機器人和自主系統（RAS）的使用對于荷蘭皇家陸軍（RNLA）來說正變得越來越重要，因為它可以有效地部署稀缺的人力資源。此外，RAS的正確應用可以提高人員安全，并有助于實現戰斗空間的優勢。因此，成立了機器人和自主系統小組，目標是設計和實驗自主軍事機器人。通過概念開發和實驗，RAS小組旨在為自主平臺定義一個需求清單，該清單可用于外包RAS項目和產品的部分開發。

定位和導航是自主平臺的重要方面，因為機器人只有在知道自己的位置時才能導航到指定地點。對于軍事用例，這一功能必須在沒有可用的全球導航衛星系統（GNSS）信號的環境中實現，因為這可能被敵人干擾或欺騙。此外，機器人的定位和導航解決方案必須能夠處理多種部署環境、不斷變化的（天氣）條件以及硬件或軟件故障。這些要求需要一個強大的定位和導航解決方案，可以由RNLA自信地部署。

已經研究了多種傳感器和定位方法，以確定擬議解決方案的合適選項。這兩個方面可以分為兩大類：主動與被動傳感器，以及絕對與相對定位。每一類都包含多種技術和算法，如立體視覺相機、三維光探測和測距（LiDAR）傳感器、同步定位和繪圖（SLAM）、天體導航和基于磁場的解決方案。此外，每個傳感器-定位方法的組合都有自己不同的特點。

上述研究表明，有多種傳感器和定位方法適用于自主平臺。其中許多解決方案可以在未知環境中實現準確的定位和導航。然而，無論是由于缺乏抗沉淀能力、使用主動傳感器，還是缺乏避障能力，這些解決方案作為獨立的解決方案都不夠強大。這就是可以應用自適應傳感器融合的地方。通過整合多種傳感器和定位方法，自主平臺可以使用與當前環境和條件兼容的最合適的技術。

有多種類型的自適應傳感器融合可以實現：硬傳感器融合、軟傳感器融合和預定的傳感器融合。硬傳感器融合分析來自活動傳感器的數據，當一個傳感器的數據超出某些參數的定義范圍時，就禁用該傳感器。軟傳感器融合糾正偏離的傳感器數據，而不是禁用傳感器。這提供了一個比硬傳感器融合更準確的位置估計，但代價是更高的實施復雜性。最后，預定的傳感器融合分析環境以確定哪些傳感器和定位方法是可用的。這是一種高效的方法，比軟傳感器融合更容易實現。

與所研究的傳感器和定位方法類似，沒有一個自適應傳感器融合框架是獨立運行的合適選擇，因為每個人都有自己的優點和缺點。因此，擬議的解決方案必須結合多種變體，以填補功能上的空白，提高解決方案的穩健性。

在理論研究和實驗結果的基礎上，設計了一個擬議的解決方案。這個解決方案結合了一個定制的自適應傳感器融合框架--它結合了預定的傳感器融合和硬傳感器融合--以及一個用于傳感器融合管理和導航控制的行為樹。擬議解決方案的第一步是選擇一個初始定位方法。這是在指揮官定義的任務參數和部署環境變量的基礎上完成的。然后，自主平臺使用這種定位方法在定義的航點列表中進行導航。在導航過程中，持續分析來自活動傳感器的數據，以確保每個活動傳感器仍可使用。如果檢測到一個持續的傳感器錯誤，行為樹將暫停導航過程，并選擇一個新的、可用的定位方法。這種選擇是根據更新的傳感器列表進行的，其中考慮到了不可用的傳感器。在成功切換定位方法后，行為樹將繼續進行導航過程。

所提出的解決方案在多次模擬運行中進行了測試，分別用TurtleBot3、2D LiDAR和立體相機作為自主平臺和傳感器配置。仿真結果表明，自適應傳感器融合框架在配置正確的情況下，能夠持續檢測到不可用的傳感器數據。此外，當檢測到持續的傳感器數據錯誤時，行為樹成功地暫停了導航過程。在定位方法切換后，行為樹也一致地恢復了航點導航過程。因此，在所有的模擬運行中，模擬機器人成功地到達了最終的航點。

