首页 >> 新闻中心 >>公司新闻 >> 超短基线定位系统:海上实施与试验
详细内容

超短基线定位系统:海上实施与试验

摘要

       这项工作介绍了USBL声学定位系统在海上的设计、实现和验证。从移动平台发出的精心选择的声信号被水听器阵列接收,并基于匹配的滤波器进行检测。这样就有可能确定到达时间(TOA)和估计发射极的位置。系统的性能依赖于对可能被加性噪声和多径现象破坏的期望信号的准确检测和准确的TOA估计。将经典声学纯音脉冲与宽带编码扩频信号(SS)进行了比较,提高了TOA分辨率,增强了多径和噪声抑制能力。

       使用USBL近距离水听器阵列接收SS信号需要先进的信号处理技术,只能使用数字信号处理器。因此,系统实现必须依靠实时数字信号处理技术,以提高性能和通用性。基于离散傅里叶变换(DFT)及其特性,研究了数字匹配滤波器的实现。该系统的总体性能是基于一系列海上测试的结果进行验证的。

1.简介

       声学定位系统的设计目的是跟踪水下航行器或平台的演变。这些系统依赖于测量运动目标发出的声信号到达一组位置已知的接收器的时间。从TOA测量可以得到方位和/或距离,从而得到目标的位置。水声定位系统通常用于各种水下应用,包括石油和天然气勘探、海洋科学、打捞作业、海洋考古、执法和军事活动。声波定位系统可以达到几厘米到几十米的精度,可以在几十米到几十公里的操作距离内使用。性能在很大程度上取决于定位系统的类型和型号、针对特定应用的配置以及工作现场水声环境的特征

1.1定位系统体系结构

      水声定位系统的经典方法将在本节中介绍,如[17]所示。声学基线之间的距离(即有源传感元件之间的距离)通常用来定义声学定位系统。因此有三种主要类型:短基线(SBL)、超短基线(USBL)和长基线(LBL)。

1.1.1短基线

      在一种SBL系统中,至少三个接收器,大约相隔20至50米,安装在一艘水面舰艇的船体上。从声信号的检测和不同接收器的相对TOA测量,计算出一个方位。如果使用了飞行时间询问技术(换能器应答器),则还可以从SBL系统获得到发射极的距离,从而可以得出位置。SBL系统提供的任何距离和方位都与安装在船上的接收器有关,因此,SBL系统需要额外的工具,如垂直参考单元(VRU)、陀螺仪和水面导航系统(GPS),以便在地球参考系统上提供位置。

1.1.2超短基线

       类似于SBL,但这里的接收器间距很近(间隔小于50cm)。USBL接收器的近间距要求TOA估计的精度更高。通过这种方式,USBL系统依赖于接收器之间声信号的相位差或相位比较,而不是相对到达时间的测量。

像在SBL系统中一样,飞行时间询问技术可以用来实现到发射器的距离。此外,USBL系统导出的位置是相对于安装在船上的接收器而言的,因此需要VRU、陀螺仪和GPS提供地球参考位置。

短基线(SBL)和超排序基线(USBL)定位系统的主要优点是:

  • 基于船舶的系统(不需要在海底部署应答器)。

  • 较低的系统复杂度使得SBL和USBL相对容易使用。

  • 良好的射程精度与飞行时间系统。这些系统的主要缺点是:

  • 需要对系统进行详细校准。

  • 绝对定位精度取决于附加的传感器(VRU和陀螺仪)。

  • 在SBL系统的情况下,大基线(>40m)需要在深水精度。

1.1.3Long基线

      部署了一个海底应答器网络,其基线长达十公里。然后必须精确测量基线应答器的相对位置或全局坐标位置。至少需要三个应答器,但为了引入冗余可能会使用更多。通过测量应答器和被跟踪车辆之间的移动时间,使用三角测量技术计算位置。每个应答器以不同的频率应答,从而使它们的信号彼此区分开来。从LBL系统得到的位置是相对或绝对海底坐标,不像SBL和USBL,不需要额外的组件。

长基线系统的主要优点是:

  • 非常好的位置精度独立于水深。

  • 大面积相对精度高。而这种系统的主要缺点是:

