基于加權信息增益的并行融合AUV 協同定位方法

簡杰，朱志宇

江蘇科技大學 電子信息學院，江蘇 鎮江 212100

0 引 言

自主水下航行器（AUV）是一種無纜無人水下機器人，其自主作業能力強、隱蔽性高，擁有廣泛的運用場景和極高的應用價值。隨著水下探索任務日益復雜，AUV 的任務難度相應提高，單個AUV 受自身限制無法滿足全部工作需求。近年來，集群化、自主化和結構混合化是AUV 融合先進控制方法下的主要發展方向。多AUV 之間的交互協作使其能夠超越單個AUV 的單一功能，同時多智能體結構下的AUV 系統能夠獲得更高的容錯性和魯棒性，提高AUV 的作業效率和適應復雜任務的能力，具有更加廣闊的應用前景[1]。

主流AUV 集群系統一般采用主從式結構，從AUV 無需與主AUV 裝備同級別的傳感器和處理器元件，因而可大大降低系統成本，減少在整個AUV 系統定位過程中，主AUV 上浮矯正定位衛星信號的需求，提高系統隱蔽性[2]。對于采用“n主帶m從”的主從式編隊結構的多AUV 系統[3]，其主AUV 裝備有高級別的傳感器，可自主獲取精度相對較高的自定位信息，通過主從AUV 之間的相對測量，完成對缺失自身定位功能的從AUV 全局定位信息的獲取?；趦灮碚揫4]和圖論[5]的算法對通信質量及頂層集中處理能力要求較高，難以匹配基于水聲信號系統的嚴苛條件，相較而言，基于貝葉斯濾波的協同定位算法則因其能穩定、有效地融合被測AUV 的相關定位信息[6]，而成為主流的方法。本文擬采用的消息擴散形式，只需要鄰居節點之間進行單跳通信[7-9]，因而在理論上對于依靠水聲通信的AUV 集群系統具有很強的適用性[10-11]。

作為一種重要的貝葉斯濾波器，無跡卡爾曼濾波（UKF）適用于非線性系統，適合處理復雜非線性運動下AUV 的定位問題[12-17]。本文擬將UKF 作為基礎算法并進行改造，同時將其作為仿真分析的對比方法。相比量測均值和以網絡權重為加權指標的信息融合方法，本文將從評價量測品質的角度出發，充分發揮較高準確度信號源的價值，在不失去整體可靠性的前提下提高全局定位精確度。通過采用局部濾波算法與融合算法并行運行的結構，依靠及時更新機制來保障系統的實時性。

1 系統建模

1.1 運動模型

AUV 坐標系的建模包括大地坐標系和運動坐標系。單平臺AUV 的姿態以及AUV 之間的觀測都是建立在以自身為原點的運動坐標系上的，使用運動坐標系便于研究AUV 之間的相對位置等運動信息。在研究AUV 在環境中的運動狀態時，使用大地坐標系易于直觀地表示AUV 的位置信息，故其被廣泛應用于AUV 集群場景。在對由多臺主AUV 觀測得到的同一從AUV 位置信息進行融合時，需要完成從運動坐標系到大地坐標系的轉換，以保證多個主AUV 觀測的位置信息能夠使用統一的坐標尺度。大地坐標系與運動坐標系的關系如圖1 所示[18]。

圖1 大地坐標系與運動坐標系Fig. 1 Geodetic coordinate system and motion coordinate system

如表1 所示， (x，y，z)為AUV 在運動坐標系下的位移， (u，v，w) 為 AUV 沿X，Y，Z軸方向的速度分量， (φ，θ，ψ)分別為AUV 的橫搖角、縱傾角和艏搖角， (p，q，r) 為 沿X，Y，Z軸方向的角速度分量。

表1 AUV 運動參數定義Table 1 Definition of AUV motion parameters

AUV 之間通過量測獲取相對位置，進而獲得運動坐標系下的位置坐標。為便于計算以及系統濾波的融合，需要將該位置坐標轉換到大地坐標系中。假設兩坐標系的原點位置重合，經過坐標旋轉，即可得到坐標系的轉換矩陣S。

運動坐標系可由轉換矩陣轉換為大地坐標系：

AUV 個體運動學方程如下：

式中，vx,vy,vz為個體移動速度在運動坐標下的分量。

1.2 量測模型

兩AUV 每隔時間T進行一次協同定位，k時刻下，由主AUV 坐標解算出其與從AUV 坐標的相對距離，可以表示為

1.3 狀態與觀測模型

單AUV 的平臺狀態由平臺的位置、速度、姿態等元素組成。綜合考慮平臺的動力學特性，確定輸入參變量，加入高斯噪聲后，建立運動方程。由全體平臺的狀態、輸入和噪聲可以得到整個協同定位系統的狀態方程。任意從AUV 節點i的狀態空間模型如下所示。

