《Journal of Marine Science and Engineering》:An Improved Factor Graph Optimization Algorithm Enhanced with ANFIS for Ship GNSS/DR Integrated Navigation
Yi Jiang,
Heng Gao,
Tianyu Zhang,
Jin Xiang,
Yichi Zhang,
Jingqing Ke and
Qing Hu
编辑推荐:
准确可靠的定位是无人艇(UMV,Unmanned Marine Vehicle)的核心需求,尤其在复杂海事环境中至关重要。现有算法普遍存在历史信息利用率不足、非线性动态建模能力有限、GNSS测量噪声协方差矩阵(GMNCM,GNSS Measurement No
准确可靠的定位是无人艇(UMV,Unmanned Marine Vehicle)的核心需求,尤其在复杂海事环境中至关重要。现有算法普遍存在历史信息利用率不足、非线性动态建模能力有限、GNSS测量噪声协方差矩阵(GMNCM,GNSS Measurement Noise Covariance Matrix)自适应能力欠缺等问题,导致定位性能下降。本研究提出一种融合自适应神经模糊推理系统(ANFIS,Adaptive Neuro-Fuzzy Inference System)的增强型因子图优化(FGO,Factor Graph Optimization)方法应对上述挑战。首先,研究人员基于精细化误差模型构建改进型GNSS/航位推算(DR,Dead Reckoning)因子图,提升基础定位精度;其次,引入基于滑动窗口与舒尔补(Schur complement)方法的边缘化因子,在保留有效历史数据的同时降低计算负载,提升系统稳定性与实地适用性;最后,设计基于ANFIS的自适应GNSS因子,动态更新GMNCM以强化复杂多变海事条件下的系统鲁棒性。仿真与实地测试表明,所提方法的定位精度较扩展卡尔曼滤波(EKF,Extended Kalman Filter)、无迹卡尔曼滤波(UKF,Unscented Kalman Filter)和传统FGO分别提升29.1%、26.5%和9.9%;GNSS中断场景下,EKF与UKF误差发散超过500m,传统FGO可将漂移限制在20m内,所提ANFIS-FGO算法的误差波动最小、恢复速度最快,验证了其适用于UMV导航的强鲁棒性与实际应用价值。
《基于ANFIS增强的改进型船舶GNSS/DR组合导航因子图优化算法》一文发表于《Journal of Marine Science and Engineering》,聚焦无人艇(UMV,Unmanned Marine Vehicle)复杂海事环境下的高精度可靠定位需求,针对传统组合导航算法的固有缺陷提出创新解决方案。
随着海事经济发展,传统船舶在运行效率、安全性与环保性能方面难以满足现代海事需求,无人艇作为替代方案迎来发展机遇,但高精度、高可靠性的定位技术是其实现复杂海事环境下鲁棒且自适应自主导航的核心前提。全局导航卫星系统(GNSS,Global Navigation Satellite System)凭借广域覆盖与长期定位能力成为海事定位的核心技术,但动态海事条件与环境扰动会显著降低其性能。多数民用船舶未配备惯性导航系统(INS,Inertial Navigation System),航位推算(DR,Dead Reckoning)系统可基于船载传感器数据实现短期高精度定位,但累积误差会导致长期可靠性不足,因此GNSS/DR组合导航是提升船舶定位稳定性的优选方案。当前船舶组合导航多采用扩展卡尔曼滤波(EKF,Extended Kalman Filter)、无迹卡尔曼滤波(UKF,Unscented Kalman Filter)及其改进变体,但这类传统滤波方法存在全局历史信息利用率低、非线性动态建模能力有限、可扩展性差等共性问题,限制了定位精度与实际部署效果。因子图优化(FGO,Factor Graph Optimization)可将状态向量与测量值的关联关系建模为因子,将状态估计转化为图优化问题,相比传统滤波在多源数据融合、非线性问题处理上更具优势,但现有基于FGO的导航研究多针对配备INS的平台,不适用于无INS的普通民用船舶;且固定GNSS测量噪声协方差矩阵(GMNCM,GNSS Measurement Noise Covariance Matrix)无法适配动态海事环境的噪声时变特性,进一步限制了FGO的性能落地。因此,本研究提出基于自适应神经模糊推理系统(ANFIS,Adaptive Neuro-Fuzzy Inference System)增强的ANFIS-FGO算法,面向船舶GNSS/DR组合导航场景优化定位精度与鲁棒性。
