CN103605886A - 一种船舶动力定位***多模型自适应融合滤波方法 - Google Patents
一种船舶动力定位***多模型自适应融合滤波方法 Download PDFInfo
- Publication number
- CN103605886A CN103605886A CN201310561594.9A CN201310561594A CN103605886A CN 103605886 A CN103605886 A CN 103605886A CN 201310561594 A CN201310561594 A CN 201310561594A CN 103605886 A CN103605886 A CN 103605886A
- Authority
- CN
- China
- Prior art keywords
- model
- probability
- beta
- information
- sigma
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明涉及一种船舶动力定位***多模型自适应融合滤波方法。本发明属于船舶动力定位技术领域。船舶动力定位***多模型自适应融合滤波方法,包括步骤:(1)建立船舶三个自由度低频和高频运动模型,得出滤波器状态方程和测量方程;(2)利用差分全球定位***和平台罗经对位置信息和艏向角进行测量,实时采集信息;(3)利用先验和后验信息,对基于模型的滤波器输入初始化;(4)基于***模型,利用强跟踪滤波器和Sage-Husa滤波器并行滤波;(5)模型进行概率更新,利用滤波器输出的残差协方差算出匹配模型的模型概率;(6)根据模型概率,得到多模型状态估计的融合输出,即船舶位置和艏向信息。本发明具有鲁棒性强、Sage-Husa滤波器状态估计精度高、***稳定和定位精度高等优点。
Description
技术领域
本发明属于船舶动力定位技术领域,特别是涉及一种船舶动力定位***多模型自适应融合滤波方法。
背景技术
目前,传统的锚泊***不能经济地在深水区实现驳船,动力定位***(DP)应用于海上钻井平台。为了防止响应于波频组件的过度控制活动,减少动力***部件的机械磨损,估计值进入DP反馈控制回路前应采用滤波技术。在实践中,船舶位置和艏向的测量不仅与传感器的噪声有关,也与由风、浪、流引起的有色噪声有关;因此,需要达到滤波效果,必须滤除位置和艏向测量信息中的噪声和高频信号。
基于模型的扩展卡尔曼滤波器广泛应用于现代工业船舶动力定位***中,然而,由于其对模型的严格要求,实际***的模型稍有变动都会造成滤波器的状态估计值偏离***的真实状态,出现滤波发散现象,***的全局指数稳定性(GES)不能被保证。Sage-Husa自适应滤波算法是在利用观测数据进行递推滤波的同时,通过时变噪声统计估计器实时估计和修正***过程噪声和观测噪声的统计特性,从而达到降低模型误差,抑制滤波发散,提高滤波精度的目的。然而,Sage-Husa滤波器仍然要求***的初始状态尽量准确,较大的初始状态误差容易引起滤波发散,稳定性和收敛性难以保证。强跟踪滤波器(STF)通过在状态预测协方差中引入渐消因子,使得输出残差序列保持相互正交,这样,STF在***模型不确定时仍能保持对***状态的强跟踪能力。然而,渐消因子的加入与求解使得计算量过大,造成滤波的状态估计精度降低等技术问题。
发明内容
本发明为解决公知技术中存在的技术问题而提供一种船舶动力定位***多模型自适应融合滤波方法。
本发明的目的是提供一种具有对突变状态跟踪能力强、鲁棒性强、Sage-Husa滤波器状态估计精度高、***稳定和定位精度高等特点的船舶动力定位***多模型自适应融合滤波方法。
本发明船舶动力定位***多模型自适应融合滤波方法所采取的技术方案是:
一种船舶动力定位***多模型自适应融合滤波方法,其特点是:动力定位***多模型自适应融合滤波方法是采用多模型描叙动力定位***结构,利用滤波器提供信息的融合,得到船舶位置和艏向估计信息,包括以下步骤:
(1)根据牛顿第二定律,建立船舶纵荡、横荡和艏摇三个自由度上的低频和高频运动模型,得出滤波器所需要的状态方程和测量方程;
(2)分别利用差分全球定位***(DGPS)和平台罗经对船舶的位置信息和艏向角进行测量,通过串口实时采集信息;
(3)利用***的先验和后验信息,对基于模型的滤波器输入进行初始化;
(4)基于***模型,分别利用强跟踪滤波器和Sage-Husa滤波器并行滤波;
(5)模型进行概率更新,利用滤波器输出的残差协方差算出匹配模型的模型概率;
(6)根据模型概率,得到多模型状态估计的融合输出,即有效的船舶位置和艏向信息。
本发明船舶动力定位***多模型自适应融合滤波方法还可以采用如下技术方案:
