基于地形地磁的AUV协同图优化SLAM方法研究

The weak continuously high precision navigation ability of multi-AUV cooperative system without the aid of GPS or underwater acoustic positioning system is one of the key factors that limit its application in effective underwater observation and detection tasks. The simultaneous localization and mapping (SLAM) approach takes the measurements from environmental detection to realize simultaneous estimation of the vehicles’ pose state and the features’ positions, thus improving its ability of navigating in unknown environments. But traditional researches are mainly conducted under the framework of Bayesian state estimation theory, and take terrain detection as the unique source of features, thus suffering from problems like error accumulation and feature deficiency. To solve these problems, this project researches on a novel multi-AUV cooperative graph-based SLAM method using terrain and magnetic field, whose contents mainly include: (1) Front-end factor-graph establishment using both underwater terrain and magnetic features; (2) Simplifying the factor-graph to adapt to the limitation of underwater acoustic channels; (3) Designing a robust back-end optimizer to identify and exclude the error loop closures in the optimization process. The utilization of graph-based framework contributes to higher adaptability to large-scale environments compared with the Bayesian filtering methods, and the combination of underwater terrain and magnetic field can improve the richness of spatial reference features and enhance the system’s stability. The multi-source advantage of magnetic field data can be used to identify wrong data association and determine initial values for the back-end optimization, thus improving the optimizer’s efficiency and accuracy.

当AUV协同系统不借助GPS或水声定位系统校准位置时，连续高精度导航能力的不足将成为限制其在大范围未知水下环境中进行高效海洋观测探测作业的关键因素。同步定位与构图（SLAM）方法基于环境特征探测，将航行器位姿和特征位置进行融合实现同步估计，提升了未知环境下的导航能力。但传统水下SLAM研究多在贝叶斯状态估计理论下开展，并将地形探测作为单一特征来源，会受到误差积累和特征丰富性不足等问题的制约。因此，本项目研究一种新的地形地磁联合的协同图优化SLAM方法，在（1）地形地磁联合的前端因子图构建；（2）面向水声信道的因子图简化；（3）后端鲁棒优化器设计三方面开展研究。图优化模式可增强AUV协同系统的大范围环境适应能力，而且将地形地磁联合可提升空间参照信息的丰富程度，提高在未知环境中的导航稳定性。此外，地磁场的多源先验数据优势可辅助排除错误数据关联和确定后端优化解算初值，提高系统的优化效率和准确性。

由于水下航行器无法直接利用卫星导航定位系统进行连续高精度导航定位，且以惯性导航系统为核心的水下组合导航系统存在误差累积严重，多普勒测速系统受航行高度限制等多重因素的制约，因此探寻利用水下自然地球物理场提升导航定位性能成为一个重要研究方向。本项目围绕以水下地形和地磁场为核心，在同步定位与构图模式下开展研究工作，主要研究内容包括：（1）海底磁信标反演定位及其辅助导航方法。将水下自然存在的磁性结构体和人工磁信标作为导航参照，在未知地磁背景场下，实现对环境磁信标的精准探测；基于磁信标观测的相对位置信息，在图优化与贝叶斯滤波双重模式下构建同步定位与构图系统。（2）基于多波束地形观测数据的鲁棒数据关联方法及其与磁信标相融合的辅助导航技术。对多波束条带数据进行分块管理，基于位置不确定度和特征分析实现鲁棒闭环检测。通过融合多波束数据闭环与磁信标观测数据构建因子图，在图优化模式下进行导航状态信息的优化解算。（3）面向多航行器协同导航的基于深度学习的水下探测数据高效传输方法。针对非正交频分多址调制技术受多径和多普勒延迟等因素而导致环境探测数据无法有效传输的问题，研究了基于时间反转卷积神经网络的稀疏化数据传输算法，以保证在多航行器之间对实时观测地形地磁数据的高效传输。围绕以上研究内容，本项目利用多种海洋航行器、惯性测量单元、矢量磁传感器、多波束测深仪、磁信标等平台仪器，在陆地、湖试、海试等多种环境下开展了磁场、多波束条带地形数据采集，并开展了充分的仿真与半物理实验验证。结果表明采用磁信标与多波束地形观测数据相融合的方式，相比于惯性组合推位导航以及单一的地形、地磁辅助导航方式，能够明显提升导航定位估计精度。为海洋航行器在水下环境中实现长时间高精度导航定位，开展高效精准的环境探测、目标搜寻等作业任务提供了重要的方法支撑。