水下地形匹配导航现状及发展趋势

2024-01-08赵曦赵建虎

哈尔滨工程大学学报 2023年11期

赵曦, 赵建虎,2

(1.武汉大学测绘学院, 湖北武汉 430079; 2.武汉大学海洋研究院, 湖北武汉 430079)

占全球面积70.8%的海洋蕴藏着非常丰富的矿产、石油、天然气、生物等资源,对解决人类生存与发展、研究全球环境和气候变化等具有重要作用,更是当下世界大国重点关注和争夺的角力点。党的十八大报告明确提出了以提高海洋资源开发能力、发展海洋经济、保护海洋生态环境、坚决维护国家海洋权益为核心的海洋强国战略。《中国海洋发展报告(2013)》指出:“未来20年,中国大洋工作将立足资源,超越资源,以拓展国家战略发展空间,增加国家战略资源储备,推动深海科技达到世界领先水准,确立中国在大洋事务中的强国地位为战略目标”[1]。然而,支撑这一战略实施中的水下潜航器长时、高精度、可靠导航问题目前尚未得到很好解决。

相较于陆地导航,水下导航手段有限,主要有声学定位、惯性导航、匹配导航等技术。声学导航方法主要有长基线定位(long baseline,LBL)、短基线定位(short baseline,SBL)和超短基线定位(ultra-short baseline,USBL)[2]。声学导航定位技术需要阵列和系统支持,成本高,为非自主导航。惯性导航系统(inertial navigation system, INS)为无源、自主导航定位系统,短时内具有较高的导航定位精度,但受惯性传感器性能和导航定位原理影响,其位置误差会随时间积累,难以满足长时、高精度导航需要,需定期修正[3]。匹配导航通过潜航器携带的测量传感器对海洋的物理场要素(重力、磁力)、几何场要素(海底地形、海底地貌图像)测量获得在航序列,与航行水域已有的物理场、几何场(背景场)匹配,从背景场中获得当前潜航器的位置,进而实现潜航器导航定位[3-4]。水下匹配导航为一种自主导航技术,常与INS形成组合导航系统,实现对INS积累误差的修正和潜航器的长时精确导航。水下匹配导航的精度受匹配要素特征的影响显著。基于海洋物理场的匹配导航,由于重力变化缓慢,需要潜航器较长时间航行才能获取长重力时序以实现高精度匹配导航;地球磁场变化显著,利于高精度匹配导航,但观测的地磁数据受外界干扰较大,要获取用于匹配的正常磁场非常困难。采用磁力梯度仪获取磁力梯度变化可以实现精确匹配导航,但磁力梯度仪设备昂贵,且采用拖曳作业,制约了该技术的应用。海底地形地貌变化相对复杂,特征丰富,较基于物理场要素的水下匹配导航,利用海洋几何场要素实现水下匹配导航优势更为明显,因此也成为当前水下导航研究的一个热点[5]。为此,本文系统地分析了当前水下地形匹配导航的现状,并给出其发展趋势。

1 水下地形匹配导航的现状

1.1 水下地形测量及地形背景场构建

在航实测地形序列和地形背景场是水下地形匹配导航的2个重要组成部分[4]。前者借助潜航器携带的声呐设备在航测量获得,后者通过声呐测深、地形反演等途径获得。海底地形背景场是水下地形匹配导航的参考场。为方便存储和呈现,常借助数字水深模型(digital depth model, DDM)来描述[3]:

D=f(x,y)

(1)

式中深度D是关于格网位置(x,y)的函数。

声呐测深系统目前主要有单波束测深系统和多波束测深系统[2]。与单波束测深相比,多波束测深具有全覆盖、宽扫幅、高分辨率和高精度等测量特点,已成为当前水下地形测量的经典设备[4]。声呐测深获得的是波束的往返程传播时间,需要结合测量时刻的声速,通过声线跟踪获得换能器到海底的垂直距离,再结合换能器的瞬时吃水、涌浪和当地潮位等,计算得到海底的高度值,最终形成测深点云用于DDM构建。声呐测深的精度一般可以达到1‰ 水深[6]。

海底地形测量精度较高,但全球海底地形实测范围较小,且成本高昂,难以满足全球水下匹配导航需求,大面积海底地形主要借助卫星影像、卫星重力和声呐图像通过反演获得[7]。

