水下SINS/DVL组合导航误差抑制综述*

曾观林，冯国虎

☞导航、制导与控制☜

水下SINS/DVL组合导航误差抑制综述*

曾观林，冯国虎

（国防科技大学 智能科学学院，湖南 长沙 410073）

为实现水下潜航器高精度长航时航行，基于SINS/DVL组合导航的误差抑制和校正技术是关键。对于DVL数据失效情况，介绍了不同的替代方法。比较了SINS/DVL组合数据融合常见滤波算法；从长航时导航误差抑制和校正角度，叙述了阻尼算法、地形辅助校正、重力匹配辅助定位、长基线系统辅助定位和重力扰动补偿等方法。可为水下潜航器SINS/DVL组合长航时导航误差抑制提供参考。

SINS/DVL组合导航；DVL数据失效；数据融合；长航时；误差抑制

0　引言

海洋拥有着丰富的生物资源和矿产资源，但人类对海洋的开发还不到5%，而中国作为海洋大国，也拥有着300万km2的海洋面积，海洋的探测与开发对战略纵深防御和可持续发展战略有着重大的意义。为实现对海洋充分的探测与开发，潜航器必须具备高精度长航时的深远海航行能力，其中水下导航定位是潜航器应用的关键技术；由于无线电信号在水中迅速衰减，水下潜航器无法接收到全球导航卫星系统（global navigation satellite system，GNSS）信号，所以GNSS无法在水下导航中使用。

目前，捷联惯性导航系统（strap-down inertial navigation system，SINS）与多普勒计程仪（Doppler velocity log，DVL）相结合的组合导航是水下潜航器实现深远海导航定位的主要方式，具有高精度、完全独立性、自主性、隐蔽性等优点，但该方式会存在误差的不断积累，如DVL误差、SINS误差、初始对准误差和数据融合误差等，并且积累的误差无法定时校正，随着航行时间的推移，使得定位误差不断增大，严重影响潜航器的深远海航行［1-3］。为了减少和抑制SINS/DVL组合导航的误差，本文总结了DVL数据失效处理方法、SINS/DVL数据融合方法和长航时误差抑制及误差校正方法。

1　DVL数据失效处理方法

DVL对底跟踪时，会因为距离过远、吸声地质（如淤泥）、海沟、浮游生物、潜航器大角度俯仰和潜航器大角度转弯等原因导致DVL无法接收到部分或全部波束的反射（图1），甚至DVL部分的换能器发生故障时，相对应的通道就没有对地速度［4］。若将DVL的输出端直接隔离，则系统变为纯惯导，而文献［2，5-20］以各种方法替代DVL的输出端信号来得到更准确的定位［2］。当DVL故障时，可用动力学模型、神经网络、支持向量机等方法来构造伪DVL代替故障DVL的输出数据，一些学者还研究了紧组合情况下的DVL故障。

1.1　动力学模型

多普勒完全失效时，通常情况下是利用动力学模型提供虚拟的多普勒速度值，如图2，该模型考虑舵片舵角、舵力、推进器推力和航向角等因素，用采集到的输入输出数据进行训练［5-8］，该方法有效避免DVL失效引起误差增大的问题。

图1 　DVL失效情形

图2 　动力学模型

潜航器航行时，会遇到断崖和海沟，此时DVL测量的速度为对流速度；海流信息对导航的精度具有重要的作用，精确的动力学模型能够得到潜航器有效的对流信息，再由海流速度就可得到潜航器对地速度［7］。考虑到海流对潜航器的影响，张勋［9］等建立基于Kalman滤波器的海流剖面处理模型，由海流剖面与导航速度的关系数据库得出潜航器的导航速度；宋金雪［6］研究了基于最小二乘法和动力学模型的海流估计算法，2种方法估计的海流值相差小于1%，再建立海流干扰下的动力学模型，相比于单纯的动力学模型，精度有所提高。

1.2　神经网络

人工神经网络（artificial neural network，ANN）是对人脑组织运行机制的一种模拟，是用大量的数据训练得到输入输出关系而形成的网络结构，如图3，它拥有自学习能力和快速并行处理结构［10］，因此在DVL正常工作的情况下可在线训练不同的神经网络，建立了SINS的误差估计模型，从而能保证在DVL数据失效时用来预测误差。

图3 　神经网络结构图

由于ANN具体的输入输出关系就像一个黑盒不可知，导致无法把握内部关系而更准确地对模型训练；而模糊推理系统（fuzzy inference system，FIS）能够凭借经验直观得到模型的内部关系，谢连妮［8］将FIS和ANN的BP算法结合，训练了自适应神经模糊推理系统（adaptive neuro-FIS，ANFIS），改善了ANN各个节点是黑盒的缺点；当DVL失效时，采用潜航器动力学模型和ANFIS系统相结合的方式辅助惯导，抑制了DVL失效时误差变大的问题，相比于单纯的动力学模型，该方式的导航精度有明显的提高。

深度学习（deep learning，DL）源于ANN，是机器学习一种，它的算法包括卷积神经网络（convolutional neural networks，CNN），循环神经网络（recurrent neural network，RNN）及长短记忆网络（long short-term memory，LSTM）等；文献［11-13］采用DVL正常时组合导航输出的速度训练非线性自回归神经网络模型（nonlinear autoregressive exogenous，NARX），在DVL故障时NARX能可靠预测DVL 200～300 s输出速度；EDOARDO T［14］提出的LSTM航迹推算方法，也能能够保持DVL失效时组合导航的短期精度。

