1.基于卡尔曼滤波和红外热成像的水下机器人导航定位方法，其特征在于包括以下步骤：步骤1、建立导航坐标系下多普勒速度模型，导航坐标系以水下机器人前进方向为x轴，水下机器人红外热成像传感器环绕所构成的圆的圆心为坐标原点，定义水下机器人的多普勒测速仪输出值为 ；

步骤2、由步骤1获取多普勒测速仪量测值可推算水下机器人实际速度为是多普勒测速仪刻度因子误差；

步骤3、由步骤2完成速度更新可得到水下机器人速度在导航坐标系上x轴前进的实际速度，对导航坐标系下的x轴向速度时间累积得到位置更新，位置更新方程表示为其中， 是水下机器人在k时刻的位置； 是水下机器人在k时刻的实际速度；

是从k‑1时刻到k时刻的时间间隔；

步骤4、采用卡尔曼滤波算法对水下机器人运动状态进行估计，以多普勒测速仪输出的速度数据作为系统观测量 对系统的状态估计进行观测校正，经过观测更新后的输出结果就是对水下机器人位置的最优估计；

步骤5、迭代步骤3‑4，不断对水下机器人状态估计得到精准的水下机器人位置信息；

步骤1中，在水下机器人运动的管道内顶部每隔 米添加一个热源，所有热源使用同一开关进行开启或关闭加热；水下机器人本体正中间环绕一圈红外热成像传感器，红外热成像传感器探测方向垂直于管道表面，使水下机器人检测热源时，红外热成像传感器正对热源进行检测；

在步骤3中，在远距离导航定位时，水下机器人的红外热成像传感器实时检测热源，检测到热源时，红外热像图上显示出来的就是光亮颜色区域的面积增大，实现红外热成像校准位置更新方程包含以下步骤：步骤31、红外热传感器所拍摄的红外热像图序列尺寸为m*l像素，像素坐标系以红外热像图右下角作为原点，以机器人前进方向作为u轴，表示像素横坐标，向上方向作为v轴，表示像素纵坐标；

红外热像图中每个像素点对应一组红绿蓝颜色通道像素值RGB值并且像素点的分量值均在0‑255之间，对红外热像图采用平均值法进行灰度化处理，即将红外热像图中每个像素的RGB值求平均得到一个灰度图，计算公式如下：其中， 是指计算后灰度图中的像素坐标为 的像素点的灰度值； 是指红外热像图中像素坐标为 的像素点的R分量值； 是指红外热像图中像素坐标为 的像素点的G分量值； 是指红外热像图中像素坐标为 的像素点的B分量值；

步骤32、在步骤31中完成红外热像图灰度化处理，得到序列尺寸为m*l像素的灰度图，设定阈值为热源在红外热像图中的灰度值T，将得到的灰度图进一步二值化，计算公式如下：其中， 为红外热像图经过灰度化后进一步得到的二值化图像的(u,v)处的像素值，经上式计算后得到二值化图像；像素值为255代表白色空白区域的二值化图像，像素值为0代表热源区域的二值化图像；

步骤33、在步骤32中将红外热成像图二值化后得到 ，进而统计二值化图像中像素值为0的像素点的个数，得出热源区域的面积A，将各像素值为0的像素点坐标分别进行横纵坐标求平均值得到热源区域的二值化图像的质心坐标，计算公式如下：其中，为热源区域的质心的横坐标；为热源区域的质心的纵坐标； 为各像素值为0的像素点的横坐标； 为各像素值为0的像素点的纵坐标；

步骤34、水下机器人在自主导航时一直处于移动状态，在经过第n个热源时，水下机器人走过实际距离为 ， 是每个热源之间的间隔距离，当热源区域的二值化图像的质心横坐标 时，对水下机器人位置进行外部校准，即 ，将其代入水下机器人位置更新方程中

。

2.根据权利要求1所述的基于卡尔曼滤波和红外热成像的水下机器人导航定位方法，其特征在于，水下机器人本体中端下方安装有多普勒测速仪，水下机器人后端四周环形安装有超声波测距传感器。

3.根据权利要求1所述的基于卡尔曼滤波和红外热成像的水下机器人导航定位方法，其特征在于，序列尺寸为m*l像素的灰度图，其中的m*l为480*640，设定阈值为热源在红外热像图中的灰度值T中的T为200。

4.根据权利要求1所述的基于卡尔曼滤波和红外热成像的水下机器人导航定位方法，其特征在于，所述步骤4中，卡尔曼滤波位置估计的步骤如下：

步骤41、卡尔曼滤波位置估计系统的参数初始化

由于观测数据为水下机器人在管道中的运动状态, 所以第 时刻的系统状态向量 选择为水下机器人运动状态 ， 是步骤3中水下机器人位置更新方程计算得出水下机器人在k时刻的位置， 是水下机器人在k时刻的速度，状态向量 维度为2*1，建立系统的状态方程，确定系统的状态转移矩阵其中， 为系统k‑1时刻的过程噪声，P(w) N(0,Q)，~

此系统具有一个观测量 ，为多普勒测速仪输出的水下机器人实时速度；

其中H为观测矩阵， ； 是以多普勒测速仪输出的速度数据为系统观测 的k时刻测量噪声，P(y ) N(0,R)，~

初始化系统状态 ，初始化系统不确定性协方差矩阵 、系统状态噪声协方差矩阵Q以及系统观测量 的噪声协方差矩阵R ；

步骤42、根据k‑1时刻的水下机器人运动状态估计k时刻的水下机器人运动状态 ，步骤43、确定系统不确定性协方差矩阵的先验估计 ，步骤44、根据观测矩阵H的数据计算卡尔曼增益 ，

步骤45、更新计算系统的后验不确定性协方差矩阵 ，

步骤46、多普勒测速仪输出的速度数据作为系统观测量 对系统的状态估计进行观测校正， 表示观测值 第k时刻的值，得到更新的水下机器人状态估计 ，其中 的 元素是水下机器人位置估计信息。