狀態方程：

觀測方程：

式中：Xk為被測AUV 的真實狀態變量，包含位置、速度、姿態等信息；為觀測變量，為被測AUV 的真實觀測值，考慮到相對距離量測模型的非線性，狀態方程中的f(x)和 觀測方程中的h(x)均為非線性函數；Qk-1為 預測噪聲；Rk為觀測噪聲。假設Qk-1和Rk均為高斯白噪聲，滿足正態分布。

2 算法設計

2.1 閾值加權改善粗差

圖2 閾值加權算法流程圖Fig. 2 Flow chart of threshold weighting algorithm

2.2 局部信息濾波

局部信息濾波選用UKF 為底層方法。UKF是在貝葉斯濾波和卡爾曼濾波（KF）的基礎上，利用無跡變換（UT）對函數的概率密度做近似處理，求出目標事件的期望和方差，然后將非線性問題轉變成卡爾曼濾波問題。由于無跡變換具有二階精度，所以UKF 也具有二階精度，這也符合多AUV 系統的復雜度。對于上文已經建立的系統模型（5），（6）（式（5）、式（6）），已知當前時刻被探測AUV 節點狀態Xk-1的預估期望（對于前一時刻，為后驗估計均值）和協方差，將協方差矩陣分解LLT=， 其中要求必須為正定。為了將該AUV 的狀態傳遞函數f(Xk-1)近似為正態分布，進行無跡變換，取Sigma 點，狀態變化得到被探測節點狀態先驗值的近似概率密度，該先驗值滿足正態分布N(,)，上一時刻的后驗期望為=，則有

式中，R為觀測誤差。

觀測到被測AUV 節點的觀測值Ym，完成更新步，得到k時刻被測AUV 節點的狀態后驗期望和后驗方差為：

至此，k時刻的狀態后驗估計值和協方差已獲得，可進入下一個循環，繼續遞推。

2.3 信息增益加權融合算法

在信息論與概率統計中，熵（entropy）是表示隨機變量不確定性的度量[19]，設X是一個取有限個值的離散隨機變量，其概率分布為：

則隨機變量X的熵定義為

通常，式中的對數是以2 為底或是以e（自然對數）為底，這時，熵的單位分別稱作比特或是納特。

顯然，由定義式可知，熵值越大，隨機變量的不確定性就越大。

設有隨機變量 (X,Y)，其聯合概率分布為

條件熵H(X|Y)表 示在已知隨機變量Y的條件下隨機變量X的不確定性。隨機變量Y給定條件下的隨機變量X的條件熵H(X|Y)，定義為Y給定條件下X的條件概率分布的熵對Y的數學期望：

條件熵H(X|Y)表 示在已知隨機變量Y的條件下隨機變量X的不確定性。

在UKF 的應用情境下，觀測值作為外部觀測所獲得的特征Y，其條件熵H(X|Y)表示在獲得外部觀測值Y的條件下狀態值X的不確定性。條件熵H(X|Y) 對 狀態估計值X的信息增益g(X,Y)，為先驗狀態值X的經驗熵H(X)與 觀測值Y給定條件下X的 條件熵H(X|Y)之差，即

一般地，熵H(X)與 條件熵H(X|Y)之差也稱為互信息。

在UKF 算法中，狀態信息和觀測信息之間存在因果關系，由于測量誤差的存在，觀測值不能真實地反映狀態值，該濾波方法的本質是利用觀測信息去估計狀態的真實值，以減小觀測值的不確定度。信息增益表示已得知特征Y的信息而使得X的信息不確定性減少的程度[20]。

在n主m從 AUV 的 系 統 中，設 定 共 有i個 主AUV，分別對編號為j的從AUV 進行位置觀測，主AUVi獲得一組被測AUV 的狀態觀測值和一組優化后的局部信息濾波值。

由式（20）可知，編號為i的AUV 執行一次完整的局部信息濾波后，觀測值Ym作為外部觀測所獲得的特征，對狀態先驗估計值的信息增益可以寫作

定理1[6]：主AUV 對被測AUV 的狀態觀測信息X1,X2, ···,Xn服 從n維 高斯分布N(μ,Σ),其 中 期 望為 μ，協方差矩陣為 Σ，則被測AUV 的狀態值X的經驗熵可以寫為