1.3　支持向量机

支持向量机（support vector machine，SVM）是由广义肖像算法发展而来，它按监督学习对数据进行二元分类。DVL故障时，可采用SVM建立了DVL速度回归预测模型。一些学者还对SVM算法进行了改进，WANG Bo等［15］采用优化的网格搜索-遗传算法来选择支持向量机的最优参数，并通过半物理实验验证了DVL速度预测模型的有效性和适用性；SUN Jin等［16］用最小二乘支持向量机（least square SVM，LS-SVM）训练SINS速度误差与潜航器动力学特性内在关系，DVL故障时则由LS-SVM模型替代DVL信号；WANG Di等［17］在LS-SVM模型上增广了Dempster-Shafer （DS）方法，即DS- LSSVM，SINS和DVL数据融合采用DS理论设计，而SINS误差采用LS-SVM模型，该方法定位精度优于LS-SVM方法。ZHU Yixian等［18］将偏最小二乘回归（partial least squares regression，PLSR）与支持向量回归（support vector regression，SVR）结合来构建预测器，采用PLSR来处理SINS与DVL各个变量之间存在较强相关性的情况，由于PLSR是一种线性回归，为了提高PLSR预测的精度，再由SVR对剩余分量进行预测，结果表明，PLSR-SVR混合预测器能够正确地提供DVL测量值，有效延长DVL故障的容错时间，从而提高导航精度和可靠性。

1.4　紧组合模式

对于松组合，DVL部分波束信息缺失时，DVL的速度信息完全失效。而紧组合情况下，依然能够利用部分波束的信息得到DVL测量的速度。紧组合情况下对于具有4个换能器的DVL，通常能得到4个波束信息，其中3个波束信息用于计算潜航器的速度，剩余1个作为冗余；当部分波束信息缺失时，依然能够运用现有的波束进行组合导航，提高DVL波束部分中断情况下的连续性能。

刘沛佳［1］研究了只有2个或1个波束正常时的紧组合方法，如图4为“×”配置的DVL波束缺失的3种情况及解决方案：只有2条垂直波束可用时，只需将不可用波束对应的量测噪声方差设置为无穷；由于2条平行波束几何对称性，它们的信息具有重复性，所以平行2条波束可用与只有1条波束可用的情况一致，需要构造一个垂直的虚拟波束量测，这样就有了2条垂直的波束量测，然后设定对应波束的噪声方差即可；假设只有波束1可用，则构造与之垂直虚拟波束2方法为：

图4 　“×”配置的DVL波束缺失的解决方案

刘射德等［4，19］提出一种基于四波束多普勒频移的紧组合方法，相对于基于速度的松组合和基于速度的紧组合方法，该方法在水平方向的位置精度有了明显的提高；SAEED A R等［20］提出了一种改进的模糊进化（I-eTS）算法来构建一个基于人工智能的伪DVL，大多数神经网络系统在设计后不会继续学习或改进，而I-eTS系统会根据路径改变其结构，使训练的模糊系统在变化的环境中具有更大的灵活性，能用于处理DVL的长期故障。

1.5　各方法的对比

在DVL失效时，动力学模型是根据已知模型来得到DVL速度，加上估计的海流信息，精度有所提高；神经网络和支持向量机模型是由大量的输入输出数据训练得出，预测出来的DVL速度精度比动力学模型要高，但适用时间短；紧组合模式下，相对于松组合来说精度大大提升，适用于长时间航行，该模式情况下还可以结合海流估计、动力学模型以及神经网络或支持向量机等方法，把DVL速度精度提升更大的台阶。

2　SINS/DVL数据融合

SINS/DVL组合导航在获取SINS和DVL的数据时，通常需要将数据进行预处理，比如剔除或削弱野值，以及抑制随机噪声；然后对预处理后的数据进行融合而得到准确的位置信息，数据融合算法主要是一些改进的卡尔曼滤波算法（Kalman filter，KF），如扩展卡尔曼滤波算法（extended Kalman filter，EKF），无迹卡尔曼滤波算法（unscented Kalman filter，UKF），容积卡尔曼滤波算法（cubature Kalman filter，CKF），自适应卡尔曼滤波算法（adaptive Kalman filter，AKF）。

2.1　测量数据预处理

在实际工程中，会因为过失误差或环境突变等原因产生一些严重偏离大部分数据所呈现趋势的野值，通常可用预测残差或统计决策剔除野值，但只能剔除单一的野值，为此彭旭东［21］提出一种M估计来削弱甚至消除野值，该方法是由M估计的影响函数进行推导得一个加权矩阵，由加权矩阵对野值进行限制，能够很好地抑制野值带来的不利影响。

在复杂的水下环境中，DVL信息可能会被破坏，从而降低卡尔曼滤波器的精度。为解决这一问题，采用带有测量噪声估计器为滤波器提供精确的噪声统计特性，以提高导航性能。王宏健等［22］将系统状态、过程噪声和观测噪声建模为多个高斯分量，用来近似非高斯噪声。ZHAO Liye等［23］提出了一种基于χ2规则的故障诊断方法应对突发噪声，当存在突发噪声时，采用跟踪模型的速度来代替DVL速度，从而抑制DVL中的随机噪声。

