一种基于多普勒频移传感器测量数据的自主水下航行器（AUV）辅助目标定位的主化最小化方法

《Digital Signal Processing》：A majorization minimization approach for AUV-aided target localization using Doppler-Shift sensor measurements

目标定位方法研究基于AUV搭载的Doppler-shift传感器，提出主化解minimization（MM）迭代算法解决最大似然估计问题，相比传统最小二乘法误差更小，通过数值仿真验证了方法的高效性。

　　

摘要

在本文中，我们研究了利用安装在自主水下航行器（AUV）上的多普勒频移传感器测量数据来实现水下目标定位的问题。该AUV在目标周围区域进行机动。基于收集到的测量数据，我们构建了一个最大似然（ML）目标定位问题，并提出了一种基于最大化最小化（MM）的高效迭代算法。通过所提出的方法获得的迭代结果能够保证ML函数的单调递减。与现有的传统方法不同，这些传统方法使用最小二乘估计器（LSE）或其变体，由于近似精度较低而存在较大误差，而所提出的方法直接处理非线性数据模型，从而显著提高了性能。通过数值模拟，我们将所提出的算法与其他最先进算法进行了比较，发现所提出的算法比现有方法更准确。

章节摘录

引言和文献综述

AUV辅助的水下探索因其多种优势而受到广泛关注，例如无需人类参与危险环境、实验时间更长、可进行多次试验等。由于这些优势，AUV已成为许多海洋应用的核心，如海洋监视、灾害管理、水下导航等[1]、[2]。在这些应用中，目标（可以是静止的或运动的）的位置

数据模型和问题构建

回顾图1所示的水下目标定位设置，其中多普勒频移传感器安装在AUV上。同时假设AUV在目标最可能出现的区域内进行导航。目标发出一个已知频率的信号$f_o$，该信号由AUV上的传感器接收。由于相对运动，传感器接收到的信号频率出现了多普勒频移

提出的算法

在本节中，我们首先介绍最大化最小化（MM）技术的概述，然后推导出基于MM的迭代算法以解决（4）中的优化问题。接下来，我们将介绍所提出算法的加速版本，讨论其计算复杂性和收敛性，并简要讨论CRLB（克拉美罗下界）。

数值结果

在本节中，我们通过数值模拟结果来展示所提出算法的性能。我们考虑了一个水下场景，其中装有接收传感器的AUV以10米/秒的恒定速度在目标最可能出现的区域内移动。AUV的起始点被设为原点${[0,0,]}^{}$，真实目标位置为$p^{}={[400,300,100}^{}$米。发出信号的频率为$f_{}=25000$赫兹

结论

在这项工作中，我们提出了一种基于最大化最小化的算法来解决基于多普勒频移传感器测量的主动目标定位问题。所提出的方法在每次迭代中都能提供封闭形式的解，并确保收敛到最优解。通过各种数值模拟，我们证明了所提出的算法比文献中常用的基于LSE的方法更准确。