尔曼模型的时变洋流估算系统的结构示意图；
[0058]
图5是本发明实施例中基于交互卡尔曼模型的时变洋流估算系统的另一结构示意图；
[0059]
图6是本发明实施例中计算机设备的内部结构图。
具体实施方式
[0060]
为了使本技术的目的、技术方案和有益效果更加清楚明白，下面结合附图及实施例，对本发明作进一步详细说明，显然，以下所描述的实施例是本发明实施例的一部分，仅用于说明本发明，但不用来限制本发明的范围。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0061]
本发明提供的基于交互卡尔曼模型的时变洋流估算方法为考虑到现有洋流估算方法无法应用于深远海这类陌生海域的洋流估算的技术缺陷，而给出的基于图1所示的时变洋流估算框架实现的基于洋流多模型理论将若干个子滤波器(lkf滤波器)输出按照交互多模型(imm)进行混合叠加，得到精准可靠的时变洋流估计值，且保证组合导航系统高精度的时变洋流算方法；图1中的vw、h
dg
、和分别表示uvl输出的对水速度、深度输出的深度、加速度计测量的比力和陀螺测量的角速度；中的下标ib表示b系相对于惯性系i系的旋转角速度，即陀螺的测量结果；图中表示完整的导航参数(子滤波器输出)。是经过imm融合计算以后的需要反馈回子滤波器的带洋流模型的导航参数；深度计信息进入模型后利用垂直通道阻尼技术进行处理,也就是利用深度计的输出h
dg
代替纯惯性解算出的高度/深度h
ins
作为imm的输出，从而保证imm输出的高度/深度信息的精度(为了简化，图1中未画出高度通道相关的细节)；每个子滤波器和最终imm输出的高度/深度信息都取为h
dg
，所以h
dg
不用进行imm的融合计算等过程，大大简化了计算量。由于惯导模型中水平通道和垂直通道是相互解耦的，所以这种处理方法既给出了较准确地深度/高度信息，又不增加imm的计算量，还不影响水平通道所有导航参数原本的精度。下述实施例将对本发明的基于交互卡尔曼模型的时变洋流估算方法进行详细说明。
[0062]
在一个实施例中，如图2所示，提供了一种基于交互卡尔曼模型的时变洋流估算方法，包括以下步骤：
[0063]
s11、根据获取的目标区域洋流信息，建立预设数目的洋流子模型；所述目标区域洋流信息包括不同变化周期的洋流观测数据；其中，洋流观测数据可理解为包括波高、波向和变换周期等前期海洋测绘统计得到的相关数据，也可以包括目标区域的经验参考模型；
[0064]
由于洋流或海流是由月球和太阳的引力导致的海水流动，其速度和方向都与时间
和地点等有关，且受风力、水与风之间的相互作用、温度、盐度、水深、潮汐力等众多因素的影响，洋流很难精确控制。为了提高时变洋流估算的精度，本实施例优选地，采用一阶马尔可夫型海流模型作为使用的洋流子模型；即所述洋流子模型为一阶马尔可夫型洋流模型，具体表示为：
[0065][0066]
其中，和分别表示第k+1和k个采样时刻对应的洋流值；tc表示洋流速度相关区间的时间常数，一般与imu更新周期有关；σc表示洋流速度的均方根；δt表示数据生成时间间隔；wc表示符合标准正态分布的白噪声；参数的典型值为：tc＝0.1-30h,σc＝0.005-5m/s。
[0067]
为了实现对洋流的精确建模与分析，本实施例优选地，通过选择i(一般地，i＝2-5)组参数建立i个如式(1)所示的洋流子模型，然后将各个洋流子模型加权叠加，得到较高的洋流拟合精度。即，通过统计该海域前期的洋流测绘数据，结合频谱分析等方法和先验知识得到描述该区域洋流的洋流子模型，每个洋流子模型包含一组tc和σc参数，并且以式(1)所示的规律递推。具体地，所述根据所述目标区域洋流信息，建立预设数目的洋流子模型的步骤包括：
[0068]
根据所述目标区域洋流信息，以拟合误差最小为优化目标，确定预设数目的子模型参数；所述子模型参数包括时间参数和方差参数；
[0069]
根据所述子模型参数，构建对应的洋流子模型；
[0070]