为了减小历史序列对估计器的影响，在测量噪声估计器中引入自适应遗忘因子，用于各种噪声动态特性。现有的移动窗口（moving windows，MW）和指数加权移动平均（exponential weighted moving average，EWMA）方法不能适应动态环境，导致噪声估计性能不理想。HOU Lanhua［24］提出了一种改进的带有自适应遗忘因子的指数加权移动平均（improved EWMA，IEWMA）方法来估计测量噪声。IEWMA方法可以直接应用于未知环境，并能适应各种噪声动态特性。基于IEWMA方法的测量噪声估计的自适应卡尔曼滤波（adaptive Kalman filtering， AKF）在测量噪声估计和导航精度方面优于MW和EWMA方法。导航结果在低动态环境下更稳定，在高动态环境下更敏感。

2.2　扩展卡尔曼滤波算法（EKF）

EKF基本思想是将KF的状态方程和量测方程泰勒展开，保留一阶项，去除二阶及以上的项，再卡尔曼滤波，是现在工程应用最广泛的滤波算法。优点：原理简单，容易实现，适用范围广。缺点：去除了泰勒展开二阶以上的项，仅为一阶近似，在强非线性系统中容易产生很大的截断误差或使系统发散。EKF关键在于Jacobian矩阵，如果系统过于复杂，Jacobian矩阵计算量会很大甚至无法计算得出。为提高该方法的精度，一些学者也对EKF进行改进，如高阶截断EKF、迭代EKF，虽然精度得到提高，计算量也增大不少，在实际导航中难以实现［21］。

以EKF算法为例选取间接法建立SINS/DVL滤波模型［25］，设系统状态方程为

状态向量为

系统观测矩阵为

2.3　无迹卡尔曼滤波算法（UKF）

UKF应用概率密度统计方法对非线性函数进行近似，对于预测方程，以无迹变换（unscented transformation，UT）来处理均值和协方差的非线性传递，由卡尔曼线性滤波框架得出UKF算法。与EKF相比，无需对非线性函数线性化，无需计算Jacobian矩阵，得到的均值和方差与泰勒展开三阶项相当，精度比EKF泰勒展开的一阶项要高。SINS/DVL组合的潜航器机动较小时，EKF算法精度与UKF相当；潜航器机动大时，UKF算法精度明显优于EKF［26］；系统维数较高时，UKF滤波的协方差会存在非正定的情况，使得滤波不稳定甚至发散；当系统模型不确定或受到干扰较强时，UKF算法精度变低甚至发散。

2.4　容积卡尔曼滤波算法（CKF）

CKF是由Spherical-Radial Cubature准则，选取一组权值相同的Cubature采样点集合来表示系统的后验密度函数，由系统数学模型对此采样点集合进行非线性变换得到新的点的集合，然后用新的点集去预测下个时刻的密度函数。CKF算法为真实的系统方程，可在任何形式系统模型中应用。相对于EKF，它不需要对非线性系统线性化，避免截断误差的影响，拥有相当高的精度。相对于UKF，CKF的数学推理较为严密，UKF采样点为2+1，除中心点外，其他点权重相同，系统维数较大时中心点权值会出现负值的情况，所以通过UKF滤波过程的协方差也会存在非正定情况，使得滤波不稳定甚至发散，而CKF采样点为2，每个点权重均为1/2的正数，避免加权求和计算后协方差非正定的情况。CKF具有滤波精度高和计算量小的优势，相比于EKF和UKF更优。针对SINS/DVL组合导航，徐晓苏等［27］设计5阶球面最简相径（spherical simplex radial，SSR）的CKF，该采样规则能够减少CKF算法的采样点；比3阶CKF精度高，稳定性较好。此外还衍生出平方根容积卡尔曼滤波（square root CKF，SRCKF）和迭代容积卡尔曼滤波（iterated CKF，ICKF）等算法。当DVL信号中断时，以上滤波算法的速度误差都会快速发散，重新获得DVL信号后，误差能够快速收敛，但只能稳定在发散后的数值上［25］。

2.5　其他类型的滤波器（AKF）

水下环境中，复杂的地形影响DVL测量噪声，环境温度变化影响陀螺和加速度计的系统噪声，滤波递推过程中将它们当作常值会使滤波精度降低［28］。而AKF利用观测数据进行递推滤波的同时，不断估计和修正模型中不精确（或未知）参数及噪声协方差阵，适应环境的干扰和过程的时变性，提高滤波精度，减少状态估计误差，达到良好的滤波效果。

在SINS/DVL组合导航中，考虑到DVL速度信息不能完全抑制SINS导航误差发散，YAN Xiaozhen等［29］提出了基于滤波增益补偿的AKF，在线估计噪声的统计特性，自适应调整递归滤波增益；当DVL噪声矩阵的正定性不能保证时，自适应滤波器可能是发散的。LIU Ruixin等［30］提出的改进Sage-Husa的AKF，通过删除负定项来修正噪声矩阵自适应更新规律，保证Sage-Husa自适应卡尔曼滤波的收敛性。这种方法牺牲了一定的滤波精度，以保证滤波器的稳定性。针对复杂环境下DVL易受到异常值的影响，SHI Wence等［31］提出了一种鲁棒性改进自适应卡尔曼滤波（variational Bayesian AKF， VBRAKF），通过改进的马氏距离MD抑制异常值，并通过变分贝叶斯（variational Bayesian，VB）逼近估计不确定测量噪声协方差，可以同时解决异常值和时变测量噪声协方差的问题。