卫星遥感反演水深利用可见光在水中传播和反射后的光谱变化,结合实测水深构建反演模型,实现大面积水深反演[7]。目前可用的影像源自IRS、QuickBird、AVIRIS、Sentinel-2,Landsat、TM、SPOT等卫星。水深反演的关键是构建不同波段或组合波段与水深的反演模型,包括波段优选、波段组合及反演模型构建3个部分[8]。波段优选借助主成分分析法或相关法分析法分析各波段反演水深的显著性或相关性来实现;波段组合通过分析不同显著波段组合对反演水深精度的改善程度进行最优波段组合;水深反演模型目前主要有线性模型、附加幂函数非线性修正的线性模型、基于底部反射模型建立的单/双/三波段反演模型等。卫星遥感反演水深技术适用于浅水大范围海底地形获取,地形反演精度与实测水深精度接近[4]。

侧扫声呐通过深拖可获得20～100倍于测深分辨率的海底声呐图像,借助光照理论和从阴影恢复形状算法(shape from shading,SFS)可实现高分辨率海底地形反演[9]。SFS基于海底声波反射理论,通过构建回波强度与入射方向、地形梯度之间的关系模型并求解模型,得到海床地形。同底质下收到的海底回波多为粗糙表面的散射波,理想散射体的散射强度满足朗伯体法则,即当入射强度I0和入射方向ns一定时,能量经朗伯体表面反射,反射强度仅与入射方向和物体表面法线夹角的余弦有关,(x,y)处的反射强度I(x,y)满足:

I(x,y)=I0cosθ=I0cos(∠(n,ns))

(2)

根据海床表面法向量的不同形式,式(2)可以表示为:

根据情况添加强度、光滑性、可积性、二阶导连续性、单位法向矢量等约束条件,联立并转化为泛函极值问题可实现上述模型的求解。SFS反演原理决定了图像强度与地形梯度相关,据此反演仅能得到相对地形,需借助外部水深建立约束模型才能得到海底绝对地形。该方法极大提高了海底地形获取的分辨率,其精度与实测水深精度一致,但要获取较大范围的海底地形则存在一定难度[10]。

重力异常和海底地形在一定波段内存在高度相关,据此可借助卫星重力开展大范围海底地形反演[11]。由于海底地形的复杂性导致水深和重力异常之间的线性关系并不严密,目前主要采用抗差线性回归方法建立二者间的关系模型[12]。

根据Parker公式,两者之间的关系表示为:

式中:G为地球引力常数;Δρ为岩石圈与海水的密度差;d为平均深度;k为径向频率。G(k)和H(k)分别为重力异常Δg和海底地形H的傅里叶变换;Z(k)为响应函数。

目前重力反演海底地形多采用修正建模法[13],如利用ETOPO5模型、GMT岸线数据、卫星测高重力异常和船测水深建立海底地形模型。在不同海底模型假设基础上,许多学者开展了水深反演研究[11],如基于高斯海山模型,通过分析地壳密度、岩石圈有效弹性厚度及截断波长对反演的影响,采用重力异常反演得到全球海底地形(图1)。

图1 ETOPO1全球海底地形模型[14]Fig.1 ETOPO1 global seabed topography model[14]

当前国内外相关组织已发布了一系列全球海底地形模型[13],如美国地球物理中心同美国国家海洋和大气管理局联合发布的ETOPO系列模型、斯克利普斯海洋研究所发布的Sandwell系列模型、政府间海洋学委员会及国际海道测量组织联合发布的GEBCO系列模型等和国内中国人民解放军战略支援部队信息工程大学发布的STO_IEU2020、武汉大学发布的BAT_VGG、BAT_WHU2020等模型。这些模型为海底地形匹配导航提供了全球背景场,极大地扩展了匹配导航的应用范围,但模型的分辨率为15″、平均精度为4.1%水深,较声呐测深精度偏低[11],影响了水下地形匹配导航精度。

1.2 地形匹配算法

匹配算法是水下地形匹配导航的核心[4]。按照匹配导航算法实现的连续性,匹配导航算法可分为间歇性匹配算法和连续性匹配算法[3];按照是否需要地形背景场,匹配算法则可分为有背景场的地形匹配和无背景场的地形匹配(如同步定位与地图构建技术)[14]。