證明如下：X1,X2, ···,Xn的分布函數為

則有

為便于表述，式(24)可寫為式(25)與式(26) 的和，其中第1 項為

第2 項為

由式(24)～式(26)可知，

所以，主AUVi預估的狀態先驗值和后驗值的條件熵可以分別寫為：

融合i組AUV 測量結果所得被測從AUV 的位置狀態信息為

權值wi由下式給出：

3 并行結構的分布式融合算法

主AUV 平臺可以通過UKF 提高定位精度，但各主AUV 與被測從AUV 的相對位置的狀態不一致，從而導致一次完整濾波迭代周期不一致，同時，主、從AUV 之間完成一次水聲通信的周期也不一致。若將濾波網絡設計成級聯結構，信息增益加權融合結果與UKF 的輸出將作為彼此的輸入在整個結構中循環。然而，受主、從AUV 相對位置的狀態不同且動態變化的影響，各主AUV 的濾波周期不一致且不斷變化，信息增益加權融合周期隨之變化甚至是拉長，在級聯結構中往復循環，整個算法的周期將被無限制拉長，從而逐漸失去定位實時性。

并行結構的分布式濾波融合算法如圖3 所示。各主AUV 濾波擁有相同的可靠性，即各主AUV 擁有同級別的坐標轉換誤差和量測誤差，然后以此為前提，在各主AUV 優質濾波效果的基礎上，以濾波信息增益為權值對多條濾波結果進行加權融合，進一步改善濾波誤差，融合結果將更加接近被測AUV 狀態的真實值。

圖3 并行融合分布式濾波算法Fig. 3 Parallel fusion distributed filtering algorithm

同時，采用UKF 的局部信息濾波將由各主AUV 獨立完成，與系統整體的信息增益加權算法并行運行，以使加權融合算法并非一定要在所有參與融合的濾波迭代周期內完成融合，即加權融合可以在任意長度的時間間隔內完成，從而使算法免遭因多個濾波器完成時間不一致而導致的困擾。

圖4 給出了一種融合信息數據包順序到達的情況。加權濾波融合和局部無跡濾波的融合周期及迭代周期分別為Tw和TL， 其中TL實質上就是被測AUV 的觀測周期，在相對位置狀態沒有較大變化的短時間內可以將其看作是固定的，而Tw則由所有參與觀測的主AUV 濾波信號到達從AUV的時間決定。顯然，Tw隨著變化的通信情況呈現略大于最長TL的情形，基于水聲通信的特點，加權融合也必定滯后于對應時刻的局部濾波。由圖可見，3 臺主AUV 的局部信息濾波的迭代周期TL1，TL2和TL3較為接近。3 臺主AUV 均可在下一觀測周期完成前接收從AUV 發送的加權融合結果，信息包順序到達，作為UKF 的狀態先驗值參與局部濾波運算。

圖4 信息順序到達Fig. 4 Information arrives in order

圖5 給出了一種融合信息數據包亂序到達的情況。主AUV3 可以在下一觀測周期完成前接收從AUV 發送的加權融合結果，信息包順序到達，參與局部濾波運算。然而，主AUV1 和主AUV2在獲取更接近于真實值的融合結果前，已經完成了下一觀測周期，融合結果無法參與該周期的濾波運算。

圖5 信息亂序到達Fig. 5 Information arrives out of order

針對上述信息增益加權融合結果亂序到達的問題，建立了并行融合的即時更新機制，以使加權融合的對象均為最新的局部后驗估計結果，如圖6 所示。

圖6 及時更新機制Fig. 6 Timely update mechanism

主AUV1 由于其自身的狀態特點，一次迭代濾波周期較短，被測從AUV 的狀態信息更新更為頻繁，相較于t2時 刻的濾波結果，AUV1 在t3時刻的濾波結果與AUV2 和AUV3 在t2時刻的測量結果在時間上更為接近，更能真實地反映當前被測從AUV 的狀態信息。這種及時更新AUV1 濾波結果的方法不僅可以保障系統整體融合目標的實時性，也充分利用了系統融合結果參與各主AUV的局部濾波。同樣，Tw由所有參與觀測的主AUV濾波信號到達從AUV 的時間決定，很顯然，及時更新機制使得融合信息為當前各主AUV 所測得的最新狀態值，從AUV 完成一次完整的信息獲取即可對結果進行融合，這樣的融合周期會隨著信息跟隨信息獲取時間呈現略微的動態變化。動態變化的加權融合周期在一定程度上對觀測周期不一的主AUV 量測系統起到了動態調節作用。至此，每一次融合都將針對最新狀態信息進行計算，而融合結果也可以被局部信息濾波充分利用。

