Es wird ein Algorithmus für den Particle-Filter mit starkem Tracking volumetrischer Kalman-Filterung kombiniert mit verbesserter Grauwolfoptimierung (IGWO-STCPF) vorgeschlagen. Diese Methode verwendet zunächst den volumetrischen Kalman-Filter mit starkem Tracking (STCKF) in Kombination mit Beobachtungsinformationen zur dynamischen Anpassung des Partikelmittelwerts und der Kovarianz, wodurch die Repräsentativität der Importance-Sampling effektiv verbessert wird; anschließend wird in der Resampling-Phase eine auf Informationsentropie gewichtete Grauwolfoptimierungsstrategie eingeführt, um die Diversität der Partikel zu erhöhen und Degeneration zu unterdrücken. Simulationsexperimente zeigen, dass der vorgeschlagene Algorithmus die Trajektorienschätzungsgenauigkeit im Vergleich zu STCKF, Standard-Particle-Filter (PF), Partikelschwarmoptimierungsfilter (PSO-PF) und Partikelschwarmoptimierungs-Kubikalmanpartikelfilter (PSO-CPF) um 13,41 %, 18,58 %, 21,86 % bzw. 21,33 % verbessert. Die Ergebnisse bestätigen, dass IGWO-STCPF in komplexen Unterwasserumgebungen über höhere Robustheit und Tracking-Fähigkeit verfügt.

autonome Unterwasserfahrzeuge; Partikelfilter; volumetrischer Kalman-Filter mit starkem Tracking; Grauwolfoptimierung; Informationsentropie