  • 系统复杂度高

  • 需要在每次部署时进行全面校准。

  • 部署/恢复所消耗的操作时间。

2、信号处理与定位

      在本节中,对水下定位系统可能使用的两种声音信号进行了比较:传统的正弦声脉冲信号;和扩频信号。研究了信号检测和到达时间估计问题,提出了一种基于匹配滤波器的解决方案。给出了一种在参考坐标系中估计应答器位置的封闭方法。利用声波的平面近似求出应答器的距离和方向。

2.1信号检测与TOA估计

      定位系统接收器有两个主要功能。首先,它必须检测水中是否存在预期的信号;如果是这样,它必须估计信号的TOA。发射器的方向和距离是通过对不同水听器的TOA测量来计算的,因此系统需要对可能被附加噪声破坏的已知信号进行准确的检测和TOA估计。

      从信噪比(SNR)的角度来看,可以通过设计匹配滤波器来获得检测问题的最优解,该滤波器由一个线性系统组成,其脉冲响应是预期信号的时间反转副本。滤波响应是采集信号与期望信号之间的相关性。到达时间对应于匹配滤波器输出的峰值。

       对于TOA问题,我们可以量化估计的不确定性。TOA估计值的标准差由[2]给出:image.png

      其中BW是信号带宽的度量,image.png为匹配滤波输出时的信噪比,其中n0为输入噪声级,E为信号能量。从式1中我们可以看出,有两种方法可以减少TOA估计方差,从而提高系统的可重复性:增加信噪比;或者增加信号的带宽。

       用于水下定位的经典信号是窄带音突发,主要是因为传输和接收信号所需的电路简单。让我们看看如何减少这个特定信号的TOA估计方差。为了增加信噪比,我们必须增加所接收脉冲e的能量。对于正弦信号,能量与振幅和长度成正比。信号幅值受发射机功率的限制,因此通过发送更长的ping信号来实现更好的信噪比。

       对于同一类型的信号,带宽由image.png其中T为脉冲长度,因此,为了减小TOA估计方差,信号持续时间必须减小。由(1)和(3),且为E∝T,可得TOA估计为image.png式(4)表示矛盾。当不可能进一步增加发射机功率时,必须延长信号以增加信噪比。这为检测提供了更大的能量,但也会增加TOA估计的方差,这是不可取的。另一方面,为了达到最高的时间分辨率与音波爆发,最佳信号尽可能短。然而,这导致最佳信号的能量太少,无法在远距离进行可靠的检测。图2显示了两个长度不同的正弦脉冲的匹配fifilter输出。两个信号都被相同的加性噪声序列破坏。图2a所示的较短脉冲在滤波器输出中获得了一个尖峰,但噪声抑制能力较差。图2b显示,当我们延长脉冲时,噪声抑制改善,但峰值的锐度下降。上面的讨论代表了在加性白噪声存在的情况下只有一个声学信号的理想情况。然而,在水声中通常有许多多径信号,这些多径信号是由反射引起的较晚时间到达的、振幅不同的信号的复制品。这种情景往往出现在浅层。

image.png

image.png

图2:匹配的fifilter输出

信号从海面(或海床)反射过来的水通道。图3显示了在2ms延迟和75%振幅多径情况下,匹配滤波器对正弦脉冲的响应。

image.png

图3:fifilter输出与多路径匹配


使用没有窄自相关峰值的正弦脉冲,延迟信号的响应不能很好地与直接路径分离。

我们在这里介绍了使用正弦脉冲的两个主要缺点。

  • 不可能同时增加范围(信噪比)和精度(减少TOA估计方差)。

  • 弱多径拒绝。

       我们可以通过使用编码扩频信号来克服这些缺点。SS信号是自相关函数接近脉冲的宽带信号。此外,对于SS信号,可以在脉冲长度增加[2]时保持带宽。这样,从(1)可以看出,可以通过延长SS脉冲,增加信噪比和系统范围来增加信号能量,同时减小TOA估计方差,提高系统精度。图4显示了SS脉冲在理想条件下的行为,并受到噪声和多径的破坏。

image.png


图4:匹配的fifilter输出

       图4表明,使用SS信号,可以获得匹配的滤波响应,其噪声抑制特性类似于长正弦脉冲,但其锐度类似于短正弦脉冲。同样,在多径存在的情况下,对反射的响应和对直接路径的响应被很好地分离,使探测器能够可靠地找到第一个峰值。虽然SS信号是相对复杂的,低成本,高速,数字信号处理器(DSP)的可用性现在可以考虑在现实世界的应用中使用这些波形。从现在开始,在系统开发和测试期间,我们将使用SS声信号。

