This article discusses a challenge of the hydrodynamic coefficient identification in autonomous underwater vehicles (AUVs). The considered coefficients correspond to a nonlinear mathematical model of an AUV maneuvering in the horizontal plane. The dynamics of underwater vehicles is intrinsically nonlinear. Hence, to reproduce different types of maneuvers, such as straight line, zigzag, or turning in circles, a nonlinear mathematical model is important. The proposed identification approach combines an analytical and semiempirical estimation method (ASE), based on the hydrodynamics and geometric characteristics of submarine vehicles, with a parameter estimator based on the extended Kalman filter. The identification starts with ASE estimations, and then the estimator based on the extended Kalman filter adjusts the hydrodynamic coefficient estimates based on the experimental data. The experimental data were obtained with the sensors of the Pirajuba AUV during sea trials. This identification method is a cyclical estimation process, where the less reliable parameters are adjusted to the experimental data while the most reliable parameters are kept fixed. Therefore, in the next identification iteration, the originally fixed model parameters are adjusted to the experimental data, keeping the already identified values. Finally, the identified model is used to simulate the vehicle's movement, and the movement variables are compared to the experimental data, thus validating the identified model.

中文翻译：

---

使用分析和系统识别方法估算 AUV 水动力系数

本文讨论了自主水下航行器 (AUV) 中水动力系数识别的挑战。所考虑的系数对应于 AUV 在水平面上机动的非线性数学模型。水下航行器的动力学本质上是非线性的。因此，要再现不同类型的机动，例如直线、曲折或绕圈转弯，非线性数学模型很重要。所提出的识别方法将基于潜艇车辆的流体动力学和几何特征的分析和半经验估计方法 (ASE) 与基于扩展卡尔曼滤波器的参数估计器相结合。识别从 ASE 估计开始，然后基于扩展卡尔曼滤波器的估计器根据实验数据调整水动力系数估计值。实验数据是在海上试验期间使用 Pirajuba AUV 的传感器获得的。这种识别方法是一个循环估计过程，其中较不可靠的参数根据实验数据进行调整，而最可靠的参数则保持固定。因此，在下一次识别迭代中，将原来固定的模型参数调整为实验数据，保持已经识别的值。最后，利用识别出的模型来模拟车辆的运动，并将运动变量与实验数据进行比较，从而验证识别出的模型。实验数据是在海上试验期间使用 Pirajuba AUV 的传感器获得的。这种识别方法是一个循环估计过程，其中较不可靠的参数根据实验数据进行调整，而最可靠的参数则保持固定。因此，在下一次识别迭代中，将原来固定的模型参数调整为实验数据，保持已经识别的值。最后，利用识别出的模型来模拟车辆的运动，并将运动变量与实验数据进行比较，从而验证识别出的模型。实验数据是在海上试验期间使用 Pirajuba AUV 的传感器获得的。这种识别方法是一个循环估计过程，其中较不可靠的参数根据实验数据进行调整，而最可靠的参数则保持固定。因此，在下一次识别迭代中，将原来固定的模型参数调整为实验数据，保持已经识别的值。最后，利用识别出的模型来模拟车辆的运动，并将运动变量与实验数据进行比较，从而验证识别出的模型。在下一次识别迭代中，将原来固定的模型参数调整为实验数据，保持已经识别的值。最后，利用识别出的模型来模拟车辆的运动，并将运动变量与实验数据进行比较，从而验证识别出的模型。在下一次识别迭代中，将原来固定的模型参数调整为实验数据，保持已经识别的值。最后，利用识别出的模型来模拟车辆的运动，并将运动变量与实验数据进行比较，从而验证识别出的模型。