基于自治两速卡尔曼滤波器的实时 underwater 车队导航：抑制声学延迟
计算机视觉与模式识别
2026-04-06 v1
摘要
在 GNSS 屏蔽的 underwater 环境中，单个无人 underwater 车（UUV）受限于不可控的 dead reckoning 漂移，使得协作导航对于准确状态估计至关重要。然而，underwater声学信道中固有的严重通信延迟对实时状态估计构成严重挑战。传统滤波器，如扩展卡尔曼滤波器（EKF）或无迹卡尔曼滤波器（UKF），通常在等待延迟数据时阻塞主控制回路，或完全放弃超出次序测量（OOSM），导致严重漂移。为此，我们提出一种增强由新颖投影机制提升的 Asynchronous Two-Speed Kalman Filter（TSKF），称为 Variational History Distillation（VHD）。该提议架构将估计过程解耦为两个平行线程：一个高速率线程利用经 Gaussian Process（GP）补偿的 dead reckoning 保证高频实时控制，一个低速率线程专用于处理异步延迟的协作信息。通过引入有限长度的状态缓冲区，算法将延迟测量（t-T）应用于其对应的历史状态，并利用 VHD 基于投影将纠正快速前进到当前时间，而无需计算密集的重新计算。仿真结果表明，在严重延迟（最高达 30 秒）下，所提出的 TSKF 保持 trajectory 均方根误差（RMSE）相当于计算密集的批量优化方法。以亚毫秒级执行时间，显著优于标准 EKF/UKF。结果表明，有效的控制、通信和计算（3C）协同设计显著增强了自主海洋自动化系统的韧性。
关键词
引用
@article{arxiv.2604.02877,
title = {Unlocking Positive Transfer in Incrementally Learning Surgical Instruments: A Self-reflection Hierarchical Prompt Framework},
author = {Yu Zhu and Kang Li and Zheng Li and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:2604.02877},
year = {2026}
}
备注
Accepted by CVPR 2026