所述的船舶动力定位***多模型自适应融合滤波方法,其特点是:步骤(1)的运动模型为,
其中,U为船舶自身产生的合力、合力矩项与风对船舶产生的风力、风力矩项之和;ω为纵荡方向未建模的海洋环境因素,υ为纵荡方向的量测噪声,ω和υ为相互独立的高斯白噪声;Y为所测纵荡方向的位置信息。
所述的船舶动力定位***多模型自适应融合滤波方法,其特点是:步骤(3)的滤波器输入进行初始化,具体步骤为,
首先,设***模型集为M={m1,m2...mL},模型转换符合一阶马尔科夫过程,从mj(k)到mi(k+1)的转移概率由先验知识获得,记为tji,且:
βj/i(k)为从传感器获得测量信息后,mj(k)到mi(k+1)的模型预测概率,且:
βi(k)=p{mi(k)/Yk}是模型mi在k时刻***匹配模型概率,***的测量信息集Yk={Y(1),Y(2)...Y(k)};
然后,为了便于分析,取L=2,则M={m1,m2},模型m1和m2分别采用STF和Sage-Husa滤波器进行滤波;
最后,得到基于模型m1、m2的滤波器输入初值分别为:
所述的船舶动力定位***多模型自适应融合滤波方法,其特点是:步骤(5)的模型概率更新,具体步骤为,
首先,计算滤波器的输出残差及残差协方差,已知测量信息Y(k),则基于模型mi(k)的滤波输出残差为:
则输出残差的协方差为:
其次,由理论分析可得,若当所建船舶模型与实际情况相符,则εi(k)=0,方差为Si(k)的高斯白噪声,k时刻mi(k)的模型匹配似然函数可以表示为:
最终,可得模型的概率更新方程为:
本发明具有的优点和积极效果是:
船舶动力定位***多模型自适应融合滤波方法由于采用了本发明全新的技术方案,与现有技术相比,本发明具有以下显著特点:
1.自适应融合滤波算法既有STF对突变状态的强跟踪能力,以及鲁棒性强的优点,又有Sage-Husa滤波器状态估计精度高及对噪声变化的自适应能力。
2.在一定程度上克服了由于海洋环境恶劣,船舶动力定位***建模存在着很大的不确定性带来的影响,提高了***的稳定性,使得定位精度和鲁棒性较EKF有显著的提高。
附图说明
图1是本发明多模自适应融合滤波器结构示意图;
图2是本发明***的滤波效果示意图;其中,图2a为纵荡,图2b为横荡,图2c为艏向。
具体实施方式
为能进一步了解本发明的发明内容、特点及功效,兹例举以下实施例,并配合附图详细说明如下:
参阅附图1和图2。
实施例1
一种船舶动力定位***多模型自适应融合滤波方法,包括以下步骤:
步骤一、根据牛顿第二定律,建立船舶三个自由度(纵荡、横荡和艏摇)上的低频和高频运动模型,得出滤波器所需要的状态方程和测量方程。
由船舶低频和高频运动模型,建立三个自由度方向上船舶动力定位***方程m1如下:
以纵荡方向为例对方程进行推导,U为船舶自身产生的合力、合力矩项与风对船舶产生的风力、风力矩项之和;ω为纵荡方向未建模的海洋环境因素,υ为纵荡方向的量测噪声,ω和υ为相互独立的高斯白噪声;Y为所测纵荡方向的位置信息。其中:
当***噪声具有时变特性时,***方程为m2,可以改为如下形式:
η和ξ为相互独立的高斯白噪声,具有未知时变噪声统计特性。
步骤二、分别利用差分全球定位***(DGPS)和平台罗经对船舶的位置信息和艏向角进行测量,通过串口实时采集信息。
步骤三、利用***的先验和后验信息,对基于模型的滤波器输入进行初始化。
受外界环境的干扰,船舶在不同时刻对应***的模型有所不同,设***模型集为M={m1,m2...mL},模型转换符合一阶马尔科夫过程,从mj(k)到mi(k+1)的转移概率由先验知识获得,记为tji,且:
βj/i(k)为从传感器获得测量信息后,mj(k)到mi(k+1)的模型预测概率,且:
βi(k)=p{mi(k)/Yk}是模型mi在k时刻***匹配模型概率,***的测量信息集Yk={Y(1),Y(2)...Y(k)}。为了便于分析,取L=2,则M={m1,m2},模型m1和m2分别采用STF和Sage-Husa滤波器进行滤波。所以,基于模型m1、m2的滤波器输入初值分别为:
步骤四、基于***模型,分别利用STF和Sage-Husa滤波器并行滤波。
步骤五、对模型进行概率更新,利用滤波器输出的残差协方差算出匹配模型的模型概率。
已知测量信息Y(k),则基于模型mi(k)的滤波输出残差为:
则输出残差的协方差为:
由理论分析可得,若当所建船舶模型与实际情况相符,则εi(k)=0,方差为Si(k)的高斯白噪声,k时刻mi(k)的模型匹配似然函数可以表示为:
可得模型的概率更新方程为:
步骤六:根据模型概率,得到多模型状态估计的融合输出,即有效的船舶位置和艏向信息。
结合以上公式可得状态估计值为模型m1、m2的滤波状态估计的加权融合:
实施例2
一种船舶动力定位***多模型自适应融合滤波方法,以某大型海洋工程船舶排水量为21890吨为例,其过程包括以下步骤:
