基于高斯过程回归的 underwater navigation 改进
机器人学
2025-12-16 v1 人工智能
系统与控制
信号处理
系统与控制
摘要
由于缺乏全球导航卫星系统信号，以及惯性导航系统随时间漂移的问题，水下导航是一个具有挑战性的任务。多普勒速度日志（DVL）通常用于通过速度测量来缓解这种漂移，速度测量常采用最小二乘（LS）等参数估计方法。然而，LS 在理想条件下工作，不考虑传感器偏差，导致性能次优。本文提出一种基于多输出高斯过程回归（MOGPR）的数据驱动方法，以提高 DVL 速度估计。MOGPR 提供速度估计值及其相关测量协方差，使其能够在误差状态扩展卡尔曼滤波器（EKF）中实现自适应集成。我们使用真实世界的 AUV 数据评估了所提出的方法，并将其与 LS 和最新深度学习模型 BeamsNet 进行比较。结果表明，MOGPR 将速度估计误差降低约 20%，同时显著提高整体导航精度，尤其在姿态状态方面。此外，MOGPR 所提供的不确定性估计使自适应 EKF 框架得以实现，在动态水下环境中提高了导航鲁棒性。
引用
@article{arxiv.2502.16510,
title = {Gaussian Process Regression for Improved Underwater Navigation},
author = {Nadav Cohen and Itzik Klein},
journal= {arXiv preprint arXiv:2502.16510},
year = {2025}
}