1.一种基于STACKF的多AUV协同定位方法，其特征在于，包括如下步骤：S1：对AUV运动学模型建模，得到AUV运动学模型的运动方程；

S2：基于运动方程，建立主从式多AUV协同导航定位的量测模型，得到量测模型的量测方程；

S3：采用容积卡尔曼滤波来求解多AUV协同导航中的状态估计值；

S4：基于状态估计值和量测方程，采用基于渐消记忆指数加权法的噪声估值器算法生成系统噪声和量测噪声的协方差矩阵Qk和Rk；

S5：将强跟踪算法中的渐消因子引入到步骤S3的容积卡尔曼滤波的预测和更新方程中，修正多AUV协同导航中的状态估计值和系统噪声和量测噪声的协方差矩阵，再结合AUV运动学模型的运动方程，估算AUV位置，实现多AUV协同定位。

2.根据权利要求1所述的一种基于STACKF的多AUV协同定位方法，其特征在于，所述步骤S1中运动学模型的运动方程为：式中，xk，yk，θk分别为AUV在二维投影平面中的横向坐标、纵向坐标和偏航角；Vk为前向合成速度； 为偏航角速度；T为采样周期；设噪声为高斯白噪声，则在噪声影响下的系统输入为：

其中，Vmk和 分别为AUV在tk时刻的速度和偏航角速度的量测值；wvk和wωk均为相互独立的零均值高斯白噪声。

3.根据权利要求1所述的一种基于STACKF的多AUV协同定位方法，其特征在于，所述步骤S2中量测模型的量测方程为：其中，dxk,k+1和dyk,k+1分别为跟随AUV在采样周期时间内的运动失径；上标S为跟随AUV；

上标M为领航AUV；Ak为k时刻主从AUV之间的距离。

4.根据权利要求1所述的一种基于STACKF的多AUV协同定位方法，其特征在于，所述步骤S3具体包括如下步骤：A1：时间更新

假设后验概率密度函数 已知，对估计均方差做Cholesky分解，可得

计算容积点，其中i＝1,2,3...,m；m＝2n，有将容积点通过状态方程进行传递后，可得新的采样点k时刻的一步状态预测值

k时刻的一步预测估计均方差A2：量测更新

对一步预测均方差进行Cholesky分解计算容积点，其中i＝1,2,3...,m；m＝2n将容积点通过量测方程进行传递后，可得新的采样点Zi,k/k‑1＝h(Xi,k/k‑1)k时刻的量测预测值为

自相关估计均方差为

互相关方差矩阵估计值为

系统滤波增益矩阵为

k时刻的状态估计值

k时刻的均方差估计值为

5.根据权利要求4所述的一种基于STACKF的多AUV协同定位方法，其特征在于，所述步骤S4具体包括如下步骤：B1：确定遗忘因子，生成加权系数k

dk＝(1‑b)/(1‑b),0＜b＜1式中，b为遗忘因子；dk为生成k+1时刻噪声协方差矩阵的加权系数；

B2：计算系统噪声的协方差矩阵将上式改写为

T ‑1 T

式中，εk为残差值；Q'k为k时刻生成的系统噪声协方差矩阵；Gk＝(UU) U ,U为系统噪声驱动阵；

B3：计算量测噪声的协方差矩阵式中，R'k为k时刻生成的量测噪声协方差矩阵。

6.根据权利要求4所述的一种基于STACKF的多AUV协同定位方法，其特征在于，所述步骤S5中强跟踪算法中的渐消因子的计算方式为：Mk+1＝Pzz,k+1/k‑Vk+1+Nk+1

7.根据权利要求6所述的一种基于STACKF的多AUV协同定位方法，其特征在于，所述步骤S5中渐消因子的引入方式为：在步骤A1中的一步预测估计均方差Pk∣k‑1中引入渐消因子，如下

8.根据权利要求6所述的一种基于STACKF的多AUV协同定位方法，其特征在于，所述步骤S5中结合AUV运动学模型的运动方程，估算AUV位置的方法为：描述AUV运动的状态方程为：由上式可得，AUV导航系统的状态向量Xk由AUV的位置信息(xk,yk)，航向角信息θk表示：T

Xk＝[xk yk θk]量测方程为

信息协方差矩阵为

Mk+1＝Pzz,k+1/k‑Vk+1+Nk+1渐消因子为

修正k时刻的一步预测估计均方差噪声协方差矩阵

基于上述方案，采用步骤A2的量测更新方式，获取到AUV位置的估算数据。