1.2.1 间歇性地形匹配算法

将一段时间测量的地形数据与地形背景场匹配,确定当前位置,即完成了一个单次地形匹配。隔一段时间再开展单次匹配,即间歇性地形匹配[3]。

地形轮廓匹配(terrain contour matching,TERCOM)算法和基于等值线的最近迭代点(iterative closest contour point,ICCP)算法均为经典的间歇性匹配算法[15]。TERCOM是一种基于相关分析的地形轮廓匹配算法。首先根据INS提供的概略位置框定匹配搜索范围;遍历搜索范围内的每个格网,得到多组与INS推算航迹平行的序列;将每一组序列中各格网点对应的水深与实测水深进行匹配,寻找匹配结果最优的一组数据所对应的格网中心位置作为最终匹配结果。ICCP是一种沿着等深线最近点的迭代匹配算法。ICCP通过反复的刚性变换(旋转和平移)减小匹配对象和目标对象之间的距离,使得匹配对象尽可能接近目标对象,从而达到最佳匹配目的。最佳匹配判断采用相关分析法,如COR(cross correlation)、MAD(mean absolute difference)和MSD(mean square difference):

式中:τx和τy分别代表2个坐标轴方向的偏移量;Dm代表实测水深;DB为背景场对应位置的水深;L为匹配序列的长度,即积累长度。

TERCOM通过对实测序列平移来实现与背景场地形匹配,未考虑序列旋转问题,匹配精度较低。为此,王胜平等[15]提出了一种旋转角自动探测机制,将传统TERCOM匹配精度提高了3.5倍。魏二虎等[16]提出了带有旋转和尺度变换功能的改进TERCOM算法,将匹配精度提高了3～5倍。这2种改进算法的基本思想近似,均克服了TERCOM缺少序列旋转的不足,提高了匹配精度。

ICCP同时顾及了地形序列的平移和旋转,较TERCOM具有较高的匹配精度,但受到初始位置误差影响,易出现发散问题和收敛速度慢问题[17]。赵建虎等[3]、程建华等[18]利用TERCOM匹配速度快特点,将其获得的地形序列的初始位置用于ICCP匹配,较好地解决了初始位置不准带来的影响,将匹配效率提高了2～3倍;张涛等[19]将改进的遗传算法用于ICCP地形匹配,解决了局部收敛问题,实验中将ICCP地形匹配精度提高了53%以上。这2种改进算法均从快速获取初始位置,加速收敛速度2个方面提高了ICCP匹配精度和效率。相对而言,联合TERCOM和ICCP的匹配算法,同时兼顾了TERCOM匹配速度快和ICCP匹配精度高的特点,水下地形匹配的精度和效率更高,更具优势。

间歇性匹配算法均基于地形格网和最大相关实现匹配[16],因此其匹配精度和效率受地形格网大小、地形相似度等因素影响,比较适合在地形变化相对复杂的水域实施匹配导航。

为了评估间歇性地形匹配结果的可靠性,目前常采用比较法[15]和三点法[3]。前者通过分析不同算法匹配结果的一致性来发现误匹配;后者利用在3个相邻位置匹配结果计算得到的两点间距离、坐标差和方位与INS提供的对应信息比较,判别这3个点中是否存在误匹配。由于间歇性匹配算法基于极大相关实现匹配,因此在地形平坦或相似情况下,不同方法匹配结果可能相同,比较法无法识别误匹配。三点法考虑了INS在短时可提供高精度速度、距离和方位信息的特点,以此为参考评判匹配结果,因此相对比较法其识别误匹配的可靠性更高。

1.2.2 连续地形匹配算法

水下连续地形匹配利用在航实时测量的水下地形断面序列或在航条带地形序列,不断与海底地形背景场进行匹配,实现水下连续匹配导航[3]。

SITAN算法(sandia inertial terrain aided navigation)是一种经典的连续地形匹配导航算法或递推估计导航算法[3]。SITAN以扩展卡尔曼滤波(extended Kalman filter, EKF)为理论基础,利用INS提供的位置,由背景场地图计算该位置附近的地形斜率,将这些信息与测量水深输入到Kalman滤波器处理,最终得到位置估计值及其误差[20]。SITAN的状态估计采用EKF,水下地形轮廓的非线性特征明显,初始位置误差和剧烈的地形变化将会对滤波模型的收敛性和精度产生影响[21]。为此,国内外学者开展了联合多特征互相关的匹配方法[22]和基于概率准则的非线性滤波匹配方法研究[23]。