基于這些結果，可以得出結論，擬議的解決方案為一個自主的軍事平臺提供了堅實的基礎。行為樹的靈活和模塊化設置使設計能夠隨著 "哨兵項目 "的進展而成長，并旨在建立一個更有能力的自主平臺，可以與多個不同的自主平臺和傳感器配置相整合。

在短期內，有兩個主要領域可供探索，以改善擬議解決方案的功能。首先，行為樹的實現可以通過代碼優化和整合人類的實時互動來加強。第二，可以研究和實施針對困難環境或挑戰性條件的定位方法，以提高魯棒性，使自主平臺能夠部署在更廣泛的場景中。

本文介紹了動態目標跟蹤應用中的數據融合網絡的軟件框架。該框架背后的想法是促進完整的分布式融合網絡或特定部分的實施和評估，例如，通信和數據壓縮的策略。該框架由抽象出分布式數據融合網絡所需基本構件的類組成。該框架提供了一個快速原型設計的工具，并促進了對目標跟蹤應用中分布式融合網絡的評估。對多靜態和移動傳感器、通信和融合網絡的研究興趣表明了這種工具的重要性。具體來說，就是為評估不同的融合結構、算法和傳感器類型的預期性能提供數據。

引言

由多個異質傳感器組成的網絡中的數據融合是一個重要的研究領域，特別是用于態勢感知的目標跟蹤。越來越多的傳感器和移動傳感器的能力引起了哪些數據需要通信以及如何通信的問題。在一個最佳設置中，所有的傳感器都能與中央融合中心進行通信。由于通信帶寬有限，這種情況并不總是存在，而且對于大型的傳感器網絡來說，這可能不是最好的解決方案。分布式融合架構提供了一種更加靈活和穩健的數據融合方式，因為某種程度的融合可以由傳感器本身作為本地融合節點來執行。本地融合的數據是傳感器數據的一個更緊湊、更精細的表示，可以與網絡中的其他節點進行交流。此外，這使得只暴露出融合數據而不是原始數據的傳感器得以整合。

在目標跟蹤中，融合數據對應于檢測到的目標的估計運動軌跡。在一個分布式的目標跟蹤網絡中，估計的軌跡被交流和融合，而不是來自例如雷達或相機傳感器的原始探測。為了融合軌跡，采用了軌跡對軌跡的融合（T2TF）方法。存在精確的T2TF方法[1]。精確方法的缺點是需要對估計值之間的相關性有充分的了解，這反過來又要求有更多的信息被傳遞，而這些信息可能是不可用的。

為了彌補這一點，人們可以應用處理未知相關性的融合算法，如反協方差交集（ICI，[2]）。ICI算法與眾所周知的協方差交叉（CI，[3]）算法的方法相同。該算法處理待融合的估計值之間存在的未知協方差，這是分布式融合網絡的核心。與CI相比，ICI算法是一個不太保守的選擇，但在許多情況下仍然是一致的。該算法是為估計值之間存在共同信息的情況而定制的。這通常是分布式目標跟蹤網絡中的情況，其中一個共同的目標模型被用來跟蹤檢測到的目標。以前的工作在[4]和[5]中提出，真實數據被用來評估監控應用中的這種融合算法。

在信息領域，諸如信道緩存（CC，[6]）這樣的融合基礎設施可以用來處理信息不被重復使用，也就是重復計算。信道緩存是基于一個由信道濾波器[7]啟發的單一連接的樹形拓撲網絡。與信道濾波器相比，信道緩存在傳輸時不跟蹤節點之間的共同信息。這意味著一種更容易的通信方式，因為一個節點只是傳輸它的本地獨立信息。收到的信息被存儲在本地信道緩存中，該緩存保持了每個軌道和節點的貢獻信息的歷史。由于信息是加法的，延遲的信息可以很容易地被添加到緩存中，例如，在臨時的通信損失中。從整合的角度來看，它使傳感器的臨時連接成為可能，如一個被激活的無人機，以更新一個特定目標。在一個節點上，只需將所有本地和緩存中收到的來自特定目標的信息相加，就可以建立一個全局軌道。

