基于地形轮廓匹配(Terrain Contour Matching, TERCOM)与改进鱼鹰优化算法(Improved Osprey Optimization Algorithm, IOOA)的二维TERCOM方法研究

《Aerospace》：Research on a 2D TERCOM Method Based on an Improved Osprey Optimization Algorithm

　　

为解决捷联惯性导航系统(Strapdown Inertial Navigation System, SINS)的时变误差发散问题及传统地形匹配算法在特征稀疏平坦地形环境中精度不足的挑战，本文提出一种融合改进鱼鹰优化算法(Improved Osprey Optimization Algorithm, IOOA)、分布估计(Distribution Estimation)与Q-learning的智能地形辅助导航(Terrain-Aided Navigation, TAN)方法。该方法采用地形信息熵(Terrain Information Entropy)作为鲁棒匹配度量指标，建立由Lévy飞行随机搜索(探索阶段)和精英引导高斯分布估计算法(Exploitation阶段)构成的两阶段进化框架。通过引入Q-learning机制自适应调节探索参数，实现种群多样性与收敛速度间的智能平衡。在统一计算基准下，利用模拟起伏丘陵地形数据集、利比亚撒哈拉沙漠数据集及中国新疆准噶尔盆地真实数字高程模型(Digital Elevation Model, DEM)进行多场景系统仿真。实验结果表明，相比传统TERCOM及主流群智能算法，所提算法在上述复杂地形中大幅降低定位误差并显著提升匹配精度。鲁棒性与实时性测试显示，算法单次匹配平均处理时间仅0.08 s，随机扰动下误差波动低至±0.83 m。此外，消融实验证实了多策略融合机制在抑制局部最优陷阱和非收敛振荡方面的必要性。本研究验证了该算法在低计算依赖条件下的工程可行性，为GPS(Global Positioning System)拒止环境下高精度自主导航提供了有效技术途径。

论文解读：基于改进鱼鹰优化算法(IOOA)的二维TERCOM地形辅助导航方法研究

研究背景与意义

惯性导航系统(Inertial Navigation System, INS)因具有自主性广受航空领域青睐，但其固有缺陷是随时间累积的误差发散。地形辅助导航(Terrain-Aided Navigation, TAN)利用雷达高度计获取的实时地形高程与预存数字地形高程数据库(Digital Terrain Elevation Database, DTED)进行关联匹配，可有效修正INS累积误差。传统TERCOM(Terrain Contour Matching)基于一维剖面的最小二乘相似度匹配，在平坦、特征稀疏或重复纹理地形（如沙漠、缓丘）中，适配面呈多峰性或梯度消失，易陷入局部最优(False Fix)；粒子群优化(Particle Swarm Optimization, PSO)等群智能算法虽具全局搜索能力，但在特征匮乏区易早熟收敛或对参数敏感，遗传算法(Genetic Algorithm, GA)则计算负担过重难以满足机载高动态实时性要求。为此，研究人员提出一种基于改进鱼鹰优化算法(Improved Osprey Optimization Algorithm, IOOA)的二维TERCOM方法，结合地形信息熵、Lévy飞行、分布估计算法(Estimation of Distribution Algorithm, EDA)及Q-learning自适应控制，以解决特征稀疏地形下的匹配失效与实时性瓶颈。该论文发表于《Aerospace》。

主要关键技术方法

研究人员采用二维地形高程矩阵匹配取代传统一维剖面，选用地形信息熵(Shannon Entropy经二次Tsallis近似简化)作为适应度函数以提高抗噪性。改进Osprey Optimization Algorithm(OOA)措施包括：(1)动态匹配搜索空间与种群规模随INS漂移时间扩展；(2)并行初始化——80%种群围绕上一帧最优解加正态扰动，20%固定于当前INS指示位置；(3)探索阶段以Lévy飞行(Lévy Flight, β=1.5)替代原OOA中随机个体交互，摆脱伪最优；(4)引入Q-learning在线调控探索/开发切换概率α，状态由种群空间多样性离散化获得，奖励函数融合适应度改善量、多样性维持奖励及停滞惩罚；(5)开发阶段选取前η%精英个体拟合多元高斯分布重建种群(EDA)，非精英个体依此重采样并向全局最优移动并叠加高斯微扰。仿真基于MATLAB 2014b于Intel i7-12700H平台，使用模拟起伏丘陵DEM、利比亚撒哈拉沙漠SRTM数据及中国新疆准噶尔盆地真实DEM，雷达高度计噪声建模为零均值高斯白噪声σ=15 m，所有对比算法共用相同DEM、航迹及适应度函数，并进行蒙特卡洛重复试验与消融实验。