2.2定位

       辐射源的方向和距离是基于声波的平面近似来计算的。这个问题如图所示。两个接收器(i和k)投影在XY平面上,传播平面波,到达接收器的时间(ti和tk)和发射器的单位方向向量d = [dx dy dz] T,意义相反,与传播向量方向相同。平面波在接收器i和k之间传播的距离由image.png给出其中vp为水中声速,ri = [xi yi zi] T, rk = [xk yk zk] T表示接收器在体帧上的位置。不使用矢量表示法eq. 5变成vp(ti - tk) = - (dx(xi - xk)+dy(yi - yk)+dz(zi - zk))。(6)

image.png


图5:平面波近似

      如果有N个接收器,就会有M个方程式,像eq. 6, {i = 1,…N;K = 1,…N; i6 = k},等于M = n2 C N个接收器的所有可能组合。接收器之间的TDOA,∆=[∆1∆2…∆m] t,∆1 = t1−t2,∆2 = t2−t3,…∆M = tN−1−tN,可由∆= Ctm生成,其中C∈RM×N为组合矩阵,tm = [t1…tN] T是来自所有接收器的时间测量向量。同样地,如果我们为接收器位置定义组合x = [x1−x2 x2−x3…xN−1−xN] T, y = [y1−y2 y2−y3 . .yN−1−yN] T, z = [z1−z2 z2−z3 . .zN−1−zN] T,对于N个接收器,问题的概化可写成vp∆=−(dxx + dyy + dzz)。(7)[3]中给出的发射极方向的最小二乘解由d =−vpS #Ctm给出,(8)

其中S = [x y z] e S # = (S T S)−1S T。同样利用平面have近似,发射极到接收器i的范围由ρei = vpti给出,i = 1,…N,到体帧原点的范围由ρi = ρei + dT ri,(9)其中d是先前计算的发射极方向向量。

将所有N个接收器的估计值取10的平均值image.png

3、系统开发

研制的USBL声定位系统可分为发射和接收两部分。建造发射箱并不是这项工作的目的,我们使用了一个现有的盒子,它能够生成预记录在内存中的DSSS声信号。另一方面,接收机的开发和编程是主要任务。接收盒的核心是DSP,可以提高USBL声学定位系统的性能和通用性。使用德州仪器公司的TMS320C6713浮点DSP,工作频率为225MHz。在执行任何DSP算法之前,信号必须是数字形式的。这个任务是由一个16位,250 KSPS, 4通道a /D转换器完成的。系统受控(启动/停止、操作模式、数据传输……)通信由SMSC LAN91C111以太网板保证。接收箱电子设备安装在一个矩形的角度防溅外壳内,配有四个水听器输入连接器,一个用于PPS信号访问的GPS天线,一个外部电源和一个以太网端口。发射箱如图所示6.

image.png

图6:接待室

3.1收购

       这个过程从4个水听器阵列开始,基于压电换能器将声波转换为电信号。电信号被4个可变增益放大器放大。这些精密的模拟信号必须转换成数字形式。该过程由ADC转换器执行,包括以下步骤:首先对信号进行采样,将模拟信号转换为离散时间连续幅值信号;每个信号样本的振幅被量化为2个16级中的一个;离散的振幅电平被编码成不同的16位长度的二进制字。这个二进制字,表示水听器“侦听”的声波的数字形式,必须临时存储在DSP内部存储器中,以便进行处理,以检测预期信号的存在,并计算发射器的方向。

       为了解决数字数据存储问题,实现了FIFO(先进先出)数据缓冲区。缓冲区被划分为块,当ADC获取新数据时,缓冲区中的数据正在被处理。当采集完成后,最老的数据块被最新的数据所取代,新的循环开始。方块的数量和长度是现在的主要问题。这是一个微妙的问题,因为在一个块采集的时间内,由L/fs给出,其中L是块长度,fs是采样频率,DSP必须能够处理缓冲区中所有块中的数据。以这种方式,块必须足够大,以便给数据缓冲区处理时间,但又不能太大,因为内存限制。这种权衡导致我们使用与预期信号相同长度的块L。