為了在網絡中實現一個共同的態勢圖，需要有效的通信。特別是當鏈路的帶寬有限和通信條件不同的時候。在有限的通信鏈路上發送數據需要制定發送什么和何時發送的策略。處理動態通信條件需要網絡拓撲結構對單個節點的零星損失具有魯棒性。

這些方面促使我們建立一個框架來促進分布式的融合網絡的實施和模擬。在這里，我們重點關注分布式的目標跟蹤應用，以及不同的融合方法選擇、數據關聯和通信策略如何影響跟蹤性能。我們提出了一個用MATLAB?編寫的基于抽象類結構的軟件框架，以及用于仿真和評估的工具（2.0節）。最后，該框架被用于一個案例研究，以介紹如何在一個特定的區域監控場景中使用該框架來評估通信策略和融合基礎設施的不同選擇（第3.0節）。

仿真框架

該框架分為兩部分：結構和模擬。第一部分由實施和設計的構件組成，抽象出分布式融合網絡的核心功能。第二部分處理仿真，以支持在確定的場景中對已實施的網絡進行評估。

2.1 架構

架構中最基本的構件是節點和鏈接。節點是一個對象的抽象，它可以與其他節點連接以創建一個網絡。鏈接是對兩個節點之間的通信通道和數據運輸的抽象化。一個融合數據的節點被稱為融合節點。融合節點繼承了節點類的額外屬性和功能。它仍然是抽象的，必須由用戶來實現。所需的功能由具有共同接口的對象表示，以方便實現。這些對象抽象了本地融合、軌道融合、數據關聯和通信管理。節點、鏈接和融合節點對象被歸入網絡和融合對象中。為了將這些對象與物理對象連接起來，我們有這樣的對象：平臺和傳感器。一個平臺對象抽象了一個具有位置和速度等屬性的物理對象。傳感器對象抽象出一個物理傳感器，它可以觀察物理世界，并根據測量模型產生觀察結果。以上描述的對象，如圖1所示，是構成該框架實施部分的基礎的核心對象。

為了更詳細地描述融合節點，圖2展示了它的屬性、功能和數據流。箭頭顯示了內部對象和外部對象之間的數據流。抽象的功能對象用粗邊框表示。使用來自安裝的傳感器的測量值，軌道由本地融合器對象（如目標跟蹤器）估計，并作為本地軌道存儲。通信管理器封裝了處理數據傳輸和接收邏輯的所有功能。例如，可以在通信管理器中實現一個智能邏輯，比較本地和接收的數據，并只傳輸信息量最大的數據。收到的軌跡數據被存儲為遠程軌跡。全局軌道的生成由軌道融合器處理，使用關聯器對象計算的關聯。在這里，關聯代表了一個假設，即一個本地或遠程軌道與一個全局軌道來自同一個目標。使用這種架構可以實現和設計不同類型的融合基礎設施，并結合不同的融合算法和關聯邏輯。

圖 1：框代表不同對象的框架架構。基礎對象是鏈路、節點、平臺和傳感器。融合節點繼承了具有附加屬性和功能的節點對象。虛線將網絡和融合對象與物理對象分開。

2.2 仿真

網絡和融合對象通過應用離散時間步進方案支持仿真。仿真在一個時間循環中運行，對象在時間上以特定的順序向前邁進。物理對象通過通用接口集成到仿真中，支持隨機生成數據或讀取預定義的數據，如軌跡和探測。當模擬循環開始時，物理對象的數據被生成或讀取。在模擬過程中，每個時間步驟都重復三個步驟：推進物理對象，處理所有節點中的可用新數據，推進鏈接。仿真循環可以擴展到處理多次仿真，即蒙特卡洛。

