| Abstract | 第4-5页 |
| 摘要 | 第6-14页 |
| List of Abbreviations | 第14-15页 |
| Chapter 1 Introduction | 第15-36页 |
| 1.1 Background and significance of the research | 第15-17页 |
| 1.2 Current research on SONAR s ystem in China and Abroad | 第17-20页 |
| 1.2.1 SONAR types and basic working principles | 第17-18页 |
| 1.2.2 SONAR applications | 第18-19页 |
| 1.2.3 Active towed array sonar | 第19-20页 |
| 1.3 Remotely operated vehicle (ROV) | 第20-22页 |
| 1.3.1 Historical development of ROV | 第20页 |
| 1.3.2 Classification of ROV | 第20-22页 |
| 1.4 Towed array | 第22-27页 |
| 1.5 MEMS inertial sensing | 第27-31页 |
| 1.5.1 ROV attitude estimation | 第28-30页 |
| 1.5.2 Towed array orientation/shape estimation | 第30-31页 |
| 1.6 Statement of the problem | 第31-33页 |
| 1.7 Aim and objectives of the study | 第33-34页 |
| 1.8 Main structure of the dissertation | 第34-36页 |
| Chapter 2 Sensor fusion algorithms and quaternions | 第36-51页 |
| 2.1 Introduction | 第36页 |
| 2.2 Complementary filters | 第36-40页 |
| 2.2.1 Fixed gain complementary filter | 第37-38页 |
| 2.2.2 Gradient descent based complementary filter | 第38-39页 |
| 2.2.3 Variable gain complementary filter | 第39-40页 |
| 2.3 Kalman filter | 第40-43页 |
| 2.3.1 Discrete kalman filter | 第41-43页 |
| 2.3.2 Extended kalman filter | 第43页 |
| 2.4 Quaternions | 第43-51页 |
| 2.4.1 Euler angle to quaternion | 第46-47页 |
| 2.4.2 Quaternion-based kalman filter | 第47-51页 |
| Chapter 3 Sensor fusion based on complementary and attitude estimationalgorithms using MEMS IMU | 第51-69页 |
| 3.1 Introduction | 第51-52页 |
| 3.2 MEMS IMU gyroscope model | 第52-54页 |
| 3.3 MEMS IMU accelerometer model | 第54-55页 |
| 3.4 Attitude estimation algorithms | 第55-60页 |
| 3.4.1 Extended kalman filter | 第56-58页 |
| 3.4.2 Fixed gain complementary filter | 第58-59页 |
| 3.4.3 Gradient descent complementary filter | 第59-60页 |
| 3.5 Results and discussion | 第60-68页 |
| 3.5.1 Simulation results | 第60-63页 |
| 3.5.2 Experimental results | 第63-68页 |
| 3.6 Chapter summary | 第68-69页 |
| Chapter 4 Performance enhancement for complementary filter throughfilter gain | 第69-85页 |
| 4.1 Introduction | 第69-70页 |
| 4.2 Complementary filter and MEMS IMU modeling | 第70-75页 |
| 4.2.1 Extended kalman filter | 第70页 |
| 4.2.2 Complementary filter | 第70-72页 |
| 4.2.3 Attitude estimation from gyro | 第72-74页 |
| 4.2.4 Attitude estimation from accelerometer | 第74-75页 |
| 4.3 Attitude estimating algorithms | 第75-79页 |
| 4.3.1 Fixed gain complementary filters | 第76-77页 |
| 4.3.2 Variable gain complementaryfilter | 第77-79页 |
| 4.3.3 Extended kalman filter for attidude estimating | 第79页 |
| 4.4 Results and discussion | 第79-83页 |
| 4.4.1 Simulation results | 第79-81页 |
| 4.4.2 Experimental results | 第81-83页 |
| 4.5 Chapter summary | 第83-85页 |
| Chapter 5 Attitude estimation from MEMS IMU using fuzzy tunedcomplementary filter | 第85-95页 |
| 5.1 Introduction | 第85-86页 |
| 5.2 Theoretical background | 第86-87页 |
| 5.2.1 Reference system | 第86-87页 |
| 5.2.2 Calibration | 第87页 |
| 5.3 The proposed algorithm | 第87-91页 |
| 5.3.1 Gradient descent based complementary filter | 第87-88页 |
| 5.3.2 Fuzzy tuned complementary filter | 第88-91页 |
| 5.4 Simulation results | 第91-93页 |
| 5.5 Chapter summary | 第93-95页 |
| Chapter 6 Navigation technologies for autonomous underwater vehiclesbased on inertial measurement units and sonar | 第95-109页 |
| 6.1 Introduction | 第95-97页 |
| 6.2 Navigational methods | 第97-101页 |
| 6.2.1 Inertial navigation | 第97-98页 |
| 6.2.2 Acoustic navigation | 第98-100页 |
| 6.2.3 Geophysical navigation | 第100-101页 |
| 6.3 Sensor error | 第101-102页 |
| 6.4 The Inertial-Slam algorithm for AUV | 第102-105页 |
| 6.4.1 The state vector and its decomposition | 第102-103页 |
| 6.4.2 Underwater vehicle model | 第103-104页 |
| 6.4.3 The filtering of Inertial-SLAM | 第104-105页 |
| 6.5 Simulation studies | 第105-108页 |
| 6.6 Chapter summary | 第108-109页 |
| Conclusions | 第109-112页 |
| 结论 | 第112-115页 |
| References | 第115-128页 |
| List of Publications | 第128-131页 |
| Acknowledgement | 第131-132页 |
| Curriculum Vitae | 第132页 |
