Морские информационно-управляющие системы Октябрь 2013, № 3 | Page 68

ческого анализа. Однако этот метод не является рекуррентным, что приводит к усложнению процедуры селекции.
Предлагается другой подход для решения этой задачи. Как
известно [2], в процессе работы алгоритма Калмана вычисляются экстраполированные значения положения ориентира
и его оценка, полученная в результате очередного наблюдения. Кроме того, в этом алгоритме определяется и дисперсия ошибки фильтрации положения ориентира. Если
разность между экстраполированным значением положения ориентира и его оценкой на нескольких шагах фильтрации по модулю становится больше некоторого порогового
значения, то этот ориентир заменяется на другой.
Таким образом, применение алгоритма SLAM позволяет снизить ошибку позиционирования за счет уточнения координат положения автономного подводного

аппарата на основе текущих оценок собственных координат и координат характерных точек, наблюдаемых на
рельефе местности. Описанный алгоритм автономной
навигации подводного объекта, основанный на известных
методах рекуррентного оценивания случайных процессов, позволяет в ряде случаев существенно снизить вычислительные затраты при определении координат АНПА.
Полученные результаты могут быть применены при проектировании перспективных систем навигации подводных
аппаратов. Результаты исследования могут использоваться при батиметрической съемке и механическом измерении координат в прибрежных водах, например, при
выполнении задач защиты портов; при длительных глубоководных обследованиях; во время ремонтных миссий,
таких как съемка трубопроводов или кабелей.

литература
1. Васильев К.К. Методы обработки сигналов. – Ульяновск: УлПИ, 1990. – 96 с.
2. Васильев К.К., Гурман Д.А. Разработка и моделирование алгоритмов навигации АНПА. // сб. докладов НТК «Интегрированные
системы управления». – Ульяновск: ФНПЦ ОАО «НПО «Марс», 2011. – С. 93-96.
3. Васильев К.К, Пунцев А.Ю. Использование алгоритмов SLAM при позиционировании подводных автономных аппаратов // Молодежный инновационный форум Приволжского федерального округа – Ульяновск, 2011.
4. Herbert B., Ess A., Tuytelaars T. Luc Van Gool SURF: Speeded Up Robust Features // Computer Vision and Image Understan-ding (CVIU).
– No. 3. – 2008. – С. 346-359.
5. Lowe D. G. Distinctive Image Features from Scale-Invariant Keypoints // International Journal of Computer Vision. – No. 2. – 2004. – С. 91-110.

68

Морские информационно-управляющие системы, 2013/ No. 2 (3)