      缓冲区硬件实现的示意图如图7所示,以及预期信号通过缓冲区的过程。由于系统有四个水听器,将有四个先进先出缓冲器用于数据存储,如图所示7.

image.png

图7:长度为3L的FIFO数据缓冲区

       当系统指示所期望的信号存在时,它可能完全或只是部分在缓冲区中。因此,为了得到准确的结果,在估计信号到不同水听器的TOA和计算发射极位置之前,必须确保预期信号完全在缓冲器内。使用三个长度为L的块的选择是因为我们希望这种情况至少发生两次,而3是确保这种情况发生的最小块数量。像这样,fifirst检测总是被忽略,当保证信号完全在缓冲区内时,只接受第二个连续检测。此时,采集暂时停止,以便进行TOA估计和发射极位置计算。

需要注意的是,如果只使用两个L长度的块,则无法保证这一点。

3.2处理

        在第2.1节中,我们说过使用匹配滤波器是信号检测的最佳解决方案。因此,将在DSP中实现一个数字匹配滤波器。输出到缓冲区中的一组数据x[n]的数字滤波由x[n]与滤波脉冲响应h[n]之间的数字卷积(卷积和)给出。image.png

        因为匹配滤波的目的是执行期望信号与采集数据的cor -关系,它的脉冲响应h[n]将是在ADC工作频率fs处采样的期望信号的副本。然而,卷积是一项计算量很大的工作。标准卷积算法具有二次元的计算复杂度,即使使用快速数字信号处理器,其实时计算机实现在大多数应用中也是不可能的。在这种情况下,引入离散傅里叶变换(DFT)的概念变得非常重要,因为使用DFT特性可以加快相关计算的速度。令{x[n]} = {x[0], x[1],…, x[N−1]}为采样序列,其中N为样本个数。它的Dis - crete傅里叶变换是复值序列{X[k]} = {X[0], X[1],…, X[N−1]}在频域,具有相同的长度N,由image.png其中Ω = 2π/NT, T为采样周期。离散傅里叶反变换(IDFT)在给定其DFT {x[k]}的情况下恢复序列{x[n]},它被定义为image.png

       图8显示了用于相关目的的有用的DFT性质。用一种非常简单的方式,我们可以说可以将时域卷积h[n]⊛x[n] '改变为频域乘法h[k] x[k]。该方法需要计算一次DFT (H[k]永久存储在DSP内部内存中)、一次乘法和一次IDFT,将计算复杂度从o(N2)降低到o(Nlog2N)。当需要卷积的样本数量足够大时,就像我们的例子一样,这种性能改进,以及快速DFT算法(FFT)的使用,是非常重要的,因为它使实时卷积实现成为可能。即使使用上述解决方案,卷积实现也可以进一步改进。如3.1节所述,数据缓冲区由三个内存块组成,大小与预期信号的L相同,在每个采集周期结束时,只有其中一个块被更新,即其他两个块被移动。这样,当只有三分之一的数据与之前的采集周期不同时,执行3L大小的卷积就没有意义了。让我们考虑数据缓冲区3L长度序列{x[n]}作为三个L长度序列{x1[n]}, {x[n]2}和{x[n]3}的和,如下所示:image.pngimage.png每个序列{xi [n]}表示数据缓冲区的第i个块。将(14)替换为由(11)给出的匹配fifilter输出image.png其中yi [n] = (h⊛xi) [n]是fifilter对第i块数据的响应。正如我们从(16)中看到的,可以将期望信号与整个数据缓冲区的卷积计算为与每个单独块的卷积之和。因此,在每个采集周期中,我们可以执行L大小的卷积而不是3L大小的卷积,可以显著提高时间性能。这种卷积方法被称为重叠-相加,因为每个h⊛xi的卷积长度为2L−1,当h⊛x1与h⊛x2相加,h⊛x2与h⊛x3相加时,L−1元素会重叠。

3.3决定

       在执行匹配滤波卷积后,系统必须决定预期信号是否存在于数据缓冲区中。为了研究决策准则,我们应该回头看图4a和图4b,其中滤波器对DSSS信号的响应是给出的。决策准则背后的思想是将匹配fifilter输出的最大值与其平均绝对值进行比较。由于噪声的存在,这是采集到的数据中未知的组成部分,总是会有某种程度的不确定性。然而,由于有一个大大高于平均绝对值的最大值是一个与滤波器对预期DSSS信号的响应相关的特征,而不是对噪声的响应,我们将认为这两个值之间的差异最大,预期信号出现在缓冲区的机会也就越大。通过这种方法,我们为系统定义了一个阈值,并认为期望信号出现时image.png当预期信号出现时,系统必须等待下一个采集周期,只有连续的第二次检测才能保证信号完全在缓冲区中,如3.1节所述。