为验证算法性能,研究人员设计仿真与实船两类验证方案:仿真实验覆盖匀加速直线运动、匀速转向、复杂机动三类典型船舶运动场景,各场景开展200次蒙特卡洛仿真,设置EKF、UKF、传统FGO为对比基准,以平均绝对误差(MAE,Mean Absolute Error)、均方根误差(RMSE,Root Mean Square Error)为量化评价指标;实船实验在天津港附近海域开展1小时航行测试,采集船载罗经、计程仪、GNSS接收器数据,以高精度惯导系统KY-INS 180的输出作为真值基准,同时开展计算效率消融实验与GNSS中断鲁棒性测试。算法核心创新包括三点:一是构建船舶专用的GNSS/DR改进因子图模型,引入DR误差因子显式建模航位推算的累积漂移特性,同时引入基于滑动窗口与舒尔补(Schur complement)方法的边缘化因子,在保留关键历史状态信息的同时降低计算负载;二是采用ANFIS实现自适应噪声估计,通过混合学习算法离线训练ANFIS模型,学习船舶运动特征与GNSS测量噪声的非线性映射关系,在线推理阶段动态生成GMNCM,适配不同海事条件下的噪声特性;三是采用Ceres求解器结合Levenberg-Marquardt方法求解因子图的最大后验概率(MAP,Maximum A Posteriori)估计问题,输出最优状态估计结果。
### 4.1 仿真实验结果
#### 4.1.1 仿真实验设置
研究人员基于Qt Creator生成三类典型船舶运动场景的仿真数据,传感器参数与实船传感器一致,采样频率为1s,初始状态协方差矩阵设置为0.01倍五维单位矩阵,对比算法为EKF、UKF与传统FGO。
#### 4.1.2 典型运动场景仿真结果
三类运动场景下,ANFIS-FGO的东西、北向定位误差收敛后均保持在±4~6m范围内,显著优于传统FGO的6~12m、EKF在复杂机动场景下20~25m的误差水平;东西、北向速度误差保持在0.2~0.4m/s,较三类对比算法降低约60%~70%;航向误差保持在0.04°~0.05°,约为EKF、UKF航向误差的一半。量化统计显示,ANFIS-FGO的东西、北向定位MAE稳定在2.7~3.4m,RMSE稳定在3.0~3.9m,较三类对比算法平均降低30%~40%,验证了算法在不同运动模式下的稳定性能。
### 4.2 实地实验结果
#### 4.2.1 实验设置
研究人员在天津港附近海域开展1小时实船测试,算法配置与仿真实验保持一致,采用高精度KY-INS 180系统输出作为参考真值。
#### 4.2.2 定位实验结果
全航程内ANFIS-FGO的估计轨迹与参考轨迹贴合度最高,误差波动最小,定位精度较EKF、UKF、传统FGO分别提升约30%、25%、10%,验证了算法在真实海事环境下的有效性。
#### 4.2.3 效率对比实验
通过消融实验验证滑动窗口与边缘化因子的改进效果,改进型ANFIS-FGO的CPU利用率稳定在27.08%,较基线版本的40%~41%显著降低,平均执行时间从381.4s降至23.8s,计算效率提升显著,适配资源受限的无人艇平台。
#### 4.2.4 GNSS中断鲁棒性实验
在仿真与实地测试中均引入两次60s的GNSS信号中断,中断场景下EKF与UKF的定位误差发散超过500m(仿真)/200~400m(实地),传统FGO可将误差限制在20m内,ANFIS-FGO的误差波动最小、恢复速度最快,验证了算法在极端条件下的强鲁棒性。
研究人员讨论指出,所提ANFIS-FGO算法针对无INS民用船舶的GNSS/DR组合导航场景,通过改进因子图建模与ANFIS自适应噪声估计,同时实现了高精度、高鲁棒性与低计算成本,可有效适配动态海事环境的噪声时变特性,解决传统滤波方法全局信息利用率低、非线性建模能力不足的缺陷,为无人艇的自主导航提供了可行的技术方案。该算法的局限性在于尚未在超长时间任务、持续GNSS性能退化、高动态海况等更极端的场景下开展充分验证,上述更具挑战性的运行环境有待进一步研究以全面评估算法的性能边界与长期稳定性;此外现有智能融合方法普遍存在数据需求高、计算资源消耗大的问题,难以直接适配船舶定位场景的实际需求。未来研究人员将围绕三个方向推进相关工作:一是针对超长时航行、复杂海况与极端场景的定位需求,进一步优化现有方法并探索多传感器融合方案,提升系统冗余度与鲁棒性;二是深化AI增强FGO方法的研究,探索更高效、普适性更强的智能优化方案;三是将方法拓展至无人艇编队协同定位场景,通过建立船际信息共享与分布式优化框架,为海事自主系统的发展提供关键支撑,相关研究将为无人艇在复杂海事环境下的应用提供理论基础,促进其工程部署与实际落地。