船舶动力定位中的数据融合技术文献综述

伍梁凯

【摘 要】本文论述了船舶动力定位技术及其数据融合技术，介绍了多传感器数据融合的起源和发展，对数据融合技术的主要融合算法进行了归纳总结，阐述了动力定位系统中测量系统滤波和数据融合的研究现状。最后对船舶动力定位数据融合技术未来发展方向进行了展望。

【关键词】动力定位技术（DPS）；多传感器；数据融合；综述

【Abstract】This review discusses ship dynamic positioning system（DPS） and its data fusion. The origin and history of multi-sensor data fusion are firstly introduced. Then the main fusion algorithm of data fusion are summarized and analyzed. Research status filtering and data fusion in DPS are introduced. Finally the future directions of data fusion in ship DPS are pointed out.

【Key words】 Dynamic positioning； Multi-sensor； Data fusion； Summary

0 引言

随着世界经济的发展，能源和资源问题日趋尖锐。海洋环境复杂多变，先进的技术和设备是开发和利用海洋资源必备的。动力定位系统（dynamic positioning system， DPS）已经成为必不可少的支持系统。

动力定位系统采用闭环反馈控制，先测量实际的位置信号然后比较与要求值之间的差值，同时加入风前馈，再由控制器发出控制指令，然后进行各个推进器的推力分配，最后推进器产生反力和反力矩使船舶向预定的位置运动（图1）。

对于船舶动力定位船舶，其船舶位置测量系统的信息精度、可信度将对动力定位系统的控制产生很大的影响。对于从事特种作业的动力定位船舶，一旦定位出现错误将产生严重后果，因而其定位精度尤为重要。因此动力定位船舶一般配备多种位置参考系统和多个传感器，对所到的位置数据和其他测量数据进行融合以提高数据的精度和可信度。因此需要在动力定位系统中引入数据融合技术。

图1中，箭头所示的传感器系统、信号处理与船舶状态估计滤波器是船舶动力定位数据融合技术研究要点，将获得的数据要进行滤波处理去除干扰噪声与无效的信号，最后采用多传感器数据融合技术进行融合获取可靠有效的信息。

1 多传感器数据融合的起源和发展

多传感器数据融合是将多个传感器数据进行多级别、多方面、多层次的处理，从而得到一组更准确、更可靠的数据。多传感器数据融合将多个或多种传感器所提供的信息进行综合处理，获得有用的信息并进行有效的组合以得到一个新的信息。组合后的信息能够充分利用传感器之间的互补性，并且能完善地、准确地反映环境的特征，其结果优于单个传感器的信息。

信息融合这一概念是20世纪70年代由美国军方提出的。最早研究主要集中在雷达系统上，随着科学技术和高新军事技术的发展，对信息的需求量及精度也越来越大，从而使得各种类型传感器得以快速发展，多传感器数据融合技术也随之飞速发展。20世纪80年代以后，尤其近几年随着计算机技术、通信技术的发展，多传感器数据融合在世界范围内得到了快速发展。自20世纪80年代以后，美国军方对应用数据融合的战术和战略监视系统一直给予了高度的重视，相继研究开发了几十个军用信息融合系统。而在国际上数据融合的应用领域也开始从最初的军事领域扩展到各个领域，如被用于机器人、智能交通、医疗诊断等，其应用越来越广泛。

在国内信息融合起步较晚，但是发展速度较快，各项研究也取得了一定的成果，近几年的发展使得信息融合技术在各个领域的应用也逐渐广泛，如在军事方面有雷达目标跟踪、卫星导航、潜艇目标识别、导弹控制等；在民用方面有传感器故障诊断、AUV水下导航、医疗诊断等。

2 多传感器数据融合技术的分类

多传感器数据融合技术按融合方法大体可以分为估计方法、分类方法、推理方法和人工智能方法四种，其具体分类如表1所示。

其中，应用比较广泛的方法有加权平均法、贝叶斯推理、证据组合推理、卡尔曼滤波和人工神经网络等。下面分别介绍这几种方法的基本原理。

2.1 加权平均法

加权平均法是最简单的融合方法。其将各个传感器的输入数据分别分配一个权值，将各个传感器的数据乘以各个权值最后得到一个新的值，这种融合方法确实能在一定程度上提高测量的精度，但只适合简单的数据级融合，并且权值的调整要根据经验值来确定，过程比较复杂，目前多采用一些改进的权值调整方法，如一些自适应权值调整方法等。

2.2 贝叶斯估计

贝叶斯融合方法产生于数据融合技术的早期，它首先对各传感器信息进行相容性分析，删除可信度低的错误信息，在假定已知先验概率的前提下，根据贝叶斯规则获得每个输出假设的概率。对可信度低的错误信息可以采用数据探测技术中分布图法剔除。

贝叶斯融合是静态环境中多传感器低层信息一种常用方法，适用于加性高斯噪声的不确定信息。此法局限性在于先验概率的获得比较困难。

2.3 D-S证据组合推理

D-S证据理论是贝叶斯方法的扩展，它采用概率区间和不确定区间来确定多证据下假设的似然函数，首先分析每一组分析每一组数据对各种可能的决策证据的支持程度，然后经过分析各种组合找到其中最受支持的一项决策。

此方法的缺点是一般情况计算量非常大，且要求合并的证据相互独立，在实际应用中难以满足。

2.4 卡尔曼滤波

卡尔曼滤波方法是一种线性最小方差估计，这种递推算法可以利用状态空间方法构建并完成整个滤波过程。卡尔曼滤波具有很好的滤波性能，在线性高斯白噪声假设条件下，滤波过程能得到最优状态估计。在很多情况下，由于系统是非线性系统，并且线性化的实现比较复杂，因此又产生了一种比普通卡尔曼滤波更先进的方法——扩展卡尔曼滤波（EKF），它是目前最常用的融合方法之一。由于卡尔曼滤波具有模型简单、数据存储量小的特点，因此应用范围比较广泛。