3.4位置计算

       与所有四个水听器都在持续进行的采集不同,只对四个水听器中的一个实现了采集数据的处理和信号存在性决策。我们记得,整个处理和决策必须在少于一个缓冲区块获取的时间内执行,这是实现的最关键点。因此,不可能处理所有四个缓冲区中的数据。尽管如此,当选择用于实时处理的数据缓冲区中检测到预期信号时,采集会暂时中断,并处理剩下的三个数据缓冲区,以查找信号TOA。根据2.2节中介绍的研究计算位置,在什么采集重新启动后。

4海上试验

        一旦实施完成,就进行了一系列海上试验。测试于2009年6月22日至26日在奥尔塔城进行。由于位置结果是在USBL阵列的坐标坐标系中表示的,因此最好阵列相对于地球坐标坐标系保持静止,否则即使在发射极位置静止的情况下,USBL阵列的运动也会影响位置计算。因此,试验是在港口内进行的。这样就可以牢牢地固定阵列,确保定位结果不受其运动的影响。然而,港口内的多径和噪声存在性要强得多,因此影响了测试结果。试验分为两类:静态和动态。由于计算方法不同,这两种方法的结果分别对距离和方向估计进行了分析,如2.2节所示。

4.1平稳性试验

        在静止测试中,发射器被绑在一个桥墩上,桥墩上的波动可以忽略不计,系统运行20分钟。通过DSP处理得到的试验平稳距离结果直方图如图9所示。从图9中我们可以看到,距离结果主要划分在两个非连续子区间之间,[77.70;77.80]m和[77.90;78.05 m。发射器和USBL阵列都是静止的,这是一个意想不到的结果。为了了解它发生的原因,我们应该观察用来决定信号是否存在和计算发射极距离的数据。两种不同检测的匹配滤波卷积如图10所示。

image.png

图9:车站测试距离结果直方图

image.png

图10:匹配的滤波器卷积

       从图10a和10b可以看出,匹配滤波卷积有两个非常接近的最大值。因为信号TOA是用卷积的峰值来计算的,当绝对最大值是第一个距离将位于最近的子区间,当绝对最大值是第二个距离将位于最远的子区间。在详细分析了所有检测的四个通道的卷积结果后,我们可以说,图10a和10b代表了测试期间发生的情况。在图11中,给出了不同通道的两个卷积最大值之间的时间差的直方图。

       如图11所示,两个卷积最大值之间的时间差因信道而异。通道4卷积的差异更大,通道3和通道1和2的中间差异更小。综合以上说明,已知通道4连接最深的水听器,通道3连接最靠近水面的水听器,通道1和通道2连接中间深度的水听器,我们发现匹配滤波器卷积中的第二个最大值是由海面上的信号反射引起的,是由直接路径信号到达引起的第一个最大值。

       为了解决这一多路径检测问题,我们必须修改TOA估计方法。当(17)给出的决策因子为真时,我们不将TOA估计为绝对最大值位置,而将TOA考虑为超过决策阈值的第一个最大值的位置。在图12中,我们再现了之前图9中给出的结果,这些结果是用新的TOA估计方法对测试期间获得的数据进行后处理后得到的。

image.png

图12采用新的TOA估计方法的车站试验距离结果直方图


       从图12可以看出,采用新的TOA估计方法,距离结果不再划分在两个不连续子区间之间,距离标准差由8.8降低到1.6cm。通过这种方式,系统对多路径的拒绝大大提高了,从而提高了系统的全局性能。如果说多径效应在计算辐射源距离时造成了厘米量级的误差,那么在计算辐射源方向时,这些误差则是几十度量级的。通过DSP处理得到的试验平稳方向结果如图13所示。从图13可以看出,方向计算得到的结果非常不一致。

        然而,为了理解这种糟糕性能的原因,最好看看用于计算发射器方向的数据,而不是最终的结果。如2.2节所述,方向从信号TDOA到不同的水听器计算。在图14中,我们给出了4个水听器之间TDOA的3个直方图。