其中，预设数目的选择要根据实际应用的目标区域洋流复杂程度来确定，一般地，变化越复杂的洋流需要越多的洋流子模型。比如：如果目标区域洋流用一个tc＝1h和σc＝0.08m/s的洋流子模型拟合就可以达到很高的精度(拟合误差足够小)，则选取预设数目i＝1，tc＝1h和σc＝0.08m/s；如果目标区域洋流需要t
1c
＝0.5h和和和＝0.2m/s这样2组洋流子模型拟合(线性叠加)才能达到较高的精度，则选取预设数目i＝2，t
1c
＝0.5h和和和依此类推，越复杂的洋流需要的i一般越大，即复杂洋流变化规律复杂，用的洋流子模型不够多，拟合误差就比较大。
[0071]
本实施例确定预设数目i的大小和每个洋流子模型参数需要基于大量的洋流先验信息进行统计分析、非线性函数拟合计算等，比如：测绘得到的洋流数据记为vr，假设有v1,v2和v3三个已知洋流子模型，未知的权重分别为k1，k2和k3，则记v＝k1×v1
+k2×v2
+k3×v3
；然后，用非线性函数拟合方法(例如：模拟退火，最速梯度下降等方法)，以下述目标函数为优化目标，来求得三个未知的权重：
[0072][0073]
一般情况下，vr的变化规律十分复杂，如果洋流子模型选择不合适，则无论权重取什么常数，上述目标函数都很难得到一个较小的值。这时需要适当调整洋流子模型的参数，只有三个洋流子模型的参数都合适的情况下，才能找到一组权重使得目标函数足够小(小于设定的某个阈值就可以认为是足够小)，对应洋流子模型的选取就是合适的。
[0074]
需要说明的是，如果目标区域无任何先验信息，则可以先假定i＝1和一组随意给
出的参数，以拟合误差最小为目标函数不断地调整i和各个洋流子模型的参数的方法得到更多适合的洋流子模型；
[0075]
s12、根据各个洋流子模型，构建对应的线性卡尔曼子滤波器；其中，线性卡尔曼子滤波器可理解为能够估算出洋流、洋流误差和导航参数的lkf滤波器，且线性卡尔曼子滤波器的量测矩阵包括纯惯性导航量测子矩阵(sins子矩阵)和水下测速量测子矩阵(uvl子矩阵)；需要说明的是，uvl是dvl、acl、eml和pt中的某一个，uvl子矩阵是基于式(1)建立的；同时，基于前述高度通道用深度计的量测信息进行阻尼，则本实施例的sins子矩阵中包含导航参数可以去除高度(或深度)、天向速度，如式(2)所示：
[0076][0077]
其中，l和l分别表示纬度和经度；向量表示姿态角，包含的三个分量为横滚、俯仰和航向角；速度vn和ve表示导航系n系(北-东-地坐标系)下的速度分量，组成的向量记为vn＝[v
n ve]
t
，同理，将北向和东向洋流组成的向量记为
[0078]
具体地，所述根据各个洋流子模型，构建对应的线性卡尔曼子滤波器的步骤包括：
[0079]
采用北东地坐标系作为导航系，根据各个洋流子模型，得到对应的洋流估算误差；所述洋流估算误差表示为：
[0080][0081]
其中，和分别表示第k-1和第k时刻的洋流估算误差；和分别表示基于线性卡尔曼子滤波器和洋流子模型得到的洋流速度和理想洋流速度；
[0082]
由式(3a)中的第一个式子描述的是洋流估算误差，是由是由和相减得到的。而和都含有如式(1)所示的噪声项，相减后该项抵消，则式(3a)中第一个式子里不含噪声项。δt是计算机推算时使用的时间步长，一般选为1、2、5或10ms。式(3a)中速度变量上面“^”代表是卡尔曼滤波的估计量。假设有i个子滤波器，则有：i∈{1,2,...,i}，下标i表示imm中第i个子滤波器。由式(3a)很容易得到式(3b):
[0083][0084]
由(3b)式中第一个式子就可以得到第i个lkf中的uvl子矩阵如式(4)所示为一个常值矩阵：
[0085]
[0086]
下面讨论线性卡尔曼子滤波器对应的状态变量的选取：由于加速度计零偏和陀螺零偏对导航参数影响较大，所以在线性卡尔曼子滤波器sins部分的状态变量中应该包含它们；同时，为了估算洋流，必须将洋流或洋流误差包含进线性卡尔曼子滤波器uvl部分的状态变量。此外，为了考虑卡尔曼滤波模型的简单方便，本实施例优选采用间接法卡尔曼滤波模式(对导航参数的误差进行估算，再计算得到导航参数)，即按照下述步骤选择洋流误差(定义为滤波器给出的较准确的洋流与式(1)给出的估算值之间的差值)作为状态变量，详见式(5)右端列向量的最后2个分量，与式(3b)的第一个式子对应一致。
