1.一种用于水下无人机器人集群的动态定位信息融合方法，其特征在于，该方法包括以下步骤：

步骤一：搭建多AUV协同定位系统状态空间模型和基于平均网络无向图的通信网络模型，综合考虑平台的动力学特性、确定输入参变量，加入高斯噪声，建立运动方程；

步骤二：阈值加权消除局部信息的粗差：局部观测值的后端加入了阈值加权模块对特殊的节点信息进行优化；

步骤三：局部信息滤波器：利用无迹变换，对函数的概率密度作近似，求出目标事件的期望和方差，将非线性问题转变成卡尔曼滤波问题，输出局部后验值；

步骤四：加权平均一致性滤波器：加权平均一致性滤波器对所有局部后验估计进行一致融合，使全局后验估计结果以信息矩阵对后验估计均值加权的形式输出；

步骤五：优化全局后验结果：在一致性滤波器输出全局后验估计值及协方差时，判断其是否对应最新时刻并对其优化，产生一个稳定的预估值作为局部滤波器的输入值，以解决滤波异步问题。

2.根据权利要求1所述的一种用于水下无人机器人集群的动态定位信息融合方法，其特征在于，所述步骤一中基于平均网络无向图的通信网络模型对深海稀疏动态无线通信网络进行描述，通过任意节点之间有效通信连接边集合来描述稀疏度，任意节点的状态空间模型如下：

状态方程：xk＝f(xk‑1)+Qk‑1观测方程：

其中xk为被测AUV的真实状态变量， 为观测变量，为被测AUV的真实观测值，状态方程和观测方程均为非线性函数，Qk‑1为预测噪声，Rk为观测噪声，假设二者都为高斯白噪声，满足正态分布；

通过监控平均邻接矩阵和平均拉普拉斯矩阵中相关概率数值的改变来描述稀疏网络的随机动态变化，用无向图Gk＝(V,εk)描述任意时刻k的稀疏动态网络通信拓扑，其中V为传感器节点集合，其基数为传感器节点数量N，εk为当前时刻节点之间的有效通信连接边集合，其基数为有效通信连接边的数量Mk，稀疏动态网络中Mk，满足稀疏条件：综合前k时刻的邻接矩阵可以获得其平均邻接矩阵，与平均度矩阵作差即可获得平均拉普拉斯矩阵(L＝D‑A)，该矩阵中元素的变化值可以清晰反映出稀疏网络随机动态变化情况，而且平均拉普拉斯矩阵是半正定矩阵，其最小特征值大于零是平均网络无向图连通的充要条件；

通过均方收敛的角度描述一致性方法的收敛性，在平均网络无向图中，通信拓扑以一定概率发生着随机动态变化，所以更适合从均方收敛的角度考察一致性方法的收敛性，若平均网络无向图是连通的，则平均一致性方法能使所有节点状态均方收敛于平均一致值。

3.根据权利要求1所述的一种用于水下无人机器人集群的动态定位信息融合方法，其特征在于，所述步骤二中局部观测值的后端加入了阈值加权模块对特殊的节点信息进行优化，假设待测信号对应时刻k‑2，依据k‑2时刻被跟踪节点的位置、速度、艏向角等状态量和采样周期以及洋流等环境干扰下的最大误差 计算出k‑1时刻跟踪节点的预估期望值存在范围，设定阈值 计算出当前时刻跟踪节点的预估期望值存在范围，根据前一时刻的速度与信号采样周期设定阈值，依据前后两时刻下量测目标跟本体的距离lk‑1以及lk‑2，设定权值 其中Δl＝|lk‑1‑lk‑2|，若观测信号超过阈值，则产生一个虚拟的位置期望值 代替观测值，参与局部滤波计算，规避遥远信号过于失真的风险。

4.根据权利要求1所述的一种用于水下无人机器人集群的动态定位信息融合方法，其特征在于，所述步骤三中局部信息滤波器的具体步骤如下：已知当前时刻被探测AUV节点状态xk‑1的预估期望(对于前一时刻，为后验估计均值)和协方差 将协方差矩阵分解 其中要求 必须要正定；

1)为了将该AUV的状态传递函数f(xk‑1)近似为正态分布，进行UT变换，取sigma点L(i)代表矩阵L的第i列，权值为

2)

则

得到被探测节点状态先验值 的近似概率密度，其满足正态分布

3)同理第一步，将 分解，令

4)

L1(i)代表矩阵L1的第i列，权值为(i) (i)

5)yk ＝f(xk‑1 )，则k时刻被测节点的观测值的先验期望其先验方差

6)观测到被测AUV节点的观测值ym

7)

‑1

记k＝Pxy(Py)

8)k时刻被测AUV节点的状态后验期望其后验方差

至此，k时刻的状态后验估计值和协方差已经获得，可进入下一个循环，继续递推。

5.根据权利要求1所述的一种用于水下无人机器人集群的动态定位信息融合方法，其特征在于，所述步骤四中运用多智能体集群的一致性方法，通过加权平均一致性滤波器对所有局部后验估计进行一致融合，使全局后验估计结果以信息矩阵对后验估计均值加权的形式输出：

考虑由n个AUV组成的网络，AUV单体根据测量值对一被高斯噪声干扰的信号进行估计，该信号模型稍作形式上的更改如下：x(k+1)＝x(k)+w(k)每个AUV对信号的测量值为

zi(k)＝Hi(k)x(k)+vi(k)其中，过程噪声和测量值分别为T

E[w(k)w(l) ]＝Q(k)δkl，E[vi(k)vj(l)T]＝Ri(k)δklδij其中当k＝l时，δkl＝1；否则，δkl＝0。

考虑由n个AUV组成的网络，假设n(A,H)可观测；假设每个AUV应用以下分布式估计方法且初始条件Pi＝P0， 则，估计误差 是一个稳定的线性系统，其Lyapunov函数为

6.根据权利要求1所述的一种用于水下无人机器人集群的动态定位信息融合方法，其特征在于，所述步骤五在一致性滤波器输出全局后验估计值及协方差时，判断其时效性，即是否对应当前时刻，若是，则作为局部滤波器的输入；若不是，则进入预估模块，产生一个可靠的预估值作为局部滤波器的后验值，根据产生一个可靠的预估值作为局部滤波器的后验值，具体为：

1)计算k‑1时刻被测AUV状态的全局估计值的变化量Δ；

2)保持在变化量Δ下的k时刻得到被测AUV的状态假设值；

3)设定AUV状态的预估值为假设值与局部后验值的加权平均值；

4)该预估值作为全局后验估计值和协方差进入局部方法。