圖 2：更詳細的融合節點對象。虛線表示融合節點的邊界。粗線框是要由用戶實現的抽象對象。本地測量由本地融合器處理。通信管理器處理如何發送和接收數據。全局軌道由軌道融合器使用關聯器計算的關聯生成。

本文將介紹基于分布式聲學模塊和光電傳感器網絡的DEEPLOMATICS演示原理。在最初的探測階段，融合聲學傳感器的結果允許對入侵進行大致的定位。然后，這個區域被基于幾個波長和兩個視場攝像機的光電系統可視化，該系統可以精確和自動地檢測場景中的無人機，然后將入侵的放大圖像傳送給操作員。獲得的信號根據ISL和CNAM實驗室合作開發的一種原始方法進行利用。該方法以遠程人工智能為基礎，允許改善對威脅和操作情況的感知。

最后，將介紹現場試驗的結果，以說明DEEPLOMATICS演示器在聲學和光學傳感器之間以及各種相機（可見光、SWIR、主動成像...）提供的圖像之間的互補性。

項目的總體目標

幾個麥克風陣列被部署在需要保護的區域。在其覆蓋區域內，每個麥克風陣列同時使用基于波束學習網絡的深度學習方法對飛行的無人機進行定位和識別。每個陣列都連接著一個本地人工智能，它實時處理空間音頻測量，獨立于監控網絡的其他單元。

一個數據融合系統完善了每個人工智能增強的麥克風陣列所提供的估計。這個檢測到的位置與光電系統實時共享。一旦該系統鎖定了目標，就會使用深度學習跟蹤算法來實現自主視覺跟蹤和識別。

光電系統由安裝在一個伺服轉塔上的各種相機（可見光、熱成像和主動成像）組成。主動成像系統可以捕捉到1公里以內的場景，并且只捕捉給定距離內的物體，這就自然地將前景和背景從圖像中排除，并增強了計算機視覺的能力。

DEEPLOMATICS項目結合了聲學和光電學的優點，以確保無人機的實時定位和識別（圖1），并具有很高的精度（絕對三維誤差小于7°，檢測精度超過90％）。模塊化的方法也允許在長期內考慮增加新的捕獲系統，如電磁雷達。

圖 1：實施跨學科和多模態方法

全源傳感器的自主和彈性管理（ARMAS）框架在獨特的過濾器（稱為子過濾器）的傳感器排除庫中監測殘余空間測試統計數據，以提供一個有保障的彈性、抗故障的全源導航架構。本文所展示的這個架構的一個關鍵假設是所有子濾波器之間的狀態觀測完全重疊。全源傳感器，特別是那些只提供部分狀態信息的傳感器（高度計、TDoA、AOB等），本質上不符合這一要求。本文提出了一種監測實時重疊位置狀態可觀察性的新方法，并在ARMAS框架內引入了一個可觀察性庫，稱為穩定可觀察性監測（SOM）。 我們將保持一致的全源FDE以恢復故障傳感器的能力定義為導航彈性。有彈性的FDE能力是指它能意識到何時需要更多的傳感器信息來保護FDE的一致性和完整性功能不被破壞。SOM是作者所知道的第一個展示這種全源傳感器的系統。創建了一個模擬GNSS和位置及速度替代性導航傳感器的多代理3D環境，并利用單個GNSS偽距傳感器的異常情況來展示該新型算法的能力。本文展示了SOM在ARMAS框架內的無縫集成，提供了及時的提示，以增加來自其他代理的新傳感器信息，并指出框架的穩定性和保護所有來源的導航完整性何時實現。

圖 1 ARMAS 框架狀態圖（Jurado & Raquet，2019）：傳感器從 O 點（原點）開始，可以信任或不信任。 SAARM 和新貢獻的 SOM 位于監控 (M) 模式中。

創新和技術發展在科學的突破中一直發揮著重要作用。在過去的幾十年里，無人水下航行器（UUV）的使用已經徹底改變了水生探索。UUV可以部署在人類無法到達的深度和環境中，并且可以收集到其他方式無法獲得的數據。