[0087]
将洋流估算误差作为状态变量，并确定对应的导航参数误差；其中，导航参数误差可理解为带洋流信息的导航参数，所述导航参数误差表示为：
[0088][0089]
其中，δl和δl分别表示纬度误差和经度误差；δvn和δve是导航系n系下的速度分量；和分别表示横滚角误差、俯仰角误差和航向角误差；和表示b系下的三个加速度计的零偏；ε
x
、εy和εz表示b系下的三个陀螺零偏；和分别表示北向洋流误差和东向洋流误差；
[0090]
假设时间连续lkf里的状态转移矩阵为f(t)，则离散形式lkf里的状态转移阵φ
k+1,k
为：
[0091][0092]
式中，δt是离散化的采样周期；f(t)表示为：
[0093][0094]
式中，
[0095][0096][0097][0098][0099]
[0100][0101][0102][0103]
其中，m
xy
表示从fins中变量x到y的变换子矩阵，其中，x/y为姿态角a、速度v和位置p中的一个；由于本模型中p和v只取了水平面内的2维量，所以m
pp
、m
vp
、m
vv
、m
pv
都只取上式中对应矩阵前面的2
×
2的子矩阵即可，且m
pa
、m
va
取上式中相应矩阵的前2行，m
ap
、m
av
取上式中相应矩阵的前2列，即是一个13
×
13的矩阵；
[0104]
基于上述选取的状态变量，可得到对应的状态方程，此处不作赘述，下面讨论量测方程；
[0105]
根据实时获取的纯惯性导航量测量、水下测速量测量和洋流向量，构建量测方程；所述量测方程表示为：
[0106][0107]
其中，和分别表示计算的n到b系姿态转换矩阵、准确速度向量、准确洋流向量和水下测速输出；
[0108]
由(8)式可知：
[0109][0110]
式中，w
uvl
分别表示n到b系的姿态转换矩阵、三个姿态角的失准角组成的向量、uvl的测量噪声；vn和vc分别表示sins解算的速度向量和洋流子模型得到的洋流向量。表示矩阵中第i列和第j至k行构成的子矩阵。需要说明的是，此处vc是在n系下的，所以，的表达形式为考虑了eml的量测噪声后，可知即：vc和是n系下的投影矢量，vc和是b系下的投影矢量。
[0111]
将式(9)的左端整理为列向量，右端整理为矩阵乘以列向量再叠加噪声项的形式，就得到如式(10)所示的量测矩阵：
[0112][0113]
式(10)中的最后两行就是uvl观测矩阵，用于洋流估算，设置对应的滤波器参数时，由式(1)噪声项中的系数，可推导出过程噪声方差矩阵q的取值如式(11)：
[0114][0115]
需要说明的是，为了表述方便，式(8)和(11)中省略了表示子滤波器标号的下标i。
[0116]
根据所述导航参数误差和所述量测方程，得到对应的线性卡尔曼子滤波器；
[0117]
至此，对于如式(1)所示的任一洋流子模型，就可以利用该模型建立一个对应的线性卡尔曼子滤波器，用于采用下述步骤，通过imm理论进行叠加融合，以便拟合出尽量精确的洋流流速，提升复杂洋流估算的精准性。
[0118]
s13、根据各个线性卡尔曼子滤波器输出的导航参数和协方差矩阵，得到子滤波器混合概率，并根据所述子滤波器混合概率，得到各个线性卡尔曼子滤波器的融合洋流信息；所述融合洋流信息包括融合导航参数、融合方差矩阵、融合洋流模型时间参数和融合洋流模型方差参数；
[0119]
所述根据各个线性卡尔曼子滤波器输出的导航参数和协方差矩阵，得到子滤波器混合概率的步骤包括：
[0120]
根据各个线性卡尔曼子滤波器输出的导航参数和协方差矩阵，得到对应的模型可信概率；其中，协方差矩阵可理解为每个线性卡尔曼子滤波器进行量测更新时，存在的残差的协方差矩阵；具体的，残差和对应协方差矩阵如式(12)和(13)所示：
