涂豫，李国胜，覃羡烘

（1.河南工业职业技术学院，南阳473000；2.华中科技大学计算机科学与技术学院，武汉430074；3.郑州大学信息工程学院，郑州450001）

引 言

多自主水下航行器（Autonomous underwater vehicle，AUV）集群在水下军事勘探、深海海洋勘察、生物监测等领域得到了广泛的应用［1］。获取准确的位置信息是确保多AUV集群成功、高效执行任务的重要前提［2-3］。在恶劣的水下环境下，AUV的高精度导航已成为一个紧迫而艰巨的挑战［4-5］。“多AUV协同定位”（Cooperative localization，CL）是一种新的水下定位技术，主-从式多AUV协同定位系统可利用水声设备和低精度导航设备实现高精度水下定位，具有可期的研究前景［6］。

传统Kalman滤波是航行器导航定位中常用的技术手段［7］。但在协同定位系统中，当水声测距信息数量变化时，滤波算法的量测方程维数需要随时变化不利于计算。因子图（Factor graph，FG）将全局函数划分为局部函数，捕获数据的高阶统计信息，而不是常用的二阶统计信息［8-9］，因子图相对于曼滤波方法最大的优势在于“即插即用”，更适用于实际的CL系统。文献［10］研究了一种基于FG关联状态与量测模型的定位方法，利用地磁匹配信息抑制算法误差，并进行了跑车试验；文献［11］结合FG提出了一种采用概率图模型的估计USV位置算法，可有效获得USV位置信息。上述方法都假设观测噪声为Gauss噪声，但在水下经常会出现一些特殊情况，复杂的水下环境很可能导致水声测距信息随时出现噪声异常值，这将严重影响AUV位置估计性能。因此，融合异常值信息的CL算法是水下机器人面临的主要挑战［12］。……