联合多特征互相关的匹配方法[21],利用相邻历元地形观测数据的粗糙度、标准差、熵、相关系数等实施匹配,一定程度上解决了初始位置不准和复杂地形产生的EKF发散问题,提高了连续地形匹配的精度。该方法增加了匹配对象,较利用单一水深或地形斜率构建EKF模型实施匹配导航具有先进性。该方法在仿真实验中取得了较好的效果[22],但需要注意的是,在地形变化较复杂时,这些特征虽然变化显著,但因为复杂的海底混响常导致测深精度不高[7],据此得到的这些地形特征的精度也偏低,难以保证最终地形匹配导航结果的精度,因此该方法的抗差性能仍有待提升。

基于概率准则的非线性滤波匹配方法,以非线性贝叶斯滤波理论为基础开展地形匹配[23],目前主要有无迹卡尔曼滤波(unscented Kalman filter,UKF)[23]、粒子滤波(particle filter, PF)[25]、点群滤波(point-mass filter,PMF)[28]等地形匹配方法。

UKF用状态变量的近似概率分布替代 SITAN算法中EKF地形的线性化过程[23],避免了地形线性化近似问题,因此优于EKF匹配算法。UKF需要状态变量服从高斯分布,而实际系统噪声、测深误差等变量的概率分布不全满足该分布,因此会造成匹配精度下降甚至滤波发散问题。王平波等[24]提出了一种改进的AIMM-UKF算法,削弱了对概率分布的要求,仿真实验中将匹配精度提升约24%,但仍未彻底消除高斯分布因素的影响。

PF地形匹配算法利用一组权值粒子群来近似状态变量的概率分布,对系统模型中各状态变量的概率分布没有限制[25]。因此,PF地形匹配算法很好地解决了EKF对初始位置的要求以及UKF对状态变量的概率分布要求,从机理上克服了EKF和UKF的不足。为了解决PF中粒子退化和重采样产生的粒子匮乏问题及由此带来的匹配导航精度降低问题,陈睿玮等[26]提出了一种带有自抖动及修正的粒子滤波方法,将匹配精度改善了27.7%。

PMF地形匹配算法也是一种基于递推计算的贝叶斯滤波算法,用状态变量在每个网格的概率作为网格点的权值通过逼近获得后验概率密度进而实现地形匹配的方法[28]。因此,就匹配机理而言,PMF解决了EKF要求线性化、UKF要求高斯分布所带来的各种问题;同时,相较PF,PMF需要寻找空间分布不规则的实测地形数据点与网格化先验地形图数据点间空间对应关系[29],通过大量运算提升匹配导航结果的鲁棒性,但也同时造成大量计算消耗,严重影响了地形匹配导航算法实时性能。

1.2.3 水下同步定位与建图技术

同步定位与地图构建(simultaneous localization and mapping, SLAM)技术通过实时测量周围地形特征,匹配定位自身位置,再根据自身位置构建地形图[30]。SLAM可在无背景场地图时作为辅助导航手段来校正INS。根据算法不同,可分为基于贝叶斯滤波的SLAM[31]和图优化SLAM[32]。

基于贝叶斯滤波的SLAM根据潜航器运动模型和传感器量测模型对问题进行建模,在隐形马尔可夫假设下实现系统的状态更新和观测更新[33]。该领域目前主要聚焦于基于EKF的EKF-SLAM算法和基于粒子滤波器的RBPF-SLAM算法研究。EKF-SLAM适用于弱非线性系统,在运行中需要不断添加新路标,不适合大区域使用;RBPF-SLAM算法适用于强非线性及非高斯系统,但计算量很大。此外,基于贝叶斯滤波的SLAM假定下一时刻的状态只与前一时刻有关,不考虑之前的历史记录,长时航行会因为传感器噪声不确定性引起的误差不断累积,导致前后海底地形图的不一致[34]。

图优化SLAM采用全局优化方式来解决SLAM问题[35]。该法将所有状态看成变量,将运动方程和观测方程看成变量间的约束,并在此基础上构造误差函数并最小化该误差函数的二次型[14]。相较基于贝叶斯滤波SLAM,图优化SLAM采用全局优化方案,因此具有较好的优越性,该技术被越来越多地应用于大规模、非结构化环境中。