[0121][0122][0123]
为了便于子滤波器的融合，假设每个ri都服从标准的正态分布，计算极大似然比率如下式(14)所示：
[0124][0125]
基于以上分析，就可以更新模型可信概率(衡量量测更新过程中哪个模型更可信的概率)，则第k时刻第i个的子滤波器的模型可信概率表示为：
[0126][0127]
式中，n
i,k-1
表示第k-1时刻第i个线性卡尔曼子滤波器的预测概率，它们可以组成向量n，计算方法如下
[0128][0129]
其中，μ
i,k
表示第k时刻第i个线性卡尔曼子滤波器的模型可信概率；m表示马尔科夫链传输矩阵；ri、ci和λi分别表示第i个线性卡尔曼子滤波器输出的残差、对应的协方差矩阵和极大似然比率；i表示线性卡尔曼子滤波器的总数；n
i,k-1
表示第k-1时刻第i个线性卡尔曼子滤波器的预测概率，对应向量n的初始值可根据经验设置；比如，若总共有两个子滤波
器，则可建议的初值为[0.5 0.5]
t
，且根据经验，推荐m矩阵为：
[0130]
根据各个模型可信概率，得到所述子滤波器混合概率；所述述子滤波器混合概率表示为：
[0131][0132]
其中，g
11,k
,...,g
1i,k
表示计算第k时刻第1个线性卡尔曼子滤波器输出所需的叠加权重；g
i1,k
,...g
ii,k
表示计算第k时刻第i个线性卡尔曼子滤波器输出所需的叠加权重，即当前时刻的第i个子滤波器输出由上一时刻的所有子滤波器输出叠加得到；m
ij
表示从第i个线性卡尔曼子滤波器转换到第j个线性卡尔曼子滤波器的概率；
[0133]
利用得到的子滤波器混合概率就可以融合所有子滤波器的输出，各个线性卡尔曼子滤波器对应的融合洋流信息的表达式如下：
[0134][0135]
式(17)方程组的物理含义是：混合以后的状态变量和协方差阵又被重新分配至每个子滤波器。重分配就是用这些新的状态变量和协方差矩阵代替每个子滤波器里原来的值，即用代替假设有两个子滤波器，且k＝1时，子滤波器1和2的状态变量、方差阵、洋流模型的时间参数、洋流模型的方差参数的初值分别是和此时还没有进行任何混合，上标m应该省略。
[0136]
s14、根据各个线性卡尔曼子滤波器的融合洋流信息，得到融合滤波器输出，并根据所述融合滤波器输出，得到时变洋流估值；其中，融合滤波器输出可理解为基于imm融合算法，将各个子滤波器输出进行组合叠加得到的输出值；具体的，所述根据各个线性卡尔曼子滤波器的融合洋流信息，得到融合滤波器输出，并根据所述融合滤波器输出，得到时变洋流估值的步骤包括：
[0137]
根据各个线性卡尔曼子滤波器的模型可信概率和融合导航参数，得到所述融合滤波器输出；所述融合滤波器输出如式(18)所示：
[0138][0139]
其中，和μ
i，,k
分别表示第k个时刻第i个线性卡尔曼子滤波器的融合导航参数和模型可信概率；
[0140]
根据所述融合洋流模型时间参数和所述融合洋流模型方差参数，得到理想洋流值；
[0141]
将所述融合滤波器输出中的洋流估计误差补偿到所述理想洋流值，得到所述时变洋流估值；其中，时变洋流估值可理解为估算出的高精度洋流值，如式(19)所示：
[0142][0143]
式(19)是由前面式(3a)的第二个式子变形得到；其中，是由式(1)递推得到的理想洋流值，但是该值与真实的洋流速度总是存在一个较小的误差；就是由式(18)输出的列向量中的最后2个分量；当滤波器估算的精度足够高时，式(19)得到的值就可以认为是接近真实值的精确洋流值。
[0144]
式(19)输出的向量不仅可以估算精确的洋流值，还可以估算更精确的所有导航参数或导航信息；即如图3所示，所述根据所述融合滤波器输出，得到时变洋流估值的步骤s14之后，还包括：
[0145]
s15、将所述融合滤波器输出补偿至实时获取的纯惯性解算导航参数，得到组合导航参数估计值；其中，组合导航参数估计值如式(20)所示：
[0146][0147]