我们看到图13中不一致的方向结果被图14a, 14b和14c中不一致的TDOA估计所证明。与之前的距离计算(图9)一样,TDOA结果被划分在非连续子区间之间。同样,30到40个样本的子区间之间的时间差是相似的(见图11),这表明问题可能是由信号反射引起的。因此,我们将尝试用同样的方法来解决这个问题:修改TOA估计方法,避免多径检测。在图15中,我们再现了图14所示的结果,这些结果是用新的TOA估计方法对测试期间获得的数据进行后处理后得到的。

正如预期的那样,新的TOA估计方法大大改进了TDOA估计,现在的TDOA估计精度约为8μs(2个样本)。用TDOA数据计算的发射体方向如图16所示。将其与测试期间获得的方向(图13)进行比较,可以明显看出系统性能大大增强,两个角度估计的标准偏差约为0.4度。

image.png

图16:采用新的TOA估计方法的台站测试方向结果

       当涉及到时间延迟估计时,有一个非常常见的方法:数据之间的相互关联。为了寻找不同水听器的信号TDOA,在后处理分析中还采用了互相关的方法。这里没有给出得到的结果,但它们揭示了一个有趣的特征:互相关性能取决于被处理的通道。TOA1- TOA2估计的性能相似(通道1和2连接到相同深度的水听器),其他两个通道的性能较差。信号反射和水听器放置在不同深度也证实了这一结果。

image.png

图14平稳试验方向结果TDOA直方图

image.png

图15采用新的TOA估计方法的平稳试验方向结果TDOA直方图

4.2动态试验

      为了进行动态测试,发射极被安装在用GPS记录位置的船上。可以测试的距离和角度间隔非常有限。尽管如此,在港口内进行了动态测试,以允许USBL接收阵列的充分紧固,如本节开始所解释的。动态测试持续时间为1445秒(约24分钟)。由于发射频率是每秒一个信号,1445将是探测到的最大数量。然而,有203个(占总量的14%)的排放被损失了。图17显示了动态试验的距离结果。排放损失在0米距离处绘制。除了损失的发射外,还有一些探测会导致明显错误的距离结果。这些错误的结果是由直接路径信号丢失和相应的多路径检测造成的。为了量化这些情况,我们考虑最大速度为4m。S−1对于船和特定距离的结果,如果它意味着比上次检测的速度更高,则被分类为不正确。这样,从1242次检测中,有1210次被分类为正确的(1445次总排放的84%)。在检测的百分比和结果分类为正确的情况下,动态距离计算性能是令人满意的。

       在评估系统性能时,计算辐射源的方向也采用相同的策略。方向结果未绘制,但正确结果的百分比见表1。我们比较了两种不同的TDOA估计方法得到的方向结果:第一卷积最大值超过决策阈值和数据互相关。现在只使用导致正确距离结果的1210个接收。

image.png

表1:动态测试方向结果

      这两种方法都会导致相似的性能,但与平稳检验不同的是,交叉相关现在呈现出略好的结果。此外,纵向和仰角之间的性能非常相似。这一事实可以被质疑,因为正如我们之前所说,交叉相关方法的性能取决于所处理的通道,而TOA1- TOA2估计的性能要好得多,通道与水听器连接在相同的深度,因此足以计算纵向角。然而,在2.2节中,我们开发了一个发射器方向的最小二乘解,使用所有4个通道来计算任何角度。这样,可以增加冗余,但放置在不同深度的水听器的低性能估计TDOA可能会破坏纵向角度计算。为了确认我们重复方向计算,现在不进行最小二乘最小化,使用通道1和2(相同深度)计算纵向角,使用通道3和4(不同深度)计算仰角。

image.png

表2:无最小二乘最小化的动态测试方向结果

      从表2中,我们再次看到相互关系呈现出稍微更好的结果,但纵向和仰角之间的表现现在有很大的不同。纵向角性能明显提高,接近100%的正确结果,仰角性能保持在相同的精度水平。这些结果表明,最小二乘最小化会破坏系统的性能。将通道1和2与通道3和4分离,我们失去了冗余,但通道3和4的较不准确的TDOA估计不会破坏纵向角度计算。尽管如此,当TDOA估计误差在通道之间相似时,最小二乘最小化应该是一个很好的选择。