4 仿真分析

為了直觀地驗證和分析本文所提方法，在三維坐標上進行仿真，設計2 個仿真案例，分別給出多臺分別按照不同航線運動的主AUV 和1 個按照預設路線運動的從AUV。

案例1 中，3 臺主AUV 均在同一高度平面內以1 kn 的速度勻速航行，從原點開始，方向分別為正北、正東和東北（北偏東45°）。從AUV 在x∈[0 m,100 m]，y∈[0 m,100 m]，z∈[0 m,500 m]范圍內，在x-y平面內對AUV3 保持跟隨，做下滑與爬升的變加速度運動。將從AUV 的運動軌跡設定為理論軌跡，為拋物面中的一條斜截線，其運動軌跡方程具體的表達式為

對于在Z軸方向做變加速度運動的從AUV，表示其部分狀態信息的狀態方程為

式中，a為加速度。

狀態方程整體可以簡寫為

觀測方程為

式中：Xk為被測AUV 在三維坐標下的位置狀態變量；為觀測變量，為被測AUV 的真實觀測值；運動噪聲被假定為零均值高斯白噪聲，協方差矩陣Q=5·diag([1,1,1])，測量噪聲的協方差矩陣R=2.5×107·diag([1,1,1])。

4.1 單臺主AUV 對從AUV 的濾波定位

如圖7 所示，假設從AUV 理想的運動路徑為真實值，用黑色表示；單臺主AUV 對該從AUV的觀測值以藍色的“+”表示，對應產生的局部濾波信息以紅色的“〇”表示。同時，將觀測值與濾波結果反映到二維坐標上，可見觀測值相對真實值有明顯的偏差，甚至有明顯的觀測值漂移，但濾波結果卻十分接近于真實值，基于UKF 的局部信息的濾波效果明顯。

圖7 局部信息濾波結果Fig. 7 Filtering results of partial information

4.2 多臺主AUV 對從AUV 的協同濾波定位以及加權融合

3 臺主AUV 和被定位的從AUV 都從起始點開始按照預設的方向航行，其中AUV1 朝向正東方向保持水平位置航行，同樣，AUV2 在保持同一水平面位置的情況下，向正北方向航行，AUV3 向東北（北偏東45°）方向航行。從AUV 按照式（32）所給路線對AUV3 保持跟隨。

圖8 所示為多AUV 局部濾波結果，其中紅色“+”代表AUV1 對從AUV 位置的觀測值，紅色“〇”為AUV1 對觀測值的濾波定位結果；類似地，藍色“+”和藍色“〇”分別代表AUV2 的觀測值和濾波結果；黃色“+”和黃色“〇”分別代表AUV3 的觀測值和濾波結果，品紅色“*”表示3 組濾波結果的加權融合值。

圖8 多AUV 局部濾波結果Fig. 8 Local filtering results of multiple AUVs

與單平臺主AUV 的定位相同，3 臺主AUV分別對從AUV 進行觀測，多臺主AUV 觀測均值與加權信息增益融合算法優化值的對比如圖9 所示。圖9 中的3 幅圖分別為融合結果在(x，y)，(y，z)，(z，x)平面下的描述。

可見，盡管3 臺主AUV 局部濾波結果的精確度各不相同，但基于加權信息增益的融合方法輸出的結果穩定、平滑，且對真實值的跟蹤性能有明顯提高，相比簡單的平均值處理（圖9 中綠色星號標注的觀測均值），該融合方法對濾波結果有明顯的優化作用。

圖9 加權信息增益融合算法效果對比Fig. 9 Comparison of the effect of weighted information gain fusion algorithm

以第70 次迭代時刻下的濾波結果為例，各主AUV 的濾波數據及融合權值如表2 所示。

表2 系統濾波與融合結果Table 2 Filtering and fusion results of AUV system

3 臺主AUV 量測的濾波結果精度不一，對應地，獲取的信息增益也不同。采用本文所述融合方法，以完成一次濾波迭代所獲取的信息增益為評價指標，信息增益越大，消除觀測值的不確定性程度越大，在融合加權中所占的權重也就越大，這樣可以提高精度濾波數據的可靠性，使多組濾波結果按照可靠性加權，從而提高數據整體的精度。