其中，和分别表示组合导航参数估计值、纯惯性解算导航参数和式(18)得到的imm卡尔曼滤波器的输出。利用该式可以进行姿态、速度、位置和洋流等导航参数的更新。当滤波器估算的精度足够高时，就可以认为是接近真实值的精确导航参数。
[0148]
本技术实施例实现了根据基于获取的包括不同变化周期的洋流观测数据的目标区域洋流信息建立的预设数目的洋流子模型，构建对应的线性卡尔曼子滤波器，再根据各个线性卡尔曼子滤波器输出的导航参数和协方差矩阵，得到子滤波器混合概率，并根据子滤波器混合概率，得到各个线性卡尔曼子滤波器包括融合导航参数、融合方差矩阵、融合洋流模型时间参数和融合洋流模型方差参数的融合洋流信息后，根据各个线性卡尔曼子滤波器的融合洋流信息，得到融合滤波器输出，并根据融合滤波器输出，得到时变洋流估值的时变洋流估算方法以及对应组合导航参数校准方法，通过根据洋流多模型理论将若干个子滤波器输出按照交互多模型进行混合叠加，有效解决深远海这类陌生海域的洋流估算问题，提升复杂洋流的估计精度的同时，还为高精度组合导航系统提供可靠保障。
[0149]
在一个实施例中，如图4所示，提供了一种基于交互卡尔曼模型的时变洋流估算系统，所述系统包括：
[0150]
模型构建模块1，用于根据获取的目标区域洋流信息，建立预设数目的洋流子模型；所述目标区域洋流信息包括不同变化周期的洋流观测数据；
[0151]
滤波器构建模块2，用于根据各个洋流子模型，构建对应的线性卡尔曼子滤波器；
所述线性卡尔曼子滤波器的量测矩阵包括纯惯性导航量测子矩阵和水下测速量测子矩阵；
[0152]
概率融合模块3，用于根据各个线性卡尔曼子滤波器输出的导航参数和协方差矩阵，得到子滤波器混合概率，并根据所述子滤波器混合概率，得到各个线性卡尔曼子滤波器的融合洋流信息；所述融合洋流信息包括融合导航参数、融合方差矩阵、融合洋流模型时间参数和融合洋流模型方差参数；
[0153]
洋流估计模块4，用于根据各个线性卡尔曼子滤波器的融合洋流信息，得到融合滤波器输出，并根据所述融合滤波器输出，得到时变洋流估值。
[0154]
在一个实施例中，如图5所述，所述系统还包括：
[0155]
导航校准模块5，用于将所述融合滤波器输出补偿至实时获取的纯惯性解算导航参数，得到组合导航参数估计值。
[0156]
关于一种基于交互卡尔曼模型的时变洋流估算系统的具体限定可以参见上文中对于一种基于交互卡尔曼模型的时变洋流估算方法的限定，在此不再赘述。上述一种基于交互卡尔曼模型的时变洋流估算系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0157]
图6示出一个实施例中计算机设备的内部结构图，该计算机设备具体可以是终端或服务器。如图6所示，该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示器和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于交互卡尔曼模型的时变洋流估算方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
[0158]
本领域普通技术人员可以理解，图6中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有同的部件布置。
[0159]
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述方法的步骤。
[0160]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法的步骤。
[0161]
综上，本发明实施例提供的一种基于交互卡尔曼模型的时变洋流估算方法、系统、计算机设备及存储介质，其基于交互卡尔曼模型的时变洋流估算方法实现了根据基于获取的包括不同变化周期的洋流观测数据的目标区域洋流信息建立的预设数目的洋流子模型，构建对应的线性卡尔曼子滤波器，再根据各个线性卡尔曼子滤波器输出的导航参数和协方差矩阵，得到子滤波器混合概率，并根据子滤波器混合概率，得到各个线性卡尔曼子滤波器包括融合导航参数、融合方差矩阵、融合洋流模型时间参数和融合洋流模型方差参数的融