1.2.4 间歇性匹配和连续性匹配方式的选择

间歇性地形匹配因具有匹配次数少、计算量和存储量少、节约电能等优点被广泛应用[4]。根据对前述的匹配算法分析,为确保匹配精度和可靠性,间歇性匹配尽量在地形特征丰富的区域实施,并间歇性的修正INS积累误差,比较适合小潜器、短航程的水下辅助导航定位。SLAM定位技术需要在特征地形上匹配以获取自身位置,间歇性地形匹配可以确保这一匹配的精度和可靠性。

连续匹配需要连续存储在航地形观测信息,并计算格网地形特征信息(深度、粗糙度、标准差、熵、相关系数等),进而计算权值和逼近计算近似概率分布,因此对载体的存储、计算和电力供给能力要求较高[5]。相对于间歇性地形匹配算法,连续性地形匹配算法因采用连续匹配和具有一定的预测能力,在水下地形匹配中对地形变化的要求略低,比较适合大潜器、长航程、高精度水下辅助导航。

1.3 适配性分析及航路设计

海底地形特征的显著性直接影响着水下地形匹配导航的精度和可靠性。地形特征越丰富,匹配导航精度越高[4]。为此,学者们研究了海底地形特征对水下地形匹配导航精度的影响,主要包括地形特征影响分析和航路规划2个方面[3]。

地形特征影响分析主要是寻找与地形匹配相关的显著特征,进而实现对背景场的适配或非适配评估和划分[36]。显著性特征提取主要采用显著性分析方法[37],提取出的特征主要有地形粗糙度、标准差、相关系数、熵、坡度等。这些特征的显著性分析目前主要借助模糊决策理论来评估[37,39]。利用这些显著性地形特征,结合地形匹配结果,可以建立地形特征与地形匹配精度之间的关系模型,进而实现对整个地形背景场的适配性划分[38]。关系模型建立的方法目前主要有支持向量机法[10]、共生矩阵法[15]、BP神经网络法[15]和深度学习法[4]等。模型的精度与提供的地形特征类型、代表性和用于构建模型的样本量等紧相关。根据这些算法的特点,当样本量有限时,支持向量机法和共生矩阵法有较好的建模精度,而BP神经网络和深度学习法则可能在建模中存在过拟合问题;但当样本量较丰富时,BP神经网络法和深度学习法建立的关系模型精度高于支持向量机法和共生矩阵法。

为了确保潜航器在特征变化明显的富特征水域航行,需要根据建立地形特征—匹配精度关系模型对背景场的适配性进行划分,并进行航路规划[39]。

根据适配性关系模型建模算法的特点,支持向量机法和共生矩阵法建立的关系模型适合对线分布的地形断面特征的适配性进行划分,而BP神经网络法和深度学习法建立的模型则适合对地形块的适配性进行判读。因此,对利用多波束测量开展条带地形匹配的情况,根据BP神经网络法或深度学习法建立模型划分得到的适配区,结合适配区的连续性和最短路径原则,最终实现潜航器在背景场中航路的规划。对于采用单波束测量获得在航深度序列开展地形匹配的情况,除采用BP神经网络法或深度学习法建立模型划分得到的适配区外,还需要考虑线-面匹配时的适配方向选择问题[40],需要在建立的适配区内,再借助支持向量机法或共生矩阵法建立的模型确定更佳的适配方向,并结合最短路径原则,最终在地形背景场中实现潜航器最优航路的规划。

以上2个方面的研究为潜航器在特征较丰富的背景场中以较短的路径实施地形匹配提供了技术支撑,提高了水下地形匹配导航的精度和效率。

1.4 水下地形匹配导航系统

水下地形匹配导航系统是实施地形匹配导航的主体,集成了单(多)波束测深系统、INS、DVL、压力传感器等设备,存储了海底地形背景场图或数字水深模型,装备有在航测深数据处理软件和地形匹配软件,具备通过地形匹配获取当前载体位置以及修正INS的能力。

国外在水下地形匹配导航系统的研发方面开展了长期而卓有成就的研究。挪威国防研究部与 Kongsberg公司进行了长达30余年的合作,设计和研发了TERCOM+PF松组合水下地形辅助导航系统TerrP[40],通过了4次海试,取得了平均5 m的地形匹配精度。瑞典皇家理工大学的Nygren等[41]为瑞典国防装备管理局研发了基于相关匹配算法的AUV62F和Sapphires水下地形匹配导航系统,在试验场取得了1 m的匹配精度。斯坦福大学 Stephen[42]针对装配低性能导航传感器的AUV设计了PF紧耦合地形辅助导航系统,取得了5～10 m的水下匹配导航精度。美国海军作战中心设计了三维PF地形辅助导航系统,并应用于中型AUV导航[40,43]。Salavasidis等[44]研发了PF地形匹配导航系统,在南大洋奥尼克航道开展了远程航行,取得了约2个地图分辨率导航精度。东京大学Nakatani等[41]研发了基于PF的实时水下地形匹配导航系统,并安装在AUV上,以实测海底地形为背景场,取得了优于5 m的水下地形匹配导航精度。

