[论文解读] An Evaluation of Bayesian Methods for Bathymetry-based Localization of Autonomous Underwater Robots

Jungseok Hong, Michael Fulton+1 more|arXiv (Cornell University)|Sep 21, 2018

Underwater Vehicles and Communication Systems参考文献 30被引用 4

一句话总结

本文评估了四种贝叶斯滤波方法——扩展卡尔曼滤波器（EKF）、无迹卡尔曼滤波器（UKF）、粒子滤波器（PF）和边缘化粒子滤波器（MPF）——在利用低成本深度传感器和高度计传感器进行基于海床地形的自主水下航行器（AUV）定位中的表现。MPF在不同湖泊地形和运动轨迹下均展现出最高的精度和计算效率。

ABSTRACT

This paper presents an evaluation of a number of probabilistic algorithms for localization of autonomous underwater vehicles (AUVs) using bathymetry data. The algorithms, based on the principles of the Bayes filter, work by fusing bathymetry information with depth and altitude data from an AUV. Four different Bayes filter-based algorithms are used to design the localization algorithms: the Extended Kalman Filter (EKF), Unscented Kalman Filter (UKF), Particle Filter (PF), and Marginalized Particle Filter (MPF). We evaluate the performance of these four Bayesian bathymetry-based AUV localization approaches under variable conditions and available computational resources. The localization algorithms overcome unique challenges of the underwater domain, including visual distortion and radio frequency (RF) signal attenuation, which often make landmark-based localization infeasible. Evaluation results on real-world bathymetric data show the effectiveness of each algorithm under a variety of conditions, with the MPF being the most accurate.

研究动机与目标

• 为解决在GPS不可用的水下环境中，传统方法如无线电或地标系统不切实际时，实现高精度、低成本的AUV定位挑战。
• 评估利用海床地形图作为先验知识的贝叶斯滤波技术在AUV定位中的可行性和性能。
• 在不同运动动力学和地形复杂度下，比较基于贝叶斯滤波的四种算法——EKF、UKF、PF和MPF。
• 识别在具备可用海床地形数据的内陆湖泊中实际部署时最鲁棒且高效的定位方法。

提出的方法

• 将海床地形数据用作每个(x,y)位置水深的先验地图，表示从水面到海底的总水深。
• 使用深度传感器和单波束声呐高度计测量AUV相对于海底的深度和高度，从而估算其当前位置的总水深。
• 应用四种贝叶斯滤波技术：EKF和UKF在高斯假设下进行参数化状态估计，PF进行非参数化粒子基估计，MPF作为Rao-Blackwellized混合方法，结合扩展卡尔曼滤波与粒子滤波以提升效率。
• 通过融合实时测量的深度和高度数据与海床地形图，利用概率推理估计AUV的三维位置(x, y, z)。
• 将实测与预测的水深差值作为贝叶斯滤波的测量模型。
• 在八张真实的明尼苏达州湖泊海床地形图上，针对线性和混合（非线性）运动策略评估性能。

实验结果

研究问题

• RQ1 在真实湖泊环境中，使用海床地形数据和低成本传感器时，EKF、UKF、PF和MPF在定位精度方面表现如何？
• RQ2 海床地形复杂度（如对称性、变化性及拓扑结构）对基于粒子的滤波器（如PF和MPF）的性能有何影响？
• RQ3 在实际AUV运动轨迹下，四种贝叶斯滤波器的计算成本和内存需求如何比较？
• RQ4 在何种条件下，MPF在精度和效率方面优于PF和UKF？
• RQ5 低成本传感器配置（深度传感器和声呐高度计）是否能够在无外部基础设施（如应答器或信标）的情况下实现可靠且高精度的定位？

主要发现

• 边缘化粒子滤波器（MPF）在所有湖泊和运动轨迹下均实现了最高的定位精度，线性运动情况下中位误差范围为2.71 m（Howard湖）至2.75 m（Turtle湖）。
• 与PF相比，MPF保持了较低的计算成本，中位计算时间分别为58.75 ms（Howard湖）和45.31 ms（Turtle湖），显著低于PF的213.86 ms（Turtle湖）。
• 粒子滤波器（PF）在海床地形变化大且不对称的湖泊中表现最佳，但在对称湖泊（如Nokomis湖）中因缺乏区分特征而发散。
• 无迹卡尔曼滤波器（UKF）提供了可靠且中等精度的结果，计算负载低于PF和MPF，适用于处理能力有限且以线性运动为主的AUV。
• 扩展卡尔曼滤波器（EKF）总体表现最差，误差较高（如Howard湖中达88.94 m），且在不同湖泊中结果不一致，尤其在非线性运动场景下表现不佳。
• MPF在所有线性和混合运动情况下均持续优于其他所有滤波器，展现出在多样化海床地形条件下的鲁棒性和可靠性。