合洋流信息后，根据各个线性卡尔曼子滤波器的融合洋流信息，得到融合滤波器输出，并根据融合滤波器输出，得到时变洋流估值以及对应组合导航参数校准的技术方案，该方法通过根据洋流多模型理论将若干个子滤波器输出按照交互多模型进行混合叠加，有效解决深远海这类陌生海域的洋流估算问题，提升复杂洋流的估计精度的同时，还为高精度组合导航系统提供可靠保障。
[0162]
本说明书中的各个实施例均采用递进的方式描述，各个实施例直接相同或相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。需要说明的是，上述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0163]
以上所述实施例仅表达了本技术的几种优选实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本技术的保护范围。因此，本技术专利的保护范围应以所述权利要求的保护范围为准。

技术特征：
1.一种基于交互卡尔曼模型的时变洋流估算方法，其特征在于，所述方法包括以下步骤：根据获取的目标区域洋流信息，建立预设数目的洋流子模型；所述目标区域洋流信息包括不同变化周期的洋流观测数据；根据各个洋流子模型，构建对应的线性卡尔曼子滤波器；所述线性卡尔曼子滤波器的量测矩阵包括纯惯性导航量测子矩阵和水下测速量测子矩阵；根据各个线性卡尔曼子滤波器输出的导航参数和协方差矩阵，得到子滤波器混合概率，并根据所述子滤波器混合概率，得到各个线性卡尔曼子滤波器的融合洋流信息；所述融合洋流信息包括融合导航参数、融合方差矩阵、融合洋流模型时间参数和融合洋流模型方差参数；根据各个线性卡尔曼子滤波器的融合洋流信息，得到融合滤波器输出，并根据所述融合滤波器输出，得到时变洋流估值。2.如权利要求1所述的基于交互卡尔曼模型的时变洋流估算方法，其特征在于，所述洋流子模型为一阶马尔可夫型洋流模型；所述洋流子模型表示为：其中，和分别表示第k+1和k个采样时刻对应的洋流值；t
c
表示洋流速度相关区间的时间常数；σ
c
表示洋流速度的均方根；δt表示数据生成时间间隔；w
c
表示符合标准正态分布的白噪声。3.如权利要求2所述的基于交互卡尔曼模型的时变洋流估算方法，其特征在于，所述根据所述目标区域洋流信息，建立预设数目的洋流子模型的步骤包括：根据所述目标区域洋流信息，以拟合误差最小为优化目标，确定预设数目的子模型参数；所述子模型参数包括时间参数和方差参数；根据所述子模型参数，构建对应的洋流子模型。4.如权利要求1所述的基于交互卡尔曼模型的时变洋流估算方法，其特征在于，所述根据各个洋流子模型，构建对应的线性卡尔曼子滤波器的步骤包括：采用北东地坐标系作为导航系，根据各个洋流子模型，得到对应的洋流估算误差；所述洋流估算误差表示为：其中，和分别表示第k-1和第k时刻的洋流估算误差；和分别表示基于线性卡尔曼子滤波器和洋流子模型得到的洋流速度和理想洋流速度；t
ic
表示第i个洋流子模型的时间参数；i表示洋流子模型的总数；将洋流估算误差作为状态变量，并确定对应的导航参数误差；所述导航参数误差表示
为：其中，δl和δl分别表示纬度误差和经度误差；δv
n
和δv
e
是导航系n系下的速度分量；和分别表示横滚角误差、俯仰角误差和航向角误差；和表示b系下的三个加速度计的零偏；ε
x
、ε
y
和ε
z
表示b系下的三个陀螺零偏；和分别表示北向洋流误差和东向洋流误差；根据实时获取的纯惯性导航量测量、水下测速量测量和洋流向量，构建量测方程；所述量测方程表示为：其中，和分别表示计算的n到b系姿态转换矩阵、准确速度向量、准确洋流向量和水下测速输出；根据所述导航参数误差和所述量测方程，得到对应的线性卡尔曼子滤波器。5.如权利要求1所述的基于交互卡尔曼模型的时变洋流估算方法，其特征在于，所述根据各个线性卡尔曼子滤波器输出的导航参数和协方差矩阵，得到子滤波器混合概率的步骤包括：根据各个线性卡尔曼子滤波器输出的导航参数和协方差矩阵，得到对应的模型可信概率；所述模型可信概率表示为：式中，式中，其中，μ
