基于自适应无迹卡尔曼滤波的无人船参数在线辨识方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN116028776A(43)申请公布日2023.04.28(21)申请号202210042677.6(22)申请日2022.01.14(71)申请人东南大学地址210000江苏省南京市玄武区新街口街道四牌楼2号(72)发明人温广辉沈涵周俊王利楠牛梦飞(74)专利代理机构重庆立信达知识产权代理有限公司50286专利代理师刘会锋(51)Int.Cl.G06F18/10(2023.01)G06F18/213(2023.01)G06F18/24(2023.01)G06F30/15(2020.01)权利要求书5页说明书11页附图3页(54)发明名称基于自适应无迹卡尔曼滤波的无人船参数在线辨识方法(57)摘要本发明公开了一种基于自适应无迹卡尔曼滤波的无人船参数在线辨识方法，包括步骤：S1、根据无人船动力学方程，构建待辨识的无人船模型；S2、以待辨识的无人船模型参数作为增广状态，将待辨识的无人船模型扩展为增广模型；S3、采用自适应无迹卡尔曼滤波在线估计增广状态，获得无人船模型参数。步骤S3包括：S31、初始化自适应无迹卡尔曼滤波；S32、获取增广模型输入和输出数据；S33、更新增广状态和增广状态误差的协方差矩阵；S34、自适应估计过程噪声协方差矩阵；S35、预测增广状态和增广状态误差的协方差矩阵；S36、判断是否终止在线辨识，若不终止返回步骤S32。本发明能解决无人船受到未建模动态及未知噪声干扰下的状态估计问题，未知参数辨识精度高。CN116028776ACN116028776A权利要求书1/5页1.一种基于自适应无迹卡尔曼滤波的无人船参数在线辨识方法，其特征在于，包括以下步骤：S1、根据无人船动力学方程，构建待辨识的无人船模型；S2、以待辨识的无人船模型参数作为增广状态，将待辨识的无人船模型扩展为增广模型；S3、采用自适应无迹卡尔曼滤波在线估计增广状态，获得无人船模型参数。2.根据权利要求1所述的基于自适应无迹卡尔曼滤波的无人船参数在线辨识方法，其特征在于，所述步骤S3，包括：S31、初始化自适应无迹卡尔曼滤波；S32、获取增广模型输入和输出数据；S33、更新增广状态和增广状态误差的协方差矩阵；S34、自适应估计过程噪声协方差矩阵；S35、预测增广状态和增广状态误差的协方差矩阵；S36、判断是否终止在线辨识，若不终止返回步骤S32。3.根据权利要求2所述的基于自适应无迹卡尔曼滤波的无人船参数在线辨识方法，其特征在于，所述步骤S1，包括：S11、根据无人船动力学方程，将无人船模型表示为：T其中，η＝[xw,yw,ψ]，xw,yw表示无人船质心位置，ψ表示无人船偏航角，R(ψ)表示旋转矩T阵，V＝[Vx,Vy,0]表示水流速度，假设为常数，M是惯性矩阵，C(υ)是科里奥利力矩阵，D是阻T尼矩阵，B是推力分配矩阵，τ＝[τu,τr]是无人船系统的输入量，分别由前向推力和舵角组成；旋转矩阵R(ψ)及惯性矩阵M分别表示为：科里奥利力矩阵C(υ)、阻尼矩阵D及推力分配矩阵B分别表示为：S12、将无人船模型进一步表示为：2CN116028776A权利要求书2/5页T其中，a＝[a1,a2,...,a8]表示待辨识的参数。4.根据权利要求3所述的基于自适应无迹卡尔曼滤波的无人船参数在线辨识方法，其特征在于，所述步骤S2，包括：S21、选取增广状态将无人船增广模型表示为T其中，vc＝[Vx,Vy]表示水流速度；S22、考虑第k时刻的过程噪声w(k)和测量噪声v(k)，离散化无人船增广模型，表示为：x(k+1)＝F(x(k),τ(k))+w(k)；y(x)＝h(x)+v(k)；其中：F(x(k),τ(k))＝x(k)+(f0(x(k))+[f1(x(k))f2(x(k))]τ(k))Δt；Δt是采样周期。5.根据权利要求4所述的基于自适应无迹卡尔曼滤波的无人船参数在线辨识方法，其特征在于，所述步骤S31，包括：给定初始的预测增广状态和初始的增广状态误差的协方差矩阵P(0|‑1)。6.根据权利要求5所述的基于自适应无迹卡尔曼滤波的无人船参数在线辨识方法，其特征在于，所述步骤S32，包括：输入数据为无人船周期性运动中实时获取无人船系统的输3CN116028776A权利要求书3/5页入信号数据τ(k)；输出数据为将实时差分定位获得无人船的实时位置xw,yw和偏航角ψ，以及惯性测量单元获得无人船的实时加速度和偏航角速度r，作为测量值，即7.根据权利要求6所述的基于自适应无迹卡尔曼滤波的无人船参数在线辨识方法，其特征在于，所述步骤S33，包括：(1)生成第k时刻的σ样本点χ(i)：其中，n表示状态向量的维数，和P(k|k‑1)分别是第k时刻采用第k‑1时刻的观测值预测出的增广状态和增广状态误差的协方差矩阵