我国的一些科研院所,如中国科学院沈阳自动化研究所、哈尔滨工程大学等先后开展了一些水下地形匹配导航系统的研究工作[4],这些研究主要聚焦于匹配导航仿真系统的搭建、匹配导航系统与INS的组合及在AUV平台上的集成和实验等方面。

2 现状分析及存在问题

2.1 海底地形获取

海底地形获取研究目前主要聚焦于声呐测深和反演地形2个方面,主要存在如下问题:

1)实测海底地形具有较高的精度,但测量范围较小,基本围绕大陆架以内的浅水水域和主要航道开展测量,大陆架以外的大面积海底地形测量数据仍为空白。此外,多波束测深数据实时处理还不完善,与水下地形匹配对测深数据处理效率和精度等方面的要求有较大的差距。

2)反演海底地形解决了大面积海底地形无数据问题,但整体精度较差,目前还难以满足地形匹配导航需求。基于实测地形对反演地形修正的方法研究需深入。

2.2 地形匹配算法

在间歇性匹配导航算法研究方面,联合TRECOM和ICCP的组合匹配算法相较其他算法优势明显;三点法相较比较法更能有效的识别误匹配;主要聚焦于复杂特征地形下的间歇性匹配研究,对贫特征或近似特征下的匹配研究较少。

连续海底地形匹配算法中的PF和PMF匹配算法较EKF、UKF地形匹配算法具有较大的优势。相对而言,PMF较PF算法在地形匹配中鲁棒性更好,但存在计算量较大的问题,对实时地形匹配导航带来了影响。

SLAM水下定位技术无需参考背景场地形图,同步开展定位和地形图绘制,较有背景场的地形匹配方法有一定的优势,非常适合未知或陌生水域的水下导航定位。在该研究中,全局图优化SLAM技术较基于贝叶斯滤波的SLAM技术在精度、适用范围等方面优势明显,但同时也面临着计算量、存储量大以及随着时间增加而定位精度越来越低等问题。

2.3 适配性分析及航路设计

借助显著性分析法获得的与地形匹配强相关的地形特征,基本表征了地形变化的复杂性。借助支持向量机法、共生矩阵法、BP神经网络法、深度学习法等建立起了地形特征与地形匹配精度间的关系模型,比较准确地描述出了地形特征对匹配精度的影响,也较好地实现了对地形背景场中适配格网的划分以及路径的规划,确保了沿设计路径上航行时地形匹配导航的精度和可靠性。

值得注意的是,水下地形匹配的精度除与地形变化的显著性相关外,还与用于水下地形匹配的算法密切相关。如TERCOM算法和ICCP算法,在地形变化复杂但相似情况下,依然会存在误匹配问题,而目前针对匹配算法的背景场地形适配性划分和路径规划研究还比较少。

2.4 水下地形匹配导航系统

国外研究机构对水下地形匹配导航系统开展了长期研发,初步形成了实用系统并投入应用。国内研究目前处于系统的仿真平台搭建、系统的集成及测试验证阶段,在如下几个方面还需要进一步加强研究:1)执行水下地形匹配导航定位任务的潜航器性能;2)大范围、高精度、高分辨率全球海底地形背景场的建立;3)单波束、多波束测深数据在航、实时处理的精度和效率;4)稳健的水下地形匹配导航算法。

3 发展趋势

3.1 全球海底地形数字模型

海底地形背景场的精度、分辨率和覆盖范围直接影响着匹配导航的精度和应用。借助水色遥感反演水深、卫星测高反演水深可以获得大范围的海底地形,但反演地形相对实测地形精度要低很多[3]。反演地形与实测地形存在较大的相关性[11],因此有必要以实测地形为约束,开展更深入的修正方法研究,以提高反演地形的精度。