i,k
表示第k时刻第i个线性卡尔曼子滤波器的模型可信概率；n
i,k-1
表示第k-1时刻第i个线性卡尔曼子滤波器的预测概率；m表示马尔科夫链传输矩阵；r
i
、c
i
和λ
i
分别表示第i个线性卡尔曼子滤波器输出的残差、对应的协方差矩阵和极大似然比率；i表示线性卡尔曼子滤波器的总数；根据各个模型可信概率，得到所述子滤波器混合概率；所述述子滤波器混合概率表示为：
其中，g
11,k
,...,g
1i,k
表示计算第k时刻第1个线性卡尔曼子滤波器输出所需的叠加权重；g
i1,k
,...g
ii,k
表示计算第k时刻第i个线性卡尔曼子滤波器输出所需的叠加权重；m
ij
表示从第i个线性卡尔曼子滤波器转换到第j个线性卡尔曼子滤波器的概率。6.如权利要求5所述的基于交互卡尔曼模型的时变洋流估算方法，其特征在于，所述根据各个线性卡尔曼子滤波器的融合洋流信息，得到融合滤波器输出，并根据所述融合滤波器输出，得到时变洋流估值的步骤包括：根据各个线性卡尔曼子滤波器的模型可信概率和融合导航参数，得到所述融合滤波器输出；所述融合滤波器输出表示为：其中，和μ
i，,k
分别表示第k个时刻第i个线性卡尔曼子滤波器的融合导航参数和模型可信概率；根据所述融合洋流模型时间参数和所述融合洋流模型方差参数，得到理想洋流值；将所述融合滤波器输出中的洋流估计误差补偿到所述理想洋流值，得到所述时变洋流估值。7.如权利要求1所述的基于交互卡尔曼模型的时变洋流估算方法，其特征在于，所述根据所述融合滤波器输出，得到时变洋流估值的步骤之后，还包括：将所述融合滤波器输出补偿至实时获取的纯惯性解算导航参数，得到组合导航参数估计值。8.一种基于交互卡尔曼模型的时变洋流估算系统，其特征在于，所述系统包括：模型构建模块，用于根据获取的目标区域洋流信息，建立预设数目的洋流子模型；所述目标区域洋流信息包括不同变化周期的洋流观测数据；滤波器构建模块，用于根据各个洋流子模型，构建对应的线性卡尔曼子滤波器；所述线性卡尔曼子滤波器的量测矩阵包括纯惯性导航量测子矩阵和水下测速量测子矩阵；概率融合模块，用于根据各个线性卡尔曼子滤波器输出的导航参数和协方差矩阵，得到子滤波器混合概率，并根据所述子滤波器混合概率，得到各个线性卡尔曼子滤波器的融合洋流信息；所述融合洋流信息包括融合导航参数、融合方差矩阵、融合洋流模型时间参数和融合洋流模型方差参数；洋流估计模块，用于根据各个线性卡尔曼子滤波器的融合洋流信息，得到融合滤波器输出，并根据所述融合滤波器输出，得到时变洋流估值。9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一所述
方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一所述方法的步骤。

技术总结
本发明提供了一种基于交互卡尔曼模型的时变洋流估算方法及系统，所述方法包括：根据获取的目标区域洋流信息建立预设数目的洋流子模型；根据各个洋流子模型，构建对应的线性卡尔曼子滤波器；根据各个线性卡尔曼子滤波器输出的导航参数和协方差矩阵，得到子滤波器混合概率，并根据子滤波器混合概率，得到各个线性卡尔曼子滤波器的融合洋流信息；根据各个线性卡尔曼子滤波器的融合洋流信息，得到融合滤波器输出，并根据融合滤波器输出，得到时变洋流估值。本发明基于洋流多模型理论将若干个子滤波器输出按照交互多模型进行混合叠加，有效提升复杂洋流的估计精度的同时，为高精度组合导航系统提供可靠保障。导航系统提供可靠保障。导航系统提供可靠保障。


技术研发人员：张淏酥 马成 郑若晗 王涛 苗建明 龚喜 彭超 任磊 徐灵基
受保护的技术使用者：南方海洋科学与工程广东省实验室（珠海）
技术研发日：2023.03.31
技术公布日：2023/7/7