基于 Transformer 的鲁棒式 underwater 惯性导航：在持续的多普勒速度日志中断期间
机器人学
2025-12-16 v1
摘要
自主水下车辆（AUV）在海洋领域具有广泛的应用，包括探索、勘测和制图。其导航系统高度依赖于来自惯性传感器和多普勒速度日志（DVL）数据的融合，通常通过非线性滤波实现。DVL 通过向海底发射声束并分析反射信号的多普勒位移来估算 AUV 的速度矢量。然而，由于环境挑战，DVL 声束可能偏斜或在实际情况下发生故障，导致信号中断。在此类情况下，AUV 仅依赖惯性数据，导致导航误差累积和任务中止。为应对此类中断，我们采用 ST-BeamsNet，这是一种深度学习方法，可使用惯性读数和先前的 DVL 数据来估计中断期间的 AUV 速度。本文扩展了 ST-BeamsNet 以处理持续的 DVL 中断，并在扩展卡尔曼滤波框架内评估其影响。实验表明，所提出的框架在纯惯性导航相比下，可将速度 RMSE 最高降低 63%，将最终位置误差降低最高 95%，适用于持续达 50 秒的完全 DVL 中断场景。
引用
@article{arxiv.2504.07697,
title = {Transformer-Based Robust Underwater Inertial Navigation in Prolonged Doppler Velocity Log Outages},
author = {Zeev Yampolsky and Nadav Cohen and Itzik Klein},
journal= {arXiv preprint arXiv:2504.07697},
year = {2025}
}
备注
Eight pages, 7 Figures, 4 Tables