图5 　自适应联邦IMM滤波器

当系统的动态或测量模型中既有离散的不确定性又有连续的不确定性时，交互多模算法（interacting multiple model，IMM）是一种非常有效的方法，LYU Weiwei等［32］提出一种将自适应联邦滤波器与IMM算法相结合的滤波器，如图5，每个局部系统包含不同的模型，当水下环境发生变化时，每个局部系统的SINS/DVL模型可以实时切换，因此可以使用最精确的混合模型来描述局部系统的当前状态，提高了潜航器在复杂水下环境下作业的准确性和可靠性。

2.6　算法之间的对比和在系统中适用情况

水下潜航器的运动模型可分为非机动模型和机动模型，非机动模型即载体做匀速直线运动，此时KF为最优滤波器；AKF在KF的基础上实时自适应地估计系统噪声或调整卡尔曼滤波增益，能抑制DVL噪声异常值；当潜航器做机动时，SINS/DVL系统为非线性系统，EKF算法在实时处理非线性较弱的系统最优，即潜航器在机动较小时，EKF算法效果最好，因此应用范围最广；当潜航器做大机动时，EKF容易产生很大的截断误差甚至使系统发散，定位精度严重降低；为处理强非线性系统，即潜航器大机动状态，常用滤波方法以贝叶斯理论为框架，采用数值积分来近似非线性状态估计，具体方法有UKF和CKF。若以泰勒展开阶次评定算法精度，则EKF为一阶，也有高阶的EKF，但计算量大；UKF为3阶，不能适用于维数较高的系统；CKF为5阶，计算量大，但比UKF稳定；SSRCKF精度高于3阶CKF，计算量小于5阶CKF。此外，当系统有不同模型的滤波器时，IMM算法可将不同算法的子滤波器进行组合来提高滤波效果。

3　长航时误差抑制和误差校正方法

SINS/DVL组合导航无论是DVL失效时用虚拟DVL来代替，还是数据融合算法，潜航器长时间航行都会存在定位误差的不断积累，这就需要对其误差进行抑制或及时校正，以下便是一些对潜航器定位误差的抑制和校正的方法。

3.1　阻尼算法

针对惯导解算过程中存在舒勒、地球和傅科周期3种周期震荡以及高度通道发散的问题，除了基于卡尔曼滤波的各种改进算法来抑制系统的发散，也可在惯导系统中加入阻尼环节来抑制。傅科和舒勒周期振荡通常影响惯导的水平姿态和水平速度的精度，可在水平回路中加入水平阻尼环节达到抑制效果，而地球周期振荡存在于方位回路中，可加入方位阻尼进行抑制［33］。对于高度通道，可加入比例和积分环节并用高度表辅助来设计高度阻尼回路，进而达到对高度通道的抑制，或者直接用深度计代替高度通道信息。李倩［34］提出双系统串联外阻尼横坐标系SINS的误差抑制方法，抑制DVL测速误差对阻尼系统影响，提高外阻尼横坐标系SINS的精度，适用于极区的长时间航行。针对阻尼 SINS 调节过程中存在的超调现象，杨晓龙［35］在阻尼环节中引入循环解算算法，缩短系统调节时间；刘潺等［36-37］提出法向量位置模型下的阻尼算法，分别在垂直通道和水平通道中设计阻尼网络，水平通道实现三阶无静差阻尼，定位误差与无阻尼系统相比减少 47%，能够运用于长航时的全球定位（包括南北极）。

3.2　地形辅助校正

地形辅助导航（terrain-aided navigation，TAN）系统能够修正水下SINS/DVL随时间积累误差，作为辅助系统使用，能保证潜航器在水下长时间航行，具有重要的军事价值；它首先需要对任务海域的地形进行勘测并构建三维地形图保存至数据库，在潜航器航行时将当前位置的地形图与数据库地形图进行对比，当两者匹配成功时，则可获取当前精确的位置［38］。常用的算法是地形轮廓匹配（terrain contour matching，TERCOM）算法和迭代最接近轮廓点（iterative closet contour point，ICCP）算法，对传感器误差具有严格的精度，当传感器误差大时，系统可靠性降低。常用的滤波方法是改进的卡尔曼滤波，由于地形数据是高度非线性的，要求对地形数据进行线性化。无论选择哪种算法，都是以捷联惯导指示的可能位置为中心，寻找潜航器真实位置的最优匹配点［39-41］。TAN的定位误差与水下潜航器的航行时间和航行距离无关，能够很好定时的修正SINS/DVL组合导航长时间所积累的误差，以美国斯坦福大学宇航实验室为例，在分辨率为1 m的数字地图上，定位精度能达到5～10 m。但该方法是一项复杂的系统工程，涉及技术有导航控制、海洋测绘、计算机视觉与图像处理等，不足之处是需要事先大规模建立配套的海洋环境数据库，当SINS/DVL需要修正误差时，只能在已经建立了数字地图的海域进行。

3.3　重力匹配辅助定位

重力异常是地球的一般物理性质之一，不随时间变化。重力仪可以获取重力信号，对重力信号进行处理，得到重力异常值，基于重力异常的重力匹配算法辅助水下导航系统是一种较好的被动导航方法。它不需要接收外部信息，也不需要向外部发送信息，不受地形和时间的限制，具有精度高、可靠性好等特点，但不足之处是需要事先建立重力数据库，只能大尺度应用。重力匹配算法将测量的重力数据和重力基准图的重力数据进行相关性分析，判断两类数据相似度，确定最佳匹配序列，从而得到对导航位置的最佳估计。所用到的数据处理和融合方法主要有：相关性分析、EKF、神经网络、Dijkstra算法、A*搜索算法等。目前美国在部分领海和公海已构建重力背景图，分辨率优于1′×1′，其重力仪精度优于1 mGal，其潜艇能够完成港口到港口的作战任务；国内虽已在近海构建重力背景图，但其精度还有待提高［42-43］。