為展示濾波效果和信息增益加權融合的效果，本文引用累計平均誤差為狀態測量指標來作為對定位測量效果的評價。UKF 對先驗值具有依賴性，隨著迭代次數的增加，濾波結果會更加接近于真實值。如圖10 所示，AUV1，AUV2 和AUV3的局部濾波結果相比真實值的累計平均誤差，能如實地反映這一特性。受AUV3 前期誤差較大的影響，融合結果也具有較高的測量誤差，但仍優于AUV3 的濾波結果。在呈現非線性較強的運動中期時間段，由于底層的UKF 在解決非線性方面能力較強，故3 臺主AUV 的濾波結果均較穩定，各組的分布式濾波結果穩定且可靠性接近，基于信息增益的加權融合結果也呈現出低誤差的優質表現，最終融合結果的誤差遠小于局部濾波誤差。

圖10 案例1 的累計平均誤差Fig. 10 Cumulative average error in Case 1

如表3 所示，選取5 個迭代時刻下的絕對誤差作為參考，列出了3 臺主AUV 濾波量測所得結果以及系統濾波加權融合結果。為考察3 組主AUV 的濾波數據離散情況，模擬了工程實際測量環境，并將濾波均值假設為該數組的真值。

表3 案例1 的系統濾波與融合絕對誤差對比Table 3 Absolute errors comparison of system filtering and fusion results in Case 1

為了更加直觀地反映各組結果與真實值之間的擬合程度，以表3 中數據為基礎，引入均方誤差和擬合標準差作為量化指標，對各組結果進一步予以了對比，結果如表4 所示。

表4 案例1 的系統濾波與融合擬合程度對比Table 4 Fitting precision comparison of system filtering and fusion results in Case 1

由表3 和表4 可以看出，在不同時刻下，3 組主AUV 濾波結果的精度是無規律變化的，因而無法確定出一組能夠保證全過程、高質量的濾波數據。在所選取的5 個迭代時刻下，無論是實時標準誤差，還是反映擬合程度的均方誤差和擬合標準差，濾波融合結果都明顯小于3 組主AUV 的獨立濾波結果。而以信息增益加權的融合結果，則使得濾波結果得以平穩輸出，且相對于各主AUV 的濾波量測結果而言，融合濾波結果與真實值的擬合程度得到了極大提高。如圖11 所示，AUV1 對被測AUV 的濾波定位結果相較于AUV2 和AUV3，擁有更小的誤差，3 臺主AUV 擁有不同品質的測量結果。從系統3 組濾波定位值的角度考慮，相比濾波平均值，融合結果更加接近于最優結果，并且能保持平穩且精確的濾波效果，完整地傳遞系統最優性能。從性能上看，加權融合也是依據濾波效果來對系統的多組濾波結果進行優化整合，然后突出選擇其中一組精確度更高的濾波結果。

圖11 不同精確度的濾波融合效果Fig. 11 Filter fusion results with different accuracy

由式（28）～式（32）可知，AUVi的濾波狀態先驗值與后驗值的條件熵差值越大，一次濾波的信息增益就越大，其對應的在系統中的加權權重值wi也就越大。濾波信息增益反映了AUVi由于局部信息濾波使得對被測AUV 狀態信息獲取的不確定性減少的程度，這在一定程度上直接體現了濾波效果的好壞，也即狀態信息的不確定性降低得越多，濾波效果越好。以信息增益為權重指標的加權融合算法本質上是提高優質濾波結果的可靠性，從而讓優質的濾波結果得以突出。圖12所示為觀測誤差矩陣Q=7.5·diag([1,1,1])時系統濾波融合的累計平均誤差。從中可見，3 組主AUV的局部濾波累計平均誤差有顯著增加，但融合結果的累計誤差仍維持在較低水平，且融合定位結果輸出平滑、穩定。觀測誤差的提高使得3 組局部濾波結果在初始階段精確度差異較大，消除定位不確定度的程度較大，但同樣也帶來了濾波精確度高越高，信息增益越大的特點。相比觀測誤差較小的系統，在較大的觀測誤差系統中，局部濾波精確度提高的能力會在信息增益這一具體值上得到更明顯的體現，當進入整體融合加權時，精確度提高較大的那組局部濾波結果將得到凸顯。