步骤一:***对象的选取及***方程的建立。
以某大型海洋工程船舶为研究对象,海面平均风速为11m/s左右、船舶处于对水低速航行状态,分别对纵荡、横荡和艏向进行多模自适应融合滤波。
由船舶低频和高频运动模型,建立三个自由度方向上船舶动力定位***
方程m1如下:
以纵荡方向为例对方程进行推导,U为船舶自身产生的合力、合力矩项与风对船舶产生的风力、风力矩项之和;ω为纵荡方向未建模的海洋环境因素,υ为纵荡方向的量测噪声,ω和υ为相互独立的高斯白噪声;Y为所测纵荡方向的位置信息。其中:
当***噪声具有时变特性时,***方程为m2,可以改为如下形式:
η和ξ为相互独立的高斯白噪声,具有未知时变噪声统计特性。
步骤二:对模型进行初始化。令:
β(0)=[β1(0)β2(0)]T=[0.50.5]T
β1(0)和β2(0)分别为模型m1和m2的初始模型概率。
在无约束条件下,t12和t21是模型m1和m2的转移概率,值较小,t11和t22分别为模型m1和m2的不变概率。
步骤三:模型概率更新。基于模型m1的STF的输出残差协方差为:
基于模型m2的Sage-Husa滤波器的输出残差协方差为:
其中P1(k/k-1)和P2(k/k-1)分别为滤波器的状态预测协方差。根据滤波器输出的残差协方差和残差可求出匹配模型的似然函数Ω1(k)和Ω2(k)。再根据模型概率更新方程可求得k时刻模型m1和m2的匹配模型概率β1(k)和β2(k)。
步骤四:滤波器的输出。
本实施例具有对突变状态跟踪能力强、鲁棒性强、Sage-Husa滤波器状态估计精度高***稳定和定位精度高等积极效果。
Claims (5)
1.一种船舶动力定位***多模型自适应融合滤波方法,其特征是:动力定位***多模型自适应融合滤波方法是采用多模型描叙动力定位***结构,利用滤波器提供信息的融合,得到船舶位置和艏向估计信息,包括以下步骤:
(1)建立船舶纵荡、横荡和艏摇三个自由度上的低频和高频运动模型,得出滤波器所需要的状态方程和测量方程;
(2)分别利用差分全球定位***和平台罗经对船舶的位置信息和艏向角进行测量,通过串口实时采集信息;
(3)利用***的先验和后验信息,对基于模型的滤波器输入进行初始化;
(4)基于***模型,分别利用强跟踪滤波器和Sage-Husa滤波器并行滤波;
(5)模型进行概率更新,利用滤波器输出的残差协方差算出匹配模型的模型概率;
(6)根据模型概率,得到多模型状态估计的融合输出,即有效的船舶位置和艏向信息。
2.根据权利要求1所述的船舶动力定位***多模型自适应融合滤波方法,其特征是:步骤(1)的运动模型为,
其中,U为船舶自身产生的合力、合力矩项与风对船舶产生的风力、风力矩项之和;ω为纵荡方向未建模的海洋环境因素,υ为纵荡方向的量测噪声,ω和υ为相互独立的高斯白噪声;Y为所测纵荡方向的位置信息。
3.根据权利要求1所述的船舶动力定位***多模型自适应融合滤波方法,其特征是:步骤(3)的滤波器输入进行初始化,具体步骤为,
首先,设***模型集为M={m1,m2...mL},模型转换符合一阶马尔科夫过程,从mj(k)到mi(k+1)的转移概率由先验知识获得,记为tji,且:
βj/i(k)为从传感器获得测量信息后,mj(k)到mi(k+1)的模型预测概率,且:
βi(k)=p{mi(k)/Yk}是模型mi在k时刻***匹配模型概率,***的测量信息集Yk={Y(1),Y(2)...Y(k)};
然后,为了便于分析,取L=2,则M={m1,m2},模型m1和m2分别采用STF和Sage-Husa滤波器进行滤波;
最后,得到基于模型m1、m2的滤波器输入初值分别为:
4.根据权利要求3所述的船舶动力定位***多模型自适应融合滤波方法,其特征是:步骤(5)的模型概率更新,具体步骤为,
首先,计算滤波器的输出残差及残差协方差,已知测量信息Y(k),则基于模型mi(k)的滤波输出残差为:
则输出残差的协方差为:
其次,由理论分析可得,若当所建船舶模型与实际情况相符,则εi(k)=0,方差为Si(k)的高斯白噪声,k时刻mi(k)的模型匹配似然函数可以表示为:
最终,可得模型的概率更新方程为:
5.根据权利要求1所述的船舶动力定位***多模型自适应融合滤波方法,其特征是:步骤(6)根据模型概率最终得到多模型状态估计的融合输出为模型的滤波状态估计的加权融合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310561594.9A CN103605886A (zh) | 2013-11-12 | 2013-11-12 | 一种船舶动力定位***多模型自适应融合滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310561594.9A CN103605886A (zh) | 2013-11-12 | 2013-11-12 | 一种船舶动力定位***多模型自适应融合滤波方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103605886A true CN103605886A (zh) | 2014-02-26 |
