传感器故障调节方法-海洋智能无人系统技术

盐雾和湿气可能损坏传感器、通信接口和电缆，因此USV导航在海洋环境中非常困难，需要开发更智能的技术。Naeem等人提出并实现了联合卡尔曼滤波器（federated Kalman filtering，FKF），该滤波器通过模糊逻辑自适应（fuizy logic adaptive，FLA）技术处理在Springer USV中产生的不同类型的传感器故障。它采用三模冗余的罗盘，并通过该智能多传感器数据融合方法，对USV的真实状态进行了全局估计。

为了操作USV这样的载具，需要稳健且可靠的导航、引导和控制（navigation，guidance，control，NGC）系统，其涉及最少或不需要人为干预。航行系统提供与载具、目标有关的信息（例如位置、速度等），而导航系统产生载具要遵循的合适轨迹。然后，尽管存在外部干扰和建模误差，但控制系统将尽可能接近地引导无人船沿着期望的轨迹航行。Springer使用了多传感器模糊数据融合算法开发了容错航行系统，并在罗德福德水库进行了外场实验。

Springer使用了3个电子罗盘（TCM2、C100和HMR1000）、1个GPS传感器、一个Raymarine深度和速度测量单元以及一个YSI环境监测探头。YSI传感器能够测量几个参数，例如浊度、溶解氧、pH等，并且在跟踪污染物时起到引导载具的关键作用。这样的设计，除了提供容错能力之外，还存在多传感器数据融合、算法所需的一些传感器冗余。

Springer采用LQG控制方案，即使用线性二次调节器（linear quadratic regulator，LQR）和卡尔曼滤波器共同工作，在这个工作过程中卡尔曼滤波器提供对LQR未测量状态的估计。通常，调整LQG控制器需要4个参数，其中两个是过程噪声（W）和测量噪声（V）协方差矩阵，而另外两个是状态和控制加权（Q和R）矩阵。通常通过观察闭环系统的阶跃响应来调整Q和R矩阵，闭环系统应提供最小的稳定时间和零稳态误差等。协方差矩阵难以控制，因为它们通常表征随时间变化的环境噪声特性。因此，即使是精细调谐的控制器，也可能在一段时间内经历性能变化。在Springer系统中，通过使用FLA模型对卡尔曼滤波器的W和V矩阵进行调节，最后在LQG框架中使用得到的卡尔曼滤波。

这一方案基于新息自适应估计（innovation adaptive estimation，IAE）概念，使用协方差匹配技术，获得模糊推理的结果。

航行系统用作引导子系统的输入，该子系统生成并执行在所需位置之间移动所需的控制命令。完全自主的导航系统允许载具有目的地移动到期望的目的地或沿着期望的路径而无需人为干预。它的职责是从每个可用的信号源（传感器）收集信息，每个传感器都提供自己独特的输出，以提供航行系统进行参考。在许多实际应用中涉及多个传感器，以便不仅在某个时间确定导航状态，而且还提供连续的导航轨迹，在传感器发生故障时也应如此，因此经常使用术语“多传感器导航系统”。这样的系统通常利用参考公共平台的多个传感器来操作，并且与公共时基同步。

由于其具有处理复杂问题的潜力，模糊多传感器数据融合（fuzzy multisenson data fusion，MSDF）技术已成为多传感器导航最流行的方法之一。模糊逻辑的关键优势是为每个时间戳数据分配传感器获取到的数据分配实数，用于指示其真实程度，从而直接表征融合过程中传感器读数的不确定性。在文献中，已经提出了3种基于卡尔曼滤波器的主要MSDF架构：集中卡尔曼滤波器（centralised Kalman filtering，CKF）、分散卡尔曼滤波（decentralised Kalman filtering，DKF）和FKF。所有系统都有各自的优点和缺点，但是FKF已被公认为是故障监测和容差的最佳解决方案。利用这些知识，Naeem等人提出了一种改进的基于FLA FKF的MSDF架构，为Springer实现容错多传感器导航。

FLA-FKF是一种两阶段数据处理技术，它将标准的卡尔曼滤波器分为n个局部滤波器和单个主滤波器，其中n是传感器的数量。在第一阶段，所有本地卡尔曼滤波器同时分析和处理它们自己的数据，以产生最佳的本地估计结果，以与模糊LQG自动驾驶仪的自适应卡尔曼滤波器设计类似的方式执行。在第二阶段，从主滤波器到每个局部滤波器确定反馈因子。每个反馈因子的值取决于每个局部滤波器估计的准确性，因此必须在线生成。这意味着最精确的局部滤波器从主滤波器接收最高反馈，因此在全局估计过程中作出最大贡献。完成此操作后，主过滤器会融合所有本地估算值，以生成最佳的全局结果。图5.4为FLA-FKF框图。

(www.xing528.com)

图5.4　FLA-FKF框图

在罗德福德水库的实验中，LQG和使用卡尔曼滤波的模糊LQG控制器设法使得USV几乎完全以直线机动方式到达所有航路点。从USV的发射位置和方向可以看出，模糊LQG的收敛速度快于标准LQG的收敛速度。而在转弯测试中，模糊LQG可以采用最短半径进行转弯。图5.5和图5.6分别为各种方法估计Springer的结果和动力差结果。

图5.5　多种方法估计Springer的结果

图5.6　多种方法估计Springer的动力差结果

实验结果表明，MSDF策略提供了对系统真实状态的可靠估计。此外，在测试的3个导航系统中，模糊LQG表现最好。