近年來，人們對重新開放歐洲各地的廢棄礦區的興趣越來越大，這些礦區可能含有目前急需的原材料，其開發將減少歐洲對外部資源的依賴。最近一項關于歐洲廢棄礦場的調查收集了關于30000個礦場的數據，其中有8000多個礦場被淹沒。本論文為UNEXMIN項目框架內開發的創新解決方案做出了貢獻，該項目旨在探索這些被淹沒的地點，其中設計了一個新型水下平臺系統，名為UX-1。UX1機器人需要在未知礦井隧道的三維網絡中完全自主航行，因為不可能有任何通信，并收集各種地球科學數據。開發這個打算在挑戰性環境中執行的新型平臺，需要對其軟件和硬件模塊采取創新設計方法。

本論文的主要研究目標是設計、實現和驗證UX-1水下機器人的自主引導系統。該機器人新穎的機械設計及其獨特的機載科學儀器代表了該平臺的具體特征。這些儀器與潛水器本身的運動的協調，滿足每一種類型的傳感器的科學樣品捕獲的嚴格位置要求，必須由平臺的引導系統來保證。由于這些原因，UX-1的導向系統的設計和實施構成了一個獨特的研究挑戰。

此外，為了確保長期的自主性，需要有足夠程度的彈性，以便在受到意外事件干擾時保持和恢復系統的運行功能。為此，我們開發了一種先進的基于知識的自我意識技術，名為元控制。元控制器的設計是為了通過提高機器人的容錯能力來增加其自主性。一個自我診斷模塊被用來確定機器人的狀態，一個決策模塊被用來根據之前的診斷結果選擇整個機器人系統的最佳重新配置以實現最佳功能。

所提出的解決方案在復雜的情況下使用模擬、軟件在環（SIL）和硬件在環（HIL）方法進行實驗驗證，旨在以越來越高的保真度重現礦井隧道環境中的導航。代表最高保真度的HIL實驗要求將真實的硬件和軟件模塊，包括我們的制導系統，與部分模擬的環境讀數相結合。實驗是在一個水池中進行的，其中與定位有關的真實讀數被用于導航和控制目的，而測繪傳感器的讀數被繞過，以便復制不同的礦井隧道結構。在這些測試中獲得的結果證明了制導系統的有效性及其與機器人其他系統的適當整合，并驗證了UX-1平臺在淹沒的礦山環境中執行復雜任務的能力。

提綱

本論文分為七章，第一章介紹了論文的動機、問題陳述和目標，以及方法。論文的其余部分組織如下。

第二章介紹了機器人學的背景，機器人的分類，并回顧了水下航行器領域的技術現狀，重點介紹了UUVs。此外，還介紹了自主系統，以及自主水平（LOA）和技術準備水平（TRLs）的定義。

第三章介紹了水下探雷機器人UX-1，它被用作開發我們的引導系統的平臺。解釋了對機器人設計的要求和限制，詳細介紹了機器人的機械設計以及運動系統。此外，還解釋了UX-1的硬件組件和它的傳感器，以及它的軟件結構。

第四章介紹了制導系統。首先，介紹了水下機器人的路徑規劃和任務控制的技術現狀。然后，解釋了制導系統，以及它的子系統，即任務規劃器、行動執行器、軌跡發生器。最后，對幾個路徑規劃器進行了基準測試和討論。

第五章介紹了為實現容錯操作而開發的元控制器。首先，介紹了容錯和自我意識方面的技術現狀。第二，介紹了一般的元控制框架和TOMASys元模型的擴展。第三，解釋了使用TOMASys的UX-1機器人的本體建模。最后，討論了所提解決方案的好處和局限性。