Family
ID=50124107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310561594.9A Pending CN103605886A (zh) | 2013-11-12 | 2013-11-12 | 一种船舶动力定位***多模型自适应融合滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103605886A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104635773A (zh) * | 2015-01-13 | 2015-05-20 | 哈尔滨工程大学 | 一种基于改进强跟踪滤波状态观测器的船舶动力定位方法 |
CN104833357A (zh) * | 2015-04-16 | 2015-08-12 | 中国科学院光电研究院 | 一种多***多模型混合交互式信息融合定位方法 |
CN105867122A (zh) * | 2016-04-01 | 2016-08-17 | 哈尔滨工程大学 | 基于滚动时域估计的动力定位船舶波频模型参数估计*** |
CN106773741A (zh) * | 2017-03-02 | 2017-05-31 | 华南理工大学 | 一种无人船动力定位***及方法 |
CN106874701A (zh) * | 2017-04-10 | 2017-06-20 | 哈尔滨工业大学 | 一种基于模型切换次数受限的多模型机动目标跟踪滤波方法 |
CN107272415A (zh) * | 2017-07-25 | 2017-10-20 | 青岛科技大学 | 一种船舶动力定位控制***非线性滤波器设计方法 |
CN108415249A (zh) * | 2018-02-09 | 2018-08-17 | 南京理工大学 | 一种基于低频学习的电液伺服***自适应鲁棒控制方法 |
CN110514209A (zh) * | 2019-08-27 | 2019-11-29 | 东南大学 | 一种交互式多模型组合导航方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102411657A (zh) * | 2011-10-31 | 2012-04-11 | 江苏科技大学 | 自由航行状态下耙吸挖泥船动力定位的滤波器设计方法 |
-
2013
- 2013-11-12 CN CN201310561594.9A patent/CN103605886A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102411657A (zh) * | 2011-10-31 | 2012-04-11 | 江苏科技大学 | 自由航行状态下耙吸挖泥船动力定位的滤波器设计方法 |
Non-Patent Citations (1)
Title |
---|
王小旭 等: "《自适应融合滤波算法及其在INS/GPS组合导航中的应用》", 《宇航学报》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104635773B (zh) * | 2015-01-13 | 2018-04-17 | 哈尔滨工程大学 | 一种基于改进强跟踪滤波状态观测器的船舶动力定位方法 |
CN104635773A (zh) * | 2015-01-13 | 2015-05-20 | 哈尔滨工程大学 | 一种基于改进强跟踪滤波状态观测器的船舶动力定位方法 |
CN104833357A (zh) * | 2015-04-16 | 2015-08-12 | 中国科学院光电研究院 | 一种多***多模型混合交互式信息融合定位方法 |
CN105867122A (zh) * | 2016-04-01 | 2016-08-17 | 哈尔滨工程大学 | 基于滚动时域估计的动力定位船舶波频模型参数估计*** |
CN105867122B (zh) * | 2016-04-01 | 2018-10-19 | 哈尔滨工程大学 | 基于滚动时域估计的动力定位船舶波频模型参数估计*** |
CN106773741A (zh) * | 2017-03-02 | 2017-05-31 | 华南理工大学 | 一种无人船动力定位***及方法 |