3.4　长基线系统辅助定位

长基线（long baseline，LBL）水声定位系统通常在海底或海面安装能发射声信号的信标，基线长度可以是几百米甚至几千米，以挪威 Kongsberg公司为例，LBL水声定位系统最大应答距离为8 000 m，最大作业深度为7 000 m，测距精度为0.02 m［44］，相当于一个已知具体位置的水下GNSS（至少需要3个），定位原理如图6所示。潜航器的换能器向信标发出询问信号，并接收信标的应答信号，通过解算得到具体位置［45］。

图6 　长基线水声定位系统

长基线系统辅助定位能够给局部海域的潜航器或船舶精确的位置，对于SINS/DVL长时间航行产生的误差能达到准确修正的作用。该方法的优点是定位精度高，无误差积累，且与深度无关，缺点是信标作用距离短，需要投放信标陈列，只能用在局部海域，且对信标进行定期维护，需要大量的时间和精力。

3.5　重力扰动补偿

在中低精度的惯导中，重力扰动产生的误差可忽略不记，但在战略级惯导中，重力扰动矢量是主要误差源之一，因此重力扰动带来的误差就需要进行补偿。重力扰动可通过重力仪、重力梯度仪等仪器或重力背景图来获取，也可以通过高阶球谐模型计算来获取。重力扰动补偿方式有2种：①直接对解算结果进行补偿，由扰动误差建立补偿的数学模型，该方法简单直接，但需要预先知道导航区域准确的测量数据；②改变惯导的力学编排，在惯导解算中加入重力扰动，并实时补偿，该方法需要实时准确获得扰动数据［46］。

针对具有高阶水平阻尼网络的惯性导航系统，重力引起的误差几乎只存在于水平通道中，主要由垂直方向的偏移引起。垂直偏差的低频分量以1∶1的比例传递到经纬度误差中，垂直偏差的时变波动激发了舒勒振荡。WU Ruonan等［47］利用地球引力模型（EGM2008）提出2种重力补偿方法，即离线数据库插值法和直接利用球面调和模型计算重力矢量，能够很好抑制舒勒周期和重力扰动误差的低频分量。翁海娜等［48］采用常速度误差反馈和相位超前串联阻尼网络抑制重力扰动引起的误差，抑制率能达到70%以上，系统误差量级基本和无重力扰动区相当。

4　结束语

在无GNSS信号情况下，SINS/DVL组合导航误差抑制技术是潜航器实现长航时高精度航行的关键技术。当DVL测量数据失效时，需构造伪DVL模型，神经网络和支持向量机模型优于动力学模型；SINS/DVL的紧组合模式优于松组合模式。在数据融合方面，比较在SINS/DVL组合应用的常见滤波方法，潜航器机动较小时，EKF效果最好，应用范围最广；潜航器大机动时，UKF精度优于EKF，但不适用于维数较高的系统，CKF精度和稳定性优于UKF，SSRCKF精度高于3阶CKF，计算量小于5阶CKF；IMM算法可将多模型滤波器进行融合来提高滤波效果。为抑制SINS/DVL组合导航的误差，介绍了常见的方法，阻尼算法应用成熟，能够抑制SINS的舒勒周期和地球周期；重力扰动补偿技术能够减小SINS的误差，适用于战略级SINS；地形辅助校正和重力匹配辅助能高精度校正SINS/DVL，但地形辅助校正需要事先大规模建立配套的海洋环境数据库，只能在已建立数字地图的海域运用，有一定发展前景，重力匹配辅助在美国海军能实现港口到港口的作战任务，而国内的重力背景图精度还有待提高；长基线系统辅助定位精度高但维护繁琐且作用海域有限。

［1］ 刘沛佳. INS/DVL组合导航关键技术研究［D］. 北京：北京理工大学， 2018.

LIU Peijia. Research on Key Technologies of INS/DVL Integrated Navigation ［D］. Beijing：Beijing Institute of Technology， 2018.

［2］ 赵俊波，葛锡云，冯雪磊，等．水下SINS/DVL组合导航技术综述［J］. 水下无人系统学报， 2018， 26（1）： 2-9.

ZHAO Junbo， GE Xiyun， FENG Xuelei， et al. A Review of Underwater SINS/DVL Integrated Navigation Technology ［J］. Journal of Unmanned Undersea Systems， 2018， 26（1）： 2-9.

［3］ 严恭敏，翁浚. 捷联惯导算法与组合导航原理［M］. 西安：西北工业大学出版社， 2019.

YAN Gongmin， WENG Jun. Strapdown Inertial Navigation Algorithm and Integrated Navigation Principle ［M］. Xi'an： Northwestern Polytechnical University Press， 2019.

［4］ 刘射德，张涛，张佳宇，等. 基于多普勒频移的SINS/DVL紧组合导航方法研究［C］∥惯性技术发展动态发展方向研讨会论文集——前沿技术与惯性技术的融合与应用，大连， 2021： 116-124.

