基于变分贝叶斯方法的自适应H∞滤波器用于水下航行器的鲁棒INS导航系统：开发与实验评估

《Ocean Engineering》：A robust insnavigation system for underwater vehicles using an adaptive H∞ filter based on a variational Bayesian approach: Development and experimental evaluation

　　

该论文提出了一种用于自主水下航行器（AUV）的自适应鲁棒导航框架，该框架协同整合了H_∞最小最大优化与变分贝叶斯（VB）推断。所提出的H_∞增强型变分贝叶斯乘性误差状态卡尔曼滤波器（H_∞-VBMAESKF）提供了确定性最坏情况鲁棒性界，同时实现了自动自适应噪声估计——这是现有的自适应H_∞方法（采用启发式自适应）和纯变分贝叶斯方法（缺乏最坏情况保证）均无法同时提供的能力。该系统融合了异步多速率IMU、DVL和深度传感器测量值，自主处理多种DVL异常（速度尖峰、偏差、丢失、波束丢失），无需针对特定任务进行调优。通过广泛的海试验证，研究人员将所提方法与VB-MAESKF、Student's t和H_∞-ESKF基线进行了性能对比。在标称条件下，H_∞-VBMAESKF实现了33.87 m的位置RMSE，相较于三种基线分别提升了49.5%、21.6%和79%。相较于H_∞-ESKF的79%提升确凿证实，仅靠H_∞鲁棒性在缺乏自适应噪声估计时会失效。在系统性的5%–15% DVL污染下，该方法实现了73.8%–77.4%的中位误差降低，并具有卓越的稳定性——在不同污染水平下误差仅增加20.6%，而VB-MAESKF和H_∞-ESKF分别为83.2%和48.5%。一致性分析显示，该方法的归一化新息违规率为3.1%，而VB-MAESKF和H_∞-ESKF分别为6.5%和15.2%，证实了其更优的不确定性量化能力。该框架实时运行（每次迭代3.71 ms），提供了结合理论最坏情况保证与自动环境自适应的实用安全关键导航能力。

**基于变分贝叶斯方法的自适应H_∞滤波器用于水下航行器鲁棒导航：开发与实验评估——论文解读**

**研究背景与问题**
水下航行器（AUV）在海洋探索、科研与工业应用中需求日益增长，其导航系统是保障可靠性、效率与任务成功的关键技术。海洋环境具有能见度低、声学传播复杂、动态条件多变等特点，使得集成导航方案对于精确定位、轨迹跟踪与自主决策至关重要。传统卡尔曼滤波器在线性高斯模型下最优，但实际导航系统常存在非线性、时变噪声与非高斯干扰。误差状态卡尔曼滤波器（ESKF）通过估计误差状态改善线性化近似，但性能仍依赖于准确的先验噪声统计知识。实际中，噪声特性随环境变化，离线标定往往保守，导致性能下降或滤波发散。此外，多普勒测速仪（DVL）等传感器常出现速度尖峰、系统性偏差、测量丢失、波束丢失等异常，对滤波器鲁棒性提出严峻挑战。现有方法中，自适应H_∞滤波（如Sage-Husa、渐消因子法）能提供最坏情况鲁棒性，但采用启发式自适应机制，需手动调参且不确定性量化有限；而变分贝叶斯（VB）方法能实现噪声协方差的自适应在线估计，但缺乏确定性最坏情况性能保证。为此，研究人员开展了本项研究，旨在通过协同整合H_∞最小最大优化与VB推断，建立同时具备最坏情况鲁棒性界与自动自适应噪声估计能力的导航框架。

**研究内容与主要结论**
研究人员提出了一种名为H_∞-VBMAESKF的新型滤波器，在误差状态卡尔曼框架内融合了H_∞优化与VB推断。该框架实现了异步多速率IMU、DVL与深度传感器数据的融合，并自主处理DVL的四种常见异常（速度尖峰、持续偏差、测量丢失、波束丢失）而无需针对特定任务调优。通过实际海试（AUV航行4.3 km，时长55 min）验证，并与VB-MAESKF、Student's t滤波器以及非自适应的H_∞-ESKF三种基线进行对比。主要结论如下：在标称条件下，H_∞-VBMAESKF的位置RMSE为33.87 m，分别比VB-MAESKF、Student's t和H_∞-ESKF提升49.5%、21.6%和79%；端点误差为57 m，分别降低62.6%、58.2%和90.5%。在系统性DVL异常注入测试（5%–15%污染率）中，所提方法的中位误差仅从13.24 m增至15.97 m（增幅20.6%），而VB-MAESKF和H_∞-ESKF分别增幅83.2%和48.5%；在15%污染率下，所提方法中位误差降低73.8%–77.4%。一致性分析中，在高动态阶段（2000–3300 s），H_∞-VBMAESKF的归一化新息平方（NIS）违规率仅3.1%，远低于VB-MAESKF的6.5%和H_∞-ESKF的15.2%。这些结果证明了协同整合的必要性：单独的H_∞鲁棒性（H_∞-ESKF）在缺少自适应噪声估计时性能严重恶化，而单独的VB自适应（VB-MAESKF）缺乏最坏情况界。该论文发表在《Ocean Engineering》。

