大尺度海底环境下自主式水下机器人的同时定位与地图构建研究

自主式水下机器人（AUV）无疑将发展成为未来海洋监测和调查的主要工具，目前AUV导航定位依赖母船和声学基线，综合费用大、工作范围小、费时费力，是阻碍其广泛应用的一个主要瓶颈。本项目旨在探索AUV在脱离外部支持框架下，在大尺度未知海底环境中实现自主导航的方法。采用成像声纳作为环境探测的主传感器，配合其它惯性传感器和DVL等开展大尺度海底环境下的同时定位与地图构建（SLAM）研究。具体内容包括：机械式扫描声纳的失真校正；声纳数据基于B样条的曲线特征建模以及SLAM算法；基于子地图联结的大尺度环境AUV SLAM方案，该方案不仅满足计算复杂度要求，也兼顾一致性。为检验上述方法，对已有AUV进行改造形成AUV实验样机，在近海海域开展大尺度水下导航定位实验和验证。本项目研究将为AUV新概念导航方法的形成奠定基础，预期成果将对海底环境监测和深海资源开发能力具有促进作用。

AUV是海洋科学研究、资源勘探等领域的主要工具，AUV导航定位依赖母船和声学基阵，综合费用大、工作范围小，是AUV应用发展的瓶颈。SLAM（同时定位与地图构建）是实现AUV自主导航的最有前景的算法框架。主流EKF-SLAM存在EKF线性化问题，在环境有较严重杂乱目标情况下易引起数据关联较大误差甚至导致计算发散，即引发了估计一致性问题，在大尺度海底环境下更加明显。本项目研究计划分为两个层面：AUV SLAM算法和海试验证。AUV SLAM算法重点研究适用于大尺度复杂海底环境的、满足一致性约束的SLAM方案；海试验证则是搭建AUV实验平台开展海上实验。项目实施中，课题组从AUV SLAM数据关联（迭代分类匹配ICM）、粒子滤波（基于粒子群优化的PSO-UFastSLAM算法）、信息滤波（基于迭代稀疏扩展信息滤波的ISEIF-SLAM算法）、一致性约束的EKF滤波（LC-EKF-SLAM算法）、大尺度环境下SLAM算法框架（基于子地图的SLAM算法）等几方面取得理论突破或算法改进，并通过多次海上实验进行了验证，相关的研究成果发表在Measurement、Int. J. Advanced Robotic Systems、Sensors等国际重要学术期刊上。在实现大尺度环境下AUV SLAM的研究中，前端传感器数据分析是关键环节之一，为了获得高效的分类与识别算法，课题组开展了诸多研究，特别是对超限学习机(Extreme Learning Machine)算法进行了改进和优化，相关成果发表在Neurocomputing、Cognitive Computation、Neural Computing and Applications等国际重要学术期刊上。在实验平台搭建环节，课题组设计了AUV滑模变结构控制器，取得了很好的实际效果，这方面工作发表在国际学术期刊Mechanics Based Design of Structures and Machines。综上，通过本项目的研究工作，已形成一整套针对大尺度海底复杂环境的AUV同时定位与特征地图构建方法；发表SCI论文10篇，其中JCR一区、二区论文有多篇；申请了发明专利多项。本项目研究成果为形成AUV SLAM自主导航方法夯实了基础，对AUV在海底观测和资源开发领域的实用化和产业化具有较大促进作用。