LIU Shede， ZHANG tao， ZHANG Jiayu， et al. Study on SINS/DVL Tight Integrated Navigation Method Based on Doppler Frequency Shift ［C］∥Proceedings of the Seminar on Dynamic Development Direction of Inertial Technology Development-Fusion and Application of Frontier Technology and Inertial Technology， Dalian， 2021： 116-124.

［5］ 何波，吕鹏飞，郭佳，等. 基于动力学的速度模型辅助水下智能导航方法：中国，201910038062.4 ［P］. 2019-1-16.

HE Bo， LÜ Pengfei， GUO Jia， et al. Dynamics-Based Velocity Model-Assisted Underwater Intelligent Navigation Method： China， 201910038062.4 ［P］. 2019-1-16.

［6］ 宋金雪. 模型辅助和流估计下的UUV自主导航定位方法研究［D］. 哈尔滨：哈尔滨工程大学， 2018.

SONG Jinxue. Model-Aided and Sea Current Estimation for UUV Autonomous Navigation Research ［D］. Harbin： Harbin Engineering University， 2018.

［7］ 邓力榕. 模型辅助导航下海流与UUV航速估计方法研究［D］. 哈尔滨：哈尔滨工程大学， 2014.

DENG Lirong. Research on SEA Current and UUV Velocity Estimation Methods Based on Model-Aided Navigation ［D］. Harbin： Harbin Engineering University， 2014.

［8］ 谢连妮. 基于水下航行器的SINS/DVL组合导航技术研究［D］. 哈尔滨：哈尔滨工程大学， 2014.

XIE Lianni. Research on Integrated Navigation Technology of SINS/DVL Based on Underwater Vehicles ［D］. Harbin： Harbin Engineering University，2014.

［9］ 张勋，边信黔，严浙平，等. 基于海流剖面的UUV辅助导航方法［J］. 仪器仪表学报， 2013， 34（6）： 147-153.

ZHANG Xun， BIAN Xinqian， YAN Zheping， et al. Aided Navigation Method for UUV Based on Current Profile ［J］. Chinese Journal of Scientific Instrument， 2013， 34（6）： 147-153.

［10］ 毛健，赵红东，姚婧婧. 人工神经网络的发展及应用［J］. 电子设计工程， 2011， 19（24）： 62-65.

MAO Jian， ZHAO Hongdong， YAO Jingjing. Application and Prospect of Artificial Neural Network ［J］. Electronic Design Engineering， 2011， 19（24）： 62-65.

［11］ LI Wanli， CHEN Mingjian， ZHANG Chao， et al. A Novel Neural Network-Based SINS/DVL Integrated Navigation Approach to Deal with DVL Malfunction for Underwater Vehicles ［J］. Mathematical Problems in Engineering， 2020， 2020： 1-14.

［12］ 李万里，陈明剑，李军正，等. 一种捷联惯导/多普勒组合导航系统的导航方法：中国，202111123636.1［P］. 2021-12-28.

LI Wanli， CHEN Mingjian， LI Zhengjun， et al， A Navigation Method of SINS/DVL Integrated Navigation System： China， 202111123636.1 ［P］. 2021-12-28.

［13］ LI Ding， XU Jiangning， HE Hongyang， et al. An Underwater Integrated Navigation Algorithm to Deal with DVL Malfunctions Based on Deep Learning ［J］. IEEE Access，2021， 9（1）： 82010-82020.

［14］ EDOARDO T， ALBERTO T， MATTEO F， et al. LSTM-Based Dead Reckoning Navigation for Autonomous Underwater Vehicles ［C］∥Global Oceans 2020 Singapore-U.S. CoastGulf， Biloxi， MS， USA， October 05-30， 2020： 0197-7385.

［15］ WANG Bo， HUANG Liu， LIU Jingyang， et al. A Support Vector Regression-Based Integrated Navigation Method for Underwater Vehicles ［J］. IEEE Sensors Journal， 2020， 20（15）： 8875-8883.

［16］ SUN Jin， WANG Fu. An Effective LS-SVM/AKF Aided SINS/DVL Integrated Navigation System for Underwater Vehicles ［J］. Peer-to-Peer Networking and Applications， 2022， 15（3）： 1437-1451.

［17］ WANG Di， XU Xiaosu， YAO Yiqing， et al. Virtual DVL Reconstruction Method for an Integrated Navigation System Based on DS-LSSVM Algorithm ［J］. IEEE Transactions on Instrumentation and Measurement， 2021， 70： 1-13.

［18］ ZHU Yixian， CHENG Xianghong， HU Jie， et al. A Novel Hybrid Approach to Deal with DVL Malfunctions for Underwater Integrated Navigation Systems ［J］. Applied Sciences， 2017， 7（8）： 759.

［19］ LIU Shede， ZHANG Tao， ZHANG Jiayu， et al. A New Coupled Method of SINS/DVL Integrated Navigation Based on Improved Dual Adaptive Factors ［J］. IEEE Transactions on Instrumentation and Measurement， 2021，70： 1-11.

［20］ SAEED A R， MOJTABA H， HASSAN S. Pseudo DVL Reconstruction by an Evolutionary TS-Fuzzy Algorithm for Ocean Vehicles ［J］. Measurement， 2019， 147： 106831.

［21］ 彭旭东. 基于M估计的SINS/DVL组合导航系统研究［D］. 哈尔滨：哈尔滨工程大学， 2017.

