论文标题： A Highly Robust Terrain-Aided Navigation Framework Based on an Improved Marine Predators Algorithm and Depth-First Search

论文链接：https://www.mdpi.com/2504-446X/9/8/543

期刊名：Drones

期刊主页：https://www.mdpi.com/journal/drones

随着科学技术的不断进步，自主水下航行器(AUV)在水下资源开发、环境监测及各类军事活动中的作用日益凸显。由于无线电信号在水下的快速衰减，使得稳定、准确的水下导航成为一项巨大挑战。地形辅助导航作为一类典型的地球物理场导航方法，因其不依赖外部设备进行辅助定位、误差不随时间累积、在地形特征丰富区域具有较高导航精度等特性，常被应用于AUV导航。然而，自相似地形和模糊测量会干扰地形辅助导航，导致导航精度下降甚至引起导航发散。国防科技大学前沿交叉学科学院的研究团队在Drones期刊发表了文章“A Highly Robust Terrain-Aided Navigation Framework Based on an Improved Marine Predators Algorithm and Depth-First Search”，介绍了一种全新的地形辅助导航框架，其具备导航发散自修正能力，可以在部分自相似地形中保持稳定的导航效果，这项研究对于AUV具有重要意义。

研究过程与结果

作者在文中提出了一种基于改进海洋捕食者算法和深度优先搜索的强鲁棒性地形辅助导航（DFS-IMPA-TAN）框架，其使用改进海洋捕食者算法进行地形匹配，并维护了一个树形数据库。当后续出现导航发散时，以深度优先搜索的方式读取数据库并进行回溯计算，最终实现导航修正。DFS-IMPA-TAN框架具有导航发散自修正能力，能够在一定程度上克服自相似地形和模糊地形对于导航的影响。文中首先针对现有批处理地形辅助导航方法在优化过程中易陷入局部最优解的问题，提出了一种饥饿学习算法，并将其应用于新型智能优化算法MPA之中。饥饿学习算法衡量优化过程中各个搜索代理的近期表现，并鼓励搜索代理之间的相互学习。改进后的优化算法IMPA在地形匹配问题中表现更好，几乎不会受到局部最优地形的干扰。

不同优化算法在多组地形匹配问题中的优化结果适应度对比

文中还针对地形辅助导航易受自相似地形影响的问题，设计了名为鲁棒树的树形数据库。系统在运行过程中，会记录测量误差范围内的所有可能解。当导航错误发生时，系统可以恢复到先前的导航状态，尝试替代解决方案并进行校正。鲁棒树一定程度上克服了局部自相似地形和模糊测量对于地形辅助导航的干扰，这赋予了DFS-IMPA-TAN框架更强的导航鲁棒性。本文还基于仿真实验和车载实验来对DFS-IMPA-TAN框架进行验证，实验结果验证了鲁棒树的导航发散修正能力以及DFS-IMPA-TAN框架的综合导航性能。实验结果表明，本文所提DFS-IMPA-TAN框架具备较好的导航精度和极强的导航鲁棒性，即使在较为恶劣的条件下也能保持较好的导航效果。

鲁棒树示意图

DFS-IMPA-TAN的车载实验结果及鲁棒树修正结果图

研究总结

针对局部自相似地形和模糊测量影响地形辅助导航精度和稳定性的问题，本文提出了基于改进海洋捕食者算法和深度优先搜索的强鲁棒性地形辅助导航框架。本文提出的DFS-IMPA-TAN框架具有发散自校正能力，可以在有着部分自相似地形的恶劣条件下，保持稳定的导航性能。仿真和车载实验验证了本文所提出的DFS-IMPA-TAN框架的导航精度和导航鲁棒性。本文提出的地形辅助导航框架由于其更强的导航鲁棒性，可以适用于更加复杂多变的水下环境，这对于AUV导航的相关工作具有十分重要的意义。