[0001] 本发明属于无人艇导航技术领域，具体涉及一种GNSS拒止环境下基于多源数据融合的无人艇组合导航系统及操作方法，用于GNSS信号受限或拒止环境中的无人艇导航。

[0002] 在无人艇导航中，全球导航卫星系统（GNSS）被广泛用于定位。然而，在海洋深处、峡谷、极端天气等复杂环境中，GNSS信号容易受限或中断，导致定位失效。因此，为了实现自主导航，现有技术逐渐采用多种传感器结合的方式，通过数据融合实现无GNSS环境下的无人艇定位。

[0003] 常用的传感器组合包括惯性传感器、视觉传感器和声呐传感器：惯性传感器可以提供短时间的连续位置信息，但随着时间推移，会出现累积漂移，影响精度。

[0004] 视觉传感器通过捕捉图像进行定位，通常在光线充足的情况下效果较好，但在低光或水下环境中表现不佳。

[0005] 声呐传感器通过声波测距，适用于低能见度的环境，如水下或雾天，但在空旷或复杂地形中精度可能受到影响。

[0006] 为了融合这些不同传感器的数据，扩展卡尔曼滤波（EKF）等算法被用于估算无人艇的状态。这种融合方法虽然提升了精度，但仍存在以下不足：1.权重无法动态调整：现有系统通常采用固定的传感器权重，无法根据环境变化自适应调整，导致某些情况下数据利用不足，降低了系统的适应性。

[0007] 2.惯性漂移难以补偿：惯性传感器在长时间使用中会累积漂移误差，现有技术缺乏有效的补偿手段，导致定位精度逐渐下降。

[0008] 3.缺乏自适应优化：现有系统无法利用历史数据动态调整参数，限制了在复杂环境中的性能。

[0009] 因此，当前多源数据融合系统在适应性、稳定性和精度上仍有较大改进空间。

[0026] 实施例1：本实施例涉及一种GNSS拒止环境下基于多源数据融合的无人艇组合导航系统，用于GNSS拒止或信号受限的环境中，系统结构如图1所示，包括：
多源传感器模块，用于采集无人艇的运动数据、环境图像数据和水下距离数据，所述多源传感器模块包括：
惯性传感器，用于采集加速度和角速度数据；
视觉传感器，用于采集环境图像数据以获取相对位移信息；
声呐传感器，用于采集水下距离数据以探测水下地形或障碍物；
其还包括：
中央控制单元，配置为执行基于扩展卡尔曼滤波的多源数据融合算法，以实现状态预测和观测更新，进而在GNSS拒止环境下对无人艇进行精准定位和导航，包括以下步骤：
状态预测：通过惯性传感器的运动数据和系统动态模型对无人艇的状态进行预测；
观测更新：基于视觉传感器和声呐传感器的观测数据，利用卡尔曼增益对观测数据的权重进行动态调整，将观测值与预测状态融合以更新状态估计；
动态权重调整：在卡尔曼滤波过程中，根据多源传感器的信噪比或测量精度调整各观测数据的权重，实现对环境变化的自适应数据融合。

[0027] 实施例2：本实施例和实施例1的区别在于，本实施例基于惯性传感器的运动数据，利用状态转移矩阵和控制输入矩阵对无人艇的当前位置和姿态进行预测，状态预测公式设置为：
；
其中  为预测状态，  为状态转移矩阵，为控制输入矩阵，  为控
制输入。

[0028] 进一步地，基于视觉传感器和声呐传感器的观测值，通过卡尔曼增益动态调整观测数据的权重，将观测值与预测状态融合，以更新状态估计，观测更新公式设置为：；
其中，  为卡尔曼增益，依据各传感器的置信度动态调整； 为当前观测值，由视觉和声呐数据融合而成；  为观测矩阵。

[0029] 进一步地，动态权重调整根据各传感器的信噪比动态调整观测值  的权重，融合当前观测值，公式如下： = ；其中 、 和 为惯性、视觉和声呐传感器的动态权重； 、
、  分别为惯性、视觉和声呐传感器的卡尔曼增益。

[0030] 优化地，其还包括漂移补偿与误差校正，利用视觉和声呐传感器的观测数据对惯性导航漂移进行补偿，校正公式为： )；其中，
 为校正后的位置信息；
为由惯性传感器模块输出的位置信息；
 为视觉或声呐传感器模块提供的观测位置；
为动态调整系数。

[0031] 进一步地，其中漂移补偿的校正系数 基于视觉或声呐观测数据的置信度进行动态调整，以保证惯性导航的长期稳定性。

[0032] 进一步地，其还包括反馈回路，通过反馈回路对融合后的位置信息进行实时反馈，对比实际位置与预设航迹调整融合参数，输出无人艇的导航数据。

[0033] 实施例3：一种上述GNSS拒止环境下基于多源数据融合的无人艇组合导航系统的操作方法，其包括下列步骤：
步骤1：系统初始化，对惯性传感器进行初始对准，校准多源传感器模块以获得初始状态；
步骤2：数据采集与预处理，采集惯性、视觉和声呐传感器的数据，通过去噪和特征点匹配剔除异常观测值；
步骤3：多源数据融合与状态预测，通过扩展卡尔曼滤波对无人艇的状态进行预测和更新，利用多源传感器的观测数据和系统动态模型，通过扩展卡尔曼滤波完成状态预测和观测更新，包括：
状态预测：
；
其中  为预测状态，  为状态转移矩阵，为控制输入矩阵，  为控
制输入；
观测更新：
；
其中，  为卡尔曼增益，依据各传感器的置信度动态调整； 为当前观测值，由视觉和声呐数据融合而成；  为观测矩阵；
步骤4：自适应权重调整，根据各传感器的信噪比动态调整观测值  的权重，融合当前观测值，公式如下：
= ；
其中 、 和 为惯性、视觉和声呐传感器的动态权重。

[0034] 、 、  分别为惯性、视觉和声呐传感器的卡尔曼增益步骤5：漂移补偿与误差校正，利用视觉和声呐传感器的观测数据对惯性导航漂移进行补偿，校正公式为：
)；
其中，
 为校正后的位置信息；
为由惯性传感器模块输出的位置信息；
 为视觉或声呐传感器模块提供的观测位置；
为动态调整系数。

[0035] 步骤6：导航输出与反馈，通过反馈回路对融合后的位置信息进行实时反馈，对比实际位置与预设航迹调整融合参数，输出无人艇的导航数据。