CN106874701A (zh) * | 2017-04-10 | 2017-06-20 | 哈尔滨工业大学 | 一种基于模型切换次数受限的多模型机动目标跟踪滤波方法 |
CN106874701B (zh) * | 2017-04-10 | 2019-01-08 | 哈尔滨工业大学 | 一种基于模型切换次数受限的多模型机动目标跟踪滤波方法 |
CN107272415A (zh) * | 2017-07-25 | 2017-10-20 | 青岛科技大学 | 一种船舶动力定位控制***非线性滤波器设计方法 |
CN108415249A (zh) * | 2018-02-09 | 2018-08-17 | 南京理工大学 | 一种基于低频学习的电液伺服***自适应鲁棒控制方法 |
CN108415249B (zh) * | 2018-02-09 | 2021-05-07 | 南京理工大学 | 一种基于低频学习的电液伺服***自适应鲁棒控制方法 |
CN110514209A (zh) * | 2019-08-27 | 2019-11-29 | 东南大学 | 一种交互式多模型组合导航方法 |
CN110514209B (zh) * | 2019-08-27 | 2021-05-11 | 东南大学 | 一种交互式多模型组合导航方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103605886A (zh) | 一种船舶动力定位***多模型自适应融合滤波方法 | |
CN108197350B (zh) | 一种无人船速度和不确定性估计***及设计方法 | |
CN109032136B (zh) | 基于主从分布式模型预测控制的欠驱动多无人船编队跟踪方法 | |
CN104035083B (zh) | 一种基于量测转换的雷达目标跟踪方法 | |
CN111695299B (zh) | 一种中尺度涡轨迹预测方法 | |
CN103776453A (zh) | 一种多模型水下航行器组合导航滤波方法 | |
CN108460210B (zh) | 一种基于噪残差和协方差匹配的动力定位***噪声特性实时估计方法 | |
CN103838970A (zh) | 面向深海船舶动力定位的高精度实时状态估计方法及*** | |
CN110209180B (zh) | 一种基于HuberM-Cubature卡尔曼滤波的无人水下航行器目标跟踪方法 | |
CN110555398B (zh) | 一种基于滤波最优平滑确定故障首达时刻的故障诊断方法 | |
CN112710304B (zh) | 一种基于自适应滤波的水下自主航行器导航方法 | |
CN102999696A (zh) | 噪声相关***基于容积信息滤波的纯方位跟踪方法 | |
CN104316025A (zh) | 一种基于船体姿态信息估计海浪浪高的*** | |
CN102854798A (zh) | 一种船舶动力定位参数自适应观测器的在线调整方法 | |
CN107064865A (zh) | 基于深度聚类的极坐标动态规划无源协同定位方法 | |
Fan et al. | Cooperative positioning for multi-AUVs based on factor graph and maximum correntropy | |
CN103776449A (zh) | 一种提高鲁棒性的动基座初始对准方法 | |
CN110677140A (zh) | 一种含未知输入和非高斯量测噪声的随机***滤波器 | |
Qian et al. | An INS/DVL integrated navigation filtering method against complex underwater environment | |
CN111414696B (zh) | 基于模型预测扩展卡尔曼滤波的动力定位船分级状态估计方法 | |
CN104536944B (zh) | 基于改进的极大似然方法和置信压缩滤波的船舶参数辨识方法 | |
CN116255988B (zh) | 一种基于舰船动力学组合导航复合抗干扰自适应滤波方法 | |
CN103914628A (zh) | 一种空间遥操作***输出状态预测方法 | |
CN106934124A (zh) | 一种基于量测变化检测的自适应变划窗方法 | |
Wang et al. | A SVM-based Sensitivity Analysis Approach for Data-Driven Modeling of Ship Motion |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140226 |