基于交叉相关感知的深层水下 INS/DVL 融合以提升水下导航精度
机器人学
2025-12-16 v1
摘要
自动水下车辆的精准导航严重依赖多普勒速度日志 (DVL) 速度测量的精度。近期的深度学习研究已在利用多个传感器模态之间的时间空间依赖性来提高 DVL 输出方面展现出巨大潜力。然而，将这些估计集成到模型基滤波器（如扩展卡尔曼滤波器）中，会引入统计不一致，最显著的是过程噪声与测量噪声之间的交叉相关。本文通过提出一种面向交叉相关的深层 INS/DVL 融合框架来解决这一挑战。基于 BeamsNet（用于估计 AUV 速度的 DVL 和惯性数据卷积神经网络），我们将其输出集成到一种显式考虑噪声源之间交叉相关的导航滤波器中。该方法改善了滤波器的一致性，并更好地反映了传感器误差结构。本研究在两个真实水下轨迹上进行评估，相较于最小二乘法和忽略交叉相关的方法，在状态不确定性方面表现更佳。值得注意的是，在速度和错位角置信度指标方面的改进超过 10%。除了展示实证性能外，该框架为在随机滤波器中嵌入深度学习输出提供了理论上严谨的机制。
关键词
引用
@article{arxiv.2503.21727,
title = {Enhancing Underwater Navigation through Cross-Correlation-Aware Deep INS/DVL Fusion},
author = {Nadav Cohen and Itzik Klein},
journal= {arXiv preprint arXiv:2503.21727},
year = {2025}
}