针对海面污染物的清污装置设计外文翻译资料

英语原文共 19 页，剩余内容已隐藏，支付完成后下载完整资料

针对海面污染物的清污装置设计

华翔

（武汉理工大学轮机工程系，湖北 武汉 ）

摘要：自主式水下潜器 在水下的定位与导航功能由于环球定位系统和电波频率信号的减弱是极受挑战的。水下通讯的低带宽是不可靠的而且根本连接不上环球定位系统。 过去用昂贵的惰性材料制成的传感器用作在目标地区做灯塔指引要么 自主式水下潜器得每隔一段时间就得浮上水面。尽管这些方法奏效，他们的效果却十分有限。水下通讯和即时定位与绘图技术的发展危这一领域提供了新的可能性。 本篇论文讲述了自助式水下潜器导航与定位的目前应用状况和其他的一些更常用的方法。除此之外，也着重强调了未来研究的具有潜力的领域。

关键词：自主式水下潜器（AUVs） 海洋导航 即时定位与绘图

1. 前言

自主式水下潜器的研究最早于上世纪七十年代开始。从那时起，计算机的处理速度，大小，内存容量的提升都对其技术前景产生了积极影响。由此，很多本来需要整齐排列和有人驾驶的机器现在都完全全自动化。自主式水下潜器设计包括鱼雷外形，滑翔机外形，飞机外形，他们可以是人类便携式那么轻，也可以有上百吨那么重。

自主式水下潜器目前应用于很多方面，在海洋与和河流领域进行海洋学调查，测矿，测海学数据等。精确定位与导航对于确保收集到的数据的准确性在以上这些方面的应用是具有重大意义的。

导航与定位是两个截然不同的概念。导航精确性指的是自主式水下潜器自行从一个地方到另外一个地方。 定位准确性指的是自主式水下潜器在某张地图上自行定位误差有多小。

高频率信号的加剧减少和海洋环境的不稳定性是给自主式水下潜器导航与定位造成挑战的主要因素。在水面上，大部分自动系统通过无线电通讯，频展通讯挥着环球定位系统来导航。然而，在水下以上信号只能在短距离内传递并且声音传感器通讯更胜一筹。声音传感器仍具有以下缺点：

低带宽，也就是说交通节点得使用时分多址数字传输科技来进行信息共享。

低传输速率，这使得可以传输的数据大小产生了限制。

高延迟，由于声音在水介质中的速度才1500米/秒（和光速相比十分缓慢）

声速不稳定，会因为水温和盐度变化而变化、

多边传输，由于水平面和海底的地形限制外加上不稳定的声速。

不稳定性，导致通讯系统必须有处理数据丢失的能力。

尽管这些艰巨挑战的存在，自主式水下潜器导航与定位的研究在过去十年还是产生了爆炸性的进展。该领域在从旧技术到标准化发展的中间阶段。例如长基线和微基线，就必须让提前部署和定位的基础设施让可以只是用最少的基建设施并且能经常部署并且灵活的动态多介质系统的方向发展。另外，为地上机器人学产生的即时定位与地图构建技术正越来越多的被用于水下系统。 由此，自主式水下潜器的低成本有界误差和精确导航越来越可行化。

A 大纲

自助式水下潜器的导航与定位技术可以被归类成图1. 本片评析论文的结构会根据图中的结构一致。

大体上，这些技术都在三种之一的主要大类中

1. 航位推测法 ：

定向航行用加速计和陀螺仪来提高当前航行的精度。然而，此大类中的所有方法都有不可控制的定位误差后果

2 声学异频雷达收发机和调制调节器：。

此大类方法是通过测量声学基站或调制调节器的信号的飞行时间来导航。

图1 水下导航分类的大纲， 这些方法常被与一个系统结合来提供高性能

3 地球物理学大类： 通过使用外部环境信息作为为导航的参照物的技术。 此类方法必须通过能够探测识别和归类某些环境特征的传感器来识别。

声纳传感器基于声学信号。然而呈像式导航或基于探测 识别 分类环境特征的海洋测量的声纳 。所以，基于声纳的导航兼具声学和地球物理学的特征。 声纳导航和其他声学导航要区分开来，声纳导航是基于从基站和其他设备发射的外部声学信号来工作的。

这种导航系统高度依赖于在不同情况下可以让多种系统得以协同运作优化运行。 需要考虑的重中之重是目的地的大小和所需求的定位精度。

过去对此主题的观点包含1-3. 自这些观点之后，过去已有的科技和新科技都取得了重大进展。 尤其是在水下调制解调器的发展下带来的声学通讯的发展使新的运算法则成为可能。 此外，及时定位与地图构建技术的研究发展已在多种新用途被运用于水下领域。

Xc

罗盘

2 背景

大部分现代系统将传感器处的数据处理并清洗得到连续递归的自主式水下潜器位置。 本章节会回顾最普遍的水下传感器，被选择度高的位置估计过滤器， 即时定位与地图构建技术的基本原理和 合作市导航的理论基石。

1. 使用频率高的水下导航传感器

表1描述了一些常用的水下导航传感器

B 位置估计

所有导航算法的基础是位置估计

假设一个机器人在时间t的时候在Xt，递归位置估计的目的估计坐标Xt 在bel(Xt0=p(Xt|U1:T,Z1:t) 方程式下的置信分布， U指的是某些控制自变量

或里程表。 Z是定位的测量值

位置通过某些大概的非线性处理等式 Xt=f(Xt-1,Ut,pound;t) euro;t 是干扰信号，此现象通过某些函数是可以量化的 Zt=h(Xt,amp;t)