**主要技术方法**
研究人员采用了如下关键技术：① 基于变分贝叶斯（VB）推断的联合后验逼近，将过程噪声协方差矩阵Q_k和测量噪声协方差矩阵R_k建模为逆伽马分布的乘积，通过变分贝叶斯期望最大化（EM）迭代更新其超参数（形状和尺度参数），实现噪声协方差的在线自适应估计。② H_∞最小最大优化准则，通过定义能量增益γ²（或η=1/γ²）约束最坏情况估计误差，并利用VB估计的噪声强度设计自适应鲁棒性参数η_k = [tr(Q?_k) + tr(R?_k)] / tr(P_k^?)，使性能界随噪声水平动态调整。③ 混合H_∞-VB约束优化框架，结合变分自由能目标与H_∞能量惩罚项，通过交替优化（类似完全贝叶斯EM）在E步更新噪声协方差后验，在M步执行带可行性检查（信息矩阵正定性、新息协方差可逆性）的H_∞状态更新。④ 异步多速率传感器融合，利用误差状态模型处理200 Hz IMU、1 Hz DVL和1 Hz深度传感器的测量更新。海试数据来自Constructor University的AUV，搭载IMU（100 Hz）、DVL（约3 Hz）和深度传感器（1 Hz），GPS提供基准真值。

**研究结果**
**5.1 位置估计分析**：通过比较估计轨迹与绝对位置误差随时间的变化，发现H_∞-VBMAESKF在所有阶段（初始、动态机动、误差恢复、关键事件、最终阶段）均保持最低误差。尤其在关键事件（约2800–3100 s，可能对应DVL底锁丢失或声学干扰）期间，所提方法将峰值误差限制在约70 m，而VB-MAESKF为170 m、Student's t为155 m、H_∞-ESKF达350 m，验证了自适应H_∞框架在严重干扰下的优势。
**5.2 速度估计分析**：在x和y方向的速度估计中，H_∞-VBMAESKF将最大误差限制在0.5 m/s（x向）和0.4 m/s（y向），相较VB-MAESKF（2.8 m/s）和H_∞-ESKF（3.0–3.8 m/s）实现82%–90%的误差降低，表明自适应噪声估计对速度跟踪至关重要。
**5.3 姿态估计性能**：航向角估计显示，在关键干扰事件（约3000 s）中，H_∞-VBMAESKF将航向误差限制在约7°，而H_∞-ESKF达24°、VB-MAESKF达15°、Student's t约10°，证明鲁棒性扩展至全部导航状态。
**5.4 鲁棒性分析**：通过在DVL测量中注入四种真实故障模式（速度尖峰、持续偏差、测量丢失、波束丢失）并以5%、10%、15%污染率测试，所提方法的中位误差在三种水平下分别为13.24 m、14.61 m、15.97 m，增幅仅20.6%；IQR稳定在48–49 m。而VB-MAESKF中位误差从38.65 m增至70.8 m（增幅83.2%），H_∞-ESKF从41.13 m增至61.05 m（增幅48.5%），并出现超过680 m的极端异常值，证明了所提方法在多种异常类型下的稳定鲁棒性。
**5.5 一致性分析**：利用归一化新息平方（NIS）检验评估滤波器一致性。在高动态阶段，H_∞-VBMAESKF的新息违规率仅3.1%（低于理论5%阈值），新息均值0.0095、标准差0.0083，均为最低；而H_∞-ESKF违规率达15.2%，表明固定噪声参数导致严重不一致。VB-MAESKF（6.5%）和Student's t（5.3%）也略高于理论值。该结果证实所提方法在保持足够估计精度的同时，提供了最可靠的不确定性量化。

**总结讨论与结论**
讨论部分指出，所提方法通过协同整合H_∞鲁棒性与VB自适应，实现了任意单一方法无法达到的性能。实验证明，H_∞-VBMAESKF在位置RMSE、端点误差、速度误差、航向误差、鲁棒性、一致性方面均显著优于三种基线。其计算时间3.71 ms/迭代，满足实时性要求（IMU采样间隔10 ms）。相比传统ESKF需10–15 h手动调参，该框架实现了自主自适应，避免了繁琐调优。研究结论翻译如下：
该论文提出了一种新型多传感器融合框架，通过协同整合自适应H_∞滤波与变分贝叶斯推断，并利用贝叶斯优化自适应调整H_∞性能边界参数γ。所提出的H_∞-VBMAESKF方法为AUV导航中的一个基本挑战提供了原则性解决方案：同时实现最坏情况鲁棒性保证与对时变测量不确定性的自动适应。通过在线联合估计过程与测量噪声协方差，该框架有效应对了动态水下环境中IMU、DVL和深度传感器的异步与噪声数据挑战。经过广泛的真实海试验证，所提算法在多个评估指标上均优于三种基线方法。全面的比较揭示了同时整合H_∞鲁棒性与VB自适应的必要性，因为单独任何一个组件都无法达到令人满意的性能。未来工作将聚焦于：将框架扩展至全六自由度导航并集成更多传感器（如USBL、磁罗经）；在更极端条件下验证性能，包括冰下导航、深水作业及超24小时长航时任务。