来的工作会更多针对这个问题。
表2性能比较
4 整体的GPS/INS
这里，被包含的融合估计偏航角先前被当作一个简单假想的偏航角传感器并被其他INS传感器用于从体坐标到大地坐标框架变换数据，用模糊逻辑和EKF技术的融合将大地坐标里的数据和GPS数据整合，可以参考FEKF。
关于这个问题的潜行器运动连续时间模型可以是如下：
是模型的状态。和是包含于GPS接收器里的在大地坐标系中AUV位置的精度和纬度，是包含于假想航向传感器的航向角角度，是航向角变化率，和分别是海浪速度和摇摆速度。
在这个系统模型中，F和H都是连续函数，且对于X(t)处连续可微。W(t)和V(t)分别对于系统模型和测量模型都是零均值白噪声。
这些模型状态通过以下基于式（12）里的函数（F(X(t))）联系到一起： （14） （15） （16） （17） （18） （19）
这些输出测量通过以下的输出矩阵的状态联系到一起： ， （20） 当GPS信号可获得和当它不可获得时， ， （21）
为了用一个简单形式的有效状态预测方程来包含EKF，式(14)-(21)对于当前状态估计已经被线性化，生成
（22）
而Γ是如式(20)或(21)一样的矩阵。线性模型在时间T=0.125s之后的离散化导致类似于在附录A（这里的φ和Γ等价于A和H） 中的SKF算法的EKF算法，仅仅矩阵φ是重复更新的。初始条件是和Q始终是一个对角阵
diag(10,10,1,0.1,0.1,0.1)。矩阵R的实际值假设未知但是它的初始值被选为diag(1000,1000,5,1,2,2)。
接着执行第二部分的FSKF的算法，矩阵的第(i,i)各元素的自适应改变和的第(i,i)个元素一致。图1展示了这里的单输入单输出的FIS，从而被用来为的主对角元素产生校正因子如下所示：
（23）
图12显示了使用GPS得到的锤头式AUV的轨迹和使用INS传感器得到的航位推测并整合了GPS/INS。由于R相对于和的初始值为1000，标准EKF算法输入更少的量给通过GPS获得的位置，更多的给由自航位推测方法获得的位置的预测(用INS传感器数据)。图13显示了矩阵R相应地作了调整并且更多的量被给到GPS数据里，因此在组合导航里的估计轨迹被进一步‘拉’了一点到GPS轨迹里。然而，意识到大的差异仍会是在顾虑GPS修正的组合导航之间。对于这个不规则的表现有几个解释。第一种可能就是它被用在这个特定的应用中的低成本GPS的差的精度等级所引起。要知道所提出的算法已通过轨迹检测对于和的一个持续高值实际协方差。这就导致给到在FEKF里的GPS修正的量不够充
图12 使用GPS，INS传感器（航位位置推测法）和未使用自适应EKF的GPS/INS
而获得的AUV轨迹线。
图13 使用GPS，INS传感器（航位位置推测法）和使用自适应EKF的GPS/INS
而获得的AUV轨迹线。 分而且更多的给了由航位推测得到的位置。第二种可能就是GPS接收器不能使用足够数目的卫星，精度的位置稀释的一个足够小的值可以提供要求的精度等级。具有宽域放大系统或的GPS接收器或差分GPS接收器的使用或欧洲定位导航覆盖服务都会被认为是一个缓解这个问题的前沿方法。
5 总结与结论
先前不完全知道Q和R的这个问题被考虑到。这本论文中，基于具有模糊逻辑滤波更新序列的自适应卡尔曼滤波方法作为融合INS传感器数据和组合导航位置信息二选一的两问题来讨论。把这个方法用到锤头式模型里，它的响应用电子
罗盘测量，IMU和两个具有不同噪声特性的附加传感器表现了在改善单个SKF和EKF的估计以及提高组合导航的全面精度两方面有一个满意的效果。
论文心得
本篇文章是我在学校图书馆资源库SCI上下的，这是我翻译的第一篇文章，由于没找到和我课题（无刷直流力矩电机控制压浪板）相关的文章，于是乎就找了这一篇，之前上控制科学导论的时候听过AUV，而且智能理论方法这门课也介绍过模糊控制，觉得也都挺有意思的。
因为我的英语不好（六级都没过），所以整个翻译过程是漫长与痛苦的，花了我好几天时间，里面有些公式是剪切的（望老师体谅）。虽然有在百度、谷歌、有道、金山等线翻译，但是翻译出来的中文语句惨不忍睹，尤其是翻译那些有好几个and和好几个定语从句的长句子的时候。再者，有时翻译一些专业术语时，总觉得很别扭，读起来很拗口，总认为自己翻译错了。最后，尽管全文是翻译出来了（字数大概是5600左右），但是还是不怎么能看懂啊。
GPS/INS组合导航系统的发展随着GPS技术的广泛应用，在军用和民用各方面产生了巨大影响。GPS虽然具有全天候、高精度的优点，但其局限性也非常明显，其主要缺点是卫星信号在有些地方受遮挡丢失信号而影响定位，以及定位精度容易受电子欺骗等因素影响。组合导航常以INS作为主导航系统，而将其他导航定位误差不随时间积累的导航系统，如无线电导航、天文导航、地形匹配导航和卫星导航等系统作为辅助导航系统。同时，在算法上应用卡尔曼滤波技术，对组合系统的状态变量进行最优估计，获得修正信息，从而提高导航精度。
卡尔曼滤波广泛的应用于导航系统状态参量的估计。它使用系统的动态模型和观测模型，利用不断加入的观测值和不断进行的条件期望得到系统的状态估计。若要通过滤波得到精确状态的估计，需要知道系统噪声和观测噪声的统计特性。但是在工程应用中，系统噪声与观测噪声的统计知识并不容易先验得到,因此用传统的卡尔曼滤波器很容易导致滤波发散，一旦产生发散则导致滤波失败。
但是同样是基于卡尔曼滤波来处理导航数据，若选择不同类别的卡尔曼滤波器或算法得到的导航精度是不一样的，比如像本文中提到的水下机器人（AUV）,它对导航精度的要求特别高，用一般卡尔曼滤波器达不到控制精度要求。而且因为GPS和INS的系统动态模型和测量模型都是非线性的，因此需要用到扩展卡尔曼滤波器（EKF）。当现实中系统的状态参量不断受到不能确定的干扰或者复杂的
系统动态模型被描述为相对简单的数学模型时，滤波过程容易产生发散。为防止滤波时产生发散，必需使滤波器具有自适应功能。
本论文将模糊逻辑算法和扩展卡尔曼滤波器（EKF）与简单卡尔曼滤波器（SKF）联合用于组合导航系统里，根据模糊推理规则来控制EKF的估计误差方差的加权指数α，从而达到不断调整滤波器增益K，使其一直执行最优估计的目的。
提高了组合导航的各个方面的精度，使得AUV的控制更加精确可靠。从图12和图13可以看出，使用自适应扩展卡尔曼滤波器（EKF）的修正值更加充分，这就使得AUV的估计轨迹越来越靠近实际轨迹，从而提高其控制精度。