[论文解读] Comparison of Dynamic and Kinematic Model Driven Extended Kalman Filters (EKF) for the Localization of Autonomous Underwater Vehicles

Sharan Balasubramanian, Ayush Rajput+3 more|arXiv (Cornell University)|May 25, 2021

Underwater Vehicles and Communication Systems被引用 4

一句话总结

本文提出一种基于动态模型的扩展卡尔曼滤波器（EKF），以提升自主水下航行器（AUV）的定位精度。该方法基于力和力矩方程推导出简化的4自由度（DoF）动态模型，采用UUVSim仿真环境进行评估。与运动学EKF相比，动态EKF在所有测试路径中均表现出更低的位置误差，尤其在复杂机动中优势显著，证明了引入动力学模型可提升水下导航中状态估计的精度与稳定性。

ABSTRACT

Autonomous Underwater Vehicles (AUVs) and Remotely Operated Vehicles (ROVs) are used for a wide variety of missions related to exploration and scientific research. Successful navigation by these systems requires a good localization system. Kalman filter based localization techniques have been prevalent since the early 1960s and extensive research has been carried out using them, both in development and in design. It has been found that the use of a dynamic model (instead of a kinematic model) in the Kalman filter can lead to more accurate predictions, as the dynamic model takes the forces acting on the AUV into account. Presented in this paper is a motion-predictive extended Kalman filter (EKF) for AUVs using a simplified dynamic model. The dynamic model is derived first and then it was simplified for a RexROV, a type of submarine vehicle used in simple underwater exploration, inspection of subsea structures, pipelines and shipwrecks. The filter was implemented with a simulated vehicle in an open-source marine vehicle simulator called UUV Simulator and the results were compared with the ground truth. The results show good prediction accuracy for the dynamic filter, though improvements are needed before the EKF can be used on real-time. Some perspective and discussion on practical implementation is presented to show the next steps needed for this concept.

研究动机与目标

• 通过在基于EKF的状态估计中用动态模型替代传统运动学模型，提升AUV定位精度。
• 推导并简化适用于RexROV型AUV的4自由度（DoF）动态模型，以降低计算成本，同时保持预测精度。
• 在仿真中，针对多种导航场景评估动态EKF与运动学EKF的性能表现。
• 通过识别基于模型定位中的实际挑战与敏感因素，为实时硬件实现提供基础。
• 探索在GPS不可用的水下环境中，用DVL和SONARSLAM等替代传感器替代GPS的可行性。

提出的方法

• 基于牛顿-欧拉方程，推导出考虑推力、阻力和重力等作用力与力矩的6自由度（DoF）水下航行器动力学模型。
• 根据车辆稳定性与运行约束，通过去除影响较小的自由度（如横滚和俯仰）将6-DoF模型简化为4-DoF动态模型。
• 将简化的动态模型集成至扩展卡尔曼滤波器（EKF）中，用于实时状态预测，使用惯性测量单元（IMU）、DVL和模拟GPS数据作为测量输入。
• 在UUVSim仿真环境中，通过纯追踪控制器生成航路点跟踪指令，以确保轨迹测试的一致性。
• 采用线性化系统动力学与测量模型，执行EKF的预测与校正步骤，并对过程噪声与测量噪声协方差矩阵进行调优，以提升鲁棒性。
• 通过多条测试路径（直线、之字形、U形）对比动态EKF与运动学EKF的输出结果与真实位置，验证模型性能。

实验结果

研究问题

• RQ1 与运动学模型相比，将动态模型引入EKF是否能提升AUV在复杂水下轨迹中的定位精度？
• RQ2 在计算效率与估计精度方面，简化的4-DoF动态模型与完整6-DoF模型相比表现如何？
• RQ3 在加速与转向过程中，动态EKF是否能比运动学EKF更有效地处理多轴（x与y）同时运动？
• RQ4 运动学EKF的主要误差来源是什么？动态EKF如何缓解这些误差？
• RQ5 在将动态EKF部署于物理AUV的实时硬件之前，需解决哪些实际挑战？

主要发现

• 在直线测试中，动态EKF的总位置误差为0.1659m，而运动学EKF为0.2482m，误差降低33%。
• 在之字形测试中，动态EKF的x轴误差为0.1213m，y轴误差为0.39145m，显著优于运动学EKF的0.3682m与4.336m。
• 在U形路径测试中，动态EKF的总误差为0.0738m，而运动学EKF为0.1965m，表明在复杂机动中具有更优的收敛性与稳定性。
• 动态EKF在所有测试案例中均表现出一致性能，几乎无发散现象；而运动学EKF在快速转向与加速期间，y轴误差显著增大。
• 动态模型有效捕捉了车辆的非线性行为，尤其在x与y轴同时运动时，运动学模型无法准确预测轨迹变化。
• 研究结果证实，动态模型可减少估计漂移，提升在传感器噪声与动态机动下的鲁棒性，从而证明其在AUV定位中优于运动学模型。