PENG Xudong. Research on SINS/DVL Integrated Navigation System Based on M Estimation ［D］. Harbin： Harbin Engineering University， 2017.

［22］ 王宏健，李村，么洪飞，等. 基于高斯混合容积卡尔曼滤波的UUV自主导航定位算法［J］. 仪器仪表学报， 2015， 36（2）： 254-261.

WANG Hongjian， LI Cun， YAO Hongfei， et al， Gaussian Mixture Cubature Kalman Filter Based Autonomous Navigation and Localization Algorithm for UUV ［J］. Chinese Journal of Scientific Instrument， 2015， 36（2）： 254-261.

［23］ ZHAO Liye， LIU Xianjun， WANG Lei， et al. A Pretreatment Method for the Velocity of DVL Based on the Motion Constraint for the Integrated SINS/DVL ［J］. Applied Sciences， 2016， 6（3）： 79.

［24］ HOU Lanhua， XU Xiaosu， YAO Yiqing， et al. Improved Exponential Weighted Moving Average Based Measurement Noise Estimation for Strapdown Inertial Navigation System/Doppler Velocity Log Integrated System ［J］. Journal of Navigation， 2021， 74（2）： 467-487.

［25］ 黄莺. 基于CKF的SINS/DVL组合导航系统设计与仿真［D］. 哈尔滨：哈尔滨工程大学， 2013.

HUANG Ying. Design and Simulation of SINS/DVL Integrated Navigation System Based on CKF ［D］. Harbin： Harbin Engineering University， 2013.

［26］ 王君婷. 水下AUV导航的非线性滤波算法研究［D］. 北京：中国石油大学， 2018.

WANG Junting. Research on Nonlinear Filtering Algorithm for Underwater AUV Navigation ［D］. Beijing： China University of Petroleum， 2018.

［27］ 徐晓苏，董亚，童金武，等. 基于5阶球面最简相径的改进型容积卡尔曼滤波在SINS/DVL组合导航中的应用［J］. 中国惯性技术学报， 2017， 25（3）： 343-348.

XU Xiaosu， DONG Ya， TONG Jinwu， et al. Improved Fifth-Degree Spherical Simplex Sadial Cubature Kalman Filter in SINS/DVL Integrated Navigation ［J］. Journal of Chinese Inertial Technology， 2017， 25（3）： 343-348.

［28］ 唐康华，江明明，翁炬. 基于自适应滤波的水下SINS/相控阵DVL组合导航算法设计［J］. 中国惯性技术学报， 2013， 21（1）： 65-70.

TANG Kanghua， JIANG Mingming， WENG Ju. Design of SINS/ Phased Array DVL Integrated Navigation System for Underwater Vehicle Based on Adaptive Filtering ［J］. Journal of Chinese Inertial Technology， 2013， 21（1）： 65-70.

［29］ YAN Xiaozhen， YANG Yipeng， LUO Qinghua， et al. A SINS/DVL Integrated Positioning System Through Filtering Gain Compensation Adaptive Filtering ［J］. Sensors， 2019， 19（20）： 4576.

［30］ LIU Ruixin， LIU Fucheng， LIU Chunning， et al. Modified Sage-Husa Adaptive Kalman Filter-Based SINS/DVL Integrated Navigation System for AUV［J］. Journal of Sensors，2021（3）： 1-28.

［31］ SHI Wence， XU Jiangning， LI Ding， et al. Attitude Estimation of SINS on Underwater Dynamic Base with Variational Bayesian Robust Adaptive Kalman Filter ［J］. IEEE Sensors Journal， 2022，22（11）： 10954-10964.

［32］ LYU Weiwei， CHENG Xianghong， WANG Jinling. Adaptive Federated IMM Filter for AUV Integrated Navigation Systems ［J］. Sensors， 2020， 20（23）： 6806.

［33］ 臧新乐. 捷联惯性导航系统误差阻尼技术［D］. 哈尔滨：哈尔滨工程大学， 2017.

ZANG Xinle. Error Damping Technique of Strapdown Inertial Navigation System ［D］. Harbin： Harbin Engineering University， 2017.

［34］ 李倩. 横坐标系捷联惯导系统极区导航及其误差抑制技术研究［D］. 哈尔滨：哈尔滨工程大学， 2014.

LI Qian. Research on Transversal Strapdown INS and Error Depression Technology in Polar Region ［D］. Harbin： Harbin Engineering University， 2014.

［35］ 杨晓龙. 捷联惯性导航系统阻尼和重力辅助技术研究［D］. 哈尔滨：哈尔滨工程大学， 2015.

YANG Xiaolong. The Research of SINS Damping and Gravity Aid Technology ［D］. Harbin： Harbin Engineering University， 2015.

［36］ 刘潺，吴文启，冯国虎，等.基于虚拟圆球法向量的极区惯性导航算法［J］.中国惯性技术学报， 2020， 28（4）： 421-428.

LIU Chan， WU Wenqi， FENG Guohu， et al. Polar Navigation Algorithm for INS Based on Virtual Sphere N-Vector ［J］. Journal of Chinese Inertial Technology， 2020， 28（4）： 421-428.

［37］ 刘潺，吴文启，冯国虎，等.法向量位置模型下的水下长航时惯性导航阻尼算法［J］.中国惯性技术学报， 2021， 29（6）： 709-716.