研究结果

2. Terrain Matching Model Based on Information Entropy

研究人员建立二维匹配窗口，论证传统均方误差(Mean Squared Error, MSE)、平均绝对差(Mean Absolute Difference, MAD)等在双噪声耦合（雷达多径+DEM量化平滑）下退化严重。改用地形信息熵度量高程值的概率分布复杂度，其对整体偏置不敏感且具低通滤波特性，二次近似简化后大幅降低机载嵌入式计算量，适合作为匹配代价函数。

3. Osprey Optimization Algorithm

阐述标准OOA受鱼鹰捕食行为启发的双阶段（探索：锁定并攻击猎物；开发：携带猎物至安全区）数学建模。指出其在平坦或高重复地形中，探索阶段退化为盲目随机游走、开发阶段易聚类于伪最优而缺逃逸机制，需针对性改进。

4. Design of an Improved OOA-TERCOM Algorithm

详述动态搜索半径、并行初始化、Lévy飞行替代随机同伴交互、Q-learning调控α及精英高斯EDA开发策略。证明Lévy飞行的长跳跃可逃离重复地形陷阱，Q-learning依据实时种群多样性自适应权衡全局搜索与局部收敛，EDA引导种群向高质量区域集中并在个体级叠加扰动防退化。适应度函数定义为实测与地图子区地形熵之差的绝对值。

5. Experimental Verification and Result Analysis

设置四组仿真与测试：

• •
  Simulation Test 1（模拟起伏丘陵地形）：IOOA将总定位误差压制至约54 m（传统TERCOM超120 m），较传统方法提升56.8%，较PSO/GA显著跳出伪匹配区，验证Lévy飞行脱陷能力。
• •
  Simulation Test 2（利比亚撒哈拉沙漠极端平坦地形）：IOOA总误差94 m，较传统方法提升37.3%，传统群智算法因无特征引导退化为随机游走向且误匹配严重，验证双模搜索防"误导共识"。
• •
  Simulation Test 3（准噶尔盆地异构地形——平原与突脊交替）：IOOA总误差85 m，较传统提升50.9%；PSO逐渐漂移、GA难收敛，验证Q-learning动态调参对不同复杂度地形的适应性。
• •
  Simulation Test 4（精细匹配影响与实时性测试）：平均单次匹配耗时0.08 s，平均定位误差55.03 m，随机扰动下误差波动±0.83 m，证明对微调参不敏感且满足高动态实时约束。
• •
  Ablation Study：去除Q-learning与EDA仅保留Lévy飞行时，误差曲线锯齿振荡且多次反弹超350 m无法稳定收敛，证实多策略融合的必要性。
• •
  Stress Testing（高动态S形转弯与大坡度机动，含雷达波束偏离引起混合高斯闪烁噪声及0.15失锁率）：IOOA平均定位误差仅增至89 m（较平稳态增4 m），未出现灾难性发散，证明框架对强传感器扰动的鲁棒性。
• •
  Parameter Sensitivity Test：Lévy指数β=1.5为最优平衡（β=2.0退化为高斯易陷局部，β=0.5过长跳致混乱）；Q-learning状态离散数N_states=10为帕累托最优（过多致维度灾难无法在0.2 s内收敛Q表，过少欠分辨）。

6. Conclusions（结论翻译）

系统仿真实验表明，所提改进鱼鹰优化算法(IOOA)在地形匹配导航性能上较传统方法实现质的飞跃。在沙丘及缓起伏丘陵等特征相对温和地形中，算法将定位精度提升近40%；利比亚沙漠真实数字高程数据测试中，在80 s导航窗口内将定位误差从常规方法的150 m降至94 m，精度提升37.3%；准噶尔盆地地形同样验证其稳健性。该性能增益在极平坦特征匮乏地形尤为显著，确证算法对弱导航特征环境的增强适应性。IOOA兼具精度、鲁棒性与效率，为GPS拒止环境下高精度自主导航提供有效解决方案。