圖12 提高觀測誤差的系統濾波效果Fig. 12 System filtering effect to improve observation error

案例2 中，參與系統測量的主AUV 數量增加，部分主AUV 做復雜運動，并且加入了4 臺主AUV 的運動噪聲。如圖13 所示，主AUV 的運動軌跡已標出，從AUV 保持著與AUV1，AUV2 和AUV3 之間的隊形，始終處于三者的中心，5 臺AUV 沿X軸方向維持隊列前進，其中3 臺主AUV 做勻速運動，主AUV1 和從AUV 做變加速運動。

圖13 多AUV 協同定位結果Fig. 13 Cooperative localization results of multiple AUVs

前文已針對主AUV 個體擁有不同精度和提高部分AUV 量測誤差的情況進行討論，為了驗證融合方法的適用性，案例2 給出了更高的定位精度，其中運動噪聲（高斯白噪聲）的協方差矩陣Q=0.5·diag([1,1,1])，測量噪聲的協方差矩陣R=1.5·107*diag([1,1,1])。4 臺主AUV 的局部濾波結果和觀測均值與加權信息增益融合算法的優化值的對比如圖14 所示。為了直觀地展示融合結果數據，在X,Y,Z坐標量測值的基礎上分別予以了作圖。

圖14 加權信息增益融合算法效果對比Fig. 14 Comparison of the effect of weighted information gain fusion algorithm

可見，在系統整體定位精度提高后，局部濾波與融合結果的精度也會隨之提高，以信息增益為權值指標的融合算法對局部濾波融合的效果依然良好，對4 組局部濾波結果也有明顯的優化作用。在增加參與融合的局部濾波個體數量后，融合結果對抗誤差較大的局部濾波值的能力更加穩定，更多局部樣本的加入使得融合結果更接近于真實值。

表5 所示為在選取的5 個迭代時刻下AUV系統的局部濾波與融合結果間的實時誤差。

表5 案例2 的系統濾波與融合絕對誤差對比Table 5 Absolute errors comparison of system filtering and fusion results in Case 2

如表5 所示，進行獨立濾波的個體越多，系統獲得的濾波結果差異性越大，呈現出定位精度不穩定的特點，而濾波融合結果則可以做到精度相對穩定的定位輸出，并且整體保持在高于各組濾波結果精度的水平。

表6 給出了4 組主AUV 局部濾波和融合結果的擬合標準差。

表6 案例2 的系統濾波與融合擬合程度對比Table 6 Fitting precision comparison of system filtering and fusion results in Case 2

如表6 所示，融合結果相比4 組獨立的濾波結果其擬合標準差維持在較低的水平，其與真實值之間擬合的程度更高。盡管在第75 次迭代時刻因受局部濾波效果的影響，系統擬合效果變差，但該融合方法依然可以明顯降低擬合誤差，提高系統定位精度的穩定性。

圖15 給出了4 組主AUV 局部濾波和融合結果的累計平均誤差。由圖可見，區別于案例1，案例2 因設定了更高的定位精度，局部濾波結果的精度隨之提升，在各組濾波結果都能夠高質量且穩定輸出的情況下，融合方法對局部濾波的提升依舊明顯。

圖15 案例2 的累計平均誤差Fig. 15 Cumulative average error in Case 2

以上列出的2 個案例從不同的編隊數量、編隊方式、行駛路徑和定位精度上驗證了以信息增益為加權指標的融合方法的有效性，該方法在融合多源濾波信息方面效果較好，能夠提高系統定位精度。融合結果充分利用了對多組濾波信息的優劣選擇能力。

5 結 語

多主多從模式在AUV 集群系統中十分常見。在本文中，主AUV 平臺通過局部信息濾波產生從AUV 的定位信息，而面對多臺主AUV 產生的定位信息，從AUV 僅需一個準確的自身定位信息即可。本文利用信息論中的信息熵概念，依據局部信息濾波的信息增益，對多臺主AUV濾波信息進行加權計算，使得被測從AUV 僅依據局部信息濾波即可得到更接近于真實值的自身定位信息。信息增益反映了局部信息濾波器對觀測數據的優化情況，其以對觀測信號的優化程度為指標，將多個主AUV 濾波信息進行加權融合計算從而產生唯一的定位信息。局部信息濾波與信息增益加權融合算法并行運行，通過利用及時更新機制提高濾波結果與融合結果的實時性和運算效率，提高了整個算法的實時性。由于局部信息濾波完全可以做到大幅度地準確優化觀測值，且濾波結果本身已經平滑可靠，所以此融合方法以信息增益為加權指標科學、合理，能起到進一步優化局部濾波結果的作用。