第六章介紹了用于測試和驗證制導系統的實驗裝置。解釋了軟件在環（SIL）和HIL范式，以及使用的虛擬環境。然后，詳細介紹了用于制導系統驗證的實驗。

第七章包括結論和未來工作。

多智能體系統（MAS）已經在不同的環境和框架中得到了利用，因此已經成功地應用于許多應用中，以實現不同的目標。事實證明，與建立一個具有任務可能需要的所有能力的單一智能體相比，多智能體系統更具有成本效益。此外，成本并不是采用MASs的唯一驅動因素，例如，安全是另一個重要方面。在惡劣或極端的環境中部署一組智能體，而不是一個人類團隊，可以減少安全風險。此外，與單一智能體的解決方案相比，MAS提供了更多的靈活性和穩健性。靈活性來自于將資源分成不同的小組，而穩健性則來自于一個智能體的關鍵錯誤不一定會危及任務的成功這一事實。請注意，一個任務可能有許多不同的約束和方面，然而，最微不足道的情況是只有一個智能體和一個任務。

這些類型的任務可以由人類操作員計劃，監督任務，而不需要自動計劃器。另一方面，更復雜的任務，即利用大量的異質智能體和任務，以及約束條件（優先權、同步性等），對人類操作員來說并不是那么簡單的計劃。這些復雜的問題給制定一個可行的計劃帶來了巨大的挑戰，更不用說是最好的計劃了。此外，機器人系統中可用的計算平臺的功率增加，允許利用并行任務執行。更具體地說，它允許在傳感、計算、運動和操縱任務中可能的并行性。這反過來又有一個好處，即允許創建更復雜的機器人任務。然而，它的代價是增加了優化任務分配問題的復雜性。為了規避這些問題，需要一個自動規劃器。這些類型的問題是出了名的難解決，而且可能需要太長時間才能找到一個最佳計劃。因此，優化和產生計劃所需的計算時間之間的平衡變得非常重要。

本論文涉及兩個特殊的多機器人任務分配（MRTA）問題配置的正式定義，用于表示多智能體任務規劃問題。更具體地說，本論文的貢獻可以歸納為三類：

首先，這項工作提出了一個模型，以結構化的方式表示不同的問題配置，也被稱為任務。這個模型被稱為TAMER，它還允許以更系統的方式增加新的維度，與以前提出的MRTA分類法相比，擴大了可以描述的問題的數量。

其次，本論文以混合整數線性問題的形式，定義并提供了兩種不同的問題形式，即擴展的彩色旅行推銷員問題（ECTSP）。這些模型在CPLEX優化工具中對選定的問題實例進行了實施和驗證。此外，還設計了一個解決這些復雜問題的次優方法。提出的解決方案是基于遺傳算法（GA）的方法，并與最先進的（和實踐中的）求解器，即CPLEX獲得的解決方案進行比較。與經典方法相比，使用GA進行規劃的優勢在于它具有更好的可擴展性，使其能夠找到大規模問題的解決方案。盡管這些解決方案在大多數情況下是次優的，但它們比其他精確方法獲得的速度要快得多。另一個優勢體現在 "隨時停止 "選項的形式上。在時間緊迫的操作中，重要的是可以選擇停止規劃過程，并在需要時使用次優的解決方案。

最后，這項工作涉及到MRTA問題的一個維度，這個維度在過去沒有引起很多研究的關注。特別是，包括多任務（MT）機器人在內的問題配置被忽視了。為了克服上述問題，首先，對可能實現任務并行的情況進行了定義。此外，還介紹了物理和虛擬任務之間的區別以及它們在并行任務執行方面的相互關系。我們提出并比較了兩個模型。第一個模型以ILP的形式表達，并在CPLEX優化工具中實現。另一個被定義為限制性規劃（CP）模型并在CP優化工具中實現。兩種求解器都在一系列的問題實例上進行了評估。