5、结论

       本工作介绍了USBL声学定位系统的设计、实现和海上验证。信号检测和TOA估计基于匹配的滤波响应,这导致了最高的信噪比。将经典声学纯音脉冲与宽带编码扩频信号进行了比较,得到了更高的TOA分辨率和更强的多径和噪声抑制能力。发射器的位置是计算诉诸于声波的平面近似。最关键的开发任务是数字滤波器的实现。数字滤波由信号卷积组成,必须在实际时间内完成。由于使用了DSP和处理技术,使得实时实现成为可能,这些技术大大减少了卷积时间(基于DFT特性)。为了给出系统电位的全局概念,我们在图18中比较了发射器的GPS跟踪与USBL定位计算的正确距离结果和没有最小二乘最小化得到的纵角。

参考文献:

[1] A. Alcocer, P. Oliveira, and A. Pascoal. UnderwaterAcoustic Positioning System Based On Buoys With GPS. Proceedings of the Eighth European Conference on Underwater Acoustics, 8th ECUA, June 2006.
[2] Thomas C. Austin. The Application of Spread Spectrum Signaling Techniques to Underwater Acoustic Navigation.
Proceedings of the 1994 Symposium on Autonomous Underwater Vehicle Technology, 1994.
[3] P. Batista. Controlo de Ve′ıculos Aut′onomos Baseado na Informac¸˜ao Directa de Sensores Ac′usticos. Relat′orio de trabalho final de curso, Universidade T′ecnica de Lisboa - Instituto Superior T′ecnico, Setembro 2005.

[4] R. Cusani. Performance of Fast Time Delay Estimators. IEEE Transactions on Acoustics, Speech, and Signal Processing, vol. 37(5):757–759, May 1989.
[5] F. Gustafsson and F. Gunnarsson. Positioning Using Time-Difference Of Arrival Measurements. Proceedings of the IEEE International Conference on Acoustics, Speech, and Signal Processing, 2003.
[6] Emmanuel C. Ifeachor and Barrie W. Jervis. Digital Signal Processing. A Practical Approach. AddisonWesley Ltd., 7th edition, 1998.
[7] Sonardyne Inc. http://www.sonardyne.com/, 2009.
[8] F. Lima and C. M. Furukawa. Development and Testing of an Acoustic Positioning System - Description and Signal Processing. Proceedings of the IEEE 2002 Ultrasonics Symposium, 2002.
[9] Isabel M. G. Lourtie. Sinais e Sistemas. Escolar Editora, 2nd edition, 2007.
[10] P. H. Milne. Underwater Acoustic Positioning Systems. Gulf Publishing Company, 1983.
[11] Sanjit K. Mitra. Digital Signal Processing. A Computer-Based Approach. McGraw-Hill, 2nd edition, 2001.
[12] M. Morgado, P. Oliveira, C. Silvestre, and J. F. Vasconcelos. USBL/INS Tightly-Coupled Integration Technique for Underwater Vehicles. Proceedings
Of The 9th International Conference on Information Fusion, 2006.
[13] Marco M. Morgado. Sistema de Navegac¸˜ao Inercial com Ajuda USBL. Relat′orio de trabalho final de curso, Universidade T′ecnica de Lisboa - Instituto Superior T′ecnico, Setembro 2005.
[14] J. O. Smith and J. S. Abel. The Spherical Interpolation Method of Source Localization. IEEE Journal of Oceanic Engineering, vol. 12(1):246–252, 1987.
[15] D. Thomson and S. Elson. New Generation Acoustic Positioning Systems. Oceans 2002, vol. 3:1312–1318, Oct. 2002.
[16] Robert J. Urick. Principles of Underwater Sound. Peninsula Publishing, 3rd edition, 1983.
[17] K. Vickery. Acoustic Positioning Systems. A Pratical Overview Of Current Systems. Proceedings of the 1998 Workshop on Autonomous Underwater Vehicles, August 1998.
[18] K. Vickery. Acoustic Positioning Systems. New Concepts - The Future. Proceedings of the 1998 Workshop on Autonomous Underwater Vehicles, August 1998.
[19] J. Yli-Hietanem, K. Kalliojarvi, and J. Astola. LowComplexity Angle of Arrival Estimation of Wideband Signals Using Small Arrays. Proceedings Of The 8th IEEE Signal Processing Workshop on Statistical and Array Processing, 1996.


seo seo