Позиция автономного необитаемого подводного аппарата( АНПА), определенная точно изначально, может быстро стать неопределенной из-за вариаций его движения. Это явление может быть уменьшено посредством использования датчиков ускорения, направления и скорости, однако датчики не могут быть реализованы с любой желаемой точностью. Во время длительных миссий отклонения становятся значительными. Сильные течения и другие подводные явления, которые влияют на движение аппарата, но не могут быть точно смоделированы, приводят к еще большим погрешностям. Если положение подводного аппарата не имеет внешней( координатной) привязки, то ошибки определения текущего положения будут неизбежно нарастать в процессе движения.
Методы, необходимые для надежной геофизической навигации, исследованы еще не полностью, и сложная природа подводной обстановки говорит о необходимости применения помехоустойчивых классификаторов, таких как нейронные сети, которые могут работать при неполных данных. Эти наблюдения могут быть использованы при навигации в других сложных ситуациях, где система GPS недоступна.
Использование инерциальных и акустических систем, при общем ухудшения точности навигации, ограничено их доступностью по стоимости, а также дальностью действия АНПА. Геофизические методы, основанные на выделении и оценивании координат локальных неоднородностей на подстилающей поверхности, предполагают потенциально более дешевую и точную навигацию путем использования имеющихся карт территории миссии АНПА. Однако требования наличия карт и сложности, связанные с распознаванием признаков, также ограничивают использование этих методов.
Радикальное увеличение дальности действия существующих акустических систем маяков может решить задачу, однако энергетические ограничения и точность пришедших издалека акустических сигналов делает это маловероятным. В подводной навигации на дальних расстояниях следует использовать данные локальной обстановки АНПА, в этом случае точность навигации неизбежно стабилизируется благодаря наличию особенностей( ориентиров).
Таким образом, наибольшую перспективу имеют исследования в области методов навигации с применением автоматического выделения признаков и их идентификации при помощи датчиков сонаров, что дает наивысшую точность и дальность действия в подводных условиях.
Автоматизация распознавания ориентиров является в настоящее время актуальной проблемой, в особенности при реализации всех алгоритмов SLAM, поскольку они зависят от надежной идентификации подходящих признаков( особенностей) из различных положений АНПА. Так как природа подходящих ориентиров варьируется в зависимости от датчиков и среды, окружающей АНПА, то предложенные методы зачастую подходят лишь в частных случаях. Автоматическое распознавание естественных подводных признаков является особенно трудным, потому что они не могут быть описаны посредством простых геометрических форм без задержки.
SLAM – Simultaneous Localization And Mapping – метод одновременной навигации и построения карты используемый роботами и автономными транспортными средствами для построения карты в неизвестном пространстве или для обновления карты в заранее известном пространстве с одновременным контролем текущего местоположения и пройденного пути. Метод одновременной навигации и построения карты – это концепция, которая связывает два независимых процесса в непрерывный цикл последовательных вычислений, при котором результаты одного процесса участвуют в вычислениях другого. Одной из новых идей является использование анализа последовательности изображений, получаемых с сонаров, для реализации алгоритма SLAM.
Принцип действия алгоритма SLAM [ 3,5 ] заключается в обнаружении объектов с помощью сонара, определении оценок координат этих объектов, а также уточнения оценок координат АНПА. Для исследования эффективности предложенных алгоритмов в ФНПЦ ОАО « НПО « Марс » в инициативном порядке разработан моделирующий комплекс, позволяющий проводить моделирование работы системы управления АНПА в различных условиях.
Рассмотрим прямолинейное движение аппарата с использованием для навигации доплеровского измерителя скорости. В этом случае модель движения в общем виде можно записать:.
Использование алгоритма SLAM предполагает наличие нескольких наблюдаемых ориентиров. При этом в вектор состояния системы включаются как координата и скорость объекта, так и координаты ориентиров. Точное положение ориентиров заранее неизвестно и оценивается в процессе работы алгоритма. При этом вектор состояния будет содержать следующие компоненты:
где X k, Y k – географические координаты положения АНПА, V xk, V yk – компоненты скорости АНПА, a xk, a yk – компоненты ускорения АНПА, X1 k, Y1 k – географические координаты положения неподвижного объекта.
Для оптимального оценивания состояния объекта в дискретном времени воспользуемся уравнением Калмана [ 2 ]:
Основным показателем качества оценивания здесь являются компоненты ковариационной матрицы ошибок
No. 2( 3) / 2013, Морские информационно-управляющие системы 65