準確和強大的自主水下導航（AUV）需要在各種條件下進行位置估計的基本任務。此外，美國海軍更希望擁有不依賴外部信標系統的系統，如全球定位系統（GPS），因為它們會受到干擾和欺騙，并會降低操作效率。目前的方法，如地形輔助導航（TAN），使用外部感知成像傳感器來建立一個本地參考位置估計，當這些傳感器超出范圍時，就沒有用了。現在需要的是多個導航過濾器，每個過濾器都能根據任務條件發揮更大的作用。本論文研究了如何結合多個導航過濾器來提供一個更穩健的AUV位置估計。提出的解決方案是利用基于信息論框架的交互式多模型（IMM）估計方法，混合兩種不同的過濾方法。第一個過濾器是基于模型的擴展卡爾曼過濾器（EKF），在航位推算（DR）條件下有效。第二個是用于主動地形輔助導航（ATAN）的粒子濾波方法，在傳感器范圍內適用。利用在華盛頓州新月湖收集的數據，我們開發了每個導航過濾器的結果，然后我們演示了如何使用IMM信息理論方法來混合方法，以改善位置和方向的估計。

近年來，美國防部已指示加速采用人工智能（AI），并建立一支技術先進、能夠確保美國安全的部隊。未來自主海上行動的一個重要組成部分是無人自主車輛能夠在不使用全球定位系統（GPS）或其他外部信標系統的情況下運行。

在一個快速發展的技術世界中，在拒絕使用GPS的環境中或不使用聲學轉發器等系統，甚至是深海導航定位系統（POSYDON）系統的情況下進行操作從未如此關鍵。領先的解決方案是地形輔助導航（TAN），它利用機載地圖和傳感器系統的組合，以便在已知的地圖內進行相關的測量。這種方法的最大缺點是需要不同的濾波估計方法，而這些方法在設計上可能無法協同工作。

這項研究將分幾個部分介紹。首先是實施一個新的擴展卡爾曼濾波器（EKF），作為海軍研究生院的遠程環境監測單元100（REMUS）車輛上的航位推算（DR）模型，以改善其在速度估計不準確時的估計。其次，這項研究試圖在信息理論的基礎上建立一個用于主動地形輔助導航（ATAN）的粒子過濾器（PF）。最后，也許是最重要的，本研究試圖在PF和EKF之間實現一個新的信息理論聯合過程，以改善所有狀態的估計。

圖 1.1 定位、導航和授時替代層次結構。

圖1.2 可能需要不同過濾技術的情況。狀況1，AUV在水面附近作業，可以利用GPS數據。由于深度原因，AUV無法利用任何其他傳感器，必須使用DR模型。狀態2，太深了，無法快速獲取GPS數據，而且還沒有深到可以使用面向海底的傳感器。制度3可以利用DVL/ADCP和慣性導航系統（INS），可以提供更準確的運動估計。制度4可以利用成像傳感器來進一步提高導航的準確性。

圖5.1 機載水深和成像傳感器提供的測量值與粒子分布相關。該分布的香農熵顯示了粒子分布中的不確定性，高值表明該分布對位置不確定。由于從AUV經歷地形到計算香農熵有一個時間延遲，標量值不會完全一致。然而，它將很好地表明分布具有低水平的不確定性。

論文組織

本論文的組織結構如下。第2章是文獻回顧，包括設備說明、貝葉斯濾波（BF）和信息論的必要背景，以及現場實驗的概述。第3章將介紹位置估計濾波技術和交互式多模型（IMM）的概述。第4章將討論基于模型的擴展卡爾曼濾波器（EKF）的發展。第5章將討論粒子濾波器（PF）的開發和仿真結果。第6章將討論信息理論互動多模型（IT-IMM）的開發和仿真結果。論文將在第7章中總結和討論未來的工作。