LIU Chan， WU Wenqi， FENG Guohu， et al. Damping Algorithm for Long-Endurance Underwater INS Based on N-Vector Model ［J］. Journal of Chinese Inertial Technology， 2021， 29（6）： 709-716

［38］ 张静远，谌剑，李恒，等. 水下地形辅助导航技术的研究与应用进展［J］. 国防科技大学学报， 2015， 37（3）： 128-135.

ZHANG Jingyuan， SHEN Jian， LI Heng， et al. Research and Application Progress on Underwater Terrain-Aided Navigation Technology［J］. Journal of National University of Defense Technology， 2015， 37（3）： 128-135.

［39］ LI Peijuan， SHENG Guoliang， ZHANG Xiaofei， et al. Underwater Terrain-Aided Navigation System Based on Combination Matching Algorithm ［J］. ISA Transactions， 2018， 78： 80-87.

［40］ 张立华，刘现鹏，贾帅东，等. 一种线面组合的水下地形匹配算法［J］. 测绘学报， 2018， 47（10）： 1406-1414.

ZHANG Lihua， LIU Xianpeng， JIA Shuaidong， et al. A Line-Surface Integrated Algorithm for Underwater Terrain Matching ［J］. Acta Geodaetica et Cartographica Sinica， 2018， 47（10）： 1406-1414.

［41］ XIONG Lu， SHEN Jian， BI Xiaowen. A New Method of Terrain Self-Adaptive Matching Algorithm for Autonomous Underwater Vehicle ［J］. Journal of Physics： Conference Series， 2019， 1237（2）： 022014.

［42］ 于力. 水下运载体重力匹配算法研究［D］. 北京：北京理工大学， 2016.

YU Li. Research of Underwater Vehicle Gravity Matching Algorithm［D］. Beijing： Beijing Institute of Technology， 2016.

［43］ 付梦印，刘飞，袁书明，等. 水下惯性/重力匹配自主导航综述［J］. 水下无人系统学报， 2017， 25（2）： 31-43.

FU Mengyin， LIU Fei， YUAN Shuming， et al. Review of Undersea Autonomous Inertial-Gravity Matching Navigation ［J］. Journal of Unmanned Undersea Systems， 2017， 25（2）： 31-43.

［44］ 张同伟，秦升杰，唐嘉陵，等. 深海长基线定位系统现状及展望［J］. 测绘通报， 2018（10）： 75-78.

ZHANG Tongwei， QIN Shengjie， TANG Jialing， et al. Technical Status and Development Trend of Deep Sea LBL ［J］. Bulletin of Surveying and Mapping， 2018（10）： 75-78.

［45］ 陈立平. 基于SINS/LBL交互辅助定位的AUV导航技术研究［D］. 南京：东南大学， 2016.

CHEN Liping. Research on Navigation Technology Based on SINS/LBL Interaction Assisted Positioning for AVU ［D］. Nanjing： Southeast University， 2016.

［46］ 王皓. 高精度长航时惯导系统重力扰动补偿方法研究［D］. 北京：北京理工大学， 2015.

WANG Hao， The Study of Gravity Disturbance Compensation Method of High-Accuracy Long-Time INS［D］. Beijing：Beijing Institute of Technology，2015.

［47］ WU Ruonan， WU Qiuping， HAN Fengtian， et al. Gravity Compensation Using EGM2008 for High-Precision Long-Term Inertial Navigation Systems ［J］. Sensors （Basel， Switzerland）， 2016， 16（12）： 2177.

［48］ 翁海娜，李鹏飞，高峰，等. 高精度惯导系统重力扰动的阻尼抑制方法［J］. 中国惯性技术学报， 2017， 25（2）： 141-145.

WENG Haina， LI Pengfei， GAO Feng， et al. Damping Suppression Method for Gravity Disturbance of High-Precision Inertial Navigation System ［J］. Journal of Chinese Inertial Technology， 2017， 25（2）： 141-145.

Review on the Error Suppression of Underwater SINS/DVL Integrated Navigation

ZENGGuanlin，FENGGuohu

（College of Intelligence Science and Technology， National University of Defense Technology， Changsha 410073， China）

In order to achieve the high accuracy and long endurance of underwater vehicle， it is essential to apply the technique of error suppression and correction based on strap-down inertial navigation system/ Doppler velocity log （SINS/DVL） integrated navigation. This paper introduces different alternative methods when Doppler data fails， and discusses SINS/DVL data fusion filter techniques. It illustrates the damping algorithm， terrain assisted correction， gravity matching assisted positioning， long baseline system assisted positioning and gravity disturbance compensation to further suppress or correct the navigation errors accumulated over time. This paper provides reference for underwater autonomous navigation with high accuracy and long voyage time.

strap-down inertial navigation system/Doppler velocity log（SINS/DVL） integrated navigation；DVL data failure；data fusion；long endurance；error suppression

10.3969/j.issn.1009-086x.2023.04.004

TJ630.2；U666

A

1009-086X（2023）-04-0025-11

曾观林, 冯国虎.水下SINS/DVL组合导航误差抑制综述[J].现代防御技术,2023,51(4):25-35.

ZENG Guanlin,FENG Guohu.Review on the Error Suppression of Underwater SINS/DVL Integrated Navigation[J].Modern Defence Technology,2023,51(4):25-35.

2022 -06 -21 ;

2023 -03 -03

曾观林(1995-)，男，广西容县人。硕士生，研究方向为水下组合导航。

410073 湖南省长沙市开福区东风路街道德雅路109号 E-mail：1210850144@qq.com