“海底2030”工程是一项国际倡议工程,是联合国海洋十年计划的一部分,主要依靠各国政府、公司和研究机构自愿开展全球海洋水下地形测量和提供测深数据[45]。到2022年7月,“海底2030”工程增加了约1×107km2的海底地形测量数据,基于实测水深的全球海底地形图绘制工作已完成了23.4%,占到整个海底面积的近1/4。随着实测海底地形面积、数量和分布范围的增大、可用的测高卫星数量及观测时序的增加,对卫星测高反演得到的全球海底地形模型进行更为精确的修正,进而开展高分辨率、高精度全球海底地形模型构建,必将成为未来需要开展的重要工作,也将显著地提高水下地形匹配导航的精度并将应用范围从局域扩展到全球[11]。

3.2 测深数据实时处理及在航条带地形获取

多波束测深系统的在航数据实时处理精度和实时性直接影响着水下地形匹配的精度和效率[3]。

严密的多波束测深数据处理需要联合了潮位、声速、导航、姿态等信息才能最终实现测深数据的计算及海底地形的获取,而在实际测量中部分信息,如潮位和声速等信息常无法实时获取。潮位为测深提供起算基准,而声速直接影响着测深精度。地形匹配是利用实测地形序列与具有绝对平面和垂直起算基准的背景场地形匹配来获取当前载体位置,因此联合全球或局域潮汐模型、潜航器压力计等信息的潜航器瞬时垂直基准确定,联合全球温度场模型、盐度场模型、ARGO数据以及潜航器携带的声速计数据的在航声速获取成为高精度多波束测深数据处理需要研究的重要内容。

目前,高精度的多波束测深数据主要通过事后处理获得,测深数据中的异常回波消除、声速误差削弱、条纹地形消除等主要采用人工方法实现。现有的多波束测深数据处理软件尽管提供了数据自动处理模块,但这种处理是将测量数据片段存储,采用类似后处理中的批处理方法实现数据的快速处理,是一种准实时处理方法,因此会对地形匹配的实时性产生影响。开展多波束测深数据在航实时处理需要解决的核心问题是如何将传统测深数据后处理中的人工处理用自动处理方法替换,因此需要研发自主可控的多波束实时数据处理软件,需根据实测Ping内、Ping间地形的相关性以及海底地形变化的渐变性等,寻求科学的数据处理方法和策略,在航消除粗差等异常干扰的影响;此外,还应考虑因为设备的安装偏差、传感器的震动、声速场的不准确等给测深计算带来的系统性偏差的消除问题,提高测深数据的实时处理精度。

3.3 匹配要素及匹配导航算法

地形的复杂程度决定着海底地形特征的显著性,进而影响水下地形匹配导航的精度。目前的地形匹配主要根据地形高程数据进行匹配,受平坦或变化缓慢地形、背景场与实测地形在精度和分辨率上的差异、潜航器在航测量过程中潮位或传感器提供的起算基准差异等因素影响,误匹配甚至无法匹配问题常常出现。因此,在后续研究中,除利用地形高程信息外,还需要提取局部地形变化参数,如海底地形在格网间变化的梯度、粗糙度、地形变化的相关性等,凸显地形变化,解决贫特征地形和相似地形下的高精度、可靠匹配难题。

间歇性海底地形匹配算法均基于相似性原则开展地形匹配,对匹配定位的精度和效率提升有限,尤其在地形变化平缓水域。因此,有必要开展新的匹配原则、匹配算法、地形复杂度与匹配序列长度及匹配精度的关系等研究,以改善间歇性匹配导航的精度和效率。连续海底地形匹配算法中的PF和PMF较EKF和UKF方法具有较大的优势,但均存在计算量较大的问题,尤其对于未来潜航器广泛采用多波束测深系统的情况,因此未来在如何提高PF和PMF计算方面需要开展深入研究,以确保连续海底地形匹配的精度和效率。间歇性匹配算法对初始误差不敏感。连续性匹配算法采取递推方式处理测量值,可以实现实时状态更新。因此,可将间歇性匹配算法用于地形匹配的初始阶段,而连续性匹配算法用于长时地形跟踪和匹配导航,两类算法联合使用。

SLAM技术是解决陌生水域水下导航定位问题和获取海底地形地貌的一种有效途径。围绕全局图优化SLAM技术,未来有必要开展高效计算、匹配算法优化、特征优选、路径规划等方面的研究,以提高SLAM的定位精度和效率。