論文貢獻

• 介紹一種新的IT-IMM估算方法，通過綜合使用后驗概率分布中的香農熵和預測PF性能的地形適宜性措施，將基于模型的EKF和PF聯合起來。

• 在沒有ADCP/DVL的情況下，基于模型的EKF用于估計前進和側滑速度。

• 一種PF算法，實現了粒子再分配的信息理論框架。

摘要

使用全球導航衛星系統（GNSS）進行導航是自主車輛（地面或空中）的常見做法。不幸的是，基于GNSS的導航解決方案往往容易受到干擾、干涉和衛星數量有限的影響。當基于GNSS的系統出現故障時，一種被提議的技術可以幫助導航，即利用地球的磁異常場進行導航。這種解決方案有其自身的問題，包括需要在每個使用磁導航的地區提供高質量的磁力圖。目前許多可用的磁力圖是由過時的磁力測量組合產生的，導致地圖充滿了空間上的相關誤差，其相關結構在很大程度上是未知的。在導航時，這些關聯性被進一步混淆，因為除了原始的關聯性誤差結構外，它們還取決于車輛在地圖上移動的速度。傳統上，這種空間相關性是通過在估計程序中引入一階高斯-馬爾科夫（FOGM）噪聲模型來處理的，FOGM參數設置得有些隨意。在本文中，我們研究了使用不考慮相關性的融合技術（即協方差交叉和概率保守融合）進行磁導航的可能性。這些技術的優點是不需要任何參數調整；無論空間相關性如何，都使用相同的方法和調整參數。我們證明，利用概率保守融合導致的導航結果優于許多調諧方法，并合理地接近于FOGM的最佳調諧參數。

I. 前言

導航技術是不斷發展的。幾個世紀以來，導航員已經從簡單的駕駛、航位推算和天體導航發展到更復雜的技術，如使用全球導航衛星系統（GNSS）的電子導航。無論哪種導航技術，都必須進行準確的姿態（位置、速度、姿態）估計，才能進行有效的路徑規劃。在各種各樣的環境中，一個強大的導航框架的應用范圍越來越廣。基于GNSS的導航是非常準確的，但有許多可能失敗的情況，包括但不限于以下情況：

• 在隧道內或密集的城市地區，衛星信號會被阻斷。

• 頻率干擾和欺騙，這可能導致導航解決方案不再收到準確的估計。[1]

由于GNSS的準確性，目前的替代性導航系統并不試圖取代GNSS，而是在這些潛在的故障情況下對其進行增強。目前的替代性導航系統，如基于無線電的技術、計算機視覺方法、星際跟蹤器、地形高度匹配和重力梯度測量等，往往只在特定環境下的特定條件下發揮作用[2]。一個能與全球GNSS的可用性相匹配的替代性導航系統可以改善并取代目前大量的替代性導航系統。

一個有前途的、能與GNSS相匹配的導航系統是磁導航（Magnav）[2][3]。Magnav的可用性使其比其他替代性導航解決方案更具優勢，但Magnav也有許多必須克服的挑戰，包括但不限于以下幾點。

• 磁性地圖的可用性

• 磁力圖的質量，包括元數據的質量（共變性、偏向）。

• 磁力圖的空間相關誤差，導致對Magnav產生的導航估計有明顯的過度自信。

本文著重于解決第二和第三點，組織結構如下。在第二節中，我們介紹了Magnav的一些背景并解釋了需要克服的問題。在第三節中，我們解釋了我們在擴展卡爾曼濾波器（EKF）中對空間相關誤差進行建模的新穎解決方案。第四節從數學上定義了數據融合問題，并回顧了不考慮相關因素的數據融合的協方差交叉和概率保守方法。在第五節中，我們將這些技術相互比較。第六節是本文的結論。

目標姿態估計和目標點選擇在直接能量武器系統中至關重要，因為它使系統能夠指向目標的特定和戰略區域。然而，這是一項具有挑戰性的任務，因為需要一個專門的姿態傳感器。在新出現的深度學習能力的激勵下，本工作提出了一個深度學習模型，以歐拉角的方式估計目標航天器的姿態。深度學習模型的數據是通過實驗從三維無人機模型中產生的，其中包括大氣背景和湍流等效應。目標姿態來自于二維關鍵點的訓練、驗證和預測。有了關鍵點檢測模型，就有可能檢測到圖像中的興趣點，這使我們能夠估計有關目標的姿勢、角度和尺寸。利用弱透視直接線性變換算法，可以從三維到二維的對應關系中確定三維物體相對于攝像機的姿勢。此外，從這種對應關系中，可以確定目標上的瞄準點，模仿激光跟蹤。這項工作評估了這些方法及其在模擬真實世界環境中實驗產生的數據的準確性。