2.5 人工神经网络

人工神经网络的数据融合方法是数据融合技术在智能控制学科的延伸。基于神经网络的信息融合实质上是模仿人大脑的处理机制的网络系统，有大量的人工神经元或节点组成，充分利用外部环境信息，通过自我学习和推理来调整权值，从而建立一个融合模型，该模型的功能是从给定一个输入量中可以得到期望的输出量。训练好的神经网络模型就可以实现融合，将测量数据作为输入量，神经网络根据训练好的模型得到融合值。

神经网络以其特有并行性和学习方式提供了一种不同于传统融合理论的数据融合方法，其特点是具有高度自组织性、自适应能力和灵活性。但是其网络模型、网络层次与每层的节点数的确定以及学习策略的确定比较复杂。

3 船舶动力定位测量系统滤波和数据融合技术研究现状

动力定位测量系统的信息精度和可信度至关重要。动力定位船舶均配备多种位置参考系统和多个传感器，如卫星、张紧索、水声等测量系统和风传感器、电罗经等传感器，船舶在定位过程中会受到外部干扰，传感器会被高频噪声污染，因此研究测量系统的滤波技术。姜华[1]等基于船舶数学模型，设计了Kalman滤波器，进行仿真验证了此滤波器可较好地估计船舶实际船位和方向。王宗义等[2]采用Kalman滤波器计算得到船舶三自由度低频运动，还能滤除测量中船舶综合位置信息的高频噪声。付明玉等[3]建立船舶低频和高频运动数学模型，设计了滤除偏差信号中高频分量的最优估计滤波器和有限冲击滤波器。王晓声等[4]结合最优控制和自适应Kalman滤波技术，对在复杂多变的海洋环境下工作的船舶高、低频运动实施估计，保证定位系统仅对船舶低频运动进行控制。李兰花等[5]克服卡尔曼滤波要求系统具有准确的动态模型并且要求噪声是白噪声的缺点，采用H∞滤波方法获得船舶的低频运动。信洪杰[6]则采用自适应线性神经网络滤波器有效地消除船舶的高频分量。

由于动力定位系统中的位置参考系统和传感器存在冗余，必须应用数据融合技术得到船舶的精确位置信息。现有相关的数据融合方法主要针对具体融合算法的研究，针对动力定位系统方面的较少。衣鹏飞[7]采用基于置信测度的融合方法，仿真和半实物仿真结果表明该方法可实时处理数据并融合，且能给出融合最优结果。Shi 等人[8]提出综合无迹卡尔曼滤波（ UKF） 和联邦滤波（ Federated filter）的数据融合方法，UKF 可提高算法的精度，而联邦结构则改善了多速率信息融合的滤波能力。徐树生[9]等提出了一种多传感器闭环分级融合算法，以全局融合信息的反馈作为局部估计初始值进行时间更新，自适应地调节全局融合的增益，提高融合数据的准确性，并用半实物仿真试验验证了该算法的有效性。林孝工[10]等基于模糊自适应滤波和滤波器可信度的模糊评判，建立了多传感器数据融合算法。该方法与线性或非线性系统状态估计相结合，构成模糊自适应融合算法，有效抑制滤波发散问题。在其他领域多传感器数据融合算法还有许多具体算法，如基于粒子群算法、基于小波神经网络、自适应神经网络等融合技术，这些技术可以引用到船舶动力定位中。

4 结论

本文总结了船舶动力定位系统中数据融合技术常用融合算法，及测量系统滤波和数据融合技术的研究进展，得出以下结论：

在船舶动力定位系统中，多传感器数据融合技术能有效提供可靠、精确的信息。Kalman滤波方法是测量系统滤波技术的主流方法。而动力定位中的数据融合技术在国内研究较少，但多传感器的数据融合方法研究较多，可以多加吸收借鉴应用到动力定位系统中。

【参考文献】

[1]姜华，王建平.Kalman滤波技术在船舶动力定位技术中的应用[J].大连海事大学学报，1998，24（2）：54-57.

[2]王宗义，削中，等.船舶动力定位数学模型和滤波方法[J].哈尔滨工程大学学报，2002，2（4）：24-28.

[3]付明玉，丁福光.船舶动力定位系统滤波器的设计与研究[J].船舶工程，1996（ 2）：43-46.

[4]王晓声.船舶动力定位系统设计及试验研究[J].中国造船，1991（3）：11-19.

[5]李兰花，夏国清.H∞滤波器在船舶动力定位系统中的应用[J].自动化技术与应用，2005，24（11）：35-37.

[6]信洪杰.船舶动力定位系统滤波及控位方法研究[D].哈尔滨：哈尔滨工程大学，2011.

[7]衣鹏飞.船舶动力定位位置参考系统信息融合方法研究[D].哈尔滨：哈尔滨工程大学，2010.

[8]SHI Xiao-cheng，SUN Xing-yan，FU Ming-yu，et al.Federated filter for multi-sensor data fusion of dynamic positioning ship[C]//Proceeding of the IEEE International Conference on Automation and Logistics，Zhengzhou，China，2012：13-18.

[9]徐树生，林孝工.船舶动力定位多传感器闭环分级融合算法[J].电子学报，2014，40（3）：512-516.

[10]林孝工，徐树生，赵大威.动力定位冗余测量系统的模糊自适应融合算法[J]. 传感器与微系统，2012，31（7）：130-134.

[责任编辑：王伟平]