说明

压力传感器

多普勒速度记录仪

通常，通过在预测更新周期中操作的贝叶斯滤波器的近似值来递归地估计时间上的状态。

通过以下公式来预测

通过 来更新

其中是归一化因子。 该公式建立在马尔可夫假设的基础之上，其中规定只需要考虑最近的状态估计，控制和测量来生成下一个状态的估计。

一些更流行的状态估计算法总结在表II中。 更多细节，参见下例，

表II中描述的所有滤波器已经用于将在以下部分中描述的AUV导航算法中。 一些实际应用与状态空间中维护的与导航问题相关的变量有所不同。 例如，可以估计潮汐水位[8]，水流[9]，[10]，水中声速[11]或惯性传感器漂移[11]，以改善航行。 还有这些经典滤波器的流行变体。 例如，由于与射频通信相比，声学扩展相对较慢，因此通常需要使用延迟状态滤波器以延迟。 示例包括[12]，其中使用延迟状态扩展信息滤波器（EIF），以及[13]，实现延迟状态扩展卡尔曼滤波器。

通常状态估计被分解为两个部分：航姿参考系统（AHRS）和惯性导航系统（INS），如图2所示。 所有传感器发出的欧拉角或速率信息都被输入到AHRS中，从而产生车辆导航的稳定估计。然后，INS与其他传感器结合使用稳定的侧倾，俯仰和偏航，这些传感器给出关于车辆位置，线速度或线性加速度的信息来估计车辆位置。

C.即时定位与地图构建

SLAM是机器人自主地构建其所处环境的地图，并且同时将自身定位在该环境内的过程。SLAM算法可以是在线的，其中只有当前姿势与地图一起被估计，或者其中是在整个机器人轨迹上计算的[6]。分析地，给定所有测量和输入，在线SLAM涉及在瞬时姿态和地图上估计。

， 而完整的SLAM算法涉及估计整个路径上的后部

此外，SLAM的实际应用可以被分类为基于被提取（检测，识别和分类）特征，并且保持在状态空间中，或者基于视图，其中对应于测量值的姿态保持在状态空间中。

如图。 图3（a）示出，在基于特征的SLAM算法中，从传感器测量值中归纳特征。 例如，在 P1状态，机器人看到三个特征L1 L2 L3并且这些特征与机器人的状态一起保持处于同一状态空间中。 在下一个姿势P2，只有新观察到的特征L4 L5被添加到向量并且状态被先前状态替换。 这个过程发生在每个新的状态。 在基于视图的SLAM算法中 [ 3（b）]，不归纳任何特征而是直接处理整个视图，通常通过将其与先前视图进行比较来进行处理。 例如，在状态P3，V3与V2比较以查找基于视图的里程计。 在这种情况下的状态向量可以由每个时间处的一个或多个姿态组成。

对SLAM的过滤（在线）方法使用状态估计算法，例如表II中所示的算法。 平滑（完全SLAM）方法，也称为GraphSLAM [33]，缩短了机器人整个轨迹上的过程和观察约束。 一些方法使用了不止一种手段。

这里描述了一些最流行的SLAM方法类别，其中它们的优点，缺点和AUV导航参考提供在表III中。 分类基于一些补充。

EKF-SLAM：它使用泰勒展开式来线性化系统模型。它应用递归预测更新周期来估计姿态和地图。其状态向量包括姿态和特征[14]。它适用于基于视图的SLAM [37]和基于特征的SLAM [38]。对于大地图，EKF-SLAM在计算上时间成本是很高的，因为计算时间尺度（n的平方），其中n是特征的数量。

bull;SEIF-SLAM：稀疏扩展信息过滤器（SEIF）[23]和精确稀疏扩展信息过滤器（ESEIF）[39]是两种众所周知的使用信息过滤器的SLAM方法。它们都保持稀疏信息矩阵，其保持高斯分布的一致性;然而，得到平均值和协方差需要计算复杂的逆矩阵。两种方法都需要通过稀疏化策略来主动地“稀疏化”信息矩阵。 ESEIF通过让大多数元素正好为零来维护一个信息矩阵，这避免了过度自信问题[23]。

FASTSLAM：它基于粒子滤波器。 粒子滤波方法是非线性滤波方案; 系统模型不是估计出来的。 在FASTSLAM中，状态和特征由状态空间中的粒子表示。 快速SLAM是唯一一种一起执行在线SLAM和完整SLAM的解决方案，这意味着它不仅估计当前状态，而且估计完整的轨迹。 在FASTSLAM中，每个粒子都有对于状态和所有特征的估计; 然而，每个特征通过单独的EKF来表现和更新。 与其他方法相似，它适用于基于视图的SLAM [40]和基于特征的SLAM [6]。

GraphSLAM：在GraphSLAM方法中，估计整个轨道和地图[33]。 GraphSLAM也使用泰勒展开式来估计，然而，它不同于EKF-SLAM，因为它累积信息，因此，被认为是离线算法[6]。通常，在GraphSLAM中，机器人的状态表示为图中的节点。连接节点的边缘用运动和观察约束模块化。这些约束需要通过优化以计算节点的空间分布及其不确定性[6]。对于GrpahSLAM，存在不同的解决方案，如网格上的松弛[41]，多级弛豫[42]，迭代对齐[43]，平方根平滑和绘图（SAM）[7]，增长平滑和绘图（iSAM） 44]和Grisetti et al。 [45]，[46]和按级别优化状态图（HOGMAN）[47]。在原则上，它们都是类似的，但在优化的实现方式上有所不同。例如，iSAM通过更新矩阵因式分解来解决完整的SLAM问题然而HOGMAN则通过对复写来进行优化。

bull;人工智能（AI）SLAM：SLAM的这些方法基于失真逻辑和神经

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[139831]，资料为PDF文档或Word文档，PDF文档可免费转换为Word